電力系統故障預測方法研究

許奇歆 王榮杰,2 周海峰,2

（1.集美大學輪機工程學院 2.福建省船舶與海洋工程重點實驗室)

電力系統故障預測方法研究

許奇歆1王榮杰1,2周海峰1,2

（1.集美大學輪機工程學院 2.福建省船舶與海洋工程重點實驗室)

本文針對電力系統及其設備的特點，探討了故障預測技術發(fā)展對現代電力系統及其設備的安全、穩(wěn)定、高效和可靠的運行的重要性，詳細論述和比較了故障預測技術的各種方法，并對它們的優(yōu)劣勢、應用場合和應用狀況分析和總結。

電力系統；故障預測；模型；數據；概率統計

0 引言

隨著現代電力系統不斷地向大型化、智能化的方向迅速發(fā)展，現代電力系統的系統元件和系統結構日趨多樣化、復雜化，系統的故障或失效的潛在可能性不斷攀升。而目前的電力系統故障領域的研究主要集中在監(jiān)視當前系統運行狀態(tài)，診斷系統是否出現故障以及故障定位；無法防止故障的發(fā)生，很難保障現代電力系統及其設備的安全、穩(wěn)定、高效和可靠的運行。

故障預測技術是比故障診斷技術更為高級的維護保障方式，是一門剛剛興起的邊沿學科。它涉及了機械、材料、控制通信、電力電子、通信以及計算機技術和人工智能等多種學科的綜合。電力系統故障預測是在對電力系統故障演化機理深入研究的基礎上，以當前系統或元件的運行狀態(tài)為起點，利用系統或設備的運行參數、實驗數據等信息，結合其系統或設備結構特征、運行參數和歷史運行記錄統計，在系統或設備還處于可保證的正常運行臨界范疇內，依據一些異常特征參數來對系統或設備將來一段時間內有可能發(fā)生的故障進行分析和預測；并及時向用戶提出警告，以便及時進行檢修，有效預防故障的發(fā)生，保障現代電力系統的安全、穩(wěn)定、高效和可靠的運行。

目前，國內外電力系統領域故障預測的研究主要在于電氣設備，如變壓器[1-4]、斷路器[5-6]、發(fā)電機[7-9]、電動機[10-11]等主要設備的故障預測。采用在線監(jiān)測手段，結合設備的歷史運行及故障數據樣本、當前運行狀態(tài)數據和設備數學模型，從而來預測設備未來一段時間所處狀態(tài)，提前發(fā)現可能的故障。而在整個電力系統[12]或輸電系統[13]等子系統的研究中，由于系統從設備到子系統、從一次系統到二次系統從功能上呈現分布式結構或者網絡式結構，結構中的故障信息之間存在或強或弱的關聯性、交互禍合作用且現有的故障預測方法對單一設備的故障預測時，當監(jiān)測數據不足時預測結果不可信，使得對系統故障的直接預測難度大，準確性低，導致目前主要研究在對故障后有可能引起的連鎖故障進行預測分析。

1 電力系統故障預測技術

對于電力系統故障預測并沒有明確的概念，其預測技術與其他系統的故障預測技術沒有很大區(qū)別。目前，電力系統故障預測技術大致可分為三類：基于模型的故障預測技術方法、基于數據驅動的故障預測技術方法、基于統計可靠性的故障預測技術方法。

1.1 基于模型的故障預測技術

基于模型的故障預測技術正常要求用于描述系統（或設備）及其故障的物理模型的專門解析數學模型是已知的。這類技術是通過把握被預測系統（或設備和組件）的狀態(tài)模型的演化過程的技術方法，用來系統（或設備和組件）故障狀態(tài)預測或用于評估設備和組件的剩余壽命及損傷程度。通常基于模型的故障預測技術的預測精確度與所采用模型的參數精確度直接相關，即可以通過不斷加深對系統或設備的故障演化機理的研究，來不斷修正和調整模型及其參數以提高其預測精確度。因為基于模型的故障預測技術具有所需樣本量少，解析計算量小和便于掌握，且可以究其系統的內在性質和實現動態(tài)實時性，使得故障預測精度高等優(yōu)點，使其越來越多地應用到電力系統故障預測研究中。但是，要建立精確數學模型對于復雜動態(tài)電力系統來說，通常是難以實現的。因此，在現代電力系統在實際運用中，由于基于模型故障的預測技術的模型難以精確建立，使得其運用范圍受到限制，目前在電力系統故障方面的應用主要用于變壓器故障、電機、保護元件等設備及簡單系統的故障預測。

1.1.1 灰色預測技術

灰色預測技術是一種能夠在貧信息、有部分信息未知、缺乏經驗知識的情況下，以灰色模型為基礎進行預測的技術?；疑A測模型是1985年由我國鄧聚龍教授提出，灰色預測模型的核心是灰色模型?；疑Ｐ褪且罁到y的狀態(tài)一般變化規(guī)律，經過數據序列的函數變換的較光滑序列，再建立灰色模型的灰色微分方程，求解白化微分方程，得時間響應函數，進而離散化的時間響應序列，最后還原時間響應序列，得預測值。它的建模的一般步驟為：①選擇系統運行與故障的監(jiān)測特征數據序列并進行預處理；②建立GM（1，1）模型或改進模型；③校驗模型精確度，對于沒有達到精確度檢要求的模型，可以運用殘差補嘗或刪除前面部分數據的措施，來提高模型的精確度；④利用合格的模型來預測特征量變化趨勢[14]。該模型對于數據序呈指數增長的故障短期預測的預測效果好，它可預測系統退化狀態(tài)，但很難估計剩余壽命。

灰色模型包含GM（1，1）模型、灰色Verhulst模型和MGM（1，m）模型。其中在電力系統故障預測中最常用的模型是GM（1，1）模型。文獻[15]綜合概率論、灰色系統理論和模糊數學，應用已知概率分布規(guī)律的元件壽命樣本或測試數據，用關聯的方式對分布規(guī)律未知的可靠性數列進行預測，完成了未知規(guī)律的小子樣系統的開發(fā)?；疑A測具備少樣本、少數據建模的優(yōu)勢，適用于具有歷史數據少、貧信息特征的電力系統或電力設備的故障預測。文獻[16] 中，針對在試驗變壓器時間上具備非等間隔的特征，提出了一種改進的變壓器非等間隔灰色預測方法。其主要理念是通過應用Lagrange插值法改造背景值來構建等間隔數列對原有模型進行改進，假定了灰模型累加生成數列，并修改了GM（1，1）模型的累減還原方法，取得了較好效果。文獻[17]中，從電氣絕緣的實際情況出發(fā)提出將原始數據序列先根據它自身規(guī)律先構造成一個新序列， 再代入GM（1，1）模型，實驗證實這樣能有效地提高預測精度 。而在實際運用中，由于應用GM（1，1）模型僅對一個特征行為考慮或對幾個特征行為進行獨立，而缺少對各特征行為的全面考慮的缺點，從而為了實現對系統多個特征參數的跟蹤，得到了運用多個GM（1，1）模型都難以達到的精確度，則需要運用多變量灰預測模型MGM（1，m）模型。但在電力系統中這幾個參數存在一定的聯系來反應系統運行狀態(tài)，而它們之間聯系的程度由于原始數據的準確性，往往難以把握。

1.1.2 基于濾波器的預測技術

基于濾波器的預測技術對系統或設備模型的精確度要求很高。當模型精確度高時，通過對濾波器輸出值與實際輸出值的殘差的對比，實時調整濾波器的參數，進而可以有效對系統或設備目前的狀態(tài)進行評估，同時，也能夠預測系統或設備在未來一段時間所處狀態(tài)。但是如果模型精確度低，濾波器估計值的誤差將有可能變得很大，使得預測結果錯誤率高?；跒V波器的預測技術主要包括卡爾曼濾波器和粒子濾波器這兩種。

卡爾曼濾波器是一種最佳線性估計器，它的基礎理念是經過對含有噪聲的觀測信號的處理，從而獲得被觀測系統或設備狀態(tài)估計信息的統計數據。卡爾曼濾波器以線性、無偏、最小方差為準則遞推值，通過對系統狀態(tài)估計誤差的極小化，得到遞推估計的一組方程，同時能得到系統的預測方程。但卡爾曼濾波器算法不能直接用于處理非線性、非高斯的系統，而實際的系統不可能是純線性的，都存在一定的非線性，甚至強非線性。進而提出了一種先對非線性系統進行局部線性化，再利用卡爾曼濾波器算法進行濾波與估算的擴展卡爾曼濾波器算法來對非線性系統進行預測。但擴展卡爾曼濾波是一種能解決非線性估計問題的線性方法，當系統可觀測較差和狀態(tài)空間模型的非線性程度較高時都會導致擴展卡爾曼濾波器算法的收斂精度差及收斂時間長；且在非線性粒系統的應用存在模型不確定性的魯棒性差的問題，并且在系統處于穩(wěn)定時，對突變狀態(tài)的跟蹤能力也將消失。隨后提出了一種以擴展卡爾曼濾波器算法為基礎的強跟蹤濾波器算法。其通過加入漸消因子，可以根據濾波效果動態(tài)地調整增益矩陣，以保持準確的跟蹤系統狀態(tài)能力，也具有較強模型不確定性的魯棒性。

粒子濾波器是基于非參數化的蒙特卡羅模擬方法的貝葉斯濾波算法，是能夠有效解決非線性、非高斯噪聲問題的算法。粒子濾波器方法是對其使用狀態(tài)中的每一個粒子（即是近似于實際狀態(tài)的概率函數的樣本點）給予一個權值，由足夠多的不同權值的粒子形成的離散分布能夠形成逼近的連續(xù)分布，進而對于給定的系統進行估計。粒子濾波器算法的實現步驟：①初始化；②采樣；③權重更新；④重采樣；⑤輸出狀態(tài)估計。粒子濾波器方法在故障預測應用中適用于任意的非線性、非高斯噪聲系統的濾波問題是其最突出的優(yōu)點，但其具有的粒子退化和對突變狀態(tài)的跟蹤能力不足的主要缺陷。

在解決非線性、非高斯問題方面，粒子濾波與卡爾曼濾波方法相比，具備更突出的優(yōu)點，己成為非線性系統故障預測的最主要研究方法之一。文獻[18]中，考慮包含正常、退化、不可靠事件的動態(tài)系統，利用修正的交互多模型粒子濾波器估計動態(tài)系統的狀態(tài)，初步預測隱含時—變故障，并利用Holt濾波預測故障，但其假設了不可靠部件故障行為服從Markov性，系統故障服從線性過程，使該方法具有局限性。文獻[19]針對粒子濾波算法存在粒子醫(yī)乏現象，提出一種基于權值優(yōu)選粒子濾波器的故障預測方法，采用權值優(yōu)選粒子濾波器預計系統未來一段時間的運行狀況分布情況，并通過對系統故障概率的計算， 來實現對系統的故障預測。文獻[20]針對預測模型存在未知漸變參數的狀況，提出了一種基于高斯混合模型粒子濾波器的故障預測方法。且該方法輸出系統剩余壽命狀態(tài)分布與原本輸出值為固定值的故障預測方法相比，更能有效消除各種不定因素對故障預測的影響，更切合現實狀況。文獻[21]介紹在移動智能機器人領域，應用粒子濾波器對機器人進行故障診斷與預測。

1.2 基于數據驅動的故障預測技術

基于數據的故障預測技術是根據一定的輸入、實際輸出、預計輸出和狀態(tài)參數之間的關系，從許許多多的歷史數據樣中進行學習的輸出和實際輸出之間的映射關系，再以此在內部建立非線性、非透明及非針對特定對象的模型，最后以傳感器或測試的特征數據為輸入，求得實際輸出結果，從而實現故障預測。對象系統的數學模型和專家經驗是否已知對其影響不大，進而避免了基于模型故障預測技術的數學模型難以精確建立的困擾，是目前較為實用且運用廣泛的故障預測技術。但是，基于數據的故障預測技術需要較為完整且準確的歷史數據樣本，而實際應用中復雜的電力系統或電力設備的歷史數據樣本往往不完整且存在不準確性，從而影響其預測的精準性。

1.2.1 基于神經網絡的故障預測技術

神經網絡是多個神經元連接而成，用于模擬人腦行為的網絡系統，具備模擬連續(xù)非線性函數的功能；而且可以通過對樣本的學習來掌握系統規(guī)律，獲得適合的參數來映射任意復雜的非線性關系，具備極強的非線性逼近能力，無需對監(jiān)測數據作模型假設，因此廣泛地在故障預測領域中進行應用。文獻[22]中利用人工神經網絡對機械泵的剩余壽命進行預測。文獻[23]中利用神經網絡模型對復雜液壓系統進行故障識別和預測，實現對液壓系統的監(jiān)控和管理。文獻[24]中以數據采集與監(jiān)控（SCADA）系統所監(jiān)測的特征參數和設備的歷史故障數據作為系統故障預測的數據來源，采用BP神經網絡對動態(tài)數據和靜態(tài)數據進行建模，從而對系統進行故障預測。但是神經網絡訓練時需要有足夠多的歷史數據樣本才能得到精確的權值和閾值，且神經網絡存在難以保證算法收斂性、快速性和實時性以及網絡結構難以確定等不足。為了彌補神經網絡不足，將神經網絡與灰色理論、模糊集、小波變換等技術結合起來，為非線性系統故障預測提供了新的途徑。文獻[25]則提出了一種利用自回歸滑動平均模型、神經網絡和模糊邏輯的融合預測方法，并在鋰離子電池的剩余使用壽命預測中進行運用。文獻[26]提出一種基于粗糙神經網絡的航空電子設備故障預測方法，采用粗糙集理論改進神經元結構，以粗糙變量為神經元的輸入，每個神經元的上近似元和下近似元分別代表粗糙集的上下近似，以交叉連接方式構造粗糙神經網絡，用以實際設備特征參數的跟蹤預測。研究結果表明，粗糙神經網絡可以較準確地預測故障發(fā)生的時間。文獻[27]提出的一種基于利用灰色關聯改進BP神經網絡的船舶供電系統故障診斷方法，這種方法利用灰色關聯分析方法和灰色關聯度的計算方法有效地消除隱層神經元數，從而優(yōu)化BP神經網絡的結構，確定隱含層神經元數。不僅能保證學習神經網絡的性能，而且可以有效地解決隱層神經元數目引起的冗余問題。

1.2.2 基于支持向量機的故障預測技術

支持向量機是一種基于樣本的機器學習方法，通過學習，它選擇一些典型的類型已知樣本作為范例樣本，對未知樣本的識別是通過和范例樣本相比較并綜合的結果。其適用于小樣本學習，具有較強的模型泛化能力和非線性處理能力，可較好地解決高維問題與局部極值問題。在故障預測的研究中，和神經網絡相比較，支持向量機具有參數選擇簡單、建模方便、模型泛化能力強、受到輸入數據維度的影響小和樣本訓練快且不易陷入局部極小值等優(yōu)點。正是由于這些優(yōu)勢，使其在狀態(tài)識別評估和故障預測中得到廣泛的應用。文獻[28]將支持向量機SVM和神經網ANN在電力系統暫態(tài)穩(wěn)定評估中進行了全方位的比較，在基于巴西的”Priba” 200機2484總線大規(guī)模系統的仿真研究中，從適應能力、訓練時間、分類準確率等方面的比較中，支持向量機同樣表現出了比神經網絡更杰出的預測結果。文獻[29]提出一種基于支持向量機回歸的電力變壓器油中溶解氣體體積分數的預測方法，并采用網格交叉驗證法尋求最優(yōu)的參數組合，取得了較好的預測效果。文獻[30]提出了應用支持向量回歸技術對多個特征參數進行并行預測，并對各類特征及其各預測步驟的剩余使用壽命預測結果進行趨勢分析，再經過置信區(qū)間預計來預測最終結果。

1.3 基于概率統計的故障預測技術

基于概率統計的故障預測技術是通過對過去故障歷史數據進行統計并建立故障概率密度函數，而進行故障預測并給出置信區(qū)間對精確度判斷。它適用于無法也沒必要確定完整的動態(tài)模型的系統或無法給定輸入和輸出之間映射關系的系統故障預測問題。

1.3.1 基于馬爾科夫鏈、隱馬爾科夫鏈的故障預測技術

馬爾科夫過程是一種較遍及的隨機過程。此過程揭示了系統或設備從一種狀態(tài)轉移到另一種狀態(tài)，隨時間變化所作的狀態(tài)轉移，且狀態(tài)轉移具有概率性質。該過程是“無記憶性”，也稱馬爾科夫性，即過去的運行狀況對將來的運行狀況的預測是無影響的，因此可僅憑借當前系統的運行狀況，對系統將來的運行狀態(tài)進行預測。基于馬爾科夫鏈的故障預測的關鍵在于有足夠的歷史數據或實驗數據統計來得出準確的系統狀態(tài)轉移矩陣。文獻[31]根據電力系統連鎖故障中存在著上下級故障間固有的關聯，提出的基于馬爾可夫鏈的連鎖故障預測模型，以連鎖故障過程中潮流轉移引起的狀態(tài)轉移概率、保護/斷路器誤動概率及由系統硬件失效引發(fā)的線路狀態(tài)轉移概率為依據，能夠有效地對系統連鎖故障的發(fā)展趨勢進行預測，并計算下一級線路故障概率，再進行更下一級預測，最后得出具有時間先后順序的連鎖事故路徑。文獻[32]提出一種基于馬爾可夫鏈的蒙特卡洛的電力系統的可靠性評估的方法，并在大型電力系統可靠性評估中對其進行應用與研究。文獻[33]論證在有足夠多的樣本數條件下，得出準確的馬爾科夫狀態(tài)轉移矩陣，可以根據電力系統當前運行狀況迅速地預測出電力系統將來的運行狀況趨勢。

隱馬爾科夫鏈是由馬爾科夫鏈演變而來的，并被廣泛應用于設備狀態(tài)監(jiān)測和故障診斷與預測中。與馬爾科夫鏈不同的是，隱馬爾科夫鏈是一種基于概率統計的雙重隨機過程：一個隨機過程是具有有限狀態(tài)的馬爾科夫鏈，描述狀態(tài)的轉移；另一個隨機過程描述每個狀態(tài)和觀察值之間的統計對應關系。它具有很強的物理解釋性，且它的學習能力和分類敏感性是遠遠優(yōu)于其他一些模式識別方法的。例如，隱馬爾科夫鏈與神經網絡比較[34]，不僅分類識別能力要優(yōu)于神經網絡，而且需要的樣本數也是較小的。文獻[35]提出了三種基于隱馬爾可夫模型的識別算法，并運用該算法通過對機械系統故障前期征兆進行揭示與識別，從而得到故障預測結果。文獻[36]利用小波包變換對故障信號進行預處理，提取能量作為特征信號，再利用隱馬爾科夫模型進行建模和模式識別，從而實現對液壓系統的故障預測。文獻[37]提出了一種利用兩條馬爾科夫鏈耦合的隱馬爾可夫模型故障預測方法，與單一通道的隱馬爾可夫模型故障預測方法。運用該方法對模擬電路系統的各退化狀態(tài)識別和故障預測的精準率更高。

1.3.2 基于貝葉斯網絡的故障預測技術

貝葉斯網絡是由Pearl于1988年基于總結前輩的研究而提出的，是一種基于概率分析、決策分析和圖論的不確定性知識表達和推理模型。在故障預測領域中貝葉斯網絡運用形式主要有兩種：一種是診斷型的貝葉斯網絡結構[38]，首先把系統狀態(tài)分為兩種節(jié)點：故障征兆節(jié)點和狀態(tài)節(jié)點，根據故障征兆節(jié)點來推測狀態(tài)節(jié)點的故障概率，但系統元件節(jié)點間的相互關系并不在兩層元件節(jié)點的網絡拓撲結構中進行充分體現[39]。文獻[40]，利用專家知識結合信號建立診斷型貝葉斯網絡結構，并運用應用于電源系統進行故障預測。另一類是動態(tài)決策網的特殊貝葉斯網絡結構，根據動態(tài)決策網的特殊貝葉斯網絡結構和對時序數據分析來推斷故障概率[41]，但由于其十分復雜的網絡結構，所以結構構建時需要對系統網絡拓撲結構進行深入的研究。文獻[42]利用動態(tài)貝葉斯網絡結構對設備剩余壽命進行了有效的預測。

2 結束語

電力系統故障預測技術能夠有效地預防電力系統的故障發(fā)生，比起故障發(fā)生后的故障診斷處理技術，其能夠及時提醒用戶進行檢修，保障現代電力系統的安全、穩(wěn)定、高效和可靠運行。但由于電力系統故障預測技術剛剛興起，還不成熟，且電力系統的結構又十分龐大及復雜，使得其大多還停留在理論與仿真階段，能實際有效地運用還較少。但隨著電力系統故障預測技術的快速發(fā)展，相信在不久將來，故障預測技術在實際電力系統中將普遍存在。本文概述了基于模型、數據和概率統計的三大類故障預測技術和其一些主要預測技術。在概述中將它們進行明確分類，但它們各有各自的優(yōu)缺點，且目前對故障預測技術的很多研究更傾向于組合技術，相互取長補短，得到更優(yōu)的預測技術。

[1] 費勝巍，孫宇.融合粗糙集與灰色理論的電力變壓器故障預測[J].中國電機工程學報，2008，28(16):154-160．

[2] 陳麗，粟然.用于變壓器故障預測的決策樹一蒙特卡洛方法[J].華北電力大學學報，2006(2):1-4．

[3] Mohamed Ahamed Abdel Wahab．Artificial neural network-based prediction technique for transformer oil breakdown voltage[J].Electric Power Systems Research，2004，71(1):73-84．

[4] Mokhnache L，Boubakeur A，Nait Said N.Application of neural networks paradigms in the diagnosis and thermal aging prediction of transformer oil[C]．Proceedings of 14th International Conference on Dielectric Liquids，Graz，Austria，2002．

[5] 鄭麗，楊濤，鄭丹.故障樹分析法在油斷路器故障預測中的應用[J]．沈陽農業(yè)大學學報，2005，36(3)：376-378.

[6] 張敏，丁躍澆.基于振動分析結合人工免疫算法的高壓斷路器故障診斷預測系統研究[J]．機電一體化，2014(6)：16-50．

[7] Henderson D S，Lothian K，Priest J．PC monitoring and fault prediction for small hydroelectric plants．The First IEE/IMechE International Conference on Power Station Maintenance-Profitability Through Reliability，1998，Vol.l：28-31.

[8] 程寶清，韓鳳琴，桂中華．基于小波的灰色預測理論在水電機組故障預測中的應用.電網技術，2005，29 (13) :40-44.

[9] Young J C, Min S P,Chong N C. Prediction of drill failure using features extraction in time and frequency domain of feed motor current. International Journal of Machine Tools&Manufacture，2008，48(1):29-39.

[10] Pond F, Cristaldi L, Faifer M, et al. Innovative approach to early fault detection for induction motors. IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, 2007, 1(6): 283-288.

[11] 康健，左憲章，吳彩華，等.基于神經網絡的柴油發(fā)動機故障預測研究[J]．機算機測量與控制，2006(8)：987一989.

[12] 吳文可，文福拴，薛禹勝，等.基于馬爾可夫鏈的電力系統連鎖故障預測[J].電力系統自動化，2013，37(5):29-37.

[13] 鄧慧瓊.電網連鎖故障預測分析方法及其應用研究[C].北京:華北電力大學，2007.

[14]黃大榮，黃麗芬.灰色系統理論在故障預測中的應用現狀及其發(fā)展趨勢[J].火炮發(fā)射與控制學報，2009(3)：88-92.

[15] 陳舉華，趙建國，郭毅之.電力系統可靠性研究的灰關聯和模糊貼近度分析方法[J].中國電機工程學報，2002,22(1): 59-63.

[16] 王晶，劉建新.基于灰色新預測模式的變壓器故障預測[J].華北電力大學學報，2007， 34 (1 ): 10-14.

[17] 孫才新，畢為民.灰色預測參數模型新模式及其在電氣絕緣故障預測中的應用[J].控制理論與應用，2003，20(5)：797一801.

[18] Xu Z,Ji Y D, Zhou D H. Real-time reliability prediction for dynamic systems with both deteriorating and unreliable components[J]. Science in China Series F-Information Sciences， 2009， 52(11): 2234-2246.

[19] 張琪等.基于權值選優(yōu)粒子濾波器的故障預測算法[J].系統工程與電子技術，2009(1): 221-224.

[20] 張磊，李行善，于勁松，等.一種基于高斯混合模型粒子濾波的故障預測方法[J]航空學報，2009， 30(2):319-324.

[21] 柳玉甜.未知環(huán)境中移動機器人故障診斷技術的研究[D].杭州:浙江大學，2007.

[22] TIAN Z.An artificial neural network method for remaining useful life prediction of equipment subject to condition monitoring [J].Journal of IntelligentManufacturing,2009,23 (2):227.

[23] GUO K，CHEN Q，TAN Z，LI Y.Fault Diagnosis of Complicated Hydraulic System Using Neural Network[J]. Machine Tool&Hydraulics, 2006，10(2)：60-70.

[24] 何勇樞，陳 贛.基于 BP神經網絡模型的故障預測分析[J].微計算機信息，2006，22(6):29-34.

[25] KOZLOWAKI J. Electrochemical cell prognostics online impedance measurements and model-base fusion techniques [C]. 2003 IEEE Aerospace Conference,Big Sky, Montana ,USA ,2003:3257-3270.

[26] 文瑩，肖明清，胡雷剛，等.基于粗糙神經網絡的航空電子設備故障預測研究[J].計算機測量與控制，2010，18(4):807-809.

[27] ZHOU Weiping, SUN Dongliang, WANG Jialin . Fault Diagnosis Of Ship Power Supply System Based on grey correlation improved BP neural network[J].2015 IEEE. Transaction on Power Electronics, 2015, 6(5): 1202-1208.

[28] L. S. Moulin, A. P. Aloes da Silva, M. A. El-Sharkawi, and R. J. Marks II.Support Vector Machines for Transient Stability Analysis of Large-Scale Power Systems[J].IEEE Transactions on Power Systems，2004.19(2)：818-825.

[29]Zhu Y, Zhao W, Zhai X, et al. A fault prediction approach for power transformer based on support vector machinet[C]. 2007 International Conference on Wavelet Analysis and Pattern Recognition，ICWAPR'07, 2008：1457-1461.

[30] 習武兵，林健，熊曉燕.基于支持向量回歸的多參數設備故障預測方法[J].振動、測試與診斷，2012，32(5)：791-795.

[31] 吳文可，文福拴，薛禹勝，等.基于馬爾可夫鏈的電力系統連鎖故障預測[J].電力系統自動化,2013,37 (5) :29-37.

[32] 石文輝，別朝紅，工錫凡.人型電力系統可靠性評估中的馬爾可夫鏈蒙特卡洛方法[J].中國電機工程學報，2008，28(4)：9-15.

[33] 王勇，韓學山，丁穎，等.基于-馬爾科夫鏈的電力系統運行可靠性快速評估[J].電網技術，2013， 37(2): 405-410.

[34] Hatzipantelis E,Murray A, Penman J. Comparing hidden Markov models with artificial neural network architecture for condition monitoring applications[J]. IEEE Transactions on Biomedical Engineering, 1995,57(9)：2188-2196.

[35]WANG W Q, GOLNARAGHI M, F. Ismail. Prognosis of machine health condition using neuro-fuzzy systems[J]. Mechanical Systems and Signal Processing,2004(18)：813-831.

[36] 卓東風，原媛小波包變換和隱馬爾科夫模型（HMM）在液壓系統故障預測中的應用[J].山西大學學報(自然科學版)，2013，36(3)：357-362.

[37] Ramoni M , Sebastiani P .Learning Bayesian networks from in-complete data[R] .K Mi-T R-43 , Knowledge Median Institute ,T he Open Uni versity , 1997 .

[38] 陸寧云，何克磊，姜斌等.一種基于貝葉斯網絡的故障預測方法[J].東南大學學報(自然科學版),2012(42):87-92.

[39]Niedermayer Daryle.An introduction to bayesian networks and their contemporary applications[J]. Studies in Computational Intelligence,2008(156):117-130.

[40] 許麗佳，王厚軍，龍兵.基于貝葉斯網絡的復雜系統故障預測[J].系統工程與電子技術，2008，30(4):780-784.

[41] Friedman N .The Bayesian structural EM algorithm[C] //Proceedings of Fourteenth Conference on Uncertainty in Artificial Intelligence (UAI'98).San Francisco，CA，Morgan Kaufmann，1998：571-578.

[42] 楊志波，董明.動態(tài)貝葉斯網絡在設備剩余壽命預測中的應用研究[J].計算機集成制造系統，2007(9)：1811-1815.

2016-08-15）