简介：这份资源面向电力系统故障诊断方向的研究者、工程师与高年级学生，围绕贝叶斯方法在故障识别与定位中的应用展开，帮助读者理解如何借助概率推理处理电力系统中常见的不完全或含噪数据。压缩包共32个文件，约223KB，以17个m脚本、9个txt数据与说明文件为主，另含prj工程、mdl仿真模型、pdf与doc文档及fig图形文件，覆盖贝叶斯故障分类程序、故障数据源、智能建筑供配电系统仿真模型等模块，便于对照代码与模型复现诊断流程。资源从数据采集、异常检测、特征提取到故障模式识别与定位逐步展开，读者可借此掌握贝叶斯网络构建、Simulink电力系统建模及仿真分析的具体做法，并参考出图结果验证算法效果。目前已有289人学习，适合希望将统计推断与电力仿真结合、提升诊断准确性的实践者参考。
1. 从一份附件.zip说起：贝叶斯故障诊断到底在算什么
电力系统故障诊断这件事，现场最怕的不是没数据，而是数据来了却不敢下结论。断路器跳了、保护动作了、SCADA 推上来几十条 SOE 报文，值班员要在几分钟内判断是线路短路、母线故障还是保护误动。传统做法靠整定值比对和人工经验，一旦遇到多点并发或者信息缺失，准确率就往下掉。基于贝叶斯的电力系统故障诊断，核心思路是把"哪个元件故障"当成一个待估计的随机变量，用保护动作、断路器状态这些可观测量去反推最可能的故障假设。它解决的不是"算出精确电流"，而是"在信息不完整、有误报漏报的情况下，给出各故障假设的后验概率排序"。适合谁？适合手里已经有故障录波、SOE 或保护动作记录，想搭一套能解释、能增量更新的诊断系统的电气工程师和做电力系统自动化的开发者。朴素贝叶斯、贝叶斯网络、动态贝叶斯网络这几条路线，本质上是在"条件独立性假设"和"时序建模能力"之间做取舍，选哪条取决于你的数据粒度和诊断实时性要求。
2. 贝叶斯诊断的建模骨架：从先验到后验的完整链路
2.1 故障假设、证据与条件概率表怎么定义
先把问题形式化。设故障假设集合 H = {h₁, h₂, …, hₙ}，每个 hᵢ 表示"第 i 个元件发生某种故障"。证据集合 E = {e₁, e₂, …, eₘ}，每个 eⱼ 是一条可观测量，比如"线路 L1 主保护动作""断路器 CB2 跳闸""母线电压跌落至 0.3pu"。贝叶斯诊断要算的是后验概率 P(hᵢ | E)，由贝叶斯公式展开：
P(hᵢ | E) = P(E | hᵢ) · P(hᵢ) / P(E)
其中 P(hᵢ) 是先验概率，来自历史故障统计或运行经验；P(E | hᵢ) 是似然，表示"如果 hᵢ 真的发生了，观察到这组证据的概率有多大"；P(E) 是归一化常数，对所有假设求和即可。实际工程里 P(E) 不用单独算，因为比较各假设时它会被约掉。
关键难点在 P(E | hᵢ)。当证据之间不独立时，直接算联合似然会爆炸。朴素贝叶斯引入条件独立性假设：
P(E | hᵢ) = ∏ⱼ P(eⱼ | hᵢ)
这就把问题简化成对每条证据单独建一张条件概率表。比如"主保护动作"在"线路故障"假设下的概率设为 0.95，在"母线故障"假设下设为 0.3。这些数值不是拍脑袋，来源通常是保护配置逻辑加历史统计。
提示：条件独立性假设在保护信息高度冗余时会失真，比如主保护和后备保护同时动作，两者强相关。工程上要么做证据合并，要么改用贝叶斯网络显式建模依赖。
2.2 用 Python 搭一个最小可跑的朴素贝叶斯诊断器
下面这段代码实现一个最小诊断器，输入是证据字典，输出是各故障假设的后验概率排序。先验和条件概率表用字典硬编码，方便你替换成自己的数据。
import numpy as np # 故障假设 hypotheses = ["线路L1故障", "母线B1故障", "变压器T1故障", "保护误动"] # 先验概率（来自历史统计，需归一化） priors = { "线路L1故障": 0.45, "母线B1故障": 0.25, "变压器T1故障": 0.20, "保护误动": 0.10, } # 条件概率表 P(证据 | 假设) # 每条证据在每个假设下出现的概率 cpt = { "主保护动作": { "线路L1故障": 0.95, "母线B1故障": 0.30, "变压器T1故障": 0.40, "保护误动": 0.85, }, "断路器跳闸": { "线路L1故障": 0.90, "母线B1故障": 0.85, "变压器T1故障": 0.80, "保护误动": 0.70, }, "母线电压跌落": { "线路L1故障": 0.20, "母线B1故障": 0.95, "变压器T1故障": 0.35, "保护误动": 0.05, }, "零序电流越限": { "线路L1故障": 0.80, "母线B1故障": 0.25, "变压器T1故障": 0.30, "保护误动": 0.10, }, } def diagnose(evidence: dict): """evidence: {证据名: 1/0}，1表示该证据出现""" posteriors = {} for h in hypotheses: # 先验 p = priors[h] # 逐条证据乘似然 for e, observed in evidence.items(): pe_given_h = cpt[e][h] # 证据出现用 P(e|h)，未出现用 1-P(e|h) p *= pe_given_h if observed == 1 else (1 - pe_given_h) posteriors[h] = p # 归一化 total = sum(posteriors.values()) return {h: round(v / total, 4) for h, v in posteriors.items()} # 测试：主保护动作 + 断路器跳闸 + 零序电流越限 ev = {"主保护动作": 1, "断路器跳闸": 1, "母线电压跌落": 0, "零序电流越限": 1} result = diagnose(ev) for h, p in sorted(result.items(), key=lambda x: -x[1]): print(f"{h}: {p:.4f}")逻辑说明：diagnose函数对每个假设先取先验，再遍历所有证据做连乘。证据出现时乘 P(e|h)，未出现时乘 1-P(e|h)，这一步很多人会漏掉——"没观察到某证据"本身也是信息。最后归一化得到后验。
参数说明：priors必须和为 1，否则归一化后比例会偏；cpt里每个数值是条件概率，取值 0 到 1，实际项目中应从故障录波统计或保护动作日志里估计，不要用均匀分布糊弄。evidence字典的键必须和cpt的键完全一致，缺一条就会 KeyError。
跑出来你会看到"线路L1故障"后验最高，符合直觉。但如果你把"母线电压跌落"设为 1，结果会明显向"母线B1故障"偏移，这就是贝叶斯诊断的可解释性——每条证据的贡献都能追溯。
2.3 什么时候该从朴素贝叶斯升级到贝叶斯网络
朴素贝叶斯够用，前提是证据之间近似独立。电力系统里这个前提经常不成立：主保护动作和断路器跳闸高度相关，母线电压跌落和零序电流越限也可能同源。一旦证据强相关，连乘会重复计算同一份信息，导致后验过度自信。
贝叶斯网络的做法是显式画出证据之间的依赖边，用有向无环图表示因果关系。比如"线路故障"指向"主保护动作"，"主保护动作"指向"断路器跳闸"，这样跳闸的概率就条件依赖于保护动作，而不是独立乘进去。代价是建网和参数学习更复杂，需要更多样本估计条件概率表。
判断标准很简单：如果你的证据条目在 10 条以内、来源不同设备、相关性弱，朴素贝叶斯足够；如果证据超过 20 条、存在明显因果链、或者要做时序诊断，直接上贝叶斯网络或动态贝叶斯网络。动态贝叶斯网络额外引入时间片，适合处理"故障发展过程"这类带时序的场景，比如从单相接地发展到相间短路。
3. 把模型接到真实数据上：证据提取与参数标定
3.1 从 SOE 报文和录波文件里抽证据
模型跑通只是第一步，真实数据不会给你整理好的证据字典。常见数据源有三类：SCADA 的 SOE 报文、故障录波的 COMTRADE 文件、保护装置的动作报告。SOE 报文是带时标的状态变位，格式通常是"时标 + 点号 + 变位状态"，你需要按点号映射到设备，再按时间窗聚合。
import csv from datetime import datetime, timedelta def parse_soe(filepath, window_sec=5): """从SOE csv中提取时间窗内的动作证据""" events = [] with open(filepath, encoding="gbk") as f: reader = csv.DictReader(f) for row in reader: ts = datetime.strptime(row["时标"], "%Y-%m-%d %H:%M:%S.%f") events.append({ "time": ts, "point": row["点号"], "state": int(row["状态"]), "desc": row["描述"], }) if not events: return {} # 以第一条事件为基准，取时间窗 t0 = events[0]["time"] evidence = {} for e in events: if e["time"] - t0 <= timedelta(seconds=window_sec): # 用描述作为证据名，状态1表示动作 evidence[e["desc"]] = e["state"] return evidence逻辑说明：parse_soe读入 CSV，按时间排序后取第一个事件为基准，窗口内的事件全部纳入证据字典。window_sec是关键参数，设太小会漏掉后备保护延时动作，设太大会把不相关操作卷进来。我一般设 3 到 5 秒，具体看保护配合时间。
参数说明：encoding="gbk"是因为很多现场导出的 SOE 是 GBK 编码，用 UTF-8 会乱码。点号到设备的映射需要单独维护一张表，代码里省略了，实际项目必须做，否则证据名对不上 CPT 的键。
注意：SOE 时标可能来自不同装置，存在对时误差。如果发现同一故障的证据时间戳差了几百毫秒，先做对时校验，别急着调模型。
3.2 条件概率表怎么标定才不玄学
CPT 的数值直接决定诊断结果，但现场往往没有足够样本。我的做法分三步：先用保护配置逻辑给一个初始值，再用历史故障案例做最大似然估计，最后用专家经验微调。
初始值怎么给？举个例子，"线路故障"假设下"主保护动作"的概率，如果该线路主保护是光纤差动，正确动作率统计在 99% 以上，那初始值给 0.95 到 0.98 都合理。反过来"母线故障"假设下"线路主保护动作"的概率，只有在线路保护作为母线故障后备时才可能动作，给 0.1 到 0.3。
最大似然估计的公式很直接：P(e|h) = count(e 和 h 同时出现) / count(h 出现)。前提是你有标注好的历史案例库。没有的话，退而求其次用贝叶斯估计加平滑：
def estimate_cpt(count_e_and_h, count_h, num_states=2, alpha=1.0): """拉普拉斯平滑估计条件概率""" return (count_e_and_h + alpha) / (count_h + alpha * num_states)alpha是平滑因子，样本少时调大，样本多时调小。num_states=2表示证据只有出现/不出现两种状态。这个函数能避免"某个证据从未在某个假设下出现"导致概率为 0 的问题——概率为 0 会让整个连乘归零，是朴素贝叶斯最经典的翻车点。
3.3 用混淆矩阵验证诊断器，而不是只看准确率
模型建完必须验证。电力系统故障诊断有个特点：正常样本远多于故障样本，准确率会被正常样本拉高，看着 99% 其实故障全漏。必须看混淆矩阵，尤其是每个故障类别的召回率。
from sklearn.metrics import confusion_matrix, classification_report # y_true: 真实故障标签, y_pred: 诊断器输出的最高后验假设 print(confusion_matrix(y_true, y_pred, labels=hypotheses)) print(classification_report(y_true, y_pred, labels=hypotheses, zero_division=0))重点看两列：召回率低的类别说明漏诊，精确率低的类别说明误诊。电力系统里漏诊的代价通常高于误诊，所以召回率优先。如果某个故障类别召回率低于 0.8，先查 CPT 里该类别的先验是不是给太低，再查证据提取有没有漏掉该故障的特征量。
4. 避坑与排查：贝叶斯诊断落地时最容易翻车的五个地方
4.1 现象：所有假设后验概率几乎相等，诊断器"摆烂"
原因：先验概率设置过于均匀，或者 CPT 里各假设下的似然差异太小。常见于直接用均匀分布初始化，没做任何标定。
解决：先检查先验是否反映真实故障率分布。线路故障通常占多数，保护误动占比低，先验就该体现这个差异。再检查 CPT，如果"主保护动作"在所有假设下概率都是 0.5，那证据等于没提供信息。回到 3.2 节重新标定，至少让关键证据在不同假设下的概率拉开 0.3 以上的差距。
4.2 现象：某条证据一出现，某个假设后验直接变成 1.0
原因：CPT 里出现了概率 0 或 1。连乘时 0 会让整个假设归零，1 会让其他证据失效。这是拉普拉斯平滑没做的典型后果。
解决：所有 CPT 数值强制夹在 [0.01, 0.99] 之间。用 3.2 节的estimate_cpt加平滑，或者手工设下限。记住一句话：贝叶斯诊断里没有"绝对不可能"，只有"概率很低"。
4.3 现象：诊断结果和值班员判断相反，但模型置信度很高
原因：证据提取的时间窗设错了，把故障后的操作（比如人工强送）当成了故障特征。或者 SOE 点号映射表过期，把检修中的设备状态卷了进来。
解决：先打印诊断时实际用的证据字典，逐条核对时标和点号。时间窗建议以保护启动时刻为基准，而不是第一条 SOE。点号映射表每次检修后必须更新，这是血泪经验——我见过因为映射表没更新，把"断路器检修挂牌"当成"断路器跳闸"的案例。
4.4 现象：新增一条证据后，诊断结果剧烈跳变
原因：证据之间强相关，朴素贝叶斯的独立性假设被打破。比如主保护动作和断路器跳闸同时加入，两者信息重复，导致后验被重复放大。
解决：做证据合并，把强相关的证据打包成一个复合证据，只算一次。或者升级到贝叶斯网络，显式建模依赖关系。判断是否强相关，算一下两条证据的互信息或相关系数，超过 0.7 就该处理。
4.5 现象：模型在历史数据上表现很好，上线后准确率骤降
原因：过拟合。CPT 用全部历史数据估计，没有留验证集。或者历史数据里的故障类型分布和实际运行差异大。
解决：按时间切分训练集和测试集，不要随机切分——电力系统故障有季节性，随机切分会让未来信息泄漏到训练集。测试集至少覆盖最近一个季度的数据。如果某类故障历史样本少于 10 条，CPT 估计不可靠，改用专家经验值并标注置信度。
5. 进阶：动态贝叶斯网络做时序诊断与增量更新
静态贝叶斯诊断器有个天花板：它把一次故障当成一个时间断面，但真实故障是发展的。单相接地可能持续几百毫秒后发展为相间短路，保护动作也有先后顺序。动态贝叶斯网络（DBN）把时间切片引入模型，每个时间片有自己的证据和状态，片与片之间用转移概率连接。
具体做法：把故障过程切成 T 个时间片，每个片内跑一次静态诊断，片间用转移矩阵 P(hₜ | hₜ₋₁) 描述故障演化。比如"单相接地"转移到"相间短路"的概率设为 0.3，转移到"故障切除"的概率设为 0.6。这样模型不只看当前证据，还看故障的发展趋势。
def dbn_diagnose(evidence_seq, priors, cpt, trans): """evidence_seq: 每个时间片的证据字典列表 trans: 转移矩阵 trans[prev_h][curr_h]""" # 初始片用先验 belief = priors.copy() for ev in evidence_seq: # 预测步：用转移矩阵传播 predicted = {} for curr_h in hypotheses: predicted[curr_h] = sum( belief[prev_h] * trans[prev_h][curr_h] for prev_h in hypotheses ) # 更新步：用当前证据修正 updated = {} for h in hypotheses: p = predicted[h] for e, observed in ev.items(): pe = cpt[e][h] p *= pe if observed == 1 else (1 - pe) updated[h] = p # 归一化 total = sum(updated.values()) belief = {h: v / total for h, v in updated.items()} return belief逻辑说明：dbn_diagnose对每个时间片先做预测（用转移矩阵把上一片的后验传播到当前片），再做更新（用当前证据修正）。这是前向滤波的标准形式，适合在线诊断。
参数说明：trans是方阵，行和必须为 1。转移概率的标定比 CPT 更难，通常从故障录波的发展过程统计，或者用领域知识给初始值。evidence_seq的长度就是时间片数，每个片的证据可以不同——早期片可能只有保护启动，后期片才有跳闸信息。
DBN 的另一个好处是支持增量更新。新证据来了不用重跑全部历史，只更新当前片的后验即可。这对在线诊断很关键，值班员不需要等故障完全切除就能看到概率排序。
验证 DBN 的方法和静态模型类似，但要看时序指标：故障发展路径的预测准确率、首次正确诊断的延迟时间。我一般要求首次正确诊断在故障发生后 3 个时间片内完成，否则实时性不够。
最后说个习惯：我每次调完 CPT 或转移矩阵，都会存一份参数快照，标注日期和对应的验证集表现。电力系统的运行方式会变，去年标定的参数今年可能就不准了。没有快照，出了问题连回滚都做不到。这个后悔药，希望你提前备好。希望帮到你。
本文还有配套的精品资源，点击获取
