■ 华北电力大学控制与计算机工程学院 赵文清

0 引言

针对传统的变压器故障诊断方法的不足.各种智能技术被引入变压器故障诊断中.并取得了比较好的效果[1-5]。变压器检修试验所获取的数据包括离线试验数据和连续监测的在线数据.在实际应用中。由于受到环境和条件的限制。大部分情况下得到的数据样本或者包含不完整数据或者变压器故障样本数很少，如何充分利用有限的变压器数据样本和不完整数据样本中包含的信息。始终是变压器诊断领域研究的热点问题。

贝叶斯网络用概率测度的权重来描述数据间的相关性.从而解决了数据间的不一致性问题和信息不完备问题[6-8]。针对变压器故障诊断中原始试验数据的属性缺失问题。文献[9]使用粗糙集进行属性的约简，然后再利用贝叶斯网络分类器进行故障甄别，取得了较好的效果：但即使是经过属性约简之后的试验数据，可能还有部分数据不完整。本文将使用选择性贝叶斯分类器解决该问题，直接从不完整数据计算贝叶斯网络结构的测度值来学习一般的贝叶斯网络。选择性分类器通过删除数据集中的无关属性和冗余属性可有效地提高分类精度和效率。

在不完整数据条件下，一般贝叶斯网络的学习是一个难点问题。虽然在这方面取得了一定的成果，如近似边缘分布方法[10]、AutoClass方法[11]、SEM(Structural EM)算法[12]等。但这些方法的共同策略是对不完整数据进行修补，采用循环迭代、逐步求精的学习过程.这需多次迭代才能收敛，并且每向前迭代一步都要进行一次数据修补。……