CN111260502B - 基于相似度和虚假度的冲突证据融合方法 - Google Patents
基于相似度和虚假度的冲突证据融合方法 Download PDFInfo
- Publication number
- CN111260502B CN111260502B CN202010025380.XA CN202010025380A CN111260502B CN 111260502 B CN111260502 B CN 111260502B CN 202010025380 A CN202010025380 A CN 202010025380A CN 111260502 B CN111260502 B CN 111260502B
- Authority
- CN
- China
- Prior art keywords
- evidence
- evidences
- similarity
- ith
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Abstract
本发明公开了一种基于相似度和虚假度的冲突证据融合方法,包括获取电力系统的故障诊断信息,并转换为证据信息,利用证据之间所有同一焦元基本概率分配值的最大值和最小值之间的关系,定义新的证据之间的相似度和虚假度,二者结合证据权重系数的关系和借鉴Murphy方法进行再次修正,最后采用Dempster组合规则对修正后的证据进行逐个融合,输出最终结果。本发明综合考虑证据之间的相似度和虚假度,利用证据中所有同一焦元的基本概率赋值的相似度衡量各证据对同一命题的相互支持程度,综合考虑证据之间所有焦元的相互支持程度和衡量融合证据的冲突程度的虚假度,共同确定融合证据的权重系数,实现电力系统故障诊断的快速、准确处理。
Description
技术领域
本发明涉及多源信息融合技术领域,尤其涉及一种基于相似度和 虚假度的冲突证据融合方法。
背景技术
电力系统故障诊断利用故障诊断发生后所产生的告警信息及时 有效地确定故障元件,为调度人员快速辨识和清除故障提供辅助决策, 以保障电力系统运行的安全性。在实际故障诊断中,由于设备本身的 复杂性和运行环境的不稳定性,经常出现信息丢失,导致信息不完备 的情况,仅凭借单一传感器提供的信息容易产生误判,危害电力系统 的安全。随着传感器类别的增多、计算机技术、信息处理、模式识别 技术的发展,为信息融合故障诊断技术的不断发展提供了良好的基础, 但采集的电力系统故障诊断信息呈现以下特点:多态性、不确定性和 冗余性。因此,如何通过信息融合技术可以获得对诊断对象更为准确 全面的认识,已成为提高电力系统故障诊断的可信度和准确性亟待解 决的问题。
D-S证据理论又称Dempster-Shafer理论,是一种处理不确定性问 题的完整理论,具备良好的不确定性表达和推理能力,可在一定程度 上弥补贝叶斯理论的不足,从而成为了国内外学者研究的热点。证据 理论已经被广泛应用于故障诊断、目标识别、信息融合等领域。
Dempster组合规则是D-S证据理论的核心,但Dempster组合规则 实际应用中常常会面临处理各种不确定的冲突信息,特别是在解决低 置信度、高冲突证据融合时往往会得到与直觉相悖的结论,无法进行 有效决策甚至会造成系统的错误决策,极大地影响了融合系统的决策 性能,并在一定程度上制约了证据理论在信息融合领域中的进一步推 广。
发明内容
本发明的目的是提供一种基于相似度和虚假度的冲突证据融合 方法,能够有效地对电力系统故障诊断做出正确决策。
本发明采用的技术方案为:
基于相似度和虚假度的冲突证据融合方法,包括以下几个步骤:
A、获取电力系统故障诊断信息相对应证据焦元的基本概率赋值, 将每一个证据看作一个向量,所述第i个证据向量用mi=(mi(θ1),…,mi(θk),…,mi(θN))T表示,其中i=1,2,…,n,n为证据向量的总 数,N为辨识框架Θ中的焦元个数,k=1,2,…,N;
B、通过下述公式计算 证据之间焦元θk的相似度,得到任意第i个证据向量mi和第j个证据 向量mj之间θk的相似度Sij(θk),式中max(mi(θk),mj(θk))、 min(mi(θk),mj(θk))分别表示取θk对应的基本概率分配值mi(θk)和 mj(θk)中的最大值和最小值;
C、通过下述公式计算证据之间所有同一焦 元θk的相似度,得到任意第i个证据向量mi和第j个证据向量mj之间 的相似度S(mi,mj),式中Sij(θk)指第i个证据向量mi和第j个证据向量 mj之间θk的相似度。
F、通过下述公式计算证据向量mi的虚假度F(mi), 其中,0<F(mi)<1,F(mi)表示证据mi对全局冲突造成的影响程度,虚 假度F(mi)越大,对全局冲突K0的贡献越大。当K0=Ki时,F(mi)=0, 表明证据mi的虚假度为0,对全局冲突K0没有贡献;当K0=1时, F(mi)=1,表明证据mi是造成全局冲突K0=1的主要原因,融合时应 该尽量减小证据mi对融合证据效果的影响。
G、通过下述公式truf(mi)=R(mi)+1-F(mi)计算证据mi的相对支持 程度因子truf(mi),并利用n个证据中最大的相对支持程度因子trufmax和第i个证据与其他n-1个证据的相对支持程度因子truf(mi)通过下述 公式得到权重系数ωi,
J、最后,采用Dempster组合规则对修正后的证据进行逐个融合, 融合后基本概率赋值m(A)的最大值对应的焦元A为决策的电力故障 类型。
所述的Dempster组合规则为:
本发明以电力系统故障诊断智能辅助决策为应用背景,将多源异 质传感器提供的电力系统故障诊断信息转化为以电力故障类型为焦 元的证据,从证据焦元基本概率赋值的角度出发,引入新的相似度衡 量证据之间所有焦元基本概率赋值的相互支持程度,结合虚假度衡量 各融合证据对冲突的影响,计算融合证据的相对支持程度因子,并求 解出融合证据的权重系数。本发明方案与传统算法相比,定义了新的 融合证据之间的相似度,综合考虑融合证据之间的相似度和虚假度共 同衡量证据之间的权重系数,降低了干扰证据对融合结果的影响,最 后采用Dempster组合规则融合证据进行逐个融合做出对电力系统故 障诊断决策,为实现电力系统故障诊断的快速、准确处理具有重要的 理论意义和应用价值。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方 案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部 分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普 通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例, 都属于本发明保护的范围。
在本发明的描述中,需要说明的是,对于方位词,如有术语“中 心”,“横向”、“纵
向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、 “左”、“右”、竖直”、“水平”、“顶”、“底”、“内”、“外”、 “顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系,仅是为了便于叙述本发明和简化描述,而不是指示或 暗示所指的装置或元件必须具有特定的方位、以特定方位构造和操作, 不能理解为限制本发明的具体保护范围。
需要说明的是,本申请的说明书和权利要求书中的术语“第一”、 “第二”等是用于
区别类似的对象,而不必用于描述特定的顺序或先后次序。应该 理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请 的实施例。此外,术语“包括”和“具有”以及他们的任何变形, 意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、 方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而 是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有 的其它步骤或单元。
如图1所示,本发明包括以下几个步骤:
A、通过多源异构传感器提供的电力系统故障诊断信息获取电力 故障类型相对应证据焦元的基本概率赋值,将每一个证据看作一个向 量,所述第i个证据的向量用mi表示,其中i=1,2,…,n,n为证据向量 的总数,N为辨识框架Θ中的焦元个数;首先将传感器获取多个相互 独立的传感器提供的电力故障诊断信息转化为电力故障诊断类型的 多个证据,并将每一个融合的证据看作一个向量。假设获得n个证据 分别为m1,m2,…,mn,假设辨识框架Θ中的焦元为θ1,θ2,…,θN,第i个证 据对应的焦元基本概率赋值分别为mi(θ1),mi(θ2),…,mi(θN),将证据看作 向量,则第i个证据向量对应的元素依次为mi(θ1),mi(θ2),…,mi(θN)。
B、对上述两个证据向量mi和mj进行焦元θk的相似度计算:并记 录任意第i个证据向量mi和第j个证据向量mj之间焦元θk的相似度为 Sij(θk),其中i,j=1,2,…,n;k=1,2,…,N;
证据之间焦元θk的相似度体现了两个证据之间同一焦元θk的相 似程度,证据之间同一焦元θk的相似度越大,证据之间的冲突程度就 越小。具体的本发明所述的步骤B中相似度计算通过下述公式 得到任意第i个证据向量mi和第j个证据向量mj之间焦元θk的相似度为Sij(θk),式中 maxm(iθk(m)j,θk(、m)i)n(mi(θk),mj(θk))分别表示取θk对应的基本概率分配 值mi(θk)和mj(θk)中的最大值和最小值。
C、由任意第i个证据向量mi和第j个证据向量mj之间的相似度 S(mi,mj)通过公式:计算任意证据向量mi和mj之 间的相似度S(mi,mj);其中式中Sij(θk)指任意第i个证据向量mi和第j 个证据向量mj之间焦元θk的相似度为Sij(θk)。
E、由参与融合的所有证据m1,…,mi,…,mn之间的全局冲突系数K0通过公式得到融合证据之间的全局冲突系数;若剔 除证据mi后剩余证据之间的局部冲突Ki通过公式 计算得到融合证据中不包含证据mi的局部冲突 系数Ki。
F、第i个证据向量mi的虚假度F(mi)通过下述公式得到第i个证据mi的虚假度;其中式中K0为所有参与融合证据 m1,…,mi,…,mn之间的全局冲突系数,Ki为剔除证据mi之后所有参与融 合证据之间的局部冲突系数。
F(mi)表示证据mi对全局冲突造成的影响程度,虚假度F(mi)越大, 对全局冲突K0的贡献越大。融合时应该尽量减小证据mi对融合证据 效果的影响。
G、由任意第i个证据向量mi和第j个证据向量mj之间的相似度 通过下述公式①求得第i个证据mi(i=1,2,…,n)与其它n-1个证据的相 对支持程度因子truf(mi),并利用n个证据中最大的相对支持程度因子 trufmax和第i个证据与其它n-1个证据的相对支持程度因子truf(mi)由 下述两个公式②③得到权重系数ωi;假设第i个证据与其他n-1个证据 的相对支持程度因子用truf(mi)表示,n个证据中最大的相对支持程度 因子用trufmax表示,第i个证据的权重系数用ωi表示。具体公式为:
truf(mi)=R(mi)+1-F(mi) ①
trufmax=max(truf(m1),…,truf(mi),…,truf(mn)) ②
所述的Murphy规则是在合成前先平均各证据的基本概率分配 函数,再使用Dempster组合规则,但该方法在证据平均时,没有考 虑到证据之间的关联程度,导致存在偏差较大的证据对整个融合结果 会产生很大的影响。
然后采用Dempster组合规则进行融合,所述的Dempster组合 规则为:
其中,m(A)表示焦元A的基本概率赋值,K为冲突系数, 为空集。融合后焦元A的基本概率赋值m(A)的最大值 对应的焦元为电力故障诊断的决策结果对应的电力故障类型,即为决 策最终结果。本发明方案与传统算法相比,利用证据之间同一焦元的 基本概率赋值最大值和最小值之间的关系提出新的衡量证据之间的 相似度,另外考虑到各证据对融合证据冲突程度的影响引入了虚假度 概念,进而获得各融合证据的相对支持程度因子确定融合证据的权重 系数,根据权重系数与1/n的关系判断出干扰证据,并对干扰证据进 行修正后采用Dempster组合规则对修正后的证据进行逐个融合,获 得合理的决策结果,可以很好的应用于电力故障诊断决策领域中,具 有重要的理论意义和应用价值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明, 凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等, 均应包含在本发明的保护范围之内。
Claims (2)
1.基于相似度和虚假度的冲突证据融合方法,其特征在于:包括以下几个步骤:
A、通过获取多源异质传感器提供的电力故障诊断类型相对应证据焦元的基本概率赋值,将每一个证据看作一个向量,第i个证据的向量用mi=(mi(θ1),…,mi(θk),…,mi(θN))T表示,其中i=1,2,...,n,n为证据向量的总数,k为辨识框架Θ中的焦元个数,k=1,2,…,N;
B、通过下述公式计算证据之间焦元θk的相似度,得到任意第i个证据向量mi和第j个证据向量mj之间θk的相似度Sij(θk),式中max(mi(θk),mj(θk))、min(mi(θk),mj(θk))分别表示取θk对应的基本概率分配值mi(θk)和mj(θk)中的最大值和最小值;
C、通过下述公式计算证据之间所有同一焦元θk的相似度,得到任意第i个证据向量mi和第j个证据向量mj之间的相似度S(mi,mj),式中Sij(θk)指第i个证据向量mi和第j个证据向量mj之间θk的相似度;
G、由得到的所有参与融合证据m1,…,mi,…,mn之间的全局冲突K0以及剔除证据mi之后所有参与融合证据之间的局部冲突Ki,通过下述公式计算第i个证据向量mi的虚假度F(mi),式中i=1,2,…,n;
H、由得到的任意第i个证据mi与其它n-1个证据的相对相似度R(mi)和第i个证据向量mi的虚假度F(mi),通过公式:truf(mi)=R(mi)+1-F(mi)求得第i个证据与其他n-1个证据的相对支持程度因子truf(mi),并利用n个证据中最大的相对支持程度因子trufmax和i个证据与其他n-1个证据的相对支持程度因子truf(mi)通过下述公式得到权重系数ωi,
J、对上述的第i个证据是否是干扰证据进行判断:根据第i个证据的权重系数ωi与1/n的关系来判断,若是干扰证据,则对干扰证据进行重新修正,重新修正后的第i个证据中焦元θk的基本概率赋值用表示,借鉴Murphy规则的思想通过公式仅对干扰证据进行修正;
K、最后,采用Dempster组合规则对修正后的证据进行逐个融合,融合后焦元A的基本概率赋值m(A)的最大值对应的焦元为电力系统故障诊断的决策结果对应的故障类型,即为决策最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010025380.XA CN111260502B (zh) | 2020-01-10 | 2020-01-10 | 基于相似度和虚假度的冲突证据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010025380.XA CN111260502B (zh) | 2020-01-10 | 2020-01-10 | 基于相似度和虚假度的冲突证据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260502A CN111260502A (zh) | 2020-06-09 |
CN111260502B true CN111260502B (zh) | 2021-04-27 |
Family
ID=70952732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010025380.XA Active CN111260502B (zh) | 2020-01-10 | 2020-01-10 | 基于相似度和虚假度的冲突证据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260502B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909089A (zh) * | 2017-10-10 | 2018-04-13 | 国网甘肃省电力公司电力科学研究院 | 一种应用于解决证据冲突的方法 |
CN111694342B (zh) * | 2020-06-12 | 2023-05-16 | 中国船舶重工集团公司第七0三研究所 | 一种基于相似度的工业锅炉故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107941537B (zh) * | 2017-10-25 | 2019-08-27 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
CN110033028B (zh) * | 2019-03-19 | 2022-09-16 | 河南大学 | 基于算术平均贴近度的冲突证据融合方法 |
CN110119713A (zh) * | 2019-05-14 | 2019-08-13 | 云南电网有限责任公司电力科学研究院 | 基于d-s证据理论的高压断路器机械故障诊断方法 |
-
2020
- 2020-01-10 CN CN202010025380.XA patent/CN111260502B/zh active Active
Non-Patent Citations (1)
Title |
---|
Dempster-Shafer evidence theory for multi-bearing faults diagnosis;HUI K H et al.;《Engineering Applications of Artificial Intelligence》;20171231;第160-170页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111260502A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033028B (zh) | 基于算术平均贴近度的冲突证据融合方法 | |
CN111260502B (zh) | 基于相似度和虚假度的冲突证据融合方法 | |
CN111625775B (zh) | 基于Hellinger距离和信度熵的加权冲突证据融合方法 | |
Ji et al. | Cost estimation model for building projects using case-based reasoning | |
US20220196760A1 (en) | Transformer fault diagnosis method and system using induced ordered weighted evidence reasoning | |
CN108985554A (zh) | 一种基于区间直觉模糊集和混合多准则决策模型的改进fmea的方法 | |
CN107426019A (zh) | 网络故障确定方法、计算机设备及计算机可读存储介质 | |
CN107239887A (zh) | 因子权重信息不完全情况下的fmea风险评估方法 | |
CN113295421B (zh) | 基于改进冲突系数和信度熵的发动机故障诊断方法 | |
CN115392141A (zh) | 一种自适应的电流互感器误差评估方法 | |
CN112784277B (zh) | 基于改进的d-s证据理论的软件可信性综合评估方法 | |
Monteuuis et al. | “my autonomous car is an elephant”: A machine learning based detector for implausible dimension | |
CN110059413B (zh) | 一种故障诊断方法 | |
CN109977763B (zh) | 一种基于改进证据信任度的空中小目标识别方法 | |
CN115754199A (zh) | 基于隶属度函数和主成分分析的水质检测方法 | |
CN116543283A (zh) | 一种考虑模态不确定性的多模态目标检测方法 | |
CN114792112B (zh) | 基于自适应处理策略的时域证据融合方法 | |
CN112906746B (zh) | 一种基于结构方程模型的多源航迹融合评估方法 | |
CN113177610A (zh) | 基于模糊分类的加权冲突证据融合方法 | |
CN113449412B (zh) | 基于K-means聚类和综合相关度的故障诊断方法 | |
CN114636890A (zh) | 案例推理的故障定位方法以及系统、存储介质、电子设备 | |
CN111047185B (zh) | 贮存环境因素对弹药贮存可靠性影响的确定方法及装置 | |
CN110211675A (zh) | 一种基于不确定语言与gra-topsis改进的fmea方法 | |
Vafamand et al. | Fuzzy EKF-Based Intrusion Detection and Accurate State Estimation of Interconnected DC MGs With CPLs | |
US9514361B2 (en) | Classification of range profiles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |