CN112241610A - 一种交联聚乙烯电缆的健康状态评估方法 - Google Patents
一种交联聚乙烯电缆的健康状态评估方法 Download PDFInfo
- Publication number
- CN112241610A CN112241610A CN202011139434.1A CN202011139434A CN112241610A CN 112241610 A CN112241610 A CN 112241610A CN 202011139434 A CN202011139434 A CN 202011139434A CN 112241610 A CN112241610 A CN 112241610A
- Authority
- CN
- China
- Prior art keywords
- sample
- cable
- health state
- feature
- crosslinked polyethylene
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 54
- 229920003020 cross-linked polyethylene Polymers 0.000 title claims abstract description 53
- 239000004703 cross-linked polyethylene Substances 0.000 title claims abstract description 53
- 238000012706 support-vector machine Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 17
- 238000009413 insulation Methods 0.000 claims description 12
- 230000003862 health status Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001012 protector Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明一种交联聚乙烯电缆的健康状态评估方法,针对交联聚乙烯电缆健康状态数据集中存在噪声数据,且各维特征重要度难以确定导致健康状态评估存在误差,提出了将基于Relief‑F特征加权的模糊支持向量机分类算法应用于交联聚乙烯电缆健康状态评估。该方法通过Relief‑F特征选择算法对特征进行选择,并利用特征选择后的数据集设计了模糊支持向量机的隶属度函数,赋予了噪声数据和非最重要特征更小的隶属度,提高交联聚乙烯电缆健康状态评估的准确率。
Description
技术领域
本发明属于电器故障判断技术领域,具体涉及一种交联聚乙烯电缆的健康状态评估方法。
背景技术
自20世纪80年代以来,交联聚乙烯电缆由于其可以防火、安装维护简单以及机械和电气性能良好的特性逐渐取代了传统的充油电缆。交联聚乙烯电缆作为电力系统关键的输电设备,对电力负荷安全、电力可靠传输具有不可或缺的作用,电缆健康状态恶劣时,容易发生火灾或者中性线熔断的线路故障,严重影响生产安全和生产质量。因此,及时准确地了解交联聚乙烯电缆健康水平是管理者进行电缆的运行维护以及做出更换决策所必须具有的技术支撑。
针对交联聚乙烯电缆健康状态的评估问题,近年来有不少相关研究。国外部分发达国家在交联聚乙烯电缆绝缘在线监测领域进行了大量研究,开发出了介质损耗因数法、直流成分法、接地线电流法、局部放电法等在线监测方法,并将研制的在线监测装置广泛用于电缆绝缘监测,积累了大量实测数据以及电缆绝缘老化缺陷判据,这为机器学习的电缆健康状态评估方法提供了数据支撑。国内主要通过层次分析法、专家经验等方法,结合电力电缆预防性试验、在线检测技术、巡检和历史记录建立相应的电缆诊断或状态评估模型,但却没考虑监测过程中的噪声数据以及不同特征重要程度对电缆健康状态评估的影响。
发明内容
本发明的目的是提供一种交联聚乙烯电缆的健康状态评估方法,解决现有技术未同时考虑电缆健康特征量的重要程度及噪声数据使电缆健康状态评估存在偏差的工程问题。
本发明所采用的技术方案是,一种交联聚乙烯电缆的健康状态评估方法,具体按照以下步骤实施:
步骤1、综合考虑内外部因素对交联聚乙烯电缆的影响因素以及电缆内部因素,选取评估电缆健康状态参量,并定义健康状态类别;
步骤2、根据Relief-F特征选择算法计算评估电缆健康状态参量权重值,筛选与交联聚乙烯电缆健康状态强相关的特征;
步骤3、根据步骤2得到的特征计算样本到了类中心的加权欧式距离;
步骤4、设计基于加权欧氏距离的模糊支持向量机隶属度函数,通过隶属度函数计算各样本数据的隶属度;
步骤5、根据各样本数据的隶属度,实现特征加权的模糊支持向量机算法模型,采用投票机制输出交联聚乙烯电缆健康状态评估结果。
本发明的特点还在于:
步骤1外部因素对交联聚乙烯电缆的影响因素包括年负荷情况、温度及敷设情况、湿度、污秽度、以及蚁害、地质灾害、外力破坏,电缆内部因素包括局部放电量、电缆主绝缘/外套层绝缘电阻、互层过电压保护器对地绝缘电阻、电缆线芯温度、电缆腐蚀度、接地电流、运行年限、缺陷及检修情况。
步骤2具体过程为:
提取多组评估电缆健康状态参量组成多组样本,多组样本数据构成样本数据集J、评估电缆健康状态参数的总个数为c、健康状态类别总个数为t;
将评估电缆健康状态参量中的各参量作为一个特征,对各评估电缆健康状态参量通过测量仪器分别多次测量评估电缆健康状态数据,将每次测量的评估电缆健康状态数据作为一组样本数据,对多组样本数据的评估电缆健康状态数据进行归一化处理;得到第i个样本xi的第j个特征归一化的计算公式为:
其中x’i,j为样本xi归一化之后的第j个特征上的值;xi,j为元样本xi的第j个特征上的值;βj为所有样本在第j个特征上的均值;Sj为所有样本在第j个特征上的标准差;
将各维特征的样本都进行相应的归一处理,便可得到归一化后的数据集J’,随机选取数据集J’中80%数据作为训练集D,另一部分作为测试集;
设各维特征的特征权重值W初始化为0,每次抽样都会更新权值,设样本的抽样次数为m,最近邻样本个数为r;从训练集D中选择一个训练样本x,该训练样本属于的类别为y;首先找到x的r个最近样本集H,用Ha表示同类样本集的第a个样本;同样从x的各个不同类样本集中分别找到r个最近邻样本构成不同类临近样本集F,用Fk,b表示第k个非同类样本集的第b个样本;
抽样结束后,第j个特征的特征权重为:
其中,diff(Tj,x,Ha)是训练样本x和同类样本集的第a个样本Ha在第j个特征上的距离;是训练样本x和Fk,b在第j个特征上的距离;Pk表示第k类样本在训练集D中出现的概率;Py表示训练样本x所属类在训练集D中出现的概率;
计算出各特征的权重后将c个特征权重从大到小进行排序,设置一个阀值Γ,对特征权重进行累加,直到累加值超过了特征权重总和的Γ倍;将剩余特征权重对应的特征删除,得到与交联聚乙烯电缆健康状态强相关的特征。
步骤3具体过程为:设步骤2得到与交联聚乙烯电缆健康状态强相关的特征集为W’,特征选择之后的训练集表示为D’,第k类训练集表示为D’k(k=1,2,…,t),求取D’k里所有样本在n个特征上的均值点并以此作为第k类的类中心Ok;
计算D’k的某个样本xk到类中心的Ok的加权欧式距离;
计算式为:
W’j为第j(j=1,2,…,c’)个特征的权重;xkj为样本xk在第j个特征上的分量;Okj为类中心Ok在第j个特征上的分量;
同理,计算所有类别下的训练集上都计算出相应的加权欧氏距离。
步骤4具体过程为:用每一类健康状态训练集中的加权欧氏距离的最大值作为各类训练集的超球体半径,第k类训练集的超球体半径表示为dk,max;对于特征选择之后的训练集D’内的任意样本xi,yi为xi所属的健康状态类别,通过以下隶属度函数计算样本xi的隶属度:
步骤5具体过程为:选择核函数为高斯径向基核函数的模糊支持向量机,并根据各样本数据的隶属度获得模糊支持向量机的目标函数:
s.tyi(ωx+b)≥1-ξi,ξi≥0,i=1,2,…,n (6)
通过相应核函数将原特征空间映射到高维特征空间,将目标函数转化为一个对偶问题来进行求解:
由于任意两个训练样本在高斯径向基核函数下的内积K<xi,yi>表示为:
将式(9)代入式(7)中求得每个训练样本所对应的拉格朗日系数αi(i=1,2,…,n),得基于特征加权的模糊支持向量机的最优判别函数为:
通过投票机制对模糊支持向量机投票,输出投票数最高的类别作为健康状态结果。
本发明一种交联聚乙烯电缆的健康状态评估方法有益效果是:
通过同时考虑噪声数据以及各维特征重要程度对交联聚乙烯电缆的健康状态进行评估,增强了交联聚乙烯电缆状态评估结果的准确率,通过实验分析,采用Relief-F特征加权的模糊支持向量机方法对交联聚乙烯电缆的健康状态评估所达到的准确率均高于标准支持向量机方法和标准欧式模糊支持向量机方法。为交联聚乙烯电缆的检修和更换工作提供了参考,可减少相关部门对电缆检修和更换工作所投入的人力和物力。
附图说明
图1是本发明一种交联聚乙烯电缆的健康状态评估方法流程图;
图2是能用于电缆健康状态评估的具体状态参量汇总图;
图3是根据本发明一示例性实施例中Relife-F特征选择时选取不同阈值对分类效果影响的折线图;
图4根据本发明一示例性实施例中三种实现方法对比实验效果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种交联聚乙烯电缆的健康状态评估方法,如图1所示,针对交联聚乙烯电缆健康状态数据集中存在噪声数据,且各维特征重要度难以确定导致健康状态评估存在误差,提出了将基于Relief-F特征加权的模糊支持向量机分类算法应用于交联聚乙烯电缆健康状态评估。该方法通过Relief-F特征选择算法对特征进行选择,并利用特征选择后的数据集设计了模糊支持向量机的隶属度函数,赋予了噪声数据和非最重要特征更小的隶属度,提高交联聚乙烯电缆健康状态评估的准确率。
具体按照以下步骤实施:
步骤1、综合考虑内外部因素对交联聚乙烯电缆的影响因素以及电缆内部因素,选取评估电缆健康状态参量,并定义健康状态类别,分别为“正常状态”、“注意状态”、“异常状态”和“严重状态”即V={正常、注意、异常、严重};
分类如图2所示,外部因素对交联聚乙烯电缆的影响因素包括年负荷情况、温度及敷设情况、湿度、污秽度、以及蚁害、地质灾害、外力破坏,电缆内部因素包括局部放电量、电缆主绝缘/外套层绝缘电阻、互层过电压保护器对地绝缘电阻、电缆线芯温度、电缆腐蚀度、接地电流、运行年限、缺陷及检修情况。
步骤2、根据Relief-F特征选择算法计算评估电缆健康状态参量权重值,筛选与交联聚乙烯电缆健康状态强相关的特征;具体过程为:
提取多组评估电缆健康状态参量组成多组样本,多组样本数据构成样本数据集J、评估电缆健康状态参数的总个数为c、健康状态类别总个数为t;
将评估电缆健康状态参量中的各参量作为一个特征,对各评估电缆健康状态参量通过测量仪器分别多次测量评估电缆健康状态数据,将每次测量的评估电缆健康状态数据作为一组样本数据,对多组样本数据的评估电缆健康状态数据进行归一化处理;得到第i个样本xi的第j个特征归一化的计算公式为:
其中x’i,j为样本xi归一化之后的第j个特征上的值;xi,j为元样本xi的第j个特征上的值;βj为所有样本在第j个特征上的均值;Sj为所有样本在第j个特征上的标准差;
将各维特征的样本都进行相应的归一处理,便可得到归一化后的数据集J’,随机选取数据集J’中80%数据作为训练集D,另一部分作为测试集;
设各维特征的特征权重值W初始化为0,每次抽样都会更新权值,设样本的抽样次数为m,最近邻样本个数为r;从训练集D中选择一个训练样本x,该训练样本属于的类别为y;首先找到x的r个最近样本集H,用Ha表示同类样本集的第a个样本;同样从x的各个不同类样本集中分别找到r个最近邻样本构成不同类临近样本集F,用Fk,b表示第k个非同类样本集的第b个样本;
抽样结束后,第j个特征的特征权重为:
其中,diff(Tj,x,Ha)是训练样本x和同类样本集的第a个样本Ha在第j个特征上的距离;是训练样本x和Fk,b在第j个特征上的距离;Pk表示第k类样本在训练集D中出现的概率;Py表示训练样本x所属类在训练集D中出现的概率;
计算出各特征的权重后将c个特征权重从大到小进行排序,设置一个阀值Γ,对特征权重进行累加,直到累加值超过了特征权重总和的Γ倍;将剩余特征权重对应的特征删除,得到与交联聚乙烯电缆健康状态强相关的特征。
步骤3、根据步骤2得到的特征计算样本到了类中心的加权欧式距离;具体过程为:设步骤2得到与交联聚乙烯电缆健康状态强相关的特征集为W’,特征选择之后的训练集表示为D’,第k类训练集表示为D’k(k=1,2,…,t),求取D’k里所有样本在n个特征上的均值点并以此作为第k类的类中心Ok;
计算D’k的某个样本xk到类中心的Ok的加权欧式距离;
计算式为:
W’j为第j(j=1,2,…,c’)个特征的权重;xkj为样本xk在第j个特征上的分量;Okj为类中心Ok在第j个特征上的分量;
同理,计算所有类别下的训练集上都计算出相应的加权欧氏距离。
步骤4、设计基于加权欧氏距离的模糊支持向量机隶属度函数,通过隶属度函数计算各样本数据的隶属度;
对重要程度不同的样本赋予不同的隶属度,通过对噪声数据点赋予较小的隶属度,来降低这些噪声数据对分类面的影响;
具体过程为:用每一类健康状态训练集中的加权欧氏距离的最大值作为各类训练集的超球体半径,第k类训练集的超球体半径表示为dk,max;对于特征选择之后的训练集D’内的任意样本xi,yi为xi所属的健康状态类别,通过以下隶属度函数计算样本xi的隶属度:
根据以上描述,即可将原多分类问题的总数据集J的特征总个数由c降为c’,类别总个数仍保持t不变。
步骤5、根据各样本数据的隶属度,实现特征加权的模糊支持向量机算法模型,采用投票机制输出交联聚乙烯电缆健康状态评估结果。具体过程为:选择核函数为高斯径向基核函数的模糊支持向量机,并根据各样本数据的隶属度获得模糊支持向量机的目标函数:
s.tyi(ωx+b)≥1-ξi,ξi≥0,i=1,2,…,n (6)
求解上述目标函数需要通过相应核函数将原特征空间映射到高维特征空间,目的是将目标函数转化为一个对偶问题来进行求解,转化的对偶问题需要通过如下处理:
由于本发明中模糊支持向量机的核函数采用的是高斯径向基核函数,所以任意两个训练样本在高斯径向基核函数下的内积K<xi,yi>计算式为:
将式(9)代入式(7)中求得每个训练样本所对应的拉格朗日系数αi(i=1,2,…,n),得基于特征加权的模糊支持向量机的最优判别函数为:
由于模糊支持向量机是一个二分类模型。因此,针对多分类问题,采用一对一的方式训练出多个二分类模型。通过投票机制对模糊支持向量机投票,输出投票数最高的类别作为健康状态结果。
实施例
通过对加拿大西部某地区2500段交联聚乙烯电缆的健康状态评估实例中,证明了本发明在交联聚乙烯电缆健康状态评估上的有效性。
实验所采用的数据集来自kaggle网站,该数据集包含2003年、2008年、2013年及2018年加拿大西部某地2500个交联聚乙烯电缆段的健康状态评估数据。其中包含局部放电值,电缆腐蚀度,以及使用年限和运行过程中载流量的峰值数据。实验过程中按各健康状态数据个数比例随机选取数据集中的8000组作为训练集,另外2000组作为测试集。定义了4种交联聚乙烯电缆健康状态评语集V,分别为“正常状态”、“注意状态”、“异常状态”和“严重状态”即V={正常、注意、异常、严重}。
由于使用Relief-F计算出各特征权重后,在对特征选择的过程中还需要设置阈值Γ来对特征进行选择,Γ值的选取很大程度上影响着分类器的分类效果。因此本文探究了阈值Γ分别取70%、80%、90%、100%下分类器的准确程度。为避免实验过程出现误差。实验重复进行10次,取各阈值下分类器准确率的平均值对实验结果进行分析。
实验结果如图3所示,根据实验结果可以发现当Γ值取90%场景下分类器的准确率最高,达到了98.54%。当Γ值选取100%后,分类器的性能反而下降了。因此后续实验中文本采用的分类方法其Γ值默认设置为90%。
为验证该方法在电缆健康状态评估上的有效性。将基于Relief-F特征加权的模糊支持向量机方法(RFSVM)、标准SVM方法和标准欧氏FSVM方法(LFSVM)进行对比实验。为了减小随机扰动对实验结果的影响,各种分类方法试验重复进行10次。各方法均通过交叉验证方法,选取最好分类效果的核函数和惩罚因子。
实验对比结果如图4所示,根据实验对比结果,基于Relief-F特征加权的模糊支持向量机方法在交联聚乙烯电缆健康状态评估的平均准确率达到了98.54%,要高于平均分类准确率为95.9%的标准欧氏模糊支持向量机方法,和平均分类准确率为93.98%的标准支持向量机方法。实验证明,通过给噪声数据和非重要特征赋予合理隶属度的基于Relief-F特征加权的模糊支持向量机方法能够得到准确率较高的交联聚乙烯电缆健康状态评估结果。验证了该方法在电缆健康状态评估上的有效性。
Claims (6)
1.一种交联聚乙烯电缆的健康状态评估方法,其特征在于,具体按照以下步骤实施:
步骤1、综合考虑内外部因素对交联聚乙烯电缆的影响因素以及电缆内部因素,选取评估电缆健康状态参量,并定义健康状态类别;
步骤2、根据Relief-F特征选择算法计算评估电缆健康状态参量权重值,筛选与交联聚乙烯电缆健康状态强相关的特征;
步骤3、根据步骤2得到的特征计算样本到了类中心的加权欧式距离;
步骤4、设计基于加权欧氏距离的模糊支持向量机隶属度函数,通过隶属度函数计算各样本数据的隶属度;
步骤5、根据各样本数据的隶属度,实现特征加权的模糊支持向量机算法模型,采用投票机制输出交联聚乙烯电缆健康状态评估结果。
2.根据权利要求1所述一种交联聚乙烯电缆的健康状态评估方法,其特征在于,步骤1所述外部因素对交联聚乙烯电缆的影响因素包括年负荷情况、温度及敷设情况、湿度、污秽度、以及蚁害、地质灾害、外力破坏,所述电缆内部因素包括局部放电量、电缆主绝缘/外套层绝缘电阻、互层过电压保护器对地绝缘电阻、电缆线芯温度、电缆腐蚀度、接地电流、运行年限、缺陷及检修情况。
3.根据权利要求1所述一种交联聚乙烯电缆的健康状态评估方法,其特征在于,步骤2具体过程为:
提取多组评估电缆健康状态参量组成多组样本,多组样本数据构成样本数据集J、评估电缆健康状态参数的总个数为c、健康状态类别总个数为t;
将评估电缆健康状态参量中的各参量作为一个特征,对各评估电缆健康状态参量通过测量仪器分别多次测量评估电缆健康状态数据,将每次测量的评估电缆健康状态数据作为一组样本数据,对多组样本数据的评估电缆健康状态数据进行归一化处理;得到第i个样本xi的第j个特征归一化的计算公式为:
其中x'i,j为样本xi归一化之后的第j个特征上的值;xi,j为元样本xi的第j个特征上的值;βj为所有样本在第j个特征上的均值;Sj为所有样本在第j个特征上的标准差;
将各维特征的样本都进行相应的归一处理,便可得到归一化后的数据集J',随机选取数据集J'中80%数据作为训练集D,另一部分作为测试集;
设各维特征的特征权重值W初始化为0,每次抽样都会更新权值,设样本的抽样次数为m,最近邻样本个数为r;从训练集D中选择一个训练样本x,该训练样本属于的类别为y;首先找到x的r个最近样本集H,用Ha表示同类样本集的第a个样本;同样从x的各个不同类样本集中分别找到r个最近邻样本构成不同类临近样本集F,用Fk,b表示第k个非同类样本集的第b个样本;
抽样结束后,第j个特征的特征权重为:
其中,diff(Tj,x,Ha)是训练样本x和同类样本集的第a个样本Ha在第j个特征上的距离;是训练样本x和Fk,b在第j个特征上的距离;Pk表示第k类样本在训练集D中出现的概率;Py表示训练样本x所属类在训练集D中出现的概率;
计算出各特征的权重后将c个特征权重从大到小进行排序,设置一个阀值Γ,对特征权重进行累加,直到累加值超过了特征权重总和的Γ倍;将剩余特征权重对应的特征删除,得到与交联聚乙烯电缆健康状态强相关的特征。
6.根据权利要求1所述一种交联聚乙烯电缆的健康状态评估方法,其特征在于,步骤5具体过程为:选择核函数为高斯径向基核函数的模糊支持向量机,并根据各样本数据的隶属度获得模糊支持向量机的目标函数:
s.tyi(ωx+b)≥1-ξi,ξi≥0,i=1,2,…,n (6)
通过相应核函数将原特征空间映射到高维特征空间,将目标函数转化为一个对偶问题来进行求解:
由于任意两个训练样本在高斯径向基核函数下的内积K<xi,yi>表示为:
将式(9)代入式(7)中求得每个训练样本所对应的拉格朗日系数αi(i=1,2,…,n),得基于特征加权的模糊支持向量机的最优判别函数为:
通过投票机制对模糊支持向量机投票,输出投票数最高的类别作为健康状态结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139434.1A CN112241610B (zh) | 2020-10-22 | 2020-10-22 | 一种交联聚乙烯电缆的健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139434.1A CN112241610B (zh) | 2020-10-22 | 2020-10-22 | 一种交联聚乙烯电缆的健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241610A true CN112241610A (zh) | 2021-01-19 |
CN112241610B CN112241610B (zh) | 2022-12-02 |
Family
ID=74169771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011139434.1A Active CN112241610B (zh) | 2020-10-22 | 2020-10-22 | 一种交联聚乙烯电缆的健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241610B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989601A (zh) * | 2021-03-10 | 2021-06-18 | 西南石油大学 | 一种基于主客观组合赋权的海底电缆状态评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110082711A1 (en) * | 2009-10-06 | 2011-04-07 | Masimo Laboratories, Inc. | Personal digital assistant or organizer for monitoring glucose levels |
CN109685366A (zh) * | 2018-12-24 | 2019-04-26 | 中国人民解放军32181部队 | 基于异变数据的装备健康状态评估方法 |
CN109902336A (zh) * | 2019-01-15 | 2019-06-18 | 国网浙江省电力有限公司 | 基于模糊层次分析法的电缆绝缘寿命评估方法 |
CN109978068A (zh) * | 2019-04-02 | 2019-07-05 | 广东电网有限责任公司 | 一种基于多元模糊支持向量数据描述的高压电缆缺陷识别方法 |
CN110334875A (zh) * | 2019-07-10 | 2019-10-15 | 东北电力大学 | 计及评估指标冲突的风电功率组合概率预测方法 |
-
2020
- 2020-10-22 CN CN202011139434.1A patent/CN112241610B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110082711A1 (en) * | 2009-10-06 | 2011-04-07 | Masimo Laboratories, Inc. | Personal digital assistant or organizer for monitoring glucose levels |
CN109685366A (zh) * | 2018-12-24 | 2019-04-26 | 中国人民解放军32181部队 | 基于异变数据的装备健康状态评估方法 |
CN109902336A (zh) * | 2019-01-15 | 2019-06-18 | 国网浙江省电力有限公司 | 基于模糊层次分析法的电缆绝缘寿命评估方法 |
CN109978068A (zh) * | 2019-04-02 | 2019-07-05 | 广东电网有限责任公司 | 一种基于多元模糊支持向量数据描述的高压电缆缺陷识别方法 |
CN110334875A (zh) * | 2019-07-10 | 2019-10-15 | 东北电力大学 | 计及评估指标冲突的风电功率组合概率预测方法 |
Non-Patent Citations (3)
Title |
---|
张静等: "直流XLPE 电缆绝缘泄漏电流与局部放电试验特征研究", 《高压电器》 * |
徐露琼: "交联聚乙烯电力电缆运行状态综合评估方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
田春筝等: "基于供电分区的中高压配电网综合评价策略", 《电力系统保护与控制》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989601A (zh) * | 2021-03-10 | 2021-06-18 | 西南石油大学 | 一种基于主客观组合赋权的海底电缆状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112241610B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210003640A1 (en) | Fault locating method and system based on multi-layer evaluation model | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN112255484A (zh) | 一种避雷器运行状态在线监测及评估方法和系统 | |
JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
CN116306320B (zh) | 非血管腔道导丝生产质量管理方法及系统 | |
JP5494034B2 (ja) | 信頼度評価装置、信頼度評価プログラムおよび信頼度評価方法 | |
CN103699668A (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
CN108802576B (zh) | 一种油浸式电容套管运行状态的主客观整合评估方法 | |
CN104123468A (zh) | 基于核心状态量集合的配电变压器状态评估方法 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN110618340A (zh) | 一种变压器状态评估方法 | |
CN115130578A (zh) | 一种基于增量式粗糙聚类的配电设备状态在线评估方法 | |
CN113342784A (zh) | 一种电网主变设备风险评估的数据库设计方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN110568082A (zh) | 一种基于声发射信号的缆索断丝的判别方法 | |
CN115511387A (zh) | 基于多源信息融合的油浸变压器状态评估方法及系统 | |
CN112241610B (zh) | 一种交联聚乙烯电缆的健康状态评估方法 | |
CN116739399A (zh) | 一种高压电缆运行状态评价方法 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
CN109711687A (zh) | 一种基于改进熵值法的绝缘子状态模糊评估方法 | |
CN116341290B (zh) | 一种长贮装备可靠性抽样检测方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN116862478A (zh) | 基于分层架构与动态赋权的变压器健康评估方法 | |
CN114741876B (zh) | 一种塔式起重机智能检验的方法 | |
CN115600839A (zh) | 基于隶属度函数的电力变压器运行状态画像方法 |
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 |