CN112241610A - 一种交联聚乙烯电缆的健康状态评估方法 - Google Patents

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

一种交联聚乙烯电缆的健康状态评估方法

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x_i的第j个特征归一化的计算公式为：

其中x’_i,j为样本x_i归一化之后的第j个特征上的值；x_i,j为元样本x_i的第j个特征上的值；β_j为所有样本在第j个特征上的均值；S_j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H_a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F_k,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(T_j,x,H_a)是训练样本x和同类样本集的第a个样本H_a在第j个特征上的距离；

是训练样本x和F_k,b在第j个特征上的距离；P_k表示第k类样本在训练集D中出现的概率；P_y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O_k；

计算D’_k的某个样本x_k到类中心的O_k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；x_kj为样本x_k在第j个特征上的分量；O_kj为类中心O_k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d_k,max；对于特征选择之后的训练集D’内的任意样本x_i，y_i为x_i所属的健康状态类别，通过以下隶属度函数计算样本x_i的隶属度:

其中，

表示样本x_i到y_i类中心的加权欧氏距离；d_yi,max表示y_i类训练集的超球体半径；δ是一个保证

的常数，通过计算得到特征选择之后的训练集D’中的每个样本的相应隶属度。

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.ty_i(ωx+b)≥1-ξ_i,ξ_i≥0,i＝1,2,…,n (6)

其中，ω为最优分类面的线性系数；ξ_i为目标函数的松弛变量，其表征对应数据点允许的偏移程度；

为隶属度

控制下的惩罚因子，b为偏置；y_i(y_i∈{-1,1})为该样本所属的分类别；

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<x_i,y_i>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α_i(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:

其中，b’为支持向量机最优分类超平面上下平移的距离；拉格朗日系数

为根据隶属度函数求得的

控制下的惩罚因子；

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x_i的第j个特征归一化的计算公式为：

其中x’_i,j为样本x_i归一化之后的第j个特征上的值；x_i,j为元样本x_i的第j个特征上的值；β_j为所有样本在第j个特征上的均值；S_j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H_a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F_k,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(T_j,x,H_a)是训练样本x和同类样本集的第a个样本H_a在第j个特征上的距离；

是训练样本x和F_k,b在第j个特征上的距离；P_k表示第k类样本在训练集D中出现的概率；P_y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O_k；

计算D’_k的某个样本x_k到类中心的O_k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；x_kj为样本x_k在第j个特征上的分量；O_kj为类中心O_k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d_k,max；对于特征选择之后的训练集D’内的任意样本x_i，y_i为x_i所属的健康状态类别，通过以下隶属度函数计算样本x_i的隶属度:

其中，

表示样本x_i到y_i类中心的加权欧氏距离；d_yi,max表示y_i类训练集的超球体半径；δ是一个保证

的常数，通过计算得到特征选择之后的训练集D’中的每个样本的相应隶属度，从而得到模糊训练样本。

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.ty_i(ωx+b)≥1-ξ_i,ξ_i≥0,i＝1,2,…,n (6)

其中，ω为最优分类面的线性系数；ξ_i为目标函数的松弛变量，其表征对应数据点允许的偏移程度；

为隶属度

控制下的惩罚因子，b为偏置；y_i(y_i∈{-1,1})为该样本所属的分类别；

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<x_i,y_i>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α_i(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:

其中，b’为支持向量机最优分类超平面上下平移的距离；拉格朗日系数

为根据隶属度函数求得的

控制下的惩罚因子，惩罚因子越大则对偏移样本的约束程度就越高；

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x_i的第j个特征归一化的计算公式为：

其中x'_i,j为样本x_i归一化之后的第j个特征上的值；x_i,j为元样本x_i的第j个特征上的值；β_j为所有样本在第j个特征上的均值；S_j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H_a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F_k,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(T_j,x,H_a)是训练样本x和同类样本集的第a个样本H_a在第j个特征上的距离；

是训练样本x和F_k,b在第j个特征上的距离；P_k表示第k类样本在训练集D中出现的概率；P_y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。

4.根据权利要求3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O_k；

计算D'_k的某个样本x_k到类中心的O_k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；x_kj为样本x_k在第j个特征上的分量；O_kj为类中心O_k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。

5.根据权利要求4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d_k,max；对于特征选择之后的训练集D'内的任意样本x_i，y_i为x_i所属的健康状态类别，通过以下隶属度函数计算样本x_i的隶属度:

其中，

表示样本x_i到y_i类中心的加权欧氏距离；d_yi,max表示y_i类训练集的超球体半径；δ是一个保证

的常数，通过计算得到特征选择之后的训练集D'中的每个样本的相应隶属度。

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.ty_i(ωx+b)≥1-ξ_i,ξ_i≥0,i＝1,2,…,n (6)

其中，ω为最优分类面的线性系数；ξ_i为目标函数的松弛变量，其表征对应数据点允许的偏移程度；

为隶属度

控制下的惩罚因子，b为偏置；y_i(y_i∈{-1,1})为该样本所属的分类别；

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<x_i,y_i>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α_i(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:

其中，b'为支持向量机最优分类超平面上下平移的距离；拉格朗日系数

为根据隶属度函数求得的

控制下的惩罚因子；

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。

Images