CN112561117A - 一种电缆线路前端多状态量融合预测方法及装置 - Google Patents

Abstract

本发明公开了一种电缆线路前端多状态量融合预测方法和装置，对电缆线路监测前端短时、多状态量数据的分析，实现设备状态就地诊断和异常信息预警，在不完全依赖后台的前提下解决设备自动识别、数据采集和诊断的核心功能，便于巡检人员基于前端数据快速掌握电缆状态，提升运检效率。

Description

一种电缆线路前端多状态量融合预测方法及装置

技术领域

本申请涉及电力电缆设备运维检修领域，具体涉及一种电缆线路前端多状 态量融合预测方法，同时涉及一种电缆线路前端多状态量融合预测装置。

背景技术

当前，电缆线路的运维检修以人工巡视、状态检测及在线监测为主，数据 离散化、孤岛化，运维人员无法在巡视或检修过程中有效评估和掌握电缆线路 运行状态，也无法通过系统平台获取线路运行及状态信息数据，巡检效率收到 一定制约，巡视检测的数据分散于各类检测设备、数据表单或监控平台中，格 式缺乏统一性规范性，难以实现信息交互，且录入存储工作流程繁杂。且电缆 运维体量大、人员少、通道环境复杂，巡视以人工接入为主不仅难以电缆巡视 周期要求，也难以保证运检巡视效果，巡检不及时、不到位，存在漏检或错检 的问题时有发生。现况多以集中式的检测、监测数据分析为主，且状态量间的 关联分析挖掘能力不足，且依据单一时刻或单一设备现场状态检测/监测数据， 缺失了同类型、同工况条件下电缆设备横向研判或基于历史检修与发展趋势的 纵向研判，故而分析结论往往与实际情况偏差较大，实用化程度极低。

因此，亟待建立一种新型的电缆线路及通道运维巡检模式，强化运维人员 与检测/监测装置以及后台数据中心的数据信息交互，提升运维检修工作效率。

发明内容

为解决上述问题，本申请提供一种电缆线路前端多状态量融合预测方法， 包括：

本申请提供一种电缆线路前端多状态量融合预测方法，包括：

获取电缆状态特征数据；

基于预先构建的状态数据分析模型中的模糊评判方法，确定所述电缆状态 特征数据中，各绝缘参数值的不同绝缘状态隶属度，使用所述模型包含的证据 合成方法对所述隶属度进行证据合成，获取所述电缆的绝缘状态信度分配表；

通过所述电缆的绝缘状态信度分配表，对所述电缆的绝缘状态进行预测。

优选的，获取电缆状态特征数据，包括：

通过电缆线路在线监测前端，获取电缆状态特征数据，并进行所述数据的 存储与通信。

优选的，还包括：

若获取的电缆状态特征数据的可信度小于预设阈值，则构建基于灰色预测 的马尔可夫状态预测模型；

使用所述马尔可夫状态预测模型获得所述电缆状态特征数据的灰色预测 数据；以及

使用所述马尔可夫状态预测模型对所述灰色预测数据进行修正，获得最终 的预测数据；

将所述最终的预测数据作为电缆状态特征数据。

优选的，使用所述模型包含的模糊评判方法，确定所述电缆状态特征数据 中，各绝缘参数值的不同绝缘状态隶属度，包括：

使用模糊函数中的半梯半岭相结合的隶属函数，确定各绝缘参数值的不同 绝缘状态隶属度。

优选的，在确定各绝缘参数值的不同绝缘状态隶属度的步骤之后，还包括：

使用置信度系数对所述绝缘状态隶属度进行修正，以修正所述绝缘状态隶 属度的误差。

优选的，使用所述模型包含的证据合成方法对所述隶属度进行证据合成， 包括：

使用所述模型包含的Dempster合成方法，对所述隶属度进行证据合成。

本申请同时提供一种电缆线路前端多状态量融合预测装置，包括：

特征数据获取单元，获取电缆状态特征数据；

信度分配表获取单元，基于预先构建的状态数据分析模型中的模糊评判方 法，确定所述电缆状态特征数据中，各绝缘参数值的不同绝缘状态隶属度，使 用所述模型包含的证据合成方法对所述隶属度进行证据合成，获取所述电缆的 绝缘状态信度分配表；

预测单元，通过所述电缆的绝缘状态信度分配表，对所述电缆的绝缘状态 进行预测。

优选的，特征数据获取单元，包括：

存储与通信子单元，通过电缆线路在线监测前端，获取电缆状态特征数据， 并进行所述数据的存储与通信。

优选的，还包括：

马尔可夫状态预测模型构建子单元，若获取的电缆状态特征数据的可信度 小于预设阈值，则构建基于灰色预测的马尔可夫状态预测模型；

灰色预测数据获取子单元，使用所述马尔可夫状态预测模型获得所述电缆 状态特征数据的灰色预测数据；以及

修改子单元，使用所述马尔可夫状态预测模型对所述灰色预测数据进行修 正，获得最终的预测数据；

特征数据确定子单元，将所述最终的预测数据作为电缆状态特征数据。

优选的，信度分配表获取单元，包括：

证据合成子单元，使用所述模型包含的Dempster合成方法，对所述隶属 度进行证据合成。

通过本申请提供的一种电缆线路前端多状态量融合预测方法和装置，对电 缆线路监测前端短时、多状态量数据的分析，实现设备状态就地诊断和异常信 息预警，在不完全依赖后台的前提下解决设备自动识别、数据采集和诊断的核 心功能，便于巡检人员基于前端数据快速掌握电缆状态，提升运检效率。

附图说明

图1是本申请提供的一种电缆线路前端多状态量融合预测方法的流程示意 图；

图2是本申请提供的基于模糊的证据理论的状态数据分析模型示意图；

图3是本申请提供的电缆绝缘状态预测模型建立过程示意图；

图4是本申请提供的预测数据与实际数据间的相对误差比较曲线图；

图5是本申请提供的一种电缆线路前端多状态量融合预测装置示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请 能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背 本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

图1是本申请提供的一种电缆线路前端多状态量融合预测方法的流程示意 图，下面结合图1对本申请提供的方法进行详细说明。

步骤S101，获取电缆状态特征数据。

通过电缆线路在线监测前端，获取电缆状态特征数据，并进行所述数据的 存储与通信。

电缆线路在线监测前端，其具备一定的数据分析与处理能力，但由于其硬 件条件限制，数据存储的时间跨度一般较短，且无法开展复杂的数据运算。因 此，为了适应移动巡检过程中快速获取电缆状态的目标，对监测前端嵌入算法 的设计应使其具备数据分析与筛查功能，故设计了2类算法模型已实现该目标。

步骤S102，基于预先构建的状态数据分析模型中的模糊评判方法，确定所 述电缆状态特征数据中，各绝缘参数值的不同绝缘状态隶属度，使用所述模型 包含的证据合成方法对所述隶属度进行证据合成，获取所述电缆的绝缘状态信 度分配表。

设计的2类算法模型，其中1类是基于模糊和证据理论的状态数据分析模 型，该模型利用模型评判方法确定各绝缘参数值的不同绝缘状态隶属度，再利 用证据合成算法对其进行证据合成，获取最后的绝缘状态信度分配表，进而评 估电缆的绝缘状态。

构建基于模糊和证据理论的状态数据分析模型，包含3个子步骤如图2所 示：

1)选用模糊分布函数中的半梯半岭相结合的隶属函数来确定各绝缘参数 的绝缘状态隶属度。

熵权法中权利重的确认主要是根据各指标传递给决策者的信息量多少以 及相对重要程度来确定。在z种待评价参数、n行参数值的评价体系中，原 始评价矩阵D_2n，以参数种类为列，参数取值个数为行。对其进行标准化处理 得规范化矩阵R_zn。根据熵权法理论，由式1到式3分別计算得到第q个待评 价参数的熵值H_q，计算得到第q个待评价参数的熵权。

在式1-3中，R_pq是矩阵R_zn中第p行q列的元素，当f_pq＝0时f_pqln f_pq＝0。

2)由于与决策相关数据精度存在不确定性，数据量不够大等原因，在决 策过程中将会出现不确定性问题，同时，考虑不同子证据体的相对重要程度的 差异性，引入置信度系数ξ来修正证据合成前的信度函数值，它表示考虑数 据量不够和获取数据过程中存在误差等因素后的证据体的可信度。参考以往数 据和专家意见获取该值。

3)将由第二步修正后得到的各参数的隶属度当作证据合成理论中的证据， 利用式4进行证据合成，便可以得到相应的信度函数分配表。

Dempster合成法则是反映证据的联合作用的一个法则。对基于相同识别框 架的不同证据的置信函数，使用Dempster合成规则将不同的、不完全冲突的 证据的置信度合成一个新的置信函数，新的置信函数便是不同证据对同一识别 框架下命题的支持度。设Bel₁，Bel₂是同一个识别框架Θ的两个置信函数，它 们的基本置信度函数为m₁和m₂，它们的焦元分别是A₁,A₂,…,A_k和B₁,B₂,…,b_k， 如果∑A_i,B_j＝Am₁(A)m₂(A_j)<1则：

K＝∑m₁(A_i)m₂(B_j)

其中，A_i和B_j的交集是A；K表示当A_i和B_j发生冲突的情况，而此时， m₁S_i和m₂B_j分别不为0，而其合成置信度m_12iB_j＝0,因为此时，A_i,B_i＝φ。

步骤S103，通过所述电缆的绝缘状态信度分配表，对所述电缆的绝缘状态 进行预测。

通过电缆的绝缘状态信度分配表，以此预测出电缆的绝缘状态。

针对电缆绝缘状态的预测过程中可用数据数据量少和精度不高的问题，故 设计的2类算法模型中的另1类算法是基于灰色预测的马尔可夫状态预测模型， 若获取的电缆状态特征数据的可信度小于预设阈值，则构建基于灰色预测的马 尔可夫状态预测模型；使用所述模型获得所述电缆状态特征数据的灰色预测数 据；以及使用所述模型对所述灰色数据进行修正，获得最终的预测数据；将所 述最终的预测数据作为电缆状态特征数据。该模型在对绝缘参数进行灰色预测 的同时，将预测得到的数据跟原始数据做相对误差计算，通过马尔可夫模型进 行误差预测并修正灰色预测数据，得到最终的预测数据，最后，对其进行状态 评价，获得电缆绝缘的未来状态。结合模糊和证据合成理论的灰色马尔可夫的XLPE电缆绝缘状态预测模型建立过程如图3所示。模型的实现步骤如下：

1)对原始数据序列进行灰色预测得到预测数据；

2)计算预测数据与原始数据的相对误差，并进行马尔可夫误差预测，得到 未来某一时刻，k+1时刻的ε(k+1)相对误差；

3)用误差ε(k+1)修正通过灰色模型预测得到的数据，获得修正后的预测数 据

4)通过模糊隶属函数和证据合成理论对修正后的预测数据

进 行状态评价，得K+1时刻的状态。

灰色模型的在预测领域的应用中，“GM(1,1)”模型的应用最为广泛，它是单 个变量的一阶微分方程构成的模型。该模型通过对灰色数据进行处理，寻找数 据中存在的规律，将灰色模型中的灰色参数进行白化，进而构造预测模型，将 灰色数据拟合为一组有规律的数据，从而可以获取未来时刻的数值。

“GM(1,1)”模型的实现具体过程如下：

1)预测一次累加序列

对某一非负单调的原始数据列：

X⁽⁰⁾＝{X⁽⁰⁾(i)，i＝1，2，...，n} (5)

进行一次累加生成一次累加序列：

X⁽¹⁾＝{X⁽¹⁾(k)，k＝1，2，...，n} (6)

其中，

式中，i，k分别为n个数据的序号。

对X⁽¹⁾可建立下述白化形式的微分方程：

其中，λ和μ是传统灰色参数。

上述白化微分方程的解，即灰色预测模型得到的预测值。

2)求解灰色参数

记参数序列为α，α＝[λ，μ]^T，α可用下式求解：

α＝(B^TB)^-1B^TY_N (9)

式中B为数据矩阵；Y_n为数据列:

y_n＝(X⁽⁰⁾(2),X⁽⁰⁾(3)X,X⁽⁰⁾(n))^Ty_n＝(X⁽⁰⁾(2),X⁽⁰⁾(3)X,X⁽⁰⁾(n))^T (11)

3)还原预测值

通过灰色预测模型得到的数列是一次累加量,为k∈{1,2,n,n+1)时刻的预 测值，因此需要将灰色预测模型得到的数据

经过累减还原为

即为灰色预测模型预测得到的值。由于本章模型的需要，第k个 原始数据与预测得到的第k个值之间的相对误差ε(k)为：

(2)结合模糊理论的马尔可夫误差模型

马尔可夫过程研究随机事件状态变化及其之间的转移规律，根据系统最初 状态和可能状态之间的转移概率来预测时间的发展趋势概率。

模糊理论以模糊集合与隶属度函数为基础，能有效处理状态边界过于硬化 的问题，所以研究首先利用模糊理论来确定误差和各绝缘参数隶属不同绝缘状 态的信息，再运用模糊隶属函数计算公式计算得到的相对误差ε(k)的隶属状 态，并将其代替马尔可夫过程中的状态，参与计算。基于模糊理论的马尔可夫 实现过程如下：

1)状态划分

将原始数据与灰色预测值之间的相对误差ε(K)分为β个状态，其中每个状 态可以表示为：

C_j＝[δ_j-1，δ_j](j＝1，2，...，β) (14)

其中，δ_j-1和δ_j分别为第j个相对误差状态C_j的对应区间的下边界值和上边 界值。研究将相对误差的状态划分为5个状态，因此，β＝5，5个状态 C_j＝{C₁，C₂，C₃，C₄，C₅}的含义分别表示为：C＝{严重偏高，轻微偏高，正常，轻微 偏低，严重偏低}。

给定一个相对误差ε(k)(k＝1,…n,…)，利用三角隶属度函数计算其属于不用 状态的隶属度uj(ε(k))，建立：

其中，j≠1，β。

2)构造状态概率转移矩阵

设Mab为由状态Ca经过h步转移到状态Cb的数据样本数，Ma为处于状 态Ca的样本数，其中a，b∈j，由式6-8可以得到状态转移概率矩阵。

3)马尔可夫预测误差

定义F(ε(k))为隶属度矩阵，则：

F(ε(k))＝[u₁(ε(k))，u₂(ε(k))，...，u_β(ε(k))] (18)

其中，ua(ε(K))是第K个相对误差ε(K)属于误差状态Ca的隶属度。则第 K+1个相对误差ε(K+1)的隶属度矩阵可以通过下面公式求得：

F(ε(k+1))＝F(ε(k))P＝[u₁(ε(k+1))，u₂(ε(k+1))，...，u_β(ε(k+1))] (19)

则第K+1步的相对误差ε(K+1)可通过式11求解：

最后，得到第K+1步的最终预测值为：

具体应用实施例如下：

采用某条110kV单芯XLPE电缆49个小时的绝缘在线监测数据，如表1 表3中的“实际”线所示(每隔1h采集一次监测数据)；对实际数据进行灰色预测， 预测值如“预测”线所示；选择前44小时的实际数据作为测试数据，后5小时作 为验证数据。运用研究所提出的方法预测后5小时的数据，并与后5小时的 实际数据进行对比，验证该方法的准确性，将后5小时的数据示于表1。具体 过程如下。

表1绝缘状态参数数据

将相对误差划分为5个等级，如表2所示。

表2相对误差等级划分标准

状态	释义	边界
			1	严重偏高	＞18％
2	轻微偏高	6％～18％
			3	正常	-6％～6％
4	轻微偏低	-6％～-18％
			5	严重偏低	＜-18％

表2中第一列“状态”指的是不同的相对误差值对应的不同状态；第二列“释 义”是对不同状态含义的解释；第三列“边界”指的是不同状态对应的边界值。通 过表2中的相对误差数据可知，状态1和状态5并未出现，所以研究只考虑状 态2到状态4，因此建立的三角隶属函数为：

通过以上计算得到tanδ的一步状态转移表，如表3所示。

表3一步状态转移数据

	状态2	状态3	状态4
				状态2	1	3	0
状态3	3	29	3
				状态4	0	3	0

由表3可以得到tanδ的状态转移概率矩阵：

由表3可知，第44小时的相对误差为-1.600％，计算得到其误差状态隶属 度向量为(0.130,0.870,0)；计算第45到第49小时的误差隶属度向量，计算各时 刻的相对误差值，最后通过修正各时刻的灰色预测值，得到tanδ在各时刻的最 终预测值，结果如表4所示。

表4介损的预测结果

通过对比表4与表1中的预测结果可知，表3中的结果更加接近实际数据。

经过同样的步骤，可以得到其余两个绝缘参数的预测值，并根据计算验证 数据预测值与其实际数据之间的相对误差，如图4中所示；由图4可知，由研 究方法得到的预测数据与实际数据间的相对误差对比灰色预测方法更集中在0 点附近，所以，研究提出的预测模型在精确度上比单一灰色预测模型高，更接 近实际测量数据。同时，取第49小时的预测结果示于表5。

表5各绝缘参数的预测结果

Tanδ％	I(nA)	Ic(A)
			0.182	8.880	0.540

通过隶属函数算得表5数据属于各绝缘状态的隶属度，并经过修正得到表 6。

表6各绝缘参数隶属度

表7修正后各绝缘参数隶属度

最后，通过证据合成理论进行证据融合得到第49小时的绝缘状态，实现 绝缘状态的预测。并将研究提出的预测模型、单一的马尔可夫链预测模型以及 表7中的实际数据进行状态评价的结果进行对比，结果如表8所示。

表8绝缘状态预测结果比对

根据判据隶属度最大原则可以判定该电缆状态在第49小时为“中”，研究提 出的模型比单一的马尔可夫链预测模型更接近实际状态。由结果对比可知，研 究提出的模型比单一的灰色预测模型和马尔可夫模型具有更高的精确度。

本节提出了一种结合灰色预测和马尔可夫理论的预测模型，来预测XLPE 电缆绝缘状态数据。并采用模糊隶属函数和证据合成理论进行电缆的绝缘状态 评价，从而达到电缆绝缘状态预测的目的。通过实例分析可知，该预测模型能 获得比单一的灰色预测模型更加准确的预测数据。同时，也能得到比单一的马 尔可夫链预测模型更加精确的绝缘状态的预测结果。

基于同一发明构思，本申请同时提供一种电缆线路前端多状态量融合预测 装置500，如图5所示，包括：

特征数据获取单元510，获取电缆状态特征数据；

信度分配表获取单元520，基于预先构建的状态数据分析模型中的模糊评 判方法，确定所述电缆状态特征数据中，各绝缘参数值的不同绝缘状态隶属度， 使用所述模型包含的证据合成方法对所述隶属度进行证据合成，获取所述电缆 的绝缘状态信度分配表；

预测单元530，通过所述电缆的绝缘状态信度分配表，对所述电缆的绝缘 状态进行预测。

优选的，特征数据获取单元，包括：

存储与通信子单元，通过电缆线路在线监测前端，获取电缆状态特征数据， 并进行所述数据的存储与通信。

优选的，还包括：

马尔可夫状态预测模型构建子单元，若获取的电缆状态特征数据的可信度 小于预设阈值，则构建基于灰色预测的马尔可夫状态预测模型；

灰色预测数据获取子单元，使用所述马尔可夫状态预测模型获得所述电缆 状态特征数据的灰色预测数据；以及

修改子单元，使用所述马尔可夫状态预测模型对所述灰色预测数据进行修 正，获得最终的预测数据；

特征数据确定子单元，将所述最终的预测数据作为电缆状态特征数据。

优选的，信度分配表获取单元，包括：

证据合成子单元，使用所述模型包含的Dempster合成方法，对所述隶属 度进行证据合成。

本发明提供的一种电缆线路前端多状态量融合预测方法及装置，基于结合 模糊理论和证据合成理论的方法，通过客观方法获取各电缆线路参数的权重， 考虑评论过程中的不确定性，有效地构建信度函数分配表，从而判断电缆线路 的状态。同时，电缆线路状态的准确预测，可以有效地预防故障的发生，但单 独运用灰色理论或者马尔可夫理论进行状态预测需要大量的数据，且存在精确 度不高的问题。本专利采用一种基于灰色马尔可夫误差反推模型的绝缘状态参 数准确预测的方法，并结合模糊隶属函数和证据合成算法来评估电缆线路的状 态结合灰色预测与马尔可夫理论构造误差反推模型，实现电缆线路的状态的短 时预测。最终实现基于电缆线路监测前端短时、多状态量数据的有效分析，实 现设备状态就地诊断和异常信息预警，在不完全依赖后台的前提下解决设备自 动识别、数据采集和诊断的核心功能便于巡检人员基于前端数据快速掌握电缆 状态，提升运检效率。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计 算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产 品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入 式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算 机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一 个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设 备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中 的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神 和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发 明的权利要求范围之内。

Claims (10)

1.一种电缆线路前端多状态量融合预测方法，其特征在于，包括：

获取电缆状态特征数据；

基于预先构建的状态数据分析模型中的模糊评判方法，确定所述电缆状态特征数据中，各绝缘参数值的不同绝缘状态隶属度，使用所述模型包含的证据合成方法对所述隶属度进行证据合成，获取所述电缆的绝缘状态信度分配表；

通过所述电缆的绝缘状态信度分配表，对所述电缆的绝缘状态进行预测。

2.根据权利要求1所述的方法，其特征在于，获取电缆状态特征数据，包括：

通过电缆线路在线监测前端，获取电缆状态特征数据，并进行所述数据的存储与通信。

3.根据权利要求1所述的方法，其特征在于，还包括：

若获取的电缆状态特征数据的可信度小于预设阈值，则构建基于灰色预测的马尔可夫状态预测模型；

使用所述马尔可夫状态预测模型获得所述电缆状态特征数据的灰色预测数据；以及

使用所述马尔可夫状态预测模型对所述灰色预测数据进行修正，获得最终的预测数据；

将所述最终的预测数据作为电缆状态特征数据。

4.根据权利要求1所述的方法，其特征在于，使用所述模型包含的模糊评判方法，确定所述电缆状态特征数据中，各绝缘参数值的不同绝缘状态隶属度，包括：

使用模糊函数中的半梯半岭相结合的隶属函数，确定各绝缘参数值的不同绝缘状态隶属度。

5.根据权利要求4所述的方法，其特征在于，在确定各绝缘参数值的不同绝缘状态隶属度的步骤之后，还包括：

使用置信度系数对所述绝缘状态隶属度进行修正，以修正所述绝缘状态隶属度的误差。

6.根据权利要求1或5所述的方法，其特征在于，使用所述模型包含的证据合成方法对所述隶属度进行证据合成，包括：

使用所述模型包含的Dempster合成方法，对所述隶属度进行证据合成。

7.一种电缆线路前端多状态量融合预测装置，其特征在于，包括：

特征数据获取单元，获取电缆状态特征数据；

信度分配表获取单元，基于预先构建的状态数据分析模型中的模糊评判方法，确定所述电缆状态特征数据中，各绝缘参数值的不同绝缘状态隶属度，使用所述模型包含的证据合成方法对所述隶属度进行证据合成，获取所述电缆的绝缘状态信度分配表；

预测单元，通过所述电缆的绝缘状态信度分配表，对所述电缆的绝缘状态进行预测。

8.根据权利要求7所述的装置，其特征在于，特征数据获取单元，包括：

存储与通信子单元，通过电缆线路在线监测前端，获取电缆状态特征数据，并进行所述数据的存储与通信。

9.根据权利要求7所述的装置，其特征在于，还包括：

马尔可夫状态预测模型构建子单元，若获取的电缆状态特征数据的可信度小于预设阈值，则构建基于灰色预测的马尔可夫状态预测模型；

灰色预测数据获取子单元，使用所述马尔可夫状态预测模型获得所述电缆状态特征数据的灰色预测数据；以及

修改子单元，使用所述马尔可夫状态预测模型对所述灰色预测数据进行修正，获得最终的预测数据；

特征数据确定子单元，将所述最终的预测数据作为电缆状态特征数据。

10.根据权利要求7所述的装置，其特征在于，信度分配表获取单元，包括：

证据合成子单元，使用所述模型包含的Dempster合成方法，对所述隶属度进行证据合成。

Images