CN114611575B - 一种故障案例分类方法以及系统 - Google Patents

一种故障案例分类方法以及系统 Download PDF

Info

Publication number
CN114611575B
CN114611575B CN202210110209.8A CN202210110209A CN114611575B CN 114611575 B CN114611575 B CN 114611575B CN 202210110209 A CN202210110209 A CN 202210110209A CN 114611575 B CN114611575 B CN 114611575B
Authority
CN
China
Prior art keywords
information
case
weight information
fault
preset
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
Application number
CN202210110209.8A
Other languages
English (en)
Other versions
CN114611575A (zh
Inventor
裴东锋
刘勇
刘林
杨广杰
侯帅
孙伟斌
麻亮
岳海涛
董宇
白梅娟
李广源
冯艳敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Handan Power Supply Co of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Handan Power Supply Co of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Handan Power Supply Co of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210110209.8A priority Critical patent/CN114611575B/zh
Publication of CN114611575A publication Critical patent/CN114611575A/zh
Application granted granted Critical
Publication of CN114611575B publication Critical patent/CN114611575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供了一种故障案例分类方法以及系统，解决现有技术中输电线路故障类型判断准确度低的技术问题。通过获取故障案例信息，获取该故障案例信息对应的第一特征属性权重信息，将第一特征属性权重信息结合预设专家组信息，生成第一群特征权重信息，再结合预设案例库中每个预设案例信息进行逐一比对，以得到多个相似度信息，根据多个相似度信息查找出与故障案例信息对应的多个预设案例信息，根据多个预设案例信息中的每个预设案例信息对应的预设案例故障类别信息，在该多个预设案例故障类别信息中选取数量多的预设案例故障类别信息作为故障案例信息的故障类别信息；以实现精确地对故障案例信息的故障类别。

Description

一种故障案例分类方法以及系统
技术领域
本申请涉及电力检测技术领域，具体涉及一种故障案例分类方法以及系统。
背景技术
输电线路是连接发电厂与终端用户的纽带，素有电力系统运行“大动脉”之称，其一旦发生故障，故障波及范围障波及范围甚广，会造成严重的经济损失和社会生活不便。因此，为了使得工作人员能够对输电线路的故障进行快速处理，则需要对故障输电线路进行故障类型进行判断。
现有技术，对输电线路的故障类型进行判断采用遗传算法优化输电线路的故障属性及其权重，以确定输电线路故障的类别，该方式对输电线路的故障类型进行判断的准确度低，无法满足工作人员对输电线路的故障进行快速处理的需求。
发明内容
有鉴于此，本申请提供了一种故障案例分类方法以及系统，解决了现有输电线路故障类型判断准确度低的技术问题。
根据本申请的一个方面，一种故障案例分类方法，包括：获取故障案例信息；根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息；根据所述第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息；根据所述第一群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息；根据所述多个相似度数据信息，获取所述多个相似度数据信息中每个相似度数据信息对应的预设案例信息；根据多个预设案例信息，获取所述多个预设案例信息中每个预设案例信息对应的预设案例故障类别信息；在多个预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为所述故障案例信息的故障类别信息；其中，所述预设案例库包括多个预设案例信息。
在一种可能的实现方式中，所述预设专家组信息包括多位专家；所述预设案例信息包括预设案例特征属性权重信息；根据所述第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息包括：将所述第一特征属性权重信息与所述每位专家进行分配，生成所述第一群特征属性权重信息；其中，根据所述第一群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息包括：将每位所述专家对应的所述第一特征属性权重信息与所述预设案例库中的每个预设案例信息的的预设案例特征属性权重信息进行一一比对，生成与所述故障案例信息对应的相似度；其中，多位专家的所述相似度作为所述故障案例信息对应的所述多个相似度数据信息。
在一种可能的实现方式中，在所述根据所述第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息之后，在所述根据所述第一群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息之前，所述故障案例分类方法包括：对所述第一群特征属性权重信息进行调整校正，生成第二群特征属性权重信息；其中，所述根据所述第一群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息，包括：根据所述第二群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息。
在一种可能的实现方式中，所述第一特征权重属性信息包括多个第一描述特征权重信息；所述预设案例信息包括多个预设案例描述特征权重信息；其中，所述对所述第一群特征属性权重信息进行调整校正，生成第二群特征属性权重信息包括：在所述第一群特征属性权重信息中获取每位所述专家的所述第一特征权重属性信息的其中一个第一描述特征权重信息；在预设案例库中获取每个预设案例信息的其中一个预设案例描述特征权重信息，所述其中一个预设案例描述特征权重信息的权重值与所述其中一个第一描述特征权重信息的权重值相同；若所述第一描述特征权重信息与所述预设案例描述特征权重信息的相对值大于零且小于预设相似阈值时，生成匹配属性权重信息，则将所述匹配属性权重信息进行调整，生成第一调整特征属性权重信息；若所述第一描述特征权重信息与所述预设案例描述特征权重信息相对值大于预设相似阈值时，生成非匹配属性权重信息，则将所述匹配属性权重信息与所述非匹配属性权重信息进行调整，生成第二调整特征属性权重信息；将所述第一调整特征属性权重信息和所述第二调整特征属性权重信息作为生成所述第二群特征属性权重信息。
在一种可能的实现方式中，在对所述第一群特征属性权重信息进行调整校正，生成第二群特征属性权重信息之后，所述故障分类方法还包括：对所述第二群特征属性权重信息进行归一化处理，生成第三群特征属性权重信息；其中，根据所述第一群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息包括：根据所述第三群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的所述多个相似度数据信息。
在一种可能的实现方式中，所述根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息包括：根据所述故障案例信息，获取所述故障案例信息的第二特征属性权重信息；基于改进差分优化算法对所述第二特征属性权重信息进行迭代优化，生成第三特征属性权重信息，所述第三特征属性权重信息作为所述第一特征权重属性信息。
在一种可能的实现方式中，所述基于改进差分优化算法对所述第二特征属性权重信息进行迭代优化，生成第三特征属性权重信息包括：对所述第二特征属性权重信息进行变异操作，生成第一中间特征属性权重信息；对所述第二特征属性权重信息和所述第一中间特征属性权重信息执行交叉操作，生成第二中间特征属性权重信息；基于目标函数值对所述第二特征属性权重信息和所述第二中间特征属性权重信息执行选择操作，生成第三中间特征属性权重信息；迭代所述第一中间特征属性权重信息、所述第二中间特征属性权重信息、所述第三中间特征属性权重信息；当迭代后的所述第三中间特征属性权重信息对应的目标函数值大于预设目标函数阈值，且迭代次数等于预设迭代次数时，则所述迭代后的第三中间特征属性权重信息作为所述第三特征属性权重信息。
在一种可能的实现方式中，在多个预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为所述故障案例信息的故障类别信息之后，所述故障案例分类还包括：基于密度峰值聚类将所述预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息；基于密度峰值聚类将所述故障案例信息以及预设案例库中的预设案例信息进行聚类，得到第二聚类簇信息；当所述第二聚类簇信息大于所述第一聚类簇信息，则将所述故障案例信息添加至所述预设案例库中。
在一种可能的实现方式中，在所述根据密度峰值聚类将所述预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息之后，所述故障案例分类方法还包括：当所述第一聚类簇信息中两个预设案例信息之间的相似度值大于预设案例相似度阈值时，则删除其中一个预设案例信息。
作为本申请的第二个方面，一种故障案例分类系统，包括：数据获取模块，用于获取故障案例信息；根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息；根据所述多个相似度数据信息，获取所述多个相似度数据信息中每个相似度数据信息对应的预设案例信息；根据多个预设案例信息，获取所述多个预设案例信息中每个预设案例信息对应的预设案例故障类别信息；数据生成模块，用于根据所述第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息；根据所述第一群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息；以及在多个预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为所述故障案例信息的故障类别信息；其中，所述预设案例库包括多个预设案例信息。
作为本申请的第三个方面，一种电子设备，所述电子设备包括：处理器；以及用于存储所述处理器可执行信息的存储器；其中，所述处理器用于执行上述的故障案例分类方法。
作为本申请的第四个方面，一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的故障案例分类方法。
本申请一种故障案例分类方法以及系统，通过获取故障案例信息，并根据故障案例信息获取该故障案例信息对应的第一特征属性权重信息，将第一特征属性权重信息结合预设专家组信息，生成第一群特征权重信息，将该第一群特征权重信息与预设案例库中每个预设案例信息进行逐一比对，以得到故障案例信息的多个相似度信息，根据多个相似度信息中以查找出与故障案例信息对应的多个预设案例信息，并且根据多个预设案例信息中的每个预设案例信息对应的预设案例故障类别信息，在该多个预设案例故障类别信息中选取数量多的预设案例故障类别信息作为故障案例信息的故障类别信息；以实现精确地对故障案例信息的故障类别，从而使得用户能够准确的获知故障案例信息的故障类别，以使得用户能够对输电线路的故障进行处理。
附图说明
图1所示为本申请一实施例提供的故障案例分类方法的流程示意图；
图2所示为本申请另一实施例提供的故障案例分类方法的流程示意图；
图3所示为本申请另一实施例提供的故障案例分类方法的流程示意图；
图4所示为本申请另一实施例提供的故障案例分类方法的流程示意图；
图5所示为本申请另一实施例提供的故障案例分类方法的流程示意图；
图6所示为本申请另一实施例提供的故障案例分类方法的流程示意图；
图7所示为本申请另一实施例提供的故障案例分类方法的流程示意图；
图8所示为本申请另一实施例提供的故障案例分类方法的流程示意图；
图9所示为本申请另一实施例提供的故障案例分类方法的流程示意图；
图10所示为本申请另一实施例提供的故障案例分类系统工作原理图；
图11所示为本申请一实施例提供的电子设备的工作原理图。
具体实施方式
本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后、顶、底……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外，在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1所示为本申请一实施例提供的故障案例分类方法的流程示意图，如图1所示，故障案例分类方法，包括：
步骤S100，获取故障案例信息；
采集输电线路的故障的具体信息，其中故障案例信息包括故障动作时间、电压等级、线路名称、线路长度、气象环境(例如：温度、风力、雨、雪)、保护动作情况、故障前电流、故障相别、线路型号等。
步骤S200，根据故障案例信息，获取故障案例信息的第一特征属性权重信息；
根据采集的故障案例信息以获取故障案例信息对应的第一特征属性权重信息，其中，该第一特征属性权重信息为多组故障案例的特征属性权重，例如故障动作时间、电压等级、线路长度、温度、保护动作情况、故障前电流、故障相别、线路型号等为对故障案例信息的各特征进行描述即为第一描述特征属性权重信息，即一个故障案例信息包括多个第一描述特征属性权重信息，并且将该多个初始特征属性权重信息采用拆分化进行迭代得到多组第一描述特征属性权重信息，该多组第一描述特征属性权重信息为第一特征属性权重信息。
步骤S300，根据第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息；
由于第一特征属性权重信息包括多组第一描述特征属性权重信息，将第一特征属性权重信息按照预设专家组信息进行分配，得到第一群特征属性权重信息。
步骤S400，根据第一群特征属性权重信息以及预设案例库，生成故障案例信息对应的多个相似度数据信息；其中，预设案例库包括多个预设案例信息；
将第一群特征属性权重信息与预设案例库中的每个预设案例信息进行逐一比对，得到故障案例信息对应的多个相似度数据信息；该多个相似度数据信息用以表示故障案例的信息与预设案例库中的每个预设案例的相似程度。
步骤S500，根据多个相似度数据信息，获取多个相似度数据信息中每个相似度数据信息对应的预设案例信息；
将多个相似度数据信息中每个相似度数据信息对应的预设案例信息查找出来，以实现在预设案例库中查找出该故障案例信息在预设案例库中相似的预设案例信息。
步骤S600，根据多个预设案例信息，获取多个预设案例信息中每个预设案例信息对应的预设案例故障类别信息；
根据步骤S500中查找出与故障案例信息相似的预设案例信息，以获取多个预设案例信息中每个预设案例信息中的预设案例故障类别信息，其中，由于预设案例故障类别包括接地故障或者短路故障，一个预设案例信息对应的预设案例故障类别信息可能为接地故障，或者为短路故障。
步骤S700，在多个预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为故障案例信息的故障类别信息；
将多个预设案例故障类别进行统计后，在多个预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为故障案例信息的故障类别信息，例如多个预设案例故障类别中具体地接地故障类型数量多时，则该接地故障作为故障案例信息的故障类别；或者多个预设案例故障类别中短路故障类型数量多时，则该短路故障作为故障案例信息的故障类别。
本申请一种故障案例分类方法，通过获取故障案例信息，并根据故障案例信息获取该故障案例信息对应的第一特征属性权重信息，将第一特征属性权重信息结合预设专家组信息，生成第一群特征权重信息，将该第一群特征权重信息与预设案例库中每个预设案例信息进行逐一比对，以得到故障案例信息的多个相似度信息，根据多个相似度信息中以查找出与故障案例信息对应的多个预设案例信息，并且根据多个预设案例信息中的每个预设案例信息对应的预设案例故障类别信息，在该多个预设案例故障类别信息中选取数量多的预设案例故障类别信息作为故障案例信息的故障类别信息；以实现精确地对故障案例信息的故障类别，从而使得用户能够准确的获知故障案例信息的故障类别，以使得用户能够对输电线路的故障进行处理。
在一种可能实现的方式中，图2所示为本申请另一实施例提供的故障案例分类方法的流程示意图，如图2所示，预设专家组信息包括多位专家；预设案例信息包括预设案例特征属性权重信息；
步骤S300(根据第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息)包括：
步骤S301，将第一特征属性权重信息与每位专家进行分配，生成第一群特征属性权重信息；
将第一特征属性权重信息与每位专家进行分配，生成第一群特征属性权重信息，以实现对故障案例信息的特征属性权重信息进行重新分配。例如：预设专家组信息包括L为专家，则将L位专家与故障案例信息的第一特征属性权重信息分配构成第一群特征属性权重信息TM，其中，第一特征属性权重信息TM以矩阵形式表示为：
其中，公式(1)中第一特征属性权重信息T的每一行表示每一行表示其中一位专辑分配的第一特征属性权重信息，mlk是第l位专家为第k个第一特征属性权重信息。
步骤S400(根据第一群特征属性权重信息以及预设案例库，生成故障案例信息对应的多个相似度数据信息)包括：
步骤S401，将每位专家对应的第一特征属性权重信息与预设案例库中的每个预设案例信息的预设案例特征属性权重信息进行一一比对，生成与故障案例信息对应的相似度数据；其中多位专家的相似度作为故障案例信息对应的多个相似度数据信息；
将每位专家对应的第一特征属性权重信息与每个预设案例信息进行逐一比对，以得到每位专家相似度最大的相似度，其中将多位专家的最大的相似度作为故障案例信息对应的多个相似度数据信息。例如：第一群特征属性权重信息中第l位专家的第一特征属性权重信息，设定故障案例为X，预设案例信息为Xn，其相似度公式为：
其中，公式(2)中Dl(X,Xn)是l位专家第一特征属性权重信息得到的第n条预设案例信息Xn与故障案例信息X的相似度；mlk是第l位专家为第k个第一特征属性权重信息中，Xk为故障案例X的第k个第一特征属性权重信息，Xn,k为预设案例信息Xn第k特征属性权重信息。
通过故障案例的第一群特征属性权重信息与预设案例信息的预设案例特征属性权重信息进行一一比对，以得到故障案例信息与每个预设案例信息的相似度，得到与故障案例信息最接近的多个预设案例信息，从而能够在多个预设案例信息中的预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为故障案例信息的故障类别，以使得到的故障案例信息的故障类别更加准确、精确，从而使得用户能够准确的对输电线路的故障进行处理。
在一种可能实现的方式中，图3所示为本申请另一实施例提供的故障案例分类方法的流程示意图，如图3所示，在步骤S300(根据第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息)之后，在步骤S400根据第一群特征属性权重信息以及预设案例库，生成故障案例信息对应的多个相似度数据信息之前，故障案例分类方法包括：
步骤S800，对第一群特征属性权重信息进行调整校正，生成第二群特征属性权重信息；
通过将故障案例信息的第一群特征属性权重信息中每位专家的第一特征权重属性信息进行调整校正，以使得生成的第二群特征属性权重信息更加精确，即以实现得到精确的故障案例信息的特征属性权重，进而使得故障案例得到的故障类别更加准确。
其中，步骤S400(根据第一群特征属性权重信息以及预设案例库，生成故障案例信息对应的多个相似度数据信息)包括：
步骤S402，根据第二群特征属性权重信息以及预设案例库，生成故障案例信息对应的多个相似度数据信息；
由于步骤S800中的第二群特征属性权重信息能够对故障案例信息精确描述，则使用第二群特征属性权重信息与预设案例库的每个预设案例进行逐一比对，生成故障案例信息对应的多个相似度数据信息，以使得得到的多个相似度数据信息更加精确，从而能够对故障案例信息的故障类别进行精确的预测。
在一种可能实现的方式中，图4所示为本申请另一实施例提供的故障案例分类方法的流程示意图，如图4所示，第一特征权重属性信息包括多个第一描述特征权重信息；一个预设案例信息包括多个预设案例描述特征权重信息；
步骤S800(对第一群特征属性权重信息进行调整校正，生成第二群特征属性权重信息)包括：
步骤S801，在第一群特征属性权重信息中获取每位专家的第一特征权重属性信息的其中一个第一描述特征权重信息；
由于故障案例信息中的第一群特征属性权重包括多位专家的第一特征权重属性信息，每位专家的第一特征权重属性信息包括多个第一描述特征权重信息，其中，第一描述特征信息具体为故障动作时间、电压等级、线路名称、线路长度、气象环境、保护动作情况、故障前电流、故障相别、线路型号等；因此，在第一群特征属性权重信息中获取每位专家的第一特征权重属性信息的其中一个第一描述特征权重信息；例如公式(一)中第一群特征属性权重信息为TM，设定有L位专家分配的第一特征权重属性信息，设定故障案例信息为Xn,其中第l位专家第k个第一描述特征权重信息为Xk,n。
步骤S802，在预设案例库中获取每个预设案例信息的其中一个预设案例描述特征权重信息；其中一个预设案例描述特征权重信息的权重值与其中一个第一描述特征权重信息的权重值相同；
由于预设案例库中包括多个预设案例信息，则在预设案例库中选取每个预设案例信息，其中预设案例信息包括多个预设案例描述特征权重信息，则在每个预设案例信息中选取其中一个预设案例描述特征权重信息；在挑选时，则选取预设案例描述特征权重信息的权重值与第一描述特征权重信息的权重值相同的预设案例描述特征权重信息。例如：设定预设案例信息为Xn′,其中，选取该预设案例信息中其中第k个预设案例描述特征权重信息表示为Xk,n’。
步骤S803，判断第一描述特征权重信息与预设案例描述特征权重信息的相对值是否大于零且小于预设相似阈值；
当步骤S803的判断结果为是时，则第一描述特征权重信息与预设案例描述特征权重信息的相对值大于零且小于预设相似阈值时，此时说明故障案例信息与预设案例信息中第K个属性为配套属性，则执行步骤S804；
当步骤S803的判断结果为否时，则第一描述特征权重信息与预设案例描述特征权重信息的相对值小于预设相似阈值时，此时说明故障案例信息与预设案例信息中第K个属性为非配套属性，则执行步骤S805；
步骤S804，生成匹配属性权重信息，则将匹配属性权重信息进行调整，生成第一调整特征属性权重信息；
步骤S804根据步骤S803的判断结果为是时，生成匹配属性权重信息，根据匹配属性权重信息，则对应专家的配套属性权重会增加，此时则需要对匹配属性权重信息进行调整，则匹配属性第一特征权重属性信息调整的公式为：
mk(t+1)＝mk(t)×φ (3)
式中，mk(t)为第t次预测过程中的第k个第一描述特征属性权重信息，mk(t+1)表示第t+1次预测过程中的第k个第一描述特征属性权重信息；φ为调整因子，φ的公式为：
在对匹配属性权重信息进行有效调整时，则需要保证其调整值不超过所有第一描述特征属性权重信息之和，更新后的第一描述特征属性权重信息不小于0，因此限定φ为调整因子保持在0.9～1.1之间。
步骤S805，生成非匹配属性权重信息，则将匹配属性权重信息与非匹配属性权重信息进行调整，生成第二调整特征属性权重信息；
步骤S805根据步骤S804的判断结果为否时，生成非匹配属性权重信息，根据非匹配属性权重信息，则对应专家的非配套属性权重会降低，此时则需要对非匹配属性权重信息进行调整，则非匹配属性第一特征权重属性信息调整的公式为：
式中，为调整因子，/>的公式为：
在对非匹配属性权重信息进行有效调整时，则需要保证其调整值不超过所有第一描述特征属性权重信息之和，更新后的第一描述特征属性权重信息不小于0，因此限定φ为调整因子保持在0.9～1.1之间。
步骤S806，第一调整特征属性权重信息和第二调整特征属性权重信息作为生成第二群特征属性权重信息；
当步骤S804对故障案例信息中的每位专家的匹配属性权重信息得到第一调整特征属性权重信息，以及步骤S805对故障案例信息中的每位专家的非匹配属性权重信息进行调整得到第二调整特征属性权重信息，则将第一调整特征属性权重信息和第二调整特征属性权重信息作为生成第二群特征属性权重信息；以使得故障案例信息的特征权重信息分配的更加精确，从而能够精确的预测出故障案例信息的故障类别。
在一种可能实现的方式中，图5所示为本申请另一实施例提供的故障案例分类方法的流程示意图，如图5所示，在步骤S800(对第一群特征属性权重信息进行调整校正，生成第二群特征属性权重信息)之后，故障分类方法还包括：
步骤S900，对第二群特征属性权重信息进行归一化处理，生成第三群特征属性权重信息；
当步骤S800中的步骤S806中将第一调整特征属性权重信息和第二调整特征属性权重信息作为生成第二群特征属性权重信息，则为了保证第一调整特征属性权重信息、第二调整特征属性权重信息之和为，则需要对第一调整特征属性权重信息、第二调整特征属性权重信息进行归一化处理，生成第三群特征属性权重信息，该第三群特征属性权重信息更加精确，防止第一调整特征属性权重信息、第二调整特征属性权重信息出现误差。其中，归一化处理公式为：
公式中，mk(t+1)即为调整后第k个第一描述特征属性权重信息t+1次迭代后的最终权重。
其中，步骤S400(根据第一群特征属性权重信息以及预设案例库，生成故障案例信息对应的多个相似度数据信息)包括：
步骤S403，根据第三群特征属性权重信息以及预设案例库，生成故障案例信息对应的多个相似度数据信息。
由于步骤S900中的第三群特征属性权重信息能够精确对故障案例信息精确描述，则使用第三群特征属性权重信息与预设案例库的每个预设案例进行逐一比对，生成故障案例信息对应的多个相似度数据信息，以使得得到的多个相似度数据信息更加精确，从而能够对故障案例信息的故障类别进行精确的预测，进而使得用户能够精确获知故障案例的故障类别，以对输电线路进行维护。
在一种可能实现的方式中，图6所示为本申请另一实施例提供的故障案例分类方法的流程示意图，如图6所示，步骤S200(根据故障案例信息，获取故障案例信息的第一特征属性权重信息)包括：
步骤S201，根据故障案例信息，获取故障案例信息的第二特征属性权重信息；
根据采集的故障案例信息，获取故障案例信息的第二特征属性权重信息，例如故障动作时间、电压等级、线路长度、温度、保护动作情况、故障前电流、故障相别、线路型号等故障案例中的第一描述特征属性权重信息；即一个故障案例信息包括多个第一描述特征属性权重信息，该第一描述特征属性权重信息即为第二特征属性权重信息。
步骤S202，基于改进差分优化算法对第二特征属性权重信息进行迭代优化，生成第三特征属性权重信息，第三特征属性权重信息作为第一特征权重属性信息。
采用改进差分优化算法对故障案例信息的第二特征属性权重信息进行迭代优化，则对故障案例的第二特征属性权重信息进行再一次分配，以得到更加精确的第三特征属性权重信息；该第三特征属性权重信息作为第一特征权重属性信息。
在一种可能实现的方式中，图7所示为本申请另一实施例提供的故障案例分类方法的流程示意图，如图7所示，步骤S202(基于改进差分优化算法对第二特征属性权重信息进行迭代优化，生成第三特征属性权重信息信息)包括：
步骤S2021，对第二特征属性权重信息进行变异操作，生成第一中间特征属性权重信息；
通过对第二特征属性权重信息进行变异操作，生成第一中间特征属性权重信息，该第一中间特征属性权重信息则为对第二特征属性信息进行扩展信息，进而以实现进一步能够对第二特征属性信息进行搜索。
步骤S2022，对第二特征属性权重信息和第一中间特征属性权重信息执行交叉操作，生成第二中间特征属性权重信息；
对第二特征属性权重信息和第一中间特征属性信息执行交叉操作，在第二特征属性信息和第一中间特征属性信息中选择符合条件的数据作为第二中间特征属性权重信息，以实现变异后进行执行交叉操作后第二特征属性权重信息和第一中间特征属性信息能够满足选择范围要求。
步骤S2023，基于目标函数值对第二特征属性权重信息和第二中间特征属性权重信息执行选择操作，生成第三中间特征属性权重信息；
基于目标函数值计算第二特征属性权重信息的目标函数值和第二中间特征属性权重信息的目标函数，当第二特征属性权重信息的目标函数值大于第二中间特征属性权重信息的目标函数，则选择该第一特征属性权重信息作为第三中间特征属性权重信息；当第二特征属性权重信息的目标函数值小于或等于第二中间特征属性权重信息的目标函数，则选择第二中间特征属性权重信息作为第三中间特征属性权重信息，因此，基于目标函数值选择合适的第二特征属性权重信息的目标函数值和第二中间特征属性权重信息作为第三中间特征属性权重信息。
步骤S2024，迭代第一中间特征属性权重信息、第二中间特征属性权重信息、第三中间特征属性权重信息；
将步骤S2021的第一中间特征属性权重信息，步骤S2022的第二中间特征属性权重信息、步骤S2023第三中间征属性权重信息进行迭代，以的得到故障案例信息最优的特征属性权重信息。
步骤S2025，判断迭代后第三中间特征属性权重信息对应的目标函数值是否大于预设目标函数阈值；
当步骤S2025的判断结果为是时，则迭代后第三中间特征属性权重信息对应的目标函数值大于预设目标函数阈值，则需要判断第二特征属性信息迭代次数是否等于预设迭代次数即执行步骤S2026。
当步骤S2025的判断结果为否时，则迭代后第三中间特征属性权重信息对应的目标函数值小于或大于预设目标函数阈值，则不符合需要选择的最优迭代个体，则需返回步骤S2021重新对第二特征属性信息进行迭代。
步骤S2026，判断迭代次数是否等于预设迭代次数。
当步骤S2026的判断结果为是时，则迭代次数等于预设迭代次数，那么此次的迭代的第三中间特征属性权重信息则为第三特征属性权重信息，即执行步骤S2027；该迭代后的第三特征属性权重信息则是对第二特征属性信息进行迭代后最优结果，进而提高对故障案例信息的故障类别进行精确的预测。
当步骤S2026的判断结果为否时，则迭代次数小于预设迭代次数，那么此时还需要对该第三中间特征属性权重信息进行迭代，以使得迭代次数满足预设迭代次数的要求之后，从而方可执行步骤S2027。
步骤S2027，迭代后的第三中间特征属性权重信息作为第三特征属性权重信息。
迭代的第三中间特征属性权重信息作为第三特征属性权重信息，则该迭代的第三特征属性权重信息则是对第二特征属性信息进行迭代后最优结果，进而提高对故障案例信息的故障类别进行精确的预测。
通过对第二特征属性信息进行变异、交叉、选择迭代后，选择最优的结果作为第三特征属性信息，该第三特征属性信息为实现对故障案例的故障类别进行精确的预测提供了有效的基础。
在一种可能实现的方式中，图8所示为本申请另一实施例提供的故障案例分类方法的流程示意图，如图8所示，在步骤S700(多个预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为故障案例信息的故障类别信息)之后，故障案例分类还包括：
步骤S1000，基于密度峰值聚类将预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息；
设定预设案例信息为Xn基于密度峰值聚类将预设案例信息进行聚类，得到第一聚类簇信息的簇的个数为num个。
需要说明是，密度峰值聚类可将数据映射成2维，在并构建出数据之间的层次关系，其中密度高、且与其他密度更高区域相隔较远的数据点为密度峰值点，用来作为聚类中心。假设数据点xi的局部密度为ρi，数据点xi到局部密度比它大且距离最近的数据点xj的距离为δi，则具体定位ρi、δi的公式：
式中，dij为xi和xj之间的距离；dc为截断距离；χ(ο)为逻辑判断函数，(0)<0，x(o)<0，否则x(o)＝0。根据以上定义，通过构造δi相对于ρi的决策图，进行数据点分配和噪声点剔除，可以快速得到最终的聚类结果。
步骤S1001，基于密度峰值聚类将故障案例信息以及预设案例库中的预设案例信息进行聚类，得到第二聚类簇信息；
将故障案例信息以及预设案例库中的预设案例信息进行聚类，输出的第二聚类簇信息的簇的个数为num′个。
步骤S1002，判断第二聚类簇信息是否大于第一聚类簇信息；
当步骤S700的判断结果为是时，第二聚类簇信息大于第一聚类簇信息，则该故障案例未在预设案例库中，与预设案例库中的案例不同，则需要将故障案例作为新的案例源补入至预设案例库中，即执行步骤S1003。
当步骤S1002的判断结果为否时，第二聚类簇信息小于或等于第一聚类簇信息，则说明该故障案例在预设案例库中，则无需补入在预设案例库中。
步骤S1003，将故障案例信息添加至预设案例库中；
当步骤S1002的判断结果为是时，则将故障案例信息添加至预设案例库中，以实现对预设案例库的维护，以实现增大预设案例库中的案例源，以实现预设案例库后续能够全面覆盖所有故障案例，以提高预设案例库的全面性；进而提高对故障案例的进行全面的预测。
在一种可能实现的方式中，图9所示为本申请另一实施例提供的故障案例分类方法的流程示意图，如图9所示，在步骤S1000(根据密度峰值聚类将预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息)之后，故障案例分类方法还包括：
步骤S1004，判断第一聚类簇信息中两个预设案例信息之间的相似度值大于预设案例相似度阈值时；
当步骤S1004的判断结果为是时，则第一聚类簇信息中两个预设案例信息之间的相似度值大于预设案例相似度阈值，则说明预设案例库中存在相似的案例，则需要对其中一个预设案例信息进行删除，即执行步骤S1005。
当步骤S1004的判断结果为否时，则第一聚类簇信息中两个预设案例信息之间的相似度值小于或等于预设案例相似度阈值，则说明书预设案例库中不存在相似案例，则无需执行其他操作。
需要说明的是，设定两个预设案例信息之间的相似度值为Sam，ψ为预设案例相似度阈值且ψ的值较大；则
Sam＞Ψ (10)。
步骤S1005，删除其中一个预设案例信息。
当步骤S1004判断结果为是时，则说明预设案例库中存在相对的案例，则步骤S1005删除其中一个预设案例信息，以实现故障案例在与预设案例库中的预设案例进行搜索比对时，则降低搜索时间，提高搜索运行效率；进而避免预设案例库中存在大量冗余案例，以提高预设案例库中的准确性。
本申请的第二方面，图10所示为本申请另一实施例提供的故障案例分类系统工作原理图，如图10所示，一种故障案例分类系统，包括：数据获取模块11，用于获取故障案例信息；根据故障案例信息，获取故障案例信息的第一特征属性权重信息；根据多个相似度数据信息，获取多个相似度数据信息中每个相似度数据信息对应的预设案例信息；根据多个预设案例信息，获取多个预设案例信息中每个预设案例信息对应的预设案例故障类别信息；数据生成模块12，用于根据第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息；根据第一群特征属性权重信息以及预设案例库，生成故障案例信息对应的多个相似度数据信息；以及在多个预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为故障案例信息的故障类别信息；其中，预设案例库包括多个预设案例信息。数据获取模块11获取故障案例信息，并根据故障案例信息获取该故障案例信息对应的第一特征属性权重信息；数据生成模块12，根据第一特征属性权重信息结合预设专家组信息，生成第一群特征权重信息，将该第一群特征权重信息与预设案例库中每个预设案例信息进行逐一比对，以得到故障案例信息的多个相似度信息；数据获取模块11用于根据多个相似度信息中以查找出与故障案例信息对应的多个预设案例信息，并且根据多个预设案例信息中的每个预设案例信息对应的预设案例故障类别信息，数据生成模块12在该多个预设案例故障类别信息中选取数量多的预设案例故障类别信息作为故障案例信息的故障类别信息；以实现精确地对故障案例信息的故障类别，从而使得用户能够准确的获知故障案例信息的故障类别，以使得用户能够对输电线路的故障进行处理。
下面，参考图11来描述根据本申请实施例的电子设备。图11所示为本申请一实施例提供的电子设备的结构示意图。
如图11所示，电子设备600包括一个或多个处理器601和存储器602。
处理器601可以是中央处理单元(CPU)或者具有数据处理能力和/或信息执行能力的其他形式的处理单元，并且可以控制电子设备600中的其他组件以执行期望的功能。
存储器601可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序信息，处理器601可以运行所述程序信息，以实现上文所述的本申请的各个实施例的故障案例分类或者其他期望的功能。
在一个示例中，电子设备600还可以包括：输入装置603和输出装置604，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置603可以包括例如键盘、鼠标等等。
该输出装置604可以向外部输出各种信息。该输出装置604可以包括例如显示器、通信网络及其所连接的远程输出设备等等。
当然，为了简化，图11中仅示出了该电子设备600中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备600还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序信息，所述计算机程序信息在被处理器运行时使得所述处理器执行本说明书中描述的根据本申请各种实施例的故障案例分类方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序信息，所述计算机程序信息在被处理器运行时使得所述处理器执行本说明书根据本申请各种实施例的故障案例分类方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此发明的原理和新颖的特征一致的最宽范围。
以上所述仅为本申请创造的较佳实施例而已，并不用以限制本申请创造，凡在本申请创造的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请创造的保护范围之内。

Claims (8)

1.一种故障案例分类方法，其特征在于，包括：
获取故障案例信息；根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息，其中，所述第一特征属性权重信息包括多个第一描述特征权重信息；根据所述第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息；
在所述第一群特征属性权重信息中获取每位所述专家的所述第一特征属性权重信息的其中一个第一描述特征权重信息；
在预设案例库中获取每个预设案例信息的其中一个预设案例描述特征权重信息，所述其中一个预设案例描述特征权重信息的权重值与所述其中一个第一描述特征权重信息的权重值相同；
若所述第一描述特征权重信息与所述预设案例描述特征权重信息的相对值大于零且小于预设相似阈值时，生成匹配属性权重信息，则将所述匹配属性权重信息进行调整，生成第一调整特征属性权重信息；
若所述第一描述特征权重信息与所述预设案例描述特征权重信息相对值大于预设相似阈值时，生成非匹配属性权重信息，则将所述匹配属性权重信息与所述非匹配属性权重信息进行调整，生成第二调整特征属性权重信息；
将所述第一调整特征属性权重信息和所述第二调整特征属性权重信息作为生成第二群特征属性权重信息；
根据所述第二群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息；根据所述多个相似度数据信息，获取所述多个相似度数据信息中每个相似度数据信息对应的预设案例信息，其中，所述预设案例信息包括多个预设案例描述特征权重信息；根据多个预设案例信息，获取所述多个预设案例信息中每个预设案例信息对应的预设案例故障类别信息；在多个预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为所述故障案例信息的故障类别信息；其中，所述预设案例库包括多个预设案例信息。
2.根据权利要求1所述的故障案例分类方法，其特征在于，所述预设专家组信息包括多位专家；所述预设案例信息包括预设案例特征属性权重信息；
根据所述第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息包括：
将所述第一特征属性权重信息与每位所述专家进行分配，生成所述第一群特征属性权重信息；
其中，根据所述第一群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息包括：
将每位所述专家对应的所述第一特征属性权重信息与所述预设案例库中的每个预设案例信息的预设案例特征属性权重信息进行一一比对，生成与所述故障案例信息对应的相似度；
其中，多位专家的所述相似度作为所述故障案例信息对应的所述多个相似度数据信息。
3.根据权利要求1所述故障案例分类方法，其特征在于，在对所述第一群特征属性权重信息进行调整校正，生成第二群特征属性权重信息之后，所述故障分类方法还包括：
对所述第二群特征属性权重信息进行归一化处理，生成第三群特征属性权重信息；
其中，根据所述第一群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息包括：
根据所述第三群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的所述多个相似度数据信息。
4.根据权利要求1所述故障案例分类方法，其特征在于，所述根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息包括：
根据所述故障案例信息，获取所述故障案例信息的第二特征属性权重信息；
基于改进差分优化算法对所述第二特征属性权重信息进行迭代优化，生成第三特征属性权重信息，所述第三特征属性权重信息作为所述第一特征属性权重信息。
5.根据权利要求4所述故障案例分类方法，其特征在于，所述基于改进差分优化算法对所述第二特征属性权重信息进行迭代优化，生成第三特征属性权重信息包括：
对所述第二特征属性权重信息进行变异操作，生成第一中间特征属性权重信息；
对所述第二特征属性权重信息和所述第一中间特征属性权重信息执行交叉操作，生成第二中间特征属性权重信息；
基于目标函数值对所述第二特征属性权重信息和所述第二中间特征属性权重信息执行选择操作，生成第三中间特征属性权重信息；
迭代所述第一中间特征属性权重信息、所述第二中间特征属性权重信息、所述第三中间特征属性权重信息；
当迭代后的所述第三中间特征属性权重信息对应的目标函数值大于预设目标函数阈值，且迭代次数等于预设迭代次数时，则所述迭代后的第三中间特征属性权重信息作为所述第三特征属性权重信息。
6.根据权利要求1所述故障案例分类方法，其特征在于，在多个预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为所述故障案例信息的故障类别信息之后，所述故障案例分类还包括：
基于密度峰值聚类将所述预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息；
基于密度峰值聚类将所述故障案例信息以及预设案例库中的预设案例信息进行聚类，得到第二聚类簇信息；
当所述第二聚类簇信息大于所述第一聚类簇信息，则将所述故障案例信息添加至所述预设案例库中。
7.根据权利要求6所述故障案例分类方法，其特征在于，在所述基于密度峰值聚类将所述预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息之后，所述故障案例分类方法还包括：
当所述第一聚类簇信息中两个预设案例信息之间的相似度值大于预设案例相似度阈值时，则删除其中一个预设案例信息。
8.一种故障案例分类系统，其特征在于，包括：
数据获取模块，用于获取故障案例信息；根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息，其中，所述第一特征属性权重信息包括多个第一描述特征权重信息；根据多个相似度数据信息，获取所述多个相似度数据信息中每个相似度数据信息对应的预设案例信息；根据多个预设案例信息，获取所述多个预设案例信息中每个预设案例信息对应的预设案例故障类别信息；
数据生成模块，用于根据所述第一特征属性权重信息以及预设专家组信息，生成第一群特征属性权重信息；根据所述第一群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息；以及在多个预设案例故障类别信息中选取数量最多的预设案例故障类别信息作为所述故障案例信息的故障类别信息；其中，所述预设案例库包括多个预设案例信息；
所述数据生成模块进一步配置为：
在所述第一群特征属性权重信息中获取每位所述专家的所述第一特征属性权重信息的其中一个第一描述特征权重信息；
在预设案例库中获取每个预设案例信息的其中一个预设案例描述特征权重信息，所述其中一个预设案例描述特征权重信息的权重值与所述其中一个第一描述特征权重信息的权重值相同；
若所述第一描述特征权重信息与所述预设案例描述特征权重信息的相对值大于零且小于预设相似阈值时，生成匹配属性权重信息，则将所述匹配属性权重信息进行调整，生成第一调整特征属性权重信息；
若所述第一描述特征权重信息与所述预设案例描述特征权重信息相对值大于预设相似阈值时，生成非匹配属性权重信息，则将所述匹配属性权重信息与所述非匹配属性权重信息进行调整，生成第二调整特征属性权重信息；
将所述第一调整特征属性权重信息和所述第二调整特征属性权重信息作为生成第二群特征属性权重信息；
根据所述第二群特征属性权重信息以及预设案例库，生成所述故障案例信息对应的多个相似度数据信息。
CN202210110209.8A 2022-01-29 2022-01-29 一种故障案例分类方法以及系统 Active CN114611575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210110209.8A CN114611575B (zh) 2022-01-29 2022-01-29 一种故障案例分类方法以及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210110209.8A CN114611575B (zh) 2022-01-29 2022-01-29 一种故障案例分类方法以及系统

Publications (2)

Publication Number Publication Date
CN114611575A CN114611575A (zh) 2022-06-10
CN114611575B true CN114611575B (zh) 2023-09-15

Family

ID=81859683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210110209.8A Active CN114611575B (zh) 2022-01-29 2022-01-29 一种故障案例分类方法以及系统

Country Status (1)

Country Link
CN (1) CN114611575B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102765643A (zh) * 2012-05-31 2012-11-07 天津大学 基于数据驱动的电梯故障诊断与预警方法
CN107016407A (zh) * 2017-03-07 2017-08-04 中国矿业大学 一种反馈式密度峰值聚类方法及系统
CN108090567A (zh) * 2018-01-19 2018-05-29 国家电网公司 电力通信系统故障诊断方法及装置
CN112444702A (zh) * 2020-12-18 2021-03-05 南方电网数字电网研究院有限公司 变压器故障类型判断方法、装置、计算机设备和存储介质
CN113792879A (zh) * 2021-09-30 2021-12-14 北京电子科技职业学院 一种基于内省学习的案例推理属性权重调整方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102765643A (zh) * 2012-05-31 2012-11-07 天津大学 基于数据驱动的电梯故障诊断与预警方法
CN107016407A (zh) * 2017-03-07 2017-08-04 中国矿业大学 一种反馈式密度峰值聚类方法及系统
CN108090567A (zh) * 2018-01-19 2018-05-29 国家电网公司 电力通信系统故障诊断方法及装置
CN112444702A (zh) * 2020-12-18 2021-03-05 南方电网数字电网研究院有限公司 变压器故障类型判断方法、装置、计算机设备和存储介质
CN113792879A (zh) * 2021-09-30 2021-12-14 北京电子科技职业学院 一种基于内省学习的案例推理属性权重调整方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于分解和差分进化的多目标粒子群优化算法;李飞 等;《控制与决策》;第32卷(第3期);第403-410页 *

Also Published As

Publication number Publication date
CN114611575A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
US6915295B2 (en) Information searching method of profile information, program, recording medium, and apparatus
US8407214B2 (en) Constructing a classifier for classifying queries
Bagirov et al. Fast modified global k-means algorithm for incremental cluster construction
Ching et al. Higher‐order Markov chain models for categorical data sequences
US8234274B2 (en) Systems and methods for characterizing linked documents using a latent topic model
EP1430378A2 (en) New differential lsi space-based probabilistic document classifier
US20070239431A1 (en) Scalable probabilistic latent semantic analysis
CN101256573B (zh) 基于内容相关性的反馈式搜索方法及内容相关方法
CN111753044A (zh) 一种基于正则化的去社会偏见的语言模型及应用
CN114065693B (zh) 超大规模集成电路结构布局的优化方法、系统和电子设备
US20220374648A1 (en) Computer-readable recording medium storing learning support program, learning support method, and learning support device
Shahbazi et al. Extended subtree: a new similarity function for tree structured data
CN112818686A (zh) 领域短语挖掘方法、装置和电子设备
Chu et al. Reliability based optimization with metaheuristic algorithms and Latin hypercube sampling based surrogate models
CN114611575B (zh) 一种故障案例分类方法以及系统
CN114636890B (zh) 案例推理的故障定位方法以及系统、存储介质、电子设备
WO2019135980A1 (en) Optimization of learning network in equivalent class space
Bian et al. Bayesian Co-evolutionary Optimization based entropy search for high-dimensional many-objective optimization
CN115186138A (zh) 一种配电网数据的比对方法及终端
Shrestha et al. Graph representation learning for parasitic impedance prediction of the interconnect
Xu et al. A k-means algorithm based on feature weighting
CN114625868A (zh) 一种基于选择性集成学习的电力数据文本分类算法
Gweon et al. Nearest labelset using double distances for multi-label classification
Li et al. Clustering algorithm for audio signals based on the sequential Psim matrix and Tabu Search
CN112241922A (zh) 基于改进朴素贝叶斯分类的电网资产综合价值评估方法

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