CN117195691A - 电缆载流不平衡度的确定方法、装置和计算机设备 - Google Patents
电缆载流不平衡度的确定方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117195691A CN117195691A CN202311006101.5A CN202311006101A CN117195691A CN 117195691 A CN117195691 A CN 117195691A CN 202311006101 A CN202311006101 A CN 202311006101A CN 117195691 A CN117195691 A CN 117195691A
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- unbalance
- base
- random forest
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000007637 random forest analysis Methods 0.000 claims abstract description 111
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000003066 decision tree Methods 0.000 claims description 132
- 230000008859 change Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电缆载流不平衡度的确定方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取样本集，并基于样本集，构建随机森林；样本集包括多个样本；样本包括预设的各目标影响因素对应的影响因素样本值和样本对应的不平衡度计算结果；针对每一个目标影响因素，基于随机森林，计算目标影响因素在随机森林中的基尼重要性；将目标影响因素在随机森林中的基尼重要性，作为目标影响因素对应的不平衡度权重；将目标电缆的各目标影响因素对应的影响因素值和各目标影响因素对应的不平衡度权重输入至预先训练的电缆载流不平衡度预测模型，得到目标电缆的不平衡度预测结果。采用本方法能够提高电缆载流不平衡度确定的准确性。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种电缆载流不平衡度的确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着经济的不断发展，对于城市建设的要求不断提高，加之城市土地资源匮乏，用电需求攀升，单根高压电缆的输送容量已难满足要求，因此，同相并联运行方式逐渐被广泛采用。但由于同相并联电缆线路中，各子电缆相互间存在着复杂电磁联系，可能导致其电气参数不平衡，进而导致同相并联电缆线路载流量不平衡，不仅会大大降低同相并联电缆线路的整体输送容量，在实际运行过程中甚至还会导致部分电缆出现过热击穿的严重事故。因此，确定同相并联电缆载流的不平衡度是非常必要的。
传统的同相并联电缆载流不平衡度的确定方法主要为：首先求取同相并联电缆线路的阻抗参数矩阵，包括自阻抗与互阻抗两部分；然后利用基本电路原理进行矩阵计算，得到同相并联电缆线路中各子电缆的载流分配比例，进而对其不平衡度作出评估。
然而，在实际中存在着很多能够影响同相并联电缆线路稳态载流不平衡度的影响因素，例如，电缆排列方式。因此，传统的同相并联电缆载流不平衡度的确定方法忽略影响因素的作用，不切合实际情况，准确性差。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高准确性的电缆载流不平衡度的确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电缆载流不平衡度的确定方法。所述方法包括：
获取样本集，并基于所述样本集，构建随机森林；所述样本集包括多个样本；所述样本包括预设的各目标影响因素对应的影响因素样本值和所述样本对应的不平衡度计算结果；
针对每一个目标影响因素，基于所述随机森林，计算所述目标影响因素在所述随机森林中的基尼重要性；
将所述目标影响因素在所述随机森林中的基尼重要性，作为所述目标影响因素对应的不平衡度权重；
将目标电缆的各所述目标影响因素对应的影响因素值和各所述目标影响因素对应的不平衡度权重输入至预先训练的电缆载流不平衡度预测模型，得到所述目标电缆的不平衡度预测结果。
在其中一个实施例中，所述随机森林包括多个决策树，所述决策树包含多个节点，所述基于所述随机森林，计算所述目标影响因素在所述随机森林中的基尼重要性包括：
针对每一个决策树，确定所述决策树中所述目标影响因素对应的目标节点，并针对每一个目标节点，基于所述决策树，计算所述目标节点的基尼指数和所述目标节点分裂成的各新节点对应的基尼指数；
基于各所述目标节点的基尼指数和各所述目标节点分裂成的各新节点对应的基尼指数，计算所述目标影响因素在所述决策树中的基尼重要性；
基于所述目标影响因素在各所述决策树中的基尼重要性，计算所述目标影响因素在所述随机森林中的基尼重要性。
在其中一个实施例中，所述基于各所述目标节点的基尼指数和各所述目标节点分裂成的各新节点对应的基尼指数，计算所述目标影响因素在所述决策树中的基尼重要性包括：
针对每一个目标节点，基于所述目标节点的基尼指数和所述目标节点分裂成的各新节点对应的基尼指数，计算所述目标影响因素在所述目标节点分枝前后基尼指数的变化量；
将所述目标影响因素在各所述目标节点分枝前后基尼指数的变化量相加，得到所述目标影响因素在所述决策树中的基尼重要性。
在其中一个实施例中，所述基于所述目标影响因素在各所述决策树中的基尼重要性，计算所述目标影响因素在所述随机森林中的基尼重要性包括：
将所述目标影响因素在各所述决策树中的基尼重要性相加，得到所述目标影响因素在所述随机森林中的基尼重要性总量；
将所述目标影响因素在所述随机森林中的基尼重要性总量与所述随机森林中决策树的数量的比值，作为所述目标影响因素在所述随机森林中的基尼重要性。
在其中一个实施例中，所述获取样本集包括：
针对预设的每一个目标影响因素，确定所述目标影响因素的变化范围；
基于预设的采样步长，在所述目标影响因素的变化范围中，确定所述目标影响因素对应的多个不同的影响因素样本值；
基于各所述目标影响因素对应的多个不同的影响因素样本值，组合成多个不同的样本；
针对每一个样本，将所述样本包括的各所述目标影响因素对应的影响因素样本值输入至预先构建的电缆载流不平衡性仿真模型，得到所述样本对应的不平衡度计算结果；
基于各所述样本包括的各所述目标影响因素对应的影响因素样本值和各所述样本对应的不平衡度计算结果，构建样本集。
在其中一个实施例中，所述基于所述样本集，构建随机森林包括：
采用有放回抽样的方式，在所述样本集中随机抽取多个目标样本；所述目标样本的数量小于所述样本的数量；所述目标样本用于训练决策树；
当生成决策树的每一个节点时，在所述目标影响因素中，随机不重复的选择至少一个目标影响因素作为特征；所述特征的数量小于所述目标影响因素的数量；
针对每一个特征，基于所述目标样本包括的所述特征对应的影响因素样本值和所述目标样本对应的不平衡度计算结果，计算所述特征对应的基尼指数；
基于各所述特征对应的基尼指数，在各所述特征中确定所述节点的分裂属性，并基于所述分裂属性，生成所述节点；
当满足预设的节点生成停止条件时，得到训练完成的决策树，并返回所述采用有放回抽样的方式，在所述样本集中随机抽取多个目标样本步骤，直至所述训练完成的决策树的数量满足预设决策树训练条件，将各所述训练完成的决策树，构成随机森林。
第二方面，本申请还提供了一种电缆载流不平衡度的确定装置。所述装置包括：
构建模块，用于获取样本集，并基于所述样本集，构建随机森林；所述样本集包括多个样本；所述样本包括预设的各目标影响因素对应的影响因素样本值和所述样本对应的不平衡度计算结果；
计算模块，用于针对每一个目标影响因素，基于所述随机森林，计算所述目标影响因素在所述随机森林中的基尼重要性；
第一确定模块，用于将所述目标影响因素在所述随机森林中的基尼重要性，作为所述目标影响因素对应的不平衡度权重；
第二确定模块，用于将目标电缆的各所述目标影响因素对应的影响因素值和各所述目标影响因素对应的不平衡度权重输入至预先训练的电缆载流不平衡度预测模型，得到所述目标电缆的不平衡度预测结果。
在其中一个实施例中，所述随机森林包括多个决策树，所述决策树包含多个节点，所述计算模块，具体用于：
针对每一个决策树，确定所述决策树中所述目标影响因素对应的目标节点，并针对每一个目标节点，基于所述决策树，计算所述目标节点的基尼指数和所述目标节点分裂成的各新节点对应的基尼指数；
基于各所述目标节点的基尼指数和各所述目标节点分裂成的各新节点对应的基尼指数，计算所述目标影响因素在所述决策树中的基尼重要性；
基于所述目标影响因素在各所述决策树中的基尼重要性，计算所述目标影响因素在所述随机森林中的基尼重要性。
在其中一个实施例中，所述计算模块，具体用于：
针对每一个目标节点，基于所述目标节点的基尼指数和所述目标节点分裂成的各新节点对应的基尼指数，计算所述目标影响因素在所述目标节点分枝前后基尼指数的变化量；
将所述目标影响因素在各所述目标节点分枝前后基尼指数的变化量相加，得到所述目标影响因素在所述决策树中的基尼重要性。
在其中一个实施例中，所述计算模块，具体用于：
将所述目标影响因素在各所述决策树中的基尼重要性相加，得到所述目标影响因素在所述随机森林中的基尼重要性总量；
将所述目标影响因素在所述随机森林中的基尼重要性总量与所述随机森林中决策树的数量的比值，作为所述目标影响因素在所述随机森林中的基尼重要性。
在其中一个实施例中，所述构建模块，具体用于：
针对预设的每一个目标影响因素，确定所述目标影响因素的变化范围；
基于预设的采样步长，在所述目标影响因素的变化范围中，确定所述目标影响因素对应的多个不同的影响因素样本值；
基于各所述目标影响因素对应的多个不同的影响因素样本值，组合成多个不同的样本；
针对每一个样本，将所述样本包括的各所述目标影响因素对应的影响因素样本值输入至预先构建的电缆载流不平衡性仿真模型，得到所述样本对应的不平衡度计算结果；
基于各所述样本包括的各所述目标影响因素对应的影响因素样本值和各所述样本对应的不平衡度计算结果，构建样本集。
在其中一个实施例中，所述构建模块，具体用于：
采用有放回抽样的方式，在所述样本集中随机抽取多个目标样本；所述目标样本的数量小于所述样本的数量；所述目标样本用于训练决策树；
当生成决策树的每一个节点时，在所述目标影响因素中，随机不重复的选择至少一个目标影响因素作为特征；所述特征的数量小于所述目标影响因素的数量；
针对每一个特征，基于所述目标样本包括的所述特征对应的影响因素样本值和所述目标样本对应的不平衡度计算结果，计算所述特征对应的基尼指数；
基于各所述特征对应的基尼指数，在各所述特征中确定所述节点的分裂属性，并基于所述分裂属性，生成所述节点；
当满足预设的节点生成停止条件时，得到训练完成的决策树，并返回所述采用有放回抽样的方式，在所述样本集中随机抽取多个目标样本步骤，直至所述训练完成的决策树的数量满足预设决策树训练条件，将各所述训练完成的决策树，构成随机森林。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述电缆载流不平衡度的确定方法、装置、计算机设备、存储介质和计算机程序产品，获取样本集，并基于所述样本集，构建随机森林；所述样本集包括多个样本；所述样本包括预设的各目标影响因素对应的影响因素样本值和所述样本对应的不平衡度计算结果；针对每一个目标影响因素，基于所述随机森林，计算所述目标影响因素在所述随机森林中的基尼重要性；将所述目标影响因素在所述随机森林中的基尼重要性，作为所述目标影响因素对应的不平衡度权重；将目标电缆的各所述目标影响因素对应的影响因素值和各所述目标影响因素对应的不平衡度权重输入至预先训练的电缆载流不平衡度预测模型，得到所述目标电缆的不平衡度预测结果。这样，利用每一个样本均包括预设的各目标影响因素对应的影响因素样本值和该样本对应的不平衡度计算结果的样本集，训练构建随机森林，该随机森林包含的各个节点均为目标影响因素，将各目标影响因素在该随机森林里的基尼重要性作为各目标影响因素对应的不平衡度权重，并利用各目标影响因素对应的不平衡度权重、预先训练的电缆载流不平衡度预测模型和目标电缆的各目标影响因素的影响因素值，预测目标电缆的电缆载流不平衡度，考虑现实中影响因素的作用，更加切合实际情况，能够提高电缆载流不平衡度确定的准确性。
附图说明
图1为一个实施例中电缆载流不平衡度的确定方法的流程示意图；
图2为一个实施例中基于随机森林，计算目标影响因素在随机森林中的基尼重要性步骤的流程示意图；
图3为一个实施例中计算目标影响因素在决策树中的基尼重要性步骤的流程示意图；
图4为一个实施例中基于目标影响因素在各决策树中的基尼重要性，计算目标影响因素在随机森林中的基尼重要性步骤的流程示意图；
图5为一个实施例中获取样本集步骤的流程示意图；
图6为一个实施例中构建随机森林步骤的流程示意图；
图7为一个实施例中电缆载流不平衡度的确定装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种电缆载流不平衡度的确定方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤101，获取样本集，并基于样本集，构建随机森林。
其中，样本集包括多个样本。样本包括预设的各目标影响因素对应的影响因素样本值和样本对应的不平衡度计算结果。
在本申请实施例中，本电缆载流不平衡度的确定方法应用于同相并联电缆线路，也可以应用于其他电缆线路。同相并联电缆线路采用同相并联运行。相较于双回运行方式，同相并联运行具有一定的特殊性。电缆同相并联如同架空线的双分裂，在进变电站时同相并联电缆进的是同一个间隔，与双回运行方式相比，相当于二者与母线的连接方式不一样，同相并联两路是合并后通过同一开关接至母线，而双回则是通过两个独立开关接至母线。这样，虽然在稳态运行时，同相并联接线形式与双回运行时完全一致，但由于同相并联运行还可能存在新、旧电缆共同运行情况，各子电缆参量之间难免会出现差异，有可能直接导致同相并联电缆载流量分配不均；在暂态故障情况下，若双回电缆其中一回发生故障将直接从母线的出线侧分断，并不影响另一回的正常运行，而同相并联电缆由于两个支路于端部直接相连，其中一个支路故障将导致另一支路受到较大影响。同相并联运行电缆可能由于诸多因素，如排列方式、线芯电阻率及接触电阻等，影响电缆线路阻抗参数的计算结果，同时由于实际中电缆线路的芯线大多不进行换位，所以将导致线路阻抗参数的不对称，这是造成同相并联电缆线路载流量不平衡的根本原因。
影响因素为对电缆载流不平衡度的大小存在影响的因素。影响因素可以根据实际需求确实。影响因素包括线路本身的参量差异因素和外界因素。线路本身的参量差异因素可以包括：电缆排列方式(又称电缆敷设方式)、电缆敷设长度、线芯电阻率与绝缘层厚度和负载大小。电缆排列方式可以包括：一字水平形、品字形、品字垂直排列和“品字形-水平交叉”复合式。外界因素可以包括：沿线接触电阻值和土壤电阻率。目标影响因素可以为各影响因素中的全部或部分。影响因素样本值为影响因素的样本值。在不同的样本中，同一个目标影响因素对应的影响因素样本值可以均不同；也可以存在在不同的样本中，同一个目标影响因素对应的影响因素样本值相同。不平衡度计算结果用于表示样本电缆的不平衡度。不平衡度指三相电力系统中三相不平衡的程度。不平衡度计算结果可以通过仿真得到。
步骤102，针对每一个目标影响因素，基于随机森林，计算该目标影响因素在随机森林中的基尼重要性。
步骤103，将该目标影响因素在随机森林中的基尼重要性，作为该目标影响因素对应的不平衡度权重。
在本申请实施例中，不平衡度权重表示目标影响因素对电缆载流不平衡度的影响程度。
步骤104，将目标电缆的各目标影响因素对应的影响因素值和各目标影响因素对应的不平衡度权重输入至预先训练的电缆载流不平衡度预测模型，得到目标电缆的不平衡度预测结果。
在本申请实施例中，目标电缆为待确定电缆载流不平衡度的电缆。电缆载流不平衡度预测模型用于预测电缆载流不平衡度，可以为机器学习模型和深度学习模型，例如，电缆载流不平衡度预测模型可以为神经网络模型。不平衡度预测结果包括目标电缆的不平衡度的预测值。
在一个实施例中，步骤104也可以为：基于各目标影响因素对应的不平衡度权重，在各目标影响因素中，确定评估影响因素；将目标电缆的各评估影响因素对应的影响因素值和各评估影响因素对应的不平衡度权重输入至预先训练的电缆载流不平衡度预测模型，得到目标电缆的不平衡度预测结果。具体的，终端可以将不平衡度权重大于预设的不平衡度权阈值的目标影响因素，作为评估影响因素。
本方法可以用于电缆的选型和工程敷设，具体的，本方法可以用于评估电缆，评估电缆敷设方案，还可以用于评估电缆生成方案。其中，评估电缆的具体过程可以为：目标电缆为待评估电缆，终端通过上述电缆载流不平衡度的确定方法，确定目标电缆的不平衡度；然后，终端基于电缆的不平衡度，确定电缆的绝缘程度，实现对目标电缆的绝缘程度的评估。具体的，终端可以在预设的电缆的不平衡度和电缆的绝缘程度的映射关系中，根据目标电缆的不平衡度，查询目标电缆的绝缘程度。评估电缆敷设方案的具体过程可以为：电缆敷设方案包括目标电缆和目标电缆的敷设方案，目标电缆的敷设方案可以包括电缆排列方式(又称电缆敷设方式)和电缆敷设长度；终端通过上述电缆载流不平衡度的确定方法，确定在目标电缆的敷设方案下目标电缆的不平衡度；然后，终端基于在目标电缆的敷设方案下目标电缆的不平衡度，确定电缆敷设方案的评估结果，电缆敷设方案的评估结果可以表示电缆敷设方案是否合格。评估电缆生成方案的具体过程与评估电缆的具体过程类似。
上述电缆载流不平衡度的确定方法中，利用每一个样本均包括预设的各目标影响因素对应的影响因素样本值和该样本对应的不平衡度计算结果的样本集，训练构建随机森林，该随机森林包含的各个节点均为目标影响因素，将各目标影响因素在该随机森林里的基尼重要性作为各目标影响因素对应的不平衡度权重，并利用各目标影响因素对应的不平衡度权重、预先训练的电缆载流不平衡度预测模型和目标电缆的各目标影响因素的影响因素值，预测目标电缆的电缆载流不平衡度，考虑现实中影响因素的作用，更加切合实际情况，能够提高电缆载流不平衡度确定的准确性。并且，相较于传统的电缆载流不平衡度的确定方法主要依赖人工经验进行主观评估，本方法不仅自动确定电缆载流不平衡度，耗费时间短，能够提高电缆载流不平衡度确定的效率，而且，本方法将各目标影响因素在该随机森林里的基尼重要性作为各目标影响因素对应的不平衡度权重，更加客观，能够进一步提高电缆载流不平衡度确定的准确性。这对电力电缆的选型应用、工程敷设，以及保障电网安全运行等都有着重要意义。
在一个实施例中，如图2所示，随机森林包括多个决策树，决策树包含多个节点，基于随机森林，计算目标影响因素在随机森林中的基尼重要性的具体过程包括以下步骤：
步骤201，针对每一个决策树，确定该决策树中目标影响因素对应的目标节点，并针对每一个目标节点，基于该决策树，计算该目标节点的基尼指数和该目标节点分裂成的各新节点对应的基尼指数。
在本申请实施例中，目标影响因素与决策树的关联方式有多种。例如，目标影响因素可以和决策树中的节点相对应，或者，目标影响因素可以和决策树中的节点的分裂属性相对应。终端可以根据目标影响因素与决策树的关联方式，在决策树中查询目标影响因素对应的目标节点。然后，针对每一个目标节点，终端基于该决策树，确定在该目标节点该决策树对应的样本属于各类的概率估计值。例如，目标影响因素为电缆排列方式，样本属于的各类可以为一字水平形、品字形、品字垂直排列和“品字形-水平交叉”复合式。然后，终端根据在该目标节点该决策树对应的样本属于各类的概率估计值，计算该目标节点的基尼指数。然后，终端基于该决策树，确定该目标节点分裂成的各新节点。然后，终端基于该决策树，分别确定在各新节点该决策树对应的样本属于各类的概率估计值。然后，终端根据在各新节点该决策树对应的样本属于各类的概率估计值，分别计算各新节点的基尼指数。
在一个实施例中，终端基于决策树，计算节点的基尼指数，可以表示为：
其中，GIm表示节点m的基尼指数，K为样本集的类别数，pmk为在节点m样本属于第k类的概率估计值。
步骤202，基于各目标节点的基尼指数和各目标节点分裂成的各新节点对应的基尼指数，计算该目标影响因素在决策树中的基尼重要性。
在本申请实施例中，针对每一个目标节点，终端基于该目标节点的基尼指数和该目标节点分裂成的各新节点对应的基尼指数，计算该目标影响因素在该目标节点分枝前后基尼指数的变化量。然后，终端基于各目标影响因素在该目标节点分枝前后基尼指数的变化量，计算该目标影响因素在决策树中的基尼重要性。其中，目标影响因素在决策树中的基尼重要性用于表示决策树表示的目标影响因素对电缆载流不平衡度的影响程度。
步骤203，基于该目标影响因素在各决策树中的基尼重要性，计算该目标影响因素在随机森林中的基尼重要性。
在本申请实施例中，目标影响因素在随机森林中的基尼重要性用于表示随机森林表示的目标影响因素对电缆载流不平衡度的影响程度。
在一个示例中，终端可以计算该目标影响因素在各决策树中的基尼重要性中的中位数，并将该中位数作为该目标影响因素在随机森林中的基尼重要性。
上述电缆载流不平衡度的确定方法中，在决策树中确定目标影响因素对应的目标节点，基于该决策树，计算目标节点的基尼指数和目标节点分裂成的各新节点对应的基尼指数，进而计算目标影响因素在决策树中的基尼重要性，并基于目标影响因素在各决策树中的基尼重要性，计算目标影响因素在随机森林中的基尼重要性，利用构建决策树和随机森林的基尼指数，计算目标影响因素在随机森林中的基尼重要性，进而确定目标影响因素对应的不平衡度权重，相较于传统的电缆载流不平衡度的确定方法主要依赖人工经验进行主观评估，更加客观，能够提高目标影响因素对应的不平衡度权重的准确性，进而提高电缆载流不平衡度确定的准确性。
在一个实施例中，如图3所示，基于各目标节点的基尼指数和各目标节点分裂成的各新节点对应的基尼指数，计算目标影响因素在决策树中的基尼重要性的具体过程包括以下步骤：
步骤301，针对每一个目标节点，基于该目标节点的基尼指数和该目标节点分裂成的各新节点对应的基尼指数，计算目标影响因素在该目标节点分枝前后基尼指数的变化量。
在本申请实施例中，针对每一个目标节点，终端计算该目标节点分裂成的各新节点对应的基尼指数的和。然后，终端计算该目标节点的基尼指数和该得到的和的差，得到目标影响因素在该目标节点分枝前后基尼指数的变化量。
在一个实施例中，终端基于该节点的基尼指数和该节点分裂成的各新节点对应的基尼指数，计算目标影响因素在该节点分枝前后基尼指数的变化量，可以表示为：
其中，表示第j个目标影响因素在节点m分枝前后基尼指数的变化量，GIm表示节点m的基尼指数，GIl和GIr分别表示由节点m分裂的两新节点的基尼指数。
步骤302，将目标影响因素在各目标节点分枝前后基尼指数的变化量相加，得到目标影响因素在决策树中的基尼重要性。
在一个实施例中，终端计算目标影响因素在决策树中的基尼重要性，可以表示为：
其中，M表示第j个影响因素在第i棵决策树中出现的次数，表示第j个影响因素在第i棵决策树中的重要性。
上述电缆载流不平衡度的确定方法中，基于目标节点的基尼指数和目标节点分裂成的各新节点对应的基尼指数，计算目标影响因素在目标节点分枝前后基尼指数的变化量，将目标影响因素在各目标节点分枝前后基尼指数的变化量相加，作为目标影响因素在决策树中的基尼重要性，相较于传统的电缆载流不平衡度的确定方法主要依赖人工经验进行主观评估，更加客观，能够提高目标影响因素对应的不平衡度权重的准确性，进而提高电缆载流不平衡度确定的准确性。
在一个实施例中，如图4所示，基于目标影响因素在各决策树中的基尼重要性，计算目标影响因素在随机森林中的基尼重要性的具体过程包括以下步骤：
步骤401，将目标影响因素在各决策树中的基尼重要性相加，得到目标影响因素在随机森林中的基尼重要性总量。
步骤402，将目标影响因素在随机森林中的基尼重要性总量与随机森林中决策树的数量的比值，作为目标影响因素在随机森林中的基尼重要性。
在本申请实施例中，终端用目标影响因素在随机森林中的基尼重要性总量除以随机森林中决策树的数量，得到目标影响因素在随机森林中的基尼重要性总量与随机森林中决策树的数量的比值。
在一个实施例中，终端基于目标影响因素在各决策树中的基尼重要性，计算目标影响因素在随机森林中的基尼重要性，可以表示为：
其中，n为随机森林中决策树的数量，表示第j个影响因素在随机森林中的基尼重要性。
上述电缆载流不平衡度的确定方法中，将目标影响因素在各决策树中的基尼重要性的均值，作为目标影响因素在随机森林中的基尼重要性，不依赖单个决策树，而是考虑整个随机森林包括的各决策树，能够减少误差，进一步提高目标影响因素对应的不平衡度权重的准确性，进一步提高电缆载流不平衡度确定的准确性。
在一个实施例中，如图5所示，获取样本集的具体过程包括以下步骤：
步骤501，针对预设的每一个目标影响因素，确定目标影响因素的变化范围。
在本申请实施例中，终端根据预设的目标影响因素选取规则，在影响因素中，选取目标影响因素。其中，变化范围为目标影响因素的数值变化范围。
在一个示例中，终端可以将所有影响因素作为目标影响因素。
在一个示例中，不平衡度权重序列包括人工经验下的各影响因素对应的不平衡度权重的大小关系，即人工经验认为哪个影响因素对应的不平衡度权重大，哪个影响因素对应的不平衡度权重小，不包括各影响因素对应的不平衡度权重的具体值。终端可以基于预设的不平衡度权重序列，选取不平衡度权重大的预设数目个影响因素，作为目标影响因素。
步骤502，基于预设的采样步长，在目标影响因素的变化范围中，确定目标影响因素对应的多个不同的影响因素样本值。
在本申请实施例中，终端可以基于预设的采样步长，在目标影响因素的变化范围中，选取目标影响因素对应的所有不同的影响因素样本值。
步骤503，基于各目标影响因素对应的多个不同的影响因素样本值，组合成多个不同的样本。
在本申请实施例中，终端对各目标影响因素对应的多个不同的影响因素样本值进行完全排列，穷尽各目标影响因素对应的影响因素样本值的组合形式，得到多个不同的样本。
步骤504，针对每一个样本，将该样本包括的各目标影响因素对应的影响因素样本值输入至预先构建的电缆载流不平衡性仿真模型，得到该样本对应的不平衡度计算结果。
在本申请实施例中，电缆载流不平衡性仿真模型可以为在电磁仿真软件中搭建的线路模型，可以包括预先存储的外部程序，外部程序用于进行参数化扫描。不平衡度计算结果为不平衡度仿真结果。
步骤505，基于各样本包括的各所述目标影响因素对应的影响因素样本值和各样本对应的不平衡度计算结果，构建样本集。
在本申请实施例中，终端将该样本包括的各目标影响因素对应的影响因素样本值和该样本对应的不平衡度计算结果，构成该样本。然后，终端将各样本构成样本集。
在一个实施例中，终端基于各样本包括的各所述目标影响因素对应的影响因素样本值，构建特征矩阵。然后，终端根据各样本对应的不平衡度计算结果，构建标签向量。然后，终端将特征矩阵和标签向量，组成样本集，可以表示为：
Y＝[y1y2…yg]T
其中，X表示特征矩阵，Y表示标签向量，f表示影响因素的个数，g表示不同影响因素组合下的样本数，xrs表示第r个样本中第s个影响因素的对应取值，yt表示第t个样本中载流不平衡度计算结果。
上述电缆载流不平衡度的确定方法中，确定目标影响因素的变化范围，基于预设的采样步长，在目标影响因素的变化范围中，确定目标影响因素对应的多个不同的影响因素样本值，基于各目标影响因素对应的多个不同的影响因素样本值，组合成多个不同的样本，样本尽可能多的涵盖目标影响因素的各种可能性，样本更加全面，数量足够充足，并且，采用预先构建的电缆载流不平衡性仿真模型，仿真各个不同的样本对应的不平衡度计算结果，能够突破实际电缆对更加全面的样本的限制，保证样本的全面性，能够提高随机森林的准确性，进一步提高目标影响因素对应的不平衡度权重的准确性，进一步提高电缆载流不平衡度确定的准确性。
在一个实施例中，如图6所示，基于样本集，构建随机森林的具体过程包括以下步骤：
步骤601，采用有放回抽样的方式，在样本集中随机抽取多个目标样本。
其中，目标样本的数量小于样本的数量。目标样本用于训练决策树。
在一个实施例中，终端采用有放回抽样的方式从样本集中抽取a个样本，利用抽取的a个样本生成一棵决策树。
步骤602，当生成决策树的每一个节点时，在目标影响因素中，随机不重复的选择至少一个目标影响因素作为特征。
其中，特征的数量小于目标影响因素的数量。
在一个实施例中，在生成的每一个节点时，随机不重复地选择d个影响因素作为特征，利用这d个特征对样本集进行划分。
步骤603，针对每一个特征，基于目标样本包括的特征对应的影响因素样本值和目标样本对应的不平衡度计算结果，计算该特征对应的基尼指数。
在本申请实施例中，终端基于目标样本包括的特征对应的影响因素样本值和目标样本对应的不平衡度计算结果，计算该特征对应的基尼指数的具体过程与上述步骤201中终端基于该决策树，计算节点的基尼指数的具体过程类似。
步骤604，基于各特征对应的基尼指数，在各特征中确定节点的分裂属性，并基于分裂属性，生成节点。
在本申请实施例中，终端比较各特征对应的基尼指数。然后，终端将基尼指数最小的特征作为节点的分裂属性。然后，终端基于节点的分裂属性，生成该节点。
在一个实施例中，步骤603-604也可以为：针对每一个特征，基于目标样本包括的特征对应的影响因素样本值和目标样本对应的不平衡度计算结果，计算该特征对应的信息增益或信息增益率；基于各特征对应的信息增益或信息增益率，在各特征中确定节点的分裂属性，并基于分裂属性，生成节点。具体的，终端将信息增益或信息增益率最大的特征作为节点的分裂属性。
步骤605，当满足预设的节点生成停止条件时，得到训练完成的决策树，并返回采用有放回抽样的方式，在样本集中随机抽取多个目标样本步骤，直至训练完成的决策树的数量满足预设决策树训练条件，将各训练完成的决策树，构成随机森林。
在本申请实施例中，节点生成停止条件为决策树的节点停止生成的条件，即决策树训练完成的条件。可以理解的是，节点生成停止条件可以参照传统决策树训练的节点生成停止条件。例如，节点生成停止条件可以为第一条件、第二条件、第三条件或第四条件。第一条件为决策树的节点的数据量小于预设的数据量阈值。这样，一是数据量较少时，再做分裂容易强化噪声数据的作用；二是降低树生长的复杂性，提前结束分裂一定程度上有利于降低过拟合的影响。第二条件可以为熵或者基尼值小于预设的阀值。第三条件为决策树的深度达到指定的条件。第四条件为所有特征已经使用完毕，不能继续进行分裂。决策树训练条件为随机森林的训练完成条件，可以为决策树的数量达到预设的决策树数量阈值。
上述电缆载流不平衡度的确定方法中，采用有放回抽样的方式，在样本集中随机抽取多个目标样本，当生成决策树的每一个节点时，在目标影响因素中，随机不重复的选择至少一个目标影响因素作为特征，通过两种随机实现随机森林的构建，保证随机森林的准确性。并且，本方法将目标影响因素作为随机森林的节点的分裂属性，实现将目标影响因素在随机森林中的基尼重要性作为目标影响因素对应的不平衡度权重，提高电缆载流不平衡度确定的准确性。而且，本方法基于目标样本包括的特征对应的影响因素样本值和目标样本对应的不平衡度计算结果，计算特征对应的基尼指数，并基于基尼指数选取最佳划分特征，使得本方法确定目标节点的基尼指数时可以直接获取，进一步缩短时间，提高电缆载流不平衡度确定的效率。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电缆载流不平衡度的确定方法的电缆载流不平衡度的确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电缆载流不平衡度的确定装置实施例中的具体限定可以参见上文中对于电缆载流不平衡度的确定方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种电缆载流不平衡度的确定装置700，包括：构建模块710、计算模块720、第一确定模块730和第二确定模块740，其中：
构建模块710，用于获取样本集，并基于所述样本集，构建随机森林；所述样本集包括多个样本；所述样本包括预设的各目标影响因素对应的影响因素样本值和所述样本对应的不平衡度计算结果；
计算模块720，用于针对每一个目标影响因素，基于所述随机森林，计算所述目标影响因素在所述随机森林中的基尼重要性；
第一确定模块730，用于将所述目标影响因素在所述随机森林中的基尼重要性，作为所述目标影响因素对应的不平衡度权重；
第二确定模块740，用于将目标电缆的各所述目标影响因素对应的影响因素值和各所述目标影响因素对应的不平衡度权重输入至预先训练的电缆载流不平衡度预测模型，得到所述目标电缆的不平衡度预测结果。
可选的，所述随机森林包括多个决策树，所述决策树包含多个节点，所述计算模块720，具体用于：
针对每一个决策树，确定所述决策树中所述目标影响因素对应的目标节点，并针对每一个目标节点，基于所述决策树，计算所述目标节点的基尼指数和所述目标节点分裂成的各新节点对应的基尼指数；
基于各所述目标节点的基尼指数和各所述目标节点分裂成的各新节点对应的基尼指数，计算所述目标影响因素在所述决策树中的基尼重要性；
基于所述目标影响因素在各所述决策树中的基尼重要性，计算所述目标影响因素在所述随机森林中的基尼重要性。
可选的，所述计算模块720，具体用于：
针对每一个目标节点，基于所述目标节点的基尼指数和所述目标节点分裂成的各新节点对应的基尼指数，计算所述目标影响因素在所述目标节点分枝前后基尼指数的变化量；
将所述目标影响因素在各所述目标节点分枝前后基尼指数的变化量相加，得到所述目标影响因素在所述决策树中的基尼重要性。
可选的，所述计算模块720，具体用于：
将所述目标影响因素在各所述决策树中的基尼重要性相加，得到所述目标影响因素在所述随机森林中的基尼重要性总量；
将所述目标影响因素在所述随机森林中的基尼重要性总量与所述随机森林中决策树的数量的比值，作为所述目标影响因素在所述随机森林中的基尼重要性。
可选的，所述构建模块710，具体用于：
针对预设的每一个目标影响因素，确定所述目标影响因素的变化范围；
基于预设的采样步长，在所述目标影响因素的变化范围中，确定所述目标影响因素对应的多个不同的影响因素样本值；
基于各所述目标影响因素对应的多个不同的影响因素样本值，组合成多个不同的样本；
针对每一个样本，将所述样本包括的各所述目标影响因素对应的影响因素样本值输入至预先构建的电缆载流不平衡性仿真模型，得到所述样本对应的不平衡度计算结果；
基于各所述样本包括的各所述目标影响因素对应的影响因素样本值和各所述样本对应的不平衡度计算结果，构建样本集。
可选的，所述构建模块710，具体用于：
采用有放回抽样的方式，在所述样本集中随机抽取多个目标样本；所述目标样本的数量小于所述样本的数量；所述目标样本用于训练决策树；
当生成决策树的每一个节点时，在所述目标影响因素中，随机不重复的选择至少一个目标影响因素作为特征；所述特征的数量小于所述目标影响因素的数量；
针对每一个特征，基于所述目标样本包括的所述特征对应的影响因素样本值和所述目标样本对应的不平衡度计算结果，计算所述特征对应的基尼指数；
基于各所述特征对应的基尼指数，在各所述特征中确定所述节点的分裂属性，并基于所述分裂属性，生成所述节点；
当满足预设的节点生成停止条件时，得到训练完成的决策树，并返回所述采用有放回抽样的方式，在所述样本集中随机抽取多个目标样本步骤，直至所述训练完成的决策树的数量满足预设决策树训练条件，将各所述训练完成的决策树，构成随机森林。
上述电缆载流不平衡度的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电缆载流不平衡度的确定方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电缆载流不平衡度的确定方法，其特征在于，所述方法包括：
获取样本集，并基于所述样本集，构建随机森林；所述样本集包括多个样本；所述样本包括预设的各目标影响因素对应的影响因素样本值和所述样本对应的不平衡度计算结果；
针对每一个目标影响因素，基于所述随机森林，计算所述目标影响因素在所述随机森林中的基尼重要性；
将所述目标影响因素在所述随机森林中的基尼重要性，作为所述目标影响因素对应的不平衡度权重；
将目标电缆的各所述目标影响因素对应的影响因素值和各所述目标影响因素对应的不平衡度权重输入至预先训练的电缆载流不平衡度预测模型，得到所述目标电缆的不平衡度预测结果。
2.根据权利要求1所述的方法，其特征在于，所述随机森林包括多个决策树，所述决策树包含多个节点，所述基于所述随机森林，计算所述目标影响因素在所述随机森林中的基尼重要性包括：
针对每一个决策树，确定所述决策树中所述目标影响因素对应的目标节点，并针对每一个目标节点，基于所述决策树，计算所述目标节点的基尼指数和所述目标节点分裂成的各新节点对应的基尼指数；
基于各所述目标节点的基尼指数和各所述目标节点分裂成的各新节点对应的基尼指数，计算所述目标影响因素在所述决策树中的基尼重要性；
基于所述目标影响因素在各所述决策树中的基尼重要性，计算所述目标影响因素在所述随机森林中的基尼重要性。
3.根据权利要求2所述的方法，其特征在于，所述基于各所述目标节点的基尼指数和各所述目标节点分裂成的各新节点对应的基尼指数，计算所述目标影响因素在所述决策树中的基尼重要性包括：
针对每一个目标节点，基于所述目标节点的基尼指数和所述目标节点分裂成的各新节点对应的基尼指数，计算所述目标影响因素在所述目标节点分枝前后基尼指数的变化量；
将所述目标影响因素在各所述目标节点分枝前后基尼指数的变化量相加，得到所述目标影响因素在所述决策树中的基尼重要性。
4.根据权利要求2所述的方法，其特征在于，所述基于所述目标影响因素在各所述决策树中的基尼重要性，计算所述目标影响因素在所述随机森林中的基尼重要性包括：
将所述目标影响因素在各所述决策树中的基尼重要性相加，得到所述目标影响因素在所述随机森林中的基尼重要性总量；
将所述目标影响因素在所述随机森林中的基尼重要性总量与所述随机森林中决策树的数量的比值，作为所述目标影响因素在所述随机森林中的基尼重要性。
5.根据权利要求1所述的方法，其特征在于，所述获取样本集包括：
针对预设的每一个目标影响因素，确定所述目标影响因素的变化范围；
基于预设的采样步长，在所述目标影响因素的变化范围中，确定所述目标影响因素对应的多个不同的影响因素样本值；
基于各所述目标影响因素对应的多个不同的影响因素样本值，组合成多个不同的样本；
针对每一个样本，将所述样本包括的各所述目标影响因素对应的影响因素样本值输入至预先构建的电缆载流不平衡性仿真模型，得到所述样本对应的不平衡度计算结果；
基于各所述样本包括的各所述目标影响因素对应的影响因素样本值和各所述样本对应的不平衡度计算结果，构建样本集。
6.根据权利要求1所述的方法，其特征在于，所述基于所述样本集，构建随机森林包括：
采用有放回抽样的方式，在所述样本集中随机抽取多个目标样本；所述目标样本的数量小于所述样本的数量；所述目标样本用于训练决策树；
当生成决策树的每一个节点时，在所述目标影响因素中，随机不重复的选择至少一个目标影响因素作为特征；所述特征的数量小于所述目标影响因素的数量；
针对每一个特征，基于所述目标样本包括的所述特征对应的影响因素样本值和所述目标样本对应的不平衡度计算结果，计算所述特征对应的基尼指数；
基于各所述特征对应的基尼指数，在各所述特征中确定所述节点的分裂属性，并基于所述分裂属性，生成所述节点；
当满足预设的节点生成停止条件时，得到训练完成的决策树，并返回所述采用有放回抽样的方式，在所述样本集中随机抽取多个目标样本步骤，直至所述训练完成的决策树的数量满足预设决策树训练条件，将各所述训练完成的决策树，构成随机森林。
7.一种电缆载流不平衡度的确定装置，其特征在于，所述装置包括：
构建模块，用于获取样本集，并基于所述样本集，构建随机森林；所述样本集包括多个样本；所述样本包括预设的各目标影响因素对应的影响因素样本值和所述样本对应的不平衡度计算结果；
计算模块，用于针对每一个目标影响因素，基于所述随机森林，计算所述目标影响因素在所述随机森林中的基尼重要性；
第一确定模块，用于将所述目标影响因素在所述随机森林中的基尼重要性，作为所述目标影响因素对应的不平衡度权重；
第二确定模块，用于将目标电缆的各所述目标影响因素对应的影响因素值和各所述目标影响因素对应的不平衡度权重输入至预先训练的电缆载流不平衡度预测模型，得到所述目标电缆的不平衡度预测结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311006101.5A CN117195691A (zh) | 2023-08-10 | 2023-08-10 | 电缆载流不平衡度的确定方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311006101.5A CN117195691A (zh) | 2023-08-10 | 2023-08-10 | 电缆载流不平衡度的确定方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117195691A true CN117195691A (zh) | 2023-12-08 |
Family
ID=88987771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311006101.5A Pending CN117195691A (zh) | 2023-08-10 | 2023-08-10 | 电缆载流不平衡度的确定方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195691A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493856A (zh) * | 2024-01-03 | 2024-02-02 | 佛山科学技术学院 | 一种基于随机森林的串果采摘特征因素分析方法及设备 |
-
2023
- 2023-08-10 CN CN202311006101.5A patent/CN117195691A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493856A (zh) * | 2024-01-03 | 2024-02-02 | 佛山科学技术学院 | 一种基于随机森林的串果采摘特征因素分析方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106952166A (zh) | 一种社交平台的用户影响力估算方法及装置 | |
| CN115842347B (zh) | 一种基于数字孪生的微网负荷动态平衡方法、系统及介质 | |
| CN117195691A (zh) | 电缆载流不平衡度的确定方法、装置和计算机设备 | |
| Mahdavi et al. | Evaluating the effect of load growth on annual network losses in TNEP considering bundle lines using DCGA | |
| CN107291840A (zh) | 一种用户属性预测模型构建方法和装置 | |
| CN103870534B (zh) | 社交网络分析 | |
| Yang et al. | Non‐linear characteristic quantity extraction of ferroresonance overvoltage time series | |
| CN114861542A (zh) | 直流输电工程损耗评估方法、装置、设备和存储介质 | |
| CN114417719A (zh) | 一种基于图注意力网络的配电网网格化方法及装置 | |
| Yin et al. | Using probabilistic collocation method for neighbouring wind farms modelling and power flow computation of South Australia grid | |
| CN111028012B (zh) | 景区客群定位方法、系统、装置及其可存储介质 | |
| CN111957053A (zh) | 游戏玩家匹配方法、装置、存储介质与电子设备 | |
| CN116304091A (zh) | 设计选型知识图谱的构建及应用方法、装置、设备及介质 | |
| Wang et al. | ARIMA-BP integrated intelligent algorithm for China’s consumer price index forecasting and its applications | |
| CN113327154B (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
| Qu et al. | Electric power cyber-physical systems vulnerability assessment under cyber attack | |
| CN114741872A (zh) | 基站选址数据处理方法、装置、电子设备及存储介质 | |
| Yuan et al. | Research on group POIs recommendation fusion of users' gregariousness and activity in LBSN | |
| Chandra et al. | Modeling temporal and spatial features of collaboration network | |
| Marsiglio | Stochastic shocks in a two-sector Solow model | |
| CN116735942B (zh) | 针对变速发电电动机转子侧低频电流的测量系统和方法 | |
| CN117034772A (zh) | 载流不平衡度确定方法、装置和计算机设备 | |
| Wang et al. | Optimum VDBSCAN (O-VDBSCAN) for identifying downtown areas | |
| Hassan et al. | Optimizing photovoltaic models: A leader artificial ecosystem approach for accurate parameter estimation of dynamic and static three diode systems | |
| Xu et al. | A multi-objective data placement method for IoT applications over big data using NSGA-II |
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 |