CN117236803B - 一种牵引变电站等级划分及评价方法、系统及电子设备 - Google Patents

Abstract

本发明公开一种牵引变电站等级划分及评价方法、系统及电子设备，涉及牵引变电站智能化评价领域。本发明对获取指标进行权重赋值得到权重向量，使用无监督学习方法基于权重向量对指标进行聚类得到聚类簇矩阵，并基于确定聚类簇矩阵中每一聚类簇在各指标下的范围建立聚类簇指标上限矩阵和聚类簇指标下限矩阵，根据聚类簇指标上下限矩阵确定聚类簇指标矩阵；根据使用对应不同指标的数据对各个聚类簇进行打分得到的聚类簇评分向量确定聚类簇矩阵中每一聚类簇的评分等级；基于这一评分等级得到待评价牵引变电站的评价结果，以解决现有技术存在的牵引变电站的评价等级划分以及评价工作困难的问题，进而能够提高牵引变电站评价工作的合理性与有效性。

Description

一种牵引变电站等级划分及评价方法、系统及电子设备

技术领域

本发明涉及牵引变电站智能化评价技术领域，特别是涉及一种牵引变电站等级划分及评价方法、系统及电子设备。

背景技术

牵引变电站是指将发电厂经电力传输线送来的电能变换成适合机车车辆所需的电压，并分送到接触网或接触轨(第三轨)的场所，即分送到直流牵引变电站和交流牵引变电站。直流牵引变电站将电力传输线送来的高压交流电能经变压器降压，然后经整流器变为直流后，送接触网或接触轨。交流牵引变电站可分为工频、低频单相及工频三相交流牵引变电所，它们分别把电力传输线送来的电能变换成上述三种交流电后，分送到相应的接触网。随着牵引变电站的不断发展，对于牵引变电站智能化的评价技术需求也不断增大。

在现存牵引变电站分类的框架下，目前对于牵引变电站的评价方法大多都是对于单一指标进行评价，从而实现智能化的排序。但单一指标进行评价也带来了一定的问题：首先，指标过于单一，将导致结果不够精确，在某些检修或调度的应用场景下，单一指标常常难以满足对牵引变电站排序的需求；其次，多种指标进行融合排序时，难以保证评价方法的准确性，同时对于现有牵引变电站运行数据的利用也并不充分。最后，由于牵引变电站内存在多类指标，数量较多且各不相同，因此难以放在同一尺度下进行对比分析，也为牵引变电站的评价等级划分以及评价工作带来了困难。

基于此，目前牵引变电站智能化评价等级划分领域亟需一种科学有效的评价等级制定方法。

发明内容

为解决现有技术存在的上述问题，本发明提供了一种牵引变电站等级划分及评价方法、系统及电子设备，能够在考虑多种指标的前提下，结合已有的牵引变电站智能化数据制定合理的评价规则，并将此种规则应用于新的牵引变电站评价工作中。

为实现上述目的，本发明提供了如下方案。

一种牵引变电站等级划分及评价方法，包括：获取牵引变电站的指标；所述指标包括：传感器数量、信息传输速度和预警系统动作灵敏度。

对所述指标进行权重赋值得到权重向量。

使用无监督学习方法基于所述权重向量对所述指标进行聚类得到聚类簇矩阵。

确定所述聚类簇矩阵中每一聚类簇在各指标下的范围，并基于确定的范围建立聚类簇指标上限矩阵和聚类簇指标下限矩阵。

根据所述聚类簇指标上限矩阵和所述聚类簇指标下限矩阵确定聚类簇指标矩阵。

根据所述聚类簇指标矩阵，使用对应不同指标的数据对各个聚类簇进行打分，得到聚类簇评分向量；对应不同指标的数据为用于表征牵引变电站智能化的数据。

根据所述聚类簇评分向量确定所述聚类簇矩阵中每一聚类簇的评分等级。

基于所述聚类簇的评分等级得到待评价牵引变电站的评价结果。

可选地，采用层次分析法对所述指标进行权重赋值得到权重向量。

可选地，使用无监督学习方法基于所述权重向量对所述指标进行聚类得到聚类簇矩阵，具体包括：

构建牵引变电站的原始数据矩阵，并设定初始聚类中心矩阵；所述原始数据矩阵的一行数据为一个牵引变电站的个指标；所述原始数据矩阵的维度为/>；所述初始聚类中心矩阵中包括多个聚类中心；所述初始聚类中心矩阵的维度为/>；其中，/>为牵引变电站的个数，/>为所述指标的个数，/>为聚类中心的个数，/>。

基于所述权重向量确定所述原始数据矩阵中每行数据与所述初始聚类中心矩阵中每行数据间的空间距离。

基于所述初始聚类中心矩阵中的每一聚类中心构建一个聚类簇。

将所述原始数据矩阵中每行数据放入与其空间距离最小的聚类中心的聚类簇中，以得到所述聚类簇矩阵。

可选地，根据所述聚类簇指标矩阵，使用对应不同指标的数据对各个聚类簇进行打分，得到聚类簇评分向量，具体包括：获取聚类簇指标矩阵每一列的最大值和最小值。

确定聚类簇指标矩阵每一列中的所有值与该列对应的最大值的均方差，作为最大均方差。

确定聚类簇指标矩阵每一列中的所有值与该列对应的最小值的均方差，作为最小均方差。

根据所述最大均方差和所述最小均方差确定聚类簇指标矩阵中每一列的评分。

基于聚类簇指标矩阵中每一列的评分得到所述聚类簇评分向量。

可选地，基于所述聚类簇的评分等级得到待评价牵引变电站的评价结果，具体包括：获取待评价牵引变电站的指标向量。

确定所述指标向量与各聚类中心向量间的欧式距离；所述聚类中心向量为将所述原始数据矩阵中每行数据放入与其空间距离最小的聚类中心的聚类簇的过程中得到的各聚类中心矩阵的平均值向量。

将与指标向量间欧式距离最小的聚类中心向量所对应的聚类簇的评分等级作为待评价牵引变电站的评价结果。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的牵引变电站等级划分及评价方法，通过聚类方法提取现有牵引变电站的指标特征，并为不同指标进行权重赋值，可实现对各类指标的特征提取并进一步得到多个聚类簇。最后通过确定聚类簇评分向量实现了合理有效的牵引变电站智能化评价等级划分。可见，本发明能够在考虑多种指标的前提下，结合已有的牵引变电站智能化数据制定合理的评价规则，并将此种规则应用于新的牵引变电站评价工作中，以解决现有技术存在的牵引变电站的评价等级划分以及评价工作困难的问题，进而有利于提升牵引变电站评价工作的合理性与有效性。

进一步，本发明提供了一种牵引变电站等级划分及评价系统，用于实施上述提供的牵引变电站等级划分及评价方法；所述系统包括：指标获取模块、权重赋值模块、指标聚类模块、上下限矩阵建立模块、聚类簇指标矩阵确定模块、聚类簇评分向量确定模块、评分等级确定模块和评价结果确定模块。

指标获取模块，用于获取牵引变电站的指标；所述指标包括：传感器数量、信息传输速度和预警系统动作灵敏度。

权重赋值模块，用于对所述指标进行权重赋值得到权重向量。

指标聚类模块，用于使用无监督学习方法基于所述权重向量对所述指标进行聚类得到聚类簇矩阵。

上下限矩阵建立模块，用于确定所述聚类簇矩阵中每一聚类簇在各指标下的范围，并基于确定的范围建立聚类簇指标上限矩阵和聚类簇指标下限矩阵。

聚类簇指标矩阵确定模块，用于根据所述聚类簇指标上限矩阵和所述聚类簇指标下限矩阵确定聚类簇指标矩阵。

聚类簇评分向量确定模块，用于根据所述聚类簇指标矩阵，使用对应不同指标的数据对各个聚类簇进行打分，得到聚类簇评分向量；对应不同指标的数据为用于表征牵引变电站智能化的数据。

评分等级确定模块，用于根据所述聚类簇评分向量确定所述聚类簇矩阵中每一聚类簇的评分等级。

评价结果确定模块，用于基于所述聚类簇的评分等级得到待评价牵引变电站的评价结果。

一种电子设备，包括：存储器和处理器。

存储器，用于存储计算机程序。

处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施上述提供的牵引变电站等级划分及评价方法。

可选地，所述存储器为计算机可读存储介质。

因本发明上述提供的两种实施结构实现的技术效果与本发明提供的牵引变电站等级划分及评价方法实现的技术效果相同，故在此不再进行赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的牵引变电站等级划分及评价方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种牵引变电站等级划分及评价方法、系统及电子设备，能够在考虑多种指标的前提下，结合已有的牵引变电站智能化数据制定合理的评价规则，并将此种规则应用于新的牵引变电站评价工作中，进而解决现有技术存在的牵引变电站的评价等级划分以及评价工作困难的问题。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

在该实施例中，主要是对牵引变电站的智能化进行评价，基于此，如图1所示，本实施例提供的牵引变电站等级划分及评价方法的实施过程包括以下步骤。

S1：获取牵引变电站的指标。在实际应用过程中，可以设定用于牵引变电站智能化水平评价的指标共类，对于共计/>个已知的牵引变电站，采集标准牵引变电站智能化水平的/>类指标/>。

基于此，S1的实施过程可以为：S1.1：对于已知的个牵引变电站，选取与这些牵引变电站智能化相关性强的/>类指标，例如传感器数量、信息传输速度以及预警系统动作灵敏度等指标，监控/>个已知牵引变电站的运行状况，在同样的评价方式下，依据业内专家的打分原则，分别采集各个已知牵引变电站中/>类指标的得分。

S1.2：建立已知牵引变电站的智能化原始数据矩阵，矩阵维度为/>。

S2：对指标进行权重赋值得到权重向量。在该实施例中，主要是基于主观或客观赋权法为各个指标赋予权重。例如采用层次分析法对牵引变电站的类指标赋予权重，得到如公式（1）所示的权重向量/>。

（1）。

式中，表示第/>类指标的权重。

S3：使用无监督学习方法基于权重向量对指标进行聚类得到聚类簇矩阵。例如，基于K-means聚类方法对个牵引变电站的各个指标进行聚类，获得/>个聚类簇，以得到聚类簇矩阵。基于此，该步骤的实施过程具体如下。

S3.1：设定初始聚类中心矩阵，初始聚类中心矩阵维度为/>，其中/>，初始聚类中心矩阵/>的每一行代表一个初始聚类中心，共/>行。

S3.2：对于智能化原始数据矩阵中的第/>行/>，计算其与初始聚类中心矩阵/>中的第/>行/>的空间距离/>，其中，/>，/>。

S3.3：对于全部的聚类中心，每一个聚类中心建立一个聚类簇矩阵，建立的聚类簇矩阵初始为空，等待后续操作进行补充。

S3.4：对于智能化原始数据矩阵中的第/>行/>，选择初始聚类中心矩阵/>中与其空间距离最小的一行，此处使用/>表示该最小行的行索引序号，其含义为智能化原始数据矩/>中的第/>行/>属于第/>个聚类中心。因此将智能化原始数据矩阵/>中的第/>行放入第/>个聚类中心的聚类簇矩阵，即在第/>个聚类中心的聚类簇矩阵的最后一行后增加一行。

S3.5：不断重复S3.4，直到智能化原始数据矩阵中的所有行都放入了与其具有最小空间距离的聚类中心的聚类簇中，此时得到了本次迭代所有聚类中心的聚类簇矩阵。

S3.6：假设在第次迭代中，第/>个聚类簇矩阵为/>，共有/>行。对聚类簇矩阵中所有行按照行索引进行加和并求出所有行向量的平均值向量/>。

S3.7：判断迭代次数是否满足初始设置的迭代次数上限，若满足则输出最后一次迭代中计算得到的个聚类中心矩阵，将最后一次迭代中得到的各个聚类中心矩阵的平均值向量记为聚类中心向量，即得到了/>个聚类中心向量/>。其中，第/>个聚类中心向量/>如公式（2）所示。

（2）。

S4：确定聚类簇矩阵中每一聚类簇在各指标下的范围，并基于确定的范围建立聚类簇指标上限矩阵和聚类簇指标下限矩阵。该步骤的实现过程为：

S4.1：建立聚类簇指标上限矩阵，聚类簇指标上限矩阵/>的维度为/>，初始聚类簇指标上限矩阵/>中元素表示/>类指标在/>个聚类中心下的最大值。

建立聚类簇指标下限矩阵，聚类簇指标下限矩阵/>的维度为/>，聚类簇指标下限矩阵/>中元素表示/>类指标在/>个聚类中心下的最小值。

S4.2：以第类指标(/>)以及第/>个聚类中心矩阵(/>)为例，说明聚类簇指标上限矩阵/>的建立方法。对于在第/>个聚类中心矩阵，其第/>列代表聚类簇在第/>个指标维度下的数据，因此在第/>个聚类中心矩阵的第/>列中取出其最大值，放入聚类簇指标上限矩阵/>中的位置/>处，即放入聚类簇指标上限矩阵中的第/>行、第/>列处。

S4.3：对于全部的类指标分别进行S4.2的操作，其中，对于每一类指标均求其在全部/>个聚类中心矩阵中对应的最大值，并放入聚类簇指标上限矩阵/>中的对应位置，直至聚类簇指标上限矩阵/>中所有位置均填入数据。

S4.4：还以第类指标以及第/>个聚类中心矩阵为例，说明聚类簇指标下限矩阵的建立方法。在第/>个聚类中心矩阵的第/>列中取出其最小值，放入聚类簇指标下限矩阵/>中的位置/>，即放入聚类簇指标下限矩阵/>中的第/>行、第/>列处。

S4.5：对于全部的类指标分别进行S4.4的操作，其中，对于每一类指标均求其在全部/>个聚类中心矩阵中对应的最小值，并放入聚类簇指标下限矩阵/>中的对应位置，直至聚类簇指标下限矩阵/>中所有位置均填入数据。

S5：根据聚类簇指标上限矩阵和聚类簇指标下限矩阵确定聚类簇指标矩阵。

S6：根据聚类簇指标矩阵，使用对应不同指标的数据对各个聚类簇进行打分，得到聚类簇评分向量。对应不同指标的数据为用于表征牵引变电站智能化的数据。以第个聚类簇的评分为例说明聚类簇评分向量的建立过程具体如下。

S6.1：建立聚类簇评分向量，其含义为对于各个聚类簇的评分，聚类簇评分向量为/>的行向量，其中每一列代表一个聚类簇的评分。其中，聚类簇评分向量如公式（3）所示。

（3）。

式中，为第/>个聚类簇评分。

S6.2：对于聚类簇指标矩阵的第/>列，取出此列中的最大值记为/>，取出此列中的最小值记为/>。

S6.3：对于聚类簇指标矩阵的第/>列，计算该列的全部元素与此列最大值的均方差/>（即最大均方差）以及该列的全部元素与此列最小值/>的均方差（即最小均方差）。均方差/>和均方差/>的计算方式见公式（4）和公式（5）。

（4）。

（5）。

式中，为聚类簇指标矩阵中第/>行、第/>列的元素。

S6.4：根据第列的均方差/>以及均方差/>，计算出第/>个聚类簇的评分。评分/>计算方式如公式（6）所示。

（6）。

S6.5：重复S6.2至S6.4，直到聚类簇指标矩阵中每一列都完成上述操作，并得到对应的每一列的评分/>，/>。所有列的评分组成聚类簇评分向量/>。聚类簇评分向量/>如公式（7）所示。

（7）。

聚类簇评分向量共/>列，每一列中的元素代表对应聚类簇的评分，数值越大表示评分越高。

S7：根据聚类簇评分向量确定聚类簇矩阵中每一聚类簇的评分等级。聚类簇评分向量中的每一列表示一个评分等级，因此将牵引变电站的智能化划分为/>个等级，依据各个聚类簇在聚类簇评分向量Q中的评分大小决定各个聚类簇在评分等级中的排名，从而得到了对于牵引变电站的详细智能化等级划分规则。

S8：基于聚类簇的评分等级得到待评价牵引变电站的评价结果。该实现过程为：

将待智能化评价的牵引变电站的指标向量与S3.7中得到的各个聚类中心向量分别计算欧式距离，形成距离向量/>。

例如，对于一个待智能化评价的牵引变电站而言，获取该牵引变电站的指标向量，/>为/>维度的行向量，如公式（8）所示，其中每一个元素（/>）代表对应指标的得分(依据业内专家的打分原则)。

（8）。

以确定指标向量中的指标向量与第v个聚类中心向量间的欧氏距离/>为例进行说明：

其中，欧氏距离如公式（9）所示。

（9）。

式中，为第/>个指标的权重，/>为第/>个指标向量，/>为第/>个聚类中心向量中的第/>个聚类中心，/>，/>。

对全部个聚类中心向量进行公式（9）计算后，能够计算出距离向量/>。距离向量/>如公式（10）所示。

（10）。

距离向量中的元素越小则表示该牵引变电站与欧式距离最小聚类中心对应的聚类簇更为相似。基于此，选择距离向量/>中的最小值/>，最小值/>对应的聚类簇即为该待智能化评价的牵引变电站所属的聚类簇，因此，该聚类簇对应的评价等级即为该待智能化评价的牵引变电站所得到的的智能化评价结果。

基于上述描述，本实施例提供的牵引变电站等级划分及评价方法，结合了无监督学习方法与主客观赋权方法的优势，通过聚类方法提取现有牵引变电站指标特征，使用主客观赋权方法为不同指标进行赋权，可实现对各类指标的特征提取并进一步得到多个聚类簇。最后通过对聚类簇的排序实现了合理有效的牵引变电站智能化评价等级划分。

实施例2

该实施例也是以对牵引变电站的智能化进行评价为例进行说明。本实施例提供的牵引变电站等级划分及评价方法的实施过程包括：

步骤1：设定用于牵引变电站智能化水平标准的指标共类，对于共计/>个已知的牵引变电站，采集表征这些已知牵引变电站智能化水平的指标为/>，基于主观或客观赋权法为采集的各个指标赋予权重，具体的：

步骤1.1：对于已知的个牵引变电站，选取与牵引变电站智能化相关性强的/>类指标，例如传感器数量、信息传输速度以及预警系统动作灵敏度等指标，监控/>个牵引变电站运行状况，在同样的评价方式下，依据业内专家的打分原则，分别采集各个牵引变电站中/>类指标的得分。

步骤1.2：建立牵引变电站智能化原始数据矩阵，原始数据矩阵/>的维度为，其公式（11）所示。

（11）。

式中，表示第1个牵引变电站的第1类指标得分，以此类推，/>表示第/>个牵引变电站的第/>类指标得分。

步骤1.3：依据主观赋权法或客观赋权法，例如层次分析法，对牵引变电站的类指标赋予权重，得到权重向量/>，权重向量/>如上述实施例1中的公式（1）所示。

步骤2：设定初始聚类中心，使用无监督学习方法对N个牵引变电站的类指标进行聚类，得到/>个聚类中心，在满足聚类次数上限前不断迭代，最终得到/>个聚类簇，计算每个聚类簇在各个指标下的范围，从而建立聚类簇指标上限矩阵以及聚类簇指标下限矩阵，并依据这两个矩阵计算得到聚类簇指标矩阵，具体的：

步骤2.1：基于K-means聚类方法对N个牵引变电站的各个指标进行聚类，获得个聚类簇。该步骤的实施过程具体如下。

步骤2.1.1：建立牵引变电站的智能化原始数据矩阵，矩阵维度为/>，如公式（11）所示。

步骤2.1.2：设定初始聚类中心矩阵，初始聚类中心矩阵/>的维度为/>，其中/>，初始聚类中心矩阵/>的每一行代表一个初始聚类中心，共/>行。初始聚类中心矩阵如公式（12）所示。

（12）。

式中，为第1个初始聚类中心的第1类指标，以此类推，/>为第/>个初始聚类中心的第M类指标。

步骤2.1.3：对于智能化原始数据矩阵中的第/>行/>，计算其与初始聚类中心矩阵/>中的第/>行/>的空间距离/>，其中，/>，。其中，空间距离/>的计算公式如公式（13）所示。

。

。

（13）。

式中，表示初始聚类中心矩阵/>中第/>行第/>列的元素。计算得到的空间距离/>是一个数值变量。

步骤2.1.4：对于全部的聚类中心，每一个聚类中心建立一个聚类簇矩阵，聚类簇矩阵初始为空，等待后续操作进行补充。

步骤2.1.5：对于智能化原始数据矩阵中的第/>行/>，选择初始聚类中心矩阵/>中与其空间距离最小的一行，此处使用/>表示该最小行的行索引序号，含义为智能化原始数据矩阵/>中的第/>行/>属于第/>个聚类中心，因此将智能化原始数据矩阵/>中的第/>行/>放入第/>个聚类中心的聚类簇矩阵中，即在第/>个聚类中心的聚类簇矩阵的最后一行后增加一行。

步骤2.1.6：不断重复步骤2.1.5，直到智能化原始数据矩阵中所有的行都放入了与其具有最小空间距离聚类中心的聚类簇中，此时得到了本次迭代所有聚类中心的聚类簇矩阵。

步骤2.1.7：假设在第次迭代中，第/>个聚类簇矩阵/>，共有/>行。第/>次迭代中，第/>个聚类簇矩阵/>如公示（14）所示。

（14）。

式中，为第1次迭代中，第1个聚类簇矩阵第1行、第1列的元素，以此类推，/>表示第/>次迭代中，第/>个聚类簇矩阵/>的第/>行、第/>列的元素。

对聚类簇矩阵中所有行按照行索引进行加和并求出所有行向量的平均值向量，平均值向量/>如公示（15）所示。

（15）。

得到的所有行向量的平均值向量为下一次迭代中的第/>个聚类簇矩阵的初始聚类中心。

步骤2.1.8：判断迭代次数是否满足初始设置的迭代次数上限，若满足则输出最后一次迭代中计算得到的个聚类中心矩阵，将最后一次迭代中得到的各个聚类中心矩阵的平均值向量记为聚类中心向量，即得到了/>个聚类中心向量/>。其中，第/>个聚类中心向量如上述实施例1中的公式（2）所示。

如果迭代次数不满足初始设置的迭代次数上限，则返回执行步骤2.1.7，直至迭代次数满足初始设置的迭代次数上限。

步骤2.2：依据个聚类中心矩阵，建立聚类簇指标上限矩阵/>和聚类簇指标下限矩阵/>。该步骤的实现过程可以为：

步骤2.2.1：建立聚类簇指标上限矩阵，聚类簇指标上限矩阵/>的维度为/>，聚类簇指标上限矩阵/>中元素表示M类指标在/>个聚类中心下的最大值。

建立聚类簇指标下限矩阵，聚类簇指标下限矩阵/>的维度为/>，聚类簇指标下限矩阵/>中元素表示/>类指标在/>个聚类中心下的最小值。

步骤2.2.2：以第类指标(/>)以及第/>个聚类中心矩阵()为例，说明聚类簇指标上限矩阵/>的建立方法。

对于第个聚类中心矩阵中的第/>列代表聚类簇在第/>个指标维度下的数据，因此在第/>个聚类中心矩阵的第/>列中取出其最大值，放入聚类簇指标上限矩阵/>的位置/>，即放入聚类簇指标上限矩阵/>中的第/>行、第/>列处。

步骤2.2.3：对于全部类指标分别进行步骤2.2.2的操作，其中对于每一类指标均求其在全部/>个聚类中心矩阵中对应的最大值，并放入聚类簇指标上限矩阵/>中的对应位置，直至聚类簇指标上限矩阵/>中所有位置均填入数据。

步骤2.2.4：以第类指标以及第/>个聚类中心矩阵为例，说明聚类簇指标下限矩阵/>的建立方法。

在聚类簇指标下限矩阵的第/>列中取出其最小值，放入聚类簇指标下限矩阵/>中的位置/>，即放入聚类簇指标下限矩阵/>中的第/>行、第/>列处。

步骤2.2.5：对于全部类指标分别进行步骤2.2.2的操作，其中对于每一类指标均求其在全部/>个聚类中心矩阵中对应的最小值，并放入聚类簇指标下限矩阵/>中的对应位置，直至聚类簇指标下限矩阵/>中所有位置均填入数据。

步骤2.3：根据聚类簇指标上限矩阵以及聚类簇指标下限矩阵/>建立聚类簇指标矩阵/>。其中，聚类簇指标上限矩阵/>以及聚类簇指标下限矩阵/>的计算方法如公示（16）和公式（17）所示。聚类簇指标矩阵/>的计算方法如公示（18）所示。

（16）。

（17）。

（18）。

式中，表示聚类簇指标矩阵/>中第/>行、第/>列的元素，表示聚类簇指标上限矩阵/>中第/>行、第/>列的元素，/>表示聚类簇指标下限矩阵/>中第/>行、第/>列的元素。

步骤3：依据聚类簇指标矩阵，使用对应不同指标的数据对各个聚类簇进行打分，得到聚类簇评分向量，该步骤的实施过程具体如下。

步骤3.1：建立聚类簇评分向量，其含义为对于各个聚类簇的评分，聚类簇评分向量为/>的行向量，其中每一列代表一个聚类簇的评分，聚类簇评分向量如上述实施例1中的公式（3）所示。

步骤3.2：以第个聚类簇的评分为例说明聚类簇评分向量的建立过程。

对于聚类簇指标矩阵的第/>列，取出这一列中的最大值记为/>，最小值记为/>。

步骤3.3：对于聚类簇指标矩阵的第/>列，计算该列的全部元素与此列最大值/>以及此列最小值/>的均方差/>以及均方差/>，均方差/>以及均方差/>的计算方法如上述实施例1的公式（4）及公式（5）所示。

步骤3.4：根据第列的均方差/>以及均方差/>，计算出对第/>个聚类簇的评分/>。第/>个聚类簇的评分/>的计算方法如上述实施例1的公式（6）所示。

步骤3.5：重复步骤3.2至步骤3.4，直到聚类簇指标矩阵中每一列都完成上述操作，并得到对应的每一列的评分。所有列的评分组成聚类簇评分向量。聚类簇评分向量/>的表示参见上述实施例中的公式（7）。

每一列中的元素代表对应聚类簇的评分，数值越大表示评分越高。

步骤4：使用聚类簇评分向量建立牵引变电站智能化等级划分规则，基于牵引变电站智能化等级划分规则实现对新牵引变电站的智能化评价，具体过程为：

步骤4.1：聚类簇评分向量中的每一列表示一个评分等级，将牵引变电站的智能化划分为/>个等级，依据各个聚类簇在聚类簇评分向量/>中的评分大小决定各个聚类簇在评分等级中的排名，从而得到对于牵引变电站的详细智能化等级划分规则。

步骤4.2：对于一个待智能化评价的牵引变电站而言，获取该待智能化评价的牵引变电站的指标向量，指标向量/>为/>维度的行向量，如上述实施例1中的公式（8）所示，其中每一个元素代表对应指标的得分，这一得分主要依据业内专家的打分原则得到。

步骤4.3：计算待智能化评价的牵引变电站的指标向量与步骤2.1.8中得到的各个聚类中心向量间的欧式距离，形成距离向量/>。

以第个聚类中心向量为例，待智能化评价的牵引变电站的指标向量与第/>个聚类中心向量的欧氏距离/>计算方法如上述实施例1中公式（9）所示。

对全部个聚类中心向量进行欧式距离计算后，能够计算出距离向量/>。距离向量/>的计算方法如上述实施例1的公式（10）所示。

待智能化评价的牵引变电站各个指标与所得的各个聚类簇的聚类中心的距离越小表示该牵引变电站与距离最近的聚类簇越相似。因此，选择距离向量中的最小值/>，最小值/>对应的聚类簇即为该待智能化评价的牵引变电站所属的聚类簇，此时，这一聚类簇对应的评价等级即为该待智能化评价的牵引变电站所得到的的智能化评价结果。

该实施例结合了无监督学习方法与主客观赋权方法的优势，通过聚类方法提取现有牵引变电站指标特征，使用主客观赋权方法为不同指标进行赋权，可实现对各类指标的特征提取并进一步得到多个聚类簇。最后通过对聚类簇的排序实现了合理有效的牵引变电站智能化评价等级划分。相比于已有的评价等级划分及评价方法，该实施例提供的牵引变电站等级划分及评价方法结合了无监督学习与主客观赋权原理，并使用高效的评价方法实现了对于已有牵引变电站信息的整合和划分，基于划分结果实现对新的牵引变电站的评价，能够显著提升牵引变电站评价工作的合理性与有效性。

在上述实施例1和实施例2中，均以对牵引变电站智能化的评价为例进行说明，在实际应用过程中，本发明提供的牵引变电站等级划分及评价方法还可以对牵引变电站的其他性质进行评价，在对其他性质评价过程中，只需要获取与所评价性质相关的数据和指标即可。

实施例3

该实施例提供了一种牵引变电站等级划分及评价系统，以用于实施上述实施例1或实施例2提供的牵引变电站等级划分及评价方法。系统包括：指标获取模块、权重赋值模块、指标聚类模块、上下限矩阵建立模块、聚类簇指标矩阵确定模块、聚类簇评分向量确定模块、评分等级确定模块和评价结果确定模块。

指标获取模块，用于获取牵引变电站的指标。指标包括：传感器数量、信息传输速度和预警系统动作灵敏度。

权重赋值模块，用于对指标进行权重赋值得到权重向量。

指标聚类模块，用于使用无监督学习方法基于权重向量对指标进行聚类得到聚类簇矩阵。

上下限矩阵建立模块，用于确定聚类簇矩阵中每一聚类簇在各指标下的范围，并基于确定的范围建立聚类簇指标上限矩阵和聚类簇指标下限矩阵。

聚类簇指标矩阵确定模块，用于根据聚类簇指标上限矩阵和聚类簇指标下限矩阵确定聚类簇指标矩阵。

聚类簇评分向量确定模块，用于根据聚类簇指标矩阵，使用对应不同指标的数据对各个聚类簇进行打分，得到聚类簇评分向量。对应不同指标的数据为用于表征牵引变电站智能化的数据。

评分等级确定模块，用于根据聚类簇评分向量确定聚类簇矩阵中每一聚类簇的评分等级。

评价结果确定模块，用于基于聚类簇的评分等级得到待评价牵引变电站的评价结果。

实施例4

该实施例提供了一种电子设备，该电子设备包括：存储器和处理器。

存储器，用于存储计算机程序。

处理器，与存储器连接，用于调取并执行计算机程序，以实施上述实施例1或实施例2提供的牵引变电站等级划分及评价方法。

此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分S。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

相比于已有的评价等级划分及评价方法，本发明结合了无监督学习与主客观赋权原理，并使用高效的评价方法实现了对于已有牵引变电站信息的整合和划分后，基于划分结果实现对新的牵引变电站的评价，能够显著提升牵引变电站评价工作的合理性与有效性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或电子设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种牵引变电站等级划分及评价方法，其特征在于，包括：

获取牵引变电站的指标；所述指标包括：传感器数量、信息传输速度和预警系统动作灵敏度；

对所述指标进行权重赋值得到权重向量；

使用无监督学习方法基于所述权重向量对所述指标进行聚类得到聚类簇矩阵；

确定所述聚类簇矩阵中每一聚类簇在各指标下的范围，并基于确定的范围建立聚类簇指标上限矩阵和聚类簇指标下限矩阵；

根据所述聚类簇指标上限矩阵和所述聚类簇指标下限矩阵确定聚类簇指标矩阵；

根据所述聚类簇指标矩阵，使用对应不同指标的数据对各个聚类簇进行打分，得到聚类簇评分向量；对应不同指标的数据为用于表征牵引变电站智能化的数据；

根据所述聚类簇评分向量确定所述聚类簇矩阵中每一聚类簇的评分等级；

基于所述聚类簇的评分等级得到待评价牵引变电站的评价结果；

其中，使用无监督学习方法基于所述权重向量对所述指标进行聚类得到聚类簇矩阵，具体包括：

构建牵引变电站的原始数据矩阵，并设定初始聚类中心矩阵；所述原始数据矩阵的一行数据为一个牵引变电站的个指标；所述原始数据矩阵的维度为/>；所述初始聚类中心矩阵中包括多个聚类中心；所述初始聚类中心矩阵的维度为/>；其中，/>为牵引变电站的个数，/>为所述指标的个数，/>为聚类中心的个数，/>；

基于所述权重向量确定所述原始数据矩阵中每行数据与所述初始聚类中心矩阵中每行数据间的空间距离；

基于所述初始聚类中心矩阵中的每一聚类中心构建一个聚类簇；

将所述原始数据矩阵中每行数据放入与其空间距离最小的聚类中心的聚类簇中，以得到所述聚类簇矩阵。

2.根据权利要求1所述的牵引变电站等级划分及评价方法，其特征在于，采用层次分析法对所述指标进行权重赋值得到权重向量。

3.根据权利要求1所述的牵引变电站等级划分及评价方法，其特征在于，根据所述聚类簇指标矩阵，使用对应不同指标的数据对各个聚类簇进行打分，得到聚类簇评分向量，具体包括：

获取聚类簇指标矩阵每一列的最大值和最小值；

确定聚类簇指标矩阵每一列中的所有值与对应的最大值的均方差，作为最大均方差；

确定聚类簇指标矩阵每一列中的所有值与对应的最小值的均方差，作为最小均方差；

根据所述最大均方差和所述最小均方差确定聚类簇指标矩阵中每一列的评分；

基于聚类簇指标矩阵中每一列的评分得到所述聚类簇评分向量。

4.根据权利要求3所述的牵引变电站等级划分及评价方法，其特征在于，基于所述聚类簇的评分等级得到待评价牵引变电站的评价结果，具体包括：

获取待评价牵引变电站的指标向量；

确定所述指标向量与各聚类中心向量间的欧式距离；所述聚类中心向量为将所述原始数据矩阵中每行数据放入与其空间距离最小的聚类中心的聚类簇的过程中得到的各聚类中心矩阵的平均值向量；

将与指标向量间欧式距离最小的聚类中心向量所对应的聚类簇的评分等级作为待评价牵引变电站的评价结果。

5.一种牵引变电站等级划分及评价系统，其特征在于，用于实施如权利要求1-4任意一项所述的牵引变电站等级划分及评价方法；所述系统包括：

指标获取模块，用于获取牵引变电站的指标；所述指标包括：传感器数量、信息传输速度和预警系统动作灵敏度；

权重赋值模块，用于对所述指标进行权重赋值得到权重向量；

指标聚类模块，用于使用无监督学习方法基于所述权重向量对所述指标进行聚类得到聚类簇矩阵；

上下限矩阵建立模块，用于确定所述聚类簇矩阵中每一聚类簇在各指标下的范围，并基于确定的范围建立聚类簇指标上限矩阵和聚类簇指标下限矩阵；

聚类簇指标矩阵确定模块，用于根据所述聚类簇指标上限矩阵和所述聚类簇指标下限矩阵确定聚类簇指标矩阵；

聚类簇评分向量确定模块，用于根据所述聚类簇指标矩阵，使用对应不同指标的数据对各个聚类簇进行打分，得到聚类簇评分向量；对应不同指标的数据为用于表征牵引变电站智能化的数据；

评分等级确定模块，用于根据所述聚类簇评分向量确定所述聚类簇矩阵中每一聚类簇的评分等级；

评价结果确定模块，用于基于所述聚类簇的评分等级得到待评价牵引变电站的评价结果；

其中，指标聚类模块中使用无监督学习方法基于所述权重向量对所述指标进行聚类得到聚类簇矩阵，具体包括：

构建牵引变电站的原始数据矩阵，并设定初始聚类中心矩阵；所述原始数据矩阵的一行数据为一个牵引变电站的个指标；所述原始数据矩阵的维度为/>；所述初始聚类中心矩阵中包括多个聚类中心；所述初始聚类中心矩阵的维度为/>；其中，/>为牵引变电站的个数，/>为所述指标的个数，/>为聚类中心的个数，/>；

基于所述权重向量确定所述原始数据矩阵中每行数据与所述初始聚类中心矩阵中每行数据间的空间距离；

基于所述初始聚类中心矩阵中的每一聚类中心构建一个聚类簇；

将所述原始数据矩阵中每行数据放入与其空间距离最小的聚类中心的聚类簇中，以得到所述聚类簇矩阵。

6.一种电子设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施如权利要求1-4任意一项所述的牵引变电站等级划分及评价方法。

7.根据权利要求6所述的电子设备，其特征在于，所述存储器为计算机可读存储介质。