CN108053148A - 一种电力信息***故障高效诊断方法 - Google Patents
一种电力信息***故障高效诊断方法 Download PDFInfo
- Publication number
- CN108053148A CN108053148A CN201810007186.1A CN201810007186A CN108053148A CN 108053148 A CN108053148 A CN 108053148A CN 201810007186 A CN201810007186 A CN 201810007186A CN 108053148 A CN108053148 A CN 108053148A
- Authority
- CN
- China
- Prior art keywords
- index
- information system
- fault
- power information
- parameter
- 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.)
- Granted
Links
- 238000002405 diagnostic procedure Methods 0.000 title abstract 2
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000032798 delamination Effects 0.000 abstract 1
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电气信息技术领域,尤其涉及一种电力信息***故障高效诊断方法,包括:选取表征电力信息***运行状况的参数指标,构建参数指标集,对参数指标进行离散化处理;构建信息***故障诊断知识表达***,建立决策表;建立电力信息***的故障诊断层次分析模型,确定参数指标集中参数的指标权重;根据指标权重依次确定条件属性集子集,计算所述条件属性集的子集与决策属性集的互信息,得到最小指标约简集;根据指标权重和最小指标约简集计算最终结果,做出诊断。本发明通过建立层次分析模型,确定指标权重并根据权重排序、计算互信息进行指标约简计算,提高了约简效率,同时保证了约简集最佳性,提高了决策准确率。
Description
技术领域
本发明属于电气信息技术领域,尤其涉及一种电力信息***故障高效诊断方法。
背景技术
随着我国智能电网建设及信息化发展战略实施,国家电网公司的信息化建设不断提高。信息***应用覆盖了电力***方方面面,业务覆盖范围逐年扩大,智能电网的建设对整个电网安全可靠性运行提出了更好的要求。电力信息设备故障是影响电网安全运行的重要因素之一,已愈来愈引起重视。
现代电力信息设备结构日趋复杂,数据信息多源、多样化。影响电力信息***安全稳定运行的因素众多,信息***安全稳定性评估尚且没有完整公认的评价指标体系;目前信息***故障诊断,通过对采集到的指标数据进行综合分析计算进行故障诊断,但指标之间往往存在极大相关性或与故障决策无关,存在信息冗余,使得信息***故障诊断准确率低、效率低。
发明内容
针对上述问题,本发明提出了一种电力信息***故障高效诊断方法,包括:
步骤1:选取表征电力信息***运行状况的参数指标,构建参数指标集,对参数指标进行离散化处理;
步骤2:将信息***故障状态分为三类运行状况,并将所述三类运行状况作为决策属性集,将步骤1所得到的参数指标集作为条件属性集,基于决策属性集和条件属性集构建信息***故障诊断知识表达***;
步骤3:根据参数指标建立电力信息***的故障诊断层次分析模型,确定步骤1所得到的条件属性集中参数的指标权重;
步骤4:根据步骤3所得到的指标权重依次确定条件属性集子集,计算所述条件属性集的子集与决策属性集的互信息,并基于模糊粗糙集理论对参数指标集进行约简计算,得到最小指标约简集;
步骤5:根据步骤3得到的指标权重和步骤4得到的最小指标约简集计算最终结果,做出诊断。
所述步骤1具体包括:
步骤1.1:选取表征电力信息***运行状况的参数指标,参数指标包括***的运行环境、运行方式、稳定性,构建参数指标集Z:Z={Z1,Z2,...,Zn};
步骤1.2:对每项指标Zi(i=1,2,...,n),进行离散化处理,分别标记为0,1,...k。
所述步骤2具体为:
步骤2.1:将电力信息***故障状划分为正常工作、故障预警和处于故障状态三类运行状况,作为决策属性集D,分别标记为:D={正常,预警,故障};
步骤2.2:将步骤1中选取的参数指标集Z={Z1,Z2,...,Zn}作为条件属性集C;
步骤2.3:构建信息***故障诊断知识表达***S,S=<U,A,V,f>,U={X1,X2,...,Xk}为电力信息***对象集;
其中,A为属性集,由信息***的条件属性C和决策属性D组成,A=C∪D;V为属性值Va(a∈A)集;f为信息函数,为每个信息***对象的每个条件属性赋予信息值,对任意a∈A,x∈U,满足f(x,a)∈Va。
所述步骤3具体为:
步骤3.1:建立电力信息***的故障诊断层次分析模型,模型分为指标层和目标层;其中Z={Z1,Z2,...,Zn}作为指标层,信息***运行状况作为目标层;
步骤3.2:构造层次分析n阶判断矩阵P,矩阵P中元素以数字1-9及其倒数表示,
其中,Zij为指标Zi和指标Zj相对重要程度值,Zij的具体值通过专家评价指标确定;
步骤3.3:进行指标重要性计算,根据判断矩阵P,结合Pζ=λmaxζ,求得矩阵最大特征值λmax对应的特征向量;
步骤3.4:对特征向量进行归一化处理,归一化数值记为指标权重,并得到指标重要性排序Z*,Z*={Z1,Z2,...,Zn},满足:Z1≥Z2≥...≥Zn;
步骤3.5:进行一致性检验,计算判断矩阵随机一致性比率CR,其中RI为判断矩阵平均一致性比率;
步骤3.6:若CR≤0.1,通过一致性检验,步骤3完成;若CR>0.1,对参数指标相对重要度重新评价,确定判断矩阵P,再重复步骤3.3-3.6。
所述步骤4具体为:
步骤4.1:根据步骤2中建立的知识表达***构建决策表T;
步骤4.2:根据步骤3得到的指标重要性排序Z*={Z1,Z2,...,Zn},记参数指标子集R={R1,R2,...,Rn},其中Ri={Z1,Z2,...,Zi},(i=1,2,...n),依次计算参数指标子集Ri(i=1,2,...n)对于决策属性集D的互信息,求参数指标子集Ri(i=1,2,...n)对决策属性集D的互信息,详细步骤如下:
1)分别求得Ri与D在U上的等价类U/Ri与U/D:假设Ri与D在U上的等价类别数分别为m,M,U/Ri={Y1,Y2,...,Ym},U/D={G1,G2,...,GM},其中Yi(i=1,2,...,m)与Gj(j=1,2,...,M)都为电力信息***对象集U的子集,且满足:
2)求Ri与D得概率分布p(Y)与p(H):
3)求Ri与D得联合概率分布p(YH):
4)计算Ri的信息熵H(Ri):
5)计算Ri相对于D的条件熵H(D|Ri):
6)计算Ri与D的互信息I(Ri;D)=H(Ri)-H(Ri|D)。
步骤4.3:判断与POSC(D)是否相等,
其中条件属性C对U的等价类为:
步骤4.4:若与POSC(D)相等,则Ri为最佳属性约简集;若不等,则按照步骤4.2,选取不同事物指标子集,重复步骤4.2-4.4,直到得到最佳属性约简集,最佳约简集记为Zf。
所述步骤5具体为:
步骤5.1:最佳属性指标约简集Zf,Zf为Z的一个真子集,k为约简集Zf中指标数,记Zf={Z1,Z2,...Zk},Zi(i=1,2,...,k)∈Z,对应的权重记为w={w1,w2,...,wk};
步骤5.2:综合评估信息***运行状态:F=w1Z1+w2Z2+...+wkZk,设定信息***预警和故障的阈值δ1,δ2,F<δ1,***运行正常,δ1≤F<δ2信息***运行故障预警,F≥δ2信息***运行故障。
有益效果
本发明提出了一种电力信息***故障高效诊断方法,通过对信息***是否可能出现故障的评价指标建立知识表达***和层次分析模型,计算评估指标的相对重要性,并降序排列;然后按照属性指标重要度依次构建属性指标集,采用粗糙集理论进行评价指标的约简,找到对信息***是否出现故障做出准确判断的最小指标子集,提高信息***故障诊断的效率与准确率。最后,根据最小指标子集以及指标权重综合加权定量计算信息***异常程度,最终做出诊断,为运检维修人员提供指导。
附图说明
图1为本发明的流程示意图;
图2为指标约简流程图。
具体实施方式
下面结合附图,对实施例作详细说明。
实施例1
本发明的方法流程如图1所示,指标约简流程如图2所示,以电力I6000***为例,具体步骤如下:
步骤1:选取表征I6000***运行状况的参数指标,并离散化处理。
步骤1.1:选取表征I6000***运行状况的参数指标。选取主机服务器CPU平均负载、日均负载,网络服务器平均负载、日均负载,安全设备内存平均负载、日均负载,缓存使用率,共享内存使用率,中间件可用连接,堆栈内存使用率,服务器迁移、变更状况,数据库核心参数调整,设备是否维保期内14个指标作为参数指标集。记为Z={Z1,Z2,...,Z14}。
步骤1.2:对参数指标离散化处理,对每项指标Zi(i=1,2,...,n),离散处理,分别标记为0,1,...k。如:服务器CPU平均负载0一般表示为负载率低,1表示负载率正常范围内,2表示负载率过高。
步骤2:构建I6000***的信息***故障诊断知识表达***,建立决策表T。
步骤2.1:I6000***运行状况分为正常工作、故障预警、处于故障状态三类。三类运行状况作为决策属性集D,分别标记为:D={正常,预警,故障},用数字0表示正常,1表示预警,2表示故障。
步骤2.2:步骤1中选取I6000***参数指标Z={Z1,Z2,...,Z14}作为条件属性集C。
步骤2.3:构建知识***S=<U,A,V,f>,U={X1,X2,...,X18}为I6000***集;A为属性集,由信息***的条件属性C和决策属性集D组成,A=C∪D;
步骤3:建立电力信息***的故障诊断层次分析模型,确定指标权重。
步骤3.1:建立I6000***的故障诊断层次分析模型,衡量信息***运行状况的指标为所选取的14个参数指标,参数指标集为指标层,信息***运行状态评估作为目标层。
步骤3.2:构造层次分析n阶判断矩阵P,元素Zij取值数字1-9或其倒数;Zij表示指标Zi和指标Zj相对重要程度值。其中
步骤3.3:指标重要性计算。根据判断矩阵P,求得矩阵最大特征值λmax对应的特征向量ζ,满足:Pζ=λmaxζ。
步骤3.4:对特征向量进行归一化处理,得到指标重要性排序Z*={Z1,Z2,...,Z14},满足Z1≥Z2≥...≥Z14。
步骤3.5:一致性检验:计算判断矩阵随机一致性比率CR,其中RI为判断矩阵平均一致性比率。
步骤3.6:判断是否通过一致性检验,若否,则重新确定判断矩阵,重复步骤3.3-3.6,直到通过一致性检验,得到Z*。
步骤4:利用模糊粗糙集理论进行指标约简。
步骤4.1:根据步骤2中建立的知识表达***构建决策表T,决策表T如表1所示。
步骤4.2:根据步骤3得到的指标重要性排序Z*={Z1,Z2,...,Z14},按照指标重要性依次取子集:R1={Z1},R2={Z1,Z2},R3={Z1,Z2,Z3},...,R14={Z1,Z2,...,Z14},依次计算指标子集R1,R2,R3...与决策属性集D的互信息。先求指标子集R1={Z1}对决策D的互信息,计算过程如下:
1)分别求得R1与D在U上的等价类U/R1与U/D:假设R1与D在U上的等价类别数分别为m,M。U/R1={Y1,Y2,...,Ym},U/D={G1,G2,...,GM},其中Yi(i=1,2,...,m)与Gj(j=1,2,...,M)都为电力信息***对象集U的子集,且满足:
2)求R1与D得概率分布p(Y)与p(H):
3)求R1与D得联合概率分布p(YH):
4)计算R1的信息熵H(R1):
5)计算R1相对于D的条件熵H(D|R1):
6)计算R1与D的互信息I(R1;D)=H(R)-H(R1|D)。
步骤4.3:判断POSR1(D)与POSC(D)是否相等。
其中条件属性C对U的等价类为:
U/C={W1,W2,...,Wr};
步骤4.4:若与POSC(D)相等,则R1为最佳属性约简集。若不等,则按照步骤4.2所述,选取第二个指标子集R2,重复步骤4.2-4.4(只需把计算过程中的R1置换为R2)直到得到最佳属性约简集。通过计算最佳约简指标集为:Zf={Z1,Z3,Z5,Z6,Z7,Z8,Z9,Z11}。
步骤5:综合计算,做出诊断。
步骤5.1:最佳属性指标约简集Zf,Zf={Z1,Z3,Z5,Z6,Z7,Z8,Z9,Z11},由步骤3计算得到的Zf的权重为w={w1,w3,w5,w6,w7,w8,w9,w11}。
步骤5.2综合评估信息***运行状态:
F=w1Z1+w3Z3+w5Z5+w6Z6+w7Z7+w8Z8+w9Z9+w11Z11,设定信息***预警和故障的阈值δ1=0.55,δ2=0.85。F<δ1,***运行正常,δ1≤F<δ2信息***运行故障预警,F≥δ2信息***运行故障。
表1电力I6000***决策表
本发明主要针对目前的电力信息***故障诊断时间滞后、故障判断模糊、准确率低而提出。方法首先确定待诊断信息***的故障类型,该方法首先确定信息***的评价指标,并将评价指标离散化;然后对信息***的评价指标和决策类构建知识表达***,建立决策表;再根据信息***评价指标建立层次分析模型,确定指标权重;然后根据层次分析模型得到的指标重要性以及模糊粗糙集理论对信息***评价指标进行约简计算,得到最小指标约简集;最后,根据指标权重和最小指标约简集计算最终结果,做出诊断。该方法,通过建立层次分析模型,确定指标权重并根据权重排序进行指标约简计算,提高了约简效率,同时保留诊断决策的重要性指标,提高了决策准确率。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种电力信息***故障高效诊断方法,其特征在于,包括:
步骤1:选取表征电力信息***运行状况的参数指标,构建参数指标集,对参数指标进行离散化处理;
步骤2:将信息***故障状态分为三种运行状况,并将所述三种运行状况作为决策属性集,将步骤1所得到的参数指标集作为条件属性集,基于决策属性集和条件属性集构建信息***故障诊断知识表达***;
步骤3:根据参数指标建立电力信息***的故障诊断层次分析模型,确定步骤1所得到的条件属性集中参数的指标权重;
步骤4:根据步骤3所得到的指标权重依次确定条件属性集子集,计算所述条件属性集的子集与决策属性集的互信息,并基于模糊粗糙集理论对参数指标集进行约简计算,得到最小指标约简集;
步骤5:根据步骤3得到的指标权重和步骤4得到的最小指标约简集计算最终结果,做出诊断。
2.根据权利要求1所述的一种电力信息***故障高效诊断方法,其特征在于,所述步骤1具体包括:
步骤1.1:选取表征电力信息***运行状况的参数指标,参数指标包括***的运行环境、运行方式、稳定性,构建参数指标集Z:Z={Z1,Z2,...,Zn};
步骤1.2:对每项指标Zi(i=1,2,...,n),进行离散化处理,分别标记为0,1,...k。
3.根据权利要求1所述的一种电力信息***故障高效诊断方法,其特征在于,所述步骤2具体为:
步骤2.1:将电力信息***故障状划分为正常工作、故障预警和处于故障状态三类运行状况,作为决策属性集D,分别标记为:D={正常,预警,故障};
步骤2.2:将步骤1中选取的参数指标集Z={Z1,Z2,...,Zn}作为条件属性集C;
步骤2.3:构建信息***故障诊断知识表达***S,S=<U,A,V,f>,U={X1,X2,...,Xk}为电力信息***对象集;
其中,A为属性集,由信息***的条件属性C和决策属性D组成,A=C∪D;V为属性值Va(a∈A)集;f为信息函数,为每个信息***对象的每个条件属性赋予信息值,对任意a∈A,x∈U,满足f(x,a)∈Va。
4.根据权利要求1所述的一种电力信息***故障高效诊断方法,其特征在于,所述步骤3具体为:
步骤3.1:建立电力信息***的故障诊断层次分析模型,模型分为指标层和目标层;其中Z={Z1,Z2,...,Zn}作为指标层,信息***运行状况作为目标层;
步骤3.2:构造层次分析n阶判断矩阵P,矩阵P中元素以数字1-9及其倒数表示,
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>Z</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>Z</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>Z</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>Z</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>Z</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>Z</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>Z</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>Z</mi>
<mrow>
<mi>n</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>Z</mi>
<mrow>
<mi>n</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,Zij为指标Zi和指标Zj相对重要程度值,Zij的具体值通过专家评价指标确定;
步骤3.3:进行指标重要性计算,根据判断矩阵P,结合Pζ=λmaxζ,求得矩阵最大特征值λmax对应的特征向量;
步骤3.4:对特征向量进行归一化处理,归一化数值记为指标权重,并得到指标重要性排序Z*,Z*={Z1,Z2,...,Zn},满足:Z1≥Z2≥...≥Zn;
步骤3.5:进行一致性检验,计算判断矩阵随机一致性比率CR,其中RI为判断矩阵平均一致性比率;
步骤3.6:若CR≤0.1,通过一致性检验,步骤3完成;若CR>0.1,对参数指标相对重要度重新评价,确定判断矩阵,再重复步骤3.3-3.6。
5.根据权利要求1所述的一种电力信息***故障高效诊断方法,其特征在于,所述步骤4具体为:
步骤4.1:根据步骤2中建立的知识表达***构建决策表T;
步骤4.2:根据步骤3得到的指标重要性排序Z*={Z1,Z2,...,Zn},记参数指标子集R={R1,R2,...,Rn},其中Ri={Z1,Z2,...,Zi},(i=1,2,...n),计算参数指标子集Ri(i=1,2,...n)对于决策属性集D的互信息,求参数指标子集Ri(i=1,2,...n)对决策属性集D的互信息,详细步骤如下:
1)分别求得Ri与D在U上的等价类U/Ri与U/D:假设Ri与D在U上的等价类别数分别为m,M,U/Ri={Y1,Y2,...,Ym},U/D={G1,G2,...,GM},其中Yi(i=1,2,...,m)与Gj(j=1,2,...,M)都为电力信息***对象集U的子集,且满足:
2)求Ri与D得概率分布p(Y)与p(H):
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>U</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>|</mo>
<mi>U</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3)求Ri与D得联合概率分布p(YH):
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>U</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>M</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
4)计算Ri的信息熵H(Ri):
5)计算Ri相对于D的条件熵H(D|Ri):
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>|</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
6)计算Ri与D的互信息I(Ri;D)=H(Ri)-H(Ri|D)。
步骤4.3:判断与POSC(D)是否相等,
<mrow>
<msub>
<mi>POS</mi>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mo>|</mo>
<munder>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>,</mo>
<msub>
<mi>POS</mi>
<mi>C</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<mo>|</mo>
<munder>
<mi>C</mi>
<mo>&OverBar;</mo>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>,</mo>
</mrow>
其中条件属性C对U的等价类为:
步骤4.4:若与POSC(D)相等,则Ri为最佳属性约简集;若不等,则按照步骤4.2,选取不同事物指标子集,重复步骤4.2-4.4,直到得到最佳属性约简集,最佳约简集记为Zf。
6.根据权利要求1所述的一种电力信息***故障高效诊断方法,其特征在于,所述步骤5具体为:
步骤5.1:最佳属性指标约简集Zf,Zf为Z的一个真子集,k为约简集Zf中指标数,记Zf={Z1,Z2,...Zk},Zi(i=1,2,...,k)∈Z,对应的权重记为w={w1,w2,...,wk};
步骤5.2:综合评估信息***运行状态:F=w1Z1+w2Z2+...+wkZk,设定信息***预警和故障的阈值δ1,δ2,F<δ1,***运行正常,δ1≤F<δ2信息***运行故障预警,F≥δ2信息***运行故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810007186.1A CN108053148B (zh) | 2018-01-04 | 2018-01-04 | 一种电力信息***故障高效诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810007186.1A CN108053148B (zh) | 2018-01-04 | 2018-01-04 | 一种电力信息***故障高效诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053148A true CN108053148A (zh) | 2018-05-18 |
CN108053148B CN108053148B (zh) | 2021-08-03 |
Family
ID=62126331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810007186.1A Expired - Fee Related CN108053148B (zh) | 2018-01-04 | 2018-01-04 | 一种电力信息***故障高效诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053148B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108880465A (zh) * | 2018-06-26 | 2018-11-23 | 广东石油化工学院 | 光伏电站故障预警方法及*** |
CN109284286A (zh) * | 2018-09-12 | 2019-01-29 | 贵州省赤水市气象局 | 一种从原始数据集中提取有效特征的方法 |
CN109473977A (zh) * | 2018-11-26 | 2019-03-15 | 国网湖北省电力有限公司 | 一种计及风险的电力***快速预防控制方法 |
CN109670611A (zh) * | 2018-12-29 | 2019-04-23 | 四川中电启明星信息技术有限公司 | 一种电力信息***故障诊断方法及装置 |
CN111652527A (zh) * | 2020-06-29 | 2020-09-11 | 重庆第二师范学院 | 一种课堂教学质量评价***及模型的构建方法 |
CN113495800A (zh) * | 2020-04-02 | 2021-10-12 | 北京航空航天大学 | 基于扩展多属性决策的诊断预测数据和特征再认知方法 |
CN113495607A (zh) * | 2020-03-18 | 2021-10-12 | 台达电子企业管理(上海)有限公司 | 高压发生器的故障诊断方法和*** |
CN114034978A (zh) * | 2021-11-11 | 2022-02-11 | 四川中电启明星信息技术有限公司 | 一种用于配网类项目的自动模型检测方法及*** |
CN116643123A (zh) * | 2023-06-06 | 2023-08-25 | 国网江苏省电力有限公司宿迁供电分公司 | 基于现场故障数据集的小电流接地选线优化方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060112061A1 (en) * | 2004-06-24 | 2006-05-25 | Masurkar Vijay B | Rule based engines for diagnosing grid-based computing systems |
CN103744850A (zh) * | 2013-10-14 | 2014-04-23 | 国家电网公司 | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 |
CN104252686A (zh) * | 2014-08-15 | 2014-12-31 | 国家电网公司 | 一种电网安全综合指标确定方法 |
CN107256444A (zh) * | 2017-04-24 | 2017-10-17 | 中国电力科学研究院 | 一种配电网故障风险模糊综合评价方法及装置 |
-
2018
- 2018-01-04 CN CN201810007186.1A patent/CN108053148B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060112061A1 (en) * | 2004-06-24 | 2006-05-25 | Masurkar Vijay B | Rule based engines for diagnosing grid-based computing systems |
CN103744850A (zh) * | 2013-10-14 | 2014-04-23 | 国家电网公司 | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 |
CN104252686A (zh) * | 2014-08-15 | 2014-12-31 | 国家电网公司 | 一种电网安全综合指标确定方法 |
CN107256444A (zh) * | 2017-04-24 | 2017-10-17 | 中国电力科学研究院 | 一种配电网故障风险模糊综合评价方法及装置 |
Non-Patent Citations (4)
Title |
---|
QUAN LI: "Evaluation Research of Excellent Courses Based on Rough Set and Fuzzy AHP Method in Colleges", 《 2009 FIRST INTERNATIONAL WORKSHOP ON DATABASE TECHNOLOGY AND APPLICATIONS》 * |
张雪峰: "线性时变周期***的能控性、稳定性分析与粗糙控制", 《中国博士学位论文全文数据库 信息科技辑》 * |
邢媛媛: "基于层次分析法的瓦斯电厂火炬故障原因分析", 《煤炭经济研究》 * |
魏巍 等: "粗糙集的不确定性度量比较研究", 《南京大学学报(自然科学)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108880465A (zh) * | 2018-06-26 | 2018-11-23 | 广东石油化工学院 | 光伏电站故障预警方法及*** |
CN109284286B (zh) * | 2018-09-12 | 2021-04-06 | 贵州省赤水市气象局 | 一种从原始数据集中提取有效特征的方法 |
CN109284286A (zh) * | 2018-09-12 | 2019-01-29 | 贵州省赤水市气象局 | 一种从原始数据集中提取有效特征的方法 |
CN109473977A (zh) * | 2018-11-26 | 2019-03-15 | 国网湖北省电力有限公司 | 一种计及风险的电力***快速预防控制方法 |
CN109473977B (zh) * | 2018-11-26 | 2022-03-08 | 国网湖北省电力有限公司 | 一种计及风险的电力***快速预防控制方法 |
CN109670611A (zh) * | 2018-12-29 | 2019-04-23 | 四川中电启明星信息技术有限公司 | 一种电力信息***故障诊断方法及装置 |
CN113495607A (zh) * | 2020-03-18 | 2021-10-12 | 台达电子企业管理(上海)有限公司 | 高压发生器的故障诊断方法和*** |
US11852686B2 (en) | 2020-03-18 | 2023-12-26 | Delta Electronics (Shanghai) Co., Ltd. | Fault diagnosis method and system for high-voltage generator |
CN113495800A (zh) * | 2020-04-02 | 2021-10-12 | 北京航空航天大学 | 基于扩展多属性决策的诊断预测数据和特征再认知方法 |
CN113495800B (zh) * | 2020-04-02 | 2024-06-18 | 北京航空航天大学 | 基于扩展多属性决策的诊断预测数据和特征再认知方法 |
CN111652527A (zh) * | 2020-06-29 | 2020-09-11 | 重庆第二师范学院 | 一种课堂教学质量评价***及模型的构建方法 |
CN111652527B (zh) * | 2020-06-29 | 2023-07-11 | 重庆第二师范学院 | 一种课堂教学质量评价***及模型的构建方法 |
CN114034978A (zh) * | 2021-11-11 | 2022-02-11 | 四川中电启明星信息技术有限公司 | 一种用于配网类项目的自动模型检测方法及*** |
CN114034978B (zh) * | 2021-11-11 | 2023-11-10 | 四川中电启明星信息技术有限公司 | 一种用于配网类项目的自动模型检测方法及*** |
CN116643123A (zh) * | 2023-06-06 | 2023-08-25 | 国网江苏省电力有限公司宿迁供电分公司 | 基于现场故障数据集的小电流接地选线优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108053148B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053148B (zh) | 一种电力信息***故障高效诊断方法 | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN109377024A (zh) | 一种基于层次分析和灰色模糊综合的恢复能力评估方法 | |
CN110264112B (zh) | 基于双向加权灰色关联的配电网可靠性影响因素分析方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN105975735A (zh) | 一种用于电力设备健康状态评估的建模方法 | |
CN106447205A (zh) | 一种基于层次分析法的配电自动化终端状态评价方法 | |
CN107730395B (zh) | 一种针对低压用户的基于用电量偏差率的用电异常检测方法 | |
CN113887846B (zh) | 一种电容式电压互感器的超差风险预警方法 | |
CN114118789B (zh) | 基于模糊综合评判和综合赋权的雷达发射机状态评估方法 | |
CN104331773A (zh) | 一种电网规划方案综合评估方法 | |
CN110046409B (zh) | 一种基于ResNet的汽轮机部件健康状态评估方法 | |
CN111932081B (zh) | 一种电力信息***运行状态评估方法及*** | |
CN110766313A (zh) | 一种基于运维检修制度的电缆隧道综合状态评价方法 | |
CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN115271238A (zh) | 一种变压器的寿命预测方法及装置 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN115130578A (zh) | 一种基于增量式粗糙聚类的配电设备状态在线评估方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价***及方法 | |
CN114169683A (zh) | 基于模糊综合评价理论的发电机励磁***状态评价方法 | |
CN109359742B (zh) | 一种地铁子***预防维修周期的生成方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、***、设备及介质 | |
CN117575564A (zh) | 可扩展的基础设施网络组件维修与改造决策评估方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210803 Termination date: 20220104 |
|
CF01 | Termination of patent right due to non-payment of annual fee |