CN111610407B - 基于朴素贝叶斯的电缆老化状态评估方法和装置 - Google Patents

Abstract

本发明公开了一种基于朴素贝叶斯的电缆老化状态评估方法和装置，方法包括：收集待评估电缆的相关参数；将电缆的相关参数输入预先构建的朴素贝叶斯分类器，对电缆老化状态进行评估；其中，所述预先构建的朴素贝叶斯分类器构建方法如下：获取已有电缆的相关参数和电缆老化状态，作为训练数据；将训练数据中电缆的相关参数作为朴素贝叶斯分类模型的属性变量，电缆老化状态作为类变量，基于训练数据集计算各属性变量的先验概率，建立朴素贝叶斯分类器。本发明可以基于少量样本，以较低的计算代价对电缆老化状态进行准确的评估，为电缆的运行维护提供有针对性的指导。

Description

基于朴素贝叶斯的电缆老化状态评估方法和装置

技术领域

本发明属于电力设备维护技术领域，具体涉及一种电缆老化状态评估方法和装置。

背景技术

电缆是非常重要的电力设备，其故障时会导致用户停电。如果能在电缆发生故障前对电缆的老化状态进行评估，及时进行检修更换，将可减小故障损失，提升供电可靠性。

电缆老化状态的评估方法主要包括两大类：1)切片法，通过制作电缆样本切片，对电缆样本切片进行检测，如理化性能检测：傅立叶变换红外光谱仪，差式量热扫描分析，X射线衍射分析，扫描电镜分析等，根据理化检测结果对电缆老化程度进行判断。如公开号CN102778638 A的一种判定XLPE电缆绝缘水树老化状态的方法，通过开展上述理化测试，然后根据介电损耗峰、低频电导、片晶厚度变化和基团消失等数据，对电缆绝缘水树老化程度进行综合评估和诊断；对电缆样本进行切片后测试，虽然结果直观，但是难以满足实际电缆运维的要求；2)数学方法，通过分析电缆老化的各影响因素，建立数学模型，对电缆老化状态进行评估。如公开号CN 106251059 A的一种基于概率神经网络算法的电缆状态评估方法，根据电缆设备基本信息、运行信息、运检信息、家族缺陷等多类别的信息源，构建多源信息数据库；运用因子分析法对不完备信息下的数据库进行预处理，提出基于概率神经网络的多源信息融合算法，对不完备信息条件下对电缆整体状态进行综合评估。如公开号CN109272190 A的一种基于动量BP神经网络的电力电缆状态评价方法，建立引入动量因子的动量BP神经网络，评估电力电缆运行状态。但神经网络需要大量的数据进行训练，而实际运行经验表明，电缆老化的相关样本数据较少。如何通过分析较少的样本数据，建立准确的评估模型是值得研究的问题。

发明内容

发明目的：针对现有技术的不足，本发明提出一种基于朴素贝叶斯的电缆老化状态评估方法和装置，可以根据电缆老化影响因素，对电缆老化状态进行评估，为电缆的运行维护提供指导。

技术方案：为了实现以上目的，本发明采用如下的技术方案：

第一方面，提供一种基于朴素贝叶斯的电缆老化状态评估方法，包括以下步骤：

收集待评估电缆的相关参数；

将待评估电缆的相关参数输入预先构建的朴素贝叶斯分类器，对电缆老化状态进行评估；其中，所述预先构建的朴素贝叶斯分类器构建方法如下：

获取已有电缆的相关参数和电缆老化状态，作为训练数据；

将训练数据中电缆的相关参数作为朴素贝叶斯分类模型的属性变量，电缆老化状态作为类变量，计算各属性变量的先验概率，建立朴素贝叶斯分类器。

其中，所述的电缆的相关参数包括：电缆运行时间、电缆是否发生过接地故障、电缆局放、电缆介损。

进一步地，所述计算各属性变量的先验概率时，对离散变量采用拉普拉斯修正的频数计算先验概率，对连续变量采用高斯分布计算先验概率。

所述对离散变量采用拉普拉斯修正的频数计算先验概率，具体公式如下：

其中离散变量X_t一共有m个取值，即{x_t1,x_t2,…,x_tm}，P(c)是电缆状态类别为c的概率值，P(x_ti|c)是当电缆状态类别为c时离散变量X_t的值为x_ti的概率值，1≤i≤m，D_c表示电缆状态类别为c的个数，D表示总数，

表示电缆状态为类别c时离散变量X_t的值为x_ti的个数，N表示可能的电缆状态类别数，N_t表示变量X_t可能的类别数。

所述对连续变量采用高斯分布计算先验概率包括：

对于连续变量X_j，采用高斯分布计算当类别为c时连续变量X_j的值为x_jk的概率值，具体公式如下：

其中P(x_jk|c)是当类别为c时，连续变量X_j的值为x_jk的概率值，μ为平均值，δ为标准差，两者均通过训练数据中变量求得，计算公式如下：

其中x_j1,x_j2,…,x_jn表示训练数据中连续变量X_j的元素，即X_j＝{x_j1,x_j2,…,x_jn}。

所述朴素贝叶斯分类器的表达式如下：

其中c表示电缆老化状态类别，y是c的取值集合，argmax是一个函数，如有结果x₀＝argmax(f(x))，则表示当函数f(x)取x＝x₀的时候，得到f(x)取值范围的最大值，argmax函数返回的使f(x)取值最大的x，因此h_nb(x)表示使得

值最大的类别c。

优选地，所述方法还包括：对电缆数据进行预处理，所述预处理包括对缺失数据和异常数据进行删除，其中异常数据采用SPSS中的描述统计进行检测，对于Z分数大于3或小于-3的数据，则认为是异常数据。

第二方面，提供一种基于朴素贝叶斯的电缆老化状态评估装置，包括：

参数获取模块，用于收集待评估电缆的相关参数，以及获取已有电缆的相关参数和电缆老化状态，所述已有电缆的相关参数和电缆老化状态构成训练数据；

模型构建模块，用于根据训练数据中电缆的相关参数和老化状态，基于朴素贝叶斯分类模型构建电缆老化状态评估模型，其中，所述电缆老化状态评估模型以训练数据中电缆的相关参数作为朴素贝叶斯分类模型的属性变量，电缆老化状态作为类变量，计算各属性变量的先验概率；

状态评估模块，用于根据待评估电缆的相关参数和电缆老化状态评估模型，对电缆的老化状态做出评估。

其中，所述电缆的相关参数包括：电缆运行时间、电缆是否发生过接地故障、电缆局放、电缆介损。

进一步地，所述模型构建模块计算各属性变量的先验概率时，对离散变量采用拉普拉斯修正的频数计算先验概率，对连续变量采用高斯分布计算先验概率。

有益效果：本发明利用朴素贝叶斯分类方法通过分析电缆老化故障的可能的影响因素，对电缆的老化状态进行评估。朴素贝叶斯是一种典型的小样本机器学习方法，通过先验概率来推断后验概率，根据后验概率的大小来做出评估和判断，和现有技术相比，本发明无需对电缆样本切片，所需样本量又小，方法快速、简便，通过分析电缆检测状态量、运行时间及电缆是否发生接地故障等，对电缆的老化状态进行分级评估，可为电缆的运行维护提供更加有针对性的指导。

附图说明

图1为本发明基于朴素贝叶斯的电缆老化状态评估方法的总体流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明的技术方案。

参照图1，本发明的一种基于朴素贝叶斯的电缆老化状态评估方法，包括以下步骤：

步骤A，收集电缆相关数据。包括电缆运行时间、电缆是否发生过接地故障、电缆的局放、电缆的介损及电缆的老化状态等。

如表1所示为一实施例中得到的数据示例，收集的数据总数为50，其中轻度老化33个，中度老化8个，严重老化9个，表中有4个与电缆老化可能相关的变量，分别为X₁，X₂，X₃，X₄。电缆老化程度用X₅表示。

表1电缆相关数据

步骤B，基于步骤A中获取的电缆相关数据，对数据进行预处理，主要是对缺失数据和异常数据进行删除，其中异常数据采用SPSS中的描述统计进行检测，对于Z分数大于3或小于-3的数据，则认为是异常数据。

步骤C：基于步骤B预处理后的数据，建立朴素贝叶斯分类器。

从表1所示的数据，可看出一共有4个变量，其中运行时间、局放、介损均为连续型变量，是否发生过接地故障为离散型变量。

首先计算电缆老化状态类别的概率，电缆老化状态共3个，c的可能取值为1，2和3。根据拉普拉斯修正的频数，计算电缆老化状态的先验概率可得：

对于离散型变量，采用拉普拉斯修正的频数计算先验概率，对于变量X₂(是否发生接地故障)，根据拉普拉斯修正的频数，计算变量X₂的先验条件概率可得：

对于连续型变量，求得各变量的高斯分布参数如下表所示：

表2连续型变量的高斯分布参数

通过高斯分布函数可以求得当电缆状态为不同类别时(如c＝1或c＝2或c＝3)，各变量取值的条件概率。例如对于变量X₁，当电缆状态类别为c＝1时，此时若变量X₁的值为x_1k，此时的条件概率：

对于变量的其他情况，也可以采用类似方法求得条件概率。

基于电缆老化状态类别概率及各变量取值的条件概率，可构建朴素贝叶斯分类器，其表达式如下：

步骤D：根据步骤C建立的朴素贝叶斯分类器，输入电缆状态参量(例如某电缆的相关参数数据为X₁＝235，X₂＝1，X₃＝14，X₄＝0.08)，根据贝叶斯分类器，计算每个当电缆状态分别c＝1，c＝2和c＝3时

的值，结果如下：

当c＝1时，

当c＝2时，

当c＝3时，

对比上述计算结果，可知当c＝3时的概率值最大为151.6(为相对概率)，因此可判断电缆的状态为c＝3，即严重老化状态。

根据本发明的另一实施例，提供一种基于朴素贝叶斯的电缆老化状态评估装置，包括：

参数获取模块，用于收集电缆的相关参数；电缆相关参数包括：电缆运行时间、电缆是否发生过接地故障、电缆局放、电缆介损。

模型构建模块，用于根据训练数据中电缆的相关参数和老化状态，基于朴素贝叶斯分类模型构建电缆老化状态评估模型，其中，电缆老化状态评估模型以电缆相关参数作为朴素贝叶斯分类模型的属性变量，电缆老化状态作为类变量，计算各属性变量的先验概率，对离散变量采用拉普拉斯修正的频数计算先验概率，对连续变量采用高斯分布计算先验概率。具体而言，对离散变量采用拉普拉斯修正的频数计算先验概率包括：

设离散变量X_t一共有m个取值，即{x_t1,x_t2,…,x_tm}，采用拉普拉斯修正的频数计算类别概率和离散变量X_t取值为x_ti的先验概率，具体公式如下：

其中P(c)是类别概率值，P(x_ti|c)是当电缆状态类别为c时，离散变量X_t的值为x_ti的概率值，1≤i≤m，D_c表示电缆状态类别为c的个数，D表示总数，

表示电缆状态为类别c时离散变量X_t的值为x_ti的个数，N表示可能的电缆状态类别数，N_t表示变量X_t可能的类别数。

对连续变量采用高斯分布计算先验概率包括：

对于连续变量X_j，变量X_j服从高斯分布，则采用高斯分布计算当类别为c时，连续变量X_j的值为x_jk的概率值，具体公式如下：

其中P(x_jk|c)是当类别为c时，连续变量X_j的值为x_jk的概率值，μ为平均值，δ为标准差，两者均通过训练数据中变量求得，假设训练数据中连续变量X_j＝{x_j1,x_j2,…,x_jn}，则：

基于朴素贝叶斯分类模型的电缆老化状态评估模型表达式如下：

其中c表示电缆老化状态类别，y是c的取值集合，argmax是一个函数，如有结果x₀＝argmax(f(x))，则表示当函数f(x)取x＝x₀的时候，得到f(x)取值范围的最大值，argmax函数返回的使f(x)取值最大的x，因此h_nb(x)表示使得

值最大的类别c。

状态评估模块，用于根据待评估电缆的相关参数和电缆老化状态评估模型，对电缆的老化状态做出评估。具体地，将待评估电缆状态参量X输入电缆老化状态评估模型，计算每个当电缆老化状态分别不同的类别c时

的值，取概率值最大对应的类别c作为最终评估的电缆老化状态。

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

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

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

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

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (3)

1.一种基于朴素贝叶斯的电缆老化状态评估方法，其特征在于，包括以下步骤：

收集待评估电缆的相关参数，所述的电缆的相关参数包括：电缆运行时间、电缆是否发生过接地故障、电缆局放、电缆介损；

将待评估电缆的相关参数输入预先构建的朴素贝叶斯分类器，对电缆老化状态进行评估；其中，所述预先构建的朴素贝叶斯分类器构建方法如下：

获取已有电缆的相关参数和电缆老化状态，作为训练数据；

将训练数据中电缆的相关参数作为朴素贝叶斯分类模型的属性变量，电缆老化状态作为类变量，基于训练数据集计算各属性变量的先验概率，建立朴素贝叶斯分类器，其中计算各属性变量的先验概率时，对离散变量采用拉普拉斯修正的频数计算先验概率，对连续变量采用高斯分布计算先验概率；所述朴素贝叶斯分类器的表达式如下：

其中c表示电缆老化状态类别，y是c的取值集合，argmax是一个函数，如有结果x₀＝argmax(f(x))，则表示当函数f(x)取x＝x₀的时候，得到f(x)取值范围的最大值，argmax函数返回的使f(x)取值最大的x，因此h_nb(x)表示使得

值最大的类别c；

所述对离散变量采用拉普拉斯修正的频数计算先验概率，具体公式如下：

其中，离散变量X_t一共有m个取值，表示为{x_t1,x_t2,…,x_tm}，P(c)是电缆状态类别为c的概率值，P(x_ti|c)是当电缆状态类别为c时离散变量X_t的值为x_ti的概率值，1≤i≤m，D_c表示电缆状态类别为c的个数，D表示总数，

表示电缆状态为类别c时离散变量X_t的值为x_ti的个数，N表示可能的电缆状态类别数，N_t表示变量X_t可能的类别数；

所述对连续变量采用高斯分布计算先验概率包括：

对于连续变量X_j，采用高斯分布计算当类别为c时连续变量X_j的值为x_jk的概率值，具体公式如下：

其中P(x_jk|c)是当电缆状态类别为c时连续变量X_j的值为x_jk的概率值，μ为平均值，δ为标准差，两者均通过训练数据中变量求得，计算公式如下：

其中x_j1,x_j2,…,x_jn表示训练数据中连续变量X_j中的元素。

2.根据权利要求1所述的基于朴素贝叶斯的电缆老化状态评估方法，其特征在于，所述方法还包括：对电缆数据进行预处理，所述预处理包括对缺失数据和异常数据进行删除，其中异常数据采用SPSS中的描述统计进行检测，对于Z分数大于3或小于-3的数据，则认为是异常数据。

3.一种基于朴素贝叶斯的电缆老化状态评估装置，其特征在于，包括：

参数获取模块，用于收集待评估电缆的相关参数，以及获取已有电缆的相关参数和电缆老化状态，所述已有电缆的相关参数和电缆老化状态构成训练数据，所述电缆的相关参数包括：电缆运行时间、电缆是否发生过接地故障、电缆局放、电缆介损；

模型构建模块，用于根据训练数据中电缆的相关参数和电缆老化状态，基于朴素贝叶斯分类模型构建电缆老化状态评估模型，其中，所述电缆老化状态评估模型以训练数据中电缆的相关参数作为朴素贝叶斯分类模型的属性变量，电缆老化状态作为类变量，计算各属性变量的先验概率，所述模型构建模块计算各属性变量的先验概率时，对离散变量采用拉普拉斯修正的频数计算先验概率，对连续变量采用高斯分布计算先验概率，所述朴素贝叶斯分类器的表达式如下：

其中c表示电缆老化状态类别，y是c的取值集合，argmax是一个函数，如有结果x₀＝argmax(f(x))，则表示当函数f(x)取x＝x₀的时候，得到f(x)取值范围的最大值，argmax函数返回的使f(x)取值最大的x，因此h_nb(x)表示使得

值最大的类别c；

状态评估模块，用于根据待评估电缆的相关参数和电缆老化状态评估模型，对电缆的老化状态做出评估；

所述对离散变量采用拉普拉斯修正的频数计算先验概率，具体公式如下：

其中，离散变量X_t一共有m个取值，表示为{x_t1,x_t2,…,x_tm}，P(c)是电缆状态类别为c的概率值，P(x_ti|c)是当电缆状态类别为c时离散变量X_t的值为x_ti的概率值，1≤i≤m，D_c表示电缆状态类别为c的个数，D表示总数，

表示电缆状态为类别c时离散变量X_t的值为x_ti的个数，N表示可能的电缆状态类别数，N_t表示变量X_t可能的类别数；

所述对连续变量采用高斯分布计算先验概率包括：

对于连续变量X_j，采用高斯分布计算当类别为c时连续变量X_j的值为x_jk的概率值，具体公式如下：

其中P(x_jk|c)是当电缆状态类别为c时连续变量X_j的值为x_jk的概率值，μ为平均值，δ为标准差，两者均通过训练数据中变量求得，计算公式如下：

其中x_j1,x_j2,…,x_jn表示训练数据中连续变量X_j中的元素。

Images