【技术实现步骤摘要】
一种基于贝叶斯网和遗传算法评价智能电能表运行状态的方法和系统
本专利技术涉及电能计量领域,并且更具体地，涉及一种基于贝叶斯网和遗传算法评价智能电能表运行状态的方法和系统。
技术介绍
智能电能表正逐步进入每个家庭，实现用电信息采集的完全覆盖，其在智能电网的建设中的重要作用正在被凸显出来。智能电能表寿命有限，1、2级有功电能表检定周期一般小于8年，这说明每只电能表使用8年将被收回检测。若仍能继续使用，也将经历“两拆两装”的繁琐流程，再度使用不超过2年时间，故当前回收的智能电能表均采取报废处理的方式，造成很大的资源浪费。若能使用计算机技术对智能电能表的状态进行预测，及时获取智能电能表的状态信息，则可以最大化的对智能电能表进行使用。
技术实现思路
为了解决现有技术中对智能电能表的状态无法进行准确评估，致使大量仍能使用的电能表被报废的技术问题，本专利技术提供一种基于贝叶斯网和遗传算法评价智能电能表运行状态的方法，所述方法包括：对于预先设置的评价智能电能表运行状态的m个属性指标，将其表示为一个由0和1组成的二进制串，并基于预先采集的电能表运行状态历史数据，通过遗传算法从所述二进制串中选取与评价智能电能表状态最相关的n个属性指标，生成评价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}，其中所述二进制串中0表示不选择对应的属性指标，1表示选择对应的属性指标，m、n均为自然数，且m≥n；根据确定的评价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}，基于预先采集的电能表运行状态历史数据，训练生成若干个贝叶斯网，并通过遗传算法确定适应度值最大的贝叶斯网作...
【技术保护点】
1.一种基于贝叶斯网和遗传算法评价智能电能表运行状态的方法，其特征在于，所述方法包括：对于预先设置的评价智能电能表运行状态的m个属性指标，将其表示为一个由0和1组成的二进制串，并基于预先采集的电能表运行状态历史数据，通过遗传算法从所述二进制串中选取与评价智能电能表状态最相关的n个属性指标，生成评价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}，其中所述二进制串中0表示不选择对应的属性指标，1表示选择对应的属性指标，m、n均为自然数，且m≥n；根据确定的评价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}，基于预先采集的电能表运行状态历史数据，训练生成若干个贝叶斯网，并通过遗传算法确定适应度值最大的贝叶斯网作为评价智能电能表运行状态的最佳贝叶斯网；根据最佳贝叶斯网，通过贝叶斯网推理算法计算智能电能表运行状态概率值最大的运行状态作为评价智能电能表运行状态的结果值。
【技术特征摘要】
1.一种基于贝叶斯网和遗传算法评价智能电能表运行状态的方法，其特征在于，所述方法包括：对于预先设置的评价智能电能表运行状态的m个属性指标，将其表示为一个由0和1组成的二进制串，并基于预先采集的电能表运行状态历史数据，通过遗传算法从所述二进制串中选取与评价智能电能表状态最相关的n个属性指标，生成评价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}，其中所述二进制串中0表示不选择对应的属性指标，1表示选择对应的属性指标，m、n均为自然数，且m≥n；根据确定的评价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}，基于预先采集的电能表运行状态历史数据，训练生成若干个贝叶斯网，并通过遗传算法确定适应度值最大的贝叶斯网作为评价智能电能表运行状态的最佳贝叶斯网；根据最佳贝叶斯网，通过贝叶斯网推理算法计算智能电能表运行状态概率值最大的运行状态作为评价智能电能表运行状态的结果值。2.根据权利要求1所述的方法，其特征在于，所述对于预先设置的评价智能电能表运行状态的若干个指标，将其表示为一个由0和1组成的二进制串之前还包括当所述评价智能电表运行状态的属性指标的取值是连续值时，将所述属性指标的取值离散化，其中：步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率P(xi)，其中1≤i≤k，k的初始值为k0；步骤2、基于所述概率P(xi)计算指标x的信息熵步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵H(k-1),使合并前后的熵之差H(k)-H(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；步骤5、根据合并后的区间的信息熵H(k-1)，计算Sj＝(k0-1)×H(k-1)-(k-2)×H(k0)，其中，j的初始值为1；步骤6、当Sj≤Sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，S0的值为0。3.根据权利要求2所述的方法，其特征在于，所述对于预先设置的评价智能电能表运行状态的m个属性指标，将其表示为一个由0和1组成的二进制串，并基于预先采集的电能表运行状态历史数据，通过遗传算法从所述二进制串中选取与评价智能电能表状态最相关的n个属性指标，生成评价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}包括：步骤1：将预先采集的电能表运行状态历史数据分成训练数据和测试数据两部分；步骤2、随机生成λ个二进制串个体作为初始种群Qk，其中，k的初始值是0；步骤3、对于初始种群Qk中的每个二进制串个体Si，令其对应的指标属性子集为通过训练数据对该属性子集训练一个朴素贝叶斯分类器Ni，其中，1≤i≤λ，1≤j≤j0，1≤j0≤m；步骤4、利用测试数据对所述贝叶斯分类器Ni进行测试，根据公式确定智能电能表运行状态结果值其中y为运行状态指标；步骤5、根据所述初始种群Qk中λ个二进制串个体经测试确定的智能电能表运行状态结果值与测试数据中智能电能表的实际运行状态结果值计算贝叶斯分类器Ni对于测试数据的测试准确率，将该准确率作为个体Si的适应度F[Si]；步骤6、计算所述初始种群Qk中适应度值最大的个体和适应度值最小的个体的适应值之差，当所述差值大于等于设置的阈值时，跳转至步骤7，当所述差值小于设置的阈值时，则所述初始种群Qk中适应度值最大的个体对应的指标属性子集即为与电能表运行状态评价最相关的指标属性子集；步骤7、按适应度值F[Si]的大小，基于轮盘赌方法每次从当前群体{S1,S2…Si…Sλ}中选取1个个体，共选取λ个可重复的个体作为父代群体；步骤8：对父代群体中的个体执行交叉操作，其中，所述交叉操作具有随机性，设两个父代个体均为1的基因位为优势基因位，只有一个父个体为1的为非优势基因位，对优势基因位子个体将全部保留，对非优势基因位，子个体将随机选择保留1的基因；步骤9、对经过交叉操作后的个体执行变异操作，改变个体二进制串中的某些基因值以形成新的个体；步骤10、将经过变异操作后的二进制串个体作为新的初始种群Qk，令k＝k+1，跳转到步骤3。4.根据权利要求2所述的方法，其特征在于，所述根据确定的评价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}，基于预先采集的电能表运行状态历史数据，训练生成若干个贝叶斯网，并通过遗传算法确定适应度值最高的贝叶斯网包括：步骤1、设置训练数据集D＝{C1，C2，…，Cm}，其中m为数据的组数，Ci为第i组数据，每组数据是一个长度为n+1的向量，其中向量{X1，…Xi，…Xn，Xn+1}是确定的评价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}和智能电能表运行状态指标Xn+1组成的新的指标属性集合X'＝{X1，…Xi，…Xn，Xn+1}；步骤2、将所述指标属性集合X'＝{X1…Xi…Xn，Xn+1}中的指标作为待训练的贝叶斯网的n+1个结点，基于训练数据集D＝{C1，C2，…，Cm}训练若干个贝叶斯网，作为通过遗传算法迭代确定最优贝叶斯网的初始种群Popt，其中，t的初始值是0，设置的遗传算法迭代数为t0，每个贝叶斯网作为所述初始种群Qt中的一个个体；步骤3、计算初始种群Popt中每个个体的适应度，选取初始种群中适应函数最大的个体作为初始种群Popt的最优个体，即最优贝叶斯网步骤4、当t＝0或者当1≤t＜t0且跳转至步骤5，当1≤t≤t0且时，将所述作为评价智能电能表运行状态的最优贝叶斯网；当t＝t0且将所述作为评价智能电能表运行状态的最优贝叶斯网；步骤5、对所述初始种群Popt执行选择操作，按适应度函数的从大到小的顺序选择若干个贝叶斯网组成父代群体；步骤6、对所述父代群体执行交叉操作，在父代群体的任意两个贝叶斯网中交换每个节点与其父节点构成的局部子结构；步骤7、对经过交叉操作后的群体执行变异操作，所述变异操作包括在贝叶斯网中增加一条到任意两个节点的有向边，删除一条到任意两个节点的有向边，逆转一条任意两个节点的有向边的方向，生成中间群体Popson；步骤8、采用和计算初始种群Popt每个个体的适应度相同的方法对Popson中的每个个体计算适应度；步骤9、从Popt和Popson中按照适应度从大到小的顺序选择若干个个体组成新一代群体Popt，令t＝t+1，并跳转至步骤3。5.根据权利要求4所述的方法，其特征在于，所述计算初始种群Popt每个个体的适应度，其计算公式为：其中Nilk是训练数据集D中指标属性Xi取其第k个值，且πi取其第l个值，即时的训练数据个数，Nil是D中πi取其第l个值的训练数据个数，πi是指标属性Xi的父节点，m是训练数据集中的训练数据的组数。6.根据权利要求1所述的方法，其特征在于，所述根据最佳贝叶斯网，通过贝叶斯网推理算法计算智能电能表运行状态概率值最大的运行状态作为评价智能电能表运行状态的结果值包括：步骤1、在所述最佳贝叶斯网中，令评价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}中的指标属性的观测值对应地排列为指标观测值集合R＝{x1，…xi，…xn}，且贝叶斯网的所有指标属性的概率因子组成的集合为F，其中，所述贝叶斯网的所有指标属性包括价智能电能表运行状态的指标属性集合X＝{X1，…Xi，…Xn}和智能电能表运行状态属性Y；步骤2、将xi从集合R中删除，其中，i的初始值为1；步骤3、将包含指标属性的观测值xi且属于集合F的概率因子组成新的集合Fi；步骤4、根据公式计算概率因子将从集合F中去除集合Fi和概率因子的并集后的集合作为新的集合F；步骤5、当集合R是空集时，跳转至步骤6，当集合R不是空集时，令i＝i+1，并跳转至步骤2；步骤6、根据公式计算智能电能表运行状态的后验概率P(y|x1,...,xn)，其中fjy是所述贝叶斯网中包含运行状态指标属性Y且属于集合F的概率因子；步骤7、选择时的智能电能表的运行状态作为评价智能电能表状态的结果。7.一种基于贝叶斯网和遗传算法评...
【专利技术属性】
技术研发人员：李贺龙，于海波，林繁涛，朱允刚，王兴媛，刘佳，王春雨，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。