基于数据驱动的电缆寿命智能预测方法及系统技术方案

本发明专利技术涉及数据处理技术领域，具体涉及一种基于数据驱动的电缆寿命智能预测方法及系统；首先获取电缆历史运行中的多维时序数据，根据迭代聚类中的数据点的距离特征获得簇类离散度和优化程度。根据聚类空间中数据点的邻域数据点与聚类中心的距离特征获得数据点的距离优化因子；根据多维时序数据中数据点的时序近邻数据点与聚类中心的距离特征获得数据点的时序优化因子。根据数据点的簇类离散度、优化程度、距离优化因子和时序优化因子获得距离优化值，根据距离优化值对迭代聚类进行改进，提高数据点的簇类划分和隐藏状态的准确性，进而提高电缆寿命预测的准确度。进而提高电缆寿命预测的准确度。进而提高电缆寿命预测的准确度。

【技术实现步骤摘要】
基于数据驱动的电缆寿命智能预测方法及系统


[0001]本专利技术涉及数据处理
，具体涉及一种基于数据驱动的电缆寿命智能预测方法及系统。

技术介绍

[0002]因电缆的老化和故障容易导致供电中断和设备损坏，故电缆寿命预测是电力系统中较为重要的工作环节，有助于及时采取维护措施，提高电力系统的可靠性。在对电缆的物理老化进行状态分析的过程中可以利用隐马尔可夫模型进行状态的预测，但在隐马尔可夫模型中需要通过电缆寿命影响因素中的运行温度、湿度、电压和机械应力等多个维度的数据进行状态划分。
[0003]对多维数据的划分可通过现有的K均值聚类算法将获取的多维数据点划分为不同的电缆状态簇类，从而确定隐马尔可夫模型中所需的隐藏状态。但在通过K均值聚类算法进行聚类时，容易出现聚类不准确的情况，聚类簇中的边缘数据点或局部稀疏数据点的划分不合理，进而导致预测模型对电缆寿命的预测不准确。

技术实现思路

[0004]为了解决上述通过K均值聚类算法进行聚类时，容易出现聚类不准确的情况，导致预测模型对电缆寿命的预测不准确的技术问题，本专利技术的目的在于提供一种基于数据驱动的电缆寿命智能预测方法及系统，所采用的技术方案具体如下：获取电缆历史运行中的多维时序数据，对所述多维时序数据中的数据点通过K均值聚类算法进行迭代聚类；在每次迭代聚类的过程中，根据所述数据点与最近一个聚类中心的距离特征获得所述数据点的簇类离散度；根据所述数据点与最近两个聚类中心的距离特征获得所述数据点的优化程度；确定所述数据点在聚类空间中的邻域数据点，根据所述邻域数据点与不同聚类中心的距离特征获得所述数据点不同的距离优化因子；确定所述数据点在多维时序数据中的时序近邻数据点，根据所述时序近邻数据点与不同聚类中心的距离特征获得所述数据点不同的时序优化因子；根据所述数据点的所述簇类离散度、所述优化程度、所述距离优化因子和所述时序优化因子，获得所述数据点与不同聚类中心的距离优化值；根据数据点的所述距离优化值继续迭代聚类，根据迭代聚类的结果通过隐马尔可夫模型进行电缆寿命的预测。
[0005]进一步地，所述根据所述数据点与最近两个聚类中心的距离特征获得所述数据点的优化程度的步骤包括：计算所述数据点与最近两个聚类中心的欧氏距离之和，将所述数据点与最近两个聚类中心的欧氏距离之和进行归一化并负相关映射，获得所述数据点的优化程度。
[0006]进一步地，所述确定所述数据点在聚类空间中的邻域数据点的步骤包括：对于任意一次迭代聚类的过程，确定所述数据点在聚类空间中的预设数量个距离
最近的其他数据点，作为参考数据点；所述参考数据点在聚类空间中的预设数量个距离最近的其他数据点中，包含所述数据点的参考数据点，作为所述邻域数据点。
[0007]进一步地，所述根据所述邻域数据点与不同聚类中心的距离特征获得所述数据点不同的距离优化因子的步骤包括：计算所述邻域数据点与所述参考数据点的数量比值，获得邻域数量比；计算所述邻域数据点与同一聚类中心的欧氏距离的平均值，获得邻域距离特征值；计算所述邻域数量比与所述邻域距离特征值的乘积，获得所述距离优化因子。
[0008]进一步地，所述确定所述数据点在多维时序数据中的时序近邻数据点的步骤包括：在所述多维时序数据中，确定所述数据点的预设数量个时间最近的其他数据点，作为所述时序近邻数据点。
[0009]进一步地，所述根据所述时序近邻数据点与不同聚类中心的距离特征获得所述数据点不同的时序优化因子的步骤包括：计算所述时序近邻数据点与聚类中心的欧氏距离，获得近邻距离特征值，计算所述时序近邻数据点与所述数据点的时间距离的倒数，获得时间权重，计算所述时间权重与对应的所述近邻距离特征值的乘积，获得近邻距离表征值，计算所述时序近邻数据点对于同一个聚类中心的所述近邻距离表征值的和值，获得所述时序优化因子。
[0010]进一步地，所述获得所述数据点与不同聚类中心的距离优化值的步骤包括：计算所述数据点的所述簇类离散度与所述优化程度的乘积，计算所述数据点的所述簇类离散度与所述优化程度的乘积与数值一的和值，获得距离调节系数，计算所述距离调节系数与所述数据点与对应聚类中心的欧氏距离的乘积，获得距离调节值，计算所述距离调节值、对应的所述距离优化因子和对应的所述时序优化因子三者的和值，获得所述距离优化值。
[0011]进一步地，所述根据迭代聚类的结果通过隐马尔可夫模型进行电缆寿命的预测的步骤包括：根据不同数据点的所述距离优化值通过K均值聚类算法进行迭代聚类，获得不同的电缆状态特征作为不同数据点的隐藏状态；通过隐藏状态训练隐马尔可夫模型对同类型的电缆寿命进行预测。
[0012]进一步地，所述根据所述数据点与最近一个聚类中心的距离特征获得所述数据点的簇类离散度的步骤包括：计算所述数据点与最近一个聚类中心的欧氏距离并归一化，获得所述簇类离散度。
[0013]本专利技术还提出了一种基于数据驱动的电缆寿命智能预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序实现任意一项所述方法的步骤。
[0014]本专利技术具有如下有益效果：在本专利技术实施例中，获取数据点的簇类离散度，能够根据数据点与对应聚类中心的距离特征表征聚类结果，分析数据点在聚类空间中所处位置，衡量最终的优化情况。计算数据点的优化程度，能够更准确地反映数据点是否处于两个相邻聚类中心的相邻边缘处，
从而表征数据点的需要优化的程度。为了能够获得更准确的簇类，需要结合数据点在聚类空间中的邻域数据点，因数据点与其邻域数据点的特征相似，故可通过邻域数据点在聚类中的距离特征获得距离优化因子。同时因为数据点为时序数据，为了避免时序上噪声干扰以及时序上时序近邻数据点的簇类结果不一，影响最终的电缆寿命预测；故获得数据点的时序近邻数据点，根据时序近邻数据点在聚类中的距离特征获得时序优化因子，促使时序上相邻的数据点更倾向于划分到一个簇类。进而获得的距离优化值相比于聚类空间中的欧氏距离能够结合数据点之间的特征，使得簇类划分效果更好，聚类准确度更高，最终提高了电缆寿命预测的准确性。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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它附图。
[0016]图1为本专利技术一个实施例所提供的一种基于数据驱动的电缆寿命智能预测方法流程图。
具体实施方式
[0017]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于数据驱动的电缆寿命智能预测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的电缆寿命智能预测方法，其特征在于，所述方法包括以下步骤：获取电缆历史运行中的多维时序数据，对所述多维时序数据中的数据点通过K均值聚类算法进行迭代聚类；在每次迭代聚类的过程中，根据所述数据点与最近一个聚类中心的距离特征获得所述数据点的簇类离散度；根据所述数据点与最近两个聚类中心的距离特征获得所述数据点的优化程度；确定所述数据点在聚类空间中的邻域数据点，根据所述邻域数据点与不同聚类中心的距离特征获得所述数据点不同的距离优化因子；确定所述数据点在多维时序数据中的时序近邻数据点，根据所述时序近邻数据点与不同聚类中心的距离特征获得所述数据点不同的时序优化因子；根据所述数据点的所述簇类离散度、所述优化程度、所述距离优化因子和所述时序优化因子，获得所述数据点与不同聚类中心的距离优化值；根据数据点的所述距离优化值继续迭代聚类，根据迭代聚类的结果通过隐马尔可夫模型进行电缆寿命的预测。2.根据权利要求1所述的一种基于数据驱动的电缆寿命智能预测方法，其特征在于，所述根据所述数据点与最近两个聚类中心的距离特征获得所述数据点的优化程度的步骤包括：计算所述数据点与最近两个聚类中心的欧氏距离之和，将所述数据点与最近两个聚类中心的欧氏距离之和进行归一化并负相关映射，获得所述数据点的优化程度。3.根据权利要求1所述的一种基于数据驱动的电缆寿命智能预测方法，其特征在于，所述确定所述数据点在聚类空间中的邻域数据点的步骤包括：对于任意一次迭代聚类的过程，确定所述数据点在聚类空间中的预设数量个距离最近的其他数据点，作为参考数据点；所述参考数据点在聚类空间中的预设数量个距离最近的其他数据点中，包含所述数据点的参考数据点，作为所述邻域数据点。4.根据权利要求3所述的一种基于数据驱动的电缆寿命智能预测方法，其特征在于，所述根据所述邻域数据点与不同聚类中心的距离特征获得所述数据点不同的距离优化因子的步骤包括：计算所述邻域数据点与所述参考数据点的数量比值，获得邻域数量比；计算所述邻域数据点与同一聚类中心的欧氏距离的平均值，获得邻域距离特征值；计算所述邻域数量比与所述邻域距离特征值的乘积，获得所述距离优化因子。5.根据权利要求1所述的一种基于数据驱动的电缆寿命智能预测方法，其特...

【专利技术属性】
技术研发人员：王锡宇，谢俊礼，王强，陈际华，付喜涛，
申请(专利权)人：青岛豪迈电缆集团有限公司，
类型：发明
国别省市：