本发明公开了一种基于多维状态参数的中低压设备健康状态评估方法，该方法通过获取中低压设备的监测数据中指定的多维状态参数，并采用皮尔逊相关系数法，计算所述多维状态参数中每两个状态参数之间的相关系数；基于模糊层次分析以及根据状态参数之间的相关系数，得到隶属度函数矩阵；根据所述隶属度函数矩阵和相应的权重系数，得到每个子健康状态的评估结果；将每个子健康状态的评估结果作为子证据，以最大概率对应子健康状态作为最终评估结果，采用D‑S证据理论对各个子证据进行融合，得到中低压设备的最终评估结果。因此，本发明通过结合模糊层次分析与D‑S证据理论，能够准确、客观的评估中低压设备健康状态。
1.一种基于多维状态参数的中低压设备健康状态评估方法，其特征在于，包括以下步骤：
S1：获取中低压设备的监测数据中指定的多维状态参数，并采用皮尔逊相关系数法，计算所述多维状态参数中每两个状态参数之间的相关系数；其中，所述状态参数包括：中低压设备内部不同部件的制造参数以及不同部件上所设置的多种传感器的监测参数；
S2：基于模糊层次分析以及根据状态参数之间的相关系数，确定每个状态参数的对应各个子健康状态的隶属度函数，并得到隶属度函数矩阵；
S3：根据所述隶属度函数矩阵和相应的权重系数，得到每个子健康状态的评估结果；
S4：将每个子健康状态的评估结果作为子证据，以最大概率对应子健康状态作为最终评估结果，采用D‑S证据理论对各个子证据进行融合，得到中低压设备的最终评估结果。
2.如权利要求1所述的基于多维状态参数的中低压设备健康状态评估方法，其特征在于，步骤S2还包括：计算每个状态参数与其它各个状态参数的相关系数的平均值，并依据该平均值的大小，将该平均值较大的一半状态参数作为强关联性项，将该平均值较小的一半状态参数作为弱关联性项；以及，将中低压设备健康状态评估分为三个层次，即目标层、一级评价指标层和二级评价指标层；其中，一级评价指标层包括强关联性项和弱关联性项两个评价指标；二级评价指标层包括强关联性项和弱关联性项的状态参数。
3.如权利要求2所述的基于多维状态参数的中低压设备健康状态评估方法，其特征在于，确定所述权重系数包括：将专家经验法提供多个权重系数作为初始群体，然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。
4.如权利要求3所述的基于多维状态参数的中低压设备健康状态评估方法，其特征在于，采用ER算法对各个子证据进行融合。
5.一种基于多维状态参数的中低压设备健康状态评估系统，其特征在于，包括：
获取模块，用于获取中低压设备的监测数据中指定的多维状态参数；
相关系数计算模块，用于采用皮尔逊相关系数法，计算所述多维状态参数中每两个状态参数之间的相关系数；其中，所述状态参数包括：中低压设备内部不同部件的制造参数以及不同部件上所设置的多种传感器的监测参数；
隶属度函数矩阵生成模块，用于基于模糊层次分析以及根据状态参数之间的相关系数，确定每个状态参数的对应各个子健康状态的隶属度函数，并得到隶属度函数矩阵；
第一评估模块，用于根据所述隶属度函数矩阵和相应的权重系数，得到每个子健康状态的评估结果；
第二评估模块，用于将每个子健康状态的评估结果作为子证据，以最大概率对应子健康状态作为最终评估结果，采用D‑S证据理论对各个子证据进行融合，得到中低压设备的最终评估结果。
6.如权利要求5所述的一种基于多维状态参数的中低压设备健康状态评估系统，其特征在于，所述隶属度函数矩阵生成模块，还用于计算每个状态参数与其它各个状态参数的相关系数的平均值，并依据该平均值的大小，将该平均值较大的一半状态参数作为强关联性项，将该平均值较小的一半状态参数作为弱关联性项；以及，将中低压设备健康状态评估分为三个层次，即目标层、一级评价指标层和二级评价指标层；其中，一级评价指标层包括强关联性项和弱关联性项两个评价指标；二级评价指标层包括强关联性项和弱关联性项的状态参数。
7.如权利要求6所述的一种基于多维状态参数的中低压设备健康状态评估系统，其特征在于，所述隶属度函数矩阵生成模块，还用于将专家经验法提供多个权重系数作为初始群体，然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。
8.如权利要求7所述的一种基于多维状态参数的中低压设备健康状态评估系统，其特征在于，所述第二评估模块，用于采用ER算法对各个子证据进行融合。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序指令，所述程序指令被执行时，用于实现如权利要求1 4任一项所述的基于多维状态参数的中低~压设备健康状态评估方法。
一种基于多维状态参数的中低压设备健康状态评估方法
技术领域
[0001] 本发明涉及故障分析技术领域，特别是涉及一种基于多维状态参数的中低压设备健康状态评估方法、系统及存储介质。
背景技术
[0002] 随着传感监测设备及信息化技术的发展，电力设备自投运以来的各种运行数据、监测数据、试验数据和检修数据不断生成，数据呈现出多源异构的大数据特征，而多维数据分别从不同侧面、不同程度和不同层次上反映了设备运行状态的好坏，且状态信息间具有稠合性、模糊性、随机性等特征，使得电力设备的健康状态评估更加困难。
[0003] 因此，有必要提出一种基于多维状态参数的中低压设备健康状态评估方法。
发明内容
[0004] 鉴于以上所述现有技术的不足，本发明的目的在于：提供一种基于多维状态参数的中低压设备健康状态评估方法，能够准确、客观的评估中低压设备健康状态。
[0005] 为实现上述发明目的，本发明提供以下技术方案：
[0006] 一种基于多维状态参数的中低压设备健康状态评估方法，其包括以下步骤：
[0007] S1：获取中低压设备的监测数据中指定的多维状态参数，并采用皮尔逊相关系数法，计算所述多维状态参数中每两个状态参数之间的相关系数；
[0008] S2：基于模糊层次分析以及根据状态参数之间的相关系数，确定每个状态参数的对应各个子健康状态的隶属度函数，并得到隶属度函数矩阵；
[0009] S3：根据所述隶属度函数矩阵和相应的权重系数，得到每个子健康状态的评估结果；
[0010] S4：将每个子健康状态的评估结果作为子证据，以最大概率对应子健康状态作为最终评估结果，采用D‑S证据理论对各个子证据进行融合，得到中低压设备的最终评估结果。
[0011] 根据一种具体的实施方式，本发明基于多维状态参数的中低压设备健康状态评估方法中，步骤S2还包括：计算每个状态参数与其它各个状态参数的相关系数的平均值，并依据该平均值的大小，将该平均值较大的一半状态参数作为强关联性项，将该平均值较小的一半状态参数作为弱关联性项；以及，将中低压设备健康状态评估分为三个层次，即目标层、一级评价指标层和二级评价指标层；其中，一级评价指标层包括强关联性项和弱关联性项两个评价指标；二级评价指标层包括强关联性项和弱关联性项的状态参数。
[0012] 根据一种具体的实施方式，本发明基于多维状态参数的中低压设备健康状态评估方法中，所述状态参数包括：中低压设备内部不同部件的制造参数以及不同部件上所设置的多种传感器的监测参数。
[0013] 根据一种具体的实施方式，本发明基于多维状态参数的中低压设备健康状态评估方法中，确定所述权重系数包括：将专家经验法提供多个权重系数作为初始群体，然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。
[0014] 根据一种具体的实施方式，本发明基于多维状态参数的中低压设备健康状态评估方法中，采用ER算法对各个子证据进行融合。
[0015] 本发明的另一方面，还提供一种基于多维状态参数的中低压设备健康状态评估系统，其包括：
[0016] 获取模块，用于获取中低压设备的监测数据中指定的多维状态参数；
[0017] 相关系数计算模块，用于采用皮尔逊相关系数法，计算所述多维状态参数中每两个状态参数之间的相关系数；
[0018] 隶属度函数矩阵生成模块，用于基于模糊层次分析以及根据状态参数之间的相关系数，确定每个状态参数的对应各个子健康状态的隶属度函数，并得到隶属度函数矩阵；
[0019] 第一评估模块，用于根据所述隶属度函数矩阵和相应的权重系数，得到每个子健康状态的评估结果；
[0020] 第二评估模块，用于将每个子健康状态的评估结果作为子证据，以最大概率对应子健康状态作为最终评估结果，采用D‑S证据理论对各个子证据进行融合，得到中低压设备的最终评估结果。
[0021] 进一步地，所述隶属度函数矩阵生成模块，还用于计算每个状态参数与其它各个状态参数的相关系数的平均值，并依据该平均值的大小，将该平均值较大的一半状态参数作为强关联性项，将该平均值较小的一半状态参数作为弱关联性项；以及，将中低压设备健康状态评估分为三个层次，即目标层、一级评价指标层和二级评价指标层；其中，一级评价指标层包括强关联性项和弱关联性项两个评价指标；二级评价指标层包括强关联性项和弱关联性项的状态参数。
[0022] 再进一步地，所述隶属度函数矩阵生成模块，还用于将专家经验法提供多个权重系数作为初始群体，然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。所述第二评估模块，用于采用ER算法对各个子证据进行融合。
[0023] 本发明的另一方面，还提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序指令，所述程序指令被执行时，用于实现本发明基于多维状态参数的中低压设备健康状态评估方法。
[0024] 与现有技术相比，本发明的有益效果：
[0025] 1、本发明基于多维状态参数的中低压设备健康状态评估方法，该方法通过获取中低压设备的监测数据中指定的多维状态参数，并采用皮尔逊相关系数法，计算所述多维状态参数中每两个状态参数之间的相关系数；基于模糊层次分析以及根据状态参数之间的相关系数，确定每个状态参数的对应各个子健康状态的隶属度函数，并得到隶属度函数矩阵；根据所述隶属度函数矩阵和相应的权重系数，得到每个子健康状态的评估结果；将每个子健康状态的评估结果作为子证据，以最大概率对应子健康状态作为最终评估结果，采用D‑S证据理论对各个子证据进行融合，得到中低压设备的最终评估结果。因此，本发明通过结合模糊层次分析与D‑S证据理论，能够准确、客观的评估中低压设备健康状态。
[0026] 2、本发明基于多维状态参数的中低压设备健康状态评估方法，结合皮尔逊相关系数法计算出的状态参数之间的相关系数，将状态参数分为强关联性项和弱关联性项，并依据强关联性项和弱关联性项，将中低压设备健康状态评估分为三个层次。因此，本发明避免依赖主观经验来划分层次，给中低压设备健康状态评估引入主观影响。
[0027] 3、本发明基于多维状态参数的中低压设备健康状态评估方法，在模糊层次分析过程中，通过将专家经验法提供多个权重系数作为初始群体，然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。因此，本发明在专家经验法提供的权重系数的基础上，利用遗传算法搜索出更加匹配该模糊层次分析的权重系数，提高健康状态评估结果的准确性。
附图说明
[0028] 图1为本发明基于多维状态参数的中低压设备健康状态评估方法的流程示意图。
具体实施方式
[0029] 以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
[0030] 如图1所示，本发明基于多维状态参数的中低压设备健康状态评估方法，包括：
[0031] S1：获取中低压设备的监测数据中指定的多维状态参数，并采用皮尔逊相关系数法，计算所述多维状态参数中每两个状态参数之间的相关系数；
[0032] S2：基于模糊层次分析以及根据状态参数之间的相关系数，确定每个状态参数的对应各个子健康状态的隶属度函数，并得到隶属度函数矩阵；具体的，本发明采用梯形隶属度函数作为模糊隶属度函数。
[0033] S3：根据所述隶属度函数矩阵和相应的权重系数，得到每个子健康状态的评估结果；
[0034] S4：将每个子健康状态的评估结果作为子证据，以最大概率对应子健康状态作为最终评估结果，采用D‑S证据理论对各个子证据进行融合，得到中低压设备的最终评估结果。
[0035] 本发明基于多维状态参数的中低压设备健康状态评估方法中，步骤S2还包括：计算每个状态参数与其它各个状态参数的相关系数的平均值，并依据该平均值的大小，将该平均值较大的一半状态参数作为强关联性项，将该平均值较小的一半状态参数作为弱关联性项；以及，将中低压设备健康状态评估分为三个层次，即目标层、一级评价指标层和二级评价指标层；其中，一级评价指标层包括强关联性项和弱关联性项两个评价指标；二级评价指标层包括强关联性项和弱关联性项的状态参数。
[0036] 本发明基于多维状态参数的中低压设备健康状态评估方法中，所述状态参数包括：中低压设备内部不同部件的制造参数以及不同部件上所设置的多种传感器的监测参数。
[0037] 本发明基于多维状态参数的中低压设备健康状态评估方法中，确定所述权重系数包括：将专家经验法提供多个权重系数作为初始群体，然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。
[0038] 本发明基于多维状态参数的中低压设备健康状态评估方法中，采用ER算法对各个子证据进行融合。
[0039] 本发明的另一方面，还提供一种基于多维状态参数的中低压设备健康状态评估系统，其包括：
[0040] 获取模块，用于获取中低压设备的监测数据中指定的多维状态参数；
[0041] 相关系数计算模块，用于采用皮尔逊相关系数法，计算所述多维状态参数中每两个状态参数之间的相关系数；
[0042] 隶属度函数矩阵生成模块，用于基于模糊层次分析以及根据状态参数之间的相关系数，确定每个状态参数的对应各个子健康状态的隶属度函数，并得到隶属度函数矩阵；
[0043] 第一评估模块，用于根据所述隶属度函数矩阵和相应的权重系数，得到每个子健康状态的评估结果；
[0044] 第二评估模块，用于将每个子健康状态的评估结果作为子证据，以最大概率对应子健康状态作为最终评估结果，采用D‑S证据理论对各个子证据进行融合，得到中低压设备的最终评估结果。
[0045] 进一步地，所述隶属度函数矩阵生成模块，还用于计算每个状态参数与其它各个状态参数的相关系数的平均值，并依据该平均值的大小，将该平均值较大的一半状态参数作为强关联性项，将该平均值较小的一半状态参数作为弱关联性项；以及，将中低压设备健康状态评估分为三个层次，即目标层、一级评价指标层和二级评价指标层；其中，一级评价指标层包括强关联性项和弱关联性项两个评价指标；二级评价指标层包括强关联性项和弱关联性项的状态参数。
[0046] 再进一步地，所述隶属度函数矩阵生成模块，还用于将专家经验法提供多个权重系数作为初始群体，然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。所述第二评估模块，用于采用ER算法对各个子证据进行融合。
[0047] 本发明的另一方面，还提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序指令，所述程序指令被执行时，用于实现本发明基于多维状态参数的中低压设备健康状态评估方法。
[0048] 应该理解到，本发明所揭露的系统，可通过其它的方式实现。例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，模块之间的通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
[0049] 另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0050] 所述集成的单元如果以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全部或部分可以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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
