[发明专利]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

权利要求书

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：

步骤1,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，…X_i，…X_n}，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，包括：

步骤1.1，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1.2，随机生成λ个二进制串个体作为初始种群Q_k，其中，k的初始值是0；

步骤1.3，对于初始种群Q_k中的每个二进制串个体S_i，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N_i，其中，1≤i≤λ，1≤j≤j₀，1≤j₀≤M；

步骤1.4，利用测试数据对所述贝叶斯分类器N_i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1.5，根据所述初始种群Q_k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N_i对于测试数据的测试准确率，将该准确率作为个体S_i的适应度F[S_i]；

步骤1.6，计算所述初始种群Q_k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1.7，当所述差值小于设置的阈值时，则所述初始种群Q_k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1.7，按适应度值F[S_i]的大小，基于轮盘赌方法每次从当前群体{S₁,S₂…S_i…S_λ}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1.8，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1.9，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1.10，将经过变异操作后的二进制串个体作为新的初始种群Q_k，令k＝k+1，跳转到步骤1.3；

步骤2，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，…X_i，…X_n}，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，包括：

步骤2.1设置训练数据集D＝{C₁，C₂，…，C_m}，其中m为数据的组数，C_i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，…X_i，…X_n，X_n+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，…X_i，…X_n}和智能电能表运行状态指标X_n+1组成的新的指标属性集合X′＝{X₁，…X_i，…X_n，X_n+1}；

步骤2.2,将所述指标属性集合X′＝{X₁…X_i…X_n，X_n+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，…，C_m}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Pop_t，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Q_t中的一个个体；

步骤2.3,计算初始种群Pop_t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Pop_t的最优个体，即最优贝叶斯网其中，计算初始种群Pop_t每个个体的适应度，其计算公式为：

其中，N_ilk是训练数据集D中指标属性X_i取其第k个值，且π_i取其第l个值，即时的训练数据个数，N_il是D中π_i取其第l个值的训练数据个数，π_i是指标属性X_i的父节点，m是训练数据集中的训练数据的组数；

步骤2.4,当t＝0或者当1≤tt₀且跳转至步骤2.5，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2.5,对所述初始种群Pop_t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2.6,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2.7,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Pop_son；

步骤2.8,采用和计算初始种群Pop_t每个个体的适应度相同的方法对Pop_son中的每个个体计算适应度；

步骤2.9,从Pop_t和Pop_son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Pop_t，令t＝t+1，并跳转至步骤2.3；

步骤3，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。