[发明专利]一种多模型融合的电压互感器误差状态评估方法

权利要求书

1.一种多模型融合的电压互感器误差状态评估方法，其特征在于，所述状态评估方法包括：

步骤1，将CVT数据集分割成K份，根据K折交叉验证法将所述CVT数据集随机划分为K个数据子集；所述CVT数据集中的数据为表示CVT状态的各个参数；

步骤2，构建对所述CVT数据集进行分类的集成模型；所述集成模型包括多层基模型和一层元模型，所述基模型包括：决策树模型和朴素贝叶斯模型；所述基模型和所述元模型的输出均为表示电压互感器误差状态的状态类别；

步骤3，基于所述数据子集，通过集成学习Stacking方式对所述集成模型进行训练，任意一层的所述基模型的输出数据依次用于建立其下一层所述基模型的数据集，最后一层所述基模型的输出数据用于建立所述元模型的数据集；基于训练后的所述集成模型对待测电压互感器误差状态进行评估；

表示CVT状态的各个所述参数包括：修正后的互感器状态、比差状态、角差状态、稳定性状态、可靠程度状态和健康状态；

表示各个所述参数的状态和所述电压互感器误差状态的各个状态类别包括：正常、异常和告警；

所述步骤1还包括：在K个所述数据子集选择其中一个作为验证集，其余作为训练集；

所述步骤3中，从第一层所述基模型开始，基于K-1个所述训练集，重复K-1次分别训练当前层的各个所述基模型后，用训练后的当前层的各个所述基模型分别对所述验证集进行预测，分别得出每层每个基模型预测结果，将验证集预测值取平均值得到数据集；该基模型不是最后一层基模型时，将所述数据集与真实值分类结果组成其下一层所述基模型的数据集，该层基模型是最后一层基模型时，将所述数据集与真实值分类结果组成所述元模型的数据集；

所述步骤3还包括：K折交叉验证中，每个基模型都被训练K次，当前层所有基模型对测试集T进行预测，结果为;将当前基模型对所述测试集进行预测，查看模型准确度相关指标，观测到所述模型预测相关指标低于设定值时，更换该基模型为其他分类模型或者寻找其它问题；

所述步骤2中构建所述决策树模型的过程包括：通过网格搜索方法寻找当前决策树模型的最优超参数；将当前决策树模型的最优超参数作为下个步骤中决策树模型的超参数；所述决策树模型的超参数包括：树模型最大深度、树分支最小叶样本和树最大根结点。

2.根据权利要求1所述的状态评估方法，其特征在于，所述寻找当前决策树模型的最优超参数的过程包括：

分别设置所述决策树的树模型最大深度max_depth、树分支最小叶样本max_leaf_nodes和树最大根结点min_samples_leaf的阈值范围，在各个阈值范围中寻找各个超参数的最优超参数的值。

3.根据权利要求1所述的状态评估方法，其特征在于，所述步骤3中训练所述基模型中的所述决策树模型的过程包括：

步骤301，计算所述CVT数据集中所有所述参数的信息熵为：；

其中，表示所述CVT数据集中的当前数据集中第i个所述参数的状态，k表示CVT状态的参数的总个数；

步骤302，计算所述CVT数据集所有参数在已知自身信息熵X的情况下的其他随机参数Y的不确定性的条件熵：

；

步骤303，计算出当前特征对所述当前数据集的信息增益为：，根据所述信息增益划分叶子结点作为分类依据给所述CVT数据集样本分类。

4.根据权利要求1所述的状态评估方法，其特征在于，所述步骤3中训练所述基模型中的所述朴素贝叶斯模型的过程包括：

步骤311，计算任意第i个所述分类类别的先验概率为：；其中，A为所述CVT数据集总样本数；

步骤312，计算任意第i个所述分类类别的条件后验概率为：；

步骤313，计算任意第i个所述分类类别的条件概率为：；

通过比较各个所述分类类别的条件概率值大小判断后续测试样本所属分类。