【技术实现步骤摘要】
本专利技术属于电力系统故障因素识别领域，具体涉及一种基于因果特征选择的电力系统故障因素识别方法。
技术介绍
1、近年来，随着传感器技术、数据采集技术的不断进步，电力系统生成的数据量和观察数据的维度急剧增加，这导致传统的特征选择方法无法准确地识别电力系统故障的关键因素。于是，人们开始广泛关注因果特征选择，因为它有助于提高预测模型的可解释性并准确识别电力系统故障的关键影响因素，并有助于实现分布外泛化，从而提升模型的鲁棒性。因果特征选择的目标在于确定一个类变量的马尔科夫边界(mb)，以建立一个准确的预测模型，这有效地降低了数据维度，显著减轻了在各种大数据应用中的处理负担，如生物信息学、神经科学和智能系统等领域。贝叶斯网络(bn)中一个类变量的马尔科夫边界由该变量的父母(直接原因)、子女(直接影响)和配偶(子女的其他父母)组成，这代表了该变量的局部因果关系，如图1所示，a、b、c、d、f和g是t的父母或子女，e、o和h是t的配偶。由于在以目标变量的mb为条件时，所有其它特征独立于目标变量，所以目标变量的mb被证明是对目标变量具有最大预测性的最小特征子集，它是特征选择的最优解，具有可靠的理论保障。
2、udea pearl首创了以贝叶斯网络为工具的因果推理研究，随后涌现了许多因果特征选择算法，这些算法主要可分为直接法和分治法两类。直接法(例如iamb、eamb等)直接探测目标变量的马尔科夫边界(mb)，然而，由于所需数据样本数量随着目标变量的mb大小呈指数级增长，直接法在高维数据中应用较为困难。为了解决这一问题，分治法(例如e
3、目前的分治法通常采用and规则来寻找目标变量的配偶变量，即一对变量如果是父子关系，那么它们的父子变量集合应包含对方，否则它们不是一对父子变量。在分治法中，目前存在两个主要架构：gll架构和cfs架构。gll架构通过将目标变量的父子变量集合中每个变量的父子变量集合作为候选配偶，但由于配偶只存在于目标变量的某些子女的父子变量集合中，gll架构在发现不必要的变量的父子变量集合时进行了大量的条件独立性测试，从而增加了计算成本，并引入了一些无用的信息。cfs架构对gll架构的问题进行了优化。在寻找目标变量的父子变量集合中每个变量的父子变量集合之前，cfs架构提前进行了配偶检测，将不满足配偶条件的变量提前删除，从而大大减小了候选集的规模。然而，cfs架构利用在发现目标变量的父子变量时得到的其余变量与目标变量的分离集对配偶候选集进行检测，这在数据稀疏(尤其是小样本量情况下)时会导致更多假阳性变量没有被发现，同时又因为配偶候选集被删除了一些变量，这在后续使用and规则对配偶候选集进行缩减时也会因为条件独立性检验的不可靠而检测不出这些变量的假阳性。针对上述问题，本专利技术提出了一种更加有效的高效因果特征选择方法用以解决电力系统故障的因果因素识别问题。
技术实现思路
1、针对现有技术存在的不足，本专利技术提出了一种基于因果特征选择的电力系统故障因素识别方法，该方法包括：
2、s1：获取电力系统数据，电力系统数据包括故障结果和故障影响因素；
3、s2：采用pc发现算法对故障结果和故障影响因素进行处理，得到故障结果的第一超集、初始候选配偶集以及初始候选配偶集中每个故障影响因素与故障结果的分离集；
4、s3：根据故障结果、第一超集和分离集对初始候选配偶集进行第一次筛选，得到第一候选配偶集；
5、s4：根据故障结果、第一超集和分离集对第一候选配偶集进行第二次筛选并更新分离集，得到第二候选配偶集和新分离集；
6、s5：对故障结果、第一超集、第二候选配偶集和新分离集进行处理，得到最终的父子特征集和配偶集；将最终的父子特征集和配偶集作为故障结果对应的故障影响因素集合并输出。
7、优选的，步骤s2包括：
8、s21：通过条件独立性检验计算故障结果与所有故障影响因素之间的条件独立性，确定出初始超集、第一候选故障影响因素以及第一候选故障影响因素与故障结果的分离集；
9、s22：通过条件独立性检验计算故障结果与初始超集中各影响因素之间的条件独立性，确定出第一超集、第二候选故障影响因素以及第二候选故障影响因素与故障结果的分离集；
10、s23：将第一候选故障影响因素和第二候选故障影响因素组合为初始候选配偶集。
11、进一步的，步骤s21包括：
12、s211：遍历所有故障影响因素；对于一个故障影响因素，通过条件独立性检验计算故障结果与故障影响因素之间的条件独立性；根据条件独立性计算结果，若找到初始超集的一个子集，使得故障影响因素在该子集条件下与故障结果独立，则将该故障影响因素作为第一候选故障影响因素，将该子集作为该故障影响因素与故障结果的分离集；从故障影响因素集合中剔除该故障影响因素；
13、s212：将在子集条件下使得故障结果和故障影响因素的相关性最大的故障影响因素加入初始超集；从故障影响因素集合中剔除该故障影响因素；
14、s213：重复步骤211～s212，直到故障影响因素集合为空，得到初始超集；其中初始超集初始为空。
15、进一步的，步骤s22包括：遍历初始超集中所有故障影响因素；对于一个故障影响因素，通过条件独立性检验计算故障结果与故障影响因素之间的条件独立性；根据条件独立性计算结果，若从初始超集找到一个不含该故障影响因素的子集，使得故障结果和故障影响因素在该子集条件下独立，则将该故障影响因素作为第二候选故障影响因素，将该子集作为第二故障影响因素与故障结果的分离集；从初始超集中剔除该故障影响因素；遍历完成后，得到第一超集。
16、优选的，步骤s3包括：遍历第一超集中的每个故障影响因素；对于第一超集中的一个故障影响因素，遍历该故障影响因素的初始候选配偶集中的每个元素；通过条件独立性检验计算故障结果与元素之间的条件独立性，根据条件独立性计算结果，若在该故障影响因素与该元素对应的分离集的并集条件下，故障结果与该元素独立，则将该元素从初始候选配偶集中剔除；遍历完成后，得到第一超集中每个故障影响因素的第一候选配偶集。
17、优选的，步骤s4包括：遍历第一超集中的每个故障影响因素；对于第一超集中的一个故障影响因素，遍历故障影响因素的第一候选配偶集中的每个元素；通过条件独立性检验计算故障结果与这个元素之间的条件独立性，若这个元素的分离集经过了更新，则根据条件独立性计算结果，若故障结果与这个元素条件独立，则将该元素从当前故障影响因素的第一候选配偶集中剔除；而若是这个元素的分离集没有更新，则根据条件独立性计算结果，若在第一超集中找到一个不为空的子集，使得该元素与故障结果独立，则将该元素从子集对应的每个第一候选配偶集中剔除；若该元素对应的分离集比子集大或该元素对应的分离集为空，则将该子集作为该元素与故障结果的新本文档来自技高网...
【技术保护点】
1.一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤S2包括：
3.根据权利要求2所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤S21包括：
4.根据权利要求2所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤S22包括：遍历初始超集中所有故障影响因素；对于一个故障影响因素，通过条件独立性检验计算故障结果与故障影响因素之间的条件独立性；根据条件独立性计算结果，若从初始超集找到一个不含该故障影响因素的子集，使得故障结果和故障影响因素在该子集条件下独立，则将该故障影响因素作为第二候选故障影响因素，将该子集作为第二故障影响因素与故障结果的分离集；从初始超集中剔除该故障影响因素；遍历完成后，得到第一超集。
5.根据权利要求1所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤S3包括：遍历第一超集中的每个故障影响因素；对于第一超集中的一个故障影响因素，遍历该
6.根据权利要求1所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤S4包括：遍历第一超集中的每个故障影响因素；对于第一超集中的一个故障影响因素，遍历故障影响因素的第一候选配偶集中的每个元素；通过条件独立性检验计算故障结果与这个元素之间的条件独立性，若这个元素的分离集经过了更新，则根据条件独立性计算结果，若故障结果与这个元素条件独立，则将该元素从当前故障影响因素的第一候选配偶集中剔除；而若是这个元素的分离集没有更新，则根据条件独立性计算结果，若在第一超集中找到一个不为空的子集，使得该元素与故障结果独立，则将该元素从子集对应的每个第一候选配偶集中剔除；若该元素对应的分离集比子集大或该元素对应的分离集为空，则将该子集作为该元素与故障结果的新分离集；遍历完成后，得到第二候选配偶集和新分离集。
7.根据权利要求1所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤S5包括：对故障结果、第二候选配偶集和第一超集进行处理，得到第二超集；根据新分离集，采用AND规则对第二超集进行筛选并剔除第一超集中的假阳性因素，得到最终的父子特征超集和候选配偶集。
8.根据权利要求7所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，得到第二超集的过程包括：对于第一超集中的每个故障影响因素，均将该故障影响因素对应的第二候选配偶集、故障结果以及去除该故障影响因素后的第一超集的并集作为搜索空间；使用PC发现算法对故障结果和搜索空间内的故障影响因素进行处理，得到每个故障影响因素的第二超集。
9.根据权利要求7所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，得到最终的父子特征集和候选配偶集的过程包括：
...【技术特征摘要】
1.一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤s2包括：
3.根据权利要求2所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤s21包括：
4.根据权利要求2所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤s22包括：遍历初始超集中所有故障影响因素；对于一个故障影响因素，通过条件独立性检验计算故障结果与故障影响因素之间的条件独立性；根据条件独立性计算结果，若从初始超集找到一个不含该故障影响因素的子集，使得故障结果和故障影响因素在该子集条件下独立，则将该故障影响因素作为第二候选故障影响因素，将该子集作为第二故障影响因素与故障结果的分离集；从初始超集中剔除该故障影响因素；遍历完成后，得到第一超集。
5.根据权利要求1所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤s3包括：遍历第一超集中的每个故障影响因素；对于第一超集中的一个故障影响因素，遍历该故障影响因素的初始候选配偶集中的每个元素；通过条件独立性检验计算故障结果与元素之间的条件独立性，根据条件独立性计算结果，若在该故障影响因素与该元素对应的分离集的并集条件下，故障结果与该元素独立，则将该元素从初始候选配偶集中剔除；遍历完成后，得到第一超集中每个故障影响因素的第一候选配偶集。
6.根据权利要求1所述的一种基于因果特征选择的电力系统故障因素识别方法，其特征在于，所述步骤s4包括：...
【专利技术属性】
技术研发人员：谈力，杨燕，龙虹毓，于洪，王国胤，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
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。