一种云模型与遗传算法优化支持向量机的状态评估方法与流程

本发明属于电力行业并涉及继电保护装置，具体涉及一种云模型与遗传算法优化支持向量机的状态评估方法。

背景技术：

目前，继电保护装置通常采用定期检修模式，该方法可能会存在“检修不足、检修过剩”，导致设备状态不确定。我国电力系统发展迅速，社会对供电质量以及可靠性提出了更高的要求，保证智能变电站的继电保护装置安全、稳定运行至关重要。而状态检修以设备状态为依据，通过对设备的连续性观测并且综合其他各种因素来识别设备已有的或潜在的劣化现象，然后对设备的各个状态量进行合理的评估，最后进行预测评估确定最佳检修时间。状态评估是状态检修的基础，只有准确、合理的评估设备运行状态才能制定合理的状态检修策略，及时有效的开展检修工作，为运维检修工作人员提供参考，实现智能变电站安全、可靠运行。

技术实现要素：

为了实现上述目的，本发明提出了一种云模型与遗传算法优化支持向量机的状态评估方法。

本发明的具体技术方案为一种云模型与遗传算法优化支持向量机的状态评估方法，具体包括以下步骤：

步骤1：根据继电保护装置运行状态信息，选取工作电压、cpu温度、绝缘性能、设备故障次数、家族缺陷率、异常告警率、断路器不正确动作次数作为支持向量机的输入特征向量；

步骤2：分别对工作电压、cpu温度、绝缘性能、设备故障次数、家族缺陷率、异常告警率、断路器不正确动作次数进行数据预处理，得到训练样本数据；

步骤3：将训练样本数据通过人工标记方法得到标记后数据预处理样本，将标记后数据预处理样本作为支持向量机的输入，支持向量机的核函数为径向基核函数，使用遗传算法对支持向量机的核函数参数、错误惩罚因子进行参数寻优，得到分类效果最好的参数取值以构建优化后支持向量机；

步骤4：将训练样本数据通过人工标记方法得到标记后数据预处理样本，通过遗传算法优化后支持向量机对标记后数据预处理样本进行分类训练，得到失效状态样本分类边界、最优状态分类面、良好状态样本分类边界；

步骤5：将测试样本数据根据步骤1-4得到测试样本数据的输入向量，计算测试样本数据点到最优分类超平面的距离，根据测试样本数据点到最优分类超平面的距离判断测试样本数据的状态；

步骤6：利用云模型产生云滴的随机性和稳定的趋向性来模拟不同专家对测试样本数据点到良好状态样本分类边界的距离的不同评估值，实现设备的评估值到评语域的不确定转化。

作为优选，步骤1中所述工作电压ai为第i个时间点的继电保护装置运行状态的工作电压；

步骤1中所述cpu温度bi为第i个时间点的继电保护装置运行状态的cpu温度；

步骤1中所述绝缘性能ci为第i个时间点的继电保护装置运行状态的绝缘性能；

步骤1中所述设备故障次数di为第i个时间点的继电保护装置运行状态的设备故障次数；

步骤1中所述家族缺陷率ei为第i个时间点的继电保护装置运行状态的家族缺陷率；

步骤1中所述异常告警率fi为第i个时间点的继电保护装置运行状态的异常告警率；

步骤1中所述断路器不正确动作次数gi为第i个时间点的继电保护装置运行状态的断路器不正确动作次数；

i∈[0,m],m为继电保护装置运行时间；

作为优选，步骤2中所述对工作电压进行数据预处理为：

其中，m为继电保护装置运行时间，n为数据预处理后的样本数量，ai为第i个时间点的继电保护装置运行状态的工作电压，ai^*为第i个时间点的保护装置运行状态的工作电压安全稳定阈值，aj^*为数据预处理后第j个样本的的工作电压，其为0-1之间的一个数值；

步骤2中所述对cpu温度进行数据预处理为：

其中，bi为第i个时间点的保护装置运行状态的cpu温度，bi^*为第i个时间点的保护装置运行状态的cpu温度安全稳定阈值，bj^*为数据预处理后第j个样本的cpu温度，其为0-1之间的一个数值；

步骤2中所述对绝缘性能进行数据预处理为：

其中，ci为第i个时间点的保护装置运行状态的绝缘性能，ci^*为第i个时间点的保护装置运行状态的绝缘性能安全稳定阈值，cj^*为数据预处理后第j个样本的绝缘性能，其为0-1之间的一个数值；

步骤2中所述对设备故障次数进行数据预处理为：

其中，di为第i个时间点的保护装置运行状态的设备故障次数，di^*为第i个时间点的保护装置运行状态的设备故障次数安全稳定阈值，dj^*为数据预处理后第j个样本的设备故障次数，其为0-1之间的一个数值；

步骤2中所述对家族缺陷率进行数据预处理为：

其中，ei为第i个时间点的保护装置运行状态的家族缺陷率，ei^*为第i个时间点的保护装置运行状态的家族缺陷率安全稳定阈值，ej^*为数据预处理后第j个样本的家族缺陷率，其为0-1之间的一个数值；

步骤2中所述对异常告警率进行数据预处理为：

其中，fi为第i个时间点的保护装置运行状态的异常告警率，fi^*为第i个时间点的保护装置运行状态的异常告警率安全稳定阈值，fj^*为数据预处理后第j个样本的异常告警率，其为0-1之间的一个数值；

步骤2中所述对不正确动作次数进行数据预处理为：

其中，gi为第i个时间点的保护装置运行状态的不正确动作次数，gi^*为第i个时间点的保护装置运行状态的不正确动作次数安全稳定阈值，gj^*为数据预处理后第j个样本的不正确动作次数，其为0-1之间的一个数值；

步骤2中所述训练样本数据为：

数据处理后第j个样本的工作电压aj^*，数据处理后第j个样本的cpu温度bj^*，数据处理后j个样本的绝缘性能cj^*，数据处理后第j个样本的设备故障次数dj^*，数据处理后第j个样本的家族缺陷率ej^*，数据处理后第j个样本的异常告警率fj^*，数据处理后第j个样本的断路器不正确动作次数gj^*；

作为优选，步骤3中所述将训练样本数据通过人工标记方法得到标记后数据预处理样本为：

(xj,yj),j∈[1,n]

xj＝(aj^*,bj^*,cj^*,dj^*,ej^*,fj^*,gj^*)^t

yj∈{-1,1}

其中，n为标记后数据预处理样本的数量，(xj,yj)为第j组标记后数据预处理样本点，xj为第j组标记后数据预处理样本的输入向量；

若通过人工标记判断xj在保护装置刚刚投入运行，且运行状态良好的情况下获得的样本数据，则yj＝1，若通过人工标记判断xj在在保护装置运行状态出现故障的情况下获得的样本数据，则yj＝-1；

yj∈{-1,1}为第j组标记后数据预处理样本的输出结果，yj＝1代表第j个样本的输入向量xj为状态良好的样本数据，状态良好的样本数据是在保护装置刚刚投入运行，且运行状态良好的情况下获得的样本数据，yj＝-1代表第j个样本的输入向量xj为状态失效的样本数据，状态失效的样本数据是在保护装置运行状态出现故障的情况下获得的样本数据；

aj^*为数据处理后第j个样本的工作电压，bj^*为数据处理后第j个样本的cpu温度，cj^*为数据处理后第j个样本的绝缘性能，dj^*为数据处理后第j个样本的设备故障次数，ej^*为数据处理后第j个样本的家族缺陷率，fj^*为数据处理后第j个样本的异常告警率，gj^*为数据处理后第j个样本的断路器不正确动作次数；

步骤3中所述支持向量机的核函数为径向基核函数，径向基核函数模型为：

其中，x为支持向量机的输入向量，x∈{x1,x2,...,xn}，xi^*为yi＝1或yi＝-1任意的一个支持向量，支持向量定义为正好落在良好状态分类分类边界上的向量或者失效状态分类分类边界上的向量；

步骤3中所述参数寻优具体为：

遗传算法中的输入数据为支持向量机的核函数参数c、错误惩罚因子δ、以及经过支持向量机的预测分类结果yp^*，遗传算法中的优化目标定义为测试样本的平均相对百分比误差；

支持向量机的输入为第j个样本标记后数据预处理样本的输入向量xj，支持向量机的输出为第j个样本标记后数据预处理样本的输出结果yj；

支持向量机的核函数类型、核函数参数c、错误惩罚因子δ均会对支持向量机的预测分类结果yp^*产生影响；

遗传算法的优化目标模型：

其中，q表示预测数量，q∈[1,n]，yp^*表示支持向量机的预测分类输出结果，yp(yp∈{-1,1})表示为第j组标记后数据预处理样本的输出结果；

当遗传算法的优化目标模型函数达到最小值时，即认为此时的分类效果最好，取此时的支持向量机参数为最优参数；

通过核函数模型、最优核函数参数c^*、最优错误惩罚因子δ^*构建遗传算法优化后支持向量机；

作为优选，步骤4中所述标记后数据预处理样本为：

(xj,yj),j∈[1,n]

xj＝(aj^*,bj^*,cj^*,dj^*,ej^*,fj^*,gj^*)^t

yj∈{-1,1}

其中，n为标记后数据预处理样本的数量，(xj,yj)为第j组标记后数据预处理样本点，xj为第j组标记后数据预处理样本的输入向量；

若通过人工标记判断xj在保护装置刚刚投入运行，且运行状态良好的情况下获得的样本数据，则yj＝1，若通过人工标记判断xj在在保护装置运行状态出现故障的情况下获得的样本数据，则yj＝-1；

yj∈{-1,1}为第j组标记后数据预处理样本的输出结果，yj＝1代表第j个样本的输入向量xj为状态良好的样本数据，状态良好的样本数据是在保护装置刚刚投入运行，且运行状态良好的情况下获得的样本数据，yj＝-1代表第j个样本的输入向量xj为状态失效的样本数据，状态失效的样本数据是在保护装置运行状态出现故障的情况下获得的样本数据；

aj^*为数据处理后第j个样本的工作电压，bj^*为数据处理后第j个样本的cpu温度，cj^*为数据处理后第j个样本的绝缘性能，dj^*为数据处理后第j个样本的设备故障次数，ej^*为数据处理后第j个样本的家族缺陷率，fj^*为数据处理后第j个样本的异常告警率，gj^*为数据处理后第j个样本的断路器不正确动作次数；

步骤4中所述对标记后数据预处理样本进行分类训练为：

标记后数据预处理样本(xj,yj),j∈[1,n]可以被分类超平面w^t·xj+b＝0分开，其中,w＝(w¹,w²,w³,...,wⁿ)^t为分类超平面的法向量，b为代表分类超平面到原点之间的距离；

(xj,yj),j∈[1,n]中与分类超平面最近的距离之和称为分类间隔，分类间隔等于2/||w||，分类间隔最大时的超平面为最优分类超平面；

要使分类间隔最大即是使||w||²最小，因此可以转化为如下的约束优化问题：

s.t.yj(w^t·xj+b)≥1

其中,w＝(w¹,w²,w³,...,wⁿ)^t为分类超平面的法向量，b为代表分类超平面到原点之间的距离，xj为第j组数据预处理样本的输入向量，yj为第j组数据预处理样本的输出结果；

这个约束优化问题可以通过构造拉格朗日函数求解，求解拉格朗日函数的鞍点，引入拉格朗日因子λj≥0，构造拉格朗日函数如下：

其中，λj≥0，j∈[1,n]，为拉格朗日因子。

依据拉格朗日对偶理论将转化为对偶问题，即：

应用二次规划方法可求解，求解得到的最优解α^*＝[λ1^*,λ2^*,...,λn^*]^t,则可以得到最优的w^*，b^*；

其中，xr、xs为yr＝1，ys＝1或yr＝-1，ys＝-1任意的一对支持向量，支持向量定义为正好落在良好状态分类分类边界上的向量或者失效状态分类分类边界上的向量；

可知w^*t·xj+b^*＝0为最优分类超平面，w^*t·xj+b^*＝+1为良好状态样本分类边界，w^*t·xj+b^*＝-1为失效状态样本分类边界；

作为优选，步骤5中所述测试样本数据到最优分类面的距离为

其中，d为测试样本数据到最优分类边界面的距离，x为步骤5中所述测试样本数据的输入向量，其中w^*＝(w^*1,w^*2,w^*3,...,w^*7)^t为平面的法向量，b^*为一个实数，代表平面到原点之间的距离，w^*、b^*为步骤四中求得的最优值：

其中，xr、xs为两个类别中任意的一对支持向量，xi为支持向量机的输入向量，yi为支持向量机的输出结果，λi^*为拉格朗日因子；

步骤5中所述根据测试样本数据点到最优分类超平面的距离判断测试样本数据的状态为：

若d＞1则测试样本数据属于良好状态；

若0≤d＜1则测试样本数据属于注意状态，测试样本数据到良好状态样本分类边界的距离为d'＝1-d；

若-1≤d≤0则测试样本数据属于异常状态，测试样本数据到良好状态分类边界面的距离为d'＝1-d；

若d＜-1则测试样本数据属于失效状态；

作为优选，步骤6中所述云模型为：构建云模型，即期望er、熵en、超熵hq；

其中，期望er表示云模型的重心位置，反映了定性概念q的中心值，熵en表示模糊性与随机性相关联程度的大小，超熵hq为熵的熵，间接反映了云模型的离散程度；

步骤6中所述模拟不同专家对测试样本数据点到良好状态样本分类边界的距离的不同评估值为：

定义健康度h为：保护装置健康状态的度量，其值越大表示健康状态越好；健康度h用d'对应的云模型的期望值表示，云模型的数学期望表达式为：

h(d')＝exp[-(d'-er)²/2en²]

其中，d'为测试样本数据点到良好状态分类边界面的距离，er为云模型期望值，en为云模型熵；

云模型的重心er＝0，en＝2/3，超熵hq依据经验取值hq＝0.1；

测试样本数据点到最优分类超平面的距离为：

若d＞1，测试样本数据点属于良好状态，可以不经过云模型直接对设备状态进行判断为良好状态；

若d＜-1，测试样本数据点属于失效状态，可以不经过云模型直接对设备状态进行判断为失效状态；

若d∈[-1,1]，需经过云模型的模糊映射：

将d'作为云模型的期望值，随机产生k个随机数，每个随机数有个相对应的云模型隶属度vi，vi∈[0,1]，i＝1,2,...,k；

通过比较vi与h(d')的大小，h(d')＝exp[-(d'-er)²/2en²]，得到测试样本处于注意状态的数量和异常状态的数量；

当0＜vi＜h(d'),i＝1,2,...,k时，统计此时vi的个数计数为n，n<k，此时vi的状态为异常状态；

当h(d')＜vi＜1,i＝1,2,...,k时，统计此时vi的个数计数为k-n，此时vi的状态为注意状态；

分别统计健康状态处于注意状态的数量k-n和异常状态的数量n，取数量最大的状态为最终的状态，并给出可信度r如下：

由支持向量机分类结果可知d'＝1为良好状态和注意状态的分类边界，d'为测试样本数据点到良好状态分类边界面的距离；

步骤6中所述实现设备的评估值到评语域的不确定转化：

由云模型的数学期望表达式确定其值为h(d')，从而确定由健康度h向评语域转化；

将得到的健康度转化为百分制：规定良好状态的样本健康度为100，失效状态的样本健康度为0，

注意状态的样本转化公式如下：

异常状态的样本转化公式如下：

其中，h为云模型的数学期望值，h'为健康状态转化为百分制后的得分。得到继电保护装置最终状态评估结果；

测试样本数据点到最优分类超平面的距离为：

若d＞1，测试样本数据点属于良好状态，可以不经过云模型直接对设备状态进行判断为良好状态；

若d＜-1，测试样本数据点属于失效状态，可以不经过云模型直接对设备状态进行判断为失效状态；

若d∈[-1,1]，需经过云模型的模糊映射：

将d'作为云模型的期望值，随机产生k个随机数，每个随机数有个相对应的云模型隶属度vi，vi∈[0,1]，i＝1,2,...,k；

通过比较vi与h(d')的大小，h(d')＝exp[-(d'-er)²/2en²]，得到测试样本处于注意状态的数量和异常状态的数量；

当0＜vi＜h(d'),i＝1,2,...,k时，统计此时vi的个数计数为n，n<k，此时vi的状态为异常状态；

当h(d')＜vi＜1,i＝1,2,...,k时，统计此时vi的个数计数为k-n，此时vi的状态为注意状态；

分别统计健康状态处于注意状态的数量k-n和异常状态的数量n，取数量最大的状态为最终的状态。

本发明优点在于：

本发明实现了对继电保护装置的运行状态进行准确状态评估，从而极大的提升了状态检修工作的效率，使得运维检修人员及时掌握保护装置运行状态，防止设备出现安全事故，保证供电的安全可靠。同时，本发明比层次分析法等传统状态评估方法有着明显的优势，评估准确率显著提高。

本发明通过对继电保护装置运行状态数据进行分析，达到对继电保护装置运行状态进行评估的目的，做到“应修必修”，防患于未然，为运维检修人员提供科学检修依据，保证智能变电站安全稳定运行。

附图说明

图1：继电保护装置状态指标评估体系；

图2遗传算法优化支持向量机参数流程图；

图3：支持向量机分类示意图；

图4：本发明的方法流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

下面结合图1至图4介绍本发明的实施方式，具体为：

步骤1：根据继电保护装置运行状态信息，选取工作电压、cpu温度、绝缘性能、设备故障次数、家族缺陷率、异常告警率、断路器不正确动作次数作为支持向量机的输入特征向量；

步骤1中所述工作电压ai为第i个时间点的继电保护装置运行状态的工作电压；

步骤1中所述cpu温度bi为第i个时间点的继电保护装置运行状态的cpu温度；

步骤1中所述绝缘性能ci为第i个时间点的继电保护装置运行状态的绝缘性能；

步骤1中所述设备故障次数di为第i个时间点的继电保护装置运行状态的设备故障次数；

步骤1中所述家族缺陷率ei为第i个时间点的继电保护装置运行状态的家族缺陷率；

步骤1中所述异常告警率fi为第i个时间点的继电保护装置运行状态的异常告警率；

步骤1中所述断路器不正确动作次数gi为第i个时间点的继电保护装置运行状态的断路器不正确动作次数；

i∈[0,m],m为继电保护装置运行时间；

步骤2：分别对工作电压、cpu温度、绝缘性能、设备故障次数、家族缺陷率、异常告警率、断路器不正确动作次数进行数据预处理，得到训练样本数据；

步骤2中所述对工作电压进行数据预处理为：

其中，m为继电保护装置运行时间，n为数据预处理后的样本数量，ai为第i个时间点的继电保护装置运行状态的工作电压，ai^*为第i个时间点的保护装置运行状态的工作电压安全稳定阈值，aj^*为数据预处理后第j个样本的的工作电压，其为0-1之间的一个数值；

步骤2中所述对cpu温度进行数据预处理为：

其中，bi为第i个时间点的保护装置运行状态的cpu温度，bi^*为第i个时间点的保护装置运行状态的cpu温度安全稳定阈值，bj^*为数据预处理后第j个样本的cpu温度，其为0-1之间的一个数值；

步骤2中所述对绝缘性能进行数据预处理为：

其中，ci为第i个时间点的保护装置运行状态的绝缘性能，ci^*为第i个时间点的保护装置运行状态的绝缘性能安全稳定阈值，cj^*为数据预处理后第j个样本的绝缘性能，其为0-1之间的一个数值；

步骤2中所述对设备故障次数进行数据预处理为：

其中，di为第i个时间点的保护装置运行状态的设备故障次数，di^*为第i个时间点的保护装置运行状态的设备故障次数安全稳定阈值，dj^*为数据预处理后第j个样本的设备故障次数，其为0-1之间的一个数值；

步骤2中所述对家族缺陷率进行数据预处理为：

其中，ei为第i个时间点的保护装置运行状态的家族缺陷率，ei^*为第i个时间点的保护装置运行状态的家族缺陷率安全稳定阈值，ej^*为数据预处理后第j个样本的家族缺陷率，其为0-1之间的一个数值；

步骤2中所述对异常告警率进行数据预处理为：

其中，fi为第i个时间点的保护装置运行状态的异常告警率，fi^*为第i个时间点的保护装置运行状态的异常告警率安全稳定阈值，fj^*为数据预处理后第j个样本的异常告警率，其为0-1之间的一个数值；

步骤2中所述对不正确动作次数进行数据预处理为：

其中，gi为第i个时间点的保护装置运行状态的不正确动作次数，gi^*为第i个时间点的保护装置运行状态的不正确动作次数安全稳定阈值，gj^*为数据预处理后第j个样本的不正确动作次数，其为0-1之间的一个数值；

步骤2中所述训练样本数据为：

数据处理后第j个样本的工作电压aj^*，数据处理后第j个样本的cpu温度bj^*，数据处理后j个样本的绝缘性能cj^*，数据处理后第j个样本的设备故障次数dj^*，数据处理后第j个样本的家族缺陷率ej^*，数据处理后第j个样本的异常告警率fj^*，数据处理后第j个样本的断路器不正确动作次数gj^*；

步骤3：将训练样本数据通过人工标记方法得到标记后数据预处理样本，将标记后数据预处理样本作为支持向量机的输入，支持向量机的核函数为径向基核函数，使用遗传算法对支持向量机的核函数参数、错误惩罚因子进行参数寻优，得到分类效果最好的参数取值以构建优化后支持向量机；

步骤3中所述将训练样本数据通过人工标记方法得到标记后数据预处理样本为：

(xj,yj),j∈[1,n]

xj＝(aj^*,bj^*,cj^*,dj^*,ej^*,fj^*,gj^*)^t

yj∈{-1,1}

其中，n为标记后数据预处理样本的数量，(xj,yj)为第j组标记后数据预处理样本点，xj为第j组标记后数据预处理样本的输入向量；

若通过人工标记判断xj在保护装置刚刚投入运行，且运行状态良好的情况下获得的样本数据，则yj＝1，若通过人工标记判断xj在在保护装置运行状态出现故障的情况下获得的样本数据，则yj＝-1；

yj∈{-1,1}为第j组标记后数据预处理样本的输出结果，yj＝1代表第j个样本的输入向量xj为状态良好的样本数据，状态良好的样本数据是在保护装置刚刚投入运行，且运行状态良好的情况下获得的样本数据，yj＝-1代表第j个样本的输入向量xj为状态失效的样本数据，状态失效的样本数据是在保护装置运行状态出现故障的情况下获得的样本数据；

aj^*为数据处理后第j个样本的工作电压，bj^*为数据处理后第j个样本的cpu温度，cj^*为数据处理后第j个样本的绝缘性能，dj^*为数据处理后第j个样本的设备故障次数，ej^*为数据处理后第j个样本的家族缺陷率，fj^*为数据处理后第j个样本的异常告警率，gj^*为数据处理后第j个样本的断路器不正确动作次数；

步骤3中所述支持向量机的核函数为径向基核函数，径向基核函数模型为：

其中，x为支持向量机的输入向量，x∈{x1,x2,...,xn}，xi^*为yi＝1或yi＝-1任意的一个支持向量，支持向量定义为正好落在良好状态分类分类边界上的向量或者失效状态分类分类边界上的向量；

步骤3中所述参数寻优具体为：

遗传算法中的输入数据为支持向量机的核函数参数c、错误惩罚因子δ、以及经过支持向量机的预测分类结果yp^*，遗传算法中的优化目标定义为测试样本的平均相对百分比误差；

支持向量机的输入为第j个样本标记后数据预处理样本的输入向量xj，支持向量机的输出为第j个样本标记后数据预处理样本的输出结果yj；

支持向量机的核函数类型、核函数参数c、错误惩罚因子δ均会对支持向量机的预测分类结果yp^*产生影响；

遗传算法的优化目标模型：

其中，q表示预测数量，q∈[1,n]，yp^*表示支持向量机的预测分类输出结果，yp(yp∈{-1,1})表示为第j组标记后数据预处理样本的输出结果；

当遗传算法的优化目标模型函数达到最小值时，即认为此时的分类效果最好，取此时的支持向量机参数为最优参数；

通过核函数模型、最优核函数参数c^*、最优错误惩罚因子δ^*构建遗传算法优化后支持向量机；

步骤4：将训练样本数据通过人工标记方法得到标记后数据预处理样本，通过遗传算法优化后支持向量机对标记后数据预处理样本进行分类训练，得到失效状态样本分类边界、最优状态分类面、良好状态样本分类边界；

步骤4中所述标记后数据预处理样本为：

(xj,yj),j∈[1,n]

xj＝(aj^*,bj^*,cj^*,dj^*,ej^*,fj^*,gj^*)^t

yj∈{-1,1}

其中，n为标记后数据预处理样本的数量，(xj,yj)为第j组标记后数据预处理样本点，xj为第j组标记后数据预处理样本的输入向量；

若通过人工标记判断xj在保护装置刚刚投入运行，且运行状态良好的情况下获得的样本数据，则yj＝1，若通过人工标记判断xj在在保护装置运行状态出现故障的情况下获得的样本数据，则yj＝-1；

yj∈{-1,1}为第j组标记后数据预处理样本的输出结果，yj＝1代表第j个样本的输入向量xj为状态良好的样本数据，状态良好的样本数据是在保护装置刚刚投入运行，且运行状态良好的情况下获得的样本数据，yj＝-1代表第j个样本的输入向量xj为状态失效的样本数据，状态失效的样本数据是在保护装置运行状态出现故障的情况下获得的样本数据；

aj^*为数据处理后第j个样本的工作电压，bj^*为数据处理后第j个样本的cpu温度，cj^*为数据处理后第j个样本的绝缘性能，dj^*为数据处理后第j个样本的设备故障次数，ej^*为数据处理后第j个样本的家族缺陷率，fj^*为数据处理后第j个样本的异常告警率，gj^*为数据处理后第j个样本的断路器不正确动作次数；

步骤4中所述对标记后数据预处理样本进行分类训练为：

标记后数据预处理样本(xj,yj),j∈[1,n]可以被分类超平面w^t·xj+b＝0分开，其中,w＝(w¹,w²,w³,...,wⁿ)^t为分类超平面的法向量，b为代表分类超平面到原点之间的距离；

(xj,yj),j∈[1,n]中与分类超平面最近的距离之和称为分类间隔，分类间隔等于2/||w||，分类间隔最大时的超平面为最优分类超平面；

要使分类间隔最大即是使||w||²最小，因此可以转化为如下的约束优化问题：

s.t.yj(w^t·xj+b)≥1

其中,w＝(w¹,w²,w³,...,wⁿ)^t为分类超平面的法向量，b为代表分类超平面到原点之间的距离，xj为第j组数据预处理样本的输入向量，yj为第j组数据预处理样本的输出结果；

这个约束优化问题可以通过构造拉格朗日函数求解，求解拉格朗日函数的鞍点，引入拉格朗日因子λj≥0，构造拉格朗日函数如下：

其中，λj≥0，j∈[1,n]，为拉格朗日因子。

依据拉格朗日对偶理论将转化为对偶问题，即：

应用二次规划方法可求解，求解得到的最优解α^*＝[λ1^*,λ2^*,...,λn^*]^t,则可以得到最优的w^*，b^*；

其中，xr、xs为yr＝1，ys＝1或yr＝-1，ys＝-1任意的一对支持向量，支持向量定义为正好落在良好状态分类分类边界上的向量或者失效状态分类分类边界上的向量；

可知w^*t·xj+b^*＝0为最优分类超平面，w^*t·xj+b^*＝+1为良好状态样本分类边界，w^*t·xj+b^*＝-1为失效状态样本分类边界。

步骤5：将测试样本数据根据步骤1-4得到测试样本数据的输入向量，计算测试样本数据点到最优分类超平面的距离，根据测试样本数据点到最优分类超平面的距离判断测试样本数据的状态；

步骤5中所述测试样本数据到最优分类面的距离为

其中，d为测试样本数据到最优分类边界面的距离，x为步骤5中所述测试样本数据的输入向量，其中w^*＝(w^*1,w^*2,w^*3,...,w^*7)^t为平面的法向量，b^*为一个实数，代表平面到原点之间的距离，w^*、b^*为步骤四中求得的最优值:

其中，xr、xs为两个类别中任意的一对支持向量，xi为支持向量机的输入向量，yi为支持向量机的输出结果，λi^*为拉格朗日因子；

步骤5中所述根据测试样本数据点到最优分类超平面的距离判断测试样本数据的状态为：

若d＞1则测试样本数据属于良好状态；

若0≤d＜1则测试样本数据属于注意状态，测试样本数据到良好状态样本分类边界的距离为d'＝1-d；

若-1≤d≤0则测试样本数据属于异常状态，测试样本数据到良好状态分类边界面的距离为d'＝1-d；

若d＜-1则测试样本数据属于失效状态。

步骤6：利用云模型产生云滴的随机性和稳定的趋向性来模拟不同专家对测试样本数据点到良好状态样本分类边界的距离的不同评估值，实现设备的评估值到评语域的不确定转化；

步骤6中所述云模型为：构建云模型，即期望er、熵en、超熵hq；

其中，期望er表示云模型的重心位置，反映了定性概念q的中心值，熵en表示模糊性与随机性相关联程度的大小，超熵hq为熵的熵，间接反映了云模型的离散程度；

步骤6中所述模拟不同专家对测试样本数据点到良好状态样本分类边界的距离的不同评估值为：

定义健康度h为：保护装置健康状态的度量，其值越大表示健康状态越好；健康度h用d'对应的云模型的期望值表示，云模型的数学期望表达式为：

h(d')＝exp[-(d'-er)²/2en²]

其中，d'为测试样本数据点到良好状态分类边界面的距离，er为云模型期望值，en为云模型熵；

云模型的重心er＝0，en＝2/3，超熵hq依据经验取值hq＝0.1；

测试样本数据点到最优分类超平面的距离为：

若d＞1，测试样本数据点属于良好状态，可以不经过云模型直接对设备状态进行判断为良好状态；

若d＜-1，测试样本数据点属于失效状态，可以不经过云模型直接对设备状态进行判断为失效状态；

若d∈[-1,1]，需经过云模型的模糊映射：

将d'作为云模型的期望值，随机产生k个随机数，每个随机数有个相对应的云模型隶属度vi，vi∈[0,1]，i＝1,2,...,k；

通过比较vi与h(d')的大小，h(d')＝exp[-(d'-er)²/2en²]，得到测试样本处于注意状态的数量和异常状态的数量；

当0＜vi＜h(d'),i＝1,2,...,k时，统计此时vi的个数计数为n，n<k，此时vi的状态为异常状态；

当h(d')＜vi＜1,i＝1,2,...,k时，统计此时vi的个数计数为k-n，此时vi的状态为注意状态；

分别统计健康状态处于注意状态的数量k-n和异常状态的数量n，取数量最大的状态为最终的状态，并给出可信度r如下：

由支持向量机分类结果可知d'＝1为良好状态和注意状态的分类边界，d'为测试样本数据点到良好状态分类边界面的距离；

步骤6中所述实现设备的评估值到评语域的不确定转化：

由云模型的数学期望表达式确定其值为h(d')，从而确定由健康度h向评语域转化；

将得到的健康度转化为百分制：规定良好状态的样本健康度为100，失效状态的样本健康度为0，

注意状态的样本转化公式如下：

异常状态的样本转化公式如下：

其中，h为云模型的数学期望值，h'为健康状态转化为百分制后的得分。得到继电保护装置最终状态评估结果；

测试样本数据点到最优分类超平面的距离为：

若d＞1，测试样本数据点属于良好状态，可以不经过云模型直接对设备状态进行判断为良好状态；

若d＜-1，测试样本数据点属于失效状态，可以不经过云模型直接对设备状态进行判断为失效状态；

若d∈[-1,1]，需经过云模型的模糊映射：

将d'作为云模型的期望值，随机产生k个随机数，每个随机数有个相对应的云模型隶属度vi，vi∈[0,1]，i＝1,2,...,k；

通过比较vi与h(d')的大小，h(d')＝exp[-(d'-er)²/2en²]，得到测试样本处于注意状态的数量和异常状态的数量；

当0＜vi＜h(d'),i＝1,2,...,k时，统计此时vi的个数计数为n，n<k，此时vi的状态为异常状态；

当h(d')＜vi＜1,i＝1,2,...,k时，统计此时vi的个数计数为k-n，此时vi的状态为注意状态；

分别统计健康状态处于注意状态的数量k-n和异常状态的数量n，取数量最大的状态为最终的状态。

为了检验本方法的可靠性和分类效率，在保证实验数据不变的情况下，利用神经网络和标准支持向量机方法对继电保护装置状态进行评估，并且和遗传算法优化支持向量机参数状态评估模型进行比较。本文所提方法能有效评估继电保护装置的运行状态，使得运维检修人员能够及时掌握继电保护装置的运行状态，为检修人员合理安排检修计划提供参考意见，防止设备出现安全事故，保证供电的安全可靠。

本文中所描述的具体实施案例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。