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与流程

本发明涉及电能计量领域,并且更具体地，涉及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。

背景技术：

智能电能表正逐步进入每个家庭，实现用电信息采集的完全覆盖，其在智能电网的建设中的重要作用正在被凸显出来。智能电能表寿命有限，1、2级有功电能表检定周期一般小于8年，这说明每只电能表使用8年将被收回检测。若仍能继续使用，也将经历“两拆两装”的繁琐流程，再度使用不超过2年时间，故当前回收的智能电能表均采取报废处理的方式，造成很大的资源浪费。若能使用计算机技术对智能电能表的状态进行预测，及时获取智能电能表的状态信息，则可以最大化的对智能电能表进行使用。

技术实现要素：

为了解决现有技术中对智能电能表的状态无法进行准确评估，致使大量仍能使用的电能表被报废的技术问题，本发明提供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，所述方法包括：

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，…xi，…xn}，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；

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，…xi，…xn}，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；

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。

进一步地，所述对于预先设置的评价智能电能表运行状态的若干个指标，将其表示为一个由0和1组成的二进制串之前还包括当所述评价智能电表运行状态的属性指标的取值是连续值时，将所述属性指标的取值离散化，其中：

步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率p(xi)，其中1≤i≤k，k的初始值为k0；

步骤2、基于所述概率p(xi)计算指标x的信息熵

步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；

步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵h(k-1),使合并前后的熵之差h(k)-h(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；

步骤5、根据合并后的区间的信息熵h(k-1)，计算sj＝(k0-1)×h(k-1)-(k-2)×h(k0)，其中，j的初始值为1；

步骤6、当sj≤sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，s0的值为0。

进一步地，所述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，…xi，…xn}包括：

步骤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2、随机生成λ个二进制串个体作为初始种群qk，其中，k的初始值是0；

步骤3、对于初始种群qk中的每个二进制串个体si，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ni，其中，1≤i≤λ，1≤j≤j0，1≤j0≤m；

步骤4、利用测试数据对所述贝叶斯分类器ni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5、根据所述初始种群qk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ni对于测试数据的测试准确率，将该准确率作为个体si的适应度f[si]；

步骤6、计算所述初始种群qk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7，当所述差值小于设置的阈值时，则所述初始种群qk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7、按适应度值f[si]的大小，基于轮盘赌方法每次从当前群体{s1,s2…si…sλ}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10、将经过变异操作后的二进制串个体作为新的初始种群qk，令k＝k+1，跳转到步骤3。

进一步地，所述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，…xi，…xn}，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高的贝叶斯网包括：

步骤1、设置训练数据集d＝{c1，c2，…，cm}，其中m为数据的组数，ci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，…xi，…xn，xn+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，…xi，…xn}和智能电能表运行状态指标xn+1组成的新的指标属性集合x'＝{x1，…xi，…xn，xn+1}；

步骤2、将所述指标属性集合x'＝{x1…xi…xn，xn+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，…，cm}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popt，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qt中的一个个体；

步骤3、计算初始种群popt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popt的最优个体，即最优贝叶斯网

步骤4、当t＝0或者当1≤t＜t0且跳转至步骤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5、对所述初始种群popt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popson；

步骤8、采用和计算初始种群popt每个个体的适应度相同的方法对popson中的每个个体计算适应度；

步骤9、从popt和popson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popt，令t＝t+1，并跳转至步骤3。

进一步地，所述计算初始种群popt每个个体的适应度，其计算公式为：

其中nilk是训练数据集d中指标属性xi取其第k个值，且πi取其第l个值，即时的训练数据个数，nil是d中πi取其第l个值的训练数据个数，πi是指标属性xi的父节点，m是训练数据集中的训练数据的组数。

进一步地，所述根据最佳贝叶斯网，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包括：

步骤1、在所述最佳贝叶斯网中，令评价智能电能表运行状态的指标属性集合x＝{x1，…xi，…xn}中的指标属性的观测值对应地排列为指标观测值集合r＝{x1，…xi，…xn}，且贝叶斯网的所有指标属性的概率因子组成的集合为f，其中，所述贝叶斯网的所有指标属性包括价智能电能表运行状态的指标属性集合x＝{x1，…xi，…xn}和智能电能表运行状态属性y；

步骤2、将xi从集合r中删除，其中，i的初始值为1；

步骤3、将包含指标属性的观测值xi且属于集合f的概率因子组成新的集合fi；

步骤4、根据公式计算概率因子将从集合f中去除集合fi和概率因子的并集后的集合作为新的集合f；

步骤5、当集合r是空集时，跳转至步骤6，当集合r不是空集时，令i＝i+1，并跳转至步骤2；

步骤6、根据公式计算智能电能表运行状态的后验概率p(y|x1,...,xn)，其中fjy是所述贝叶斯网中包含运行状态指标属性y且属于集合f的概率因子；

步骤7、选择时的智能电能表的运行状态作为评价智能电能表状态的结果。

根据本发明的另一方面，本发明提供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系统，所述系统包括：

最优指标单元，其用于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，…xi，…xn}，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；

最佳贝叶斯网单元，其用于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，…xi，…xn}，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；

运行状态确定单元，其用于根据最佳贝叶斯网，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。

进一步地，所述系统还包括离散化单元，其用于当所述评价智能电表运行状态的属性指标的取值是连续值时，将所述属性指标的取值离散化，其中：

步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率p(xi)，其中1≤i≤k，k的初始值为k0；

步骤2、基于所述概率p(xi)计算指标x的信息熵

步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；

步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵h(k-1),使合并前后的熵之差h(k)-h(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；

步骤5、根据合并后的区间的信息熵h(k-1)，计算sj＝(k0-1)×h(k-1)-(k-2)×h(k0)，其中，j的初始值为1；

步骤6、当sj≤sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，s0的值为0。

进一步地，所述最优指标单元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，…xi，…xn}包括：

步骤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2、随机生成λ个二进制串个体作为初始种群qk，其中，k的初始值是0；

步骤3、对于初始种群qk中的每个二进制串个体si，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ni，其中，1≤i≤λ，1≤j≤j0，1≤j0≤m；

步骤4、利用测试数据对所述贝叶斯分类器ni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5、根据所述初始种群qk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ni对于测试数据的测试准确率，将该准确率作为个体si的适应度f[si]；

步骤6、计算所述初始种群qk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7，当所述差值小于设置的阈值时，则所述初始种群qk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7、按适应度值f[si]的大小，基于轮盘赌方法每次从当前群体{s1,s2…si…sλ}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10、将经过变异操作后的二进制串个体作为新的初始种群qk，令k＝k+1，跳转到步骤3。

进一步地，所述最佳贝叶斯网单元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，…xi，…xn}，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高的贝叶斯网包括：

步骤1、设置训练数据集d＝{c1，c2，…，cm}，其中m为数据的组数，ci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，…xi，…xn，xn+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，…xi，…xn}和智能电能表运行状态指标xn+1组成的新的指标属性集合x'＝{x1，…xi，…xn，xn+1}；

步骤2、将所述指标属性集合x'＝{x1…xi…xn，xn+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，…，cm}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popt，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qt中的一个个体；

步骤3、计算初始种群popt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popt的最优个体，即最优贝叶斯网

步骤4、当t＝0或者当1≤t＜t0且跳转至步骤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5、对所述初始种群popt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popson；

步骤8、采用和计算初始种群popt每个个体的适应度相同的方法对popson中的每个个体计算适应度；

步骤9、从popt和popson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popt，令t＝t+1，并跳转至步骤3。

进一步地，所述最佳贝叶斯网单元计算初始种群popt每个个体的适应度的计算公式为：

其中nilk是训练数据集d中指标属性xi取其第k个值，且πi取其第l个值，即时的训练数据个数，nil是d中πi取其第l个值的训练数据个数，πi是指标属性xi的父节点，m是训练数据集中的训练数据的组数。

进一步地，所述运行状态确定单元根据最佳贝叶斯网，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包括：

步骤1、在所述最佳贝叶斯网中，令评价智能电能表运行状态的指标属性集合x＝{x1，…xi，…xn}中的指标属性的观测值对应地排列为指标观测值集合r＝{x1，…xi，…xn}，且贝叶斯网的所有指标属性的概率因子组成的集合为f，其中，所述贝叶斯网的所有指标属性包括价智能电能表运行状态的指标属性集合x＝{x1，…xi，…xn}和智能电能表运行状态属性y；

步骤2、将xi从集合r中删除，其中，i的初始值为1；

步骤3、将包含指标属性的观测值xi且属于集合f的概率因子组成新的集合fi；

步骤4、根据公式计算概率因子将从集合f中去除集合fi和概率因子的并集后的集合作为新的集合f；

步骤5、当集合r是空集时，跳转至步骤6，当集合r不是空集时，令i＝i+1，并跳转至步骤2；

步骤6、根据公式计算智能电能表运行状态的后验概率p(y|x1,...,xn)，其中fjy是所述贝叶斯网中包含运行状态指标属性y且属于集合f的概率因子；

步骤7、选择时的智能电能表的运行状态作为评价智能电能表状态的结果。

本发明技术方案提供的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，首先对用于评价电能表运行状态的属性指标中具有连续值的属性指标进行离散化，然后基于历史数据，对经过离散化的属性指标，采用遗传算法确定最优属性指标的集合，再通过历史数据，训练出若干个表示电能表最优指标属性与运行状态的非线性复杂关系的贝叶斯网，并采用遗传算法，根据适应度函数选取最佳贝叶斯网，最后对观测到的智能电能表的属性指标值，通过贝叶斯网推理算法确定智能电能表的运行状态。所述方法和系统准确地实现了智能电能表的状态评价，为电网的安全运行、状态监测、数据抄读、电价下发等工作提供了极大的便利，有效地节省了定期回收检测电能表的巨大成本，为更换智能电能表提供了有力的技术保障。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为根据本发明优选实施方式的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的流程图；

图2为根据本发明优选实施方式的基于贝叶斯网和遗传算法评价智能电能表运行状态的系统的结构示意图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为根据本发明优选实施方式的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的流程图。如图1所示，本优选实施方式所述的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100从步骤101开始。

在步骤101，对预先设置的评价智能电能表运行状态的m个属性指标中具有连续值的属性指标进行离散化。

在本优选实施方式中，选取投运前检定误差(额定负载点误差x1、最小负载点误差x2、最大负载点误差x3)、运行误差(测量误差一x4、测量误差二x5、测量误差三x6)、运行时间x7、运行环境x8、家族缺陷x9、在线监测电量异常x10、在线监测时钟异常x11，一共11个指标作为属性指标，所述属性指标的离散化是针对所述11个属性指标中具有连续值的属性指标进行的。

在步骤102，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，…xi，…xn}，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。

在本优选实施方式中，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，但这并不是唯一的，同样，可在所述二进制串中1表示不选择对应的属性指标，0表示选择对应的属性指标。

在步骤103，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，…xi，…xn}，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。

在步骤104，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。

优选地，所述对预先设置的评价智能电能表运行状态的m个属性指标中具有连续值的属性指标进行离散化包括：

步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率p(xi)，其中1≤i≤k，k的初始值为k0；

步骤2、基于所述概率p(xi)计算指标x的信息熵

步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；

步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵h(k-1),使合并前后的熵之差h(k)-h(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；

步骤5、根据合并后的区间的信息熵h(k-1)，计算sj＝(k0-1)×h(k-1)-(k-2)×h(k0)，其中，j的初始值为1；

步骤6、当sj≤sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，s0的值为0。

优选地，所述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，…xi，…xn}包括：

步骤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2、随机生成λ个二进制串个体作为初始种群qk，其中，k的初始值是0；

步骤3、对于初始种群qk中的每个二进制串个体si，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ni，其中，1≤i≤λ，1≤j≤j0，1≤j0≤m；

步骤4、利用测试数据对所述贝叶斯分类器ni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5、根据所述初始种群qk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ni对于测试数据的测试准确率，将该准确率作为个体si的适应度f[si]；

步骤6、计算所述初始种群qk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7，当所述差值小于设置的阈值时，则所述初始种群qk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7、按适应度值f[si]的大小，基于轮盘赌方法每次从当前群体{s1,s2…si…sλ}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10、将经过变异操作后的二进制串个体作为新的初始种群qk，令k＝k+1，跳转到步骤3。

在本优选实施方式中，根据所述初始种群qk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ni对于测试数据的测试准确率是指将通过贝叶斯分类器对测试数据进行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运行状态结果值相同的部分占测试数据中智能电能表实际运行状态结果值的比例作为贝叶斯分类器ni对于测试数据的测试准确率的结果。

优选地，所述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，…xi，…xn}，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高的贝叶斯网包括：

步骤1、设置训练数据集d＝{c1，c2，…，cm}，其中m为数据的组数，ci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，…xi，…xn，xn+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，…xi，…xn}和智能电能表运行状态指标xn+1组成的新的指标属性集合x'＝{x1，…xi，…xn，xn+1}；

步骤2、将所述指标属性集合x'＝{x1…xi…xn，xn+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，…，cm}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popt，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qt中的一个个体；

步骤3、计算初始种群popt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popt的最优个体，即最优贝叶斯网

步骤4、当t＝0或者当1≤t＜t0且跳转至步骤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5、对所述初始种群popt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popson；

步骤8、采用和计算初始种群popt每个个体的适应度相同的方法对popson中的每个个体计算适应度；

步骤9、从popt和popson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popt，令t＝t+1，并跳转至步骤3。

优选地，所述计算初始种群popt每个个体的适应度，其计算公式为：

其中nilk是训练数据集d中指标属性xi取其第k个值，且πi取其第l个值，即时的训练数据个数，nil是d中πi取其第l个值的训练数据个数，πi是指标属性xi的父节点，m是训练数据集中的训练数据的组数。

优选地，所述根据最佳贝叶斯网，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包括：

步骤1、在所述最佳贝叶斯网中，令评价智能电能表运行状态的指标属性集合x＝{x1，…xi，…xn}中的指标属性的观测值对应地排列为指标观测值集合r＝{x1，…xi，…xn}，且贝叶斯网的所有指标属性的概率因子组成的集合为f，其中，所述贝叶斯网的所有指标属性包括价智能电能表运行状态的指标属性集合x＝{x1，…xi，…xn}和智能电能表运行状态属性y；

步骤2、将xi从集合r中删除，其中，i的初始值为1；

步骤3、将包含指标属性的观测值xi且属于集合f的概率因子组成新的集合fi；

步骤4、根据公式计算概率因子将从集合f中去除集合fi和概率因子的并集后的集合作为新的集合f；

步骤5、当集合r是空集时，跳转至步骤6，当集合r不是空集时，令i＝i+1，并跳转至步骤2；

步骤6、根据公式计算智能电能表运行状态的后验概率p(y|x1,...,xn)，其中fjy是所述贝叶斯网中包含运行状态指标属性y且属于集合f的概率因子；

步骤7、选择时的智能电能表的运行状态作为评价智能电能表状态的结果。

图2为根据本发明优选实施方式的基于贝叶斯网和遗传算法评价智能电能表运行状态的系统的结构示意图。如图2所示，本优选实施方式所述的基于贝叶斯网和遗传算法评价智能电能表运行状态的系统200包括：

离散化单元201，其用于当预先设置的评价智能电表运行状态的属性指标的取值是连续值时，将所述属性指标的取值离散化；

最优指标单元202，其用于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，…xi，…xn}，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；

最佳贝叶斯网单元203，其用于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，…xi，…xn}，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；

运行状态确定单元204，其用于根据最佳贝叶斯网，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。

优选地，所述离散化单元用于当所述评价智能电表运行状态的属性指标的取值是连续值时，将所述属性指标的取值离散化包括：

步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率p(xi)，其中1≤i≤k，k的初始值为k0；

步骤2、基于所述概率p(xi)计算指标x的信息熵

步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；

步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵h(k-1),使合并前后的熵之差h(k)-h(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；

步骤5、根据合并后的区间的信息熵h(k-1)，计算sj＝(k0-1)×h(k-1)-(k-2)×h(k0)，其中，j的初始值为1；

步骤6、当sj≤sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，s0的值为0。

优选地，所述最优指标单元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，…xi，…xn}包括：

步骤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2、随机生成λ个二进制串个体作为初始种群qk，其中，k的初始值是0；

步骤3、对于初始种群qk中的每个二进制串个体si，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ni，其中，1≤i≤λ，1≤j≤j0，1≤j0≤m；

步骤4、利用测试数据对所述贝叶斯分类器ni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5、根据所述初始种群qk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ni对于测试数据的测试准确率，将该准确率作为个体si的适应度f[si]；

步骤6、计算所述初始种群qk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7，当所述差值小于设置的阈值时，则所述初始种群qk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7、按适应度值f[si]的大小，基于轮盘赌方法每次从当前群体{s1,s2…si…sλ}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10、将经过变异操作后的二进制串个体作为新的初始种群qk，令k＝k+1，跳转到步骤3。

在本优选实施方式中，基于轮盘赌方法每次从当前群体{s1，s2，…si，…sλ}中选取1个个体，由于每次的选取都是随机的，很可能出现两次或两次以上选取的个体都是相同的，因此，当进行λ次选取时，所述作为父代群体λ个个体中，很有可能会出现重复的个体。

优选地，所述最佳贝叶斯网单元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，…xi，…xn}，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高的贝叶斯网包括：

步骤1、设置训练数据集d＝{c1，c2，…，cm}，其中m为数据的组数，ci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，…xi，…xn，xn+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，…xi，…xn}和智能电能表运行状态指标xn+1组成的新的指标属性集合x'＝{x1，…xi，…xn，xn+1}；

步骤2、将所述指标属性集合x'＝{x1…xi…xn，xn+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，…，cm}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popt，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qt中的一个个体；

步骤3、计算初始种群popt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popt的最优个体，即最优贝叶斯网

步骤4、当t＝0或者当1≤t＜t0且跳转至步骤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5、对所述初始种群popt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popson；

步骤8、采用和计算初始种群popt每个个体的适应度相同的方法对popson中的每个个体计算适应度；

步骤9、从popt和popson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popt，令t＝t+1，并跳转至步骤3。

优选地，所述最佳贝叶斯网单元计算初始种群popt每个个体的适应度的计算公式为：

其中nilk是训练数据集d中指标属性xi取其第k个值，且πi取其第l个值，即时的训练数据个数，nil是d中πi取其第l个值的训练数据个数，πi是指标属性xi的父节点，m是训练数据集中的训练数据的组数。

优选地，所述运行状态确定单元根据最佳贝叶斯网，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包括：

步骤1、在所述最佳贝叶斯网中，令评价智能电能表运行状态的指标属性集合x＝{x1，…xi，…xn}中的指标属性的观测值对应地排列为指标观测值集合r＝{x1，…xi，…xn}，且贝叶斯网的所有指标属性的概率因子组成的集合为f，其中，所述贝叶斯网的所有指标属性包括价智能电能表运行状态的指标属性集合x＝{x1，…xi，…xn}和智能电能表运行状态属性y；

步骤2、将xi从集合r中删除，其中，i的初始值为1；

步骤3、将包含指标属性的观测值xi且属于集合f的概率因子组成新的集合fi；

步骤4、根据公式计算概率因子将从集合f中去除集合fi和概率因子的并集后的集合作为新的集合f；

步骤5、当集合r是空集时，跳转至步骤6，当集合r不是空集时，令i＝i+1，并跳转至步骤2；

步骤6、根据公式计算智能电能表运行状态的后验概率p(y|x1,...,xn)，其中fjy是所述贝叶斯网中包含运行状态指标属性y且属于集合f的概率因子；

步骤7、选择时的智能电能表的运行状态作为评价智能电能表状态的结果。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。