[发明专利]一种基于加权和选择性朴素贝叶斯的变压器故障诊断方法

权利要求书

1.一种基于加权和选择性朴素贝叶斯的变压器故障诊断方法，其特征是，基于x²统计量的属性选择法将一部分冗余的属性去除，构造对分类结果更好的属性学习分类器，朴素贝叶斯方法考虑权重设计的相关概率法通过为不同属性赋予一个相应的权值来区分不同条件属性对决策分类的贡献程度，包括以下步骤：

步骤1：收集主变压器历史故障数据，包括属性数据和故障类型，对条件属性数据进行离散化，故障类型为决策属性，并将数据分为训练集和测试集；

步骤2：利用基于x²统计量的属性选择法选取最优约简子集RAS；

主变压器属性数据进行相关性度量方法：对于两个属性A、B，取值分别有a_i,(i＝1,2,…,m)，b_j,(j＝1,2,…,n)，x²统计量的属性相关性计算基于两个属性的频度表；

步骤3：先验概率学习，由训练集计算所有决策属性先验概率和RAS中属性的条件概率，将结果分别存入CP表和CPT表；

步骤4：利用相关概率法建立属性数据的权值表；

计算RAS表中属性在不同类别下的所有权值，保存到权值表AW表中；

步骤5：利用测试集测试模型性能；对于测试集中条件属性，调用先验概率表CP表和条件概率表CPT表，依次考察最优约简子集RAS中属性的当前取值，并依据该属性调用权值表AW中的相应权值，根据下面的公式依次计算每个测试例属于不同类别的后验概率，

找出最大的后验概率，分配类别，并根据测试数据实际类别评估模型准确率；

其中p(C_i)表示类别C_i的概率，表示类别C_i在属性下的概率，为属性权值。

2.根据权利要求1所述的基于加权和选择性朴素贝叶斯的变压器故障诊断方法，其特征是，步骤2中，基于两个属性其频数的列表：

f_ij表示a_i和b_j同时出现的频度，A_i表示a_i出现的频度，B_j表示b_j出现的频度，f表示样本的容量；

由x²统计量得到m*n列表数据中行列属性变量的相关性度量：

ψ的绝对值越大，属性相关性就越强，其绝对值接近于0时属性相关性较弱，同样适用于条件属性与决策属性之间的相关性度量；

步骤2.1：计算训练集中所有条件属性与决策属性之间的属性相关度ψ(A_i,C)，并将其绝对值存到表AR中；

步骤2.2：根据表AR中的值的大小对所有条件属性进行降序排列，将排序结果存到表AS中；

步骤2.3：选择表AS中的第一个属性，依次计算该属性与其余属性的相关度，计算条件属性间的相关性，如果同时满足条件ψ(A_j,C)＞ψ(A_i,C)和ψ(A_j,A_i)＞ψ(A_i,C)，则称A_i是A_j的冗余属性，删除条件属性A_i；

步骤2.4：选择表AS中的下一个属性，按照步骤2.3删除该属性的冗余属性；

步骤2.5：重复步骤2.4，直到AS中所有的属性都被判断过；

步骤2.6：最终得到最优约简属性子集RAS。

3.根据权利要求1所述的基于加权和选择性朴素贝叶斯的变压器故障诊断方法，其特征是，步骤4中：对于某个条件属性A_j，可能取值为其中k∈[1,m]，表示A_j有m个可能取值，那么对于每一个类C_i来说，属性A_j都有一个关于C_i的相关概率和不相关概率p(A_j|norel)。

属性的权值为：