[发明专利]一种TFRI权重计算模型的建立方法

说明书

本发明公开了一种TFRI权重计算模型的建立方法，基于ARMret预测模型，建立TFRI权重计算模型,TFRI是指双重风险指数，采用TFRI权重计算模型，ARMret预测模型能够有效处理数据容量有限或特征记录相对模糊的情况。

技术领域

本发明涉及一种基于计及罕见变量的关联规则挖掘故障分布预测模型(Association Rule Mining with Rare Elements and Time series,ARMret)以及TFRI(双重风险指数)权重计算模型。

背景技术

在所研究的各个输电线路系统外部环境特征与输电线路系统故障发生时段中，往往存在一些出现频率较低的环境元素以及一些故障发生较少的时段。但当面对环境特征中的不同环境元素以及不同时段时，传统ARM算法仍然采用相同且固定的重要度诊断标准得分计算方法及阈值设定方法，将导致包括罕见环境元素和罕见故障时段在内的罕见变量未经任何分析而被直接舍弃。考虑到这些罕见变量与真实故障之间同样存在关联性，因此对这些罕见变量进行挖掘和分析可以有效改善故障预测的准确性。

因此，有必要设计一种基于计及罕见变量的故障预测方法以及一种新的权重计算模型。

发明内容

本发明所要解决的技术问题是提供一种TFRI权重计算模型的建立方法，该TFRI权重计算模型具有预测准确性高的特点。

发明的技术解决方案如下：

先介绍ARMret模型:

一种基于计及罕见变量的ARMret模型的故障预测方法包括以下步骤：

步骤1：挖掘罕见元素和常见元素并归类；

在训练数据集中存储有多条关于电力故障的故障记录，针对某一个环境特征f_j所含有的全部环境元素，采用基于条件重要度诊断标准阈值设定方法的重要度诊断标准计算方法挖掘出其中相应的罕见元素，余下的元素即为常见元素；

不含任何罕见元素的故障记录被归类于S^g；

含有任意罕见元素的故障记录被归类于

S^g：变量映射空间，包含所有数据库中的故障记录；

变量映射空间，仅包含数据库中带有某一个特征f_j中任意罕见环境元素的故障记录；

步骤2：挖掘基于这些罕见元素的HILP元素，以高频变量集和频繁关联规则的形式体现；

HILP是指高风险低概率；

步骤3：对于训练数据集中的每一个环境特征，依次重复进行步骤1-2；

步骤4：由下式求解各个元素的相对权重；

为环境特征f_j的相对权重；若一个环境特征f_j含有罕见环境元素，且一条故障记录X→Y中含有f_j，则该环境特征f_j的相对权重写为

其中，t_i为输入数据库中的第i条故障记录；D＝{t₁，t₂，…，t_m}为含有m条故障记录的输入数据库；D_y∈D＝{D₁,D₂,…,D_z}代表输入数据库D中一年的数据，即在一年内发生的故障(各条故障记录)；D₁,D₂,…,D_z代表输入数据库D中第一年、第二年直至最后一年(D_z)的数据；