首页> 中国专利> 基于改进朴素贝叶斯分类的电网资产综合价值评估方法

基于改进朴素贝叶斯分类的电网资产综合价值评估方法

摘要

本发明涉及的是基于改进朴素贝叶斯分类的电网资产综合价值评估方法。解决了一般电网资产难以评估的问题。包括以下步骤:S1:在电网资产属性特征数据中提取电网资产属性独立分量;S2:对电网资产属性独立分量进行一次处理,得到算法模型;S3:根据算法模型进行价值评估。其有益效果是:通过ICA和LDA来提取电网资产的关键属性特征并进行独立分量提取和降维处理,作为WNB模型的输入变量,建立电网资产评估预测模型,使电网资产管理能够动态追踪电网资产属性特征及其变化所引起资产价值变化,实现了系统全面、实时高效、便捷、多尺度的价值评估,为明确发展需求和优化方向等提供了极大的便捷。

著录项

说明书

技术领域

本发明涉及电网资产评估领域,尤其涉及基于改进朴素贝叶斯分类的电网资产综合价值评估方法。

背景技术

电网资产全过程管理多尺度评估技术,是以全寿命周期精益化管理为基础,研究电网资产价值计量与诊断评估是为科学评估电网资产综合价值能力,系统诊断满足安全可靠、电量电价等要素发展目标约束下下电网资产合理价值水平而开展的一项创新性研究工作。有利于明确电网资产价值能力,合理确定发展目标及投资需求。鉴于此,我们通过ICA和LDA来提取电网资产的关键属性特征并进行独立分量提取和降维处理,作为WNB模型的输入变量,建立电网资产评估预测模型,系统构建电网资产价值多尺度评估技术,为科学诊断评估电网资产价值问题,明确发展需求与优化方向提供技术支撑。

发明内容

本发明解决一般电网资产难以评估的问题,提供了基于改进朴素贝叶斯分类的电网资产综合价值评估方法。

为了解决上述存在的技术问题,本发明的技术方案是:基于改进朴素贝叶斯分类的电网资产综合价值评估方法,包括以下步骤:

S1:在电网资产属性特征数据中提取电网资产属性独立分量;

S2:对电网资产属性独立分量进行一次处理,得到算法模型;

S3:根据算法模型进行价值评估。

作为上述方案的一种优选方案,所述步骤S1中的提取是通过ICA算法提取电网资产属性独立分量。

作为上述方案的一种优选方案,所述ICA算法采用负熵最大化作为各分量的独立准则,包括以下步骤:

S21:根据迭代式得到混解矩阵;

S22:根据混解矩阵和独立分量求解式得到电网资产属性独立分量。

作为上述方案的一种优选方案,所述步骤S21中的迭代式如下:

其中,W为混解矩阵;

S=W

其中,S为电网资产属性独立分量,W为混解矩阵;X为电网资产属性特征样本数据,且X={x

作为上述方案的一种优选方案,所述步骤S2中的一次处理包括以下步骤:

S31:利用LDA算法对电网资产属性独立分量进行降维处理,得到降维数据;

S32:根据降维数据构建WNB算法模型。

其中,步骤S31中的LDA方法是以投影后类内方差最小、类间方差最大为准则,数据集样本有类别输出的监督学习降维技术。

作为上述方案的一种优选方案,所述步骤S31中降维处理包括以下步骤:

S41:根据电网资产属性特征样本数据得到第c类样本的协方差阵;

S42:根据第c类样本的协方差阵得到类内散度矩阵;

S43:根据类内散度矩阵的前d个特征值得到投影矩阵W;

S44:根据投影矩阵W和电网资产属性独立分量S得到降维数据Y。

其中,步骤S43中d值为预先设置,投影矩阵W是由类内散度矩阵的前d个特征值对应的特征向量组成的。

作为上述方案的一种优选方案,所述步骤S41中的协方差阵表达式如下:

其中,C

所述步骤S42中类内散度矩阵表达式如下:

其中,N为样本总个数;

所述步骤S44中降维数据Y的求解式如下:

Y=W

其中,W为投影矩阵,S为电网资产属性独立分量,N为样本总个数。

作为上述方案的一种优选方案,所述步骤S32中构建WNB算法模型包括以下步骤:

S51:预设样本对应的类别数据为C;

S52:根据降维数据Y和类别数据C得到相关系数和互信息;

S53:对相关系数和互信息进行归一化得到归一化的相关系数和归一化的互信息;

S54:根据归一化的相关系数和归一化的互信息得到权重系数;

S55:根据降维数据和权重系数得到算法模型。

其中,步骤S52中的相关系数为评估指标变量y

作为上述方案的一种优选方案,所述步骤S51中类别数据C表达式如下:

C={c

所述步骤S52中降维数据的表达式如下:

Y={y

所述步骤S52中的相关系数求解式如下:

所述步骤S52中的互信息求解式如下:

I(C,y

其中,H(·)为熵;

所述步骤S54中的权重系数的求解式如下:

ω

其中,ω

其中,步骤S55中算法模型为加权朴素贝叶斯模型,其表达式如下:

其中,ω

作为上述方案的一种优选方案,所述步骤S3中价值评估包括以下步骤:

S61:在算法模型中代入待评估数据,得到后验概率;

S62:选取后验概率最大值所对应的资产价值类别c作为价值评估结果。

与现有技术相比,本发明的有益效果是:

通过ICA和LDA来提取电网资产的关键属性特征并进行独立分量提取和降维处理,作为WNB模型的输入变量,建立电网资产评估预测模型,使电网资产管理能够动态追踪电网资产属性特征及其变化所引起资产价值变化,实现了系统全面、实时高效、便捷、多尺度的价值评估,为明确发展需求和优化方向等提供了极大的便捷。

附图说明

图1为本发明的一种流程示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

下面通过实施例,并结合附图,对本发明的技术方案作进一步的说明。

实施例:本实施例基于改进朴素贝叶斯分类的电网资产综合价值评估方法,如图1所示,包括以下步骤:

S1:在电网资产属性特征数据中提取电网资产属性独立分量;

S2:对电网资产属性独立分量进行一次处理,得到算法模型;

S3:根据算法模型进行价值评估。

其中,步骤S1中的提取是通过ICA算法,采用负熵最大化作为各分量的独立准则提取电网资产属性独立分量的,其包括以下步骤:

S21:根据迭代式得到混解矩阵;

S22:根据混解矩阵和独立分量求解式得到电网资产属性独立分量。

其中,步骤S21中的迭代式如下:

其中,W为混解矩阵;

S=W

其中,S为电网资产属性独立分量,W为混解矩阵;X为电网资产属性特征样本数据,且X={x

其中,步骤S2中的一次处理包括以下步骤:

S31:利用LDA算法对电网资产属性独立分量进行降维处理,得到降维数据;

S32:根据降维数据构建WNB算法模型。

其中,步骤S31中的LDA方法是以投影后类内方差最小、类间方差最大为准则,数据集样本有类别输出的监督学习降维技术。

其中,步骤S31中降维处理包括以下步骤:

S41:根据电网资产属性特征样本数据得到第c类样本的协方差阵;

S42:根据第c类样本的协方差阵得到类内散度矩阵;

S43:根据类内散度矩阵的前d个特征值得到投影矩阵W;

S44:根据投影矩阵W和电网资产属性独立分量S得到降维数据Y。

其中,步骤S43中d值为预先设置,投影矩阵W是由类内散度矩阵的前d个特征值对应的特征向量组成的。

其中,步骤S41中的协方差阵表达式如下:

其中,C

所述步骤S42中类内散度矩阵表达式如下:

其中,N为样本总个数;

所述步骤S44中降维数据Y的求解式如下:

Y=W

其中,W为投影矩阵,S为电网资产属性独立分量,N为样本总个数。

其中,步骤S32中构建WNB算法模型包括以下步骤:

S51:预设样本对应的类别数据为C;

S52:根据降维数据Y和类别数据C得到相关系数和互信息;

S53:对相关系数和互信息进行归一化得到归一化的相关系数和归一化的互信息;

S54:根据归一化的相关系数和归一化的互信息得到权重系数;

S55:根据降维数据和权重系数得到算法模型。

其中,步骤S52中的相关系数为评估指标变量y

其中,步骤S51中类别数据C表达式如下:

C={c

所述步骤S52中降维数据的表达式如下:

Y={y

所述步骤S52中的相关系数求解式如下:

所述步骤S52中的互信息求解式如下:

I(C,y

其中,H(·)为熵;

所述步骤S54中的权重系数的求解式如下:

ω

其中,ω

其中,步骤S55中算法模型为加权朴素贝叶斯模型,其表达式如下:

其中,ω

其中,步骤S3中价值评估包括以下步骤:

S61:在算法模型中代入待评估数据,得到后验概率;

S62:选取后验概率最大值所对应的资产价值类别c作为价值评估结果。

步骤S61中待评估数据为样本资产x(x={x

此外,需要强调的是C

最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

去获取专利,查看全文>

相似文献

  • 专利
  • 中文文献
  • 外文文献
获取专利

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号