專利名稱：基于最小二乘支持向量機(jī)的電力設(shè)備載流故障趨勢(shì)預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于最小ニ乘支持向量機(jī)的電カ設(shè)備載流故障趨勢(shì)預(yù)測(cè)方法。
背景技術(shù)：
科技進(jìn)步和國(guó)民經(jīng)濟(jì)的快速發(fā)展對(duì)電カ的需求和依賴性越來(lái)越強(qiáng)，對(duì)供電系統(tǒng)的 安全性和電カ設(shè)備的良好狀態(tài)要求越來(lái)越高。電カ設(shè)備的故障多種多樣，載流故障是由于 電纜、開(kāi)關(guān)、銅排等連接點(diǎn)因接觸不良或氧化引起接觸電阻增大而導(dǎo)致接頭燒熔甚至短路， 可能造成電纜爆炸、大面積停電和企業(yè)停產(chǎn)等后果，嚴(yán)重危及電カ系統(tǒng)正常運(yùn)行。這類故障 發(fā)生比例高，局部溫升明顯，情況惡化快，如不及時(shí)處理，容易導(dǎo)致惡性事故。因此，非常必 要及時(shí)地發(fā)現(xiàn)故障隱患，并對(duì)故障的發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)，以便及時(shí)地進(jìn)行維修以防止事故 擴(kuò)大，保證電網(wǎng)的安全運(yùn)行。在公開(kāi)號(hào)為CN101907665A的專利申請(qǐng)文件說(shuō)明書(shū)中描述了ー種聯(lián)合模糊理論和 改進(jìn)遺傳算法的油浸式電カ設(shè)備故障診斷方法。此方法結(jié)合了優(yōu)化算法來(lái)判斷變壓器油中 的氣體成分，使得對(duì)故障的判斷更加準(zhǔn)確。但是只能應(yīng)用在油浸式設(shè)備中，應(yīng)用領(lǐng)域受到限 制。上述專利申請(qǐng)文件只對(duì)電カ設(shè)備的現(xiàn)有狀態(tài)進(jìn)行分析，如果能在此基礎(chǔ)上預(yù)測(cè)設(shè) 備的未來(lái)工作狀態(tài)，將可以為防止事故發(fā)生爭(zhēng)取更多的時(shí)間，有效保證電網(wǎng)的安全運(yùn)行。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)的不足，提供一種基于最小ニ乘支持 向量機(jī)(LS-SVM)的電カ設(shè)備載流故障趨勢(shì)預(yù)測(cè)方法。該方法提出了ー種用于電カ設(shè)備載 流故障發(fā)展趨勢(shì)預(yù)測(cè)的LS-SVM模型，采用粒子群優(yōu)化算法(PSO)來(lái)優(yōu)化LS-SVM相關(guān)參數(shù)， 對(duì)載流故障發(fā)展的長(zhǎng)期趨勢(shì)和短期趨勢(shì)進(jìn)行預(yù)測(cè)，為用戶及時(shí)采取防護(hù)措施爭(zhēng)取時(shí)間。本發(fā)明所采用的技術(shù)方案是本發(fā)明是一種基于最小ニ乘支持向量機(jī)的電カ設(shè)備 載流故障趨勢(shì)預(yù)測(cè)方法，該方法包括以下步驟(I)選取溫度訓(xùn)練樣本集，收集某一段時(shí)間內(nèi)電カ設(shè)備觸點(diǎn)的溫度序列作為訓(xùn)練 樣本集G= {Ql, q2，L，qj，從訓(xùn)練樣本集G中取出d+1個(gè)連續(xù)時(shí)間溫度序列值，前d個(gè)作 為輸入，第d+1個(gè)作為輸出，由此訓(xùn)練樣本集轉(zhuǎn)化為G = {(x1； Y1), (x2, y2), L, (xi； Yi), L, (Xm-d, ym-d) }，其中，Xi — 1 , Qi+1，し Qj+d-j} Yj — Qj+d ； {}(2)建立用于電カ設(shè)備載流故障發(fā)展趨勢(shì)預(yù)測(cè)的最小ニ乘支持向量機(jī)模型，并以 溫度訓(xùn)練樣本集作為粒子，利用粒子群優(yōu)化算法優(yōu)化算法來(lái)調(diào)整模型參數(shù)核寬度O和懲 罰參數(shù)Y ;(3)利用訓(xùn)練樣本集G對(duì)模型進(jìn)行訓(xùn)練，最終得到回歸模型函數(shù)fd(x)，d e [dfflin,
dmaxJ (4)利用主成分分析法和K-means聚類算法在線實(shí)時(shí)分析溫度數(shù)據(jù)并確定存在故障或可能存在故障隱患的電力設(shè)備觸點(diǎn)，為溫度值序列預(yù)測(cè)提供初始值；(5)利用函數(shù)模型fd(x)，d e [dmin，dmax]預(yù)測(cè)溫度序列，預(yù)測(cè)時(shí)，首先要設(shè)定預(yù)測(cè) 的起始點(diǎn)Xi = (X1, X2 L, xd},將Xi作為自變量代入該函數(shù)模型中，求得起始點(diǎn)下一刻的溫 度值xd+1，若要繼續(xù)預(yù)測(cè)后續(xù)的時(shí)間序列，將序列值xd+1加入到輸入向量中，將新的輸入向量 xt+1 = {x2, X3, L, xX}代入函數(shù)模型,依此類推,求得后續(xù)溫度序列值xd+2、xd+3、xd+4L ；(6)根據(jù)預(yù)測(cè)的溫度序列值，分析高壓觸點(diǎn)的工作情況，判斷觸點(diǎn)溫度的最高值以 及達(dá)到最高值的時(shí)刻，進(jìn)而分析電力設(shè)備故障發(fā)展趨勢(shì)。上述步驟(4)中的確定存在故障或可能存在故障隱患的電力設(shè)備觸點(diǎn)的過(guò)程如 下(a)采集電力設(shè)備觸點(diǎn)的實(shí)時(shí)溫度，對(duì)采集到的電力設(shè)備觸點(diǎn)實(shí)時(shí)溫度數(shù)據(jù)進(jìn)行 預(yù)處理，剔除無(wú)效數(shù)據(jù)，計(jì)算多個(gè)時(shí)間尺度的溫度平均值，并設(shè)定溫度值的主成分特征值的 閥值，所述時(shí)間尺度即為某一段時(shí)間；(b)采用主成分分析法對(duì)溫度數(shù)據(jù)進(jìn)行分析，對(duì)實(shí)時(shí)溫度進(jìn)行實(shí)時(shí)主成分分析，對(duì) 不同時(shí)間尺度的平均溫度值進(jìn)行變尺度主成分分析，監(jiān)測(cè)實(shí)時(shí)溫度和不同時(shí)間尺度的平均 溫度值的主成分特征值的變化；(C)若監(jiān)測(cè)到的實(shí)時(shí)溫度和不同時(shí)間尺度的平均溫度值的主成分特征值和所設(shè)定 的主成分特征值的閥值相比過(guò)高，則進(jìn)行步驟(d)，否則重復(fù)步驟(a)和(b)；(d)提取主成分特征值過(guò)高的溫度數(shù)據(jù)，對(duì)溫度數(shù)據(jù)進(jìn)行變化方向的判斷，若溫度 變化為下降，則為正常狀態(tài)，重復(fù)步驟(a)和(b)，若溫度變化為上升，則進(jìn)行步驟(e)；(e)利用K-means聚類分析法對(duì)溫度數(shù)據(jù)進(jìn)行聚類分析，得到正常觸點(diǎn)和異常觸 點(diǎn)兩類集合，異常觸點(diǎn)即為存在故障或存在故障隱患的觸點(diǎn)，進(jìn)而進(jìn)行預(yù)警；(f)采集到的溫度值為溫度值序列預(yù)測(cè)提供初始值。本發(fā)明的有益效果是由于本發(fā)明利用歷史溫度數(shù)據(jù)訓(xùn)練LS-SVM回歸模型，并采 用粒子群優(yōu)化算法調(diào)整模型的兩個(gè)參數(shù)核寬度σ和懲罰參數(shù)Y，其次，利用主成分分析 法和K-means聚類算法實(shí)時(shí)分析設(shè)備觸點(diǎn)溫度，找到存在溫升異常的觸點(diǎn)，將其溫度值作 為預(yù)測(cè)的初始值序列，最后，利用訓(xùn)練得到的回歸模型，對(duì)初始值溫度值進(jìn)行長(zhǎng)期和短期的 預(yù)測(cè)，分析觸點(diǎn)溫度可能達(dá)到的最高點(diǎn)和到達(dá)最高點(diǎn)的時(shí)間，所以，本發(fā)明方法能夠較好的 預(yù)測(cè)出故障或者存在故障隱患的觸點(diǎn)的溫度變化趨勢(shì)，為預(yù)警系統(tǒng)進(jìn)一步分析和預(yù)警提供 了足夠的時(shí)間。同時(shí)，基于PS0-LSSVM的電力設(shè)備載流故障發(fā)展趨勢(shì)預(yù)測(cè)方法算法簡(jiǎn)單，精 度較高，在很大程度上提高了電力系統(tǒng)的可靠性。


圖I是本發(fā)明方法的流程圖；圖2是實(shí)施例中基于某電站真實(shí)數(shù)據(jù)的訓(xùn)練樣本集示意圖；圖3為實(shí)施例中某電站2#電容柜5121刀閘下C相在2009年7月13日的數(shù)據(jù)示 意圖，其中以10:56為時(shí)間起點(diǎn)；圖4為長(zhǎng)期預(yù)測(cè)效果圖；圖5為溫度峰值短期預(yù)測(cè)效果圖。
具體實(shí)施例方式本發(fā)明提供了一種基于最小二乘支持向量機(jī)的電力設(shè)備載流故障趨勢(shì)預(yù)測(cè)方法， 該方法包括以下步驟(1)選取溫度訓(xùn)練樣本集，收集某一段時(shí)間內(nèi)電力設(shè)備觸點(diǎn)的溫度序列作為訓(xùn)練 樣本集G = {Ql, q2，L，qj，從訓(xùn)練樣本集G中取出d+1個(gè)連續(xù)時(shí)間溫度序列值，前d個(gè)作 為輸入，第d+1個(gè)作為輸出，由此訓(xùn)練樣本集轉(zhuǎn)化為G = {(xj, yj), (x2, y2), L, (x” y) , L, (Xm-d，ym-d) }，其中，xi — {Qi> Qi+1，L，Qi+d-J Yi — Qi+d ;(2)建立用于電力設(shè)備載流故障發(fā)展趨勢(shì)預(yù)測(cè)的最小二乘支持向量機(jī)即LS-SVM 模型，并以溫度訓(xùn)練樣本集作為粒子，利用粒子群優(yōu)化算法即PS0優(yōu)化算法來(lái)調(diào)整模型參 數(shù)核寬度0和懲罰參數(shù)、;(3)利用訓(xùn)練樣本集G對(duì)模型進(jìn)行訓(xùn)練，最終得到回歸模型函數(shù)fd(x)，d G [d_， d 1 (4)利用主成分分析法即PCA和K-means聚類算法在線實(shí)時(shí)分析溫度數(shù)據(jù)并確定 存在故障或可能存在故障隱患的電力設(shè)備觸點(diǎn)，為溫度值序列預(yù)測(cè)提供初始值；(5)利用函數(shù)模型fd(x)，d G [dfflin, d_]預(yù)測(cè)溫度序列，預(yù)測(cè)時(shí)，首先要設(shè)定預(yù)測(cè) 的起始點(diǎn)Xi = {Xj, x2, L, xd},將xt作為自變量代入該函數(shù)模型中，求得起始點(diǎn)下一刻的溫 度值xd+1，若要繼續(xù)預(yù)測(cè)后續(xù)的時(shí)間序列，將序列值xd+1加入到輸入向量中，將新的輸入向量 xi+1 = {x2, x3, L, xd+1}代入函數(shù)模型,依此類推,求得后續(xù)溫度序列值xd+2、xd+3、xd+4L ；(6)根據(jù)預(yù)測(cè)的溫度序列值，分析高壓觸點(diǎn)的工作情況，判斷觸點(diǎn)溫度的最高值以 及達(dá)到最高值的時(shí)刻，進(jìn)而分析電力設(shè)備故障發(fā)展趨勢(shì)。在上述步驟(4)中，所述確定存在故障或可能存在故障隱患的電力設(shè)備觸點(diǎn)的過(guò) 程如下(a)采集電力設(shè)備觸點(diǎn)的實(shí)時(shí)溫度，對(duì)采集到的電力設(shè)備觸點(diǎn)實(shí)時(shí)溫度數(shù)據(jù)進(jìn)行 預(yù)處理，剔除無(wú)效數(shù)據(jù)，計(jì)算多個(gè)時(shí)間尺度的溫度平均值，并設(shè)溫度值的主成分特征值的閥 值，所述時(shí)間尺度即為某一段時(shí)間；(b)采用主成分分析法即PCA對(duì)溫度數(shù)據(jù)進(jìn)行分析，對(duì)實(shí)時(shí)溫度進(jìn)行實(shí)時(shí)主成分 分析，對(duì)不同時(shí)間尺度的平均溫度值進(jìn)行變尺度主成分分析，監(jiān)測(cè)實(shí)時(shí)溫度和不同時(shí)間尺 度的平均溫度值的主成分特征值的變化；(c)若監(jiān)測(cè)到的實(shí)時(shí)溫度和不同時(shí)間尺度的平均溫度值的主成分特征值和所設(shè)定 的主成分特征值的閥值相比過(guò)高，則進(jìn)行步驟(d)，否則重復(fù)步驟(a)和(b)；(d)提取主成分特征值過(guò)高的溫度數(shù)據(jù)，對(duì)溫度數(shù)據(jù)進(jìn)行變化方向的判斷，若溫度 變化為下降，則為正常狀態(tài)，重復(fù)步驟(a)和(b)，若溫度變化為上升，則進(jìn)行步驟(e)；(e)利用K-means聚類分析法對(duì)溫度數(shù)據(jù)進(jìn)行聚類分析，得到正常觸點(diǎn)和異常觸 點(diǎn)兩類集合，異常觸點(diǎn)即為存在故障或存在故障隱患的觸點(diǎn)，進(jìn)而進(jìn)行預(yù)警；(f)采集到的溫度值為溫度值序列預(yù)測(cè)提供初始值。本發(fā)明主要包括以下幾個(gè)方面 a、建立LS-SVM函數(shù)模型。 支持向量機(jī)(Support Vector Machine, SVM)建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和 結(jié)構(gòu)風(fēng)險(xiǎn)最小原理上，它在解決小樣本、非線性及高維模式識(shí)別中有許多特有的優(yōu)勢(shì)。最小二乘支持向量機(jī)(Least Squares Support Vector Machine, LSSVM)是標(biāo)準(zhǔn) SVM 的擴(kuò)展，米 用最小二乘線性系統(tǒng)作為損失函數(shù)，將不等式約束條件轉(zhuǎn)為等式約束，大大簡(jiǎn)化算法的復(fù) 雜程度。LS-SVM可描述為如下優(yōu)化問(wèn)題
權(quán)利要求
1.一種基于最小二乘支持向量機(jī)的電力設(shè)備載流故障趨勢(shì)預(yù)測(cè)方法，其特征在于，該方法包括以下步驟 (1)選取溫度訓(xùn)練樣本集，收集某一段時(shí)間內(nèi)電力設(shè)備觸點(diǎn)的溫度序列作為訓(xùn)練樣本集G = {q1； q2，L，qm}，從訓(xùn)練樣本集G中取出d+1個(gè)連續(xù)時(shí)間溫度序列值，前d個(gè)作為輸入,第d+Ι個(gè)作為輸出，由此訓(xùn)練樣本集轉(zhuǎn)化為G = {(x1； Y1), (x2, Y1), L, (xi； Yi), L, (xm_d,ym-d) ，其中，χ — (Qi，Qi+l，L，Qi+d-il J Yi — Qi+d ； (2)建立用于電力設(shè)備載流故障發(fā)展趨勢(shì)預(yù)測(cè)的最小二乘支持向量機(jī)模型，并以溫度訓(xùn)練樣本集作為粒子，利用粒子群優(yōu)化算法優(yōu)化算法來(lái)調(diào)整模型參數(shù)核寬度σ和懲罰參數(shù)Y ; (3)利用訓(xùn)練樣本集G對(duì)模型進(jìn)行訓(xùn)練，最終得到回歸模型函數(shù)fd(x)，de[dmin，dmax]； (4)利用主成分分析法和K-means聚類算法在線實(shí)時(shí)分析溫度數(shù)據(jù)并確定存在故障或可能存在故障隱患的電力設(shè)備觸點(diǎn)，為溫度值序列預(yù)測(cè)提供初始值； (5)利用函數(shù)模型fd(x)，de [dmin，dmax]預(yù)測(cè)溫度序列，預(yù)測(cè)時(shí)，首先要設(shè)定預(yù)測(cè)的起始點(diǎn)Xi = {x1； X2, L, xd},將Xi作為自變量代入該函數(shù)模型中，求得起始點(diǎn)下一刻的溫度值xd+1，若要繼續(xù)預(yù)測(cè)后續(xù)的時(shí)間序列，將序列值xd+1加入到輸入向量中，將新的輸入向量xi+1={x2 X3 L, Xd+1}代入函數(shù)模型,依此類推,求得后續(xù)溫度序列值xd+2、Xd+3、Xd+4L ; (6)根據(jù)預(yù)測(cè)的溫度序列值，分析高壓觸點(diǎn)的工作情況，判斷觸點(diǎn)溫度的最高值以及達(dá)到最高值的時(shí)刻，進(jìn)而分析電力設(shè)備故障發(fā)展趨勢(shì)。
2.根據(jù)權(quán)利要求I所述的基于最小二乘支持向量機(jī)的電力設(shè)備載流故障趨勢(shì)預(yù)測(cè)方法，其特征在于，步驟(4)中的確定存在故障或可能存在故障隱患的電力設(shè)備觸點(diǎn)的過(guò)程如下 (a)采集電力設(shè)備觸點(diǎn)的實(shí)時(shí)溫度，對(duì)采集到的電力設(shè)備觸點(diǎn)實(shí)時(shí)溫度數(shù)據(jù)進(jìn)行預(yù)處理，剔除無(wú)效數(shù)據(jù)，計(jì)算多個(gè)時(shí)間尺度的溫度平均值，并設(shè)定溫度值的主成分特征值的閥值，所述時(shí)間尺度即為某一段時(shí)間； (b)采用主成分分析法對(duì)溫度數(shù)據(jù)進(jìn)行分析，對(duì)實(shí)時(shí)溫度進(jìn)行實(shí)時(shí)主成分分析，對(duì)不同時(shí)間尺度的平均溫度值進(jìn)行變尺度主成分分析，監(jiān)測(cè)實(shí)時(shí)溫度和不同時(shí)間尺度的平均溫度值的主成分特征值的變化； (C)若監(jiān)測(cè)到的實(shí)時(shí)溫度和不同時(shí)間尺度的平均溫度值的主成分特征值和所設(shè)定的主成分特征值的閥值相比過(guò)高，則進(jìn)行步驟(d)，否則重復(fù)步驟(a)和(b)； (d)提取主成分特征值過(guò)高的溫度數(shù)據(jù)，對(duì)溫度數(shù)據(jù)進(jìn)行變化方向的判斷，若溫度變化為下降，則為正常狀態(tài)，重復(fù)步驟(a)和(b)，若溫度變化為上升，則進(jìn)行步驟(e)； (e)利用K-means聚類分析法對(duì)溫度數(shù)據(jù)進(jìn)行聚類分析，得到正常觸點(diǎn)和異常觸點(diǎn)兩類集合，異常觸點(diǎn)即為存在故障或存在故障隱患的觸點(diǎn)，進(jìn)而進(jìn)行預(yù)警。
全文摘要
本發(fā)明公開(kāi)了一種基于最小二乘支持向量機(jī)的電力設(shè)備載流故障趨勢(shì)預(yù)測(cè)方法。本發(fā)明利用歷史溫度數(shù)據(jù)訓(xùn)練LS-SVM回歸模型，并采用PSO優(yōu)化算法調(diào)整模型的兩個(gè)參數(shù)核寬度σ和懲罰參數(shù)γ。其次，利用PCA算法和K-means聚類算法實(shí)時(shí)分析設(shè)備觸點(diǎn)溫度，找到存在溫升異常的觸點(diǎn)，將其溫度值作為預(yù)測(cè)的初始值序列。最后，利用訓(xùn)練得到的回歸模型，對(duì)初始值溫度值進(jìn)行長(zhǎng)期和短期的預(yù)測(cè)，分析觸點(diǎn)溫度可能達(dá)到的最高點(diǎn)和到達(dá)最高點(diǎn)的時(shí)間。通過(guò)基于PSO-LSSVM的預(yù)測(cè)分析，主動(dòng)掌握設(shè)備觸點(diǎn)的故障發(fā)展趨勢(shì)，為及時(shí)采取措施爭(zhēng)取了時(shí)間，保證電網(wǎng)的安全運(yùn)行。本發(fā)明可廣泛應(yīng)用于電力設(shè)備預(yù)測(cè)報(bào)警保護(hù)領(lǐng)域。
文檔編號(hào)G06K9/62GK102663412SQ20121005779
公開(kāi)日2012年9月12日 申請(qǐng)日期2012年2月27日 優(yōu)先權(quán)日2012年2月27日
發(fā)明者張慧源, 李學(xué)紅, 許力, 許文才, 顧宏杰 申請(qǐng)人:浙江大學(xué), 珠海賽迪生電氣設(shè)備有限公司