CN102663412A - 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 - Google Patents

Abstract

本发明公开了一种基于最小二乘支持向量机的电力设备载流故障趋势预测方法。本发明利用历史温度数据训练LS-SVM回归模型，并采用PSO优化算法调整模型的两个参数：核宽度σ和惩罚参数γ。其次，利用PCA算法和K-means聚类算法实时分析设备触点温度，找到存在温升异常的触点，将其温度值作为预测的初始值序列。最后，利用训练得到的回归模型，对初始值温度值进行长期和短期的预测，分析触点温度可能达到的最高点和到达最高点的时间。通过基于PSO-LSSVM的预测分析，主动掌握设备触点的故障发展趋势，为及时采取措施争取了时间，保证电网的安全运行。本发明可广泛应用于电力设备预测报警保护领域。

Description

基于最小二乘支持向量机的电力设备载流故障趋势预测方法

技术领域

本发明涉及一种基于最小二乘支持向量机的电力设备载流故障趋势预测方法。

背景技术

科技进步和国民经济的快速发展对电力的需求和依赖性越来越强，对供电系统的安全性和电力设备的良好状态要求越来越高。电力设备的故障多种多样，载流故障是由于电缆、开关、铜排等连接点因接触不良或氧化引起接触电阻增大而导致接头烧熔甚至短路，可能造成电缆爆炸、大面积停电和企业停产等后果，严重危及电力系统正常运行。这类故障发生比例高，局部温升明显，情况恶化快，如不及时处理，容易导致恶性事故。因此，非常必要及时地发现故障隐患，并对故障的发展趋势进行预测，以便及时地进行维修以防止事故扩大，保证电网的安全运行。

在公开号为CN101907665A的专利申请文件说明书中描述了一种联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法。此方法结合了优化算法来判断变压器油中的气体成分，使得对故障的判断更加准确。但是只能应用在油浸式设备中，应用领域受到限制。

上述专利申请文件只对电力设备的现有状态进行分析，如果能在此基础上预测设备的未来工作状态，将可以为防止事故发生争取更多的时间，有效保证电网的安全运行。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种基于最小二乘支持向量机(LS-SVM)的电力设备载流故障趋势预测方法。该方法提出了一种用于电力设备载流故障发展趋势预测的LS-SVM模型，采用粒子群优化算法(PSO)来优化LS-SVM相关参数，对载流故障发展的长期趋势和短期趋势进行预测，为用户及时采取防护措施争取时间。

本发明所采用的技术方案是：本发明是一种基于最小二乘支持向量机的电力设备载流故障趋势预测方法，该方法包括以下步骤：

(1)选取温度训练样本集，收集某一段时间内电力设备触点的温度序列作为训练样本集G＝{q₁，q₂，L，q_m}，从训练样本集G中取出d+1个连续时间温度序列值，前d个作为输入，第d+1个作为输出，由此训练样本集转化为：G＝{(x₁，y₁)，(x₂，y₂)，L，(x_i，y_i)，L，(x_m-d，y_m-d)}，其中，x_i＝{q_i，q_i+1，L，q_i+d-1}，y_i＝q_i+d；{}

(2)建立用于电力设备载流故障发展趋势预测的最小二乘支持向量机模型，并以温度训练样本集作为粒子，利用粒子群优化算法优化算法来调整模型参数核宽度σ和惩罚参数γ；

(3)利用训练样本集G对模型进行训练，最终得到回归模型函数f_d(x)，d∈[d_min，d_max]；

(4)利用主成分分析法和K-means聚类算法在线实时分析温度数据并确定存在故障或可能存在故障隐患的电力设备触点，为温度值序列预测提供初始值；

(5)利用函数模型f_d(x)，d∈[d_min，d_max]预测温度序列，预测时，首先要设定预测的起始点x_i＝{x₁，x₂，L，x_d}，将x_i作为自变量代入该函数模型中，求得起始点下一刻的温度值x_d+1，若要继续预测后续的时间序列，将序列值x_d+1加入到输入向量中，将新的输入向量x_t+1＝{x₂，x₃，L，xX}代入函数模型，依此类推，求得后续温度序列值x_d+2、x_d+3、x_d+4L；

(6)根据预测的温度序列值，分析高压触点的工作情况，判断触点温度的最高值以及达到最高值的时刻，进而分析电力设备故障发展趋势。

上述步骤(4)中的确定存在故障或可能存在故障隐患的电力设备触点的过程如下：

(a)采集电力设备触点的实时温度，对采集到的电力设备触点实时温度数据进行预处理，剔除无效数据，计算多个时间尺度的温度平均值，并设定温度值的主成分特征值的阀值，所述时间尺度即为某一段时间；

(b)采用主成分分析法对温度数据进行分析，对实时温度进行实时主成分分析，对不同时间尺度的平均温度值进行变尺度主成分分析，监测实时温度和不同时间尺度的平均温度值的主成分特征值的变化；

(c)若监测到的实时温度和不同时间尺度的平均温度值的主成分特征值和所设定的主成分特征值的阀值相比过高，则进行步骤(d)，否则重复步骤(a)和(b)；

(d)提取主成分特征值过高的温度数据，对温度数据进行变化方向的判断，若温度变化为下降，则为正常状态，重复步骤(a)和(b)，若温度变化为上升，则进行步骤(e)；

(e)利用K-means聚类分析法对温度数据进行聚类分析，得到正常触点和异常触点两类集合，异常触点即为存在故障或存在故障隐患的触点，进而进行预警；

(f)采集到的温度值为温度值序列预测提供初始值。

本发明的有益效果是：由于本发明利用历史温度数据训练LS-SVM回归模型，并采用粒子群优化算法调整模型的两个参数：核宽度σ和惩罚参数γ，其次，利用主成分分析法和K-means聚类算法实时分析设备触点温度，找到存在温升异常的触点，将其温度值作为预测的初始值序列，最后，利用训练得到的回归模型，对初始值温度值进行长期和短期的预测，分析触点温度可能达到的最高点和到达最高点的时间，所以，本发明方法能够较好的预测出故障或者存在故障隐患的触点的温度变化趋势，为预警系统进一步分析和预警提供了足够的时间。同时，基于PSO-LSSVM的电力设备载流故障发展趋势预测方法算法简单，精度较高，在很大程度上提高了电力系统的可靠性。

附图说明

图1是本发明方法的流程图；

图2是实施例中基于某电站真实数据的训练样本集示意图；

图3为实施例中某电站2#电容柜5121刀闸下C相在2009年7月13日的数据示意图，其中以10:56为时间起点；

图4为长期预测效果图；

图5为温度峰值短期预测效果图。

具体实施方式

本发明提供了一种基于最小二乘支持向量机的电力设备载流故障趋势预测方法，该方法包括以下步骤：

(1)选取温度训练样本集，收集某一段时间内电力设备触点的温度序列作为训练样本集G＝{q₁，q₂，L，q_m}，从训练样本集G中取出d+1个连续时间温度序列值，前d个作为输入，第d+1个作为输出，由此训练样本集转化为：G＝{(x₁，y₁)，(x₂，y₂)，L，(x_i，y_i)，L，(x_m-d，y_m-d)}，其中，x_i＝{q_i，q_i+1，L，q_i+d-1}，y_i＝q_i+d；

(2)建立用于电力设备载流故障发展趋势预测的最小二乘支持向量机即LS-SVM模型，并以温度训练样本集作为粒子，利用粒子群优化算法即PSO优化算法来调整模型参数核宽度σ和惩罚参数γ；

(3)利用训练样本集G对模型进行训练，最终得到回归模型函数f_d(x)，d∈[d_mm，d_max]；

(4)利用主成分分析法即PCA和K-means聚类算法在线实时分析温度数据并确定存在故障或可能存在故障隐患的电力设备触点，为温度值序列预测提供初始值；

(5)利用函数模型f_d(x)，d∈[d_min，d_max]预测温度序列，预测时，首先要设定预测的起始点x_i＝{x₁，x₂，L，x_d}，将x_t作为自变量代入该函数模型中，求得起始点下一刻的温度值x_d+1，若要继续预测后续的时间序列，将序列值x_d+1加入到输入向量中，将新的输入向量x_i+1＝{x₂，x₃，L，x_d+1}代入函数模型，依此类推，求得后续温度序列值x_d+2、x_d+3、x_d+4L；

(6)根据预测的温度序列值，分析高压触点的工作情况，判断触点温度的最高值以及达到最高值的时刻，进而分析电力设备故障发展趋势。

在上述步骤(4)中，所述确定存在故障或可能存在故障隐患的电力设备触点的过程如下：

(a)采集电力设备触点的实时温度，对采集到的电力设备触点实时温度数据进行预处理，剔除无效数据，计算多个时间尺度的温度平均值，并设温度值的主成分特征值的阀值，所述时间尺度即为某一段时间；

(b)采用主成分分析法即PCA对温度数据进行分析，对实时温度进行实时主成分分析，对不同时间尺度的平均温度值进行变尺度主成分分析，监测实时温度和不同时间尺度的平均温度值的主成分特征值的变化；

(c)若监测到的实时温度和不同时间尺度的平均温度值的主成分特征值和所设定的主成分特征值的阀值相比过高，则进行步骤(d)，否则重复步骤(a)和(b)；

(d)提取主成分特征值过高的温度数据，对温度数据进行变化方向的判断，若温度变化为下降，则为正常状态，重复步骤(a)和(b)，若温度变化为上升，则进行步骤(e)；

(e)利用K-means聚类分析法对温度数据进行聚类分析，得到正常触点和异常触点两类集合，异常触点即为存在故障或存在故障隐患的触点，进而进行预警；

(f)采集到的温度值为温度值序列预测提供初始值。

本发明主要包括以下几个方面：

a、建立LS-SVM函数模型。

支持向量机(Support Vector Machine，SVM)建立在统计学习理论的VC维理论和结构风险最小原理上，它在解决小样本、非线性及高维模式识别中有许多特有的优势。最小二乘支持向量机(Least Squares Support VectorMachine，LSSVM)是标准SVM的扩展，采用最小二乘线性系统作为损失函数，将不等式约束条件转为等式约束，大大简化算法的复杂程度。LS-SVM可描述为如下优化问题：

$\min J(w,\mathrm{\ξ})=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\γ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i^2$

其中权值向量w∈H，误差变量ξ_i∈R，偏置值b∈R，γ为惩罚参数。利用拉格朗日乘子法将问题转化到其对偶空间中，按照最优解的条件，可得：

$\left[\begin{array}{cc}0& e^T\\ e& H+{\mathrm{\γ}}^{-1}I\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\α}\end{array}\right]=\left[\begin{array}{c}0\\ y\end{array}\right]---\left(2\right)$

其中e是单位列向量，I是单位矩阵，α＝[α₁，α₂，L α_n]^T∈Rⁿ是拉格朗日乘子，H＝(H_ij)_n×n，H_ij＝K(x_i，x_j)。求解方程组得到α和b，于是估计所得的函数模型为：

$f\left(x\right)=\underset{i=1}{\overset{\text{n}}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_i)+b---\left(3\right)$

其中，

为核函数。常用的核函数有线性核函数、多项式核函数、径向基核函数和Sigmoid核函数。

利用LS-SVM回归模型来预测设备触点的温度值序列，简化了问题的复杂程度。算法收敛速度快，需要的计算资源较少，比较适合于实时性要求较高的场合。

b、利用PSO优化LSSVM模型参数。

粒子群优化算法(PSO：Particle Swarm Optimization，)是一种模拟鸟群或鱼群在觅食过程中所表现的群体智能的仿生优化算法，具有结构简单、收敛速度快的优点，而且不需要目标函数的梯度信息。群体中的个体(粒子)通过自身的学习和相互之间的信息共享不断调整其飞行速度，最终汇集到最优点。粒子的速度和位置更新如下：

$\left\{\begin{array}{c}{V}_i^{t+1}=\mathrm{\ω}{V}_i^t+c_1{r}_1(x_{\mathrm{iPBest}}^t-x_i^t)+c_2{r}_2(x_{\mathrm{GBest}}^t-x_i^t),\\ x_i^{t+1}=x_i^t+v_i^{t+1}.\end{array}\right.---\left(4\right)$

其中，i＝1，2，L M，M为粒子总数。相关系数包括惯性权重ω，可使ω随t增加而线性递减；学习因子c₁和c₂，r₁和r₂是[0，1]上均匀分布的随机数，

和

表示粒子i到时间t时的个体最优解和种群到时间t时的最优解。

c、利用主成分分析方法(PCA)和K-means聚类算法在线分析温度数据并发现故障或者存在故障隐患的触点。

主成分分析(Principal Component Analysis，PCA)通过一组新的标准正交基，将原始变量线性变换为一组新变量。新变量中的一个或几个“重要”成分包含了原始数据的大部分信息，因而称为“主成分”。利用PCA可以有效地找到电力设备触点温度的主成分，很快地发现触点温度是否正常。同时，利用K-means聚类算法进行故障定位，找到可能温度值异常的触点。基于PCA和K-means聚类算法，为温度值序列预测提供初始值。

本发明设计的电力设备载流故障发展趋势预测方法是基于设备触点温度信息，通过预测设备触点温度序列值来判断设备故障未来的发展趋势。首先，本发明选取具有代表性的历史温度数据作为训练样本集G＝{q₁，q₂，L，q_m}。从训练样本集G中取出d+1个连续时间序列值，前d个作为输入，第d+1个作为输出。由此训练样本集转化为：

G＝{(x₁，y₁)，(x₂，y₂)，L，(x_m-d，y_m-d)}

其中，x_i＝{q_i，q_i+1，L，q_i+d-1}，y_i＝q_i+d。

训练样本准备完毕后，将开始训练LS-SVM回归模型。本发明使用径向基核函数(RBF-Kernal)：

具有一个参数：核宽度σ。根据公式(1)、(2)，优化问题还存在另一个参数：惩罚参数γ。这个两个参数对回归模型的性能影响较大，将利用PSO调整。调整过程中，本发明采用K-折交叉验证法来计算PSO适应值，基本过程为：将训练样本集随机地分成k个互不相交的子集，每个子集的大小应大致相等。对于给定一组参数的回归模型，将其中k-1个子集作为训练样本建立的回归模型，剩下的一个子集作为测试样本，记录测试样本的均方差(MSE)作为模型的性能指标。将上述过程重复k次，每个子集都会作为测试样本进行测试，计算k次迭代后所得MSE的平均值，即适应值，估计回归模型的期望泛化误差。适应值较小的粒子优于适应值较大的粒子。本发明此方法找到最优的粒子，即核宽度σ和惩罚参数γ。

参数σ、γ确定后，利用训练样本G对回归模型进行训练，求解公式(2)中的Lagrange乘子α和偏置值b。将参数代入公式(3)，得到回归模型f_d(x)，d∈[d_min，d_max]。

回归模型训练完毕后，就可用其预测触点的温度序列。然而，电力设备在安全运行中，我们不需要对每个触点的温度都进行预测。只有当发现触点的温升异常或者存在故障的情况下，才需要对其进行预测。本发明利用PCA和K-means聚类算法实时监测设备触点的温度，当触点温度的主成分特征值超出阈值时，将此时的温度序列作为初始序列x_i＝{x₁，x₂，L，x_d}，将其代入回归模型中，预测未来温度的变化情况。

电力设备载流故障趋势预测主要完成两个任务：预测触点的最高温度以及达到最高温度的时间。本发明将采用以下2种方法实现温度和时间的预测：

(1)长期趋势预测。随着预测初始值的增加，采用回归模型f_d(x)，d＝5，6，L 20，预测未来100个时间点的温度值序列。得到的温度值序列，分析触点温度发展趋势。

(2)短期趋势预测。充分利用实时更新的温度采样值，对未来较短时间的温度进行比较精确的预测。采用回归模型f₂₀(x)，预测未来20个时间点的温度值序列。每过一个采样周期，将当前时刻作为短期预测起始点，利用现场最新温度进行一次短期预测。因此，短期预测的曲线将会是一条动态曲线，预测值与实际值将会愈来愈逼近，可以为故障分析提供更精确的数据。

最后根据预测的温度值序列，分析高压触点的工作情况。判断触点温度的最高值以及达到最高值的时刻，进而分析电力设备故障发展趋势。至此电力设备载流故障趋势预测流程结束。

以下结合附图对本发明的具体实施作进一步描述。

载流故障发展趋势预测的流程如图1所示。下面将以d＝10为例，即用10个时刻的温度数据预测故障的发展趋势，介绍回归模型的训练过程。

从某变电站数据中选取来自不同触点、不同时间、波动范围较大的八组温度作为训练样本G＝{q₁，q₂，L，q₂₈₈₆}，共有2886个温度值，如图2所示。将原始数据转为训练样本集：

G＝{(x₁，y₁)，(x₂，y₂)，L，(x₂₈₇₆，y₂₈₇₆)}

其中，x_i＝{q_i，q_i+1，L，q_i+9}，y_i＝q_i+10。

训练样本集准备完毕后，利用PSO调整核宽度σ以及惩罚参数γ时，采用10折交叉验证法。设定粒子数量为50，迭代次数为200次，学习因子为2.0，最大惯性权值为0.9，最小惯性权值为0.4。得到惩罚参数γ＝153.9816，核参数σ²＝10.1222。

至此d＝10的回归模型f₁₀(x)训练完毕。根据上述的步骤，依次训练本发明所需要的回归模型f_d(x)，d＝5，6，L 20，为后续预测做准备。

随后，利用PCA和K-means聚类算法实时挖掘温度数据特征，找到存在故障隐患的触点，并将此时触点的温度数据作为预测的初始序列。采用某变电站2#电容柜5121刀闸下C相在2009年7月13日的数据，如图3所示，以10:56为时间起点，对其进行长期和短期预测。下面以提取如图3所示曲线的前10个数据x_i＝{x₁，x₂，L，x₁₀}，作为预测初始值来预测未来100个时间点的温度值。具体步骤是：将x_i作为自变量代入回归模型f₁₀(x)中，求得起始点下一刻的温度值x₁₁。若要继续预测后续的时间序列，将序列值x₁₁加入到输入向量中，将新的输入向量x_i+1＝{x₂，x₃，L，x₁₁}代入函数模型，依此类推，求得后续温度序列值x₁₂、x₁₃、x₁₄。

图4所示的是长期预测的结果，分别提取了d＝5，d＝10，d＝20三条曲线。可以看到，预测的温度序列能正确地反映触点温度的变化趋势。

同时本发明还采用短期预测的方式来预测触点温度的变化情况，利用f₂₀(x)回归模型，即根据实时更新的20个温度值预测未来20点的温度数据，其方法与上述相同。图5显示了从12:12到14:32的温度变化情况，这段时间内实际温度达到峰值。分别提取了10min(12:22)、30min(12:42)、70min(13:22)、90min(13:42)这4个时刻为起始点的短期预测曲线，在实际温度最高处，预测曲线与实际温度曲线相差最多为3℃。

本发明所提供的预测方法通过预测电力设备触点温度值序列，在设备故障的初期对故障的发展趋势做了长期和短期预测，以便及时采取合理的措施，最大限度的保证电力系统的安全运行。

本发明可广泛应用于电力设备预测报警保护领域。

Claims (2)

1.一种基于最小二乘支持向量机的电力设备载流故障趋势预测方法，其特征在于，该方法包括以下步骤：

(1)选取温度训练样本集，收集某一段时间内电力设备触点的温度序列作为训练样本集G＝{q₁，q₂，L，q_m}，从训练样本集G中取出d+1个连续时间温度序列值，前d个作为输入，第d+1个作为输出，由此训练样本集转化为：G＝{(x₁，y₁)，(x₂，y₁)，L，(x_i，y_i)，L，(x_m-d，y_m-d)}，其中，x_i＝{q_i，q_i+1，L，q_i+d-1}，y_i＝q_i+d；

(2)建立用于电力设备载流故障发展趋势预测的最小二乘支持向量机模型，并以温度训练样本集作为粒子，利用粒子群优化算法优化算法来调整模型参数核宽度σ和惩罚参数γ；

(3)利用训练样本集G对模型进行训练，最终得到回归模型函数f_d(x)，d∈[d_min，d_max]；

(4)利用主成分分析法和K-means聚类算法在线实时分析温度数据并确定存在故障或可能存在故障隐患的电力设备触点，为温度值序列预测提供初始值；

(5)利用函数模型f_d(x)，d∈[d_min，d_max]预测温度序列，预测时，首先要设定预测的起始点x_i＝{x₁，x₂，L，x_d}，将x_i作为自变量代入该函数模型中，求得起始点下一刻的温度值x_d+1，若要继续预测后续的时间序列，将序列值x_d+1加入到输入向量中，将新的输入向量x_i+1＝{x₂，x₃，L，x_d+1}代入函数模型，依此类推，求得后续温度序列值x_d+2、x_d+3、x_d+4L；

(6)根据预测的温度序列值，分析高压触点的工作情况，判断触点温度的最高值以及达到最高值的时刻，进而分析电力设备故障发展趋势。

2.根据权利要求1所述的基于最小二乘支持向量机的电力设备载流故障趋势预测方法，其特征在于，步骤(4)中的确定存在故障或可能存在故障隐患的电力设备触点的过程如下：

(a)采集电力设备触点的实时温度，对采集到的电力设备触点实时温度数据进行预处理，剔除无效数据，计算多个时间尺度的温度平均值，并设定温度值的主成分特征值的阀值，所述时间尺度即为某一段时间； 

(b)采用主成分分析法对温度数据进行分析，对实时温度进行实时主成分分析，对不同时间尺度的平均温度值进行变尺度主成分分析，监测实时温度和不同时间尺度的平均温度值的主成分特征值的变化；

(c)若监测到的实时温度和不同时间尺度的平均温度值的主成分特征值和所设定的主成分特征值的阀值相比过高，则进行步骤(d)，否则重复步骤(a)和(b)；

(d)提取主成分特征值过高的温度数据，对温度数据进行变化方向的判断，若温度变化为下降，则为正常状态，重复步骤(a)和(b)，若温度变化为上升，则进行步骤(e)；

(e)利用K-means聚类分析法对温度数据进行聚类分析，得到正常触点和异常触点两类集合，异常触点即为存在故障或存在故障隐患的触点，进而进行预警。 

Images