CN104866679A - 一种开关设备的机械特性预测方法 - Google Patents

Abstract

本公开提供一种开关设备的机械特性预测方法，所述方法包括依据滑动时间窗算法，建立开关设备的当前机械特性曲线上每一点与之前机械特性曲线上相应历史数据点之间的对应关系；利用支持向量机回归模型训练得到每个机械特性预测模型；针对每个机械特性预测模型，通过滑动时间窗算法来进行所述开关设备的多步机械特性预测：在多步预测时，将当前单步预测的结果加入到当前已有的时间序列中，进行下一次预测结果的预测。通过本公开能够对开关设备的每种机械特性进行精确预测，进而预测开关设备即将所处的寿命阶段以及是否会发生故障。

Description

一种开关设备的机械特性预测方法

技术领域

本公开涉及装备维护保障领域，具体涉及一种开关设备的机械特性预测方法。

背景技术

开关设备是我国电网中的关键设备，是电网安全的卫士。随着开关设备用量的增加，其缺陷和事故也逐渐显露，尤其是开关设备作为电网的主要控制设备，发生事故往往会导致严重的后果。基于在线监测开关设备的机械特性，并进而运用最前沿的预测方法预测和评估其机械寿命，进行故障预测，对于提高电网安全性、可靠性具有重要意义。

发明内容

基于此，本公开提供了一种开关设备的机械特性预测方法，所述方法包括如下步骤：

S100，建立对应关系：依据滑动时间窗算法，建立开关设备的当前机械特性曲线上每一点与之前机械特性曲线上相应历史数据点之间的对应关系；

S200，训练模型：利用支持向量机回归模型训练得到每个机械特性预测模型；

S300，使用模型预测：针对每个机械特性预测模型，通过滑动时间窗算法来进行所述开关设备的多步机械特性预测：在多步预测时，将当前单步预测的结果加入到当前已有的时间序列中，进行下一次预测结果的预测。

通过本公开能够对开关设备的每种机械特性进行精确预测，进而预测开关设备即将所处的寿命阶段以及是否会发生故障。

附图说明

图1为本公开一个实施例使用滑动时间窗进行预测的单步示意图；

图2为本公开一个实施例中一种开关设备的机械特性预测方法步骤示意图；

图3为本公开一个实施例中步骤S200的子步骤示意图；

图4为本公开一个实施例中一种开关设备的机械特性预测方法的应用步骤示意图。

具体实施方式

在一个实施例中，提供了一种开关设备的机械特性预测方法，所述方法包括如下步骤：

S100，建立对应关系：依据滑动时间窗算法，建立开关设备的当前机械特性曲线上每一点与之前机械特性曲线上相应历史数据点之间的对应关系；

S200，训练模型：利用支持向量机回归模型训练得到每个机械特性预测模型；

S300，使用模型预测：针对每个机械特性预测模型，通过滑动时间窗算法来进行所述开关设备的多步机械特性预测：在多步预测时，将当前单步预测的结果加入到当前已有的时间序列中，进行下一次预测结果的预测。

在这个实施例中，所述滑动时间窗方法如图1所示，上述步骤流程图如图2所示。通过使用滑动时间窗来进行特征提取和反复迭代预测，使得每次预测总是基于最新的数据进行，而之后进行的多步预测也是基于最新预测结果的基础上进行的，通过这种方式，能够提高预测的准确性、提高预测结果的可靠性。

优选的，在所述步骤S100中，所述机械特性曲线将通过等距抽样得到抽样密度较小的机械特征曲线作为特征向量。通过等距抽样能够保证使用的数据均有参考价值，并且减少预测模型学习训练的计算量。

在一个实施例中，所述步骤S200的具体实现包括：

S201：设X_t都是一个可以表征被预测对象状态的特征向量，设时间序列{x_t}，t＝1，…，T，构造特征向量d为特征向量的维度，d的大小为欲与之前要建立对应关系的若干条机械特性曲线所包含的历史数据点的数量相同；设对应的目标值为y_t＝x_t+1，目标值集合通常选择最新得到的一条或若干条机械特性曲线的点，即与y_t之间存在映射关系

S202：从时间序列{x_t}中取n组特征向量，组成训练集矩阵目标值矩阵为Y＝(y_t，y_t+1，…，y_t+n-1)^T；若训练集里数据的最大值与最小值的差值大于预先设定的限值，则对训练集进行归一化处理；否则，不进行归一化处理；在首次进行训练时，选择使用radial函数作为核函数来进行模型训练；

S203：根据上一步得到的特征向量的维度和目标值，训练支持向量机回归模型，并通过参数寻优方法得到最优惩罚因子C和最优核函数参数g；

S204：利用得到的最优惩罚因子C和核函数参数g对训练集数据进行学习，生成一个模型；

S205：若预测误差的最大值小于一个阈值，则进入步骤S207；否则进入步骤S206；所述阈值在一个实施例中为0.01，在其它实施例中可能为0.001，0.005等；

S206：通过下述任一方式的改变后，返回步骤S201：

(1)改变特征向量的维度；(2)改变特征向量的组数；(3)改变核函数的种类；(4)改变数据预处理方式；

S207：输出模型参数；

所述步骤S202中的限值在模拟预测试验时是人为确定的最大差值，若在该最大差值下得到的预测结果在误差允许范围内，则将该最大差值标定为经验值；而在实际预测时设定为多次模拟预测试验中预测结果都能在误差允许范围内的经验值；

所述数据预处理包括：首次执行步骤S200的子步骤时，根据训练集里数据的最大值与最小值的差值是否大于预先设定的限值，若不大于，则选择对训练集进行归一化处理方式，所述归一化处理方式包括将所有数据的数值范围处理到[0，1]内或将所有数据的数值范围处理到[-1，1]内；否则不进行归一化处理；非首次执行步骤S200的子步骤时，若进行了归一化处理，则将数据还原到归一化处理之前；否则，进行归一化处理；

所述步骤S205中的阈值根据机械特性的不同而不同，为若干次模拟预测试验中预测误差的最大值。

在这个实施例中，详细给出了如何建立预测模型并将模型训练到可以用于预测的方法。而在数据预处理时，需要将数据范围处理到[0，1]内或将所有数据的数值范围处理到[-1，1]内，是根据所有数据的数值范围本身来确定的。

更优的，如图3所示，当步骤S205中不满足阈值判断条件C0时，将不满足的情况分为C1，C2，C3三种，其中，设执行步骤S201～S205的当前执行次数为count；若首次执行步骤S201～S205，则count设为0：

情况C1，即若count为奇数次，且所述步骤S201中的特征向量维度小于给定维度，则执行步骤S2061；

情况C2，即若count为偶数次，且所述步骤S201中的特征向量维度小于给定维度，则执行步骤S2062；

情况C3，即若所述步骤S201中的特征向量维度大于等于给定维度，则执行步骤S2063。而步骤S2061～S2063具体内容如下：

S2061：若当前核函数为radial函数，使用线性核函数代替radial核函；若当前核函数为线性核函数，则使用radial函数代替线性函数；重复执行步骤S201～S205，count次数加1；

S2062：增加步骤S201中的特征向量维度和特征向量组数；重复执行步骤S201～S205，count次数加1；

S2063：若步骤S202中训练集中的数据进行了归一化处理，则将训练集中的数据恢复到归一化前；否则，将训练集中的数据进行归一化处理；重复执行步骤S201～S205，count次数加1。

在这里，所述步骤S2061～S2063为步骤206的另一种执行方式。

通过上述步骤S201～S207的处理过程可以看出，即使采用了等距抽样来减少学习的数据量，但是在训练过程中，通过步骤S206可以看出，如果首次训练没有到达目标，可以通过下述方式的任一一种改变后进入迭代处理：

(1)改变特征向量的维度；

(2)改变特征向量的组数；

(3)改变核函数的种类；

(4)改变数据预处理方式。

而尽管有优选的另一中处理方式S2061～S2063，但是仍会有较大的计算量，因而更优的，将所述步骤S100中的对应关系通过在最近得到的1到3条机械特性曲线上每一点与其之前3到10条曲线所包含数据量的历史数据点之间建立，以此来限定数据处理量；另外，在不得不改变特征向量的维度和特征向量的组数时，使得特征向量的维度，特征向量的组数这样的处理方式可以有一定限制，不可能无限制的增加下去；最后也是最重要的，通过在最近得到的1到3条机械特性曲线上每一点与其之前3到10条曲线所包含数据量的历史数据点之间建立对应关系，这些数据点上的数据有较高的参考应用价值，预测的结果可靠性比较高，比较准确。

进一步地，所述机械特性曲线至少应包含100个数据点，且不大于200个。在这个实施例中，所述数据点的数量要求为通过实验仿真得到，太少，难以保证预测的准确性；太多，会降低数据的实时处理速度。

为了保证预测结果的有效性，在步骤S300中，所述多步预测以数据点的数量小于等于5条机械特性曲线包含的数据点的数量为准，在此范围内有较高的参考价值。

更优的，为了提高预测的准确性，确定了能够反映开关设备的机械特性。在本公开中所述机械特性包括触头行程、主轴角位移，分合闸脱扣器线圈电流、操动机构储能电机回路电流以及分合过程中的振动信号。

在一个实施例中，对所述方法的预测结果进行了具体的应用，所述应用方法如图4中矩形框中步骤所示，其中：

S400，建立数据库：建立开关设备关于机械特性的全寿命周期数据库和机械特性故障识别数据库；

所述全寿命周期数据库中包括所开关设备的全寿命周期中机械特性数据曲线；

所述机械特性故障识别数据库包含所述机械特性参数的典型机械故障数据曲线，以及从全寿命周期数据库中采取等时间间隔抽样得到的正常机械特性数据曲线；

S500，训练各种识别模型：针对每个机械特性根据情况进行寿命阶段分化，再针对划分的每个寿命阶段，使用全寿命周期数据库中的曲线训练支持向量机模型得到每个寿命阶段的寿命阶段识别模型；针对每种故障，使用机械特性故障识别数据库中的曲线训练支持向量机模型得到每类故障的故障识别模型；

根据模型的识别精度给每种机械特性的寿命阶段识别模型权重或故障识别模型权重；

S600，计算各个识别模型权重：通过下式得到每种机械特性的寿命阶段识别模型权重或故障识别模型权重：

$R_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i\mathrm{\δ}(G_i\left(x\right)=j)$

其中，n是机械特性种类的个数；

若是进行寿命阶段识别，则R_j为预测开关设备所处的第j种寿命阶段；G_i(x)是每一种机械特性曲线的寿命阶段识别结果，当括号里两个值相等时取1，否则取0；1≤j≤m，m寿命阶段类别数目；

若是进行故障识别，则R_j为预测开关设备可能存在的第j类故障；G_i(x)是每一种机械特性曲线的故障识别结果，当括号里两个值相等时取1，否则取0；1≤j≤m，m故障种类数目；

S700，根据计算的权重得到最终的识别结果：通过下式判断寿命阶段或故障类别：

result＝argmax(R_j)。

在这个实施例中，其意义在于，将所述预测方法进行了进一步包括寿命阶段识别和潜在故障预测的应用，即能够根据当前采集的机械特性数据，对开关的寿命阶段进行评估，并对影响寿命的机械特性进行识别，以为开关的维护提供支持。

进一步，所述每种机械特性的寿命阶段识别模型权重或故障识别模型权重均使用下式进行计算：

$w_i=\frac{1}{2}\log \frac{2(1-\frac{1}{m})-e_i}{e_i}$

其中，1≤i≤n，n是机械特性种类的个数；

若计算寿命预测权重，则m是分类器寿命阶段类别，e_i是与第i种机械特性的寿命阶段识别模型的误差；

若计算故障预测权重，则m故障类别的数目，e_i是与第i种机械特性的故障识别模型的误差。

这里提供了一种优选的计算每种机械特性的寿命阶段识别模型权重或故障识别模型权重的方法，但是没有限定使用何种方式来确定模型的识别精度e_i

在一个实施例中，优选的，所述模型的识别精度e_i使用支持向量机k-cross交叉验证精度表示，这里也可以使用其它计算模型的识别精度方法来代替k-cross交叉验证精度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本公开较佳实施例而已，当然不能以此来限定本公开之权利范围，因此依本公开权利要求所作的等同变化，仍属本公开所涵盖的范围。

Claims (10)

1.一种开关设备的机械特性预测方法，其特征在于，所述方法包括如下步骤：

S100，建立对应关系：依据滑动时间窗算法，建立开关设备的当前机械特性曲线上每一点与之前机械特性曲线上相应历史数据点之间的对应关系；

S200，训练模型：利用支持向量机回归模型训练得到每个机械特性预测模型；

S300，使用模型预测：针对每个机械特性预测模型，通过滑动时间窗算法来进行所述开关设备的多步机械特性预测：在多步预测时，将当前单步预测的结果加入到已有的时间序列中，进行下一次结果的预测。

2.根据权利要求1所述的方法，其特征在于：

优选的，在所述步骤S100中，将通过等距抽样得到的抽样密度较小的机械特征曲线作为特征向量。

3.根据权利要求2所述的方法，其特征在于，所述步骤S200具体包括：

S201：设X_t是一个表征被预测对象状态的特征向量，设时间序列{x_t}，t＝1，…，T，构造特征向量d为特征向量的维度，d的大小与之前要建立对应关系的若干条机械特性曲线所包含的历史数据点的数量相同；设对应的目标值为y_t＝x_t+1，目标值y_t的集合选择最近得到的一条或若干条机械特性曲线的点，即与y_t之间存在映射关系

S202：从时间序列{x_t}中取n组特征向量，组成训练集矩阵目标值矩阵为Y＝(y_t，y_t+1，…，y_t+n-1)^T；对训练集里数据进行数据预处理；在首次进行训练时，选择使用radial函数作为核函数来进行模型训练；

S203：根据上一步得到的特征向量的维度和目标值，训练支持向量机回归模型，并通过参数寻优方法得到最优惩罚因子C和最优核函数参数g；

S204：利用得到的最优惩罚因子C和核函数参数g对训练集数据进行学习，生成一个模型；

S205：若预测误差的最大值小于一个阈值，则进入步骤S207；否则进入步骤S206；

S206：执行下述任一方式后，返回步骤S201：

(1)改变特征向量的维度；(2)改变特征向量的组数；(3)改变核函数的种类；(4)改变数据预处理方式；

S207：输出模型参数；

其中：

所述步骤S202中的限值在模拟预测试验时是人为确定的最大差值，若在该最大差值下得到的预测结果在误差允许范围内，则将该最大差值标定为经验值；而在实际预测时设定为多次模拟预测试验中预测结果都能在误差允许范围内的经验值；

所述数据预处理包括：首次执行步骤S200的子步骤时，根据训练集里数据的最大值与最小值的差值是否大于预先设定的限值，若不大于，则选择对训练集进行归一化处理方式，所述归一化处理方式包括将所有数据的数值范围处理到[0，1]内或将所有数据的数值范围处理到[-1，1]内；否则不进行归一化处理；非首次执行步骤S200的子步骤时，若进行了归一化处理，则将数据还原到归一化处理之前；否则，进行归一化处理；

所述步骤S205中的阈值根据机械特性的不同而不同，为若干次模拟预测试验中预测误差的最大值。

4.根据权利要求3所述的方法，其特征在于，设执行步骤S201～S205的当前执行次数为count；若首次执行步骤S201～S205，则count设为0；则所述步骤206的另一种执行方式为：

若count为奇数次，且所述步骤S201中的特征向量维度小于给定维度，则执行步骤S2061；若count为偶数次，且所述步骤S201中的特征向量维度小于给定维度，则执行步骤S2062；若所述步骤S201中的特征向量维度大于等于给定维度，则执行步骤S2063；

S2061：若当前核函数为radial函数，使用线性核函数代替radial核函；若当前核函数为线性核函数，则使用radial函数代替线性函数；重复执行步骤S201～S205，count次数加1；

S2062：增加步骤S201中的特征向量维度和特征向量组数；重复执行步骤S201～S205，count次数加1；

S2063：若步骤S202中训练集中的数据进行了归一化处理，则将训练集中的数据恢复到归一化前；否则，将训练集中的数据进行归一化处理；重复执行步骤S201～S205，count次数加1。

5.根据权利要求1所述的方法，其特征在于：

所述步骤S100中的对应关系通过在最近得到的1到3条机械特性曲线上每一点与其之前3到10条曲线所包含数据量的历史数据点之间建立；所述机械特性曲线至少应包含100个数据点，且不大于200个。

6.根据权利要求1所述的方法，其特征在于：

在步骤S300中，所述多步预测的数据点的数量小于等于5条机械特性曲线包含的数据点的数量。

7.根据权利要求1所述的方法，其特征在于：

所述机械特性包括触头行程、主轴角位移、分合闸脱扣器线圈电流、操动机构储能电机回路电流以及分合过程中的振动信号。

8.一种根据权利要求1～7任一所述方法，其特征在于，所述方法还包括如下步骤：

S400，建立数据库：建立开关设备关于机械特性的全寿命周期数据库和机械特性故障识别数据库；

所述全寿命周期数据库中包括所开关设备的全寿命周期中机械特性数据曲线；

所述机械特性故障识别数据库包含所述机械特性参数的典型机械故障数据曲线，以及从全寿命周期数据库中采取等时间间隔抽样得到的正常机械特性数据曲线；

S500，训练各种识别模型：针对每个机械特性根据情况进行寿命阶段分化，再针对划分的每个寿命阶段，使用全寿命周期数据库中的曲线训练支持向量机模型得到每种机械特性的每个寿命阶段的寿命阶段识别模型；针对每种故障，使用机械特性故障识别数据库中的曲线训练支持向量机模型得到每类故障的故障识别模型；

根据模型的识别精度确定每种机械特性的寿命阶段识别模型权重或故障识别模型权重；

S600，计算各个识别模型权重：通过下式得到每种机械特性的寿命阶段识别模型权重、故障识别模型权重：

$R_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i\mathrm{\δ}(G_i\left(x\right)=j)$

其中，n是机械特性种类的个数；

若是进行寿命阶段识别，则R_j为预测开关设备所处的第j种寿命阶段；G_i(x)是每一种机械特性曲线的寿命阶段识别结果，当括号里两个值相等时取1，否则取0；1≤j≤m，m寿命阶段类别数目；

若是进行故障识别，则R_j为预测开关设备可能存在的第j类故障；G_i(x)是每一种机械特性曲线的故障识别结果，当括号里两个值相等时取1，否则取0；l≤j≤m，m故障种类数目；

S700，根据计算的权重得到最终的识别结果：通过下式判断寿命阶段、故障类别：

result＝argmax(R_j)。

9.根据权利要求8所述的方法，其特征在于：

所述每种机械特性的寿命阶段识别模型权重、故障识别模型权重均使用下式进行计算：

$w_i=\frac{1}{2}\log \frac{2(1-\frac{1}{m})-e_i}{e_i}$

其中，1≤i≤n，n是机械特性种类的个数；

若计算寿命预测权重，则m是分类器寿命阶段类别，e_i是与第i种机械特性的寿命阶段识别模型的误差；

若计算故障预测权重，则m故障类别的数目，e_i是与第i种机械特性的故障识别模型的误差。

10.根据权利要求9所述的方法，其特征在于：

所述模型的识别精度e_i使用支持向量机k-cross交叉验证精度表示。