CN105160444B - 电力设备故障率确定方法及系统 - Google Patents

Abstract

本发明涉及一种电力设备故障率确定方法，利用标准粒子群算法确定最小二乘机支持向量机预测模型的正规化参数以及核函数参数的最优解时，加入高斯扰动因子，即通过标准粒子群算法对粒子的速度进行更新时，还加入了高斯扰动因子，获得粒子的速度更优的更新方式，从而使得正规化参数以及核函数参数具有更优的更新方式，防止在寻找正规化参数以及核函数参数最优解时陷入局部最优，可获得较优的最小二乘机支持向量机预测模型对电力设备故障率进行预测，提高预测准确性。

Description

电力设备故障率确定方法及系统

技术领域

本发明涉及电气领域，特别涉及一种电力设备故障率确定方法及系统。

背景技术

随着电力的大规模生产，对于电力设备的功能要求越来越高，电力设备的故障诊断和寿命预测越来越重要，故障率预测是寿命预测的根本，因此精确地预测电力设备的故障率有很大的工作意义，对检修以及后续的工作提供一个良好的基础。

继电保护规程规定，微机电力设备的使用年限一般不低于12年，处于不稳定、工作环境恶劣的微机电力设备可根据运行情况适当缩短使用年限。实际运行中，电力设备一般在10-12年之间退出运行，但退出运行时设备状况多为良好，设备寿命尚未结束。目前对电力设备寿命相关研究较少，一般都是先对电力设备进行状态评估，然后在状态评估的基础上利用健康指数模型求解相应的剩余寿命，或者偏重研究设备的可靠性与最佳检修周期关系等，这些研究有利于设备全寿命周期成本的降低和运行可靠性提高，但对设备寿命未展开研究。加速老化不失为一种可行性方法，通过加大试验应力(例如热应力、电应力、机械应力等)的方法，加快设备失效，缩短试验周期，运用加速模型，估计出设备在正常工作应力下的可靠性，但加速模型及相关参数难以核定，因此预测寿命误差较大。而且在实际研究过程中，为保证结果的精确度，需要大量的样本作为支撑，但是由于电力设备种类和型号极多，且每一种设备的元器件数量多，元器件寿命相关参数难以收集，使得以上的方法具有很大的局限性。因此急需一种能够在小样本条件下进行电力设备寿命预测方法，这是对电力设备可靠性进行正确分析和客观评价的前提。

现有的支持向量回归机法和最小二乘支持向量机是目前针对小样本估计和预测的常用理论，但是利用支持向量机需进行预测时需要求解一个凸二次规划问题，计算较为复杂。采用最小二乘支持向量机方法时，将不等式约束转化为等式约束，把计算简单化，在对最小二乘支持向量机的参数进行最优求解时常用的方法有网格搜索方法、遗传算法、粒子群算法(PSO)以及标准粒子群算法(SPSO)，但是利用这些方法进行最优求解时，均很容易陷入局部最优的问题，导致通过最小二乘支持向量机的预测结果准确性不高，从而最终导致电力设备故障率的预测准确性不高。

发明内容

基于此，有必要针对电力设备故障率预测准确性不高问题，提供一种提高预测准确性的电力设备故障率确定方法及系统。

一种电力设备故障率确定方法，包括以下步骤：

根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型；

获取电力设备的预设时间内历史相关数据，其中，所述电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率；

根据所述电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定所述正规化参数以及所述核函数参数的最优解，以确定最优最小二乘支持向量机预测模型，其中，所述高斯扰动因子通过预设的高斯函数产生；

获取所述电力设备的待预测使用时间段；

根据所述电力设备的待预测使用时间段以及所述最优最小二乘支持向量机预测模型，确定所述电力设备与所述待预测使用时间段对应的故障率。

本发明还提供一种电力设备故障率确定系统，包括：

构建模块，用于根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型；

第一获取模块，用于获取电力设备的预设时间内历史相关数据，其中，所述电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率；

第一确定模块，用于根据所述电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定所述正规化参数以及所述核函数参数的最优解，以确定最优最小二乘支持向量机预测模型，其中，所述高斯扰动因子通过预设的高斯函数产生；

第二获取模块，用于获取所述电力设备的待预测使用时间段；

第二确定模块，用于根据所述电力设备的待预测使用时间段以及所述最优最小二乘支持向量机预测模型，确定所述电力设备与所述待预测使用时间段对应的故障率。

上述电力设备故障率确定方法及系统，利用标准粒子群算法确定最小二乘机支持向量机预测模型的正规化参数以及核函数参数的最优解时，加入高斯扰动因子，即通过标准粒子群算法对粒子的速度进行更新时，还加入了高斯扰动因子，获得粒子的速度更优的更新方式，从而使得正规化参数以及核函数参数具有更优的更新方式，防止在寻找正规化参数以及核函数参数最优解时陷入局部最优，可获得较优的最小二乘机支持向量机预测模型对电力设备故障率进行预测，提高预测准确性。

附图说明

图1为一种实施方式的电力设备故障率确定方法的流程图；

图2为另一种实施方式的电力设备故障率确定方法的子流程图；

图3为另一种实施方式的电力设备故障率确定方法的子流程图；

图4为粒子的位置更新的向量图；

图5为迭代次数与适应度之间的关系图；

图6为一种实施方式的电力设备故障率确定系统的模块图；

图7为另一种实施方式的电力设备故障率确定系统的子模块图；

图8为另一种实施方式的电力设备故障率确定系统的子模块图。

具体实施方式

请参阅图1，提供一种实施方式的电力设备故障率确定方法，包括以下步骤：

S100：根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型。

支持向量机是基于结构风险最小化的统计学习方法，是通过将数据映射到高维空间，解决原始空间中数据线性不可分的问题，通过构建最优决策函数进行预测。支持向量机是通过解决一个二次规划问题，来获得最优决策函数，最小二乘支持向量机与支持向量机相比，是将支持向量机中不等式约束用等式约束代替，将误差的二范数作为优化目标的损失函数，将支持向量机中解决二次规划问题转化为求解线性方程问题，可获得最优目标函数，即获得最小二乘支持向量机预测模型，根据输入，通过该最优目标函数可进行输出预测。

根据该最小二乘支持向量机预测模型以及输入，可进行输出预测。其中，建立的最小二乘支持向量机预测模型中包括正规化参数以及核函数参数，正规化参数以及核函数参数很大程度上决定了最小二乘支持向量机预测模型的性能，从而在后续需要对正规化参数以及核函数参数进行寻优，从而确保得到较优的最小二乘支持向量机预测模型，使通过最小二乘支持向量机预测模型对电力设备故障率进行预测时，提高准确性。

S200：获取电力设备的预设时间内历史相关数据。

其中，电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率。

获得的历史相关数据中的电力设备故障率是事先已知的，用作训练最小二乘支持向量机预测模型时的实际输出，即对于某一台电力设备故障率，通过统计与该电力设备同一批次同型号且运行环境类似的电力设备的总台数以及与该电力设备同一批次同型号且运行环境类似的电力设备中出现故障的台数获得，通过出现故障的台数除以总台数确定该电力设备故障率。与该电力设备同一批次的这些电力设备的使用时间是相同的，且均与该电力设备的使用时间相同，通过这些电力设备在某个时间段出现的概率作为该电力设备在该时间段的故障率。后续将电力设备使用时间输入至最小二乘支持向量机预测模型，通过最小二乘支持向量机预测模型进行预测输出，根据预测输出与实际输出的误差，为确定最优的最小二乘支持向量机预测模型提供数据依据。

在本实施例中，电力设备为继电保护设备，电力设备的历史相关数据选取某一地区的相同型号且运行环境相同的24台继电保护设备当前时间之前第2年至第7年时间内的使用时间以及对应的故障率，即选取历史相关数据作为训练样本，将24台继电保护设备当前时间之前第1年时间内的使用时间以及对应的故障率作为后续测试用的测试样本，样本数据均在每年的同一时间进行采样的，电力设备每一年对应的使用时间不同。

S300：根据电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定正规化参数以及核函数参数的最优解，以确定最优最小二乘支持向量机预测模型。

其中，高斯扰动因子通过预设的高斯函数产生。正规化参数以及核函数参数对最小二乘支持向量机的预测结果影响较大，从而寻找最优的正规化参数以及核函数参数是非常必要的，通过标准粒子群算法寻找正规化参数以及核函数参数的最优解时，具有相当快的逼近最优解的速度，并通过标准粒子群算法对粒子的速度进行更新时，加入高斯扰动因子，获得较优的粒子更新方式，避免最优解陷入局部最优。根据正规化参数以及核函数参数的最优解，确定最优最小二乘支持向量机预测模型。

粒子群算法(Particle Swarm Optimization，PSO)源于对鸟群觅食行为的研究，一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。那么找到食物的最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。在PSO算法中，每个优化问题的潜在解都可以想象成d维搜索空间上的一个点，我们称之为“粒子”(Particle)，所有的粒子都有一个被目标函数决定的适应值(Fitness Value)，每个粒子还有一个速度决定他们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。鸟仅仅是追踪它有限数量的邻居但最终的整体结果是整个鸟群又在一个中心的控制之下，即复杂的全局行为是由简单规则的相互作用引起的。PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度，即不停改变粒子的位置与速度，直到找到粒子的最优位置，从而找到需要求解问题的最优解。

通过标准粒子群算法寻找正规化参数以及核函数参数的最优解时，正规化参数以及核函数参数的可能解即是标准粒子群算法中的粒子，找到的粒子的最优位置即是正规化参数以及核函数参数的最优解。

S400：获取电力设备的待预测使用时间段。

S500：根据电力设备的待预测使用时间段以及最优最小二乘支持向量机预测模型，确定电力设备与待预测使用时间段对应的故障率。

在获得最优最小二乘支持向量机预测模型后，根据电力设备的待预测使用时间段，利用该最优最小二乘支持向量机预测模型进行输出预测，从而获得电力设备在待预测使用时间段内的故障率。电力设备的待预测使用时间段是指电力设备已使用时间加上预设时间，表示想要对电力设备再运行该预设时间后的故障率进行预测，例如，电力设备已使用了6年，在这6年里的故障率均可知，现想获得下一年该电力设备的故障率，则预设时间为1年，此时，待预测使用时间段为7年。若想预测电力设备运行8年对应的故障率，则预设时为2年。

上述电力设备故障率确定方法，利用标准粒子群算法确定最小二乘机支持向量机预测模型的正规化参数以及核函数参数的最优解时，加入高斯扰动因子，即通过标准粒子群算法对粒子的速度进行更新时，还加入了高斯扰动因子，获得粒子的速度更优的更新方式，从而使得正规化参数以及核函数参数具有更优的更新方式，防止在寻找正规化参数以及核函数参数最优解时陷入局部最优，可获得较优的最小二乘机支持向量机预测模型对电力设备故障率进行预测，提高预测准确性。

请参阅图2，在其中一个实施例中，根据电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定正规化参数以及核函数参数的最优解，以确定最优最小二乘支持向量机预测模型的步骤S300包括：

S310：初始化标准粒子群算法中粒子数量、迭代次数以及最大迭代次数，将正规化参数以及核函数参数作为标准粒子群算法中粒子的位置，初始化每个粒子的位置、速度以及加速因子。

其中，单个粒子对应单个最小二乘支持向量机预测模型。

首先初始化迭代次数为1，即从第1次迭代开始。在本实施例中，粒子数量为20个，最大迭代次数为200次。每个粒子包括粒子的位置和粒子的速度，粒子的位置是根据粒子的速度进行更新的，且每个粒子具有对应的加速因子，且加速因子根据迭代次数是变化的。首先，对每个粒子的位置、速度以及加速因子进行初始化，为后续提供数据依据。

S320：根据电力设备使用时间，利用各最小二乘支持向量机预测模型进行故障率预测。

获取的电力设备的历史相关数据中包括了电力设备使用时间和电力设备故障率，对电力设备使用时间进行归一化处理，将归一化处理后的电力设备使用时间输入至各最小二乘支持向量机预测模型进行故障率预测。

S330：根据各最小二乘支持向量机预测模型的预测结果与电力设备故障率之间的误差的平方和的平均值，确定各粒子的适应度，并根据各粒子的适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置。

根据电力设备使用时间，利用最小二乘支持向量机预测模型进行预测时，最小二乘支持向量机预测模型的预测结果与电力设备故障率之间存在误差，由于电力设备样本数可能有多个，每个电力设备对应有一个预测结果，从而在进行预测时，每个电力设备样本对应一个误差，将最小二乘支持向量机预测模型针对每个电力设备使用时间的预测结果与电力设备故障率之间的误差的平方和的平均值作为对应粒子的适应度，从而可确定各粒子的适应度，并根据各粒子的适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置。

S340：根据各粒子的个体最优位置，通过预设的高斯函数产生各粒子对应的高斯扰动因子。

根据粒子的个体最优位置，设置预设的高斯函数的方差，预设的高斯函数的均值设为0，预设的高斯函数的自变量采用0-1之间的随机数，预设的高斯函数中的均值、方差以及自变量确定，从而可获得对应的函数值，即为高斯扰动因子。

S350：计算各粒子的惯性权重。

惯性权重主要是为了平衡粒子全局和局部的搜索能力，惯性权重比较大时，有比较强的全局搜索能力，惯性权重比较小时，有较强的局部搜索能力。

S360：根据各粒子的惯性权重、各粒子的加速因子、各粒子的高斯扰动因子、各粒子的个体最优位置以及所有粒子的全局最优位置，对各粒子的位置以及速度进行更新，以更新各最小二乘支持向量机预测模型，并更新各粒子的加速因子。

对各粒子的位置以及速度进行更新，即对正规化参数以及核函数参数进行了更新，从而更新了最小二乘支持向量机预测模型。在进行正规化参数以及核函数参数寻优过程中，标准粒子群算法中粒子的加速因子不是固定不变的，会根据迭代次数不断更新，在迭代初期，迭代次数较小，确保在局部范围内寻优，有利于算法的收敛，随着迭代次数的不断增大，加速因子随之改变，有利于跳出局部寻优，便于全局最优搜索，且能提高寻优的效率。

S370：判断所有粒子的全局最优位置对应的适应度是否小于预设值或迭代次数是否大于最大迭代次数。

当所有粒子的全局最优位置对应的适应度不小于预设值且迭代次数不大于最大迭代次数时，则执行步骤：

S380：将迭代次数加1。

并返回根据电力设备使用时间，利用各最小二乘支持向量机预测模型进行故障率预测的步骤S320。

当所有粒子的全局最优位置对应的适应度小于预设值的粒子或者迭代次数大于最大迭代次数时，执行步骤S390。

S390：将所有粒子的全局最优位置作为正规化参数以及核函数参数的最优解。

在所有粒子中找到有粒子的适应度是小于预设值，表示该粒子对应的最小二乘支持向量机预测模型的预测误差和的平均值在预设范围内，停止迭代，该粒子的位置中的正规化参数以及核函数参数即为正规化参数以及核函数参数的最优解。

在所有粒子中还没有找到有粒子的适应度是小于预设值，表示各粒子对应的各最小二乘支持向量机预测模型的预测误差和的平均值不再在预设范围内，继续迭代，直到所有粒子的全局最优位置对应的适应度小于预设值或迭代次数不大于最大迭代次数。

请参阅图3，在其中一个实施例中，根据各最小二乘支持向量机预测模型的预测结果与电力设备故障率之间的误差的平方和的平均值，确定各粒子的适应度，并根据各粒子的适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置的步骤S330包括：

S331：根据各最小二乘支持向量机预测模型的预测结果与电力设备故障率的误差的平方和的平均值，确定各粒子的适应度。

S332：当粒子的适应度小于粒子已确定的个体最优位置对应的适应度时，将粒子的位置更新为粒子的个体最优位置，以确定各粒子的个体最优位置。

当为第1次迭代时，无需比较适应度大小，将粒子的位置作为粒子的个体最优位置，以确定各粒子在第1次迭代时的个体最优位置。

S333：根据各粒子的适应度，获取所有粒子中适应度最小的最优粒子。

S334：当最优粒子的适应度小于已确定的所有粒子的全局最优位置时，将最优粒子的位置更新为所有粒子的全局最优位置，以确定所有粒子的全局最优位置。

当为第1次迭代时，无需比较适应度大小，经所有粒子中适应度最小的最优粒子的位置作为所有粒子的全局最优位置，以确定在第1次迭代时的所有粒子的全局最优位置。

在其中一个实施例中，计算各粒子的惯性权重的具体公式为：

各粒子的速度更新公式具体为：

v_i(t+1)＝w(t)v_i(t)+c₁(t)r₁[pbest_i(t)+r₁gauss_i(t)-X_i(t)]+c₂(t)r₂[gbest(t)-X_i(t)]。

各粒子的位置更新公式具体为：

X_i(t+1)＝X_i(t)+X_i(t+1)。

w(t)为粒子在第t个迭代次数时的惯性权重，w_max为预设的惯性权重最大值，w_min为预设的惯性权重最小值，t_max为最大迭代次数，V_i(t)＝(V_ci(t),V_δi(t))，V_i(t)为第i个粒子在第t个迭代次数时的速度，V_ci(t)为第i个粒子在第t个迭代次数时正规化参数的速度，V_δi(t)为第i个粒子在第t个迭代次数时核函数参数的速度，v_i(t+1)为第i个粒子在第t+1个迭代次数时的速度，X_i(t)＝(C_i(t),σ_i(t))，X_i(t)为第i个粒子在第t个迭代次数时的位置，X_i(t+1)为第i个粒子在第t+1个迭代次数时的位置，C_i(t)为第i个粒子在第t个迭代次数时的正规化参数，σ_i(t)为第i个粒子在第t个迭代次数时的核函数参数，r₁以及r₂分别为0到1之间的随机数，c1(t)为粒子在第t个迭代次数时的第一加速因子，c₂(t)为粒子在第t个迭代次数时的第二加速因子，pbest_i(t)为第i个粒子在第t个迭代次数时的个体最优位置，gbest(t)为在第t个迭代次数时的所有粒子的全局最优位置，gauss_i(t)为第i个粒子在第t个迭代次数时产生的高斯扰动因子。

根据上述公式对粒子的速度进行更新时，加入了高斯扰动因子，由公式可以看出，高斯扰动因子是加在个体平均最好位置pbest_i(t)，且高斯扰动因子是根据粒子的个体最优位置，通过预设的高斯函数产生的，通过上述公式对粒子的速度进行更新，可以获得粒子的速度更好的更新值，从而获得粒子的位置更好的更新值，得到更好的最小二乘支持向量机预测模型进行预测输出，减少模型预测误差。

在其中一个实施例中，加速因子包括第一加速因子以及第二加速因子，更新各粒子的第一加速因子的具体公式为：

更新各粒子的第二加速因子的具体公式为：

式中，c₁(t+1)为粒子在第t+1个迭代次数时的第一加速因子，c₁为第一预设值，c_1f为第一加速因子的预设阈值，c₂(t+1)为粒子在第t+1个迭代次数时的第二加速因子，t_max为最大迭代次数，c₂为第二预设值，c_2f为第二加速因子的预设阈值。在本实施例中，初始化加速因子时，第一加速因子的初始化值取2.49，c₁取2.5，c_1f取0.5，第二加速因子的初始化值取0.51，c₂取0.5，c_2f取2.5。第一加速因子以及第二加速因子根据迭代次数的改变是不断调整的。

在其中一个实施例中，根据电力设备的历史相关数据，利用加入高斯扰动因子的标准粒子群算法确定正规化参数以及核函数参数的最优解，以确定最优最小二乘支持向量机预测模型的步骤S300之后还包括：

验证最优最小二乘支持向量机预测模型的准确性。

即在获得最优最小二乘支持向量机预测模型后，可根据电力设备在预设测试时间内的历史相关数据以及最优最小二乘支持向量机预测模型，预测电力设备在预设测试时间内的故障率，将电力设备在预设测试时间内的预测故障率与电力设备在预设测试时间内实际故障率进行对比，获取最优最小二乘支持向量机预测模型的误差率，根据误差率，确定最优最小二乘支持向量机预测模型的准确性。

下面以一具体实施例对上述电力设备故障率确定方法加以说明，其中，电力设备包括继电保护设备等。

1)建立最小二乘支持向量机预测模型。

根据结构风险最小化原理，建立最小二乘支持向量机预测模型的优化目标函数：

式中，ω为权重向量，C是正规化参数，用于控制样本噪声对模型的影响。体现最小二乘支持向量机预测模型最大间隔算法特征，令拟合函数更加平坦，用于减少训练误差，用正规化参数C控制对错分样本惩罚的程度，实现在错分样本比例与算法复杂度之间的折衷，提高了最小二乘支持向量机预测模型的推广能力。ε_h ²为电力设备的样本预测误差平方，为将数据映射到高维空间的转换函数，将第h个电力设备的使用时间x_h转换到高维特征空间，b为偏差，l为电力设备的训练样本数量，y_h为训练样本中第h个电力设备故障率。

为解上述优化问题，构造对偶空间的拉格朗日函数L_α：

式中，α_h是第h个拉格朗日乘子，y_h为训练样本中第h个电力设备故障率，根据库恩-塔克条件，置各变量偏导数为0：

消去上式中的ω，ε_h可得以下线性方程组：

式中，y＝[y₁,y₂,...,y_l]^T，I＝[1,1,...,1]_l×l，α＝[α₁,α₂,...,α_l]，

根据Mercer条件，核函数其中，由于电力设备故障率预测是根据局部历史数据进行的，这些数据与设备周围的环境以及检修人员的工作情况密切相关，带有一定的波动性，局部性比较强，因此本实施例选取高斯径向基核函数(RBF)用于电力设备故障率的预测，即σ为核函数参数，根据上述线性方程组可得到b和α，从而利用核函数K(x,x_q)便可确定回归函数，即建立了最小二乘支持向量机预测模型，其表达式为：

其中，x_q为第q个电力设备的使用时间，x为训练样本的电力设备的使用时间，y为最小二乘支持向量机预测模型的预测输出，b和α均为正规化参数C和核函数参数σ的表达式，即b和α是根据正规化参数C以及核函数参数σ确定的，从而最小二乘支持向量机预测模型是根据正规化参数C以及核函数参数σ建立的，在后续进行最优最小二乘支持向量机预测模型确定过程中，需要确定的参数为正规化参数C以及核函数参数σ。

2)根据上述过程建立最小二乘支持向量机预测模型后，利用加入高斯扰动因子的标准粒子群算法确定正规化参数以及核函数参数的最优解。

初始化标准粒子群算法中粒子数量、迭代次数以及最大迭代次数，将正规化参数以及核函数参数作为标准粒子群算法中粒子的位置，初始化每个粒子的位置、速度以及加速因子。其中，粒子数量初始为20个，最大迭代次数初始为200次，初始化迭代次数为1，即从第1次迭代开始。加速因子中的第一加速因子初始化为2.49，加速因子中的第二加速因子初始化为0.51。

根据电力设备使用时间，利用各最小二乘支持向量机预测模型进行故障率预测，根据各最小二乘支持向量机预测模型的预测结果与电力设备故障率之间的误差的平方和的平均值，确定各粒子的适应度，其中，各粒子的适应度的计算公式具体为：

G_i为第i个粒子的适应度，为第i个粒子对应的最小二乘支持向量机预测模型针对第h个样本电力设备的故障率预测值，根据各粒子的适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置，并计算每次迭代时粒子个体历史最优位置的高斯扰动因子。粒子的个体最优位置是该粒子经历过的最好位置，所有粒子的全局最优位置是所有粒子经历过的最好位子。

假设在一个m维空间中，粒子的数量为n，粒子集为X＝(X₁,…,X_i,…,X_n)，在空间中第i个粒子的位置表示为X_i＝(X_i,1,X_i,2,…,X_i,m)，第i个粒子的速度表示为v_i＝(v_i,1,v_i,2,…,v_i,m)，在本实施中，需要求解最优的参数为正规化参数C以及核函数参数σ，从而只需一个2维空间即可，粒子的数量n为20个，则第i个粒子在第t个迭代次数时的位置可表示为X_i(t)＝(C_i(t),σ_i(t))，第i个粒子在第t个迭代次数时的速度可表示为V_i(t)＝(V_ci(t),V_δi(t))，各粒子的速度更新公式具体为：

v_i(t+1)＝w(t)v_i(t)+c₁(t)r₁[pbest_i(t)+r₁gauss_i(t)-X_i(t)]+c₂(t)r₂[gbest(t)-X_i(t)]。

各粒子的位置更新公式具体为：

X_i(t+1)＝X_i(t)+v_i(t+1)。

请参阅图4，为各粒子的位置更新的向量图，X轴与Y轴分别对应粒子的位置中的正规化参数与核函数参数。式中，gauss_i,j(t)为粒子i在迭代次数为t时产生的高斯扰动因子，gauss_i,j(t)＝r₂gaussian(μ,δ²)，μ为均值，δ²为方差，r₁和r₂是分别在[0，1]区间上均匀分布的随机数。gaussian(μ,δ²)是与均值μ以及方差δ²有关的高斯函数，高斯扰动因子的值根据该高斯函数产生，gauss_i(t)＝(g_C(t),g_σ(t))，g_C(t)为正规化参数C的高斯扰动因子，g_σ(t)为核函数参数σ的高斯扰动因子，pbest_i(t)＝(Cbest_i(t),σbest_i(t))，Cbest_i(t)为第i个粒子的个体最优位置对应的正规化参数，σbest_i(t)为第i个粒子的个体最优位置对应的核函数参数，在本实施例中，选取μ＝0，g_C(t)＝r₂gaussian(μ,δ_c ²)，g_σ(t)＝r₂gaussian(μ,δ_σ ²)，δ_C ²＝|Cbest_i(t)|，δ_σ ²＝|σbest_i(t)|。

惯性权重w(t)主要是为了平衡粒子全局和局部的搜索能力，w(t)比较大时，有比较强的全局搜索能力，w(t)比较小时，有较强的局部搜索能力，在本实施例中，计算w(t)的公式具体为：

其中，w_max表示最大惯性权重，w_mi_n表示最小惯性权重，t_max表示最大迭代次数，为200，t表示当前迭代次数。在本实施例中，w_min＝0.4,w_max＝0.9。

学习因子c₁(t)和c₂(t)也称为加速因子，第一加速因子c₁(t)采用线性递减的表达式，第二加速因子c₂(t)采用单调递增的表达式。在迭代初期，c₁(t)比较大，保证粒子在局部范围内寻优，有利于算法的收敛，随着迭代的进行，较大的c₂(t)有利于跳出局部最优点，便于全局搜索，同时也提高了算法的搜索能力。

更新各粒子的第一加速因子的具体公式为：

更新各粒子的第二加速因子的具体公式为：

式中，c₁为第一预设值，c_1f为第一加速因子的预设阈值，c₂(t+1)为粒子在第t+1个迭代次数时的第二加速因子，t_max为最大迭代次数，c₂为第二预设值，c_2f为第二加速因子的预设阈值。初始化加速因子时，第一加速因子的初始化值取2.49，c₁取2.5，c_1f取0.5，第二加速因子的初始化值取0.51，c₂取0.5，c_2f取2.5。

上述加速因子的更新公式表示第一加速因子从初始化值2.49线性减小到第一加速因子的预设阈值c^1f，第二加速因子从初始化值0.51线性增加到第二加速因子的预设阈值c_2f，第一加速因子以及第二加速因子是根据迭代次数的变化不断变化的。

对粒子的速度和位置进行更新后，判断所有粒子的全局最优位置对应的适应度是否小于预设值或迭代次数是否大于最大迭代次数，当所有粒子的全局最优位置对应的适应度小于预设值的粒子或者迭代次数大于最大迭代次数时，将所有粒子的全局最优位置中的正规化参数以及核函数参数作为正规化参数以及核函数参数的最优解，当所有粒子的全局最优位置对应的适应度不小于预设值且迭代次数不大于最大迭代次数时，将迭代次数加1，并返回根据电力设备使用时间，利用各最小二乘支持向量机预测模型进行故障率预测的步骤。在本实施例中，预设值设为0.001。

3)根据正规化参数以及核函数参数的最优解，确定最优最小二乘支持向量机预测模型后，验证最优最小二乘支持向量机预测模型的准确性。

即在获得最优最小二乘支持向量机预测模型后，可根据电力设备在预设测试时间内的历史相关数据以及最优最小二乘支持向量机预测模型，预测电力设备在预设测试时间内的故障率，将电力设备在预设测试时间内的预测故障率与电力设备在预设测试时间内实际故障率进行对比，获取最优最小二乘支持向量机预测模型的误差率，根据误差率，确定最优最小二乘支持向量机预测模型的准确性。

在实际应用中，同种算法在对同一数据进行多次计算时，得出的最佳参数和计算结果不尽相同。这种现象在理论上可以解释为，启发式优化算法大量使用随机操作，每次的迭代过程和迭代结果可能是不同的。本实例为了考察算法的稳定性和局部收敛能力，运行算法50次，对同一数据进行多次寻优，以此考察算法性能。

根据电力设备在预设测试时间内的历史相关数据，利用最优最小二乘支持向量机的预测模型进行预测输出，计算三种误差率，分别为平均相对百分比误差、均方根误差以及相对百分比误差，根据对预测结果做误差分析，判断算法的优越性以及可实施性。其中，平均相对百分比误差、均方根误差以及相对百分比误差的计算公式分别为：

式中，为根据第i个电力设备在预设测试时间内的使用时间以及最优最小二乘支持向量机预测模型，预测的第i个电力设备的故障率，y_i为第i个电力设备在预设测试时间内的真实故障率，N表示预测电力设备的个数。

如图5所示，预设值取0.001，最大迭代次数为200，利用本实施的电力设备故障率预测方法进行最优最小二乘支持向量机预测模型确定时的迭代次数与适应度之间的关系，所有粒子的全局最优位置对应的正规化参数C为0.1，对应的核函数参数σ为26.5298，误差率为0.021549，迭代次数为2时，对应的最佳适应度为0.02159，最佳适应度即是所有粒子的全局最优位置对应的适应度，在迭代101次后，适应度小于0.001，终止迭代。

请参阅图6，本发明还提供一种实施方式的电力设备故障率确定系统，包括：

构建模块100，用于根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型。

根据该最小二乘支持向量机预测模型以及输入，可进行输出预测。其中，建立的最小二乘支持向量机预测模型中包括正规化参数以及核函数参数，正规化参数以及核函数参数很大程度上决定了最小二乘支持向量机预测模型的性能，从而在后续需要对正规化参数以及核函数参数进行寻优，从而确保得到较优的最小二乘支持向量机预测模型，使通过最小二乘支持向量机预测模型对电力设备故障率进行预测时，提高准确性。

第一获取模块200，用于获取电力设备的预设时间内历史相关数据。

其中，电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率。

获得的历史相关数据中的电力设备故障率是事先已知的，用作训练最小二乘支持向量机预测模型时的实际输出，即对于某一台电力设备故障率，通过统计与该电力设备同一批次同型号且运行环境类似的电力设备的总台数以及与该电力设备同一批次同型号且运行环境类似的电力设备中出现故障的台数获得，通过出现故障的台数除以总台数确定该电力设备故障率。与该电力设备同一批次的这些电力设备的使用时间是相同的，且均与该电力设备的使用时间相同，通过这些电力设备在某个时间段出现的概率作为该电力设备在该时间段的故障率。后续将电力设备使用时间输入至最小二乘支持向量机预测模型，通过最小二乘支持向量机预测模型进行预测输出，根据预测输出与实际输出的误差，为确定最优的最小二乘支持向量机预测模型提供数据依据。

在本实施例中，电力设备为继电保护设备，电力设备的历史相关数据选取某一地区的相同型号且运行环境相同的24台继电保护设备当前时间之前第2年至第7年时间内的使用时间以及对应的故障率，即选取历史相关数据作为训练样本，将24台继电保护设备当前之前第1年时间内的使用时间以及对应的故障率作为后续测试用的测试样本，样本数据均在每年的同一时间进行采样的，电力设备每一年对应的使用时间不同。

第一确定模块300，用于根据电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定正规化参数以及核函数参数的最优解，以确定最优最小二乘支持向量机预测模型。

其中，高斯扰动因子通过预设的高斯函数产生。正规化参数以及核函数参数对最小二乘支持向量机的预测结果影响较大，从而寻找最优的正规化参数以及核函数参数是非常必要的，通过标准粒子群算法寻找正规化参数以及核函数参数的最优解时，具有相当快的逼近最优解的速度，并通过标准粒子群算法对粒子的速度进行更新时，加入高斯扰动因子，获得较优的粒子更新方式，避免最优解陷入局部最优。根据正规化参数以及核函数参数的最优解，确定最优最小二乘支持向量机预测模型。通过标准粒子群算法寻找正规化参数以及核函数参数的最优解时，正规化参数以及核函数参数的可能解即是标准粒子群算法中的粒子，找到的粒子的最优位置即是正规化参数以及核函数参数的最优解。

第二获取模块400，用于获取电力设备的待预测使用时间段。

第二确定模块500，用于根据电力设备的待预测使用时间段以及最优最小二乘支持向量机预测模型，确定电力设备与待预测使用时间段对应的故障率。

在获得最优最小二乘支持向量机预测模型后，根据电力设备的待预测使用时间段，利用该最优最小二乘支持向量机预测模型进行输出预测，从而获得电力设备在待预测使用时间段内的故障率。电力设备的待预测使用时间段是指电力设备已使用时间加上预设时间，表示想要对电力设备再运行该预设时间后的故障率进行预测，例如，电力设备已使用了6年，在这6年里的故障率均可知，现想获得下一年该电力设备的故障率，则预设时间为1年，此时，待预测使用时间段为7年。若想预测电力设备运行8年对应的故障率，则预设时为2年。

上述电力设备故障率确定系统，利用标准粒子群算法确定最小二乘机支持向量机预测模型的正规化参数以及核函数参数的最优解时，加入高斯扰动因子，即通过标准粒子群算法对粒子的速度进行更新时，还加入了高斯扰动因子，获得粒子的速度更优的更新方式，从而使得正规化参数以及核函数参数具有更优的更新方式，防止在寻找正规化参数以及核函数参数最优解时陷入局部最优，可获得较优的最小二乘机支持向量机预测模型对电力设备故障率进行预测，提高预测准确性。

在其中一个实施例中，第一确定模块300包括：

初始化单元310，用于初始化标准粒子群算法中粒子数量、迭代次数以及最大迭代次数，将正规化参数以及核函数参数作为标准粒子群算法中粒子的位置，初始化每个粒子的位置、速度以及加速因子。

其中，单个粒子对应单个最小二乘支持向量机预测模型。首先初始化迭代次数为1，即从第1次迭代开始。在本实施例中，粒子数量为20个，最大迭代次数为200次。每个粒子包括粒子的位置和粒子的速度，粒子的位置是根据粒子的速度进行更新的，且每个粒子具有对应的加速因子，且加速因子根据迭代次数是变化的。首先，对每个粒子的位置、速度以及加速因子进行初始化，为后续提供数据依据。

预测单元320，用于根据电力设备使用时间，利用各最小二乘支持向量机预测模型进行故障率预测。

获取的电力设备的历史相关数据中包括了电力设备使用时间和电力设备故障率，对电力设备使用时间进行归一化处理，将归一化处理后的电力设备使用时间输入至各最小二乘支持向量机预测模型进行故障率预测。

第一确定单元330，用于根据各最小二乘支持向量机预测模型的预测结果与电力设备故障率之间的误差的平方和的平均值，确定各粒子的适应度，并根据各粒子的适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置。

根据电力设备使用时间，利用最小二乘支持向量机预测模型进行预测时，最小二乘支持向量机预测模型的预测结果与电力设备故障率之间存在误差，由于电力设备样本数可能有多个，每个电力设备对应有一个预测结果，从而在进行预测时，每个电力设备样本对应一个误差，将最小二乘支持向量机预测模型针对每个电力设备使用时间的预测结果与电力设备故障率之间的误差的平方和的平均值作为对应粒子的适应度，从而可确定各粒子的适应度，并根据各粒子的适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置。

产生单元340，用于根据各粒子的个体最优位置，通过预设的高斯函数产生各粒子对应的高斯扰动因子。

根据粒子的个体最优位置，设置预设的高斯函数的方差，预设的高斯函数的均值设为0，预设的高斯函数的自变量采用0-1之间的随机数，预设的高斯函数中的均值、方差以及自变量确定，从而可获得对应的函数值，即为高斯扰动因子。

计算单元350，用于计算各粒子的惯性权重。

惯性权重主要是为了平衡粒子全局和局部的搜索能力，惯性权重比较大时，有比较强的全局搜索能力，惯性权重比较小时，有较强的局部搜索能力。

更新单元360，用于根据各粒子的惯性权重、各粒子的加速因子、各粒子的高斯扰动因子、各粒子的个体最优位置以及所有粒子的全局最优位置，对各粒子的位置以及速度进行更新，以更新各最小二乘支持向量机预测模型，并更新各粒子的加速因子。

对各粒子的位置以及速度进行更新，即对正规化参数以及核函数参数进行了更新，从而更新了最小二乘支持向量机预测模型。在进行正规化参数以及核函数参数寻优过程中，标准粒子群算法中粒子的加速因子不是固定不变的，会根据迭代次数不断更新，在迭代初期，迭代次数较小，确保在局部范围内寻优，有利于算法的收敛，随着迭代次数的不断增大，加速因子随之改变，有利于跳出局部寻优，便于全局最优搜索，且能提高寻优的效率。

第二确定单元370，用于当所有粒子的全局最优位置对应的适应度不小于预设值且迭代次数不大于最大迭代次数时，将迭代次数加1，并返回预测模块继续进行故障率预测，当所有粒子的全局最优位置对应的适应度小于预设值或者迭代次数大于最大迭代次数时，将所有粒子的全局最优位置作为正规化参数以及核函数参数的最优解。

在所有粒子中找到有粒子的适应度是小于预设值，表示该粒子对应的最小二乘支持向量机预测模型的预测误差和的平均值在预设范围内，停止迭代，该粒子的位置中的正规化参数以及核函数参数即为正规化参数以及核函数参数的最优解。

在所有粒子中还没有找到有粒子的适应度是小于预设值，表示各粒子对应的各最小二乘支持向量机预测模型的预测误差和的平均值不再在预设范围内，继续迭代，直到所有粒子的全局最优位置对应的适应度小于预设值或迭代次数不大于最大迭代次数。

在其中一个实施例中，第一确定单元330包括：

第三确定单元331，用于根据各最小二乘支持向量机预测模型的预测结果与电力设备故障率的误差的平方和的平均值，确定各粒子的适应度。

第四确定单元332，用于当粒子的适应度小于粒子已确定的个体最优位置对应的适应度时，将粒子的位置更新为粒子的个体最优位置，以确定各粒子的个体最优位置。

当为第1次迭代时，无需比较适应度大小，将粒子的位置作为粒子的个体最优位置，以确定各粒子在第1次迭代时的个体最优位置。

获取单元333，用于根据各粒子的适应度，获取所有粒子中适应度最小的最优粒子。

第五确定模块334，用于当最优粒子的适应度小于已确定的所有粒子的全局最优位置时，将最优粒子的位置更新为所有粒子的全局最优位置，以确定所有粒子的全局最优位置。

当为第1次迭代时，无需比较适应度大小，经所有粒子中适应度最小的最优粒子的位置作为所有粒子的全局最优位置，以确定在第1次迭代时的所有粒子的全局最优位置。

在其中一个实施例中，计算单元350计算各粒子的惯性权重的具体公式为：

通过更新单元360对各粒子的速度进行更新的具体公式为：

v_i(t+1)＝w(t)v_i(t)+c₁(t)r₁[pbest_i(t)+r₁gauss_i(t)-x_i(t)]+c₂(t)r₂[gbest(t)-x_i(t)]；

通过更新单元360对各粒子的位置进行更新的具体公式为：

x_i(t+1)＝x_i(t)+v_i(t+1)；

w(t)为粒子在第t个迭代次数时的惯性权重，w_max为预设的惯性权重最大值，w_min为预设的惯性权重最小值，t_max为最大迭代次数，V_i(t)＝(V_ci(t),V_δi(t))，V_i(t)为第i个粒子在第t个迭代次数时的速度，V_ci(t)为第i个粒子在第t个迭代次数时正规化参数的速度，V_δi(t)为第i个粒子在第t个迭代次数时核函数参数的速度，v_i(t+1)为第i个粒子在第t+1个迭代次数时的速度，x_i(t)＝(C_i(t),σ_i(t))，x_i(t)为第i个粒子在第t个迭代次数时的位置，x_i(t+1)为第i个粒子在第t+1个迭代次数时的位置，C_i(t)为第i个粒子在第t个迭代次数时的正规化参数，σ_i(t)为第i个粒子在第t个迭代次数时的核函数参数，r₁以及r₂分别为0到1之间的随机数，c₁(t)为粒子在第t个迭代次数时的第一加速因子，c₂(t)为粒子在第t个迭代次数时的第二加速因子，pbest_i(t)为第i个粒子在第t个迭代次数时的个体最优位置，gbest(t)为在第t个迭代次数时的所有粒子的全局最优位置，gauss_i(t)为第i个粒子在第t个迭代次数时产生的高斯扰动因子。

更新单元360通过上述公式对粒子的速度进行更新时，加入了高斯扰动因子，由公式可以看出，高斯扰动因子是加在个体平均最好位置pbest_i(t)，且高斯扰动因子是根据粒子的个体最优位置，通过预设的高斯函数产生的，通过上述公式对粒子的速度进行更新，可以获得粒子的速度更好的更新值，从而获得粒子的位置更好的更新值，得到更好的最小二乘支持向量机预测模型进行预测输出，减少模型预测误差。

在其中一个实施例中，加速因子包括第一加速因子以及第二加速因子，通过更新单元360更新各粒子的第一加速因子的具体公式为：

通过更新单元360更新各粒子的第二加速因子的具体公式为：

式中，c₁(t+1)为粒子在第t+1个迭代次数时的第一加速因子，c₁为第一预设值，c_1f为第一加速因子的预设阈值，c₂(t+1)为粒子在第t+1个迭代次数时的第二加速因子，t_max为最大迭代次数，c₂为第二预设值，c_2f为第二加速因子的预设阈值。在本实施例中，初始化加速因子时，第一加速因子的初始化值取2.49，c₁取2.5，c_1f取0.5，第二加速因子的初始化值取0.51，c₂取0.5，c_2f取2.5。第一加速因子以及第二加速因子的值根据迭代次数的改变是不断改变的。

在其中一个实施例中，上述电力设备故障率确定系统还包括：

验证模块，用于验证最优最小二乘支持向量机预测模型的准确性。

即在获得最优最小二乘支持向量机预测模型后，可根据电力设备在预设测试时间内的历史相关数据以及最优最小二乘支持向量机预测模型，预测电力设备在预设测试时间内的故障率，将电力设备在预设测试时间内的预测故障率与电力设备在预设测试时间内实际故障率进行对比，获取最优最小二乘支持向量机预测模型的误差率，根据误差率，确定最优最小二乘支持向量机预测模型的准确性。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种电力设备故障率确定方法，其特征在于，包括以下步骤：

根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型；

获取电力设备的预设时间内历史相关数据，其中，所述电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率；

根据所述电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定所述正规化参数以及所述核函数参数的最优解，以确定最优最小二乘支持向量机预测模型，其中，所述高斯扰动因子通过预设的高斯函数产生；

获取所述电力设备的待预测使用时间段；

根据所述电力设备的待预测使用时间段以及所述最优最小二乘支持向量机预测模型，确定所述电力设备与所述待预测使用时间段对应的故障率；

所述根据所述电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定所述正规化参数以及所述核函数参数的最优解，以确定最优最小二乘支持向量机预测模型的步骤包括：

初始化所述标准粒子群算法中粒子数量、迭代次数以及最大迭代次数，将所述正规化参数以及所述核函数参数作为所述标准粒子群算法中所述粒子的位置，初始化每个所述粒子的位置、速度以及加速因子，其中，单个粒子对应单个最小二乘支持向量机预测模型；

根据所述电力设备使用时间，利用各所述最小二乘支持向量机预测模型进行故障率预测；

根据各所述最小二乘支持向量机预测模型的预测结果与所述电力设备故障率之间的误差的平方和的平均值，确定各粒子的适应度，并根据各粒子的所述适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置；

根据各粒子的所述个体最优位置，通过所述预设的高斯函数产生各粒子对应的高斯扰动因子；

计算各粒子的惯性权重；

根据各粒子的所述惯性权重、各粒子的所述加速因子、各粒子的所述高斯扰动因子、各粒子的所述个体最优位置以及所述所有粒子的全局最优位置，对各粒子的位置以及速度进行更新，以更新各所述最小二乘支持向量机预测模型，并更新各粒子的所述加速因子；

当所述所有粒子的全局最优位置对应的适应度不小于预设值且所述迭代次数不大于所述最大迭代次数时，将所述迭代次数加1，并返回所述根据所述电力设备使用时间，利用各所述最小二乘支持向量机预测模型进行故障率预测的步骤；

当所述所有粒子的全局最优位置对应的适应度小于预设值或者所述迭代次数大于所述最大迭代次数时，将所述所有粒子的全局最优位置作为所述正规化参数以及所述核函数参数的最优解。

2.根据权利要求1所述的电力设备故障率确定方法，其特征在于，所述根据各所述最小二乘支持向量机预测模型的预测结果与所述电力设备故障率之间的误差的平方和的平均值，确定各粒子的适应度，并根据各粒子的所述适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置的步骤包括：

根据各所述最小二乘支持向量机预测模型的预测结果与所述电力设备故障率的误差的平方和的平均值，确定各粒子的适应度；

当粒子的所述适应度小于所述粒子已确定的个体最优位置对应的适应度时，将所述粒子的位置更新为所述粒子的个体最优位置，以确定各粒子的个体最优位置；

根据各粒子的适应度，获取所有粒子中适应度最小的最优粒子；

当所述最优粒子的适应度小于已确定的所有粒子的全局最优位置时，将所述最优粒子的位置更新为所述所有粒子的全局最优位置，以确定所有粒子的全局最优位置。

3.根据权利要求1所述的电力设备故障率确定方法，其特征在于，计算各粒子的惯性权重的具体公式为：

$w\left(t\right)=w_{max}-\frac{t\×(w_{\max }-w_{\min })}{t_{\max }};$

各粒子的速度更新公式具体为：

v_i(t+1)＝w(t)v_i(t)+c₁(t)r₁[pbest_i(t)+r₁gauss_i(t)-x_i(t)]+c₂(t)r₂[gbest(t)-x_i(t)]；

各粒子的位置更新公式具体为：

x_i(t+1)＝x_i(t)+v_i(t+1)；

所述w(t)为粒子在第t个迭代次数时的惯性权重，所述w_max为预设的惯性权重最大值，所述w_min为预设的惯性权重最小值，所述t_max为所述最大迭代次数，V_i(t)＝(V_ci(t),V_δi(t))，所述V_i(t)为第i个粒子在第t个迭代次数时的速度，所述V_ci(t)为第i个粒子在第t个迭代次数时正规化参数的速度，所述V_δi(t)为第i个粒子在第t个迭代次数时核函数参数的速度，所述v_i(t+1)为第i个粒子在第t+1个迭代次数时的速度，x_i(t)＝(C_i(t),σ_i(t))，所述x_i(t)为第i个粒子在第t个迭代次数时的位置，所述x_i(t+1)为第i个粒子在第t+1个迭代次数时的位置，所述C_i(t)为第i个粒子在第t个迭代次数时的正规化参数，所述σ_i(t)为第i个粒子在第t个迭代次数时的核函数参数，所述r₁以及所述r₂分别为0到1之间的随机数，所述c₁(t)为粒子在第t个迭代次数时的第一加速因子，所述c₂(t)为粒子在第t个迭代次数时的第二加速因子，所述pbest_i(t)为第i个粒子在第t个迭代次数时的个体最优位置，所述gbest(t)为在第t个迭代次数时的所有粒子的全局最优位置，所述gauss_i(t)为第i个粒子在第t个迭代次数时产生的高斯扰动因子。

4.根据权利要求1所述的电力设备故障率确定方法，其特征在于，所述加速因子包括第一加速因子以及第二加速因子，更新各粒子的所述第一加速因子的具体公式为：

$c_1(t+1)=c_1+(c_{1f}-c_1)\frac{t+1}{t_{max}};$

更新各粒子的所述第二加速因子的具体公式为：

$c_2(t+1)=c_2+(c_{2f}-c_2)\frac{t+1}{t_{max}};$

式中，所述c₁(t+1)为粒子在第t+1个迭代次数时的第一加速因子，所述c₁为第一预设值，所述c_1f为所述第一加速因子的预设阈值，所述c₂(t+1)为粒子在第t+1个迭代次数时的第二加速因子，所述t_max为所述最大迭代次数，所述c₂为第二预设值，所述c_2f为所述第二加速因子的预设阈值。

5.一种电力设备故障率确定系统，其特征在于，包括：

构建模块，用于根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型；

第一获取模块，用于获取电力设备的预设时间内历史相关数据，其中，所述电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率；

第一确定模块，用于根据所述电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定所述正规化参数以及所述核函数参数的最优解，以确定最优最小二乘支持向量机预测模型，其中，所述高斯扰动因子通过预设的高斯函数产生；

第二获取模块，用于获取所述电力设备的待预测使用时间段；

第二确定模块，用于根据所述电力设备的待预测使用时间段以及所述最优最小二乘支持向量机预测模型，确定所述电力设备与所述待预测使用时间段对应的故障率；

所述第一确定模块包括：

初始化单元，用于初始化所述标准粒子群算法中粒子数量、迭代次数以及最大迭代次数，将所述正规化参数以及所述核函数参数作为所述标准粒子群算法中所述粒子的位置，初始化每个所述粒子的位置、速度以及加速因子，其中，单个粒子对应单个最小二乘支持向量机预测模型；

预测单元，用于根据所述电力设备使用时间，利用各所述最小二乘支持向量机预测模型进行故障率预测；

第一确定单元，用于根据各所述最小二乘支持向量机预测模型的预测结果与所述电力设备故障率之间的误差的平方和的平均值，确定各粒子的适应度，并根据各粒子的所述适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置；

产生单元，用于根据各粒子的所述个体最优位置，通过所述预设的高斯函数产生各粒子对应的高斯扰动因子；

计算单元，用于计算各粒子的惯性权重；

更新单元，用于根据各粒子的所述惯性权重、各粒子的所述加速因子、各粒子的所述高斯扰动因子、各粒子的所述个体最优位置以及所述所有粒子的全局最优位置，对各粒子的位置以及速度进行更新，以更新各所述最小二乘支持向量机预测模型，并更新各粒子的所述加速因子；

第二确定单元，用于当所述所有粒子的全局最优位置对应的适应度不小于预设值且所述迭代次数不大于所述最大迭代次数时，将所述迭代次数加1，并返回所述预测单元继续进行故障率预测，当所述所有粒子的全局最优位置对应的适应度小于预设值或者所述迭代次数大于所述最大迭代次数时，将所述所有粒子的全局最优位置作为所述正规化参数以及所述核函数参数的最优解。

6.根据权利要求5所述的电力设备故障率确定系统，其特征在于，所述第一确定单元包括：

第三确定单元，用于根据各所述最小二乘支持向量机预测模型的预测结果与所述电力设备故障率的误差的平方和的平均值，确定各粒子的适应度；

第四确定单元，用于当粒子的所述适应度小于所述粒子已确定的个体最优位置对应的适应度时，将所述粒子的位置更新为所述粒子的个体最优位置，以确定各粒子的个体最优位置；

获取单元，用于根据各粒子的适应度，获取所有粒子中适应度最小的最优粒子；

第五确定模块，用于当所述最优粒子的适应度小于已确定的所有粒子的全局最优位置时，将所述最优粒子的位置更新为所述所有粒子的全局最优位置，以确定所有粒子的全局最优位置。

7.根据权利要求5所述的电力设备故障率确定系统，其特征在于，所述计算单元计算各粒子的惯性权重的具体公式为：

$w\left(t\right)=w_{max}-\frac{t\×(w_{\max }-w_{\min })}{t_{\max }};$

通过所述更新单元对各粒子的速度进行更新的具体公式为：

v_i(t+1)＝w(t)v_i(t)+c₁(t)r₁[pbest_i(t)+r₁gauss_i(t)-x_i(t)]+c₂(t)r₂[gbest(t)-x_i(t)]；

通过所述更新单元对各粒子的位置进行更新的具体公式为：

x_i(t+1)＝x_i(t)+v_i(t+1)；

所述w(t)为粒子在第t个迭代次数时的惯性权重，所述w_max为预设的惯性权重最大值，所述w_min为预设的惯性权重最小值，所述t_max为所述最大迭代次数，V_i(t)＝(V_ci(t),V_δi(t))，所述V_i(t)为第i个粒子在第t个迭代次数时的速度，所述V_ci(t)为第i个粒子在第t个迭代次数时正规化参数的速度，所述V_δi(t)为第i个粒子在第t个迭代次数时核函数参数的速度，所述v_i(t+1)为第i个粒子在第t+1个迭代次数时的速度，x_i(t)＝(C_i(t),σ_i(t))，所述x_i(t)为第i个粒子在第t个迭代次数时的位置，所述x_i(t+1)为第i个粒子在第t+1个迭代次数时的位置，所述C_i(t)为第i个粒子在第t个迭代次数时的正规化参数，所述σ_i(t)为第i个粒子在第t个迭代次数时的核函数参数，所述r₁以及所述r₂分别为0到1之间的随机数，所述c₁(t)为粒子在第t个迭代次数时的第一加速因子，所述c₂(t)为粒子在第t个迭代次数时的第二加速因子，所述pbest_i(t)为第i个粒子在第t个迭代次数时的个体最优位置，所述gbest(t)为在第t个迭代次数时的所有粒子的全局最优位置，所述gauss_i(t)为第i个粒子在第t个迭代次数时产生的高斯扰动因子。

8.根据权利要求5所述的电力设备故障率确定系统，其特征在于，所述加速因子包括第一加速因子以及第二加速因子，通过所述更新单元更新各粒子的所述第一加速因子的具体公式为：

$c_1(t+1)=c_1+(c_{1f}-c_1)\frac{t+1}{t_{max}};$

通过所述更新单元更新各粒子的所述第二加速因子的具体公式为：

$c_2(t+1)=c_2+(c_{2f}-c_2)\frac{t+1}{t_{max}};$

式中，所述c₁(t+1)为粒子在第t+1个迭代次数时的第一加速因子，所述c₁为第一预设值，所述c_1f为所述第一加速因子的预设阈值，所述c₂(t+1)为粒子在第t+1个迭代次数时的第二加速因子，所述t_max为所述最大迭代次数，所述c₂为第二预设值，所述c_2f为所述第二加速因子的预设阈值。