CN106644162A - 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 - Google Patents

Abstract

本发明公开了基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法。该方法首先基于邻域保持嵌入算法局部特征提取的策略，建立以环网柜的柜内温度、湿度、线芯电流、电缆表面温度为输入量，以环网柜内电缆的线芯温度为输出量的回归优化函数，使得输入数据和输出数据在局部特征保留的同时，获取数据间的最大相关关系；然后基于数据的低维潜隐变量获取构建数据回归的输入和输出特征，建立线芯温度的软测量模型。本发明的优点在于：利用数据的局部特征提取方法，将传统邻域保持嵌入算法改进为回归模型，获取环网柜难以测量的关键变量信息。本发明解决了环网柜内线芯温度不易测量的问题，提高了环网柜设备在线监测与故障定位方面的准确性和易操作性。

Description

基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法

技术领域：

本发明属配电网环网柜在线监测技术领域，特别涉及基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法。

背景技术：

由于实际的环境条件、技术困难、分析仪器成本和测量时间延迟限制，配电网环网柜存在很多无法或者难以用传感器直接测量的变量，如环网柜的线芯温度。而这些变量对于监控环网柜的运行状况与实时控制，起着至关重要的作用。线芯温度是监测环网柜运行状况，避免故障和火灾发生的重要参数。虽然该变量能通过在线分析传感器进行测量，但是此类传感器较难在环网柜中进行安装，而且安装后存在隐患，易产生故障。现有的对线芯温度直接测量的传感技术，大都只针对特定的电力系统应用，并未在整个电力系统中普及。因此，电网配电网中的配电网总进线一般采用直接利用传感器测量，而对于备用总进线和多个环网柜系统采用间接的方法进行测量。

软测量是一种通过建立过程变量之间的数学模型，对难以测量或者不能直接测量的重要变量，选择另外一些容易测量的变量，实现利用可测量变量预测难测量变量信息的技术方法。因此，利用软测量技术对环网柜线芯温度进行间接测量，不但经济可靠，而且响应迅速，易于达到在线监测的目的。

在现实的环网柜，由于工况过程经常变化，过程数据往往存在强非线性关系，传统的非线性建模技术如：人工神经网络(ANN)，支持向量回归(SVR)。但上述算法大多是利用数据的全局结构信息，对不同空间位置的数据进行等同处理，同时核函数方法也不能显式考虑过程中的非线性结构。一般情况下，不同的局部区域有不同的特性，因此利用数据局部关系模型更适合于对非线性数据进行特征分析。

本发明提出了基于数据局部特征，利用邻域保持嵌入算法建立回归模型应用于环网柜线芯温度软测量建模。复杂数据的局部特征往往表现为非线性，因此本发明在利用数据局部特征关系模型，实现数据特征提取和维度约简的同时，确立了环网柜监测变量(电缆表面温度、环网柜温度、湿度、线芯电流)和预测变量(线芯温度)间的相关关系。基于该线性回归关系模型，解决了环网柜线芯温度这一关键变量难以测量的问题，进而提高了环网柜设备在线监测与故障定位方面的准确性和易操作性。

发明内容：

本发明的目的在于针对环网柜线芯温度难以测量的问题，提出基于邻域保持嵌入回归建模的软测量方法。

本发明所采用的技术方案是：首先基于邻域保持嵌入算法局部特征提取的策略，建立以环网柜的柜内温度、湿度、线芯电流、电缆表面温度为输入量，以环网柜内电缆的线芯温度为输出量的回归优化函数，使得输入数据和输出数据在局部特征保留的同时，获取数据间的最大相关关系；然后基于数据低维潜变量获取构建数据回归的输入和输出特征，建立线芯温度的软测量模型；基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法具体的特征步骤如下：

步骤1：采集环网柜正常运行的柜内温度、湿度、电缆表面温度和线芯电流测量数据，作为软测量模型输入样本集X∈R^D×n，其中D为测量数据的维度，n为训练数据的样本个数；并把采集的数据存入历史数据库；

步骤2：采集环网柜正常运行的线芯温度测量数据，作为软测量模型输出样本集Y∈Rⁿ，其中n为训练数据的样本个数；并把采集的数据存入历史数据库；

步骤3：对历史数据库中的训练样本数据进行归一化，使得输入输出样本的均值为0，方差为1；并去除野值点和误差较大的点，得到新的数据样本矩阵

步骤4：针对预处理后的输入和输出样本数据，建立基于邻域保持嵌入回归模型，并将回归模型的相应参数存入历史数据库中；

步骤5：针对环网柜新采集的柜内温度、湿度、电缆表面温度和线芯电流的在线测量数据X_new，首先对其进行预处理，结合历史数据库中已有的模型参数对线芯温度的软测量估计值y_new进行估计。

2、根据权利要求1所述的基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法，其特征在于所述步骤4包括以下实现过程：

步骤4.1：将预处理后的输入过程变量作为软测量模型输入，实施NPE运算，实现数据降维，得到低维映射T和投影矩阵A，存入历史数据库；

步骤4.2：将线芯温度数据作为软测量模型输出，实施NPE运算，实现数据降维，得到低维映射U和投影矩阵A′，存入历史数据库；

步骤4.3：分别利用步骤4.1中得到的低维映射T和步骤4.2中得到的低维映射U代替原始输入输出变量，根据T和U的相关度应达到最大值的目标函数，综合步骤4.1和4.2的目标函数，建立线性回归方程，构建输入和输出数据的相关关系；

步骤4.4：根据步骤4.3中建立的线性回归方程得出回归模型参数B，存入历史数据库。

3、根据权利要求1所述的基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法，其特征在于所述步骤5包括以下实现过程：

步骤5.1：对新采集的新数据X_new∈R^D×n进行预处理；

步骤5.2：结合步骤5.1中预处理后的数据和历史数据库中的变换矩阵A进行降维运算，得到低维映射T_new；

步骤5.3：结合步骤5.2中降维后的数据T_new和历史数据库中的回归模型参数B，得到线芯温度估计值的低维映射U_new；

步骤5.4：结合步骤5.3中得到的线芯温度估计值的低维映射U_new和历史数据库中的回归模型参数B与转移矩阵A′，即得到线芯温度的估计值y_new。

本发明的有益效果在于：

本发明提出的基于邻域保持嵌入回归建模，建立了环网柜柜内温度、湿度、电缆表面温度、线芯电流与难以测量的线芯温度变量之间的相关关系，在该模型框架下，通过建立基于数据的软测量模型，实现了环网柜系统中线芯温度的在线估计。解决了环网柜线芯温度这一关键变量难以测量的问题，提高了环网柜设备在线监测与故障定位方面的准确性和易操作性。

附图说明：

图1为本发明方法的流程图。

图2为环网柜线芯温度监测系统结构图。

具体实施方式：

下面结合附图对本发明作进一步的详细说明。

依据图1所示的基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法的流程图、及图2所示的环网柜线芯温度监测系统结构图，实现环网柜线性温度这一难以测量的关键变量的获取。主要过程如下所述：

第一步：通过相关传感器离线采集环网柜的柜内温度、湿度、电缆表面温度和线芯电流这些易测量且与线芯温度密切相关的过程变量的正常运行数据X∈R^D×n作为软测量模型输入样本集，其中D为测量数据的维度，n为训练数据的样本个数，存入历史数据库。

第二步：通过相关传感器离线采集环网柜的线芯温度数据，作为软测量模型输出样本集Y∈Rⁿ，其中n为训练数据的样本个数，存入历史数据库。

第三步：对历史数据库中的输入输出数据进行预处理，得到新的数据集：

在历史数据库中对采集到的数据进行预处理，去除野值点和误差较为明显的数据，并进行归一化处理，进而提高模型的准确性。

第四步：对预处理后的输入数据实施NPE运算，实现数据降维，得到低维映射T和投影矩阵A，存入历史数据库：

针对样本个数为n的D维的输入数据X(x₁,...,x_n)∈R^D×n，基于投影矩阵A(a₁,...,a_D)∈R^D×d和线性变换T_i＝X_iA获取X的低维投影T(T₁,...,T_n)∈R^d×n(i＝1,…,n；d≤D)，其降维目标函数为：

其中，M＝(I-W)^T(I-W)，W由(3)式得到，首先确定每个样本点x_i的由近到远的近邻点这里使用K-近邻法(K-nearest neighbors,K-NN)为每个样本选取离其欧氏距离最近的k个样本作为其近邻点。通过建立数据的部协方差矩阵局部最优化权重矩阵W∈R^n×n如下所示：

其中，x_ij(j＝1,2,...,k)为x_i的k个近邻点，为x_i和x_ij之间的权重值，且满足每个数据点仅由其最近邻点重构，当x_j不在x_i的邻域时，W_ij＝0。

结合(1)(2)(3)式，求解如下的特征值分解问题即得到输入数据的低维映射T和投影矩阵A，存入历史数据库

XMX^Ta＝λXX^Ta (4)

A＝[a₁,a₂,...,a_d] (5)

其中，a为邻域保持嵌入算法的投影向量。求解上式的广义特征值问题，其最小的d个特征值λ₁≤λ₂,...,≤λ_d所对应的特征向量即组成投影矩阵A＝(a₁,a₂,...,a_d)。

第五步：对预处理后的输出数据实施NPE运算，实现数据降维，得到低维映射U和投影矩阵A′，存入历史数据库：

针对样本数为n的m维输出数据Y_i∈R^m×n，其降维目标函数为：

其中M′＝(I-W′)^T(I-W′)，U_i＝Y_iA′。将(2)式中的输入数据X替换为输出数据Y即得到W′。

由(7)式得到输出数据的低维映射U和A′，存入历史数据库。

第六步：利用输入输出数据的投影向量T和U构建回归模型：

分别利用第四步中得到的低维映射T和第五步中得到的低维映射U代替原始输入输出变量。由于回归建模的需要，要求T对U有最大的解释能力，由典型相关分析的思路，T与U的相关度应达到最大值，即r(U，T)→MAX

同时整合(1)式和(7)式的目标函数，加入投影约束条件T^TT＝1，U^TU＝1，获取最终的多目标优化函数为：

根据目标函数求出输入数据和输出数据的低维投影T和U建立线性回归方程U＝TB+E，并由此建立优化目标函数：

其中，B∈R^d×m为回归模型参数，E是残差矩阵，使得公式(10)的重构误差最小化。式(10)的最优值的求解转化为其对B的偏导为0，则得到B的方程式为：

B＝(TT^T)^-1TU (11)

由(11)式即得到回归模型参数B，存入历史数据库。

第七步：对新采集的在线数据X_new∈R^D×n进行第三步所示的预处理，得到新的数据集首先，基于获得的低维投影；接着，根据历史数据库中的B值，以及关系式U_new＝T_newB，得到U_new。进一步利用U_new＝Y_iA′，最小化公式min||U_new-Y_iA′||²，参考式(10)的优化目标求解，得到线芯温度估计值和A′关系为：y_new＝(A′A′T)^-1A′U。基于此，线芯温度软测量估计输出y_new，最后描述为：

y_new＝(A′A′^T)-¹A′u_new＝(A′A′^T)^-1A′T_newB＝(A′A′^T)^-1A′x_newAB (12)。

实际应用表明：本方法不仅解决了环网柜内线芯温度不易测量的问题，还提高了环网柜设备在线监测与故障定位方面的准确性和易操作性。

Claims (3)

1.基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法，其特征在于：首先基于邻域保持嵌入算法局部特征提取的策略，建立以环网柜的柜内温度、湿度、线芯电流、电缆表面温度为输入量，以环网柜内电缆的线芯温度为输出量的回归优化函数，使得输入数据和输出数据在局部特征保留的同时，获取数据间的最大相关关系；然后基于数据低维潜变量获取构建数据回归的输入和输出特征，建立线芯温度的软测量模型；基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法具体的特征步骤如下：

步骤1：采集环网柜正常运行的柜内温度、湿度、电缆表面温度和线芯电流测量数据，作为软测量模型输入样本集X∈R^D×n，其中D为测量数据的维度，n为训练数据的样本个数；并把采集的数据存入历史数据库；

步骤2：采集环网柜正常运行的线芯温度测量数据，作为软测量模型输出样本集Y∈Rⁿ，其中n为训练数据的样本个数；并把采集的数据存入历史数据库；

步骤3：对历史数据库中的训练样本数据进行归一化，使得输入输出样本的均值为0，方差为1；并去除野值点和误差较大的点，得到新的数据样本矩阵

步骤4：针对预处理后的输入和输出样本数据，建立基于邻域保持嵌入回归模型，并将回归模型的相应参数存入历史数据库中；

步骤5：针对环网柜新采集的柜内温度、湿度、电缆表面温度和线芯电流的在线测量数据X_new，首先对其进行预处理，结合历史数据库中已有的模型参数对线芯温度的软测量估计值y_new进行估计。

2.根据权利要求1所述的基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法，其特征在于所述步骤4包括以下实现过程：

步骤4.1：将预处理后的输入过程变量作为软测量模型输入，实施NPE运算，实现数据降维，得到低维映射T和投影矩阵A，存入历史数据库；

步骤4.2：将线芯温度数据作为软测量模型输出，实施NPE运算，实现数据降维，得到低维映射U和投影矩阵A′，存入历史数据库；

步骤4.3：分别利用步骤4.1中得到的低维映射T和步骤4.2中得到的低维映射U代替原始输入输出变量，根据T和U的相关度应达到最大值的目标函数，综合步骤4.1和4.2的目标函数，建立线性回归方程，构建输入和输出数据的相关关系；

步骤4.4：根据步骤4.3中建立的线性回归方程得出回归模型参数B，存入历史数据库。

3.根据权利要求1所述的基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法，其特征在于所述步骤5包括以下实现过程：

步骤5.1：对新采集的新数据X_new∈R^D×n进行预处理；

步骤5.2：结合步骤5.1中预处理后的数据和历史数据库中的变换矩阵A进行降维运算，得到低维映射T_new；

步骤5.3：结合步骤5.2中降维后的数据T_new和历史数据库中的回归模型参数B，得到线芯温度估计值的低维映射U_new；

步骤5.4：结合步骤5.3中得到的线芯温度估计值的低维映射U_new和历史数据库中的回归模型参数B与转移矩阵A′，即得到线芯温度的估计值y_new。