CN108197396A - 一种基于pso-svm的高压隔离开关过热状态预测方法 - Google Patents

Abstract

本发明涉及一种基于PSO‑SVM的高压隔离开关过热状态预测方法，考虑了影响隔离开关发热的多个因素，即负荷电流、额定电流、环境温度、污秽等级、最近检修年限、隔离开关运行状态，采用粒子群优化支持向量机人工智能算法，建立高压隔离开关过热状态预测模型。应用时，将高压隔离开关的运行时的原始数据或测试样本输入建立的预测模型中，进行隔离开关状态预测，即可实现对高压隔离开关发热状态的准确预测，对隔离开关的运行状态及时采取针对性检修策略，减少停电事故的发生。

Description

一种基于PSO-SVM的高压隔离开关过热状态预测方法

技术领域

本发明涉及电力工程领域，更具体地说，涉及一种基于PSO-SVM的高压隔离开关过热状态预测方法。

背景技术

高压隔离开关是变电站、输、配电线路中与断路器相配合使用的一种重要设备，其运行质量和电力系统的安全稳定有密切关系。隔离开关在长期的运行中，由于外部环境、机械磨损、燃弧烧蚀和接触不良等问题，其过热缺陷时常发生。在运行现场中，高压隔离开关大多没有温度监控设备对其运行温度进行监测，

通常是通过运维巡视人员在定期巡视时，采用红外测温检测隔离开关的运行温度，这对于巡视周期较长的隔离开关，就容易出现过热缺陷发现不及时，无法及时对发热缺陷采取针对性的检修策略，影响供电可靠性和经济性，甚至引发停电事故。因此，建立隔离开关过热状态的预测模型，对隔离开关过热进行可靠预警，及时掌握隔离开关的运行发热状况，具有重大的实际应用价值。

现有技术中，人工智能算法被广泛应用到电力系统的故障诊断中，例如最常见的神经网络算法，该算法具有强大的自学习能力，可以模拟任意的非线性关系，实现对故障的诊断与分类。但是神经网络算法推广能力不足，在实际工程中学习样本不完备时难以得到准确的诊断结果。

目前，公开发表的文献及专利申请中，尚未有基于粒子群优化支持向量机的高压隔离开关过热状态预测方法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种能够实现对高压隔离开关发热状态的准确预测，对隔离开关的运行状态及时采取针对性检修策略，减少停电事故发生的基于PSO-SVM的高压隔离开关过热状态预测方法。

本发明的技术方案如下：

一种基于PSO-SVM的高压隔离开关过热状态预测方法，步骤如下：

1)获取原始数据，组成基于粒子群优化的支持向量机的高压隔离开关过热状态预测的训练集，原始数据包括负荷电流、额定电流、环境温度、污秽等级、最近检修年限、隔离开关运行状态；

2)利用训练集建立支持向量机的高压隔离开关过热状态预测模型；

3)采用粒子群算法，计算步骤2)得到的支持向量机的高压隔离开关过热状态预测模型的核函数参数δ和惩罚参数C，得到基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型；

4)将高压隔离开关的运行时的原始数据或测试样本输入步骤3)得到的基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型中，进行隔离开关状态预测。

作为优选，步骤1)中，原始数据在组成训练集之前，先进行如下预处理：

1.1)采用负荷电流率表征负载率大小对高压隔离开关发热状态的影响，如下：

分别用0和1表示隔离开关的运行状态为正常和过热；

定义污秽等级，并以数字化表示污秽等级；

1.2)对原始数据进行归一化处理，如下：

其中，x_max,x_min分别为数据中的最大值和最小值；

归一化后得到训练集Rⁿ＝{(x₁,y₁),(x₂,y₂),…(x_l,y_l)}；其中，

x＝[负荷电流率，污秽等级，环境温度，最近检修年限]；

y＝[运行状态]，

作为优选，步骤2)中，支持向量机的高压隔离开关过热状态预测模型具体实现方法如下：

对于给定训练集Rⁿ＝{(x₁,y₁),(x₂,y₂),…(x_l,y_l)}，当y∈Rⁿ时，在原始样本空间寻找一线性拟合函数y(x)＝w·x+b，使得间隔最大化，且拟合误差最小化，将y(x)＝w·x+b的求解转化为求解如下公式：

其中，b为常数，w为权值向量，w^Tw用于控制模型的复杂度，C为惩罚参数，用于控制对超出误差样本的惩罚程度，ε为不敏感损失参数，L_ε＝max{0,|y(x_i)-y|-ε}，为ε不灵敏损失函数，即当实际值y_i与预测值y(x_i)之差不超过预设给定的ε时，则认为预测值y(x_i)是无损失的。

作为优选，引入两个非负值松弛变量ξ_i和ξ_i*，使则求解等价于求解如下公式的约束优化：

引入两个拉格朗日乘子a_i和转化为的对偶问题，具体如下：

求解得到拟合函数为：

作为优选，对于非线性回归，采用径向基核函数，公式如下：

其中，δ为核参数，通过非线性变换将输入向量映射到高维特征空间，在高维特征空间构造线性回归函数，则原始样本空间的非线性拟合函数为：

作为优选，步骤3)中，采用粒子群算法，假设在一个D维解空间随机产生m个粒子，则第i个粒子的位置向量X_i＝(x_i1,x_i2,...,x_iD)，速度向量V_i＝(v_i1,v_i2,...,v_iD)；

优化函数的适应值，评价粒子所处位置的优劣，在每一次迭代中，粒子通过跟踪个体极值P_best、全局极值G_best更新飞行速度：

V_i+1＝wV_i+c₁r₁(P_best-X_i)+c₂r₂(G_best-X_i)；

其中，V_i和V_i+1分别为当前粒子的飞行速度和更新后的粒子的飞行速度；X_i为当前粒子所处的空间位置；w为惯性权重；个体极值P_best为当前粒子经历过的最好位置，即最好的适应值，全局极值G_best为群体中所有粒子经历过的最好位置；c₁和c₂为加速常数；r₁和r₂为范围在[0,1]内变化的随机数；

在下一次的迭代中，每个粒子的位置通过当前位置后的飞行速度和更新后的飞行速度进行修改：

X_i+1＝X_i+V_i；

其中，X_i+1为更新后的粒子位置。

作为优选，步骤3)中，基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型的优化步骤如下：

3.1)随机初始化粒子群中粒子的位置与飞行速度，粒子的位置表示参数{C,δ}的当前取值；

3.2)根据当前的{C,δ}训练支持向量机的高压隔离开关过热状态预测模型，计算当前每个粒子的适应值，公式如下：

其中，C_low、C_up为惩罚因子C设定的最小值及最大值，δ_low、δ_up为核参数δ设定的最小值及最大值；

将得到的个体极值P_best对应的个体设置为具有最小适应值粒子的个体，将全局极值G_best设置为粒子群体中最佳粒子的位置；

3.3)判断算法收敛准则是否满足，如果满足，进入步骤3.5)，否则，进行步骤3.4)；

3.4)更新粒子群中的所有粒子的飞行速度与位置，返回步骤4.2)；

3.5)输出全局极值G_best，得到最优的参数{C,δ}。

作为优选，迭代中止条件为粒子群搜索到的最优位置满足预设的最小适应阈值。

作为优选，预设的最小适应阈值为：f(C,δ)<2％)或最大迭代次数T_max＝100。

本发明的有益效果如下：

本发明所述的基于PSO-SVM的高压隔离开关过热状态预测方法，考虑了影响隔离开关发热的多个因素，即负荷电流、额定电流、环境温度、污秽等级、最近检修年限、隔离开关运行状态，采用粒子群优化支持向量机人工智能算法，建立高压隔离开关过热状态预测模型。应用时，将高压隔离开关的运行时的原始数据或测试样本输入建立的预测模型中，进行隔离开关状态预测，即可实现对高压隔离开关发热状态的准确预测，对隔离开关的运行状态及时采取针对性检修策略，减少停电事故的发生。

附图说明

图1是本发明的流程示意图。

具体实施方式

以下结合附图及实施例对本发明进行进一步的详细说明。

本发明为了实现对高压隔离开关发热状态的准确预测，对隔离开关的运行状态及时采取针对性检修策略，减少停电事故的发生，提供一种基于PSO-SVM的高压隔离开关过热状态预测方法，考虑了影响隔离开关发热的多个因素，采用粒子群优化支持向量机人工智能算法，建立高压隔离开关过热状态预测模型，通过建立的预测模型进行预测。

支持向量机SVM(Support Vector Machine)是基于结构风险最小化原则为理论基础建立的机器学习算法，适用于小样本情况，用于故障诊断具有很好的分类准确率。相比神经网络算法，支持向量机有效的解决小样本、非线性、高维度和局部极小值等问题。支持向量机最核心的问题是核函数及其参数的选择，一般是根据经验在大范围内搜索或验证的方法进行寻优。

粒子群算法PSO(Particle Swarm Optimization)具有不容易陷入局部最小，算法简单，寻优速度快的优势，可采用PSO算法来对支持向量机核函数参数进行寻优，提高支持向量机预测模型的识别能力和分类准确率。

本发明所述的方法，如图1所示，具体步骤如下：

1)获取原始数据，组成基于粒子群优化的支持向量机的高压隔离开关过热状态预测的训练集，原始数据包括负荷电流、额定电流、环境温度、污秽等级、最近检修年限、隔离开关运行状态；

2)利用训练集建立支持向量机的高压隔离开关过热状态预测模型；

3)采用粒子群算法，计算步骤2)得到的支持向量机的高压隔离开关过热状态预测模型的核函数参数δ和惩罚参数C，得到基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型；

4)将高压隔离开关的运行时的原始数据或测试样本输入步骤3)得到的基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型中，进行隔离开关状态预测。

步骤1)中，原始数据在组成训练集之前，先进行如下预处理：

1.1)采用负荷电流率表征负载率大小对高压隔离开关发热状态的影响，如下：

分别用0和1表示隔离开关的运行状态为正常和过热。

定义污秽等级，并以数字化表示污秽等级；具体实施时，可将污秽等级从低到高的定义为:a、b、c、d和e五个污秽等级，对污秽等级进行数字化处理，即a＝1、b＝2、c＝3、d＝4和e＝5。

通常情况下，高压隔离开关的检修周期是5年，即距离最近一次检修的年限范围为1～5。

环境温度为隔离开关运行时所处环境的温度，其最大值取40度，最小取-10度。

1.2)对原始数据进行归一化处理，如下：

其中，x_max,x_min分别为数据中的最大值和最小值；

归一化后得到训练集Rⁿ＝{(x₁,y₁),(x₂,y₂),…(x_l,y_l)}；其中，

x＝[负荷电流率，污秽等级，环境温度，最近检修年限]；

y＝[运行状态]，

步骤2)中，支持向量机的高压隔离开关过热状态预测模型具体实现方法如下：

对于给定训练集Rⁿ＝{(x₁,y₁),(x₂,y₂),…(x_l,y_l)}，当y∈Rⁿ时，在原始样本空间寻找一线性拟合函数y(x)＝w·x+b，使得间隔最大化，且拟合误差最小化，此问题可转化为求解下列优化问题，即，将y(x)＝w·x+b的求解转化为求解如下公式：

其中，b为常数，w为权值向量，w^Tw用于控制模型的复杂度，C为惩罚参数，用于控制对超出误差样本的惩罚程度，ε为不敏感损失参数，L_ε＝max{0,|y(x_i)-y|-ε}，为ε不灵敏损失函数，即当实际值y_i与预测值y(x_i)之差不超过预设给定的ε时，则认为预测值y(x_i)是无损失的。

进一步地，引入两个非负值松弛变量ξ_i和ξ_i*，使则求解

等价于求解如下公式的约束优化：

为凸二次规划问题，引入两个拉格朗日乘子a_i和转化为的对偶问题，具体如下：

求解得到拟合函数为：

对于非线性回归，采用径向基核函数，公式如下：

其中，δ为核参数。

通过非线性变换将输入向量映射到高维特征空间，在高维特征空间构造线性回归函数，这样原始样本空间中非线性回归问题转化为高维特征空间中的线性回归问题，则原始样本空间的非线性拟合函数为：

步骤3)中，采用粒子群算法，粒子群算法PSO(Particle Swarm Optimization)在解空间中随机产生一定数目的粒子并赋予每个粒子一个随机速度，每个粒子都有一个被优化函数决定的适应值(fitness value)，粒子的位置代表被优化问题在搜索空间中的潜在解；粒子在空间中根据它本身的飞行经验以及其他的飞行经验不断调整自己的飞行速度，从而调整它本身所处的位子，粒子们追随当前的最佳粒子在解空间中搜索。

假设在一个D维解空间随机产生m个粒子，则第i个粒子的位置向量X_i＝(x_i1,x_i2,...,x_iD)，速度向量V_i＝(v_i1,v_i2,...,v_iD)；

优化函数的适应值，评价粒子所处位置的优劣，在每一次迭代中，粒子通过跟踪个体极值P_best、全局极值G_best更新飞行速度：

V_i+1＝wV_i+c₁r₁(P_best-X_i)+c₂r₂(G_best-X_i)；

其中，V_i和V_i+1分别为当前粒子的飞行速度和更新后的粒子的飞行速度；X_i为当前粒子所处的空间位置；w为惯性权重；个体极值P_best为当前粒子经历过的最好位置，即最好的适应值，全局极值G_best为群体中所有粒子经历过的最好位置；c₁和c₂为加速常数；r₁和r₂为范围在[0,1]内变化的随机数；

在下一次的迭代中，每个粒子的位置通过当前位置后的飞行速度和更新后的飞行速度进行修改：

X_i+1＝X_i+V_i；

其中，X_i+1为更新后的粒子位置。

步骤3)中，基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型的优化步骤如下：

3.1)随机初始化粒子群中粒子的位置与飞行速度，粒子的位置表示参数{C,δ}的当前取值；

3.2)根据当前的{C,δ}训练支持向量机的高压隔离开关过热状态预测模型，计算当前每个粒子的适应值，公式如下：

其中，C_low、C_up为惩罚因子C设定的最小值及最大值，δ_low、δ_up为核参数δ设定的最小值及最大值；

将得到的个体极值P_best对应的个体设置为具有最小适应值粒子的个体，将全局极值G_best设置为粒子群体中最佳粒子的位置；

3.3)判断算法收敛准则是否满足，如果满足，进入步骤3.5)，否则，进行步骤3.4)；

3.4)更新粒子群中的所有粒子的飞行速度与位置，返回步骤4.2)；

3.5)输出全局极值G_best，得到最优的参数{C,δ}。

迭代中止条件为粒子群搜索到的最优位置满足预设的最小适应阈值，本实施例中，预设的最小适应阈值为：f(C,δ)<2％)或最大迭代次数T_max＝100。

在本实施例中，所获取的原始数据为2013年～2017年莆田供电公司所管辖110kV变电站35组过热状态和50组正常状态下的运行数据，如表1所示：

表1：2013年～2017年莆田供电公司所管辖110kV变电站运行数据

年份	过热状态/组	正常状态/组
			2013	8	12
2014	9	9
			2015	8	13
2016	6	10
			2017	4	6
合计	35	50

选取25组过热状态及40组正常状态的隔离开关运行数据用与建立支持向量机的高压隔离开关过热状态预测模型，经PSO寻优得到的SVM最优参数C＝0.822,δ＝398.432，建立基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型。

对本发明进行验证时，选取10组过热状态及10组正常状态的隔离开关运行数据作为基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型的输入变量，模型输出预测结果，如表2所示：

表2：模型输出预测结果

状态	正常	过热	准确率
				正常	9	1	90％
过热	0	10	100％

由表2的预测结果可知，本发明所述的方法，可以准确判断所有过热状态下的样本，对正常状态样本数据的预测准确度达到90％。因此，该模型可以较好地预警高压隔离开关过热缺陷，并为高压隔离开关的状态检修提供依据，减少由于隔离开关过热缺陷导致的停电事故的发生。

上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

Claims (9)

1.一种基于PSO-SVM的高压隔离开关过热状态预测方法，其特征在于，步骤如下：

1)获取原始数据，组成基于粒子群优化的支持向量机的高压隔离开关过热状态预测的训练集，原始数据包括负荷电流、额定电流、环境温度、污秽等级、最近检修年限、隔离开关运行状态；

2)利用训练集建立支持向量机的高压隔离开关过热状态预测模型；

3)采用粒子群算法，计算步骤2)得到的支持向量机的高压隔离开关过热状态预测模型的核函数参数δ和惩罚参数C，得到基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型；

4)将高压隔离开关的运行时的原始数据或测试样本输入步骤3)得到的基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型中，进行隔离开关状态预测。

2.根据权利要求1所述的基于PSO-SVM的高压隔离开关过热状态预测方法，其特征在于，步骤1)中，原始数据在组成训练集之前，先进行如下预处理：

1.1)采用负荷电流率表征负载率大小对高压隔离开关发热状态的影响，如下：

分别用0和1表示隔离开关的运行状态为正常和过热；

定义污秽等级，并以数字化表示污秽等级；

1.2)对原始数据进行归一化处理，如下：

其中，x_max,x_min分别为数据中的最大值和最小值；

归一化后得到训练集Rⁿ＝{(x₁,y₁),(x₂,y₂),…(x_l,y_l)}；其中，

x＝[负荷电流率，污秽等级，环境温度，最近检修年限]；

y＝[运行状态]，

3.根据权利要求2所述的基于PSO-SVM的高压隔离开关过热状态预测方法，其特征在于，步骤2)中，支持向量机的高压隔离开关过热状态预测模型具体实现方法如下：

对于给定训练集Rⁿ＝{(x₁,y₁),(x₂,y₂),…(x_l,y_l)}，当y∈Rⁿ时，在原始样本空间寻找一线性拟合函数y(x)＝w·x+b，使得间隔最大化，且拟合误差最小化，将y(x)＝w·x+b的求解转化为求解如下公式：

其中，b为常数，w为权值向量，w^Tw用于控制模型的复杂度，C为惩罚参数，用于控制对超出误差样本的惩罚程度，ε为不敏感损失参数，L_ε＝max{0,|y(x_i)-y|-ε}，为ε不灵敏损失函数，即当实际值y_i与预测值y(x_i)之差不超过预设给定的ε时，则认为预测值y(x_i)是无损失的。

4.根据权利要求3所述的基于PSO-SVM的高压隔离开关过热状态预测方法，其特征在于，引入两个非负值松弛变量ξ_i和ξ_i ^*，使则求解等价于求解如下公式的约束优化：

引入两个拉格朗日乘子a_i和转化为的对偶问题，具体如下：

求解得到拟合函数为：

5.根据权利要求4所述的基于PSO-SVM的高压隔离开关过热状态预测方法，其特征在于，对于非线性回归，采用径向基核函数，公式如下：

其中，δ为核参数，通过非线性变换将输入向量映射到高维特征空间，在高维特征空间构造线性回归函数，则原始样本空间的非线性拟合函数为：

6.根据权利要求5所述的基于PSO-SVM的高压隔离开关过热状态预测方法，其特征在于，步骤3)中，采用粒子群算法，假设在一个D维解空间随机产生m个粒子，则第i个粒子的位置向量X_i＝(x_i1,x_i2,...,x_iD)，速度向量V_i＝(v_i1,v_i2,...,v_iD)；

优化函数的适应值，评价粒子所处位置的优劣，在每一次迭代中，粒子通过跟踪个体极值P_best、全局极值G_best更新飞行速度：

V_i+1＝wV_i+c₁r₁(P_best-X_i)+c₂r₂(G_best-X_i)；

其中，V_i和V_i+1分别为当前粒子的飞行速度和更新后的粒子的飞行速度；X_i为当前粒子所处的空间位置；w为惯性权重；个体极值P_best为当前粒子经历过的最好位置，即最好的适应值，全局极值G_best为群体中所有粒子经历过的最好位置；c₁和c₂为加速常数；r₁和r₂为范围在[0,1]内变化的随机数；

在下一次的迭代中，每个粒子的位置通过当前位置后的飞行速度和更新后的飞行速度进行修改：

X_i+1＝X_i+V_i；

其中，X_i+1为更新后的粒子位置。

7.根据权利要求6所述的基于PSO-SVM的高压隔离开关过热状态预测方法，其特征在于，步骤3)中，基于粒子群优化的支持向量机的高压隔离开关过热状态预测模型的优化步骤如下：

3.1)随机初始化粒子群中粒子的位置与飞行速度，粒子的位置表示参数{C,δ}的当前取值；

3.2)根据当前的{C,δ}训练支持向量机的高压隔离开关过热状态预测模型，计算当前每个粒子的适应值，公式如下：

其中，C_low、C_up为惩罚因子C设定的最小值及最大值，δ_low、δ_up为核参数δ设定的最小值及最大值；

将得到的个体极值P_best对应的个体设置为具有最小适应值粒子的个体，将全局极值G_best设置为粒子群体中最佳粒子的位置；

3.3)判断算法收敛准则是否满足，如果满足，进入步骤3.5)，否则，进行步骤3.4)；

3.4)更新粒子群中的所有粒子的飞行速度与位置，返回步骤4.2)；

3.5)输出全局极值G_best，得到最优的参数{C,δ}。

8.根据权利要求7所述的基于PSO-SVM的高压隔离开关过热状态预测方法，其特征在于，迭代中止条件为粒子群搜索到的最优位置满足预设的最小适应阈值。

9.根据权利要求8所述的基于PSO-SVM的高压隔离开关过热状态预测方法，其特征在于，预设的最小适应阈值为：f(C,δ)<2％)或最大迭代次数T_max＝100。