CN110009208A - 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 - Google Patents
一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 Download PDFInfo
- Publication number
- CN110009208A CN110009208A CN201910231345.0A CN201910231345A CN110009208A CN 110009208 A CN110009208 A CN 110009208A CN 201910231345 A CN201910231345 A CN 201910231345A CN 110009208 A CN110009208 A CN 110009208A
- Authority
- CN
- China
- Prior art keywords
- intelligent algorithm
- health state
- state evaluation
- model
- evaluation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 125
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000013210 evaluation model Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 16
- 230000003862 health status Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置,其中的方法包括:首先采集柱上开关成套设备的样本数据,其中,样本数据包括柱上开关成套设备的在线运行信息、离线信息、台本信息、历史故障信息;然后对采集的样本数据进行转化与清洗;接着将进行转化与清洗后的样本数据作为训练数据,建立SVR、BPNN、ELM单一智能算法健康状态评估模型,并根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型;最后利用混合智能算法健康状态评估模型对待评估设备进行状态评估。本发明可以在保证模型的客观性和准确度的基础上,提升了计算效率,提高了柱上开关成套设备健康状态评估的科学性及合理性。
Description
技术领域
本发明涉及配电设备健康状态评估技术领域,具体涉及一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置。
背景技术
配电网的信息化、智能化、网络化和集成化方向发展,使配电网结构呈现出越来越复杂的特点,对产品环保、安全、便捷方面的要求越来越高,供电企业对于配电设备的可靠性的要求也越来越高。柱上开关成套设备是配电网中应用最为广泛且非常重要的电气设备,其安全性和可靠性关系到国民生产生活及经济、社会的稳定,直接影响用电客户的满意度。现阶段,对柱上开关成套设备的管理模式较为粗放,柱上开关成套设备故障类型的系统详细的统计分析尚较为匮乏,绝大部分柱上开关成套设备的故障诊断预测及事后检修,仍处于被动局面。若柱上开关成套设备长期工作在高温、高压、潮湿的恶劣环境下,极易发生各种各样的故障,造成严重事故,破坏电力系统的安全稳定性。结合当前柱上开关成套设备存在机械容易卡涩、凝露、遥信抖动、易受干扰现象和环境耐受能力差等问题,配电自动化建设与推广,亟需对柱上开关成套设备的可靠性进行研究,以加快推进配电网自动化工作进度。
现有技术中,针对配电设备健康状态评估的方法,通常是对变压器进行评估,综合变压器状态信息,确定数据模型,并对数据进行分层,深入挖掘特征量与故障之间的内在联系,为检修者提供有效的决策支持。部分学者提出了基于神经网络与D-S证据理论相结合的分层式信息整合的变压器健康状态评估方法。少数针对配电开关健康状态评估模型,是由福州大学、重庆大学提出,分别将数学上的模糊综合理论应用于真空断路器开断寿命、SF6高压断路器状态评判上,从健康状态评估的需要及实际可操作性出发,选择累计电磨损程度、累计开断次数、使用年数、预防性试验中的时间参量、速度特性、导电回路电阻、绝缘介质的主要参数、以及其他如工作环境、外观情况、维修记录等因素,作为高压断路器模糊综合评判模型的评判因素。
本申请发明人在实施本发明的过程中,发现现有技术的方法,至少存在如下技术问题:
目前研究大多根据配电网设备各种状态量,选择评价因素以及确定评价权重,基于模糊数学、层次分析法等方法来建立配电网设备状态评估模型,为设备健康状态进行综合评分。虽然取得了一定的成果,但还不够完善,主要表现在判断因素的分类合理性、权重分配的确定、未考虑控制器运行参数等方面。
由此可知,现有技术中的方法存在准确性不高的技术问题。
发明内容
有鉴于此,本发明提供了一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置,用以解决或者至少部分解决现有技术中的方法存在的准确性不高的技术问题。
本发明第一方面提供了一种基于混合智能算法的柱上开关成套设备健康状态评估方法,包括:
步骤S1:采集柱上开关成套设备的样本数据,其中,样本数据包括柱上开关成套设备的在线运行信息、离线信息、台本信息、历史故障信息;
步骤S2:对采集的样本数据进行转化与清洗;
步骤S3:将进行转化与清洗后的样本数据作为训练数据,建立SVR、BPNN、ELM单一智能算法健康状态评估模型,并根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型;
步骤S4:利用混合智能算法健康状态评估模型对待评估设备进行状态评估。
在一种实施方式中,步骤S1中,采集柱上开关成套设备的样本数据采用状态量和特征值进行描述,其中,状态量为柱上开关成套设备的组成部件的状态的参数,特征值为柱上开关成套设备的组成部件的特征参数,且根据样本数据的来源以及数据更新时间,将状态量分为静态参数、动态参数、准动态参数以及外部参数。
在一种实施方式中,步骤S2具体包括:
采用公式(1)对采集的样本数据进行标准化处理:
X*=(x-xmin)/(xmax-xmin) (4)
其中,X*为标准化后的变量;x为原始变量的值;xmin和xmax分别为原始变量中的最小及最大值,将所有超过阈值不合格的特征量根据阈值转换为布尔型0-1量,1表示正常项目,0代表异常项目。
在一种实施方式中,步骤S3中,根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型,包括:
根据各个单一智能算法健康状态评估模型的预测结果,计算出三种单一智能算法健康状态评估模型的标准差;
分别依据三种单一智能算法健康状态评估模型的标准差,计算出对应的权重;
基于对应的权重,采用不等权组合中的拟合优度法对三种智能模型进行组合,建立混合智能算法健康状态评估模型。
在一种实施方式中,混合智能算法健康状态评估模型为:
其中,Wk为各单一智能算法健康状态评估模型的权重,满足式(3)的约束;为第k个预测模型;L为模型的总数;
其中,采用的不等权组合中的拟合优度法中,权重表达式为公式(4):
式(4)中,SEk表示第k个预测模型的标准差,表达式为:
式(5)中,j为测试集数据序号,N为测试集数据总量;yj为第j个数据的标签值,f(xj)为第j个数据的预测值,即预测结果。
在一种实施方式中,所述方法还包括:
采用第k个预测模型的平均绝对误差对混合智能算法健康状态评估模型进行优化:
采用第k个预测模型的平均绝对误差MAEk替代权重SEk,新的混合模型为:
其中,
式中,j为测试集数据序号;N为测试集数据总量;yj为第j个数据的标签值;f(xj)为第j个数据的预测值。
在一种实施方式中,步骤S4具体包括:
将待评估设备的设备信息进行转化与清洗后输入步骤S3中建立的混合智能算法健康状态评估模型中,获得状态评估结果。
在一种实施方式中,在步骤S3之后,所述方法还包括:
采用预设指标对建立的混合智能算法健康状态评估模型进行评价
基于同样的发明构思,本发明第二方面提供了一种基于混合智能算法的柱上开关成套设备健康状态评估装置,包括:
样本数据采集模块,用于采集柱上开关成套设备的样本数据,其中,样本数据包括柱上开关成套设备的在线运行信息、离线信息、台本信息、历史故障信息;
数据转化与清洗模块,用于对采集的样本数据进行转化与清洗;
混合智能算法健康状态评估模型建立模块,用于将进行转化与清洗后的样本数据作为训练数据,建立SVR、BPNN、ELM单一智能算法健康状态评估模型,并根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型;
状态评估模块,用于用混合智能算法健康状态评估模型对待评估设备进行状态评估。
在一种实施方式中,混合智能算法健康状态评估模型建立模块具体用于:
根据各个单一智能算法健康状态评估模型的预测结果,计算出三种单一智能算法健康状态评估模型的标准差;
分别依据三种单一智能算法健康状态评估模型的标准差,计算出对应的权重;
基于对应的权重,采用不等权组合中的拟合优度法对三种智能模型进行组合,建立混合智能算法健康状态评估模型。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明提供的一种基于混合智能算法的柱上开关成套设备健康状态评估方法,首先采集柱上开关成套设备的样本数据,并对采集的样本数据进行转化与清洗;然后将进行转化与清洗后的数据作为数据样本,建立SVR、BPNN、ELM单一智能算法健康状态评估模型,并根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型;再利用混合智能算法健康状态评估模型对待评估设备进行状态评估。
由于本发明的方法中,首先数据的来源相较于目前的评估模型更加丰富,包括在线运行信息、离线信息、台本信息、历史故障信息等信息,赋予各个单一智能算法健康状态评估模型权重,构建混合智能算法健康状态评估模型,并将这些样本数据作为混合智能算法健康状态评估模型的训练样本,从而可以深入挖掘样本数据中的特征量与柱上开关成套设备健康状态的关系,进而可以利用混合智能算法对柱上开关成套设备进行健康状态评估。在保证模型的客观性和准确度的基础上,提升了计算效率,提高了柱上开关成套设备健康状态评估的科学性、合理性以及准确性,解决了现有技术中的方法存在准确性不高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于混合智能算法的柱上开关成套设备健康状态评估方法的流程图;
图2为具体示例中对待评估设备进行状态评估的整体流程图;
图3为本发明实施例中基于SVR模型的健康状态评估结果的示意图;
图4为本发明实施例中基于BPNN模型的健康状态评估结果的示意图;
图5为本发明实施例中基于ELM模型的健康状态评估结果的示意图;
图6为本发明实施例中基于混合智能算法模型健康状态评估结果的示意图;
图7为本发明实施例中一种基于混合智能算法的柱上开关成套设备健康状态评估装置的结构框图。
具体实施方式
本发明的目的在于针对现有技术中的方法存在的准确性不高的技术问题,提出一种基于混合智能算法的柱上开关成套设备健康状态评估方法。
目前研究大多根据配电网设备各种状态量,选择评价因素以及确定评价权重,基于模糊数学、层次分析法等方法来建立配电网设备状态评估模型,为设备健康状态进行综合评分。而本发明基于大数据的柱上开关成套设备健康状态评估模型,是对现有的健康状态评估模型做出的改进。
本发明的主要构思如下:
1)选取柱上开关成套设备的信息状态量作为自变量,包括开关套管、开关本体、电压互感器、接地开关、隔离开关以及外部环境等因素;2)将柱上开关成套设备整体得分值作为因变量。将柱上开关成套设备状态划分为4个等级,即正常状态、注意状态、异常状态及严重状态等;3)对因变量进行数据处理,为简化数据处理流程,并确保填充数据的可靠性,缺失数据项用热卡填充法来进行填充,剔除异常项数据,并对数据进行标准化处理。所有超过阈值不合格的特征量根据阈值转换为布尔型0-1量,0代表正常项目,1代表异常项目;4)以处理完的数据作为数据样本,首先建立支持向量回归(Support Vector Regression,SVM)、BP神经网络(Back Propagation Neural Network,BPNN)、极限学习机(Extreme LearningMachine,ELM)单一智能算法健康状态评估模型,并在此基础上建立混合智能算法健康状态评估模型,对模型进行评估。
由于本发明可以基于柱上开关成套设备的在线运行信息、离线信息、台本信息、历史故障信息等特征量,利用混合智能算法建立健康状态评估模型,综合考虑的因素较多且利用智能算法深入挖掘特征量与柱上开关成套设备健康状态的关系,在保证模型的客观性和准确度的基础上,提升了计算效率,提高了柱上开关成套设备健康状态评估的科学性及合理性。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例提供了一种基于混合智能算法的柱上开关成套设备健康状态评估方法,请参见图1,该方法包括:
步骤S1:采集柱上开关成套设备的样本数据,其中,样本数据包括柱上开关成套设备的在线运行信息、离线信息、台本信息、历史故障信息。
其中,采集柱上开关成套设备的样本数据采用状态量和特征值进行描述,其中,状态量为柱上开关成套设备的组成部件的状态的参数,特征值为柱上开关成套设备的组成部件的特征参数,且根据样本数据的来源以及数据更新时间,将状态量分为静态参数、动态参数、准动态参数以及外部参数。
具体来说,选取柱上开关成套设备的信息状态量作为自变量,包括静态参数、动态参数、准动态参数以及外部参数。将柱上开关成套设备整体得分值作为因变量。将柱上开关成套设备状态划分为4个等级,规定柱上开关成套设备整体得分值与状态的关系如表1所示:
表1分值与状态等级的关系
得分值 | 正常 | 注意 | 异常 | 严重 |
状态 | 85~100 | 75~85 | 60~75 | 0~60 |
各状态描述如下:
正常状态(normal condition):设备运行数据稳定,所有状态量符合标准。
注意状态(attention condition):设备的几个状态量不符合标准,但不影响设备运行。
异常状态(abnormal condition):设备的几个状态量明显异常,己影响设备的性能指标或可能发展成严重状态,仍能继续运行。
严重状态(severe condition):设备状态量严重超出标准或严重异常,设备只能短期运行或立即停役。
在具体的实施过程中,由于采集的样本数据是用作训练数据,构建后续的模型,因此,需要对训练数据进行标记,即需要确定状态量与状态得分(状态等级)的关系。具体地,训练数据的状态得分可以理解为设备自身在工作人员运维过程中已打的分,打分细则可以依据《中华人民共和国国家质量监督检验疫总局.配网设备状态评价导则:Q/GDW 645-2011[S].北京:中国标准出版社,2011.》。
其中,样本数据的状态类别、状态量以及特征值等如表2所示。
表2柱上开关成套设备状态量及其特征值
步骤S2:对采集的样本数据进行转化与清洗。
具体来说,可以采用预设的数据方式对样本数据进行处理。
在一种实施方式中,采用公式(1)对采集的样本数据进行标准化处理:
X*=(x-xmin)/(xmax-xmin) (7)
其中,X*为标准化后的变量;x为原始变量的值;xmin和xmax分别为原始变量中的最小及最大值,将所有超过阈值不合格的特征量根据阈值转换为布尔型0-1量,1表示正常项目,0代表异常项目。
具体来说,为简化数据处理流程,并确保填充数据的可靠性,缺失数据项可以采用热卡填充法来进行填充,剔除异常项数据,并对数据进行标准化处理。其中,热卡填充法是指对于一个包含空值的对象,热卡填充法在完整数据中找到一个与它最相似的对象,然后用这个相似对象的值来进行填充。
下面具体介绍对表2中的特征量进行转化与清洗的具体实现过程:
通过式(8)-(11)对数据进行标准化处理(normalization),即
式中,v(xi)为标准化后的变量;xi为原始变量的值;编号C5、C10、C12、C13、C25特征值的正常量在[a-δ,a+δ]范围内,参数a1和a2分别为下限和上限值,由维护人员根据设备具体的安全生产规程给定。
式中,v(x′i)为标准化后的变量;x′i为原始变量的值;编号C3、C4、C14、C15、C17、C24、C36、C37、C38特征值的正常量在[a,a+δ]范围内,参数a2为上限值,由维护人员根据设备具体的安全生产规程给定。
式中,v(x”i)为标准化后的变量;x”i为原始变量的值;编号C1、C2、C9、C16、C18、C19、C20、C21、C22、C27、C28特征值分为三类,参数a1、a2和a3为三类特征值对应的具体值,由维护人员根据设备具体的安全生产规程给定。
式中,v(x”'i)为标准化后的变量;x”'i为原始变量的值;编号C6、C7、C8、C11、C23、C26、C29、C30、C31、C32、C33、C34、C35特征值分为两类,参数a1和a2为两类特征值对应的具体值,由维护人员根据设备具体的安全生产规程给定。
步骤S3:将进行转化与清洗后的样本数据作为训练数据,建立SVR、BPNN、ELM单一智能算法健康状态评估模型,并根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型。
具体来说,将进行转化与清洗后的样本数据作为训练数据,用于训练各个单一智能算法健康状态评估模型。
其中,根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型,包括:
根据各个单一智能算法健康状态评估模型的预测结果,计算出三种单一智能算法健康状态评估模型的标准差;
分别依据三种单一智能算法健康状态评估模型的标准差,计算出对应的权重;
基于对应的权重,采用不等权组合中的拟合优度法对三种智能模型进行组合,建立混合智能算法健康状态评估模型。
具体来说,混合智能算法的健康评估模型是指对同一个问题采用不同的方法进行预测,基本形式有等权组合和不等权组合。等权组合,即各预测方法的预测值按相同的权数组合成新的预测值;不等权组合,即赋予不同预测方法的预测值的权数是不一样的。本发明采用不等权组合中的拟合优度法对3种智能模型进行组合,即利用支持向量回归(SupportVector Regression,SVM)、BP神经网络(Back Propagation Neural Network,BPNN)、极限学习机(Extreme Learning Machine,ELM)提出相应的混合智能算法模型。
具体地,混合智能算法健康状态评估模型为:
其中,Wk为各单一智能算法健康状态评估模型的权重,满足式(3)的约束;为第k个预测模型;L为模型的总数;
其中,采用的不等权组合中的拟合优度法中,权重表达式为公式(4):
式(4)中,SEk表示第k个预测模型的标准差,表达式为:
式(5)中,j为测试集数据序号,N为测试集数据总量;yj为第j个数据的标签值,f(xj)为第j个数据的预测值,即预测结果。
为了使预测结果保证拟合优度,即提高预测效果,所述方法还包括:
采用第k个预测模型的平均绝对误差对混合智能算法健康状态评估模型进行优化:
采用第k个预测模型的平均绝对误差MAEk替代权重SEk,新的混合模型为:
其中,
式中,j为测试集数据序号;N为测试集数据总量;yj为第j个数据的标签值;f(xj)为第j个数据的预测值。
具体来说,当各种预测结果较分散时,通过上述方式优化后的模型能予以预测标准差最小的模型以最大的权重,从而提高模型的预测效果。
步骤S4:利用混合智能算法健康状态评估模型对待评估设备进行状态评估。
具体地,步骤S4具体包括:
将待评估设备的设备信息进行转化与清洗后输入步骤S3中建立的混合智能算法健康状态评估模型中,获得状态评估结果。
为了对本发明提供的混合模型进行评价,在一种实施方式中,在步骤S3之后,所述方法还包括:
采用预设指标对建立的混合智能算法健康状态评估模型进行评价。
具体来说,预设指标包括MSE(Mean Squared Error,均方误差)和R2(R Square,R方)。当然也可以根据实际情况选取其他的评价指标。
具体实现时,主要是对MSE、R2 2个指标进行对比,实现模型的评估,其中2个指标的表达式如式(12)~式(13)所示:
式中,yi为第i组实际故障率值;为第i组预测故障率值;为实际故障率平均值。
均方差MSE表示预测值与真实值之间的误差大小,值越小,表明预测值更加准确。R2取值范围为[-1,1],当参数越接近1时,表示模型的拟合度越高。
总体来说,请参见图2,为一种具体示例中对待评估设备进行状态评估的整体流程图,主要包括如下步骤:开始状态评价,首先进行样本设备信息的采集,然后进行数据的清洗与转化,接着将进行清洗与转化后的数据作为训练数据,分别建立基于SVR状态评估模型(即SVR单一智能算法健康状态评估模型)、基于BP状态评估模型和基于ELM状态评估模型,再基于上述三个模型建立混合评估模型,将待评估设备信息进行清洗与转化后输入混合评估模型,得到状态评估结果,算法结束。
本发明具有如下优点:
1、综合考虑柱上开关成套设备运行信息、台本信息、外部环境等,考虑的因素比较全面。
2、基于机器学习算法的模型计算效率高,尤其适用于大规模预测;
3、提出的基于不等权拟合优度法的组合模型能综合多种算法的优点,提高模型的预测精度。
4、基于不等权拟合优度法的混合智能算法综合了多种机器学习算法的优点,比单个模型的预测精度更高、适用性更好。
为了更清楚地说明本发明提供的评估方法的具体实施以及有益技术效果,下面通过一个具体的示例予以详细介绍。
首先建立SVR、BPNN、ELM单一智能算法健康状态评估模型,如图3~图5所示,分别为基于SVR、BPNN、ELM模型的健康状态评估结果。根据式(2)~式(7)对SVR、BPNN、ELM三种智能算法健康状态模型进行组合,则三个智能算法的权重如表3所示。
表3三种智能算法模型各自权重
利用表3的权重建立混合智能算法,如图6所示为基于混合智能算法模型的健康状态评估结果。并计算单一智能算法健康状态评估模型以及混合智能算法的MSE和R2指标,如表4所示。
表4单一智能算法模型与混合智能算法模型指标对比
由表4可以看出,基于混合智能算法模型的健康状态评估结果相对于单一智能算法模型的健康状态评估结果更优。
基于同一发明构思,本申请还提供了一种与实施例一中基于混合智能算法的柱上开关成套设备健康状态评估方法对应的装置,详见实施例二。
实施例二
本实施例提供了一种基于混合智能算法的柱上开关成套设备健康状态评估装置,请参见图7,该装置包括:
样本数据采集模块201,用于采集柱上开关成套设备的样本数据,其中,样本数据包括柱上开关成套设备的在线运行信息、离线信息、台本信息、历史故障信息;
数据转化与清洗模块202,用于对采集的样本数据进行转化与清洗;
混合智能算法健康状态评估模型建立模块203,用于将进行转化与清洗后的样本数据作为训练数据,建立SVR、BPNN、ELM单一智能算法健康状态评估模型,并根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型;
状态评估模块204,用于用混合智能算法健康状态评估模型对待评估设备进行状态评估。
在一种实施方式中,采集柱上开关成套设备的样本数据采用状态量和特征值进行描述,其中,状态量为柱上开关成套设备的组成部件的状态的参数,特征值为柱上开关成套设备的组成部件的特征参数,且根据样本数据的来源以及数据更新时间,将状态量分为静态参数、动态参数、准动态参数以及外部参数。
在一种实施方式中,数据转化与清洗模块202具体用于:
采用公式(1)对采集的样本数据进行标准化处理:
X*=(x-xmin)/(xmax-xmin) (10)
其中,X*为标准化后的变量;x为原始变量的值;xmin和xmax分别为原始变量中的最小及最大值,将所有超过阈值不合格的特征量根据阈值转换为布尔型0-1量,1表示正常项目,0代表异常项目。
在一种实施方式中,混合智能算法健康状态评估模型建立模块203具体用于:
根据各个单一智能算法健康状态评估模型的预测结果,计算出三种单一智能算法健康状态评估模型的标准差;
分别依据三种单一智能算法健康状态评估模型的标准差,计算出对应的权重;
基于对应的权重,采用不等权组合中的拟合优度法对三种智能模型进行组合,建立混合智能算法健康状态评估模型。
在一种实施方式中,混合智能算法健康状态评估模型为:
其中,Wk为各单一智能算法健康状态评估模型的权重,满足式(3)的约束;为第k个预测模型;L为模型的总数;
其中,采用的不等权组合中的拟合优度法中,权重表达式为公式(4):
式(4)中,SEk表示第k个预测模型的标准差,表达式为:
式(5)中,j为测试集数据序号,N为测试集数据总量;yj为第j个数据的标签值,f(xj)为第j个数据的预测值,即预测结果。
在一种实施方式中,所述装置还包括模型优化模块,用于:
采用第k个预测模型的平均绝对误差对混合智能算法健康状态评估模型进行优化:
采用第k个预测模型的平均绝对误差MAEk替代权重SEk,新的混合模型为:
其中,
式中,j为测试集数据序号;N为测试集数据总量;yj为第j个数据的标签值;f(xj)为第j个数据的预测值。
在一种实施方式中,状态评估模块204具体用于:
将待评估设备的设备信息进行转化与清洗后输入步骤S3中建立的混合智能算法健康状态评估模型中,获得状态评估结果。
在一种实施方式中,所述装置还包括模型评价模块,用于:
采用预设指标对建立的混合智能算法健康状态评估模型进行评价。
此外,本申请还提供可以一种计算机设备,包括存储、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行上述程序时实现实施例一中的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于混合智能算法的柱上开关成套设备健康状态评估方法,其特征在于,包括:
步骤S1:采集柱上开关成套设备的样本数据,其中,样本数据包括柱上开关成套设备的在线运行信息、离线信息、台本信息、历史故障信息;
步骤S2:对采集的样本数据进行转化与清洗;
步骤S3:将进行转化与清洗后的样本数据作为训练数据,建立SVR、BPNN、ELM单一智能算法健康状态评估模型,并根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型;
步骤S4:利用混合智能算法健康状态评估模型对待评估设备进行状态评估。
2.如权利要求1所述的方法,其特征在于,步骤S1中,采集柱上开关成套设备的样本数据采用状态量和特征值进行描述,其中,状态量为柱上开关成套设备的组成部件的状态的参数,特征值为柱上开关成套设备的组成部件的特征参数,且根据样本数据的来源以及数据更新时间,将状态量分为静态参数、动态参数、准动态参数以及外部参数。
3.如权利要求2所述的方法,其特征在于,步骤S2具体包括:
采用公式(1)对采集的样本数据进行标准化处理:
X*=(x-xmin)/(xmax-xmin) (1)
其中,X*为标准化后的变量;x为原始变量的值;xmin和xmax分别为原始变量中的最小及最大值,将所有超过阈值不合格的特征量根据阈值转换为布尔型0-1量,1表示正常项目,0代表异常项目。
4.如权利要求1所述的方法,其特征在于,步骤S3中,根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型,包括:
根据各个单一智能算法健康状态评估模型的预测结果,计算出三种单一智能算法健康状态评估模型的标准差;
分别依据三种单一智能算法健康状态评估模型的标准差,计算出对应的权重;
基于对应的权重,采用不等权组合中的拟合优度法对三种智能模型进行组合,建立混合智能算法健康状态评估模型。
5.如权利要求4所述的方法,其特征在于,混合智能算法健康状态评估模型为:
其中,Wk为各单一智能算法健康状态评估模型的权重,满足式(3)的约束;为第k个预测模型;L为模型的总数;
其中,采用的不等权组合中的拟合优度法中,权重表达式为公式(4):
式(4)中,SEk表示第k个预测模型的标准差,表达式为:
式(5)中,j为测试集数据序号,N为测试集数据总量;yj为第j个数据的标签值,f(xj)为第j个数据的预测值,即预测结果。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
采用第k个预测模型的平均绝对误差对混合智能算法健康状态评估模型进行优化:
采用第k个预测模型的平均绝对误差MAEk替代权重SEk,新的混合模型为:
其中,
式中,j为测试集数据序号;N为测试集数据总量;yj为第j个数据的标签值;f(xj)为第j个数据的预测值。
7.如权利要求1所述的方法,其特征在于,步骤S4具体包括:
将待评估设备的设备信息进行转化与清洗后输入步骤S3中建立的混合智能算法健康状态评估模型中,获得状态评估结果。
8.如权利要求1所述的方法,其特征在于,在步骤S3之后,所述方法还包括:
采用预设指标对建立的混合智能算法健康状态评估模型进行评价。
9.一种基于混合智能算法的柱上开关成套设备健康状态评估装置,其特征在于,包括:
样本数据采集模块,用于采集柱上开关成套设备的样本数据,其中,样本数据包括柱上开关成套设备的在线运行信息、离线信息、台本信息、历史故障信息;
数据转化与清洗模块,用于对采集的样本数据进行转化与清洗;
混合智能算法健康状态评估模型建立模块,用于将进行转化与清洗后的样本数据作为训练数据,建立SVR、BPNN、ELM单一智能算法健康状态评估模型,并根据各个单一智能算法健康状态评估模型的预测结果,建立混合智能算法健康状态评估模型;
状态评估模块,用于用混合智能算法健康状态评估模型对待评估设备进行状态评估。
10.如权利要求9所述的装置,其特征在于,混合智能算法健康状态评估模型建立模块具体用于:
根据各个单一智能算法健康状态评估模型的预测结果,计算出三种单一智能算法健康状态评估模型的标准差;
分别依据三种单一智能算法健康状态评估模型的标准差,计算出对应的权重;
基于对应的权重,采用不等权组合中的拟合优度法对三种智能模型进行组合,建立混合智能算法健康状态评估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231345.0A CN110009208B (zh) | 2019-03-26 | 2019-03-26 | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231345.0A CN110009208B (zh) | 2019-03-26 | 2019-03-26 | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009208A true CN110009208A (zh) | 2019-07-12 |
CN110009208B CN110009208B (zh) | 2021-12-03 |
Family
ID=67168142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910231345.0A Active CN110009208B (zh) | 2019-03-26 | 2019-03-26 | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009208B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689234A (zh) * | 2019-09-05 | 2020-01-14 | 国家电网有限公司 | 一种基于多源数据融合的电力变压器状态评估方法 |
CN111123087A (zh) * | 2019-12-24 | 2020-05-08 | 深圳供电局有限公司 | 配电网开关设备故障检测方法、装置和计算机设备 |
CN112001622A (zh) * | 2020-08-21 | 2020-11-27 | 中国建设银行股份有限公司 | 云虚拟网关的健康度评估方法、系统、设备和存储介质 |
CN112733878A (zh) * | 2020-12-08 | 2021-04-30 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于kmeans-SVM算法的变压器故障诊断方法 |
CN112990776A (zh) * | 2021-04-26 | 2021-06-18 | 广东电网有限责任公司东莞供电局 | 一种配网设备健康度评价方法 |
CN113702861A (zh) * | 2021-08-27 | 2021-11-26 | 广东省科学院电子电器研究所 | 一种基于大数据分析的电源故障位置预测方法及装置 |
CN117335577A (zh) * | 2023-12-01 | 2024-01-02 | 国网山东省电力公司莱芜供电公司 | 一种柱上开关及控制器的状态监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404936A (zh) * | 2015-11-24 | 2016-03-16 | 中国电力科学研究院 | 一种配电变压器健康指数评价方法 |
CN106021882A (zh) * | 2016-05-11 | 2016-10-12 | 中国南方电网有限责任公司电网技术研究中心 | 指标权重获取方法和系统 |
CN108304634A (zh) * | 2018-01-23 | 2018-07-20 | 国网江西省电力有限公司电力科学研究院 | 一种基于多源数据的10kV柱上真空开关状态评价方法 |
CN108646725A (zh) * | 2018-07-31 | 2018-10-12 | 河北工业大学 | 基于动态加权的双模型故障诊断方法 |
-
2019
- 2019-03-26 CN CN201910231345.0A patent/CN110009208B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404936A (zh) * | 2015-11-24 | 2016-03-16 | 中国电力科学研究院 | 一种配电变压器健康指数评价方法 |
CN106021882A (zh) * | 2016-05-11 | 2016-10-12 | 中国南方电网有限责任公司电网技术研究中心 | 指标权重获取方法和系统 |
CN108304634A (zh) * | 2018-01-23 | 2018-07-20 | 国网江西省电力有限公司电力科学研究院 | 一种基于多源数据的10kV柱上真空开关状态评价方法 |
CN108646725A (zh) * | 2018-07-31 | 2018-10-12 | 河北工业大学 | 基于动态加权的双模型故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
GUOYAN CHEN等: "Reliability Assessment on Switchgear and Its Controller based on Time-Spatial-Source Dimension", 《2018 CHINA INTERNATIONAL CONFERENCE ON ELECTRICITY DISTRIBUTION》 * |
JINYUAN ZENG等: "Risk Assessment of Switchgears in Distribution System Considering Environmental Dependency", 《PROCEDIA COMPUTER SCIENCE》 * |
王宏力著: "《惯性测量组合智能故障诊断及预测技术》", 31 May 2017, 国防工业出版社 * |
王秀磊: "风电机组状态参数异常辨识及运行状态评估方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689234A (zh) * | 2019-09-05 | 2020-01-14 | 国家电网有限公司 | 一种基于多源数据融合的电力变压器状态评估方法 |
CN110689234B (zh) * | 2019-09-05 | 2023-08-04 | 国家电网有限公司 | 一种基于多源数据融合的电力变压器状态评估方法 |
CN111123087A (zh) * | 2019-12-24 | 2020-05-08 | 深圳供电局有限公司 | 配电网开关设备故障检测方法、装置和计算机设备 |
CN112001622A (zh) * | 2020-08-21 | 2020-11-27 | 中国建设银行股份有限公司 | 云虚拟网关的健康度评估方法、系统、设备和存储介质 |
CN112733878A (zh) * | 2020-12-08 | 2021-04-30 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于kmeans-SVM算法的变压器故障诊断方法 |
CN112990776A (zh) * | 2021-04-26 | 2021-06-18 | 广东电网有限责任公司东莞供电局 | 一种配网设备健康度评价方法 |
CN113702861A (zh) * | 2021-08-27 | 2021-11-26 | 广东省科学院电子电器研究所 | 一种基于大数据分析的电源故障位置预测方法及装置 |
CN117335577A (zh) * | 2023-12-01 | 2024-01-02 | 国网山东省电力公司莱芜供电公司 | 一种柱上开关及控制器的状态监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110009208B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009208A (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
Dehghanian et al. | A comprehensive scheme for reliability-centered maintenance in power distribution systems—Part II: Numerical analysis | |
CN106384210B (zh) | 一种基于检修风险收益的输变电设备检修优先级排序方法 | |
CN104537487B (zh) | 一种输变电设备运行动态风险的评估方法 | |
CN104992270B (zh) | 输变电设备状态检修辅助决策系统及方法 | |
Luo et al. | Implementing fuzzy reasoning Petri-nets for fault section estimation | |
CN105512448B (zh) | 一种配电网健康指数的评估方法 | |
CN108320043A (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN108336725A (zh) | 电网调度设备监控管理及智能分析系统 | |
CN110322135A (zh) | 一种电网设备安全运行状态的实时监控方法及系统 | |
CN108304931A (zh) | 一种变电设备状态检修故障诊断方法 | |
CN105932708B (zh) | 基于通用生成函数的高压直流输电系统可靠性计算方法 | |
CN105467971A (zh) | 一种电力二次设备监测系统及方法 | |
CN105425768A (zh) | 一种电力二次设备监测装置及方法 | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
CN108683187A (zh) | 一种基于大数据的ems电网监测系统 | |
CN102930408B (zh) | 一种基于信息融合的750kV电网二次设备状态评估方法 | |
CN104636605A (zh) | 一种电力高压开关柜局放程度的状态评价方法 | |
CN104537161B (zh) | 一种基于供电安全标准的中压配电网诊断分析方法 | |
CN115308465A (zh) | 基于bp-som组合神经网络的供电安全隐患智能诊断系统及方法 | |
CN107832971A (zh) | 一种基于scada和oms系统的电网指标评估方法 | |
Tourgoutian et al. | Reliability and availability model of offshore and onshore VSC-HVDC transmission systems | |
CN113887606A (zh) | 基于故障树建立的电子设备控制系统故障诊断方法 | |
CN109508899A (zh) | 一种配电网馈线运行状态在线风险评估方法 | |
Luo et al. | Research and application of GIS‐based medium‐voltage distribution network comprehensive technical evaluation system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |