CN117113852A - 基于电气、化学、结构、振动参量的gis寿命预测方法 - Google Patents
基于电气、化学、结构、振动参量的gis寿命预测方法 Download PDFInfo
- Publication number
- CN117113852A CN117113852A CN202311209460.0A CN202311209460A CN117113852A CN 117113852 A CN117113852 A CN 117113852A CN 202311209460 A CN202311209460 A CN 202311209460A CN 117113852 A CN117113852 A CN 117113852A
- Authority
- CN
- China
- Prior art keywords
- gis
- life
- model
- prediction
- weak
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000000126 substance Substances 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 241000254158 Lampyridae Species 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 12
- 230000010354 integration Effects 0.000 abstract description 3
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 238000001556 precipitation Methods 0.000 description 13
- 230000032683 aging Effects 0.000 description 11
- 238000005286 illumination Methods 0.000 description 11
- 150000003839 salts Chemical class 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 9
- 230000035882 stress Effects 0.000 description 9
- 238000009413 insulation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 5
- 238000005260 corrosion Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000013016 damping Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000218691 Cupressaceae Species 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于电气、化学、结构、振动参量的GIS寿命预测方法，步骤为：收集大量GIS设备正常运行和故障时的样本数据，组成数据集，分为训练集和测试集；建立FA优化BP网络的FA‑BP神经网络，将训练集输入FA‑BP神经网络，输出弱预测器模型Gt(x)；使用AdaBoost算法集成所有弱预测器模型Gt(x)，建立强预测器；得到合格的寿命衰减函数模型G(x)，将测试集输入合格的寿命衰减函数模型G(x)，输出预测寿命值。本发明解决传统预测方法无法准确全面地反映GIS设备实际寿命、预测精度低以及不能实现预防性维护等局限性的问题。
Description
技术领域
本发明属于气体绝缘金属封闭开关设备(简称GIS设备)领域，有关一种基于电气、化学、结构、振动参量的GIS寿命预测方法。
背景技术
GIS凭借其占地面积小，运行可靠度高，机械故障率低，开断性能好，损耗小等特点被广泛使用。GIS设备在电力系统中起着至关重要的作用。为保证GIS设备长期稳定、高效地运行，一方面可以提高电力系统的供电可靠性和稳定性，另一方面也可以节约电力系统的能源消耗和维护费用。因此，GIS设备的寿命预测非常重要，能够在维护和管理GIS设备时提供科学的依据。
传统GIS设备寿命预测方法主要基于部件的寿命特征进行维护和周期检修，只能通过经验和以往数据对比来预测GIS设备的剩余寿命，并且未基于GIS运行环境对设备寿命的影响。例如，沿海地区的高盐雾、高湿度环境会大幅降低GIS的使用性能和剩余寿命，而在易发生地震的区域，地震波则会损坏GIS中的电气设备和支架，影响GIS的剩余寿命等。传统预测方法缺乏综合性，需要利用大量的失效历史样本进行对比，且设备的运行环境与历史数据中设备运行环境一致才有效。而且传统方法只适用于不可修复部分或者可以修复如新的部分，未基于修复非新的状况。传统的预测方法无法准确全面地反映GIS设备实际寿命、预测精度低以及不能实现预防性维护等局限性。因此，为了更好地解决这些问题，研究一种基于电气、化学、结构、振动参量的GIS寿命预测方法非常有必要。
发明内容
发明目的：本发明提出一种基于电气、化学、结构、振动参量的GIS寿命预测方法，其目的在于解决传统预测方法无法准确全面地反映GIS设备实际寿命、预测精度低以及不能实现预防性维护等局限性的问题。
技术方案：
一种基于电气、化学、结构、振动参量的GIS寿命预测方法，步骤为：
步骤S1收集大量GIS设备正常运行和故障时的样本数据，组成数据集，将数据集分为训练集和测试集；
步骤S2建立FA优化BP网络的FA-BP神经网络，将训练集输入FA-BP神经网络，输出弱预测器模型Gt(x)；
步骤S3使用AdaBoost算法集成所有弱预测器模型Gt(x)，建立强预测器；
步骤S4得到寿命衰减函数模型G(x)后，将训练集的数据输入至寿命衰减函数模型G(x)进行准确性判断，得到合格的寿命衰减函数模型G(x)，将测试集输入合格的寿命衰减函数模型G(x)，输出预测寿命值。
进一步的，步骤S2中FA-BP神经网络输出弱预测器模型Gt(x)的过程为：
(1)确定FA-BP神经网络的结构；
(2)计算空间的维度D＝R×S1+S1+S2×S1+S2，设定步长为η；
(3)根据维度D划分区域，多区域并行寻找区域内最亮样本；
(4)多区域最亮样本比较，得到全区域内最亮的样本，通过位置更新公式更新萤火虫的位置和亮度；
(5)将最亮的萤火虫的位置和亮度输入到FA-BP神经网络中作为初值，输出FA-BP弱预测器Gt(x)。
进一步的，所述步骤(2)中步长η为：
其中，e为自然数，D为维度，t为迭代次数。
进一步的，所述步骤(4)中位置更新公式为：
式中，βo为最大吸引度，rij为萤火虫i与j在D维空间位置xi和xj的空间距离，γ为光强吸收系数，η0为步长中最小值。
进一步的，所述步骤S4中AdaBoost算法的步骤为：
步骤1.对训练集数据进行标准化处理，并赋予每条数据同等权重，Dt(i)＝1/n，i＝1，2，…n，n为样本数据个数；
步骤2.求解样本和弱预测器的权重，针对样本Data＝[(x1，y1)，(x2，y2)，(xi，yi)…，(xn，yn)]，其权重分布为Dt(i)＝(ωil,ωi2，…ωiN)；设有t个弱预测器，误差判别函数为ht，预测误差率为et，弱预测器权重为αt，将训练相对误差超过θ的视为错误，计算第t个弱预测器的错误比率et，并计算弱预测器的权重αt，
步骤3.根据误差判别函数ht计算训练样本的权重，同时更新训练数据的权重，计算公式如下：其中：
步骤4.对权重值αt进行归一化处理，即把αt代入到Dt+1(i)中得到：
步骤5.重复步骤2-4，直至循环次数t＝T时，将t个弱预测器均训练完毕，将弱预测器按照权重进行组合，组成强预测器，即为寿命衰减函数模型G(x)，如下所示：
G(x)＝α1G1(x)-α2G2(x)-α3G3(x)-...-αtGt(x)
其中，G(x)为剩余寿命，G1(x)、G2(x)、G3(x)……Gt(x)为影响GIS设备寿命的各个因素对应的弱预测模型。
一种实现基于电气、化学、结构、振动参量的GIS寿命预测方法的预测系统，所述预测系统包括依次连接的数据预处理模块、建立模型模块和预测评估模块三部分；
数据预处理模块用于数据收集，特征值筛选以及参数寻优；
建立模型模块用于拟合模型，模型训练，以及模型验证；
预测评估模块用于建立预测合集，预测分析，以及预测修正。
一种移动终端，包括存储器、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，所述处理器执行所述程序时实现所述基于电气、化学、结构、振动参量的GIS寿命预测方法。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述基于电气、化学、结构、振动参量的GIS寿命预测方法中的步骤。
有益效果：
本发明提出基于电气、化学、结构、振动参量的GIS寿命预测方法，通过分析影响电气、化学、结构、振动参量的各种因素，确定所需要收集的变量为温度、湿度、降水量、气压、光照强度、盐碱度、空气盐度、地震强度、地形坡度、海拔高度。采用AdaBoost-FA-BP算法解决现有预测寿命单一不准确的问题，AdaBoost-FA-BP算法在确保运算准确的同时减少训练时间。本发明综合基于GIS设备运行环境的复杂性和多变性，充分发挥数学模型在预测GIS设备寿命方面的优势。本发明不仅能够更加准确、全面地预测GIS设备的剩余寿命，还能够提前预知GIS设备运行状况的变化，及时采取维护和保养措施，从而实现GIS设备的全寿命周期管理，提高设备的利用率和经济效益。此外，本发明还可以为GIS设备的设计和制造提供有益的参考和指导，帮助厂商制定更好的产品设计和制造标准，提高GIS设备的质量和可靠性。最终，本发明可以大大提高电力系统的运行效率和可靠性，为电力系统的发展和现代化提供有力的支持。
附图说明
图1为本发明的预测系统示意图；
图2为环境因素对GIS剩余寿命的影响示意图；
图3为本发明FA-BP弱预测器建立的方法流程图；
图4为本发明AdaBoost-FA-BP强预测器建立的方法流程图；
图5为GIS的整体应力云图；
图6为1号支架应力云图；
图7为2号支架应力云图；
图8为3号支架应力云图；
图9为4号支架应力云图。
具体实施方式
以下结合说明书附图更详细的说明本发明。
本发明通过分析影响电气、化学、结构、振动参量的各种因素，其中包括：电接触状态、绝缘老化、金属老化及腐蚀、触头局放、基座振动变形、机械零部件受损。确定所需要收集的变量为温度、湿度、降水量、气压、海拔高度、地震强度、地形坡度、盐碱度、空气盐度、光照强度。其中影响电接触状态的变量有温度、湿度、降水量；影响绝缘老化的变量有温度、湿度、降水量、气压、海拔高度；影响金属老化及腐蚀的变量有温度、湿度、降水量、海拔高度、空气盐度、光照强度；影响触头局放的变量有湿度、海拔高度、空气盐度、光照强度；影响基座振动变形的变量有地震强度、地形坡度、盐碱度、空气盐度、光照强度；影响机械零部件受损的变量有地震强度、地形坡度。采用GIS运行环境中的温度、湿度、降水量、气压、光照强度、盐碱度、空气盐度、地震强度、地形坡度、海拔高度等作为变量。本发明基于电气、化学、结构、振动参量的GIS寿命预测方法构建基于AdaBoost-FA-BP算法的模型，通过输入待测GIS环境的参数信息，计算出GIS的寿命预测值，对GIS的使用现状和剩余寿命进行评估，为GIS设备的维护提供参考。AdaBoost-FA-BP算法是利用BP神经网络作为弱预测器，并使用FA算法对BP神经网络模型进行优化，再得到数个弱预测器之后，使用AdaBoost集成算法集成所有弱预测器，得到最终的强预测的寿命模型。
其中，BP神经网络模型具有优秀的拟合能力，在多个领域均有较好的适用性，相较于其他方法预测精度更高，故选择其作为弱预测器。但在进行训练时极易导致过拟合现象，从而导致在预测时出现失真。而且由于BP神经网络模型对初始权重十分敏感，不同的初始权重可能会导致不同的训练结果，所以采用萤火虫算法对其优化，寻找最优参数以优化网络结构，提高弱预测器的泛化能力；然后利用AdaBoost优秀的提升效果和抗过拟合能力将聚类方法和神经网络相结合，集成所有弱预测器，组成强预测器展开寿命预测。不断降低预测误差，最终实现预测效果的整体提高。具体流程示意图如图3所示。AdaBoost算法可以通过在多个弱预测器之间循环，每次更新样本的权值。并且可以通过改变样本权值分布的方式，使得训练更加关注错误分类的样本，减少极少数失效样本对整体模型的影响。
Adaboost-FA-BP算法是一种结合了Adaboost、FA、和Bp神经网络的分类算法，具有高分类准确率、鲁棒性强、可扩展性好、自适应性强和适用性广等优点，但Adaboost-Fa-BP仍不成熟，算法需要进行多轮迭代训练，训练时间较长。因此本发明在萤火虫算法中采用动态步长，极大程度的减少在迭代次数少的计算，在迭代次数大时，也具有精细计算的特点；并令萤火虫中的最亮样本不进行随机移动，其他样本只向着最亮样本移动，也可以增加计算速度，并且结合维度对萤火虫种群进行划分区域同时寻找最亮样本，多区域并行计算也可以减少计算时间。在寻找到最亮萤火虫的位置之后，将其作为BP神经网络优化后的初值和阈值，以获得更好的预测性能，加快计算进程。样本数据经过FA-BP神经网络模型后输出弱预测器，代替Adaboost原本的弱分类器，在提高计算准确度的同时，也提升了计算速度，减少训练时间。
本发明一方面提出一种实现基于电气、化学、结构、振动参量的GIS寿命预测方法的预测系统，如图1所示，该预测系统包括依次连接的数据预处理模块、建立模型模块和预测评估模块三部分。
数据预处理模块用于数据收集，特征值筛选以及参数寻优。为了提高数据质量消除数据冗余和不一致性，从而提高数据分析和建模的准确性和可靠性。在进行数据建模之前，必须先进行数据预处理。
建立模型模块用于拟合模型，模型训练，以及模型验证。在建立模型的过程中，需要根据实际问题和数据特征，选择适当的方法和算法，并进行模型构建、模型训练等，以获得准确、可靠的模型结果。
预测评估模块用于建立预测合集，预测分析，以及预测修正。在进行预测评估的过程中，需要根据实际问题和数据特征，选择适当的评价方法以获得准确、可靠的预测结果。
本发明另一方面提出一种基于电气、化学、结构、振动参量的GIS寿命预测方法，如图3所示，步骤为：
步骤1收集大量GIS设备正常运行和故障时的样本数据，组成数据集，将数据集分为训练集和测试集；
数据预处理模块收集大量GIS设备正常运行和故障时的样本数据，并获取GIS设备的相关参数，例如各电气设备的额定容量、额定电压、短路阻抗等参数。样本数据来源于测量GIS设备所在环境的温度、湿度、降水量、气压、光照强度、盐碱度、空气盐度、地震强度、地形坡度、海拔高度参数等以及对应的剩余寿命组成数据集。从数据集中随机选取n个训练样本Data＝[(x1，y1)，(x2，y2)，(xi，yi)…，(xn，yn)]作为训练集，剩余数据作为测试集。通常训练集与测试集的数量比为3:1。
步骤2建立FA优化BP网络的FA-BP神经网络，将训练集输入FA-BP神经网络，并输出弱预测器模型Gt(x)；
FA萤火虫种群个体i包含了BP神经网络的权值和阈值，通过计算适应度函数来确定每个萤火虫个体i的适应度值，即亮度，通过比较萤火虫的亮度更新萤火虫个体位置Xi和亮度Ii。当适应度值达到最低临界点或进化达到最大代数，则完成最佳萤火虫个体的寻找，其中最佳萤火虫个体i即是最佳的初始权值和阈值，使BP神经网络的网络性能更优。具体分3个部分：神经网络网络结构的确定、萤火虫算法优化、FA-BP神经网络训练和预测，具体步骤如下：
(1)神经网络结构的确定；
通过建立模型模块建立FA-BP神经网络模型，确定FA-BP神经网络的三层结构，设置输入层、隐含层、输出层的节点数分别为R、S1、S2，隐含层和输出层的传递函数分别为f1和f2。并设置萤火虫算法的参数，设置萤火虫种群个数m，最大吸引度βo，光强吸收系数γ和步长因子η。并初始化萤火虫的位置X0和亮度I0。
(2)计算空间的维度D＝R×S1+S1+S2×S1+S2，设定步长为η，
其中，e为自然数，t为迭代次数，当迭代次数t很小时，步长η较大，可以大幅度减小计算次数；随着迭代次数的增加，步长η逐渐变小，在小范围内也可做到精细计算。极大程度上加快了计算速度。(3)根据维度D划分区域，多区域并行寻找区域内最亮样本；
由于数据量很大，在m个样本数据中，划分m/D个区域，在每个区域内选取m/D2个随机样本，多个区域并行计算。在每个区域内随机抽取一个样本k作为初始值，由于最亮的萤火虫也会随机移动，为减小随机移动带来的计算，令每次计算得到的最亮的样本不移动。通过比较样本i和k的亮度，若k的亮度比i大，则k为最亮样本保持不动，反之令i为最亮的样本个体，同时令其保持不动，其他亮度弱的个体向此样本移动。设适度值范围为{fimin，fimax}，并随机抽取该区域其他萤火虫个体i的位置向量Xi中元素输入到FA-BP神经网络里得到预测输出值ai。并计算训练误差ei。同时令ei＝fi。若fi＞fk，则萤火虫i个体取代k个体做为区域内最亮样本，若fi＜fk，则k样本最亮，继续和区域内的其他样本进行比较，其中：
式中，yi为Xi元素对应的真实值。
(4)多区域最亮样本比较，得到全区域内最亮的样本，更新亮度和位置；
在得到每个区域内的最亮样本之后，比较这些样本的亮度，得到全区域内最亮的样本，同时更新此萤火虫的位置和亮度公式，其中；
萤火虫发光亮度I可表示为：
I＝I0×exp(-γ·rij)
式中，rij为萤火虫i与j在D维空间位置xi和xj的空间距离，γ为光强吸收系数，I0为萤火虫i的初始亮度。rij可表示为：
rij＝||xi-xj||。
其中：
萤火虫的吸引度β可表示为：
萤火虫i朝着比其更亮的萤火虫j移动的位置更新公式为：
式中，η0为步长中最小值。
(5)将最亮的萤火虫的位置和亮度输入到BP神经网络中作为初值，输出FA-BP弱预测器Gt(x)；
将亮度最大的萤火虫位置输入到FA-BP神经网络中做初值，通过FA-BP神经网络更新连接权值，直至FA-BP神经网络到达最大迭代次数，训练结束，得到训练合格的FA-BP神经网络，将测试样本输入FA-BP神经网络，得到对应的弱预测器模型Gt(x)。
本步骤通过萤火虫算法的迭代过程，可以优化神经网络的初值，以获得更好的预测性能。在FA-BP神经网络中，每轮迭代中更新萤火虫的位置和亮度，直到达到预定的停止条件。最终，可以得到一个优化后的FA-BP神经网络模型，输出弱预测器。
步骤3使用AdaBoost算法集成所有弱预测器模型Gt(x)，以用于建立并训练AdaBoost强预测器；
强预测器的构建：影响GIS寿命预测因素大致分为气候因素、地形因素、土壤因素和其他因素，不同因素包含不同的参数，各个参数对GIS寿命预测的影响方面也不同，大致分为影响其电接触状态、影响绝缘老化、影响金属部件的老化和腐蚀、影响触头局放、振动导致基座变形、导致机械零部件受损等问题。基于步骤2建立的FA-BP神经网络的弱预测器模型，把每个因素的弱预测器模型都建立之后，利用优秀的AdaBoost提升效果和抗过拟合能力组合成强预测器模型，通过强预测器模型来预测GIS设备的剩余寿命。
如图4所示，AdaBoost强预测器训练过程(AdaBoost算法)为：
1.对训练集数据进行标准化处理，并赋予每条数据同等权重，Dt(i)＝1/n，i＝1，2，…n，n为样本数据个数；
2.求解样本和弱预测器的权重，针对样本Data＝[(x1，y1)，(x2，y2)，(xi，yi)…，(xn，yn)]，其权重分布为Dt(i)＝(ωil,ωi2，…ωiN)。设有t个弱预测器，误差判别函数为ht，预测误差率为et，弱预测器权重为αt，将训练相对误差超过θ的视为错误，计算第t个弱预测器的错误比率et，并计算弱预测器的权重αt，
3.根据误差判别函数ht计算训练样本的权重，同时更新训练数据的权重，计算公式如下：其中：
4.对权重值αt进行归一化处理，即把αt代入到Dt+1(i)中得到：
5.重复步骤2-4，直至循环次数t＝T时，将t个弱预测器均训练完毕，将弱预测器按照权重进行组合，组成强预测器，即为寿命衰减函数模型G(x)，如下所示：
或者，G(x)＝α1G1(x)-α2G2(x)-α3G3(x)-...-αtGt(x)
其中，G(x)剩余寿命，G1(x)、G2(x)、G3(x)……Gt(x)为影响GIS设备寿命的各个因素对应的弱预测模型，例如温度、湿度、地震强度、海拔高度等，然后通过更改权重之后集成强预测器模型。如图2所示，通过分析影响电气、化学、结构、振动参量的各种因素，确定所需要收集的变量为温度、湿度、降水量、气压、光照强度、盐碱度、空气盐度、地震强度、地形坡度、海拔高度。其中包括：电接触状态、绝缘老化、金属老化及腐蚀、触头局放、基座振动变形、机械零部件受损。确定所需要收集的变量为温度、湿度、降水量、气压、海拔高度、地震强度、地形坡度、盐碱度、空气盐度、光照强度。其中影响电接触状态的变量有温度、湿度、降水量；影响绝缘老化的变量有温度、湿度、降水量、气压、海拔高度；影响金属老化及腐蚀的变量有温度、湿度、降水量、海拔高度、空气盐度、光照强度；影响触头局放的变量有湿度、海拔高度、空气盐度、光照强度；影响基座振动变形的变量有地震强度、地形坡度、盐碱度、空气盐度、光照强度；影响机械零部件受损的变量有地震强度、地形坡度。各个因素的影响是复杂的，这些因素往往都是相互作用、相互影响的。例如沿海地区发生的导致基座变形的问题会同时受会受高盐雾、高湿度的影响，因此若在沿海地区的GIS设备在设计制作和维保时应特别注意基座的问题，以延长基座的寿命，从而延长GIS设备的寿命。在使用之前需要考虑到这些因素，并找到最适合实际情况的模型来进行预测和分析。
步骤4得到寿命衰减函数模型G(x)后，将训练集的弱分类器输入至寿命衰减函数模型G(x)进行准确性判断，得到合格的寿命衰减函数模型G(x)，将测试集输入合格的寿命衰减函数模型G(x)，输出预测寿命值。
预测评估模块中，将训练集的弱分类器输入步骤3得到的寿命衰减函数模型G(x)，输出寿命预测值，当寿命预测值和数据集中实际寿命值的绝对误差小于等于5％时，停止寿命衰减函数模型G(x)的AdaBoost强预测器训练，则判定为合格无需修正；当寿命衰减函数模型G(x)的预测值和数据集中对应的实际寿命值的误差大于5％时，返回步骤3继续对寿命衰减函数模型G(x)的AdaBoost强预测器训练，直至误差小于等于5％，停止AdaBoost强预测器的修正训练，更新并输出最终合格的寿命衰减函数模型G(x)。然后即可将测试集或者其他运行中的GIS的数据输入至合格的寿命衰减函数模型G(x)，输出寿命预测值，进行寿命预测。
求得GIS的剩余寿命之后，本发明还能够提前预知GIS设备运行状况的变化，及时采取维护和保养措施，从而实现GIS设备的全寿命周期管理，提高设备的利用率和经济效益。为GIS设备的设计和制造提供有益的参考和指导，帮助厂商制定更好的产品设计和制造标准，提高GIS设备的质量和可靠性。
实施例1
由于环境因素较多，本实施例选取地震强度为自变量进行对比校正，以GIS设备中的隔离开关为研究对象，对该隔离开关在分合闸两种不同工况下进行了计算分析。通过本发明方法与现有有限元预测方法进行比对。该GIS的实际寿命是12年。
具体如下：
1)本发明方法：
S1.采集多组GIS设备运行环境中的参数信息以及故障数据，参数信息包括温度、湿度、降水量、气压、光照强度、盐碱度、空气盐度、地震强度、地形坡度、物浓度、海拔高度参数等。其次从不同位置选取100个数据点，并采集这些数据点的参数信息。基于到四季变化，雨季更替等问题，所测量的参量均会有较大的变化，即将每个工作参数分为几个参数范围，且各个参数范围的并集为完整的参数取值范围，其中每个参数范围对应不同的权重值。
S2.将S1中所述参数作为自变量，将数据集按照3:1分成训练集和测试集。本实施例中选150组参数数据对寿命衰减函数模型进行训练。将训练样本输入并建立到寿命衰减函数模型。同时在有限元分析软件中建立GIS的仿真模型，通过仿真模型计算GIS设备该因素下的寿命值，将通过模型计算得到GIS寿命值和与仿真得到的寿命值对比，直至计算值与实际值的相差小于百分之五，即可得到训练好的基于AdaBoost-FA-BP算法的理论子模型，重复训练步骤，每次更新样本的权值，并把这些子模型组合，就得到一种基于AdaBoost-FA-BP算法的基于电接触状态，绝缘老化，基座振动变形等多参量GIS的剩余寿命的预测系统。选取待预测参数，若只考虑地壳运动这个因素，输入到训练好的模型中，计算GIS的寿命的预测结果为12.2年，误差为1.6％。不使用FA算法的优化模型计算的寿命值为12.8年，误差为6.25％。
2)现有有限元分析预测方法
利用有限元分析软件建立了该隔离开关物理模型。设定其弹性模量、柏松比和密度等参数，具体参数见表1.1所示。
表1.1隔离开关各部件参数
当地面以加速度运动时，若体系的刚度系数k和阻尼系数c为常数，则单质点体系的阻尼运动方程为：
式中f(t)为地震动所引起的惯性力，即单质点的质量和绝对加速度的乘积。
式1-1表示动的状态，而式1-2的惯性力与系统的恢复力、抵抗力相平衡，方便的把动力学问题转化为静力学问题来处理。即
式中ξ为体系的临界阻尼比，ω为无阻尼圆频率，ωd为阻尼圆频率。
地震反应谱表示单质点弹性体系在地震地面作用下最大反应与结构自振频率的曲线。即在反应谱分析中，作用在体系结构上的载荷是惯性力f(t)的最大值，设F表示地震荷载的最大值，则：
令则有：
F＝mkβg＝kβW(1-5)
其中，k、β、W分别为地震系数、动力放大系数和质点重量，动力放大系数β等于最大反应加速度Sα与地面最大加速度kg之比。
若按8度设防烈度，设计基本地震加速度值按水平方向0.5g和0.425g，竖直方向0.325g，地震影响系数最大值为1.0，将地震频谱从水平向(X向)、轴向(Z向)和竖直方向(Y向)输入，并对底部的节点进行全自由度约束，得出该隔离开关打开接地开关关合和隔离开关关合接地开关打开时在该地震谱作用下的应力和位移云图，如下图4-9所示。共4种类型支架，相同类型的支架只标注一个为参考；1号支架为支架上方为半径3.7米，材料为玻璃钢的圆形套管；下方宽6米，高3.75米，材料为Q235的方形支撑底座；2号支架为底座宽12米，高6米，材料为Q235；3号支架为底座宽12米，高6米，材料为Q235；4号支架为底座宽12米，高6米，材料为Q235的双层支撑结构。
表1.2GIS受地震强度影响时各结构最大应力
由表1.2可以看出，最大应力出现在4号支架处，为3.58MPa；代入S-N曲线公式之中，S-N曲线的数学表达式为：
log(t)＝A-B*log(S)
式中，t表示疲劳寿命，S表示应力幅值，A和B是常数。
根据实验数据，可以得到Q235材料的S-N曲线公式为：
log(t)＝9.43-0.12×log(S)
若代入S＝3.58MPa，得到t＝4.12×108s，约为13.1年。误差为8.4％。
由于本实施例只考虑了一个因素，实际情况较为复杂，但从预测结果中可以看出本发明方法得到的预测值更接近真实值，且误差值远低于有限元分析预测方法的误差值和不使用FA优化算法的模型的误差值。
在实际应用中，通过本发明方法计算出GIS的预测寿命后，通过减去已经使用的时间，得到待测GIS的剩余寿命参考值。维保人员可以通过设备剩余寿命的估计来提前制定维护时间，缩短维护时间从而缩短停电时间，减少因停电维护而造成的影响而且促使延长GIS的使用寿命，以增加经济效益。
Claims (8)
1.一种基于电气、化学、结构、振动参量的GIS寿命预测方法，其特征在于：步骤为：
步骤S1收集大量GIS设备正常运行和故障时的样本数据，组成数据集，将数据集分为训练集和测试集；
步骤S2建立FA优化BP网络的FA-BP神经网络，将训练集输入FA-BP神经网络，输出弱预测器模型Gt(x)；
步骤S3使用AdaBoost算法集成所有弱预测器模型Gt(x)，建立强预测器；
步骤S4得到寿命衰减函数模型G(x)后，将训练集的数据输入至寿命衰减函数模型G(x)进行准确性判断，得到合格的寿命衰减函数模型G(x)，将测试集输入合格的寿命衰减函数模型G(x)，输出预测寿命值。
2.根据权利要求1所述的一种基于电气、化学、结构、振动参量的GIS寿命预测方法，其特征在于：步骤S2中FA-BP神经网络输出弱预测器模型Gt(x)的过程为：
(1)确定FA-BP神经网络的结构；
(2)计算空间的维度D，设定步长为η；
(3)根据维度D划分区域，多区域并行寻找区域内最亮样本；
(4)多区域最亮样本比较，得到全区域内最亮的样本，通过位置更新公式更新萤火虫的位置和亮度；
(5)将最亮的萤火虫的位置和亮度输入到FA-BP神经网络中作为初值，输出FA-BP弱预测器Gt(x)。
3.根据权利要求2所述的一种基于电气、化学、结构、振动参量的GIS寿命预测方法，其特征在于：所述步骤(2)中步长η为：
其中，e为自然数，D为维度，t为迭代次数。
4.根据权利要求2所述的一种基于电气、化学、结构、振动参量的GIS寿命预测方法，其特征在于：所述步骤(4)中位置更新公式为：
式中，βo为最大吸引度，rij为萤火虫i与j在D维空间位置xi和xj的空间距离，γ为光强吸收系数，η0为步长中最小值。
5.根据权利要求1所述的一种基于电气、化学、结构、振动参量的GIS寿命预测方法，其特征在于：所述步骤S4中AdaBoost算法的步骤为：
步骤1.对训练集数据进行标准化处理，并赋予每条数据同等权重，Dt(i)＝1/n，i＝1，2，…n，n为样本数据个数；
步骤2.求解样本和弱预测器的权重，针对样本Data＝[(x1，y1)，(x2，y2)，(xi，yi)…，(xn，yn)]，其权重分布为Dt(i)＝(ωil,ωi2，…ωiN)；设有t个弱预测器，误差判别函数为ht，预测误差率为et，弱预测器权重为αt，将训练相对误差超过θ的视为错误，计算第t个弱预测器的错误比率et，并计算弱预测器的权重αt，
步骤3.根据误差判别函数ht计算训练样本的权重，同时更新训练数据的权重，计算公式如下：其中：
步骤4.对权重值αt进行归一化处理，即把αt代入到Dt+1(i)中得到：
步骤5.重复步骤2-4，直至循环次数t＝T时，将t个弱预测器均训练完毕，将弱预测器按照权重进行组合，组成强预测器，即为寿命衰减函数模型G(x)，如下所示：
G(x)＝α1G1(x)-α2G2(x)-α3G3(x)-...-αtGt(x)
其中，G(x)为剩余寿命，G1(x)、G2(x)、G3(x)……Gt(x)为影响GIS设备寿命的各个因素对应的弱预测模型。
6.一种实现如权利要求1所述的一种基于电气、化学、结构、振动参量的GIS寿命预测方法的预测系统，其特征在于：
所述预测系统包括依次连接的数据预处理模块、建立模型模块和预测评估模块三部分；
数据预处理模块用于数据收集，特征值筛选以及参数寻优；
建立模型模块用于拟合模型，模型训练，以及模型验证；
预测评估模块用于建立预测合集，预测分析，以及预测修正。
7.一种移动终端，包括存储器、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，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任一项的基于电气、化学、结构、振动参量的GIS寿命预测方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，
所述程序被处理器执行时实现如权利要求1至5中任一项所述基于电气、化学、结构、振动参量的GIS寿命预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311209460.0A CN117113852A (zh) | 2023-09-18 | 2023-09-18 | 基于电气、化学、结构、振动参量的gis寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311209460.0A CN117113852A (zh) | 2023-09-18 | 2023-09-18 | 基于电气、化学、结构、振动参量的gis寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117113852A true CN117113852A (zh) | 2023-11-24 |
Family
ID=88798366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311209460.0A Pending CN117113852A (zh) | 2023-09-18 | 2023-09-18 | 基于电气、化学、结构、振动参量的gis寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113852A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875138A (zh) * | 2024-03-12 | 2024-04-12 | 大连理工大学 | 一种机理与数据融合驱动的飞行器结构寿命预测方法 |
| CN118378502A (zh) * | 2024-06-26 | 2024-07-23 | 江苏瑞友康电子科技有限公司 | 一种铝电解电容器的寿命评估方法及系统 |
-
2023
- 2023-09-18 CN CN202311209460.0A patent/CN117113852A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875138A (zh) * | 2024-03-12 | 2024-04-12 | 大连理工大学 | 一种机理与数据融合驱动的飞行器结构寿命预测方法 |
| CN118378502A (zh) * | 2024-06-26 | 2024-07-23 | 江苏瑞友康电子科技有限公司 | 一种铝电解电容器的寿命评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117113852A (zh) | 基于电气、化学、结构、振动参量的gis寿命预测方法 | |
| CN109934423A (zh) | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN103544544B (zh) | 一种能源消耗预测方法及装置 | |
| CN102072922A (zh) | 基于粒子群优化神经网络模型的木材含水率检测方法 | |
| CN107358318A (zh) | 基于GM（1,1）模型和灰色Verhulst模型的城市用电量预测方法 | |
| CN104376214A (zh) | 基于数据驱动的脉动风速模拟方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
| Nazhad et al. | A comparison of the performance of some extreme learning machine empirical models for predicting daily horizontal diffuse solar radiation in a region of southern Iran | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN107194507A (zh) | 一种基于组合支持向量机的风电场短期风速预测方法 | |
| CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
| CN114707422A (zh) | 一种基于负荷预测的智能电力缉查方法 | |
| CN113408192B (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
| CN114139802A (zh) | 一种基于流域水情变化趋势分析模型的实时优化调度方法 | |
| CN117077546A (zh) | 基于数据驱动的电力系统负荷建模方法及其系统 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| CN109697630B (zh) | 一种基于稀疏回归的商家客流量多因素分析与预测方法 | |
| CN116090328A (zh) | 一种电压互感器运行性能趋势预测方法与系统 | |
| CN115828698A (zh) | 基于内嵌物理信息学习的输电塔风振动力响应预测方法 | |
| CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 |
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 |