[发明专利]基于改进万有引力支持向量机的在线监测数据校正方法

说明书

技术领域

本发明属于输变电设备在线监测数据校正领域，涉及一种基于改进万有引力支持向量机的在线监测数据校正方法，具体应用在油色谱、铁芯接地电流、套管介损、局部放电等在线监测装置的数据校正过程中。

背景技术

近年来，输变电设备的维修方式逐步由定期维修向状态维修过渡，在线监测技术能及时发现电气设备缺陷故障，保证设备安全运行，是实现状态维修的前提之一。由于在线监测受到测量仪器精度、强烈的电磁干扰、环境温度、湿度和系统运行方式等因素的影响，数据存在很多不合理的噪声数据，因此对数据校正方法的研究具有重要意义。

1961年，由Kuehn等首先提出化工过程的稳态数据校正问题，其准则为：在满足物料平衡和热量平衡的条件下，要求校正值与它对应的测量值的偏差之平方和最小。此后，国内外学者对数据校正技术做了大量的研究。Crowe等20世纪80年代提出了一种基于迭代线性化的方法来求解非线性数据校正问题，随后Liebman等人提出应用非线性规划而非迭代线性化来提高求解非线性数据校正问题效率。1991年，Tjao与Biegler根据贝叶斯原理，在最大似然法的基础上引入了过失误差的概率分布，提出了数据校正与过失误差诊断同步方法。

目前，数据校正的方法主要有：非线性规划法、最小二乘法、人工神经网络法、贝叶斯网络等。非线性规划法由于计算时间太长，计算复杂，不能满足动态数据校正实时性的要求。最小二乘法能有效地发现噪声数据，但拟合的误差大，校正准确度低。人工神经网络法拟合效果好，但数据量大时，训练时间长，存在“过学习”的问题。贝叶斯网络通过大量历史数据的学习能得到较为准确的模型，但网络中的关键参数需要通过专家的经验得到，存在着主观性。

发明内容

为了解决上述的技术问题，本发明提出了一种基于改进万有引力搜索算法和支持向量机的数据校正的方法。

本发明所采用的技术方案是：一种基于改进万有引力支持向量机的在线监测数据校正方法，其特征在于，包括以下步骤：

步骤1：对输变电设备进行数据采集，所述的数据包括输变电设备在线监测数据、离线试验数据和带电检测数据；

步骤2：初始化在线监测数据的允许偏差半径，初始化支持向量机回归模型中的参数；

步骤3：优化支持向量机中的错误惩罚因子C和核参数σ，通过万有引力算法得到支持向量机中错误惩罚因子C和核参数σ的最优组合；

步骤4：利用离线试验数据或带电检测数据对支持向量机进行训练，得到训练好的支持向量机回归模型；

步骤5：判断在线监测数据中的历史数据是否在支持向量机回归模型允许偏差范围内？

若是，则在线监测数据中的历史数据正常，该在线监测数据中的历史数据作为校正后的在线监测数据；

若否，则由支持向量机回归模型拟合该时刻的数据，用拟合值代替异常数据，获得校正后的在线监测数据；

步骤6：判断在线监测数据中的实时数据是否在支持向量机回归模型允许偏差范围内？

若是，则在线监测数据中的实时数据正常，该在线监测数据中的实时数据作为校正后的在线监测数据；

若否，则由支持向量机回归模型预测该时刻的数据，用预测值代替异常数据，获得校正后的在线监测数据；

步骤7：利用校正后的在线监测数据，对输变电设备进行做状态评价、故障诊断、风险评估和寿命预测方面的数据分析。

作为优选，步骤2中所述的初始化在线监测数据的允许偏差半径，初始化支持向量机回归模型中的参数；其具体实现包括以下子步骤：

步骤2.1：初始化万有引力算法的参数，初始化种群的个数N、算法中的常数ε₀、α、G₀和K、每个物体的位置和速度；

步骤2.2：确定支持向量机回归模型中需要优化参数的取值范围，确定错误惩罚因子C和核参数σ最优值的取值范围，其中万有引力算法中种群为：

X=((C₁,σ₁),(C₂,σ₂),…,(C_N,σ_N))；

步骤2.3：在每组参数取值范围内，随机选取一组参数值作为一个物体的位置，将支持向量机拟合值与实际值的误差作为适应度，误差越小，则该组参数的性能越好，适应度越大；

步骤2.4：计算每个物体的合力、加速度和向前移动的速度，对每个物体的位置进行更新；

步骤2.5：判断万有引力算法是否达到终止条件?

若达到，则选取最优解为支持向量机的参数；