[发明专利]一种开关设备的机械特性预测方法

权利要求书

1.一种开关设备的机械特性预测方法，其特征在于，所述方法包括如下步骤：

S100，建立对应关系：依据滑动时间窗算法，建立开关设备的当前机械特性曲线上每一点与之前机械特性曲线上相应历史数据点之间的对应关系；

S200，训练模型：利用支持向量机回归模型训练得到每个机械特性预测模型；

S300，使用模型预测：针对每个机械特性预测模型，通过滑动时间窗算法来进行所述开关设备的多步机械特性预测：在多步预测时，将当前单步预测的结果加入到已有的时间序列中，进行下一次结果的预测；

其中：

所述步骤S200具体包括：

S201：设X_t是一个表征被预测对象状态的特征向量，设时间序列{x_t},t＝1,…,T，构造特征向量d为特征向量的维度，d的大小与之前要建立对应关系的若干条机械特性曲线所包含的历史数据点的数量相同；设对应的目标值为y_t＝x_t+1，目标值y_t的集合选择最近得到的一条或若干条机械特性曲线的点，即与y_t之间存在映射关系

S202：从时间序列{x_t}中取n组特征向量，组成训练集矩阵目标值矩阵为Y＝(y_t,y_t+1,…,y_t+n-1)^T；对训练集里数据进行数据预处理；在首次进行训练时，选择使用radial函数作为核函数来进行模型训练；

S203：根据上一步得到的特征向量的维度和目标值，训练支持向量机回归模型，并通过参数寻优方法得到最优惩罚因子C和最优核函数参数g；

S204：利用得到的最优惩罚因子C和核函数参数g对训练集数据进行学习，生成一个模型；

S205：若预测误差的最大值小于一个阈值，则进入步骤S207；否则进入步骤S206；

S206：执行下述任一方式后，返回步骤S201：

(1)改变特征向量的维度；(2)改变特征向量的组数；(3)改变核函数的种类；(4)改变数据预处理方式；

S207：输出模型参数；

其中：

所述步骤S202中的限值在模拟预测试验时是人为确定的最大差值，若在该最大差值下得到的预测结果在误差允许范围内，则将该最大差值标定为经验值；而在实际预测时设定为多次模拟预测试验中预测结果都能在误差允许范围内的经验值；

所述数据预处理包括：首次执行步骤S200的子步骤时，根据训练集里数据的最大值与最小值的差值是否大于预先设定的限值，若不大于，则选择对训练集进行归一化处理方式，所述归一化处理方式包括将所有数据的数值范围处理到[0，1]内或将所有数据的数值范围处理到[-1，1]内；否则不进行归一化处理；非首次执行步骤S200的子步骤时，若进行了归一化处理，则将数据还原到归一化处理之前；否则，进行归一化处理；

所述步骤S205中的阈值根据机械特性的不同而不同，为若干次模拟预测试验中预测误差的最大值。

2.根据权利要求1所述的方法，其特征在于：

在所述步骤S100中，将通过等距抽样得到的抽样密度较小的机械特征曲线作为特征向量。

3.根据权利要求1所述的方法，其特征在于，设执行步骤S201～S205的当前执行次数为count；若首次执行步骤S201～S205，则count设为0；则所述步骤S206的另一种执行方式为：

若count为奇数次，且所述步骤S201中的特征向量维度小于给定维度，则执行步骤S2061；若count为偶数次，且所述步骤S201中的特征向量维度小于 给定维度，则执行步骤S2062；若所述步骤S201中的特征向量维度大于等于给定维度，则执行步骤S2063；

S2061：若当前核函数为radial函数，使用线性核函数代替radial核函；若当前核函数为线性核函数，则使用radial函数代替线性函数；重复执行步骤S201～S205，count次数加1；

S2062：增加步骤S201中的特征向量维度和特征向量组数；重复执行步骤S201～S205，count次数加1；

S2063：若步骤S202中训练集中的数据进行了归一化处理，则将训练集中的数据恢复到归一化前；否则，将训练集中的数据进行归一化处理；重复执行步骤S201～S205，count次数加1。