[发明专利]一种变压器油酸值多频超声波测试回归预测方法

权利要求书

1.一种变压器油酸值多频超声波测试回归预测方法，其特征在于：包括以下步骤：

步骤1：对变压器油样进行多频超声波特性测试及酸值测定，利用支持向量回归机建立变压器油酸值回归预测模型；

步骤2：采用遗传算法对变压器油酸值回归预测模型的惩罚函数惩罚因子C、核函数参数σ及不敏感损失函数损失因子ε进行寻优组合；

步骤3：建立基于遗传算法优化支持向量机的变压器油酸值多频超声波测试回归预测模型；

步骤4：获取变压器油样的多频超声波声学频谱，对变压器油中酸值进行预测。

2.根据权利要求1所述的一种变压器油酸值多频超声波测试回归预测方法，其特征在于：步骤1所述的对变压器油样进行多频超声波特性测试及酸值测定，利用支持向量回归机建立变压器油酸值回归预测模型为f(x)：b为阈值向量，a_i和为拉格朗日算子，K(x_i，x_j)为满足Mercer条件的核函数，σ为核函数参数。

3.根据权利要求1所述的一种变压器油酸值多频超声波测试回归预测方法，其特征在于：步骤1所述的对变压器油样进行多频超声波特性测试及酸值测定，利用支持向量回归机建立变压器油酸值回归预测模型，变压器油酸值回归预测模型的建立还包括以下步骤：

步骤1.1：给定样本训练集T＝{(x_i，y_i)，i＝1，2，...，l}，其中x_i和y_i分别为样本输入特征值和输出样本值，其中R^d和R表示x和y对应的输入空间；

步骤1.2：构造的最优决策回归函数为f(x)：其中为将样本输入转化为高维特征空间的非线性映射函数，w^T为权值向量；

步骤1.3：引入不敏感损失函数损失因子ε，计算不敏感损失函数L_ε；

步骤1.4：引入松弛变量ξ_i和计算目标函数的最小值minψ(w，ξ，ξ^*)；

步骤1.5：采用对偶原理将非线性回归转化为二次规划问题，并计算凸二次规划问题；

步骤1.6：计算阈值向量b；

步骤1.7：在给定训练集计算最优决策回归函数。

4.根据权利要求1所述的一种变压器油酸值多频超声波测试回归预测方法，其特征在于：步骤2所述的采用遗传算法对变压器油酸值回归预测模型的惩罚函数惩罚因子C、核函数参数σ及不敏感损失函数损失因子ε进行寻优组合还包括以下步骤：

步骤2.1设置种群规模M、最大进化代数T的值，确定惩罚函数惩罚因子C、核函数参数σ以及不敏感损失函数损失因子ε的取值范围，在搜索空间随机产生N个个体作为初始种群，并作为当前种群；

步骤2.2利用当前种群个体参数训练支持向量机模型，计算每个个体的适应度函数值；

步骤2.3判断终止条件，若满足终止条件，则提交最优个体，结束遗传操作，否则进行步骤2.4；

步骤2.4对当前种群进行选择、交叉、变异运算，得到新一代种群即子代种群；

步骤2.5将子代种群作为当前种群，转至上述步骤2.2，进行下一次迭代，直至获得最优参数。

5.根据权利要求3所述的一种变压器油酸值多频超声波测试回归预测方法，其特征在于：步骤1.3所述的引入不敏感损失函数损失因子ε，计算不敏感损失函数L_ε，计算式为式中y输出样本值，f(x)为最优决策回归函数，ε为不敏感损失函数损失因子。

6.根据权利要求3所述的一种变压器油酸值多频超声波测试回归预测方法，其特征在于：步骤1.4所述的引入松弛变量ξ_i和计算目标函数的最小值minψ(w，ξ，ξ^*)，计算式为w、w^T为权值向量，ξ_i及为松弛变量，C为惩罚函数惩罚因子；其中C的约束条件为为将样本输入转化为高维特征空间的非线性映射函数，b为阈值向量，ε为不敏感损失函数损失因子，y_i为样本输出样本值。