[发明专利]一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法

权利要求书

1.一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法，其特征在于，包括以下步骤：

1)采集初期样本数据，所述初期样本为能够表征发电机定子绝缘老化状态的非破坏性特征参量及破坏性参量，对初期样本数据进行预处理，对预处理后的初期样本数据进行特征提取，并以提取的特征向量作为样本数据；

2)利用模拟退火算法对粒子群算法进行优化，得模拟退火粒子群算法，然后基于模拟退火粒子群算法计算若干BP神经网络的初始权重及阈值；

3)根据步骤2)得到的各BP神经网络的初始权重及阈值构建若干BP神经网络，再利用步骤1)得到的样本数据对各BP神经网络进行训练；

4)根据各BP神经网络的训练误差确定各BP神经网络的权值；

5)根据各BP神经网络的权值利用Adaboost迭代算法组合各BP神经网络构成强预测器，然后利用强预测器预测能够表征发电机定子绝缘老化状态的击穿电压；

步骤2)的具体操作为：

21)设定学习因子、进化次数及种群规模，初始化粒子的位置及速度，其中，每个粒子的位置代表BP神经网络的一组初始权值及阈值；

22)计算初始粒子的适应度；

23)根据初始粒子的适应度选出个体最佳粒子p_best及群体最佳粒子g_best；

24)设置初始退火温度T，其中，T＝fitnesszbest/ln(5)，fitnesszbest为初始群体最佳粒子g_best的适应度；

25)判断当前粒子的进化次数是否满足预设进化次数条件，若满足，则输出群体最佳粒子的位置，即BP神经网络最优的初始权值及阈值，否则，则转至步骤26)；

26)更新各粒子的位置及速度；

27)计算每个新粒子的适应度；

28)计算新粒子的适应度与上个粒子适应度的差值Vf，当Vf小于0或exp(-Vf/T)rand，则接受新粒子的速度及位置，否则，则保留旧粒子的速度及位置；

29)通过适应度更新个体最佳粒子及群体最佳粒子；

210)进行退温操作，然后转至步骤24)；

步骤5)的具体操作为：利用各训练后的BP神经网络进行击穿电压的预测，然后根据各BP神经网络的权重对各BP神经网络的预测结果进行加权计算，并将加权计算的结果作为能够表征发电机定子绝缘老化状态的击穿电压。

2.根据权利要求1所述的BP-Adaboost强预测器预测发电机定子绝缘状态的方法，其特征在于，所述非破坏性特征参量包括吸收比、泄露电流、极化指数、介质损耗、介损增量及最大放电量增加率；破坏性参量为击穿电压。

3.根据权利要求1所述的BP-Adaboost强预测器预测发电机定子绝缘状态的方法，其特征在于，对初期样本数据进行预处理的具体操作为：利用MATLAB箱线图对初期样本数据进行异常值确定，以剔除异常值，然后利用近临插补法或牛顿插值法进行初期样本数据的插补。

4.根据权利要求1所述的BP-Adaboost强预测器预测发电机定子绝缘状态的方法，其特征在于，采用核主元分析法对预处理后的样本数据进行特征提取。