[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

说明书

本发明公开了一种BP‑Adaboost强预测器预测发电机定子绝缘状态的方法，包括以下步骤：1)采集初期样本数据，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，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)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，该方法能够对发电机定子绝缘状态进行准确预测。

技术领域

本发明属于发电机定子绝缘状态预测领域和人工智能领域，涉及一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法。

背景技术

大型发电机运行的可靠性关系到电网的运行稳定性，是电力系统关键的设备之一。其安全运行的威胁之一主要来自于绝缘体系的可靠性问题，在电机运行过程中，定子绕组要受到电、热、机械、环境等多种因素的联合作用，绝缘性能逐步劣化。在绝缘严重老化的情况下，可能引起发电机的绝缘故障。

为了避免发电机运行过程中发生定子绝缘故障，一般采取定期停机检修的方法，但该方法实施不灵活，造成了发电机负荷的浪费。如果能提前预测发电机定子绝缘的状态，再根据预测的状态采取相应的维修措施，将会大大提升发电机的运行效率和经济效益。

现有的发电机定子绝缘状态预测方法大多采用公式法。上述方法为定子线棒的状态预测做出了巨大贡献，但是有其局限性，不能对发电机实际绝缘状态做出准确的评估。综上，精确地预测出发电机定子绝缘状态对电网的稳定运行有重大的意义，具有良好的经济效益和广阔的应用前景。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法，该方法能够对发电机定子绝缘状态进行准确预测。

为达到上述目的，本发明所述的BP-Adaboost强预测器预测发电机定子绝缘状态的方法包括以下步骤：

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。

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。

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。

采用核主元分析法对预处理后的样本数据进行特征提取。

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；