[发明专利]一种基于IFOA-SVM的高压开关柜状态评估方法

权利要求书

1.一种基于IFOA-SVM的高压高压开关柜状态评估方法，其特征在于，所述方法包括以下步骤：

1)高压开关柜状态评估数据采集预处理，过程如下：

通过高压开关柜所配备的在线监测装置、各类传感器进行数据采集，首先，通过使用同类数据的均值和缺失位置数据前后测量值均值对缺失值进行补全，其次，通过对异常情况和正常情况的数据的对比，实现对极端异常值进行界定，从而删除极端异常；

2)高压开关柜状态评估数据归一化处理，过程如下：

采用式(1)对经过异常值和缺失值处理后的高压开关柜数据进行归一化处理；

式中，x_i为未归一化的高压高压开关柜数据；x_max为同组未归一化的高压开关柜数据中的最大值；x_min未同组未归一化的高压开关柜数据中的最小值；为归一化之后的高压开关柜数据；

3)确定模型的输入和输出，过程如下：

从在线监测、带电检测和停电实验多信息源中选取高压高压开关柜特征量，选取的特征量为局放值、超声波值、红外诊断、电缆接头温度和母排温度，采用预处理过的高压开关柜样本数据特征作为模型的输入，并将高压开关柜的状态作为输出；

4)确定SVM多分类策略，过程如下：

采用“一对一”策略与SVM结合拓展构成OVO-SVM高压开关柜状态估计分类器，在解决K类高压开关柜状态多分类问题时，在任意两个类别样本间构造一个二分类的SVM子分类器，一共需要构造K(K-1)/2个子分类器，每个子分类器的生成只需要用到训练样本中的两类数据，从而实现K类多分类问题中的两类区分；构造好所有的子分类器后，联合它们对新样本的类别进行决策，并采用“投票法”进行类别的判断，每个子分类器对待分类样本进行“投票”，对于某一个样本只能投1票，当遍历完所有的子分类器后，将样本划分到“得票数”最高的类别中，基于“一对一”分类策略的状态估计分类器在任意两类状态之间构建一个子分类器，将不同的子分类器组合在一起构成最终的分类器；

5)高压开关柜状态评估样本数据划分，过程如下：

把高压开关柜样本数据随即划分为训练数据集和测试数据集，其中，训练数据集所占比例为60％～80％，用于对模型的有监督训练学习，剩余的数据作为测试数据集，用于对训练后分类模型的测试；

6)构建混合核函数，过程如下：

对于高压开关柜所选取的多维特征，在SVM分类模型中引入核函数，将非线性高压开关柜原始数据特征映射到高维的线性可分特征空间中，从而使之线性可分；根据各个核函数的特点，构造混合核函数代替单一核函数，提高状态估计准确率，即

式中，K₁(x,z)为多项式核函数；K₂(x,z)为径向基核函数；λ为核函数比例系数，σ为径向基核函数宽度参数，x,z分别对应原始数据特征和在映射空间中的特征；K(x,z)为最终的混合核函数表达式；

7)根据步骤6)所得到的新的混合核函数，代入SVM分类模型之中，得到高压开关柜的状态估计模型为：

式中，y_i为第i个实例的输出，α_i为拉格朗日乘子，b为偏置，m为特征数量，f(x)表示分类器最终分类的结果；

8)基于改进果蝇优化算法IFOA算法对SVM进行参数优化，过程如下：

8.1)初始化IFOA参数：定义一个果蝇种群位于平面坐标系中，初始化种群规模s，最大迭代次数max_gen,确定果蝇个体位置坐标；待优化参数核函数比例系数λ、径向基核函数宽度参数σ和惩罚因子C，随机初始化种群位置为(λ₀，σ₀，C₀)，并赋予果蝇个体随机的运动方向和距离，从而生成种群中各个果蝇个体位置，定义种群中果蝇的只数为l，则第j只果蝇的坐标为，

式中，R为随机搜索距离；

8.2)计算果蝇个体寻优的适应度值：将果蝇位置坐标代入适应度函数F，根据适应度值F(λ,σ,C)评价果蝇个体位置的味道浓度，其中，适应度值根据SVM模型准确率A确定，求得种群中离食物位置最近的果蝇Fly，即求适应度的极大值maxF对应果蝇个体BI,

式中，D_T为所有预测正确的样本，D为总样本，BS为最佳浓度值，BI为果蝇个体；

8.3)保存最佳味道浓度值：将第一次执行的最佳适应度值BS保存于Sb，同时保存λ，σ，C坐标，得

8.4)确定诱导学习果蝇的平均位置坐标：对本代搜寻完成的果蝇味道适应度值进行排序，以仅次于最优果蝇的两个果蝇个体subBI1和subBI2作为诱导学习个体，分别计算其坐标的位置并求算术平均值得到λ_e、σ_e、C_e，即

8.5)计算果蝇群体收敛方向的目标位置：利用式(8)更新果蝇种群位置；

式中，η为学习因子，λ_j′，σ_j′，C_j′为新的果蝇位置坐标；

在果蝇寻优过程中，引入一种学习因子促使果蝇种群向精英果蝇个体学习，从而保证算法最终收敛于全局最优位置，在果蝇种群迭代寻优的过程中，利用精英个体对种群移动的方向和距离进行引导，使得果蝇种群不断向全局最优位置靠拢，随着迭代次数T的增加，上一次迭代的精英果蝇个体对种群的影响逐渐减小，采取分数衰减机制设置学习因子η和学习因子衰减幅度控制参数c_f；

η＝η₀/(1+c_f(T-1)) (9)

式中，η₀为初始学习因子，c_f为学习因子衰减幅度控制参数；

8.6)进行迭代寻优：将本代的BS赋予preBS后进入迭代循环，重复上述步骤，保存每代Sb值，当算法达到max_gen的设定值时结束循环，获得最佳果蝇个体的位置坐标(λ，σ，C)即寻优结果，即

Sb＝max{BS,preBS} (10)

9)根据IFOA算法获得最佳参数组合从而确定SVM最优模型，使用测试集数据对该最优模型进行验证，针对高压开关柜新的状态数据，经过数据预处理后输入到该SVM分类模型中，则能对高压开关柜进行准确的状态评估。