[发明专利]一种基于IFOA-SVM的高压开关柜状态评估方法

说明书

一种基于IFOA‑SVM的高压开关柜状态评估方法，首先，采集高压开关柜运行数据，通过删除极端异常值和补全缺失值的方法对数据进行预处理；以现场调研结果和专家经验为依据，选取评价高压开关柜的特征量为局放值、超声波值、红外诊断、电缆接头温度和母排温度；接着，结合多项式函数和高斯径向基函数构造混合核函数，将原始输入空间映射到高维特征空间；然后，利用改进果蝇优化算法寻优核函数比例系数、核函数宽度参数和惩罚因子；最后，通过训练OVO‑SVM高压开关柜状态估计分类器，实现高压开关柜状态的非线性分类，即高压开关柜状态评估。本发明利用多源信息对配电高压开关柜进行状态综合评价，理论框架简单，易于实现且泛化能力强。

技术领域

本发明应用于高压开关柜状态评估领域，涉及一种基于改进果蝇 优化算法和支持向量机(IFOA-SVM)的高压开关柜状态评估方法。

背景技术

高压开关柜作为配电系统的主要设备之一，在智能电网中起着控 制和保护其他电力设备的作用。目前，高压开关柜安装数量巨大且检 修任务繁重，高压开关柜的故障已经成为影响配电网的安全和稳定经 济运行的主要因素，高压开关柜的健康状态评估俨然成为迫在眉睫的 研究重点。

由于高压开关柜内部结构十分复杂，且各组成部分之间相互影响 较大，通过对影响高压开关柜状态各特征量的传统单一分析并不能准 确评估设备的当前状态和未来状态。通过有效融合在线监测、带电检 测和停电实验等多信息源，从而选取高压开关柜的多维特征量，是提 高高压开关柜状态评估精度的关键。

支持向量机(SVM)是一种基于统计学习理论的新型机器学习方 法，对解决非线性及高维模式识别问题有许多特有的优势，因此运用 SVM分类模型对高压开关柜状态进行估计是一种行之有效的方法。传 统基于SVM分类模型进行状态评估的方法主要是通过寻找更优的单 一核函数，亦或通过现代优化算法对SVM的相关参数进行优化来提 高分类识别精度和效率，无法同时兼顾SVM核函数结构和参数优化 算法的改进，具有一定的局限性。为了提高SVM的分类效果，本发 明通过构造混合核函数并使用改进果蝇优化算法对SVM的相关参数 进行优化，以提高高压开关柜状态估计的准确性。

发明内容

为了克服现有高压开关柜状态评估技术的不足，本发明提供了一 种基于改进果蝇优化算法和支持向量机(IFOA-SVM)的高压开关柜 状态评估方法。

本发明解决其技术问题所采用的技术方案是：

一种基于改进果蝇优化算法和支持向量机(IFOA-SVM)的高压 开关柜状态评估方法，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：