[发明专利]一种基于ELM-CHMM的电源故障预测方法

摘要

一种基于ELM‑CHMM的电源故障预测方法，本发明涉及电源故障预测方法。本发明的目的是为了解决现有方法故障预测准确度低的问题。过程为：将电压信号数据分为训练和测试数据集，对训练数据集进行预处理，得到重构后的电压信号矩阵；建立ELM模型；把测试数据集输入ELM模型中，输出经过ELM模型预测的电压信号；提取训练数据集的特征参数；建立CHMM状态预测模型；提取经过ELM模型预测的电压信号数据的特征参数，分别输入到CHMM模型中；得到ELM‑CHMM模型，得到待测电源故障的状态。本发明用于电源故障预测领域。

主权项

1.一种基于ELM‑CHMM的电源故障预测方法，其特征在于：所述方法具体过程为：步骤一、采集船用电源轻度退化、中度退化、重度退化、完全故障的四种状态的电压信号数据，将每一种状态的电压信号数据分为训练数据集和测试数据集，对训练数据集的电压信号数据进行预处理，得到重构后的电压信号矩阵式中，X、Y为重构后的船用电源输出电压信号矩阵，为一维矩阵[x₁,x₂...x_m]，为一维矩阵[x₂,x₃...x_m+1]，为一维矩阵[x_N‑m,x_N‑m+1...x_N‑1]，x_m+1为第m个时间点向后1个时间点的电源电压，x_m+2为第m个时间点向后2个时间点的电源电压，x_N为第N个时间点输出的电源电压；步骤二、将步骤一重构后的电压信号矩阵X作为ELM模型的输入，将步骤一重构后的电压信号矩阵Y作为ELM模型的输出；用输入输出电压信号矩阵训练ELM模型，得到ELM模型参数，建立完ELM模型；所述ELM模型为极限学习机模型；把步骤一中测试数据集对应的电压信号输入到建立完的ELM模型中，输出经过ELM模型预测的电压信号；步骤三、根据电源输出电压信号的频域特性，利用小波包分析对步骤一采集的每一种状态中的训练数据集对应的电压信号数据进行分解重构，提取到轻度退化、中度退化、重度退化、完全故障四种状态电压的特征参数；步骤四、根据步骤三得到的四种状态电压的特征参数，训练CHMM状态预测模型，得到电源轻度退化、中度退化、重度退化、完全故障四种状态下的模型参数，完成四种电源状态CHMM状态预测模型的建立；所述CHMM为连续隐马尔科夫模型；步骤五、利用小波包分析对步骤二经过ELM模型预测的电压信号数据进行分解重构，提取到轻度退化、中度退化、重度退化、完全故障四种状态电压的特征参数，分别输入到四种电源状态下的CHMM状态预测模型中；若预测结果与测试数据集所在的电源状态一致的概率大于85％，则电源故障预测准确，得到ELM‑CHMM电源故障预测模型，将待测电源故障电压信号输入ELM‑CHMM电源故障预测模型，得到待测电源故障的状态，状态包括为轻度退化、中度退化、重度退化和完全故障四种状态，实现对电源故障程度的评估；若预测结果与测试数据集所在的电源状态一致的概率小于等于85％，则电源故障预测不准确。