本申請(qǐng)涉及變電站異常檢測(cè)，尤其涉及一種防誤判五防系統(tǒng)的控制方法、系統(tǒng)及介質(zhì)。

背景技術(shù)：

1、智能變電站設(shè)備的異常檢測(cè)是一項(xiàng)關(guān)鍵的技術(shù)，它在識(shí)別和預(yù)測(cè)設(shè)備或系統(tǒng)故障方面具有重要意義。

2、傳統(tǒng)的異常檢測(cè)方法通常是被動(dòng)的，只有當(dāng)指標(biāo)超過(guò)預(yù)設(shè)閾值或與歷史數(shù)據(jù)相比出現(xiàn)顯著偏差時(shí)才能觸發(fā)警報(bào)。然而，這種方法可能無(wú)法準(zhǔn)確地預(yù)測(cè)極端數(shù)據(jù)，從而降低了異常檢測(cè)的準(zhǔn)確率。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)是為了解決上述問(wèn)題而進(jìn)行的，目的在于提供一種防誤判五防系統(tǒng)的控制方法、系統(tǒng)及介質(zhì)，通過(guò)使用優(yōu)化后的svm模型對(duì)新的輸入數(shù)據(jù)進(jìn)行五防邏輯規(guī)則的判斷，輸出判斷結(jié)果，從而提高智能變電站設(shè)備異常檢測(cè)的準(zhǔn)確。本申請(qǐng)為了實(shí)現(xiàn)上述目的，采用了以下方案：

2、本申請(qǐng)?zhí)峁┮环N防誤判五防系統(tǒng)的控制方法，所述防誤判五防系統(tǒng)的控制方法包括以下步驟：

3、步驟1：使用rbf核函數(shù)作為svm的核函數(shù)，其中rbf核函數(shù)的表達(dá)式：，其中x和z為輸入向量，?||x-z||為向量?x和?z之間的歐幾里得距離，為所述rbf核函數(shù)寬度；

4、步驟2：根據(jù)系統(tǒng)的五防邏輯規(guī)則，生成對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)集，包括正常的輸入輸出對(duì)和異常的輸入輸出對(duì)；

5、步驟3：使用訓(xùn)練數(shù)據(jù)集對(duì)svm模型進(jìn)行訓(xùn)練，其中，所述svm模型的參數(shù)包括懲罰參數(shù)c、所述核函數(shù)寬度以及核函數(shù)類型；

6、步驟4：?對(duì)訓(xùn)練好的svm模型進(jìn)行交叉驗(yàn)證，評(píng)估模型的性能，包括準(zhǔn)確率、召回率；

7、步驟5：根據(jù)交叉驗(yàn)證的結(jié)果，調(diào)整所述rbf核函數(shù)寬度，以優(yōu)化所述svm模型的性能；

8、步驟6：使用優(yōu)化后的svm模型對(duì)新的輸入數(shù)據(jù)進(jìn)行五防邏輯規(guī)則的判斷，輸出判斷結(jié)果。

9、進(jìn)一步地，調(diào)整所述rbf核函數(shù)寬度，具體包括：

10、設(shè)定一個(gè)參數(shù)搜索范圍，包括最小值和最大值；

11、在參數(shù)搜索范圍內(nèi)，以設(shè)定的步長(zhǎng)生成多個(gè)值；

12、使用每個(gè)值訓(xùn)練svm模型，并進(jìn)行交叉驗(yàn)證；

13、選擇交叉驗(yàn)證誤差最小的值作為最終的參數(shù)值。

14、進(jìn)一步地，在參數(shù)搜索范圍內(nèi)，以設(shè)定的步長(zhǎng)生成多個(gè)值，具體包括：

15、使用隨機(jī)搜索的方法在參數(shù)搜索范圍內(nèi)生成多個(gè)值。

16、進(jìn)一步地，使用每個(gè)值訓(xùn)練svm模型，并進(jìn)行交叉驗(yàn)證，具體包括：

17、使用貝葉斯方法結(jié)合先驗(yàn)知識(shí)和數(shù)據(jù)，計(jì)算的后驗(yàn)分布。

18、從的后驗(yàn)分布中抽取樣本作為最終的參數(shù)值。

19、進(jìn)一步地，使用每個(gè)值訓(xùn)練svm模型，并進(jìn)行交叉驗(yàn)證的步驟之后，所述防誤判五防系統(tǒng)的控制方法包括：

20、使用優(yōu)化算法最小化svm模型的訓(xùn)練誤差和正則化項(xiàng)，得到最優(yōu)的值。

21、進(jìn)一步地，所述svm模型的懲罰參數(shù)c的設(shè)定，具體包括：

22、根據(jù)系統(tǒng)的五防邏輯規(guī)則和訓(xùn)練數(shù)據(jù)集的特點(diǎn)，預(yù)設(shè)懲罰參數(shù)c的搜索范圍；

23、在懲罰參數(shù)c的搜索范圍內(nèi)，以一定的步長(zhǎng)生成多個(gè)c值；

24、使用每個(gè)c值訓(xùn)練svm模型，并進(jìn)行交叉驗(yàn)證；

25、選擇交叉驗(yàn)證誤差最小的c值作為最終的懲罰參數(shù)值。

26、進(jìn)一步地，所述svm模型的指標(biāo)偏差序列滿足以下關(guān)系：

27、，其中表示第個(gè)c值對(duì)第個(gè)指標(biāo)的預(yù)測(cè)結(jié)果與真實(shí)指標(biāo)的偏差，為最后一個(gè)真實(shí)指標(biāo)。

28、本申請(qǐng)還提供一種防誤判五防系統(tǒng)的控制系統(tǒng)，所述控制系統(tǒng)包括：

29、函數(shù)確定模塊，被配置為使用rbf核函數(shù)作為svm的核函數(shù)，其中rbf核函數(shù)的表達(dá)式：，其中x和z為輸入向量，?||x-z||為向量?x和?z之間的歐幾里得距離，為所述rbf核函數(shù)寬度；

30、生成模塊，被配置為根據(jù)系統(tǒng)的五防邏輯規(guī)則，生成對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)集，包括正常的輸入輸出對(duì)和異常的輸入輸出對(duì)；

31、參數(shù)訓(xùn)練模塊，被配置為使用訓(xùn)練數(shù)據(jù)集對(duì)svm模型進(jìn)行訓(xùn)練，其中，所述svm模型的參數(shù)包括懲罰參數(shù)c、所述核函數(shù)寬度以及核函數(shù)類型；

32、交叉驗(yàn)證模塊，被配置為對(duì)訓(xùn)練好的svm模型進(jìn)行交叉驗(yàn)證，評(píng)估模型的性能，包括準(zhǔn)確率、召回率；

33、優(yōu)化模塊，被配置為根據(jù)交叉驗(yàn)證的結(jié)果，調(diào)整所述rbf核函數(shù)寬度，以優(yōu)化所述svm模型的性能；

34、輸出判斷模塊，被配置為使用優(yōu)化后的svm模型對(duì)新的輸入數(shù)據(jù)進(jìn)行五防邏輯規(guī)則的判斷，輸出判斷結(jié)果。

35、本申請(qǐng)還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述任一項(xiàng)所述的一種防誤判五防系統(tǒng)的控制方法。

36、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

37、本申請(qǐng)通過(guò)使用rbf核函數(shù)作為svm的核函數(shù)，并根據(jù)系統(tǒng)的五防邏輯規(guī)則生成訓(xùn)練數(shù)據(jù)集，可以有效提高智能變電站設(shè)備異常檢測(cè)的準(zhǔn)確率。傳統(tǒng)的異常檢測(cè)方法存在一定的局限性，無(wú)法準(zhǔn)確預(yù)測(cè)極端數(shù)據(jù)，導(dǎo)致異常檢測(cè)的準(zhǔn)確率降低。而本申請(qǐng)通過(guò)調(diào)整rbf核函數(shù)寬度，優(yōu)化svm模型的性能，能夠更準(zhǔn)確地識(shí)別和預(yù)測(cè)設(shè)備或系統(tǒng)故障，從而提高了異常檢測(cè)的準(zhǔn)確率。此外，通過(guò)對(duì)訓(xùn)練好的svm模型進(jìn)行交叉驗(yàn)證，評(píng)估模型的性能，可以進(jìn)一步確保異常檢測(cè)的準(zhǔn)確性。

技術(shù)特征：

1.一種防誤判五防系統(tǒng)的控制方法，其特征在于，所述防誤判五防系統(tǒng)的控制方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的防誤判五防系統(tǒng)的控制方法，其特征在于，調(diào)整所述rbf核函數(shù)寬度，具體包括：

3.根據(jù)權(quán)利要求2所述的防誤判五防系統(tǒng)的控制方法，其特征在于，在參數(shù)搜索范圍內(nèi)，以設(shè)定的步長(zhǎng)生成多個(gè)值，具體包括：

4.根據(jù)權(quán)利要求2所述的防誤判五防系統(tǒng)的控制方法，其特征在于，使用每個(gè)值訓(xùn)練svm模型，并進(jìn)行交叉驗(yàn)證，具體包括：

5.根據(jù)權(quán)利要求1所述的防誤判五防系統(tǒng)的控制方法，其特征在于，使用每個(gè)值訓(xùn)練svm模型，并進(jìn)行交叉驗(yàn)證的步驟之后，所述防誤判五防系統(tǒng)的控制方法包括：

6.根據(jù)權(quán)利要求1所述的防誤判五防系統(tǒng)的控制方法，其特征在于，所述svm模型的懲罰參數(shù)c的設(shè)定，具體包括：

7.根據(jù)權(quán)利要求6所述的防誤判五防系統(tǒng)的控制方法，其特征在于，所述svm模型的指標(biāo)偏差序列滿足以下關(guān)系：

8.一種防誤判五防系統(tǒng)的控制系統(tǒng)，其特征在于，所述控制系統(tǒng)包括：

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述的一種防誤判五防系統(tǒng)的控制方法。

技術(shù)總結(jié)
本申請(qǐng)涉及一種防誤判五防系統(tǒng)的控制方法、系統(tǒng)及介質(zhì)，防誤判五防系統(tǒng)的控制方法，包括：使用RBF核函數(shù)作為SVM的核函數(shù)，根據(jù)系統(tǒng)的五防邏輯規(guī)則，生成對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)集，包括正常的輸入輸出對(duì)和異常的輸入輸出對(duì)；使用訓(xùn)練數(shù)據(jù)集對(duì)SVM模型進(jìn)行訓(xùn)練，對(duì)訓(xùn)練好的SVM模型進(jìn)行交叉驗(yàn)證，評(píng)估模型的性能，包括準(zhǔn)確率、召回率，根據(jù)交叉驗(yàn)證的結(jié)果，調(diào)整所述RBF核函數(shù)寬度，以優(yōu)化所述SVM模型的性能，使用優(yōu)化后的SVM模型對(duì)新的輸入數(shù)據(jù)進(jìn)行五防邏輯規(guī)則的判斷，輸出判斷結(jié)果，從而提高智能變電站設(shè)備異常檢測(cè)的準(zhǔn)確率。

技術(shù)研發(fā)人員：沈潔,涂洪智,徐亦凡,吳優(yōu),楊子涵,湯力,肖俊超,曾憲泓,沈亞?wèn)|,周婧嫻,涂弘娟
受保護(hù)的技術(shù)使用者：國(guó)網(wǎng)湖北省電力有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2