一種開關設備的機械特性預測方法
【技術領域】
[0001] 本公開設及裝備維護保障領域，具體設及一種開關設備的機械特性預測方法。
【背景技術】
[0002] 開關設備是我國電網(wǎng)中的關鍵設備，是電網(wǎng)安全的衛(wèi)±。隨著開關設備用量的增 加，其缺陷和事故也逐漸顯露，尤其是開關設備作為電網(wǎng)的主要控制設備，發(fā)生事故往往會 導致嚴重的后果。基于在線監(jiān)測開關設備的機械特性，并進而運用最前沿的預測方法預測 和評估其機械壽命，進行故障預測，對于提高電網(wǎng)安全性、可靠性具有重要意義。

【發(fā)明內(nèi)容】

[0003] 基于此，本公開提供了一種開關設備的機械特性預測方法，所述方法包括如下步 驟：
[0004] S100,建立對應關系；依據(jù)滑動時間窗算法，建立開關設備的當前機械特性曲線上 每一點與之前機械特性曲線上相應歷史數(shù)據(jù)點之間的對應關系；
[0005] S200,訓練模型；利用支持向量機回歸模型訓練得到每個機械特性預測模型；
[0006] S300,使用模型預測；針對每個機械特性預測模型，通過滑動時間窗算法來進行所 述開關設備的多步機械特性預測；在多步預測時，將當前單步預測的結(jié)果加入到當前已有 的時間序列中，進行下一次預測結(jié)果的預測。
[0007] 通過本公開能夠?qū)﹂_關設備的每種機械特性進行精確預測，進而預測開關設備即 將所處的壽命階段W及是否會發(fā)生故障。
【附圖說明】
[0008] 圖1為本公開一個實施例使用滑動時間窗進行預測的單步示意圖；
[0009] 圖2為本公開一個實施例中一種開關設備的機械特性預測方法步驟示意圖；
[0010] 圖3為本公開一個實施例中步驟S200的子步驟示意圖；
[0011] 圖4為本公開一個實施例中一種開關設備的機械特性預測方法的應用步驟示意 圖。
【具體實施方式】
[0012] 在一個實施例中，提供了一種開關設備的機械特性預測方法，所述方法包括如下 步驟：
[0013] S100,建立對應關系；依據(jù)滑動時間窗算法，建立開關設備的當前機械特性曲線上 每一點與之前機械特性曲線上相應歷史數(shù)據(jù)點之間的對應關系；
[0014] S200,訓練模型；利用支持向量機回歸模型訓練得到每個機械特性預測模型；
[0015] S300,使用模型預測；針對每個機械特性預測模型，通過滑動時間窗算法來進行所 述開關設備的多步機械特性預測；在多步預測時，將當前單步預測的結(jié)果加入到當前已有 的時間序列中，進行下一次預測結(jié)果的預測。
[0016] 在該個實施例中，所述滑動時間窗方法如圖1所示，上述步驟流程圖如圖2所示。 通過使用滑動時間窗來進行特征提取和反復迭代預測，使得每次預測總是基于最新的數(shù)據(jù) 進行，而之后進行的多步預測也是基于最新預測結(jié)果的基礎上進行的，通過該種方式，能夠 提高預測的準確性、提高預測結(jié)果的可靠性。
[0017] 優(yōu)選的，在所述步驟S100中，所述機械特性曲線將通過等距抽樣得到抽樣密度較 小的機械特征曲線作為特征向量。通過等距抽樣能夠保證使用的數(shù)據(jù)均有參考價值，并且 減少預測模型學習訓練的計算量。
[0018] 在一個實施例中，所述步驟S200的具體實現(xiàn)包括；
[0019] S201 ;設Xt都是一個可W表征被預測對象狀態(tài)的特征向量，設時間序列{XJ，t= 1，…，^構(gòu)造特征向量^^ d為特征向量的維度，d的大小為欲與之 前要建立對應關系的若干條機械特性曲線所包含的歷史數(shù)據(jù)點的數(shù)量相同；設文:對應的 目標值為yt=XW，目標值集合通常選擇最新得到的一條或若干條機械特性曲線的點，即文^ 與yt之間存在映射關系>',=/(不).
[0020] S202:從時間序列{xj中取n組特征向量，組成訓練集矩陣 y焉是;，…，而三f>目標值矩陣為Y=知心1，…，心。_1八若訓練集里數(shù)據(jù)的最大值 與最小值的差值大于預先設定的限值，則對訓練集進行歸一化處理；否則，不進行歸一化處 理；在首次進行訓練時，選擇使用radial函數(shù)作為核函數(shù)來進行模型訓練；
[0021]S203;根據(jù)上一步得到的特征向量的維度和目標值，訓練支持向量機回歸模型，并 通過參數(shù)尋優(yōu)方法得到最優(yōu)懲罰因子C和最優(yōu)核函數(shù)參數(shù)g;
[002引 S204;利用得到的最優(yōu)懲罰因子C和核函數(shù)參數(shù)g對訓練集數(shù)據(jù)進行學習，生成一 個模型；
[0023]S205;若預測誤差的最大值小于一個闊值，則進入步驟S207;否則進入步驟S206; 所述闊值在一個實施例中為0. 01，在其它實施例中可能為0. 001,0. 005等；
[0024]S206;通過下述任一方式的改變后，返回步驟S201 :
[0025] (1)改變特征向量的維度；（2)改變特征向量的組數(shù)；（3)改變核函數(shù)的種類；(4) 改變數(shù)據(jù)預處理方式；
[0026]S207;輸出模型參數(shù)；
[0027] 所述步驟S202中的限值在模擬預測試驗時是人為確定的最大差值，若在該最大 差值下得到的預測結(jié)果在誤差允許范圍內(nèi)，則將該最大差值標定為經(jīng)驗值；而在實際預測 時設定為多次模擬預測試驗中預測結(jié)果都能在誤差允許范圍內(nèi)的經(jīng)驗值；
[002引所述數(shù)據(jù)預處理包括；首次執(zhí)行步驟S200的子步驟時，根據(jù)訓練集里數(shù)據(jù)的最大 值與最小值的差值是否大于預先設定的限值，若不大于，則選擇對訓練集進行歸一化處理 方式，所述歸一化處理方式包括將所有數(shù)據(jù)的數(shù)值范圍處理到[0，1]內(nèi)或?qū)⑺袛?shù)據(jù)的數(shù) 值范圍處理到[-1,1]內(nèi)；否則不進行歸一化處理；非首次執(zhí)行步驟S200的子步驟時，若進 行了歸一化處理，則將數(shù)據(jù)還原到歸一化處理之前；否則，進行歸一化處理；
[0029] 所述步驟S205中的闊值根據(jù)機械特性的不同而不同，為若干次模擬預測試驗中 預測誤差的最大值。
[0030] 在該個實施例中，詳細給出了如何建立預測模型并將模型訓練到可W用于預測的 方法。而在數(shù)據(jù)預處理時，需要將數(shù)據(jù)范圍處理到[0，1]內(nèi)或?qū)⑺袛?shù)據(jù)的數(shù)值范圍處理 到[-1,1]內(nèi)，是根據(jù)所有數(shù)據(jù)的數(shù)值范圍本身來確定的。
[0031] 更優(yōu)的，如圖3所示，當步驟S205中不滿足闊值判斷條件C0時，將不滿足的情況 分為C1，C2，C3S種，其中，設執(zhí)行步驟S201~S205的當前執(zhí)行次數(shù)為count;若首次執(zhí)行 步驟S201~S205,則count設為0 ;
[0032] 情況C1，即若count為奇數(shù)次，且所述步驟S201中的特征向量維度小于給定維度， 則執(zhí)行步驟S2061 ;
[0033] 情況C2,即若count為偶數(shù)次，且所述步驟S201中的特征向量維度小于給定維度， 則執(zhí)行步驟S2062 ;
[0034] 情況C3,即若所述步驟S201中的特征向量維度大于等于給定維度，則執(zhí)行步驟 S2063。而步驟S2061~S2063具體內(nèi)容如下；
[0035] S2061 ;若當前核函數(shù)為radial函數(shù)，使用線性核函數(shù)代替radial核函；若當 前核函數(shù)為線性核函數(shù)，則使用radial函數(shù)代替線性函數(shù)；重復執(zhí)行步驟S201~S205， count次數(shù)加1 ;
[0036] S2062 ;增加步驟S201中的特征向量維度和特征向量組數(shù)；重復執(zhí)行步驟S201~ S205,count次數(shù)加 1 ;
[0037] S2063 ;若步驟S202中訓練集中的數(shù)據(jù)進行了歸一化處理，則將訓練集中的數(shù)據(jù) 恢復到歸一化前；否則，將訓練集中的數(shù)據(jù)進行歸一化處理；重復執(zhí)行步驟S201~S205， count次數(shù)加1。
[003引在該里，所述步驟S2061~S2063為步驟206的另一種執(zhí)行方式。
[0039] 通過上述步驟S201~S207的處理過程可W看出，即使采用了等距抽樣來減少學 習的數(shù)據(jù)量，但是在訓練過程中，通過步驟S206可W看出，如果首次訓練沒有到達目標，可 W通過下述方式的任一一種改變后進入迭代處理：
[0040] (1)改變特征向量的維度；
[0041] (2)改變特征向量的組數(shù)；
[0042] (3)改變核函數(shù)的種類；
[0043] (4)改變數(shù)據(jù)預處理方式。
[0044] 而盡管有優(yōu)選的另一中處理方式S2061~S2063,但是仍會有較大的計算量，因而 更優(yōu)的，將所述步驟S100中的對應關系通過在最近得到的1到3條機械特性曲線上每一點 與其之前3到10條曲線所包含數(shù)據(jù)量的歷史數(shù)據(jù)點之間建立，W此來限定數(shù)據(jù)處理量；另 夕F，在不得不改變特征向量的維度和特征向量的組數(shù)時，使得特征向量的維度，特征向量的 組數(shù)該樣的處理方式可W有一定限制，不可能無限制的增加下去；最后也是最重要的，通過 在最近得到的1到3條機械特性曲線上每一點與其之前3到10條曲線所包含數(shù)據(jù)量的歷 史數(shù)據(jù)點之間建立對應關系，該些數(shù)據(jù)點上的數(shù)據(jù)有較高的參考應用價值，預測的結(jié)果可 靠性比較高，比較準確。
[0045] 進一步地，所述機械特性曲線至少應包含100個數(shù)據(jù)點，且不大于200個。在該個 實施例中，所述數(shù)據(jù)點的數(shù)量要求為通過實驗仿真得到，太少，難W保證預測的準確性；太 多，會降低數(shù)據(jù)的實時處理速度。
[0046] 為了保證預測結(jié)果的有效性，在步驟S300中，所述多步預測W數(shù)據(jù)點的數(shù)量小于 等于5條機械特性曲線包含的數(shù)據(jù)點的數(shù)量為準，在此范圍內(nèi)有較高的參考價值。
[0047] 更優(yōu)的，為了提高預測的準確性，確定了能夠反映開關設備的機械特性。在本公開 中所述機械特性包括觸頭行程、主