基于改进万有引力支持向量机的在线监测数据校正方法
【专利摘要】本发明公开了一种基于改进万有引力支持向量机的在线监测数据校正方法，本发明涉及输变电设备在线监测数据校正领域，首先为了减小计算量，对万有引力算法中的适应度函数进行改进，利用改进的万有引力算法对影响支持向量机性能的重要参数进行优化。然后利用离线或带电数据对支持向量机回归模型进行训练，当在线监测的历史或实时数据不在回归模型允许偏差范围内时，通过回归模型对异常数据进行校正。最后工程应用证明了，本发明进行输变电设备在线数据校正效果平稳准确，时间短实时性好，非常适合对历史和实时的在线监测数据进行校正。
【专利说明】基于改进万有引力支持向量机的在线监测数据校正方法
【技术领域】
[0001]本发明属于输变电设备在线监测数据校正领域，涉及一种基于改进万有引力支持向量机的在线监测数据校正方法，具体应用在油色谱、铁芯接地电流、套管介损、局部放电等在线监测装置的数据校正过程中。
【背景技术】
[0002]近年来，输变电设备的维修方式逐步由定期维修向状态维修过渡，在线监测技术能及时发现电气设备缺陷故障，保证设备安全运行，是实现状态维修的前提之一。由于在线监测受到测量仪器精度、强烈的电磁干扰、环境温度、湿度和系统运行方式等因素的影响，数据存在很多不合理的噪声数据，因此对数据校正方法的研究具有重要意义。
[0003]1961年，由Kuehn等首先提出化工过程的稳态数据校正问题，其准则为:在满足物料平衡和热量平衡的条件下，要求校正值与它对应的测量值的偏差之平方和最小。此后，国内外学者对数据校正技术做了大量的研究。Crowe等20世纪80年代提出了一种基于迭代线性化的方法来求解非线性数据校正问题，随后Liebman等人提出应用非线性规划而非迭代线性化来提高求解非线性数据校正问题效率。1991年，Tjao与Biegler根据贝叶斯原理，在最大似然法的基础上引入了过失误差的概率分布，提出了数据校正与过失误差诊断同步方法。
[0004]目前，数据校正的方法主要有:非线性规划法、最小二乘法、人工神经网络法、贝叶斯网络等。非线性规划法由于计算时间太长，计算复杂，不能满足动态数据校正实时性的要求。最小二乘法能有效地发现噪声数据，但拟合的误差大，校正准确度低。人工神经网络法拟合效果好，但数据量大时，训练时间长，存在“过学习”的问题。贝叶斯网络通过大量历史数据的学习能得到较为准确的模型，但网络中的关键参数需要通过专家的经验得到，存在着主观性。
【发明内容】
[0005]为了解决上述的技术问题，本发明提出了一种基于改进万有引力搜索算法和支持向量机的数据校正的方法。
[0006]本发明所采用的技术方案是:一种基于改进万有引力支持向量机的在线监测数据校正方法，其特征在于，包括以下步骤:
[0007]步骤1:对输变电设备进行数据采集，所述的数据包括输变电设备在线监测数据、离线试验数据和带电检测数据；
[0008]步骤2:初始化在线监测数据的允许偏差半径，初始化支持向量机回归模型中的参数；
[0009]步骤3:优化支持向量机中的错误惩罚因子C和核参数σ，通过万有引力算法得到支持向量机中错误惩罚因子C和核参数σ的最优组合；
[0010]步骤4:利用离线试验数据或带电检测数据对支持向量机进行训练，得到训练好的支持向量机回归模型；
[0011]步骤5:判断在线监测数据中的历史数据是否在支持向量机回归模型允许偏差范围内？
[0012]若是，则在线监测数据中的历史数据正常，该在线监测数据中的历史数据作为校正后的在线监测数据；
[0013]若否，则由支持向量机回归模型拟合该时刻的数据，用拟合值代替异常数据，获得校正后的在线监测数据；
[0014]步骤6:判断在线监测数据中的实时数据是否在支持向量机回归模型允许偏差范围内？
[0015]若是，则在线监测数据中的实时数据正常，该在线监测数据中的实时数据作为校正后的在线监测数据；
[0016]若否，则由支持向量机回归模型预测该时刻的数据，用预测值代替异常数据，获得校正后的在线监测数据；
[0017]步骤7:利用校正后的在线监测数据，对输变电设备进行做状态评价、故障诊断、风险评估和寿命预测方面的数据分析。
[0018]作为优选，步骤2中所述的初始化在线监测数据的允许偏差半径，初始化支持向量机回归模型中的参数；其具体实现包括以下子步骤:
[0019]步骤2.1:初始化万有引力算法的参数，初始化种群的个数N、算法中的常数ε。、a、Gtl和K、每个物体的位置和速度；
[0020]步骤2.2:确定支持向量机回归模型中需要优化参数的取值范围，确定错误惩罚因子C和核参数σ最优值的取值范围，其中万有引力算法中种群为:
[0021]X= ((C1, O1), (C2, σ2)，...，(CN, σ N))；
[0022]步骤2.3:在每组参数取值范围内，随机选取一组参数值作为一个物体的位置，将支持向量机拟合值与实际值的误差作为适应度，误差越小，则该组参数的性能越好，适应度越大；
[0023]步骤2.4:计算每个物体的合力、加速度和向前移动的速度，对每个物体的位置进行更新；
[0024]步骤2.5:判断万有引力算法是否达到终止条件？
[0025]若达到,则选取最优解为支持向量机的参数；
[0026]否则，回转执行所述的步骤2.4。
[0027]作为优选，步骤2.4中所述的计算每个物体的合力、加速度和向前移动的速度，对每个物体的位置进行更新；其具体实现的方法为:设物体在η维空间内搜索，
[0028]则第i个物体的位置和速度分别为=.>和
[0029]Vi = (V)，vf，…，vf，…v/ )，其中，xf和 < 分别代表物体i在d维空间的位置和速度；
[0030]物体i和物体j之间在时刻t的重力表示为:${?=φ)H二(,)咖~χ<⑷，其中，Mpi⑴表示受力物i的质量，Mai⑴表示施力物j的质量，ε。是一个小的常量，Rij (t)是物体i和物体j之间的欧几里德距离，G(t)是时刻t下的引力常数；
[0031]物体所受合力为各个方向引力共同作用的结果，则物体i在d维空间的合力可以
表示为
【权利要求】
1.一种基于改进万有引力支持向量机的在线监测数据校正方法，其特征在于，包括以下步骤: 步骤1:对输变电设备进行数据采集，所述的数据包括输变电设备在线监测数据、离线试验数据和带电检测数据； 步骤2:初始化在线监测数据的允许偏差半径，初始化支持向量机回归模型中的参数；步骤3:优化支持向量机中的错误惩罚因子C和核参数σ，通过万有引力算法得到支持向量机中错误惩罚因子C和核参数σ的最优组合； 步骤4:利用离线试验数据或带电检测数据对支持向量机进行训练，得到训练好的支持向量机回归模型； 步骤5:判断在线监测数据中的历史数据是否在支持向量机回归模型允许偏差范围内？ 若是，则在线监测数据中的历史数据正常，该在线监测数据中的历史数据作为校正后的在线监测数据； 若否，则由支持向量机回归模型拟合该时刻的数据，用拟合值代替异常数据，获得校正后的在线监测数据； 步骤6:判断在线监测数据中的实时数据是否在支持向量机回归模型允许偏差范围内？ 若是，则在线监测数据中的实时数据正常，该在线监测数据中的实时数据作为校正后的在线监测数据；. 若否，则由支持向量机回归模型预测该时刻的数据，用预测值代替异常数据，获得校正后的在线监测数据； 步骤7:利用校正后的在线监测数据，对输变电设备进行做状态评价、故障诊断、风险评估和寿命预测方面的数据分析。
2.根据权利要求1所述的基于改进万有引力支持向量机的在线监测数据校正方法，其特征在于:步骤2中所述的初始化在线监测数据的允许偏差半径，初始化支持向量机回归模型中的参数；其具体实现包括以下子步骤: 步骤2.1:初始化万有引力算法的参数，初始化种群的个数N、算法中的常数％、a,G0和K、每个物体的位置和速度； 步骤2.2:确定支持向量机回归模型中需要优化参数的取值范围，确定错误惩罚因子C和核参数σ最优值的取值范围，其中万有引力算法中种群为:
X= ((C1, Q1), (C2, σ2),..., (CN, σΝ))； 步骤2.3:在每组参数取值范围内，随机选取一组参数值作为一个物体的位置，将支持向量机拟合值与实际值的误差作为适应度，误差越小，则该组参数的性能越好，适应度越大； 步骤2.4:计算每个物体的合力、加速度和向前移动的速度，对每个物体的位置进行更新；步骤2.5:判断万有引力算法是否达到终止条件？ 若达到，则选取最优解为支持向量机的参数； 否则，回转执行所述的步骤2.4。
3.根据权利要求2所述的基于改进万有引力支持向量机的在线监测数据校正方法，其特征在于:步骤2.4中所述的计算每个物体的合力、加速度和向前移动的速度，对每个物体的位置进行更新；其具体实现的方法为:设物体在η维空间内搜索， 则第i个物体的位置和速度分别为:
4.根据权利要求1所述的基于改进万有引力支持向量机的在线监测数据校正方法，其特征在于:步骤3中所述的万有引力算法，为了减小计算量，对万有引力算法中的适应度函数进行改进，其具体实现过程为:首先设训练支持向量机模型的离线或带电数据为
5.根据权利要求1所述的基于改进万有引力支持向量机的在线监测数据校正方法，其特征在于:步骤5中所述的判断在线监测数据中的历史数据是否在支持向量机回归模型允许偏差范围内？实现过程为:假设时刻t的在线监测数据为yt，由支持向量机回归模型拟合该时刻的数据y’t，模型允许偏差的半径为h，则判断在线监测数据异常的条件为:
6.根据权利要求1所述的基于改进万有引力支持向量机的在线监测数据校正方法，其特征在于:步骤6中所述的判断在线监测数据中的实时数据是否在支持向量机回归模型允许偏差范围内？实现过程为:假设时刻t的在线监测数据为yt，由支持向量机回归模型预测该时刻的数据y’t，模型允许偏差的半径为h，则判断在线监测数据异常的条件为:
7.根据权利要求1所述的基于改进万有引力支持向量机的在线监测数据校正方法，其特征在于:步骤7中所述的校正后的在线监测数据，将结合现场的实际情况和数据校正反馈结果，对支持向量机回归模型中的参数进行调整。
8.根据权利要求1所述的基于改进万有引力支持向量机的在线监测数据校正方法，其特征在于:所述的支持向量机回归模型的函数为: 支持向量机回归模型为如下的优化问题，
【文档编号】G06F19/00GK103473480SQ201310465428
【公开日】2013年12月25日 申请日期:2013年10月8日 优先权日:2013年10月8日
【发明者】何发智, 鄢小虎 申请人:武汉大学