一种开关设备的机械特性预测方法
【技术领域】
[0001] 本公开设及装备维护保障领域，具体设及一种开关设备的机械特性预测方法。
【背景技术】
[0002] 开关设备是我国电网中的关键设备，是电网安全的卫±。随着开关设备用量的增 加，其缺陷和事故也逐渐显露，尤其是开关设备作为电网的主要控制设备，发生事故往往会 导致严重的后果。基于在线监测开关设备的机械特性，并进而运用最前沿的预测方法预测 和评估其机械寿命，进行故障预测，对于提高电网安全性、可靠性具有重要意义。
【发明内容】
[0003] 基于此，本公开提供了一种开关设备的机械特性预测方法，所述方法包括如下步 骤：
[0004] S100,建立对应关系；依据滑动时间窗算法，建立开关设备的当前机械特性曲线上 每一点与之前机械特性曲线上相应历史数据点之间的对应关系；
[0005] S200,训练模型；利用支持向量机回归模型训练得到每个机械特性预测模型；
[0006] S300,使用模型预测；针对每个机械特性预测模型，通过滑动时间窗算法来进行所 述开关设备的多步机械特性预测；在多步预测时，将当前单步预测的结果加入到当前已有 的时间序列中，进行下一次预测结果的预测。
[0007] 通过本公开能够对开关设备的每种机械特性进行精确预测，进而预测开关设备即 将所处的寿命阶段W及是否会发生故障。
【附图说明】
[0008] 图1为本公开一个实施例使用滑动时间窗进行预测的单步示意图；
[0009] 图2为本公开一个实施例中一种开关设备的机械特性预测方法步骤示意图；
[0010] 图3为本公开一个实施例中步骤S200的子步骤示意图；
[0011] 图4为本公开一个实施例中一种开关设备的机械特性预测方法的应用步骤示意 图。
【具体实施方式】
[0012] 在一个实施例中，提供了一种开关设备的机械特性预测方法，所述方法包括如下 步骤：
[0013] S100,建立对应关系；依据滑动时间窗算法，建立开关设备的当前机械特性曲线上 每一点与之前机械特性曲线上相应历史数据点之间的对应关系；
[0014] S200,训练模型；利用支持向量机回归模型训练得到每个机械特性预测模型；
[0015] S300,使用模型预测；针对每个机械特性预测模型，通过滑动时间窗算法来进行所 述开关设备的多步机械特性预测；在多步预测时，将当前单步预测的结果加入到当前已有 的时间序列中，进行下一次预测结果的预测。
[0016] 在该个实施例中，所述滑动时间窗方法如图1所示，上述步骤流程图如图2所示。 通过使用滑动时间窗来进行特征提取和反复迭代预测，使得每次预测总是基于最新的数据 进行，而之后进行的多步预测也是基于最新预测结果的基础上进行的，通过该种方式，能够 提高预测的准确性、提高预测结果的可靠性。
[0017] 优选的，在所述步骤S100中，所述机械特性曲线将通过等距抽样得到抽样密度较 小的机械特征曲线作为特征向量。通过等距抽样能够保证使用的数据均有参考价值，并且 减少预测模型学习训练的计算量。
[0018] 在一个实施例中，所述步骤S200的具体实现包括；
[0019] S201 ;设Xt都是一个可W表征被预测对象状态的特征向量，设时间序列{XJ，t= 1，…，^构造特征向量^^ d为特征向量的维度，d的大小为欲与之 前要建立对应关系的若干条机械特性曲线所包含的历史数据点的数量相同；设文:对应的 目标值为yt=XW，目标值集合通常选择最新得到的一条或若干条机械特性曲线的点，即文^ 与yt之间存在映射关系>',=/(不).
[0020] S202:从时间序列{xj中取n组特征向量，组成训练集矩阵 y焉是;，…，而三f>目标值矩阵为Y=知心1，…，心。_1八若训练集里数据的最大值 与最小值的差值大于预先设定的限值，则对训练集进行归一化处理；否则，不进行归一化处 理；在首次进行训练时，选择使用radial函数作为核函数来进行模型训练；
[0021]S203;根据上一步得到的特征向量的维度和目标值，训练支持向量机回归模型，并 通过参数寻优方法得到最优惩罚因子C和最优核函数参数g;
[002引 S204;利用得到的最优惩罚因子C和核函数参数g对训练集数据进行学习，生成一 个模型；
[0023]S205;若预测误差的最大值小于一个阔值，则进入步骤S207;否则进入步骤S206; 所述阔值在一个实施例中为0. 01，在其它实施例中可能为0. 001,0. 005等；
[0024]S206;通过下述任一方式的改变后，返回步骤S201 :
[0025] (1)改变特征向量的维度；（2)改变特征向量的组数；（3)改变核函数的种类；(4) 改变数据预处理方式；
[0026]S207;输出模型参数；
[0027] 所述步骤S202中的限值在模拟预测试验时是人为确定的最大差值，若在该最大 差值下得到的预测结果在误差允许范围内，则将该最大差值标定为经验值；而在实际预测 时设定为多次模拟预测试验中预测结果都能在误差允许范围内的经验值；
[002引所述数据预处理包括；首次执行步骤S200的子步骤时，根据训练集里数据的最大 值与最小值的差值是否大于预先设定的限值，若不大于，则选择对训练集进行归一化处理 方式，所述归一化处理方式包括将所有数据的数值范围处理到[0，1]内或将所有数据的数 值范围处理到[-1,1]内；否则不进行归一化处理；非首次执行步骤S200的子步骤时，若进 行了归一化处理，则将数据还原到归一化处理之前；否则，进行归一化处理；
[0029] 所述步骤S205中的阔值根据机械特性的不同而不同，为若干次模拟预测试验中 预测误差的最大值。
[0030] 在该个实施例中，详细给出了如何建立预测模型并将模型训练到可W用于预测的 方法。而在数据预处理时，需要将数据范围处理到[0，1]内或将所有数据的数值范围处理 到[-1,1]内，是根据所有数据的数值范围本身来确定的。
[0031] 更优的，如图3所示，当步骤S205中不满足阔值判断条件C0时，将不满足的情况 分为C1，C2，C3S种，其中，设执行步骤S201~S205的当前执行次数为count;若首次执行 步骤S201~S205,则count设为0 ;
[0032] 情况C1，即若count为奇数次，且所述步骤S201中的特征向量维度小于给定维度， 则执行步骤S2061 ;
[0033] 情况C2,即若count为偶数次，且所述步骤S201中的特征向量维度小于给定维度， 则执行步骤S2062 ;
[0034] 情况C3,即若所述步骤S201中的特征向量维度大于等于给定维度，则执行步骤 S2063。而步骤S2061~S2063具体内容如下；
[0035] S2061 ;若当前核函数为radial函数，使用线性核函数代替radial核函；若当 前核函数为线性核函数，则使用radial函数代替线性函数；重复执行步骤S201~S205， count次数加1 ;
[0036] S2062 ;增加步骤S201中的特征向量维度和特征向量组数；重复执行步骤S201~ S205,count次数加 1 ;
[0037] S2063 ;若步骤S202中训练集中的数据进行了归一化处理，则将训练集中的数据 恢复到归一化前；否则，将训练集中的数据进行归一化处理；重复执行步骤S201~S205， count次数加1。
[003引在该里，所述步骤S2061~S2063为步骤206的另一种执行方式。
[0039] 通过上述步骤S201~S207的处理过程可W看出，即使采用了等距抽样来减少学 习的数据量，但是在训练过程中，通过步骤S206可W看出，如果首次训练没有到达目标，可 W通过下述方式的任一一种改变后进入迭代处理：
[0040] (1)改变特征向量的维度；
[0041] (2)改变特征向量的组数；
[0042] (3)改变核函数的种类；
[0043] (4)改变数据预处理方式。
[0044] 而尽管有优选的另一中处理方式S2061~S2063,但是仍会有较大的计算量，因而 更优的，将所述步骤S100中的对应关系通过在最近得到的1到3条机械特性曲线上每一点 与其之前3到10条曲线所包含数据量的历史数据点之间建立，W此来限定数据处理量；另 夕F，在不得不改变特征向量的维度和特征向量的组数时，使得特征向量的维度，特征向量的 组数该样的处理方式可W有一定限制，不可能无限制的增加下去；最后也是最重要的，通过 在最近得到的1到3条机械特性曲线上每一点与其之前3到10条曲线所包含数据量的历 史数据点之间建立对应关系，该些数据点上的数据有较高的参考应用价值，预测的结果可 靠性比较高，比较准确。
[0045] 进一步地，所述机械特性曲线至少应包含100个数据点，且不大于200个。在该个 实施例中，所述数据点的数量要求为通过实验仿真得到，太少，难W保证预测的准确性；太 多，会降低数据的实时处理速度。
[0046] 为了保证预测结果的有效性，在步骤S300中，所述多步预测W数据点的数量小于 等于5条机械特性曲线包含的数据点的数量为准，在此范围内有较高的参考价值。
[0047] 更优的，为了提高预测的准确性，确定了能够反映开关设备的机械特性。在本公开 中所述机械特性包括触头行程、主