基于改进万有引力支持向量机的在线监测数据校正方法

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。

说明书

技术领域

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

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。

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。

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

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。

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：

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。

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：

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ε₀、α、 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,σ₁),(C₂,σ₂),…,(C_N,σ_N))；

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。

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n维空间内搜索，

则第i个物体的位置和速度分别为：和

其中，和分别代表物体i在d维空间的位置和速度；

物体i和物体j之间在时刻t的重力表示为：其中， M_pi(t)表示受力物i的质量，M_ai(t)表示施力物j的质量，ε₀是一个小的常量，R_ij(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；

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： 其中，rand_j为[0，1]之间的随机数；

物体i在t时刻第d维的加速度为：其中，M_ii(t)表示物体i的惯性 质量；

则物体的速度和位置的更新方程为：和 其中，rand为[0，1]之间的随机数；

假设引力质量和惯性质量相等，则：

M_ai=M_pi=M_ii=M_i(i=1,2,…,N)；

$m_i\left(t\right)=\frac{{\mathrm{fit}}_i\left(t\right)-\mathrm{worst}\left(t\right)}{\mathrm{best}\left(t\right)-\mathrm{worst}\left(t\right)};$

$m_i\left(t\right)=\frac{m_i\left(t\right)}{\underset{j=1}{\overset{N}{\Sigma }}{m}_j\left(t\right)};$

其中，fit_i(t)表示物体i在时刻t的适应度值，best(t)和worst(t)为种群中的最小值 和最大值。

作为优选，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 {(x_ti,y_ti),i=1,2,…,L}，

当支持向量机模型的一组错误惩罚因子C和核参数σ取值为(C_k,σ_k)时，回归模型拟合后的 数据为{(x_si,y_si),i=1,2,…,L}，则拟合误差平方和S_Ek为：

然后设物体i的质量M_i和适应度fit_i相等，即：其中，K为调整适 应度差别的常数，S_Ei为当重要参数值为(C_i,σ_i)时离线或带电数据拟合的误差平方和。

作为优选，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y_t，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：

|y_t-y'_t|>h；

当在线监测数据y_t异常时，通过y’_t代替y_t，进行数据校正。

作为优选，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y_t，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：

|y_t-y'_t|>h；

当在线监测数据y_t异常时，通过y'_t代替y_t，进行数据校正。

作为优选，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，使得本发明中的方法校正效果更好。

作为优选，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，

$\min R_{\mathrm{str}}=\frac{1}{2}{\left|\right|\omega \left|\right|}^2+{\mathrm{CR}}_{\mathrm{emp}};$

其中L_ε(x,y-f(x))=max{0,|y-f(x)-ε|}；

求解上式可得到支持向量机回归模型的函数为支持向量机 回归模型中选用使用范围最普遍的径向基RBF核函数其中： x_i∈R_n为输入向量；y_i∈R_n为输出向量；N为样本个数；b∈R为阈值，σ为核参数；α_i和α^*₁(i=1,2,...,l)为Lagrange乘子。

本发明针对目前数据校正效果差的情况，提出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。首先通过万有引力算法对支持向量机的重要参数进行优化。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。然后利用少数准确的离线试验数据对支持 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。本发明能对输变电设备在线监测装置采集的数据进行有 效地校正，为状态评价、故障诊断、风险评估和寿命预测等数据挖掘提供可靠的数据来源， 通过工程应用证明，本发明进行输变电设备在线监测数据校正的效果平稳准确，时间短实时 性好，非常适合对现场输变电设备的在线监测装置进行数据校正，能很好地指导生产运行、 状态检修等工作，产生巨大的经济效益和社会效益。

附图说明

图1：为本发明在线监测数据校正的流程图。

图2：为本发明的万有引力算法优化支持向量机参数的流程图。

图3：为本发明的支持向量机回归模型校正在线监测数据的流程图。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步的阐述。

请见图1，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，包括以下步骤：

步骤1：对输变电设备进行数据采集，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；请见 图2，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ε₀、α、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,σ₁),(C₂,σ₂),…,(C_N,σ_N))；

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； 其具体实现的方法为：设物体在n维空间内搜索，

则第i个物体的位置和速度分别为：和

其中，和分别代表物体i在d维空间的位置和速度；

物体i和物体j之间在时刻t的重力表示为：其中， M_pi(t)表示受力物i的质量，M_ai(t)表示施力物j的质量，ε₀是一个小的常量，R_ij(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；

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： 其中，rand_j为[0，1]之间的随机数；

物体i在t时刻第d维的加速度为：其中，M_ii(t)表示物体i的惯性 质量；

则物体的速度和位置的更新方程为和 其中，rand为[0，1]之间的随机数；

假设引力质量和惯性质量相等，则：

M_ai=M_pi=M_ii=M_i(i=1,2,…,N)；

$m_i\left(t\right)=\frac{{\mathrm{fit}}_i\left(t\right)-\mathrm{worst}\left(t\right)}{\mathrm{best}\left(t\right)-\mathrm{worst}\left(t\right)};$

$m_i\left(t\right)=\frac{m_i\left(t\right)}{\underset{j=1}{\overset{N}{\Sigma }}{m}_j\left(t\right)};$

其中，fit_i(t)表示物体i在时刻t的适应度值，对于求解最小值优化的问题，best(t)和 worst(t)为种群中的最小值和最大值；

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，回转执行步骤2.4。

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；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

{(x_ti,y_ti),i=1,2,…,L}，

当支持向量机模型的一组错误惩罚因子C和核参数σ取值为(C_k,σ_k)时，回归模型拟合后的 数据为{(x_si,y_si),i=1,2,…,L}，则拟合误差平方和S_Ek为：当一组重要参数 对应的拟合误差平方和越小时，万有引力算法对应的适应度越大，物体的质量越大；

然后设物体i的质量M_i和适应度fit_i相等，即：其中，K为调整适 应度差别的常数，S_Ei为当重要参数值为(C_i,σ_i)时离线或带电数据拟合的误差平方和。通 过改进适应度函数，不仅能提高算法运行的速度，而且放大了各个物体适应度的差别，能更 快寻找到最优值。

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；

其实现过程为：假设时刻t的在线监测数据为y_t，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：

|y_t-y'_t|>h；

当在线监测数据y_t异常时，通过y’_t代替y_t，进行数据校正。

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；

其实现过程为：假设时刻t的在线监测数据为y_t，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：

|y_t-y'_t|>h；

当在线监测数据y_t异常时，通过y’_t代替y_t，进行数据校正。

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。

请见图3，步骤7中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，使得本发明中的方法校正效果更好。

其中，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，

$\min R_{\mathrm{str}}=\frac{1}{2}{\left|\right|\omega \left|\right|}^2+{\mathrm{CR}}_{\mathrm{emp}};$

其中L_ε(x,y-f(x))=max{0,|y-f(x)-ε|}；

求解上式可得到支持向量机回归模型的函数为支持向量机 回归模型中选用使用范围最普遍的径向基RBF核函数其中： x_i∈R_n为输入向量；y_i∈R_n为输出向量；N为样本个数；b∈R为阈值，σ为核参数；α_i和α_i^*(i=1,2,...,l)为Lagrange乘子。

以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，因此，凡在本发 明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之 内。