电力设备故障率确定方法及系统技术方案

本发明专利技术涉及一种电力设备故障率确定方法，利用标准粒子群算法确定最小二乘机支持向量机预测模型的正规化参数以及核函数参数的最优解时，加入高斯扰动因子，即通过标准粒子群算法对粒子的速度进行更新时，还加入了高斯扰动因子，获得粒子的速度更优的更新方式，从而使得正规化参数以及核函数参数具有更优的更新方式，防止在寻找正规化参数以及核函数参数最优解时陷入局部最优，可获得较优的最小二乘机支持向量机预测模型对电力设备故障率进行预测，提高预测准确性。

【技术实现步骤摘要】
电力设备故障率确定方法及系统
本专利技术涉及电气领域，特别涉及一种电力设备故障率确定方法及系统。
技术介绍
随着电力的大规模生产，对于电力设备的功能要求越来越高，电力设备的故障诊断和寿命预测越来越重要，故障率预测是寿命预测的根本，因此精确地预测电力设备的故障率有很大的工作意义，对检修以及后续的工作提供一个良好的基础。继电保护规程规定，微机电力设备的使用年限一般不低于12年，处于不稳定、工作环境恶劣的微机电力设备可根据运行情况适当缩短使用年限。实际运行中，电力设备一般在10-12年之间退出运行，但退出运行时设备状况多为良好，设备寿命尚未结束。目前对电力设备寿命相关研究较少，一般都是先对电力设备进行状态评估，然后在状态评估的基础上利用健康指数模型求解相应的剩余寿命，或者偏重研究设备的可靠性与最佳检修周期关系等，这些研究有利于设备全寿命周期成本的降低和运行可靠性提高，但对设备寿命未展开研究。加速老化不失为一种可行性方法，通过加大试验应力(例如热应力、电应力、机械应力等)的方法，加快设备失效，缩短试验周期，运用加速模型，估计出设备在正常工作应力下的可靠性，但加速模型及相关参数难以核定，因此预测寿命误差较大。而且在实际研究过程中，为保证结果的精确度，需要大量的样本作为支撑，但是由于电力设备种类和型号极多，且每一种设备的元器件数量多，元器件寿命相关参数难以收集，使得以上的方法具有很大的局限性。因此急需一种能够在小样本条件下进行电力设备寿命预测方法，这是对电力设备可靠性进行正确分析和客观评价的前提。现有的支持向量回归机法和最小二乘支持向量机是目前针对小样本估计和预测的常用理论，但是利用支持向量机需进行预测时需要求解一个凸二次规划问题，计算较为复杂。采用最小二乘支持向量机方法时，将不等式约束转化为等式约束，把计算简单化，在对最小二乘支持向量机的参数进行最优求解时常用的方法有网格搜索方法、遗传算法、粒子群算法(PSO)以及标准粒子群算法(SPSO)，但是利用这些方法进行最优求解时，均很容易陷入局部最优的问题，导致通过最小二乘支持向量机的预测结果准确性不高，从而最终导致电力设备故障率的预测准确性不高。
技术实现思路
基于此，有必要针对电力设备故障率预测准确性不高问题，提供一种提高预测准确性的电力设备故障率确定方法及系统。一种电力设备故障率确定方法，包括以下步骤：根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型；获取电力设备的预设时间内历史相关数据，其中，所述电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率；根据所述电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定所述正规化参数以及所述核函数参数的最优解，以确定最优最小二乘支持向量机预测模型，其中，所述高斯扰动因子通过预设的高斯函数产生；获取所述电力设备的待预测使用时间段；根据所述电力设备的待预测使用时间段以及所述最优最小二乘支持向量机预测模型，确定所述电力设备与所述待预测使用时间段对应的故障率。本专利技术还提供一种电力设备故障率确定系统，包括：构建模块，用于根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型；第一获取模块，用于获取电力设备的预设时间内历史相关数据，其中，所述电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率；第一确定模块，用于根据所述电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定所述正规化参数以及所述核函数参数的最优解，以确定最优最小二乘支持向量机预测模型，其中，所述高斯扰动因子通过预设的高斯函数产生；第二获取模块，用于获取所述电力设备的待预测使用时间段；第二确定模块，用于根据所述电力设备的待预测使用时间段以及所述最优最小二乘支持向量机预测模型，确定所述电力设备与所述待预测使用时间段对应的故障率。上述电力设备故障率确定方法及系统，利用标准粒子群算法确定最小二乘机支持向量机预测模型的正规化参数以及核函数参数的最优解时，加入高斯扰动因子，即通过标准粒子群算法对粒子的速度进行更新时，还加入了高斯扰动因子，获得粒子的速度更优的更新方式，从而使得正规化参数以及核函数参数具有更优的更新方式，防止在寻找正规化参数以及核函数参数最优解时陷入局部最优，可获得较优的最小二乘机支持向量机预测模型对电力设备故障率进行预测，提高预测准确性。附图说明图1为一种实施方式的电力设备故障率确定方法的流程图；图2为另一种实施方式的电力设备故障率确定方法的子流程图；图3为另一种实施方式的电力设备故障率确定方法的子流程图；图4为粒子的位置更新的向量图；图5为迭代次数与适应度之间的关系图；图6为一种实施方式的电力设备故障率确定系统的模块图；图7为另一种实施方式的电力设备故障率确定系统的子模块图；图8为另一种实施方式的电力设备故障率确定系统的子模块图。具体实施方式请参阅图1，提供一种实施方式的电力设备故障率确定方法，包括以下步骤：S100：根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型。支持向量机是基于结构风险最小化的统计学习方法，是通过将数据映射到高维空间，解决原始空间中数据线性不可分的问题，通过构建最优决策函数进行预测。支持向量机是通过解决一个二次规划问题，来获得最优决策函数，最小二乘支持向量机与支持向量机相比，是将支持向量机中不等式约束用等式约束代替，将误差的二范数作为优化目标的损失函数，将支持向量机中解决二次规划问题转化为求解线性方程问题，可获得最优目标函数，即获得最小二乘支持向量机预测模型，根据输入，通过该最优目标函数可进行输出预测。根据该最小二乘支持向量机预测模型以及输入，可进行输出预测。其中，建立的最小二乘支持向量机预测模型中包括正规化参数以及核函数参数，正规化参数以及核函数参数很大程度上决定了最小二乘支持向量机预测模型的性能，从而在后续需要对正规化参数以及核函数参数进行寻优，从而确保得到较优的最小二乘支持向量机预测模型，使通过最小二乘支持向量机预测模型对电力设备故障率进行预测时，提高准确性。S200：获取电力设备的预设时间内历史相关数据。其中，电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率。获得的历史相关数据中的电力设备故障率是事先已知的，用作训练最小二乘支持向量机预测模型时的实际输出，即对于某一台电力设备故障率，通过统计与该电力设备同一批次同型号且运行环境类似的电力设备的总台数以及与该电力设备同一批次同型号且运行环境类似的电力设备中出现故障的台数获得，通过出现故障的台数除以总台数确定该电力设备故障率。与该电力设备同一批次的这些电力设备的使用时间是相同的，且均与该电力设备的使用时间相同，通过这些电力设备在某个时间段出现的概率作为该电力设备在该时间段的故障率。后续将电力设备使用时间输入至最小二乘支持向量机预测模型，通过最小二乘支持向量机预测模型进行预测输出，根据预测输出与实际输出的误差，为确定最优的最小二乘支持向量机预测模型提供数据依据。在本实施例中，电力设备为继电保护设备，电力设备的历史相关数据选取某一地区的相同型号且运行环境相同的24台继电保护设备当前时间之前第2年至第7年时间内的使用时间以及对应的故障率，即选取历史相关数据本文档来自技高网...

【技术保护点】
一种电力设备故障率确定方法，其特征在于，包括以下步骤：根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型；获取电力设备的预设时间内历史相关数据，其中，所述电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率；根据所述电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定所述正规化参数以及所述核函数参数的最优解，以确定最优最小二乘支持向量机预测模型，其中，所述高斯扰动因子通过预设的高斯函数产生；获取所述电力设备的待预测使用时间段；根据所述电力设备的待预测使用时间段以及所述最优最小二乘支持向量机预测模型，确定所述电力设备与所述待预测使用时间段对应的故障率。

【技术特征摘要】
1.一种电力设备故障率确定方法，其特征在于，包括以下步骤：根据正规化参数以及核函数参数，建立最小二乘支持向量机预测模型；获取电力设备的预设时间内历史相关数据，其中，所述电力设备的历史相关数据包括电力设备使用时间以及电力设备故障率；根据所述电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定所述正规化参数以及所述核函数参数的最优解，以确定最优最小二乘支持向量机预测模型，其中，所述高斯扰动因子通过预设的高斯函数产生；获取所述电力设备的待预测使用时间段；根据所述电力设备的待预测使用时间段以及所述最优最小二乘支持向量机预测模型，确定所述电力设备与所述待预测使用时间段对应的故障率；所述根据所述电力设备的历史相关数据，利用在对粒子的速度进行更新时加入高斯扰动因子的标准粒子群算法，确定所述正规化参数以及所述核函数参数的最优解，以确定最优最小二乘支持向量机预测模型的步骤包括：初始化所述标准粒子群算法中粒子数量、迭代次数以及最大迭代次数，将所述正规化参数以及所述核函数参数作为所述标准粒子群算法中所述粒子的位置，初始化每个所述粒子的位置、速度以及加速因子，其中，单个粒子对应单个最小二乘支持向量机预测模型；根据所述电力设备使用时间，利用各所述最小二乘支持向量机预测模型进行故障率预测；根据各所述最小二乘支持向量机预测模型的预测结果与所述电力设备故障率之间的误差的平方和的平均值，确定各粒子的适应度，并根据各粒子的所述适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置；根据各粒子的所述个体最优位置，通过所述预设的高斯函数产生各粒子对应的高斯扰动因子；计算各粒子的惯性权重；根据各粒子的所述惯性权重、各粒子的所述加速因子、各粒子的所述高斯扰动因子、各粒子的所述个体最优位置以及所述所有粒子的全局最优位置，对各粒子的位置以及速度进行更新，以更新各所述最小二乘支持向量机预测模型，并更新各粒子的所述加速因子；当所述所有粒子的全局最优位置对应的适应度不小于预设值且所述迭代次数不大于所述最大迭代次数时，将所述迭代次数加1，并返回所述根据所述电力设备使用时间，利用各所述最小二乘支持向量机预测模型进行故障率预测的步骤；当所述所有粒子的全局最优位置对应的适应度小于预设值或者所述迭代次数大于所述最大迭代次数时，将所述所有粒子的全局最优位置作为所述正规化参数以及所述核函数参数的最优解。2.根据权利要求1所述的电力设备故障率确定方法，其特征在于，所述根据各所述最小二乘支持向量机预测模型的预测结果与所述电力设备故障率之间的误差的平方和的平均值，确定各粒子的适应度，并根据各粒子的所述适应度，确定所有粒子的全局最优位置以及各粒子的个体最优位置的步骤包括：根据各所述最小二乘支持向量机预测模型的预测结果与所述电力设备故障率的误差的平方和的平均值，确定各粒子的适应度；当粒子的所述适应度小于所述粒子已确定的个体最优位置对应的适应度时，将所述粒子的位置更新为所述粒子的个体最优位置，以确定各粒子的个体最优位置；根据各粒子的适应度，获取所有粒子中适应度最小的最优粒子；当所述最优粒子的适应度小于已确定的所有粒子的全局最优位置时，将所述最优粒子的位置更新为所述所有粒子的全局最优位置，以确定所有粒子的全局最优位置。3.根据权利要求1所述的电力设备故障率确定方法，其特征在于，计算各粒子的惯性权重的具体公式为：各粒子的速度更新公式具体为：vi(t+1)＝w(t)vi(t)+c1(t)r1[pbesti(t)+r1gaussi(t)-xi(t)]+c2(t)r2[gbest(t)-xi(t)]；各粒子的位置更新公式具体为：xi(t+1)＝xi(t)+vi(t+1)；所述w(t)为粒子在第t个迭代次数时的惯性权重，所述wmax为预设的惯性权重最大值，所述wmin为预设的惯性权重最小值，所述tmax为所述最大迭代次数，Vi(t)＝(Vci(t),Vδi(t))，所述Vi(t)为第i个粒子在第t个迭代次数时的速度，所述Vci(t)为第i个粒子在第t个迭代次数时正规化参数的速度，所述Vδi(t)为第i个粒子在第t个迭代次数时核函数参数的速度，所述vi(t+1)为第i个粒子在第t+1个迭代次数时的速度，xi(t)＝(Ci(t),σi(t))，所述xi(t)为第i个粒子在第t个迭代次数时的位置，所述xi(t+1)为第i个粒子在第t+1个迭代次数时的位置，所述Ci(t)为第i个粒子在第t个迭代次数时的正规化参数，所述σi(t)为第i个粒子在第t个迭代次数时的核函数参数，所述r1以及所述r2分别为0到1之间的随机数，所述c1(t)为粒子在第t个迭代次数时的第一加速因子，所述c2(t)为粒子在第t个迭代次数时的第二加速因子，所述pbesti(t)为第i个粒子在第t个迭代次数时的个体最优位置，所述gbest(t)为在第t个迭代次数时的所有粒子的全局最优位置，所述gaussi(t)为第i个粒子在第t个迭代次数时产生的高斯扰动因子。4.根据权利要求1所述的电力设备故障率确定方法，其特征在于，所述加速因子包括第一加速因子以及第二加速因子，更新各粒子的所述第一加速因子的具体公式为：更新各粒子的所述第二加速因子的具体公式为：式中，所述c1(t+1)为粒子在第t+1个迭代次数时的第一加速因子，所述c1为第一预设值，所述c1f为所述第一加速因子的预设阈值，所述c2(t+1)为粒子在第t+1个迭代次数时的第二加速因子，所述tmax为所述最大迭代次数，所述c2为第二预设值，所述c2...

【专利技术属性】
技术研发人员：邓旭阳，龚庆武，林燕贞，陈志光，梁志远，李俊雄，
申请(专利权)人：广东电网有限责任公司电力调度控制中心，
类型：发明
国别省市：广东;44