The invention discloses a state evaluation method for cloud model and genetic algorithm to optimize support vector machine. Firstly, the sample database is formed by preprocessing the data collected by the acquisition unit. The radial basis function is selected as the kernel function of the support vector machine. The genetic algorithm is used to optimize the parameters of the kernel function and the error penalty factor of the support vector machine. The state evaluation model of the support vector machine optimized by the genetic algorithm is established, and the evaluation problem is transformed into a classification problem. This paper evaluates the operation status of protective devices, and uses the randomness and stable tendency of cloud model to realize the uncertainty mapping between health and evaluation register, so as to make the evaluation results more in line with the actual situation. The invention greatly improves the efficiency of condition-based maintenance work, enables operators to grasp the operation status of protection devices in time, prevents safety accidents of equipment, ensures the safety and reliability of power supply, and significantly improves the accuracy of evaluation.
【技术实现步骤摘要】
一种云模型与遗传算法优化支持向量机的状态评估方法
本专利技术属于电力行业并涉及继电保护装置，具体涉及一种云模型与遗传算法优化支持向量机的状态评估方法。
技术介绍
目前，继电保护装置通常采用定期检修模式，该方法可能会存在“检修不足、检修过剩”，导致设备状态不确定。我国电力系统发展迅速，社会对供电质量以及可靠性提出了更高的要求，保证智能变电站的继电保护装置安全、稳定运行至关重要。而状态检修以设备状态为依据，通过对设备的连续性观测并且综合其他各种因素来识别设备已有的或潜在的劣化现象，然后对设备的各个状态量进行合理的评估，最后进行预测评估确定最佳检修时间。状态评估是状态检修的基础，只有准确、合理的评估设备运行状态才能制定合理的状态检修策略，及时有效的开展检修工作，为运维检修工作人员提供参考，实现智能变电站安全、可靠运行。
技术实现思路
为了实现上述目的，本专利技术提出了一种云模型与遗传算法优化支持向量机的状态评估方法。本专利技术的具体技术方案为一种云模型与遗传算法优化支持向量机的状态评估方法，具体包括以下步骤：步骤1：根据继电保护装置运行状态信息，选取工作电压、CPU温度、绝缘性能、设备故障次数、家族缺陷率、异常告警率、断路器不正确动作次数作为支持向量机的输入特征向量；步骤2：分别对工作电压、CPU温度、绝缘性能、设备故障次数、家族缺陷率、异常告警率、断路器不正确动作次数进行数据预处理，得到训练样本数据；步骤3：将训练样本数据通过人工标记方法得到标记后数据预处理样本，将标记后数据预处理样本作为支持向量机的输入，支持向量机的核函数为径向基核函数，使用遗传算法对支持向量机...
【技术保护点】
1.一种云模型与遗传算法优化支持向量机的状态评估方法，其特征在于，包括以下步骤：步骤1：根据继电保护装置运行状态信息，选取工作电压、CPU温度、绝缘性能、设备故障次数、家族缺陷率、异常告警率、断路器不正确动作次数作为支持向量机的输入特征向量；步骤2：分别对工作电压、CPU温度、绝缘性能、设备故障次数、家族缺陷率、异常告警率、断路器不正确动作次数进行数据预处理，得到训练样本数据；步骤3：将训练样本数据通过人工标记方法得到标记后数据预处理样本，将标记后数据预处理样本作为支持向量机的输入，支持向量机的核函数为径向基核函数，使用遗传算法对支持向量机的核函数参数、错误惩罚因子进行参数寻优，得到分类效果最好的参数取值以构建优化后支持向量机；步骤4：将训练样本数据通过人工标记方法得到标记后数据预处理样本，通过遗传算法优化后支持向量机对标记后数据预处理样本进行分类训练，得到失效状态样本分类边界、最优状态分类面、良好状态样本分类边界；步骤5：将测试样本数据根据步骤1‑4得到测试样本数据的输入向量，计算测试样本数据点到最优分类超平面的距离，根据测试样本数据点到最优分类超平面的距离判断测试样本数据的状态；步...
【技术特征摘要】
1.一种云模型与遗传算法优化支持向量机的状态评估方法，其特征在于，包括以下步骤：步骤1：根据继电保护装置运行状态信息，选取工作电压、CPU温度、绝缘性能、设备故障次数、家族缺陷率、异常告警率、断路器不正确动作次数作为支持向量机的输入特征向量；步骤2：分别对工作电压、CPU温度、绝缘性能、设备故障次数、家族缺陷率、异常告警率、断路器不正确动作次数进行数据预处理，得到训练样本数据；步骤3：将训练样本数据通过人工标记方法得到标记后数据预处理样本，将标记后数据预处理样本作为支持向量机的输入，支持向量机的核函数为径向基核函数，使用遗传算法对支持向量机的核函数参数、错误惩罚因子进行参数寻优，得到分类效果最好的参数取值以构建优化后支持向量机；步骤4：将训练样本数据通过人工标记方法得到标记后数据预处理样本，通过遗传算法优化后支持向量机对标记后数据预处理样本进行分类训练，得到失效状态样本分类边界、最优状态分类面、良好状态样本分类边界；步骤5：将测试样本数据根据步骤1-4得到测试样本数据的输入向量，计算测试样本数据点到最优分类超平面的距离，根据测试样本数据点到最优分类超平面的距离判断测试样本数据的状态；步骤6：利用云模型产生云滴的随机性和稳定的趋向性来模拟不同专家对测试样本数据点到良好状态样本分类边界的距离的不同评估值，实现设备的评估值到评语域的不确定转化。2.根据权利要求1所述的云模型与遗传算法优化支持向量机的状态评估方法，其特征在于：步骤1中所述工作电压ai为第i个时间点的继电保护装置运行状态的工作电压；步骤1中所述CPU温度bi为第i个时间点的继电保护装置运行状态的CPU温度；步骤1中所述绝缘性能ci为第i个时间点的继电保护装置运行状态的绝缘性能；步骤1中所述设备故障次数di为第i个时间点的继电保护装置运行状态的设备故障次数；步骤1中所述家族缺陷率ei为第i个时间点的继电保护装置运行状态的家族缺陷率；步骤1中所述异常告警率fi为第i个时间点的继电保护装置运行状态的异常告警率；步骤1中所述断路器不正确动作次数gi为第i个时间点的继电保护装置运行状态的断路器不正确动作次数；i∈[0,M],M为继电保护装置运行时间。3.根据权利要求1所述的云模型与遗传算法优化支持向量机的状态评估方法，其特征在于：步骤2中所述对工作电压进行数据预处理为：其中，M为继电保护装置运行时间，N为数据预处理后的样本数量，ai为第i个时间点的继电保护装置运行状态的工作电压，ai*为第i个时间点的保护装置运行状态的工作电压安全稳定阈值，aj*为数据预处理后第j个样本的的工作电压，其为0-1之间的一个数值；步骤2中所述对CPU温度进行数据预处理为：其中，bi为第i个时间点的保护装置运行状态的CPU温度，bi*为第i个时间点的保护装置运行状态的CPU温度安全稳定阈值，bj*为数据预处理后第j个样本的CPU温度，其为0-1之间的一个数值；步骤2中所述对绝缘性能进行数据预处理为：其中，ci为第i个时间点的保护装置运行状态的绝缘性能，ci*为第i个时间点的保护装置运行状态的绝缘性能安全稳定阈值，cj*为数据预处理后第j个样本的绝缘性能，其为0-1之间的一个数值；步骤2中所述对设备故障次数进行数据预处理为：其中，di为第i个时间点的保护装置运行状态的设备故障次数，di*为第i个时间点的保护装置运行状态的设备故障次数安全稳定阈值，dj*为数据预处理后第j个样本的设备故障次数，其为0-1之间的一个数值；步骤2中所述对家族缺陷率进行数据预处理为：其中，ei为第i个时间点的保护装置运行状态的家族缺陷率，ei*为第i个时间点的保护装置运行状态的家族缺陷率安全稳定阈值，ej*为数据预处理后第j个样本的家族缺陷率，其为0-1之间的一个数值；步骤2中所述对异常告警率进行数据预处理为：其中，fi为第i个时间点的保护装置运行状态的异常告警率，fi*为第i个时间点的保护装置运行状态的异常告警率安全稳定阈值，fj*为数据预处理后第j个样本的异常告警率，其为0-1之间的一个数值；步骤2中所述对不正确动作次数进行数据预处理为：其中，gi为第i个时间点的保护装置运行状态的不正确动作次数，gi*为第i个时间点的保护装置运行状态的不正确动作次数安全稳定阈值，gj*为数据预处理后第j个样本的不正确动作次数，其为0-1之间的一个数值；步骤2中所述训练样本数据为：数据处理后第j个样本的工作电压aj*，数据处理后第j个样本的CPU温度bj*，数据处理后j个样本的绝缘性能cj*，数据处理后第j个样本的设备故障次数dj*，数据处理后第j个样本的家族缺陷率ej*，数据处理后第j个样本的异常告警率fj*，数据处理后第j个样本的断路器不正确动作次数gj*。4.根据权利要求1所述的云模型与遗传算法优化支持向量机的状态评估方法，其特征在于：步骤3中所述将训练样本数据通过人工标记方法得到标记后数据预处理样本为：(xj,yj),j∈[1,N]xj＝(aj*,bj*,cj*,dj*,ej*,fj*,gj*)Tyj∈{-1,1}其中，N为标记后数据预处理样本的数量，(xj,yj)为第j组标记后数据预处理样本点，xj为第j组标记后数据预处理样本的输入向量；若通过人工标记判断xj在保护装置刚刚投入运行，且运行状态良好的情况下获得的样本数据，则yj＝1，若通过人工标记判断xj在在保护装置运行状态出现故障的情况下获得的样本数据，则yj＝-1；yj∈{-1,1}为第j组标记后数据预处理样本的输出结果，yj＝1代表第j个样本的输入向量xj为状态良好的样本数据，状态良好的样本数据是在保护装置刚刚投入运行，且运行状态良好的情况下获得的样本数据，yj＝-1代表第j个样本的输入向量xj为状态失效的样本数据，状态失效的样本数据是在保护装置运行状态出现故障的情况下获得的样本数据；aj*为数据处理后第j个样本的工作电压，bj*为数据处理后第j个样本的CPU温度，cj*为数据处理后第j个样本的绝缘性能，dj*为数据处理后第j个样本的设备故障次数，ej*为数据处理后第j个样本的家族缺陷率，fj*为数据处理后第j个样本的异常告警率，gj*为数据处理后第j个样本的断路器不正确动作次数；步骤3中所述支持向量机的核函数为径向基核函数，径向基核函数模型为：其中，x为支持向量机的输入向量，x∈{x1,x2,...,xN}，xi*为yi＝1或yi＝-1任意的一个支持向量，支持向量定义为正好落在良好状态分类分类边界上的向量或者失效状态分类分类边界上的向量；步骤3中所述参数寻优具体为：遗传算法中的输入数据为支持向量机的核函数参数C、错误惩罚因子δ、以及经过支持向量机的预测分类结果yp*，遗传算法中的优化目标定义为测试样本的平均相对百分比误差；支持向量机的输入为第j个样本标记后数据预处理样本的输入向量xj，支持向量机的输出为第j个样本标记后数据预处理样本的输出结果yj；支持向量机的核函数类型、核函数参数C、错误惩罚因子δ均会对支持向量机的预测分类结果yp*产生影响；遗传算法的优化目标模型：其中，Q表示预测数量，Q∈[1,N]，yp*表示支持向量机的预测分类输出结果，yp(yp∈{-1,1})表示为第j组标记后数据预处理样本的输出结果；当遗传算法的优化目标模型函数达到最小值时，即认为此时的分类效果最好，取此时的支持向量机参数为最优参数；通过核函数模型、最优核函数参数C*、最优错误惩罚因子δ*构建遗传算法优化后支持向量机。5.根据权利要求1...
【专利技术属性】
技术研发人员：张学敏，王斌，施迎春，王文林，党军朋，杨永旭，马智鹏，唐一恒，陈海涛，李雷，刘祺，韩宗延，张志强，周洪胜，戴伟康，白建林，杜林强，矣林飞，许鑫，
申请(专利权)人：云南电网有限责任公司玉溪供电局，
类型：发明
国别省市：云南,53
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。