一种基于高斯过程的电能量计量装置状态预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于高斯过程的电能量计量装置状态预测方法，属于电能量计量和人工智能技术领域，涉及到基于高斯过程，利用采集到的离线数据对电能量计量装置运行状态实现预测。电能量计量装置的离线数据多且复杂，使得一般的回归模型和神经网络在这方面表现并不是高效准确。而高斯过程在非参数模型与黑盒函数的预测有良好的表现，本装置在高斯过程的基础上，建立优良的评估体系，并且采取组合协方差，优化超参数的方法，实现了有复杂离线数据的电能量计量装置运行状态的预测。据的电能量计量装置运行状态的预测。据的电能量计量装置运行状态的预测。

【技术实现步骤摘要】
一种基于高斯过程的电能量计量装置状态预测方法及装置


[0001]本专利技术涉及一种基于高斯过程的电能量计量装置状态预测方法及装置，属于计量装置预测


技术介绍

[0002]电能量计量装置数据智能预测在现有阶段有基于CAPSO
‑
BPNN的预警方法。该方法从多方面选取能反映计量装置每一类设备运行状态的指标，建立了综合评价指标体系，采用多层次模糊综合评价方法对运行状态进行评价。在评价结果的基础上，采用CAPSO
‑
BPNN预警模型对计量装置未来运行状态进行预警。
[0003]CAPSO
‑
BPNN的预警方法基于BP神经网络，BP神经网络在该方面的应用也有一定的局限性。首先，BP神经网络模型的逼近和推广能力与学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题；其次，BP神经网络的收敛速度较慢同时也存在局部极小化问题。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种基于高斯过程的电能量计量装置状态预测方法及装置，能够预测装置的某一时间段的运行状态。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种基于高斯过程的电能量计量装置状态预测方法，其特征在于，包括以下步骤：
[0007]获取电能计量装置的离线数据；
[0008]根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值；
[0009]将所述电能计量装置的历史评价值输入训练好的高斯过程状态预测模型，获得电能计量装置的预测评价值。
[0010]进一步的，所述高斯过程状态预测模型包括：均值函数m(x)和协方差函数k(x,x')；
[0011]所述均值函数即
[0012]m(x)＝E(f(x))
ꢀꢀ
(1)
[0013]所述协方差函数为k(x,x')，用于衡量任意两个点之间的“距离”，即
[0014]k(x,x')＝E[(f(x)
‑
m(x))(f(x')
‑
m(x'))]ꢀꢀ
(2)。
[0015]进一步的，所述协方差函数包括由径向基函数RBF和平方指数协方差函数SE组成的组合协方差函数RBF+SE，所述径向基函数RBF基本形式如下：
[0016][0017]式中，σ1、l1、为超参数。
[0018]所述平方指数协方差函数SE，基本形式如下：
[0019][0020]式中，σ2为超参数，P＝diag([λ1,...,λ
d
]T
)，为平滑系数对角阵。
[0021]进一步的，所述协方差函数的训练方法包括超参数优化；
[0022]所述超参数优化的方法包括以下步骤：最大化在这两个超参数下y出现的概率，通过最大边缘对数似然来找到最优参数，边缘对数似然表示为：
[0023][0024]其中，σ1,l1为超参数，n为样本个数。
[0025]进一步的，所述高斯过程状态预测模型的训练方法包括以下步骤：
[0026]获取电能量计量装置的主要元件并根据综合评价指标集确定主要元件基础数据；
[0027]选取电能量计量装置进行实时运行检测，在其完整工作周期内记录其各个主要元件的工作状态数据，并且筛选出具有明显状态转变的时间节点；
[0028]将各个主要元件的工作状态数据和时间节点数据进行汇总处理后，放入高斯过程状态预测模型中训练；
[0029]根据训练结果不断优化模型，得到训练好的高斯过程状态预测模型。
[0030]进一步的，根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值的方法包括：
[0031]步骤1：确定各个指标；
[0032]记计量装置运行状态的评价指标体系中指标集集U：
[0033]U＝{U1,U2,
…
,U
n
}
ꢀꢀ
(6)
[0034]其中，U
n
表示该计量装置在该时间刻的工作状态；
[0035]步骤2：确定最优参考数列；
[0036]通过设立专家组确定参考数列与数据数列中对应的计量装置的离线指标，并确定最优参考数列A：
[0037][0038]其中，表示离线指标U
i
在计量装置工作状态最优时的值。
[0039]最优参考数列对应的U
n
指标值为1；
[0040]A在一下计算中被计为X0:
[0041]X0＝{x0(1),x0(2),
…
,x0(n)}
ꢀꢀ
(8)
[0042]收集到的离线数据为比较序列B
i
：
[0043][0044]其中，表示第i次收集到的离线指标U
j
的离线数据。
[0045]B
i
在下一计算中被计为X
i
:
[0046]X
i
＝{x
i
(1),x
i
(2),
…
,x
i
(n)}
ꢀꢀ
(10)
[0047]步骤3：计算关联系数；
[0048]计算每组待评数据中各个指标与最优参考数列的绝对值差，并得之中的最大值与最小值；取分辨系数ρ＝0.5，计算关联系数的公式如下：
[0049][0050]其中，ξ
i
(k)表示第i组待评数据第k指标与其他指标的关联度，x0(k)为最优参考数列的第k个指标值，x
i
(k)为第i组待评数据第k个指标值。
[0051]步骤4：计算关联度；
[0052]对各个指标赋予权值，如下数列：
[0053]ω＝{ω1,ω2,
…
,ω
n
‑1}
ꢀꢀ
(12)
[0054]其中，，ω
i
表示指标U
i
对应的权重值。
[0055]之后对各个指标的关联系数加权求平均值：
[0056][0057]其中，ω
i
表示指标U
i
对应的权重值，r
ni
表示第i个指标的关联度，ξ
ni
(j)表示第i个指标与第j个指标的关联系数。
[0058]步骤5：根据关联度排序得出历史评价值；
[0059]将关联度由小到大排序，并将其线性映射到指标U
i
上，获取历史评价值；关联度小的说明该装置距离最优状态差别较大，关联度大的说明该装置运行状态接近最优。
[0060]进一步的，根据关联度排序得出历史评价值的方法包括根据U
n
...

【技术保护点】

【技术特征摘要】
1.一种基于高斯过程的电能量计量装置状态预测方法，其特征在于，包括以下步骤：获取电能计量装置的离线数据；根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值；将所述电能计量装置的历史评价值输入训练好的高斯过程状态预测模型，获得电能计量装置的预测评价值。2.根据权利要求1所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，所述高斯过程状态预测模型包括：均值函数m(x)和协方差函数k(x,x')。3.根据权利要求2所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，所述协方差函数包括由径向基函数RBF和平方指数协方差函数SE组成的组合协方差函数RBF+SE，所述径向基函数RBF基本形式如下：式中，σ1、l1、为超参数；所述平方指数协方差函数SE，基本形式如下：式中，σ2为超参数，P＝diag([λ1,...,λ
d
]
T
)，为平滑系数对角阵。4.根据权利要求3所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，所述协方差函数的训练方法包括超参数优化；所述超参数优化的方法包括以下步骤：最大化在这两个超参数下y出现的概率，通过最大边缘对数似然来找到最优参数，边缘对数似然表示为：其中，σ1,l1为超参数，n为样本个数。5.根据权利要求2所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，所述高斯过程状态预测模型的训练方法包括以下步骤：获取电能量计量装置的主要元件并根据综合评价指标集确定主要元件基础数据；选取电能量计量装置进行实时运行检测，在其完整工作周期内记录其各个主要元件的工作状态数据，并且筛选出具有明显状态转变的时间节点；将各个主要元件的工作状态数据和时间节点数据进行汇总处理后，放入高斯过程状态预测模型中训练；根据训练结果不断优化模型，得到训练好的高斯过程状态预测模型。6.根据权利要求1所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值的方法包括：步骤1：确定各个指标；记计量装置运行状态的评价指标体系中指标集集U：U＝{U1,U2,
…
,U
n
}
其中，U
n
表示该计量装置在该时间刻的工作状态；步骤2：确定最优参考数列；通过设立专家组确定参考数列与数据数列中对应的计量装置的离线指标，并确定最优参考数列A：其中，表示离线指标U
i
在计量装置工作状态最优时的值；最优参考数列对应的U
n
指标值为1；A在后面记为X0:X0＝{x0(1),x0(2),
…
,x0(n)}收集到的离线数据为比较序列B
i
：其中，表示第j次收集到的离线指标U
j
的离线数据；B
i
在后面记为X
i
:X
i
＝{x
i
(1),x
i
(2),
…
,x
i
(n)}步骤3：计算关联系数；计算每组待评数据中各个指标与最优参考数...

【专利技术属性】
技术研发人员：邱书琦，葛翔，王润年，冉新涛，张冬冬，周宇，俞海猛，
申请(专利权)人：国电南瑞南京控制系统有限公司，
类型：发明
国别省市：