基于电气制造技术

本发明专利技术涉及一种基于电气

【技术实现步骤摘要】
基于电气、化学、结构、振动参量的GIS寿命预测方法


[0001]本专利技术属于气体绝缘金属封闭开关设备
(
简称
GIS
设备
)
领域，有关一种基于电气
、
化学
、
结构
、
振动参量的
GIS
寿命预测方法
。

技术介绍

[0002]GIS
凭借其占地面积小，运行可靠度高，机械故障率低，开断性能好，损耗小等特点被广泛使用
。GIS
设备在电力系统中起着至关重要的作用
。
为保证
GIS
设备长期稳定
、
高效地运行，一方面可以提高电力系统的供电可靠性和稳定性，另一方面也可以节约电力系统的能源消耗和维护费用
。
因此，
GIS
设备的寿命预测非常重要，能够在维护和管理
GIS
设备时提供科学的依据
。
[0003]传统
GIS
设备寿命预测方法主要基于部件的寿命特征进行维护和周期检修，只能通过经验和以往数据对比来预测
GIS
设备的剩余寿命，并且未基于
GIS
运行环境对设备寿命的影响
。
例如，沿海地区的高盐雾
、
高湿度环境会大幅降低
GIS
的使用性能和剩余寿命，而在易发生地震的区域，地震波则会损坏
GIS
中的电气设备和支架，影响
GIS
的剩余寿命等
。
传统预测方法缺乏综合性，需要利用大量的失效历史样本进行对比，且设备的运行环境与历史数据中设备运行环境一致才有效
。
而且传统方法只适用于不可修复部分或者可以修复如新的部分，未基于修复非新的状况
。
传统的预测方法无法准确全面地反映
GIS
设备实际寿命
、
预测精度低以及不能实现预防性维护等局限性
。
因此，为了更好地解决这些问题，研究一种基于电气
、
化学
、
结构
、
振动参量的
GIS
寿命预测方法非常有必要
。

技术实现思路

[0004]专利技术目的：本专利技术提出一种基于电气
、
化学
、
结构
、
振动参量的
GIS
寿命预测方法，其目的在于解决传统预测方法无法准确全面地反映
GIS
设备实际寿命
、
预测精度低以及不能实现预防性维护等局限性的问题
。
[0005]技术方案：
[0006]一种基于电气
、
化学
、
结构
、
振动参量的
GIS
寿命预测方法，步骤为：
[0007]步骤
S1
收集大量
GIS
设备正常运行和故障时的样本数据，组成数据集，将数据集分为训练集和测试集；
[0008]步骤
S2
建立
FA
优化
BP
网络的
FA
‑
BP
神经网络，将训练集输入
FA
‑
BP
神经网络，输出弱预测器模型
G
t
(x)
；
[0009]步骤
S3
使用
AdaBoost
算法集成所有弱预测器模型
G
t
(x)
，建立强预测器；
[0010]步骤
S4
得到寿命衰减函数模型
G(x)
后，将训练集的数据输入至寿命衰减函数模型
G(x)
进行准确性判断，得到合格的寿命衰减函数模型
G(x)
，将测试集输入合格的寿命衰减函数模型
G(x)
，输出预测寿命值
。
[0011]进一步的，步骤
S2
中
FA
‑
BP
神经网络输出弱预测器模型
G
t
(x)
的过程为：
[0012](1)
确定
FA
‑
BP
神经网络的结构；
[0013](2)
计算空间的维度
D
＝
R
×
S1+S1+S2×
S1+S2，设定步长为
η
；
[0014](3)
根据维度
D
划分区域，多区域并行寻找区域内最亮样本；
[0015](4)
多区域最亮样本比较，得到全区域内最亮的样本，通过位置更新公式更新萤火虫的位置和亮度；
[0016](5)
将最亮的萤火虫的位置和亮度输入到
FA
‑
BP
神经网络中作为初值，输出
FA
‑
BP
弱预测器
G
t
(x)。
[0017]进一步的，所述步骤
(2)
中步长
η
为：
[0018][0019]其中，
e
为自然数，
D
为维度，
t
为迭代次数
。
[0020]进一步的，所述步骤
(4)
中位置更新公式为：
[0021][0022]式中，
β
o
为最大吸引度，
r
ij
为萤火虫
i
与
j
在
D
维空间位置
x
i
和
x
j
的空间距离，
γ
为光强吸收系数，
η0为步长中最小值
。
[0023]进一步的，所述步骤
S4
中
AdaBoost
算法的步骤为：
[0024]步骤
1.
对训练集数据进行标准化处理，并赋予每条数据同等权重，
D
t
(i)
＝
1/n
，
i
＝1，2，
…
n
，
n
为样本数据个数；
[0025]步骤
2.
求解样本和弱预测器的权重，针对样本
Data
＝
[(x1，
y1)
，
(x2，
y2)
，
(x
i
，
y
i
)
…
，
(x
n
，
y
n
)]，其权重分布为
...

【技术保护点】

【技术特征摘要】
1.
一种基于电气
、
化学
、
结构
、
振动参量的
GIS
寿命预测方法，其特征在于：步骤为：步骤
S1
收集大量
GIS
设备正常运行和故障时的样本数据，组成数据集，将数据集分为训练集和测试集；步骤
S2
建立
FA
优化
BP
网络的
FA
‑
BP
神经网络，将训练集输入
FA
‑
BP
神经网络，输出弱预测器模型
G
t
(x)
；步骤
S3
使用
AdaBoost
算法集成所有弱预测器模型
G
t
(x)
，建立强预测器；步骤
S4
得到寿命衰减函数模型
G(x)
后，将训练集的数据输入至寿命衰减函数模型
G(x)
进行准确性判断，得到合格的寿命衰减函数模型
G(x)
，将测试集输入合格的寿命衰减函数模型
G(x)
，输出预测寿命值
。2.
根据权利要求1所述的一种基于电气
、
化学
、
结构
、
振动参量的
GIS
寿命预测方法，其特征在于：步骤
S2
中
FA
‑
BP
神经网络输出弱预测器模型
G
t
(x)
的过程为：
(1)
确定
FA
‑
BP
神经网络的结构；
(2)
计算空间的维度
D
，设定步长为
η
；
(3)
根据维度
D
划分区域，多区域并行寻找区域内最亮样本；
(4)
多区域最亮样本比较，得到全区域内最亮的样本，通过位置更新公式更新萤火虫的位置和亮度；
(5)
将最亮的萤火虫的位置和亮度输入到
FA
‑
BP
神经网络中作为初值，输出
FA
‑
BP
弱预测器
G
t
(x)。3.
根据权利要求2所述的一种基于电气
、
化学
、
结构
、
振动参量的
GIS
寿命预测方法，其特征在于：所述步骤
(2)
中步长
η
为：其中，
e
为自然数，
D
为维度，
t
为迭代次数
。4.
根据权利要求2所述的一种基于电气
、
化学
、
结构
、
振动参量的
GIS
寿命预测方法，其特征在于：所述步骤
(4)
中位置更新公式为：式中，
β
o
为最大吸引度，
r
ij
为萤火虫
i
与
j
在
D
维空间位置
x
i
和
x
j
的空间距离，
γ
为光强吸收系数，
η0为步长中最小值
。5.
根据权利要求1所述的一种基于电气
、
化学
、
结构
、
振动参量的
GIS
寿命预测方法，其特征在于：所述步骤
S4
中
AdaBoost
算法的步骤为：步骤
1.
对训练集数据进行标准化处理，并赋予每条...

【专利技术属性】
技术研发人员：何龙，马金财，朱咏明，曹辰，谭栋，刘刚，赵普志，郑义，陈新，王嘉麟，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：