【技术实现步骤摘要】
本专利技术属于配电网设备的参数预测，具体涉及一种基于多变量重构联合动态权重的避雷器泄漏电流预测方法。
技术介绍
1、氧化锌避雷器(moa)是一种重要的电力设备，在电力系统中有着广泛的应用。其工作原理与电容和电阻的并联关系密切相关。当避雷器出现受潮、老化等情况时，其性能会受到影响，可能会引发故障，严重时甚至可能发生爆炸，从而影响电力系统的安全运行。
2、在实际的参数预测中，氧化锌避雷器的泄漏电流受到多种因素的影响，包括电压、频率、温度等。因此，需要建立参数预测模型来描述这些因素对泄漏电流的影响，从而进行更准确的预测。参数预测方法主要有三大类，分别是：统计分析、信号处理和机器学习。其中的统计分析方法受限于统计分析理论，只对特定数据集有较高精度，泛化性较差。虽然时序数据的傅立叶分析通过提取时频域特征参数对未来数据进行表征，但时频变换容易出现信息的损失，因此信号处理类的方法仍需加入非线性特征分析的模块，基于机器学习的数据预测方法使用历史数据建立数学模型，即可实现对新样本的表示。目前，机器学习的参数预测方法很多，包括逻辑回归、决策树、神经网络和支持向量机等，更深层次的也可以选取卷积神经网络和残差网络等模型进行预测，这也得益于神经网络具有自动学习复杂数据特征，通过多层映射，可以自动学习复杂的数据特征，这大大减轻了特征工程的工作量，并降低了对原始数据的依赖；同时可以直接将原始数据映射到最终结果，无需分步提取特征和训练模型，这简化了机器学习流程，生成的模型也更加优化。
3、总之，氧化锌避雷器泄漏电流的预测对于电力系统的安
4、为了有效处理氧化锌避雷器泄漏电流的精准预测问题，本专利技术提出将综合考虑影响电流数据变化的外部因素，在输入端将单一的电流时序数据同时融合了相应的外界信息数据重构成多维相控空间，完整刻画了泄漏电流在多维状态空间的变化规律，揭示了泄漏电流内在的波动本质；对于输出端，构建神经网络的组合预测模型，并采用指数平滑法来动态地选取权重系数，以充分融合各单一模型的有用信息。通过本专利技术的避雷器泄漏电流预测方法，可以实现对配电网设备巡检或者维护等工作的信息化和智能化。该方法可以较好地融合看似无用的历史外界环境的时序数据，提高电流预测模型的可信度和泛化能力。
技术实现思路
1、配网避雷器的参数预测分析可以为设备状态评估提供有力技术支撑。现有时序数据的泄漏电流预测模型主要基于单一模型以及单一历史参量进行分析和判断，预测稳定性和可信度有待商榷。针对上述问题本专利技术提出了一种基于多变量重构联合动态权重的避雷器泄漏电流预测方法，通过融合各外界参数的序列构造多维的变量空间以及构建二种非线性网络模型的集成形式提高了输出结果的可信度。
2、本专利技术旨在以多变量多维空间的输入方式以及组合预测模型的输出模式，实现对配电设备的泄漏电流的预测，首先对多渠道采集的数据集进行针对性的预处理，结合非线性自回归神经网络(narx)和径向基函数(rbf)神经网络强大的非线性拟合能力，建立了基于多变量相空间重构和动态权重优化的神经网络泄漏电流预测模型进而完成电流时序预测的任务。
3、为达到上述目的，本专利技术采用以下技术方案：
4、一种基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特点在于，包括：
5、步骤1，通过传感器对氧化锌避雷器提取历史的电流数据和相应的外部环境数据，包括温度、湿度以及气象信息；
6、步骤2，对所述电流数据和外部环境数据进行预处理；
7、步骤3，确定嵌入维数和延迟系数，重构泄漏电流和外部因素的多变量相空间；
8、步骤4，基于非线性自回归神经网络和径向基函数神经网，构造泄漏电流和外部因素的多变量相空间重构和动态权重优化的神经网络泄漏电流预测模型；
9、步骤5，采用指数平滑法对narx和rbf模型的预测结果根据不同时刻的输出赋予不同的权重系数进行信息融合，输出最终的电流预测时序结果，通过计算平均精度等指标来评估参数预测模型的性能，完成避雷器泄漏电流参数预测任务。
10、进一步，所述步骤2中预处理包括数据缺失值和干扰值处理、数据重采样和平滑数据标准化处理。
11、进一步，所述步骤3选取延迟系数为3、4、5、6和7对narx和rbf模型进行训练并对参数进行预报，最终确定了延迟系数为4时，模型达到最佳效果。
12、进一步，所述步骤3中采用假领域空间fnn算法确定嵌入维数，具体包括：
13、对于每一个嵌入维数m，计算每个点的m个最近邻点；
14、对于每个点，计算其m个最近邻点中，有多少个点在m+1维空间中不再是其最近邻点，这些点被称为“假近邻”点；
15、如果假近邻点的数量对于所有的点都小于某个预设的阈值，那么认为当前的嵌入维数是足够的。
16、进一步，采用lyapunov指数用以表征重构的多维系统是否对初始值敏感，判断其是否具有混沌特性，如果最大lyapunov指数大于0，那么系统空间就具有混沌特性，即对初始值敏感，相邻的维度数据会随着时间的推移呈指数级分离，如果lyapunov指数小于0则重新确定空间参数以保证其混沌性。
17、进一步，所述步骤4中narx神经网络模型包含输入层、隐含层和输出层3层，其中，输入向量为即泄漏电流和温度、湿度外在因素，输入层包含神经网络的各项输入参数，隐含层是输入-输出的计算步骤，输出层是模型预测的结果，隐含层采用的激活函数tansig，输出层采用的激活函数purelin。
18、进一步，所述步骤4中rbf神经网络预测模型包含输入层、隐含层、输出层的3层前馈神经网络，输出层第k个节点的输出可以描述为：
19、
20、式中：x为输入向量，wkj为隐含层第j个节点和输出层第k个节点之间的连接权重；j和k分别为隐含层和输出层节点数。
21、进一步，所述步骤5中所述narx和rbf的神经网络组合模型是利用时刻及以前的样本值，通过权重系数组合各单一模型来预测k+1时刻的泄漏电流，预测时，除了获取第i种单一模型k+1时刻的预测值外，还需确定该时刻各自的权重系数w(k+1)，且权重系数应能够实时自适应响应单一模型预测变化的趋势。
22、所述平均绝对误差表示预测值的平均误差大小，公式为：
23、
24、
25、式中：yi表示真实值；pri表示预测值。
26、与现有技术相比，本专利技术的有益效果如下：
27、本专利技术相较于以往的电流预测方法，摒弃了将历史数据的单一时序数据作为样本而是进行相位空间多维重构，在综合考虑外部因素和历史数据的非线性关系的同时优化预测模型的精确度，使得氧化锌避雷器(moa)的维护具备更可靠的实时性和保障性。该技术为配电网提供了高效、准确的解决方案并具备广泛本文档来自技高网...
【技术保护点】
1.一种基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，所述步骤2中预处理包括数据缺失值和干扰值处理、数据重采样和平滑数据标准化处理。
3.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，所述步骤3选取延迟系数为3、4、5、6和7对NRAX模型和RBF模型进行训练并对参数进行预报，最终确定了相位重构空间的维度为4时，模型达到最佳效果。
4.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，所述步骤3中采用假领域空间FNN算法确定嵌入维数，具体包括：
5.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，采用Lyapunov指数用以表征重构的多维系统是否对初始值敏感，判断其是否具有混沌特性，如果最大Lyapunov指数大于0，那么系统空间就具有混沌特性，即对初始值敏感，相邻的维度数据会随着时间的推移呈指数级分离，如果Lya
6.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，所述步骤4中NARX神经网络模型包含输入层、隐含层和输出层3层，其中，输入向量为即泄漏电流和温度、湿度外在因素，输入层包含神经网络的各项输入参数，隐含层是输入-输出的计算步骤，输出层是模型预测的结果，隐含层采用的激活函数tansig，输出层采用的激活函数purelin。
7.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，所述步骤4中RBF神经网络预测模型包含输入层、隐含层、输出层的3层前馈神经网络，输出层第k个节点的输出可以描述为：
8.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，所述步骤5中NARX和RBF的神经网络组合模型是利用时刻及以前的样本值，通过权重系数组合各单一模型来预测k+1时刻的泄漏电流，预测时，除了获取第i种单一模型k+1时刻的预测值外，还需确定该时刻各自的权重系数w(k+1)，且权重系数应能够实时自适应响应单一模型预测变化的趋势。
9.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，所述平均绝对误差表示预测值的平均误差大小，公式为：
...【技术特征摘要】
1.一种基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，所述步骤2中预处理包括数据缺失值和干扰值处理、数据重采样和平滑数据标准化处理。
3.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，所述步骤3选取延迟系数为3、4、5、6和7对nrax模型和rbf模型进行训练并对参数进行预报，最终确定了相位重构空间的维度为4时，模型达到最佳效果。
4.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，所述步骤3中采用假领域空间fnn算法确定嵌入维数，具体包括：
5.根据权利要求1所述的基于多变量重构联合动态权重的避雷器泄漏电流预测方法，其特征在于，采用lyapunov指数用以表征重构的多维系统是否对初始值敏感，判断其是否具有混沌特性，如果最大lyapunov指数大于0，那么系统空间就具有混沌特性，即对初始值敏感，相邻的维度数据会随着时间的推移呈指数级分离，如果lyapunov指数小于0则重新确定空间参数以保证其混沌性。
6.根据权利要求1所...
【专利技术属性】
技术研发人员：罗毅，李东生，丁海波，马益鑫，曾博，李刚，朱朝平，常宽，张元月，庞伟生，杨振宇，魏中，李亮，陈凯，陈苹苹，庞磊，曹有锦，代珍山，郑高洁，许宝宏，柳强明，马明忠，刘一帆，朱锦伟，黄腾，李振兴，孙永柯，张雁君，
申请(专利权)人：国网青海省电力公司海北供电公司，
类型：发明
国别省市：
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。