【技术实现步骤摘要】
本专利技术属于水电机组状态监测，具体涉及一种基于调峰电源设备组合预测的联合优化方法及系统。
技术介绍
1、水电机组是电力系统的关键设备之一，其运行状态关乎电网能否可靠供电。因此运用可靠的状态监测技术进行分析，并对其未来的运行状态进行预测，及时获知故障信息，杜绝事故的进一步蔓延，避免重大电力事故发生，从而保证水电机组的正常运行，对于电网调峰供电具有重要意义。
2、但是，传统的水电机组诊断方法依赖设备的理论知识和人为经验，普适性较差、效率低下，无法有效地对水电机组状态作出预测和及时反映预警。而基于数据挖掘的状态监测方法主要有三大类，其中，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；信号处理方法通过提取时频域特征参数对系统状态进行表征，但时频变换容易出现信息的损失；基于机器学习的设备监测方法很多，但是存在单一预测模型监测分类通用性较差，预测可靠性可信度不足的问题。所以，上述人工或基于数据挖掘的检测方法并不能较好的广泛地用于水电机组运行状态的准确可靠预测。
3、因此，如何提出一种多模型组合的水电机组运行状态预测方法，从而提高水电机组运行状态预测可靠性和可信度，是本领域技术人员亟需解决的技术问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于调峰电源设备组合预测的联合优化方法及系统，以数据挖掘的方式，实现对调峰电源设备尤其是水电机组设备的参数预测和状态预警，从而提高水电机组运行状态预测的可靠性和可信度。
2、为了实现上述目
3、本专利技术公开了一种基于调峰电源设备组合预测的联合优化方法，具体步骤如下：
4、获取水电机组的内部工作参数、外部环境参数以及电网负荷参数，构建数据表；
5、根据所述数据表，确定初始数据集；
6、根据初始数据集中数据的线性特征、非线性特征和复杂特征，构建arima模型、随机森林模型、lstm神经网络模型，进行参数预测；计算组合权重，对预测参数进行加权平均，得到最终输出结果，作为预测数据集；
7、将多种不同类型的水电机组故障定义为一个故障空间，并结合初始数据集，分别搭建支持向量机svm模型和xgboost模型，使用寻优算法对两个模型的参数进行优化；根据预测数据集和故障空间，对水电机组的故障进行分类和预警，分别得到初始预警结果；将所述初始预警结果进行信息融合，输出最终状态预警结果。
8、进一步的，所述内部工作参数包括：水轮机的进水压强、振动、摆渡系数数据，发电机转子的交流阻抗、磁极系数数据，变压器中的油温和气体浓度数据；所述部环境参数，包括：气温、地面温度、相对湿度、平均风速数据；所述电网负荷参数，包括：运行电压、有功功率、无功功率；然后，根据各参数获取时间构建数据表。
9、进一步的，所述确定初始数据集，包括：首先，判断数据表中缺失值占样本量总量的比例，当所占比例大于阈值时，采用插补法补全数据集中的缺失值，小于阈值时，采用删除法直接删除缺失值；再，进行异常值处理；然后，采用z-score方法进行数据标准化；最后，采用袋外数据特征置换法进行特征提取，得到初始数据集。
10、进一步的，所述构建arima模型、随机森林模型、lstm神经网络模型进行参数预测，包括：
11、选取初始数据集中具有线性特征的参数，构建arima模型并训练，利用训练好的arima模型进行参数预测；选取初始数据集中具有非线性特征的参数，构建随机森林模型并训练，利用训练好的随机森林模型进行参数预测；选取初始数据集中具有复杂特征的参数，构建lstm神经网络模型并训练，利用训练好的lstm神经网络模型进行参数预测；
12、所述计算组合权重，对预测参数进行加权平均，得到最终输出结果，包括：
13、利用拟合优度算法分配arima模型、随机森林模型、lstm神经网络模型的权重值，首先计算拟合优度算法的可决系数p，p的正常取值范围为[0,1]，其计算公式为：
14、
15、其中，为第i个参数预测数值，为真实值的平均值，zi为第i个参数真实值，n为预测参数总个数；
16、然后，使用tangent函数对可决系数p进行优化，最后得到优化后的组合权重计算公式：
17、
18、其中，wj代表第j个子模型的组合权重，zj代表第j个子模型的p值，h(zj)代表第j个子模型使用tangent函数变换后的p值；
19、根据权重值wj，计算arima模型、随机森林模型、lstm神经网络模型的预测参数加权平均值得到最终输出结果，作为预测数据集。
20、进一步的，所述arima模型由引入差分操作的同时由自回归模型和移动平均模型组成，其初始化系数包含自回归项数和滑动平均项数；所述随机森林模型选择bootstrap采样来构建每个基础决策树；所述lstm神经网络模型使用随机梯度下降adam算法优化，损失函数为交叉熵函数。
21、进一步的，所述故障空间为θ{f1，f2，…，f10}作为水电机组故障辨识框架；
22、所述支持向量机svm模型的构建，采用网格寻优方法，粗略选择惩罚参数c和核函数参数g；然后采用k-折交叉验证方法，选取最优的c值和g值作为支持向量机svm模型的最优参数；
23、所述xgboost模型的构建，采用自适应粒子群优化算法不断更新xgboost模型的基学习器个数、学习率、最大树深度，确定最优化参数；
24、所述初始预警结果包括：利用优化好的支持向量机svm模型和xgboost模型，以预测数据集参数预测模型的最终输出结果作为输入，对水电机组的故障进行分类预警，分别得到两个初始预警结果；
25、所述最终状态预警结果为：通过加权证据方法，对两个初始预警结果进行信息融合，得到的水电机组状态预警结果。
26、进一步的，所述k-折交叉验证方法，具体为：将初始数据集中数据分为k个子集，其中k-1个子集作为训练子集，1子集个作为测试子集，选取一组c和g的值进行支持向量机svm模型训练，并计算测试子集测试结果的均方误差mse，计算选取多组不同的c和g值的mse，以mse最小值原则选取最优的c值和g值。
27、进一步的，所述自适应粒子群优化算法，具体为：
28、确定自适应粒子群优化算法的惯性权重w值，其公式为：
29、
30、其中，wmax和wwin分别表示惯性权重的最大和最小值，k为当前迭代次数，kmax为最大迭代次数；
31、根据粒子群的进化程度和聚集程度，对自适应粒子群优化算法的惯性权重进行动态更新，改进后的自适应惯性权重更新公式为：
32、w*＝win-(win-wmin)*evol+(wmax-win)*aggr
33、其中，w*表示自适应惯性权重，win表示初始惯性权重值，evol和aggr分别为进化程度和聚集程度。...
【技术保护点】
1.一种基于调峰电源设备组合预测的联合优化方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于调峰电源设备组合预测的联合优化方法，其特征在于，所述内部工作参数包括：水轮机的进水压强、振动、摆渡系数数据，发电机转子的交流阻抗、磁极系数数据，变压器中的油温和气体浓度数据；所述部环境参数，包括：气温、地面温度、相对湿度、平均风速数据；所述电网负荷参数，包括：运行电压、有功功率、无功功率；
3.根据权利要求1所述的一种基于调峰电源设备组合预测的联合优化方法，其特征在于，所述确定初始数据集，包括：
4.根据权利要求1所述的一种基于调峰电源设备组合预测的联合优化方法，其特征在于，所述构建ARIMA模型、随机森林模型、LSTM神经网络模型进行参数预测，包括：
5.根据权利要求4所述的一种基于调峰电源设备组合预测的联合优化方法，其特征在于，
6.根据权利要求1所述的一种基于调峰电源设备组合预测的联合优化方法，其特征在于，
7.根据权利要求1所述的一种基于调峰电源设备组合预测的联合优化方法，其特征在于，还包括通过
8.一种基于调峰电源设备组合预测的联合优化系统，其特征在于，包括：
9.根据权利要求8所述的一种基于调峰电源设备组合预测的联合优化系统，其特征在于，所述参数预测模块包括：
10.根据权利要求8所述的一种基于调峰电源设备组合预测的联合优化系统，其特征在于，所述状态预警模块包括：
...【技术特征摘要】
1.一种基于调峰电源设备组合预测的联合优化方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于调峰电源设备组合预测的联合优化方法，其特征在于，所述内部工作参数包括：水轮机的进水压强、振动、摆渡系数数据，发电机转子的交流阻抗、磁极系数数据，变压器中的油温和气体浓度数据；所述部环境参数，包括：气温、地面温度、相对湿度、平均风速数据；所述电网负荷参数，包括：运行电压、有功功率、无功功率；
3.根据权利要求1所述的一种基于调峰电源设备组合预测的联合优化方法，其特征在于，所述确定初始数据集，包括：
4.根据权利要求1所述的一种基于调峰电源设备组合预测的联合优化方法，其特征在于，所述构建arima模型、随机森林模型、lstm神经网络模型进行参数预测，包括：
【专利技术属性】
技术研发人员：荆岫岩，郝峰，黄坤，金一川，王子琪，孙建业，方冰，范强，许永鹏，严英杰，刘亚东，江秀臣，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司，
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。