[發明專利]一種基于IFOA-SVM的高壓開關柜狀態評估方法

在審

• 申請號: 202110654396.1
• 申請日: 2021-06-11
• 公開（公告）號: CN113379251A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 金學成;周敦有;陳博;王鑫;吳麒;丁年禮;張文安
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06K9/62;G06N3/00
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于IFOA-SVM的高壓高壓開關柜狀態評估方法，其特征在于，所述方法包括以下步驟：

1)高壓開關柜狀態評估數據采集預處理，過程如下：

通過高壓開關柜所配備的在線監測裝置、各類傳感器進行數據采集，首先，通過使用同類數據的均值和缺失位置數據前后測量值均值對缺失值進行補全，其次，通過對異常情況和正常情況的數據的對比，實現對極端異常值進行界定，從而刪除極端異常；

2)高壓開關柜狀態評估數據歸一化處理，過程如下：

采用式(1)對經過異常值和缺失值處理后的高壓開關柜數據進行歸一化處理；

式中，x_i為未歸一化的高壓高壓開關柜數據；x_max為同組未歸一化的高壓開關柜數據中的最大值；x_min未同組未歸一化的高壓開關柜數據中的最小值；為歸一化之后的高壓開關柜數據；

3)確定模型的輸入和輸出，過程如下：

從在線監測、帶電檢測和停電實驗多信息源中選取高壓高壓開關柜特征量，選取的特征量為局放值、超聲波值、紅外診斷、電纜接頭溫度和母排溫度，采用預處理過的高壓開關柜樣本數據特征作為模型的輸入，并將高壓開關柜的狀態作為輸出；

4)確定SVM多分類策略，過程如下：

采用“一對一”策略與SVM結合拓展構成OVO-SVM高壓開關柜狀態估計分類器，在解決K類高壓開關柜狀態多分類問題時，在任意兩個類別樣本間構造一個二分類的SVM子分類器，一共需要構造K(K-1)/2個子分類器，每個子分類器的生成只需要用到訓練樣本中的兩類數據，從而實現K類多分類問題中的兩類區分；構造好所有的子分類器后，聯合它們對新樣本的類別進行決策，并采用“投票法”進行類別的判斷，每個子分類器對待分類樣本進行“投票”，對于某一個樣本只能投1票，當遍歷完所有的子分類器后，將樣本劃分到“得票數”最高的類別中，基于“一對一”分類策略的狀態估計分類器在任意兩類狀態之間構建一個子分類器，將不同的子分類器組合在一起構成最終的分類器；

5)高壓開關柜狀態評估樣本數據劃分，過程如下：

把高壓開關柜樣本數據隨即劃分為訓練數據集和測試數據集，其中，訓練數據集所占比例為60％～80％，用于對模型的有監督訓練學習，剩余的數據作為測試數據集，用于對訓練后分類模型的測試；

6)構建混合核函數，過程如下：

對于高壓開關柜所選取的多維特征，在SVM分類模型中引入核函數，將非線性高壓開關柜原始數據特征映射到高維的線性可分特征空間中，從而使之線性可分；根據各個核函數的特點，構造混合核函數代替單一核函數，提高狀態估計準確率，即

式中，K₁(x,z)為多項式核函數；K₂(x,z)為徑向基核函數；λ為核函數比例系數，σ為徑向基核函數寬度參數，x,z分別對應原始數據特征和在映射空間中的特征；K(x,z)為最終的混合核函數表達式；

7)根據步驟6)所得到的新的混合核函數，代入SVM分類模型之中，得到高壓開關柜的狀態估計模型為：

式中，y_i為第i個實例的輸出，α_i為拉格朗日乘子，b為偏置，m為特征數量，f(x)表示分類器最終分類的結果；

8)基于改進果蠅優化算法IFOA算法對SVM進行參數優化，過程如下：

8.1)初始化IFOA參數：定義一個果蠅種群位于平面坐標系中，初始化種群規模s，最大迭代次數max_gen,確定果蠅個體位置坐標；待優化參數核函數比例系數λ、徑向基核函數寬度參數σ和懲罰因子C，隨機初始化種群位置為(λ₀，σ₀，C₀)，并賦予果蠅個體隨機的運動方向和距離，從而生成種群中各個果蠅個體位置，定義種群中果蠅的只數為l，則第j只果蠅的坐標為，

式中，R為隨機搜索距離；

8.2)計算果蠅個體尋優的適應度值：將果蠅位置坐標代入適應度函數F，根據適應度值F(λ,σ,C)評價果蠅個體位置的味道濃度，其中，適應度值根據SVM模型準確率A確定，求得種群中離食物位置最近的果蠅Fly，即求適應度的極大值maxF對應果蠅個體BI,

式中，D_T為所有預測正確的樣本，D為總樣本，BS為最佳濃度值，BI為果蠅個體；

8.3)保存最佳味道濃度值：將第一次執行的最佳適應度值BS保存于Sb，同時保存λ，σ，C坐標，得

8.4)確定誘導學習果蠅的平均位置坐標：對本代搜尋完成的果蠅味道適應度值進行排序，以僅次于最優果蠅的兩個果蠅個體subBI1和subBI2作為誘導學習個體，分別計算其坐標的位置并求算術平均值得到λ_e、σ_e、C_e，即

8.5)計算果蠅群體收斂方向的目標位置：利用式(8)更新果蠅種群位置；

式中，η為學習因子，λ_j′，σ_j′，C_j′為新的果蠅位置坐標；

在果蠅尋優過程中，引入一種學習因子促使果蠅種群向精英果蠅個體學習，從而保證算法最終收斂于全局最優位置，在果蠅種群迭代尋優的過程中，利用精英個體對種群移動的方向和距離進行引導，使得果蠅種群不斷向全局最優位置靠攏，隨著迭代次數T的增加，上一次迭代的精英果蠅個體對種群的影響逐漸減小，采取分數衰減機制設置學習因子η和學習因子衰減幅度控制參數c_f；

η＝η₀/(1+c_f(T-1)) (9)

式中，η₀為初始學習因子，c_f為學習因子衰減幅度控制參數；

8.6)進行迭代尋優：將本代的BS賦予preBS后進入迭代循環，重復上述步驟，保存每代Sb值，當算法達到max_gen的設定值時結束循環，獲得最佳果蠅個體的位置坐標(λ，σ，C)即尋優結果，即

Sb＝max{BS,preBS} (10)

9)根據IFOA算法獲得最佳參數組合從而確定SVM最優模型，使用測試集數據對該最優模型進行驗證，針對高壓開關柜新的狀態數據，經過數據預處理后輸入到該SVM分類模型中，則能對高壓開關柜進行準確的狀態評估。