本發(fā)明涉及高壓配電柜，特別是一種基于woa-lssvm模型的高壓配電柜多維數(shù)據(jù)的狀態(tài)評估方法。

背景技術(shù)：

1、高壓配電柜是指由母線、開關(guān)電器、儀表、互感器等按照一定的技術(shù)要求裝配起來，用來接收、分配和控制電能的設(shè)備。高壓配電柜常見的故障有外殼破裂漏油漏氣、套管連接發(fā)生較大的火花造成閃絡(luò)接地、氣動操作機構(gòu)大量跑氣、液壓操作機構(gòu)油壓下降、真空斷路器出現(xiàn)真空破壞的絲絲聲、火花放電及過熱冒煙、電流互感器二次開路本體有電磁聲等。因此確保高壓配電柜健康運行，及時發(fā)現(xiàn)并排除其異常運行狀態(tài)具有重要意義。目前，高壓配電柜的故障判斷過程是通過采集運行參數(shù)，與參數(shù)閾值進行比對，來判斷是否發(fā)生故障。當(dāng)上閾值≤實時值≤下閾值，則判斷為正常狀態(tài)；否則判斷為故障狀態(tài)?，F(xiàn)有技術(shù)存在以下缺點：（1）傳統(tǒng)的高壓配電柜采集的數(shù)據(jù)單一、檢測功能單一、監(jiān)測信息量少等原因己不能滿足對高壓配電柜進行監(jiān)測與故障分析的要求；（2）現(xiàn)有技術(shù)中，現(xiàn)有高壓配電柜不能夠有效地提取輸入數(shù)據(jù)的特征，故障診斷精度不高。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是提供一種基于woa-lssvm模型的高壓配電柜多維數(shù)據(jù)的狀態(tài)評估方法，對實時狀態(tài)監(jiān)測數(shù)據(jù)進行融合分析和深度挖掘，從數(shù)據(jù)本身內(nèi)在規(guī)律分析的角度發(fā)掘出有價值的知識，實現(xiàn)異常狀態(tài)的快速檢測，全面、及時、準確地掌握關(guān)鍵性能的健康狀態(tài)，為故障處理提供理論依據(jù)，為保障設(shè)備安全運行提供有力支撐。

2、為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種基于woa-lssvm模型的高壓配電柜多維數(shù)據(jù)的狀態(tài)評估方法，包括以下步驟：

3、步驟1、根據(jù)高壓配電柜的銘牌和人工經(jīng)驗，確定高壓配電柜在正常運行狀況下的各項重要參數(shù)指標；

4、步驟2、根據(jù)步驟1中確定的高壓配電柜在正常運行狀況下的各項重要參數(shù)指標，在高壓配電柜相對應(yīng)的位置安裝系列傳感器，達到提取各項重要參數(shù)指標的目的；

5、步驟3、在高壓配電柜正常運行狀態(tài)下，利用fbank技術(shù)對步驟2中安裝的聲紋傳感器與振動傳感器采集到的數(shù)據(jù)信息進行處理，得到相對應(yīng)的特征向量；

6、步驟4、在高壓配電柜正常運行狀態(tài)下，搜集計算機監(jiān)控系統(tǒng)采集到的原始數(shù)據(jù)集（高壓配電柜運行時的電壓u、電流i、各部件溫度、各部件濕度、配電柜中特征氣體濃度的變化范圍），并利用機器學(xué)習(xí)模型對原始特征數(shù)據(jù)集進行清洗，重構(gòu)修復(fù)缺失值與異常值，得到相對應(yīng)的完備特征向量；

7、步驟5、將步驟3與步驟4分別得到的特征向量按照8:2劃分為訓(xùn)練集與測試集；

8、步驟6、構(gòu)建基于woa-lssvm高壓配電柜多維數(shù)據(jù)的狀態(tài)評估模型；

9、步驟7、將訓(xùn)練集特征數(shù)據(jù)輸入到基于woa-lssvm高壓配電柜多維數(shù)據(jù)的狀態(tài)評估模型中，進行特征數(shù)據(jù)的訓(xùn)練學(xué)習(xí)，掌握自身內(nèi)部的變化規(guī)律，并得到lssvm模型最優(yōu)關(guān)鍵參數(shù)的大??；

10、步驟8、依據(jù)步驟7中獲得的最優(yōu)超參數(shù)，重新構(gòu)建基于woa-lssvm高壓配電柜多維數(shù)據(jù)的狀態(tài)評估模型，并將測試集數(shù)據(jù)進行輸入驗證模型的可靠性；

11、步驟9、利用woa-lssvm高壓配電柜多維數(shù)據(jù)的狀態(tài)評估模型，將實時各種傳感器采集到的不同特征數(shù)據(jù)集與woa-lssvm模型生成的預(yù)測值進行對比，若誤差超過一定的范圍，則發(fā)出報警，進行人工檢查，實現(xiàn)對高壓配電柜異常工況的實時監(jiān)測。

12、優(yōu)選的，所述步驟1中，根據(jù)高壓配電柜的銘牌和人工經(jīng)驗，確定高壓配電柜在正常運行狀況下的各項重要參數(shù)指標，具體包含：高壓配電柜在正常運行時的額定電壓u、額定電流i、各部件溫度、各部件濕度、各部件產(chǎn)生的聲紋、各部件產(chǎn)生的振動、配電柜中特征氣體濃度等具體變化范圍。

13、優(yōu)選的，所述步驟2中的系列傳感器包括：外殼振動傳感器、底板振動傳感器、高壓配電柜聲紋傳感器此兩類傳感器的數(shù)據(jù)信息預(yù)處理由聲紋識別流程實現(xiàn)；高壓配電柜溫度傳感器、高壓配電柜濕度傳感器及高壓配電柜氣體監(jiān)測傳感器傳感器。

14、優(yōu)選的，所述步驟3具體包括以下步驟：

15、第一步聲音預(yù)處理，對聲音進行預(yù)加重、分幀、加窗，將聲音中的非音頻成分濾除后進行截短處理，采用漢明窗，漢明窗函數(shù)如下：

16、（1）；

17、式中：i表示幀的個數(shù)，為系數(shù)；

18、第二步快速傅里葉變換（fft），將預(yù)處理后的時域信號解構(gòu)為頻域信號，使其適用于在神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，對其進去fft處理：

19、（2）；

20、式中：表示輸入的聲音信號，表示fft的點數(shù)；

21、第三步取模的平方，對頻域下的信號取模的平方：

22、（3）；

23、式中，表示信號的第幀；

24、第四步mel濾波，mel濾波器由40個三角濾波器組成，將頻率轉(zhuǎn)換為mel刻度的公式：

25、（4）；

26、式中，表示最終頻率，表示實際頻率；

27、第五步取對數(shù)，對濾波后的結(jié)果取對數(shù)，計算每個濾波器輸出的對數(shù)能量方法的公式：

28、（5）；

29、經(jīng)上述步驟后提取到fbank特征。fbank特征的提取流程如圖3。

30、優(yōu)選的，所述步驟6中，woa模型的原理如下：

31、鯨魚優(yōu)化算法(woa)作用是對神經(jīng)網(wǎng)絡(luò)模型關(guān)鍵參數(shù)進行迭代尋優(yōu)，其實現(xiàn)過程分為三個步驟：群體包圍目標、群體攻擊目標、搜尋最優(yōu)目標；

32、（1）群體包圍目標

33、鯨魚群體在算法迭代初期，不能鎖定最優(yōu)目標獵物，首先初始化最優(yōu)位置(i、d代表鯨魚號與空間位置），其他群體通過式（6）向當(dāng)前位置移動；

34、（6）；

35、式中：x(t+1)、x(t)、xbest(t)分別代表下一時刻、當(dāng)前時刻、當(dāng)前時刻最優(yōu)值鯨魚的位置；為[2，0]線性遞減的收斂因子，實現(xiàn)方式為，、表示[0，1]之間產(chǎn)生的隨機數(shù)；

36、（2）群體攻擊目標

37、鯨魚通過水平方向與垂直不斷更新自身的位置，通過式（7）逐漸包圍目標群體；

38、（7）；

39、式中：b為螺旋線性方程常數(shù)，取值為1；j為[-1，1]區(qū)間范圍內(nèi)的隨機數(shù)；

40、當(dāng)時，群體自動判斷下一刻是進攻還是收縮，對應(yīng)的最優(yōu)值包圍圈也隨之不斷變化，自身按照等概率模型更新位置，如式(8)所示；

41、（8）；

42、式中：表示等概率模型，在[0，1]范圍內(nèi)取值，是鯨魚群體選擇進行包圍獵物還是攻擊獵物的條件；

43、（3）搜尋最優(yōu)目標

44、當(dāng)鯨魚完成攻擊獵物時，以隨機鯨魚的位置xrang(t)為基礎(chǔ)，根據(jù)式(9)，進行全局持續(xù)迭代尋找最優(yōu)解；

45、(9)。

46、優(yōu)選的，所述步驟6中l(wèi)ssvm模型的原理如下：

47、設(shè)｛x１，x２，…，xｎ，yｉ｝，x１∈ｒｎ?，x１作為第i個訓(xùn)練樣本的數(shù)據(jù)集合，其中yｉ為第i個樣本的目標值，設(shè)整個空間的總量為l，則判別函數(shù)為：

48、（10）；

49、式中：為權(quán)向量；為映射函數(shù)，b為偏置常數(shù)；

50、lssvm的目標函數(shù)為：

51、（11）；

52、式中：為懲罰系數(shù)，表示誤差變量；

53、需要借助拉格朗日算法的對偶性輔助解決，依據(jù)kkt(karush?kuhn-tucker)條件，如式(12)所示：

54、(12)；

55、(13)；

56、計算可得：

57、（14）；

58、式中：、、、、為拉格朗日乘子法關(guān)鍵參數(shù)，為核函數(shù)；

59、本發(fā)明采用高斯徑向基函數(shù)（rbf）作為lssvm的核函數(shù)，將核函數(shù)公式代入式（12）中聯(lián)立解得b和，綜合可得，可得lssvm回歸函數(shù)為：

60、（15）；

61、k為高斯徑向基函數(shù)（rbf）核函數(shù)，懲罰系數(shù)、核參數(shù)為lssvm模型的關(guān)鍵參數(shù)，本發(fā)明使用woa優(yōu)化算法實現(xiàn)對lssvm模型的關(guān)鍵參數(shù)、的尋優(yōu)。

62、優(yōu)選的，所述步驟7及步驟8具體如下：

63、（1）將步驟4處理后的特征向量進行歸一化處理，具體方法如式（16）所示：

64、（16）；

65、式中：為歸一化后的數(shù)據(jù)；xmin、xmax分別為樣本數(shù)據(jù)集的最小值與最大值；x為原始樣本數(shù)據(jù)；

66、（2）設(shè)置woa優(yōu)化模型的最大迭代次數(shù)、種群規(guī)模、lssvm模型懲罰系數(shù)、核參數(shù)的取值范圍、搜索速度范圍、初始化種群核參數(shù)；

67、（3）利用訓(xùn)練集數(shù)據(jù)對lssvm網(wǎng)絡(luò)清洗模型進行實驗，同時計算粒子的適應(yīng)度值，進一步更新pbest和gbest、更新粒子的速度與位移、更新慣性權(quán)重與加速因子；

68、（4）判斷是否達到迭代終止條件（粒子適應(yīng)度值趨于平緩或粒子迭代次數(shù)達到最大），若達到終止條件，輸出最優(yōu)的懲罰系數(shù)、核參數(shù)的值，若不滿足判斷條件，則返回步驟（3）重新進行迭代尋優(yōu)；

69、（5）根據(jù)優(yōu)化后的最優(yōu)參數(shù)，重新組建woa-lssvm高壓配電柜多維數(shù)據(jù)的狀態(tài)評估模型。

70、本發(fā)明提供一種基于woa-lssvm模型的高壓配電柜多維數(shù)據(jù)的狀態(tài)評估方法，具有以下有益效果：

71、（1）本發(fā)明能快速發(fā)現(xiàn)高壓配電柜工況異常情況，利用多維度數(shù)據(jù)，對高壓配電柜故障狀態(tài)進行有效、準確的評估；

72、（2）根據(jù)高壓配電柜故障信息可以有針對性的對設(shè)備進行檢修與維護，從而減少因故障引起的相關(guān)安全事故。