本發(fā)明涉及數(shù)據(jù)處理領域，具體為一種基于多源異構(gòu)數(shù)據(jù)的換流變關鍵性能評價方法。

背景技術：

1、隨著全球電力需求的持續(xù)增長和可再生能源的快速發(fā)展，電力系統(tǒng)正朝著更加復雜和智能化的方向演進。高壓直流(hvdc)輸電技術因其對長距離輸電的優(yōu)勢而被廣泛應用，其中換流變壓器(換流變)扮演著核心角色。換流變不僅實現(xiàn)了交流與直流之間的電能轉(zhuǎn)換，還在穩(wěn)壓、調(diào)相和電能質(zhì)量方面發(fā)揮著重要作用。換流變的運行環(huán)境復雜，其性能受多個因素影響，包括熱負荷、機械應力、環(huán)境條件等。傳統(tǒng)的性能監(jiān)測方法往往依賴于單一的數(shù)據(jù)來源或者簡單的數(shù)據(jù)分析，無法全面反映換流變的實際運行狀態(tài)。這種單一方法的局限性使得故障預測和預防維護變得困難，提升了設備停運的風險和維護成本。在現(xiàn)代電力系統(tǒng)中，隨著傳感器技術、物聯(lián)網(wǎng)(iot)和大數(shù)據(jù)分析的發(fā)展，收集和整合來自多個來源的異構(gòu)數(shù)據(jù)變得可行。多源異構(gòu)數(shù)據(jù)可以包括傳感器數(shù)據(jù)，實時監(jiān)控的溫度、壓力、振動等信息。操作記錄，設備運行歷史、故障案例、維護日志等，環(huán)境數(shù)據(jù)，氣候變化、溫濕度波動等外部環(huán)境因素，模擬和仿真結(jié)果，通過模型驗證設備性能的各類數(shù)據(jù)。通過將這些多元化的數(shù)據(jù)結(jié)合起來，可以形成對換流變更全面的性能診斷。

技術實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有單一類型數(shù)據(jù)的狀態(tài)評估，缺乏多源數(shù)據(jù)的支持，無法全面感知換流變運行情況，且尚未對于換流變熱分布、機械受力性能評價方法開展研究，因此，提出基于多源異構(gòu)數(shù)據(jù)的換流變關鍵性能評價方法對全面評估換流變的性能。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：一種基于多源異構(gòu)數(shù)據(jù)的換流變關鍵性能評價方法，包括以下步驟：

3、步驟一：數(shù)據(jù)采集，包括通過多種巡檢方式采集換流變性能評價指標數(shù)據(jù)；

4、步驟二：基于bp神經(jīng)網(wǎng)絡的多源異構(gòu)數(shù)據(jù)清洗，包括獲取多源異構(gòu)數(shù)據(jù)的相似度關系約束，基于關系約束構(gòu)建bpnn的數(shù)據(jù)清洗模型，通過數(shù)據(jù)清洗模型完成多源異構(gòu)數(shù)據(jù)的清洗；

5、步驟三：基于svm的多源異構(gòu)數(shù)據(jù)融合，包括根據(jù)多源異構(gòu)數(shù)據(jù)的清洗結(jié)果，對多源異構(gòu)數(shù)據(jù)特征展開提取處理，使用svm算法獲取特征的最優(yōu)分類超平面，構(gòu)建數(shù)據(jù)融合模型，通過建立的數(shù)據(jù)融合模型，實現(xiàn)多源異構(gòu)數(shù)據(jù)的融合；

6、步驟四：性能評價指標確定，包括根據(jù)換流變多源異構(gòu)數(shù)據(jù)的融合的結(jié)果確定熱分布性能指標和機械受力性能評價指標，構(gòu)建評價體系；

7、步驟五：換流變關鍵性能評價方法確定，包括根據(jù)評價體系確定通過層次分析法和模糊綜合評判模型方法融合后的方法對換流變的關鍵性能進行評價。

8、作為優(yōu)選，所述步驟二中，所述獲取多源異構(gòu)數(shù)據(jù)的相似度關系約束的方法包括以下步驟：原始多源異構(gòu)數(shù)據(jù)以數(shù)據(jù)表的形式存在，設定數(shù)據(jù)表為b，數(shù)據(jù)總量為p，以此建立數(shù)據(jù)表集合b＝{b1,b2,…,bp}，數(shù)據(jù)屬性集合為使用曼哈頓距離算法獲取多源異構(gòu)數(shù)據(jù)之間的相似度，過程如下式所示：

9、

10、式中，多源異構(gòu)數(shù)據(jù)i與數(shù)據(jù)j之間的相似度用表示；樣本數(shù)據(jù)屬性用表示；數(shù)據(jù)i的屬性特征標記形式；數(shù)據(jù)j的屬性特征標記形式；數(shù)據(jù)維度標記s形式。

11、設定數(shù)據(jù)之間的相關系數(shù)為制定數(shù)據(jù)的參數(shù)閾值λ，并將其作為數(shù)據(jù)清洗模型約束條件，過程如下式所示：

12、

13、基于上述構(gòu)建的約束條件，構(gòu)建數(shù)據(jù)清洗模型。

14、作為優(yōu)選，所述步驟二中，基于關系約束構(gòu)建bpnn的數(shù)據(jù)清洗模型，通過數(shù)據(jù)清洗模型完成多源異構(gòu)數(shù)據(jù)的清洗的方法包括以下步驟：設定多源異構(gòu)數(shù)據(jù)清洗模型為t，模型中包含n層節(jié)點，

15、多源異構(gòu)數(shù)據(jù)的清洗模型中，每一層的rbm結(jié)構(gòu)中都存在可視層以及隱含層數(shù)據(jù)，設定輸入層數(shù)據(jù)節(jié)點有c＝(α1，α2，…，αc}個，隱含層節(jié)點有d＝{β1，β2，…，βd}個，以此構(gòu)建多源異構(gòu)數(shù)據(jù)的清洗模型的層級之間的節(jié)點權重矩陣，過程如下式所示：

16、

17、式中，構(gòu)建的節(jié)點權重矩陣描述成ξ形式；矩陣向量標記ωcd形式，基于構(gòu)建的節(jié)點權重矩陣結(jié)合rbm能量函數(shù)，獲取多源異構(gòu)數(shù)據(jù)的節(jié)點能量函數(shù)，過程如下式所示：

18、

19、式中，節(jié)點數(shù)據(jù)αi的偏置系數(shù)用δi表示；節(jié)點數(shù)據(jù)βj的偏置系數(shù)用γj表示；數(shù)據(jù)權重標記ωij形式；常數(shù)用i、j表示；模型中輸入層數(shù)據(jù)的節(jié)點數(shù)量用c表示；獲取的數(shù)據(jù)節(jié)點能量函數(shù)描述成a(αi,βj)形式；

20、依據(jù)構(gòu)建的節(jié)點能量函數(shù)對模型輸入層節(jié)點以及隱含層節(jié)點的數(shù)據(jù)分布概率展開測試，測試結(jié)果如下式所示：

21、

22、式中，數(shù)據(jù)能量函數(shù)的歸一化系數(shù)描述成形式；分布因子描述成ε形式；數(shù)據(jù)分布概率用q(αi,βj)表示；

23、基于上述獲取的數(shù)據(jù)分布概率能夠有效獲取模型節(jié)點變量的活躍程度，優(yōu)化清洗模型；將多源異構(gòu)數(shù)據(jù)樣本輸入清洗模型中，模型中間層數(shù)據(jù)節(jié)點之間狀態(tài)相互獨立，假定隱含層節(jié)點βj為1時，獲取數(shù)據(jù)分布概率的約束條件，過程如下式所示：

24、

25、式中，建立的約束條件用表示；二值型sigmoid函數(shù)標記η形式；數(shù)據(jù)狀態(tài)系數(shù)表述成形式。基于上述計算結(jié)果可知，當sigmoid函數(shù)自變量取值區(qū)間在[0，1]時，數(shù)據(jù)的概率分布函數(shù)會呈現(xiàn)單一的連續(xù)變化狀態(tài)；

26、利用上述計算流程激活神經(jīng)網(wǎng)絡模型隱含層節(jié)點后，輸入βj對模型實施反向傳播，實現(xiàn)模型的訓練，根據(jù)訓練結(jié)果中抓取的節(jié)點能量異常和分布離散的數(shù)據(jù)，進行去除處理，完成換流變多源異構(gòu)數(shù)據(jù)的清洗。

27、作為優(yōu)選，所述步驟三中，svm的多源異構(gòu)數(shù)據(jù)融合算法包括以下步驟，基于上述數(shù)據(jù)清洗結(jié)果，更新多源異構(gòu)數(shù)據(jù)集合為yij(t)，樣本數(shù)據(jù)量為m個，數(shù)據(jù)狀態(tài)為t，使用均值標準化方法對數(shù)據(jù)實施標準化處理，結(jié)果如下式所示：

28、

29、式中，數(shù)據(jù)的標準化結(jié)果標記形式；數(shù)據(jù)均值標記形式；常數(shù)標記i、j形式?；谏鲜鰯?shù)據(jù)得到標準化處理結(jié)果，提取多源異構(gòu)數(shù)據(jù)i在第j個屬性時的特征向量，計算結(jié)果如下式所示：

30、

31、式中，多源異構(gòu)數(shù)據(jù)的特征向量用表示；數(shù)據(jù)屬性記錄時期用t表述。

32、作為優(yōu)選，所述步驟三中，svm的多源異構(gòu)數(shù)據(jù)融合算法包括還以下步驟，

33、設定獲取的數(shù)據(jù)特征向量為輸入向量yi，核函數(shù)為k(·)，特征向量集為y，輸出向量為ui，以此獲取數(shù)據(jù)的最優(yōu)超平面，過程如下式所示：

34、u＝τiuik(yi,y)+θ

35、式中，獲取得到最優(yōu)超平面用u表示；加權系數(shù)用τi表示；偏置項用θ表示；特征向量數(shù)量用m表示；常數(shù)標記i形式；

36、基于獲取的最優(yōu)超分類面，將多源異構(gòu)數(shù)據(jù)劃分成h組數(shù)據(jù)，且不同組別的數(shù)據(jù)來自不同的傳感器。設定數(shù)據(jù)的實際值為u，訓練輸出為u，泛化參數(shù)為χ，以此建立svm的多源異構(gòu)數(shù)據(jù)的融合模型，如下式所示：

37、

38、式中，構(gòu)建的數(shù)據(jù)融合模型用j表示；數(shù)據(jù)i、j的最優(yōu)解標記li、lj形式；最優(yōu)解均值標記形式；約束條件標記形式；數(shù)據(jù)源數(shù)量用g表示；

39、基于確定的數(shù)據(jù)最優(yōu)解，建立數(shù)據(jù)的決策函數(shù)，完成模型求解，實現(xiàn)數(shù)據(jù)的融合，過程如下式所示：

40、

41、式中，構(gòu)建的決策函數(shù)用f(x)表示；數(shù)據(jù)源g的數(shù)據(jù)均值集合標記形式；數(shù)據(jù)最優(yōu)解標記lg形式。

42、作為優(yōu)選，所述步驟四中，熱分布性能指標包括溫度分布均勻性、熱響應時間、冷卻效率、散熱面積和熱損失率；機械受力性能評價指標包括應力、變形、疲勞壽命、抗震能力、連接強度和材料屈服強度。

43、作為優(yōu)選，所述步驟五中，計算最大特征值λmax和近似特征向量w時，精度要求不高，可以采用近似的方法得到需要的參量，本發(fā)明采用的是平方根法；

44、首先進行平方根計算：

45、

46、然后對其進行歸一化處理：

47、

48、令近似特征向量w為：

49、w＝[w1?w2?…?wn]t

50、計算判斷矩陣a的最大特征值λmax：

51、

52、對于換流變關鍵性能評價，計算r層對g層的評判矩陣a；計算指標層p相對于準則層r的評判矩陣：

53、此外必須將矩陣a采用一致性檢驗，首先計算一致性的指標：

54、

55、c1值越大，越偏離一致性，c1值越小，越靠近一致性。如表7所示，計算1000次的正互反矩陣才獲得的r1；一次性比例cr，若cr<0.1，則a達到一致性條件，若cr≥0.1，則a沒有達到一致性條件；對于不滿足要求的情況，需要對aij重新幅值，重新計算，使得cr<0.1，從而讓a達到一致性條件；

56、計算每一層的因素對r的合成權重，之后對其排序。

57、

58、式中，為r的總排序權值，m為r的因素的個數(shù)；

59、可以求出p相對g的總排序向量一致性比例為：

60、

61、對于換流變關鍵性能評價的評語集，采用6個評語：{優(yōu)秀，良好，中等，差，較差，極差}，對應的分數(shù)集為{6，5，4，3，2，1}；

62、通過對換流變進行實際測試，利用得到的指標對換流變性能進行評價，根據(jù)測試性綜合評價各指標評分統(tǒng)計，得到模糊評判矩陣：

63、

64、式中，m為指標層的指標個數(shù)；n為評語集的個數(shù)；i為單因素的序號，表示測試性設計的某個階段；

65、因此：

66、

67、通過計算模糊評價綜合指標，求出綜合評價值b：

68、

69、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

70、一、基于bp的多源異構(gòu)數(shù)據(jù)清洗算法，利用機器學習算法中的bp神經(jīng)網(wǎng)絡構(gòu)建多源異構(gòu)數(shù)據(jù)清洗處理模型，減少數(shù)據(jù)冗余。其機理是先通過設定多源異構(gòu)數(shù)據(jù)的相似性約束關系，實現(xiàn)數(shù)據(jù)內(nèi)部結(jié)構(gòu)的關聯(lián)性，不僅可以提高后期bp神經(jīng)網(wǎng)絡內(nèi)部數(shù)據(jù)清洗運行的速度，還能夠提升數(shù)據(jù)清洗工作效率。bp神經(jīng)網(wǎng)絡中最基本的分類器是分類回歸樹，主要就是在上述關聯(lián)性的約束下，通過對多源異構(gòu)數(shù)據(jù)結(jié)果進行相互整合與分類，獲取更為精準的多源異構(gòu)數(shù)據(jù)關系，排除無用數(shù)據(jù)關系，從而完成數(shù)據(jù)清洗。

71、二、svm的多源異構(gòu)數(shù)據(jù)融合算法，基于數(shù)據(jù)清洗結(jié)果，對多源異構(gòu)數(shù)據(jù)特征展開提取處理。svm是一種以統(tǒng)計為基礎的二分類方法。該方法的基本思路是：在訓練集合內(nèi)，通過訓練求出一個最小的邊界函數(shù)從而使每個數(shù)據(jù)之間的最短距離達到最大。其具有結(jié)構(gòu)風險最小化原理，具有很好的泛化能力，并且是一個凸優(yōu)化問題，只要確定局部最優(yōu)解就一定是全局最優(yōu)解，避免了陷入局部最優(yōu)的問題。使用svm算法獲取特征的最優(yōu)分類超平面，構(gòu)建數(shù)據(jù)融合模型，最后通過建立的數(shù)據(jù)融合模型，實現(xiàn)多源異構(gòu)數(shù)據(jù)的融合。

72、三，基于模糊層次分析法的換流變熱分布、機械受力性能評價方法，本發(fā)明采用層次分析法和模糊綜合評判模型方法相結(jié)合的方法對換流變熱分布、機械受力性能進行評價。ahp采用多個準則決策的方法，它通過系統(tǒng)內(nèi)含有的因素及有關的情況，讓一個復雜問題表示為有序的遞階層次結(jié)構(gòu)，通過相互比較確定層次中每個因素的相對重要程度，然后綜合人的判斷以決定諸因素相對重要性的順序。采用ahp和fca融合的方式對換流變所得多源異構(gòu)數(shù)據(jù)進行分析，從而對換流變關鍵性能進行綜合評價。