專利名稱：一種油色譜在線監(jiān)測(cè)噪聲數(shù)據(jù)校正方法
技術(shù)領(lǐng)域：
本發(fā)明屬于變電設(shè)備在線監(jiān)測(cè)技術(shù)領(lǐng)域，應(yīng)用在變壓器在線監(jiān)測(cè)設(shè)備的噪聲數(shù)據(jù)校正過(guò)程中，具體是一種油色譜在線監(jiān)測(cè)噪聲數(shù)據(jù)校正方法。
背景技術(shù)：
變壓器油色譜在線監(jiān)測(cè)可以及時(shí)掌握變壓器的運(yùn)行狀況，發(fā)現(xiàn)和跟蹤潛伏性故障，為變壓器的可靠運(yùn)行提供保障。但由于油色譜在線監(jiān)測(cè)易受環(huán)境溫度、濕度和監(jiān)測(cè)設(shè)備自身誤差等因素的影響，在線數(shù)據(jù)可能存在失真，在狀態(tài)評(píng)價(jià)和故障診斷前需要進(jìn)行數(shù)據(jù)校。目前，國(guó)內(nèi)外學(xué)者對(duì)數(shù)據(jù)校正問(wèn)題做了大量研究工作并提出了一些算法。主成分回歸分析能有效地去除噪聲數(shù)據(jù)，但擬合的誤差大，校正準(zhǔn)確度低；神經(jīng)網(wǎng)絡(luò)算法擬合效果好，但數(shù)據(jù)量大時(shí)，訓(xùn)練時(shí)間長(zhǎng)，存在“過(guò)學(xué)習(xí)”的問(wèn)題。針對(duì)目前油色譜在線數(shù)據(jù)校正效果差的情況，本發(fā)明提出基于螢火蟲(chóng)支持向量機(jī)的數(shù)據(jù)校正的方法。首先通過(guò)螢火蟲(chóng)算法對(duì)影響支持向量機(jī)性能的重要參數(shù)進(jìn)行優(yōu)化。然后計(jì)算油色譜離線數(shù)據(jù)間的分段函數(shù)，當(dāng)在線數(shù)據(jù)超出分段函數(shù)誤差允許的范圍時(shí)，認(rèn)為在線數(shù)據(jù)異常。利用少數(shù)準(zhǔn)確的油色譜離線數(shù)據(jù)對(duì)支持向量機(jī)回歸模型進(jìn)行訓(xùn)練，當(dāng)在線數(shù)據(jù)出現(xiàn)異常時(shí)，通過(guò)支持向量機(jī)回歸模型對(duì)異常的在線數(shù)據(jù)進(jìn)行校正。本發(fā)明提出的算法可以應(yīng)用于油色譜在線監(jiān)測(cè)裝置之中，對(duì)變壓器油色譜的狀態(tài)監(jiān)測(cè)數(shù)據(jù)進(jìn)行在線校準(zhǔn)，使得油色譜在線監(jiān)測(cè)裝置輸出的數(shù)據(jù)更加真實(shí)準(zhǔn)確，有效剔除壞點(diǎn)數(shù)據(jù)，在保證數(shù)據(jù)真實(shí)性的前提下，提高數(shù)據(jù)的可用性；也可以應(yīng)用于輸變電設(shè)備狀態(tài)監(jiān)測(cè)的上位機(jī)系統(tǒng)中，對(duì)油色譜在線監(jiān)測(cè)的數(shù)據(jù)進(jìn)行校驗(yàn)，合理的分辨出有效的數(shù)據(jù)，提出壞點(diǎn)數(shù)據(jù)，對(duì)油色譜數(shù)據(jù)起到過(guò)濾的作用。經(jīng)過(guò)本算法處理過(guò)的數(shù)據(jù)可以直接應(yīng)用于變壓器等輸變電設(shè)備的故障診斷及狀態(tài)評(píng)價(jià)，從而直接指導(dǎo)生產(chǎn)運(yùn)行、狀態(tài)檢修和故障診斷工作，極大的提高生產(chǎn)成本和管`理水平，推進(jìn)狀態(tài)監(jiān)測(cè)、狀態(tài)檢修以及智能運(yùn)維等產(chǎn)業(yè)發(fā)展，產(chǎn)生巨大的經(jīng)濟(jì)效益和社會(huì)效.、/■
Mo

發(fā)明內(nèi)容
為了解決現(xiàn)有技術(shù)中存在的上述問(wèn)題，本發(fā)明提供一種適合于變壓器的油色譜在線監(jiān)測(cè)噪聲數(shù)據(jù)校正方法。本發(fā)明在數(shù)據(jù)校正的算法上做了全新的設(shè)計(jì)，具體技術(shù)方案如下:一種油色譜在線監(jiān)測(cè)噪聲數(shù)據(jù)校正方法，其方法包括以下步驟:步驟I)、收集油色譜離線試驗(yàn)和在線監(jiān)測(cè)數(shù)據(jù)；步驟2)、通過(guò)螢火蟲(chóng)算法得到支持向量機(jī)回歸模型中重要參數(shù)的最優(yōu)組合；步驟3)、利用步驟I)得到的少數(shù)準(zhǔn)確的油色譜離線試驗(yàn)數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，得到支持向量機(jī)回歸模型；步驟4)、初始化在線監(jiān)測(cè)數(shù)據(jù)的允許偏離半徑h，計(jì)算離線試驗(yàn)間的分段函數(shù)，判斷油色譜在線監(jiān)測(cè)的數(shù)據(jù)是否在模型允許的誤差范圍之內(nèi)；若在，則認(rèn)為在線數(shù)據(jù)正常；否則，認(rèn)為在線數(shù)據(jù)異常；步驟5)、對(duì)在線數(shù)據(jù)進(jìn)行校正:逐個(gè)判斷在線數(shù)據(jù)是否正常，若數(shù)據(jù)異常，則由支持向量機(jī)回歸模型擬合該時(shí)刻的數(shù)據(jù)，用擬合值代替異常數(shù)據(jù)；否則，認(rèn)為油色譜在線監(jiān)測(cè)數(shù)據(jù)正常，不需要進(jìn)行校正；步驟6)、根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)校正反饋的結(jié)果，對(duì)模型中的參數(shù)進(jìn)行調(diào)整。以上方案中，所述步驟2)中的具體步驟如下:步驟2.1)、初始化熒光素?fù)]發(fā)系數(shù)P，熒光素增強(qiáng)因子Y，感知范圍rs，鄰域變化率鄰居閾值nt，移動(dòng)步長(zhǎng)s和每只螢火蟲(chóng)的位置；步驟2.2)、確定支持向量機(jī)中需要優(yōu)化參數(shù)的取值范圍:確定錯(cuò)誤懲罰因子C，不敏感參數(shù)e和核參數(shù)O最優(yōu)值的取值范圍；步驟2.3)、在每組參數(shù)取值范圍內(nèi)，隨機(jī)選取一組值作為螢火蟲(chóng)個(gè)體的位置；將支持向量機(jī)擬合值與實(shí)際值的誤差作為適應(yīng)度，誤差越小，則該組參數(shù)的性能越好，適應(yīng)度越大；步驟2.4)、計(jì)算每個(gè)螢火蟲(chóng)的熒光素濃度、決策域范圍和鄰居的熒光素濃度，通過(guò)鄰居的熒光素濃度確定螢火蟲(chóng)的移動(dòng)方向并向前移動(dòng)；步驟2.5)、判斷螢火蟲(chóng)算法是否達(dá)到終止條件；若達(dá)到，則選取最優(yōu)解為支持向量機(jī)的參數(shù)；否則，轉(zhuǎn)步驟2.4)。

以上方案中，所述步驟2.1)中，由于支持向量機(jī)中需要優(yōu)化的重要參數(shù)是錯(cuò)誤懲罰因子C，不敏感參數(shù)e和核參數(shù)O最優(yōu)值，螢火蟲(chóng)中群體表示為X= ((C1, ei，0l)，(C2，
^ 2^ 2),J ￡ n))。以上方案中，所述步驟4)中，假設(shè)時(shí)刻\和\ Cti^tj)的離線數(shù)據(jù)分別為71和yj，則這兩個(gè)時(shí)刻離線數(shù)據(jù)間的分段函數(shù)為設(shè)兩次離線試驗(yàn)間分段函數(shù)允許偏離的半徑為h，則時(shí)刻\和&兩次離線試驗(yàn)間在線監(jiān)測(cè)數(shù)據(jù)的上限函數(shù)為= + 在線監(jiān)測(cè)數(shù)據(jù)的下限函數(shù)為€(1) = 4(0 - h.9I
若在線數(shù)據(jù)超出了離線數(shù)據(jù)分段函數(shù)允許的上限或下限，則認(rèn)為在線監(jiān)測(cè)數(shù)據(jù)異常，需要進(jìn)行校正。以上方案中，所述步驟6)中，模型擬合離線數(shù)據(jù)的誤差平方和越小，則模型越準(zhǔn)確。以上方案中，所述步驟6)中，異常數(shù)據(jù)校正值與在線監(jiān)測(cè)相鄰的兩個(gè)數(shù)據(jù)差的平方和越小，則校正后的數(shù)據(jù)越平穩(wěn)連續(xù)，校正效果越好。以上方案中，所述步驟6)中，模型的訓(xùn)練時(shí)間越短，則模型越適合對(duì)在線數(shù)據(jù)進(jìn)行實(shí)時(shí)校正。通過(guò)工程應(yīng)用證明，本發(fā)明進(jìn)行油色譜在線數(shù)據(jù)校正效果平穩(wěn)準(zhǔn)確，時(shí)間短實(shí)時(shí)性好，非常適合對(duì)現(xiàn)場(chǎng)的油色譜在線數(shù)據(jù)進(jìn)行校正。


圖1是本發(fā)明實(shí)施例油色譜在線數(shù)據(jù)校正裝置的原理圖；圖2是本發(fā)明實(shí)施例油色譜在線數(shù)據(jù)校正的結(jié)構(gòu)圖3是本發(fā)明實(shí)施例螢火蟲(chóng)算法優(yōu)化支持向量機(jī)重要參數(shù)的流程圖；圖4是本發(fā)明實(shí)施例支持向量機(jī)回歸模型校正在線噪聲數(shù)據(jù)的流程圖。
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明作進(jìn)一步說(shuō)明。圖3是本發(fā)明實(shí)施例螢火蟲(chóng)算法優(yōu)化支持向量機(jī)重要參數(shù)的流程圖；圖4是本發(fā)明實(shí)施例支持向量機(jī)回歸模型校正在線噪聲數(shù)據(jù)的流程圖。如圖3、圖4，一種油色譜在線監(jiān)測(cè)噪聲數(shù)據(jù)校正方法，其方法包括以下步驟:步驟I)、收集油色譜離線試驗(yàn)和在線監(jiān)測(cè)數(shù)據(jù)；步驟2)、通過(guò)螢火蟲(chóng)算法得到支持向量機(jī)回歸模型中重要參數(shù)的最優(yōu)組合；步驟3)、利用步驟I)得到的少數(shù)準(zhǔn)確的油色譜離線試驗(yàn)數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，得到支持向量機(jī)回歸模型；步驟4)、初始化在線監(jiān)測(cè)數(shù)據(jù)的允許偏離半徑h，計(jì)算離線試驗(yàn)間的分段函數(shù)，判斷油色譜在線監(jiān)測(cè)的數(shù)據(jù)是否在模型允許的誤差范圍之內(nèi)；若在，則認(rèn)為在線數(shù)據(jù)正常；否則，認(rèn)為在線數(shù)據(jù)異常；步驟5)、對(duì)在線數(shù)據(jù)進(jìn)行校正:逐個(gè)判斷在線數(shù)據(jù)是否正常，若數(shù)據(jù)異常，則由支持向量機(jī)回歸模型擬合該時(shí)刻的數(shù)據(jù)，用擬合值代替異常數(shù)據(jù)；否則，認(rèn)為油色譜在線監(jiān)測(cè)數(shù)據(jù)正常，不需要進(jìn)行校正；步驟6)、根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)校正反饋的結(jié)果，對(duì)模型中的參數(shù)進(jìn)行調(diào)整。油色譜在線數(shù)據(jù)校正算法的整體結(jié)構(gòu)如圖2所示，本算法采用離線數(shù)據(jù)校驗(yàn)、校正在線監(jiān)測(cè)數(shù)據(jù)的思路，通過(guò)收集油色譜離線試驗(yàn)的各種狀況下的數(shù)據(jù)信息構(gòu)建離線油色譜樣本庫(kù)，通過(guò)離線數(shù)據(jù)庫(kù)優(yōu)化在線校驗(yàn)算法的參數(shù)。在線監(jiān)測(cè)裝置收集到的數(shù)據(jù)通過(guò)在線數(shù)據(jù)校驗(yàn)算法對(duì)數(shù)據(jù)進(jìn)行分析，算法對(duì)正常數(shù)據(jù)不做特殊處理，算法對(duì)在線裝置的不合理的噪聲數(shù)據(jù)進(jìn)行校正，然后將校正的結(jié)果送入后續(xù)的高級(jí)應(yīng)用相關(guān)的數(shù)據(jù)分析和診斷。油色譜在線數(shù)據(jù)校正裝置的原理如圖1所示，框中為在線數(shù)據(jù)校正的模塊，它通過(guò)數(shù)據(jù)采集模塊獲取數(shù)據(jù)，并將數(shù)據(jù)分析結(jié)果返回到顯示界面，從而指導(dǎo)現(xiàn)場(chǎng)人員進(jìn)行工作。較為準(zhǔn)確的離線數(shù)據(jù)優(yōu)化支持向量機(jī)中影響性能的重要參數(shù)，然后對(duì)優(yōu)化參數(shù)后的模型進(jìn)行訓(xùn)練，當(dāng)通過(guò)分段函數(shù)判斷在線數(shù)據(jù)是異常時(shí)，由支持向量機(jī)回歸模型擬合該時(shí)刻的數(shù)據(jù)，用擬合值代替異常數(shù)據(jù)，若判斷在線數(shù)據(jù)正常則不校正。對(duì)油色譜在線數(shù)據(jù)校正的算法進(jìn)行詳細(xì)的說(shuō)明，算法主要分成兩部分。第一部分通過(guò)螢火蟲(chóng)算法得到支持向量機(jī)回歸模型中重要參數(shù)的最優(yōu)組合，如圖3所示，該部分算法的具體步驟如下:步驟1:初始化螢火蟲(chóng)算法的參數(shù):初始化熒光素?fù)]發(fā)系數(shù)P，熒光素增強(qiáng)因子Y，感知范圍rs，鄰域變化率P，鄰居閾值nt，移動(dòng)步長(zhǎng)s和每只螢火蟲(chóng)的位置；步驟2:確定支持向量機(jī)中需要優(yōu)化參數(shù)的取值范圍；確定錯(cuò)誤懲罰因子C，不敏感參數(shù)e和核參數(shù)O最優(yōu)值的取值范圍；步驟3:在每組參數(shù)取值范圍內(nèi)，隨機(jī)選取一組值作為螢火蟲(chóng)個(gè)體的位置。將支持向量機(jī)擬合值與實(shí)際值的誤差作為適應(yīng)度，誤差越小，則該組參數(shù)的性能越好，適應(yīng)度越大；
步驟4:計(jì)算每個(gè)螢火蟲(chóng)的熒光素濃度、決策域范圍和鄰居的熒光素濃度，通過(guò)鄰居的熒光素濃度確定螢火蟲(chóng)的移動(dòng)方向并向前移動(dòng)；步驟5:判斷螢火蟲(chóng)算法是否達(dá)到終止條件；若達(dá)到，則選取最優(yōu)解為支持向量機(jī)的參數(shù)；否則，轉(zhuǎn)步驟4)。由于支持向量機(jī)中需要優(yōu)化的重要參數(shù)是錯(cuò)誤懲罰因子C，不敏感參數(shù)ε和核參數(shù)σ最優(yōu)值，所以螢火蟲(chóng)中群體表示如下:
權(quán)利要求
1.一種油色譜在線監(jiān)測(cè)噪聲數(shù)據(jù)校正方法，其特征在于:其方法包括以下步驟: 步驟I)、收集油色譜離線試驗(yàn)和在線監(jiān)測(cè)數(shù)據(jù)； 步驟2)、通過(guò)螢火蟲(chóng)算法得到支持向量機(jī)回歸模型中重要參數(shù)的最優(yōu)組合； 步驟3)、利用步驟I)得到的少數(shù)準(zhǔn)確的油色譜離線試驗(yàn)數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，得到支持向量機(jī)回歸模型； 步驟4)、初始化在線監(jiān)測(cè)數(shù)據(jù)的允許偏離半徑h，計(jì)算離線試驗(yàn)間的分段函數(shù)，判斷油色譜在線監(jiān)測(cè)的數(shù)據(jù)是否在模型允許的誤差范圍之內(nèi)；若在，則認(rèn)為在線數(shù)據(jù)正常；否則，認(rèn)為在線數(shù)據(jù)異常； 步驟5)、對(duì)在線數(shù)據(jù)進(jìn)行校正:逐個(gè)判斷在線數(shù)據(jù)是否正常，若數(shù)據(jù)異常，則由支持向量機(jī)回歸模型擬合該時(shí)刻的數(shù)據(jù)，用擬合值代替異常數(shù)據(jù)；否則，認(rèn)為油色譜在線監(jiān)測(cè)數(shù)據(jù)正常，不需要進(jìn)行校正； 步驟6)、根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)校正反饋的結(jié)果，對(duì)模型中的參數(shù)進(jìn)行調(diào)整。
2.如權(quán)利要求1所述的油色譜在線監(jiān)測(cè)噪聲數(shù)據(jù)校正方法，其特征在于:所述步驟2)中的具體步驟如下: 步驟2.1)、初始化熒光素?fù)]發(fā)系數(shù)P，熒光素增強(qiáng)因子Y，感知范圍1^，鄰域變化率&，鄰居閾值nt,移動(dòng)步長(zhǎng)s和每只螢火蟲(chóng)的位置； 步驟2.2)、確定支持向量機(jī)中需要優(yōu)化參數(shù)的取值范圍:確定錯(cuò)誤懲罰因子C，不敏感參數(shù)e和核參數(shù)O最優(yōu)值的取值范圍； 步驟2.3)、在每組參數(shù)取值范圍內(nèi)，隨機(jī)選取一組值作為螢火蟲(chóng)個(gè)體的位置；將支持向量機(jī)擬合值與實(shí)際值的誤差作為適應(yīng)度； 步驟2.4)、計(jì)算每個(gè)螢火蟲(chóng)的熒光素濃度、決策域范圍和鄰居的熒光素濃度，通過(guò)鄰居的熒光素濃度確定螢火蟲(chóng)的移動(dòng)方向并向前移動(dòng)； 步驟2.5)、判斷螢火蟲(chóng)算法是否達(dá)到終止條件；若達(dá)到，則選取最優(yōu)解為支持向量機(jī)的參數(shù)；否則，轉(zhuǎn)步驟2.4)。
3.如權(quán)利要求2所述的油色譜在線監(jiān)測(cè)噪聲數(shù)據(jù)校正方法，其特征在于:所述步驟2.1)中，由于支持向量機(jī)中需要優(yōu)化的重要參數(shù)是錯(cuò)誤懲罰因子C，不敏感參數(shù)e和核參數(shù)O最優(yōu)值,螢火蟲(chóng)中群體表示為X = ((C1, e 1； O1), (C2, e 2，o 2)，…，(CN, e N, o N))。
4.如權(quán)利要求1所述的油色譜在線監(jiān)測(cè)噪聲數(shù)據(jù)校正方法，其特征在于:所述步驟4)中，假設(shè)時(shí)刻\和& Cti幸tj)的離線數(shù)據(jù)分別為Ji和&，則這兩個(gè)時(shí)刻離線數(shù)據(jù)間的分段函數(shù)為
全文摘要
本發(fā)明涉及一種油色譜在線裝置噪聲數(shù)據(jù)的校正方法，其方法包括以下步驟步驟1)、收集油色譜離線試驗(yàn)和在線監(jiān)測(cè)數(shù)據(jù)；步驟2)、通過(guò)螢火蟲(chóng)算法得到支持向量機(jī)回歸模型中重要參數(shù)的最優(yōu)組合；步驟3)、利用步驟1)得到的少數(shù)準(zhǔn)確的油色譜離線試驗(yàn)數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，得到支持向量機(jī)回歸模型；步驟4)、初始化在線監(jiān)測(cè)數(shù)據(jù)的允許偏離半徑h，計(jì)算離線試驗(yàn)間的分段函數(shù)，判斷油色譜在線監(jiān)測(cè)的數(shù)據(jù)是否在模型允許的誤差范圍之內(nèi)；步驟5)、對(duì)在線數(shù)據(jù)進(jìn)行校正；步驟6)、根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)校正反饋的結(jié)果，對(duì)模型中的參數(shù)進(jìn)行調(diào)整。本發(fā)明進(jìn)行油色譜在線數(shù)據(jù)校正效果平穩(wěn)準(zhǔn)確，時(shí)間短實(shí)時(shí)性好，非常適合對(duì)現(xiàn)場(chǎng)的油色譜在線數(shù)據(jù)進(jìn)行校正。
文檔編號(hào)G01N30/00GK103149278SQ20121052150
公開(kāi)日2013年6月12日 申請(qǐng)日期2012年12月7日 優(yōu)先權(quán)日2012年12月7日
發(fā)明者唐平, 鄢小虎, 劉凡, 彭倩, 曹永興, 嚴(yán)磊, 張海龍, 孫浩 申請(qǐng)人:四川電力科學(xué)研究院, 國(guó)網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司, 國(guó)家電網(wǎng)公司