基于机器学习和SVM算法的电子式电压互感器误差状态预测方法与流程

基于机器学习和svm算法的电子式电压互感器误差状态预测方法
技术领域
1.本发明涉及电子式互感器在线监测技术领域，具体涉及一种基于机器学习和svm算法的电子式电压互感器误差状态预测方法


背景技术：

2.互感器是智能变电站中用于采集高压母线上高压信号的中间设备，其经济性和安全性对于人们的生活有着不可或缺的影响，从作用上来看，互感器可实现智慧变电站的一次高压和二次低压的有效分割。同时，从功能上来看，互感器可测量、监测和保护设备。综合考虑互感器在电力系统中的地位可知，互感器的存在可满足其基本要求。
3.与传统互感器相比，电子式电压互感器(electronic voltage transformer，evt)结构复杂，会存在复数误差，即比差、角差；同时，电子式电压互感器还存在运行误差，一般地，运行误差会受到多种环境参量的影响，变化规律难以找寻，在现实操作中经常存在超差的问题，evt误差状态预测是变电站实现智能化检修的关键步骤之一，对于减少电力计量设备出错率和检修工作复杂程度具有重要意义，为选取对于evt基本误差的预测手段。
4.文献“[周明,聂艳丽,李庚银,等.基于小波分析的短期电价arima预测方法[j].电网技术,2005(09):50
‑
55.”提出了一种基于小波分析的短期电价arima预测方法，文中采用了传统的arima预测方法，但该方法只适合用于所研究对象是线性序列的情况。
[0005]
文献“黄新波,蒋卫涛,朱永灿,等.基于时间序列和支持向量机的变压器故障预测[j].高电压技术,2020,46(07):2530
‑
2538.”提出了用混沌理论和神经网络建模及预测直流电弧炉，采用了非线性预测混沌理论，但是这一方法只适用于具有混沌特性的信号。
[0006]
传统的方法或多或少都存在局限性，近年来，越来越多的学者开始采用新兴技术——机器学习来进行预测，如神经网络等，而如今单一的模型或算法的预测已无法满足逐渐发展得预测需求，使得人们开始采用机器学习来优化单一模型参数的组合式模型来进行预测


技术实现要素：

[0007]
为解决上述技术问题，本发明提供一种基于机器学习和svm算法的电子式电压互感器误差状态预测方法，通过机器学习算法寻找svm模型的最优超参数，以构建误差状态预测模型。根据电子式互感器的影响因素和误差表征量进行建模，预测比差和角差的变化趋势，实现电子式互感器误差状态的在线检测，及时发现误差状态问题，指导电子式互感器检测工作，保障电能计量的公平性和电网安全运行的可靠性。该方法具备成本低、收敛速度快、智能程度高的优点。
[0008]
本发明采取的技术方案为：
[0009]
基于机器学习和svm算法的电子式电压互感器误差状态预测方法，采集电子式电压互感器误差表征量和影响因素，构建数据模型；采用机器学习算法对svm模型的惩罚系数
c和核参数g进行超参数寻优；根据最优超参数对误差表征量进行建模预测，计算实际误差表征量与预测误差表征量的差值，以平均绝对误差和均方根误差作为预测评估，并用两段数据段进行预测。
[0010]
基于机器学习和svm算法的电子式电压互感器误差状态预测方法，包括以下步骤：
[0011]
步骤1：采集电子式互感器误差表征量和影响因素，再对采集的原始数据序列进行数据预处理后作为数据模型输入；
[0012]
步骤2：将数据预处理后的数据集划分为训练集、验证集、测试集；
[0013]
步骤3：通过对支持向量机svm模型进行分析，选择惩罚系数c和核参数g作为支持向量机的超参数，用于被机器学习算法优化；随机初始化支持向量机，将支持向量机的超参数惩罚系数c和核参数g作为机器学习算法初始位置；采用训练集对基于机器学习算法的支持向量机进行建模，验证集输入计算模型误差，根据模型误差，计算空间位置，当达到迭代次数，输出svm的最优超参数；
[0014]
步骤4：训练集再次对模型进行网络训练，测试集作为基于机器学习算法的svm模型的输入，以平均绝对误差和均方根误差作为预测评估，当平均绝对误差和均方根误差越小，说明对电子式互感器的误差状态预测越好。
[0015]
所述步骤1中，影响因素包括温度参量、磁场参量、振动参量、湿度参量、负荷参量；所述误差表征量包括比差、角差。
[0016]
温度参量：为电子式互感器工作环境温度。环境温度对互感器骨架、电子电路均会造成影响，从而改变电子式互感器的误差。
[0017]
湿度参量：为电子式互感器工作环境湿度。环境湿度对互感器骨架、电子电路均会造成影响，从而改变电子式互感器的误差。
[0018]
磁场参量：磁场对电子式互感器的影响可分为平行磁场分量的影响和垂直磁场分量的影响。平行磁场分量与被测电流的磁场处于同一平面，垂直磁场分量则相交于被测电流的磁场。
[0019]
振动参量：振动可能导致一次载流体产生位移，由于电子式互感器不含有闭合铁芯，一次载流体位置的变化将导致电子式互感器发生变化。
[0020]
负荷参量：是电子式互感器输出的二次电流。
[0021]
比差：比差是指幅值误差，是电子式电压互感器evt二次输出电压的幅值按系数换算后与一次电压幅值的差值。
[0022]
角差：角差是指相位误差，是电子式电压互感器evt的二次测量相位与一次电压真实相位之间的差值。
[0023]
所述步骤1中，数据预处理包括：
[0024]
步骤1.1：数据缺失值处理：
[0025]
数据采集设备可能会因为故障导致测量数据异常，导致部分evt测量数据缺失。因此在数据预处理时，需要对这部分缺失值进行找寻并清理，使evt测量数据更加符合模型构建输入要求。
[0026]
步骤1.2：数据归一化处理：
[0027]
采用evt所采集的原始数据中的5000个采样数据来查看其测量误差的变化趋势，如下图1所示。
[0028]
为提高svm模型精确度，对数据进行归一化处理，将数据取值范围缩小到(0，1)。运用以下公式可实现数据的归一化处理：
[0029][0030]
x'、x、x
min
、x
max
分别表示归一化处理后的数据序列、采集的原始数据序列、采集的原始数据序列中的最小值、采集的原始数据序列中的最大值。
[0031]
进行归一化处理后的测量误差序列如下图2所示：
[0032]
步骤1.3：数据序列化处理：
[0033]
设电子式电压互感器输入数据为{x0,x1,x2,x3,x4}，其中，x0,x1,x2,x3,x4分别表示影响因素：温度、湿度、磁场、振动、负荷，在读取数据时，设一列有m个数据，则输入数据量x
i
(i＝0,...,4)是并列单独成列的数据，本发明通过使用python中的vstack函数将输入量集合{x0,x1,x2,x3,x4}中的数据进行序列化处理，使各输入量放入同一个数组中。
[0034]
所述步骤3包括以下步骤：
[0035]
步骤3.1：svm模型超参数的选择：
[0036]
对支持向量机的机理模型进行分析，在引入超参数惩罚系数c和核参数g。c对所实现的svm模型的泛化有显着影响，g的平方代表核运算的大小，对所采用的svm模型的预测精度和泛化有着一定程度的影响。
[0037]
步骤3.2：svm模型超参数的初始化：
[0038]
随机初始化svm模型的超参数，将svm模型中的惩罚系数c和核参数g作为萤火虫算法的位置坐标，选取初始化位置。
[0039]
步骤3.3：机器学习算法找寻svm模型最优超参数：
[0040]
通过训练集，对基于机器学习算法的svm模型进行建模，验证集输入计算模型误差，根据模型误差计算、更新萤火虫空间位置。当达到迭代次数，输出svm模型的最优超参数。
[0041]
所述步骤4包括以下步骤：
[0042]
步骤4.1：svm模型建模与预测：
[0043]
训练集再次对模型进行训练，测试集作为基于机器学习算法的svm模型的输入。
[0044]
步骤4.2：预测评估：
[0045]
以平均绝对误差(mean absolute error)e
mae
和均方根误差(root mean square error)e
rmse
作为本发明误差预测评估指标，其公式为：
[0046][0047][0048]
其中，y(i)和分别表示i时刻的真实值和预测值；n为预测样本数。
[0049]
当误差预测评估指标e
mae
和e
rmse
的值越小时，则说明机器学习算法对支持向量机超参数寻优效果越好。
[0050]
本发明一种基于机器学习和svm算法的电子式电压互感器误差状态预测方法，技
术效果如下：
[0051]
1)、本发明利用机器学习算法和svm模型，对evt进行误差状态预测，以实现evt误差状态的在线检测，及时发现误差状态问题，指导电子式互感器检测工作，保障电能计量的公平性和电网安全运行的可靠性；具有成本低、收敛速度快和智能的特点。
[0052]
2)、本发明采用机器学习算法寻支持向量机最优超参数，可有效避免陷入局部最小值陷阱。
[0053]
3)、本发明将既可以根据历史数据对现有时间段的互感器误差状态进行故障诊断，也可用于未来时间段的互感器状态进行预测，对应不同时间段不同功能，具有实用性强、应用范围广的特点。
[0054]
4)、本发明方法能够在不停电的状态下，有效预测电子式互感器误差状态曲线走势，为在线监测电子式互感器误差状态提供可参考依据。
附图说明
[0055]
图1为采集数据的原始测量误差序列图。
[0056]
图2为采集数据的归一化处理后的测量误差序列图。
[0057]
图3为支持向量机模型的数据空间映射图。
[0058]
图4为本发明方法的实施步骤流程图。
[0059]
图5(a)为与本发明方法数据段1机器学习算法和默认参数模型比较的比差预测曲线图；
[0060]
图5(b)为与本发明方法数据段1机器学习算法和默认参数模型比较的角差预测曲线图；
[0061]
图5(c)为与本发明方法数据段2机器学习算法和默认参数模型比较的比差预测曲线图；
[0062]
图5(d)为与本发明方法数据段2机器学习算法和默认参数模型比较的角差预测曲线图。
具体实施方式
[0063]
基于机器学习和svm算法的电子式电压互感器误差状态预测方法，采集电子式电压互感器误差表征量和影响因素，构建数据模型；采用机器学习算法对svm模型的惩罚系数c和核参数g进行超参数寻优；根据最优超参数对误差表征量进行建模预测，计算实际误差表征量与预测误差表征量的差值，以平均绝对误差和均方根误差作为预测评估。结果均表明，采用机器学习算法作参数寻优的svm的误差预测精度高，效果更好，预测结果更接近于实际预测值。
[0064]
上述预测方法，包括以下步骤：
[0065]
步骤一、采集数据：
[0066]
实验数据来源于变电站的电子式互感器实测数据，其中，特征集是影响电子式互感器误差状态的影响因素，包括温度表征量、磁场表征量、负荷表征量、湿度表征量、振动表征量；影响因素是电子式互感器误差表征量，包括比差、角差。数据是采集10分钟的平均值，采集数据时间跨度相同。
[0067]
步骤二、基于机器学习算法优化svm模型的超参数选择：
[0068]
支持向量机模型中存在众多超参数，选择默认超参数或者选择某一超参数值，对于模型的精度和效果是有明显不同的，超参数即可设置其参数变化范围，选取机器学习算法在参数变化范围对参数进行优化，最终得出使支持向量机模型效果最好的超参数，即最优超参数，从数学理论上分析，支持向量机的数学机理如下描述。
[0069]
1995年，cortes等人首次正式提出了关于支持向量机的思想和概念，其数据从低维度到高维度的映射示意图，如图3所示，由图3明显可知，低维空间中彼此之间不能直接区分开的元素，映射到高维空间后就是可区分的。
[0070]
svm主要思想如下:
[0071]
1)分类间隔：
[0072]
h是svm中的分类线。h1和h2是2个不同类别的平面，但二者有共同之处，都是各类中距离h最近的点，同样的，两个平面都平行于分类线h，由概念可知，可将这2个平面之间的距离定义为——分类间隔。svm中就是要寻找最优的h，最其要求能够明显地区分2类，并使得这2个不同类别的平面距离最大。
[0073]
2)距离问题转化为优化问题：
[0074]
对于超平面h1:ωx b＝1；对于超平面h2:ωx b＝
‑
1；假设超平面h:ωx b＝0存在最大分类间隔2/||ω||2。因此，解最大边界问题可以替换为解||ω||2/2的最小值问题。如果满足条件，其表达式为：
[0075]
y
i
((ω
·
x
i
) b)
‑
1＞0i＝1,2,...,n
[0076]
其中，n表示样本空间由n个点组成，ωx b＝0表示将样本空间中的正负样本点精确地划分到两侧的平面，(ω，b)是平面内的可区分数据的参数。
[0077]
3)优化问题转化为对偶问题：
[0078]
根据拉格朗日对偶性(ω＝a1y1x1 a2y2x2
…
a
n
y
n
x
n
)来优化两个类别确定的超平面，这里的(x1,y1)(x2,y2),
…
,(x
n
,y
n
)表示样本空间中的所有样本点，(a1,a2,
…
,a
n
)表示样本点对应系数，其表达式为：
[0079]
min(|||ω||2/2)
[0080]
约束条件为：
[0081][0082]
4)引入惩罚系数c：
[0083]
在3)中的目标函数后加一项，引入惩罚系数c和松弛变量ξ，将式(2)转换为式(4)，其约束条件不变，：
[0084][0085]
约束条件为：
[0086][0087]
5)引入核函数：
[0088]
对于核技巧替换内积运算中，会涉及泛函相关理论，其呈现为：只要核函数k(x
i
,x
j
)满足mercer定理，它就可对应映射空间后高维数据空间中的内积形式，即可用作核函数。核函数有几种，其中应用最广泛的是rbf。因此运用rbf作为核函数k(x
i
,x
j
)＝φ(x
i
)φ(x
j
)，其中，φ表示在样本空间中的一个映射，φ(x
i
)φ(x
j
)表示x
i
、x
j
在空间中映射的内积，故有：
[0089]
k(x
i
,x
j
)＝exp(
‑
γ||x
i
‑
x
j
||2)
[0090]
其中，x
i
、x
j
分别表示在样本空间中第i个样本点和第j个样本点的x坐标，k(x
i
,x
j
)表示两点的核函数，γ表示核参数，与下面的gamma描述相同含义。
[0091]
由上面的介绍可以看出，随着对svm模型的进一步优化，引入了惩罚系数c和核函数，相应地，需要针对c和核函数中的核参数gamma(gamma,g)两个参数设定找寻范围。其中，c对所实现的svm模型的泛化有显着影响，g的平方表示核运算的大小，对所采用的svm模型的预测精度和泛化影响较大。
[0092]
机器学习算法优化支持向量机模型的具体实施步骤如下：
[0093]
step1：初始化萤火虫种群位置，以及最大迭代次数和种群规模。
[0094]
step2：计算种群中每个萤火虫个体对应的适应度值也就是萤火虫的亮度。
[0095]
step3：根据位置更新公式对萤火虫的位置进行更新，向亮度最高的萤火虫移动。
[0096]
step4：计算种群中萤火虫位置更新后的亮度。
[0097]
step5：设置终止条件，若达最大迭代次数则停止计算，输出最优值位置坐标；否则，返回第三步继续执行。
[0098]
step6：输出最优超参数。
[0099]
step7：将最优超参数导入svm模型，进行svm网络训练、预测。
[0100]
具体步骤如下：
[0101]
1)支持向量机超参数初始化：
[0102]
随机初始化svm模型的超参数，并设置超参数的可变化范围。
[0103]
2)初始化机器学习算法参数：
[0104]
对机器学习算法的初始吸引度、光强吸收系数、初始光强度、步长因子、迭代次数的基本参数进行初始化。
[0105]
3)机器学习算法找寻svm模型最优超参数：
[0106]
通过训练集对基于机器学习算法的svm模型进行建模，验证集输入计算模型误差，在模型设定的超参数变化范围内，根据机器学习算法进行误差计算、更新算法空间位置。当达到迭代次数，输出svm模型的最优超参数。
[0107]
步骤三、构建基于机器学习优化svm模型的电子式电压互感器误差状态预测模型：
[0108]
以基于萤火虫选择的超参数作为svm模型的最优超参数，训练集再次对模型进行训练，测试集验证基于萤火虫优化svm模型的电子式互感器误差状态预测模型的效果，最终基于机器学习算法优化svm模型的电子式互感器误差状态预测实施步骤如图4所示。再与默认超参数svm模型的两端数据段的预测结果进行了对比分析，最终比差与角差的误差状态预测结果分别如图5(a)、图5(b)、图5(c)、图5(d)所示。以平均绝对误差补偿e
mae
(mean absolute error)和均方根误差补偿e
rmse
(root mean square error)作为预测评估，其公式为：
[0109][0110][0111]
其中，y(i)和分别表示i时刻的真实值和预测值；n为预测样本数。
[0112]
此外，为了更好的分析机器学习算法优化svm模型的电子式电压互感器误差预测结果，对不同数据段不同模型预测的误差评价指标结果进行对比，模型预测的数据段1、数据段2所得的均方根误差(e
rmse
)和平均绝对误差(e
mae
)对比分别如表1、表2所示。
[0113]
表1数据段1误差预测评估表
[0114][0115]
表2数据段2误差预测评估表
[0116][0117]
由表1、表2可知，相较于未使用机器学习算法搭建的svm预测模型，使用机器学习算法搭建的svm预测模型，其平均绝对误差e
mae
和均方根误差e
rmse
更小，可得机器学习优化算法搭建的svm预测模型效果更好，可以有效预测evt的误差状态曲线趋势，能有效实现evt误差状态的在线检测，及时发现误差状态问题，为互感器检测工作提供了参考和借鉴，保障了电能计量的公平性和电网安全运行的可靠性。