[发明专利]一种基于机器学习与大数据分析的电容器故障预测方法

权利要求书

1.一种基于机器学习与大数据分析的电容器故障预测方法，其特征在于，所述基于机器学习与大数据分析的电容器故障预测方法包括：

对原始数据预处理和提取特征量；

通过Hadoop集群算法将大数据存储在分布式高性能服务器中；

对数据进行归一化处理；

对深层神经网络进行指导性训练，并对电容器故障进行预测。

2.如权利要求1所述的基于机器学习与大数据分析的电容器故障预测方法，其特征在于，所述对数据进行归一化处理，具体包括：

归一化参数由下列方程计算得到；

V_nor＝V_valuea？？NF

NF＝V_max/F

式中，V_nor是归一化的结果，V_value是需要归一化的数值，NF是归一化因子，V_max是该分类数据中的最大值，F是常数。

3.如权利要求1所述的基于机器学习与大数据分析的电容器故障预测方法，其特征在于，所述对深层神经网络进行指导性训练，并对电容器故障进行预测中，存储在分布式文件系统中的归一化数据被分成两个子集提取出来进行人工神经网络的指导性训练；第一个子集包含90％的数据量；该子集被当作已知数据，用来训练人工神经网络；第二个子集包含10％的数据量，被当作未知数据，用来校验人工神经网络的误差；如果已知数据中包含未知数据的特征，经过训练的人工神经网络识别该未知数据并给出相应的输出值。

4.如权利要求1所述的基于机器学习与大数据分析的电容器故障预测方法，其特征在于，对原始数据预处理的方法包括：

根据电容器故障参数设置适当域值，进行过滤；

去除目标电容器故障参数中的奇化部分；

对目标电容器故障参数边数作化简处理，使和源电容器故障参数具有相同边数。

5.如权利要求4所述的基于机器学习与大数据分析的电容器故障预测方法，其特征在于，获取源电容器故障参数和目标电容器故障参数特征矩阵中最相似向量的欧式距离和最大相和系数具体包括：

首先，按逆时针方向分别建立源电容器故障参数P和目标电容器故障参数Q的特征矩阵P_E和Q_E：

P_E＝[P₁^T P₂^T…P_2N－1T P_2N^T]；

Q_E＝[Q₁^T Q₂^T…Q_2N－1^T Q_2N^T]；

欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下：

以d(x,y)和为sim(x,y)基础，重新定义两个矩阵D和S,使:

求出D和S中的最小值；

分别令Eu_e＝min{D_ij},1≤i≤j＝2N；Sim_e＝max{S_ij},1≤i≤j＝2N；

然后再按顺序针方向构造电容器故障参数P和Q的特征矩阵，重复上述计算方法，求出两特征矩阵中最完备向量间的最小值Eu_c和Sim_c；

最后令Eu＝min{Eu_e，Eu_c}；

Sim＝min{Sim_e，Sim_c}；

Eu和Sim即为P、Q两电容器故障参数对应最相似向量的欧式距离和最大相和系数。