[发明专利]基于粒子群优化的发电机主绝缘剩余击穿场强预测方法

权利要求书

1.一种基于粒子群优化的发电机主绝缘剩余击穿场强预测方法，其特征在于，包括步骤：

步骤一、首先将发电机老化试验所得数据进行相关性分析，剔除相关性低的非破坏性电参量，保留相关性高的电参量；然后通过归一化消除不同数据之间存在的量纲差异；

将归一化后的数据进行分类，分为样本集数据和检验集数据；

步骤二、将样本集数据采用粒子群优化算法得到最优惩罚参数c和核函数参数g；

步骤三、将最优惩罚参数c和核函数参数g代入支持向量机发电机主绝缘剩余击穿场强预测模型的建模中，得到支持向量机发电机主绝缘剩余击穿场强预测模型；

步骤四、通过样本集数据和检验集数据对得到的支持向量机发电机主绝缘剩余击穿场强预测模型进行双重验证，使用验证后的预测模型对发电机主绝缘剩余击穿场强进行预测。

2.根据权利要求1所述基于粒子群优化的发电机主绝缘剩余击穿场强预测方法，其特征在于，步骤一采用威尔逊相关性公式对发电机老化试验所得数据进行相关性分析：

在上式中，Cov(X,Y)表示X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，X代表非破坏性电参量，Y表示发电机主绝缘剩余击穿场强。

3.根据权利要求1所述基于粒子群优化的发电机主绝缘剩余击穿场强预测方法，其特征在于，步骤一所述归一化的函数表达式如下：

在式中，x_i表示原数据组，y_i表示归一化后的数据，x_max为原数据组中最大的一个数据，x_min为原数据组中最小的一个数据，n为原数据组中的数据个数。

4.根据权利要求1所述基于粒子群优化的发电机主绝缘剩余击穿场强预测方法，其特征在于，步骤二所述的粒子群优化算法，粒子更新表达式如下：

其中，i＝1,2...n，n为粒子个数，1≤d≤D，D为空间维数，k为迭代次数，w^k是惯性系数，表示对速度控制的权重；称为认知加速系数，表示对自身历史最优点的学习；称为社会加速系数，表示对全体粒子历史最优点的学习；和是在[0，1]上的随机值，每一步迭代都随机生成；每一次迭代粒子通过个体极值pbest和全局极值gbest更新粒子位置；

各个系数的更新规则如下式：

在上式中，w_ini、w_fin、c_1ini、c_1fin、c_2ini、c_2fin分别为惯性系数、认知加速系数以及社会加速系数的初值与终值，k_max为迭代步数上限。

5.根据权利要求4所述基于粒子群优化的发电机主绝缘剩余击穿场强预测方法，其特征在于：粒子群优化算法的系数更新规则中取w_ini＝0.9，w_fin＝0.4，c_1ini＝c_2fin＝2.5，c_1fin＝c_2ini＝0.5。

6.根据权利要求4所述基于粒子群优化的发电机主绝缘剩余击穿场强预测方法，其特征在于，对发电机主绝缘剩余击穿场强进行预测时采用径向基核函数，函数表达式如下：

K(x,x_i)＝exp(-γ||x-x_i0||²),γ＞0；

式中，x为原数据组，x_i0为核函数中心，γ为核函数宽度参数，控制函数径向作用范围。

7.根据权利要求1所述基于粒子群优化的发电机主绝缘剩余击穿场强预测方法，其特征在于，所述的步骤四首先将样本集数据代入预测模型得到预测的发电机主绝缘剩余击穿场强，与实际的发电机主绝缘剩余击穿场强作对比，判断是否在允许的误差范围内，若不在允许的误差范围内则返回步骤二，改变粒子群初始速度或者惩罚参数c和核函数参数g的寻优范围重新对惩罚参数c和核函数参数g寻优，若在误差允许的范围内则进行第二步验证，将检验集数据代入支持向量机发电机主绝缘剩余击穿场强预测模型，重复相同的操作。