[发明专利]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

权利要求书

1.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，其特征在于：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。

2.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，其特征在于包括以下步骤：

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SVM模型输入；

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；

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；

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。

3.根据权利要求2所述基于机器学习和SVM算法的电子式电压互感器误差状态预测方法，其特征在于：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。

4.根据权利要求2所述基于机器学习和SVM算法的电子式电压互感器误差状态预测方法，其特征在于：所述步骤1中，数据预处理包括：

步骤1.1：数据缺失值处理：

在数据预处理时，需要对部分EVT测量数据缺失值进行找寻并清理；

步骤1.2：数据归一化处理：

采用EVT所采集的原始数据中的多个采样数据来查看其测量误差的变化趋势，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：

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；

步骤1.3：数据序列化处理：

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，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。

5.根据权利要求2所述基于机器学习和SVM算法的电子式电压互感器误差状态预测方法，其特征在于：所述步骤3包括以下步骤：

步骤3.1：SVM模型超参数的选择：

对支持向量机的机理模型进行分析，引入超参数惩罚系数C和核参数g，g的平方代表核运算的大小；

步骤3.2：SVM模型超参数的初始化：

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；

步骤3.3：机器学习算法寻找SVM模型最优超参数：

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。

6.根据权利要求2所述基于机器学习和SVM算法的电子式电压互感器误差状态预测方法，其特征在于：所述步骤4包括以下步骤：

步骤4.1：SVM模型建模与预测：

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；

步骤4.2：预测评估：

以平均绝对误差E_MAE和均方根误差E_RMSE作为误差预测评估指标，其公式为：

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；

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。