CN113536662A - 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法 - Google Patents

Abstract

基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，包括：采集电子式互感器影响参量和误差参量，构建数据模型；计算影响参量和误差参量间的距离相关系数，根据距离相关系数选择电子式互感器的主导影响参量；萤火虫算法对LightGBM算法的学习率、最大深度和子叶个数进行超参数寻优；根据最优超参数对误差参量进行建模预测，计算实际误差参量与预测误差参量的差值，以平均绝对误差和均方根误差作为预测评估。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。

Description

基于萤火虫优化LightGBM算法的电子式互感器误差状态预测 方法

技术领域

本发明涉及电子式互感器在线监测技术领域，具体涉及一种基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法。

背景技术

电子式互感器在智能变电站中得到广泛应用，支撑着智能电网的数字化建设发展，为计量和保护设备提供准确的测量数据，是电能贸易结算公平性和电网安全运行的重要保障。但其数字处理单元和传感单元易受工作环境的干扰，电子式互感器误差状态易受温度、磁场、振动等因素影响，长期运行后存在准确度退化的问题。现有的误差状态评估方法有定期离线校验和长期在线校验，通过直接比较法得到电子式互感器的误差，但这两种校验方式校验的周期较长且布置复杂，导致工作效率低下。为健全电子式互感器误差状态评估方法，可借鉴人工智能和机器学习的方法，及时预测电子式互感器误差状态，减少电子式互感器异常运行时间，以保障电能计量的公平性和电网安全运行的可靠性。

现有技术中的文献“何宁.基于小波神经网络的电子式互感器故障诊断[D].重庆大学,2010.”、“熊小伏,何宁,于军,等.基于小波变换的数字化变电站电子式互感器突变性故障诊断方法[J].电网技术,2010,34(07):181-185.”，该文献通过知识处理与信号处理相结合的方法分析电子式互感器的运行状态，但只适用于电子式互感器突变故障。

现有技术中的文献“胡琛,张竹,杨爱超,等.电子式互感器误差模型及误差状态预测方法[J].电力工程技术,2020,39(04):187-193.”、“张秋雁,程含渺,李红斌,等.数字电能计量系统误差多参量退化评估模型及方法[J].电网技术,2015,39(11):3202-3207.”，该文献应用了数据挖掘方法，实现电子式互感器误差状态预测，然而算法参数具有随机性，该可能陷入局部最优陷阱。

发明内容

为解决上述技术问题，本发明提供一种基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，通过萤火虫算法寻LightGBM算法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参量和误差参量进行建模，预测比差参量和角差参量的变化曲线，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。

本发明采取的技术方案为：

基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，采集电子式互感器影响参量和误差参量，构建数据模型；计算影响参量和误差参量间的距离相关系数，根据距离相关系数选择电子式互感器的主导影响参量；萤火虫算法对LightGBM算法的学习率、最大深度和子叶个数进行超参数寻优；根据最优超参数对误差参量进行建模预测，计算实际误差参量与预测误差参量的差值，以平均绝对误差和均方根误差作为预测评估。

基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，包括以下步骤：

步骤一：采集电子式互感器误差参量和影响参量，对采集的误差参量和影响参量数据进行处理，构建数据模型；

步骤二：计算误差参量和影响参量的距离相关系数，根据距离相关系数选择误差参量受影响的主要特征，将处理后的相关参量划分为训练集、验证集、测试集；

步骤三：基于萤火虫算法寻找LightGBM算法的最优超参数；

步骤四：训练集再次对萤火虫算法寻找LightGBM算法的最优超参数模型进行训练，测试集作为基于萤火虫的LightGBM模型的输入，以平均绝对误差和均方根误差作为预测评估；

通过上述步骤，完成电子式互感器误差状态预测。

所述步骤一中，所述影响参量包括温度参量、磁场参量、振动参量、湿度参量、负荷参量；所述误差参量包括比差参量、角差参量。

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。

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。

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。

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。

电气参量为负荷，是电子式互感器输出的二次电流。

所述步骤二中，原始数据包括温度参量、磁场参量、振动参量、湿度参量、负荷参量，而这些参量对误差参量的影响程度不同，根据距离相关系数选择强相关参量作为输入，强相关参量包括：温度参量、磁场参量、振动参量、负荷参量。

所述步骤二，包括以下步骤：

步骤2.1：计算影响参量和误差参量的距离相关系数：

a_j,k＝||x_j-x_k||₂,j,k＝1,2,…,n b_j,k＝||y_j-y_k||₂,j,k＝1,2,…,n

式中，j、k表示参量的j行和k行；n为样本数量；a_j,k、b_j,k分别表示影响参量的成对距离和误差参量的成对距离，即数组间每行数据之间的范数距离；A_j,k、B_j,k表示对影响参量和误差参量的成对距离进行中心化处理，

表示参量第j行平均值，

表示参量第k列平均值，

表示参量的距离矩阵平均值；v²(x,y)、v²(x,x)分别表示参量距离的平方协方差的算数平均和参量距离方差；距离相关系数(,)衡量线性相关性和非线性相关性，取值范围为[0,1],系数越大说明相关性越强。

步骤2.2：对影响参量进行特征选择，基于距离相关系数的值越大，说明对模型的预测影响越大，从而筛选对误差参量影响最大的主导影响参量，再对筛选数据按比例划分为训练集、验证集、测试集。

对误差参量影响程度越大，相关性越强；同时也对基于萤火虫优化LightGBM算法模型影响越大。

所述步骤三，包括以下步骤：

步骤3.1：初始化萤火虫算法参数：

对萤火虫算法的初始吸引度、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。

步骤3.2：萤火虫位置初始化：

随机初始化LightGBM算法的学习率、最大深度和子叶个数，作为萤火虫算法初始位置。

步骤3.3：通过训练集对基于萤火虫的LightGBM算法进行建模，验证集输入未寻优前的LightGBM算法模型误差，根据模型误差计算萤火虫亮度、吸引度，更新萤火虫空间位置，当达到迭代次数，输出LightGBM算法的最优超参数。

所述步骤四中，

以平均绝对误差MAE(Mean Absolute Error)和均方根误差RMSE(Root MeanSquare Error)作为预测评估，其公式为：

其中，()和

分别表示时刻的真实值和预测值；为预测样本数。

当平均绝对误差和均方根误差越小，说明萤火虫算法对LightGBM超参数寻优效果越好。

本发明一种基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，技术效果如下：

1)、本发明利用智能寻优萤火虫算法和机器学习LightGBM算法，对电子式互感器进行误差状态预测，以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；具有成本低、收敛速度快和智能的特点。

2)、利用距离相关系数进行特征选择，得到电子式互感器的主导影响参量。

3)、萤火虫寻LightGBM算法最优超参数，可有效避免陷入局部最小值陷阱。

4)、数据集划分为训练集、验证集、测试集，通过训练集对模型进行构建，验证集对模型进行检验，得到的电子式互感器误差状态预测模型具有更好的准确性、稳定性和泛化性。5)、本发明电子式互感器误差状态预测方法，适用于在同时间段的误差状态预测、或者适用于不同时间段的误差状态预测。

6)、本发明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

图1为数据模型划分图。

图2为本发明方法流程图。

图3(1)为与本发明方法传统算法决策树和默认超参数LightGBM算法比较的比差预测曲线图；

图3(2)为与本发明方法传统算法决策树和默认超参数LightGBM算法比较的角差预测曲线图。

具体实施方式

基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，包括以下步骤：

步骤一、采集数据：

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，包括温度参量、磁场参量、负荷参量、湿度参量、振动参量；影响参量是电子式互感器误差参量，包括比差参量、角差参量。数据是采集10分钟的平均值，采集数据时间跨度相同。

步骤二、特征选择：

如果将所有的候选参量都用于训练模型，则会导致信息沉余，并且使得模型的速度降低，因此要对所提取的建模因子进行筛选。计算影响参量和误差参量的距离相关系数，根据距离相关系数选择影响电子式互感器的主导影响，将处理后的数据模型划分为训练集、验证集、测试集，距离相关系数如表1所示，数据模型划分如图1所示：

表1计算影响参量和误差参量的距离相关系数结果表

具体步骤如下：

1)计算影响参量和误差参量的距离相关系数：

距离相关系数据皮尔逊相关系数改进而来，可以衡量非线性相关关系，并且不需要任何的模型假设和参数条件。使用距离相关系数来衡量影响参量与误差参量的相关性，并选择出更加适合预测电子式互感器误差状态。

距离相关系数可定义为：

a_j,k＝||x_j-x_k||₂,j,k＝1,2,…,n b_j,k＝||y_j-y_k||₂,j,k＝1,2,…,n

式中，j、k表示参量的j行和k行；n为样本数量；a_j,k、b_j,k分别表示影响参量的成对距离和误差参量的成对距离，即数组间每行数据之间的范数距离；A_j,k、B_j,k表示对影响参量和误差参量的成对距离进行中心化处理，

表示参量第j行平均值，

表示参量第k列平均值，

表示参量的距离矩阵平均值；v²(x,y)、v²(x,x)分别表示参量距离的平方协方差的算数平均和参量距离方差；距离相关系数(,)衡量线性相关性和非线性相关性，取值范围为[0,1],系数越大说明相关性越强。

由表1可得，比差参量与温度参量、负荷参量、磁场参量、湿度参量、振动参量的距离相关系数分别为0.6781、0.1724、0.5368、0.3202、0.1561，角差参量与温度参量、负荷参量、磁场参量、湿度参量、振动参量的距离相关系数分别为0.3740、0.1507、0.2359、0.1439、0.0685。

2)对影响参量进行特征选择，基于距离相关系数的值越大，说明对模型的预测影响越大，从而筛选对误差参量影响最大的主导影响参量，再对筛选数据按比例划分为训练集、验证集、测试集。

由表1可得，比差参量和角差参量与温度参量、负荷参量、磁场参量、湿度参量的距离相关系数最大，说明电子式互感器在实际运行中，主要受温度、负荷、磁场、湿度等因素影响。振动参量与比差参量、角差参量的距离相关系数很小，对误差的预测所起作用不大，甚至使模型更加复杂和增大计算量。振动参量忽略使温度参量、负荷参量、磁场参量、湿度参量作为模型预测的输入，可简化预测模型和加快预测速度，将距离相关系数处理后的采集数据划分为训练集、验证集、测试集。

步骤三、基于萤火虫的LightGBM算法超参数选择：

萤火虫算法是将搜索和优化步骤模拟成夜空里的萤火虫相互吸引和位置更新过程，将目标函数可看作萤火虫所在位置的好坏，将萤火虫向更优位置的不断更新类比为搜索和优化过程中更优解取代较差解的迭代过程。萤火虫算法包括相对亮度和相对吸引度两个关键因素。亮度取决于萤火虫所处空间位置的目标值，低亮度的萤火虫向高亮度的萤火虫移动。吸引度与亮度成正相关，与距离成反相关，越亮的萤火虫对其他萤火虫的吸引力越强。从数学理论上分析，萤火虫算法的优化机理如下描述。

萤火虫亮度定义为：

其中，I为初始光强度，即为r＝0时的光强度；γ是光强吸收系数；r_ij是萤火虫空间位置的欧氏距离。

吸引度定义为：

其中，β为初始吸引度，即为r＝0时的吸引度；γ和r_ij与上式相同。

萤火虫j吸引萤火虫i的位置更新为：

x_j(t+1)＝x_j(t)+β_ij(r_ij)[x_i(t)-x_j(t)]+α×(rand-1/2)

其中，x_i、x_j为萤火虫i和j的空间位置；α为步长因子；rand为落在0和1之间的随机因子，服从均匀分布。

具体步骤如下：

1)初始化萤火虫算法参数：

对萤火虫算法的初始吸引度、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。

2)萤火虫位置初始化：

随机初始化LightGBM算法的学习率、最大深度和子叶个数作为萤火虫算法初始位置。

3)萤火虫算法寻LightGBM最优超参数：

通过训练集对基于萤火虫的LightGBM算法进行建模，验证集输入计算模型误差，根据模型误差计算萤火虫亮度、吸引度，更新萤火虫空间位置。当达到迭代次数，输出LightGBM算法的最优超参数。

步骤四、构建基于萤火虫优化LightGBM算法的电子式互感器误差状态预测模型：

以基于萤火虫选择的超参数作为LightGBM算法的最优超参数，训练集再次对模型进行训练，测试集验证基于萤火虫优化LightGBM算法的电子式互感器误差状态预测模型的效果，最终基于萤火虫优化LightGBM算法的电子式互感器误差状态预测实施步骤如图2所示。再与传统决策树和默认超参数LightGBM算法的预测结果进行了对比分析，最终比差参量与角差参量的误差状态预测结果分别如图3(1)、图3(2)所示。以平均绝对误差补偿MAE(Mean Absolute Error)和均方根误差补偿RMSE(Root Mean Square Error)作为预测评估，其公式为：

其中，y(i)和

分别表示时刻的真实值和预测值；为预测样本数。

模型预测的均方根误差(RMSE)和平均绝对误差(MAE)对比如表2所示。

表2误差预测评估表

根据表2可知，基于萤火虫优化LightGBM算法的电子式互感器误差状态预测模型在比差参量预测和角差参量预测的平均绝对误差和均方根误差最小，可得基于萤火虫优化LightGBM算法的电子式互感器误差状态预测模型效果最好。可以有效预测电子式互感器的误差状态曲线趋势，能有效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。

Claims (6)

1.基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，其特征在于：采集电子式互感器影响参量和误差参量，构建数据模型；计算影响参量和误差参量间的距离相关系数，根据距离相关系数选择电子式互感器的主导影响参量；萤火虫算法对LightGBM算法的学习率、最大深度和子叶个数进行超参数寻优；根据最优超参数对误差参量进行建模预测，计算实际误差参量与预测误差参量的差值，以平均绝对误差和均方根误差作为预测评估。

2.基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，其特征在于包括以下步骤：

步骤一：采集电子式互感器误差参量和影响参量，对采集的误差参量和影响参量数据进行处理，构建数据模型；

步骤二：计算误差参量和影响参量的距离相关系数，根据距离相关系数选择误差参量受影响的主要特征，将处理后的相关参量划分为训练集、验证集、测试集；

步骤三：基于萤火虫算法寻找LightGBM算法的最优超参数；

步骤四：训练集再次对萤火虫算法寻找LightGBM算法的最优超参数模型进行训练，测试集作为基于萤火虫的LightGBM模型的输入，以平均绝对误差和均方根误差作为预测评估；

通过上述步骤，完成电子式互感器误差状态预测。

3.根据权利要求2所述基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，其特征在于：所述步骤一中，所述影响参量包括温度参量、磁场参量、振动参量、湿度参量、负荷参量；所述误差参量包括比差参量、角差参量。

4.根据权利要求2所述基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，其特征在于：所述步骤二，包括以下步骤：

步骤2.1：计算影响参量和误差参量的距离相关系数：

a_j,k＝||x_j-x_k||₂,j,k＝1,2,…,n b_j,k＝||y_j-y_k||₂,j,k＝1,2,…,n

式中，j、k表示参量的j行和k行；n为样本数量；a_j,k、b_j,k分别表示影响参量的成对距离和误差参量的成对距离，即数组间每行数据之间的范数距离；A_j,k、B_j,k表示对影响参量和误差参量的成对距离进行中心化处理，

表示参量第j行平均值，

表示参量第k列平均值，

表示参量的距离矩阵平均值；v²(x,y)、v²(x,x)分别表示参量距离的平方协方差的算数平均和参量距离方差；距离相关系数R²(x,y)衡量线性相关性和非线性相关性，取值范围为[0,1],系数越大说明相关性越强；

步骤2.2：对影响参量进行特征选择，基于距离相关系数的值越大，说明对模型的预测影响越大，从而筛选对误差参量影响最大的主导影响参量，再对筛选数据按比例划分为训练集、验证集、测试集。

5.根据权利要求2所述基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，其特征在于：所述步骤三，包括以下步骤：

步骤3.1：初始化萤火虫算法参数：

对萤火虫算法的初始吸引度、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；

步骤3.2：萤火虫位置初始化：

随机初始化LightGBM算法的学习率、最大深度和子叶个数，作为萤火虫算法初始位置；

步骤3.3：通过训练集对基于萤火虫的LightGBM算法进行建模，验证集输入未寻优前的LightGBM算法模型误差，根据模型误差计算萤火虫亮度、吸引度，更新萤火虫空间位置，当达到迭代次数，输出LightGBM算法的最优超参数。

6.根据权利要求2所述基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法，其特征在于：所述步骤四中，

以平均绝对误差MAE(Mean Absolute Error)和均方根误差RMSE(Root Mean SquareError)作为预测评估，其公式为：

其中，()和

分别表示时刻的真实值和预测值；为预测样本数；

当平均绝对误差和均方根误差越小，说明萤火虫算法对LightGBM超参数寻优效果越好。

Images