故障预测模型范文
故障预测模型范文（精选9篇）
故障预测模型 第1篇
GM( 1,1 ) 模型的计算量小、建模所需数据少、无需假定数据服从某种特定的分布规律,因此被广泛用于解决“小样本、贫信息、不确定”的预测问题。为了提高传统GM( 1,1) 模型的拟合精度、拓展其适应范围,研究者们提出了诸多改进方案,包括原始序列变换、背景值重构、模型参数优化、预测公式改进、GM( 1,1) 与神经网络混合模型[1,2,3,4]等。实践表明, 这些改进方案都能在一定条件下提高模型的拟合精度或扩展其适应性。
但是,拟合精度较高的GM( 1,1) 模型,其外推预测效果未必很好,这是各种改进方案都忽略的问题。为此,笔者在文献[5]中基于数据融合思想提出了一种多次建模进行预测的方法。本文则在此基础上,引入量子行为粒子群优化( Quantum-behaved Particle Swarm Optimization,简称QPSO ) 算法进行GM( 1,1) 模型参数寻优,并结合原始序列变换与数据融合算法,提出了一种QDGM( 1,1) 预测模型,最后在软件故障预测中检验了其有效性。
1 传统 GM( 1,1) 模型
设有非负序列X( 0)= { x( 0)( k) ,k = 1,2,…,n} , 其一阶累加生成序列为X( 1)= { x( 1)( k) ,k = 1, 2,…,n }
其中,
其中,
GM( 1,1) 的灰微分方程模型( 定义型) 为:
式( 3) 中,a为发展系数、b为灰作用量,若以 ^a = ( a,b)T为待辨识参数向量,且
则以最小二乘法求解参数向量可得:
将所得参数代入白化方程可得其离散时间响应序列:
最后进行累减还原即得原始序列的拟合值:
2 GM( 1,1) 模型的改进
2. 1 原始序列预处理
灰色模型的理论基础是“原始序列的一次累加生成序列具有准指数规律”,这要求原始序列为准光滑序列,且其级比值位于特定的区间内。
2. 1. 1 准光滑序列的条件
序列X( 0)= { x( 0)( k) ,k = 1,2,…,n} 为光滑离散序列的充要条件是:
ρ( k) 即为光滑比,为k的递减函数,其递减程度越大,序列X( 0)的光滑性越好。若其满足下列条件,则X( 0)为准光滑序列。
2. 1. 2 级比检验
对于序列X( 0)= { x( 0)( k) ,k = 1,2,…,n} ,其级比为
若则X( 0)可用于直接建立GM( 1,1) 模型。
2. 1. 3 原始序列的幂函数变换
已经提出的原始序列预处理方法有对数变换、幂函数变换、对数 - 幂函数变换及三角函数变换等。其中,幂函数变换既可改善原始序列的光滑性,又能使其级比值趋近于可直接建模范围[6]。对于光滑性较差、高增长、有一定跳跃性的数据序列,其效果尤为显著[4]。
研究表明,原始序列的改善程度随着幂次的增大而增加[1],但实际上其增加程度非常有限,因此本文仅对原始序列进行1 /2次方变换。
2. 2 参数求解方法的改进
传统GM( 1,1) 模型采用最小二乘法求解参数a和b,其中存在两个问题: 其一,参数辨识以残差平方和最小为准则,而拟合精度评价却以平均相对误差最小为标准,二者不是统一的[3]; 其二,最小二乘法求解参数以背景值为基础,而按传统公式构造的背景值并不具有广泛的代表性。
为此,以平均相对误差最小为指标,采用QPSO算法代替最小二乘法对GM( 1,1) 模型的参数进行优化求解。这样既可避免选取背景值,又能达到参数辨识与拟合精度评价标准的统一。
2. 2. 1 QPSO 算法描述
在N维搜索空间中,由M个代表潜在问题解的粒子组成群体X = { x1,x2,…,xM} ,在t时刻,第i个粒子位置为Xi( t) =[xi,1( t) ,xi,2( t) ,…,xi,N( t) ], i = 1,2,…,m,粒子没有速度向量。个体最好位置表示为Pi( t) =[pi,1( t) ,pi,2( t) ,…,pi,N( t) ],群体的全局最好位置为G( t) =[g1( t) ,g2( t) ,…,gN( t) ], 且G( t) = Pg( t) ,其中g为全局最好位置粒子的下标,g∈{ 1,2,…,M} 。
对于最小化问题,目标函数值越小,对应适应度值越好。粒子i的个体最好位置由下式确定:
群体的全局最好位置由式( 10) 、式( 11) 确定:
QPSO算法的粒子位置更新方程为:
式( 12) ~ ( 14) 中: t为当前迭代次数; φj( t) 和ui,j( t) 为[0,1]区间随机数; C( t) 为所有粒子个体的平均最好位置; β称为扩张 - 收缩因子,其取值对群体收敛有直接关系[7]。研究表明,采用β在[1. 0, 0. 5]区间随迭代次数而线性递减的策略,可在大多数情况下取得较好的优化结果[8]。若β0、β1分别为β的初值和终值,tmax为最大迭代次数,则β的当前值为:
2. 2. 2 用 QPSO 算法优化 GM( 1,1) 模型参数
在实际应用GM( 1,1) 模型时,应取参数| a | < 0. 5[9],则由此推 知0 < b < 0. 5x( 0)( n ) + 0. 5 x( 1)( n) 。以GM( 1,1) 模型的平均相对误差最小为QPSO算法的寻优目标,可得适应度函数为:
式( 16) 中:分别为原始序列的实际值和拟合值,n为序列的数据个数。
2. 3 GM( 1,1) 改进模型的效果验证
将2. 1与2. 2节所述的改进方法综合起来,即得GM( 1,1) 改进模型。以文献[4]中例3的数据序列验证之,并与传统GM( 1,1) 模型所得结果进行比较,如表1所示。
该序列是一个高增长序列,以式( 7) 、式( 8) 计算可知: 其光滑比的6个值中有5个不满足条件2, 级比值则全部位于可直接建模区间之外。表1的结果表明: 对于光滑性较差的高增长序列,GM( 1,1) 改进模型的拟合精度远高于传统模型。
3 QDGM( 1,1) 预测模型
在实际应用中,GM( 1,1) 模型对数据序列的拟合精度较高而预测误差较大的现象并不鲜见。对此,在上述改进GM( 1,1) 模型的基础上,采用对原始序列多次建模进行预测的策略,再结合数据融合算法,构建出一种灰色融合预测模型,可称之为QDGM( 1,1) 模型。
3. 1 多次建模预测策略
根据灰色系统理论,GM( 1,1) 最少4个数据即可建模。通常情况下,使用序列中最新的4个数据建模更有实际意义,并更易获得理想的预测结果; 但模型应该采用原始序列的完整信息,所以也不能将其它数据弃置不用。因此,采取原始序列的不同分量进行多次建模预测,再将各次预测值进行融合,从而获得更为合理的最终预测结果。多次建模预测策略描述如下:
设有数据序列X = { x( k) ,k = 1,2,…,n} ,需预测第n + 1个数据的值。则: 分别取原始序列中从n开始的前4个( xn - 3,xn - 2,xn - 1,xn,以此类推) 、前5个、…、前n个数据建立GM( 1,1) 改进模型,对第n + 1个数据进行预测,得到n - 3个预测值。
3. 2 各次预测值的融合算法
设p1,p2,…,pm为由GM( 1,1) 改进模型得到的m个预测值。定义任意两个预测值的相对距离
构造两个预测值之间的支持度函数
令其满足如下两个条件:
1rij与dij成反比关系。即两个预测值相差越大,彼此间的支持程度越小;
2rij∈( 0,1],使数据处理能够利用模糊集合理论中隶属度函数的优点,避免数据之间相互支持程度的绝对化。
于是可建立支持度矩阵
为了将p1,p2,…,pm融合为结果p,需确定每个pi的权重ωi。由信息分 享原理可 知ωi应满足应综合的总体信息,则依据概率源合并理论,要求寻找一组非负数υ1, υ2,…,υm,使得:
将式( 20) 改写为矩阵形式W = RV。其中,W、V分别为由ωi和υj组成的列向量; R为非负对称矩阵。根据非负矩阵的性质,R存在最大模特征值λ≥0,与其对应的特征向量Vλ= [υ1λ,υ2λ,…,υmλ], 其分量全为非负数。依据特征向量特征值性质可取
则m次预测值的融合结果为:
此融合算法引入了相对距离的概念定义数据间的支持度函数,充分利用数据间的冗余和互补信息, 避免了预先设定门限的问题; 应用时不要求源数据服从特定分布规律,并且异常值的存在也不会对结果产生太大影响。因此,该算法比直接求平均值法具有更强的稳健性[5]。
3. 3 QDGM( 1,1) 的建模步骤
Step 1. 在原始序列中取预测目标位置之前的4个数据,构成目标序列{ X( 0)( k) ,k = 1,2,…,4} 。
Step 2. 按式( 7 ) 、式 ( 8 ) 计算目标序列的光滑比ρ( k)和级比σ( k),据此判断其是否满足直接建模条件。若不能完全满足直接建模条件,则将目标序列进行1 /2次方变换,得到待测序列{ x( 0)( k) ,k = 1,2,…,4} 。
Step 3. 用待测序列建立GM ( 1,1 ) 模型,并根据式( 16) 构造适应度函数,用QPSO算法对模型参数a、b寻优。
Step 4. 用式( 5 ) 、式 ( 6 ) 计算待测序列的拟合值,并将其进行2次方变换得到目标序列的预测值p1。
Step 5. 依次取原始序列中预测目标位置之前的5个、6个、…、n个数据构成目标序列,重复Step 2 ~ 4的处理过程,得到预测值p2、p3、pn - 3。
Step 6. 应用式( 17) ~ ( 22) 对p1、p2、…、pn - 3进行融合运算,得到最终预测结果p。
4 用 QDGM( 1,1) 模型进行软件故障 预测
文献[10]给出了某型装备按时间间隔记录的累积故障数为{ 12,25,37,46,69,75,86,95,113, 121,33,141,169,182,201,233 } ,现以前12个数据作原始序列,预测其后4个数据。
4. 1 用 GM( 1,1) 改进模型一次性建模预测
计算原始序列的光滑比和级比可知,前者有3个值不满足条件2,后者有5个值不在可直接建模区间,可见其不是准光滑序列,不宜直接建GM( 1, 1) 模型。
建立前述GM( 1,1) 改进模型,即首先对原始序列进行1/2次方变换,再以QPSO算法对模型参数寻优, 设置其运行参数为: 粒子群规模50,迭代500次, 扩张 - 收缩因子β的线性递减区间为[1. 0,0. 5]。寻优结果为a = ( -0. 0806) 、b = 5. 2639; 而传统GM( 1, 1) 模型则求得a = ( - 0. 1310) 、b = 37. 7830。两种模型的最终拟合与预测结果如表2所示。
由表2可知,两种模型的预测效果都不理想。虽然GM( 1,1) 改进模型对原始序列的拟合精度高于传统GM( 1,1) 模型,但其预测误差却比后者更大。这个结果表明,GM( 1,1) 改进模型提高了拟合精度,但其泛化性能却并未同步提高。
4. 2 用 QDGM( 1,1) 模型进行预测
依次取第63 ~ 84天、56 ~ 84天、…、7 ~ 84天的累积故障数构成9个目标序列,建立QDGM( 1,1) 模型对第91天的故障数进行预测; 将得到的预测值加入原始序列,重复该过程,…,依次求出第98、105、112天的累积故障数。结果如表3所示。
表3的结果表明,QDGM( 1,1) 模型的预测精度显著高于传统GM( 1,1) 模型和改进GM( 1,1) 模型。其原因在于偏离较远的预测值在融合时获得的权重较小,因而对最终结果的影响也较小。
5 结束语
故障预测模型 第2篇
GM(1,1)模型灰色预测法预测城市人口规模
以1992～呼和浩特市人口数据资料为依据,应用灰色系统理论构建GM(1,1)人口预测模型,统计检验和误差分析表明,模型精度较高.用该模型预测了呼和浩特市～城市人口规模,并对预测结果进行了分析.
作 者：周瑞平ZHOU Rui-ping 作者单位：内蒙古师范大学,地理科学学院,内蒙古,呼和浩特,010022刊 名：内蒙古师范大学学报(自然科学汉文版) ISTIC英文刊名：JOURNAL OF INNER MONGOLIA NORMAL UNIVERSITY(NATURAL SCIENCE EDITION)年，卷(期)：200534(1)分类号：C921 N941.5关键词：GM(1,1)模型 灰色预测 城市人口
马氏证券预测模型 第3篇
关键词:证券投资 预测模型 马尔科夫
DOI:10.3969/j.issn.1672-8289.2010.10.074
1 基于马尔科夫链的证券预测模型
针对中国股市发展不完善的特点,把证券收益率的变化看作随机过程,下面我们给出证券市场的马尔科夫链预测模型,并提供一种可供参考的组合策略。
1.1 预测模型
马尔科夫过程是指状态随时间的变化仅与前一时刻状态有关的随机过程。马尔科夫链则是一种时间和状态都离散的马尔科夫过程,其状态随时间变化发生转移的概率构成转移概率矩阵P,经过一个单位时间的状态转移概率构成一步转移概率矩阵P(1)。时齐马尔科夫链的步转移概率满足P(K)=P(1)K。
通过将时间和状态离散化,可以将证券收益率变化过程看作一个实时马尔科夫链。若令状态 (t时刻处于 状态的概率为xi(t)),则:
(1)
对于有限马尔科夫链,若对任意k成立,则此马尔科夫链的转移概率的极限分布是方程组
(2)的唯一解[9]。
(2)
也就是说,经过足够长的时间后,证券收益率处于各个状态的概率分布是个定值。
利用历史数据可统计得证券收益率变化的一步转移概率矩阵。根据(1)式预测下一时刻的收益率状态分布概率作为短期持有的依据;根据式(2)确定的收益率极限概率分布表示经过足够长时间后的预期收益率分布状况,可作为长期持有方案的依据。
1.2 证券组合策略
基于以上分析与相关预测模型,确定企业证券投资组合的步骤如下:
(1)将证券收益率的变动范围划分为n个大小相等区间,构成状态空间;将投资期划分为等长时间段,作为操作周期。运用马尔科夫链模型预测各种证券收益率的变化情况。
(2)剔除期望收益率小于等于零的证券。根据股票收益率现在所处的区间情况预测出下一周期收益率分别处于n个区间的可能性(P1,P2,...Pn,)证券投资收益率的期望值为:
(3)
若证券收益率划分的第 个区间为(a,b),则。
(3)分配投资额。各证券投资额占个人证券总投资额的百分比记作wi,计算公式为:
(4)
(4)投资组合产生的总预期收益率为:
(5)
若证券收益率数据过分集中于某些区间,需对状态区间进行细分。若有个别数据落在主要数值区域外,可用其本身作为期望收益率,样本空间比较大的时候也可以剔除特殊数据。
1.3 长期持有与短期持有
在以上证券投资组合策略的基础上,将问题分为短期与长期持有分别考虑。无论投资初期的收益情况如何,经过足够长的时间后,证券收益率的分布概率极限值可确定唯一解,因此投资者打算长期持有时仅需关注这一极限值;打算进行证券短期持有时则只需要依据下一个时段的收益率分布的预测值。投资者短期持有的投资周期通常根据其自身状况确定;当样本空间足够大的时候,长期持有的投资组合基本不受投资周期长短的影响。
参考文献
[1]何荣天.证券市场流动性指数的统一测度和应用意义;证券市场导报,2002,[7]高淑东.证券投资组合风险的分散化[J].集团经济研究,2005(2).
[2]黄宣武.现代投资组合风险与收益的评价[J].甘肃科技,2005(6).
[3].吴世农,韦绍永.上海股市投资组合规模和风险关系的实证研究[j].经济研究,1998(4)
[4].顾岚,薛继锐,罗立禹,徐悦.中国股市的投资组合分析[j].数理统计与管理,2001(5)
作者简介:
故障预测模型 第4篇
汽轮机转子振动信号包含有随时间缓慢变化的趋势项、周期项和随机项, 严格地说属非平稳随机信号。应用ARMA模型分析汽轮机振动信号时首先要将信号进行预处理 (如去均值、去趋势、平稳化等) , 然后识别信号属于ARMA模型的哪一种, 根据具体的ARMA模型确定最佳的回归或滑动平均阶数, 用适当的方式求解模型并获得模型参数, 最后应用统计方法对模型进行检验, 根据模型参数或用模型参数表达的信号的频谱特征进行故障诊断。
1 时间序列ARMA模型
ARMA模型是在多元线性回归模型的基础上演化而来的, 对于一组观测值[yi, (x1i, x2i, , xpi) ], 其中i=1, 2, , N, 输出变量yi与输入变量xji的相关关系可表达为:
yi=β1x1i+β2x2i++βpxpi+εi (1)
式中 εi残值, 是零均值的随机变量。
对式 (1) 做适当修改即可得到一类新的线性模型, 可以描述某些时间序列{xi}:
xi=φ1xi-1+φ2xi-2++φpxi-p+αi (p
式中 {αi}白噪声序列。
式 (1) 与式 (2) 形式相似, 但两者有本质区别。式 (1) 中的输入变量xji是确定性因素, 输出变量yi的统计特性由随机变量εi而来, 模型属静态;而式 (2) 中的{xi}和{xi-j}同属时间序列{xi}, 是序列中不同时刻的随机变量, 它们彼此间有一定的相互关系, 属动态模型。
模型 (2) 描述的序列{xi}是自身某一时刻与前p个时刻之间的相互关系, 当模型参数满足一定条件时, 则称其为p阶自回归模型AR (p) 。
若序列值用现在和过去时刻误差的线性组合表示, 即xi=αi-θ1αi-1-θ2αi-2--θqαi-q, 则称其为序列{xi}的滑动平均模型MA (q) , q为模型的阶次;θ1, θ2, , θq为滑动平均系数或MA模型的参数。
将MA (q) 与AR (p) 模型合并, 就可以得到如下形式的ARMA (p, q) 模型:
xi=φ1xi-1+φ2xi-2++φpxi-p+at-θ1αi-1--θqαi-q (3)
2 时间序列平稳性处理及模型平稳性判定
某随机过程{x (t) , t∈T} (T为实数集或其子集) , 如果有:
a. E|x (i) |2<∞, t∈T;
b. Ex (i) =c (常数) , t∈T;
c. γ (r, s) =γ (r+t, s+t) , r, s, t∈T。
则称该过程为平稳随机过程, 即该过程的统计特性不随时间而变化。如果随机时间序列不满足平稳性条件, 那么可以通过对时间序列的差分来获得平稳时间序列。
ARMA (p, q) 模型是AR (p) 模型和MA (q) 模型的组合, 而MA (q) 模型总是平稳的, 因此ARMA (p, q) 模型的平稳性取决于AR (p) 部分的平稳性。当AR (p) 部分平稳时, 则ARMA (p, q) 模型是平稳的, 否则该模型就不是平稳的。
考虑p阶自回归模型AR (p) :
xi=φ1xi-1+φ2xi-2++φpxi-p+αi (4)
引入滞后算子L:
则式 (1) 可变换为:
(1-φ1L1-φ2L2--φpLp) x (t) =α (t) (6)
记Φ (L) = (1-φ1L1-φ2L2--φpLp) , 则称多项式方程Φ (z) = (1-φ1z1-φ2z2--φpzp) 为AR (p) 的特征方程。
如果特征方程的所有根在单位圆外 (根的模大于1) , 则AR (p) 模型是平稳的。实际应用中可根据模型系数之和来判断, 和小于零时模型是平稳的。
3 ARMA模型的识别
ARMA模型的识别主要通过自相关函数和偏自相关函数以及它们各自的相关图 (即ACF和PACF的相对于滞后长度) 的性质判别。自相关函数定义为[1,2,3]:
undefined (7)
偏自相关函数定义为:
4 ARMA模型自回归及滑动平均阶数的确定
确定模型阶数有多种方法, 下面是3种常用的判定准则:
a. FPE准则函数, undefined;
b. AIC准则, AIC (n) =Nlnσundefined+2n;
c. BIC准则, BIC (n) =Nlnσundefined+nlnN。
以上判断准则中, σundefined可根据不同的模型计算;对ARMA模型n=p+q, 取n由小到大, 得到准则函数值序列, 从中选取最小值对应的序号作为模型的最佳阶数, 也可根据模型的自相关函数曲线和偏相关函数曲线的特性来确定模型的阶数[1]。
5 ARMA模型参数估计
通过模型识别确定时间序列分析模型的模型结构和阶数, 在此基础上对模型的参数进行估计来确定模型的具体表达方式。模型参数估计的方法较多, 大体上分为最小二乘估计、矩估计和利用自相关函数直接估计3种。在ARMA (p, q) 中共有 (p+q+1) 个待估参数φ1, φ2, , φp与θ1, θ2, , θq以及σundefined, 按矩估计法计算。
按下式估计φ1, φ2, , φp:
undefined
其中ρk是总体自相关函数的估计值, 可用样本自相关函数ρk代替。
将模型xi=φ1xi-1+φ2xi-2++φpxi-p+at-θ1αi-1--θqαi-q改写为xi- (φ1xi-1+φ2xi-2++φpxi-p) =at-θ1αi-1--θqαi-q, 令undefined, 构成一个MA模型。按照估计MA模型参数的方法, 可以得到φ1, φ2, , φp与θ1, θ2, , θq以及σundefined的估计值。
模型AR (p) 残差的平方和为:undefined, 根据最小二乘原理, 所要求的参数估计值是undefined的解, 即:
undefined
用矩阵表示则为:
undefined
y= (xp+1, xp+2, , xN) (9)
解该方程组, 就可以得到待估参数的估计值。
6 ARMA模型的汽轮机振动故障诊断与预测
取汽轮机在基频f=117Hz时, 正常、不平衡、不对中和轴弯曲4种状态下的模拟故障样本[4]:
x (t) =0.6sin (2πft)
x (t) =0.9sin (2πft) +0.05sin (22πft) +0.05sin (32πft)
x (t) =0.4sin (2πft) +0.4sin (22πft) +0.2sin (1/22πft)
x (t) =0.4sin (2πft) +0.2sin (22πft) +0.4sin (32πft)
诊断样本根据某电厂事故频谱图合成:
x (t) =65sin (2πft) +45sin (22πft) +62sin (1/22πft)
通过对4种样本信号混入不同信噪比的白噪声, 构成12个参照故障样本信号, 其中每种情况3个样本。对样本进行模型识别, 可知样本符合AR模型, 计算出的故障样本模型参数构成参考特征矩阵, 特征向量元素个数与模型阶数相同。对特征矩阵进行聚类分析求得各种特征因素的聚类中心, 设这些聚类中心的特征向量为K1, K2, , Km则标准特征向量库可表示为[2]:
Kj=[r1j, r2j, , rnj] (j=1, 2, , m)
对待诊断样本进行分析, 得到诊断样本的模型参数, 用向量表示为KT, 以待诊断样本特征向量KT与聚类中心的距离d (KT, Kj) 作为故障类型的判据[5]:
undefined
待检测样本特征向量与标准特征向量的距离d (KT, Kj) =[0.8376 0.8523 0.2471 0.7956]。
由此可知, 待检测样本特征向量与不对中故障特征向量距离最小, 可判定样本为不对中故障, 与实际结果相符[6,7] 。
7 结束语
采用统计识别法进行汽轮机的故障诊断, 以已知的ARMA 模型参数作为特征向量, 根据观测记录数据的统计结果通过聚类分析求得各种状态下的聚类中心, 建立标准特征向量库, 以待诊断样本特征向量与聚类中心的距离作为故障类型的判据, 该方法具有智能诊断的特点。模拟实验证明, 该方法能够对汽轮机的故障进行准确的诊断。
摘要：运用自回归滑动平均 (ARMA) 模型和聚类分析方法确定参考样本和故障样本的特征向量, 通过特征向量的距离识别故障类型。根据汽轮机典型故障构造模拟信号, 建立其ARMA预测模型, 通过聚类分析得出标准信号及待测信号的特征向量。经验证, 基于ARMA预测模型和聚类分析的方法能够正确识别故障类型。
关键词：汽轮机,故障,ARMA模型,时间序列,聚类分析
参考文献
[1]韩路跃, 杜行检.基于MATLAB的时间序列建模与预测[J].太阳能学报, 2008, 29 (4) :417~421.
[2]吴庚申, 梁平.基于ARMA的汽轮机转子振动故障序列的预测[J].华南理工大学学报, 2005, 33 (7) :67~73.
[3]张树京, 齐立心.时间序列分析简明教程[M].北京:清华大学出版社, 2003:67~69.
[4]梁平, 龙新峰, 吴庚申.基于ARMA及神经网络的汽轮机振动故障诊断研究[J].热能动力工程, 2007, 22 (1) :6~10.
[5]王广斌, 刘义伦, 金晓宏.基于时间序列分析的风机运行状态监测与预报及故障诊断[J].机械, 2005, 32 (1) :21~23.
[6]张海勇.非平稳信号的一种ARMA模型分析方法[J].电子与信息学报, 2002, 24 (7) :992~996.
故障预测模型 第5篇
变压器是输变电系统中重要的电力设备, 其安全运行对于电力系统的安全运行至关重要。绝缘故障是变压器运行中最常见的故障之一, 对于变压器绝缘故障的诊断尤为重要。目前常规诊断变压器绝缘故障的方法较多, 但是诊断方法本身都有一定的限制条件, 对于实时或快速进行故障诊断有一定难度, 如使用三比值法对变压器油中分解气体进行色谱分析, 并根据行业有关标准进行判断。引起变压器绝缘故障的因素较多, 故障机理较复杂, 如变压器所处环境、以往运行情况、绝缘材料构造、电气等级等都影响故障判断结果, 变压器故障判断问题是一个较多因素影响下的非线性问题, 随着计算机信息化的发展及智能计算理论的进步, 使用人工智能算法在计算机相关软件上已非常方便, 而人工智能计算对处理复杂的非线性问题, 有较好的精度和稳定性。
1 BP神经网络算法分析
人工智能算法有多种, 每种算法都有自身特点和优势, BP神经网络算法是智能算法中理论最成熟和应用最广泛的算法之一。BP神经网络算法是基于人类大脑解决问题的途径, 并利用数学计算方法来模拟这种途径的智能化算法, 它可以根据大量数据发展演化规律进行学习, 在数据发展方向上有一定的适应性。人工智能算法对于工程问题的解决类似于黑箱问题, 即在解决问题本身的思路上不考虑问题本身的复杂机理, 只是运用算法确定工程数据之间的关系, 通过确定的数据关系, 由已知数据求解未知数据, 这种数据的求解具有高精度性, 神经网络结构如图1所示。
BP神经网络算法计算核心是神经元对数据的处理, 图2为神经元的结构图, 通过多个输入的数据进入神经元, 神经元内部通过设置的权值进行数据处理, 处理后数据输出, 最后输出的数据是总的输入数据加权值处理后的总值, 然后经过活化函数处理, 输出到下一个隐含层或直接到输出层, BP神经网络计算一般使用的活化函数是S型函数[1]。
根据工程问题的特征, 确定输出层和输入层, 其实质就是数据高纬空间的映射, 然后进行权值和阀值初始化, 这些数值是随机给定的, 权值和阀值数值的变化将影响整个神经网络系统输出值的变化, 系统进行学习反馈修改权值和阀值, 最后得到判断模型的权值和阀值。输入层根据变化确定的权值和阀值对数据进行处理, 然后运用活化函数进行处理总的数据值。 数据传递到输出层, 和目标值有误差后, 进行反向传播, 其实质是调节上一轮计算过程中的权值, 使其下次的输出更接近目标值[1]。当这样重复进行向前和向后的运算, 以调节权值的变化, 使得输出值进一步接近目标值, 在计算过程中可以设置目标值和输出值之间的一个最小误差, 以期结束权值的调整, 此过程称为网络结构的学习。
2算法改进分析
如上述BP算法原理, 可知其是基于梯度下降法的算法, 对数据局部优化搜索能力较强, 但往往在样本数据不全面的情况下, 会使得模型出现局部陷入无穷小, 而全局精度较差, 影响模型外推能力。而遗传算法对全局优化搜索能力较强, 可以使用遗传算法对其权值进行全局搜索最优, 得到最优化的判断预测模型, 即进化神经网络。
使用遗传算法对网络结构参数进行优化, 目前对隐含层个数、隐含层神经元个数等参数的确定还没有较好的理论指导, 只是根据问题本身进行相关经验参数的确定, 影响算法计算效率, 可以运用遗传算法对其参数进行优化。即利用遗传算法对初始权值进行全局优化, 使得BP计算过程能够快速进行, 并且可以有效防止权值进入模型的局部最小, 影响模型判断的外推能力[2]。
3绝缘故障判断模型的建立
目前对于变压器故障诊断最常用的方法是对变压器油中气体进行分析, 根据气体成分进行故障诊断, 并且中国相关规范中有相关判断依据, 那么故障时气体成分和故障类型之间的关系就构成一个复杂非线性关系, 只要能够确定这种数据和故障之间的关系, 能够运用这种关系根据气体成分直接给出变压器诊断结果[3]。
可以收集相关变压器绝缘故障时气体所含成分的数据, 然后运用改进的BP神经网络, 即进化神经网络对数据样本进行训练学习, 以期寻找和确定出最优的气体成分和故障类型之间的关系, 然后运用所确定的关系, 通过现场数据进行未来时刻故障判断。
对于建立预测模型, 首先进行样本构造和收集。 根据实践经验, 本次模型构造5个输入量, 由于样本收集全面性的制约, 本次故障类型的学习样本收集仅限于四种故障类型, 即高温过热、围屏放电、低能放电、 低温过热, 共收集样本35组, 并在其中选择4组作为检测样本, 进行网络模型外推能力的判断。5个输入量为变压器故障时油中5种气体的含量, 而输出层为4种故障类型, 并对故障类型进行定量化处理, 根据BP神经网络计算有关经验, 本次模型的结构采用一层隐含层, 隐含层神经元的个数采用八个, 见表1。
BP神经网络初始权值的确定, 对网络算法的效率影响非常大, 运用遗传算法对初始权值进行优化, 并且在反向计算过程中权值的变化也运用遗传算法进行规划。权值遗传算法优化过程中设置其全局寻找范围为-10.0~10.0;种群数为100, 杂交概率为0.9, 变异概率为0.04;根据本次问题特征, 根据相关经验, 网络结构不进行遗传算法的优化, 网络结构参数如上述, 一个隐含层, 隐含层内设置8个神经元。有遗传算法理论可知计算关数需要使用二进制编码, 在进化过程中使用比例选择机制, 杂交和变异均为均匀设置, 另外辅助增加概率为0.3的倒置变异算子。
BP网络算法参数设置根据变压器绝缘故障判断特征, 进行参数设置, 其网络学习率为0.1, 为加快算法速度增加动量项系数, 其设置为0.4;训练终止条件运用最佳学习次数控制方法, 最大允许学习次数设为较大值。样本学习训练完毕后通过设置的检测样本进行验证模型的外推能力, 如表2所示。
由表2可知, 四个检测样本中有三个预测故障类型和实际情况相同, 根据检验样本的检测结果, 证明其诊断模型有一定的外推能力, 运用进化神经网络对变压器绝缘故障诊断的思路是可行的。
4结语
通过对BP神经网络算法的分析, 确定其对于进行变压器绝缘故障诊断是可行的, 并根据BP神经网络算法容易陷入局部小的缺点, 运用遗传算法进行改进, 提高了其算法精度和外推性。按照常规变压器诊断方法, 得到变压器中油气气体成分和故障类型之间关系数据, 运用进化神经网络对其进行学习训练, 得出它们之间的非线性关系模型, 通过检测样本对模型进行检验, 证明有一定的实用价值。今后可以收集更全面的变压器故障诊断数据样本进行学习训练, 可以得到外推能力较强的诊断模型。
参考文献
[1]焦李成.神经网络计算[M].西安:西安电子科技大学出版社, 1993.
[2]云庆夏, 黄光球, 王战权.遗传算法和遗传规划[M].北京:冶金工业出版社, 1997.
故障预测模型 第6篇
关键词：配网,故障,预测,支持向量机,SVM
近年来社会公众对供电企业供电服务的要求和期望越来越高,电力保障水平和供电服务水平更是广大人民群众最关心的问题。配网抢修业务是体现供电企业服务水平的重要环节,准确的配网故障预测,为超前配置抢修资源、科学开展抢修工作提供了有力依据,在目前供电企业抢修压力普遍较大的情况下,具有重要意义。
目前,国内外对于配网故障方面的研究较少,主要在故障定位[1]、抢修任务分配[2]、抢修流程优化[3]等方面,文献[4]提出了一种基于气象因素和时间序列分析的配电网故障数量预测模型,时间序列模型是一种典型的时序分析方法,其特点就是重点考虑故障的时序相关性,该方法将气象信息以附加模型的方式加入建模,在一定程度上弥补了单纯时间序列方法的不足。
本文提出了一种基于支持向量回归和统计分析方法的配网故障分区预测模型,支持向量回归是不同于传统时间序列模型的新一代智能算法,随着电网采集和监控技术的发展,更多的配网数据可以被收集利用,采用智能算法可以更好地挖掘数据之间的相关性,发现隐含信息,从而更好地实现配网故障的精准预测。
1 支持向量回归模型简介
支持向量机是由Vapnik及其领导的贝尔实验室提出的一种机器学习技术,在很多应用领域中获得目前为止最好的性能。故障预测领域用到的主要是支持向量回归模型。下面简要介绍一下本文用到的ε-支持向量回归模型原理。
对于(1)式的最小化求解问题,可以将其等价为如下优化问题:
由Lagrange理论,(2)式所描述的问题可化为如下对偶问题:
根据(2)问题化为Lagrange问题时需要满足的KKT条件,可以计算得到b,进而可以得到回归拟合函数:
支持向量回归是基于结构风险最小化的,而不是传统意义上的经验风险最小化,在样本不多的情况下仍旧可以保证较好的预测能力,目前被广泛应用于各种类型的预测之中并取得了良好效果。
2 城市配网分区预测模型
模型以支持向量回归算法为核心,将预测日之前一段时期的故障、天气数据作为训练样本,以预测日前2日的故障情况和当日预测天气数据为输入,获得预测日的故障数量预测值。
将预测范围划分为若干个区域,基于历史数据进行统计分析,得出每个区域发生故障数量和类型概率,并将其与总体预测故障数量相结合,即可以得出每个区域发生的故障数量、类型预测值,为抢修计划安排与驻点优化提供有力支撑。
2.1 回归参数选择
支持向量回归的参数选择问题,主要就是核函数K(x,y)及其参数、惩罚因子C的选择问题。核函数K(x,y)的选择没有固定依据,但为了更好地模拟样本非线性,应把样本向量尽量映射到非线性空间中,一般都采用非线性的核函数如多项式核和RBF核。
核函数参数和惩罚因子的选择可通过交叉验证法(Cross-Validation)、引导指令法(Bootstraping)和贝叶斯方法(Bayesian)等;本文采用了文献[8]介绍的网格搜索法(Grid Search)网格搜索法看似简单,但却是简洁实用的方法,其优点是可以保证收敛性和局部优解且寻参时间短。当然,网格搜索范围和步长选择的好坏也直接影响着搜索结果的优劣。
2.2 基于统计分析的分区预测
使用标准网格或其他分区方法将预测配网范围划分为A个区,根据历史故障数据统计可得一段时期内该范围中总故障量为F,第i个分区内的第j类故障数量为Bij(i∈[1,A];j∈[1,R],R为故障类型总数),则第i个分区内的故障发生频率Pi(x)为:
第i个分区内第j类故障发生的频率fij(x)为:
其中λiλij为实际根据区内设备更新状况引入的人工调整系数。这样,就可以将预测故障量具体到分区范围,为配网抢修工作计划提供更
多参考依据。
2.3 预测模型完整流程
基于支持向量回归和统计分析的配网故障分区预测模型整体流程如下所示:
3 算例分析
将基于支持向量回归和统计分析的配网故障分区预测模型应用于华北某市配网算例中,以验证该模型的有效性。输入选择预测前两日故障数量、预测日最高温度、预测日降水状况、预测日风力等输入数据。模型训练样本选择预测日前30日的相应输入值作为历史样本,输出值作为检验目标值。
本文采用华北某市电网2016年5月1日~6月10日共41组数据进行算例分析。其中采用5月1日至5月31日31组数据作为初始训练样本,对6月1日至6月10日10个工作日的数据进行模拟预测,以检验预测精度。算例的核函数采用多项式核,网格搜索法搜索范围为,经搜索,确定参数值分别为、核函数参数g=0.25。以此为基础预测10天的故障总量值如表1:
可以看出,预测准确率在94%以上,总体预测值具有良好效果。将城市划分为9个区域,以6月2日为例,可得9个区域的预测值如表2所示:
由上表可知,分区预测的最大误差绝对值为2,误差量很低,进一步证明了模型预测的效果。
4 结语
本文采用支持向量回归和统计分析结合的方法对城市配网故障进行了分区预测,并结合灵敏度分析、参数选择等方法对模型进行了进一步优化,给出了预测模型建模的完整流程,经算例检验模型具有较强的实用性和可操作性。随着今后数据采集技术的不断提升,数据维度和精度的不断提高,该方法可以将更多维的数据进一步纳入输入输出空间,不断提升预测精度,对配网抢修工作进行更大的支撑。
参考文献
[1]翁蓝天,刘开培,刘晓莉等.复杂配电网故障定位的链表法[J].电工技术学报,2009,24(5):190-196.
[2]杨丽君,张晶,程慧琳等.基于最优效用的配电网多故障抢修任务分配策略[J].电工技术学报,2014,29(6):263-270,289.
[3]周元祺,陈志樑,张麟等.利用故障抢修管理系统优化配电网故障抢修流程[J].供用电,2012,29(3):51-54.
[4]张鹏飞,瞿海妮,肖其师等.基于气象因素和时间序列分析的配电网故障数量预测[J].陕西电力,2016,44(1):68-72.
[5]Nello Cristianini,John Shawe-Taylor,支持向量机导论(中文版),北京:电子工业出版社.
[6]李元诚,方廷健,于尔铿.短期负荷预测的支持向量机研究,中国电机工程学报,2003,23(6):55~59.
[7]Dug Hun Hong,Changha Hwang.Support vector fuzzy regression machines,Fuzzy Sets and Systems,2003,138:271~281.
故障预测模型 第7篇
关键词：变压器,故障预测,GM(1,m),GM(1,1),故障
0 引 言
目前变压器故障预测大部分基于变压器油中溶解气体分析(DGA)技术,其为一种非破坏性、廉价、有效的变压器绝缘状况的诊断技术得到了广泛的应用。基于DGA技术的变压器故障预测方法主要有回归分析预测、灰色预测、神经网络预测等模型。其中, 回归分析预测模型简单、易实现, 但预测精度相对较低;神经网络预测模型需要大量的样本进行训练,实现较为困难。
在灰色模型应用变压器故障预测领域已经有不少的研究成果[1,2,3]。本文对传统的GM(1,m)模型进行改进,针对变压器的七种特征气体体积分数进行了预测,经验证,其预测精度明显高于传统的GM(1,7)模型和GM(1,1)模型。
1 改进的GM(1,m)预测模型
1.1 数据生成
在实际的应用中,因各种因素的影响,所采集的原始数据序列一般具有一定的波动性,传统GM(1,m)模型对于处理波动性质序列有一定的局限性。为预测具有波动性质的原始数据序列,将原始数据序列进行处理,使序列能满足模型对光滑性的要求。
设原始数据矩阵X(0)={X
对序列X
其中i=1,2,,n。
X
Y
1.2 GM(1,m)模型变量的灰关联度
通过灰关联度分析可以明确各个变量之间的关系[3]。将X
ξi(k)=
为序列x0与xi在k点的灰色关联系数,ρ=0.5,序列与参考序列的灰关联度为:
若ri≥0.5就可以认为子母序列间有关联。
1.3 GM(1,m)预测模型背景值的优化
改善模型背景值的构造方法可以提高模型的预测精度,参考文献[4]对模型的背景值优化。
设原始数据矩阵X(0)=﹛X
最后得到:
1.4 优化后的背景值建模
文献[5]对模型进行背景值优化以后的建模,由于优化以后的灰色微分方程为:
其中:
j=1,2,, m, k=2,3,, n,l=1,2,, m,
参数列为
其中:
则式(6)的时间响应式为:
还原式为:
2 预测模型的精度检验
2.1 平均残差
一般通过精度检验衡量预测模型合理、可信程度,在灰色理论中常见的精度检验方法是残差检验。
设原始数据数列为X(0) =(x(0)(1), x(0) (2), ,x(0) (n)),相应的模型模拟序列为:
称:
为灰色模型的残差。残差序列为
ε(0)=(ε(0)(1),ε(0)(2),,ε(0)(n))
平均残差为:
2.2 后验相对误差
后验相对误差为模型预测数据和实际数据的平均相对误差,即:
其中yi为检验实际值,
3 改进GM(1,m)模型故障预测实例
3.1 故障预测
用改进GM(1,7)模型对多台变压器油色谱数据分析,验证改进GM(1,7)算法在某些指标上优于GM(1,1)和传统GM(1,7)。下面给出预测实例。预测之前,先对原始数据序列进行归一化处理,以减小各种气体量级之间的差异对预测结果产生影响。
实例 太原供电公司某220 kV变电站1号主变在2009年10月18日至10月23日油色谱在线监测装置监测的油色谱数据如表1所示。油色谱数据均为夜间20点左右的监测数据。为了验证改进的多变量GM(1,7)模型的预测有效性,用原始数据序列的前5个数据来建模,即m=5,剩余的数据来验证其预测算法的有效性。
计算七种气体的灰关联度,见表2。由于灰色关联系数都大于0.5,认为气体之间存在着一种耦合关系。
把10月18日到22日的前5组油色谱数据用于改进的GM(1,7)模型建模,所得结果见表3。前5个数据为模拟值,最后1个数据为10月23日的预测值。
分别建立文献[1]提出的GM(1,7) 模型和文献[3]提出的GM(1,1)模型,预测结果如表4和表5所示。
3.2 精度检验
分别计算各预测模型ε和δ,具体数值见表6。通过比较知,改进GM(1,7)模型δ明显小于其他预测模型,其预测能力强于另外两个预测模型。
4 结束语
提出一种变压器油中溶解气体体积分数的预测的改进GM(1,7)预测模型,且得到以下结论:
(1) 将传统GM(1,7)预测模型的原始数据序列变换,使其原始数据序列具有更好的指数性质,满足模型对序列光滑性的要求,能够进行波动序列的预测。
(2) 引进背景值优化的构造方法,提高了模型的预测精度。
(3) 通过实例验证,改进GM(1,7)模型的平均残差ε%后验相对误差δ%小于其他灰色预测模型,表明了该模型的有效性和优越性。
参考文献
[1]罗运柏.用灰色模型预测变压器油中溶解气体的含量[J].中国电机工程学报,2001,21(3):65-69.
[2]孙才新,毕为民.灰色预测参数模型新模式及其在电气绝缘故障预测中的应用[J].控制理论与应用,2003,20(5):797-801.
[3]肖燕彩,朱衡君,陈秀海.用灰色多变量模型预测变压器油中溶解的气体浓度[J].电力系统自动化,2006,30(13):64-67.
[4]翟军,盛建明,冯英浚.MGM(1,n)灰色模型及应用[J].系统工程理论与实践,1997,17(5):110-114.
故障预测模型 第8篇
关键词：电力电子电路,故障预测,特征性能参数,粒子群非齐次灰色模型
0引言
随着电力电子技术的进步,电力电子装置得到快速的发展并广泛应用于人们的生活、传统工业和高新技术产业等领域。电力电子装置一旦发生故障,小则造成电器产品损坏、交通阻塞、工矿企业停产,大则会威胁人民生命、财产安全,造成重大的人员伤亡和灾难事故[1]。对电力电子装置进行故障预测可以有效监测系统故障状况及故障发展趋势,实现对系统的事先维修,避免重大事故的发生, 因此电力电子装置的故障预测技术对提高整个系统的安全性和可靠性具有十分重要的意义。
目前无人机、雷达系统等健康预测研究比较热,机载电子设备故障预测技术研究也逐步受到重视。现有故障预测算法种类繁多,其中包括: 贝叶斯估计、曲线拟合法自回归滑动平均模型ARMA( auto - regressive moving - aver- age) 模型[2,3]、人工神经网络ANN ( artificial neural net- works)[4]、蚁群算法ACO( ant colony optimization)[5,6]、支持向量机SVM( support vector machines)[7]、灰色系统GM ( grey model)[8]、遗传算法GA( genetic algorithms)[9]、粒子滤波PF( particle filter)[10]等智能处理算法。时间序列预测方法对序列变化比较均匀的短期预测情况较为理想,优点是所需历史数据少、工作量少,但该方法在非线性预测中预测效果较差。神经网络方法在非线性领域中得到广泛的应用,但该方法存在容易陷入局部最优、收敛速度慢等缺点。灰色系统以“部分信息已知,部分信息未知”的 “小样本”、“贫信息”不确定系统为研究对象,通过对部分已知信息的开发,提取数据内部隐含的系统特征,实现对系统运行规律的正确认识,在故障预测领域具有很好的发展前景[11]。
现针对电力电子电路级故障预测,提出了粒子群非齐次灰色系统模型PSO - NGM( particle swarm optimization non - homogenous grey model) 的电力电子电路故障预测新方法,其基本思想为: 优选电路级故障特征性能参数,利用PSO - NGM模型预测所选特征性能参数,实现电力电子电路的故障预测。
1电力电子电路故障预测方法
1. 1特征性能参数提取
要实现电力电子电路的故障预测,首先必须优选合适的电路故障性能特征参数。对于不同的电路,需要根据电路的功能和结构特点,确定能够反映电路健康状态的特征性能参数。以图1所示非理想情况下的Buck - Boost电路为例,分析电力电子电路故障特征性能参数提取过程。
在图1中,对Buck - Boost电路的特性分析假设: 1) 不计功率开关管的寄生电容,设其导通电阻为Ron,关断电阻为无穷大; 2) 二极管结电容影响不计,正向压降为VF, 正向导通电阻为RF,关断电阻无穷大; 3) 忽略电感寄生电容的影响,其等效串联电阻为RL; 4) 电容等效串联电阻为ESR。
a) 特征性能参数的选择
Buck - Boost电路的功能是实现DC - DC的升降压转换。由于有充放电过程,其输出电压并不是理想的直流电压,而是有一定的波动。一般Buck - Boost电路输出电压的直流值、纹波值都在一定波动范围内,才能满足电路输出要求。因此,Buck - Boost电路输出电压是否满足要求是其电路性能最重要的衡量标准。据此分析,可监测电路输出电压,提取输出平均电压及纹波电压作为电路故障特征性能参数,对电路的健康状态进行评估。
b) 特征性能参数的计算
1) 输出电压平均值。根据均值定理,以稳态时电路输出电压uo为监测变量,进行采样,得到电压波形数据, 由式( 1) 可求得输出电压平均值Uo,其中: N为采样点数, uo( i) 为电路输出电压的第i个采样点。
2) 纹波电压。纹波电压是指输出电压的交流分量, 可以用有效值或峰值表示。选择峰- 峰值表示纹波的大小。监测稳态时电路输出电压,得到输出电压的波形数据,提取其最大、最小值,两者之差即为纹波电压的峰- 峰值△u。
1. 2PSO - NGM预测模型
灰色预测的思想是原始序列累加后符合指数光滑序列趋势,而很多实际数据并不满足这个标准。由于非齐次方程y = ax2+ bx + c可通过适当的选取系数去拟合类似单一直线,二次曲线、抛物线等曲线形式。因此将指数方程与二次方程结合去拟合累加生成后的序列就可以去拟合所有二次方程和指数方程组成的曲线形式。根据该思路，将累加序列的拟合方程式表示为:
其中: v,C1,C2,C3,C4为待定系数。
1) 初始化过程
包括粒子群的个数; 最大迭代次数; 最大权值; 最小权值; 最大速度; 粒子初始位置和初始速度的设置。这里粒子即待估参数v。
2) 数据累加过程
记原始数据序列X( 0)为非负序列:
待预测的第n + 1期,第n + 2期,…的值为: x( 0)( n + 1) ,x( 0)( n + 2) ,…
原始数据进行1 - AGO ( 一次累加) 生成的序列为X( 1):
3) 参数C1,C2,C3,C4的求解过程
得到最优粒子 v 的值后，令:
应用最小二乘法可求得参数C1,C2,C3,C4的估计值:
4) 数据还原过程
将计算得到的v,C1,C2,C3,C4带入式( 2) ,通过累减还原得到原始数据序列的预测值为:
5) 粒子速度和位置更新过程
适应度函数选取训练数据模拟值与实际值的误差和, 每次循环对所有粒子得到的误差和比较,求取全局最优粒子和最小误差和,结合下式修改粒子的速度和位置:
式中: pbestij,gbestj分别代表叠代过程中找到的粒子最优解和种群最优解,rand( ) 是( 0,1) 范围内的随机数; c1,c2为粒子加速度常数; w表示惯性权重。在PSO迭代过程中w值一般根据不同时刻粒子的情况进行动态调整。 一般取:
其中,wmax、wmin分别为最大、最小惯性权重; tmax为最大迭代次数。
1. 3电力电子电路故障预测
确定电路故障特征性能参数,获得历史及当前时刻故障特征性能参数数据,利用PSO - NGM预测算法对该数据进行建模,获得故障特征性能参数变化趋势模型,预测未来时刻故障特征性能参数值,对该值进行分析便可实现对电力电子电路的故障预测。
电力电子电路进行故障预测实现流程如图2所示。
具体步骤为:
1) 根据电路各元器件缓变型故障,设定器件参数随时间的变化趋势。时间点间隔选取依据电路实际工作环境( 温度、振动等) 的恶劣程度确定,可以为间隔1 h,5 h, 24 h等;
2) 选取某时刻各元器件参数值设置电路进行仿真;
3) 选取电路适当的监测信号,如电路中某电压、电流等信号,监测并获取该监测信号的波形数据;
4) 根据监测信号与故障特征性能参数之间的关系, 计算电路故障特征性能参数;
5) 重复上述过程,获取若干历史时刻点电路故障特征性能参数值,作为PSO - NGM预测模型的训练样本;
6) 利用PSO - NGM模型对未来时刻电路故障特征性能参数进行预测;
7) 对电路故障特征性能参数预测结果进行分析,实现电力电子电路的故障预测。
2故障预测实例及实验结果分析
以图1所示Buck - Boost电路为例,首先,根据各元器件在不同时刻的参数值逐次设置电路,使用Pspice软件动态仿真,选择电路的输出电压uo作为监测信号并获取稳态时的波形数据; 然后,在Matlab7.6环境下编程计算各时刻对应输出电压平均值及纹波值作为电路的故障特征性能参数数据; 最后,应用PSO - NGM模型对输出电压进行预测,将预测值与故障阀值比较,从而预测Buck - Boost电路未来某一时刻是否会发生故障。故障预测流程如图3所示。
2. 1Buck - Boost电路元器件参数变化及特征参数数据分析
根据各元器件参数的缓变故障及其变化趋势,设定电路各元器件参数( 包括电解电容器C和ESR、电感值L、电感内阻RL、功率MOSFET导通电阻Ron、二极管内阻RF) 随时间变化如表1所示,时间间隔为5 h。
根据表1所列元器件参数,设置Buck - Boost电路,监测输出电压,利用输出电压波形数据及前文所提计算方法得到各时刻电路的输出平均电压及纹波电压如表2所示。
v
2. 2 PSO - NGM预测结果及故障分析
1) 特征性能参数预测结果
选择表2中1到9个时刻点为训练样本,对PSO - NGM模型进行训练,然后对未来6个时刻点输出电压进行预测。
表3给出了各点预测结果及相对误差。由表3中数据可知,利用PSO - NGM模型对Buck - Boost电路输出平均电压和纹波输出纹波电压预测相对误差较小,而且适合中长期预测。图4和图5展示了应用PSO - NGM模型与GM模型对输出电压均值和纹波值的对比效果图。
2) Buck - Boost电路故障预测
选择输出平均电压和纹波电压作为Buck - Boost电路的特征性能参数,若能确定电路发生故障时特征参数的阀值, 根据此值,便可对任何时刻电路的健康状态情况进行评估。
通过对电路元器件参数及工作温度对电路输出的影响分析,设定当输出电压平均值偏离理想输出电压0. 4 V或输出电压纹波值> 0. 3 V时,电路性能不能满足负载需求,即认定电路发生故障。本电路正常工作输出平均电压为-5. 838 1 V,纹波值0. 137 2 V,由表3中PSO - NGM模型对电路未来6个时刻点的输出电压预测结果看出,该模型能够成功预测在未来第5个时刻之后电压均值和纹波值不满足要求,与实际情况一致。从图4和图5可以看出原始的GM模型并不能完成对电路输出电压故障的预测。
3结论
故障预测模型 第9篇
随着经济的发展, 与现代经济发展和社会体制变化相适应的综合交通运输体系急需建立。目前我国交通运输业面临的最主要矛盾是运输能力无法满足的日益增长的运输需求, 而科学的客运量预测结果是加快交通运输建设以及增加交通运输投资的决策依据。
交通运输业的发展程度反映了一国经济发展水平, 而客运量是反映运输业发展程度的指标。对客运量进行科学的预测是制定合理决策的必要条件, 对交通建设的投资规模和运输行业日常管理规划的决策都取决于客运量预测的结果。
本文以四种不同运输方式的客运量为依据, 使用回归模型和灰色系统预测模型进行客运量预测。为降低误差, 在回归模型中用拟合优度检验R Square作为检验标准, 预测出未来五年公路的客运量, 而在灰色系统预测模型中, 以平均相对误差作为检验标准, 得到铁路、水运和民航的客运量预测值, 从而取得完整的预测结果。
2陕西省交通运输行业现状
陕西省交通运输基础设施规模逐年增大, 其中高速公路里程数在全国处于第九位, 达到16.5万公里, 农村公路也实现村村通达。在公路运输方面, 截止2015年全省已经3个综合性公路交通枢纽和1010个等级客运站、39个货运站。铁路方面, 已经投入使用西安火车站和西安北站两个大型铁路枢纽。航空运输包括西安咸阳国际机场和榆林机场、延安机场、汉中机场等民用机场。
尽管如此, 运力仍然无法满足运输需求, 尤其在节假日高峰期, 运力的限制成为制约陕西省经济发展的重要因素。
2014年, 全省运输系统共发送旅客77220万人, 其中铁路、公路、民航和水运分别占总发送量的9.09%、86.4%、4%、0.51%, 2015年, 全省运输系统共发送旅客95250万人, 公路水路共发送旅客66720万人, 旅客周转量3390243万人公里, 其中铁路、公路、民航和水运分别占总发送量的12.1%、83.5%、4.1%、0.3%。
3客运运输方式概况
通常情况下, 客运运输方式一般有铁路、公路、水运和航空四种。不同的运输工具由于其速度、舒适度、安全性等技术经济特性都不同, 旅客出行时会结合自身的经济条件 (如收入水平) 和出行要求, 从中选择合适的交通工具。
3.1铁路运输。铁路运输是使用列车运送旅客, 它运行速度快, 运输能力大, 是公路、水路和航空所无法比拟的。并且铁路运输受自然环境影响小, 通用性高。除此以外, 在同等距离内铁路的运输成本也相对较低。
3.2公路运输。公路运输主要是在公路使用汽车运输旅客的一种交通方式。由于公路运输灵活性极强, 可以实现点到点的运输。Á公路建设投资成本相对较低, 修建容易, 对铁路形成了强力补充, 除了在短途运输中灵活性和便捷性较为突出, 在长途运输中高能力和低成本也不容忽视。
3.3水运。水运是使用船舶运送旅客, 它的运输能力较大, 通用性较好, 既可以运输旅客又可以运输货物, 水运建设项目成本低、投资少, 可以直接利用自然江海湖泊, 只需投入建造船舶和港口的资金即可。
3.4民航运输。航空运输是使用飞机进行运输, 它的运行速度快, 经济成本高, 航空运输可以不受地面环境影响, 随着人口增加, 地面运输方式越来越拥堵, 航空运输就表现出了突出的优越性。
4客运量预测
综合以上分析, 影响客运量的主要因素有外部经济环境、人们的出行偏好、市场内部的供给、阻抗因素如不同运输方式的竞争等。在这些因素中, 我们认为经济的增长速度对客运量的影响是最为重要的因素。在对客运量进行预测时, 我们首先假定:除GDP增长对客运量的影响外、其他因素均未发生变化。
4.1基于回归模型的客运量预测。回归模型如式1所示:
其中, α, β为模型的两个参数。不同运输方式, 由于其运输量的历史数据不同, 拟合观察数据所得的参数α, β是不同的, 从而模型的具体形式也就不同。利用陕西省历年GDP和运输量历史数据 (表1) 求得线性回归预测模型, 如表2所示。仅有公路可以通过回归模型的拟合优度系数检验, 因此陕西省2016~2020年期间公路客运量预测数据如表3。
4.2基于灰色系统预测模型GM (1, 1) 的客运量预测。灰色系统预测模型GM (1, 1) 的基本形式为:
其中a, b为灰色系统预测模型的参数, 不同的运输方式, 由于其X (0) 不同, X (1) 和Z (1) 也不同, 从而参数a, b的数值也就不同, 即模型的具体形式不同。求得灰色系统预测模型如表4所示。
因此, 铁路、水运、民航通过GM模型的平均相对误差检验, 陕西省2016~2020年铁路、水运和民航客运量预测数据如表5所示。
综合可得陕西省2016~2020年客运量预测数据如表4-6所示。
5结论
在一定的交通运输体系下, 客运量是国民经济发展对交通客运需求的一个客观反映指标, 客运量预测的准确性是运营管理部门合理决策的基础, 也是运输行业管理规划的重要组成部分。在预测中, 本文的创新点在于运用回归模型和灰色系统预测模型对陕西省各种运输方式的客运量进行预测, 利用原始数据, 综合二者预测的结果, 避免了单一预测方法的局限性, 提高了准确度, 减小了误差, 使预测结果更准确, 为交通运输业建设投资规模的决策提供数据支持。近年来我省交通运输业发展迅猛, 在建项目和计划中的项目很多, 准确的运输量预测对交通运输项目建设起着举足轻重的作用。
摘要：科学合理的交通运输量预测是进行交通规划和管理的主要依据。本文先介绍陕西省交通运输行业的现状和各种客运运输方式的概况, 在此基础上采取定量分析的方法, 以陕西省近年各种运输方式的客运量数据作为实例, 采用回归模型和灰色系统预测模型对陕西省之后五年 (即20162020年) 的客运量进行预测, 通过准确的客运量预测, 为陕西省交通运输业的发展提供参考和依据。
关键词：交通运输经济,客运量预测,回归模型,灰色预测模型,客运量
参考文献
[1]侯丽敏, 马国峰.基于灰色线性回归组合模型铁路客运量预测[J].计算机仿真, 2011, 28 (7) .
[2]谢小山.基于遗传算法和BP神经网络的铁路客运量预测研究研究[D].西南交通大学, 2010, 3.
[3]张桥艳, 熊越强.航线客运量影响因素分析及预测[J].桂林航天工业学院学报, 2012 (4) .
[4]金琰.成绵峨城际客运专线客运量预测研究[D].西南交通大学, 2007, 11.
故障预测模型范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
