本發(fā)明屬配電網(wǎng)環(huán)網(wǎng)柜在線監(jiān)測(cè)技術(shù)領(lǐng)域，特別涉及基于鄰域保持嵌入回歸算法的環(huán)網(wǎng)柜線芯溫度軟測(cè)量方法。

背景技術(shù)：
：

由于實(shí)際的環(huán)境條件、技術(shù)困難、分析儀器成本和測(cè)量時(shí)間延遲限制，配電網(wǎng)環(huán)網(wǎng)柜存在很多無(wú)法或者難以用傳感器直接測(cè)量的變量，如環(huán)網(wǎng)柜的線芯溫度。而這些變量對(duì)于監(jiān)控環(huán)網(wǎng)柜的運(yùn)行狀況與實(shí)時(shí)控制，起著至關(guān)重要的作用。線芯溫度是監(jiān)測(cè)環(huán)網(wǎng)柜運(yùn)行狀況，避免故障和火災(zāi)發(fā)生的重要參數(shù)。雖然該變量能通過(guò)在線分析傳感器進(jìn)行測(cè)量，但是此類傳感器較難在環(huán)網(wǎng)柜中進(jìn)行安裝，而且安裝后存在隱患，易產(chǎn)生故障。現(xiàn)有的對(duì)線芯溫度直接測(cè)量的傳感技術(shù)，大都只針對(duì)特定的電力系統(tǒng)應(yīng)用，并未在整個(gè)電力系統(tǒng)中普及。因此，電網(wǎng)配電網(wǎng)中的配電網(wǎng)總進(jìn)線一般采用直接利用傳感器測(cè)量，而對(duì)于備用總進(jìn)線和多個(gè)環(huán)網(wǎng)柜系統(tǒng)采用間接的方法進(jìn)行測(cè)量。

軟測(cè)量是一種通過(guò)建立過(guò)程變量之間的數(shù)學(xué)模型，對(duì)難以測(cè)量或者不能直接測(cè)量的重要變量，選擇另外一些容易測(cè)量的變量，實(shí)現(xiàn)利用可測(cè)量變量預(yù)測(cè)難測(cè)量變量信息的技術(shù)方法。因此，利用軟測(cè)量技術(shù)對(duì)環(huán)網(wǎng)柜線芯溫度進(jìn)行間接測(cè)量，不但經(jīng)濟(jì)可靠，而且響應(yīng)迅速，易于達(dá)到在線監(jiān)測(cè)的目的。

在現(xiàn)實(shí)的環(huán)網(wǎng)柜，由于工況過(guò)程經(jīng)常變化，過(guò)程數(shù)據(jù)往往存在強(qiáng)非線性關(guān)系，傳統(tǒng)的非線性建模技術(shù)如：人工神經(jīng)網(wǎng)絡(luò)(ANN)，支持向量回歸(SVR)。但上述算法大多是利用數(shù)據(jù)的全局結(jié)構(gòu)信息，對(duì)不同空間位置的數(shù)據(jù)進(jìn)行等同處理，同時(shí)核函數(shù)方法也不能顯式考慮過(guò)程中的非線性結(jié)構(gòu)。一般情況下，不同的局部區(qū)域有不同的特性，因此利用數(shù)據(jù)局部關(guān)系模型更適合于對(duì)非線性數(shù)據(jù)進(jìn)行特征分析。

本發(fā)明提出了基于數(shù)據(jù)局部特征，利用鄰域保持嵌入算法建立回歸模型應(yīng)用于環(huán)網(wǎng)柜線芯溫度軟測(cè)量建模。復(fù)雜數(shù)據(jù)的局部特征往往表現(xiàn)為非線性，因此本發(fā)明在利用數(shù)據(jù)局部特征關(guān)系模型，實(shí)現(xiàn)數(shù)據(jù)特征提取和維度約簡(jiǎn)的同時(shí)，確立了環(huán)網(wǎng)柜監(jiān)測(cè)變量(電纜表面溫度、環(huán)網(wǎng)柜溫度、濕度、線芯電流)和預(yù)測(cè)變量(線芯溫度)間的相關(guān)關(guān)系?；谠摼€性回歸關(guān)系模型，解決了環(huán)網(wǎng)柜線芯溫度這一關(guān)鍵變量難以測(cè)量的問(wèn)題，進(jìn)而提高了環(huán)網(wǎng)柜設(shè)備在線監(jiān)測(cè)與故障定位方面的準(zhǔn)確性和易操作性。

技術(shù)實(shí)現(xiàn)要素：
：

本發(fā)明的目的在于針對(duì)環(huán)網(wǎng)柜線芯溫度難以測(cè)量的問(wèn)題，提出基于鄰域保持嵌入回歸建模的軟測(cè)量方法。

本發(fā)明所采用的技術(shù)方案是：首先基于鄰域保持嵌入算法局部特征提取的策略，建立以環(huán)網(wǎng)柜的柜內(nèi)溫度、濕度、線芯電流、電纜表面溫度為輸入量，以環(huán)網(wǎng)柜內(nèi)電纜的線芯溫度為輸出量的回歸優(yōu)化函數(shù)，使得輸入數(shù)據(jù)和輸出數(shù)據(jù)在局部特征保留的同時(shí)，獲取數(shù)據(jù)間的最大相關(guān)關(guān)系；然后基于數(shù)據(jù)低維潛變量獲取構(gòu)建數(shù)據(jù)回歸的輸入和輸出特征，建立線芯溫度的軟測(cè)量模型；基于鄰域保持嵌入回歸算法的環(huán)網(wǎng)柜線芯溫度軟測(cè)量方法具體的特征步驟如下：

步驟1：采集環(huán)網(wǎng)柜正常運(yùn)行的柜內(nèi)溫度、濕度、電纜表面溫度和線芯電流測(cè)量數(shù)據(jù)，作為軟測(cè)量模型輸入樣本集X∈R^D×n，其中D為測(cè)量數(shù)據(jù)的維度，n為訓(xùn)練數(shù)據(jù)的樣本個(gè)數(shù)；并把采集的數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)；

步驟2：采集環(huán)網(wǎng)柜正常運(yùn)行的線芯溫度測(cè)量數(shù)據(jù)，作為軟測(cè)量模型輸出樣本集Y∈Rⁿ，其中n為訓(xùn)練數(shù)據(jù)的樣本個(gè)數(shù)；并把采集的數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)；

步驟3：對(duì)歷史數(shù)據(jù)庫(kù)中的訓(xùn)練樣本數(shù)據(jù)進(jìn)行歸一化，使得輸入輸出樣本的均值為0，方差為1；并去除野值點(diǎn)和誤差較大的點(diǎn)，得到新的數(shù)據(jù)樣本矩陣

步驟4：針對(duì)預(yù)處理后的輸入和輸出樣本數(shù)據(jù)，建立基于鄰域保持嵌入回歸模型，并將回歸模型的相應(yīng)參數(shù)存入歷史數(shù)據(jù)庫(kù)中；

步驟5：針對(duì)環(huán)網(wǎng)柜新采集的柜內(nèi)溫度、濕度、電纜表面溫度和線芯電流的在線測(cè)量數(shù)據(jù)X_new，首先對(duì)其進(jìn)行預(yù)處理，結(jié)合歷史數(shù)據(jù)庫(kù)中已有的模型參數(shù)對(duì)線芯溫度的軟測(cè)量估計(jì)值y_new進(jìn)行估計(jì)。

2、根據(jù)權(quán)利要求1所述的基于鄰域保持嵌入回歸算法的環(huán)網(wǎng)柜線芯溫度軟測(cè)量方法，其特征在于所述步驟4包括以下實(shí)現(xiàn)過(guò)程：

步驟4.1：將預(yù)處理后的輸入過(guò)程變量作為軟測(cè)量模型輸入，實(shí)施NPE運(yùn)算，實(shí)現(xiàn)數(shù)據(jù)降維，得到低維映射T和投影矩陣A，存入歷史數(shù)據(jù)庫(kù)；

步驟4.2：將線芯溫度數(shù)據(jù)作為軟測(cè)量模型輸出，實(shí)施NPE運(yùn)算，實(shí)現(xiàn)數(shù)據(jù)降維，得到低維映射U和投影矩陣A′，存入歷史數(shù)據(jù)庫(kù)；

步驟4.3：分別利用步驟4.1中得到的低維映射T和步驟4.2中得到的低維映射U代替原始輸入輸出變量，根據(jù)T和U的相關(guān)度應(yīng)達(dá)到最大值的目標(biāo)函數(shù)，綜合步驟4.1和4.2的目標(biāo)函數(shù)，建立線性回歸方程，構(gòu)建輸入和輸出數(shù)據(jù)的相關(guān)關(guān)系；

步驟4.4：根據(jù)步驟4.3中建立的線性回歸方程得出回歸模型參數(shù)B，存入歷史數(shù)據(jù)庫(kù)。

3、根據(jù)權(quán)利要求1所述的基于鄰域保持嵌入回歸算法的環(huán)網(wǎng)柜線芯溫度軟測(cè)量方法，其特征在于所述步驟5包括以下實(shí)現(xiàn)過(guò)程：

步驟5.1：對(duì)新采集的新數(shù)據(jù)X_new∈R^D×n進(jìn)行預(yù)處理；

步驟5.2：結(jié)合步驟5.1中預(yù)處理后的數(shù)據(jù)和歷史數(shù)據(jù)庫(kù)中的變換矩陣A進(jìn)行降維運(yùn)算，得到低維映射T_new；

步驟5.3：結(jié)合步驟5.2中降維后的數(shù)據(jù)T_new和歷史數(shù)據(jù)庫(kù)中的回歸模型參數(shù)B，得到線芯溫度估計(jì)值的低維映射U_new；

步驟5.4：結(jié)合步驟5.3中得到的線芯溫度估計(jì)值的低維映射U_new和歷史數(shù)據(jù)庫(kù)中的回歸模型參數(shù)B與轉(zhuǎn)移矩陣A′，即得到線芯溫度的估計(jì)值y_new。

本發(fā)明的有益效果在于：

本發(fā)明提出的基于鄰域保持嵌入回歸建模，建立了環(huán)網(wǎng)柜柜內(nèi)溫度、濕度、電纜表面溫度、線芯電流與難以測(cè)量的線芯溫度變量之間的相關(guān)關(guān)系，在該模型框架下，通過(guò)建立基于數(shù)據(jù)的軟測(cè)量模型，實(shí)現(xiàn)了環(huán)網(wǎng)柜系統(tǒng)中線芯溫度的在線估計(jì)。解決了環(huán)網(wǎng)柜線芯溫度這一關(guān)鍵變量難以測(cè)量的問(wèn)題，提高了環(huán)網(wǎng)柜設(shè)備在線監(jiān)測(cè)與故障定位方面的準(zhǔn)確性和易操作性。

附圖說(shuō)明：

圖1為本發(fā)明方法的流程圖。

圖2為環(huán)網(wǎng)柜線芯溫度監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)圖。

具體實(shí)施方式：

下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。

依據(jù)圖1所示的基于鄰域保持嵌入回歸算法的環(huán)網(wǎng)柜線芯溫度軟測(cè)量方法的流程圖、及圖2所示的環(huán)網(wǎng)柜線芯溫度監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)圖，實(shí)現(xiàn)環(huán)網(wǎng)柜線性溫度這一難以測(cè)量的關(guān)鍵變量的獲取。主要過(guò)程如下所述：

第一步：通過(guò)相關(guān)傳感器離線采集環(huán)網(wǎng)柜的柜內(nèi)溫度、濕度、電纜表面溫度和線芯電流這些易測(cè)量且與線芯溫度密切相關(guān)的過(guò)程變量的正常運(yùn)行數(shù)據(jù)X∈R^D×n作為軟測(cè)量模型輸入樣本集，其中D為測(cè)量數(shù)據(jù)的維度，n為訓(xùn)練數(shù)據(jù)的樣本個(gè)數(shù)，存入歷史數(shù)據(jù)庫(kù)。

第二步：通過(guò)相關(guān)傳感器離線采集環(huán)網(wǎng)柜的線芯溫度數(shù)據(jù)，作為軟測(cè)量模型輸出樣本集Y∈Rⁿ，其中n為訓(xùn)練數(shù)據(jù)的樣本個(gè)數(shù)，存入歷史數(shù)據(jù)庫(kù)。

第三步：對(duì)歷史數(shù)據(jù)庫(kù)中的輸入輸出數(shù)據(jù)進(jìn)行預(yù)處理，得到新的數(shù)據(jù)集：

在歷史數(shù)據(jù)庫(kù)中對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，去除野值點(diǎn)和誤差較為明顯的數(shù)據(jù)，并進(jìn)行歸一化處理，進(jìn)而提高模型的準(zhǔn)確性。

第四步：對(duì)預(yù)處理后的輸入數(shù)據(jù)實(shí)施NPE運(yùn)算，實(shí)現(xiàn)數(shù)據(jù)降維，得到低維映射T和投影矩陣A，存入歷史數(shù)據(jù)庫(kù)：

針對(duì)樣本個(gè)數(shù)為n的D維的輸入數(shù)據(jù)X(x₁,...,x_n)∈R^D×n，基于投影矩陣A(a₁,...,a_D)∈R^D×d和線性變換T_i＝X_iA獲取X的低維投影T(T₁,...,T_n)∈R^d×n(i＝1,…,n；d≤D)，其降維目標(biāo)函數(shù)為：

其中，M＝(I-W)^T(I-W)，W由(3)式得到，首先確定每個(gè)樣本點(diǎn)x_i的由近到遠(yuǎn)的近鄰點(diǎn)這里使用K-近鄰法(K-nearest neighbors,K-NN)為每個(gè)樣本選取離其歐氏距離最近的k個(gè)樣本作為其近鄰點(diǎn)。通過(guò)建立數(shù)據(jù)的部協(xié)方差矩陣局部最優(yōu)化權(quán)重矩陣W∈R^n×n如下所示：

其中，x_ij(j＝1,2,...,k)為x_i的k個(gè)近鄰點(diǎn)，為x_i和x_ij之間的權(quán)重值，且滿足每個(gè)數(shù)據(jù)點(diǎn)僅由其最近鄰點(diǎn)重構(gòu)，當(dāng)x_j不在x_i的鄰域時(shí)，W_ij＝0。

結(jié)合(1)(2)(3)式，求解如下的特征值分解問(wèn)題即得到輸入數(shù)據(jù)的低維映射T和投影矩陣A，存入歷史數(shù)據(jù)庫(kù)

XMX^Ta＝λXX^Ta (4)

A＝[a₁,a₂,...,a_d] (5)

其中，a為鄰域保持嵌入算法的投影向量。求解上式的廣義特征值問(wèn)題，其最小的d個(gè)特征值λ₁≤λ₂,...,≤λ_d所對(duì)應(yīng)的特征向量即組成投影矩陣A＝(a₁,a₂,...,a_d)。

第五步：對(duì)預(yù)處理后的輸出數(shù)據(jù)實(shí)施NPE運(yùn)算，實(shí)現(xiàn)數(shù)據(jù)降維，得到低維映射U和投影矩陣A′，存入歷史數(shù)據(jù)庫(kù)：

針對(duì)樣本數(shù)為n的m維輸出數(shù)據(jù)Y_i∈R^m×n，其降維目標(biāo)函數(shù)為：

其中M′＝(I-W′)^T(I-W′)，U_i＝Y(jié)_iA′。將(2)式中的輸入數(shù)據(jù)X替換為輸出數(shù)據(jù)Y即得到W′。

由(7)式得到輸出數(shù)據(jù)的低維映射U和A′，存入歷史數(shù)據(jù)庫(kù)。

第六步：利用輸入輸出數(shù)據(jù)的投影向量T和U構(gòu)建回歸模型：

分別利用第四步中得到的低維映射T和第五步中得到的低維映射U代替原始輸入輸出變量。由于回歸建模的需要，要求T對(duì)U有最大的解釋能力，由典型相關(guān)分析的思路，T與U的相關(guān)度應(yīng)達(dá)到最大值，即r(U，T)→MAX

同時(shí)整合(1)式和(7)式的目標(biāo)函數(shù)，加入投影約束條件T^TT＝1，U^TU＝1，獲取最終的多目標(biāo)優(yōu)化函數(shù)為：

根據(jù)目標(biāo)函數(shù)求出輸入數(shù)據(jù)和輸出數(shù)據(jù)的低維投影T和U建立線性回歸方程U＝TB+E，并由此建立優(yōu)化目標(biāo)函數(shù)：

其中，B∈R^d×m為回歸模型參數(shù)，E是殘差矩陣，使得公式(10)的重構(gòu)誤差最小化。式(10)的最優(yōu)值的求解轉(zhuǎn)化為其對(duì)B的偏導(dǎo)為0，則得到B的方程式為：

B＝(TT^T)^-1TU (11)

由(11)式即得到回歸模型參數(shù)B，存入歷史數(shù)據(jù)庫(kù)。

第七步：對(duì)新采集的在線數(shù)據(jù)X_new∈R^D×n進(jìn)行第三步所示的預(yù)處理，得到新的數(shù)據(jù)集首先，基于獲得的低維投影；接著，根據(jù)歷史數(shù)據(jù)庫(kù)中的B值，以及關(guān)系式U_new＝T_newB，得到U_new。進(jìn)一步利用U_new＝Y(jié)_iA′，最小化公式min||U_new-Y_iA′||²，參考式(10)的優(yōu)化目標(biāo)求解，得到線芯溫度估計(jì)值和A′關(guān)系為：y_new＝(A′A′T)^-1A′U?；诖耍€芯溫度軟測(cè)量估計(jì)輸出y_new，最后描述為：

y_new＝(A′A′^T)-¹A′u_new＝(A′A′^T)^-1A′T_newB＝(A′A′^T)^-1A′x_newAB (12)。

實(shí)際應(yīng)用表明：本方法不僅解決了環(huán)網(wǎng)柜內(nèi)線芯溫度不易測(cè)量的問(wèn)題，還提高了環(huán)網(wǎng)柜設(shè)備在線監(jiān)測(cè)與故障定位方面的準(zhǔn)確性和易操作性。