基于最小二乘支持向量机的载流故障趋势预测.pdf

第４０卷第１Ｏ期２０１２年５月１６日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｏ１．４０Ｎｏ．１０Ｍａｙ１６，２０１２基于最小二乘支持向量机的载流故障趋势预测张慧源，顾宏杰，许力，许文才（１．浙江大学电气工程学院，浙江杭州３１００２７；２．珠海赛迪生电气设备有限公司，广东珠海５１９０８５）摘要：提出基于最小二乘支持向量机（ＬＳ－ＳＶＭ）的电力设备载流故障趋势的预测算法，并采用粒子群优化（ＰＳＯ）算法对其参数进行优化。采用主元分析法（ＰＣＡ）对各触点温度序列进行特征分析，在温度分布异常的情况下提取故障的早期特征；以此时刻为起点，采用ＰＳＯ与最小二乘支持向量机相结合的方法，并结合实时更新的现场温度信息，对载流故障发展的短期趋势和长期趋势分别进行预测基于实际运行数据的实验结果表明，将长期预测时间裕量大与短期预测精度高的优势相结合，可以对载流故障的发展趋势做出较为准确的预测。关键词：支持向量机；最小二乘法；粒子群优化；载流故障；温度预测—ＣｕｒｒｅｎｔｃａｒｒｙｉｎｇｆａｕｌｔｐｒｅｄｉｃｔｉｏｎｏｆｅｌｅｃｔｒｉｃｅｑｕｉｐｍｅｎｔｂａｓｅｄｏｎｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅＺＨＡＮＧＨｕｉ．ｙｕａｎ，ＧＵＨｏｎｇ￣ｉｅ，ＸＵＬｉ，ＸＵｗｎ．ｃａ（１．ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００２７，Ｃｈｉｎａ；２．ＺｈｕｈａｉＳａｔｉｓＥｌｅｃ￣ｉｃＥｑｕｉｐｍｅｎｔｓＣｏ．，Ｌｔｄ，Ｚｈｕｈａｉ５１９０８５，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＴｈｅＬｅａｓｔＳｑｕａｒｅｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＬＳ－ＳＶＭ）ｉｓａｐｐｌｉｅｄｔｏｐｒｅｄｉｃｔｔｈｅｔｒｅｎｄｏｆｃｕｒｒｅｎｔ－ｃａｒｒｙｉｎｇｆａｕｌｔｓｏｆｅｌｅｃｔｒｉｃｅｑｕｉｐｍｅｎｔｓ，ａｎｄｔｈｅｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍｉｓｅｍｐｌｏｙｅｄｆｏｒｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｏｆａｌｇｏｒｉｔｈｍｐａｒａｍｅｔｅｒｓ．Ｆｉｒｓｔｌｙ，ｔｈｅＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ（ＰＣＡ）ｉｓａｐｐｌｉｅｄｆｏｒｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃａｎａｌｙｚｉｎｇｏｆｔｅｍｐｅｒａｔｕｒｅｓｅｒｉｅｓｏｆａｌｌｃｏｎｔａｃｔｓｉｎｔｈｅｅｑｕｉｐｍｅｎｔ，ａｎｄｔｈｅｅａｒｌｙｆａｕｌｔｆｅａｔｕｒｅｓａｒｅａｂｓｔｒａｃｔｅｄｉｎｃａｓｅｔｈｅｒｅｅｘｉｓｔｓａｂｎｏｒｍａｌｔｅｍｐｅｒａｔｕｒｅｄｉｓｔｒｉｂｕｔｉｏｎ．Ｓｅｃｏｎｄｌ￣ｔａｋｉｎｇｔｈａｔｍｏｍｅｎｔａｓｔｈｅｓｔａｒｔｉｎｇｐｏｉｎｔ，ａｎｄｗｉｔｈｔｈｅｈｅｌｐｏｆｔｈｅｒｅａｌ－ｔｉｍｅｕｐｄａｔｅｄｔｅｍｐｅｒａｔｕｒｅｓ，ｔｈｅｈｙｂｒｉｄａｌｇｏｒｉｔｈｍｏｆＰＳＯａｎｄＬＳ－ＳＶＭｉｓ——ａｐｐｌｉｅｄｆｏｒｔｈｅｓｈｏｒｔｔｅｒｍａｎｄｌｏｎｇ－ｔｅｒｍｔｒｅｎｄｐｒｅｄｉｃｔｉｏｎｏｆｃｕｒｒｅｎｔｃａｒｒｙｉｎｇｆａｕｌｔｓ．Ｂａｓｅｄｏｎａｃｔｕａｌｏｐｅｒａｔｉｏｎｄａｔａ，ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ，ｗｉｔｈｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｌａ—ｒｇｅｔｉｍｅｍａｒｇｉｎｆｒｏｍｌｏｎｇ－ｔｅｒｍｐｒｅｄｉｃｔｉｏｎａｎｄｈｉｇｈａｃｃｕｒａｃｙｆｒｏｍｓｈｏｒｔｔｅｒｍｐｒｅｄｉｃｔｉｏｎ，ｉｔｉｓｈｅｌｐｆｕｌｔｏａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｔｈｅｔｒｅｎｄｓｏｆｃｕｒｒｅｎｔ・ｃａｒｒｙｉｎｇｆａｕｌｔｓ．Ｋｅｙｗｏｒｄｓ：ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；ｌｅａｓｔｓｑｕａｒｅｓ；ｐａｒｔｉｃｌｅｓｗａｒｌＴＩｏｐｔｉｍｉｚａｔｉｏｎ；ｃｕｒｒｅｎｔ・ｃａｒｒｙｉｎｇｆａｕｌｔ；ｔｅｍｐｅｒａｔｕｒｅｐｒｅｄｉｃｔｉｏｎ中图分类号：ＴＭ７１文献标识码：Ａ———文章编号：１６７４３４１５（２０１２）１０００１９０５０引言载流故障是由于电缆、开关、铜排等连接点因接触不良或氧化引起接触电阻增大而导致接头烧熔甚至短路，可能造成电缆爆炸、大面积停电和企业停产等后果，严重危及电力系统正常运行。因此，非常必要及时地发现故障隐患，并对故障的发展趋势进行预测，以便及时地进行维修以防止事故扩大，保证电网安全运行。由于很多场合无法或不便获得所有触点的负载电流，温度采样值成为电力设备故障预警的有效依据。目前，国内外在电力设备触点温度的在线监测技术已取得长足发展，但是对载流故障的早期预警和趋势预测的研究还很少。文献［１】验证了光纤传感和通信技术用于触头温度在线监测系统的可行性。文献【２】设计了基于红外热像仪的在线监测与诊断系统，实现电力设备故障定位与故障类型判别功能。文献【３］研究了基于差分方程以及灰色理论的预测方法来完成高压开关柜温度故障预警，实现温度的短期预测。文献［４】通过基于ＲＢＦ神经网络的混沌时间序列方法对温度数据进行预测，研究表明混沌时间序列预测优于神经网络预测，对温度短期预测的平均误差为５％。本文采用基于粒子群优化的最小二乘支持向量机算法对载流故障的发展趋势进行预测。首先采用主元分析（ＰＣＡ）法发现可能的故障隐患；然后，Ⅷ构造最小二乘支持向量机（ＬＳ．ｓ）回归模型，—并利用粒子群（ＰＳＯ）算法对ＬＳＳＶＭ的参数进行一２０一电力系统保护与控制优化调整，采用ｋ．折交叉验证方法估计回归模型误差；最后利用得到的回归模型预测触点温度，实现载流故障的早期预警。基于实际运行数据的实验验证了所提方法的有效性。１温度监测系统为了能够及时地对电力设备各个触点的运行状况进行评估分析，利用图１所示的温度在线监测系统来实时地获取各个触头的温度信息。该系统主要由温度采集模块、无线中继模块、温度监测装置、后台管理机等构成，温度传感器安装于重要设备的关键部位，实时温度经由无线传输并通过现场总线传送到监控平台，为故障预测提供数据。图１电力设备温度监测系统Ｆｉｇ．１Ｂｌｏｃｋｄｉａｇｒａｍｏｆｔｅｍｐｅｒａｔｕｒｅｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍ２ＰＳ０一ＬＳＳＶＭ算法２．１最小二乘支持向量机支持向量机Ｊ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）建立在统计学习理论的ＶＣ维理论和结构风险最小原理基础上，它在解决小样本、非线性及高维模式识别中有许多优势。最小二乘支持向量机［６］（ＬｅａｓｔⅥＳｑｕａｒｅｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ．ＬＳ．Ｓ）是标准ＳＶＭ的扩展，采用最小二乘线性系统作为损失函数，将不等式约束条件转变成等式约束，大大简化—算法的复杂程度。ＬＳＳＶＭ可描述为如式（１）的优化问题。’ｍｉｎＪ（ｗ，）＝寺．，Ｔ＋寺…厶厶ｉ＝ｌ１／…ｓ．ｔ．Ｙ＝（）＋ｂ＋，＝１，２，，∈∈其中：权值向量Ｈ；误差变量Ｒ；偏置值∈ｂＲ；为惩罚参数。利用拉格朗日乘子法将问题转化到其对偶空间中，按照最优解的条件，可得ｌ０ｅｌＩｌｌ０ｌ１．１ｌＩ＝ｌｌ（２）ｌｅ＋ＩＩｌｌＩＹｌ其中：ｅ是单位列向量；，是单位矩阵；＝…∈［，，，］Ｒ是拉格朗日乘子；Ｈ＝（ｆ），Ｈ＝Ｋ（ｘｇ，，）。求解方程组得到和６，于是估计所得的函数模型为Ｉ＿厂（）＝ｏ：ｉＫ（ｘ，Ｘｆ）＋ｂ（３）ｉ＝１其中，Ｋ（ｘ，Ｘｊ）＝（一）（，）为核函数。常用的核函数有线性核函数、多项式核函数、径向基核函数￣ＨＳｉｇｍｏｉｄ核函数。ＬＳ．ＳＶＭ简化了问题的复杂程度，算法收敛速度快，需要的计算资源较少，比较适合于实时性要求较高的场合。２．２粒子群优化算法粒子群优化算法（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）是一种模拟鸟群或鱼群在觅食过程中所表现的群体智能的仿生优化算法，具有结构简单、收敛速度快的优点。群体中的个体（粒子）通过自身的学习和相互之间的信息共享不断调整其飞行速度，最终汇集到最优点。粒子的速度和位置更新为Ｉ件＝＋ｃ１（腓ｔ。。一ｔ）＋ｃ２（。一ｔ）１¨：＋ｖｔ＋・…其中：ｆ＝１，２，，，Ｍ为粒子总数；相关系数包括惯性权重，可使随ｆ增加而线性递减；学习因子ｃ．和ｃ，，和是［０，１］上均匀分布的随机数；。和。表示粒子到时间，时的个体最优解和种群到时间ｆ时的最优解。２．３基于ＰＳＯ的ＬＳＳＶＭ参数优化采用ｋ．折交叉验证法来计算ＬＳＳＶＭ参数调整过程所需的ＰＳＯ适应值。ｋ．折交叉验证法Ｊ常用来测试算法的性能，基本过程为：将训练样本集随机地分成ｋ个互不相交的子集，每个子集的大小应大致相等。对于给定一组参数的回归模型，将其中１个子集作为训练样本建立回归模型，剩下的一个子集作为测试样本，记录测试样本的均方误差（ＭＳＥ）作为模型的性能指标。将以上过程重复ｋ次，每个子集都会作为测试样本进行测试，计算ｋ次迭代后所得ＭＳＥ的平均值，即适应值，估计回归模型的期望泛化误差。适应值较小的粒子优于适应值较大的粒子。ＬＳ．ＳＶＭ参数的优化调整算法流程如图２所示。张慧源，等基于最小二乘支持向量机的载流故障趋势预测一２１一初始化粒子位置及各个参数更新粒子位置与速度利用ｋ，折交叉验证法计算粒子的适应值更新Ｐｂ口Ｇｈ计算粒子的速度及新位置结束否满足结束条件？＝＞二＼—／Ｊｒ是输出优化的ＬＳ．ＳＶＭ参数图２基于ＰＳＯ的ＬＳ．ＳＶＭ参数优化流程图—Ｆｉｇ．２ＦｌｏｗｃｈａｒｔｏｆｔｈｅｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚｉｎｇｏｆＬＳＳＶＭｂａｓｅｄｏｎＰＳＯ３基于ＰＳＯ．ＬＳＳＶＭ的载流故障趋势预测温度采样值是本文进行故障预警的唯一依据。首先采用主元分析法（ＰＣＡ）对实时温度信息进行分析，在潜在故障发生的初期就进行预警，在此基—础上，采用ＰＳＯＬＳＳＶＭ方法对载流故障发展的总体趋势和短期趋势进行预测，为检修和决策提供依据。－３．１基于ＰＣＡ的载流故障特征提取如果没有故障，电力设备各个触点的温度应该大致相同，并且随负载电流的变化而同步升降，差异性较小；如果有故障，负载增大时，故障点的温度增速明显加快，导致各监测点之间出现显著差异。图３所示为４舟电容柜各个触点在２０１０．０８．０８目的温度变化情况，横坐标表示为００：００到２４：００整个时间区间。０８：３６左右开始，出现一个明显的负载增长过程，各触点温度均升温，５１４２刀闸下Ｃ℃相和Ｂ相分别在９：１２和９：２８因超过８０的阈值而使常规监测系统进行报警。图４所示为２｝｝电容柜在２００９．０７．１３的温度变化情况，５１２１刀闸下Ｃ相温度℃在１２：２４超过８０，常规监测系统进行报警。ｔＹｎ图３４＃电容柜２０１０－０８．０８的温度Ｆｉｇ．３ＴｅｍｐｅｒａｔｕｒｅｓｉｎｃａｐａｃｉｔｏｒｃａｂｉｎｅｔＮｏ．４ｉｎＡｕｇ．８，２０１０ｐ图４２电容柜２０１０．０７．１３的温度Ｆｉｇ．４ＴｅｍｐｅｒａｔｕｒｅｓｉｎｃａｐａｃｉｔｏｒｃａｂｉｎｅｔＮｏ．２ｉｎＪｕｌｙ１３，２００９—利用主成分分析法（ＰＣＡ）和ｋｍｅａｎｓ聚类算法，可以在温度上升的初期就确定潜在的故障隐患，如图４所示的Ａ点，并确定可能发生故障的触点。详细情况另文介绍。随后，采用ＬＳ．ＳＶＭ对触点温度上升趋势进行预测。—３．２基于ＬＳＳＶＭ的载流故障趋势预测—ＬＳＳＶＭ采用高斯径向基核函数，并采用ＰＳＯ优化各个待定参数。ＬＳ．ＳＶＭ回归模型有维输入，即根据ｄ个时刻的温度预测故障的发展趋势。为有效地利用实时更新的温度数据，采用可变的输入维数ｄ，其范围为［ｉ，ｄｍ］。对于每一个输入维数ｄ，执行步骤（１）～步骤（５），其流程如图５所示。选取合适的温度值数据构成温度值序列将温度值序列转化为训练样本集利用ＰＳＯ算法优化ＬＳ．ＳＶＭ参数利用训练样本集训练回归模型利用ＰＣＡ及ｋ．ｍｅａＩ１ｓ定位需要预测的触点，提供预测初始值利用回归模型预测温度值序列判读触点最高温度以及达到最高温度的时刻，分析故障发展趋势图５ＰＳＯ．ＬＳＳＶＭ流程图—Ｆｉｇ．５ＦｌｏｗｃｈａｒｔｏｆｔｈｅＰＳＯＬＳＳＶＭ（１）利用一段历史时间序列作为训练样本集…Ｇ＝｛ｑｌｑ２，，ｑ）。从原始训练样本集Ｇ中取出＋１个连续时间序列值，前个作为输入，第＋１个作为输出。由此训练样本集转化为…—Ｇ＝｛（Ｘｘ，Ｙ），（，ｙ２），，（Ｘｍ，Ｙｍ－ａ）｝…具甲：Ｘｉ｛ｑｉ，ｑｉ＋１，，＋一１｝；Ｙｉｑｉ＋。—（２）本文使用径向基核函数（ＲＢＦＫｅｍｅ１）电力系统保护与控制一Ｋ（ｘｉ，ｆ）＝ｅｘｐ（一），具有一个参数：核宽度。根据式（１）、式（２），优化问题还存在另一个参数：惩罚参数。这两个参数对回归模型的性能有较大的影响，利用ＰＳＯ调整。（３）参数、确定后，利用训练样本Ｇ对模型进行训练，求解式（２）中的Ｌａｇｒａｎｇｅ乘子和偏置值ｂ。将参数带入式（３），得到的回归模型∈（），［ａｍｉ，ａｍ］。（４）（），ｄｅ［ｄｍ．ｎ，ａｍ］预测温度序列。预测…时，首先要设定预测的起始点Ｘｔ＝｛，Ｘ２，，｝，将ｚ作为自变量代入函数模型中，求得起始点下一刻的温度值＋。若要继续预测后续的时间序列，将序列值＋加入到输入向量中，将新的输入向量…Ｘｔ＋１：｛Ｘ２，ｘ３，，ｘｄ＋１）代入函数模型，依此类推，…求得后续温度序列值＋２、＋３、＋４，。（５）根据预测的温度序列值，分析高压触点的工作情况。判断触点温度的最高值以及达到最高值的时刻，进而分析电力设备故障发展趋势。４实验结果誊：冈冈利用ＰＳＯ调整核宽度及惩罚参数时，采用ｌ０折交叉验证法。设定粒子数量为５０，迭代次数为２００次，学习因子为２．０，最大惯性权值为０．９，最小惯性权值为０．４。图７为ｄ：２０时ＰＳＯ粒子的平均速度曲线，当迭代至１２０代时，粒子的平均速度已经接近于零。由图７可知，迭代次数为２００是合理的。图７粒子平均速度曲线Ｆｉｇ．７Ｍｅａｎｖｅｌｏｃｉｔｙｏｆｔｈｅｐａｒｔｉｃｌｅｓ利用ＰＳＯ优化和训练样本集，得到回归模型…（），ｄ＝５，６，，２Ｏ。当输入维数为２０时，惩罚参数＝１５３．９８１６，核参数＝１０．１２２２。４．２触点温度预测电力设备载流故障趋势预测主要完成两个任务：预测触点的最高温度以及达到最高温度的时刻。本文采用以下两种方法实现温度和时间的预测：（１）长期趋势的预测。随着预测初始值的增加，…采用回归模型（），ｄ＝５，６，，２Ｏ，预测未来１００个时间点的温度值序列。得到的温度值序列，分析触点温度发展趋势。（２）短期趋势的预测。充分利用实时更新的温度采样值，对未来较短时间的温度进行比较精确的预测。利用回归模型（），预测未来２０个时间点的温度值序列。每过一个采样周期，将当前时刻作为短期预测起始点，利用现场最新温度进行一次短期预测。因此，短期预测的曲线将会是一条动态曲线，预测值与实际值将会愈来愈逼近，可以为故障分析提供更精确的数据。采用２电容柜５１２１刀闸下Ｃ相在２００９年７月１３目的数据，以１０：５６为时间起点，如图４所示Ａ点。由方法（１）得到如图８所示的长期预测结果，分别提取ｄ＝５，ｄ＝１０，ｄ＝２０三条曲线。可以看出：预测的温度序列能正确地反映触点温度的变化趋势；预测温度序列达到最高值的时刻与实际温度—达到最高值的时刻基本吻合。通过ＬＳＳＶＭ回归模型预测触点温度，可以在温度达到最高值的前大约１５０ｍｉｎ给出警示，为故障的检修处理带来充裕的时间。张慧源，等基于最小二乘支持向量机的载流故障趋势预测．２３．ｔ／ｍｉｎ图８长期预测—Ｆｉｇ．８Ｌｏｎｇｔｅｒｍｔｅｍｐｅｒａｔｕｒｅｐｒｅｄｉｃｔｉｏｎ（）长期预测的细节图如图９所示，起始时刻为１２：５４。利用ＬＳ．ＳＶＭ模型预测触点温度序列到最高值的时间与实际温度序列到达最高值的时间非常接近，相差大约为２ｍｉｎ。长期预测可以获得故障趋势和大致的时刻，但是预测的最高温度值与℃实际值相差大约１Ｏ。ｐ嘣ｔ／ｍｉｎ图９温度峰值出现时间对比图Ｆｉｇ．９Ｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｐｒｅｄｉｃｔｉｏｎａｎｄｒｅａｌｐｅａｋｔｉｍｅ本文同时采用方法（２）得到如图ｌ０所示的短期温度预测结果。图中显示从１１：２４到１３：３４的温度变化情况，分别提取起始时刻为１０ｍｉｎ（实际时刻为１１：３４）、３４ｍｉｎ（１１：５８）、５８ｍｉｎ（１２：２２）的短期预测曲线，可见短期预测曲线与实际温度曲线十分接近，预测精度较长期预测明显提高。０１０２０３Ｏ４０５０６０７０８０９０１００１１０１２０１３０ｔ／ｍｉｎ图１０短期预测—Ｆｉｇ．１０Ｓｈｏｎｔｅｒｍｔｅｍｐｅｒａｔｕｒｅｐｒｅｄｉｃｔｉｏｎ图１１显示了从１２：１２到１４：３２的温度变化情况，这段时间内实际温度达到峰值。分别提取１０ｍｉｎ（１２：２２）、３０ｍｉｎ（１２：４２）、７０ｍｉｎ（１３：２２）、９０ｍｉｎ（１３：４２）这４个时刻为起始点的短期预测曲线，在实际温度最高处，预测曲线与实际温度曲线相差最℃多为３。根据结果可知，利用ＬＳ．ＳＶＭ模型，将长期预测时间裕量大与短期预测精度高的优势相结合，可以对载流故障的发展趋势做出较为准确的预测。ｐ嘣ｔ／ｍｉｎ图１１温度峰值短期预测图—Ｆｉｇ．１１Ｓｈｏｒｔｔｅｒｍｐｒｅｄｉｃｔｉｏｎｏｆｍａｘｉｍｕｍｔｅｍｐｅｒａｔｕｒｅ５结论本文提出一种用于电力设备载流故障发展趋势—预测的ＬＳ．ＳＶＭ模型，采用ＰＳＯ算法来优化ＬｓＳＶＭ的相关参数，对载流故障发展的总体趋势和短期趋势进行预测。通过实际温度数据的验证表明：基于ＰＳＯ．ＬＳＳＶＭ的故障趋势预测方法能够获得较高的预测精度，为载流故障的早期预警提供有效的方法，在电力系统的安全运行和保护方面具有良好的应用前景。参考文献［１］周岩．高压开关柜触头温度在线监测系统研究【Ｄ】．成都：西南科技大学，２００８：４８．５０．—ＺＨＯＵＹａｎ．Ｓｔｕｄｙｏｎｒｅａｌｔｉｍｅｏｎ－ｌｉｎｅｔｅｍｐｅｒａｔｕｒｅｍｏｎｉｔｏｒｉｎｇｏｆｈｉｇｈ－ｖｏｌｔａｇｅｓｗｉｔｃｈｇｅａｒ［Ｄ］．Ｃｈｅｎｇｄｕ：Ｓｏｕｔｈｗｅ￣ＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２００８：—４８５０．［２］张越．基于红外热像技术的电力设备故障在线监测与诊断【Ｄ】．大连：大连理工大学，２００８：３９．４７．ＺＨＡＮＧＹｕｅ．Ｓｔｕｄｙｏｎｅｌｅｃｔｒｉｃａｌｅｑｕｉｐｍｅｎｔｆａｕｌｔ—ｄｅｔｅｃｔｉｏｎａｎｄｄｉａｇｎｏｓｉｓｏｎｌｉｎｅｂａｓｅｄｏｎｉｎｆｒａｒｅｄｔｈｅｒｍａｌｉｍａｇｉｎｇｔｅｃｈｎｏｌｏｇｙ［Ｄ］．Ｄａｌｉａｎ：ＤａｌｉａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２００８：３９－４７．［３］侯静．基于光纤测温的高压开关柜温度故障预警【Ｄ】．济南：山东大学，２００９：２８．４５．ＨＯＵＪｉｎｇ．Ｔｅｍｐｅｒａｔｕｒｅｆａｕｌｔｐｒｅｄｉｃｔｉｏｎｏｆｈｉｇｈ－ｖｏｌｔａｇｅｓｗｉｔｃｈａｓｓｅｍｂｌｉｅｓｂａｓｅｄｏｎｆｉｂｅｒｏｐｔｉｃｔｅｍｐｅｒａｔｕｒｅｍｅａｓｕｒｅｍｅｎｔ［Ｄ］．Ｊｉｎａｎ：ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙ，２００９：—２８４５．（下转第２９页ｃｏｎｔｉｎｕｅｄｏｎｐａｇｅ２９）郭磊，等多机系统参数辨识的观测变量选取一２９．（上接第２３页ｃｏｎｔｉｎｕｅｄｆｒｏｍｐａｇｅ２３）［４］高强，王洪礼，管火志．基于混沌时间序列的变电站—设备温度预测［Ｊ］．控制工程，２００９，１６（１）：３５３８．——ＧＡＯＱｉａｎｇ，ＷＡＮＧＨｏｎｇｌｉ，ＧＵＡＮＨｕｏｚｈｉ．Ｔｅｍｐｅｒａｔｕｒｅｐｒｅｄｉｃｔｉｏｎｆｏｒｓｕｂｓｔａｔｉｏｎｓｂａｓｅｄｏｎｃｈａｏｔｉｃ—ｔｉｍｅｓｅｒｉｅｓ［Ｊ］＿ＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ，２００９，１６（１）：３５３８．［５］魏俊，周步祥，林楠，等．基于蚁群支持向量机的短期负荷预测［Ｊ］．电力系统保护与控制，２００９，３７（４）：３６．３８．——ＷＥＩＪｕｎ，ＺＨＯＵＢｕｘｉａｎｇ，ＬＩＮＮａｎ，ｅｔａ１．Ｓｈｏｒｔｔｅｒｍ—ｌｏａｄｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎＭＧＣＡＣＯａｎｄＳＶＭｍｅｔｈｏｄ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２００９，３７（４）：３６・３８．［６］尉军军，全力，彭桂雪，等．基于最小二乘支持向量机的励磁特性曲线拟合【Ｊ】．电力系统保护与控制，２０１０，３８（１１１：１５－１７．—ＷＥＩＪｕｎ－ｊｕｎ，ＱＵＡＮＬｉ，ＰＥＮＧＧｕｉｘｕｅ，ｅｔａ１．Ｃｕｒｖｅｆｉｔｔｉｎｇｏｆｅｘｃｉｔａｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｂａｓｅｄｏｎｔｈｅｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍ—ＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（１１）：１５１７．［７］陆宁，周建中，何耀耀．粒子群优化的神经网络模型在短期负荷预测中的应用［Ｊ］．电力系统保护与控制，—２０１０．３８（１２、：６６６７．—ＬＵＮｉｎｇ，ＺＨＯＵＪｉａｎｚｈｏｎｇ，ＨＥＹａｏ・ｙａｏ．Ｐａｒｔｉｃｌｅｓｗａｒｎｑｏｐｔｉｍｉｚａｔｉｏｎ．ｂａｓｅｄｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｆｏｒ—ｓｈｏｒｔｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇ．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０ｌ０。３８（１２）：６６．６７．１８ＪＢＲＡＢＡＮＴＥＲＫＤＢＲＡＢＡＮＴＥＲＪＤ．ＳＵＹＫＥＮＳＪＡ—Ｋ．Ｏｐｔｉｍｉｚｅｄｆｉｘｅｄｓｉｚｅｋｅｍｅｌｍｏｄｅｌｓｆｏｒｌａｒｇｅｄａｔａｓｅｔｓ［Ｊ］．ＣｏｍｐｕｔａｔｉｏｎａｌＳｔａｔｉｓｔｉｃｓａｎｄＤａｔａＡｎａｌｙｓｉｓ，２０１０，５４（６１：１４８４．１５０４．收稿日期：２０１１－０６－３０；—修回日期：２０１卜０８２Ｏ作者简介：张慧源（１９８６一），女，博士研究生，研究方向为智能信息处理、工业自动化：顾宏杰（１９８６一），男，硕士研究生，研究方向为工业控制、智能优化：许力（１９６４一），男，博士，教授，博士生导师，研究方向为智能信息处理、机器人控制，工业自动化。Ｅ．ｍａｉｌ：ｘｕｐｏｗｅｒ＠ｚｊｕ．ｅｄｕ．ｃｎ