【技術實現步驟摘要】
本專利技術涉及高壓柜電氣設備監測相關，尤其是指一種基于隱馬爾可夫模型hmm的傳感器數據檢測優化方法。
技術介紹
1、高壓開關柜是電力系統非常重要的電氣設備。由于種種原因引起的高壓柜運行狀態惡化常導致電力系統出現故障。因此，對高壓柜運行狀態進行實時監測，及時發現故障隱患，對積累性故障作出預測，對于保證高壓柜的正常運行、減少維修次數、提高電力系統的運行可靠性和自動化程度都有重要意義。
2、傳統的高壓柜的監測方法主要依靠獨立傳感器對單個監測項目進行獨立監測，核心在于傳感器類別和精度。傳感器主要分為溫度傳感器、感應式位置傳感器、位移傳感器、壓力傳感器和振動傳感器等。狀態監測方法大多基于機器學習模型，模型的學習過程通常為：首先，對監測到的傳感器數據進行歸一化、降噪等處理；然后，從時域、頻域和時頻域進行特征提取和特征選擇；最后，采用預先建立的機器學習模型進行分類。
3、深度學習方法模型是一個“端到端的模型”，無需對原始數據進行復雜的數據預處理，能夠通過自適應地提取傳感器信號中隱藏的高維特征和合理的網絡深度設計達到較為理想的結果。但是，采用端到端的深度學習方法對于監測終端的實時信號處理能力要求很高，硬件成本很大，對于沒有經過前期信號預處理的數據存在較大檢測誤差，甚至很多時候會存在回歸性差，全局函數不收斂的問題。
技術實現思路
1、本專利技術是為了克服現有技術中存在上述的不足，提供了一種能夠提高處理速度和數據檢測精度的基于隱馬爾可夫模型hmm的傳感器數據檢測優化方法。>
2、為了實現上述目的，本專利技術采用以下技術方案：
3、一種基于隱馬爾可夫模型hmm的傳感器數據檢測優化方法，隱馬爾可夫模型hmm描述由一個hmm鏈隨機生成不可觀測的狀態序列，再由狀態序列生成一個觀測序列的過程；hmm由初始概率分布、狀態轉移概率分布以及觀測概率分布確定，其中初始概率分布和狀態轉移概率分布確定了hmm鏈，生成不可觀測的狀態序列；觀測概率分布確定如何從狀態序列生成觀測序列；隱馬爾可夫模型hmm建立好后，根據當前傳感器采集到的數據與觀測序列進行比對分析，最后輸出當前的狀態判斷值；在完成預測問題的過程中，先采用前向算法和后向算法聯合約定算法來計算似然函數，然后采用優化的非監督學習算法來計算確定極大似然估計的方法估計模型參數，最后根據已知參數的模型和觀測序列來預測隱馬爾可夫模型hmm過程的狀態序列。
4、本專利技術提出了一種基于隱馬爾可夫模型(hmm)的傳感器數據檢測模型，和端到端的神經網絡深度學習算法相比，具有更快的處理速度、更低的硬件成本需求和更精準的數據檢測精度。
5、作為優選，所述隱馬爾可夫模型hmm的形式定義如下：
6、所有可能的狀態集合為q，可能的觀測集合為v，狀態序列為i，觀測序列為o：
7、q＝{q1,q2,q3,…,qn}
8、v＝{v1,v2,v3,…,vm}
9、i＝{i1,i2,i3,…,it}
10、o＝{o1,o2,o3,…,ot}
11、式中：n為hmm鏈中可能對應的狀態個數，m為每個狀態可能產生的觀測值個數，t為序列長度數；狀態序列i是高壓柜電氣設備內部運行狀態標準，其內部的值i為狀態標準值；狀態集合q是高壓柜電氣設備內部運行一段時間的實際運行狀態，其內部的值q為運行狀態值；觀測序列o是每個狀態下各類傳感器的觀測標準，其內部的值o為觀測標準值；觀測集合v是每個狀態下各類傳感器產生的觀測值v的總和。
12、作為優選，所述初始概率分布具體如下，
13、初始狀態概率向量為π：
14、π＝(πi)
15、πi＝p(it＝qi),i＝1,2,3,…,n
16、πi為時刻t處于狀態qi的初始狀態概率；
17、所述狀態轉移概率分布具體如下，狀態轉移概率矩陣為a：
18、
19、aij＝p(it+1＝qjit＝qi),i＝1,2,3,…,n?aij為時刻t處于狀態qi的條件下在時刻t+1轉移到狀態qj的概率；
20、所述觀測概率分布具體如下，
21、觀測概率矩陣為b：
22、
23、bj(k)＝p(ot＝vk|it＝qj)k＝1,2,3，…，m；j＝1，2,3，…，n
24、bj(k)為時刻t處于狀態qj的條件下生成觀測值vk的概率，k指的是觀測值的序號，j指的是狀態值的序號；
25、在隱馬爾可夫模型hmm的建立過程中，使用λ＝(π，a，b)來表示隱馬爾可夫模型hmm，模型的輸入數據為狀態序列i，觀測序列o和觀測集合v為模型預設的，狀態集合q是樣本數據。
26、作為優選，采用前向算法和后向算法聯合約定算法來計算似然函數指的是：給定模型λ＝(π，a，b)，觀測序列o＝{o1，o2，o3，…，ot}，計算在給定模型λ下觀測序列o出現的概率p(o|λ)，具體如下，前向算法需要定義前向概率，到時刻t部分觀測序列為o1，o2，o3，…，ot且狀態為qi的概率為前向概率：
27、at(i)＝p(o1，o2，o3，...，ot，ir＝qi|λ)
28、采用遞推方法求得前向概率at+1(i)及觀測序列概率p(o|λ)；
29、初值：
30、a1(i)＝πibi(o1)，i＝1，2，3，...，n
31、其中πi為處于狀態qi的初始狀態概率；bi(o1)為處于狀態qi的條件下生成觀測值o1的概率；
32、遞推，對t＝1，2，3，…，t-1：
33、
34、
35、終止：
36、
37、其中at(i)為前向概率的終值；
38、后向算法需要定義后向概率，在時刻t狀態為qi的條件下，從t+1到t的部分觀測序列為ot+1，ot+2，ot+3，…，ot的概率為后向概率：
39、βt(i)＝p(ot+1，ot+2，ot+3，...，ot，it＝qi|λ)
40、采用遞推方法求得后向概率βt+1(i)及觀測序列概率p(o|λ)
41、初值：
42、βt(i)＝1，i＝1,2,3，…，n
43、遞推，對t＝t-1，t-2，t-3，…，1：
44、
45、終止：
46、
47、其中βt(i)為后向概率的初值，βt(i)為后向概率的終值；
48、前向算法和后向算法聯合約定算法定義的觀測序列概率p(o|λ)為：
49、
50、作為優選，采用優化的非監督學習算法來計算確定極大似然估計的方法估計模型參數指的是：給定訓練數據只包含s個長度為t的觀測序列o＝{o1,o2,o3,…,os}，目標是學習hmm模型λ＝(π,a,b)的參數，使得在模型λ下觀測序列o出現的概率p(o|λ)最大，即用極大似然估本文檔來自技高網...
【技術保護點】
1.一種基于隱馬爾可夫模型HMM的傳感器數據檢測優化方法，其特征是，隱馬爾可夫模型HMM描述由一個HMM鏈隨機生成不可觀測的狀態序列，再由狀態序列生成一個觀測序列的過程；HMM由初始概率分布、狀態轉移概率分布以及觀測概率分布確定，其中初始概率分布和狀態轉移概率分布確定了HMM鏈，生成不可觀測的狀態序列；觀測概率分布確定如何從狀態序列生成觀測序列；隱馬爾可夫模型HMM建立好后，根據當前傳感器采集到的數據與觀測序列進行比對分析，最后輸出當前的狀態判斷值；在完成預測問題的過程中，先采用前向算法和后向算法聯合約定算法來計算似然函數，然后采用優化的非監督學習算法來計算確定極大似然估計的方法估計模型參數，最后根據已知參數的模型和觀測序列來預測隱馬爾可夫模型HMM過程的狀態序列。
2.根據權利要求1所述的一種基于隱馬爾可夫模型HMM的傳感器數據檢測優化方法，其特征是，所述隱馬爾可夫模型HMM的形式定義如下：
3.根據權利要求2所述的一種基于隱馬爾可夫模型HMM的傳感器數據檢測優化方法，其特征是，所述初始概率分布具體如下，
4.根據權利要求2或3所述的一種基于
5.根據權利要求4所述的一種基于隱馬爾可夫模型HMM的傳感器數據檢測優化方法，其特征是，采用優化的非監督學習算法來計算確定極大似然估計的方法估計模型參數指的是：給定訓練數據只包含S個長度為T的觀測序列O＝{o1,o2,o3,…,os}，目標是學習HMM模型λ＝(π,A,B)的參數，使得在模型λ下觀測序列O出現的概率P(O|λ)最大，即用極大似然估計的方法估計參數，此時的HMM為P(O|λ)＝∑IP(O|I,λ)P(I|λ)。
6.根據權利要求5所述的一種基于隱馬爾可夫模型HMM的傳感器數據檢測優化方法，其特征是，具體計算方法為：
...【技術特征摘要】
1.一種基于隱馬爾可夫模型hmm的傳感器數據檢測優化方法，其特征是，隱馬爾可夫模型hmm描述由一個hmm鏈隨機生成不可觀測的狀態序列，再由狀態序列生成一個觀測序列的過程；hmm由初始概率分布、狀態轉移概率分布以及觀測概率分布確定，其中初始概率分布和狀態轉移概率分布確定了hmm鏈，生成不可觀測的狀態序列；觀測概率分布確定如何從狀態序列生成觀測序列；隱馬爾可夫模型hmm建立好后，根據當前傳感器采集到的數據與觀測序列進行比對分析，最后輸出當前的狀態判斷值；在完成預測問題的過程中，先采用前向算法和后向算法聯合約定算法來計算似然函數，然后采用優化的非監督學習算法來計算確定極大似然估計的方法估計模型參數，最后根據已知參數的模型和觀測序列來預測隱馬爾可夫模型hmm過程的狀態序列。
2.根據權利要求1所述的一種基于隱馬爾可夫模型hmm的傳感器數據檢測優化方法，其特征是，所述隱馬爾可夫模型hmm的形式定義如下：
3.根據權利要求2所述的一種基于隱馬爾可夫模型hmm的傳感器數據檢測優...
【專利技術屬性】
技術研發人員：張欣，俞曙江，徐寅飛，邢志鋼，錢偉尼，
申請(專利權)人：杭州電力設備制造有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。