【技术实现步骤摘要】
本专利技术涉及设备故障检修的，尤其涉及一种基于adaboost集成学习的短期测温电阻值预测方法及系统。
技术介绍
1、水轮发电机组在运行过程中，其温度是会不断地进行变化的。温度会随着时间的增长而不断的升高，如果不正常温升达到一定的程度，就会对水轮发电机组造成很大的危害。水轮发电机组运行过程中，空冷器、定子、上导轴承、推力轴承以及水导轴承的温度值异常时有发生，如运行及检修人员未能及时发现，则会对机组稳定运行造成隐患，因此若能根据过去已有的历史测温电阻阻值数据预测未来一段时间的测温电阻阻值，提早对可能出现异常的机组部分进行检查，这对于降低机组故障风险，保证机组的稳定运行具有重要意义。
2、目前发电机组各部位大多采用pt100铂热电阻进行温度测量，pt100铂热电阻是一种精度高、线性度好的常用温度传感器，通常结合测温电路进行高精度测量。它的使用温度范围为-200~850℃，在外界温度变化时，电阻的阻值和温度满足线性关系，0℃时的热电阻标准阻值为100ω，在0~100℃具有较好的线性关系，故测量任意两个温度下阻值的变化，便可获得该热电阻的温度特性。现有的以机器学习为主的测温电阻的阻值预测主要包括决策树、神经网络、支持向量机等。测温电阻值预测中所采集的数据普遍存在特征维数较低且各特征之间关系不明显的特点，且针对回归预测基本都是采用单一模型算法，而使用单一模型会导致特征抽取不足且影响预测结果。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于adaboost集成学习的短期测温电阻值预测方法，包括：
5、获取机组历史测温电阻值数据，并基于所述机组历史测温电阻值数据构建基于adaboost集成学习的测温电阻值预测框架；
6、基于时间特征因素，通过最大信息系数分析各特征因素与当前时刻测温电阻值的相关性，筛选出与测温电阻值强相关的特征因素；
7、结合机组测温电阻值数据及所述与测温电阻值强相关的特征因素，训练所述测温电阻值预测框架的各个体学习器，并通过迭代过程调整样本权值，得到最终的强学习器；
8、根据所述强学习器进行测温电阻值预测并得到预测结果。
9、作为本专利技术所述的基于adaboost集成学习的短期测温电阻值预测方法的一种优选方案，其中：所述基于adaboost的测温电阻预测框架包括：若干个体学习器；
10、按照时间周期将所述获取的历史机组测温电阻值数据划分为测温电阻预测训练样本集，验证集以及测试集，并将训练样本数据初始化权值分布后输入至初始个体学习器并训练该学习器；
11、计算样本偏差以及个体学习器的回归误差率，更新训练集的样本权值分布并计算初始个体学习器的权重系数；
12、根据计算出权重系数的各个体学习器构建个体学习器的线性组合得到强学习器，构建基于adaboost集成学习的测温电阻值预测框架。
13、作为本专利技术所述的基于adaboost集成学习的短期测温电阻值预测方法的一种优选方案，其中：还包括：对所述若干个体学习器的主要参数进行寻优，确定个体学习器类型，所述主要参数包括平均绝对百分比误差、均方根误差值以及训练时间；
14、训练所述若干个体学习器，所述若干个体学习器的输入特征为年、月、日、小时、历史测温电阻值、该时刻对应气温值以及日类型，输出特征为对应的测温电阻预测值；
15、当任一个体学习器预测模型的主要参数均小于对应预设的阈值时，选择该个体学习器作为测温电阻预测框架的最优学习器类型。
16、作为本专利技术所述的基于adaboost集成学习的短期测温电阻值预测方法的一种优选方案，其中：还包括：
17、给定训练数据集为：，其中为样本特征，n为特征个数，,为样本容量，为第个样本特征的测温电阻值；
18、依次遍历所有的输入特征，用选定的特征及其对应的取值将训练样本划分两个子区域和，为找出最优的和；
19、根据平方误差最小化准则建立损失函数，函数式表示为：
20、<mstyle displaystyle="true" mathcolor="#000000"><munder><mi>min</mi><mrow><mi>j</mi><mi>,</mi><mi>s</mi></mrow></munder><mrow><mo>[</mo><mrow><munder><mi>min</mi><msub><mi>c</mi><mn>1</mn></msub></munder><mstyle displaystyle="true"><munder><mo>∑</mo><mrow><msub><mi>x</mi><mi>i</mi></msub><mi>∈</mi><msub><mi>r</mi><mn>1</mn></msub><mi>(</mi><mi>j</mi><mi>,</mi><mi>s</mi><mi>)</mi></mrow></munder><mrow><mi>(</mi><msub><mi>y</mi><mi>i</mi></msub><mi>−</mi><msub><mi>c</mi><mn>1</mn></msub><msup><mi>)</mi><mn>2</mn></msup><mo>+</mo><munder><mi>min</mi><msub><mi>c</mi><mn>本文档来自技高网...
【技术保护点】
1.一种基于AdaBoost集成学习的短期测温电阻值预测方法，其特征在于，包括：
2.如权利要求1所述的基于AdaBoost集成学习的短期测温电阻值预测方法，其特征在于，所述基于AdaBoost的测温电阻预测框架包括：若干个体学习器；
3.如权利要求2所述的基于AdaBoost集成学习的短期测温电阻值预测方法，其特征在于，还包括：对所述若干个体学习器的主要参数进行寻优，确定个体学习器类型，所述主要参数包括平均绝对百分比误差、均方根误差值以及训练时间；
4.如权利要求3所述的基于AdaBoost集成学习的短期测温电阻值预测方法，其特征在于，还包括：
5.如权利要求4所述的基于AdaBoost集成学习的短期测温电阻值预测方法，其特征在于，还包括：确定所述最优类型的个体学习器个数以及学习率；
6.如权利要求5所述的基于AdaBoost集成学习的短期测温电阻值预测方法，其特征在于，通过最大信息系数分析各特征因素与当前时刻测温电阻值的相关性，筛选出与测温电阻值强相关的特征因素包括：
7.如权利要求6所述的基于AdaBo
8.一种基于AdaBoost集成学习的短期测温电阻值预测系统，其特征在于，包括：
9.一种电子设备，包括：
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述一种基于AdaBoost集成学习的短期测温电阻值预测方法的步骤。
...【技术特征摘要】
1.一种基于adaboost集成学习的短期测温电阻值预测方法，其特征在于，包括：
2.如权利要求1所述的基于adaboost集成学习的短期测温电阻值预测方法，其特征在于，所述基于adaboost的测温电阻预测框架包括：若干个体学习器；
3.如权利要求2所述的基于adaboost集成学习的短期测温电阻值预测方法，其特征在于，还包括：对所述若干个体学习器的主要参数进行寻优，确定个体学习器类型，所述主要参数包括平均绝对百分比误差、均方根误差值以及训练时间；
4.如权利要求3所述的基于adaboost集成学习的短期测温电阻值预测方法，其特征在于，还包括：
5.如权利要求4所述的基于adaboost集成学习的短期测温电阻值预测方法，其特征在于，还包括：确定所述最优类型的个体学习器个数以...
【专利技术属性】
技术研发人员：赵迪，杨京广，刘书明，赵举，李敏，李贺楠，
申请(专利权)人：三峡金沙江云川水电开发有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。