CN104502410A - 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 - Google Patents
最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 Download PDFInfo
- Publication number
- CN104502410A CN104502410A CN201310305250.1A CN201310305250A CN104502410A CN 104502410 A CN104502410 A CN 104502410A CN 201310305250 A CN201310305250 A CN 201310305250A CN 104502410 A CN104502410 A CN 104502410A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- leakage current
- insulator
- square method
- genetic algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明提供了一种最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,它包括以下步骤:步骤一,首先设计绝缘子的泄漏电流在线监测系统,泄漏电流的在线监测系统用于统计泄漏电流时域特征量的变化;步骤二,确定最小二乘支持向量机预测模型的输入和输出相量并对样本数据归一化处理;步骤三,确定最小二乘支持向量机的径向基核函数以及模型性能评价指标;步骤四:采用遗传算法对最小二乘支持向量机预测模型进行优化。
Description
技术领域
本发明涉及一种最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法。
背景技术
高压绝缘子在长期运行中表面会沉积大量污秽,污层受潮后使绝缘子的性能大大下降,严重时会引发污闪事故,导致供电中断,威胁着电力系统安全运行。为了预防大面积污闪事故,在输变电设备状态检修的要求下,电力部门提出对绝缘子表面污秽状况进行在线监测。目前,绝大多数污秽在线监测系统是以泄漏电流数据为核心来推断绝缘子污秽程度。泄漏电流虽然是一个和污闪密切相关的动态特征量,但泄漏电流值的变化并不能准确反映绝缘子的劣化程度,即基于泄漏电流的污闪预警值、污闪判据只是定性的,当前并没有针对泄漏电流与污秽等级之间的标准或经验公式。
等值附盐密度(ESDD)定义为绝缘子表面每平方厘米面积上附着的污秽中导电物质质量分数相当的NaCl(mg/cm2),它反映了绝缘子污秽物种类和密度,是确定污秽等级和绘制电网污区分布图的主要依据,国家和电力行业制定了相应的试验规程和标准。然而人工测量ESDD 数据易受用水量影响、操作麻烦,需要定期停电来获取污秽绝缘子试品。
实验研究表明,绝缘子泄漏电流的大小尽管受到环境温湿度、雨量等因素的影响,但是和表面污秽程度即ESDD 值更为密切相关。
发明内容
本发明提供了最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,采用该方法建立的模型预测精度高,实现了绝缘子表面污秽程度在线评估。
本发明采用了以下技术方案:一种最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,它包括以下步骤:步骤一,首先设计绝缘子的泄漏电流在线监测系统,泄漏电流的在线监测系统用于统计泄漏电流时域特征量的变化;步骤二,确定最小二乘支持向量机预测模型的输入和输出相量并对样本数据归一化处理;步骤三,确定最小二乘支持向量机的径向基核函数以及模型性能评价指标;步骤四:采用遗传算法对最小二乘支持向量机预测模型进行优化。
所述步骤一中的泄漏电流在线监测系统包括系统电源、穿芯式小电流传感器、温湿度传感器、监测主机、PC上位机和GPRS通信模块,穿芯式小电流传感器和温湿度传感器都与绝缘子对应,系统电源与监测主机的电源端连接,穿芯式小电流传感器和温度传感器都与监测主机的输入端连接,监测主机的输出端通过GPRS通信模块与PC上位机实时通信连接,所述的系统电源为泄漏电流在线监测系统的检测主机提供电源,穿芯式小电流传感器采集绝缘子的泄漏电流的信号并将信号传输给监测主机,温湿度传感器用于获取绝缘子当前环境的温度和湿度信号并将信号传输给监测主机,监测主机对泄露电流的信号以及温度和湿度的信号进行处理并通过GPRS通信模块输入给PC上位机,PC上位机通过泄露电流的信号以及温度和湿度的信号对绝缘子盐密和灰密进行预测。所述的穿芯式小电流传感器与监测主机之间采用RS232通信协议进行信号传输,温湿度传感器与与监测主机之间采用RS232通信协议进行信号传输。所述的穿芯式小电流传感器的量程为0-2安培。所述的GPRS通信模块与PC上位机之间采用GSM/GPRS网络进行信号传输。
所述的步骤二中的预测模型的输入和输出相量分别为:预测等值盐密和灰密度的最小二乘支持向量机模型的输入量采用空气相对湿度 、泄漏电流工频量以及泄漏电流有效值,输出量采用绝缘子表面等值盐密(ESDD)和灰度(NSDD),所述步骤2中的对样本数据归一化处理的公式为:
式中:、、、分别表示空气相对湿度、泄漏电流工频量、泄漏电流有效值、绝缘子表面等值盐密(ESDD)和灰度(NSDD)中的任意一个量、任意一个量归一化处理后的值、以及任意一个量的最小值和最大值。
所述的步骤三中的最小二乘支持向量机的径向基核函数以及模型性能评价指标分别为:一、最小二乘支持向量机的径向基核函数为
式中:;exp为以自然对数e为底的指数函数; 为径向基核函数的核宽度;;
二、模型性能评价指标的计算公式为:
其中,、 分别为盐密和灰密的预测值;、分别为盐密和灰密的实际值。
所述步骤四中的采用遗传算法对最小二乘支持向量机预测模型进行优化。
本发明具有以下有益效果:采用了以上技术方案后,本发明可精确实现绝缘子等值盐密及灰度的预测,为绝缘子清扫提供依据;本发明提出的最小二乘支持向量机,可以简化支持向量机求解中的二次规划问题,可大大节省计算时间。本发明提出的支持向量机算法具有学习速度快、泛华能力远好于神经网络模型和模糊密西,能够很好地解决小样本、非线性、局部最优等实际难题。本发明利用遗传算法寻找最优的模型参数和,可避免传统支持向量机参数选取时通过反复的试验,人工选取的缺陷。本发明的泄漏电流在线监测系统,可以为预测模型实时提供现场数据,体现了理论结合实际的思想,使得本发明的内容和结论更接近工程实际。
附图说明
图1为本发明方法的实现原理图。
图2为本发明遗传算法流程图。
图3为本发明遗传算法对模型参数寻优流程图。
图4为本发明经遗传算法优化的最小二乘支持向量机模型的训练误差图。
图5为本发明实施例一中情况1下表面污秽度不同时泄漏电流有效值随湿度的变化曲线。
图6为本发明实施例一中情况2下表面污秽度不同时泄漏电流有效值随湿度的变化曲线。
图7为本发明实施例一中情况3下表面污秽度不同时泄漏电流有效值随湿度的变化曲线。
图8为本发明实施例一中情况4下表面污秽度不同时泄漏电流有效值随湿度的变化曲线。
具体实施方式
本发明基于最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法的实现原理如图1所示,该方法主要包括如下步骤:
步骤一:设计泄漏电流在线监测系统,用于统计泄漏电流时域特征量的变化;
步骤二:确定最小二乘支持向量机预测模型的输入和输出相量并对样本数据归一化处理;
步骤三:确定最小二乘支持向量机的径向基核函数以及模型性能评价指标;
步骤四:采用遗传算法对最小二乘支持向量机预测模型进行优化。
下面对每个步骤作进一步详细说明:
步骤1中:设计泄漏电流在线监测系统,用于统计泄漏电流时域特征量的变化
在线监测系统主要统计泄漏电流时域特征量(泄漏电流工频量以及泄漏电流有效值)变化,不需要很高的采样率和很宽的频带,同时污秽绝缘子泄漏电流通常很小。为了提高测量精度,选用穿芯式小电流传感器,量程设在0~2 A 范围。根据上述特点,本发明提出了泄漏电流在线监测装置,其主体结构见图1。
测量的泄漏电流通过屏蔽绞线引到电流的采样处理部分,同时温湿度传感器获取当前的环境信息,与监测主机进行RS485 串口通信。所有数据通过GPRS 模块无线传输到PC 上位机的专家诊断软件,即绝缘子等值盐密和灰密的智能预测模型,最后给出污秽等级的判断。
在该系统的组成和功能包括:1)系统电源:为泄漏电流在线监测系统提供电源。2)穿芯式小电流传感器:采集泄漏电流。为提高测量精度,选用的穿芯式小电流传感器的量程为0-2安培。3)温湿度传感器:用于获取当前环境的温度和湿度信息。4)监测主机:与穿芯式小电流传感器、温湿度传感器进行RS232通信,并处理传感器获取的泄漏电流和温湿度信息。5)PC上位机:用于数据通信以及绝缘子盐密和灰密预测。6)GPRS通信模块:用于监测主机和PC上位机之间的实时通信。
所述步骤一中的泄漏电流在线监测系统包括系统电源、穿芯式小电流传感器、温湿度传感器、监测主机、PC上位机和GPRS通信模块,穿芯式小电流传感器和温湿度传感器都与绝缘子对应,系统电源与监测主机的电源端连接,穿芯式小电流传感器和温度传感器都与监测主机的输入端连接,监测主机的输出端通过GPRS通信模块与PC上位机实时通信连接,所述的系统电源为泄漏电流在线监测系统的检测主机提供电源,穿芯式小电流传感器采集绝缘子的泄漏电流的信号并将信号传输给监测主机,温湿度传感器用于获取绝缘子当前环境的温度和湿度信号并将信号传输给监测主机,监测主机对泄露电流的信号以及温度和湿度的信号进行处理并通过GPRS通信模块输入给PC上位机,PC上位机通过泄露电流的信号以及温度和湿度的信号对绝缘子盐密和灰密进行预测。所述的穿芯式小电流传感器与监测主机之间采用RS232通信协议进行信号传输,温湿度传感器与与监测主机之间采用RS232通信协议进行信号传输。所述的穿芯式小电流传感器的量程为0-2安培。所述的GPRS通信模块与PC上位机之间采用GSM/GPRS网络进行信号传输。
步骤2中:确定最小二乘支持向量机预测模型的输入和输出相量并对样本数据归一化处理
本发明所述的支持向量机是一种基于统计学习理论的机器学习算法,通过引入适当的核函数,将输入空间映射变换到一个高维空间,在高维空间利用线性回归的方法寻找支持向量。支持向量机 学习速度快,泛化能力远好于神经网络模型和模糊模型,能够很好地解决小样本、非线性、局部最优等实际难题。
最小二乘支持向量机是标准支持向量机的改进, 它用平方和误差损失函数代替不敏感损失函数,用等式型的约束来代替标准支持向量机方法中的不等式约束,这样使求解的二次规划问题就转化为求解线性方程组的问题, 从而演化成简单的矩阵逆运算,提高了求解速度和收敛精度。其具体算法如下:
给定样本向量集,其中是输入矢量,是相应的输出,l为训练样本个数。选择一个非线性变换将该输入空间映射到高维特征空间F。在F 空间里,采用如下表达式来估计未知的非线性函数:
(1)
则,最小二乘支持向量机的的优化问题为:
(2)
等式约束条件为:
(3)
式(1)(2)(3)中:是权向量,b是偏置常数,是惩罚因子,为松弛变量。
构建上述优化问题的拉格朗日函数为:
(4)
式(4)中,为拉格朗日乘子。
根据库恩—塔克最优条件,对式(4)偏导可得:
(5)
消去式(5)中的和,可得如下线性方程组:
(6)
式(6)中:e=[1,1,…,1]T;y=[y 1,y 2…,y l ]T;a=[a 1,a 2,…,a l ]T; I 为单位矩阵;。定义核函数为:
(7)
其中代表式(6)中矩阵的第i行j列元素。
式(6)为一组线性方程组,可用最小二乘法求出a i与b, 由此得到预测输出为:
(8)
在绝缘子表面洁净或污秽干燥的情况下,泄漏电流有效值很小。随着绝缘子表面污秽度的增加,泄漏电流有效值增大,绝缘子表面的泄漏电流以工频量为主。 随着空气中相对湿度的增加,泄漏电流有效值与工频分量也会随之增加,而且当有放电发生后,这种趋势更加明显。
因此,本文中预测等值盐密和灰密的最小二乘支持向量机模型采用3个输入量和2个输出量。3个输入量为:空气相对湿度、泄漏电流工频量以及泄漏电流有效值;2个输出量为:绝缘子表面等值盐密(ESDD)和灰度(NSDD)。
并利用如下公式将输入量空气相对湿度、泄漏电流工频量、泄漏电流有效值;和输出量绝缘子表面等值盐密(ESDD)和灰度(NSDD)归一化处理到[0,1]:
(9)
式中:、、、分别表示空气相对湿度、泄漏电流工频量、泄漏电流有效值、绝缘子表面等值盐密(ESDD)和灰度(NSDD)中的任意一个量、任意一个量归一化处理后的值、以及任意一个量的最小值和最大值。
步骤3中:确定最小二乘支持向量机的径向基核函数以及模型性能评价指标;
1)本发明中选用径向基核函数,其表达式为:
(10)
式中:;exp为以自然对数e为底的指数函数; 为径向基核函数的核宽度;。
2)模型性能评价指标的计算公式为:
(11)
其中,、 分别为盐密和灰密的预测值;、分别为盐密和灰密的实际值。
步骤4中:采用遗传算法对最小二乘支持向量机预测模型进行优化
最小二乘支持向量机模型中有两个重要的参数和需要确定,这两个参数对模型的预测能力有非常大的影响。其中为惩罚因子,它控制着模型对超出误差的样本的惩罚程度;为模型中所选择核函数的参数。为寻找最佳的和,本发明采用遗传算法对模型参数和进行寻优。
经遗传算法优化的最小二乘支持向量机模型的输入量和输出量仍为空气相对湿度、泄漏电流工频量以及泄漏电流有效值;绝缘子表面等值盐密(ESDD)和灰度(NSDD)。有所不同的是,为了使 最小二乘支持向量机模型获得最优的参数值,本发明提出采用遗传算法进行模型参数和的寻优。本发明所选用的遗传算法的流程图如图2所示;
遗传算法的流程为:变量GEN是当前进化代数,N是种群规模,M是算法执行的最大代数,当GEN=0时,随机创建初始群体,然后判断是否满足终止条件,如果满足则出现指定结果,指定结果即为结果,当不满足终止条件时,计算群体中每个个体的适应度函数值,函数值从i=0到i=M,如果i=M时,GEN= GEN+1,则继续进行计算群体中每个个体的适应度函数值,如果i没有达到M时,则概率地选择遗传操作,它可以分三种情况进行:第一种情况时根据适应度值选择一个个体,对个体完成繁殖,然后把新的孩子加入到群体中达到i=i+1,第二种情况为根据适应度值选择两个个体,i=i+1,完成杂交,把新的两个孩子加入到群体中完成i=i+1;第三种情况时根据适应度值选择一个个体,然后完成变异,把变异后的个体加入到群体中完成i=i+1,当三种情况为i=i+1时,怎继续计算i是否达到M,如果如果i=M时,GEN= GEN+1,则继续进行计算群体中每个个体的适应度函数值,如果i没有达到M时,则概率地选择遗传操作。
采用遗传算法对模型参数寻优的实现流程图如图3所示。
遗传算法对模型参数寻优的实现流程为:开始后首先设定LS-SVM模型参数的寻优区间,初始化群体,设定遗传算法的适应度函数、交叉和变异概率、初始化种群规模、进化代数,然后再输入训练样本和校验样本,再用遗传算法对LS-SVM模型参数寻优看是否达到迭代次数,如果没有达到迭代次数则继续用遗传算法对LS-SVM模型参数寻优,如果达到迭代次数则输出寻优模型参数和相应模型,最后应用模型进行预测并输出结果。
首先将和按实数编码方式进行编码,寻优区间分别为(0,200),(0,15),遗传算法的种群规模为30,交叉概率P c为 0.9,变异概率P m为 0.033,进化代数为 1000代,模型性能的评价函数设定为如式(11)所示的检验样本的平均误差。
下面介绍一个具体的实施例:
本发明的实施例首先选用第 1~70 组数据为训练数据,第 1~100 组数据为校验数据,其中校验数据既包含了训练数据又包含了未受训练的数据,这样较好的兼顾了经验风险和泛化能力,之后再用训练好的模型对另外 30 组样本数据进行预测,最后将预测值与实际值进行比较。
输入训练样本和校验样本,并用遗传算法对最小二乘支持向量机模型参数寻优,得到寻优模型的参数为 157.0478, 为 0.1023,迭代次数为 1000。优化模型的平均误差为8.77%,模型的训练误差结果如图4所示。
在确定了模型参数之后,本文利用训练好的模型对另外 30 组数据进行预测。由图4 可知,训练结果存在较大误差。这是由于在训练过程中,校验数据中包含的未受训练样本的输出结果误差较大。在某些情况下,支持向量机甚至出现了误判断。为了分析原因,本发明将最后 30 组预测结果以分组的形式进行讨论,并总结出了以下4种典型的情况。
情况1:当实际盐密(ESDD)/灰密(NSDD) 值为 0.05/0.8 mg/cm2时,预测值与实际值的对比如表1所示。
表1中湿度为 55%的情况,ESDD/NSDD 为 0.05/0.8 mg/cm2时,泄漏电流有效值为 263 ,工频幅值为 371.62 ;而 ESDD/NSDD 为 0.1/0.8 mg/cm2时,泄漏电流有效值为 266 ,工频幅值为 374.36 。两组数据的泄漏电流相差较小。根据支持向量机理论,预测结果是在支持向量机经过学习了有限的训练样本之后做出的,支持向量机认为此时泄漏电流与湿度值更符合 ESDD/NSDD 为 0.1/0.8 mg/cm2的情况。故 ESDD 实际值为 0.05 mg/cm2,预测值为 0.0943 mg/cm2,接近 0.1 mg/cm2;NSDD 实际值为 0.8 mg/cm2,预测值为 0.7584 mg/cm2。ESDD 预测值与实际值之间有偏离,此时最小二乘支持向量机出现了误判断的情况。
根据表1中预测值与实际值的对比,借助不同湿度下 ESDD/NSDD 分别为0.05/0.8 mg/cm2和 0.1/0.8 mg/cm2时泄漏电流有效值曲线图分析,如图 5所示。
表1 预测值与实际值的对比
情况2:当实际盐密(ESDD)/灰密(NSDD) 值为 0.1/1.5 mg/cm2时,预测值与实际值的对比如表2所示。
当湿度为 45%时,ESDD/NSDD 为 0.1/1.5 mg/cm2的情况下,泄漏电流有效值为228,泄漏电流工频幅值为 322.0132;而 ESDD/NSDD 为 0.2/1.2mg/cm2的情况下,泄漏电流有效值为 232 ,泄漏电流工频幅值为 322.6407。两种情况下的泄漏电流非常 接 近 , 支 持 向 量 机 的 预 测 结 果 为 0.1891/1.1402 mg/cm2,接 近0.2/1.2mg/cm2,ESDD 与 NSDD 预测值均与实际值不相同。不同湿度下 ESDD/NSDD分别为 0.1/1.5 mg/cm2和 0.2/1.2 mg/cm2时泄漏电流有效值曲线如图6所示。
表2 预测值与实际值的对比
通过分析图5和图6中湿度较高的情况,发现随着湿度的增加,对于不同的表面污秽度,泄漏电流增大的速率出现了差别,而且两条曲线的分离越来越明显,此时两条曲线上的点容易区分,从预测结果来看,支持向量机都能做出正确的预测。
情况3:当实际盐密(ESDD)/灰密(NSDD) 值为 0.05/1.5 mg/cm2时,预测值与实际值的对比如表3所示。
表 3 预测值与实际值的对比
情况3下,借助在不同湿度下 ESDD/NSDD 分别为 0.05/1.5mg/cm2和 0.1/0.8 mg/cm2的曲线图进行分析,如图7所示。
两条泄漏电流有效值曲线在湿度为 67%时相交,但泄漏电流的工频幅值在ESDD/NSDD 为 0.05/1.5 mg/cm2时为 767.8375,而 ESDD/NSDD 为 0.1/0.8 mg/cm2时,其值为 750.5374,泄漏电流工频幅值相差较大。对于训练样本,会有这种情况出现,即泄漏电流有效值或工频幅值中有一个输入量相同,另外一个输入量相差较大,支持向量机可以根据此时输入量的不同做出区分和预测。
情况4:当实际盐密(ESDD)/灰密(NSDD) 值为 0.1/0.8mg/cm2时,预测值与实际值的对比如表4所示。
表4 预测值与实际值的对比
情况4下,借助在不同湿度下 ESDD/NSDD 分别为 0.1/0.8 mg/cm2、0.1/1.0mg/cm2和
0.2/0.8 mg/cm2的曲线图进行分析,如图8所示。
当绝缘子表面干燥或湿度较低时,即使绝缘子表面的污秽度有很大差别,其表面泄漏电流也只是相差很小。当湿度为 45%时,ESDD/NSDD 为 0.1/0.8mg/cm2的情况下,泄漏电流有效值为205,泄漏电流工频幅值为288.944 ;ESDD/NSDD 为0.1/1.0 mg/cm2的情况下,泄漏电流有效值为206 ,泄漏电流工频幅值为290.3475;ESDD/NSDD 为 0.2/0.8 mg/cm2的情况下,泄漏电流有效值为206 ,泄漏电流工频幅值为289.8073。在湿度为 45%情况下,三者之间的泄漏电流相差很小,支持向量机做出的预测与实际值偏差很大,并且预测的结果与上述三个样本均不相符。进行训练样本选择时,本发明选择 ESDD/NSDD 为 0.1/1.0 mg/cm2和 0.2/0.8mg/cm2的数据作训练样本,而 ESDD/NSDD 为 0.1/0.8 mg/cm2的数据作为预测样本,三者之间样本输入量的相差太小,支持向量机难以对预测样本做出正确的判断。如果出现这种情况,解决办法是继续在高湿度选点。
在本说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (8)
1.一种最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,它包括以下步骤:
步骤一,首先设计绝缘子的泄漏电流在线监测系统,泄漏电流的在线监测系统用于统计泄漏电流时域特征量的变化;
步骤二,确定最小二乘支持向量机预测模型的输入和输出相量并对样本数据归一化处理;
步骤三,确定最小二乘支持向量机的径向基核函数以及模型性能评价指标;
步骤四:采用遗传算法对最小二乘支持向量机预测模型进行优化。
2.根据权利要求1所述的最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,其特征在于:所述步骤一中的泄漏电流在线监测系统包括系统电源、穿芯式小电流传感器、温湿度传感器、监测主机、PC上位机和GPRS通信模块,穿芯式小电流传感器和温湿度传感器都与绝缘子对应,系统电源与监测主机的电源端连接,穿芯式小电流传感器和温度传感器都与监测主机的输入端连接,监测主机的输出端通过GPRS通信模块与PC上位机实时通信连接,所述的系统电源为泄漏电流在线监测系统的检测主机提供电源,穿芯式小电流传感器采集绝缘子的泄漏电流的信号并将信号传输给监测主机,温湿度传感器用于获取绝缘子当前环境的温度和湿度信号并将信号传输给监测主机,监测主机对泄露电流的信号以及温度和湿度的信号进行处理并通过GPRS通信模块输入给PC上位机,PC上位机通过泄露电流的信号以及温度和湿度的信号对绝缘子盐密和灰密进行预测。
3.根据权利要求2所述的最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,其特征是所述的穿芯式小电流传感器与监测主机之间采用RS232通信协议进行信号传输,温湿度传感器与与监测主机之间采用RS232通信协议进行信号传输。
4.根据权利要求2所述的最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,其特征是所述的穿芯式小电流传感器的量程为0-2安培。
5.根据权利要求2所述的最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,其特征是所述的GPRS通信模块与PC上位机之间采用GSM/GPRS网络进行信号传输。
6.根据权利要求1所述的最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,其特征是所述的步骤二中的预测模型的输入和输出相量分别为:预测等值盐密和灰密度的最小二乘支持向量机模型的输入量采用空气相对湿度 、泄漏电流工频量以及泄漏电流有效值,输出量采用绝缘子表面等值盐密(ESDD)和灰度(NSDD),所述步骤2中的对样本数据归一化处理的公式为:
式中:、、、分别表示空气相对湿度、泄漏电流工频量、泄漏电流有效值、绝缘子表面等值盐密(ESDD)和灰度(NSDD)中的任意一个量、任意一个量归一化处理后的值、以及任意一个量的最小值和最大值。
7.根据权利要求1所述的最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,其特征是所述的步骤三中的最小二乘支持向量机的径向基核函数以及模型性能评价指标分别为:
一、最小二乘支持向量机的径向基核函数为
式中:;exp为以自然对数e为底的指数函数; 为径向基核函数的核宽度;;
二、模型性能评价指标的计算公式为:
其中,、 分别为盐密和灰密的预测值;、分别为盐密和灰密的实际值。
8.根据权利要求1所述的最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法,其特征是所述步骤四中的采用遗传算法对最小二乘支持向量机预测模型进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310305250.1A CN104502410A (zh) | 2013-07-21 | 2013-07-21 | 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310305250.1A CN104502410A (zh) | 2013-07-21 | 2013-07-21 | 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104502410A true CN104502410A (zh) | 2015-04-08 |
Family
ID=52943825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310305250.1A Pending CN104502410A (zh) | 2013-07-21 | 2013-07-21 | 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104502410A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915638A (zh) * | 2015-05-08 | 2015-09-16 | 国家电网公司 | 基于参数优化的最小二乘支持向量机触电电流检测方法 |
CN104931653A (zh) * | 2015-06-04 | 2015-09-23 | 国网河南省电力公司电力科学研究院 | 基于等值盐密参数的悬式绝缘子积污难易程度的标定方法 |
CN104992047A (zh) * | 2015-06-04 | 2015-10-21 | 国网河南省电力公司电力科学研究院 | 基于灰密参数的悬式绝缘子积污难易程度的标定方法 |
CN105137265A (zh) * | 2015-08-26 | 2015-12-09 | 芜湖市凯鑫避雷器有限责任公司 | 绝缘子泄露电流预测方法 |
CN105160419A (zh) * | 2015-08-06 | 2015-12-16 | 国家电网公司 | 一种引入空气质量指数的绝缘子等值盐密度预测模型 |
CN106570561A (zh) * | 2016-11-08 | 2017-04-19 | 华中科技大学 | 一种绝缘子表面不可溶沉积物密度预测系统及方法 |
CN108870090A (zh) * | 2018-06-22 | 2018-11-23 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1619340A (zh) * | 2004-11-19 | 2005-05-25 | 中国矿业大学 | 煤岩动力灾害实时监测预报装置及预报方法 |
CN101603850A (zh) * | 2009-06-29 | 2009-12-16 | 中国电力工程顾问集团中南电力设计院 | 一种特高压输电线路在线监测系统 |
CN101620676A (zh) * | 2009-07-02 | 2010-01-06 | 浙江省电力公司 | 绝缘子轮廓的快速图像识别方法 |
CN101630411A (zh) * | 2009-07-02 | 2010-01-20 | 浙江省电力公司 | 基于熵值的面向输电线路部件识别的自动阈值图象分割方法 |
CN201628558U (zh) * | 2008-12-23 | 2010-11-10 | 胡广生 | 一种输电线路的数字化在线监测系统和监测装置 |
CN102221641A (zh) * | 2011-04-07 | 2011-10-19 | 北京交通大学 | 高压输电线路绝缘子泄漏电流在线监测系统 |
CN102331540A (zh) * | 2011-05-26 | 2012-01-25 | 江苏科技大学 | 一种特高压输电线路电晕放电在线监测装置及方法 |
CN102435812A (zh) * | 2011-09-22 | 2012-05-02 | 广东电网公司深圳供电局 | 绝缘子泄漏电流采集环以及绝缘子泄漏电流采集装置 |
CN102680815A (zh) * | 2012-04-16 | 2012-09-19 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种复合绝缘子交界面的检测方法及系统 |
CN202471872U (zh) * | 2011-11-28 | 2012-10-03 | 四川省电力公司超高压运行检修公司 | 输电线路绝缘子污秽在线监测系统 |
-
2013
- 2013-07-21 CN CN201310305250.1A patent/CN104502410A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1619340A (zh) * | 2004-11-19 | 2005-05-25 | 中国矿业大学 | 煤岩动力灾害实时监测预报装置及预报方法 |
CN201628558U (zh) * | 2008-12-23 | 2010-11-10 | 胡广生 | 一种输电线路的数字化在线监测系统和监测装置 |
CN101603850A (zh) * | 2009-06-29 | 2009-12-16 | 中国电力工程顾问集团中南电力设计院 | 一种特高压输电线路在线监测系统 |
CN101620676A (zh) * | 2009-07-02 | 2010-01-06 | 浙江省电力公司 | 绝缘子轮廓的快速图像识别方法 |
CN101630411A (zh) * | 2009-07-02 | 2010-01-20 | 浙江省电力公司 | 基于熵值的面向输电线路部件识别的自动阈值图象分割方法 |
CN102221641A (zh) * | 2011-04-07 | 2011-10-19 | 北京交通大学 | 高压输电线路绝缘子泄漏电流在线监测系统 |
CN102331540A (zh) * | 2011-05-26 | 2012-01-25 | 江苏科技大学 | 一种特高压输电线路电晕放电在线监测装置及方法 |
CN102435812A (zh) * | 2011-09-22 | 2012-05-02 | 广东电网公司深圳供电局 | 绝缘子泄漏电流采集环以及绝缘子泄漏电流采集装置 |
CN202471872U (zh) * | 2011-11-28 | 2012-10-03 | 四川省电力公司超高压运行检修公司 | 输电线路绝缘子污秽在线监测系统 |
CN102680815A (zh) * | 2012-04-16 | 2012-09-19 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种复合绝缘子交界面的检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
史丽萍 等: "应用最小二乘支持向量机在线预测绝缘子等值附盐密度", 《高压电器》 * |
黄彬: "悬式瓷绝缘子表面等值盐密与灰密预测方法的研究", 《中国优秀硕士学位论文全文数据库(电子期刊) 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915638A (zh) * | 2015-05-08 | 2015-09-16 | 国家电网公司 | 基于参数优化的最小二乘支持向量机触电电流检测方法 |
CN104931653A (zh) * | 2015-06-04 | 2015-09-23 | 国网河南省电力公司电力科学研究院 | 基于等值盐密参数的悬式绝缘子积污难易程度的标定方法 |
CN104992047A (zh) * | 2015-06-04 | 2015-10-21 | 国网河南省电力公司电力科学研究院 | 基于灰密参数的悬式绝缘子积污难易程度的标定方法 |
CN105160419A (zh) * | 2015-08-06 | 2015-12-16 | 国家电网公司 | 一种引入空气质量指数的绝缘子等值盐密度预测模型 |
CN105160419B (zh) * | 2015-08-06 | 2018-09-21 | 国家电网公司 | 一种引入空气质量指数的绝缘子等值盐密度预测模型 |
CN105137265A (zh) * | 2015-08-26 | 2015-12-09 | 芜湖市凯鑫避雷器有限责任公司 | 绝缘子泄露电流预测方法 |
CN106570561A (zh) * | 2016-11-08 | 2017-04-19 | 华中科技大学 | 一种绝缘子表面不可溶沉积物密度预测系统及方法 |
CN106570561B (zh) * | 2016-11-08 | 2019-04-12 | 华中科技大学 | 一种绝缘子表面不可溶沉积物密度预测系统及方法 |
CN108870090A (zh) * | 2018-06-22 | 2018-11-23 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
CN108870090B (zh) * | 2018-06-22 | 2020-07-14 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104502410A (zh) | 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 | |
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
Huang et al. | Air quality prediction using improved PSO-BP neural network | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN109165764A (zh) | 一种遗传算法优化bp神经网络的线损计算方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN107741578B (zh) | 智能电能表运行误差远程校准的原始抄表数据处理方法 | |
CN110210606A (zh) | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 | |
CN101655456B (zh) | 基于粒子群支持向量机的绝缘子等值盐密光纤检测方法 | |
CN110781947B (zh) | 用电负荷预测模型训练、用电负荷预测方法及装置 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN107103184A (zh) | 一种高压电缆接头温度预测方法 | |
CN106599417A (zh) | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 | |
CN114896872A (zh) | 一种高压输电线路覆冰状态综合评估方法 | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
Sun et al. | Contamination degree prediction of insulator surface based on exploratory factor analysis‐least square support vector machine combined model | |
CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及系统 | |
Ma et al. | Online assessment of failure probability for smart meters based on SARIMA-LTFRLS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150408 |