CN108875793B - 一种基于cso-lssvm的污区等级评估方法 - Google Patents

Abstract

本发明公开了一种基于CSO‑LSSVM的污区等级评估方法，所述方法包括：选取污区评估范围内的历史气象数据作为样本点信息，建立LSSVM模型，并引入拉格朗日方程和高斯径向函数得到LSSVM方程的回归函数，并采用采用CSO算法对最终得到的LSSVM的回归函数中的核参数σ以及惩罚系数γ进行寻优求解，将待优化参数的最优值代入到LSSVM的回归函数中，对样本点数据进行评估。采用本申请提供的基于CSO‑LSSVM的污区等级评估方法，只需采集需要确定污染等级的区域的历史气象数据，即可算出污区的等级，使得污区等级评估的周期更短，准确性较高而且成本更低。

Description

一种基于CSO-LSSVM的污区等级评估方法

技术领域

本申请涉及电力系统技术领域，尤其涉及一种基于CSO-LSSVM的污区等级评估方法。

背景技术

绝缘子是安装在不同电位的导体或导体与接地件之间的能够耐受电压和机械应力作用的器件，在运行电压、雷电过电压及内部过电压作用下，不发生击穿或沿表面闪络，并在长时和短时的机械复合作用下，不产生破坏或损坏，能够在架空输电线路中起到重要的作用。

但是大气中的盐雾、尘埃等污秽物在长期暴露在空气中的绝缘子的表面逐渐积累，遇到雨水受潮后往往会发生污闪事故，称为绝缘子污闪事故。可见，绝缘子发生污闪事故的概率与气象环境的污秽程度直接相关。而污区等级则是评价绝缘子所在地区污秽程度的重要指标，也是反映绝缘子发生污闪事故的概率高低的指标。

污区等级是超高压输电线路建设方案设计时的关键参考，因此如何精确评估污区等级是重要的。目前，污区等级的评估的主要方法是，选取某一污区内的绝缘子片，利用棉布、脱脂棉浸水后清洗绝缘子上污垢，并将充分溶解在清水中，采用数字式电导仪测量溶液电导率，根据电导率推导出溶液的等值盐密(ESDD)，根据ESDD与污区的对应关系得到污区的等级。但是上述评估方法存在数据采集复杂，采集周期较长，人力成本较高的问题，而且采集过程容易带入误差，影响评估结果。

因此，如何提供一种污区等级的评估方法，既能提高效率和准确性，又能节约成本是亟待解决的问题。

发明内容

本申请提供了一种基于CSO-LSSVM的污区等级评估方法，以解决目前污区等级评估周期长、准确性差以及成本较高的技术问题。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

一种基于CSO-LSSVM的污区等级评估方法，所述方法包括：

S01：建立样本点信息：确定污区评估的地理范围，并获取所述地理范围内上一年度的历史污区划分等级以及与所述污区一一对应的历史气象数据，随机选取历史气象数据的80％作为训练样本数据，选取20％作为测试样本数据；

S02：构建LSSVM模型：利用含有LSSVM工具箱的软件建立LSSVM的程序，选取搜索空间为(1，l)，其中，

x_i∈R，R为实数，x_i为第i个样本气象数据，y_i为所述上一年度的污区等级，则在搜索空间为l的范围内判别函数为

其中，x为待预测地区的样本气象数据，

为x的映射函数，可将训练数据映射到高维空间，ω为权向量，b为偏置常数；

建立LSSVM的数学模型为

其中，γ称为惩罚系数，ζ为误差变量；

引入拉格朗日方程对ζ误差变量进行优化，然后采用高斯径向函数K作为LSSVM的核函数，得到LSSVM的回归函数为

其中，K为高斯径向函数，b为偏置常数，α为拉格朗日系数；

S03：采用CSO算法对最终得到的LSSVM的回归函数中的核参数σ以及惩罚系数γ进行寻优求解：首先，在D维空间内，核参数σ和惩罚系数γ共同构成一个个体结构X_k＝{σ_k,γ_k},k＝1,2,…,n，且核参数σ与惩罚系数γ初始值均为1，每个个体都视为该空间内的个体鸡，鸡群S是由n个潜在解构成的鸡群

S＝{X₁,X₂,…,X_n}，

X_i＝(X_i1,X_i2,…,X_iD)^T,(i＝1,2,…,n)，代表着第i个个体鸡在空间中所处的位置；

然后，所述鸡群包括公鸡、母鸡以及小鸡，其中公鸡觅食能力最强，小鸡的觅食能力最弱，每个个体按照一定的运动规律觅食，公鸡觅食的位置更新公式为

式中，P_i,j为第i只公鸡所处位置第j维度的值，randn(0,σ²)为正态分布随机数，其期望为0，标准差为σ，f_i为第i只公鸡的适应度值，f_r为随机选取的第r只公鸡的适应度值；

母鸡觅食的位置更新公式为

式中，R₁和R₂为随机数，取值范围为[0,1]；r₁为母鸡i的伴侣；r₂为母鸡i所在群体中除自身以外的另一只公鸡或者母鸡；C₁和C₂代表影响因子；

小鸡觅食的位置更新公式为

式中，P_m,j代表小鸡母亲所处位置第j维度的值；母亲觅食行为对小鸡的影响程度用F来表示，其取值范围通常为(0,2)；

S04：污区等级评估：设定个体鸡搜索空间，将步骤S01选取的训练样本数据进行归一化处理，设置CSO算法参数，将设置的待优化参数代入步骤S02中的LSSVM的回归函数中进行评估，获得训练样本的评估准确率作为适应度，再按照适应度划分个体鸡的类型，同时获得所有个体鸡中的最优解：

首先判断个体鸡的最优解是否在所述个体鸡的搜索空间内：

若是，则进行个体鸡位置值的替代，并进行下一次鸡群位置更新；

若否，则直接进行下一次鸡群位置更新；

然后在进行下一次鸡群位置更新时，则判断是否满足鸡群关系更新条件：

若是，则进行鸡群等级秩序、伙伴关系和母子关系更新；

若否，则更新鸡群位置；

完成迭代次数，并输出待优化参数的最优值代入步骤S02中的LSSVM的回归函数中对步骤S01中的测试样本数据进行评估。

优选地，LSSVM的核函数为：

优选地，步骤S02中，为了对ζ误差变量进行优化，引入拉格朗日公式，所述拉格朗日公式为

其中，α_i为拉格朗日乘子，

保留拉格朗日公式只有b和α，根据KKT最优条件

其中，

y＝[y₁,y₂,…,y_l]^T，α＝[α₁,α₂,…,α_l]^T，I为单位矩阵，1为元素全为1的列向量。

优选地，在步骤S04中对获取的所述历史气象数据进行离差归一化处理，所述离差归一化处理的表达函数为

其中，x为实际样本数据，x_max，x_min为所有训练数据中该维数据的最大值与最小值，x_max为样本数据的最小值，最后样本点数据将被映射到[0，1]范围。

优选地，在步骤S04中，设置所述迭代次数为100次。

与现有技术相比，本申请的有益效果为：

本发明实施例提供的一种基于CSO-LSSVM的污区等级评估方法，采集污区评估地理范围内的气象数据，其中气象数据包括相对湿度、气温、降水量以及平均气温，在数据中随机选取一部分作为训练样本数据，剩余部分作为测试样本数据。建立LSSVM数学模型对采集的气象数据进行评估，但是LSSVM数学模型中的参数惩罚系数γ以及核参数σ的确定较为困难。为确定LSSVM数学模型中的参数值，引入CSO算法。CSO算法是一种模拟鸡群觅食行为的新型智能优化算法，在D维空间内，核参数σ以及惩罚系数γ共同构成一个个体结构X_k＝{σ_k,γ_k},k＝1,2,…,n，每个个体结构视为该空间内的个体鸡，鸡群S是由n个潜在解构成的鸡群：S＝{X₁,X₂,…,X_n}；X_i＝(X_i1,X_i2,…,X_iD)^T,(i＝1,2,…,n)，代表着第i个个体鸡在空间中所处的位置，鸡群S中分为公鸡、母鸡以及小鸡三个种类，每个种类按照一定的运动规律觅食，分别确定公鸡、母鸡以及小鸡的位置更新公式。设定个体鸡搜索空间，将步骤S01选取的训练样本数据进行归一化处理，设置CSO算法参数，将设置的待优化参数代入步骤S02中的LSSVM的回归函数中进行评估，获得训练样本的评估准确率作为适应度，再按照适应度划分个体鸡的类型，同时获得所有个体鸡中的最优解；首先判断个体鸡的最优解是否在所述个体鸡的搜索空间内：若是，则进行个体鸡位置值的替代，并进行下一次鸡群位置更新；若否，则直接进行下一次鸡群位置更新；然后在进行下一次鸡群位置更新时，则判断是否满足鸡群关系更新条件：若是，则进行鸡群等级秩序、伙伴关系和母子关系更新；若否，则更新鸡群位置；完成迭代次数，并输出待优化参数的最优值。将最优值代入LSSVM的数学模型中，对测试样本数据进行评估，得出对应区域的污染等级。在本申请中，污区等级原来的定性划分转变为数值化，数值越大则代表污区的等级越高，使得结果更为直观，最后将数字整理归类。而且采用本申请提供的基于CSO-LSSVM的污区等级评估方法，只需采集需要确定污染等级的区域的气象数据，即可算出污区的等级，使得污区等级评估的周期更短，准确性较高而且成本更低。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于CSO-LSSVM的污区等级评估方法的工作流程图；

图2为本申请实施例提供的一种云南省为污区评估的地理范围的采样点分布图；

图3为本申请实施例提供的一种污区等级评估的工作流程图；

图4为本申请实施例提供的一种训练样本原始污区值与LSSVM评估后污区值的对比图；

图5为本申请实施例提供的一种预测样本原始污区值与LSSVM评估后污区值的对比图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

请参考图1，所示为本申请实施例提供的一种基于CSO-LSSVM的污区等级评估方法的工作流程图，以下实施例均以图1所示的流程步骤为基础。由图1可见，该基于CSO-LSSVM的污区等级评估方法，具体是：

S01：建立样本点信息：确定污区评估的地理范围，并获取所述地理范围内上一年度的历史污区划分等级以及与所述污区一一对应的历史气象数据，随机选取历史气象数据的80％作为训练样本数据，选取20％作为测试样本数据；

在本申请实施例中，绝缘子污秽物的形成主要与当地的相对湿度、温度、降水量以及平均风速有关，因此在本申请中提取需要进行污区评估的地理范围内的相对湿度、温度、降水量以及平均风速四个气象数据作为训练样本数据和测试样本数据。气象数据的采集点为气象站，而气象站则根据输电网的分布进行选择，选取输电网附近的气象站作为气象数据的采集点。

以云南省为污区评估的地理范围为例，图2为本申请实施例提供的一种云南省为污区评估的地理范围的采样点分布图。共选取31个气象采样点，其中随机选取23个气象采样点作为训练样本数据，8个气象采样点作为预测样本数据。采样点均为气象站，对每个样本点2016年全年日值气象数据进行整理，提取出日相对湿度、日平均温度、日平均降水量以及日平均分速，以该气象数据作为历史气象数据以及相对应年份的污区等级为本申请提供的评估方法的样本数据。其中，样本采样点所述的污区等级根据划分数据分为A、B、C、D、E五个等级。以腾冲区为例，腾冲区的样本点的气象数据以及对应污区等级如表1所示。

表1

S02：构建LSSVM模型：利用含有LSSVM工具箱的软件建立LSSVM的程序，选取搜索空间为(1，l)，其中，

x_i∈R，R为实数，x_i为第i个样本气象数据，y_i为所述上一年度的污区等级，则在搜索空间为l的范围内判别函数为

其中，x为待预测地区的样本气象数据，

为x的映射函数，可将训练数据映射到高维空间，ω为权向量，b为偏置常数；

建立LSSVM的数学模型为

其中，γ称为惩罚系数，用以控制样本噪声的影响程度，ζ为误差变量；

引入拉格朗日方程对ζ误差变量进行优化，引入拉格朗日函数为

其中，α_i为拉格朗日乘子，

保留拉格朗日公式只有b和α，根据KKT最优条件

其中，

y＝[y₁,y₂,…,y_l]^T，α＝[α₁,α₂,…,α_l]^T，I为单位矩阵，1为元素全为1的列向量。然后采用高斯径向函数K作为LSSVM的核函数，其中高斯径向函数为

为解得b和α，将高斯径向函数K与公式

进行联立求解。

最后得到LSSVM的回归函数为

其中，K为高斯径向函数，b为偏置常数，α为拉格朗日系数。

S03：采用CSO算法对最终得到的LSSVM的回归函数中的核参数σ以及惩罚系数γ进行寻优求解：首先，在D维空间内，核参数σ和惩罚系数γ共同构成一个个体结构X_k＝{σ_k,γ_k},k＝1,2,…,n，且核参数σ与惩罚系数γ初始值均为1，每个个体都视为该空间内的个体鸡，鸡群S是由n个潜在解构成的鸡群

S＝{X₁,X₂,…,X_n}，

X_i＝(X_i1,X_i2,…,X_iD)^T,(i＝1,2,…,n)，代表着第i个个体鸡在空间中所处的位置；

然后，所述鸡群包括公鸡、母鸡以及小鸡，其中公鸡觅食能力最强，小鸡的觅食能力最弱，每个个体按照一定的运动规律觅食，公鸡觅食的位置更新公式为

式中，P_i,j为第i只公鸡所处位置第j维度的值，randn(0,σ²)为正态分布随机数，其期望为0，标准差为σ，f_i为第i只公鸡的适应度值，f_r为随机选取的第r只公鸡的适应度值；

母鸡觅食的位置更新公式为

式中，R₁和R₂为随机数，取值范围为[0,1]；r₁为母鸡i的伴侣；r₂为母鸡i所在群体中除自身以外的另一只公鸡或者母鸡；C₁和C₂代表影响因子；

小鸡觅食的位置更新公式为

式中，P_m,j代表小鸡母亲所处位置第j维度的值；母亲觅食行为对小鸡的影响程度用F来表示，其取值范围通常为(0,2)；

S04：污区等级评估：在(1，l)的搜索空间内，将步骤S01选取的训练样本数据进行归一化处理，设置CSO算法参数，将设置的待优化参数代入步骤S02中的LSSVM的回归函数中进行评估，获得训练样本的评估准确率作为适应度，再按照适应度划分个体鸡的类型，同时获得所有个体鸡中的最优解：

首先判断个体鸡的最优解是否在所述个体鸡的搜索空间内：

若是，则进行个体鸡位置值的替代，并进行下一次鸡群位置更新；

若否，则直接进行下一次鸡群位置更新；

然后在进行下一次鸡群位置更新时，则判断是否满足鸡群关系更新条件：

若是，则进行鸡群等级秩序、伙伴关系和母子关系更新；

若否，则更新鸡群位置；

完成迭代次数，并输出待优化参数的最优值代入步骤S02中的LSSVM的回归函数中对步骤S01中的测试样本数据进行评估。

在本申请实施例中，首先需要预先设定搜索空间，但是搜索空间在设定时，设定的搜索范围空间越大，则优化精度越低，搜索空间太小，则会导致无法得到全局解。因此，在本申请中，采用大步长网格搜索法对LSSVM的回归函数中的核参数σ以及惩罚系数γ进行寻优求解，设定搜索空间为选取搜索空间内预测效果最好的组合作为最优参数。

为调整样本点之间的权重关系，保证历史气象数据对下一年污区等级检测起到应有的作用，因此在对样本点数据进行训练前，需要进行离差归一化处理，所述离差归一化处理的表达函数为

其中，x为实际样本数据，x_max，x_min为所有训练数据中该维数据的最大值与最小值，x_max为样本数据的最小值，最后样本点数据将被映射到[0，1]范围。

参见图3，图3为本申请实施例提供的一种污区等级评估的工作流程图。将训练样本数据进行归一化处理后，设置CSO的参数，即待优化的核参数σ以及惩罚系数γ构成的个体鸡，将待优化的参数值代入LSSVM的回归函数中进行评估，获得训练样本数据的评估准确率作为个体鸡的适应度，按照个体鸡的适应度划分个体鸡类型，按照适应度的排行，前20％为公鸡，中间60％为母鸡，最后20％为小鸡，并同时获得所有个体鸡中的最优解。获得最优解后，首先判断最优解是否位于设定的搜索空间内：若是，则进行个体鸡位置值的替代，并进行下一次鸡群位置更新；若否，则直接进行下一次鸡群位置更新。进行下一次鸡群位置更新时，则先判断是否满足鸡群关系更新条件：若是，则根据公鸡位置更新公式、母鸡位置更新公式以及小鸡位置更新公式进行鸡群等级秩序、伙伴关系和母子关系的更新；若否，则直接更新鸡群位置，位置更新公式为公鸡位置更新公式、母鸡位置更新公式以及小鸡位置更新公式。设定位置更新100次结束，经过对核参数σ以及惩罚系数γ进行迭代更新，最终选取评估准确率最高的参数值，即为优化后的LSSVM的最优参数值。

以云南省为污区评估的地理范围为例，获取31个样本点的气象数据，其中23个为训练样本点数据，8个为评估样本点数据。将得到的最优参数代入LSSVM中对训练样本点进行评估，得出训练样本点对应的污区值。图4为本申请实施例提供的一种训练样本原始污区值与LVSSM评估后污区值的对比图。再对评估样本点进行评估，得到评估样本点对应的污区值。图5为本申请实施例提供的一种预测样本原始污区值与LSSVM评估后污区值的对比图。从图4和图5中可以看出，将污区值做定性分析后，训练样本的评估值具有极高的准确度，正确率达到95.6％，预测样本的评估值的正确率也达到了75％。

由于以上实施方式均是在其他方式之上引用结合进行说明，不同实施例之间均具有相同的部分，本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。

需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。

本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求的内容指出。

以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (5)

1.一种基于CSO-LSSVM的污区等级评估方法，其特征在于，所述方法包括：

S01：建立样本点信息：确定污区评估的地理范围，并获取所述地理范围内上一年度的历史污区划分等级以及与所述污区一一对应的历史气象数据，随机选取历史气象数据的80％作为训练样本数据，选取20％作为测试样本数据；

S02：构建LSSVM模型：利用含有LSSVM工具箱的软件建立LSSVM的程序，选取搜索空间为(1，l)，其中，

R为实数，x_i为第i个样本气象数据，y_i为所述上一年度的污区等级，则在搜索空间为l的范围内判别函数为

其中，x为待预测地区的样本气象数据，

为x的映射函数，可将训练数据映射到高维空间，ω为权向量，b为偏置常数；

建立LSSVM的数学模型为

其中，γ称为惩罚系数，ζ为误差变量；

引入拉格朗日方程对ζ误差变量进行优化，然后采用高斯径向函数K作为LSSVM的核函数，得到LSSVM的回归函数为

其中，K为高斯径向函数，b为偏置常数，α为拉格朗日系数；

S03：采用CSO算法对最终得到的LSSVM的回归函数中的核参数σ以及惩罚系数γ进行寻优求解：首先，在D维空间内，核参数σ和惩罚系数γ共同构成一个个体结构X_k＝{σ_k,γ_k},k＝1,2,…,n，且核参数σ与惩罚系数γ初始值均为1，每个个体都视为该空间内的个体鸡，鸡群S是由n个潜在解构成的鸡群

S＝{X₁,X₂,…,X_n}，

X_i＝(X_i1,X_i2,…,X_iD)^T,(i＝1,2,…,n)，代表着第i个个体鸡在空间中所处的位置；

然后，所述鸡群包括公鸡、母鸡以及小鸡，其中公鸡觅食能力最强，小鸡的觅食能力最弱，每个个体按照一定的运动规律觅食，公鸡觅食的位置更新公式为

式中，P_i,j为第i只公鸡所处位置第j维度的值，randn(0,σ²)为正态分布随机数，其期望为0，标准差为σ，f_i为第i只公鸡的适应度值，f_r为随机选取的第r只公鸡的适应度值；

母鸡觅食的位置更新公式为

式中，R₁和R₂为随机数，取值范围为[0,1]；r₁为母鸡i的伴侣；r₂为母鸡i所在群体中除自身以外的另一只公鸡或者母鸡；C₁和C₂代表影响因子；

小鸡觅食的位置更新公式为

式中，P_m,j代表小鸡母亲所处位置第j维度的值；母亲觅食行为对小鸡的影响程度用F来表示，其取值范围通常为(0,2)；

S04：污区等级评估：设定个体鸡搜索空间，将步骤S01选取的训练样本数据进行归一化处理，设置CSO算法参数，将设置的待优化参数代入步骤S02中的LSSVM的回归函数中进行评估，获得训练样本的评估准确率作为适应度，再按照适应度划分个体鸡的类型，同时获得所有个体鸡中的最优解：

首先判断个体鸡的最优解是否在所述个体鸡的搜索空间内：

若是，则进行个体鸡位置值的替代，并进行下一次鸡群位置更新；

若否，则直接进行下一次鸡群位置更新；

然后在进行下一次鸡群位置更新时，则判断是否满足鸡群关系更新条件：

若是，则进行鸡群等级秩序、伙伴关系和母子关系更新；

若否，则更新鸡群位置；

完成迭代次数，并输出待优化参数的最优值代入步骤S02中的LSSVM的回归函数中对步骤S01中的测试样本数据进行评估。

2.根据权利要求1所述的基于CSO-LSSVM的污区等级评估方法，其特征在于，LSSVM的核函数为：

3.根据权利要求1所述的基于CSO-LSSVM的污区等级评估方法，其特征在于，步骤S02中，为了对ζ误差变量进行优化，引入拉格朗日公式，所述拉格朗日公式为

其中，α_i为拉格朗日乘子，

保留拉格朗日公式只有b和α，根据KKT最优条件

其中，

y＝[y₁,y₂,…,y_l]^T，α＝[α₁,α₂,…,α_l]^T，I为单位矩阵，1为元素全为1的列向量。

4.根据权利要求1所述的基于CSO-LSSVM的污区等级评估方法，其特征在于，在步骤S04中对获取的所述历史气象数据进行离差归一化处理，所述离差归一化处理的表达函数为

其中，x为实际样本数据，x_max，x_min为所有训练数据中该维数据的最大值与最小值，x_max为样本数据的最小值，最后样本点数据将被映射到[0，1]范围。

5.根据权利要求1所述的基于CSO-LSSVM的污区等级评估方法，其特征在于，在步骤S04中，设置所述迭代次数为100次。

Images