91精品人妻互换日韩精品久久影视|又粗又大的网站激情文学制服91|亚州A∨无码片中文字慕鲁丝片区|jizz中国无码91麻豆精品福利|午夜成人AA婷婷五月天精品|素人AV在线国产高清不卡片|尤物精品视频影院91日韩|亚洲精品18国产精品闷骚

 余鯤1，楊俊杰1，樓志斌2，魏春娟1

 （1．上海電力學(xué)院電子與信息工程學(xué)院，上海200090：2.上�？茖W(xué)院，上海201203）

摘要：以輸電線路覆冰的狀態(tài)監(jiān)測(cè)為背景，研究此背景下信息融合模型特征層的分類(lèi)方法。探討分析了BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)解決問(wèn)題的可行性，在實(shí)驗(yàn)室條件下用兩種算法實(shí)現(xiàn)了信息融合模型特征層的分類(lèi)并作了比較總結(jié)。

  關(guān)鍵詞：覆冰狀態(tài)監(jiān)測(cè)；信息融合；特征層；分類(lèi)；BP神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)

  中圖分類(lèi)號(hào)：TP39文章編號(hào)：1006 - 2394( 2016) 02 - 0001  - 04

0引言

 眾所周知，冰雪災(zāi)害嚴(yán)重威脅著電力系統(tǒng)的安全運(yùn)行。輕則會(huì)導(dǎo)致絕緣子串冰閃跳閘、相間閃絡(luò)跳閘等可恢復(fù)供電周期較短的事故，重則會(huì)導(dǎo)致桿塔傾斜甚至倒塌、線路金具嚴(yán)重?fù)p壞等可恢復(fù)供電周期較長(zhǎng)的事故。冰雪災(zāi)害在給電網(wǎng)安全運(yùn)行帶來(lái)危難的同時(shí)，也給人民生活帶來(lái)了不便，給國(guó)家經(jīng)濟(jì)帶來(lái)了損失。因此，具有一套合理的輸電線路狀態(tài)評(píng)估系統(tǒng)顯得尤為重要。

 目前，國(guó)內(nèi)外已開(kāi)展關(guān)于冰雪氣象條件下架空線路受力特眭和電網(wǎng)穩(wěn)定性等方面的研究，但大都是從電力系統(tǒng)運(yùn)行的角度來(lái)進(jìn)行。輸電設(shè)備本身的狀態(tài)評(píng)估模型十分復(fù)雜，狀態(tài)評(píng)估受自然地形、微氣象環(huán)境及其他很多隨機(jī)性條件約束，故使用綜合環(huán)境宏觀與微觀因素的信息融合模型來(lái)進(jìn)行電網(wǎng)的故障預(yù)警與安全維護(hù)是一種極佳的選擇。日本Koichi Nara等人建立了高電壓架空線路的防覆冰信息融合專(zhuān)家系統(tǒng)，系統(tǒng)在線采集參數(shù)（如溫度、風(fēng)速、風(fēng)向、雪量、相對(duì)濕度等），對(duì)架空線路當(dāng)前狀態(tài)作出判斷，使工作人員方便選擇合理的方式來(lái)處理線路覆冰，而國(guó)內(nèi)在此領(lǐng)域的研究很少。

 信息融合是一個(gè)多元信息綜合處理的過(guò)程，根據(jù)抽象程度可分為數(shù)據(jù)層、特征層和決策層。數(shù)據(jù)層用于提取參數(shù)信息，特征層用于信息整體分類(lèi)，決策層用于評(píng)估判斷決策。在特征層中，使用何種信息分類(lèi)方式至關(guān)重要。好的分類(lèi)方法可以為決策層的精準(zhǔn)決策提供可靠依據(jù)，次的分類(lèi)方式則導(dǎo)致分類(lèi)偏差，使決策層判斷失誤，從而發(fā)出錯(cuò)誤的指示給電網(wǎng)運(yùn)行帶來(lái)毀滅性打擊。為尋找合理有效的分類(lèi)方式，本文在實(shí)驗(yàn)室模擬環(huán)境下，使用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)來(lái)進(jìn)行數(shù)據(jù)分類(lèi)的研究并作比較總結(jié)。

1  輸電線路覆冰狀態(tài)的信息融合評(píng)估模型

1.1覆冰狀態(tài)評(píng)估的特征量

 影響輸電線路覆冰狀態(tài)的因素包括氣象條件、海拔高度、導(dǎo)線材質(zhì)、微地形等，其中氣象因素的影響最為顯著。針對(duì)湖南2008年出現(xiàn)的電網(wǎng)冰雪災(zāi)害事故，湖南省電力公司根據(jù)記錄的歷史數(shù)據(jù)分析了各個(gè)覆冰地區(qū)的狀態(tài)與當(dāng)?shù)貧夂虻南嗷ビ绊戧P(guān)系，結(jié)果表明環(huán)境的溫度差與輸電線路的覆冰狀態(tài)有著緊密的聯(lián)系，故環(huán)境溫度差可作為評(píng)估輸電線路覆冰狀態(tài)的特征變量。

 由風(fēng)速、風(fēng)向、大氣壓強(qiáng)、風(fēng)偏角、絕緣子串壓力等綜合因素決定的等效覆冰厚度也作為狀態(tài)評(píng)估的重要特征量。

 輸電線路覆冰量的持續(xù)時(shí)間和線路覆冰的嚴(yán)重程度也有著十分緊密的聯(lián)系，覆冰持續(xù)時(shí)間過(guò)長(zhǎng)會(huì)導(dǎo)致覆冰量的進(jìn)一步生長(zhǎng)，甚至可能發(fā)生覆冰絕緣子閃絡(luò)或是導(dǎo)線舞動(dòng)的情況，造成嚴(yán)重后果。

 綜合上述討論可知，輸電線路狀態(tài)評(píng)估的特征量分別為環(huán)境溫度差、等效覆冰厚度、覆冰持續(xù)時(shí)間。此外，如大氣相對(duì)濕度、環(huán)境溫度等其他影響因素，可作為狀態(tài)評(píng)估的決策量，在信息融合模型的決策層發(fā)揮作用。

1.2覆冰狀態(tài)評(píng)估的信息融合模型結(jié)構(gòu)

 信息融合模型可理解為是個(gè)把采集到的多源信息通過(guò)智能融合算法進(jìn)行優(yōu)化處理的框架。信息融合技術(shù)的三層融合結(jié)構(gòu)分別為數(shù)據(jù)層、特征層和決策層。數(shù)據(jù)層是對(duì)傳感器的原始數(shù)據(jù)進(jìn)行采集和預(yù)處理；特征層對(duì)數(shù)據(jù)層得到的信息進(jìn)行分類(lèi)加工處理，并初步評(píng)判出覆冰的狀態(tài)，初步評(píng)判結(jié)果為{無(wú)覆冰，有覆冰}；決策層在特征層評(píng)判的基礎(chǔ)上，通過(guò)智能算法對(duì)有覆冰情況進(jìn)行深一步的評(píng)判，結(jié)果包括{無(wú)覆冰，輕度覆冰，中度覆冰，重度覆冰}。輸電線路覆冰狀態(tài)評(píng)估的信息融合模型結(jié)構(gòu)如圖1所示。

2  基于神經(jīng)網(wǎng)絡(luò)的特征層分類(lèi)器設(shè)計(jì)

 本節(jié)采用神經(jīng)網(wǎng)絡(luò)分類(lèi)的方式來(lái)進(jìn)行特征層的分類(lèi)器設(shè)計(jì)。經(jīng)過(guò)數(shù)據(jù)層預(yù)處理后的環(huán)境溫度差、等效覆冰厚度、覆冰持續(xù)時(shí)間三組特征變量為神經(jīng)網(wǎng)絡(luò)分類(lèi)器的輸入端，輸入端使用BP神經(jīng)網(wǎng)絡(luò)融合算法后，輸出覆冰狀態(tài)，初步判斷覆冰類(lèi)型{無(wú)覆冰，有覆冰}。其結(jié)構(gòu)示意圖如圖2所示。

2.1  BP神經(jīng)網(wǎng)絡(luò)

 BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，采用有導(dǎo)師信號(hào)進(jìn)行學(xué)習(xí)，所謂導(dǎo)師信號(hào)，就是在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中由外部提供的模式樣本信號(hào)。使用時(shí)，先進(jìn)行離線學(xué)習(xí)，即對(duì)提供的數(shù)據(jù)進(jìn)行訓(xùn)練；再進(jìn)行狀態(tài)評(píng)估。

 在覆冰狀態(tài)評(píng)估中，由于模型是三輸入單輸出，故可按經(jīng)驗(yàn)選取：

2.2 BP神經(jīng)網(wǎng)絡(luò)特征層分類(lèi)器的實(shí)現(xiàn)

 實(shí)驗(yàn)室模擬條件下，對(duì)傳感器得來(lái)的實(shí)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理后得到關(guān)于環(huán)境溫度差、等效覆冰厚度、覆冰持續(xù)時(shí)間三組特征變量，這些特征變量即為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。訓(xùn)練集用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，本文選擇14個(gè)訓(xùn)練點(diǎn)，期望輸出為y。利用這些訓(xùn)練點(diǎn)嚴(yán)格訓(xùn)練神經(jīng)網(wǎng)絡(luò)權(quán)值，設(shè)計(jì)出一套性能良好的分類(lèi)器。表1為訓(xùn)練數(shù)據(jù)，其中x1，x2，x3為輸入值，分別表示環(huán)境溫度差、等效覆冰厚度、覆冰持續(xù)時(shí)間。表2為訓(xùn)練輸出值，0代表無(wú)覆冰狀態(tài)，1代表有覆冰狀態(tài)。利用表1和表2可訓(xùn)練出神經(jīng)網(wǎng)絡(luò)模型，將表3測(cè)試數(shù)據(jù)通過(guò)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類(lèi)，即可得到分類(lèi)結(jié)果，如圖4所示。網(wǎng)絡(luò)訓(xùn)練使用Sigmoid函數(shù)作為傳遞函數(shù)。

 圖4中，橫坐標(biāo)為驗(yàn)證數(shù)據(jù)點(diǎn)數(shù)，縱坐標(biāo)為神經(jīng)網(wǎng)絡(luò)輸出值。*表示神經(jīng)網(wǎng)絡(luò)輸入值，分別代表環(huán)境溫度差、等效覆冰厚度、覆冰持續(xù)時(shí)間的值，o表示神經(jīng)網(wǎng)絡(luò)輸出值。由圖可以看出，第1個(gè)驗(yàn)證點(diǎn)的輸出值大致在0. 05附近，可把其劃入無(wú)覆冰一類(lèi)，即y=0;第2~8個(gè)點(diǎn)的輸出值維持在1附近，可劃入有覆冰一類(lèi)，即y=1。把所得結(jié)果與實(shí)際結(jié)果作比較，準(zhǔn)確率可達(dá)100%。

 在非實(shí)驗(yàn)室環(huán)境下，用以訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)點(diǎn)大致在400個(gè)，對(duì)此些樣本點(diǎn)按上述方式分類(lèi)并進(jìn)行模擬預(yù)算，確定0、1分類(lèi)的數(shù)據(jù)點(diǎn)只有48%，而另外52%的數(shù)據(jù)點(diǎn)的輸出值大致分布在0.5附近，無(wú)法進(jìn)行準(zhǔn)確地判斷。

3基于支持向量機(jī)( SVM)的特征層分類(lèi)器設(shè)計(jì)

 本節(jié)采用支持向量機(jī)分類(lèi)的方式來(lái)進(jìn)行特征層的分類(lèi)器設(shè)計(jì)。環(huán)境溫度差、等效覆冰厚度、覆冰持續(xù)時(shí)間為支持向量機(jī)的三組屬性值，通過(guò)支持向量進(jìn)行分類(lèi)，得到最優(yōu)超平面，再利用最優(yōu)超平面判斷覆冰狀態(tài)，初步確定覆冰類(lèi)型{無(wú)覆冰，有覆冰}。其結(jié)構(gòu)示意圖如圖5所示。

3.1持向量機(jī)

 支持向量機(jī)( SVM)是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用來(lái)進(jìn)行模式識(shí)別、分類(lèi)以及回歸分析，其示意圖如圖6所示。

 對(duì)于高維樣本空間來(lái)說(shuō)，設(shè)用于分離的超平面方程是：

式中：W是超平面的法向量，b是超平面的常數(shù)項(xiàng)�，F(xiàn)欲尋求最優(yōu)解W0和b0，使得分類(lèi)超平面間距最大。滿(mǎn)

對(duì)于低維空間樣本，可做非線性映射至高維空間，再求解最優(yōu)分類(lèi)超平面。

3.2支持向量機(jī)特征層分類(lèi)器的實(shí)現(xiàn)

 預(yù)處理后得到關(guān)于環(huán)境溫度差、等效覆冰厚度、覆冰持續(xù)時(shí)間的三組特征變量如表1所示，這些特征變量即支持向量機(jī)的訓(xùn)練集。首先，對(duì)表1所示的14個(gè)訓(xùn)練樣本點(diǎn)及表2所示的訓(xùn)練輸出值進(jìn)行規(guī)范化處理后，再求解出最優(yōu)超平面。求解出最優(yōu)超平面后利用s g n( w0．x+b0)函數(shù)來(lái)預(yù)測(cè)期望輸出值y。把表3的測(cè)試數(shù)據(jù)點(diǎn)代入最優(yōu)超平面進(jìn)行分類(lèi)，可得圖7。

 圖7中，+表示預(yù)測(cè)值為1的點(diǎn)，*表示預(yù)測(cè)值為0的點(diǎn)，o表示支持向量，橫縱坐標(biāo)表示按數(shù)據(jù)比例定義的漸進(jìn)點(diǎn)。由圖可以看出，由于數(shù)據(jù)點(diǎn)較少，14個(gè)點(diǎn)均為支持向量。對(duì)這14個(gè)點(diǎn)的分類(lèi)預(yù)測(cè)結(jié)果與真實(shí)值進(jìn)行比較，其準(zhǔn)確率為87.5% (7/8)。

 在非實(shí)驗(yàn)室條件下，數(shù)據(jù)點(diǎn)極多，支持向量機(jī)利用最優(yōu)超平面解決分類(lèi)問(wèn)題的優(yōu)勢(shì)得到體現(xiàn)。多數(shù)據(jù)點(diǎn)的支持向量機(jī)分類(lèi)如圖8所示。同樣，+表示預(yù)測(cè)值為1的點(diǎn)，*表示預(yù)測(cè)值為0的點(diǎn)，o表示支持向量。在圖中，左側(cè)都是為0的分類(lèi)，右側(cè)都是為1的分類(lèi)，而中間0、1交匯較多的區(qū)域則是支持向量所在區(qū)域。也正是利用這些支持向量，才得以求解出最優(yōu)超平面，從而達(dá)到分類(lèi)的目的。

圖8中的分類(lèi)準(zhǔn)確率可達(dá)84. 09%。

4總結(jié)

 本文提出了BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)SVM的算法來(lái)解決輸電線路覆冰狀態(tài)監(jiān)測(cè)信息融合模型特征層數(shù)據(jù)分類(lèi)的問(wèn)題。通過(guò)研究比較可以得出，在訓(xùn)練樣本點(diǎn)較少的情況下，神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的分類(lèi)方法不分伯仲，而對(duì)于較多訓(xùn)練樣本點(diǎn)的情況下，使用支持向量機(jī)可以更好地解決實(shí)際工程問(wèn)題。