基于粒子群算法优化支持向量机的输电线路覆冰预测_尹子任_苏小林

基于粒子群算法优化支持向量机的输电线

路覆冰预测

尹子任，苏小林

（山西大学工程学院，太原 030013）

Icing Thickness Forecasting of Transmission Line Based on Particle Swarm Algorithm to Optimize Support Vector Machine

YING Zi-ren,SU Xiao-lin

(Engineering College of Shanxi University,Taiyuan 030013.China)

puts

data

(SVM),using the training model to forecast the line

thickness

KEY

摘要：

关键词：

1引言

输电线路覆冰常会引起线路断线、舞动、绝缘子冰闪等事故，严重影响了输电线路的可靠性。输电线路覆冰受天气影响因素比较大，比如温度、湿度、风速，以这些因素为输入量对线路覆冰进行预测，为防冰提供可靠依据。

目前在线路覆冰预测中常用的有图像法[1]，数学关系模型[2]和基于神经网络的智能算法[3][4]。其中图像法的误差较大，观测

同时利用

可

性，对未来样本具有较强的学习泛化能力。而且支持向量机引入了特征空间和核函数的概念，把非线性问题映射到高维空间当作线性问题解决，同时解决了“维数灾难”问题。在新的高维线性空间中求取最优线性分类面来分离训练样本，将寻找最优线性回归超平面的算法归结为求解一个凸约束条件下的一个凸规划问题，求取全局最优解。

支持向量机回归[6]问题可以描述为：学习机在给定的样本中训练输入量和输出量之间的函数关系，能精确的预测未来值。一

DOI：10.13357/ki.jep.000004 网络出版时间：2014-01-28 15:10

网络出版地址：/kcms/doi/10.13357/ki.jep.000004.html

般分为线性回归和非线性回归。

对于线性回归，考虑线性函数：

(1)

其中， 为权向量，b 为阀值。对于给定的训练集 ，引入 不敏感损失函数和惩罚参数C 。其优化问题可表示为：

(2)

s.t ：

(3) 其中， s.t 式（6 个非线

(8)

s.t ：

(9) 此时的回归函数可得出为：

(10) 核函数可以在不知道具体的非线性变换的情况下，使用低维空间中的输入数据计算高维特征空间中的点积。通常使用的核函数包括线性函数、多项式函数和径向基函数。

2.2粒子群优化算法

支持向量机中关键参数对算法性能影响很大，比如核参数和惩罚因子。目前一般是通过交叉验证的方法，具有一定的盲目性。粒子群优化算法是群体智能的一个新分支，通过个体协作来寻找最优解，所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们的方向和距离[7]

。粒子群初始化为一群随机粒子，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个C 的作用的大小直

m g i=1；训练模型的训练集；根据 计算子集 的泛化误差；然后 ，重复上一步，直到 ；最后把K 次泛化误差作为交叉验证误差。

（4）上一步的交叉验证误差作为适应值，并记录个体最佳适应位置 和群体最佳适应位置 。找到这两个最优值时，粒子群根据下面公式更新自己的速度和位置，寻找更好的惩罚参数C 和核参数g ：

(11)

(12)

其中，v 是粒子速度，决定下一代的惩罚参数C 和核参数g ，w 是惯性因子，

和 （5（63 形成的[9]

（1 （2（3行训练，得到训练模型。

（4）利用得到的预测模型来预测未知的输电线路的覆冰厚度。

4 算例分析

本文用基于粒子群算法优化的支持向量机算法对训练数据进行建模，并用得到的模型对测试数据进行预测。在Matlab2010环境下建模仿真。

图1是在随机给出的支持向量机参数的情况下对训练数据样本进行训练的结果。从图中

可以看出，训练组数据的原始数据和回归数据之间误差较大，精度较低。

图3为利用粒子群算法对支持向量机参数进行优化的适应度曲线，得出优化后的惩罚参数C = 100和核参数g = 0.93451。

g 图5 优化后测试数据的预测值 Fig.5 The optimized test data forecast

表1中列出了优化前后真实数据和预测

数据及误差，从表中可看出，虽然有个别数据比优化前误差更大，这是由于模型本身的不确定性造成的，在允许范围内。总体看优化后的测试数据与真实数据间的平均误差更小，模型精度比优化前的模型精度要高。

表1 预测数据及误差

真实数据

优化前预

测数据

误差

优化后预

测数据

误差

14.2955 11.9567 16.36% 13.4939 5.61% 12.4871 11.6819 6.45%

11.7131

6.20% 参考文献：

[1] 胡毅,王力农,刘凯,等.高分辨率SAR 图像中

特高压铁塔覆冰特性分析[J]. 高电压技术,2010,36(7):1589-1593.

Hu Yi,Wang Linong,Liu Kai,et al.Characteristics of Icing UHV Transmission Tower in

High-resolution SAR Images[J]. High V oltage Engineering,2010,36(7):1589-1593.

[2] 刘春城,刘佼.输电线路导线覆冰机理及雨凇

覆

冰

模

型

[J].

高

电

压

技

术,2011,37(1):241-248.

进化代数

适应度

适应度曲线MSE[PSOmethod]

(参数c1=1.5,c2=1.7,终止代数=200,种群数量pop=20)