[發(fā)明專利]一種基于多信息融合的架空輸電線路覆冰舞動預測方法

在審

• 申請?zhí)枺?/td>: 202210408036.8
• 申請日: 2022-04-19
• 公開（公告）號: CN114676540A
• 公開（公告）日: 2022-06-28
• 發(fā)明（設計）人: 王國友;李東有;韓順杰;徐偉進;魏來;馬慶峰;楊歡;邢亮;王賀冉;米洪彥;黃逸寧;胡國龍;張煒華;劉陽陽;胡雪妍
• 申請（專利權）人: 國網(wǎng)吉林省電力有限公司長春供電公司;長春工業(yè)大學
• 主分類號: G06F30/18
• 分類號: G06F30/18;G06F30/27;G06K9/62;G06F111/04
• 代理公司: 長春市恒譽專利代理事務所(普通合伙) 22212
• 代理人: 鞠傳龍

1.一種基于多信息融合的架空輸電線路覆冰舞動預測方法，其特征在于：其方法如下所述：

第一步、選取易發(fā)生導線覆冰舞動的輸電線路，提取該線路導線發(fā)生覆冰舞動時的數(shù)個特征量，對線路兩端鐵塔安裝振動傳感器和傾角傳感器，采集鐵塔發(fā)生線路覆冰舞動時刻的振動信號x₇和傾角大小x₈；通過氣象數(shù)據(jù)庫獲得該時刻對應的溫度x₁、濕度x₂、風向x₃、風力x₄、降雨及雪量x₅、積水量x₆，將同一時刻的溫度x₁、濕度x₂、風向x₃、風力x₄、降雨及雪量x₅、積水量x₆、振動信號x₇和傾角大小x₈作為一個樣本向量，并標注覆冰程度y_j，其中j＝1、2、3、4；

覆冰程度按分布在導線上的覆冰厚度和均勻狀態(tài)分為四種狀態(tài)，分別用y₁,y₂,y₃,y₄表示，具體如下：

(1)、10mm以下輕覆冰狀態(tài)；(2)、10-20mm中覆冰狀態(tài)；(3)、20mm以上均勻重覆冰狀態(tài)；(4)、20mm以上非均勻重覆冰狀態(tài)；

第二步、特征數(shù)據(jù)歸一化，我們把輸入數(shù)據(jù)溫度x₁、濕度x₂、風向x₃、風力x₄、降雨及雪量x₅、積水量x₆、振動信號x₇和傾角大小x₈分別轉換到[0,1]之間，通過：

特征數(shù)據(jù)經(jīng)過數(shù)據(jù)歸一化處理后，各指標處于同一數(shù)量級，方便進行綜合對比評價；

第三步、構建非線性四分類的支持向量機，將歸一化的輸入特征量映射到高維特征向量空間,并在高維特征空間中構造最優(yōu)分界面，其具體算法如下：

將向量x由n維輸入向量空間轉換到m維特征向量空間(m＞n)，由非線性變換函數(shù)z_j＝g_j(x)(j＝1,2,…m)可得:

z＝{g₁(x),g₂(x),…g₈(x)}

特征空間中構造最優(yōu)分界面，實質(zhì)即計算特征向量的內(nèi)積：

因特征空間維數(shù)過高,無法直接計算特征向量的內(nèi)積，且z_i和z_j是特征空間中的兩個向量,它們的內(nèi)積為對應輸入空間里x_i、x_j的函數(shù)：

(z_i·z_j)＝K(x_i,x_j)

核函數(shù)K(x_i,x_j)為對稱正定的，根據(jù)Hilbert-Schmidt定理及Mercer條件,核函數(shù)K(x_i,x_j)代表特征空間中兩個向量z_i與z_j的內(nèi)積,這兩個向量z_i是z_j輸入空間中向量x_i和x_j到特征空間中某個非線性映射的像；

其中，Mercer條件為：

∫∫K(x_i,x_j)Ф(x_i)dx_idx_j＞0

Ф是任意非零函數(shù)，其滿足

∫Ф²(x)dx＜0

輸入輸出空間最優(yōu)分界面為超曲面，其函數(shù)為：

是支持向量相對樣本輸出，是二次優(yōu)化問題的非零解；

核函數(shù)選擇高斯核函數(shù)：σ為函數(shù)的寬度參數(shù)；

給定訓練樣本(x_i，y_j)(i＝1,2…8,j＝1,2,3,4)50組、參數(shù)調(diào)節(jié)C和高斯核函數(shù)，在約束條件

下，計算如下：

的極小值；

第四步、建立Matlab仿真模型：Matlab仿真模型是在Matlab的環(huán)境下，運用第二步構建的非線性支持向量機，采用高斯核函數(shù)對數(shù)據(jù)集進行訓練，最終對訓練集進行四分類，訓練完成后，用測試集進行回歸檢驗，并進行驗證；

為了方便觀察分類結果，模型對于fitcsvm的分類使用了梯度圖進行展示，原理就是，把模型范圍規(guī)范到訓練集二維坐標的最大值與最小值之內(nèi)，在范圍內(nèi)以設定的間隔均勻取點，進行支持向量機的測試，取測試結果最接近0的點連接起來畫出分界線；

利用訓練集對支持向量機模型進行訓練，利用測試集對模型進行回歸測試，對四種支持向量機分類模型，均進行測試并把每次分類的結果返回到一個矩陣當中，取出前述矩陣每一行的最大值，并返回該值的列數(shù)即為最終的測試集標簽；

第五步、測試集預測標簽生成之后，將其與測試集真實標簽進行對比，對支持向量機的表現(xiàn)進行評價，評價指標采用confusionmat函數(shù)，這是混淆矩陣函數(shù)，用于有監(jiān)督學習，用于比較分類結果和實際測得值，然后把分類結果的精度在一個混淆矩陣中顯示。