基于最小二乘支持向量机的绝缘子污秽等值盐密数学模型

基于最小二乘支持向量机的绝缘子污秽等值盐密数学模型

杨允岩

深圳供电局有限公司，深圳518000

摘要：介绍了利用最小二乘支持向量机，建立了以光通量衰减、环境湿度、尘埃比率等3个变量作为输入参数，等值附盐密度作为输出参数的绝缘子污秽等值盐密数学预测模型，并通过部分实验验证了模型的有效性。

关键字：等值附盐密度最小二乘支持向量机数学模型

0引言

污闪已构成对电力系统安全运行的严重威胁和选择绝缘水平的决定性因素。近年来，高压绝缘子染污状况的主要监测手段是绝缘子泄漏电流的监测和绝缘子等值附盐密度的测量。目前通过污秽绝缘子的闪络特性、闪络机理，建立绝缘子闪络模型，确立绝缘子污秽等级。

1绝缘子等值附盐密度

等值附盐密度（ESDD，EquivalentSaltDepositDensity），简称盐密，是指用一定量的蒸馏水清晰绝缘子瓷表面的污秽，然后测量清洗液的电导率，再以在相同水量、相同温度下，产生相同电导率的氯化钠（NaCl）作为该绝缘子的等值盐量，最后除以被清洗的瓷表面。盐密作为现行的国家标准，其反映了污秽物的种类和密度，它的测量简单易实现，直观易懂，在电力生产运行中被广泛采用。

本文将光能损耗特性试验得到的物理量光通量衰减、相对湿度和尘埃比率作为输入参数，等值盐密度作为输出参数，利用最小二乘支持向量机，建立一个反映等值盐密与光通量衰减、相对湿度和尘埃比率之间关系的非线性智能预测模型预测绝缘子的等值盐密。

2支持向量机

支持向量机（supportvectormachine，SVM）是数据挖掘的一项新技术，通过在某个合适的特征空间中构建最优超平面来划分两类数据。SVM计算最优超平面严格遵循了结构风险最小化理论原则，使SVM分类学习器得到全局最优化。

算法的其他条件不变，这就是支持向量机。

支持向量机的基本思想可以概括为：首先通过非线性变换将输入空间变换到一个高维空间，然后在这个新的空间中求取最优线性分类面，而这种非线性变换是通过定义适当的内积函数实现的。

3最小二乘支持向量机(LS-SVM)

为了提高支持向量机的运算速度，将标准支持向量机中松弛项改成平方型，并将不等式约束改成等式约束，即为最小二乘支持向量机LS-SVM(Least-SquareSVM)模型。

标准支持向量机和最小二乘支持向量机在利用结构风险原则时，在优化目标中选取了不同的损失函数，他们分别为误差和误差的二范数。实验表明，标准支持向量机分类器比最小二乘支持向量机分类器具有更高的准确率，而最小二乘支持向量机分类器收敛速度更快。

基于最小二乘支持向量机的等值盐密预测步骤如下:

(1)确定相关的训练样本及测试样本;

(2)选择一种合适的不敏感损失函数;

(3)构造核函数,本文采用径向基函数:

(6)将训练好的最小二乘支持向量机(LSSVM)接入，进行预测。

4建立预测模型

本预测模型将光通量衰减、相对湿度、尘埃比率三个变量作为预测模型的输人参数，等值盐密ESDD(t)作为预测模型的输出。根据实验室试验结果总共确定了120个样本，其中100个样本作为训练样本集，20个样本作为测试样本集。

4.1预测模型训练

首先选择核函数，并确定初始的最小二乘向量机训练参数，然后输人训练样本到最小二乘支持向量机中进行训练，根据多次训练结果确定最佳模型参数，从而获得输人参数和输出参数的精确映射关系。

SVM中主要有两个参数需要设置，惩罚系数和核参数。对于惩罚系数，引入松弛变量和惩罚系数；缩小数据凸集使其数据集可分。最优松弛变量和惩罚系数很难确定，缩小数据凸集必会使分类精度大大降低，并影响最优超平面的泛化性，限制了SVM的应用。

核函数的选择具有很大的灵活性，本文选用径向基核函数:

4.2试验软件

实验研究的软件选用LS-SVMLAB。

基于Matlab的LS-SVMlab工具箱主要包括分类、回归、时间序列预测和无监督学习。工具箱的代码都是用C语言编写的。工具箱根据不同计算机系统可以用于Windows版本和Linux版本,大多数函数都能计算20000个数据。

LS-SVM工具箱有3个版本,基本的,高级的(代码可编辑,包括用于贝叶斯框架),还有一个是在C环境下运行的版本,每个不同的算法包含不同的函数。在LS-SVM工具箱外有一个C程序的编译器,它会自动把Matlab程序编译成C程序,然后在C程序下进行计算,这样就大大提高了LS-SVM的运算效率。

4.3模型测试

5结论

支持向量机方法根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。利用试验所提供的若干组数据建立一个反映等值盐密与相对湿度、光通量和尘埃比率之间关系的非线性模型，通过该模型得到一组给定的相对湿度、光通量和尘埃比率所对应的盐密值，后续将不断对最小二乘向量机预测模型的算法进行修正，以得到尽可能精确的计算结果。

参考文献

[1]基于改进的支持向量机理论在配电线路等值覆冰厚度预报中的应用研究[J].吴捷.科技创新与应用,2018(34)