基于遗传算法最小二乘支持向量机的绝缘子等值附盐密度预测.pdfVIP

基于遗传算法与最小二乘支持向量机的绝缘子等值附盐密度预测 黄 彬，张重远，陈昱同，陈刚 （华北电力大学电气与电子工程学院，河北保定 071003 ） 摘 要：等值附盐密度(ESDD)是评定高压绝缘子自然污 缘子等值附盐密度，但是由于神经网络的学习算 秽等级的主要依据。本文基于泄漏电流法建立了绝缘子污 法采用经验风险最小化原理，并没有使期望风险 秽程度的预测模型。为了提高绝缘子表面等值附盐密度 最小化，所以该方法存在过学习和泛化能力不足 （ESDD）的预测精度，文中在实测数据的基础上，采用 的问题，在小样本的情况下，问题尤为严重。 最小二乘支持向量机（LS-SVM）算法对 ESDD 问题进行 而支持向量机具备了以上方法无法具备的优 了建模，并利用遗传算法对 LS-SVM 模型的参数进行了 [6] 点P P 。支持向量机采用结构风险最小化原理同时 优化，获得了最优的模型参数。LS-SVM 模型将工频泄漏 电流、泄漏电流三次谐波占基波比例、环境温度和相对湿 最小化训练样本的经验风险和置信范围，这样就 度作为输入参数，等值附盐密度作为输出参数。结果表明， 保证了对样本有较好的泛化能力，尤其是对小样 优化后的 LS-SVM 模型实现了对等值附盐密度的准确预 本的情况。支持向量机引入了特征空间和核函数 测。 的概念，把非线性问题映射到高位空间当作线性 [7] 关键词：绝缘子；泄漏电流；等值附盐密度预测；最小二 问题解决，避免了“维灾”问题P P 。 乘支持向量机；遗传算法；优化 但是，支持向量机在实际应用中，关于参数 选择的问题仍然没有得到很好的解决。目前，主 0 引言 [8] 要是通过实验来选择关于支持向量机的参数P P 。 在线运行的绝缘子，在大气环境中，受到工 因此，本文应用遗传算法优化的最小二乘支持向 业排放物以及自然扬尘等环境因素的影响，表面 [1] 量机模型预测绝缘子等值附盐密度，并对模型进 逐渐沉积了一层污秽物P P 。污秽层受潮会导致绝 行验证。 缘子的外绝缘能力下降，甚至引起污闪事故，给 1 最小二乘支持向量机函数估计算法 输电线路及整个配电网带来威胁。为了预防污闪 支持向量机是由Vapnik最初在统计学习理论 事故的发生，电力维护人员采取了调整爬电比距、 的基础上建立起来的一种用于分类和函数逼近问 采用耐污绝缘子、在绝缘子表面涂憎水性防污涂 [6] 题的强有力的机器学习方法P