基于网格搜索优化支持向量机的电缆状态评估方法

摘要

本发明提供的一种基于网格搜索优化支持向量机的电缆状态评估方法，包括如下步骤：S1.采集电缆运行参数，并将电缆运行参数划分为训练集和测试集；S2.采用网格搜索算法确定出最优惩罚因子c和高斯核参数σ；S3.基于最优惩罚因子和高斯核参数σ构建支持向量机，将训练集输入至支持向量机对支持向量机进行训练；S4.将测试机输入至训练完成后的支持向量机中得到电缆状态的评估分类；通过本发明，充分考虑电缆运行的环境参数对电缆状态的影响，并且能够准确的对电缆状态进行评估，并且响应速度快，有效降低传统方法带来的误差影响，为电缆及电力系统的安全稳定运行提供了保障。

说明书

技术领域

本发明涉及一种电力评估方法，尤其涉及一种基于网格搜索优化支持向量机的电缆状态评估方法。

背景技术

电力电缆在电力系统中的应用越来越广泛，尤其在城市输配电系统中的使用发展迅速，维护电力电缆安全稳定的运行是保证供电可靠性的一个重要环节。长期以来，对电力系统运行中的电缆，通常采取人工巡检的方法，主要观察的参数以温度、局部放电为主。考虑到电力电缆的重要性及巨大的发展潜力，建立一种电力电缆的综合状态评估方法是十分重要。

随着人工智能的发展，机器学习凭借其优异的表现被广泛应用于设备状态评估的各个方面。支持向量机作为一种机器学习算法，对于高维、小样本数据有训练速度快、不易陷入局部最优解的优点。传统的支持向量机只适用于经典的二分类问题，且结果受惩罚因子c与高斯核参数σ的影响较大，其最终的评估结果准确性低。

因此，为了解决上述技术问题，亟需提出一种新的技术手段。

发明内容

有鉴于此，本发明的目的是提供一种基于网格搜索优化支持向量机的电缆状态评估方法，充分考虑电缆运行的环境参数对电缆状态的影响，并且能够准确的对电缆状态进行评估，并且响应速度快，有效降低传统方法带来的误差影响，为电缆及电力系统的安全稳定运行提供了保障。

本发明提供的一种基于网格搜索优化支持向量机的电缆状态评估方法，包括如下步骤：

S1.采集电缆运行参数，并将电缆运行参数划分为训练集和测试集；

S2.采用网格搜索算法确定出最优惩罚因子c和高斯核参数σ；

S3.基于最优惩罚因子和高斯核参数σ构建支持向量机，将训练集输入至支持向量机对支持向量机进行训练；

S4.将测试机输入至训练完成后的支持向量机中得到电缆状态的评估分类。

进一步，所述电缆运行参数包括电缆运行环境温度、电缆运行环境湿度、电缆运行环境参数以及电缆振动参数。

进一步，所述电缆状态评估分类包括状态良好、状态一般、情况紧急以及情况危急。

进一步，步骤1中，将电缆运行参数以7:3原则进行划分。

进一步，步骤S2中，具体包括：

S21.设定网格搜索算法的搜索变量(c，σ)的搜索范围和搜索步长，其中：惩罚因子c的搜索范围为(2

S22.采用交叉验证的方法对训练集进行测试，将训练集中的参数进行排列组合并生成网格，根据搜索步长10进行搜索，得到最优惩罚因子c和高斯核参数σ。

进一步，步骤S3具体包括：

S31.给定样本集为(x

S32.将分类函数φ(x)映射到高位空间中，并构建径向基函数：

k(x

S33.构建SVM分类器函数：

本发明的有益效果：通过本发明，充分考虑电缆运行的环境参数对电缆状态的影响，并且能够准确的对电缆状态进行评估，并且响应速度快，有效降低传统方法带来的误差影响，为电缆及电力系统的安全稳定运行提供了保障。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的流程示意图。

具体实施方式

以下结合说明书附图对本发明做出进一步详细说明：

本发明提供的一种基于网格搜索优化支持向量机的电缆状态评估方法，包括如下步骤：

S1.采集电缆运行参数，并将电缆运行参数划分为训练集和测试集；

S2.采用网格搜索算法确定出最优惩罚因子c和高斯核参数σ；

S3.基于最优惩罚因子和高斯核参数σ构建支持向量机，将训练集输入至支持向量机对支持向量机进行训练；

S4.将测试机输入至训练完成后的支持向量机中得到电缆状态的评估分类；通过本发明，充分考虑电缆运行的环境参数对电缆状态的影响，并且能够准确的对电缆状态进行评估，并且响应速度快，有效降低传统方法带来的误差影响，为电缆及电力系统的安全稳定运行提供了保障。

具体地，所述电缆运行参数包括电缆运行环境温度、电缆运行环境湿度、电缆运行环境参数以及电缆振动参数，还可以采集电缆运行环境的空气压力参数，通过上述参数，能够对电缆的状态进行准确评估。其中：

所述电缆状态评估分类包括状态良好、状态一般、情况紧急以及情况危急。

本实施例中，步骤S1中，将电缆运行参数以7:3原则进行划分，即是说：将运行参数70％作为训练集，将30％的运行参数作为测试集，从而能够确保最终的评估精度。

本实施例中，步骤S2中，具体包括：

S21.设定网格搜索算法的搜索变量(c，σ)的搜索范围和搜索步长，其中：惩罚因子c的搜索范围为(2

S22.采用交叉验证的方法对训练集进行测试，将训练集中的参数进行排列组合并生成网格，根据搜索步长10进行搜索，得到最优惩罚因子c和高斯核参数σ。

具体地：步骤S3具体包括：

S31.给定样本集为(x

S32.将分类函数φ(x)映射到高位空间中，并构建径向基函数：

k(x

S33.构建SVM分类器函数：

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。