买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京工程学院

摘要：本发明公开了一种基于k-VNN和LS-SVM的输电线路覆冰建模方法，首先以线路杆塔微气象站提供的历史数据为基础，读入微气象参数值并转化为向量形式；引入k-VNN算法以从线路覆冰样本数据库选取合适的样本，计算信息向量的欧式距离与夹角信息；有选择性的删除和保留信息向量相似区域即邻近点构成训练样本；通过交叉确认的方法对k-VNN邻近算法选取的样本数量进行寻优，以获得LS-SVM模型中合适的核函数Kxi,xj宽度σ及误差惩罚因子γ等参数，寻找到最优；参数设定好后，采用最小二乘支持向量机LS-SVM进行相关数据的训练，最后获得覆冰厚度。本发明的算法预测精度较高，速度极快，适合用于输电线路覆冰的短期覆冰预测。

主权项：一种基于k‑VNN和LS‑SVM的输电线路覆冰建模方法，其特征在于，包括如下步骤：步骤1：首先以线路杆塔微气象站提供的历史数据为基础，读入微气象参数值并转化为向量形式；步骤2：引入k‑VNN算法以从线路覆冰样本数据库选取合适的样本，计算信息向量的欧式距离与夹角信息；步骤3：有选择性的删除和保留信息向量相似区域即邻近点构成训练样本；步骤4：通过交叉确认的方法对k‑VNN邻近算法选取的样本数量进行寻优，以获得LS‑SVM模型中合适的核函数Kxi,xj宽度σ及误差惩罚因子γ等参数，寻找到最优；步骤5：参数设定好后，采用最小二乘支持向量机LS‑SVM进行相关数据的训练，最后获得覆冰厚度。

全文数据：基于k-VNN和LS-SVM的输电线路覆冰建模方法技术领域[0001]本文发明一种基于数据驱动的LS-SVM辨识理论对覆冰的发展进行了预测，属于架空线路安全与防护领域。背景技术[0002]近些年来，由于国家电网公司"智能电网"等有关概念的提出，大量的研究人员将目光转向了电力系统所涉及的方方面面，输电线路作为各个输电网和用户之间的能源通道，其重要地位更是显而易见。然而，由于线路长期曝露野外，承受着自然界各种因素的侵蚀，已然成为电力系统中最为脆弱的部分。每当进入冬季，江浙、云南、贵州等地区由于湿气太重，一旦寒流入侵，势必引起局部地区输电线路的严重覆冰，这将导致铁塔扭曲、倒塔、断线等破坏性事故，不仅给用户生产生活带来影响，更危害电网的安全。因此，如何防治输电线路的覆冰灾害已成为智能电网建设中亟待解决的问题之一。[0003]由于在线监测技术的发展，许多小型输电线路覆冰在线监测装置逐渐应用于重覆冰区域，其收集的气象及覆冰信息为线路覆冰的机理挖掘提供了宝贵的资料。[0004]其中，俄、加、美、等国的研究人员对线路覆冰进行了大量的研究，在导线覆冰的机理、导线覆冰荷载等领域取得了大量的理论成果和产品：日本通过风洞设施开展了各个气象参数对冰雪的影响；加拿大研究人员统计了魁北克试验线路若干年的覆冰数据，建立了相对完善的覆冰变化与微气象之间的关系，但他们的研究较多的是线路覆冰的数学经验公式。然而，此方法在实际的应用中往往缺乏详尽的数据支持，而限制该方法的应用和扩展。[0005]在国内，各设计、科研及运行单位也进行了大量的研究工作，目前关于电力线路的覆冰预测模型虽然总类繁多，但目前主要存在问题为：1研究数据基于各种人工模拟气候条件下，在复杂自然环境下缺乏说服力；2虽然有些文献中分析和建模采用的是某些线路的覆冰在线监测数据，但往往这些采集的数据中存在大量冗余、错误的数据，未经筛选就使用这么庞大的数据进行建模，将无法反映线路覆冰的发展规律;3现有的研究成果中由于算法的实时性差或者精度不高等问题，并未有适用于线路覆冰灾害预警的快速算法。[0006]故此，依据数据驱动的思想，以向量的方式看待覆冰样本数据，提出一种基于数据驱动的LS-SVM辨识模型。将微气象监测终端采集的数据进行聚类分析，充分利用LS-SVM适用小样本拟合的特点对线路覆冰模型进行精确建模。发明内容[0007]本发明的目的在于:提出一种能适用于各种微气象条件下的覆冰预测模型建模方法。[0008]本发明的解决方案是：一种微气象条件下基于k-VNN和LS-SVM的输电线路覆冰模型建模方法，包括如下步骤：[0009]步骤1:首先以线路杆塔微气象站提供的历史数据为基础，读入微气象参数值并转化为向量形式；[0010]步骤2:引入k-VNN算法以从线路覆冰样本数据库选取合适的样本，计算信息向量的欧式距离与夹角信息；[0011]步骤3:根据步骤2中所述的算法，有选择性的删除和保留信息向量相似区域（即邻近点构成训练样本；[0012]步骤4:通过交叉确认CV的方法对k-VNN邻近算法选取的样本数量进行寻优，以获得LS-SVM模型中合适的核函数KXl，&宽度〇及误差惩罚因子y等参数，寻找到最优；[0013]步骤5:参数设定好后，采用最小二乘支持向量机LS-SVM进行相关数据的训练，最后可获得覆冰厚度。[0014]步骤1中数据是在输电线路微气象监测点所监测的历史数据的基础上，通过人工筛选的方法将某一时刻线路覆冰快速增长的部分筛选出来，并导出其对应的微气象参数环境温度、相对湿度、30分钟平均风向，风速等并将其转化为向量形式。[0015]所述步骤2中的k-VNN算法为：[0016]设有两个n维向量，Xi=[Xi,l，Xi,2,…，Xi,n]T与，Xq=[Xq,l，Xq,2，…，Xq,n]T，则向量Xi与Xq的Euclidean距离与夹角定义为：[0017]II*112||yH2[0018]定义加权选择准则：其中，yG[0，l]为权重系数。且由于1父1，父O时，此时信息量与之相关度较高，以数据信息的指数核Exponentialkernel与夹角余弦加权之和构成新的选择准则：[0069][0070]式中，y权重因子，且yG[0，l]。由于1父1，父。[0096]根据Mercer条件，使用核函数KXi，xj=exp[-xi_xj2202]，LS-SVM回归估计可表示为如下形式：[0097][0098]由于核函数是一个通用的表达式，在式P，Xl是训练样本里的已知数，因此只有一个未知数X。[0099]下面介绍1实施例：[0100]例1:以浙江省供电局某变电站杆塔50#为研究对象，在基于QT开发的软件平台下对其进行仿真验证。[0101]提取杆塔50#冬季覆冰时由塔上微气象在线监测设备采集的1318组微气象数据，以半小时为时间节点，绘制其总体趋势图如图2所示；[0102]基于k-VNN邻近点数据选取，通过数据窗口h对比，选取0.75时所得到的累积误差最小如图3所不；[0103]在确定数据窗口h之后，预测点与样本数据库中各个数据的空间距离随之确定，由此，选择的样本个数也将相对确定。之后，本文将采用交叉确认的方法对LS-SVM的核函数KXl，&宽度〇及误差惩罚因子Y的大小进行寻优，寻优之前与寻优之后的对比结果。当〇=12.8501635;y=24857.3341时如图4、图5所示，模型具有很好的拟合能力，与覆冰真实值之间的误差更小。[0104]为检验所得系统模型的性能，本文利用全局样本数据，分别建立BP神经网络和RBF神经网络与k-VNN&LS-SVM进行对比，用均方误差MSE和正确率来衡量函数逼近性能的优劣。[0105][0106]式中M为训练数据对的个数，yk为实际覆冰系统的输出，.〔幻为LS-SVM预测的覆冰厚度值。[0107]正确率为：[0108][0109]图6-图8中其预测结果与实际对比结果验证了本次模型预测的准确度。图9、10分别建立BP神经网络和RBF神经网络与k-VNN&LS-SVM进行对比，显示该算法的鲁棒性与算法的优越性。[0110]在本说明书中未作详细描述的内容属本领域技术人员的公知技术。

权利要求：1.一种基于k-VNN和LS-SVM的输电线路覆冰建模方法，其特征在于，包括如下步骤：步骤1:首先以线路杆塔微气象站提供的历史数据为基础，读入微气象参数值并转化为向量形式；步骤2:引入k-VNN算法以从线路覆冰样本数据库选取合适的样本，计算信息向量的欧式距离与夹角信息；步骤3:有选择性的删除和保留信息向量相似区域即邻近点构成训练样本；步骤4:通过交叉确认的方法对k-VNN邻近算法选取的样本数量进行寻优，以获得LS-SVM模型中合适的核函数KXl，Xj宽度σ及误差惩罚因子γ参数，寻找到最优；步骤5:参数设定好后，采用最小二乘支持向量机LS-SVM进行相关数据的训练，最后获得覆冰厚度；所述步骤4中的交叉确认的方法为：定义误差累积函数errorSUm:其中fXj为经过LS-SVM建模之后的模型，η为系统的实际值;通过对误差比较，得出相对合理的样本个数Sj;样本个数Sj确定之后，定义误差均值函数MSEji:讲行k次佚代之后，可得到k个误差，取其均值：多次测试之后，选择kMSE值最小的组合。2.根据权利要求1所述的基于k-VNN和LS-SVM的输电线路覆冰建模方法，其特征在于：步骤1中数据是在输电线路微气象监测点所监测的历史数据的基础上，通过人工筛选的方法将某一时刻线路覆冰快速增长的部分筛选出来，并导出其对应的微气象参数并将其转化为向量形式。3.根据权利要求1所述的基于k-VNN和LS-SVM的输电线路覆冰建模方法，其特征在于：所述步骤2中的k-VNN算法为：设有两个η维向量，Xi=[Xi,l，Xi,2，…，Xi,n]T与，Xq=[Xq,l，Xq,2，…，Xq,n]T，则向量Xi与Xq的欧式距离与夹角定义为：定义加权选择准则：〇尤,夂）=外^^1+1-丨：0；^尤.乂;）'其中，丫1£[〇，1]为权重系数;且由于1父1父1£[〇，1]，3父1，父1£[〇，1]，则可得:〇父1，父1£[〇，1]。4.根据权利要求3所述的基于k-VNN和LS-SVM的输电线路覆冰建模方法，其特征在于：所述步骤3中的选择样本方式为：根据步骤2中计算的关系，通过计算加权选择准则:DU1，Xq，确定数据窗口后得到训练数据，模型输入向量Xi的邻域Ωk:3其中h为数据窗口。5.根据权利要求1所述的基于k-VNN和LS-SVM的输电线路覆冰建模方法，其特征在于：所述步骤5中的训练算法为：式中：Xi为输入量，由上文可知，Xi为输入的微气象参数，yi为目标值，eieR为误差变量，ΦXi:Rn-Rnh为核空间映射函数，ωGRnh为权矢量，γ为可调参数，b为偏差量，1为目标值的个数；引入拉格朗日函数：式中:aii=1，…，υ是拉格朗日乘子；根据Mercer条件，使用核函数KXi，Xj=exp[-Xi-Xj22〇2],LS-SVM回归估计可表示为如下形式：其中Kx，xi为上述核函数，X是核函数中的未知数;Cii为待求未知量，b为偏差量。

百度查询： 南京工程学院 基于k-VNN和LS-SVM的输电线路覆冰建模方法