基于MSSA-SVM的电缆隧道故障预警系统设计_纪超.pdf
《基于MSSA-SVM的电缆隧道故障预警系统设计_纪超.pdf》由会员分享,可在线阅读,更多相关《基于MSSA-SVM的电缆隧道故障预警系统设计_纪超.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 30 卷第 1 期2023 年 2 月 工程设计学报 Chinese Journal of Engineering DesignVol.30 No.1Feb.2023基于MSSA-SVM的电缆隧道故障预警系统设计纪超1,王亮1,王孝敬2,李小兵2,曹雯1(1.西安工程大学 电子信息学院,陕西 西安 710600;2.西安金源电气股份有限公司,陕西 西安 710075)摘 要:为了实现电缆隧道环境的在线监测和故障报警,提高电缆隧道监测系统的智能化水平,提出了一种基于多特征麻雀搜索算法(multi-feature modified sparrow search algorithm,MSSA)优
2、化支持向量机(support vector machines,SVM)的故障预警系统。首先,对故障数据集进行归一化预处理;其次,建立多分类SVM模型,用MSSA对SVM进行参数寻优,从而建立MSSA-SVM模型,并将训练好的MSSA-SVM模型嵌入故障预警系统的数据库服务器中,对实时采集的数据进行在线监测、诊断,并及时报警;最后,通过实验验证了MSSA-SVM模型的有效性,并将其与麻雀搜索算法(sparrow search algorithm,SSA)、灰狼优化算法(grey wolf optimization,GWO)和粒子群算法(particle swarm optimization,PS
3、O)进行对照实验,实验结果表明,MSSA-SVM模型的故障识别准确率最高,其识别准确率可达95%。研究结果为有效提高电缆隧道在线监测的智能性和准确性提供了参考。关键词:电缆隧道;监测系统;支持向量机;故障诊断;多特征麻雀搜索算法中图分类号:TM 712 文献标志码:A 文章编号:1006-754X(2023)01-0109-08Design of cable tunnel fault warning system based on MSSA-SVMJI Chao1,WANG Liang1,WANG Xiao-jing2,LI Xiao-bing2,CAO Wen1(1.School of El
4、ectronic Information,Xian Polytechnic University,Xian 710600,China;2.Xian Jinpower Electrical Co.,Ltd.,Xian 710075,China)Abstract:In order to realize online monitoring and fault alarm of cable tunnel environment and improve the intelligent level of cable tunnel monitoring system,a fault warning syst
5、em based on multi-feature sparrow search algorithm(MSSA)optimized support vector machines(SVM)was proposed.Firstly,the fault data set was preprocessed normalized;secondly,a multi-class SVM model was established,and MSSA was used to optimize the parameters of the SVM,so as to establish the MSSA-SVM m
6、odel.The trained MSSA-SVM model was embedded in the database server of the fault warning system,and the real-time collected data was monitored and diagnosed online,and the alarm was given in time;finally,the effectiveness of MSSA-SVM model was verified by experiments,and it was compared with sparrow
7、 search algorithm(SSA),grey wolf optimization(GWO)and particle swarm optimization(PSO).The experimental results showed that MSSA-SVM model has the highest fault recognition accuracy,and its recognition accuracy could reach 95%.The research result provides a reference for effectively improving the in
8、telligence and accuracy of online monitoring of cable tunnels.Key words:cable tunnel;monitoring system;support vector machine;fault diagnosis;multi-feature sparrow search algorithmdoi:10.3785/j.issn.1006-754X.2023.00.002收稿日期:2022-03-21 修订日期:2022-06-17本刊网址在线期刊:http:/ 超(1987),男,陕西西安人,讲师,博士,从事输电线路监测及机器
9、视觉等研究,E-mail:,http:/orcid.org/0000-0002-7244-0836工程设计学报第 30 卷 近年来,新一代智能电网得到大量建设,我国越来越多的城市采用隧道电缆代替架空线路来实现电力能源的传输。电能稳定安全传输是智能电网运行的关键环节,因此须采用电缆隧道智能监测技术,以及时发现电缆隧道的故障和隐患、保证智能电网的稳定运行及保障维护人员的生命安全。随着电缆隧道的不断建成,针对电缆隧道安全运行的综合监测和故障诊断技术被广泛应用1-2。目前,国内的电缆隧道在线监测尚存在智能化水平低、缺乏综合的安全评估系统和监测手段单一等缺陷。李俊廷3提出了针对电缆本体和隧道环境的全方位
10、监测技术,但缺乏联动设备来对故障进行及时处理;He等4-5在电力系统运行状态的评估中只机械地根据所设定监测参量的阈值进行故障诊断,导致故障诊断的准确率较低;赵群辉等6对隧道环境进行了全面监测,并将监测到的数据进行采集、传输和展示,但各类监测设备之间无法协同,各类数据间相互孤立,无法通过数据的综合分析去判断故障;赖磊洲等7-8详细介绍了电缆隧道各监控子系统的技术方案,并引入了BP(back propagation,反向传播)神经网络智能算法,但是在小样本的情况下依然不能保证故障诊断的准确率;肖桂雨等9利用遗传算法对BP模型寻优难、易陷入局部极小值的缺陷进行了改进,使故障预测精度有所提高。在小样本
11、、非线性的故障诊断和预测方面,SVM(support vector machine,支持向量机)具有不俗的表现。李捷辉等10通过优化SVM模型,寻找其最优的惩罚系数c和核参数g,实现了对发动机故障的预诊断;针对SVM易陷入局部最优、参数寻优难的问题,单亚峰等11-12采用麻雀搜索算法(sparrow search algorithm,SSA)在指定的范围内寻找最优参数,来提高模型的诊断准确率;胡璇等13-15则分别采用灰狼优化算法(grey wolf optimizer,GWO)和粒子群优化算法(particle swarm optimization,PSO)对SVM模型进行参数优化。随着人工
12、智能技术的不断发展,SVM和神经网络被广泛应用于故障诊断、事故预测等场景。通过建立学习模型并进行故障训练来获得先验知识,使不同类别的数据相互融合、协作,实现故障的智能诊断,提高诊断的准确率。为了提高电缆隧道的安全性,作者在电缆隧道在线监测系统后台监控中心的数据库服务器中嵌入智能故障识别和预警算法。该算法更适用于故障数据样本少的情况,更有利于对电缆隧道的安全性进行综合评估16。1 电缆隧道在线监测系统设计方案 电缆隧道在线监测系统的架构如图1所示,包括采集层、站控层和监控中心。采集层的主要功能是采集并发送电缆隧道现场数据;站控层是数据的中转站,利用电力专用网络将环境监测数据上传至监控中心的数据库
13、服务器中;监控中心则完成在线环境监控信息的存储、分类、显示以及对环境故障的诊断和预测等。本文重点研究电缆隧道故障预警系统。用多特征麻雀搜索算法(multi-feature SSA,MSSA)优化SVM,然后在监控中心的数据库服务器中内嵌MSSA-SVM模型,以实现电缆隧道故障预警。监控中心采用功能模块化设计,如图2所示。图1电缆隧道在线监测系统的架构Fig.1Framework of online monitoring system for cable tunnel图2监控中心的功能模块化设计Fig.2Functional modular design of monitoring center
14、 110第 1 期纪超,等:基于MSSA-SVM的电缆隧道故障预警系统设计故障预警系统将MSSA-SVM模型作为主要评估方法,同时可以与人工评估相结合,进行电缆隧道运行状态的分析和评估,评估结果决定着是否进行报警和事故处理。故障预警流程如图3所示。2 MSSA-SVM模型 2.1SVMSVM在故障识别和预测方面表现较好,尤其是对于小样本、非线性和高维空间17-18。对于多分类和线性不可分问题,采用样本映射的方法来进行线性变换。非线性变换的优化形式如式(1)所示:|min()w,=12w2+ci=1lis.t.yi()w xi+b 1-i,i 0,i=1,2,l(1)式中:w为法向量;i为松弛变
15、量;c为对错误样本的惩罚力度系数;b为偏置量;xi为输入样本i的数值;yi为预期输出的故障类型。引入拉格朗日乘子ai以解决凸二次规划问题,并利用对偶原则将式(1)转化为式(2):|maxL()a=i=1lai-12i,j=1laiajyiyjk()xi,xjs.t.i=1laiyi=0,ai 0(2)在非线性的情况下,引入核函数映射:k(xi,xj)=(xi)(xj)(3)式中:()为映射函数。综上,决策函数为:f(x)=sgn|i=1laiyik()xi,xj+b|(4)选取的核函数k(xi,xj)为径向基函数,其形式为:k(xi,xj)=exp(-gxi-xj2)(5)惩罚系数c和核参数g
16、对SVM识别的准确性有重要影响。根据经验去寻找最优参数会浪费大量时间19-20,因此本文用MSSA去优化SVM。2.2SVM参数优化算法2.2.1SSASSA是一种新型智能优化算法。其主要通过模仿麻雀觅食和躲避捕食者的行为21,进行局部和全局搜索。模型中设有发现者、加入者和警戒者:作为发现者的麻雀适应度较高,具有更广的搜索范围,在搜索过程中为加入者提供觅食位置信息;加入者跟随发现者寻食;警戒者负责监视和预警,若发现危险,则发出报警信息,并且改变自己的位置。在迭代过程中,发现者位置更新如下:Xt+1e,f=|Xte,f exp()-e N,R2 SXte,f+Q,R2 S(6)式中:t为当前迭代
17、次数;Xte,f表示第e只麻雀在第f维中迭代次数为t时的位置信息;为0,1范围内的随机数;N为最大迭代次数;Q为服从正态分布的随机数;R2和S分别为预警值和安全值,R20,1,S0.5,1。当R2S,即预警值大于安全值时,表示警戒者发现危险,立即发出报警信号,则所有麻雀改变自己的位置,飞到安全位置。加入者在寻找食物时会跟随发现者,如果发现者找到更优的资源,加入者则立即前往。加入者位置更新如下:Xt+1e,f=|Q exp()Xtworst-Xte,fe2,e n/2Xt+1p+|Xte,f-Xt+1p A+L,其他(7)式中:Xtworst表示当前全域最差位置;Xt+1p表示发现者当前的最优位
18、置;A为由1或-1构成的一个1d矩阵,并且A+=AT(AAT)-1;L为单位行向量;n为种群数量。当en/2时,表明第e个加入者无法获得食物,须飞往其他区域觅食。图3故障预警流程Fig.3Fault warning process 111工程设计学报第 30 卷 作为警戒者的麻雀一般占比为10%20%,其位置更新如下;Xt+1e,f=|Xtbest+|Xte,f-Xtbest,fe fbestXte,f+K()|Xte,f-Xtworstfe-fworst+,fe=fbest(8)式中:Xtbest表示当前全域最优位置;为步长控制参数,是服从均值为0、方差为1的正态分布的随机数;K为-1,1范
19、围内的随机数;fe为当前个体麻雀的适应度;fbest为当前全局最优适应度;fworst为当前全局最差适应度;为接近于0的常数,用来避免出现分母为零的情况。2.2.2MSSA针对初始种群质量较差、种群多样性较低的问题,采用反向种群来解决。首先随机生成初始种群,其次根据初始种群生成反向种群,最后按顺序从初始种群和反向种群中取出个体。个体的适应度通过适应度函数计算,具有较高适应度的个体被选择并放入一个新的初始组。假设初始种群为Xe,e=1,2,3,n,则反向种群X e可描述为:Xe=k1bl+k2bu-Xe(9)式中:k1、k2均为0,1范围内的随机数;bl、bu分别为搜索区域的上限和下限。由式(6
20、)至式(8)可知,SSA的位置更新方式分为2种:向当前最优位置靠近和向原点靠近。当最优解接近原点时,SSA算法的性能优于其他算法;当最优解远离原点时,SSA算法的性能变差。而每只麻雀收敛到当前最优解的方式是直接跳到最优解附近,而不是移动到最优解,这导致麻雀容易陷入局部最优,算法的全局搜索能力较弱22。为了解决上述问题,本文从多个特征的角度改进发现者和警戒者的位置更新,其公式如下:Xt+1e,f=|Xte,f()1+Q ,R2 SXte,f+Q,R2 S(10)Xt+1e,f=|Xte,f+()Xte,f-Xtbest,fe fbestXte,f+()Xtworst-Xtbest,fe=fbes
21、t(11)MSSA算法通过生成反向种群,从初始种群和反向种群中选择适应度较高的个体成为最终的初始种群。其独特的初始种群生成方式使每个个体都离最优解更近一步,提高了个体的收敛速度,并且通过搜索更多的有效区域提高了群体的多样性,增强了算法的全局能力。对发现者的位置更新策略修正为:乘以一个服从均值为1、方差为1的正态分布的随机函数(1+Q),以此来消除向原点收敛的操作,使得最优解远离原点时也可获得较好的效果。警戒者的位置更新修正后,麻雀若处于最优位置,则会逃离到最优位置与最差位置之间的随机位置;麻雀若未处于最优位置,则将逃离到自己与最优位置之间的随机位置,以此来减少向最优位置的跳跃,实现向最优位置移
22、动,避免算法陷入局部最优。基于MSSA-SVM的寻优流程如图4所示。寻优实现过程为:1)数据处理。将故障数据的特征量作为输入,将电缆隧道的故障类型作为输出。2)初始化SVM模型和SSA的相关参数。3)计算种群和反向种群的个体适应度。选择适应度较高的个体,并将其放入新的群体中。4)根据修正后的公式(10)更新发现者位置。5)根据公式(7)更新加入者位置。6)根据公式(11)更新警戒者位置。7)计算位置更新后的适应度,并更新当前最优适应度和位置。8)判断是否满足结束条件。如果满足结束条件,则输出最佳参数c和g;如果不满足结束条件,则重复步骤3)至8),直至满足结束条件。9)利用MSSA-SVM进行
23、故障诊断。3 基于MSSA-SVM的故障预警实验 为了验证所提出的MSSA-SVM模型对电缆隧道环境故障识别的准确性,进行电缆隧道故障预警实验。3.1实验环境根据历史典型故障数据并结合西安电缆隧道的图4基于MSSA-SVM的寻优流程Fig.4Optimization process based on MSSA-SVM 112第 1 期纪超,等:基于MSSA-SVM的电缆隧道故障预警系统设计的实际环境得到故障数据集。电缆隧道故障预警实验的装置如图 5 所示,数据采集控制终端如图 6所示。3.2数据预处理从得到的260组故障数据集中随机选取200组作为训练集,60组作为测试集。故障样本的分布如表1
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 MSSA SVM 电缆 隧道 故障 预警系统 设计
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。