[发明专利]一种基于多信息融合的架空输电线路覆冰舞动预测方法

权利要求书

1.一种基于多信息融合的架空输电线路覆冰舞动预测方法，其特征在于：其方法如下所述：

第一步、选取易发生导线覆冰舞动的输电线路，提取该线路导线发生覆冰舞动时的数个特征量，对线路两端铁塔安装振动传感器和倾角传感器，采集铁塔发生线路覆冰舞动时刻的振动信号x₇和倾角大小x₈；通过气象数据库获得该时刻对应的温度x₁、湿度x₂、风向x₃、风力x₄、降雨及雪量x₅、积水量x₆，将同一时刻的温度x₁、湿度x₂、风向x₃、风力x₄、降雨及雪量x₅、积水量x₆、振动信号x₇和倾角大小x₈作为一个样本向量，并标注覆冰程度y_j，其中j＝1、2、3、4；

覆冰程度按分布在导线上的覆冰厚度和均匀状态分为四种状态，分别用y₁,y₂,y₃,y₄表示，具体如下：

(1)、10mm以下轻覆冰状态；(2)、10-20mm中覆冰状态；(3)、20mm以上均匀重覆冰状态；(4)、20mm以上非均匀重覆冰状态；

第二步、特征数据归一化，我们把输入数据温度x₁、湿度x₂、风向x₃、风力x₄、降雨及雪量x₅、积水量x₆、振动信号x₇和倾角大小x₈分别转换到[0,1]之间，通过：

特征数据经过数据归一化处理后，各指标处于同一数量级，方便进行综合对比评价；

第三步、构建非线性四分类的支持向量机，将归一化的输入特征量映射到高维特征向量空间,并在高维特征空间中构造最优分界面，其具体算法如下：

将向量x由n维输入向量空间转换到m维特征向量空间(m＞n)，由非线性变换函数z_j＝g_j(x)(j＝1,2,…m)可得:

z＝{g₁(x),g₂(x),…g₈(x)}

特征空间中构造最优分界面，实质即计算特征向量的内积：

因特征空间维数过高,无法直接计算特征向量的内积，且z_i和z_j是特征空间中的两个向量,它们的内积为对应输入空间里x_i、x_j的函数：

(z_i·z_j)＝K(x_i,x_j)

核函数K(x_i,x_j)为对称正定的，根据Hilbert-Schmidt定理及Mercer条件,核函数K(x_i,x_j)代表特征空间中两个向量z_i与z_j的内积,这两个向量z_i是z_j输入空间中向量x_i和x_j到特征空间中某个非线性映射的像；

其中，Mercer条件为：

∫∫K(x_i,x_j)Ф(x_i)dx_idx_j＞0

Ф是任意非零函数，其满足

∫Ф²(x)dx＜0

输入输出空间最优分界面为超曲面，其函数为：

是支持向量相对样本输出，是二次优化问题的非零解；

核函数选择高斯核函数：σ为函数的宽度参数；

给定训练样本(x_i，y_j)(i＝1,2…8,j＝1,2,3,4)50组、参数调节C和高斯核函数，在约束条件

下，计算如下：

的极小值；

第四步、建立Matlab仿真模型：Matlab仿真模型是在Matlab的环境下，运用第二步构建的非线性支持向量机，采用高斯核函数对数据集进行训练，最终对训练集进行四分类，训练完成后，用测试集进行回归检验，并进行验证；

为了方便观察分类结果，模型对于fitcsvm的分类使用了梯度图进行展示，原理就是，把模型范围规范到训练集二维坐标的最大值与最小值之内，在范围内以设定的间隔均匀取点，进行支持向量机的测试，取测试结果最接近0的点连接起来画出分界线；

利用训练集对支持向量机模型进行训练，利用测试集对模型进行回归测试，对四种支持向量机分类模型，均进行测试并把每次分类的结果返回到一个矩阵当中，取出前述矩阵每一行的最大值，并返回该值的列数即为最终的测试集标签；

第五步、测试集预测标签生成之后，将其与测试集真实标签进行对比，对支持向量机的表现进行评价，评价指标采用confusionmat函数，这是混淆矩阵函数，用于有监督学习，用于比较分类结果和实际测得值，然后把分类结果的精度在一个混淆矩阵中显示。