本發(fā)明涉及智能電網(wǎng)監(jiān)控與維護(hù)領(lǐng)域，特別是一種基于支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、現(xiàn)有技術(shù)在處理大規(guī)模、高維度的氣象及環(huán)境數(shù)據(jù)時仍存在若干不足。一方面，原始數(shù)據(jù)中的噪聲干擾和異常值嚴(yán)重影響模型的訓(xùn)練效果，簡單的預(yù)處理方法難以有效去除這些干擾，導(dǎo)致預(yù)測結(jié)果偏差較大。另一方面，多數(shù)模型直接應(yīng)用原始數(shù)據(jù)進(jìn)行學(xué)習(xí)，忽視了數(shù)據(jù)內(nèi)部潛在的時空關(guān)聯(lián)結(jié)構(gòu)，這限制了模型對復(fù)雜氣候模式的捕捉能力。此外，支持向量機(jī)(svm)作為一種強(qiáng)大的分類與回歸工具，在處理小樣本、非線性問題上展現(xiàn)出優(yōu)異性能，但在參數(shù)選擇上較為敏感，不當(dāng)?shù)膮?shù)配置會顯著降低其預(yù)測性能。盡管已有研究嘗試通過手動調(diào)參或網(wǎng)格搜索來優(yōu)化svm，但這通常需要大量計(jì)算資源且容易陷入局部最優(yōu)解。

2、本發(fā)明提出了一種基于支持向量機(jī)與遺傳算法相結(jié)合(ga-svm)的覆冰架空線路預(yù)測方法及系統(tǒng)。該方法首先對目標(biāo)線路的歷史數(shù)據(jù)進(jìn)行精細(xì)化處理，包括平滑去噪，構(gòu)建高質(zhì)量的時間序列數(shù)據(jù)，隨后利用奇異值分解技術(shù)，從高維數(shù)據(jù)中提取關(guān)鍵的時空模式特征，有效降低了數(shù)據(jù)維度同時保留了重要信息。進(jìn)一步地，通過對這些時空特征的統(tǒng)計(jì)分析，構(gòu)造出更具代表性的特征向量，為svm模型提供了更為精準(zhǔn)的輸入。在此基礎(chǔ)上，引入遺傳算法對svm的關(guān)鍵參數(shù)進(jìn)行全局優(yōu)化，確保模型能夠在復(fù)雜的數(shù)據(jù)分布中找到最佳的超參數(shù)配置，從而顯著提升了預(yù)測模型的泛化能力和預(yù)測精度。最后，通過集成所有預(yù)測結(jié)果，實(shí)現(xiàn)了對整個監(jiān)測區(qū)域覆冰厚度的全面、準(zhǔn)確預(yù)測，為電力系統(tǒng)的防冰減災(zāi)提供了科學(xué)依據(jù)和技術(shù)支撐。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種基于支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法及系統(tǒng)解決通過融合遺傳算法與奇異值分解的時空模式特征表示，實(shí)現(xiàn)復(fù)雜氣候條件下冰覆蓋厚度的高精度預(yù)測問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實(shí)施例提供了一種支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法，其包括，收集目標(biāo)線路歷史數(shù)據(jù)信息，進(jìn)行數(shù)據(jù)處理，構(gòu)建冰覆蓋厚度時間序列；將冰覆蓋厚度時間序列數(shù)據(jù)轉(zhuǎn)換為多元時序數(shù)據(jù)矩陣，并進(jìn)行奇異值分解；基于奇異值的作用，識別主要模態(tài)，通過線性組合轉(zhuǎn)化，形成特征空間；從特征空間中提取每個時間點(diǎn)的統(tǒng)計(jì)特征，構(gòu)成用于svm模型的特征向量；建立線性svm模型，引入遺傳算法對svm模型的參數(shù)進(jìn)行優(yōu)化，確定最適正則化參數(shù)；使用遺傳算法優(yōu)化后的svm模型參數(shù)，整合所有位置和時間點(diǎn)的預(yù)測值，通過累加各個分量的預(yù)測值，得出整個監(jiān)測區(qū)域的總體冰層厚度預(yù)測值。

5、作為本發(fā)明所述支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法的一種優(yōu)選方案，其中：所述收集目標(biāo)線路歷史數(shù)據(jù)信息，進(jìn)行數(shù)據(jù)處理，構(gòu)建冰覆蓋厚度時間序列，具體步驟如下：

6、通過自動化的數(shù)據(jù)接口與電力系統(tǒng)監(jiān)測平臺連接，從多個緯度收集氣象站數(shù)據(jù)、歷史覆冰記錄、地理坐標(biāo)信息和時間序列數(shù)據(jù)，利用python的pandas庫，對接收到的數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，并將時間序列數(shù)據(jù)按日期時間排序，最終存儲為結(jié)構(gòu)化的格式。

7、作為本發(fā)明所述基于支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法的一種優(yōu)選方案，其中：所述將冰覆蓋厚度時間序列數(shù)據(jù)轉(zhuǎn)換為多元時序數(shù)據(jù)矩陣，具體步驟如下：

8、設(shè)原時間序列數(shù)據(jù)為{xt}，其中t＝1，2，...，n，其中n代表從電力系統(tǒng)監(jiān)測平臺收集的覆冰厚度n個數(shù)據(jù)點(diǎn)，

9、對于每個時間點(diǎn)i，從該點(diǎn)開始，連續(xù)取l個數(shù)據(jù)點(diǎn)，形成一個延遲向量x1＝[x1,x2,...,xl]；

10、對每一個i值重復(fù)上述過程，直到構(gòu)建出所有n-l+1個延遲向量，將所有延遲向量垂直堆疊起來，公式如下：

11、xi＝[x1,x2,...,xn-l+1]t；

12、其中，xi為第i個時間窗口的向量，l表示窗口長度，n為總時間點(diǎn)數(shù)，t表示矩陣轉(zhuǎn)置；

13、對數(shù)據(jù)矩陣x進(jìn)行奇異值分解，公式如下：

14、x＝uσv*；

15、其中，u是m×m的左奇異正交矩陣，v是n×n的右奇異正交矩陣，σ是m×n的對角矩陣，v*是v的共軛轉(zhuǎn)置。

16、作為本發(fā)明所述基于支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法的一種優(yōu)選方案，其中：所述基于奇異值的作用，識別主要模態(tài)，通過線性組合轉(zhuǎn)化，形成特征空間，具體步驟如下：

17、為了從奇異值中識別出主要模態(tài)，先確定一個相對作用閾值δ，進(jìn)一步精簡模型，僅保留對總方差有顯著貢獻(xiàn)的奇異值，公式如下：

18、

19、其中，r為需要保留的奇異值的數(shù)量，δ為累積貢獻(xiàn)率的閾值，σi為第i個奇異值；

20、設(shè)定目標(biāo)貢獻(xiàn)率的具體值，當(dāng)c.e.vr首次超過r時，對應(yīng)的r即為所需的奇異值的數(shù)量，公式如下：

21、

22、其中，c.e.vr表示累計(jì)到前r個奇異值的累計(jì)解釋方差比，σi是第i個奇異值；

23、基于上述確定的r，篩選出最重要的r個模態(tài)，定義篩選后的左奇異向量矩陣為ur和對應(yīng)的奇異值對角矩陣為σr，公式如下：

24、ur＝[u1,u2,...,ur]；

25、∑r＝diag(σ1,σ2,...,σr)；

26、將識別的模態(tài)通過非線性函數(shù)轉(zhuǎn)換，進(jìn)行加權(quán)并增強(qiáng)后續(xù)分析中的預(yù)測能力，公式如下：

27、

28、其中，wi表示每個模態(tài)的自適應(yīng)權(quán)重，pi為第i個模態(tài)與預(yù)定義物理指標(biāo)之間的相關(guān)系數(shù)，f是一個非線性函數(shù)；

29、設(shè)計(jì)表示統(tǒng)計(jì)特性的正交變換矩陣，公式如下：

30、w＝diag(w1,w2,...,wr)；

31、生成特征空間矩陣，公式如下：

32、

33、其中，為對角矩陣中的每個元素是對應(yīng)奇異值的平方根，w表示通過自適應(yīng)權(quán)重增強(qiáng)預(yù)測能力。

34、作為本發(fā)明所述基于支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法的一種優(yōu)選方案，其中：所述從特征空間中提取每個時間點(diǎn)的統(tǒng)計(jì)特征，生成svm模型特征向量，具體步驟如下：

35、將yosc進(jìn)行缺失值處理、異常值檢測與處理、數(shù)據(jù)標(biāo)準(zhǔn)化和特征選擇，將處理好的數(shù)據(jù)集劃分訓(xùn)練集、驗(yàn)證集和測試集；

36、對特征空間yosc中的每個時間點(diǎn)i，及對應(yīng)的特征向量yi，計(jì)算其均值ui和方差σi2，公式如下：

37、

38、其中，yij表示第i個時間點(diǎn)對應(yīng)的特征向量中的第j個數(shù)據(jù)點(diǎn)；

39、選取一個合適大小的滑動窗口w，在每個時間點(diǎn)i處，利用窗口內(nèi)的數(shù)據(jù)點(diǎn)通過線性擬合模型y＝mx+b，找到斜率mi和截距bi，而模型可通過最小二乘法得到，公式如下：

40、

41、其中，mi代表了時間序列在窗口i位置的局部趨勢斜率，和分別為窗口內(nèi)時間點(diǎn)和對應(yīng)特征值的平均值，j表示從遍歷到在時間點(diǎn)i前后各取半個窗口長度的數(shù)據(jù)點(diǎn)；

42、對于每個時間點(diǎn)i，構(gòu)造一個三維特征向：fi＝(ui，σi2，mi)，其中，每一對(ui，σi2)對應(yīng)一個時間點(diǎn)的統(tǒng)計(jì)描述。

43、作為本發(fā)明所述基于支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法的一種優(yōu)選方案，其中：所述基于svm模型特征向量構(gòu)建線性svm模型，引入遺傳算法對svm模型的參數(shù)進(jìn)行優(yōu)化，確定最適正則化參數(shù)，具體步驟如下：

44、使用libsvm庫，基于從特征向量yosc中提取的特征fi，構(gòu)建線性svm模型，并且確定正則化參數(shù)c，c的優(yōu)化公式如下：

45、

46、在約束條件下：

47、

48、其中，w是權(quán)重向量，b是偏置項(xiàng)，l是訓(xùn)練的樣本數(shù)量，yi是第i個樣本的標(biāo)簽，xi是第i個樣本的特征向量f，ξi是松弛變量；

49、引入遺傳算法，構(gòu)建初始種群pt，每個個體ck代表一個正則化參數(shù)的候選值k＝1,2，...，n，其中，ck∈[cmin，cmax]；

50、將基于交叉驗(yàn)證下模型的性能指標(biāo)定義為適應(yīng)度函數(shù)f(ck)，采用錦標(biāo)賽選擇法，從pt中隨機(jī)抽取t個個體進(jìn)行比較，選擇適應(yīng)度最高的個體進(jìn)入下一代；

51、從下一代種群中隨機(jī)選擇多個個體，采用單點(diǎn)交叉策略，隨機(jī)選擇一個交叉點(diǎn)，交換選定點(diǎn)之后的c值，生成新的個體；

52、對每個新個體的c值進(jìn)行變異c＇＝c+δ，其中δ是隨機(jī)擾動因子；

53、計(jì)算評估變異產(chǎn)生的新個體計(jì)算其適應(yīng)度f(ck)，進(jìn)而評估新個體的性能,基于選擇、交叉和變異操作產(chǎn)生的所有個體，組建新一代種群pt+1，進(jìn)入下一輪迭代，迭代直到達(dá)到最大迭代次數(shù)cmax或最近幾代中最佳適應(yīng)度提高小于預(yù)先設(shè)定的閾值；

54、基于遺傳算法優(yōu)化出的最優(yōu)正則化參數(shù)c*，輸入svm模型中，重新訓(xùn)練模型，公式如下：

55、

56、其中w*和b*別是優(yōu)化后的權(quán)重向量和偏置，||w||2表示權(quán)重向量w的歐幾里得范數(shù)的平方。

57、作為本發(fā)明所述基于支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法的一種優(yōu)選方案，其中：所述使用遺傳算法優(yōu)化后的svm模型參數(shù)，整合所有位置和時間點(diǎn)的預(yù)測值，通過累加各個分量的預(yù)測值，得出整個監(jiān)測區(qū)域的總體冰層厚度預(yù)測值，具體步驟如下：

58、收集當(dāng)前時刻t下各個監(jiān)測點(diǎn)的氣象條件數(shù)據(jù)，包括溫度、濕度、風(fēng)速影響覆冰厚度的關(guān)鍵因素，將這些數(shù)據(jù)組成一個新的矩陣xt，并對輸入數(shù)據(jù)xt進(jìn)行標(biāo)準(zhǔn)化處理，消除不同特征間的量綱差異；

59、利用優(yōu)化后的svm模型中已確定的參數(shù)和對每個監(jiān)測點(diǎn)的下一時間步t+1覆冰厚度進(jìn)行預(yù)測，公式如下：

60、

61、其中表示第i個監(jiān)測點(diǎn)在t+1刻預(yù)測的覆冰厚度，xi(t)是i個點(diǎn)在t時刻標(biāo)準(zhǔn)化后的特征向量，sign表示符號函數(shù)；

62、引入一個加權(quán)平均策略來整合預(yù)測結(jié)果，依據(jù)歷史數(shù)據(jù)和專家知識，為每個監(jiān)測點(diǎn)分配一個權(quán)重α，確保αi>0且σαi＝1，其中ii表示第i個點(diǎn)歷史覆冰影響指數(shù)；

63、利用加權(quán)平均方法整合所有監(jiān)測點(diǎn)的預(yù)測值，形成區(qū)域總體預(yù)測值ytlt+1，公式如下：

64、

65、其中，n是監(jiān)測點(diǎn)的總數(shù)，α是第i個點(diǎn)的權(quán)重。

66、第二方面，本發(fā)明提供了一種支持向量機(jī)ga-svm的覆冰架空線路預(yù)測系統(tǒng)，包括歷史數(shù)據(jù)預(yù)處理模塊、時序數(shù)據(jù)轉(zhuǎn)換與特征提取模塊、時空模式特征構(gòu)建模塊、svm模型優(yōu)化與建立模塊和預(yù)測集成與評估模塊；歷史數(shù)據(jù)預(yù)處理模塊，用于收集線路歷史覆冰厚度數(shù)據(jù)，通過平滑與去噪技術(shù)提升數(shù)據(jù)質(zhì)量，構(gòu)建清晰的時間序列，為后續(xù)分析提供準(zhǔn)確基礎(chǔ)；時序數(shù)據(jù)轉(zhuǎn)換與特征提取模塊，用于將處理后的時序數(shù)據(jù)轉(zhuǎn)化為多元時序數(shù)據(jù)矩陣，并進(jìn)行奇異值分解，識別關(guān)鍵模態(tài)特征，通過線性組合形成時空模式特征表示，進(jìn)一步提取每個時間點(diǎn)的統(tǒng)計(jì)特征，為svm模型準(zhǔn)備高效輸入特征向量；時空模式特征構(gòu)建模塊，用于基于奇異值分析，識別并提取反映覆冰動態(tài)變化的主要時空模式，構(gòu)建具有高度概括性的特征表示，增強(qiáng)模型對復(fù)雜覆冰模式的學(xué)習(xí)能力；svm模型優(yōu)化與建立模塊，用于利用支持向量機(jī)理論，結(jié)合遺傳算法對svm模型參數(shù)進(jìn)行全局優(yōu)化，確保模型在保持高泛化能力的同時，能夠針對特定覆冰預(yù)測任務(wù)進(jìn)行高效參數(shù)調(diào)優(yōu)，形成優(yōu)化的ga-svm分類器；預(yù)測集成與評估模塊，用于運(yùn)用優(yōu)化后的ga-svm模型，對所有監(jiān)測點(diǎn)在未來時間步的覆冰厚度進(jìn)行預(yù)測，通過集成所有預(yù)測值，采用累加或其他統(tǒng)計(jì)方法，綜合得出整個監(jiān)測區(qū)域的總體冰層厚度預(yù)測，為線路維護(hù)與決策提供科學(xué)依據(jù)。

67、第三方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如本發(fā)明第一方面所述的基于支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法的任一步驟。

68、第四方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如本發(fā)明第一方面所述的基于支持向量機(jī)ga-svm的覆冰架空線路預(yù)測方法的任一步驟。

69、本發(fā)明有益效果為：該發(fā)明通過集成歷史數(shù)據(jù)處理、高級特征提取、優(yōu)化的機(jī)器學(xué)習(xí)模型與多維度預(yù)測集成，顯著增強(qiáng)了覆冰預(yù)測的準(zhǔn)確性、時效性與實(shí)用性，為電網(wǎng)覆冰管理提供了精準(zhǔn)高效的決策支持工具