CN115630327A - 一种基于mssa-svm的电缆隧道环境事故识别方法 - Google Patents
一种基于mssa-svm的电缆隧道环境事故识别方法 Download PDFInfo
- Publication number
- CN115630327A CN115630327A CN202211180575.7A CN202211180575A CN115630327A CN 115630327 A CN115630327 A CN 115630327A CN 202211180575 A CN202211180575 A CN 202211180575A CN 115630327 A CN115630327 A CN 115630327A
- Authority
- CN
- China
- Prior art keywords
- accident
- mssa
- svm
- optimal
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007613 environmental effect Effects 0.000 title claims abstract description 22
- 241000287127 Passeridae Species 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012706 support-vector machine Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000010845 search algorithm Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical class C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000002431 foraging effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000002789 length control Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 244000062645 predators Species 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 239000002341 toxic gas Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于MSSA‑SVM的电缆隧道环境事故识别方法,首先获取电缆隧道历史事故数据集,通过筛选、去伪,确定有效的历史事故数据集和环境事故输入变量;然后将历史事故数据集归一化处理后分为训练集和测试集;再构建MSSA‑SVM事故识别模型,利用支持向量机SVM构建事故类型与环境事故输入变量之间的关系,通过多特征修正麻雀搜索算法MSSA寻找SVM的最优超参数从而确定最优MSSA‑SVM模型;最后得到最优MSSA‑SVM模型的事故识别。本发明解决了现有监测技术中利用单一阈值传感器进行事故识别时误报率高、延时长的问题。
Description
技术领域
本发明属于电缆隧道安全监测技术领域,具体涉及一种基于MSSA-SVM的电缆隧道环境事故识别方法。
背景技术
电缆隧道综合监测***需要实时监测电缆本体以及隧道环境信息,由于***包含隧道数量较多,采集的数据量大。若依靠传统的人工监测方式,监测人员难以从冗长的数据中及时发现事故,且传统的周期巡检也存在事故识别滞后,不利于高压电缆的安全运行。为了提高监测***对各类环境事故识别和处理的实时性,一种能够高效准确的识别隧道环境事故的算法模型是十分必要的。
发明内容
本发明的目的是提供一种基于MSSA-SVM的电缆隧道环境事故识别方法,解决了现有监测技术中利用单一阈值传感器进行事故识别时误报率高、延时长的问题。
本发明所采用的技术方案是,一种基于MSSA-SVM的电缆隧道环境事故识别方法,具体按照以下步骤实施:
步骤1、获取电缆隧道历史事故数据集,通过筛选、去伪,确定有效的历史事故数据集和环境事故输入变量;
步骤2、将所述步骤1中的历史事故数据集归一化处理,然后分为训练集和测试集;
步骤3、构建MSSA-SVM事故识别模型,利用支持向量机SVM构建事故类型与环境事故输入变量之间的关系,通过多特征修正麻雀搜索算法MSSA寻找SVM的最优超参数:惩罚系数c和核参数g,从而确定最优MSSA-SVM模型;
步骤4、通过所述步骤2得到的训练集对步骤3确定的最优MSSA-SVM模型进行训练,利用所述步骤2得到的测试集验证训练好的最优MSSA-SVM模型的性能,通过测试集得到最优MSSA-SVM模型的输出,将测试集事故类型和最优MSSA-SVM模型输出比较,得到最优MSSA-SVM模型的事故识别结果。
本发明的特点还在于,
步骤1具体按照以下步骤实施:
步骤1.1、将电缆隧道历史事故类型进行编号,具体为:水灾、火灾、有毒气、内部潮湿和氧气不足,依次标记为1、2、3、4、5;
步骤1.2、确定电缆隧道历史事故类型的七种参数变量作为最优MSSA-SVM模型的输入,包括温度、湿度、水位、烟雾浓度、O2、CO及H2S七种指标,将步骤1.1中的五种电缆隧道环境的事故类型的标记作为最优MSSA-SVM模型的输出;
步骤2具体按照以下步骤实施:
步骤2.1、对历史事故数据集归一化处理,映射如下:
式中,y为x通过最大-最小标准化映射到区间[0,1]的值,x表示历史事故数据,xmin表示历史事故数据的最小值,xmax表示历史事故数据的最大值,通过映射得到y的范围为[0,1];
步骤2.2、将归一化处理后的历史事故数据集,随机选80%样本作为训练集,20%样本作为测试集。
步骤3具体按照以下步骤实施:
步骤3.1、建立支持向量机SVM,利用支持向量机SVM构建事故类型与环境事故输入变量之间的关系,使用样本映射的方法进行线性变换,非线性变换的优化形式如式(2)所示:
其中,法向量为w,偏置量为b;ξi为松弛变量;c表示对错误样本的惩罚力度系数;xi为输入的样本数据;yi为预期输出的事故类型;
介入拉格朗日乘子ai,变为二次规划问题:
在非线性的情况下,引入核函数映射:
综上,决策函数为:
k(xi,xj)=exp(-g||xi-xj||2) (6);
步骤3.2、首先随机生成初始种群,然后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,所取个体的适应度由适应度函数计算,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Xi,i=1,2,3...,N,则反向种群为X′i描述为:
X′i=k1lb+k2ub-Xi (7)
式中,k1、k2为0~1的随机数,lb、ub为搜索区域的上下限;
麻雀搜索算法SSA模型简化为发现者-加入者-警戒者,从多个特征的角度修改发现者和警戒者的位置更新,即MSSA寻优超参数c和g,具体如下:
(a)在迭代过程中,发现者位置更新修正为:
式中,t代表当前迭代数,表示第i个麻雀在第j维中迭代次数为t的位置信息,α为[0,1]之间的随机数,N表示最大的迭代次数,Q为服从正态分布的随机数,L为单位行向量,R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值,当R2<ST时,即预警值小于安全值,表示目前区域安全,没有捕食者,发现者能够进一步扩大寻找食物的搜索范围,当R2>ST时,即预警值比安全值大,表示警戒者发现危险,则立即发出报警信号,所有麻雀改变自己的位置信息,飞到安全位置;
(b)加入者在寻找食物时会跟随发现者,如果发现者寻到更优的资源,加入者立即前往,其位置更新如下:
(c)作为警戒者的麻雀一般占比10%~20%,警戒者麻雀位置更新修正为;
式中,是全域目前最佳位置;β是服从均值0,方差1的随机数,并将β作为步长控制参数;K是[-1,1]之间的随机数,fi是此时的个体麻雀适应度值,fbest是目前全局最优的适应度值,fworst是全局最差的适应度值,ε是接近0的常数,避免分母为零的情况;
同时对发现者的位置更新,更新策略修正为:发现者的位置数乘一个均值为1、方差为1的正态分布随机函数(1+Q),
步骤3.3、确定最优MSSA-SVM模型具体如下:
1)初始化SVM模型和SSA算法相关参数;
2)计算初始种群的适应度值,以交叉验证的准确率作为麻雀个体的适应度,计算种群和反向种群的个体适应度值,选择适应度较高的个体,将适应度较高个体放入新的群体作为初始种群;
3)根据修正后的公式(8)更新发现者位置;
4)根据公式(9)更新加入者位置;
5)根据修正后的公式(10)更新警戒者位置;
6)计算位置更新后的适应度值,并更新当前最佳适应度值和位置;
7)判断是否满足结束条件,如果是,则输出最佳参数c和g,如果不是,则继续重复步骤;
8)利用最佳参数c和g进行SVM网络训练,得到最优模型MSSA-SVM。
步骤4具体按照以下步骤实施:
将80%作为训练集输入到优化后的MSSA-SVM模型进行训练,将20%作为测试集输入到优化后的MSSA-SVM模型进行事故识别,输出识别结果,输出结果为事故类型标签编号,对照步骤1.2所述的事故标签类型编号,确定诊断的事故类型。
本发明的有益效果是,一种基于MSSA-SVM的电缆隧道环境事故识别方法,能够准确快速识别出隧道事故类型,该模型通过生成反向种群来提高群体的多样性,经过多特征修正发现者和警戒者的位置更新,使其具有不易陷入局部最优,全局搜索能力强的优点,这种方法解决了依靠传统单一阈值传感器事故识别误报率高、延时长的缺陷,大大减少了电缆隧道的事故。
附图说明
图1是本发明一种基于MSSA-SVM的电缆隧道环境事故识别方法中MSSA-SVM模型适应度曲线图;
图2(a)是本发明一种基于MSSA-SVM的电缆隧道环境事故识别方法中MSSA-SVM模型事故识别结果图;
图2(b)是本发明一种基于MSSA-SVM的电缆隧道环境事故识别方法中SSA-SVM模型事故识别结果图;
图2(c)是本发明一种基于MSSA-SVM的电缆隧道环境事故识别方法中GWO-SVM模型事故识别结果图;
图2(d)是本发明一种基于MSSA-SVM的电缆隧道环境事故识别方法中PSO-SVM模型事故识别结果图;
图3是本发明一种基于MSSA-SVM的电缆隧道环境事故识别方法中各个算法模型事故识别准确率及运行时间对比图;
图4是本发明一种基于MSSA-SVM的电缆隧道环境事故识别方法中各算法对应的各类事故识别准确率对比图;
图5是本发明一种基于MSSA-SVM的电缆隧道环境事故识别方法中的MSSA-SVM模型算法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于MSSA-SVM的电缆隧道环境事故识别方法,流程图如图5所示,具体按照以下步骤实施:
步骤1、获取电缆隧道历史事故数据集,通过筛选、去伪,确定有效的历史事故数据集和环境事故输入变量;
步骤1具体按照以下步骤实施:
步骤1.1、将电缆隧道历史事故类型进行编号,具体为:水灾、火灾、有毒气、内部潮湿和氧气不足,依次标记为1、2、3、4、5;
步骤1.2、确定电缆隧道历史事故类型的七种参数变量作为最优MSSA-SVM模型的输入,包括温度、湿度、水位、烟雾浓度、O2、CO及H2S七种指标,将步骤1.1中的五种电缆隧道环境的事故类型的标记作为最优MSSA-SVM模型的输出;
步骤2、将所述步骤1中的历史事故数据集归一化处理,然后分为训练集和测试集;
步骤2具体按照以下步骤实施:
步骤2.1、由于历史事故数据集的参数变量的复杂性和不确定性,为了防止变量的值过大,增加模型计算量,需要对历史事故数据集归一化处理,映射如下:
式中,y为x通过最大-最小标准化映射到区间[0,1]的值,x表示历史事故数据,xmin表示历史事故数据的最小值,xmax表示历史事故数据的最大值,通过映射得到y的范围为[0,1];
步骤2.2、将归一化处理后的历史事故数据集,随机选80%样本作为训练集,20%样本作为测试集。
步骤3、构建MSSA-SVM事故识别模型,利用支持向量机SVM构建事故类型与环境事故输入变量之间的关系,通过多特征修正麻雀搜索算法MSSA寻找SVM的最优超参数:惩罚系数c和核参数g,从而确定最优MSSA-SVM模型;
步骤3具体按照以下步骤实施:
步骤3.1、建立支持向量机SVM,利用支持向量机SVM构建事故类型与环境事故输入变量之间的关系其原理如下:
支持向量机在事故预测和识别方面表现较好,尤其是在小样本、非线性和高维空间方面。对于多分类和线性不可分问题,需要使用样本映射的方法进行线性变换,非线性变换的优化形式如式(2)所示:
其中,法向量为w,偏置量为b;ξi为松弛变量;c表示对错误样本的惩罚力度系数;xi为输入的样本数据;yi为预期输出的事故类型;
介入拉格朗日乘子ai,变为二次规划问题:
在非线性的情况下,引入核函数映射:
综上,决策函数为:
k(xi,xj)=exp(-g||xi-xj||2) (6);
惩罚系数c和核参数g对SVM识别的准确性有重要影响,然而传统的SVM是靠经验去寻找最优参数浪费大量的时间。因此,本发明使用多特征修正麻雀搜索算法MSSA-SVM事故识别模型。
步骤3.2、步骤3中所述,通过多特征修正麻雀搜索算法MSSA寻找SVM的最优超参数c和g,具体如下:
针对初始总种群质量较低、种群多样性降低的问题,采用反向种群解决。首先随机生成初始种群,然后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,所取个体的适应度由适应度函数计算,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Xi,i=1,2,3...,N,则反向种群为X′i描述为:
X′i=k1lb+k2ub-Xi (7)
式中,k1、k2为0~1的随机数,lb、ub为搜索区域的上下限;
麻雀搜索算法SSA模型简化为发现者-加入者-警戒者,麻雀搜索算法位置更新方式分为两种:向当前最优位置靠近或向原点靠近,当最优解接近原点时,麻雀搜索算法SSA的性能优于其他算法,当待解决问题的最优解远离原点时,麻雀搜索算法SSA性能会下降。然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,这也导致麻雀容易陷入局部最优,全局搜索能力弱。为了解决上述两个问题,本发明从多个特征的角度修改发现者和警戒者的位置更新,即MSSA寻优超参数c和g,具体如下:
(a)在迭代过程中,发现者位置更新修正为:
式中,t代表当前迭代数,表示第i个麻雀在第j维中迭代次数为t的位置信息,α为[0,1]之间的随机数,N表示最大的迭代次数,Q为服从正态分布的随机数,L为单位行向量,R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值,当R2<ST时,即预警值小于安全值,表示目前区域安全,没有捕食者,发现者能够进一步扩大寻找食物的搜索范围,当R2>ST时,即预警值比安全值大,表示警戒者发现危险,则立即发出报警信号,所有麻雀改变自己的位置信息,飞到安全位置;
(b)加入者在寻找食物时会跟随发现者,如果发现者寻到更优的资源,加入者立即前往,其位置更新如下:
(c)作为警戒者的麻雀一般占比10%~20%,警戒者麻雀位置更新修正为;
式中,是全域目前最佳位置;β是服从均值0,方差1的随机数,并将β作为步长控制参数;K是[-1,1]之间的随机数,fi是此时的个体麻雀适应度值,fbest是目前全局最优的适应度值,fworst是全局最差的适应度值,ε是接近0的常数,避免分母为零的情况;
MSSA算法的原理为:通过生成反向种群,从初始种群和反向种群中选择适应度更高的个体成为最终的初始种群,因其独特的初始种群生成方式,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来提高群体的多样性,增加算法的全局能力。同时对发现者的位置更新,更新策略修正为:发现者的位置数乘一个均值为1、方差为1的正态分布随机函数(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获得较好的效果。警戒者位置更新修正后表示:若该麻雀处于最优位置,则它会逃离到最优位置和最差位置之间的随机位置;否则它将逃离到自己和最优位置之间的随机位置,以此减少向最优位置的跳跃,实现向最优位置的移动,避免麻雀搜索算法陷入局部最优。
步骤3.3、确定最优MSSA-SVM模型具体如下:
1)初始化SVM模型和SSA算法相关参数;
2)计算初始种群的适应度值,以交叉验证的准确率作为麻雀个体的适应度,计算种群和反向种群的个体适应度值,选择适应度较高的个体,将适应度较高个体放入新的群体作为初始种群;
3)根据修正后的公式(8)更新发现者位置;
4)根据公式(9)更新加入者位置;
5)根据修正后的公式(10)更新警戒者位置;
6)计算位置更新后的适应度值,并更新当前最佳适应度值和位置;
7)判断是否满足结束条件,如果是,则输出最佳参数c和g,如果不是,则继续重复步骤;
8)利用最佳参数c和g进行SVM网络训练,得到最优模型MSSA-SVM。
步骤4、通过所述步骤2得到的训练集对步骤3确定的最优MSSA-SVM模型进行训练,利用所述步骤2得到的测试集验证训练好的最优MSSA-SVM模型的性能,通过测试集得到最优MSSA-SVM模型的输出,将测试集事故类型和最优MSSA-SVM模型输出比较,得到最优MSSA-SVM模型的事故识别结果。
步骤4具体按照以下步骤实施:
步骤4.1、将80%作为训练集输入到优化后的MSSA-SVM模型进行训练,将20%作为测试集输入到优化后的MSSA-SVM模型进行事故识别,输出识别结果,输出结果为事故类型标签编号,对照步骤1.2所述的事故标签类型编号,确定诊断的的事故类型;
步骤4.2、在相同训练和测试样本下,将本算法MSSA与麻雀搜索算法SSA、灰狼优化算法GWO和粒子群算法PSO等优化算法进行对比实验。通过事故识别准确率和算法模型运行时间进行综合评价。
下面就算法模型诊断结果进行分析:
图1表示本实验采用测试集准确率为适应度函数,从图中适应度曲线可以看出,模型起初最佳适应度低于90%,随着迭代次数的增加,在第5次迭代就达到峰值,随后趋于稳定。
由图2(a)中可知,MSSA-SVM模型预测结果仅出现了3次错判,1次事故类别3诊断为类别5,2次事故类别5诊断为类别3。为了证明MSSA-SVM算法的优越性和有效性,分别与图2(b)SSA-SVM、图2(c)GWO-SVM和图2(d)PSO-SVM模型进行对照实验,通过输入相同训练样本进行训练和学习,然后测试相同的样本,得到SSA-SVM、GWO-SVM和PSO-SVM模型的事故预测结果如图2所示。
由图2和图3可知,MSSA-SVM、SSA-SVM、GWO-SVM和PSO-SVM模型的事故识别准确率分别为95%、90%、91.67%和88.33%;MSSA-SVM模型的事故识别准确率相较于SSA-SVM、GWO-SVM和PSO-SVM模型的准确率分别提高了5%、3.33%和6.67%。MSSA-SVM模型的运行时间为13.47s,明显低于其余三种模型;PSO-SVM模型的运行时间是15.47s,为四种算法模型中运行时间最长。
由图4可以看出,四种模型在水灾和火灾上的预测精度都达到100%;本文的MSSA-SVM模型主要提高了在内部潮湿上的事故预测准确率,并且远高于其余三种模型,在15组测试样本中识别率高达100%,其余三种模型在此事故上的识别率分别为80%、86.67%和80%。从以上数据可以看出MSSA-SVM模型相比于其它三种模型在预测识别精度和运算效率上更具有优势。
本发明一种基于MSSA-SVM的电缆隧道环境事故识别方法,首先获取电缆隧道历史事故数据集,通过筛选、去伪,确定有效的数据集和环境事故的输入参数变量。然后将历史事故数据集进行归一化处理,分为测试集和训练集;其次构建MSSA-SVM事故识别模型,利用支持向量机SVM构建事故类型与模型输入变量之间的关系,通过多特征修正麻雀搜索算法MSSA寻找SVM的最优超参数c和g,从而确定最优MSSA-SVM模型。最后通过训练集对模型MSSA-SVM进行训练,利用测试集验证训练好的模型的性能,并在相同训练集和测试集下与SSA-SVM算法、灰狼优化算法(grey wolf optimization,GWO)和粒子群算法(particleswarm optimization,PSO)进行对照试验。本发明解决了现有监测技术中利用单一阈值传感器事故识别误报率高、延时长的问题。
Claims (5)
1.一种基于MSSA-SVM的电缆隧道环境事故识别方法,其特征在于,具体按照以下步骤实施:
步骤1、获取电缆隧道历史事故数据集,通过筛选、去伪,确定有效的历史事故数据集和环境事故输入变量;
步骤2、将所述步骤1中的历史事故数据集归一化处理,然后分为训练集和测试集;
步骤3、构建MSSA-SVM事故识别模型,利用支持向量机SVM构建事故类型与环境事故输入变量之间的关系,通过多特征修正麻雀搜索算法MSSA寻找SVM的最优超参数:惩罚系数c和核参数g,从而确定最优MSSA-SVM模型;
步骤4、通过所述步骤2得到的训练集对步骤3确定的最优MSSA-SVM模型进行训练,利用所述步骤2得到的测试集验证训练好的最优MSSA-SVM模型的性能,通过测试集得到最优MSSA-SVM模型的输出,将测试集事故类型和最优MSSA-SVM模型输出比较,得到最优MSSA-SVM模型的事故识别结果。
2.根据权利要求1所述的一种基于MSSA-SVM的电缆隧道环境事故识别方法,其特征在于,所述步骤1具体按照以下步骤实施:
步骤1.1、将电缆隧道历史事故类型进行编号,具体为:水灾、火灾、有毒气、内部潮湿和氧气不足,依次标记为1、2、3、4、5;
步骤1.2、确定电缆隧道历史事故类型的七种参数变量作为最优MSSA-SVM模型的输入,包括温度、湿度、水位、烟雾浓度、O2、CO及H2S七种指标,将步骤1.1中的五种电缆隧道环境的事故类型的标记作为最优MSSA-SVM模型的输出。
4.根据权利要求3所述的一种基于MSSA-SVM的电缆隧道环境事故识别方法,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1、建立支持向量机SVM,利用支持向量机SVM构建事故类型与环境事故输入变量之间的关系,使用样本映射的方法进行线性变换,非线性变换的优化形式如式(2)所示:
其中,法向量为w,偏置量为b;ξi为松弛变量;c表示对错误样本的惩罚力度系数;xi为输入的样本数据;yi为预期输出的事故类型;
介入拉格朗日乘子ai,变为二次规划问题:
在非线性的情况下,引入核函数映射:
综上,决策函数为:
k(xi,xj)=exp(-g||xi-xj||2) (6);
步骤3.2、首先随机生成初始种群,然后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,所取个体的适应度由适应度函数计算,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Xi,i=1,2,3...,N,则反向种群为Xi′描述为:
X′i=k1lb+k2ub-Xi (7)
式中,k1、k2为0~1的随机数,lb、ub为搜索区域的上下限;
麻雀搜索算法SSA模型简化为发现者-加入者-警戒者,从多个特征的角度修改发现者和警戒者的位置更新,即MSSA寻优超参数c和g,具体如下:
(a)在迭代过程中,发现者位置更新修正为:
式中,t代表当前迭代数,表示第i个麻雀在第j维中迭代次数为t的位置信息,α为[0,1]之间的随机数,N表示最大的迭代次数,Q为服从正态分布的随机数,L为单位行向量,R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值,当R2<ST时,即预警值小于安全值,表示目前区域安全,没有捕食者,发现者能够进一步扩大寻找食物的搜索范围,当R2>ST时,即预警值比安全值大,表示警戒者发现危险,则立即发出报警信号,所有麻雀改变自己的位置信息,飞到安全位置;
(b)加入者在寻找食物时会跟随发现者,如果发现者寻到更优的资源,加入者立即前往,其位置更新如下:
(c)作为警戒者的麻雀一般占比10%~20%,警戒者麻雀位置更新修正为;
式中,是全域目前最佳位置;β是服从均值0,方差1的随机数,并将β作为步长控制参数;K是[-1,1]之间的随机数,fi是此时的个体麻雀适应度值,fbest是目前全局最优的适应度值,fworst是全局最差的适应度值,ε是接近0的常数,避免分母为零的情况;
同时对发现者的位置更新,更新策略修正为:发现者的位置数乘一个均值为1、方差为1的正态分布随机函数(1+Q),
步骤3.3、确定最优MSSA-SVM模型具体如下:
1)初始化SVM模型和SSA算法相关参数;
2)计算初始种群的适应度值,以交叉验证的准确率作为麻雀个体的适应度,计算种群和反向种群的个体适应度值,选择适应度较高的个体,将适应度较高个体放入新的群体作为初始种群;
3)根据修正后的公式(8)更新发现者位置;
4)根据公式(9)更新加入者位置;
5)根据修正后的公式(10)更新警戒者位置;
6)计算位置更新后的适应度值,并更新当前最佳适应度值和位置;
7)判断是否满足结束条件,如果是,则输出最佳参数c和g,如果不是,则继续重复步骤;
8)利用最佳参数c和g进行SVM网络训练,得到最优模型MSSA-SVM。
5.根据权利要求4所述的一种基于MSSA-SVM的电缆隧道环境事故识别方法,其特征在于,所述步骤4具体按照以下步骤实施:
将80%作为训练集输入到优化后的MSSA-SVM模型进行训练,将20%作为测试集输入到优化后的MSSA-SVM模型进行事故识别,输出识别结果,输出结果为事故类型标签编号,对照步骤1.2所述的事故标签类型编号,确定诊断的的事故类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211180575.7A CN115630327A (zh) | 2022-09-27 | 2022-09-27 | 一种基于mssa-svm的电缆隧道环境事故识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211180575.7A CN115630327A (zh) | 2022-09-27 | 2022-09-27 | 一种基于mssa-svm的电缆隧道环境事故识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115630327A true CN115630327A (zh) | 2023-01-20 |
Family
ID=84905670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211180575.7A Pending CN115630327A (zh) | 2022-09-27 | 2022-09-27 | 一种基于mssa-svm的电缆隧道环境事故识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630327A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118039022A (zh) * | 2024-04-11 | 2024-05-14 | 国能龙源环保有限公司 | 二氧化硫浓度预测方法、装置及计算机设备 |
-
2022
- 2022-09-27 CN CN202211180575.7A patent/CN115630327A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118039022A (zh) * | 2024-04-11 | 2024-05-14 | 国能龙源环保有限公司 | 二氧化硫浓度预测方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109547431A (zh) | 一种基于cs和改进bp神经网络的网络安全态势评估方法 | |
CN113269365B (zh) | 一种基于麻雀优化算法的短期空调负荷预测方法及*** | |
CN117648643B (zh) | 基于人工智能的索具预测性诊断方法及装置 | |
CN111210128A (zh) | 一种基于人工智能及随机自适应阈值的湿地预警方法 | |
CN112714130A (zh) | 一种基于大数据自适应网络安全态势感知方法 | |
CN115630327A (zh) | 一种基于mssa-svm的电缆隧道环境事故识别方法 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
CN115277354A (zh) | 一种面向指挥控制网络管理***的故障检测方法 | |
CN115640744A (zh) | 一种油田集输管道外腐蚀速率预测方法 | |
CN114819102A (zh) | 基于gru的空调设备故障诊断方法 | |
Azma et al. | Hybrid machine learning models for prediction of daily dissolved oxygen | |
CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及*** | |
CN116109039A (zh) | 一种数据驱动异常检测与预警*** | |
CN117350146A (zh) | 一种基于ga-bp神经网络的排水管网健康性评价方法 | |
Song et al. | Research on prediction of ammonia concentration in QPSO-RBF cattle house based on KPCA nuclear principal component analysis | |
CN116522065A (zh) | 一种基于深度学习的磨煤机健康度评估方法 | |
CN112561203B (zh) | 一种基于聚类和gru实现水位预警的方法及*** | |
CN115389743A (zh) | 一种变压器油中溶解气体含量区间预测方法、介质及*** | |
CN114511078A (zh) | 基于多策略麻雀搜索算法的bp神经网络预测方法及装置 | |
CN113379149A (zh) | 一种基于lstm神经网络的空气微站浓度预测方法 | |
CN111598220B (zh) | 一种基于相关性分析的燃气轮机故障预测方法 | |
CN116978499A (zh) | 一种基于gra-woa-gru的玻璃马蹄窑温度预测方法 | |
CN117784615B (zh) | 一种基于impa-rf的火控***故障预测方法 | |
CN117828305A (zh) | 一种矿井涌水量预测方法、***、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |