余鲲1，杨俊杰1，楼志斌2，魏春娟1
（1．上海电力学院电子与信息工程学院，上海200090：2.上海科学院，上海201203）
摘要：以输电线路覆冰的状态监测为背景，研究此背景下信息融合模型特征层的分类方法。探讨分析了BP神经网络和支持向量机解决问题的可行性，在实验室条件下用两种算法实现了信息融合模型特征层的分类并作了比较总结。
关键词：覆冰状态监测；信息融合；特征层；分类；BP神经网络；支持向量机
中图分类号：TP39文章编号：1006 - 2394( 2016) 02 - 0001 - 04
0引言
众所周知，冰雪灾害严重威胁着电力系统的安全运行。轻则会导致绝缘子串冰闪跳闸、相间闪络跳闸等可恢复供电周期较短的事故，重则会导致杆塔倾斜甚至倒塌、线路金具严重损坏等可恢复供电周期较长的事故。冰雪灾害在给电网安全运行带来危难的同时，也给人民生活带来了不便，给国家经济带来了损失。因此，具有一套合理的输电线路状态评估系统显得尤为重要。
目前，国内外已开展关于冰雪气象条件下架空线路受力特眭和电网稳定性等方面的研究，但大都是从电力系统运行的角度来进行。输电设备本身的状态评估模型十分复杂，状态评估受自然地形、微气象环境及其他很多随机性条件约束，故使用综合环境宏观与微观因素的信息融合模型来进行电网的故障预警与安全维护是一种极佳的选择。日本Koichi Nara等人建立了高电压架空线路的防覆冰信息融合专家系统，系统在线采集参数（如温度、风速、风向、雪量、相对湿度等），对架空线路当前状态作出判断，使工作人员方便选择合理的方式来处理线路覆冰，而国内在此领域的研究很少。
信息融合是一个多元信息综合处理的过程，根据抽象程度可分为数据层、特征层和决策层。数据层用于提取参数信息，特征层用于信息整体分类，决策层用于评估判断决策。在特征层中，使用何种信息分类方式至关重要。好的分类方法可以为决策层的精准决策提供可靠依据，次的分类方式则导致分类偏差，使决策层判断失误，从而发出错误的指示给电网运行带来毁灭性打击。为寻找合理有效的分类方式，本文在实验室模拟环境下，使用神经网络和支持向量机来进行数据分类的研究并作比较总结。
1 输电线路覆冰状态的信息融合评估模型
1.1覆冰状态评估的特征量
影响输电线路覆冰状态的因素包括气象条件、海拔高度、导线材质、微地形等，其中气象因素的影响最为显著。针对湖南2008年出现的电网冰雪灾害事故，湖南省电力公司根据记录的历史数据分析了各个覆冰地区的状态与当地气候的相互影响关系，结果表明环境的温度差与输电线路的覆冰状态有着紧密的联系，故环境温度差可作为评估输电线路覆冰状态的特征变量。
由风速、风向、大气压强、风偏角、绝缘子串压力等综合因素决定的等效覆冰厚度也作为状态评估的重要特征量。
输电线路覆冰量的持续时间和线路覆冰的严重程度也有着十分紧密的联系，覆冰持续时间过长会导致覆冰量的进一步生长，甚至可能发生覆冰绝缘子闪络或是导线舞动的情况，造成严重后果。
综合上述讨论可知，输电线路状态评估的特征量分别为环境温度差、等效覆冰厚度、覆冰持续时间。此外，如大气相对湿度、环境温度等其他影响因素，可作为状态评估的决策量，在信息融合模型的决策层发挥作用。
1.2覆冰状态评估的信息融合模型结构
信息融合模型可理解为是个把采集到的多源信息通过智能融合算法进行优化处理的框架。信息融合技术的三层融合结构分别为数据层、特征层和决策层。数据层是对传感器的原始数据进行采集和预处理；特征层对数据层得到的信息进行分类加工处理，并初步评判出覆冰的状态，初步评判结果为{无覆冰，有覆冰}；决策层在特征层评判的基础上，通过智能算法对有覆冰情况进行深一步的评判，结果包括{无覆冰，轻度覆冰，中度覆冰，重度覆冰}。输电线路覆冰状态评估的信息融合模型结构如图1所示。
2 基于神经网络的特征层分类器设计
本节采用神经网络分类的方式来进行特征层的分类器设计。经过数据层预处理后的环境温度差、等效覆冰厚度、覆冰持续时间三组特征变量为神经网络分类器的输入端，输入端使用BP神经网络融合算法后，输出覆冰状态，初步判断覆冰类型{无覆冰，有覆冰}。其结构示意图如图2所示。
2.1 BP神经网络
BP神经网络是一种单向传播的多层前向神经网络，采用有导师信号进行学习，所谓导师信号，就是在神经网络学习中由外部提供的模式样本信号。使用时，先进行离线学习，即对提供的数据进行训练；再进行状态评估。
在覆冰状态评估中，由于模型是三输入单输出，故可按经验选取：
2.2 BP神经网络特征层分类器的实现
实验室模拟条件下，对传感器得来的实测数据进行预处理。预处理后得到关于环境温度差、等效覆冰厚度、覆冰持续时间三组特征变量，这些特征变量即为神经网络的训练集。训练集用来训练神经网络模型，本文选择14个训练点，期望输出为y。利用这些训练点严格训练神经网络权值，设计出一套性能良好的分类器。表1为训练数据，其中x1，x2，x3为输入值，分别表示环境温度差、等效覆冰厚度、覆冰持续时间。表2为训练输出值，0代表无覆冰状态，1代表有覆冰状态。利用表1和表2可训练出神经网络模型，将表3测试数据通过神经网络模型进行分类，即可得到分类结果，如图4所示。网络训练使用Sigmoid函数作为传递函数。
图4中，横坐标为验证数据点数，纵坐标为神经网络输出值。*表示神经网络输入值，分别代表环境温度差、等效覆冰厚度、覆冰持续时间的值，o表示神经网络输出值。由图可以看出，第1个验证点的输出值大致在0. 05附近，可把其划入无覆冰一类，即y=0;第2~8个点的输出值维持在1附近，可划入有覆冰一类，即y=1。把所得结果与实际结果作比较，准确率可达100%。
在非实验室环境下，用以训练神经网络模型的数据点大致在400个，对此些样本点按上述方式分类并进行模拟预算，确定0、1分类的数据点只有48%，而另外52%的数据点的输出值大致分布在0.5附近，无法进行准确地判断。
3基于支持向量机( SVM)的特征层分类器设计
本节采用支持向量机分类的方式来进行特征层的分类器设计。环境温度差、等效覆冰厚度、覆冰持续时间为支持向量机的三组属性值，通过支持向量进行分类，得到最优超平面，再利用最优超平面判断覆冰状态，初步确定覆冰类型{无覆冰，有覆冰}。其结构示意图如图5所示。
3.1持向量机
支持向量机( SVM)是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析，其示意图如图6所示。
对于高维样本空间来说，设用于分离的超平面方程是：
式中：W是超平面的法向量，b是超平面的常数项。现欲寻求最优解W0和b0，使得分类超平面间距最大。满
对于低维空间样本，可做非线性映射至高维空间，再求解最优分类超平面。
3.2支持向量机特征层分类器的实现
预处理后得到关于环境温度差、等效覆冰厚度、覆冰持续时间的三组特征变量如表1所示，这些特征变量即支持向量机的训练集。首先，对表1所示的14个训练样本点及表2所示的训练输出值进行规范化处理后，再求解出最优超平面。求解出最优超平面后利用s g n( w0．x+b0)函数来预测期望输出值y。把表3的测试数据点代入最优超平面进行分类，可得图7。
图7中，+表示预测值为1的点，*表示预测值为0的点，o表示支持向量，横纵坐标表示按数据比例定义的渐进点。由图可以看出，由于数据点较少，14个点均为支持向量。对这14个点的分类预测结果与真实值进行比较，其准确率为87.5% (7/8)。
在非实验室条件下，数据点极多，支持向量机利用最优超平面解决分类问题的优势得到体现。多数据点的支持向量机分类如图8所示。同样，+表示预测值为1的点，*表示预测值为0的点，o表示支持向量。在图中，左侧都是为0的分类，右侧都是为1的分类，而中间0、1交汇较多的区域则是支持向量所在区域。也正是利用这些支持向量，才得以求解出最优超平面，从而达到分类的目的。
图8中的分类准确率可达84. 09%。
4总结
本文提出了BP神经网络与支持向量机SVM的算法来解决输电线路覆冰状态监测信息融合模型特征层数据分类的问题。通过研究比较可以得出，在训练样本点较少的情况下，神经网络与支持向量机的分类方法不分伯仲，而对于较多训练样本点的情况下，使用支持向量机可以更好地解决实际工程问题。
