一种基于MSSA-SVM的电缆隧道环境事故识别方法技术

本发明专利技术公开了一种基于MSSA

【技术实现步骤摘要】
一种基于MSSA
‑
SVM的电缆隧道环境事故识别方法


[0001]本专利技术属于电缆隧道安全监测
，具体涉及一种基于MSSA
‑
SVM的电缆隧道环境事故识别方法。

技术介绍

[0002]电缆隧道综合监测系统需要实时监测电缆本体以及隧道环境信息，由于系统包含隧道数量较多，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。为了提高监测系统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。

技术实现思路

[0003]本专利技术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。
[0004]本专利技术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：
[0005]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；
[0006]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；
[0007]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；
[0008]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。
[0009]本专利技术的特点还在于，
[0010]步骤1具体按照以下步骤实施：
[0011]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；
[0012]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；
[0013]步骤2具体按照以下步骤实施：
[0014]步骤2.1、对历史事故数据集归一化处理，映射如下：
[0015][0016]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，x
min
表示历史事故数据的最小值，x
max
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]；
[0017]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。
[0018]步骤3具体按照以下步骤实施：
[0019]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：
[0020][0021]其中，法向量为w，偏置量为b；ξ
i
为松弛变量；c表示对错误样本的惩罚力度系数；x
i
为输入的样本数据；y
i
为预期输出的事故类型；
[0022]介入拉格朗日乘子a
i
，变为二次规划问题：
[0023][0024]在非线性的情况下，引入核函数映射：
[0025][0026]综上，决策函数为：
[0027][0028]x
j
为输入；n代表训练数据集个数；为映射函数；选取的核函数k(x
i
,x
j
)为径向基函数RBF，所述径向基函数RBF形式为：
[0029]k(x
i
,x
j
)＝exp(
‑
g||x
i
‑
x
j
||2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
[0030]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X
i
，i＝1,2,3...,N，则反向种群为X
′
i
描述为：
[0031]X
′
i
＝k1lb+k2ub
‑
X
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0032]式中，k1、k2为0～1的随机数，lb、ub为搜索区域的上下限；
[0033]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：
[0034](a)在迭代过程中，发现者位置更新修正为：
[0035][0036]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；
[0037](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：
[0038][0039]式中，为全域最差的位置，是发现者目前的最优位置；A是由1或
‑
1所构成的一个1
×
d的矩阵，并且A
+
＝A
T
(AA
T
)
‑1；当i>n/2时，表明第i个加入者无法获得食物，为了觅食，需要飞往其他地方；
[0040](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；
[0041][0042]式本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。3.根据权利要求2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，x
min
表示历史事故数据的最小值，x
max
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。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；ξ
i
为松弛变量；c表示对错误样本的惩罚力度系数；x
i
为输入的样本数据；y
i
为预期输出的事故类型；介入拉格朗日乘子a
i
，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：x
j
为输入；n代表训练数据集个数；为映射函数；选取的核函数k(x
i
,x
j
)为径向基函数RBF，所述径向基函数RBF形式为：k(x
i
,x
j
)＝exp(
‑
g||x
i
‑
x
j
||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...

【专利技术属性】
技术研发人员：纪超，王亮，高鸣江，侯威，李小兵，黄新波，贺元帅，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：