基于粒子群算法优化支持向量机的输电线路覆冰预测_尹子任_苏小林
基于粒子群优化的光伏系统MPPT控制方法
—265—基于粒子群优化的光伏系统MPPT 控制方法刘艳莉，周 航，程 泽(天津大学电气与自动化工程学院，天津 300072)摘 要：局部遮阴条件下光伏阵列P-V 特性引起的多个极值点使常规的最大功率点跟踪(MPPT)算法失效。
针对上述问题，提出一种基于粒子群优化算法的控制方法，以解决局部遮阴下的最大功率跟踪问题。
实验结果显示，光伏模板的输出电压被稳定地控制在最大功率点附近，证明算法是有效的。
关键词：最大功率点跟踪；粒子群优化算法；局部遮阴MPPT Control Method of PV System Based on PSOLIU Yan-li, ZHOU Hang, CHENG Ze(School of Electrical Engineering and Automation, Tianjin University, Tianjin 300072)【Abstract 】Under partially shaded conditions, the P-V curve of PV arrays has the characteristics of multi-summit, which makes the Maximum Power Point Tracking(MPPT) failed. Aiming at above problem, this paper proposes a control algorithm based on Particle Swarm Optimization(PSO) algorithm for solving maximum power point tracking problem. Experimental results show that output voltage of PV system is maintained near maximum power point, and the algorithm is effective.【Key words 】Maximum Power Point Tracking(MPPT); Particle Swarm Optimization(PSO) algorithm; partially shaded conditions计 算 机 工 程 Computer Engineering 第36卷 第15期Vol.36 No.15 2010年8月August 2010·开发研究与设计技术·文章编号：1000—3428(2010)15—0265—03文献标识码：A中图分类号：TP3931 概述对于户型光伏一体化发电系统，局部遮阴情况是最为普遍和复杂的。
一种遗传微粒群算法一支持向量机集成道路结冰预测系统
络 ｌ 、 家 系 统 以及 支 持 向 量机 （ ｕ ｐ ｒ ｃ ２专 ］ Ｓ ｐ ｏ ｔＶｅ—
ｔｒＭａ ｈｎ ，Ｓ ｏ ｃ ｉｅ ＶＭ ） Ｅ 能 够 处 理 非 线 性 问 题 的 等
用 ＧＰ Ｏ 的全局 搜 索能力 从 多 个气 象 因子 中 自适 Ｓ 应 的选 择 合适 的 因子 组 合 及 其 对 应 的最 优 Ｓ ＶＭ 参数 ， 到提高预 报模 型建模速 度和精 度 的 目的． 达
文 章 编 号 ：１ ０ — １ ０ ２ １ ） ３０ ９ — ５ ０ ０ １ ９ （ ０ ０ ０ ３ ２ ０
一
种 遗传 微粒 群 算法一 支持 向量 机 集成 道路 结 冰 预测 系统
雷建 军 ，韦惠 红。 ，李 剑
（ ． 北 第 二 师 范 学 院 计 算 机 工 程 系 ， 汉 ４ ００ ； ． 汉 中心 气 象 台 ， 汉 ４０ ７ ） １湖 武 ３００ ２武 武 ３ ０ ４
合 适 的 气 象 因子 并 优 化 支 持 向 量 机 参 数 ， 高 预 报 模 型 的 准 确 率 ． 用 此 系 统 基 于 武 汉 市 和 十 堰 提 采 市 １８ ９ ０年 至 ２ ０ ０ ６年 期 间 多个 时 间段 的历 史 气 象数 据 ， 汉 市 和 十 堰 市 的 道路 结 冰 预 报 模 型 被 分 武 别建立 ， 用两市 ２０ 利 ０ ７年 至 ２ ０ ０ ８年 实 例 数 据 对 所 建 立 模 型 分 别 进 行 验 证 ， 果 证 实 了集 成 系 统 结 的 可 行性 和有 效 性 ．
局部最 优． 最次 运行
时 气 象 因 子 的 数 量 和类 型 事 先 给 定 且 不 可 调 整 ， 然
报业务 中 ， 于传统 统计理 论 的相关 分析 和 回归 方 基 法仍然 发挥 着重要作 用 ， 而这一类 基 于线性相 关 然
输电线路中微地形和微气象的覆冰机制及相应措施
3、监测方式：采用基于图像处理技术的监测方式。通过安装在输电线路上 方的摄像头获取线路表面的图像，然后利用计算机视觉技术和深度学习算法对图 像进行分析和处理，提取出覆冰的各项参数。
3、监测方式：采用基于图像处 理技术的监测方式
1、摄像头的选取和安装位置：需要选择具有高清晰度和宽动态范围的摄像 头，安装在易于观察线路表面且不易被冰覆盖的位置。
谢谢观看
4、做好善后工作：在抢修完成后，及时总结经验教训，完善巡检和抢修策 略，防止类似故障再次发生。
五、结论
兼顾微气象预警的输电线路巡检及抢修策略研究具有重要的现实意义。通过 应用微气象预警技术，可以更好地掌握输电线路的运行状况，提前采取措施防止 和减轻气象灾害对输电线路的影响；通过制定合理的巡检计划和采用先进的巡检 手段，可以提高巡检的效率和准确性；通过建立应急响应机制和采用先进的抢修 技术，可以迅速应对输电线路的故障。
文献综述
目前已有的输电线路覆冰在线监测系统主要分为基于图像处理技术和基于传 感器技术两大类。基于图像处理技术的监测系统通过分析线路表面的图像，实现 对线路覆冰的识别和监测。这类系统的优点是可以直接获取线路表面的覆冰情况， 但缺点是受环境因素影响较大，如摄像头易被污染或结冰，导致监测效果下降。
基于传感器技术的监测系统通过在输电线路上安装传感器，检测线路的力学、 电学等参数，进而推断出线路的覆冰情况。这类系统的优点是可靠性较高，但缺 点是传感器易受干扰，且需要定期维护。
四、输电线路抢修策略
当输电线路发生故障时，及时的抢修对于恢复供电至关重要。在抢修过程中， 应采取以下策略：
1、建立应急响应机制：建立健全的应急响应机制，明确抢修流程和责任人， 确保在发生故障时能够迅速响应。
基于模拟退火粒子群算法的不可靠测试点优化
基于模拟退火粒子群算法的不可靠测试点优化羌晓清;景博;邓森;焦晓璇;苏月【摘要】针对实际复杂系统测试与诊断时存在虚警和漏检的情况问题,提出在不可靠测试条件下,基于模拟退火粒子群(SA-PSO)算法的测试点优化方法.首先综合考虑不可靠测试条件下测试点的故障检测能力、故障隔离能力及结果信任度设计了评价测试点性能的启发函数;然后,将该启发函数与测试费用最小原则相结合,并根据测试性指标的要求,构建确保测试点最优的适应度函数;最后,设计基于模拟退火粒子群算法的不可靠测试点优化步骤,并用阿波罗发射系统实例验证了该算法的优越性.结果表明SA-PSO算法能够在满足测试性指标的要求下获得最小测试费用的测试点集,其故障检测率、隔离率都优于贪婪算法及遗传算法.【期刊名称】《计算机应用》【年(卷),期】2015(035)004【总页数】5页(P1071-1074,1083)【关键词】故障诊断;测试点优化;不可靠测试;模拟退火;适应度函数【作者】羌晓清;景博;邓森;焦晓璇;苏月【作者单位】空军工程大学航空航天工程学院,西安710038;空军工程大学航空航天工程学院,西安710038;空军工程大学航空航天工程学院,西安710038;空军工程大学航空航天工程学院,西安710038;空军工程大学航空航天工程学院,西安710038【正文语种】中文【中图分类】TP206.1随着高新装备的飞速发展,系统的综合化、复杂化程度不断提高,用于装备复杂系统测试与诊断的测试点数量也随之迅猛增长。
多测点条件下测试过程中的虚警和漏检问题日渐凸显[1],从而导致了昂贵的误诊费用,这已成为制约装备维修保障发展的重要问题。
传统的基于完备检测假设的测试点优化方法[2-4]恰恰忽略了诊断精度的影响,即忽略了测试点的虚警概率和漏检概率,这种以假设测试结果完全可靠为前提的测试点优化方法已经不适用于复杂系统的测试性设计,而不可靠条件下的测试点优化成为亟待解决的工程问题。
基于改进PSO算法优化SVR的信息安全风险评估研究
基于改进PSO算法优化SVR的信息安全风险评估研究
任远芳;牛坤;丁静;谢刚
【期刊名称】《贵州大学学报（自然科学版）》
【年(卷),期】2024(41)1
【摘要】为改善信息安全风险评价的精确度,利用改进的粒子群算法,提出了一种新的优化回归型支持向量机的信息安全风险评估方法。
首先,通过模糊理论对信息安全风险因素进行量化预处理;其次,经过预处理后的数据输入到回归型支持向量机模型中;再次,利用改进的粒子群算法来优化和训练回归型支持向量机的参数,得到了优化后的信息安全风险评估模型;最后,通过仿真实验对该模型的性能进行验证。
实验结果表明,提出的方法能很好地量化评估信息系统风险,提高了信息安全风险评估的精确性,是一种有效的评估方法。
【总页数】7页(P103-109)
【作者】任远芳;牛坤;丁静;谢刚
【作者单位】贵州大学网络与信息化管理中心;贵州大学教务处;贵州大学计算机科学与技术学院;贵州思大智慧教育科技有限公司
【正文语种】中文
【中图分类】TP309
【相关文献】
1.基于改进PSO-SVR的连杆机构可靠度敏感性研究
2.基于改进灰狼算法优化SVR 的航天侦察装备效能评估
3.基于改进PSO优化SVR的地下水水质综合评价研究
4.
基于改进PSO算法优化LS-SVR的话务量预测5.基于改进PSO-SVR模型在短期风速预测上的应用研究
因版权原因，仅展示原文概要，查看原文内容请购买。
电力系统故障诊断的量子粒子群优化算法
ｆ ｒ Ｐｏ ｒ Ｆａ ｌ ｅ ｔ ｏ ｔｍ ａ ｉ ｎ ｏ ｗｅ ｕ ｔ Ｓ ｃ ｉ ｎ Ｅｓ ｉ ｔｏ
ＬＩｘｉ ｏ。Ｈ ＵＡＮＧ ａ Ｃｈｕｎ
（ ． ｌ ｇ ｆＥｌ ｃ ｒｃ ｌａ ｄ Ｉ ｆ ｒ ｔｏ ｇ ｎ ｅ ｉ ｇ，Ｈ ｕ ａ ｉ ｅ ｓｔ ， １ Ｃｏ ｌ ｅ ｏ ｅ ｔｉ ａ ｎ ｎ ｏ ｍａ ｉ ｎ Ｅｎ ｉ ｅ ｒｎ ｅ ｎ ｎ Ｕｎ ｖ ｒ ｉｙ
ｉｇｔ ｈ ｃｉｇｔ ｅ ｒ ｆｐ ｏｅ ｔｖ ｅａ ｓ ｎ ｈ ｎｔ ｅｐ ｏ ｌｍ ｏｖ ｄ ｂ Ｓ ｎ ｏｔ ｅａ ｔｎ ｈ ｏ ｙｏ ｒ ｔｃｉｅｒ ｌｙ ，ａ ｄｔ ｅ ｈ ｒ ｂｅ ｉ ｓ ｌｅ ｙＱＰ Ｏ．Ｉ ｉ ｓ ｏ ｈ ｔ ｈ ｒ — ｓ ｔ ｓ ｈ ｗｎｔａ ｅｐ ｏ ｔ
取决 于样 本集 是 否完备 ， 于大 型 的电力 系统要 形 对 成完 备 的样本 集极 其 困难 ， 因而其 诊 断结果 的正 确 性 在 原理 上无 法保 证 。 外 ， 于不 同 的故 障元 件 此 对
引起相 同的保 护和 断路器 动作 的情 况 ， 种方 法 只 这
能给 出其 中 的一个解 ， 限 性 较 大 。 般 的模 糊 系 局 一 统 采用 了与专家 系统类 似 的结 构 ， 以它 也具 有专 所 家 系统 的一些 固有 的优 缺 点 ， 但增 加 了容 错 能 力 。
基于粒子群优化SVM的面向对象软件缺陷预测模型
0
引言
陷分布； 而更加常用的静态预测技术则更关注软件关于缺陷 的度量指标， 结合各个不同的缺陷相关属性的度量进行缺陷 预测， 在软件分析和设计阶段及开发的早期阶段均可提供相 应的预测功能。现有的静态缺陷预测技术基本上都是基于不 同的机器学习算法提出的 ， 例如决策树、 随机森林、 朴素贝叶 BP 神经网络以及人工免疫系统等分类算法 ， 斯、 根据某种描 述软件特性的软件度量获取模块属性 ， 然后对其进行 分 类 （ 有缺陷或无缺陷 ） ［2］ 。 这些方法均拥有一定程度的缺陷预 测能力， 但又或多或少地隐含一些问题 ， 例如决策树过度拟 合， 忽略特征属性之间相关性的问题 ； 朴素贝叶斯需要已知先 验概率、 对属性独立性要求较高 ； 神经网络容易陷入局部最优 或者拟合程度不够的问题 ， 同贝叶斯模型一样， 需要根据专家 经验来获取与缺陷相关的因子 ， 计算效率低； 支持向量机具有 良好的学习和扩展能力 ， 但其最优参数的设置没有统一高效 的方法。而且在应对面向对象软件时各类算法都不可避免地 需要应对非常多的类和对象特征属性来度量软件 ， 导致“维 ， 数灾难” 检测时间过长， 预测模型实用性降低。
Abstract: In terms of the security problem of power information system， this paper analyzed the importance of the software defect prediction method in objectoriented software development， and proposed a software prediction model based on particle swarm optimized Support Vector Machine ( SVM) corresponding to the features of objectoriented software． The model mainly consists of three parts: the first is the preprocessing module which normalizes the original data and selects feature， then the second is adaptive inertia weight particle swarm module which optimizes the parameters of SVM with the prediction accuracy as the fitness． Finally， the last SVM classification module predicts categories of reduceddimension data using the optimal parameters from the second module． Experimental results show that the accuracy of the proposed model is 8． 2% － 12． 2% higher than the comparative model， and 9． 9% ， 5． 6% and 7． 7% higher on the precision， recall and F value， which proves the validity of the proposed model． Key words: software defect prediction; particle swarm optimization; feature selection; Support Vector Machine ( SVM) ; object oriented software
基于粒子群优化算法的变压器参数辨识
（ 上海 电力学 院 电气 工程 学院 ， 上海 摘
要： 基于模型 的变压器保护原理需要对变压器绕组参 数进行精 确辨识． 利用双绕组 变压 器的参数 辨识方
程， 使用粒子群优化算法 ， 提出了新的参数辨识算法． 消除了最小 二乘 法计 算速度慢 、 计算量大 的局 限性 ， 可以
实现对变压器绕组参数的在线精确辨识． 通过 Ｍａ ｔ ｌ ａ ｂ ／ Ｓ ｉ ｍｕ ｌ ｉ ｎ ｋ对算 法进行 仿真 ， 结果 表明 ， 该算法 能够正确 辨识 变压器绕组电阻和漏感参数 ， 具有较好 的应用前景 ． 关键词 ： 变压器保护 ；参数辨识 ； 辨识方程 ；粒子群优化算法
Ｓ ｗａ ｒ ｍ Ｏｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
Ｇ ＡＯ Ｌ ｉ ａ ｎ ｇ ， Ｃ Ｈ Ｅ Ｎ Ｙａ ｊ ｉ ｅ ， ＤＥ Ｎ Ｇ Ｘ ｉ ａ ｎ ｇ ｌ ｉ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｓ ｈ ａ ｎ ｇ ｈ ａ ｉ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｆ ｏ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ Ｐ ｏ ｗ ｅ ｒ ， Ｓ ｈ ａ ｎ ｇ ｈ ａ ｉ ２ ０ ０ ０ ９ ０， Ｃ ｈ ｉ ｎ ａ ）
ｔ ｒ ｎｓ ａ ｆ ｏ ｍ ｅ ｒ ｒ ｗｉ ｎ ｄ ｉ ｎ ｇ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ． Ｐａ ｒａ ｍｅ ｔ ｅ ｒ ｉ ｄｅ ｎ ｔ ｉ ｉｃ ｆ ａ ｉｏ ｔ ｎ ｅ ｑ ｕ ａ ｉ ｔ ｏ ｎｓ ｏ ｆ ｓ ｉ ｎ ｇ ｌ ｅ — ｐ ｈａ ｓ ｅ ｄ ｏ ｕ ｂ ｌ ｅ — ｗｉ ｎｄ ｉ ｎ ｇ
中图分类号 ： Ｔ Ｍ４ １ ； Ｔ Ｍ７ ７ ２ 文 献标 志码 ： Ａ 文章编 号 ：１ ０ ０ ６— ４ ７ ２ ９ （ ２ ０ １ ４ ） ０ １ —０ ０ １ ６— ０ ５
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
山西省自然科学基金项目(2012011012-2) 基于粒子群算法优化支持向量机的输电线路覆冰预测 尹子任，苏小林 （山西大学工程学院，太原 030013）
Icing Thickness Forecasting of Transmission Line Based on Particle Swarm Algorithm to Optimize Support Vector Machine YING Zi-ren,SU Xiao-lin (Engineering College of Shanxi University,Taiyuan 030013.China) ABSTRACT:Analyzed the deficiency of existing transmission lines ice thickness prediction method, puts forward an algorithm based on particle swarm optimization support vector machine transmission lines ice prediction.Through the history of ice growth data samples for training support vector machine (SVM), using the training model to forecast the line thickness of ice.At the same time using particle swarm optimization algorithm for support vector machine parameters optimization,effectively improve the ice thickness prediction accuracy,provide a reliable basis for transmission lines deicing. KEY WORD: Ice forecast; Particle swarm optimization; Support vector machine (SVM) 摘要：分析了现有输电线路覆冰厚度预测方法中的不足，提出了一种基于粒子群算法优化支持向量机的输电线路覆冰预测。通过历史覆冰增长数据样本对支持向量机进行训练，利用训练的模型对线路覆冰厚度进行预测。同时利用粒子群优化算法对支持向量机关键参数进行优化，有效提高了覆冰厚度预测精度，为输电线路防冰提供了可靠依据。 关键词：覆冰预测；粒子群优化；支持向量机 1 引言 输电线路覆冰常会引起线路断线、舞动、绝缘子冰闪等事故，严重影响了输电线路的可靠性。输电线路覆冰受天气影响因素比较大，比如温度、湿度、风速，以这些因素为输入量对线路覆冰进行预测，为防冰提供可靠依据。 目前在线路覆冰预测中常用的有图像法[1]，数学关系模型[2]和基于神经网络的智能算法[3][4]。其中图像法的误差较大，观测不方便；数学模型对气象参数分辨率要求较高，如果气象参数分辨率达不到要求时，模型的数学公式就失去了意义；基于神经网络的智能算法能较好的解决气象参数分辨率的问题，但神经网络可能会陷入局部最优解，而得不到全局最优解。因此本文提出了基于粒子群优化支持向量机算法，支持向量机中的核函数保证了支持向量机训练的二次规划问题是凸优化问题，即得到的最优解是全局最优解，而不是局部最优解。 本文根据输电线路覆冰的特征量和影响覆冰厚度的环境参数，通过支持向量机理论对输电线路覆冰厚度进行预测，同时利用粒子群优化算法优化支持向量机的参数，可以有效提高覆冰厚度的预测精度。 2 支持向量机和粒子群优化算法 2.1 支持向量机理论 支持向量机[5]是由统计学习理论发展起来的一种学习机器，它以结构风险最小化原理为理论基础，同时采用最小化训练样本的经验风险和置信范围，保证了学习的推广性，对未来样本具有较强的学习泛化能力。而且支持向量机引入了特征空间和核函数的概念，把非线性问题映射到高维空间当作线性问题解决，同时解决了“维数灾难”问题。在新的高维线性空间中求取最优线性分类面来分离训练样本，将寻找最优线性回归超平面的算法归结为求解一个凸约束条件下的一个凸规划问题，求取全局最优解。 支持向量机回归[6]问题可以描述为：学习机在给定的样本中训练输入量和输出量之间的函数关系，能精确的预测未来值。一
DOI：10.13357/j.cnki.jep.000004 网络出版时间：2014-01-28 15:10网络出版地址：http://www.cnki.net/kcms/doi/10.13357/j.cnki.jep.000004.html般分为线性回归和非线性回归。 对于线性回归，考虑线性函数： (1) 其中， 为权向量，b为阀值。对于给定的训练集 ，引入 不敏感损失函数和惩罚参数C。其优化问题可表示为： (2) s.t： (3) 其中， 代表输出结果上下界的松弛变量。 引入拉格朗日函数可以得到优化问题的对偶形式： (4) s.t： (5) 在公式（4）中求出 ，代入下面公式（6）中求出 ： (6) 由公式（1）得到回归函数： (7) 对于非线性回归问题，支持向量机通过一个非线性映射 将数据x映射到高维特征空间，并在这个高维空间进行线性回归，这个非线性转化是通过核函数 实现的，免去了在高维空间计算复杂的点积运算。选择适当的核函数 就可以实现非线性变换后的线性回归，此时优化问题的对偶形式为： (8) s.t： (9) 此时的回归函数可得出为： (10) 核函数可以在不知道具体的非线性变换的情况下，使用低维空间中的输入数据计算高维特征空间中的点积。通常使用的核函数包括线性函数、多项式函数和径向基函数。 2.2粒子群优化算法 支持向量机中关键参数对算法性能影响很大，比如核参数和惩罚因子。目前一般是通过交叉验证的方法，具有一定的盲目性。粒子群优化算法是群体智能的一个新分支，通过个体协作来寻找最优解，所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们的方向和距离[7]。粒子群初始化为一群随机粒子，然后通
过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所得到的最优解，另一个极值是整个种群目前找到的最优解。这样可以找到支持向量机中的最优参数，提高预测的精度。 支持向量机理论中，惩罚参数C的作用为在确定的数据子空间中调节学习机器置信范围和经验风险的比例以使学习机器的推广能力最好，惩罚参数C过大或过小都会使系统的泛化能力变差，核参数g的大小直接关系到回归器的精度[8]。选择合适的参数值对于预测模型的经验风险和推广能力十分重要。因此本文采用粒子群优化算法对惩罚参数C和核参数g进行优化。 惩罚参数C和核参数g优化步骤如下： （1）读取已有的样本数据，初始化一组惩罚参数C和核参数g作为粒子的初始位置。 （2）把全部的样本数据均匀的分为m个互不包含的子集 。 （3）根据当前的惩罚参数C和核参数g训练模型，计算交叉验证误差：假设i=1；把子集 作为检验集，其余的子集一起作为训练模型的训练集；根据 计算子集 的泛化误差；然后 ，重复上一步，直到 ；最后把K次泛化误差作为交叉验证误差。 （4）上一步的交叉验证误差作为适应值，并记录个体最佳适应位置 和群体最佳适应位置 。找到这两个最优值时，粒子群根据下面公式更新自己的速度和位置，寻找更好的惩罚参数C和核参数g：
(11) (12) 其中，v是粒子速度，决定下一代的惩罚参数C和核参数g，w是惯性因子， 和 是学习因子，通常等于2， 和 是（0,1）上的随机数，p表示 当前取值。 （5）重复（2）直到满足最大迭代次数。 （6）结束。 3 线路覆冰厚度预测 3.1 预测模型的输入量 输电线路覆冰是受多种因素综合作用形成的[9]，这些因素可以概括为以下几种主要因素：导线的垂直载荷，环境温度，环境湿度，环境风速，环境风向，环境雨量，大气压力，覆冰时间[10]。本文也从这8种影响因素出发来预测输电线路的覆冰厚度。数据的真实程度高，为预测模型提供了可靠的数据基础。 3.2 预测步骤 （1）选取历史数据，分为两组：训练样本和测试样本。由于输入量数值波动性大，为了提高支持向量机和粒子群算法的学习速度，对预测模型输入量进行归一化处理。数据归一化公式为： (13) 其中 是预测模型的输入数据， 和 是输入数据的最大值和最小值， 是归一化后的数据。 （2）在支持向量机中选择径向基核函数对覆冰厚度进行预测，首先采用粒子群优化算法通过输入数据来寻找径向基核函数的最优惩罚参数C和核参数g。 （3）采用径向基核函数对输入数据进行训练，得到训练模型。 （4）利用得到的预测模型来预测未知的输电线路的覆冰厚度。 4 算例分析 本文用基于粒子群算法优化的支持向量机算法对训练数据进行建模，并用得到的模型对测试数据进行预测。在Matlab2010环境下建模仿真。 图1是在随机给出的支持向量机参数的情况下对训练数据样本进行训练的结果。从图中可以看出，训练组数据的原始数据和回归数据之间误差较大，精度较低。
图 1 优化前训练数据的预测值 Fig. 1 The forecast of training data before optimization 图2为利用训练出的模型对测试数据进行预测，并与真实值进行比较，结果误差较大。回归模型的均方误差为1.05457，测试数据与真实数据的均方误差为3.01919。
图2 优化前测试数据的预测值 Fig. 2 The forecast of testing data before optimization
图3为利用粒子群算法对支持向量机参数进行优化的适应度曲线，得出优化后的惩罚参数C = 100和核参数g = 0.93451。
0510152025303540246810121416 原始数据回归数据
12345678910246810121416 原始数据回归数据