基于粒子群優(yōu)化支持向量機的電纜溫度計算*

牛海清　葉開發(fā)　許佳　吳炬卓　羅健斌　陸國俊

(1.華南理工大學 電力學院， 廣東 廣州 510640; 2.廣州供電局有限公司電力試驗研究院， 廣東 廣州 510410)

基于粒子群優(yōu)化支持向量機的電纜溫度計算*

牛海清1葉開發(fā)1許佳1吳炬卓1羅健斌2陸國俊2

(1.華南理工大學 電力學院， 廣東 廣州 510640; 2.廣州供電局有限公司電力試驗研究院， 廣東 廣州 510410)

摘要:導體溫度是影響運行電纜使用壽命和材料利用率的最主要因素，也是反映電纜運行狀態(tài)的參數(shù).由于技術(shù)上尚難以實現(xiàn)對運行電纜導體溫度的直接測量，因此有必要進行導體溫度計算.文中以電流和外皮溫度作為模型輸入，以導體溫度作為模型輸出，構(gòu)建基于支持向量機的電纜暫態(tài)導體溫度的數(shù)學模型；為提高該模型計算的精度，避免盲目選取訓練參數(shù)，引入粒子群算法對其懲罰因子C和核參數(shù)γ進行尋優(yōu).仿真與試驗對比結(jié)果表明：基于粒子群優(yōu)化的支持向量機模型(PSO-SVM模型)可以用于電纜暫態(tài)導體溫度計算，且計算誤差小于熱路模型和BP神經(jīng)網(wǎng)絡(luò)；模型具有良好的泛化能力.

關(guān)鍵詞：電纜；導體溫度；支持向量機；粒子群優(yōu)化；暫態(tài)計算

隨著我國城市化進程的不斷推進，新增電纜走廊日益困難，而用電負荷卻不斷提高，兩者之間的矛盾日趨突出，因此確定準確的載流量從而最大化現(xiàn)有電纜線路輸送能力正逐漸被電力企業(yè)所重視.如果載流量過大導致導體溫度長期超過電纜主絕緣長期耐熱溫度，將直接影響到電纜的安全運行和使用壽命；如果載流量過小，電纜導體長時間低溫運行，線芯材料沒有得到充分利用[1- 3].載流量由電纜絕緣(與導體溫度相同)的溫度決定.由于結(jié)構(gòu)上的原因，目前在技術(shù)上尚難實現(xiàn)對運行中電纜導體實時溫度的直接測量，只能在監(jiān)測外皮溫度、環(huán)境溫度、電流等的基礎(chǔ)上進行計算[4- 5].因此對電纜導體溫度計算方法進行研究具有重要的意義.

電纜實際運行過程中，對導體溫度影響最大的負荷電流和周圍環(huán)境溫度都是實時變化的，這使得電纜導體溫度總是處于暫態(tài)過程.電纜暫態(tài)導體溫度計算方法主要有：根據(jù)IEC 60287和IEC 60853標準，采用熱電類比的方法將電纜熱傳導過程類比電路模型建立電纜熱路模型[6- 8]，進而運用數(shù)學方法從外皮溫度反推出導體溫度，該方法計算結(jié)果受到電纜本體傳熱參數(shù)及環(huán)境的影響；文獻[9]中運用數(shù)值計算方法建立了電纜的理論熱模型，模型同樣面臨傳熱參數(shù)難以確定的問題，此外，復雜運行情況下(如集群敷設(shè))電纜的溫度場是一個傳導、對流、輻射3種傳熱方式的耦合過程，模型的構(gòu)建復雜.近年來，已有研究人員應(yīng)用人工智能方法建立電纜暫態(tài)導體溫度模型，文獻[10]中基于電纜實時外皮溫度和運行電流，運用BP神經(jīng)網(wǎng)絡(luò)(BPNN)實時計算單芯電纜的導體溫度.該方法具有較高的精度，且計算結(jié)果不受電纜本身參數(shù)和環(huán)境影響，然而，神經(jīng)網(wǎng)絡(luò)存在易陷入局部極小值、“過擬合”等方面的問題.而應(yīng)用支持向量機(SVM)可以很好地克服神經(jīng)網(wǎng)絡(luò)的這些問題.

文中使用支持向量機建立電纜暫態(tài)導體溫度計算模型，并引入粒子群算法(PSO)對模型的參數(shù)進行優(yōu)化.

1電纜暫態(tài)導體溫度計算原理

1.1支持向量機的基本思想

支持向量機是Vapnik及其合作者在研究統(tǒng)計學習理論中的VC維理論和結(jié)構(gòu)風險最小化原則基礎(chǔ)上提出的一種機器學習方法[11- 13]，它通過在模型的學習能力和復雜度之間尋求最佳結(jié)合點，克服了其他機器學習方法(如人工神經(jīng)網(wǎng)絡(luò))過學習、欠學習、維數(shù)災(zāi)難、局部極小值等問題[14- 16].目前支持向量機已在小樣本、非線性及高維模式識別等諸多領(lǐng)域中取得了良好效果[17- 19].

支持向量機的核心思想是通過非線性映射φ(x)函數(shù)將l個訓練樣本輸入xi(i=1,2,…,l)映射到高維特征空間Hilbert，繼而在高維特征空間中建立線性回歸函數(shù)

f(x)=wφ(x)+b

(1)

式中，w為權(quán)值向量，b為偏置.最佳的w和b可使所建立的模型期望風險最小，而統(tǒng)計學習理論認為結(jié)構(gòu)風險(由經(jīng)驗風險和表示模型復雜度的罰項組成)是期望風險的一個上界，因此極小化結(jié)構(gòu)風險便可得到最優(yōu)參數(shù)w和b：

(2)

(3)

核函數(shù)k(xi,xj)為滿足Mercer理論的任意對稱函數(shù)，k(xi,xj)=φ(xi)φ(xj).選用不同的核函數(shù)可構(gòu)造出不同的SVM.目前，應(yīng)用較多的核函數(shù)有線性核函數(shù)、Sigmoid核函數(shù)、徑向基核函數(shù)等，其中，徑向基函數(shù)(RBF)表示形式簡單，解析性好[20]，因此文中選用徑向基函數(shù)作為核函數(shù)，其公式為

k(xi,xj)=e-γ‖xi-xj‖2

(4)

求解式(3)可得到由訓練樣本表示的w：

(5)

進而可求得非線性回歸函數(shù)為

(6)

(7)

在構(gòu)建支持向量機模型的過程中，懲罰因子C和核參數(shù)γ取值恰當與否直接決定了模型的性能.C太大或者γ太小易造成過學習而導致模型泛化性能變差，C太小或γ太大則易產(chǎn)生欠學習現(xiàn)象.為了得到性能最優(yōu)的支持向量機模型，同時避免盲目選取訓練參數(shù)，文中采用粒子群算法對支持向量機模型的懲罰因子C和核參數(shù)γ進行尋優(yōu).

1.2粒子群算法原理

粒子群算法是是由Eberhart和Kennedy提出的一種具有很強尋優(yōu)能力的智能優(yōu)化算法，其基本思想是通過個體之間的協(xié)作與競爭來實現(xiàn)多維空間的最優(yōu)解搜尋[21- 25].

PSO首先在n維解空間初始化一個含有m個粒子的種群，每個粒子的位置都代表尋優(yōu)問題中的一個可行解，粒子的優(yōu)劣程度通過其對應(yīng)的適應(yīng)度值來表示.在尋優(yōu)過程中，粒子根據(jù)式(8)、(9)進行迭代，更新自己在解空間中的飛行速度與空間位置并計算適應(yīng)度值，直到滿足迭代終止條件.

(8)

(9)

式中:N為當前迭代次數(shù)；i=1,2,…,m,表示第i個粒子；j=1,2,…,n,表示第j維空間；v為粒子的速度；x為粒子的位置；Pij為第i個粒子第j維空間的局部極值，Pgj為第j維空間的全局極值，ω為慣性權(quán)重系數(shù)，它使粒子保持運動慣性；c1和c2為兩個學習因子，c1表示粒子對自身的認識程度，c2表示粒子對整個群體知識的認識程度；r1、r2為[0，1]的隨機數(shù).

1.3基于PSO-SVM的電纜暫態(tài)導體溫度計算流程

采用粒子群算法與支持向量機相結(jié)合的方法對電纜暫態(tài)導體溫度進行計算的流程如下.

步驟1確定合適的模型輸入、輸出

由于電纜內(nèi)部熱容的存在，導體溫度不能發(fā)生突變，其變化總是滯后于電流變化.因此，為計算某一時刻的導體溫度，需要考慮該時刻前小時的電流和外皮溫度(與電纜的熱時間常數(shù)有關(guān))，因此文中以t-kΔt，t-(k-1)Δt，…，t-Δt共k個時刻的電流和外皮溫度作為模型的輸入，電纜t時刻導體溫度作為模型的輸出,其中Δt為15 min.

步驟2將訓練樣本輸入及輸出歸一化

為加快訓練程序的計算速度并消除量綱的影響，將輸入及輸出均按照式(10)歸一化到[-1,1]區(qū)間：

(10)

步驟3PSO尋優(yōu)SVM參數(shù)懲罰因子C和核參數(shù)γ

將訓練樣本均方誤差(MSE)作為粒子群的適應(yīng)度函數(shù)；初始化粒子群，基于訓練樣本用每個粒子的位置[C,γ]訓練支持向量機回歸模型，并計算適應(yīng)度；根據(jù)式(8)和(9)更新粒子速度和位置，進行種群迭代，直至適應(yīng)度值小于均方誤差eMSE的閾值或者迭代一定的次數(shù)時，輸出最優(yōu)參數(shù)[C,γ]，其中，

(11)

步驟4根據(jù)步驟3得到的最優(yōu)參數(shù)[C,γ]建立基于支持向量機的暫態(tài)導體溫度回歸計算模型.

步驟5暫態(tài)導體溫度計算

將實時監(jiān)測到的外皮溫度和電流歸一化后輸入到訓練好的支持向量機回歸模型，進行暫態(tài)導體溫度的計算，將計算結(jié)果反歸一化即可得到實時導體溫度.

2電纜溫升試驗

為研究文中所建基于PSO-SVM的電纜導體暫態(tài)溫度計算模型的有效性及準確性，選取交聯(lián)聚乙烯鋼帶鎧裝三芯電力電纜(型號為YJV22- 8.7/15- 3×240)分別進行電纜溝敷設(shè)單回路、排管敷設(shè)六回路電纜溫升試驗.考慮到熱電偶的測量誤差，在每根試驗電纜中部選取3個截面(相鄰截面之間距離1 m)，并用電鉆在每個截面針對三相導體鉆3個孔，將熱電偶插入到孔洞直至與導體接觸；在每根電纜表面敷設(shè)4個熱電偶測量其外皮溫度[2].實際負荷調(diào)度中一般每15 min改變一次電流值，因此試驗過程中每隔15 min采集一次溫度和電流數(shù)據(jù).將導體溫度平均值和外皮溫度平均值作為后續(xù)分析的依據(jù)，圖1(a)為電纜溝敷設(shè)單回路的試驗結(jié)果，圖1(b)為排管敷設(shè)六回路中溫度最高的電纜的試驗結(jié)果.

圖1　溫升試驗結(jié)果圖

從圖1可以看出，在整個試驗過程中，電纜導體溫度和外皮溫度、電流有很強的相關(guān)性，三者的變化趨勢基本一致.因此可以根據(jù)測量的電纜外皮溫度和加載的電流來計算電纜暫態(tài)導體溫度.

3基于PSO-SVM的電纜暫態(tài)導體溫度計算模型訓練

3.1參數(shù)設(shè)置

從圖1可知，三芯電纜導體溫度滯后電流約1.25 h，因此文中以t-5Δt，t-4Δt，t-3Δt，t-2Δt，t-Δt共5個時刻的電流和外皮溫度作為模型的輸入，電纜t時刻導體溫度作為模型的輸出.

文中選擇電纜溝敷設(shè)溫升試驗的75個小時(共300組)數(shù)據(jù)作為訓練樣本構(gòu)建暫態(tài)導體溫度支持向量機模型，并設(shè)定訓練樣本均方誤差eMSE的閾值為10-3，最大迭代次數(shù)Nmax=100，種群的粒子數(shù)m=20，學習因子c1=c2=2，C的范圍為[0,200],粒子在代表C的空間的速度區(qū)間為[-60,60]，γ范圍為[0,1]，粒子在代表γ的空間的速度區(qū)間為[-0.6,0.6].

PSO算法的速度更新公式中的慣性權(quán)重系數(shù)ω決定了粒子先前速度對當前速度的影響程度，從而起到平衡算法全局搜索和局部搜索能力的作用[26].在迭代開始階段，ω取值較大可以使算法不容易陷入局部最優(yōu)；迭代末期，ω取值較小可以增強粒子局部搜索能力，加快收斂速度.文中ω設(shè)置為隨迭代次數(shù)增加而減小的函數(shù)：

ω(t)=ωmin+(ωmax-ωmin)(Nmax-N)/Nmax

(12)

式中，N為當前迭代數(shù)，Nmax為最大迭代次數(shù)，慣性權(quán)重系數(shù)最大值ωmax=0.8，最小值ωmin=0.5.

當在某次迭代中出現(xiàn)適應(yīng)度值小于10-3的粒子或者迭代次數(shù)達到Nmax時，退出粒子群算法.

3.2模型性能評價指標

為更直觀地展示所建立模型的性能，采用均方誤差(RMSE)、平均絕對誤差(MAE)以及平均相對誤差(MAPE)來評價模型的計算精度.RMSE、MAE以及MAPE由如下表達式定義：

(13)

3.3模型訓練結(jié)果

文中基于訓練樣本、采用粒子群算法得到的最優(yōu)訓練參數(shù)為c=111.71和γ=0.010.粒子群算法的eMSE曲線見圖2.由圖2可見，eMSE在第11代趨于穩(wěn)定，此時適應(yīng)度值2.85×10-3，訓練結(jié)果見圖3，訓練樣本誤差用式(13)來表示.

均方誤差、平均絕對誤差、平均相對誤差分別為0.60 ℃、0.48 ℃、0.74%，因而PSO-SVM模型有較好的擬合能力，能夠準確地反映導體溫度與外皮溫度及電流的非線性關(guān)系.

圖2　適應(yīng)度曲線

圖3　訓練樣本計算結(jié)果

4模型計算性能的分析

4.1不同算法對比及分析

為體現(xiàn)文中建立的模型在計算精度的優(yōu)越性，分別采用BP神經(jīng)網(wǎng)絡(luò)[10]、熱路模型[6]和PSO-SVM模型對電纜溝敷設(shè)溫升試驗的48組數(shù)據(jù)(與訓練樣本數(shù)據(jù)不存在交集)進行計算.BP神經(jīng)網(wǎng)絡(luò)的訓練樣本與文中PSO-SVM模型訓練樣本一致；熱路模型的熱阻、熱容、損耗均采用IEC推薦公式計算；3種模型的計算結(jié)果見圖4，計算誤差如表2所示.

圖4　不同模型下的計算值與實測值比較

Fig.4Contrast of the measured and calculated values of diffe-rent models

表2　不同模型下的計算誤差

從圖4和表2可以看出，相對于熱路模型和BP神經(jīng)網(wǎng)絡(luò)模型，PSO-SVM模型的計算結(jié)果與實測值吻合性更好，PSO-SVM模型的均方誤差、平均絕對誤差、平均相對誤差均小于熱路模型和BP神經(jīng)網(wǎng)絡(luò)的對應(yīng)誤差值.這主要是因為熱路模型的計算準確度受到電纜本體各層傳熱參數(shù)及外部環(huán)境參數(shù)的影響較大，一方面計算所用參數(shù)與實際可能存在較大差別，另一方面一些參數(shù)會隨溫度而變化，若將這些參數(shù)簡單的考慮為常數(shù)則容易產(chǎn)生較大的計算誤差；BP神經(jīng)網(wǎng)絡(luò)模型過于追求訓練誤差的最小，導致模型對訓練樣本以外的測試樣本的誤差反而增大，即出現(xiàn)所謂的“過擬合”現(xiàn)象，同時，BP神經(jīng)網(wǎng)絡(luò)初始神經(jīng)元之間的權(quán)值和閾值一般隨機選擇，容易陷入局部最小值點.而基于粒子群優(yōu)化的支持向量機模型采用結(jié)構(gòu)最小化原則，可以在保證計算精度的同時最大限度地克服“過擬合”問題，此外，粒子群算法的引入能夠很好地避免模型陷入局部最小值.

4.2模型的泛化能力

為檢驗基于電纜溝敷設(shè)單回路溫升試驗訓練樣本得到的模型是否適用于其他環(huán)境下電纜暫態(tài)導體溫度計算，選擇排管敷設(shè)六回路試驗6×240組數(shù)據(jù)對該模型的泛化能力進行檢驗.其中溫度最高的回路(回路4)計算值和實測值對比如圖5所示，各回路誤差結(jié)果如表3所示.

圖5　排管敷設(shè)6回路下計算值與實測值比較

Fig.5Contrast of measured valued and calculated valuetof six-circuit cables laid in pipes

表3排管敷設(shè)6回路下導體溫度計算誤差

Table 3Calculation error of conductor temperature of six-circuit cables laid in pipes

回路數(shù)RMSE/℃MAE/℃MAPE/%10.750.540.7720.710.500.7230.820.530.8040.780.530.7550.770.520.7560.840.580.83平均值0.780.530.77

從圖5及表3可以看出：雖然檢驗樣本與訓練樣本試驗環(huán)境差異很大，但排管敷設(shè)六回路電纜暫態(tài)導體溫度計算值曲線幾乎逼近導體溫度的實測值曲線；排管敷設(shè)六回路的均方誤差、平均絕對誤差、平均相對誤差平均值分別為0.78 ℃，0.53 ℃，0.77%.對比表2和3可以看出，用電纜溝敷設(shè)單回路樣本訓練得到的模型用于排管敷設(shè)六回路的導體溫度計算時，誤差并沒有明顯上升，表明文中所建模型有很強的泛化能力.

5結(jié)論

文中引入粒子群算法對支持向量機中的懲罰因子和核參數(shù)進行尋優(yōu)，建立電纜暫態(tài)導體溫度計算的PSO-SVM模型；以三芯電纜為例，計算電纜導體暫態(tài)溫度，并與電纜溫升試驗結(jié)果進行比較，以驗證模型計算的準確性；將該模型與熱路模型、BP神經(jīng)網(wǎng)絡(luò)的計算結(jié)果進行比較，以比較不同算法的精度；將電纜溝敷設(shè)單回路的試驗數(shù)據(jù)訓練的模型應(yīng)用于排管敷設(shè)6回路電纜暫態(tài)導體溫度計算，以驗證模型的泛化能力.通過上述研究，文中得到以下結(jié)論：

1)基于粒子群優(yōu)化的支持向量機的計算模型可以準確計算電纜暫態(tài)導體溫度.

2) 該PSO-SVM計算模型以電纜導體電流和外皮溫度作為輸入?yún)?shù)，以電纜暫態(tài)導體溫度作為輸出，無需考慮電纜的各層傳熱參數(shù)和敷設(shè)環(huán)境.

3)電纜溫升試驗證明該PSO-SVM模型具有較高的計算精度，且其計算誤差小于熱路模型和BP神經(jīng)網(wǎng)絡(luò)模型.

4)PSO-SVM模型具有很強的泛化能力.將電纜溝敷設(shè)單回路試驗數(shù)據(jù)訓練得到的模型用于排管敷設(shè)六回路的導體溫度計算時，誤差沒有明顯上升.

參考文獻：

[1]梁永春,李延沐.利用模擬熱荷法計算地下電纜穩(wěn)態(tài)溫度場 [J].中國電機工程學報,2008,28(16):128- 134．

LIANG Yong-chun,LI Yan-mu.Calculation of the static temperature field of underground cables using heat charge simulation method [J].Proceedings of the CSEE,2008,28(16):128- 134．

[2]馬國棟.電線電纜載流量 [M].北京：中國電力出版社,2003.

[3]張堯,周鑫,牛海清,等.單芯電纜熱時間常數(shù)的理論計算與試驗研究 [J].高電壓技術(shù),2009(11):2801- 2806.

ZHANG Yao,ZHOU Xin,NIU Hai-qing,et al.Theoretical calculation and experimental research on thermal time constant of single-core cables [J].High Voltage Engineering,2009(11):2801- 2806.

[4]梁永春,柴進愛,李彥明,等.基于FEM的直埋電纜載流量與外部環(huán)境關(guān)系的計算 [J].電工電能新技術(shù),2007,26(4):10- 13.

LIANG Yong-chun,CAI Jin-ai,LI Yan-ming,et al.Calculation of ampacity reduction factors for buried cables with surroundings based on FEM [J].Advanced Technology of Electrical Engineering and Energy,2007,26(4):10- 13.

[5]閆瀾鋒.10kV 三芯電纜溫度場分布特性及導體溫度計算的仿真與實驗研究 [D].廣州:華南理工大學,2012.

[6]周鑫.單芯電力電纜導體溫度計算及試驗研究 [D].廣州:華南理工大學電力學院,2010.

[7]劉毅剛,羅俊華.電纜導體溫度實時計算的數(shù)學方法 [J].高電壓技術(shù),2005,31(5):52- 54.

LIU Yi-gang,LUO Jun-hua.Mathematical method of temperature calculation of power cable conductor in real time [J].High Voltage Engineering,2005,31(5):52- 54.

[8]Olsen R S,Holboll J,Gudmundsdottir U S.Dynamic temperature estimation and real time emergency rating of transmission cables [C]∥Proceedings of Power and Energy Society General Meeting.[S.l.]:IEEE,2012:1- 8.

[9]鄭雁翎,儀濤,張冠軍,等.分散式排管敷設(shè)電纜群溫度場的流固耦合計算 [J].高電壓技術(shù),2010,36(6):1566- 1571.

ZHENG Yan-ling,YI tao,ZHANG Guan-jun,et al.Fluid-solid coupling computation on temperature field of decentralized pipe cable system [J].High Voltage Enginee-ring,2010,36(6):1566- 1571.

[10]雷成華,劉剛,李欽豪.BP 神經(jīng)網(wǎng)絡(luò)模型用于單芯電纜導體溫度的動態(tài)計算 [J].高電壓技術(shù),2011,37(1):184- 189.

LEI Cheng-hua,LIU Gang,LI Qin-hao.Dynamic calculation of conductor temperature of single-cable using BP neural network [J].High Voltage Engineering,2011,37(1):184- 189.

[11]Vapnik V.The nature of statistical learning theory [M].[S.l.]:Springer Science & Business Media,2013.

[12]鄧乃揚,田英杰.支持向量機——理論、算法與擴展 [M].北京:科學出版社,2009.

[13]李國政,王猛,曾華軍.支持向量機導論 [M].北京:電子工業(yè)出版社,2004.

[14]張學工.關(guān)于統(tǒng)計學習理論與支持向量機 [J].自動化學報,2000,26(1):32- 42.

ZHANG Xue-gong.Introduction to statistical learning theory and support vector machines [J].Acta Automatic Sinica,2000,26(1):32- 42.

[15]鄧萬宇,鄭慶華,陳琳,等.神經(jīng)網(wǎng)絡(luò)極速學習方法研究 [J].計算機學報,2010,33(2):279- 287.

Deng Wan-yu，Zheng Qing-hua，Chen Lin，et al．Research on extreme learning of neural networks [J]．Chinese Journal of Computers，2010,33(2)：279- 287.

[16]許建華,張學工,李衍達.支持向量機的新發(fā)展 [J].控制與決策,2004,19(5):481- 484.

XU Jian-hua,ZHANG Xue-gong,LI Yan-da.Advances in support vector machines [J].Control and Decision,2004,19(5):481- 484.

[17]陳偉根,滕黎,劉軍,等.基于遺傳優(yōu)化支持向量機的變壓器繞組熱點溫度預測模型 [J].電工技術(shù)學報,2014,29(1):44- 51.

CHEN Wei-gen,TENG Li,LIU Jun,et al.Transformer winding hot-spot temperature prediction model of support vector machine optimized by genetic algorithm [J].Transactions of China Electrotechnical Society,2014,29(1):44- 51.

[18]戴棟,黃筱婷,代洲,等.基于支持向量機的輸電線路覆冰回歸模型 [J].高電壓技術(shù),2013,39(11):2822- 2828.

DAI Dong,HUANG Xiao-ting,DAI Zhou,et al.Regre-ssion model for transmission lines icing based on support vector machine [J].High Voltage Engineering,2013,39(11):2822- 2828.

[19]鞠魯峰,王群京,李國麗,等.永磁球形電機的支持向量機模型的參數(shù)尋優(yōu) [J].電工技術(shù)學報,2014,29(1):85- 90.

JU Lu-feng,WANG Qun-jing,LI Guo-li,et al.Parameter optimization for support vector machine model of permanent magnet spherical motors [J].Transactions of China Electrotechnical Society,2014,29(1):85- 90.

[20]李曉宇,張新峰,沈蘭蓀.一種確定徑向基核函數(shù)參數(shù)的方法 [J].電子學報,2006,33(B12):2459- 2463.

LI Xiao-yu,ZHANG Xin-feng,SHEN Lan-sun.A selection means on the parameter of radius basis function [J].Acta Electronica Sinica,2005,33(B12):2459- 2463.

[21]溫玉鋒.材料實驗數(shù)據(jù)的支持向量回歸分析及應(yīng)用 [D].重慶:重慶大學數(shù)理學院,2009.

[22]FEI S,WANG M J,MIAO Y,et al.Particle swarm optimization-based support vector machine for forecasting dissolved gases content in power transformer oil [J].Energy Conversion and Management,2009,50(6):1604- 1609.

[23]DEL Valle Y,VENAYAGAMOORTHY G K,MOHAGH-

EGHI S,et al.Particle swarm optimization:basic concepts,variants and applications in power systems [J].IEEE Transactions on,Evolutionary Computation,2008,12(2):171- 195.

[24]宋風忠.基于粒子群算法風力發(fā)電系統(tǒng)風速預測研究 [J].電氣應(yīng)用,2011,24:024.

SONG Feng-zhong.Wind speed prediction research of wind power generation system based on particle swarm optimization [J].Electrotechnical Application,2011,24:024.

[25]徐剛,瞿金平,楊智韜.一種改進的自適應(yīng)粒子群優(yōu)化算法 [J].華南理工大學學報(自然科學版),2008,36(9):6- 10.

XU Gang,QU Jin-ping,YANG Zhi-tao.An improved adaptive particle swarm optimization algorithm. [J] Journal of South China University of Technology(Natural Science Edition),2008,36(9):6- 10.

[26]吳杰康,熊焰.風水氣互補發(fā)電優(yōu)化的云模型自適應(yīng)粒子群優(yōu)化算法 [J].中國電機工程學報,2014,34(增刊):17- 24.

WU Jie-kang,XIONG Yan.An cloud model theory based adaptive particle swarm optimization algorithm for complementary power generation optimization of wind-energy,hydro-energy and natural gas [J].Proceedings of the CSEE,2014,34(Suppl):17- 24.

Calculation of Cable Temperature Based on Support Vector Machine Optimized by Particle Swarm Algorithm

NIUHai-qing1YEKai-fa1XUJia1WUJu-zhuo1LUOJian-bin2LUGuo-jun2

(1.School of Electric Power, South China University of Technology, Guangzhou 510640, Guangdong, China;2.Tests and Research Institute of Guangzhou Power Supply Bureau Co.,Ltd., Guangzhou 510410,Guangdong, China)

Abstract:Cable conductor temperature is a main factor affectingthe life and material utilization of the cable, and is an important parameter reflecting cable's operation state. However, it is difficult to directly measure the conductor temperature of in-use cables, so that a temperature calculation is necessary. In this paper, a model to calculate the transient temperature of cable conductor based on the support vector machine(SVM) is proposed. In this model, both the load current and the skin temperature are used as the inputs and the conductor temperature is taken as the output. Moreover, in order to improve the calculation accuracy and avoid blind selection of training parameters, the particle swarm optimization (PSO)algorithmis introduced in the model for optimizing the punishment index C and the core parameter γ. In addition, a comparison between the simulated and the experimental results is made, finding that the proposed PSO-SVM model is superior to the thermal circuit model and the BP neural network because it helps to obtain more accurate transient temperature and possesses good generalization ability.

Key words:cable;conductor temperature; support vector machine; particle swarm optimization; transient calculation

收稿日期:2015- 09- 11

*基金項目:國家高技術(shù)研究發(fā)展計劃(863計劃)項目(2015AA050201)

Foundation item:Supported by the National High Technology Research and Development of China(863Program)

作者簡介:牛海清(1969-)，女，博士，副教授，主要從事高壓輸電線路及高壓電氣設(shè)備等的研究.E-mail:niuhq@scut.edu.cn

文章編號:1000- 565X(2016)04- 0077- 07

中圖分類號：TM 726.4

doi：10.3969/j.issn.1000-565X.2016.04.012