基于LS-SVM的重要用戶供用電安全評價分析方法

潘明明， 劉連光，田世明， 徐 震

發(fā)電技術

基于LS-SVM的重要用戶供用電安全評價分析方法

潘明明1， 劉連光1，田世明2， 徐 震3

（1.華北電力大學,北京102206；2.中國電力科學研究院，北京100192；3.國網(wǎng)北京順義供電公司，北京101300）

重要電力用戶的供用電安全對于企業(yè)生產(chǎn)以及社會穩(wěn)定具有重要意義，因此對重要用戶供用電安全狀況進行預評估來防御風險就顯得尤為必要?；诖吮疚氖紫葘χ匾脩艄┯秒姲踩芾淼年P聯(lián)指標進行了分析，建立了全面的重要用戶供用電安全評價指標體系。針對評估時樣本缺乏的問題，本文利用了用戶歷史運行數(shù)據(jù)，在對樣本數(shù)據(jù)進行歸一化處理后采用R BF核函數(shù)建立了最小二乘支持向量機分類器模型，并運用粒子群算法優(yōu)化了LS-SVM的參數(shù)，提升了LS-SVM分類器的準確性。結(jié)果表明，與BP網(wǎng)絡、R BF網(wǎng)絡、支持向量機相比，本文提出的多分類模型能夠更準確地評估用戶供用電安全狀況，而且訓練時間短、泛化能力強，具有更高的實用性和可靠性。

供用電安全； 安全管理； 最小二乘支持向量機； 粒子群算法

0 引言

重要電力用戶由于其廣泛的社會影響性，任何事故都會給社會政治、經(jīng)濟、治安等諸多方面帶來影響[1]，亟需通過預先開展安全管理來規(guī)避電網(wǎng)風險[2]，首要任務便是建立起全面的重要電力用戶供用電安全評估體系，但由于重要用戶供用電安全的影響因素涉及到設備、人員、制度等各個方面，且內(nèi)容相互關聯(lián)繁雜，解析安全管理指標和評估安全等級都十分困難。目前，關于重要電力用戶供用電安全管理方面的研究中的安全風險分析側(cè)重角度各有不同[3～5]，在評估方法上，現(xiàn)有研究多依賴專家的評分機制，主觀性較強，需要對分析數(shù)據(jù)的來源進行分類整理，明確指標量化的標準，建立全面的重要用戶供用電安全評估體系。

針對新加入的重要用戶評估對象，或者是原評估對象的新評估周期，其供用電安全狀況分析還面臨著樣本缺乏以及預測困難的問題。近年來，機器學習和人工智能方法在解決人工識別困難的問題上得到了廣泛的重視[6～9]，由于支持向量機（Support Vector Machine，簡稱SVM）更擅長處理小樣本、非線性數(shù)據(jù)特征的多分類問題[10]，許多學者將支持向量機以及改進的支持向量機應用到故障分析、預測等領域中。例如文獻[11，12]將改進的支持向量機應用到變壓器故障診斷中，在小樣本的情況下保證了變壓器故障診斷的準確性，文獻 [12]中使用的最小二乘支持向量機（Least Squares Support Vector Machine，LS-SVM） 是標準SVM的一種擴展，LS-SVM用線性方程求解替換求解二次規(guī)劃問題，相對傳統(tǒng)SVM求解難度小，計算速度快；文獻[13]中建立了電網(wǎng)故障風險評估體系并采用支持向量機構(gòu)建風險評估模型，提升了電網(wǎng)故障風險評估的準確性；文獻[14]中提出的多分辨奇異譜熵和支持向量機組合的方法能夠可靠識別特高壓直流輸電線路區(qū)內(nèi)外故障識；文獻[15]將支持向量機應用于繼電保護裝置可靠性參數(shù)估計中，提高了小樣本條件下繼電保護系統(tǒng)可靠性參數(shù)估計的精度和穩(wěn)定性；文獻[16]使用支持向量機對電力系統(tǒng)的暫態(tài)穩(wěn)定性進行了評估，并取得了良好的效果。除此之外，支持向量機在故障區(qū)間判斷、電能質(zhì)量分析、新能源出力預測和變壓器維護周期優(yōu)化等方面也有相應應用[17-19]?？梢钥闯?，支持向量機在小樣本情況下處理分類問題具有較強的優(yōu)越性。

綜合上述研究，為了實現(xiàn)對缺乏樣本數(shù)據(jù)的新對象進行安全狀況評估，本文提出了一種基于LS-SVM的重要用戶供用電安全評估分析方法。首先分析重要用戶供用電安全管理的具體內(nèi)容，構(gòu)建重要用戶供用電安全評估指標以及指標量化的依據(jù)，并將指標作為LS-SVM的輸入項。在對樣本數(shù)據(jù)進行歸一化處理后采用RBF核函數(shù)建立LS-SVM分類器模型，從中選取最佳的核函數(shù)，并運用粒子群算法優(yōu)化LS-SVM的正則化參數(shù)和核參數(shù)，構(gòu)建基于動態(tài)LS-SVM的重要用戶供用電安全分析模型，并根據(jù)用戶實際數(shù)據(jù)驗證了模型預測新評估對象安全等級的準確性。

1 重要電力用戶供用電安全評估指標體系

考慮影響重要用戶供用電安全的因素可以從人員管理因素和設備環(huán)境兩方面來分析[14]。所以根據(jù)故障樹的原理，盡量選取易于測量并能較好反映供用電安全狀況的指標，建立重要用戶供用電安全評估分析指標體系，最終形成的檢測指標體系如圖1所示。

2 最小二乘支持向量機理論

（1）核函數(shù)

LS-SVM通過用空間H中的內(nèi)積（φ（x）·φ（x′））表示的非線性變換將原始低維樣本空間映射到高維特征

空間，在高維特征樣本空間中尋找輸入變量和輸出變量之間的一種線性關系。設存在Rn到Hilbert空間的H變換：

則稱Rn×Rn上的函數(shù)K（x，x′）是Rn×Rn的核函數(shù)。

（2）最小二乘支持向量分類機

對于SVM的訓練過程屬于約束數(shù)目等于樣本容量的二次規(guī)劃問題，當樣本容量較大時會導致訓練時間過長的問題，為提高 SVM的訓練效率，本文采用最小二乘支持向量機（least squares support vector machine，LS-SVM）改進了SVM中的目標函數(shù)，在目標函數(shù)中引入了誤差的平方和，并將普通支持向量機的不等式約束條件改為等式約束條件，將求解二次規(guī)劃問題過程轉(zhuǎn)換為求解線性方程組，減少了訓練時間，提高了收斂精度。

設T={（xk，yk）}Nk=1，xk∈Rn，yk∈R，xk為輸入數(shù)據(jù)，yk為輸出的分類類別，N為樣本總數(shù)。經(jīng)過非線性變換和核函數(shù)K（x，x′）=（φ（x）·φ（x′）），最小二乘支持向量機在原始空間的分類問題的目標函數(shù)為：

式中||w||2為加權向量范數(shù)的平方，作用是控制模型的復雜度。C為懲罰函數(shù)，C>0，ξi為估計誤差。等式約束條件為：

對等式約束化問題構(gòu)造如下拉格朗日函數(shù)：

式中αi為Lagrange乘子，b為分類閥值。根據(jù)KKT條件（karush-kuhn-tucker，KKT）對上式進行優(yōu)化，得到：

消去w和ξ得到如式6所示的線性方程組：

上式中的Ω、α、Y、1→分別為：

因此，原始空間的分類問題可以通過解線性方程組構(gòu)造出決策函數(shù)：

3 基于LS-SVM的重要用戶供用電安全評估模型

基于動態(tài)LS-SVM的重要用戶供用電安全評價模型步驟如下：

（1）分析重要用戶供用電安全管理的具體內(nèi)容，利用調(diào)查樣本數(shù)據(jù)和專家打分對供用電安全指標進行評估與分析，建立安全評價指標體系，如圖1所示。

（2）對樣本進行歸一化處理，以加快數(shù)據(jù)訓練時的收斂速度，輸入訓練樣本，因為本文的數(shù)據(jù)采用的專家打分法，所以歸一化時將指標按越大越好型指標進行處理，公式如下。

（3）選擇合適的核函數(shù)。

與多項式核函數(shù)（Polynomial）和Sigmoid核函數(shù)相比，徑向基函數(shù)表示形式簡單，對于多變量處理能力強，且RBF徑向?qū)ΨQ，光滑性好。本文的最小二乘支持向量機的核函數(shù)選取RBF函數(shù)，見式（9）：

其中x是m維輸入向量，xi是第i個徑向基函數(shù)的中心，與x具有相同維數(shù)，σ是標準化參數(shù)，決定了該函數(shù)圍繞中心點的寬度，||x-xi||是向量x-xi的范數(shù)，表示x與xi之間的距離。

本文的最小二乘支持向量機選擇徑向基函數(shù)作為核函數(shù)，因此需要優(yōu)化的參數(shù)是正則化參數(shù)C和核函數(shù)寬度g，這兩個參數(shù)在很大程度上決定了最小二乘支持向量機的學習和泛化能力，對分類的精度影響很大，本文采用粒子群算法優(yōu)化 LS-SVM的參數(shù)，步驟如下。

設定粒子群中包含i個粒子，粒子i（i∈｛1，2，...l｝）

的信息可以用 D維向量 (即需要優(yōu)化的參數(shù)個數(shù))表示。空間位置為xi=（xi1，xi2，...，xiD），速度為vi=（vi1，vi2，...，viD），在求得pi，best和gi，best這兩個最優(yōu)解后，粒子群根據(jù)式（10）和式（11）更新速度和位置。

上式中，vi（t）為粒子i在t時刻D維空間的速度，xi（t）為粒子i在t時刻D維空間的位置，pi，best（t）表示單個粒子i本身的最優(yōu)解，gi，best（t）表示整個總?cè)旱淖顑?yōu)解，c1、c2為加速因子，一般在（0，2）取值，r1、r2為隨機函數(shù)，變化范圍在（0，1）之間，ω為非負的權重，影響整體尋優(yōu)能力。用粒子群算法優(yōu)化LS-SVM的參數(shù)的整個優(yōu)化步驟如下：

Step 1：初始化PSO的群體規(guī)模、迭代的最大次數(shù)、學習因子、粒子的初始位置和速度等參數(shù)。

Step 2：將每個粒子對應的LS-SVM對樣本進行分類，將各粒子當前位置值的誤差作為適應度。如果當前適應度值更優(yōu)，則將粒子當前的位置作為該粒子的最優(yōu)位置。

Step 3：如果粒子的自身最優(yōu)位置比群體最優(yōu)位置的適應度值更高，則將粒子的最優(yōu)位置作為群體的最優(yōu)位置。

Step 4：利用式（5）計算慣性權值，并根據(jù)式（10）、式（11）調(diào)整各個粒子的速度及位置。

Step 5：結(jié)束條件為達到預先設定的最大迭代次數(shù)或最優(yōu)位置滿足預設的最小適應度。否則轉(zhuǎn)至Step 2。

（4）樣本訓練，按得到的參數(shù)組合進行樣本測試。步驟流程圖如圖2所示。

表1 重要電力用戶樣本數(shù)據(jù)

4 算例分析

4.1 用戶供用電安全評價模型樣本集

本文以江西省南昌市68家重要電力用戶為研究對象，建立重要用戶供用電安全評價指標體系，并將指標體系中每個指標細化成具體的安全檢查項作為專家打分的參考依據(jù)。

根據(jù)專家意見對其安全評價結(jié)果分為四級：Ⅰ為警示級，Ⅱ為一般級，Ⅲ為良好級，Ⅳ為優(yōu)秀級，將這四個等級作為樣本學習的目標值。其中45家重要電力用戶為訓練樣本，23家為測試樣本，對重要用戶用電安全情況進行打分，其打分結(jié)果見表 1，將原始數(shù)據(jù)規(guī)整到[0，1]區(qū)間，歸一化后的樣本決策表見表2。

表2 歸一化后的樣本數(shù)據(jù)

4.2 參數(shù)的選取

采用交叉驗證的方法來評估模型的性能，以正確識別率作為分類評價指標，經(jīng)網(wǎng)格搜索后PSO參數(shù)尋優(yōu)范圍為C∈rand[2-5，29]，g∈rand[0.01，10]，粒子群算法的基本參數(shù)為：種群數(shù)m=20，慣性權值w=1，最大迭代次數(shù)t=200，加速系數(shù)C1=1.5，C2=1.7，利用粒子群算法搜索到的最優(yōu)參數(shù)為：懲罰參數(shù)C=12.2859，核函數(shù)寬度參數(shù)g=3.7634，兩個參數(shù)決定了最小二乘支持向量機的泛化和學習能力。粒子群算法尋找最佳參數(shù)的適應度曲線如圖3所示。

4.3 仿真結(jié)果

通過使用BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、普通SVM和基于PSO優(yōu)化參數(shù)的LS-SVM進行分類，使用以上方法訓練和測試的結(jié)果對比見表3。

從仿真結(jié)果中可以看到：

（1）BP和RBF神經(jīng)網(wǎng)絡方法的分類準確度不高，在23個測試樣本中分別錯了3個和8個，分析原因是

由于神經(jīng)網(wǎng)絡方法出現(xiàn)了過量學習現(xiàn)象和容易陷入局部極小，而且神經(jīng)網(wǎng)絡要想提高分類準確度，依賴于網(wǎng)絡結(jié)構(gòu)和訓練參數(shù)的選擇，以及高質(zhì)量的重要用戶供用電安全評價樣本。經(jīng)過參數(shù)尋優(yōu)建立的LS-SVM分類器模型對測試樣本的分類準確度為100%，明顯高于其他方法分類精度；

（2）普通SVM的訓練時間為0.9676s，在23個測試樣本中錯了1個。與之相比，LS-SVM大大減少了訓練時間，并且收斂精度也更高。分析原因是因為LS-SVM在目標函數(shù)中引入了誤差的平方和，并將普通支持向量機的不等式約束條件改為等式約束條件，將求解SVM的二次規(guī)劃問題過程轉(zhuǎn)換為求解線性方程組。

表3 各種分類方法對比

5 結(jié)語

（1）從管理、供電、用電、應急能力等方面分析了影響重要用戶供用電安全的主要因素，在此基礎上建立了全面的重要電力用戶供用電安全分析指標體系，為重要用戶的供用電安全等級評估提供了依據(jù)，并通過建立指標評分機制避免每次評估都需要再次邀請專家進行評分，提升了安全分析的客觀性和實用性，為相關的軟件設計提供了便利。

（2）采用RBF作為核函數(shù)，并經(jīng)過PSO優(yōu)化后的LS-SVM相對于其他分類器在評估重要用戶供用電安全狀況中準確性更高、模型訓練時間更短、泛化能力更強。通過歷史數(shù)據(jù)對模型的訓練可以建立一個有效的分析模型，利用新加入的評估對象的指標數(shù)據(jù)可以準確地分析其潛在的安全風險等級，從而可以在重要電力用戶的供用電安全事故發(fā)生之前判斷其潛在的風險，進行提前預防，以減少事故帶來的損失。

利用本文提出的重要電力用戶供用電安全評價指標體系基于動態(tài)LS-SVM的重要用戶供用電安全評價模型可以有效解決重要電力用戶供用電安全等級提前評估困難的問題，為重要電力用戶的科學管理提供了新的依據(jù)。

[1]趙建立，周雯娟，潘明明，等.基于用戶責任的重要電力用戶用電安全風險評估[J].電力系統(tǒng)保護與控制，2015，（23）：71～77.

[2]俞雋亞，王增平，等.基于最小過熱區(qū)域的城市配電網(wǎng)災害風險評估[J].電力系統(tǒng)保護與控制，2015，（4）：32～39.

[3]胡文平，于騰凱，等.一種基于云預測模型的電網(wǎng)綜合風險評估方法[J].電力系統(tǒng)保護與控制，2015，（5）：43～49.

[4]廖惠蘭，劉靜.重要客戶用電安全隱患的整改 [J].大眾用電，2012，（10）：35，36.

[5]龔鋼軍，孫毅，等.面向智能電網(wǎng)的物聯(lián)網(wǎng)架構(gòu)與應用方案研究[J].電力系統(tǒng)保護與控制，2011，(20):52～58.

[6]施婕，艾芊.智能電網(wǎng)實現(xiàn)的若干關鍵技術問題研究[J].電力系統(tǒng)保護與控制，2009，（11）：1～5.

[7]張文亮，劉壯志，等.智能電網(wǎng)的研究進展及發(fā)展趨勢[J].電力系統(tǒng)保護與控制，2009，（13）：1～11.

[8]劉巍，黃曌，等.面向智能配電網(wǎng)的大數(shù)據(jù)統(tǒng)一支撐平臺體系與構(gòu)架[J].電工技術學報，2014，（29）：486～491.

[9]李焱煌.小型水電站安全管理模式研究[D].河海大學碩士學位論文，2007.

[10]李永麗，李致中，楊維.繼電保護裝置可靠性及其最佳檢修周期的研究[J].中國電機工程學報，2001，（06）：64～66.

[11]張沛超，高翔.全數(shù)字化保護系統(tǒng)的可靠性及元件重要度分析[J].中國電機工程學報，2008，（01）：77～82.

[12]熊小萍，譚建成，林湘寧.基于動態(tài)故障樹的變電站通信系統(tǒng)可靠性分析[J].中國電機工程學報，2012，（34）:135-141.

[13]孔韜，魏瑞軒.自動檢測系統(tǒng)的發(fā)展現(xiàn)狀及關鍵技術研究 [A].航空裝備保障技術及發(fā)展一航空裝備保障技術專題研討會論文集[C].北京：2006.

[14]楊文杰，夏遠飛.自動檢測技術概況[J].工業(yè)儀表與自動化裝置，1996 （2）：12～14.

[15]宋思揚.電力營銷中用電信息采集系統(tǒng)建設研究 [D].華北電力大學，2011.

[16]黎嵐.用電信息采集系統(tǒng)在電力大客戶管理中的應用[J].城市建設理論研究（電子版），2012，（11）.

[17]萬麗芳，黃新紅，方世明.重要客戶安全用電管理典型經(jīng)驗[J].中國電力教育，2012，（03）：140～142.

[18]Cristianini N.，Scholkopf B.Support vector machines and kernel methods:the new generation of learning machines [J].AI magazine，2012，23(3):31～41.

[19]Liu B，Su H Y，Chu J.New predictive control algorithms based on least squares support vector machines[J].Journal of Zhejiang U-niversity(Science)，2005，6A(5):440～446.

[20]張凱，黃華，楊海濤，等.利用改進遺傳算法與LS-SVM進行變壓器故障診斷[J].電網(wǎng)技術，2010，34，（2）：164～168.

[21]湯昶烽，衛(wèi)志農(nóng)，李志杰，等.基于因子分析和支持向量機的電網(wǎng)故障風險評估[J].電網(wǎng)技術，2013，37（04）：1039～1044.

[22]何旭，姜憲國，張沛超，等.基于SVM的小樣本條件下繼電保護可靠性參數(shù)估計[J].電網(wǎng)技術，2015，39（05）：1432～1437.

[23]張巧革，劉志剛，朱玲，等.基于多標簽Rank-WSVM的復合電能質(zhì)量擾動分類[J].中國電機工程學報，2013，33（34）：114～120.

[24]劉劍，劉開培，周仕杰，等.基于LS-SVM的變壓器最優(yōu)維護周期研究[J].中國電機工程學報，2012，22:94～103，13

Electricity Security Evaluation Analysis Method for Important Customers Based on Dynamic LS-SVM

PAN Ming-ming1， LIU Lian-guang1， TIAN Shi-ming2， XU Zhen3

（1.North China Electronic Power University，Beijing 102206，China；2.China Electric Power Research Institute，Beijing 100192，China；3.State Grid Beijing Shunyi Power Supply Company，Beijing 101300，China）

Safeuseandsupplyofimportantelectricitycustomersforelectricityproductionaswell associal securityfor the enterprise is of great significance.Sothe research of automatic analysis method for important customers for electrical safetyisparticularlynecessary.Thispaperanalyzesthespecific contentoftheimportantcustomersforelectrical safetymanagementandtheautomatic detectionof targetsestablishedby thesurvey sampledataandexpertscoringfor electrical safety indicatorsforassessmentandanalysis,aswell asestablishingevaluationindexsystem.ThescoredsampledatawerenormalizedusingtheRBF kernel functionafter treatment toestablishaleast squares support vector machineclassifier model,and particleswarmalgorithmisusedtooptimizetheparametersofLS-SVM.SimulationresultsshowthatcomparedwithBP network,RBF networks,supportvectormachines,theproposedmulti-classificationmodel canautomaticallyevaluatethesecurity situation for electricity customers.It has shorter training time,stronger generalization ability and higher accuracy,and havehigherpracticabilityandreliability.

safeuseandsupplyofelectricity； safetymanagement； LS-SVM； PSO

TM711

A

2095-3429（2016）03-0018-06

10.3969/J.ISSN.2095-3429.2016.03.004

2016-04-15

修回日期：2016-05-31

國家電網(wǎng)公司科技項目（521820140017）

潘明明（1985-），女，博士研究生，主要從事能源互聯(lián)網(wǎng)、供用電安全方向研究工作；劉連光（1954-），男，教授，博士生導師，主要研究方向為電力系統(tǒng)分析與規(guī)劃、電網(wǎng)安全防御與災變控制；田世明（1965-），男，教授級高工，從事供用電安全風險評價方向管理工作；

徐 震（1976-），男，碩士研究生，高級工程師，從事電網(wǎng)調(diào)控運行及配電網(wǎng)調(diào)度自動化管理工作。