基于改進(jìn)麻雀算法-支持向量機(jī)的輸電線路故障診斷

石萬宇，魏軍強(qiáng)，趙云灝

（華北電力大學(xué)，北京 102200）

0 引言

輸電網(wǎng)絡(luò)覆蓋區(qū)域廣，輸電線路走廊的地理環(huán)境復(fù)雜多變，經(jīng)常受惡劣天氣影響或外力破壞從而發(fā)生故障。輸電線路故障包括外界因素引起的故障，主要有雷擊、鳥害、大風(fēng)、覆冰等[1-2]和人為引起的故障。這些故障類型中，雷擊故障占總故障數(shù)量的50%以上，所以對(duì)輸電線路的雷擊故障進(jìn)行分類診斷意義重大[3]。線路是否發(fā)生雷擊故障不僅與雷電的雷電流和距離有關(guān)，也與輸電線路自身的屬性、特征有關(guān)，所以迫切需要研究輸電線路在內(nèi)外部多種因素影響下的故障分類診斷。

但是，以往基于模型驅(qū)動(dòng)的雷擊故障診斷無法應(yīng)對(duì)更加復(fù)雜的線路情況。而隨著智能電網(wǎng)的建立，電網(wǎng)中產(chǎn)生的大量復(fù)雜數(shù)據(jù)可以被應(yīng)用，提供了數(shù)據(jù)基礎(chǔ)，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型被廣泛應(yīng)用[4]。目前大多使用機(jī)器學(xué)習(xí)等算法實(shí)現(xiàn)線路故障的分類診斷，例如SVM（支持向量機(jī)）[5-7]、人工神經(jīng)網(wǎng)絡(luò)[8-9]、決策樹[10-11]、模糊推理[12-13]等應(yīng)用到故障診斷。SVM 模型在分類領(lǐng)域有著強(qiáng)大的分類效果，它對(duì)數(shù)量集較少的小樣本有著較高的分類準(zhǔn)確率和泛化能力。

目前，將SVM 模型直接應(yīng)用在線路故障數(shù)據(jù)分類診斷中存在較大的局限性，有著準(zhǔn)確率不高，分類識(shí)別精度和算法運(yùn)行效率較低等諸多問題，SVM 核函數(shù)構(gòu)造方法和參數(shù)的優(yōu)化方法仍然值得探索[14]。如今群體智能優(yōu)化算法正逐漸被廣泛應(yīng)用，目前研究比較多的有兩種算法：ACO（蟻群算法）[15-16]和PSO（粒子群算法）[17-19]。

SSA（麻雀搜索算法）是一種新型優(yōu)化算法[20]，該算法借鑒了麻雀的捕食和反捕食行為，搜索尋優(yōu)能力強(qiáng)，具有穩(wěn)定性高，收斂速度快的優(yōu)點(diǎn)。

本文通過自適應(yīng)t 分布[21]改進(jìn)的麻雀搜索算法對(duì)SVM 中的懲罰參數(shù)和核函數(shù)參數(shù)進(jìn)行優(yōu)化，并研究構(gòu)建了基于tSSA-SVM 算法模型的輸電線路故障分類診斷方法。首先，采用自適應(yīng)t 分布算法對(duì)麻雀優(yōu)化算法進(jìn)行優(yōu)化，構(gòu)建tSSA 優(yōu)化算法，提高算法尋優(yōu)效率；然后基于tSSA 優(yōu)化算法改進(jìn)的SVM 模型，通過tSSA 算法對(duì)傳統(tǒng)SVM 模型徑向基核函數(shù)寬度參數(shù)σ、懲罰因子C等關(guān)鍵參數(shù)進(jìn)行優(yōu)化，構(gòu)建出基于tSSA-SVM 的輸電線路故障診斷模型，實(shí)現(xiàn)對(duì)輸電線路故障有效診斷，從準(zhǔn)確率和所用時(shí)間上來看，本文所提模型具有較高的分類診斷效率。

1 tSSA 算法

1.1 SSA 算法

麻雀是群居動(dòng)物，往往會(huì)集體外出覓食，它們在覓食時(shí)一般會(huì)分為兩個(gè)類型的群體：發(fā)現(xiàn)者和加入者。發(fā)現(xiàn)者群體承擔(dān)發(fā)現(xiàn)食物的責(zé)任，它們選擇方向和區(qū)域進(jìn)行搜索并尋找食物；加入者是后來加入的麻雀，為了提高覓食效率會(huì)跟隨發(fā)現(xiàn)者進(jìn)行搜索。發(fā)現(xiàn)者和加入者所占整個(gè)種群的比例是不變的，但是麻雀可以在發(fā)現(xiàn)者和加入者之間動(dòng)態(tài)選擇。同時(shí)，麻雀還存在反捕食行為，當(dāng)外圍搜索的麻雀遭遇天敵或其它生物的威脅，會(huì)對(duì)整個(gè)種群發(fā)出預(yù)警，使種群避開此區(qū)域，調(diào)整搜索位置。根據(jù)麻雀的這種群體行為方式可以模擬出一種智能優(yōu)化算法，進(jìn)行解空間的尋優(yōu)。麻雀搜索算法的核心為發(fā)現(xiàn)者搜索、加入者搜索和偵查行為模式[20，22]。

1.1.1 發(fā)現(xiàn)者搜索

發(fā)現(xiàn)者負(fù)責(zé)確定搜索食物的方向和區(qū)域，同時(shí)進(jìn)行覓食，搜索范圍較加入者要更大，在種群中所占比例也更大，一般取種群數(shù)量的60%～70%。所有麻雀個(gè)體是否能夠優(yōu)先找到食物，取決于每個(gè)個(gè)體對(duì)應(yīng)的適應(yīng)度函數(shù)值的好壞。同時(shí)，發(fā)現(xiàn)者大多處于種群外圍，需要負(fù)責(zé)對(duì)周圍環(huán)境進(jìn)行預(yù)警，即發(fā)現(xiàn)威脅者時(shí)，發(fā)現(xiàn)者需要帶領(lǐng)加入者去往安全位置繼續(xù)進(jìn)行搜索。

設(shè)定預(yù)警值R（R∈[0，1]），安全值S（S∈[0.5，1]），當(dāng)預(yù)警值大于安全值，即R>S 時(shí)，表示有發(fā)現(xiàn)者發(fā)現(xiàn)威脅者存在，此時(shí)需要向種群發(fā)出預(yù)警，種群作出反捕食策略，所有麻雀轉(zhuǎn)移至安全位置繼續(xù)搜索。當(dāng)預(yù)警值小于等于安全值，即R≤S 時(shí)，表示所有麻雀周圍都是安全的，可以繼續(xù)搜索覓食。

1.1.2 加入者搜索

種群中剩下的所有麻雀都作為加入者。如果加入者所儲(chǔ)備的能量較少，即適應(yīng)度值較低，使得其當(dāng)前位置覓食位置很差，表示當(dāng)前的搜索方向不合適，需要更換方向去往其它位置。同時(shí)，由于加入者跟隨發(fā)現(xiàn)者進(jìn)行搜索，當(dāng)發(fā)現(xiàn)者發(fā)現(xiàn)食物時(shí)，加入者可以獲得其中一部分食物或者在位置周圍覓食。

1.1.3 偵查行為模式

處于種群邊緣位置的麻雀有一部分需要負(fù)責(zé)偵察預(yù)警，它們一般占種群數(shù)量的10%～20%。面對(duì)威脅者的到來預(yù)警者可以及時(shí)預(yù)見到危險(xiǎn)并向種群發(fā)出警報(bào)，此時(shí)不論是發(fā)現(xiàn)者還是加入者都需要調(diào)整搜索位置遠(yuǎn)離危險(xiǎn)，進(jìn)入安全區(qū)域搜索。同時(shí)，處于種群中心位置的麻雀會(huì)隨機(jī)移動(dòng)，當(dāng)警報(bào)發(fā)出時(shí)，它們會(huì)向其他麻雀位置靠近以減少被捕食的可能。

1.2 自適應(yīng)t 分布

t 分布被稱為學(xué)生分布[21，23]。其概率密度函數(shù)如下：

式中：n 為參數(shù)自由度。

在進(jìn)化規(guī)劃里柯西變異和高斯變異是最為常用的變異算子，而柯西分布和正態(tài)分布是t 分布兩種邊界位置的特殊分布。標(biāo)準(zhǔn)正態(tài)分布密度N（0，1）的期望為0，方差為1。標(biāo)準(zhǔn)柯西分布概率密度C（0，1）的期望不存在，方差是無限大。根據(jù)t 分布的概率函數(shù)，當(dāng)n→∞時(shí)t（n）→N（0，1），即當(dāng)n→∞時(shí)，t 分布為標(biāo)準(zhǔn)正態(tài)分布；當(dāng)n=1 時(shí)t（n）→C（0，1），即當(dāng)n=1 時(shí)，t 分布為標(biāo)準(zhǔn)柯西分布。所以t 分布的優(yōu)勢就在于可構(gòu)造t 算子φ，通過t 算子銜接高斯算子和柯西算子。發(fā)揮出兩類算子的優(yōu)勢。

基于自適應(yīng)t 分布變異的麻雀搜索算法將麻雀算法的迭代次數(shù)k 作為t 分布的自由度參數(shù)，在迭代前期k 較小時(shí)，t 分布類似柯西變異，具有較強(qiáng)的全局搜索能力；迭代后期k 較大時(shí)，類似高斯變異，具有較強(qiáng)的局部搜索能力。這樣使t分布由于迭代次數(shù)的變化具有自適應(yīng)能力。

與粒子群優(yōu)化算法向最優(yōu)解移動(dòng)的優(yōu)化機(jī)制不同，麻雀搜索算法是通過麻雀位置的跳躍來逼近最優(yōu)位置附近。這種機(jī)制導(dǎo)致算法容易陷入局部最優(yōu)，而基于自適應(yīng)t 分布的變異改進(jìn)可使麻雀跳出局部最優(yōu)位置，提高算法全局搜索能力。

2 基于tSSA 優(yōu)化的SVM 算法

2.1 SVM

SVM 常用于二分類，與感知機(jī)不同，它的基本模型是定義在特征空間上的間隔最大的線性分類器。SVM 的基本思想是尋找一個(gè)最優(yōu)超平面，使得不同數(shù)據(jù)最近分界面與超平面的距離最大，并且能夠正確劃分訓(xùn)練數(shù)據(jù)集[24]。

SVM 通過核函數(shù)將輸入空間映射為高維特征空間，然后在特征空間中尋找最優(yōu)超平面。核函數(shù)的選擇對(duì)于SVM 的分類性能有著重要影響，常用的核函數(shù)有多項(xiàng)式核函數(shù)、RBF（高斯徑向基）核函數(shù)，以及Sigmoid 核函數(shù)三種。由于RBF核函數(shù)可以直觀地反映兩個(gè)數(shù)據(jù)向量間的距離，所以應(yīng)用該核函數(shù)。對(duì)SVM 分類器效果影響最大的是核參數(shù)σ 和懲罰參數(shù)C。一般參數(shù)是通過經(jīng)驗(yàn)和大量實(shí)驗(yàn)人為地確定各個(gè)參數(shù)的值。

核參數(shù)σ 影響分類模型支持向量的個(gè)數(shù)和映射空間中樣本特征的分散程度。σ 的值越大，映射空間的樣本特征越分散，支持向量越少，算法的運(yùn)行速度和準(zhǔn)確性越小。

懲罰參數(shù)C 代表回歸模型對(duì)離群點(diǎn)的重視程度。懲罰參數(shù)越大，對(duì)離群點(diǎn)的重視程度就越高，分類的容錯(cuò)率變低；懲罰參數(shù)越小，對(duì)離群點(diǎn)的重視程度越低，分類的容錯(cuò)率越高。同時(shí)參數(shù)過大或者過小都會(huì)引起算法的過擬合或欠擬合。

選定合適的核參數(shù)σ 和懲罰參數(shù)C 才能更好地發(fā)揮分類器的性能，常用的參數(shù)試湊法選擇度較低，通常采用優(yōu)化算法對(duì)其進(jìn)行改進(jìn)。

2.2 tSSA-SVM 算法

本文采用基于改進(jìn)的tSSA 算法對(duì)SVM 參數(shù)進(jìn)行優(yōu)化，在SVM 參數(shù)初始化的基礎(chǔ)上加入改進(jìn)的優(yōu)化算法。

基于自適應(yīng)t 分布變異的麻雀優(yōu)化算法tSSA的思想是，為了避免迭代后的麻雀陷入局部最優(yōu)位置而無法到達(dá)全局最優(yōu)位置附近，利用自適應(yīng)t 分布變異對(duì)全體麻雀位置進(jìn)行變異操作，將麻雀帶出局部最優(yōu)位置，從而繼續(xù)進(jìn)行全局搜索，增加了麻雀位置狀態(tài)的多樣性的同時(shí)，也提高了搜索速度。

對(duì)一個(gè)優(yōu)化問題，若存在m 個(gè)變量，則搜索空間為m 維。此時(shí)假設(shè)存在n 只麻雀，則在搜索空間中第i 只麻雀的位置為[xi1，xi2，…，xim]，其中i=1，2，…，n，這樣所有麻雀的位置可用矩陣X表示。設(shè)定適應(yīng)度值為SVM 對(duì)數(shù)據(jù)集的分類錯(cuò)誤率。

優(yōu)化算法的實(shí)現(xiàn)設(shè)計(jì)步驟如下：

Step1 初始化。設(shè)定種群數(shù)量N，最大迭代次數(shù)iter，發(fā)現(xiàn)者所占比例PD，預(yù)警麻雀所占比例SD，安全值ST，參數(shù)（C，σ）的上邊界ub 和下邊界lb。然后隨機(jī)初始化麻雀種群。

Step2 計(jì)算當(dāng)前所有麻雀的適應(yīng)度值，在適應(yīng)度值較優(yōu)的麻雀中按比例PD 選取一部分作為發(fā)現(xiàn)者，其余麻雀作為加入者。

確定當(dāng)前最優(yōu)適應(yīng)度值fb和其對(duì)應(yīng)麻雀個(gè)體的位置xbest；同時(shí)確定最差適應(yīng)度值fw和其對(duì)應(yīng)麻雀個(gè)體的位置xworst。

Step3 按照公式更新發(fā)現(xiàn)者和加入者位置。麻雀發(fā)現(xiàn)者的位置更新公式如式（2）所示：

式中：k 為當(dāng)前迭代次數(shù)；α 表示（0，1]之間的隨機(jī)數(shù)；T 為最大迭代次數(shù)；R 為預(yù)警值；S 為安全值；Q 為服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)；L 為所有元素都為1 的1×m 的矩陣。

加入者的位置更新公式如式（3）所示：

Step4 計(jì)算所有麻雀位置的適應(yīng)度值，確定最優(yōu)適應(yīng)度值fb和其對(duì)應(yīng)麻雀個(gè)體的位置xbest，同時(shí)確定最差適應(yīng)度值fw和其對(duì)應(yīng)麻雀個(gè)體的位置xworst。

Step5 根據(jù)預(yù)警麻雀所占比例SD 在所有麻雀中隨機(jī)挑選一部分作為預(yù)警麻雀。利用式（4）更新預(yù)警者位置。

預(yù)警麻雀個(gè)體位置更新公式如式（4）所示：

式中：β 為控制移動(dòng)步長，是服從均值為0，方差為1 的正態(tài)分布的隨機(jī)數(shù)；γ 為控制移動(dòng)步長的參數(shù)，同時(shí)還表示移動(dòng)方向，是[-1，1]范圍內(nèi)的隨機(jī)數(shù)。fi為第i 只麻雀的適應(yīng)度值；fb為當(dāng)前種群中最好的適應(yīng)度值；fw為當(dāng)前種群中最差的適應(yīng)度值。ε 是一個(gè)為了避免分母為0 而加入的一個(gè)無窮小數(shù)。

當(dāng)fi≠fb，即某只麻雀的適應(yīng)度值不是最優(yōu)適應(yīng)度值時(shí)，此時(shí)麻雀位置處于種群外圍，易受威脅者和捕食者的攻擊，需要向最優(yōu)位置也是最安全的位置移動(dòng)。當(dāng)fi=fb時(shí)，該麻雀的位置處于中心位置，當(dāng)發(fā)現(xiàn)危險(xiǎn)時(shí)，該麻雀向其他麻雀靠近以避免被捕食者攻擊。

Step6 再次更新所有麻雀適應(yīng)度值，確定最優(yōu)適應(yīng)度值和最優(yōu)位置。

Step7 利用自適應(yīng)t 分布對(duì)所有麻雀位置進(jìn)行變異，避免陷入局部最優(yōu)?；诼槿杆惴ǖ牡螖?shù)k，用t 分布變異更新麻雀位置。t 分布變異更新公式如式（5）所示：

式中：xi和分別為t 分布變異前后第i 只麻雀的位置；k 為迭代次數(shù)；φ（k）為以迭代次數(shù)k 為參數(shù)自由度的t 算子。

計(jì)算所有麻雀變異后的適應(yīng)度值，并與變異之前的最優(yōu)適應(yīng)度值進(jìn)行比較，取變異前后更優(yōu)的適應(yīng)度值對(duì)應(yīng)的麻雀位置。

Step8 終止條件判斷。判斷是否滿足終止條件，即是否達(dá)到最大迭代次數(shù)。如果滿足終止條件，則轉(zhuǎn)向Step 9；否則轉(zhuǎn)向Step 3。

Step9 優(yōu)化算法終止。輸出SVM 分類器最優(yōu)參數(shù)。

Step10 將最優(yōu)參數(shù)輸入到SVM 分類器，得到最優(yōu)SVM 分類模型，輸出分類診斷結(jié)果。

基于改進(jìn)麻雀算法tSSA 優(yōu)化SVM 的算法流程如圖1 所示。

圖1 tSSA 優(yōu)化SVM 算法流程

3 基于tSSA-SVM 的雷擊故障分類診斷模型

根據(jù)輸電線路故障特征樣本數(shù)據(jù)對(duì)線路是否發(fā)生雷擊故障進(jìn)行分類診斷，建立分類診斷模型。其流程如圖2 所示。

圖2 基于tSSA-SVM 線路雷擊故障分類流程

分類診斷流程如下：

流程1，模型的輸入與輸出。通過發(fā)生雷擊故障的線路和桿塔數(shù)據(jù)以及雷電流數(shù)據(jù)，分析雷擊線路后影響線路故障狀態(tài)的重要特征因素，利用樣本構(gòu)建輸電線路雷擊故障特征矩陣，以是否發(fā)生雷擊故障作為輸出。

流程2，樣本數(shù)據(jù)預(yù)處理。對(duì)樣本數(shù)據(jù)采用歸一化預(yù)處理，歸一化映射公式如式（6）所示：

式中：x 為原樣本數(shù)據(jù)；x′為歸一化處理后的數(shù)據(jù)。

流程3，參數(shù)初始化。初始化tSSA 算法的種群參數(shù)和SVM 的懲罰參數(shù)C 和核參數(shù)σ。

流程4，參數(shù)優(yōu)化。利用tSSA 算法優(yōu)化SVM初始參數(shù)。將分類錯(cuò)誤率函數(shù)作為優(yōu)化的適應(yīng)度函數(shù)，最終經(jīng)過n 次迭代得到最優(yōu)參數(shù)核參數(shù)σ和懲罰參數(shù)C。

流程5，對(duì)模型進(jìn)行訓(xùn)練。樣本的標(biāo)簽為是否發(fā)生雷擊故障，通過訓(xùn)練集對(duì)基于tSSA 優(yōu)化后SVM 模型進(jìn)行訓(xùn)練，再用測試集驗(yàn)證模型準(zhǔn)確率，通過模型預(yù)測的分類結(jié)果與實(shí)際類別來判斷模型的適應(yīng)性與有效性。

4 算例分析

4.1 數(shù)據(jù)來源

數(shù)據(jù)來自某省近5 年的雷擊導(dǎo)致輸電線路故障的桿塔和線路的數(shù)據(jù)，以及雷電定位系統(tǒng)。共獲得樣本數(shù)據(jù)為1 062 個(gè)，構(gòu)成原始樣本數(shù)據(jù)集。分類類別為發(fā)生故障和未發(fā)生故障兩類。

對(duì)輸電線路故障相關(guān)特征進(jìn)行特征選擇，最終選取14 個(gè)對(duì)線路故障的發(fā)生具有較大影響的輸電線路內(nèi)部和外部特征因素，其中包含線路參數(shù)、雷電參數(shù)、地形參數(shù)等，關(guān)鍵特征因素如下：海拔高度、雷電流大小、雷電與線路距離、地面傾斜角、導(dǎo)線保護(hù)角、桿塔高度、橫擔(dān)高度、避雷線平均高度、導(dǎo)線平均高度、接地電阻、接地形式、桿塔電感、沖擊接地電阻、幾何耦合系數(shù)。

在1 062 個(gè)樣本數(shù)據(jù)中選取800 個(gè)樣本作為訓(xùn)練集數(shù)據(jù)，剩余262 個(gè)樣本構(gòu)成測試集數(shù)據(jù)。線路故障的樣本統(tǒng)計(jì)情況如表1 所示。

表1 線路故障的訓(xùn)練集與測試集樣本統(tǒng)計(jì)

4.2 參數(shù)設(shè)定

tSSA 優(yōu)化算法參數(shù)的初始值設(shè)定，種群數(shù)量為20，迭代次數(shù)為50，發(fā)現(xiàn)者比例為70%，預(yù)警麻雀所占比例20%，預(yù)警值為0.6，SVM 參數(shù)（C，σ）的下邊界為[0.1，0.1]，上邊界為[100，100]，并且優(yōu)化算法以SVM 的分類錯(cuò)誤率為尋優(yōu)的適應(yīng)度值。

4.3 模型分類結(jié)果

在Intel（R）Core（TM）i7-5500U CPU@ 2.40 GHz，內(nèi)存為8.00G 的計(jì)算機(jī)上，使用MATLAB分析軟件，對(duì)所提基于tSSA-SVM 的輸電線路故障診斷模型進(jìn)行了測試分析?；趖SSA 優(yōu)化后的SVM 模型的懲罰參數(shù)C 為6.761 9，核參數(shù)σ 為10.543 8?；趖SSA 優(yōu)化的SVM 輸電線路故障診斷模型測試結(jié)果如圖3 所示。

圖3 tSSA-SVM 算法對(duì)測試集分類結(jié)果

在262 組測試樣本中，有254 組分類正確，僅有8 組分類錯(cuò)誤。模型的分類準(zhǔn)確率為96.946 6%，模型測試結(jié)果統(tǒng)計(jì)分析如表2 所示。

表2 測試結(jié)果統(tǒng)計(jì)分析

4.4 結(jié)果比較與分析

原始SVM 算法經(jīng)過多次試湊，取懲罰參數(shù)C 為12，核參數(shù)σ 為22，此時(shí)分類準(zhǔn)確率為94.656 5%?；趖SSA-SVM 的輸電線路故障診斷模型的分類準(zhǔn)確率相較于原始SVM 算法提高了2%。參數(shù)的選擇對(duì)于SVM 的分類結(jié)果影響巨大，試湊法難以有效得到合理的模型運(yùn)行參數(shù)。SVM算法對(duì)測試集的分類結(jié)果如圖4 所示。

圖4 SVM 算法對(duì)測試集分類結(jié)果

為了比較tSSA-SVM 算法的故障分類診斷性能，再加入PSO-SVM 算法模型對(duì)雷擊故障數(shù)據(jù)進(jìn)行診斷分類，兩種算法優(yōu)化SVM 后的分類效果及適應(yīng)度曲線如圖5 所示。

圖5 tSSA-SVM 和PSO-SVM 分類算法的適應(yīng)度曲線

由圖5 中可以看出兩種優(yōu)化算法優(yōu)化后的SVM 分類器最終分類結(jié)果相同，分類準(zhǔn)確率都為96.946 6%。但是tSSA-SVM 只需迭代2 次可達(dá)到最優(yōu)，PSO-SVM 算法迭代3 次才達(dá)到最優(yōu)，收斂速度較慢。并且通過對(duì)tSSA-SVM 算法和PSOSVM 算法各自進(jìn)行10 次運(yùn)算并取平均運(yùn)行時(shí)間，得到tSSA-SVM 運(yùn)行時(shí)間為168.951 861 s，PSO-SVM 運(yùn)行時(shí)間為443.869 640 s，可見tSSASVM 的運(yùn)算效率比PSO-SVM 提高了161.455%，分類速度更快，如表3 所示。

表3 兩種算法的測試集分類平均運(yùn)算時(shí)間與準(zhǔn)確率

由結(jié)果可知，基于經(jīng)典SVM 的線路故障分類方法測試集的準(zhǔn)確率最低，這是因?yàn)槠鋮?shù)的選擇無法固定，只能通過經(jīng)驗(yàn)或者試湊法選擇合適參數(shù)才能獲得較高的診斷準(zhǔn)確率。而PSO-SVM算法準(zhǔn)確率同tSSA-SVM 相同，但是運(yùn)行時(shí)間更長，收斂速度更慢，算法效率較低，如果面對(duì)更加龐大的數(shù)據(jù)集將耗時(shí)更大。本文提出的算法tSSA-SVM 分類準(zhǔn)確率最高，時(shí)間效益最好，相比另外兩種分類模型具有明顯優(yōu)勢。

5 結(jié)論

本文提出了一種通過基于自適應(yīng)t 分布的改進(jìn)麻雀搜索優(yōu)化算法，并通過其優(yōu)化支持向量機(jī)模型的參數(shù)，構(gòu)建一種基于tSSA-SVM 算法的輸電線路故障分類診斷的方法模型。傳統(tǒng)SVM 模型需要選擇合適的參數(shù)，參數(shù)的不同嚴(yán)重影響分類效果。通過改進(jìn)的麻雀搜索算法優(yōu)化SVM 模型核心參數(shù)，即核參數(shù)σ 和懲罰參數(shù)C，可以使SVM 分類器分類效果達(dá)到最優(yōu)。同時(shí)，為了解決麻雀搜索算法易陷入局部收斂，無法趨于全局最優(yōu)的缺點(diǎn)，加入了自適應(yīng)t 分布來調(diào)整麻雀的位置。這種混合變異方法既保證了算法進(jìn)化初期全局探索能力較強(qiáng)，又提升了算法的效率和精度。

對(duì)于輸電線路雷擊故障診斷，基于tSSASVM 算法建立了輸電線路雷擊故障分類診斷模型，研究得到影響線路故障14 個(gè)內(nèi)外部關(guān)鍵特征，再通過電網(wǎng)運(yùn)行數(shù)據(jù)獲取樣本數(shù)據(jù)，來驗(yàn)證所提模型的診斷性能。與SVM 和PSO-SVM 算法模型相比，所提出的tSSA-SVM 算法具有更高的故障診斷準(zhǔn)確率和診斷效率。與PSO-SVM 優(yōu)化算法相比，所提t(yī)SSA-SVM 算法運(yùn)行分析時(shí)間短，收斂速度快，占用計(jì)算資源更少。

麻雀搜索算法和其他新型優(yōu)化算法相比有一定優(yōu)勢，有很大改進(jìn)空間，未來在大數(shù)據(jù)領(lǐng)域或有更多應(yīng)用。同時(shí)輸電線路故障診斷模型的新方法仍值得繼續(xù)研究。