基于MSSA-SVM的电缆隧道故障预警系统设计

doi:10.3785/j.issn.1006-754X.2023.00.002

基于MSSA-SVM的电缆隧道故障预警系统设计

纪超^,^,¹, 王亮¹, 王孝敬², 李小兵², 曹雯¹

1.西安工程大学电子信息学院，陕西西安 710600

2.西安金源电气股份有限公司，陕西西安 710075

Design of cable tunnel fault warning system based on MSSA-SVM

JI Chao^,^,¹, WANG Liang¹, WANG Xiao-jing², LI Xiao-bing², CAO Wen¹

1.School of Electronic Information, Xi'an Polytechnic University, Xi'an 710600, China

2.Xi'an Jinpower Electrical Co. , Ltd. , Xi'an 710075, China

收稿日期: 2022-03-21 修回日期: 2022-06-17

基金资助:

国家自然科学基金资助项目.  51707141
西安市科技计划项目.  22GXFW0041
金属挤压与锻造装备技术国家重点实验室开放课题.  S2208100.W03

Received: 2022-03-21 Revised: 2022-06-17

作者简介 About authors

纪超（1987—），男，陕西西安人，讲师，博士，从事输电线路监测及机器视觉等研究，E-mail:1145858208@qq.com,http://orcid.org/0000-0002-7244-0836 , E-mail：1145858208@qq.com

摘要

为了实现电缆隧道环境的在线监测和故障报警，提高电缆隧道监测系统的智能化水平，提出了一种基于多特征麻雀搜索算法（multi-feature modified sparrow search algorithm, MSSA）优化支持向量机（support vector machines, SVM）的故障预警系统。首先，对故障数据集进行归一化预处理；其次，建立多分类SVM模型，用MSSA对SVM进行参数寻优，从而建立MSSA-SVM模型，并将训练好的MSSA-SVM模型嵌入故障预警系统的数据库服务器中，对实时采集的数据进行在线监测、诊断，并及时报警；最后，通过实验验证了MSSA-SVM模型的有效性，并将其与麻雀搜索算法（sparrow search algorithm, SSA）、灰狼优化算法（grey wolf optimization, GWO）和粒子群算法（particle swarm optimization, PSO）进行对照实验，实验结果表明，MSSA-SVM模型的故障识别准确率最高，其识别准确率可达95%。研究结果为有效提高电缆隧道在线监测的智能性和准确性提供了参考。

关键词： 电缆隧道 ; 监测系统 ; 支持向量机 ; 故障诊断 ; 多特征麻雀搜索算法

Abstract

In order to realize online monitoring and fault alarm of cable tunnel environment and improve the intelligent level of cable tunnel monitoring system, a fault warning system based on multi-feature sparrow search algorithm (MSSA) optimized support vector machines (SVM) was proposed. Firstly, the fault data set was preprocessed normalized; secondly, a multi-class SVM model was established, and MSSA was used to optimize the parameters of the SVM, so as to establish the MSSA-SVM model. The trained MSSA-SVM model was embedded in the database server of the fault warning system, and the real-time collected data was monitored and diagnosed online, and the alarm was given in time; finally, the effectiveness of MSSA-SVM model was verified by experiments, and it was compared with sparrow search algorithm (SSA), grey wolf optimization (GWO) and particle swarm optimization (PSO). The experimental results showed that MSSA-SVM model has the highest fault recognition accuracy, and its recognition accuracy could reach 95%. The research result provides a reference for effectively improving the intelligence and accuracy of online monitoring of cable tunnels.

Keywords： cable tunnel ; monitoring system ; support vector machine ; fault diagnosis ; multi-feature sparrow search algorithm

PDF (4128KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

纪超, 王亮, 王孝敬, 李小兵, 曹雯. 基于MSSA-SVM的电缆隧道故障预警系统设计. 工程设计学报[J], 2023, 30(1): 109-116 doi:10.3785/j.issn.1006-754X.2023.00.002

JI Chao, WANG Liang, WANG Xiao-jing, LI Xiao-bing, CAO Wen. Design of cable tunnel fault warning system based on MSSA-SVM. Chinese Journal of Engineering Design[J], 2023, 30(1): 109-116 doi:10.3785/j.issn.1006-754X.2023.00.002

近年来，新一代智能电网得到大量建设，我国越来越多的城市采用隧道电缆代替架空线路来实现电力能源的传输。电能稳定安全传输是智能电网运行的关键环节，因此须采用电缆隧道智能监测技术，以及时发现电缆隧道的故障和隐患、保证智能电网的稳定运行及保障维护人员的生命安全。

随着电缆隧道的不断建成，针对电缆隧道安全运行的综合监测和故障诊断技术被广泛应用^[1-2]。目前，国内的电缆隧道在线监测尚存在智能化水平低、缺乏综合的安全评估系统和监测手段单一等缺陷。李俊廷^[3]提出了针对电缆本体和隧道环境的全方位监测技术，但缺乏联动设备来对故障进行及时处理；He等^[4-5]在电力系统运行状态的评估中只机械地根据所设定监测参量的阈值进行故障诊断，导致故障诊断的准确率较低；赵群辉等^[6]对隧道环境进行了全面监测，并将监测到的数据进行采集、传输和展示，但各类监测设备之间无法协同，各类数据间相互孤立，无法通过数据的综合分析去判断故障；赖磊洲等^[7-8]详细介绍了电缆隧道各监控子系统的技术方案，并引入了BP（back propagation，反向传播）神经网络智能算法，但是在小样本的情况下依然不能保证故障诊断的准确率；肖桂雨等^[9]利用遗传算法对BP模型寻优难、易陷入局部极小值的缺陷进行了改进，使故障预测精度有所提高。在小样本、非线性的故障诊断和预测方面，SVM（support vector machine，支持向量机）具有不俗的表现。李捷辉等^[10]通过优化SVM模型，寻找其最优的惩罚系数 $c$ 和核参数 $g$ ，实现了对发动机故障的预诊断；针对SVM易陷入局部最优、参数寻优难的问题，单亚峰等^[11-12]采用麻雀搜索算法（sparrow search algorithm，SSA）在指定的范围内寻找最优参数，来提高模型的诊断准确率；胡璇等^[13-15]则分别采用灰狼优化算法（grey wolf optimizer，GWO）和粒子群优化算法（particle swarm optimization，PSO）对SVM模型进行参数优化。

随着人工智能技术的不断发展，SVM和神经网络被广泛应用于故障诊断、事故预测等场景。通过建立学习模型并进行故障训练来获得先验知识，使不同类别的数据相互融合、协作，实现故障的智能诊断，提高诊断的准确率。为了提高电缆隧道的安全性，作者在电缆隧道在线监测系统后台监控中心的数据库服务器中嵌入智能故障识别和预警算法。该算法更适用于故障数据样本少的情况，更有利于对电缆隧道的安全性进行综合评估^[16]。

1 电缆隧道在线监测系统设计方案

电缆隧道在线监测系统的架构如图1所示，包括采集层、站控层和监控中心。采集层的主要功能是采集并发送电缆隧道现场数据；站控层是数据的中转站，利用电力专用网络将环境监测数据上传至监控中心的数据库服务器中；监控中心则完成在线环境监控信息的存储、分类、显示以及对环境故障的诊断和预测等。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 电缆隧道在线监测系统的架构

Fig.1 Framework of online monitoring system for cable tunnel

本文重点研究电缆隧道故障预警系统。用多特征麻雀搜索算法（multi-feature SSA, MSSA）优化SVM，然后在监控中心的数据库服务器中内嵌MSSA-SVM模型，以实现电缆隧道故障预警。监控中心采用功能模块化设计，如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 监控中心的功能模块化设计

Fig.2 Functional modular design of monitoring center

故障预警系统将MSSA-SVM模型作为主要评估方法，同时可以与人工评估相结合，进行电缆隧道运行状态的分析和评估，评估结果决定着是否进行报警和事故处理。故障预警流程如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 故障预警流程

Fig.3 Fault warning process

2 MSSA-SVM模型

2.1　SVM

SVM在故障识别和预测方面表现较好，尤其是对于小样本、非线性和高维空间^[17-18]。对于多分类和线性不可分问题，采用样本映射的方法来进行线性变换。非线性变换的优化形式如式(1)所示：

\{\begin{array}{l} m i n φ (w, ξ) = \frac{1}{2} {‖w‖}^{2} + c \sum_{i = 1}^{l} ξ_{i} \\ s . t . y_{i} (w \cdot x_{i} + b) \geq 1 - ξ_{i}, ξ_{i} \geq 0, i = 1, 2, \dots, l \end{array}

(1)

式中： $w$ 为法向量； $ξ_{i}$ 为松弛变量； $c$ 为对错误样本的惩罚力度系数； $b$ 为偏置量； $x_{i}$ 为输入样本i的数值； $y_{i}$ 为预期输出的故障类型。

引入拉格朗日乘子 $a_{i}$ 以解决凸二次规划问题，并利用对偶原则将式(1)转化为式(2)：

\{\begin{array}{l} m a x L (a) = \sum_{i = 1}^{l} a_{i} - \frac{1}{2} \sum_{i, j = 1}^{l} a_{i} a_{j} y_{i} y_{j} k (x_{i}, x_{j}) \\ s . t . \sum_{i = 1}^{l} a_{i} y_{i} = 0, a_{i} \geq 0 \end{array}

(2)

在非线性的情况下，引入核函数映射：

k (x_{i}, x_{j}) = [φ (x_{i}) φ (x_{j})]

(3)

式中： $φ (\cdot)$ 为映射函数。

综上，决策函数为：

f (x) = s g n [\sum_{i = 1}^{l} a_{i} y_{i} k (x_{i}, x_{j}) + b]

(4)

选取的核函数 $k (x_{i}, x_{j})$ 为径向基函数，其形式为：

k (x_{i}, x_{j}) = e x p (- g {‖x_{i} - x_{j}‖}^{2})

(5)

惩罚系数 $c$ 和核参数 $g$ 对SVM识别的准确性有重要影响。根据经验去寻找最优参数会浪费大量时间^[19-20]，因此本文用MSSA去优化SVM。

2.2　SVM参数优化算法

2.2.1　SSA

SSA是一种新型智能优化算法。其主要通过模仿麻雀觅食和躲避捕食者的行为^[21]，进行局部和全局搜索。模型中设有发现者、加入者和警戒者：作为发现者的麻雀适应度较高，具有更广的搜索范围，在搜索过程中为加入者提供觅食位置信息；加入者跟随发现者寻食；警戒者负责监视和预警，若发现危险，则发出报警信息，并且改变自己的位置。

在迭代过程中，发现者位置更新如下：

X_{e, f}^{t + 1} = \{\begin{array}{l} X_{e, f}^{t} \cdot e x p (\frac{- e}{α \cdot N}), R_{2} < S \\ X_{e, f}^{t} + Q, R_{2} \geq S \end{array}

(6)

式中：t为当前迭代次数； $X_{e, f}^{t}$ 表示第 $e$ 只麻雀在第 $f$ 维中迭代次数为 $t$ 时的位置信息； $α$ 为[0, 1]范围内的随机数； $N$ 为最大迭代次数；Q为服从正态分布的随机数；R₂和S分别为预警值和安全值， $R_{2} \in [0, 1]$ ， $S \in [0.5, 1]$ 。

当 $R_{2} < S$ ，即预警值小于安全值时，表示当前区域安全，没有捕食者，发现者可以进一步扩大食物搜索范围；当 $R_{2} > S$ ，即预警值大于安全值时，表示警戒者发现危险，立即发出报警信号，则所有麻雀改变自己的位置，飞到安全位置。

加入者在寻找食物时会跟随发现者，如果发现者找到更优的资源，加入者则立即前往。加入者位置更新如下：

X_{e, f}^{t + 1} = \{\begin{array}{l} Q \cdot e x p (\frac{X_{w o r s t}^{t} - X_{e, f}^{t}}{e^{2}}), e > n / 2 \\ X_{p}^{t + 1} + |X_{e, f}^{t} - X_{p}^{t + 1}| \cdot A^{+} \cdot L, 其他 \end{array}

(7)

式中： $X_{w o r s t}^{t}$ 表示当前全域最差位置； $X_{p}^{t + 1}$ 表示发现者当前的最优位置； $A$ 为由1或-1构成的一个1×d矩阵，并且 $A^{+} = A^{T} {(A A^{T})}^{- 1}$ ； $L$ 为单位行向量；n为种群数量。

当 $e > n / 2$ 时，表明第 $e$ 个加入者无法获得食物，须飞往其他区域觅食。

作为警戒者的麻雀一般占比为 $10 % ~ 20 %$ ，其位置更新如下；

X_{e, f}^{t + 1} = \{\begin{array}{l} X_{b e s t}^{t} + β \cdot |X_{e, f}^{t} - X_{b e s t}^{t}|, f_{e} \neq f_{b e s t} \\ X_{e, f}^{t} + K \cdot (\frac{|X_{e, f}^{t} - X_{w o r s t}^{t}|}{f_{e} - f_{w o r s t} + ε}), f_{e} = f_{b e s t} \end{array}

(8)

式中： $X_{b e s t}^{t}$ 表示当前全域最优位置；β为步长控制参数，是服从均值为0、方差为1的正态分布的随机数；K为[-1, 1]范围内的随机数； $f_{e}$ 为当前个体麻雀的适应度； $f_{b e s t}$ 为当前全局最优适应度； $f_{w o r s t}$ 为当前全局最差适应度；ε为接近于0的常数，用来避免出现分母为零的情况。

2.2.2　MSSA

针对初始种群质量较差、种群多样性较低的问题，采用反向种群来解决。首先随机生成初始种群，其次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。个体的适应度通过适应度函数计算，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 $X_{e}$ ， $e = 1, 2, 3 \dots, n$ ，则反向种群 $X_{e}^{'}$ 可描述为：

X_{e}^{'} = k_{1} b_{l} + k_{2} b_{u} - X_{e}

(9)

式中： $k_{1}$ 、 $k_{2}$ 均为[0, 1]范围内的随机数； b_l、 b_u分别为搜索区域的上限和下限。

由式(6)至式(8)可知，SSA的位置更新方式分为2种：向当前最优位置靠近和向原点靠近。当最优解接近原点时，SSA算法的性能优于其他算法；当最优解远离原点时，SSA算法的性能变差。而每只麻雀收敛到当前最优解的方式是直接跳到最优解附近，而不是移动到最优解，这导致麻雀容易陷入局部最优，算法的全局搜索能力较弱^[22]。为了解决上述问题，本文从多个特征的角度改进发现者和警戒者的位置更新，其公式如下：

X_{e, f}^{t + 1} = \{\begin{array}{l} X_{e, f}^{t} \cdot (1 + Q), R_{2} < S \\ X_{e, f}^{t} + Q, R_{2} \geq S \end{array}

(10)

X_{e, f}^{t + 1} = \{\begin{array}{l} X_{e, f}^{t} + β \cdot (X_{e, f}^{t} - X_{b e s t}^{t}), f_{e} \neq f_{b e s t} \\ X_{e, f}^{t} + β \cdot (X_{w o r s t}^{t} - X_{b e s t}^{t}), f_{e} = f_{b e s t} \end{array}

(11)

MSSA算法通过生成反向种群，从初始种群和反向种群中选择适应度较高的个体成为最终的初始种群。其独特的初始种群生成方式使每个个体都离最优解更近一步，提高了个体的收敛速度，并且通过搜索更多的有效区域提高了群体的多样性，增强了算法的全局能力。对发现者的位置更新策略修正为：乘以一个服从均值为1、方差为1的正态分布的随机函数 $(1 + Q)$ ，以此来消除向原点收敛的操作，使得最优解远离原点时也可获得较好的效果。警戒者的位置更新修正后，麻雀若处于最优位置，则会逃离到最优位置与最差位置之间的随机位置；麻雀若未处于最优位置，则将逃离到自己与最优位置之间的随机位置，以此来减少向最优位置的跳跃，实现向最优位置移动，避免算法陷入局部最优。

基于MSSA-SVM的寻优流程如图4所示。寻优实现过程为：

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 基于MSSA-SVM的寻优流程

Fig.4 Optimization process based on MSSA-SVM

1）数据处理。将故障数据的特征量作为输入，将电缆隧道的故障类型作为输出。

2）初始化SVM模型和SSA的相关参数。

3）计算种群和反向种群的个体适应度。选择适应度较高的个体，并将其放入新的群体中。

4）根据修正后的公式(10)更新发现者位置。

5）根据公式(7)更新加入者位置。

6）根据公式(11)更新警戒者位置。

7）计算位置更新后的适应度，并更新当前最优适应度和位置。

8）判断是否满足结束条件。如果满足结束条件，则输出最佳参数c和g；如果不满足结束条件，则重复步骤3）至8），直至满足结束条件。

9）利用MSSA-SVM进行故障诊断。

3 基于MSSA-SVM的故障预警实验

为了验证所提出的MSSA-SVM模型对电缆隧道环境故障识别的准确性，进行电缆隧道故障预警实验。

3.1　实验环境

根据历史典型故障数据并结合西安电缆隧道的的实际环境得到故障数据集。电缆隧道故障预警实验的装置如图5所示，数据采集控制终端如图6所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 电缆隧道故障预警实验的装置

Fig.5 Device of cable tunnel fault warning experiment

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 数据采集控制终端

Fig.6 Data acquisition control terminal

3.2　数据预处理

从得到的260组故障数据集中随机选取200组作为训练集，60组作为测试集。故障样本的分布如表1所示。

表1 故障样本的分布

Table 1 Distribution of fault samples

故障标签	故障类型	训练样本数量/组	测试样本数量/组
1	水灾	35	10
2	火灾	35	10
3	有毒气	40	10
4	内部潮湿	45	15
5	氧气不足	45	15

新窗口打开| 下载CSV

故障特征参数为温度，湿度，水位，烟雾浓度和O₂、CO和H₂S的体积分数。由于参数变量的复杂性和不确定性，为了防止变量的值过大而增大模型计算量，对数据进行如下归一化处理：

y = \frac{x - x_{m i n}}{x_{m a x} - x_{m i n}}

（12）

式中： $x$ 为一类原始数据； $x_{m i n}$ 为这一类数据的最小值； $x_{m a x}$ 为这一类数据的最大值；通过映射得到 $y$ 的变化范围为[0, 1]。

将7种归一化处理后的特征参数作为MSSA-SVM的输入，5种故障类型所对应的标签作为输出。

3.3　故障识别

3.3.1　MSSA-SVM模型的故障识别

1）实验平台是Windows 10操作系统，Intel（R）Core（TM）i5-10500 CPU @ 3.10 GHz，64 GB RAM；在MATLAB2019a中搭建MSSA-SVM模型。MSSA的参数设置：种群数为20个，最大迭代数为100次，交叉验证折数为5，安全值为0.6，发现者占比为70%，警戒者占比为20%。采用交叉验证的最高准确率作为适应度函数。MSSA优化SVM获得最高交叉验证准确率为95%，对应的 $c$ =168， $g$ =0.830 46。将该 $c$ 、 $g$ 值代入SVM模型对样本进行训练和判断。MSSA-SVM模型的适应度曲线如图7所示，故障识别结果如图8所示。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 MSSA-SVM模型的适应度曲线

Fig.7 Fitness curve of MSSA-SVM model

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 MSSA-SVM模型的故障识别结果

Fig.8 Fault recognition results of MSSA-SVM model

从图7可知，模型起初的最优适应度小于90%，最优适应度随着迭代次数的增加而增大，经过5次迭代达到峰值，随后趋于稳定。从图8可知，MSSA-SVM的故障识别准确率达到95%，仅出现3次错判：1次将故障标签为3的错判为5，2次将故障标签为5的错判为3。

3.3.1　不同模型故障识别结果的对比

为了验证MSSA-SVM模型的有效性和优越性，将其与SSA-SVM、GWO-SVM和PSO-SVM模型进行对照实验。输入相同的训练样本进行训练和学习，然后测试相同的样本，得到SSA-SVM、GWO-SVM和PSO-SVM模型的故障识别结果，如图9所示。各模型故障识别准确率及运行时间的对比如图10所示，各类故障识别准确率的对比图11所示。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 SSA-SVM、GWO-SVM和PSO-SVM模型的故障识别结果

Fig.9 Fault recognition results of the SSA-SVM, GWO-SVM and PSO-SVM models

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 各模型故障识别准确率及运行时间对比

Fig.10 Comparison of fault recognition accuracy and running time of each model

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 各类故障识别准确率对比

Fig.11 Comparison of recognition accuracy of various kinds of faults

由图9和图10可知：MSSA-SVM、SSA-SVM、GWO-SVM和PSO-SVM模型的故障识别准确率分别为95.00%、90.00%、91.67%和88.33%；MSSA-SVM模型的故障识别准确率相较于SSA-SVM、GWO-SVM和PSO-SVM模型分别提高了5%、3.33%和6.67%；MSSA-SVM模型的运行时间为13.47 s，明显少于其余3种模型，PSO-SVM模型的运行时间最长，为15.47 s。

由图11可知：4种模型对水灾和火灾的识别准确率都达到100%；MSSA-SVM模型对内部潮湿的识别准确率远高于其余3种模型，在15组测试样本中识别率高达100%，而SSA-SVM、GWO-SVM和PSO-SVM对内部潮湿的识别率率分别为80%、86.67%和80%。

综上可知，相较于SSA-SVM、GWO-SVM和PSO-SVM模型，MSSA-SVM模型在故障识别准确率和运行效率上更具优势。

4 结论

针对电缆隧道环境监测系统仅仅根据所设定特征参量的阈值来识别电缆隧道故障而存在故障识别准确率低的问题，设计了一种基于MSSA-SVM模型的电缆隧道故障预警系统。通过系统的采集层采集实时数据，经站控层将数据传入数据库服务器，在服务器中嵌入MSSA-SVM模型实现对电缆隧道故障的综合判断。将MSSA-SVM模型与其他多种优化模型进行对比，实验证明该模型在故障识别准确率和运行效率上具有优势。

研究结果为电缆隧道环境的监测提供了一种可行的方案。而面对大量实时监测数据，MSSA-SVM模型的故障识别准确率还须提升，算法有待进一步优化。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

卢建序

电力电缆故障预警与测距定位技术研究

［D］.杭州：浙江大学，2015：11-14.

[本文引用: 1]

Jian-xu

Research on technology of power cable fault warning and localization

［D］. Hangzhou： Zhejiang University， 2015： 11-14.

[本文引用: 1]

[2]

杨静，朱晓岭，董翔，等.

基于护层电流的高压电缆故障在线监测和诊断

［J］.高电压技术，2016，42（11）：3616-3625. doi：10.13336/j.1003-6520.hve.20161031022

[本文引用: 1]

YANG

Jing

， ZHU

Xiao-ling

， DONG

Xiang

， et al.

On-line monitoring and diagnosis of HV cable faults based on sheath currents

［J］. High Voltage Engineering， 2016， 42（11）： 3616-3625.

DOI:10.13336/j.1003-6520.hve.20161031022 [本文引用: 1]

[3]

李俊廷

电缆隧道综合监控技术研究

［D］.秦皇岛：燕山大学，2016：17-22.

[本文引用: 1]

Jun-ting

The research of cable tunnel comprehensive monitoring technology

［D］. Qinhuangdao： Yanshan University， 2016： 17-22.

[本文引用: 1]

[4]

Yu-qing

， CHEN

Yue-hui

， YANG

Zhi-qiang

， et al.

A review on the influence of intelligent power consumption technologies on the utilization rate of distribution network equipment

［J］. Protection and Control of Modern Power Systems， 2018， 3（1）： 18.

[本文引用: 1]

[5]

张光欣，应黎明.

电力变压器模糊数学风险评估模型研究

［J］.陕西电力，2012，40（4）：25-29，48. doi：10.3969/j.issn.1673-7598.2012.04.006

[本文引用: 1]

ZHNAG

Guang-xin

， YING

Li-ming

Research of risk assessment model of power transformers based on fuzzy mathematics

［J］. Smart Power， 2012， 40（4）： 25-29.

DOI:10.3969/j.issn.1673-7598.2012.04.006 [本文引用: 1]

[6]

赵群辉，张发刚，胡斌，等.

电力电缆隧道综合监控系统的设计与实现

［J］.电工技术，2019（16）：61-63，156. doi：10.3969/j.issn.1002-1388.2019.16.027

[本文引用: 1]

ZHAO

Qun-hui

， ZHANG

Fa-gang

， HU

Bin

， et al.

Design and implementation of integrated monitoring system for power cable tunnels

［J］. Electric Engineering， 2019（16）： 61-63， 156.

DOI:10.3969/j.issn.1002-1388.2019.16.027 [本文引用: 1]

[7]

赖磊洲

电缆隧道环境在线监测系统的研究与设计

［D］.广州：华南理工大学，2012：10-16. doi：10.1109/ccieng.2011.6008127

[本文引用: 1]

LAI

Lei-zhou

The research and design of environmental monitoring system for cable tunnel

［D］. Guangzhou： South China University of Technology， 2012： 10-16.

DOI:10.1109/ccieng.2011.6008127 [本文引用: 1]

[8]

王雪

电缆隧道综合监测系统设计与实现

［D］.西安：西安科技大学，2020：15-23.

[本文引用: 1]

WANG

Xue

Design and implementation of cable tunnel integrated monitoring system

［D］. Xi'an： Xi'an University of Science and Technology， 2020： 15-23.

[本文引用: 1]

[9]

肖桂雨，向健平，凌永志，等.

基于小波神经网络的风力发电机故障预测方法

［J］.电力科学与技术学报，2019，34（2）：195-202. doi：10.3969/j.issn.1673-9140.2019.02.028

[本文引用: 1]

XIAO

Gui-yu

， XIANG

Jian-ping

， LING

Yong-zhi

， et al.

Prediction of wind turbine faults based on wavelet neural networks

［J］. Journal of Electric Power Science and Technology， 2019， 34（2）： 195-202.

DOI:10.3969/j.issn.1673-9140.2019.02.028 [本文引用: 1]

[10]

李捷辉，贾奎，金炜凯，等.

基于优化支持向量机的发动机故障预诊断

［J］.现代制造工程，2021（3）：127-131.

[本文引用: 1]

Jie-hui

， JIA

Kui

， JIN

Wei-kai

， et al.

Engine fault predicting diagnosis based on optimized support vector machine

［J］. Modern Manufacturing Engineering， 2021（3）： 127-131.

[本文引用: 1]

[11]

单亚峰，段金凤，付华，等.

基于SSA-AdaBoost-SVM的变压器故障诊断

［J］.控制工程，2022，29（2）：280-286.

[本文引用: 1]

SHAN

Ya-feng

， DUAN

Jin-feng

， FU

Hua

， et al.

Transformer fault diagnosis based on SSA-AdaBoost-SVM

［J］. Control Engineering of China， 2022， 29（2）： 280-286.

[本文引用: 1]

[12]

马晨佩，李明辉，巩强令，等.

基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断

［J］.科学技术与工程，2021，21（10）：4025-4029. doi：10.3969/j.issn.1671-1815.2021.10.023

[本文引用: 1]

Chen-pei

， LI

Ming-hui

， GONG

Qiang-ling

， et al.

Fault diagnosis of rolling bearing based on sparrow search algorithm optimized support vector machine

［J］. Science Technology and Engineering， 2021， 21（10）： 4025-4029.

DOI:10.3969/j.issn.1671-1815.2021.10.023 [本文引用: 1]

[13]

胡璇，李春，叶柯华.

灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

［J］.机械强度，2021，43（5）：1026-1034.

[本文引用: 1]

Xuan

， LI

Chun

， YE

Ke-hua

Application of GWO-SVM in wind turbine gearbox fault diagnosis

［J］. Journal of Mechanical Strength， 2021， 43（5）： 1026-1034.

[本文引用: 1]

[14]

刘冬梅，霍龙龙，王浩然，等.

基于PSO-SVM的电流放大器故障诊断研究

［J］.传感器与微系统，2021，40（8）：50-52，56. doi：10.13873/J.1000-9787（2021）08-0050-03 .

LIU

Dong-mei

， HUO

Long-long

， WANG

Hao-ran

， et al.

Study on fault diagnosis for current amplifier based on PSO-SVM

［J］. Transducer and Microsystem Technologies， 2021， 40（8）： 50-52， 56.

DOI:10.13873/J.1000-9787（2021）08-0050-03

[15]

海涛，范恒，王楷杰，等.

基于PSO-SVM算法的风电机组结冰故障诊断

［J］.智慧电力，2021，49（4）：1-6，74.

[本文引用: 1]

Tao

HAI

， FAN

Heng

， WANG

Kai-jie

， et al.

Icing fault diagnosis of wind turbines based on PSO-SVM algorithm

［J］. Smart Power， 2021， 49（4）： 1-6， 7.

[本文引用: 1]

[16]

KANG

S K

， MH P， KIM

Y H

， et al.

Development of anomaly-detection system for the underground cable tunnel using autoencoder

［J］. The Transactions of the Korean Institute of Electrical Engineers P， 2020， 69P（2）： 69-75.

[本文引用: 1]

[17]

丁世飞，齐丙娟，谭红艳.

支持向量机理论与算法研究综述

［J］.电子科技大学学报，2011，40（1）：2-10. doi：10.3969/j.issn.1001-0548.2011.01.001

[本文引用: 1]

DING

Shi-fei

， QI

Bing-juan

， TAN

Hong-yan

An overview on theory and algorithm of support vector machines

［J］. Journal of University of Electronic Science and Technology of China， 2011， 40（1）： 2-10.

DOI:10.3969/j.issn.1001-0548.2011.01.001 [本文引用: 1]

[18]

Guo-quan

， YANG

Lin-xi

， WU

Zhi-you

， et al.

D.C. programming for sparse proximal support vector machines

［J］. Information Sciences， 2021， 547： 187-201.

[本文引用: 1]

[19]

王晓辉，王小娟，谷峥，等.

基于优化支持向量机的实验设备故障诊断

［J］.实验技术与管理，2021，38（6）：254-257. doi：10.16791/j.cnki.sjg.2021.06.054

[本文引用: 1]

WANG

Xiao-hui

， WANG

Xiao-juan

， GU

Zheng

， et al.

Fault diagnosis of experimental equipment based on optimized support vector machine

［J］. Experimental Technology and Management， 2021， 38（6）： 254-257.

DOI:10.16791/j.cnki.sjg.2021.06.054 [本文引用: 1]

[20]

XUE

Jian-kai

， SHEN

A novel swarm intelligence optimization approach： sparrow search algorithm

［J］. Systems Science & Control Engineering， 2020， 8（1）： 22-34

[本文引用: 1]

[21]

XIAO

Ji-hong

， ZHU

Xue-hong

， HUANG

Chuang-xia

， et al.

A new approach for stock price analysis and prediction based on SSA and SVM

［J］. International Journal of Information Technology and Decision Making， 2019， 18（1）： 287-310.

[本文引用: 1]

[22]

李雅丽，王淑琴，陈倩茹，等.

若干新型群智能优化算法的对比研究

［J］.计算机工程与应用，2020，56（22）：1-12.

[本文引用: 1]

Ya-li

， WANG

Shu-qin

， CHEN

Qian-ru

， et al.

Comparative study of several new swarm intelligence optimization algorithms

［J］. Computer Engineering and Applications， 2020， 56（22）： 1-12.

[本文引用: 1]

电力电缆故障预警与测距定位技术研究

2015

... 随着电缆隧道的不断建成，针对电缆隧道安全运行的综合监测和故障诊断技术被广泛应用^[1-2].目前，国内的电缆隧道在线监测尚存在智能化水平低、缺乏综合的安全评估系统和监测手段单一等缺陷.李俊廷^[3]提出了针对电缆本体和隧道环境的全方位监测技术，但缺乏联动设备来对故障进行及时处理；He等^[4-5]在电力系统运行状态的评估中只机械地根据所设定监测参量的阈值进行故障诊断，导致故障诊断的准确率较低；赵群辉等^[6]对隧道环境进行了全面监测，并将监测到的数据进行采集、传输和展示，但各类监测设备之间无法协同，各类数据间相互孤立，无法通过数据的综合分析去判断故障；赖磊洲等^[7-8]详细介绍了电缆隧道各监控子系统的技术方案，并引入了BP（back propagation，反向传播）神经网络智能算法，但是在小样本的情况下依然不能保证故障诊断的准确率；肖桂雨等^[9]利用遗传算法对BP模型寻优难、易陷入局部极小值的缺陷进行了改进，使故障预测精度有所提高.在小样本、非线性的故障诊断和预测方面，SVM（support vector machine，支持向量机）具有不俗的表现.李捷辉等^[10]通过优化SVM模型，寻找其最优的惩罚系数

c

和核参数

g

，实现了对发动机故障的预诊断；针对SVM易陷入局部最优、参数寻优难的问题，单亚峰等^[11-12]采用麻雀搜索算法（sparrow search algorithm，SSA）在指定的范围内寻找最优参数，来提高模型的诊断准确率；胡璇等^[13-15]则分别采用灰狼优化算法（grey wolf optimizer，GWO）和粒子群优化算法（particle swarm optimization，PSO）对SVM模型进行参数优化. ...

电力电缆故障预警与测距定位技术研究

2015

c

和核参数

g

基于护层电流的高压电缆故障在线监测和诊断

2016

c

和核参数

g

基于护层电流的高压电缆故障在线监测和诊断

2016

c

和核参数

g

电缆隧道综合监控技术研究

2016

c

和核参数

g

电缆隧道综合监控技术研究

2016

c

和核参数

g

A review on the influence of intelligent power consumption technologies on the utilization rate of distribution network equipment

2018

c

和核参数

g

电力变压器模糊数学风险评估模型研究

2012

c

和核参数

g

电力变压器模糊数学风险评估模型研究

2012

c

和核参数

g

电力电缆隧道综合监控系统的设计与实现

2019

c

和核参数

g

电力电缆隧道综合监控系统的设计与实现

2019

c

和核参数

g

电缆隧道环境在线监测系统的研究与设计

2012

c

和核参数

g

电缆隧道环境在线监测系统的研究与设计

2012

c

和核参数

g

电缆隧道综合监测系统设计与实现

2020

c

和核参数

g

电缆隧道综合监测系统设计与实现

2020

c

和核参数

g

基于小波神经网络的风力发电机故障预测方法

2019

c

和核参数

g

基于小波神经网络的风力发电机故障预测方法

2019

c

和核参数

g

基于优化支持向量机的发动机故障预诊断

2021

c

和核参数

g

基于优化支持向量机的发动机故障预诊断

2021

c

和核参数

g

基于SSA-AdaBoost-SVM的变压器故障诊断

2022

c

和核参数

g

基于SSA-AdaBoost-SVM的变压器故障诊断

2022

c

和核参数

g

基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断

2021

c

和核参数

g

基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断

2021

c

和核参数

g

灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

2021

c

和核参数

g

灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

2021

c

和核参数

g

基于PSO-SVM的电流放大器故障诊断研究

2021

基于PSO-SVM的电流放大器故障诊断研究

2021

基于PSO-SVM算法的风电机组结冰故障诊断

2021

c

和核参数

g

基于PSO-SVM算法的风电机组结冰故障诊断

2021

c

和核参数

g

Development of anomaly-detection system for the underground cable tunnel using autoencoder

2020

... 随着人工智能技术的不断发展，SVM和神经网络被广泛应用于故障诊断、事故预测等场景.通过建立学习模型并进行故障训练来获得先验知识，使不同类别的数据相互融合、协作，实现故障的智能诊断，提高诊断的准确率.为了提高电缆隧道的安全性，作者在电缆隧道在线监测系统后台监控中心的数据库服务器中嵌入智能故障识别和预警算法.该算法更适用于故障数据样本少的情况，更有利于对电缆隧道的安全性进行综合评估^[16]. ...

支持向量机理论与算法研究综述

2011

... SVM在故障识别和预测方面表现较好，尤其是对于小样本、非线性和高维空间^[17-18].对于多分类和线性不可分问题，采用样本映射的方法来进行线性变换.非线性变换的优化形式如式(1)所示： ...

支持向量机理论与算法研究综述

2011

D.C. programming for sparse proximal support vector machines

2021

基于优化支持向量机的实验设备故障诊断

2021

... 惩罚系数

c

和核参数

g

对SVM识别的准确性有重要影响.根据经验去寻找最优参数会浪费大量时间^[19-20]，因此本文用MSSA去优化SVM. ...

基于优化支持向量机的实验设备故障诊断

2021

... 惩罚系数

c

和核参数

g

对SVM识别的准确性有重要影响.根据经验去寻找最优参数会浪费大量时间^[19-20]，因此本文用MSSA去优化SVM. ...

A novel swarm intelligence optimization approach： sparrow search algorithm

2020

... 惩罚系数

c

和核参数

g

对SVM识别的准确性有重要影响.根据经验去寻找最优参数会浪费大量时间^[19-20]，因此本文用MSSA去优化SVM. ...

A new approach for stock price analysis and prediction based on SSA and SVM

2019

... SSA是一种新型智能优化算法.其主要通过模仿麻雀觅食和躲避捕食者的行为^[21]，进行局部和全局搜索.模型中设有发现者、加入者和警戒者：作为发现者的麻雀适应度较高，具有更广的搜索范围，在搜索过程中为加入者提供觅食位置信息；加入者跟随发现者寻食；警戒者负责监视和预警，若发现危险，则发出报警信息，并且改变自己的位置. ...

若干新型群智能优化算法的对比研究

2020

... 由式(6)至式(8)可知，SSA的位置更新方式分为2种：向当前最优位置靠近和向原点靠近.当最优解接近原点时，SSA算法的性能优于其他算法；当最优解远离原点时，SSA算法的性能变差.而每只麻雀收敛到当前最优解的方式是直接跳到最优解附近，而不是移动到最优解，这导致麻雀容易陷入局部最优，算法的全局搜索能力较弱^[22].为了解决上述问题，本文从多个特征的角度改进发现者和警戒者的位置更新，其公式如下： ...

若干新型群智能优化算法的对比研究

2020

〈

〉