[发明专利]一种基于最小二乘支持向量机的接地网腐蚀预测方法

说明书

本发明公开了一种基于最小二乘支持向量机的接地网腐蚀预测方法，它包括：步骤1、以一定的时间间隔采集接地网接地电阻数据，通过接地电阻计算接地网腐蚀速率，得到基于采集时间序列的接地网腐蚀速率样本数据；步骤2、建立基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型；步骤3、应用预测模型对训练样本进行预测，得到训练样本的相对误差和预测值；步骤4、预测模型对训练样本的相对误差进行预测，从而得到相对误差的预测值；步骤5、对相对误差的预测值进行校正，从而得到预测速率；解决了由于最小二乘支持向量机核函数参数和惩罚参数的经验性赋值而导致的预测精度不足的问题。

技术领域

本发明属于接地网腐蚀技术，尤其涉及一种基于最小二乘支持向量机的接地网腐蚀预测方法。

背景技术

接地网属于隐蔽工程，其集工作接地、保护接地、防雷接地等功能为一体，对于电力系统的可靠运行和工作人员的人身安全起着至关重要的作用。及时准确的掌握和预测接地网的腐蚀严重程度，防止由于接地不良造成的危害，同时对计划接地网的维修和更换的最佳时期提供了帮助。对于维持系统正常运行和减少经济损失意义重大。

目前，接地网腐蚀速率预测的研究成果极少，研究人员根据接地网腐蚀速率预测物理量的不同可分为两大类：(1)根据影响接地网腐蚀速率的各种因素进行预测；(2)直接根据以往的腐蚀速率建立起系统输入与输出之间的一种线性或者非线性映射；由于影响接地网腐蚀的因素有很多，与土壤成分、气候、时间等有关，数据需要分析和简化，不能保证预测精度。为此本文直接根据接地网的原始腐蚀速率序列进行预测，但接地网长期埋在地底，受环境影响发生着缓慢的化学和电化学腐蚀，检测常为定期的抽样开挖检测，周期较长，数据样本小。为此，寻找能解决小样本且高精度的预测模型成为亟待解决的问题。

应用于接地网腐蚀速率预测的方法有神经网络、灰色模型、支持向量机(SVM)以及多种方法的组合预测模型等。每种预测模型都有各自的优点和不足，难以得到较高的精度。神经网络理论上可以实现任何复杂的非线性映射，但是学习速度很慢且失败的可能性很大；灰色模型容易操作和预测精度高，但不考虑系统内在机理，于是会出现较大的错误；支持向量机将问题最终转换成二次优化问题，使其具有良好的推广能力，保证了全局最优解；但SVM存在着运算费时，很依赖核函数的选择以及依靠经验选择核函数参数等缺点。最小二乘支持向量机(LSSVM)是SVM的一种改进，克服了传统神经网络的经验选择，对解决非线性、小样本等问题体现了极高的优越性。但是以上的预测方法均达不到预测的精度要求。

发明内容

本发明要解决的技术问题是：提供一种基于最小二乘支持向量机的接地网腐蚀预测方法，以解决现有技术由于最小二乘支持向量机核函数参数和惩罚参数的经验性赋值而导致的预测精度不足的问题。

本发明技术方案是：

一种基于最小二乘支持向量机的接地网腐蚀预测方法，它包括：

步骤1、以一定的时间间隔采集接地网接地电阻数据，通过接地电阻计算接地网腐蚀速率，得到基于采集时间序列的接地网腐蚀速率样本数据；将基于采集时间序列的接地网腐蚀速率样本数据分为两部分；训练样本和测试样本；

步骤2、建立基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型；

步骤3、应用基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型对训练样本进行预测，得到训练样本的相对误差和预测值；

步骤4、应用基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型对训练样本的相对误差进行预测，从而得到相对误差的预测值；

步骤5、对相对误差的预测值进行校正，从而得到预测速率。

步骤1所述的一定的时间间隔采集接地网接地电阻数据，通过接地电阻计算接地网腐蚀速率的方法为：按照每月测量一次接地网接地电阻数据，

通过公式