一种基于PR-KELM的输电线路覆冰厚度预测模型的建模方法技术

本发明专利技术提供一种基于PR‑KELM的输电线路覆冰厚度预测模型的建模方法，包括第一阶段：将图像数据转换成LBP图像数据，并利用PCA算法进行降维，计算灰度直方图联级，得到提取后的图像数据特征；采用ReliefF算法对气象数据以及力学数据进行特征筛选，去掉高度相关的冗余特征，得到提取的气象以及力学特征数据；第二阶段：利用第一阶段得到的特征数据以及原始图像数据中的覆冰等级，组成样本数据，利用训练数据对PR‑KELM模型进行训练，利用测试数据对训练完成的PR‑KELM模型进行测试，最终得到输电线路覆冰厚度预测模型。本发明专利技术的有益效果：采用PR‑KELM模型进行覆冰厚度预测，对于学习率的选择不是很敏感，不容易陷入局部最优解，从而提高了预测模型的准确性。

A modeling method of transmission line icing thickness prediction model based on pr-kelm

【技术实现步骤摘要】
一种基于PR-KELM的输电线路覆冰厚度预测模型的建模方法
本专利技术涉及电力系统灾害预警
，尤其涉及一种基于PR-KELM的输电线路覆冰厚度预测模型的建模方法。
技术介绍
目前，常用于输电线路覆冰厚度预测模型的算法包括神经网络、支持向量机、决策树以及这些模型的改进版本，但这些算法仅考虑单一类别的监测数据，也就是说，并没有考虑从图像数据中提取特征。事实上，图片数据往往含有丰富的信息，但在目前常见的模型中使用级别和规模都很低。另外，力学数据和气象数据具备高维度、非线性、异质等特点，已有的输电线路覆冰厚度预测模型在提取特征时并没有很好地考虑到这些特点，所以造成最终预测模型的准确率不高。
技术实现思路
有鉴于此，本专利技术提供了一种基于PR-KELM的输电线路覆冰厚度预测模型的建模方法，首先采用LBP算法处理原始图像数据，并利用PCA算法进行降维，计算灰度直方图联级得到提取后的图像数据特征；然后采用ReliefF算法对气象数据以及力学数据进行特征提取，进一步减小数据维度并消除共线性关系；最后利用提取到的特征数据，采用径向基核函数的极限学习机(PR-KELM)建立输电线路覆冰厚度的预测模型。本专利技术提供一种基于PR-KELM的输电线路覆冰厚度预测模型的建模方法，包括对图像数据、气象数据以及力学数据进行特征提取的第一阶段，以及采用PR-KELM模型建立输电线路覆冰厚度预测模型的第二阶段，其中：所述第一阶段包括：对于图像数据，通过将所述图像数据转换成局部二值模式图像数据Datan×m，并利用主成分分析算法对所述图像数据Datan×m进行降维，得到低维度特征数据，根据所述低维度特征数据处理局部二值模式图像得到降维后的图像；将所述降维后的图像分成若干小块，计算每一小块图像的灰度直方图，进一步计算整个图像的灰度直方图联级，得到提取后的图像数据特征；对于气象数据以及力学数据，采用ReliefF算法进行特征筛选，去掉高度相关的冗余特征，得到提取的气象以及力学特征数据；所述第二阶段包括：将第一阶段提取的图像数据特征、气象以及力学特征数据组成特征数据，将原始图像数据中的覆冰等级作为标签数据，共同构成样本数据，并按照一定比例将所述样本数据分割为训练数据与测试数据；所述第二阶段包括训练过程以及测试过程：利用训练数据对PR-KELM模型进行训练，利用测试数据对训练完成的PR-KELM模型进行测试，最终得到输电线路覆冰厚度预测模型。进一步地，所述第一阶段对于图像数据的特征提取中，所述局部二值模式图像数据Datan×m为n×m维特征矩阵，矩阵中的子元素表示对应的图像样本中灰度值为m-1的像素点的个数，n表示原始图像样本个数，m表示LBP图像中的灰度值数量。进一步地，所述采用主成分分析算法对所述图像数据Datan×m进行降维的具体过程为：计算所述LBP图像数据Datan×m中各个维度对应的平均值计算各维度数据与平均值的差值，得到新值数据DataAdjustn×m：DataAdjustn×m(j,i)＝Datan×m(j,i)-mean(i)；计算新值数据DataAdjustn×m的协方差矩阵；基于所述协方差矩阵得到协方差矩阵的特征值和特征向量；通过极大似然估计对所述LBP图像数据Datan×m做维度估计，根据估计结果选择降序排列的前k个特征值，将所述k个特征值对应的特征向量矩阵EigenVectorsn×k作为映射空间的基底；将新值数据DataAdjustn×m映射到基底空间，得到新的低维度特征数据Fn×k：Fn×k＝DataAdjustn×m·EigenVectorsm×k，其中，k表示得到的低维度特征数据的维度数量，利用所述低维度特征数据Fn×k对LBP图像进行处理得到降维后的图像。进一步地，所述第一阶段对于图像数据的特征提取中，利用直方图统计每一小块图像中各灰度值对应的像素点个数，得到每一小块图像的灰度直方图；所述每一小块图像的灰度直方图共同构成整个图像的灰度直方图联级。进一步地，所述第一阶段对于气象以及力学数据的特征提取中，采用ReliefF算法进行特征筛选的具体过程为：对气象数据以及力学数据构成的数据集进行采样，采样次数为m，对于任一采样样本R，从所述样本R的同类样本集B中确定k个最近邻样本Hj(j＝1,2,L,k)，从不同类样本集C中确定相同个数的最近邻样本Mj(C)(j＝1,2,L,k)，然后对特征权重进行更新：式中，W(A)表示任一特征A对应的权重，P(*)表示概率，计算公式diff(A,R1,R2)表示样本R1、R2在特征A上的差异，具体为：设定一个特征权重阈值δ，将计算得到的特征权重小于阈值δ的特征剔除，达到对气象数据以及力学数据的降维目的，得到气象以及力学特征数据。进一步地，所述第二阶段的训练过程的具体过程为：根据训练数据确定PR-KELM模型的输入层、隐含层以及输出层的神经单元个数，其中，训练特征数据Xtrain为M×Q维矩阵数据，训练标签数据Ytrain为M×1维矩阵数据，测试特征数据Xtest为N×Q维矩阵数据，测试标签数据Ytest为N×1维矩阵数据，M表示训练数据样本数，N表示测试数据样本数，Q表示第一阶段提取得到的所有特征总数；利用所述训练数据Xtrain、Ytrain训练PR-KELM模型，令(n,l,m)分别对应输入层、隐含层、输出层的神经单元个数，其中n＝Q，l＝M，m＝1；引入径向基核函数k(xi,xj)，确定PR-KELM模型的输出函数：其中，ΩELM＝HHT，H为随机特征映射矩阵，I表示单位阵，C为正则化系数，径向基核函数k(xi,xj)的计算式为：式中，i＝1,L,M，j＝1,L,M，xi、xj表示训练特征数据Xtrain的行向量，σ为径向基核函数的宽度参考；通过训练标签数据T＝Ytrain，确定ΩELM，从而训练得到基于PR-KELM的输电线路覆冰厚度预测模型。进一步地，所述第二阶段的测试过程的具体过程为：将测试特征数据Xtest以二维矩阵的形式代入训练得到的PR-KELM模型，经矩阵运算得到预测结果Ypre，利用均方根误差、平均绝对误差、平均绝对百分比误差进一步构建评价指标函数，其中，将预测结果Ypre与测试标签数据Ytest作为评价指标函数的输入参数，基于所述评价指标函数得到对极限学习机模型的评价结果，完成输电线路覆冰厚度预测模型的构建。本专利技术提供的技术方案带来的有益效果是：(1)使用不同的特征提取方法对多源异构数据进行特征提取，对于图片数据，将其转换为局部二值模式，再采用主成分分析对处理后的图像数据进行特征提取，得到低维数据特征；对于气象及力学数据，采用ReliefF方法进行特征提取，去噪的同时达到降维目的；(2)采用基于径向基核函数的极限学习机进行覆冰厚度预测，对于学习率的选择不是很敏感，不容易陷入局部最优解，从而提高了预测模型的准确性。附图说明本文档来自技高网...

【技术保护点】
1.一种基于PR-KELM的输电线路覆冰厚度预测模型的建模方法，其特征在于，包括对图像数据、气象数据以及力学数据进行特征提取的第一阶段，以及采用PR-KELM模型建立输电线路覆冰厚度预测模型的第二阶段，其中：/n所述第一阶段包括：对于图像数据，通过将所述图像数据转换成局部二值模式图像数据Data

【技术特征摘要】
1.一种基于PR-KELM的输电线路覆冰厚度预测模型的建模方法，其特征在于，包括对图像数据、气象数据以及力学数据进行特征提取的第一阶段，以及采用PR-KELM模型建立输电线路覆冰厚度预测模型的第二阶段，其中：
所述第一阶段包括：对于图像数据，通过将所述图像数据转换成局部二值模式图像数据Datan×m，并利用主成分分析算法对所述图像数据Datan×m进行降维，得到低维度特征数据，根据所述低维度特征数据处理局部二值模式图像得到降维后的图像；将所述降维后的图像分成若干小块，计算每一小块图像的灰度直方图，进一步计算整个图像的灰度直方图联级，得到提取后的图像数据特征；
对于气象数据以及力学数据，采用ReliefF算法进行特征筛选，去掉高度相关的冗余特征，得到提取的气象以及力学特征数据；
所述第二阶段包括：将第一阶段提取的图像数据特征、气象以及力学特征数据组成特征数据，将原始图像数据中的覆冰等级作为标签数据，共同构成样本数据，并按照一定比例将所述样本数据分割为训练数据与测试数据；所述第二阶段包括训练过程以及测试过程：利用训练数据对PR-KELM模型进行训练，利用测试数据对训练完成的PR-KELM模型进行测试，最终得到输电线路覆冰厚度预测模型。


2.根据权利要求1所述的基于PR-KELM的输电线路覆冰厚度预测模型的建模方法，其特征在于，所述第一阶段对于图像数据的特征提取中，所述局部二值模式图像数据Datan×m为n×m维特征矩阵，矩阵中的子元素表示对应的图像样本中灰度值为m-1的像素点的个数，n表示原始图像样本个数，m表示LBP图像中的灰度值数量。


3.根据权利要求1所述的基于PR-KELM的输电线路覆冰厚度预测模型的建模方法，其特征在于，所述采用主成分分析算法对所述图像数据Datan×m进行降维的具体过程为：
计算所述LBP图像数据Datan×m中各个维度对应的平均值计算各维度数据与平均值的差值，得到新值数据DataAdjustn×m：
DataAdjustn×m(j,i)＝Datan×m(j,i)-mean(i)；
计算新值数据DataAdjustn×m的协方差矩阵；
基于所述协方差矩阵得到协方差矩阵的特征值和特征向量；
通过极大似然估计对所述LBP图像数据Datan×m做维度估计，根据估计结果选择降序排列的前k个特征值，将所述k个特征值对应的特征向量矩阵EigenVectorsn×k作为映射空间的基底；
将新值数据DataAdjustn×m映射到基底空间，得到新的低维度特征数据Fn×k：
Fn×k＝DataAdjustn×m·EigenVectorsm×k，
其中，k表示得到的低维度特征数据的维度数量，利用所述低维度特征数据Fn×k对LBP图像进行处理得到降维后的图像。


4.根据权利要求1所述的基于PR-KELM的输电线路覆冰厚度预测模型的建模方法，其特征在于，所述第一阶段对于图像数据的特征提取中，利...

【专利技术属性】
技术研发人员：陈云亮，陈小岛，刘浩，杜波，熊强，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42