一种基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法技术

本发明专利技术提供一种基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法，包括：构建信号识别分类模型，产生随机森林算法中的多维度决策树；采用粒子群算法寻优，将最佳特征输入到随机森林算法中；通过改进的网格搜索算法寻找最佳准确率参数组合；将最佳准确率参数组合生成数据，以矩阵形式输入随机森林算法；将随机森林算法中特征数继续寻优，基于训练集合和测试集合验证得到的参数集合，获得训练后的异常振动分类识别模型；根据异常振动分类识别模型，对OPGW光缆振动监测信号进行处理，并筛选分类，输出最优OPGW异常振动信号识别结果。本发明专利技术可提升异常信号识别准确率，能够满足OPGW异常振动信号分类的基本需求。够满足OPGW异常振动信号分类的基本需求。够满足OPGW异常振动信号分类的基本需求。

【技术实现步骤摘要】
一种基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法


[0001]本专利技术涉及OPGW光缆异常监测领域，具体是一种基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法。

技术介绍

[0002]作为新型通信电缆，光纤复合架空地线(Optical Fiber Composite Overhead Ground Wire,OPGW)内部将架空输电线路了汇集一部分光纤结构，满足大容量通信功能的同时兼具长距离传输、抗电磁干扰、智能感知等优势。由于OPGW光缆一般工作于复杂户外环境，因此当温度、湿度变化引起的线路覆冰情形时有发生，在风振条件下，覆冰光缆产生异常振动，长期作用将使光缆张力不平衡、甚至导致拉伸断裂，使输电线路造成灾难性后果。
[0003]为了满足对OPGW光缆沿线的异常监测，业界一般通常采用电子式传感监控，但该技术受天气影响较大且存在较强电磁干扰，整体存在一定局限性。基于光纤光栅的传感技术因其复用数量多、可长距离分布式监测等众多优势在近些年得到关注。覃兆宇等人通过布里渊传感方式初步实现OPGW光缆的覆冰监测，证实了光纤光栅技术在OPGW输电光缆健康监测上的工程应用前景。但是对于得到的监测结果而言，光纤传感器所采集到的信号通常伴随各种环境随机噪声，大大增加了线缆异常振动判别虚警率，进而为OPGW光缆异常振动信号的识别带来困难。

技术实现思路

[0004]针对现有技术存在的上述问题，本专利技术提供一种基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法，通过构建算法识别模型，改进随机森林算法搜索参数，获得训练后的异常振动识别模型，对OPGW光缆上异常振动信号进行分类识别，提升异常信号识别准确率。
[0005]一种基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法，包括如下步骤：
[0006]步骤一：构建信号识别分类模型，采用有放回、随机抽样方式产生随机森林算法中的多维度决策树；
[0007]步骤二：采用粒子群算法寻优获得佳特征，将最佳特征输入到随机森林算法中，所述最佳特征包括决策树数量和训练每棵决策树的特征数量；
[0008]步骤三：通过改进的网格搜索算法寻找最佳准确率参数组合；
[0009]步骤四：将步骤三中生成的最佳准确率参数组合生成数据，以矩阵形式输入随机森林算法；
[0010]步骤五：将随机森林算法中特征数继续寻优，基于训练集合和测试集合验证得到的参数集合，获得训练后的异常振动分类识别模型；
[0011]步骤六：根据步骤五训练得到的异常振动分类识别模型，对OPGW光缆振动监测信
号进行处理，并筛选分类，输出最优OPGW异常振动信号识别结果。
[0012]进一步的，步骤一中采用有放回、随机抽样方式产生随机森林算法中的多维度决策树具体包括：
[0013]利用有放回形式抽样形成多维度决策树，将其记为a1(x)，a2(x)，
…
，a
k
(x)，随机选取出样本特征用于分解决策树相应节点，按照如下原则获取结果：
[0014][0015]式中：V
k
(
·
)表示平均值；I(
·
)为特征向量函数；X、Y和j分别为原始样本、输出正确样本和输出错误样本；k为决策树数量。
[0016]进一步的，步骤二采用粒子群算法寻优获得最佳特征，具体包括：
[0017]假设粒子位置相关向量为X
i
＝[X
i1
,X
i1
,
…
,X
in
]，速度相关向量为V
i
＝[V
i1
,V
i1
,
…
,V
in
]，经过迭代后的粒子速度更新结果为：
[0018]V
i
＝wV
i
+c1r1(P
b
‑
X
i
)+c2r2(G
b
‑
X
i
)
ꢀꢀꢀꢀꢀꢀ
(2)
[0019]式中：P
b
和G
b
分别为局部最优位置和全局最优位置；w表示惯性参数；c1、c2均为学习参数，经过迭代后的粒子位置更新结果为：
[0020][0021]此时粒子最终位置形式以0或1呈现。
[0022]进一步的，步骤三中改进的网格搜索算法具体过程为：首先，设置大致区间，得到首次搜索决策树具体棵数及待定输入特征个数实际取值区间和步长，按照实际情况选择宽松范围；其次，在合理取值范围依次按步长搜索，直到求解出各个参数组合的具体指标；最后在得到结果的区间范围进一步细化步长，二次搜索，得出各个参数对应的分类结果，通过多次迭代优化，得到准确率最高的参数组合。
[0023]本专利技术具有如下有益效果：
[0024]本专利技术首先在理论上构建分类识别模型，通过粒子群算法迭代寻找最优分类解；然后将监测数据分为多帧训练集、测试集和验证集，分别实现传统随机森林算法、网格搜索随机森林算法和改进型网格搜索随机森林算法对异常振动分类识别，最后利用异常信号识别准确率和精确度具体量化三种算法对比结果。实际分类计算结果证明，本专利技术所研究的改进型网格搜索随机森林算法在测试集异常信号识别准确率可达98.56％，验证集异常信号识别准确率可达99.56％，证明了方法有效性，对OPGW光缆异常振动分类识别具有实际意义。
附图说明
[0025]图1是本专利技术基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法的流程示意图；
[0026]图2是适应度随迭代次数变化趋势图。
具体实施方式
[0027]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]请参阅图1，本专利技术实施例提供一种基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法，包括如下步骤：
[0029]步骤一：构建信号识别分类模型，采用有放回、随机抽样方式产生随机森林算法中的多维度决策树。
[0030]随机森林算法中的集成分类器主要由多棵决策树组成，因此需构建决策树基本模型，可采用有放回、随机抽样方式产生，具体步骤如下：
[0031]利用有放回形式抽样形成多维度决策树，将其记为a1(x)，a2(x)，
…
，a
k
(x)，随机选取出样本特征用于分解决策树相应节点，按照如下原则获取结果：
[0032][0033]式中：V
k
(
·
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法，其特征在于：包括如下步骤：步骤一：构建信号识别分类模型，采用有放回、随机抽样方式产生随机森林算法中的多维度决策树；步骤二：采用粒子群算法寻优获得最佳特征，将最佳特征输入到随机森林算法中，所述最佳特征包括决策树数量和训练每棵决策树的特征数量；步骤三：通过改进的网格搜索算法寻找最佳准确率参数组合；步骤四：将步骤三中生成的最佳准确率参数组合生成数据，以矩阵形式输入随机森林算法；步骤五：将随机森林算法中特征数继续寻优，基于训练集合和测试集合验证得到的参数集合，获得训练后的异常振动分类识别模型；步骤六：根据步骤五训练得到的异常振动分类识别模型，对OPGW光缆振动监测信号进行处理，并筛选分类，输出最优OPGW异常振动信号识别结果。2.如权利要求1所述的基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法，其特征在于：步骤一中采用有放回、随机抽样方式产生随机森林算法中的多维度决策树具体包括：利用有放回形式抽样形成多维度决策树，将其记为a1(x)，a2(x)，
…
，a
k
(x)，随机选取出样本特征用于分解决策树相应节点，按照如下原则获取结果：式中：V
k
(
·
)表示平均值；I(
·
)为特征向量函数；X、Y和j分别为原始样本、输出正确样本和输出错误样本；k为决策树数量。3.如权利要求1所述的基于改进型网格搜索随机森林算法进行OPGW异常振动分类识别的方法，其特征在于：步骤二采用粒子群算法寻优获得...

【专利技术属性】
技术研发人员：刘雨，董顺虎，马丽山，马永强，戴祥，李发兴，沈斐，李万成，刘世斌，叶宝安，张国敏，张文举，
申请(专利权)人：国网青海省电力公司国家电网有限公司武汉康普常青软件技术股份有限公司，
类型：发明
国别省市：