王 鵬 董建房

（陸軍炮兵防空兵學(xué)院基礎(chǔ)部 合肥 230031）

1 引言

近年來，隨著科技的快速發(fā)展，社會(huì)的不斷進(jìn)步，各行各業(yè)對電力供給的要求不斷提高，但是電力人員死亡事故、大規(guī)模停電事件還是不時(shí)發(fā)生，這引起了政府和公眾的注意，特別是電力人員傷亡事件更是每年在各地都有發(fā)生，極大地影響了電力的供給，而在這些電力人員傷亡事故中人因又占了90%［1］，因此對電力行業(yè)的生產(chǎn)安全現(xiàn)狀進(jìn)行評估和預(yù)測成為了一件刻不容緩的工作，對電力安全的評估和預(yù)測可以為改良電力行業(yè)生產(chǎn)模式，減少電力安全事故發(fā)生數(shù)量，提高電力生產(chǎn)行業(yè)安全性提供有效參考。目前國內(nèi)外對人因事故［2～3］評估模型主要有層次分析法［4］、模糊綜合評判法［5］、貝葉斯網(wǎng)絡(luò)［6～7］等，但是這些評估方法具有太多主觀因素，而支持向量機(jī)［8～10］是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的學(xué)習(xí)方法，SVM 的原則是實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化，因此SVM 在小樣本、非線性問題中表現(xiàn)突出，而電力人因事故每年的發(fā)生次數(shù)并不是很多，但是每次發(fā)生都影響廣泛，造成極嚴(yán)重的后果，而利用一般的方法如線性規(guī)劃等對電力人因事故進(jìn)行預(yù)測效果并不理想，但是支持向量機(jī)完美契合了電力人事故的特點(diǎn)，因此選用支持向量機(jī)對電力人因事故進(jìn)行預(yù)測比較合適。所以，為對電力行業(yè)安全生產(chǎn)情況進(jìn)行預(yù)測，本文基于蟻群算法優(yōu)化的支持向量機(jī)建立了電力人因事故數(shù)量預(yù)測模型，并且根據(jù)全國2009 年～2018 年10 年內(nèi)的電力人因事故數(shù)據(jù)，進(jìn)行評估和預(yù)測，達(dá)到了較好的預(yù)測精度。

2 電力人因事故數(shù)據(jù)統(tǒng)計(jì)模型

2.1 支持向量機(jī)原理

支持向量機(jī)［11］的工作目標(biāo)是最大化不同類別之間的間隔，使得支持向量機(jī)的分類具有更高的可信度和泛化能力。支持向量是指在支持向量機(jī)分類過程中那些靠近邊界的數(shù)據(jù)點(diǎn)。支持向量機(jī)的目標(biāo)是尋找一個(gè)最優(yōu)超平面，這個(gè)最優(yōu)超平面能夠正確地分割正類和負(fù)類樣本。最優(yōu)超平面ωT x+b=0 可通過做一個(gè)非線性映射得到。當(dāng)樣本集線性可分時(shí)，尋優(yōu)問題為

當(dāng)樣本集線性不可分時(shí)，加入松弛變量ξi＞0和懲罰因子C，它代表了對離群點(diǎn)的容忍程度，因此，式（1）成為凸二次規(guī)劃問題：

為解決線性不可分問題，通常方法是尋找核函數(shù)［12～13］。將一個(gè)低維的樣本集向高維空間做映射，在這個(gè)過程中找到的一種函數(shù)，它能夠使得樣本集在低維空間與高維空間的內(nèi)積結(jié)果一致，這種函數(shù)稱為核函數(shù)。常用的核函數(shù)有高斯徑向基核函數(shù)、多項(xiàng)式核函數(shù)等。

引入核函數(shù)k(xi,xj)和拉格朗日乘子αi，可以將式（2）變?yōu)槿缦滦问剑?/p>

本文選用應(yīng)用較為廣泛的徑向基核函數(shù)，其表達(dá)式為

其中g(shù)為核參數(shù)，代表了徑向基核函數(shù)作用的寬度，C為懲罰因子，因此，為使得本文的電力人因事故數(shù)量預(yù)測模型更加精確，必須要選擇合適的參數(shù)。

2.2 基于蟻群算法的支持向量機(jī)優(yōu)化模型

蟻群算法是一種主要用于尋找最優(yōu)路徑的算法，作為一種仿生算法，它主要運(yùn)用了正反饋和分布式計(jì)算的特征進(jìn)行搜索［14］，是一種貪婪式啟發(fā)式的優(yōu)化算法。利用上述特點(diǎn)，本文利用蟻群算法［15～16］來選擇合適的參數(shù)，優(yōu)化參數(shù)的選擇過程，建立精度更高的的電力人因事故數(shù)量預(yù)測模型。結(jié)合傳統(tǒng)的支持向量機(jī)和蟻群算法，建立基于改進(jìn)支持向量機(jī)的電力人因事故預(yù)測回歸模型，目標(biāo)函數(shù)為

其中l(wèi)為樣本的數(shù)量；yi為實(shí)際值；f(xi)為預(yù)測值。

蟻群算法的具體搜索方法如下：1）初始化相關(guān)參數(shù)；2）生成節(jié)點(diǎn)及路徑；3）迭代搜索；4）終止。

3 電力人因事故預(yù)測

3.1 基于CAC-SVM的電力人因事故預(yù)測

以我國2009 年～2018 年電力人因事故死亡人數(shù)為例，運(yùn)用改進(jìn)的支持向量機(jī)進(jìn)行電力人因事故死亡人數(shù)預(yù)測，使用Matlab 軟件進(jìn)行運(yùn)算，過程如下。

步驟一：數(shù)據(jù)歸一化。為更加方便地進(jìn)行對比和運(yùn)算，利用本文的模型得到更加精準(zhǔn)的預(yù)測結(jié)果，對統(tǒng)計(jì)得到的數(shù)據(jù)進(jìn)行歸一化，可得到處理結(jié)果如表1所示。

表1 事故死亡人數(shù)歸一化

步驟二：利用蟻群算法優(yōu)化參數(shù)選擇路徑。利用蟻群算法對本文的支持向量機(jī)預(yù)測模型進(jìn)行參數(shù)優(yōu)化，首先初始化相關(guān)參數(shù)：c取值為（0.01，200），ε取值為（0，0.8），σ取值為（0.001，100）；m=50 ，Nmax=500 ，ρ=0.7 ，α=1 ，β=5 ，Q=100。利用計(jì)算軟件Matlab 進(jìn)行計(jì)算，可得到最優(yōu)訓(xùn)練參數(shù)。

步驟三：將上一步驟中得到的最優(yōu)參數(shù)代入回歸方程，可以得到電力人因事故死亡人數(shù)預(yù)測結(jié)果如表2。

表2 ACA-SVM預(yù)測結(jié)果

3.2 預(yù)測模型的有效性

為了確定本文提出的基于優(yōu)化支持向量機(jī)的電力人因事故預(yù)測模型的正確性，本文利用傳統(tǒng)的支持向量機(jī)方法對同樣的數(shù)據(jù)樣本進(jìn)行回歸計(jì)算，得到了預(yù)測結(jié)果。為更加直觀地對比兩種預(yù)測結(jié)果，本文使用相對誤差來判斷兩種方法的預(yù)測精度。對于從傳統(tǒng)支持向量機(jī)模型，選擇最優(yōu)參數(shù)后，代入模型，可得到預(yù)測結(jié)果如表3所示。

表3 ACA-SVM與SVM對比結(jié)果

為方便進(jìn)行對比分析，將人因事故的實(shí)際值、ACA-AVM 的預(yù)測值、SVM 的預(yù)測值做成對比圖，如圖1 所示。圖2 為ACA-AVM、SVM 的兩種方法進(jìn)行預(yù)測的相對誤差。

圖1 預(yù)測值對比

圖2 相對誤差對比

由表對比可知，使用蟻群算法優(yōu)化的支持向量機(jī)對電力人因事故預(yù)測精度比單純使用支持向量機(jī)高，這說明使用蟻群算法優(yōu)化的支持向量機(jī)可以較為準(zhǔn)確地預(yù)測近年的電力人因事故數(shù)，從而為電力行業(yè)的發(fā)展提供一定的依據(jù)。

在對比完成后，利用蟻群算法優(yōu)化的支持向量機(jī)對2019 年、2020 年的電力安全人因事故數(shù)量進(jìn)行預(yù)測，得到結(jié)果為67、84，雖然因?yàn)殡娏θ艘蚴鹿蕿樾颖镜脑?，可能預(yù)測精度不是很高，也可能會(huì)發(fā)生很大的誤差，但是根據(jù)上文實(shí)驗(yàn)的相對誤差情況分析，支持向量機(jī)的預(yù)測結(jié)果還是具有一定參考價(jià)值的。分析10 年來的電力人因事故數(shù)量，從2009 年～2018 年電力人因事故數(shù)量呈現(xiàn)波浪狀起伏態(tài)勢，2017、2018 兩年電力人因事故數(shù)量很少，所以2019、2020 年事故數(shù)量上升是有一定意義的。

4 結(jié)語

1）支持向量機(jī)建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上，在小樣本、高維、非線性問題上表現(xiàn)突出。因此作者利用SVM 構(gòu)建了電力人因事故數(shù)據(jù)統(tǒng)計(jì)模型，用該模型能夠較為準(zhǔn)確地預(yù)測電力人因事故次數(shù)，能夠增加管理部門決策的科學(xué)性和準(zhǔn)確性。

2）兩種不同預(yù)測模型的對比結(jié)果顯示，基于蟻群算法的支持向量機(jī)電力人因事故預(yù)測模型預(yù)測精度更高，誤差更小，可以用來進(jìn)行電力人因事故預(yù)測，在實(shí)際生產(chǎn)生活中具有一定的應(yīng)用價(jià)值。