基于蟻群優化支持向量機的電力人因事故預測模型*

王 鵬 董建房

（陸軍炮兵防空兵學院基礎部 合肥 230031）

1 引言

近年來，隨著科技的快速發展，社會的不斷進步，各行各業對電力供給的要求不斷提高，但是電力人員死亡事故、大規模停電事件還是不時發生，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］，因此對電力行業的生產安全現狀進行評估和預測成為了一件刻不容緩的工作，對電力安全的評估和預測可以為改良電力行業生產模式，減少電力安全事故發生數量，提高電力生產行業安全性提供有效參考。目前國內外對人因事故［2～3］評估模型主要有層次分析法［4］、模糊綜合評判法［5］、貝葉斯網絡［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［8～10］是一種建立在統計學習理論基礎上的學習方法，SVM 的原則是實現結構風險最小化，因此SVM 在小樣本、非線性問題中表現突出，而電力人因事故每年的發生次數并不是很多，但是每次發生都影響廣泛，造成極嚴重的后果，而利用一般的方法如線性規劃等對電力人因事故進行預測效果并不理想，但是支持向量機完美契合了電力人事故的特點，因此選用支持向量機對電力人因事故進行預測比較合適。所以，為對電力行業安全生產情況進行預測，本文基于蟻群算法優化的支持向量機建立了電力人因事故數量預測模型，并且根據全國2009 年～2018 年10 年內的電力人因事故數據，進行評估和預測，達到了較好的預測精度。

2 電力人因事故數據統計模型

2.1 支持向量機原理

支持向量機［11］的工作目標是最大化不同類別之間的間隔，使得支持向量機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分類過程中那些靠近邊界的數據點。支持向量機的目標是尋找一個最優超平面，這個最優超平面能夠正確地分割正類和負類樣本。最優超平面ωT x+b=0 可通過做一個非線性映射得到。當樣本集線性可分時，尋優問題為

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

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

引入核函數k(xi,xj)和拉格朗日乘子αi，可以將式（2）變為如下形式：

本文選用應用較為廣泛的徑向基核函數，其表達式為

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

2.2 基于蟻群算法的支持向量機優化模型

蟻群算法是一種主要用于尋找最優路徑的算法，作為一種仿生算法，它主要運用了正反饋和分布式計算的特征進行搜索［14］，是一種貪婪式啟發式的優化算法。利用上述特點，本文利用蟻群算法［15～16］來選擇合適的參數，優化參數的選擇過程，建立精度更高的的電力人因事故數量預測模型。結合傳統的支持向量機和蟻群算法，建立基于改進支持向量機的電力人因事故預測回歸模型，目標函數為

其中l為樣本的數量；yi為實際值；f(xi)為預測值。

蟻群算法的具體搜索方法如下：1）初始化相關參數；2）生成節點及路徑；3）迭代搜索；4）終止。

3 電力人因事故預測

3.1 基于CAC-SVM的電力人因事故預測

以我國2009 年～2018 年電力人因事故死亡人數為例，運用改進的支持向量機進行電力人因事故死亡人數預測，使用Matlab 軟件進行運算，過程如下。

步驟一：數據歸一化。為更加方便地進行對比和運算，利用本文的模型得到更加精準的預測結果，對統計得到的數據進行歸一化，可得到處理結果如表1所示。

表1 事故死亡人數歸一化

步驟二：利用蟻群算法優化參數選擇路徑。利用蟻群算法對本文的支持向量機預測模型進行參數優化，首先初始化相關參數：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。利用計算軟件Matlab 進行計算，可得到最優訓練參數。

步驟三：將上一步驟中得到的最優參數代入回歸方程，可以得到電力人因事故死亡人數預測結果如表2。

表2 ACA-SVM預測結果

3.2 預測模型的有效性

為了確定本文提出的基于優化支持向量機的電力人因事故預測模型的正確性，本文利用傳統的支持向量機方法對同樣的數據樣本進行回歸計算，得到了預測結果。為更加直觀地對比兩種預測結果，本文使用相對誤差來判斷兩種方法的預測精度。對于從傳統支持向量機模型，選擇最優參數后，代入模型，可得到預測結果如表3所示。

表3 ACA-SVM與SVM對比結果

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

圖1 預測值對比

圖2 相對誤差對比

由表對比可知，使用蟻群算法優化的支持向量機對電力人因事故預測精度比單純使用支持向量機高，這說明使用蟻群算法優化的支持向量機可以較為準確地預測近年的電力人因事故數，從而為電力行業的發展提供一定的依據。

在對比完成后，利用蟻群算法優化的支持向量機對2019 年、2020 年的電力安全人因事故數量進行預測，得到結果為67、84，雖然因為電力人因事故為小樣本的原因，可能預測精度不是很高，也可能會發生很大的誤差，但是根據上文實驗的相對誤差情況分析，支持向量機的預測結果還是具有一定參考價值的。分析10 年來的電力人因事故數量，從2009 年～2018 年電力人因事故數量呈現波浪狀起伏態勢，2017、2018 兩年電力人因事故數量很少，所以2019、2020 年事故數量上升是有一定意義的。

4 結語

1）支持向量機建立在統計學習理論基礎上，在小樣本、高維、非線性問題上表現突出。因此作者利用SVM 構建了電力人因事故數據統計模型，用該模型能夠較為準確地預測電力人因事故次數，能夠增加管理部門決策的科學性和準確性。

2）兩種不同預測模型的對比結果顯示，基于蟻群算法的支持向量機電力人因事故預測模型預測精度更高，誤差更小，可以用來進行電力人因事故預測，在實際生產生活中具有一定的應用價值。