基于粒子群优化支持向量机的电缆温度计算-牛海清.pdf

《基于粒子群优化支持向量机的电缆温度计算-牛海清.pdf》由会员分享，可在线阅读，更多相关《基于粒子群优化支持向量机的电缆温度计算-牛海清.pdf（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第44卷第4期2016年4月华南理工大学学报(自然科学版)Journal of South China University of Technology(Natural Science Edition)V0144 No4April 2016文章编号：1000565X(2016)04-007707基于粒子群优化支持向量机的电缆温度计算水牛海清1 叶开发1 许佳1 吴炬卓1 罗健斌2 陆国俊2(1华南理工大学电力学院，广东广州510640；2广州供电局有限公司电力试验研究院，广东广州510410)摘要：导体温度是影响运行电缆使用寿命和材料利用率的最主要因素，也是反映电缆运行状态的参数由于技术上尚难

2、以实现对运行电缆导体温度的直接测量，因此有必要进行导体温度计算文中以电流和外皮温度作为模型输入，以导体温度作为模型输出，构建基于支持向量机的电缆暂态导体温度的数学模型；为提高该模型计算的精度，避免盲目选取训练参数，引入粒子群算法对其惩罚因子c和核参数y进行寻优仿真与试验对比结果表明：基于粒子群优化的支持向量机模型(PSOSVM模型)可以用于电缆暂态导体温度计算，且计算误差小于热路模型和BP神经网络；模型具有良好的泛化能力关键词：电缆；导体温度；支持向量机；粒子群优化；暂态计算中图分类号：TM7264 doi：103969jissn1000565X201604012随着我国城市化进程的不断推进，

3、新增电缆走廊日益困难，而用电负荷却不断提高，两者之间的矛盾日趋突出，因此确定准确的载流量从而最大化现有电缆线路输送能力正逐渐被电力企业所重视如果载流量过大导致导体温度长期超过电缆主绝缘长期耐热温度，将直接影响到电缆的安全运行和使用寿命；如果载流量过小，电缆导体长时间低温运行，线芯材料没有得到充分利用ll3 J载流量由电缆绝缘(与导体温度相同)的温度决定由于结构上的原因，目前在技术上尚难实现对运行中电缆导体实时温度的直接测量，只能在监测外皮温度、环境温度、电流等的基础上进行计算H。5 J因此对电缆导体温度计算方法进行研究具有重要的意义电缆实际运行过程中，对导体温度影响最大的负荷电流和周围环境温度

4、都是实时变化的，这使得电缆导体温度总是处于暂态过程电缆暂态导体温度计算方法主要有：根据IEC 60287和IEC 60853标准，采用热电类比的方法将电缆热传导过程类比电路模型建立电缆热路模型M。8 J，进而运用数学方法从外皮温度反推出导体温度，该方法计算结果受到电缆本体传热参数及环境的影响；文献9中运用数值计算方法建立了电缆的理论热模型，模型同样面临传热参数难以确定的问题，此外，复杂运行情况下(如集群敷设)电缆的温度场是一个传导、对流、辐射3种传热方式的耦合过程，模型的构建复杂近年来，已有研究人员应用人工智能方法建立电缆暂态导体温度模型，文献10中基于电缆实时外皮温度和运行电流，运用BP神经

5、网络(BPNN)实时计算单芯电缆的导体温度该方法具有较高的精度，且计算结果不受电缆本身参数和环境影响，然而，神经网络存在易陷入局部极小值、“过拟合”等方面的问题而应用支持向量机(SVM)可以很好地克服神经网络的这些问题文中使用支持向量机建立电缆暂态导体温度计算模型，并引入粒子群算法(PSO)对模型的参数进行优化收稿日期：20150911。基金项目：国家高技术研究发展计划(863计划)项目(2015AA050201)Foundation item：Supported by the National H Jigh Technology Research and Development of Chi

6、na(863Program)作者简介：牛海清(1969一)，女，tq士，副教授，主要从事高压输电线路及高压电气设备等的研究E-mail：niuhqseuteduca万方数据78 华南理工大学学报(自然科学版) 第44卷1 电缆暂态导体温度计算原理11 支持向量机的基本思想支持向量机是Vapnik及其合作者在研究统计学习理论中的VC维理论和结构风险最小化原则基础上提出的一种机器学习方法1。13，它通过在模型的学习能力和复杂度之间寻求最佳结合点，克服了其他机器学习方法(如人工神经网络)过学习、欠学习、维数灾难、局部极小值等问题114-161目前支持向量机已在小样本、非线性及高维模式识别等诸多领域中

7、取得了良好效果17-19支持向量机的核心思想是通过非线性映射妒(x)函数将f个训练样本输入戈。(i=1，2，f)映射到高维特征空间Hilbert，继而在高维特征空间中建立线性回归函数厂(工)=wqo(工)+b (1)式中，w为权值向量，b为偏置最佳的W和b可使所建立的模型期望风险最小，而统计学习理论认为结构风险(由经验风险和表示模型复杂度的罚项组成)是期望风险的一个上界，因此极小化结构风险便可得到最优参数W和b： 1rain了1II 2+c(手。+亭。+) (2)Y。一(wo(x。)+b)s+孝i(W妒(zi)+b)一Y。占+孝i+垂、f。+0式中：i1 ffI，ff 2表示模型复杂度，模型越

8、复杂，其值l就越大；(手。+fi+)为经验风险，基、fi是当计算值Y：(其中：Y：=八戈。)=伽妒(z。)+b)和实测值Yi之间的差大于误差阈值e时的松弛变量；C(C0)为惩罚因子，用以权衡经验风险和模型复杂度根据拉格朗日对偶性，引人Lagrange对偶变量口。和oi，将约束条件融合到目标函数中，从而构造Lagrange函数式，分别对Lagrange函数式中的变量W、b、茗。和X。+求导并置零，并将结果代回Lagrange函数式，可得到式(2)的对偶问题11 2I：1lmin i寺(。一口。+)(ajCtj)矗(xj)+-EJ 2lf ls(ni+。+)一Yi(o。一口。+) (3)核函数晟(

9、戈i，戈，)为满足Mercer理论的任意对称函数，J|(戈i，誓)=妒(名。)妒(zi)选用不同的核函数可构造出不同的SVM目前，应用较多的核函数有线性核函数、Sigmoid核函数、径向基核函数等，其中，径向基函数(RBF)表示形式简单，解析性好201，因此文中选用径向基函数作为核函数，其公式为七(戈i，算i)=e一7”。-一“2 (4)求解式(3)可得到由训练样本表示的W：fW=(口in。+)妒(戈i) (5)进而可求得非线性回归函数为f八戈)=(口。一口i)后(戈i，算)+b (6)其中，b=fYj一(oi一血。)矗(戈i，xj)一s，aj(o，c)i=1f”一(口。一口；)|(戈i，葺)

10、+占，aj+(o，c)i=1(7)在构建支持向量机模型的过程中，惩罚因子C和核参数1，取值恰当与否直接决定了模型的性能c太大或者y太小易造成过学习而导致模型泛化性能变差，C太小或7太大则易产生欠学习现象为了得到性能最优的支持向量机模型，同时避免盲目选取训练参数，文中采用粒子群算法对支持向量机模型的惩罚因子C和核参数y进行寻优12粒子群算法原理粒子群算法是是由Eberhart和Kennedy提出的一种具有很强寻优能力的智能优化算法，其基本思想是通过个体之间的协作与竞争来实现多维空间的最优解搜寻旧卜2 5IPSO首先在n维解空间初始化一个含有m个粒子的种群，每个粒子的位置都代表寻优问题中的一个可行

11、解，粒子的优劣程度通过其对应的适应度值来表示在寻优过程中，粒子根据式(8)、(9)进行迭代，更新自己在解空间中的飞行速度与空间位置并计算适应度值，直到满足迭代终止条件秽“N“=刚口N+c。r。(P；一戈；)+c2r2(P：一戈：)(8)万方数据第4期 牛海清等：基于粒子群优化支持向量机的电缆温度计算戈iN+1=戈iNi+秽Ni+1 (9)戈ii =戈订+秽if L ，式中：为当前迭代次数；江1，2，m，表示第i个粒子J=1，2，n，表示第_维空间；移为粒子的速度；x为粒子的位置；Pi为第i个粒子第_维空间的局部极值，P一为第，维空间的全局极值，为惯性权重系数，它使粒子保持运动惯性；C，和C：为

12、两个学习因子，C，表示粒子对自身的认识程度，C：表示粒子对整个群体知识的认识程度；r。、r：为0，1的随机数13 基于PSOSVM的电缆暂态导体温度计算流程采用粒子群算法与支持向量机相结合的方法对电缆暂态导体温度进行计算的流程如下步骤1 确定合适的模型输入、输出由于电缆内部热容的存在，导体温度不能发生突变，其变化总是滞后于电流变化因此，为计算某一时刻的导体温度，需要考虑该时刻前叫、时的电流和外皮温度(r与电缆的热时间常数有关)，因此文中以tkAt，t一(k1)出，tAt共k个时刻的电流和外皮温度作为模型的输入，电缆t时刻导体温度作为模型的输出，其中缸为15 min步骤2将训练样本输人及输出归一

13、化为加快训练程序的计算速度并消除量纲的影响，将输入及输出均按照式(10)归一化到一1，1区间：，)，一 、曼=一1+=!二!型(10)Z一戈min式(10)中，z、叠分别为归一化之前和之后的样本值，戈mi。、戈。分别为各参数变化的最小值与最大值步骤3 PSO寻优SVM参数惩罚因子C和核参数y将训练样本均方误差(MSE)作为粒子群的适应度函数；初始化粒子群，基于训练样本用每个粒子的位置C，y训练支持向量机回归模型，并计算适应度；根据式(8)和(9)更新粒子速度和位置，进行种群迭代，直至适应度值小于均方误差eMsE的阈值或者迭代一定的次数时，输出最优参数C，y，其中，1 feMs。=(虫一虫)2

14、(11)。i=l式中，z为训练样本数目，虫4为第i个样本导体温度经过归一化后的计算值，多。为第i个样本导体温度经过归一化后的实测值步骤4根据步骤3得到的最优参数C，7建立基于支持向量机的暂态导体温度回归计算模型步骤5暂态导体温度计算将实时监测到的外皮温度和电流归一化后输人到训练好的支持向量机回归模型，进行暂态导体温度的计算，将计算结果反归一化即可得到实时导体温度2 电缆温升试验为研究文中所建基于PSOSVM的电缆导体暂态温度计算模型的有效性及准确性，选取交联聚乙烯钢带铠装三芯电力电缆(型号为YJV2287153 X240)分别进行电缆沟敷设单回路、排管敷设六回路电缆温升试验考虑到热电偶的测量误

15、差。在每根试验电缆中部选取3个截面(相邻截面之间距离1 m)，并用电钻在每个截面针对三相导体钻3个孔，将热电偶插入到孔洞直至与导体接触；在每根电缆表面敷设4个热电偶测量其外皮温度旧j实际负荷调度中一般每15 min改变一次电流值，因此试验过程中每隔15 min采集一次温度和电流数据将导体温度平均值和外皮温度平均值作为后续分析的依据，图1(a)为电缆沟敷设单回路的试验结果，图1(b)为排管敷设六回路中温度最高的电缆的试验结果9076o 62馘赠48342024 48 72时间l(a)电缆沟单回路l()00820640煺460脚280100时间lI(b)排管六回路图1温升试验结果图Fig1 Res

16、ults of temperature rise experiments万方数据华南理工大学学报(自然科学版) 第44卷从图1可以看出，在整个试验过程中，电缆导体温度和外皮温度、电流有很强的相关性，三者的变化趋势基本一致因此可以根据测量的电缆外皮温度和加载的电流来计算电缆暂态导体温度3 基于PSOSVM的电缆暂态导体温度计算模型训练31 参数设置从图1可知，三芯电缆导体温度滞后电流约125h，因此文中以一5At，t一4At，t一3At，t一2At，t一血共5个时刻的电流和外皮温度作为模型的输入，电缆t时刻导体温度作为模型的输出文中选择电缆沟敷设温升试验的75个小时(共300组)数据作为训练样本

17、构建暂态导体温度支持向量机模型，并设定训练样本均方误差eM。的阈值为10，最大迭代次数N。：=100，种群的粒子数m=20，学习因子c，=C：=2，C的范围为0，200，粒子在代表C的空间的速度区间为一60，60，y范围为0，1，粒子在代表y的空间的速度区间为一06，06PSO算法的速度更新公式中的惯性权重系数山决定了粒子先前速度对当前速度的影响程度，从而起到平衡算法全局搜索和局部搜索能力的作用心6I在迭代开始阶段，取值较大可以使算法不容易陷入局部最优；迭代末期，(c取值较小可以增强粒子局部搜索能力，加快收敛速度文中设置为随迭代次数增加而减小的函数：60()=甜mjn+(。一甜。i。)(。一N

18、)N。 (12)式中，为当前迭代数，为最大迭代次数，惯性权重系数最大值。=08，最小值OJ晌=05当在某次迭代中出现适应度值小于10。3的粒子或者迭代次数达到。时，退出粒子群算法32模型性能评价指标为更直观地展示所建立模型的性能，采用均方误差(RMSE)、平均绝对误差(MAE)以及平均相对误差(MAPE)来评价模型的计算精度RMSE、MAE以及MAPE由如下表达式定义：RM俺万百MAE=寺耋I y：吧I (13)脚E=去耋f争式中，凡为样本数目，Y：为第i个样本导体温度的计算值，Yi为第i个样本导体温度的实测值33模型训练结果文中基于训练样本、采用粒子群算法得到的最优训练参数为C=11171和

19、y=0010粒子群算法的e眦曲线见图2由图2可见，eMSE在第11代趋于稳定，此时适应度值28510一，训练结果见图3，训练样本误差用式(13)来表示均方误差、平均绝对误差、平均相对误差分别为060、048、074，因而PSOSVM模型有较好的拟合能力，能够准确地反映导体温度与外皮温度及电流的非线性关系3836n量34魁蓦3230280 20 40 60 80 100进化代数图2适应度曲线Fig2 Curve of fitness9886p蠢74赠62It,jh图3训练样本计算结果Fig3 Calculation results of training sample4模型计算性能的分析41 不

20、同算法对比及分析为体现文中建立的模型在计算精度的优越性，分别采用BP神经网络1 01、热路模型61和PSOSVM模型对电缆沟敷设温升试验的48组数据(与训练万方数据第4期 牛海清等：基于粒子群优化支持向量机的电缆温度计算样本数据不存在交集)进行计算BP神经网络的训练样本与文中PSOSVM模型训练样本一致；热路模型的热阻、热容、损耗均采用IEC推荐公式计算；3种模型的计算结果见图4，计算误差如表2所示9080，1卜毯70赠6050 LJ-J0 3 6 9 1二nlf间，h图4不同模型下的计算值与实测值比较Fig4 Contrast of the measured and calculated v

21、alues of diffe-rent models表2不同模型下的计算误差Table 2 Calculation elTor$of different models从图4和表2可以看出，相对于热路模型和BP神经网络模型，PSOSVM模型的计算结果与实测值吻合性更好，PSOSVM模型的均方误差、平均绝对误差、平均相对误差均小于热路模型和BP神经网络的对应误差值这主要是因为热路模型的计算准确度受到电缆本体各层传热参数及外部环境参数的影响较大，一方面计算所用参数与实际可能存在较大差别，另一方面一些参数会随温度而变化，若将这些参数简单的考虑为常数则容易产生较大的计算误差；BP神经网络模型过于追求训练

22、误差的最小，导致模型对训练样本以外的测试样本的误差反而增大，即出现所谓的“过拟合”现象，同时，BP神经网络初始神经元之间的权值和阈值一般随机选择，容易陷入局部最小值点而基于粒子群优化的支持向量机模型采用结构最小化原则，可以在保证计算精度的同时最大限度地克服“过拟合”问题，此外，粒子群算法的引人能够很好地避免模型陷入局部最小值42模型的泛化能力为检验基于电缆沟敷设单回路温升试验训练样本得到的模型是否适用于其他环境下电缆暂态导体温度计算，选择排管敷设六回路试验6240组数据对该模型的泛化能力进行检验其中温度最高的回路(回路4)计算值和实测值对比如图5所示，各回路误差结果如表3所示tl、f川1图5排

23、管敷设6回路下计算值与实测值比较Fig5 Contrast of measured valued and calculated value t ofsixcircuit cables laid in pipes表3排管敷设6回路下导体温度计算误差Table 3 Calculation error of conductor temperature of sixcir-cuit cables laid in pipes从图5及表3可以看出：虽然检验样本与训练样本试验环境差异很大，但排管敷设六回路电缆暂态导体温度计算值曲线几乎逼近导体温度的实测值曲线；排管敷设六回路的均方误差、平均绝对误差、平均相对

24、误差平均值分别为078 oC，053 oC，077对比表2和3可以看出，用电缆沟敷设单回路样本训练得到的模型用于排管敷设六回路的导体温度计算时，误差并没有明显上升，表明文中所建模型有很强的泛化能力5 结论文中引入粒子群算法对支持向量机中的惩罚因子和核参数进行寻优，建立电缆暂态导体温度计算的PSOSVM模型；以三芯电缆为例，计算电缆导体暂态温度，并与电缆温升试验结果进行比较，以验证万方数据82 华南理工大学学报(自然科学版) 第44卷模型计算的准确性；将该模型与热路模型、BP神经网络的计算结果进行比较，以比较不同算法的精度；将电缆沟敷设单回路的试验数据训练的模型应用于排管敷设6回路电缆暂态导体温

25、度计算，以验证模型的泛化能力通过上述研究，文中得到以下结论：1)基于粒子群优化的支持向量机的计算模型可以准确计算电缆暂态导体温度2)该PSOSVM计算模型以电缆导体电流和外皮温度作为输入参数，以电缆暂态导体温度作为输出，无需考虑电缆的各层传热参数和敷设环境3)电缆温升试验证明该PSOSVM模型具有较高的计算精度，且其计算误差小于热路模型和BP神经网络模型4)PSOSVM模型具有很强的泛化能力将电缆沟敷设单回路试验数据训练得到的模型用于排管敷设六回路的导体温度计算时，误差没有明显上升参考文献：1 梁永春，李延沐利用模拟热荷法计算地下电缆稳态温度场J中国电机工程学报，2008，28(16)：128

26、134LIANG Yong-chun，LI YanmuCalculation of the statictemperature field of underground cables using heat chargesimulation methodJProceedings of the CSEE，2008，28(16)：128-1342 马国栋电线电缆载流量M北京：中国电力出版社20033 张尧，周鑫，牛海清，等单芯电缆热时间常数的理论计算与试验研究J高电压技术，2009(11)：2801-2806ZHANG Yao，ZHOU Xin，NIU Hatqing，et a1Theoretica

27、lcalculation and experimental research on thermal timeconstant of singlecore cablesJHigh Voltage Engineering，2009(1 1)：280128064 梁永春，柴进爱，李彦明，等基于FEM的直埋电缆载流量与外部环境关系的计算J电工电能新技术，2007，26(4)：1013LIANG Yongchun，CAI Jinai，LI Yanming，et a1Calculation of ampaeity reduction factors for buried cables withsurrou

28、ndings based on FEMJAdvanced Technology ofElectrical Engineering and Energy，2007，26(4)：10135 闫澜锋10kV三芯电缆温度场分布特性及导体温度计算的仿真与实验研究D广州：华南理工大学，20126 周鑫单芯电力电缆导体温度计算及试验研究D广州：华南理工大学电力学院，20107 刘毅刚，罗俊华电缆导体温度实时计算的数学方法J高电压技术，2005，31(5)：5254LIU Yigang，LUO Jun-huaMathematical method of tem-perature calculation of

29、power cable conductor in real timeJHigh Voltage Engineering，2005，31(5)：52548 Olsen R S，Holboll J，Gudmundsdottir U SDynamic temperature estimation and real time emergency rating oftransmission cablescProceedings of Power and Energy Society General Meetings1：IEEE，2012：1-89郑雁翎，仪涛，张冠军，等分散式排管敷设电缆群温度场的流固耦

30、合计算J高电压技术，2010，36(6)：15661571ZHENG Yan-ling，YI tao，ZHANG Guan-jun，et a1Fluid-solid coupling computation on temperature field of decen-tralized pipe cable systemJHigh Voltage Enginee-ring，2010，36(6)：1566157110 雷成华，刘刚，李钦豪BP神经网络模型用于单芯电缆导体温度的动态计算J高电压技术，2011，37(1)：184189LEI Chenghua，LIU Gang，LI QinhaoDyn

31、amic calcula-tion of conductor temperature of singlecable using BPneural networkJHish Voltage Engineering，2011，37(1)：1841891 1Vapnik VThe nature of statistical learning theoryMs1-：Springer ScienceBusiness Media，201312邓乃扬，田英杰支持向量机理论、算法与扩展M北京：科学出版社，200913李国政，王猛，曾华军支持向量机导论M北京：电子工业出版社，200414 张学工关于统计学习理论

32、与支持向量机J自动化学报，2000，26(1)：3242ZHANG Xue-gongIntroduction to statistical learningtheory and support vector machinesJActa AutomaticSinica，2000，26(1)：32-4215邓万宇，郑庆华，陈琳，等神经网络极速学习方法研究J计算机学报，2010，33(2)：279287Deng Wanyu，Zheng Qinghua，Chen Lin，et a1Research on extreme learning of neural networksJChinese Journ

33、al of Computers，2010，33(2)：27928716许建华，张学工，李衍达支持向量机的新发展J控制与决策，2004，19(5)：481484XU Jianhua，ZHANG Xue-gong，LI Yan-daAdvances insupport vector machinesJControl and Decision，2004，19(5)：481-48417 陈伟根，滕黎，刘军，等基于遗传优化支持向量机的变压器绕组热点温度预测模型J电工技术学报，201429(1)：44-51CHEN Wet-gen，TENG Li，LIU Jun，et a1Transformerwindi

34、ng hotspot temperature prediction model of supportvector machine optimized by genetic algorithmJTransactions of China Eleetrotechnical Society，2014，29(1)：4451万方数据第4期 牛海清等：基于粒子群优化支持向量机的电缆温度计算 831819202122戴栋，黄筱婷，代洲，等基于支持向量机的输电线路覆冰回归模型J高电压技术，2013，39(11)：2822-2828DAI DongHUANG Xiaoting，DAI Zhou，et a1Reg

35、ression model for transmission lines icing based on supportvector machineJHigh Voltage Engineering，2013，39(11)：28222828鞠鲁峰，王群京，李国丽，等永磁球形电机的支持向量机模型的参数寻优J电工技术学报，2014，29(1)：85-90Ju Lufeng，WANG Qun-jing，LI Guo-li，et a1Parameteroptimization for support vector machine model of perma-nent magnet spherical

36、motorsJTransactions of ChinaElectrotechnical Society，2014，29(1)：8590李晓宇，张新峰，沈兰荪一种确定径向基核函数参数的方法J电子学报，2006，33(B12)：24592463LI Xiao-yu，ZHANG Xin-feng，SHEN Lan-sunA selection means on the parameter of radius basis functionJActa Eleetroniea Sinica，2005，33(B12)：24592463温玉锋材料实验数据的支持向量回归分析及应用D重庆：重庆大学数理学院，20

37、09FEI S，WANG M J，MIAO Y，et a1Particle swami optimizationbased support vector machine for forecastingdissolved gases content in power transformer oilJEnergy Conversion and Management，2009，50(6)：1604160923242526DEL Valle Y，VENAYAGAMOORTHY G K，MOHAGH-EGHI S，et a1Particle swarm optimization：basic concep

38、ts，variants and applications in power systemsJIEEE Transactions on，Evolutionary Computation，2008，12(2)：171195宋风忠基于粒子群算法风力发电系统风速预测研究J电气应用，2011，24：024SONG Feng-zhongWind speed prediction research ofwind power generation system based on particle swarmoptimizationJEleetrotechnieal Application，201 1，24：0

39、24徐刚，瞿金平，杨智韬一种改进的自适应粒子群优化算法J华南理工大学学报(自然科学版)，2008，36(9)：6-10XU Gang，QU Jinping，YANG Zhi-taoAn improvedadaptive particle swarm optimization algorithmJJournal of South China University of Technology(NaturalScience Edition)，2008，36(9)：610吴杰康，熊焰风水气互补发电优化的云模型自适应粒子群优化算法J中国电机工程学报，2014，34(增刊)：1724WU Jiekang，

40、XIONG YanAn cloud model theory basedadaptive particle swanTl optimization algorithm for complementary power generation optimization of windener-gY，hydroenergy and natural gasJProceedings of theCSEE，2014，34(Suppl)：17-24Calculation of Cable Temperature Based on Support Vector MachineOptimized by Parti

41、cle Swarm AlgorithmNU Haiqin91 YE Kai-fal XU办口1 删Juzhu01 LUO知几bin2 LU Guo-jun2(1 School of Electric Power，South China University of Technology，Guangzhou 510640，Guangdong，China；2Tests andResearch Institute of Guangzhou Power Supply Bureau Co，Lfd，Guangzhou 510410，Guangdong，China)Abstract：Cable conduct

42、or temperature is a main factor affectingthe life and material utilization of the cableand isan important parameter reflecting cableg operation stateHowever，it is difficult to directly measure the conductortemperature of in-use cables，so that a temperature calculation is necessaryIn this paper，a mod

43、el to calculate thetransient temperature of cable conductor based on the support vector machine(SVM)is proposedIn this modelboth the load current and the skin temperature are used as the inputs and the conductor temperature is taken as theoutputMoreover，in order to improve the calculation accuracy a

44、nd avoid blind selection of training parameterstheparticle SWalITI optimization(PSO)algorithmis introduced in the model for optimizing the punishment index C andthe core parameter yIn addition，a comparison between the simulated and the experimental results is madefinding that the proposed PSOSVM model is superior to the thermal circuit model and the BP neural network because ithelps to obtain more accurate transient temperature and possesses good generalization abilityKey words：cable；conductor temperature；support vector machine；particle swan11 optimization；transient calculation万方数据