基于遗传算法与模糊逻辑融合的线路覆冰预测

针对输电线路覆冰预测问题,提出了一种基于遗传算法与模糊逻辑融合的线路覆冰预测模型建立方法,同时对遗传算法与模糊逻辑融合理论及实际应用进行了研究与探讨。首先统计贵州电网8条输电线路的历史覆冰现场监测数据,对现场数据通过学习算法产生模糊规则。其次组合产生的模糊规则和先前的专家经验模糊规则,建立组合模糊规则库。接着运用遗传算法对输入—输出论域模糊划分、组合模糊规则库及隶属函数等覆冰模糊系统参数进行优化。最后通过贵州电网2014年的覆冰现场监测数据,验证优化后的线路覆冰预测模型。预测结果表明:覆冰厚度在0~5 mm之间,预测平均相对误差为0.016 5%,5~10 mm之间预测平均相对误差为-0.165%,10~18mm之间预测平均相对误差为3.34%。     

基于灰色支持向量机的输电线路覆冰厚度预测模型

为了降低输电线路覆冰事故对电网安全造成的严重影响,对输电线路覆冰厚度进行预测将能够有效地指导电网抗冰工作。提出了基于灰色支持向量机的输电线路覆冰厚度短期预测模型,分析了样本中脏数据的剔除及数据预处理方法,通过模型预测值与实测数据的对比验证了该模型的准确性和适用性,根据模型预测的线路最大覆冰厚度值对现场观冰、冰情预警以及开展交直流融冰提供策略指导。将该模型与传统的支持向量机和广义回归神经网络覆冰预测模型进行了对比,结果表明,该模型平均误差为0.325 mm,平均绝对百分误差仅为2.61%,适用于输电线路覆冰厚度短期预测。在易覆冰地区,应用该预测模型能够更好地指导输电线路抗冰工作。     

基于改进的小波神经网络模型在覆冰预测中的应用研究

输电线路覆冰厚度数据对输电线路冰灾防治具有重要意义。线路覆冰达到一定厚度后,电线张力和杆塔荷载会达到危险水平,需要采取相应的措施。建立覆冰厚度预测模型,可以预测某一时间点的覆冰厚度值,为运行单位提供决策参考。利用线路的覆冰历史数据,选择小波神经网络建立覆冰厚度预测模型,并利用共轭梯度算法代替传统的训练算法,显著提高了建模速度。预测结果表明,这种模型具有较好的容错能力,并满足预测精度。     

采用模糊理论的覆冰灾害风险评估

为评估覆冰灾害对电网可能的风险,建立一个基于气象信息的电网冰灾风险评估模型。首先利用模糊理论建立基于气象信息的线路覆冰厚度预测模型,给出模糊推理系统各项参数具体的确定过程。其次分析风力载荷,冰力载荷对线路失效率影响,讨论融冰装置的投入情况与线路覆冰厚度关系,同时确定冰灾对线路修复时间的影响。最后给定风险指标,综合上述内容建立电网冰灾风险评估模型。算例仿真结果表明,覆冰厚度预测值与实际值的误差小于4 mm,覆冰厚度预测模型可行且有效;冰灾风险评估模型综合考虑了多因素对电网冰灾风险的影响,论证融冰机等措施的实行能极好降低冰灾风险,并通过分析风险损失费用,确定最优初始融冰厚度。     

基于时间序列分析与卡尔曼滤波的输电线路覆冰短期预测

为降低输电线路覆冰事故的影响,对输电线路覆冰厚度进行准确的短期预测将能够有效地指导电网抗冰工作。为此从输电线路覆冰是一种时间累积过程的角度出发,提出了一种基于时间序列分析与卡尔曼滤波算法混合的线路覆冰短期预测模型。模型利用导线覆冰量的时间数据序列所具有的自相关性和时序性,有效减少了现有覆冰预测模型由于测量到的各种微气象因素存在的误差累积到覆冰预测结果中的影响。最后,通过搭建的电力系统微气候模拟平台进行模拟覆冰试验来对预测模型进行了验证,其短期预测平均绝对误差为0.78%。同时,通过从贵州电网在线监测系统上提取实际覆冰数据,验证了预测模型的短期预测平均绝对误差为2.58%。这证实了该模型的有效性,能够为输电线路除冰工作提供参考。     

基于PCA-GA-LSSVM的输电线路覆冰负荷在线预测模型

针对目前输电线路覆冰负荷预测模型存在的预测精度不足、模型参数选择随意性强、预测效率低等问题,提出了一种基于现场监测数据的输电线路覆冰负荷在线预测模型。首先基于主成分分析法(PrincipalComponent Analysis, PCA)提取微气象数据中的有效信息,并采用遗传优化算法(Genetic Algorithm, GA)对惩罚系数等模型参数进行优化确定,建立离线最小二乘支持向量机(LeastSquaresSupportVectorMachines, LS-SVM)模型。然后基于KKT条件(Karush-Kuhn-Tucker conditions)和增量在线学习算法,实现了回归函数和预测模型的在线更新。最后通过云南电网相关输电线路覆冰灾害的实例进行仿真分析。实验结果表明所提模型可有效地对现场输电线路覆冰负荷进行在线预测,单步长及多步长的预测效果均优于传统的覆冰预测模型,应用该预测模型可更好地为输变电系统的除冰和维护决策服务。     

考虑灰色关联权重的PSO-LSSVM输电线路覆冰厚度预测模型

为了提高输电线路覆冰厚度预测精度,利用灰色关联分析确定覆冰影响因素对输电线路覆冰增长量的影响权重,采用PSO算法对LSSVM的参数优化,建立了考虑灰色关联权重的PSO-LSSVM输电线路覆冰厚度预测模型。采用实际运行线路的覆冰增长数据进行仿真分析,并与其他覆冰预测模型对比,考虑灰色关联权重的PSO-LSSVM输电线路等值覆冰厚度预测模型的均方根误差、平均相对误差和全局最大误差分别为0.575、3.124%和4.015%,均小于其他三种预测模型,验证了模型的正确性和实用性。     

遗传算法与BP神经网络相结合的输电线路覆冰厚度预测方法

为了保障输电网的安全运行,输电线路覆冰厚度预测极为重要。将人工神经网络原理引入输电线路覆冰厚度预测中,并针对BP网络收敛速度慢、易陷入局部极小的缺陷,提出了基于GA和BP的预测模型。实例研究证明GA-BP模型相比较BP模型,能更有效地预测输电线路覆冰厚度。     

架空输电线路覆冰厚度预测技术研究

通过统计和分析历年输电线路覆冰案例,根据气象和地理规律,提出一种基于气象信息的输电线路覆冰厚度预测方法。利用气象模式预报资料、气象台站观测资料和地形地貌信息,对冷空气中心路径预报,并通过覆冰气象地理模型预报未来一段时间出现覆冰的区域和线路,给出输电线路覆冰厚度预报值。另外采用高精度的地理信息资料订正冰厚,实现输电线路覆冰厚度预报。系统在湖北电网部署以来,多次准确预报了覆冰发生区域和输电线路冰厚,为线路运维人员防灾应急处置争取了宝贵时间。经实际验证,本方法预测输电线路覆冰厚度准确度高、实用性强,具有推广价值,同时也为开发输电线路舞动、雷电等灾害预报系统积累了经验。     

基于GRNN的输电线路覆冰厚度预测方法研究

为了保障输电网的安全运行,输电线路覆冰厚度预测极为重要。本文还将人工神经网络原理引入输电线路覆冰厚度预测中,并针对BP网络收敛速度慢、已陷入局部极小的缺陷,提出了基于广义回归神经网络(GRNN)的预测模型。实例研究证明GRNN模型相比较BP模型,能更有效地预测输电线路覆冰厚度。