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。     

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。     

基于粒子群算法优化支持向量机的输电线路覆冰预测

分析了现有输电线路覆冰厚度预测方法中的不足,提出了一种基于粒子群算法优化支持向量机的输电线路覆冰预测。通过历史覆冰增长数据样本对支持向量机进行训练,利用训练的模型对线路覆冰厚度进行预测。同时利用粒子群优化算法对支持向量机关键参数进行优化,有效提高了覆冰厚度预测精度,为输电线路防冰提供了可靠依据。     

基于数据驱动算法和LS-SVM的输电线路覆冰预测

输电线路的严重覆冰给电网的安全生产带来了极大的危害。针对线路覆冰与气象条件的数学描述模型不能很好地反应冰厚与微气象条件的关系和基于全局数据的智能覆冰预测算法复杂、准确度低,无法实现在线预测的难题,文中采用数据驱动的思想,以矢量的方式看待覆冰样本数据,提出一种基于数据驱动算法和最小二乘支持向量机(LS-SVM)覆冰预测模型。该方法在k均值邻近算法的基础上对覆冰历史数据进行优化选择,充分利用LS-SVM需求样本数量少、训练速度快、泛化能力强等特点对输电线路覆冰模型进行快速建模。算例表明了所提算法的有效性和正确性。     

基于支持向量机和模糊控制的输电线路覆冰状态评估模型

输电线路覆冰严重威胁着电力系统的安全运行。为提高输电线路覆冰状态评估准确率,以输电线路覆冰监测系统为基础,综合考虑监测系统的等效覆冰厚度、微气象参数以及覆冰持续时间等,提出基于支持向量机和模糊控制的输电线路覆冰状态评估模型。支持向量机实现覆冰状态的初步分类,输出无覆冰状态和有覆冰状态,针对有覆冰的状态进一步通过模糊控制评估模型对覆冰的严重程度作出准确评估,输出线路覆冰综合评估结果。实验数据验证了评估模型的准确性和可行性。     

基于支持向量机的区域覆冰模型

针对无人区输电线路冰区划分问题,本文提出一种基于支持向量回归机(support vector vegression,SVR)的区域覆冰模型。利用研究区域大量实测覆冰数据和同时气象数据,采用ArcGIS提取区域地形因子,并将气象因子空间数值化,分析覆冰与气象因子和地形因子的关系,构建区域覆冰数学模型。研究结果表明支持向量机覆冰模型优于线性模型。     

基于VMD-IGWO-LSSVM的覆冰预测模型研究

精确的输电线路覆冰厚度预测,可以对线路除冰工作进行科学指导,及时调整电力系统除冰计划。覆冰厚度容易受到温度、湿度和风速等气候因素影响而具有不确定性和非线性。提出一种基于历史统计数据的输电线路覆冰厚度预测模型,使用变分模态分解（VMD）对覆冰厚度数据进行分解,得到具有不同中心频率的子分量;采用改进灰狼算法（IGWO）对最小二乘支持向量机（LS-SVM）中的参数惩罚因子c和核函数宽度δ进行寻优;对于各子分量分别建立最小二乘支持向量机（LS-SVM）预测模型,并集成为总预测值。通过仿真比较,验证了所提模型预测精度更高。     

基于RBF神经网络的输电线路覆冰短期预测研究

本文提出了一种基于RBF神经网络的输电线路覆冰短期预测方法。首先介绍了RBF神经网络的基本原理及算法;然后对覆冰监测终端实测数据进行了误差剔除、缺失数据补充以及数据归一化等预处理;在此基础上,通过比较不同输入因子下模型的准确度,确定最佳建模方案;进一步通过实例验证了这一覆冰预测模型的准确性。研究结果表明,基于RBF神经网络的输电线路覆冰短期预测模型,在选取了恰当的输入因子的情况下,可以较好的实现输电线路覆冰的短期预测。     

微气象条件下输电线路导线覆冰预测模型

覆冰作为一种特殊的气象条件,给架空线路的安全运行造成严重影响。首先对山区微气象条件下输电线路导线覆冰规律进行深入研究,并得到在不同微气象条件下,各个气象参数对输电线路导线覆冰的影响系数不同这样一个结论。随后,根据不同的影响系数对各个微气点进行建模,基于此,提出了一种基于神经网络及模糊逻辑算法的输电线路导线覆冰组合预测模型。计算结果表明,上述基于微气象区域条件的输线电路导线覆冰预测模型与以往的全局模型和单纯的BP神经网络相比,有更高的预测精度,其在实际中的应用也取得了良好的效果。     

输电线路导线覆冰AMPSO-BP神经网络预测模型

输电线路覆冰严重危害电网安全运行,因此,有必要开展线路覆冰预测研究。随着人工智能技术的不断发展,其在电网覆冰监测中的优势逐渐凸显。现有的基于覆冰增长物理模型和统计回归模型覆冰预测方法,一定程度上实现了通过微气象等因素预测覆冰增长的效果,但大都针对短期覆冰周期,对数据采集频率有很高的要求,实际工程中实现较为困难。因此文章统计分析了重庆市送变电公司2015—2019年线路观冰数据,得到了西南地区高湿环境下输电线路覆冰特性及规律,并依据覆冰增长物理过程选取了工程可测量气象参数作为覆冰影响因素,提出了一种基于自适应变异粒子群算法(adaptive mutation particle swarm optimization algorithm,AMPSO)优化BP神经网络的人工智能覆冰厚度预测模型,优化了BP神经网络的权值阈值选取,优化后的模型在预测精度上要强于单一BP神经网络与已有研究中提出的小波神经网络,具有良好的工程适用性。     

一种基于长短期记忆网络的线路覆冰预测模型研究

输电线路覆冰灾害易引发危害电网安全运行的事故,对输电线路覆冰情况进行短期预测十分必要。提出了一种基于结合气象因素和导线覆冰量的时间序列模型预测法,建立一个由5个气象要素和一个导线覆冰量数据组成的数据集,采用长短期记忆网络算法训练预测模型,利用线路实际运行数据对模型进行优化和评估。实验结果表明,所提方法可准确、有效地实现线路覆冰发展情况的预测,预测误差仅4.2%。     

计及气象因素时间累积效应的输电线路覆冰预测

现有基于机理的覆冰预测模型考虑因素众多,结构复杂,但仍存在预测误差。基于统计回归的覆冰预测模型则较少考虑时间累积效应,与实际情况亦有出入。因此提出了计及气象因素时间累积效应的输电线路覆冰预测模型。建立了气象因素下的覆冰厚度增长简易模型,分析了覆冰厚度随时间增长的关系。并进一步考虑不同气象因素对覆冰增长的影响,构建不同气象因素覆冰厚度增长程度指标。利用历史气象数据计算该指标并与覆冰厚度监测值组成训练集,采取SVM回归方法实现对覆冰情况的预测。通过算例对现有各方法与所提方法进行了对比,验证了该预测模型在精度等方面的优势。     

基于星地融合的输电线路覆冰预警优化方法研究

输电线路覆冰预测对保障电网安全具有重要意义,随着气象条件日趋复杂,为了提升输电线路覆冰预测的准确性和及时性,依托现有的覆冰预测模型,提出了一种基于卫星气象和地面气象站点数据的星地融合气象要素反演方法。对覆冰预测模型中核心气象输入参数(如温度、降水、风速)预报精度进行优化提升,进而提高复杂气象条件下输电线路覆冰预警精度。以浙江某输电线路为实验区,实验结果表明文中方法对温度和降水的预报效果提升较为明显,提前72 h输电线路覆冰预报的准确度相对于24 h预报准确度没有明显的下降,对于24 h~72 h的覆冰预测预警有较好的指导意义。     

基于覆冰周期分段建模预测的研究

输电线路覆冰现象在冬季比较普遍,已成为威胁架空输电线路安全运行的重要因素。物理模型和经验模型是建立输电线路覆冰模型的2种思路。一个完整的覆冰周期变化复杂,目前建立的经验模型均是针对整个覆冰周期,建模精度不高。根据大量覆冰数据聚集分析,将覆冰周期分为4段:覆冰快速增长期、覆冰不稳定增长期、覆冰稳定期和覆冰脱落期。提出了针对不同时期变化特征建立不同模型进行覆冰预测,对比了整体建模预测结果与分段建模预测结果,结果表明分段建模预测精度优于整体建模精度。     

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。     

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。     

基于PSO-RBF的输电线路覆冰预测研究

覆冰后的架空输电线路在风载荷的作用下,容易产生导线舞动现象,严重危害输电线路安全。提出一种基于PSO-RBF的神经网络模型对输电线路的覆冰情况进行预测,对微气象参数影响因子进行排序,选取合适的微气象因素作为模型的输入,降低建模输入的维度,并通过粒子群算法对RBF神经网络参数进行优化,与单一的RBF神经网络相比提高了预测精度,能及时了解导线覆冰的趋势并给出预警,有效防止严重覆冰事故的发生。     

输电线路超短期覆冰厚度精准预测模型研究

冬季架空输电线路覆冰是导致输电线路发生冰雪灾害的直接原因,在线实时融冰是预防冰雪灾害的有效措施。对于冻雨致冰厚度的精准预测,是实施最优融冰方案的前提。设计了模拟导线监测系统和现场微气象系统,以模拟导线监测数据和微气象站技术,结合冻雨覆冰理论计算空气中前期液态水含量。基于灰色系统理论,应用GM(1,1)模型,预测空气中超短期液态水含量、风速、降雨量。在此基础上,根据所预测液态水含量、风速、降雨量计算覆冰增长速度。综合多种实际监测数据,建立覆冰数据仿真模型。     

架空输电线路覆冰在线监测系统的开发与应用

针对现有输电线路覆冰监测手段存在的不足,开发了1种新型输电线路覆冰在线监测系统。该系统由高电位在线监测装置、低电位在线监测装置、自动气象站、传输网络及主站系统等组成,通过实时采集环境微气象数据、导线特征数据及线路走廊图像数据,计算出导线等值覆冰厚度;结合覆冰图像信息及现场微气象数据,实现对线路覆冰情况的预警。通过在某500 kV输电线路上实际应用,证明了该系统对输电线路覆冰监测预警的有效性。