MEABP神经网络输电线路覆冰厚度短期预测方法

输电线路覆冰对输电网的安全运行有着巨大的破坏性,在自然状态下,输电线路覆冰厚度呈非线性增长态势,且形成影响因素众多,难以通过简单的拟合函数来进行覆冰厚度预测.针对以上问题,引入BP神经网络进行覆冰厚度的短期预测.针对BP神经网络易陷入局部最优、过拟合、低稳定性等缺点,结合思维进化算法(MEA)的全局搜索能力,使用思维进化算法优化后的BP神经网络(MEABP)模型对输电线路覆冰厚度短期预测.实验结果表明,在考虑风速、风向、温度、湿度、气压、光照强度等几种影响因素下,MEABP预测模型能更加准确稳定地预测出短期输电线路覆冰厚度.     

输电线路覆冰过程多元混沌时间序列分析

低纬度高海拔地区的极寒天气会导致输电线路覆冰,从而给电网的安全运行带来极大威胁。首先,应用主元分析方法对影响覆冰程度的微气象因子进行降维,剔除不必要的微气象因子。然后,基于降维的结果,分别使用自相关法和伪最近邻法计算微气象因子时间序列的最佳延迟时间和最小嵌入维数,并根据最大Lyapunov指数定义进行判定,得到微气象时间序列都具有混特性的结论。最后,对多变量混沌时间序列的相空间进行重构。试验结果表明,该研究能为架空输电线路的覆冰预测工作提供新的研究途径。     

基于极限学习机的输电线路覆冰预测方法

针对目前输电线路覆冰厚度预测模型训练时间长,预测精度效果不佳等问题,引入学习速度快、泛化性能好、调节参数少的极限学习机,提出了基于极限学习机的覆冰预测方法,并把极限学习机同传统的几种神经网络算法进行了预测模型性能对比.实验结果表明,基于极限学习的输电线路覆冰预测方法在精度与时间花销上表现更好.     

粒子群算法优化相空间重构参数的网络流量预测模型

在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数——延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

基于多源信息融合的架空输电线路覆冰预测模型研究

输电线路严重覆冰可能会导致输电线路的机械和电气性能急剧下降,威胁电力系统安全、稳定运行。线路覆冰预测技术是电网防冰、抗冰领域难点之一。本文以电网输电线路自然覆冰监测大数据为基础,进行数据异常处理、缺失值填补等预处理,提出一种基于覆冰拉力浮动区间的区间准确率评测方法。研究基于新型深度学习的数据驱动输电线路覆冰预测技术,构建了融合历史监测拉力、微气象数据及未来天气预报的拉力时序、一阶差分拉力时序覆冰预测模型,实现覆冰监测终端未来24小时逐小时的拉力准确预测,提前预知输电线路是否覆冰以及覆冰程度,有助于防冰、融冰决策,保证电力系统稳定安全运行。     

太阳黑子数的小波包-小波网络混沌时序预测

太阳黑子是表征太阳活动的重要现象,影响地球、人体乃至生命环境.针对影响太阳黑子的因子难以确定的问题,引入小波包和混沌相空间重构子序列揭示太阳黑子时间序列的动力学及物理规律.该方法采用小波包分解原始时间序列,用混沌相空间重构恢复影响因子,并采用小波神经网络预测子序列,再经小波包重构获得太阳黑子的最终预测结果.其中小波神经网络采用自行开发的工具箱,其具有方便、收敛速度快、数据吞吐量大、预测精度高以及实用性强等特点,对推广小波神经网络应用具有重要作用,并为太阳黑子数的预测提供了一条新途径.     

在精细化气象要素下输电线路覆冰预测预警研究

南方地区冬季输电线路自然覆冰是线路运维难题和灾害预防课题,提升该地区线路覆冰预测预警能力迫切需要。本文在分析国内外输电线路覆冰预测模型及工程应用问题基础上,总结提炼出精细化气象要素下基于统计-经验知识确定覆冰等级方法进而建立覆冰等级区划,再结合线路自然环境的地形和气象因素构建相应较强泛化能力的覆冰等级模型,从而建立有效的线路覆冰预测预警工作机制。2年应用实践验证,该模型及工作机制能准确地预测预警线路覆冰状态。     

基于改进QPSO-SVM的输电线路覆冰厚度预测

冰雪灾害严重影响电网安全稳定运行，因此，对输电线路覆冰厚度进行预测可以有效地指导电网抗冰工作。利用灰色关联法分析温度、湿度、风速、降雨量和气压对线路覆冰厚度的影响，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，采用改进量子粒子群算法（IQPSO）对支持向量机模型（SVM）参数惩罚因子c和核函数宽度δ进行寻优，结果表明：环境温度与覆冰厚度关联性最高，其次是降水量、风速、相对湿度，气压关联度最小，呈弱相关性；于同类型方法相比，IQPSO-SVM覆冰厚度预测模型预测精度较高，其平均绝对误差百分比为1.946%，均方根误差0.107 mm，验证了预测模型的有效性，具有一定的工程价值。     

基于Hermite神经网络的混沌时间序列预测

针对混沌时间序列的混沌性,提出一种改进的相空间重构方法——交集寻优法;针对传统的BP神经网络、RBF神经网络及AR模型对混沌时间序列预测效率和预测精度较低的缺点,提出两种不同的Hermite神经网络预测模型。以四阶蔡氏电路为模型,结合粒子群算法建立预测模型。仿真结果表明,利用交集寻优法进行相空间重构能很好地保留原系统的动力学特性,证实了该方法的有效性;Hermite神经网络较传统的预测模型精度更高,便于基于粒子群算法的Hermite神经网络预测方法的推广和应用。