[发明专利]一种输电线路覆冰预测方法

说明书

本发明属于输电线路覆冰预测技术领域，尤其涉及一种输电线路覆冰预测方法，包括：首先选取温度、湿度、风速、风向作为输入数据并进行预处理；然后利用非劣排序遗传II(NSGA‑II)算法对KELM模型的参数进行优化，从而得到惩罚系数和核参数的最优值，最后输入数据得到预测线路覆冰厚度结果。取得的预测结果精度更高，鲁棒性更强。可以对不同地区、不同海拔高度的输电线路覆冰厚度进行预测，并可以取得较为理想的预测效果，本发明所构建的模型适应性和稳定性较强。

技术领域

本发明属于输电线路覆冰预测技术领域，尤其涉及一种输电线路覆冰预测方法。

背景技术

输电线路覆冰会引起绝缘子覆冰闪络、导地线断线、杆塔倒塌等一系列事故，严重影响电力系统的安全稳定运行。自有覆冰事故记录起，国内外均有报道输电线路覆冰造成高压输电线路倒塔、断线的事故，有些灾情比较严重。因此，研究构建覆冰厚度预测模型，准确预测输电线路覆冰厚度，对电力系统安全稳定运行有着重要的意义。

目前，国内外学者对输电线路覆冰厚度预测开展了多项研究，大致分为三个方面，分别是数学物理预测模型、统计预测模型和智能预测模型。数学物理预测模型多为基于导线覆冰的流体运动规律和传热机理对输电线路冰厚度进行预测。然而，由于数学物理预测模型中的部分参量在实际线路中难以通过测量获取，因此此类模型较难直接应用于实际输电线路的覆冰预测。统计预测模型是基于输电线路覆冰厚度统计规律进行的预测，主要有极值预测模型等，但是由这种基于数据统计方法得到的覆冰厚度预测模型不能推广到地理环境差异较大的其它输电线路，因此这种模型的预期效果并不是很理想。因此，在人工智能技术快速发展的时代背景下，运用智能预测方法来进行输电线路覆冰厚度预测便具有了更加重要的意义。

极限学习机(ELM)作为一种新型的前馈神经网络，能够克服传统BP神经网络和SVM的缺陷，该算法不仅降低陷入局部最优的风险，而且极大提高网络的学习速率和泛化能力，已在多个预测领域进行了应用，并得到了较为准确的预测结果。但是由于ELM的输入权值和隐含层偏置随机初始化的特点，其预测稳定性比较差。虽然在引入核函数后提出核极限学习机(kernel extreme learningmachine，KELM)算法，克服了ELM的稳定性差这一弱点并提高了算法学习精度；但同时其性能易受惩罚系数C和核参数σ的影响。

发明内容

为了为了提升输电线路覆冰预测的准确性和稳定性，本发明提出了一种输电线路覆冰预测方法，包括：

首先选取温度、湿度、风速、风向作为输入数据并进行预处理；然后利用非劣排序遗传II(NSGA-II)算法对KELM模型的参数进行优化，从而得到惩罚系数和核参数的最优值，最后输入数据得到预测线路覆冰厚度结果。

所述风向的预处理方式为：

其中，J为风向数据聚类处理结果值，θ为以导线为基准，风向绕导线逆时针旋转时，风与导线之间的夹角度数值，ceil为向上取整函数。

所述KELM模型的输出为：

其中，f(x)为KELM模型的输出，h(x)为隐层节点的特征映射函数，H为神经网络隐藏层矩阵，I为对角矩阵，C为惩罚系数，O为预测目标值向量，K(x,x_N)为核函数，Ω_ELM为核矩阵。

本发明的有益效果：

(1)通过NSGA-II算法对KELM模型参数进行优化，取得的预测结果相比于基本KELM模型和ELM模型，其预测精度更高，鲁棒性更强。

(2)本发明所提模型可以对不同地区、不同海拔高度的输电线路覆冰厚度进行预测，并可以取得较为理想的预测效果，本发明所构建的模型适应性和稳定性较强。