[发明专利]一种用于电网输电线路覆冰厚度的智能预测方法

说明书

本发明属于电力灾害预测技术领域，尤其涉及一种用于电网输电线路覆冰厚度的智能预测方法，包括：选取预测日平均温度、相对湿度及风速、前一天覆冰厚度、相对湿度和温度6个变量作为支持向量机的输入因素；利用粒子群优化算法对支持向量机的核参数和惩罚因子进行快速的全局搜索；将全局搜索得到的较优值转化为蚁群优化算法的初始信息素分布，利用蚁群算法进行路径搜索；将路径搜索产生的最优解的长度、运行时间和迭代次数代入粒子群优化算法中更新每个粒子的速度和位置，直至得到最优解，代入支持向量机；对支持向量机的惩罚因子进行加权后对电网线路覆冰厚度进行预测。本发明有效克服了两种算法的缺点，显著提高了计算效率。

技术领域

本发明属于电力灾害预测技术领域，尤其涉及一种用于电网输电线路覆冰厚度的智能预测方法。

背景技术

输电线路的正常、安全运行是避免电网重大事故的重要保证，而输电线路的覆冰会导致输电线路张力过大，引起导线舞动、线路跳闸、断线等事故，使电力供应中断，严重影响电力系统运行的稳定性和安全性。输电线路穿过污秽、高海拔、冰雪、酸雨、强雾等极为恶劣复杂的地区时，将会加大线路覆冰的发生的可能性。输电线路覆冰已成为影响世界各国电网安全运行的重要因素之一。对电网的覆冰进行准确的预测与防治，对防止和控制冰灾、提高电网安全可靠的运行具有重要的现实意义。

集群智能优化算法是模拟实际生物群体生活中个体与个体之间的相互交流与合作，用简单、有限的个体行为与智能，通过相互作用形成整个群体难以估量的整体能力，如遗传算法、差分进化、蚁群算法、粒子群算法、进化规划等算法。现有的蚁群算法由于缺乏初始信息素，在搜索初期运算速度较慢，且算法中的参数的设定是连续的，主要是通过实验方法确定的，该方法的精确度、计算速度及性能等方面与实验员的经验密切相关，很难使得该算法性能达到最优；现有的粒子群算法在连续空间内的优化问题中能表现出优异的性能，但通过N次迭代操作获得局部最优解后，再随着迭代次数的增加，粒子的速度将会越来越小，且逐渐趋于0，易陷入局部收敛。

发明内容

针对上述技术问题，本发明提出了一种用于电网输电线路覆冰厚度的智能预测方法，包括：

步骤1：选取预测日平均温度、相对湿度及风速、前一天覆冰厚度、相对湿度和温度6个变量作为支持向量机的输入因素；

步骤2：利用粒子群优化算法对支持向量机的核参数和惩罚因子进行快速的全局搜索；

步骤3：将全局搜索得到的较优值转化为蚁群优化算法的初始信息素分布，利用蚁群算法进行路径搜索；

步骤4：将路径搜索产生的最优解的长度、运行时间和迭代次数代入粒子群优化算法中更新每个粒子的速度和位置，直至得到最优解，代入支持向量机；

步骤5：对支持向量机的惩罚因子进行加权后对电网线路覆冰厚度进行预测。

所述最优解以预测值与实际值的平均百分比误差的最小值为目标。

所述加权利用灰色关联度计算样本之间的相似度确定权重。

本发明的有益效果：

综合考虑环境温度、相对湿度、风速、风向、海拔等影响因素，结合已使用的覆冰增长统计预测模型和覆冰气象参数预测模型，提出了加权支持向量回归算法(WSVR)，计算样本间的关联系数，由此确定不同样本的权重大小，并通过粒子群-蚁群(PSO-ACO)混合优化算法来优化参数g和C，将粒子群优化算法蚁群优化算法进行有机结合，来对支持向量机参数进行优化，能有效的克服两种算法的缺点，显著提高计算效率。

附图说明

图1为粒子移动图。

图2为ACO-PSO混合集群智能优化算法流程图。

图3为PSO-ACO算法的参数寻优迭代收敛过程。