输电线路在覆冰荷载的作用下,容易引发倒塔、断线等安全事故,为了对输电线路覆冰进行提前预警,需要对线路上的覆冰厚度进行预测。本文基于数据驱动的方式,融合性能各异的覆冰预测模型,构建由初级层与次级层组成的输电线路覆冰厚度预测的...输电线路在覆冰荷载的作用下,容易引发倒塔、断线等安全事故,为了对输电线路覆冰进行提前预警,需要对线路上的覆冰厚度进行预测。本文基于数据驱动的方式,融合性能各异的覆冰预测模型,构建由初级层与次级层组成的输电线路覆冰厚度预测的Stacking集成模型。根据覆冰在线监测系统采集的气象数据与等值覆冰厚度,提取关联特征参数,训练Stacking覆冰预测模型的初级层(随机森林、最小二乘支持向量机、XGBoost、LSTM模型);通过初级层输出值对次级层的学习器进行训练,预测最终的覆冰厚度。结果表明,Stacking覆冰预测模型的MSE降低为0.5897 mm, R^(2)值达到0.9894。Stacking覆冰预测模型能够预测输电线路上的覆冰厚度,达到输电线路覆冰的安全预警作用,可以有效指导电网的抗冰工作。展开更多
为了提高输电线路覆冰预测精度,采用差分进化算法对灰狼优化算法进行改进,形成差分灰狼算法,采用差分灰狼算法(Differential Evolution Grey Wolf Optimization,DEGWO)对最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM...为了提高输电线路覆冰预测精度,采用差分进化算法对灰狼优化算法进行改进,形成差分灰狼算法,采用差分灰狼算法(Differential Evolution Grey Wolf Optimization,DEGWO)对最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)进行优化,建立基于DEGWO-LSSVM的输电线路覆冰厚度预测模型。采用两组实际运行线路的覆冰增长数据进行算例分析,并与其他覆冰预测方法对比,结果表明,DEGWO-LSSVM模型的误差波动更小,预测精度更高,验证了文章所提覆冰预测模型的正确性和实用性。展开更多
文摘输电线路在覆冰荷载的作用下,容易引发倒塔、断线等安全事故,为了对输电线路覆冰进行提前预警,需要对线路上的覆冰厚度进行预测。本文基于数据驱动的方式,融合性能各异的覆冰预测模型,构建由初级层与次级层组成的输电线路覆冰厚度预测的Stacking集成模型。根据覆冰在线监测系统采集的气象数据与等值覆冰厚度,提取关联特征参数,训练Stacking覆冰预测模型的初级层(随机森林、最小二乘支持向量机、XGBoost、LSTM模型);通过初级层输出值对次级层的学习器进行训练,预测最终的覆冰厚度。结果表明,Stacking覆冰预测模型的MSE降低为0.5897 mm, R^(2)值达到0.9894。Stacking覆冰预测模型能够预测输电线路上的覆冰厚度,达到输电线路覆冰的安全预警作用,可以有效指导电网的抗冰工作。
文摘为了提高输电线路覆冰预测精度,采用差分进化算法对灰狼优化算法进行改进,形成差分灰狼算法,采用差分灰狼算法(Differential Evolution Grey Wolf Optimization,DEGWO)对最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)进行优化,建立基于DEGWO-LSSVM的输电线路覆冰厚度预测模型。采用两组实际运行线路的覆冰增长数据进行算例分析,并与其他覆冰预测方法对比,结果表明,DEGWO-LSSVM模型的误差波动更小,预测精度更高,验证了文章所提覆冰预测模型的正确性和实用性。