一种基于即时学习的多模型在线建模方法

针对复杂非线性系统的建模问题,基于空间划分树(SP-Tree)和即时学习(lazy learning)的思想,设计了一种多模型在线建模方法。该方法基于分解-合成策略,根据系统输入输出数据,采用即时学习算法建立当前时刻的最佳局部模型,随着系统工作点的移动,滚动建立系统的多个模型,实现对非线性系统的准确建模。在建立邻域的过程中,采用一种基于SP-Tree数据结构的数据库进行分层递阶搜索,有效地提高了在线建模的实时性。最后,通过对一个仿真案例的研究验证了该算法的有效性。

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。

基于气象过程信息及指标遴选判据的电网覆冰灾害评估研究

目前对电网覆冰灾害风险评估研究工作,缺乏对资料有效性评估手段,同时现有研究所考虑评价指标不够全面等缺陷。本文以贵州电网460条线路覆冰数据为例,从覆冰资料、微地形因子、气象条件出发,全面考虑与电网覆冰相关的13个评价指标,首先采用k-VNN算法对样本资料质量控制,剔除偏离较大样本;其次建立指标遴选判据,剔除对本文研究影响较小指标,并对可变指标气象因子,采用过程信息处理;最后采用LS-SVM算法建立电网覆冰灾害评估模型。研究表明:5.87%样本偏离程度较大,属于无用样本;山脊、坡向两个指标对电网覆冰影响较小;本文所建电网覆冰风险评估模型与实际观测值资料较为接近,平均相对误差仅为2.13%,质量控制手段能有效提升模型精度12.7%,气象过程信息处理能有效提升计算模型精度4.5%。本文最后以110kV赫韭线覆冰情况为例,与人工观冰结果比对,进一步验证本文所建模型的准确性。本文研究所得结论,能够有效减小冰期人工观冰工作量,指导电网防冰加固等具有重要意义。