CN109284859A - 一种输电线路覆冰预测方法 - Google Patents

Abstract

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。

Description

一种输电线路覆冰预测方法

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***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***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。

(3)通过引入快速非支配排序技术、精英保留技术、采用拥挤度和拥挤度比较算子，能处理各种多维、非凸、非线性的复杂规划问题，且鲁棒性好、计算高效，能获得分布均匀、多样性良好的非支配解集。

附图说明

图1为本发明的整体预测方法框图。

具体实施方式

下面结合附图，对实施例作详细说明。

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。

1输入指标选择和数据预处理

输电线路覆冰厚度的影响因素有很多，但是其主要影响因素为温度、空气相对湿度、风速和风向。温度必须小于等于0摄氏度，空气相对湿度必须在85％以上。当具备了形成覆冰的温度和水汽条件后，风对导线覆冰起着重要的作用。它可将大量的过冷却水滴不断地输向线路，与导线碰撞而被截获并逐步增大形成覆冰现象。据观测，覆冰首先在导线迎风面上成长，当迎风面达到某一覆冰厚度时，导线因重力作用而产生扭转，从而出现了新的迎风面。这样，导线通过不断扭转而使覆冰逐步增大，最终导线上形成圆形或椭圆形的覆冰，因此输电线路覆冰的形成过程中，风速应当超过1m/s。除此之外，风向也对线路覆冰厚度产生影响，具体体现在：以导线的方向为水平零度，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处于[0°，180°)范围时，夹角越接近0°或180°则覆冰程度越轻，夹角越接近90°，覆冰程度越重；风与导线之间的夹角处于[180°，360°)范围时，夹角越接近180°或360°则覆冰程度越轻，夹角越接近270°，覆冰程度越重。因此，选择预测时点的温度、空气相对湿度、风速和风向及其前两个小时的覆冰厚度、温度、空气相对湿度、风速和风向作为输入数据，输出结果为预测点的线路覆冰厚度。

数据预处理步骤如下：

(1)风向数据聚类处理。风向数据的波动幅度较大，这会降低预测结果的准确性，而对风向数据进行聚类处理能够使其波动幅度变小，从而提升预测的准确性。因此根据风向对覆冰厚度的影响程度，对风向数据进行聚类处理，处理公式如下：

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。

(2)对所有数据标准化处理。由于各输入指标的性质不同，通常具有不同的量纲和数量级，为保证预测结果的准确性，需要对原始指标数据进行标准化处理。处理公式如下：

其中，x_i是实际值，其中风向数据的实际值为聚类处理后的结果，x_min和x_max分别是样本数据的最小值和最大值。

2基于NSGA-II算法优化KELM的预测模型

2.1NSGA-II算法

NSGA-II算法求解多目标优化问题的基本步骤如下所示：

(1)生成原始种群P_t，对种群P_t中的个体进行非支配排序和赋予Pareto最优秩，并对种群P_t进行遗传操作，形成子代种群Q_t。

(2)合并原始种群P_t和子代种群Q_t产生新种群R_t，对R_t进行非支配排序，并计算出R_t中处于支配层的个体r_i的拥挤度d_i。

(3)根据非支配排序和拥挤度(d_i)排序结果产生新一代种群P_t+1。

(4)对种群P_t+1继续进行遗传操作，产生其子代种群Q_t+1，若t未达到最大迭代次数t_max，则令t＝t+1，否则循环终止，输出结果。

其中，拥挤度(d_i)指的是种群中每个个体周围其他个体的密集程度。将处于边界的个体拥挤度定为无穷大，处于其他位置的个体拥挤度计算公式如下所示：

其中，d_i为种群中第i个个体的拥挤度；m为目标函数个数；f_j,i为第i个个体应用第j个目标函数得到的计算结果；f_jmax、f_jmin为第j个目标函数所能取得的最大值和最小值。

2.2核函数极限学习机(extreme learning machine with kernel，KELM)

KELM是一种单层前馈神经网络算法，相对于基本极限学习机(extremelearningmachine，ELM)算法，其解决回归预测问题的能力更强，而相对于BPNN和SVM，其在获得更好或相似的预测精度时，计算速度更快，而且极大提高了网络的泛化能力。KELM算法已在多个领域被证明具有优良的预测性能。

首先简单说明基本ELM算法的神经网络构建机制，其神经网络函数如下所示：

g(x)＝h_i(x)·β_i (4)

式中：g(x)为网络输出值，h_i(x)为与输入x对应的第i个隐层神经元的输出；β_i为第i个隐层神经元与输出神经元之间的连接权值。

ELM通过最小化输出误差保证回归预测精度，如下所示：

式中：L为隐藏层神经元的个数；g_O(x)为目标值构成的待预测函数。

同时ELM算法通过最小化输出权重β保证神经网络的泛化能力。通常β取其最小二乘解，计算方法如下所示：

式中：H为神经网络隐藏层矩阵；H⁺为H矩阵的广义逆矩阵；O为预测目标值向量。根据岭回归理论，通过增加正常数1/C，求解结果将更加稳定并具有更好的泛化能力。

对于KELM算法，其通过引入核函数来获得更好的回归预测精度，应用Mercer’s条件定义核矩阵，如下所示：

核矩阵Ω替代ELM中的随机矩阵HH^T，利用核函数将所有输入样本从n维输入空间映射到高维隐层特征空间。核参数设定完成之后，核矩阵Ω的映射值为定值。核函数K(μ,ν)，包括RBF核函数、线性核函数和多项式核函数等，通常设定为RBF核：

K(μ,ν)＝exp[-(μ-ν²/σ)] (8)

将参数1/C添加到单位对角阵HH^T中的主对角线上，使其特征根不为零，再由此求权值向量β*。这样使得ELM更具稳定性且其泛化性也更好。此时ELM网络的输出权值变为：

β^*＝H^T(I/C+HH^T)^-1O (9)

式中：I为对角矩阵；C为惩罚系数，用以权衡结构风险和经验风险之间的比例。HH^T是通过核函数将输入样本映射产生的。

由以上公式可得，KELM模型的输出为：

在基于核的KELM算法中，隐层节点的特征映射函数h(x)的具体形式不用特意给出，而只需要知道核函数的具体形式就可以求出输出函数的值。同时，因为核函数直接采用内积的形式，在求解输出函数值时也不必去设定隐层节点的个数，从而不需设定隐含层初始权重和偏置。

2.3整体预测框架

本文首先确定了输电线路覆冰预测模型的输入指标，并设计了数据预处理方法，然后使用NSGA-II算法优化KELM模型，从而得到惩罚系数C和核参数σ的最优值，最后输入输入指标特征数据得到预测结果。提出的组合预测框架如图1所示。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种输电线路覆冰预测方法，其特征在于，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。

2.根据权利要求1所述方法，其特征在于，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。

3.根据权利要求1或2所述方法，其特征在于，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。