基于WPA优化LSSVM的输电线路覆冰厚度预测

针对现有输电线路覆冰厚度预测方法上存在的不足,采用狼群算法(wolf pack algorithm,WPA)对最小二乘支持向量机(least squares support vector machine,LSSVM)的惩罚因子和核函数参数进行优化,建立基于WPA优化LSSVM的输电线路覆冰厚度预测模型.采用某500 k...     

基于灰色支持向量机的输电线路覆冰厚度预测模型

为了降低输电线路覆冰事故对电网安全造成的严重影响,对输电线路覆冰厚度进行预测将能够有效地指导电网抗冰工作。提出了基于灰色支持向量机的输电线路覆冰厚度短期预测模型,分析了样本中脏数据的剔除及数据预处理方法,通过模型预测值与实测数据的对比验证了该模型的准确性和适用性,根据模型预测的线路最大覆冰厚度值对现场观冰、冰情预警以及开展交直流融冰提供策略指导。将该模型与传统的支持向量机和广义回归神经网络覆冰预测模型进行了对比,结果表明,该模型平均误差为0.325 mm,平均绝对百分误差仅为2.61%,适用于输电线路覆冰厚度短期预测。在易覆冰地区,应用该预测模型能够更好地指导输电线路抗冰工作。     

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VMD-IGWO-LSSVM的覆冰预测模型研究

精确的输电线路覆冰厚度预测,可以对线路除冰工作进行科学指导,及时调整电力系统除冰计划。覆冰厚度容易受到温度、湿度和风速等气候因素影响而具有不确定性和非线性。提出一种基于历史统计数据的输电线路覆冰厚度预测模型,使用变分模态分解（VMD）对覆冰厚度数据进行分解,得到具有不同中心频率的子分量;采用改进灰狼算法（IGWO）对最小二乘支持向量机（LS-SVM）中的参数惩罚因子c和核函数宽度δ进行寻优;对于各子分量分别建立最小二乘支持向量机（LS-SVM）预测模型,并集成为总预测值。通过仿真比较,验证了所提模型预测精度更高。     

基于改进的小波神经网络模型在覆冰预测中的应用研究

输电线路覆冰厚度数据对输电线路冰灾防治具有重要意义。线路覆冰达到一定厚度后,电线张力和杆塔荷载会达到危险水平,需要采取相应的措施。建立覆冰厚度预测模型,可以预测某一时间点的覆冰厚度值,为运行单位提供决策参考。利用线路的覆冰历史数据,选择小波神经网络建立覆冰厚度预测模型,并利用共轭梯度算法代替传统的训练算法,显著提高了建模速度。预测结果表明,这种模型具有较好的容错能力,并满足预测精度。     

基于支持向量机和模糊控制的输电线路覆冰状态评估模型

输电线路覆冰严重威胁着电力系统的安全运行。为提高输电线路覆冰状态评估准确率,以输电线路覆冰监测系统为基础,综合考虑监测系统的等效覆冰厚度、微气象参数以及覆冰持续时间等,提出基于支持向量机和模糊控制的输电线路覆冰状态评估模型。支持向量机实现覆冰状态的初步分类,输出无覆冰状态和有覆冰状态,针对有覆冰的状态进一步通过模糊控制评估模型对覆冰的严重程度作出准确评估,输出线路覆冰综合评估结果。实验数据验证了评估模型的准确性和可行性。     

基于支持向量机的输电线路覆冰回归模型

为对输电线路覆冰进行有效地监测、预测及预警,提出了一种基于支持向量机(support vector machine,SVM)的输电线路覆冰回归模型,用于输电线路覆冰情况的短期预测。这一研究工作是在MATLAB环境下,应用LIBSVM软件包编程进行建模仿真的;针对实测微气象-覆冰数据多维、自由度大的特性,选定与覆冰相关性最大的气温、相对空气湿度数据以及覆冰参考量作为输入量,覆冰质量作为输出量;提出了基于支持向量机的超短期预测、短期迟滞预测和滚动预测3种预测模型,并通过实例数据仿真评估了模型的有效性。结果表明:超短期预测模型预测精度>90%,但时效仅15min、实用价值较低;短期迟滞预测模型和滚动预测模型在2h内预测精度均>80%,可适用于输电线路覆冰的短期实时预测;滚动预测模型理论上可预测更长期的覆冰情况,假设微气象参量恒定不变限制了其预测精度,若结合微气象预报将会有更好的预测效果。由于目前适用于建模仿真的完整覆冰数据较少,因此支持向量机用于建立输电线路覆冰回归模型的有效性和稳定性还有待进一步验证。     

考虑灰色关联权重的PSO-LSSVM输电线路覆冰厚度预测模型

为了提高输电线路覆冰厚度预测精度,利用灰色关联分析确定覆冰影响因素对输电线路覆冰增长量的影响权重,采用PSO算法对LSSVM的参数优化,建立了考虑灰色关联权重的PSO-LSSVM输电线路覆冰厚度预测模型。采用实际运行线路的覆冰增长数据进行仿真分析,并与其他覆冰预测模型对比,考虑灰色关联权重的PSO-LSSVM输电线路等值覆冰厚度预测模型的均方根误差、平均相对误差和全局最大误差分别为0.575、3.124%和4.015%,均小于其他三种预测模型,验证了模型的正确性和实用性。     

基于PCA-GA-LSSVM的输电线路覆冰负荷在线预测模型

针对目前输电线路覆冰负荷预测模型存在的预测精度不足、模型参数选择随意性强、预测效率低等问题,提出了一种基于现场监测数据的输电线路覆冰负荷在线预测模型。首先基于主成分分析法(PrincipalComponent Analysis, PCA)提取微气象数据中的有效信息,并采用遗传优化算法(Genetic Algorithm, GA)对惩罚系数等模型参数进行优化确定,建立离线最小二乘支持向量机(LeastSquaresSupportVectorMachines, LS-SVM)模型。然后基于KKT条件(Karush-Kuhn-Tucker conditions)和增量在线学习算法,实现了回归函数和预测模型的在线更新。最后通过云南电网相关输电线路覆冰灾害的实例进行仿真分析。实验结果表明所提模型可有效地对现场输电线路覆冰负荷进行在线预测,单步长及多步长的预测效果均优于传统的覆冰预测模型,应用该预测模型可更好地为输变电系统的除冰和维护决策服务。     

基于粒子群算法优化支持向量机的专用工程费用量化研究

针对电力专用工程费用的复杂性且易受各种因素影响的问题,以某地区专用工程数据为基础,参考国内其他地区的收费标准,提出了一种基于粒子群算法优化支持向量机的专用工程费用预测。通过历史的专用工程费用数据样本对支持向量机进行训练,利用训练的模型对专用工程费用进行预测。同时用粒子群优化算法优化支持向量机的关键参数,提高专项工程费用的预测精度。     

输电线路导线覆冰AMPSO-BP神经网络预测模型

输电线路覆冰严重危害电网安全运行,因此,有必要开展线路覆冰预测研究。随着人工智能技术的不断发展,其在电网覆冰监测中的优势逐渐凸显。现有的基于覆冰增长物理模型和统计回归模型覆冰预测方法,一定程度上实现了通过微气象等因素预测覆冰增长的效果,但大都针对短期覆冰周期,对数据采集频率有很高的要求,实际工程中实现较为困难。因此文章统计分析了重庆市送变电公司2015—2019年线路观冰数据,得到了西南地区高湿环境下输电线路覆冰特性及规律,并依据覆冰增长物理过程选取了工程可测量气象参数作为覆冰影响因素,提出了一种基于自适应变异粒子群算法(adaptive mutation particle swarm optimization algorithm,AMPSO)优化BP神经网络的人工智能覆冰厚度预测模型,优化了BP神经网络的权值阈值选取,优化后的模型在预测精度上要强于单一BP神经网络与已有研究中提出的小波神经网络,具有良好的工程适用性。     

物理引导的SSA-BiGRU输电线路覆冰厚度预测模型

针对输电线路覆冰厚度预测精度不高的问题,在以微气象因素为特征进行覆冰预测的基础上,采用物理引导(PG)的神经网络,对输电导线进行受力分析.建立导线所受综合荷载计算模型,分析得出覆冰厚度、风偏角、综合荷载的变化规律.根据该变化规律构建模型损失函数,对模型的训练过程进行引导.使用双向门控循环(BiGRU)神经网络建立覆冰厚...     

输电线路绝缘子覆冰厚度图像识别算法

针对当前绝缘子覆冰监测方法研究现状,提出对于复杂环境下的绝缘子覆冰识别。首先利用模板匹配在图像中实现绝缘子的定位检测,然后对图像进行预处理、图像分割、边缘提取等处理,提取出覆冰前后绝缘子边缘,根据区域像素初步判断有无覆冰,若有覆冰进一步再计算其覆冰厚度。最后利用提出的算法对模拟覆冰实验室和现场采集的输电线路图像进行分析,将算法计算结果与模拟覆冰实验室人工测量的绝缘子覆冰厚度值进行比较,误差小于1.5 mm。结果表明,算法能够识别绝缘子覆冰并计算其覆冰厚度,可以真实地反映现场绝缘子覆冰情况。     

基于粒子群算法优化支持向量机的变压器绕组变形分类方法

变压器是电网最为核心的设备,绕组变形是变压器主要的故障类型之一,频率响应分析法(frequency response analysis, FRA)是目前广泛应用的绕组变形检测方法。为提高绕组变形分类诊断的性能,文中提出基于粒子群算法优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)的变压器绕组变形分类方法,采用数学统计方法提取频率响应曲线的特征参量,并输入到支持向量机模型进行训练,利用粒子群算法优化支持向量机模型参数,使其能够有效区分不同的绕组故障类型。为证明文中方法在变压器绕组故障诊断方面的有效性,在一台特制模型变压器上进行了一系列故障模拟实验。数据处理结果表明,训练后的支持向量模型表现出了极高的性能,并且,相比传统的网格搜索参数优化算法,粒子群算法优化的支持向量机可以显著提高变压器绕组变形故障的分类性能。     

基于改进PSO的SVM参数优化及其在风速预测中的应用

针对风电场短期风速预测的准确性问题,提出一种基于改进粒子群优化（PSO）算法的支持向量机（SVM）风速预测方法.通过对基本粒子群算法中的学习因子进行改进,来改善粒子群算法的自我学习能力和社会学习能力,从而使其更有利于收敛到全局最优解,进而能够找到更准确的参数值,使支持向量机的预测误差达到最小,提高风速的预测精度.实验结果表明,与PSO-SVM预测法和SVM预测法相比较,改进PSO-SVM法预测结果更准确.     

粒子群优化极限学习机的短路电流预测技术

针对传统极限学习机预测模型精度低和稳定性能差的问题,提出了一种利用粒子群算法优化极限学习机的短路电流峰值预测模型.建立超高压输电线路仿真模型,分析短路故障波形特点,获取全相角短路故障电流历史数据,利用平均相对误差、均方根误差、灰色绝对关联度三种精度检验法作为粒子群算法的适应度函数,构建粒子群算法与极限学习机算法相结合的...     

改进PSO优化ELM预测锂离子电池剩余寿命

针对极限学习机在预测锂离子电池剩余寿命过程中的不稳定性,提出利用混合粒子群优化算法对极限学习机预测模型优化的方法。通过改进的粒子群优化算法对极限学习机的输入端进行寻优处理,不但能够使模型的预测精度有进一步提高,而且大大增加了锂离子电池单次剩余寿命预测结果的可信度。利用NASA PCoE公开的锂离子电池数据进行仿真实验并评估该模型的预测性能,然后与标准的极限学习机预测模型预测结果进行对比,统计结果表明该方法使预测误差控制在2%左右。     

粒子群优化的SVM算法在气体分析中的应用

提出一种用于电子鼻气体定量分析的基于粒子群参数优化的SVM算法。引入群能量守恒粒子群算法对SVM模型中的参数进行优化,获得最优参数组合,以减小定量分析中的平均相对误差。实验结果表明,引入群能量守恒的粒子群优化算法(SEC-PSO)对SVM回归模型中的参数进行优化,使参数的确定更为合理,与单纯基于SVM的方法相比平均相对误差由原来的2.17%降低到0.35%,所提出的算法有效地提高了拟合的精度,从而进一步提高预测精度。