关键词:
覆冰厚度预测
GRNN神经网络
ELMAN神经网络
支持向量机
小波神经网络
智能辨识
摘要:
2008年年初南方特大冰冻灾害给电网造成了很大的危害,给人民群众的生命财产造成了巨大的损失,其主要原因是输电线路覆冰厚度过大,而覆冰厚度又未能得到预知。为此,论文以山西省电力公司科技项目“减少输电线路覆冰量措施分析与应用其为依托,选定输电线路覆冰厚度智能辨识模型为研究课题。通过对该模型的研究,为覆冰厚度的预测提供必要的理论依据,提高输电线路覆冰厚度预测的精度,减少覆冰对电网的直接和潜在危害,具有较好的理论价值和现实意义。
首先,论文研究了影响输电线路覆冰厚度的主要因素。影响覆冰厚度的主要因素有温度、湿度、雨量、风力、风向、导线悬挂高度、海拔、地理环境等等。研究结果表明,温度、湿度、雨量、风力、风向为输电线路覆冰厚度主要影响因素。
第二,论文利用神经网络理论在MATLAB软件平台上分别建立了两种预测模型,其分别为基于广义回归神经网络(GRNN)的预测模型、基于ELMAN神经网络的预测模型,同时上述两种模型进行了仿真验证。仿真结果显示,GRNN神经网络模型的预测误差为0.0018,ELMAN神经网络的预测误差为0.0631,仿真结果表明,GRNN神经网络模型比ELMAN神经网络模型预测精度高,更适合预测输电线路覆冰厚度。
第三,论文针对神经网络过于依赖初值、存在过学习现象、训练过程容易陷入局部最小值等问题,将支持向量机(SVM)理论引入到覆冰厚度预测模型中,在MATLAB软件平台上建立了基于SVM的覆冰厚度预测模型。针对SVM参数难于选取的问题,将遗传算法(GA)和粒子群算法(PSO)引入到SVM模型中,建立了PSO-SVM输电线路覆冰厚度预测模型以及GA-SVM输电线路覆冰厚度预测模型。参数寻优结果表明,最优参数组合(c,g)分别为(6.2389,1.6113)和(9.3845,0.01),同时利用上述参数对SVM预测模型进行了仿真。仿真结果显示,GA-SVM模型的预测误差达到0.00109729,PSO-SVM模型的预测误差为0.00147842,仿真结果表明,GA-SVM模型比PSO-SVM模型预测精度高,更适合预测输电线路覆冰厚度。
第四,论文利用小波理论和神经网络算法在MATLAB平台上建立了小波神经网络(WNN)模型,将小波算法引用到神经网络的训练过程之中,并对该模型进行了仿真验证,仿真结果显示,WNN模型的预测误差为0.2618。
最后对本文的五个模型的仿真效果进行了分析比较,结果表明,GA-SVM模型的预测误差最小,预测精度最高,因此最适合预测输电线路覆冰的厚度。