关键词:
覆冰
短期预测
BP神经网络
支持向量机
自回归移动平均
摘要:
电网的安全运行需要对输电线路覆冰进行有效的监测、预测及预警。现有的覆冰监测技术虽然弥补了传统人工巡视的不足,但是在预测、预警方面仍较难满足实际需求。国内外学者对于覆冰预测、预警的研究现阶段还较少,且普遍较难应用于工程中。为此,本文提出了基于覆冰-微气象数据的覆冰短期预测方法和基于时间序列的覆冰短期预测方法,用于输电线路覆冰的实时预测。
本文首先基于在线监测数据,对南方电网输电线路3种典型覆冰形态进行分析,总结南网主要冰区的覆冰特点以及覆冰发展规律。在此基础上,利用BP神经网络和支持向量机方法建立了输电线路覆冰-微气象回归模型,通过仿真实验比较得出结论:支持向量机方法建立回归模型比BP神经网络方法更准确也更易于收敛;进一步,提出了基于支持向量机的迟滞预测模型,通过实例数据仿真评估了模型的有效性,就有限的样本数据而言:迟滞预测模型在2小时内预测精度能达到80%以上,有望实现输电线路覆冰的短期预测。现有覆冰在线监测装置对微气象数据的测量存在一定缺陷,且覆冰-微气象回归模型较为复杂,为此,提出了基于覆冰量时间序列的覆冰短期预测方法,建立了基于覆冰时间序列的卡尔曼滤波模型和自回归移动平均模型模型。仿真实验表明:卡尔曼滤波模型覆冰识别及预测效果很好,但是受算法限制只能实现一步预测;自回归移动平均模型能实现输电线路覆冰的多步预测,在微气象数据缺失的情况下,就有限的样本数据而言,能准确估计2-3小时内的覆冰量,此后随着预测时间的增加,误差逐渐增大。
由于覆冰事件的小概率性以及覆冰监测装置稳定性不高,尤其是在气温低于0℃后较为频繁的故障,目前适用于建模仿真的长时间覆冰数据较少,因此本文提出的两种预测方法的有效性和稳定性还有待获取更多覆冰数据后进一步验证。