关键词:
覆冰厚度预测
时间序列
灰狼算法
深度学习
摘要:
在“两微”环境中,电力系统中输电线路受到严重覆冰的威胁,对电网运行的稳定性构成潜在风险。为提高事前预警运维效率,以经典输电线路的覆冰厚度监测时间序列为研究对象,创新地提出多变量长短期记忆-多层感知机(long short-term memory-multilayer perceptron, LSTM-MLP)模型,旨在建立合理可靠的覆冰厚度预测方法,以更好地捕捉输电线路覆冰监测数据的大范围波动。为此,使用LSTM-MLP模型分别对不同数据容量的导线运维数据进行预测并对比分析。模型使用导线覆冰量的时间序列数据对覆冰厚度进行预测,并引入温度、湿度、风力等多种覆冰控制因素提升模型在波动数据上的预测能力。为进一步提升模型性能,引入灰狼算法对模型超参数进行优化处理。结果显示:优化后的多变量LSTM-MLP模型对12个测试数据地覆冰厚度预测具有较低的均方根误差(root mean square error, RMSE)、平均绝对误差值(mean absolute error, MAE)和较高的决定系数(R~2),分别为1.076 5、0.745 5和0.889 3。对30个测试数据的预测结果,RMSE、MAE和R~2分别为0.881 4、0.523 8和0.931 5。这一系列结果相对于单变量LSTM-MLP模型更接近实际监测值,从而验证了多变量LSTM-MLP模型的高精度和可靠性。综上所述,多变量LSTM-MLP模型能够较好地捕捉输电线路覆冰数据的波动性,为非平稳型覆冰厚度的预测和预警提供了一种创新且高效的解决方案。