基于DEGWO-LSSVM的输电线路覆冰厚度预测模型_吴宇峰.pdf

第二十八卷 第一期，安徽电气工程职业技术学院学报 年 月 基于 的输电线路覆冰厚度预测模型吴宇峰，雷希童，陈海旭，张 翮，李巧玲投稿日期：作者简介：吴宇峰（），男，福建福州人，助理工程师，从事输电线路运行与检修工作。（福州亿力电力工程有限公司，福建 福州；国网福建省电力有限公司福州供电公司，福建 福州；国网福建省电力有限公司莆田供电公司，福建 莆田；国网湖北省电力有限公司荆门供电公司，湖北 荆门）摘 要：为了提高输电线路覆冰预测精度，采用差分进化算法对灰狼优化算法进行改进，形成差分灰狼算法，采用差分灰狼算法（，）对最小二乘支持向量机（，）进行优化，建立基于 的输电线路覆冰厚度预测模型。采用两组实际运行线路的覆冰增长数据进行算例分析，并与其他覆冰预测方法对比，结果表明，模型的误差波动更小，预测精度更高，验证了文章所提覆冰预测模型的正确性和实用性。关键词：输电线路；覆冰厚度；预测；差分灰狼算法中图分类号：；文献标识码：文章编号：（），（，；，；，；，）：，：；引言架空输电线路是电力输送的重要通道。随着我国电网规模的不断扩大，架空输电线路的数量日益增长。近年来，极端恶劣天气频繁，输电线路覆冰灾害事故频发，据统计，覆冰灾害引起的线路故障占比吴宇峰，雷希童，陈海旭，张 翮，李巧玲：基于 的输电线路覆冰厚度预测模型高达。因此，对输电线路覆冰预测模型进行研究，利用覆冰预测模型对输电线路覆冰厚度进行准确预测，对于减少覆冰灾害损失和提高供电可靠性具有重要意义。传统覆冰增长模型主要有、和，这些模型均属于理论模型，实际应用效果并不理想。随着人工智能的发展，智能算法在电力系统得到了广泛应用。在覆冰预测领域，文献分析了导线覆冰与其影响因素之间的关系，采用麻雀搜索算法对双向门控循环神经网络的超参数进行优化，在此基础上建立了导线覆冰增长预测模型。文献提出了一种基于自适应变异粒子群优化 神经网络的输电线路覆冰预测方法，采用该方法对重庆市多条输电线路覆冰情况进行了预测。神经网络需要大量样本数据进行训练，且在训练过程中容易陷入局部极值，因此上述模型的预测效果并不理想。文献采用狼群优化算法对最小二乘支持向量机（，）的惩罚参数和核函数参数进行优化，以气象参数为输入量，建立了狼群算法优化 的输电线路覆冰厚度预测模型，但预测精度有待进一步提高。本文采用差分进化（，）规则对灰狼优化算法（，）进行改进，得到差分灰狼算法（，），以提高算法的优化性能，并考虑气象因素和覆冰时长的影响，建立了基于 的输电线路覆冰厚度预测模型，采用实际运行线路的覆冰数据进行算例分析，验证模型的正确性和实用性。差分灰狼优化算法 灰狼优化算法灰狼优化算法（，）是 等人受灰狼猎捕猎物的过程启发提出的一种数学优化算法。算法模仿灰狼的游走、包围和攻击等行为来对数学问题进行优化，找到最优解。算法具有较强的全局搜索能力和较快的收敛速度，所需参数少，容易实现，自 年被提出后得到了广泛应用。灰狼种群在围捕猎物的过程中执行严格的等级制度，第一等级为种群领导者，称为 狼，负责指挥狼群的活动，第二等级为 狼，负责辅助 狼和指挥更低层次的灰狼，第三等级为 狼，负责执行 狼和 狼的指令，并指挥最低层次的 狼。灰狼种群在寻找猎物的初始阶段，无法确定猎物的准确位置，种群中适应度最好的 狼引导 狼和 狼搜索猎物，通过不断更新位置，灰狼种群不断朝着靠近猎物所在的位置，最终捕获猎物。算法的描述如下：令猎物当前位置为（），灰狼位置为（），则灰狼包围猎物的过程如下：（）（）（）（）（）（）式中：、为随机数，取值区间为，为收敛因子，、为矢量系数，为灰狼与猎物的距离。从式（）可知，灰狼距离猎物会越来越近，由于 逐渐减小，随着算法的迭代，灰狼会不断包围猎物。、和 狼对猎物位置信息有一定判断，狼根据、和 狼的位置对自身位置进行更新，具体如下：（）（）（）（）（）（）|（）（）（）（）|（）安徽电气工程职业技术学院学报 第二十八卷 第一期 （）（）式（）（）中，、分别为、狼与猎物之间的距离，（）、（）、（）分别为、狼的当前位置，、分别为 狼与、狼的之间的距离。收敛因子 可表示为：（）式中：、分别为当前迭代次数和最大迭代次数。随着迭代次数的变化，收敛因子从 线性递减至，便于算法在迭代前期开展全局搜索和迭代后期开展局部搜索。差分灰狼优化算法差分进化算法（，）是一种面向种群的全局优化算法，通过进化算子完成种群的迭代更新，本文将 算法的变异、交叉和选择等算子引入 算法，对灰狼位置进行更新。）变异算子。其表达式为：（）（）（）（）（）式中：为变异解，为当前解，为迭代次数，为变异因子，下标、和 分别表示三个整数，取值区间为，表示三个不同的个体。）交叉算子。种群中的个体变异后，交叉算子能够增加种群的多样性。变异解和当前解交叉后生成新个体，具体如下：（）（），（），|（）式中：（）为新个体，为随机数，取值区间，为交叉概率。）选择算子。采用贪婪策略比较新个体和父本，对优秀的新个体进行选择，其表达式为：（）（），（）（）（），（）（）（）式中：（）为适应度函数。根据选择概率确定灰狼个体是否采用差分进化策略更新位置。其表达式为：（）（）（）式中：（）为当前解 的适应度值，（）为种群中所有个体适应度之和。如果选择概率，则采用 算法（式（）式（）对 进行迭代更新，否则，采用 算法（式（）式（）对 进行迭代更新。最小二乘支持向量机最小二乘支持向量机（，）是一种典型的机器学习方法，常用于解决非线性分类、回归问题，其特点是对于小样本数据也具有较高的计算精度。算法回归原理可参考文献，为了提高 的拟合能力，本文采用径向基核函数作为 的核函数，具体如下：，()|（）吴宇峰，雷希童，陈海旭，张 翮，李巧玲：基于 的输电线路覆冰厚度预测模型式中：为核参数。研究表明，的回归拟合效果受惩罚因子 和核函数参数 的影响很大，为了提高 的回归精度，需要采用合适的算法对 和 进行寻优。输电线路覆冰厚度预测模型输电线路覆冰受多种因素的影响，这些因素与线路覆冰情况呈现出一定的非线性关系，研究表明，湿度、温度、风速和覆冰时长是覆冰增长的主要因素，因此，本文以湿度、温度、风速和覆冰时长为支持向量，采用 算法对 的惩罚因子和核参数进行优化，建立基于 的输电线路覆冰厚度预测模型，主要建模步骤如下，相关流程如图 所示。图 模型流程图（）划分样本数据。将覆冰数据划分为训练集和测试集，分别用于模型训练和精度检验。（）数据归一化。为减少覆冰数据单位及数量级的影响，需将其归一化，公式如下：（）式中：为特征量原始值；、分别为特征量最大值和最小值；为特征量归一化后的数值。（）初始化 参数。设置 和 的初始值为 和 ，并利用 输出预测值，根据预测结果计算初始适应度值，本文采用均方根误差作为适应度值，计算公式如下：（）（）式中：为样本数量；为覆冰厚度实际值，为覆冰厚度预测值。（）设置 算法的相关参数，设置种群规模 、最大迭代次数。（）计算个体适应度，根据适应度值确定、的位置。（）计算选择概率，如果选择概率，则采用 算法更新，否则，采用 算法更新。（）判断适应度值是否达到目标精度或达到最大迭代次数，若是则输出 和 的最优解，否则返回步骤（）。（）将 和 的最优解赋给，即可对测试集数据进行预测。算例分析从华中某省电力公司获得一组导线覆冰数据，部分数据如表 所示，该数据共 组，编号为 ，前 组为训练集，后 组为训练集。安徽电气工程职业技术学院学报 第二十八卷 第一期表 部分覆冰数据样本标号湿度 温度 风速（）覆冰时长 导线冰厚 将湿度、温度、风速和覆冰时长作为输入量，覆冰厚度作为输出量，建立覆冰预测模型。采用 算法对 的 和 进行优化，其迭代寻优曲线如图 所示，为了对比分析，图 同时给出了 算法的寻优曲线。由图 可知，算法的迭代次数更少，寻优精度更高。图 优化效果对比图 和图 分别给出了 和 模型的训练效果和训练误差，由图 可知，相比 覆冰预测模型，模型的覆冰厚度预测值更接近实际值。由图 可知，模型在训练过程中的误差波动更小，预测精度更高。综合图 图 可知，基于 输电线路覆冰厚度预测模型的训练效果更好。图 训练效果对比 图 训练误差对比利用训练好的 模型和 模型对测试集进行预测，预测结果如图 所示。为了对比本文模型的正确性，采用相同覆冰数据建立 模型和 模型，它们对测试集的预测值也展示在图 中。由图 可知，相比其他模型，本文提出的 模型对测试集的预测效果更好。吴宇峰，雷希童，陈海旭，张 翮，李巧玲：基于 的输电线路覆冰厚度预测模型图 测试集预测结果对比为了进一步对比各模型的覆冰预测效果，采用均方根误差和平均相对误差对其进行评价，均方根误差的计算公式见式（），平均相对误差的计算公式如下：（）四种模型对测试集的预测误差如表 所示，由表 可知，、和 模型的平均相对误差分别为 、和 ，均方根误差分别为 、和，通过对比可以看出，模型的平均相对误差和均方根误差均小于其他模型，可见本文所提模型进行覆冰预测时的波动性更小，预测精度更高。表 各预测模型计算误差模型 采用另外 条 输电线路覆冰增长过程对本文所提覆冰预测模型的实用性进行验证，本次覆冰数据的采样时间间隔为 ，共收集 组覆冰数据，其中训练集和测试集样本容量分别设置为 和，仍以湿度、温度、风速和覆冰时长为输入量，覆冰厚度为输出量，建立基于 的输电线路覆冰厚度预测模型，预测结果如图 所示，预测误差如表 所示。图 覆冰预测结果表 覆冰预测误差误差 数值 综合图 和表 可以看出，模型对本次 输电线路覆冰预测效果较好，预测精度较高，进一步验证了本文所提覆冰预测模型的实用性。安徽电气工程职业技术学院学报 第二十八卷 第一期 结论本文以湿度、温度、风速和覆冰时长为支持向量，采用差分灰狼算法对最小二乘支持向量机进行优化，建立了基于 的输电线路覆冰厚度预测模型，采用两组实际运行线路的覆冰增长数据进行算例分析，结果表明，本文所提覆冰预测模型对两次覆冰过程的预测精度分别为 和 ，预测精度高于其他覆冰预测模型，验证了模型的正确性和实用性。参考文献：胡建林，刘杰，蒋兴良，等 基于弧垂测量的综合荷载下导线等值覆冰厚度监测方法 高电压技术，（）：丁向东，郑华，郑伟，等 基于改进 的输电线路覆冰预测模型构建及应用研究 微型电脑应用，（）：杨知，赵彬，李闯，等 基于星地融合的输电线路覆冰预警优化方法研究 电测与仪表，（）：罗聪，范力栋，赵学文，等 基于 的覆冰预测模型研究 电网与清洁能源，（）：于童，李英娜 物理引导的 输电线路覆冰厚度预测模型 电力科学与工程，（）：李贤初，张翕，刘杰，等 输电线路导线覆冰 神经网络预测模型 电力建设，（）：汪晗，李启迪，黄治翰，等 基于 优化 的输电线路覆冰厚度预测 东北电力技术，（）：程陈，陈堂贤，孙培胜，等 基于灰狼算法的光伏组件故障诊断模型优化 电源技术，（）：李猛 基于差分进化算法的电力变压器故障监测方法 电气应用，（）：方权，刘闯，宋敏，等 模糊评价与 优化的 架空输电线路故障率预测 水电能源科学，（）：刘闯，何沁鸿，卢银均，等 输电线路 覆冰预测模型 电力科学与技术学报，（）：责任编辑：王川陵