《Chinese Journal of Electrical Engineering》:Icing-Thickness Prediction for Transmission Line Based on Improved Support Vector Machine
编辑推荐:
极端寒冷条件下输电线路的覆冰灾害严重威胁电力系统的安全稳定运行。相关覆冰预测方法能够增强输电线路抵御自然灾害的能力。本文提出了一种在覆冰增长初期阶段预测输电线路覆冰厚度的方法。选取温度、相对湿度和风速等气象参数作为输入,覆冰厚度作为输出。利用气象与覆冰数据验证
极端寒冷条件下输电线路的覆冰灾害严重威胁电力系统的安全稳定运行。相关覆冰预测方法能够增强输电线路抵御自然灾害的能力。本文提出了一种在覆冰增长初期阶段预测输电线路覆冰厚度的方法。选取温度、相对湿度和风速等气象参数作为输入,覆冰厚度作为输出。利用气象与覆冰数据验证了该方法的有效性。采用插值法对数据进行扩充,并将其作为基于麻雀搜索算法优化的支持向量机(SSA-SVM)预测模型的训练集。结果表明,与常规反向传播(BP)神经网络及未经插值处理的各种支持向量机(SVM)回归方法相比,经插值处理后模型的预测精度显著提高。SSA-SVM模型的平均绝对百分比误差(MAPE)为4.833%,为输电线路覆冰预警系统提供了理论参考。
论文解读
一、研究背景与问题
近年来,全球气候变化加剧导致冻雨、降雪等自然灾害频发,对电网安全运行构成严峻挑战。输电线路作为电力系统的关键组成部分,在覆冰条件下极易发生舞动,进而引发杆塔变形、倒塌、断线等一系列事故。因此,建立准确的覆冰预测模型,为覆冰灾害的预警和防治提供有效方法和工具,具有重要的工程意义和学术价值。
现有输电线路覆冰预测模型研究主要分为两大类:机理模型和统计回归模型。机理模型基于过冷却水滴在导线覆冰增长过程中的碰撞、捕获和冻结过程分析,代表性模型包括Makkonen模型、Imai模型、Lehard模型以及湿增长预测模型等。然而,这类模型通常仅适用于特定环境,且过冷却水滴直径、碰撞率等参数在现场难以获取,导致其在实际线路覆冰预测中的应用受到显著限制。统计回归模型则基于连续采样周期内的微气象与覆冰厚度数据建立映射模型,包括反向传播(BP)神经网络和支持向量机(SVM)模型等。尽管已有研究利用气象参数作为输入变量建立覆冰预测模型,但仍面临两大挑战:一是实际气象数据采集过程中获取的脏数据(即传感器获取的偏离真实值的数据)问题;二是满足建模条件的关键气象参数样本数量不足,导致预测结果与实际情况存在显著偏差。
二、研究内容与意义
针对上述问题,研究人员提出了一种更为全面的数据预处理方法:筛选气象数据中的关键参数,剔除脏数据,对剩余数据进行归一化处理。鉴于气象数据在短时间内不会发生突变,采用线性插值方法扩充样本数据,从而提高气象样本数据的预处理精度。随后,利用插值后的历史覆冰数据训练经麻雀搜索算法(SSA)优化的支持向量机(SVM)模型,建立覆冰厚度预测模型,并利用现场实测数据验证模型有效性。最后,基于平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)三项关键指标,将所提模型与常规BP神经网络和SVM覆冰厚度预测模型进行对比评估。
该研究的意义在于:通过插值方法扩充样本数据,使优化算法能够找到接近全局最优的SVM惩罚因子c和核函数参数g,从而充分发挥SVM算法的效能,显著提高覆冰厚度预测精度,为输电线路覆冰灾害的早期预警提供理论参考。
三、关键技术方法
研究人员采用的主要技术方法包括:第一,脏数据剔除与归一化处理,依据覆冰形成的温度(-10℃≤TP≤0℃)、相对湿度(80≤HP)和风速(0≤SP≤6m/s)条件筛选数据,并采用线性归一化消除不同气象因子间的数值差异;第二,线性插值法扩充样本数据,利用缺失数据前后相邻时刻的实际值,基于一阶多项式插值方法补充数据;第三,麻雀搜索算法(SSA)优化支持向量机(SVM)的惩罚因子c和核函数参数g,SVM采用径向基函数(RBF)作为核函数。案例数据来源于吉林省合松I线310号塔上安装的线路覆冰监测装置及气象观测站,数据包括覆冰厚度、温度、相对湿度和风速,采样间隔为1小时。
四、研究结果
4.1 未经插值处理的覆冰厚度预测
研究人员将测试数据的前90%作为训练集,分别输入BP神经网络模型、常规SVM模型、粒子群优化SVM(PSO-SVM)、遗传算法优化SVM(GA-SVM)和SSA-SVM模型进行训练。训练结果显示,GA-SVM和PSO-SVM的训练集拟合曲线高度重叠,但整体拟合度低于SSA-SVM,表明SSA方法在小样本训练中更为有效。三种优化模型的c值分别为1.8476、2.000和1.763,g值分别为1.2765、1.2952和1.2653。SSA优化模型的c值小于其他SVM模型,对偏离数据具有更高的容忍度,拟合效果更好;其g值也较小,表明对小样本气象数据预测结果具有更高的精度。
将测试数据最后10%输入上述模型进行预测,结果表明常规SVM的整体误差范围在1.5mm以内,而其他三种优化算法的整体误差范围超过2mm,常规SVM在该数据集上表现出更优的泛化能力和稳定性。BP神经网络和SVM模型的MAPE分别比三种优化模型低5.724%和5.472%。分析原因,当三种优化模型得到的c值接近常规SVM中人工设定的惩罚系数时,误差减小。较小的惩罚系数允许更大的误差容忍度,但存在欠拟合风险。在原始数据样本较少的情况下,当数据集出现明显偏离常规值的噪声点时,较小c值的模型能够容纳该误差,凭借较强的泛化能力使拟合值更接近整体实际值。然而,虽然常规SVM模型预测精度高于其他四种模型,但仍不能满足实际覆冰预测需求。
4.2 经插值处理的覆冰厚度预测
研究人员对初始训练集进行插值处理,在等时间间隔处引入两个样本点,对插值后的样本进行归一化得到最终训练集,分别输入BP神经网络模型、常规SVM模型和三种优化SVM模型。三种优化模型的c值分别为1.9992、2和2,g值分别为0.8036、0.8125和0.8226。训练结果显示,三种模型在特定点均出现与真实值的明显偏差,但SSA在大多数训练点上提供了更好的拟合和训练效果。
将测试集数据输入五种模型后,各模型预测覆冰厚度趋势与实际值相似,但个别点的预测精度存在差异。在第5个样本点,LI-SSA-SVM与实际值的误差仅为0.112。插值后的模型与实际覆冰厚度趋势吻合度更高,预测值更为精确。其中,经SSA优化的SVM模型与实际值的拟合度高于其他四种模型。
误差评估显示,LI-SSA-SVM预测模型的误差小于其他四种优化模型,其MAPE低于5%,预测精度较高。各模型的MAPE均在1mm以内,表明预测值与实测值偏差极小。与GA和PSO两种常规优化算法相比,SSA-SVM在预测覆冰厚度方面表现出更优的MAE、MAPE和RMSE值,平均误差值降低21.3%。
4.3 插值前后对比分析
对比有无插值处理的各种覆冰厚度预测模型,常规BP神经网络和SVM模型的预测精度分别提高了30.224%和50.522%,但提升幅度小于优化SVM模型。各优化模型的预测误差均降低65%以上,这是因为插值处理后获得更大样本数据,有助于找到全局最优的c和g值,使各优化模型均展现出更高的预测精度。
五、结论与讨论
研究结论表明:第一,基于插值方法的各覆冰厚度预测模型的RMSE始终保持在0.9以下,验证了基于温度、湿度和风速预测覆冰厚度的可行性;第二,与常规BP神经网络和SVM回归方法相比,通过插值方法扩充样本数据对于优化SVM的c和g参数至关重要,SSA-SVM覆冰厚度预测模型的平均绝对百分比误差为4.833%,较插值处理前提升11.022%;第三,所提方法在实际输电线路覆冰预测中表现出高精度,平均绝对误差小于1mm,可为处理输电线路覆冰事故提供有价值的参考。
讨论部分指出,当样本数据有限时,噪声点会显著影响整体数据拟合效果,且人工设定c和g难以达到最优预测结果。通过插值扩大样本量后,优化算法能够获得无限接近最优参数值的c和g,从而最大化SVM算法的效能。常规SVM模型中c和g为固定值,无法灵活适应样本量变化,限制了整体拟合性能和支持向量计算;而SSA-SVM模型中c和g由SSA在参数优化后自动选择,能够根据数值变化特征实现参数优化值的闭环控制。不同优化算法产生不同的预测误差:GA具有全局搜索和种群优化能力,但可能陷入局部最优解,导致训练时间延长和分类精度降低;PSO是全局并行优化算法,两者均为SVM的常规优化算法。研究结果表明SSA-SVM在覆冰厚度预测中展现出更优的精度。未来研究将根据覆冰积累的不同阶段对模型进行修正,预测目标将从覆冰厚度转向线路舞动概率。