论文部分内容阅读
随着电力系统的快速发展,电网灾害的研究成为了保证电网安全稳定运行的重要研究领域,特别是覆冰灾害的分析与预测已经成为非常重要的研究方向。由于电网在线监测技术的不断发展,输电线路覆冰过程中大量的微气象信息和覆冰数据被实时记录并保存下来。为降低输电线覆冰对电网可能造成的损失,基于现场监测数据,建立输电线路覆冰负荷实时预测模型,并根据预测结果给出输变电系统的预警态势,最终为输变电系统的除冰和维护决策服务是亟需解决的问题。本文拟基于数据驱动方法,针对目前输电线路覆冰预测模型存在的参数选择随意性强、预测精度差、泛化能力不足及无法在线学习等问题,提出现场数据驱动的输电线路覆冰负荷在线预测模型。主要取得以下研究成果:(1)针对覆冰负荷时间序列存在的动态性、非线性、不确定性及突变性等特征,结合聚类经验模态分解、相空间重构和支持向量机回归算法,提出基于多尺度分析的输电线覆冰负荷组合预测模型。通过实例验证,该模型可将原始覆冰负荷时间序列信号分解为较为平稳的波形,降低原始覆冰负荷时间序列存在的非平稳性和敏感性对预测结果的影响,以达到更好地跟踪现场覆冰变化规律的目的。(2)针对传统单一时间序列预测模型存在的预测精度差和参数选择随意性强的缺点,提出基于主成分分析和遗传算法优化的最小二乘支持向量机(PCA-GA-LSSVM)的覆冰负荷在线预测模型。实例验证表明了主成分分析可提取有效信息作为模型的输入,以消除微气象之间的相关性,遗传算法优化的最小二乘支持向量机算法通过动态更新模型训练样本集以提高模型的预测准确性及推广能力。(3)针对现有的覆冰负荷预测模型存在泛化能力不足以及不具有在线学习能力的问题,提出一种粒子群算法优化的精确在线支持向量机预测模型(PSO-AOSVR),并将其用于实际的覆冰负荷预测。结果表明了模型良好的预测性能以及PSO算法对解决AOSVR参数优化问题的有效性,有助于解决基于数据驱动的覆冰预测模型训练样本不完备的问题。同时模型具有在线学习能力,能够在线更新模型以适应新的实时微气象数据。