输电线路覆冰是输配电网中一种与自然气候紧密相关的且较为普遍的灾害,输电线严重覆冰会导致电网无法正常工作,危害电力系统的稳定运营。我国对西电东送项目不断加大投资,该输电工程对我国发展也越来越重要,其中云南电网作为西电东送的中坚力量,向电力紧缺的东部地区累计送电量达到了一万亿瓦时以上。然而云南省地形环境复杂,高原山地、盆地河谷和丘陵相间分布。其中,云南全省总面积的87.92%为山地、高原区域。云南电网62%以上的输电线路途经地质环境复杂、气象条件多变的中、重冰区,这些区域的输电塔线体系将受山地近地强风、冻雨冰雪等外力影响,严重时会造成杆塔结构的变形、受损,甚至导致导线的断裂、杆塔的倾倒等一系列重大电网安全事故。因此,对输电塔线覆冰进行分析预测,提前危险预警,为融冰操作提供指导,是减少覆冰期断线、倒塔等灾害发生的重要手段。本文的主要研究工作如下:（1）基于机理模型的气象与覆冰之间的关联关系,通过关联分析温度、湿度、风速等气象特征中对覆冰增长影响较大的气象特征作为主要特征。将环境温度X1、环境湿度X2、风速X3等气象特征作为输入特征序列X（X1,X2,X3）,覆冰厚度作为参照序列Y,建立灰色关联模型。通过灰色关联模型得到环境温度、环境湿度、风速分别与覆冰厚度的综合关联度,将提取的环境温度、环境湿度、风速等气象特征作为覆冰的敏感参数组成的特征向量输入覆冰厚度预测模型。（2）基于数据驱动的方式构建由初级层与次级层组成的两层结构的集成覆冰预测模型。考虑到各算法的差异性,本文初级层选用随机森林、最小二乘支持向量机、XGBoost、LSTM和多元线性回归模型五种差异性较大算法作为基学习器,建立Stacking覆冰预测模型。将温度、湿度、风速等气象特征与覆冰厚度的历史覆冰监测数据划分成训练集和测试集,对基学习器进行训练预测。通过平均绝对误差、均方误差、可决系数等性能指标分析对比各个基学习器的预测性能,最终选取预测性能较好的随机森林模型、LS-SVM模型、XGBoost模型、LSTM模型作为Stacking集成模型的初级层学习器。（3）用采用高原某山地电力输电线路覆冰在线监测系统收集到的覆冰数据对Stacking覆冰模型进行实验验证模型,构建Stacking覆冰模型。并构建Bagging集成模型与Stacking集成模型进行对比。其中,随机森林、最小二乘支持向量机、XGBoost、LSTM等单覆冰预测模型的均方误差MSE分别为1.0462 mm、1.5536mm、1.1381 mm、1.3209 mm,R~2值分别为0.9648、0.9478、0.9618、0.9502。通过性能评估指标对Stacking覆冰模型进行性能评价,Stacking覆冰预测模型的均方误差MSE为0.3901 mm,平均绝对误差MAE为0.28951 mm,可决系数R~2为0.9894,其R~2值相较于基学习器中效果最佳的随机森林提高了2.55%。Bagging集成模型预测性能相比基学习器有略微提高,MAE、MSE、R~2分别为0.3898 mm、0.6783 mm、0.9772。在该数据集上,Stacking模型预测的覆冰厚度与实际观冰数据吻合度较高,在各区间的误差样本数量均小于其他基学习器,超过3 mm的大误差样本减少为1个,超过0.5 mm的小误差样本数减少为14个,Stacking模型能对比Bagging模型能更好的结合不同基学习器的特点,较好的拟合实际的覆冰情况。