本课题是山西省电力公司科技项目“减少输电线路覆冰量措施分析与应用”的子课题。最早有记录的输电线路覆冰事故1932年出现于美国,而最近几十年来,我国也遭受了大范围的冰灾事故,2008年元月,我国南方遭遇暴雪、覆冰凝雪等极端恶劣气候的袭击,导致电煤短缺,全国17个省级电网拉闸限电,损失惨重。覆冰问题顿时成为迫在眉睫的热点问题。本论文立足于山西省易产生覆冰灾害的忻州地区,通过对忻州神原一回线路109杆塔处的气象参数及其相关历史数据进行分析,建立神经网络智能辨识的输电网覆冰厚度模型,对未来覆冰厚度进行仿真辨识预测,从而指导生产,防患于未然。本文首先对覆冰的产生机理以及现有模型进行了综述,接着深入研究了神经网络的模型建立问题,并给出了较为适用的建模方法和应遵循的原则。在研究了大量文献资料的基础上,通过分析影响覆冰量的气象因素,构建了一个四层的BP神经网络,建立了忻州220kV输电线路的智能辨识模型。预测结果的精度相对传统方法有了很大程度的提高。但基于BP网难以确定隐含层节点,容易陷入局部最小点,本文详细讨论了RBF(Radial Basis Function)网络机理建立,RBF网络模型具有训练速度快,收敛性好等特点,同时可以大大地减少隐含层神经元的数目,论文以matlab为平台,据输电线路的历史数据,分别采用四层BP网和RBF网进行了模型辨识,辨识结果表明:RBF网预测程度优于BP网。支持向量机(Support Vector Machine,简称SVM)是基于统计学习理论的一种新的机器学习技术。由于采用了结构风险最小化原则、替代经验风险最小化原则,使它较好的解决了小样本学习的问题。正因为SVM理论有较为完备的理论基础和较好的学习性能,使得它成为继神经网络研究之后新的研究热点。在论文中,介绍了支持向量机的理论基础,通过分析山西省忻州市220kV输电线路湿度、温度、雨量、覆冰厚度等历史数据,建立了SVM忻州输电线路覆冰厚度辨识模型。针对SVM方法,通过对不同的核函数、参数的分析,确立了最优的核函数和相关参数,利用SVM的回归算法进行网络训练,最终确定了网络结构,并用检验数据进行检验。通过对预测结果进行误差分析,并与BP和RBF神经网络的预测结果进行比较,基于支持向量机的忻州输电线路覆冰厚度模型预测精度和速度要优于神经网络方法。