冰雪灾害使得输电线路以及杆塔受到损害,造成部分地区中断供电,严重影响电网安全稳定运行,因此,对输电线路覆冰厚度进行预测可以有效地指导电网防冰工作。本文在分析线路覆冰机理的基础上,利用机器学习智能算法建立预测模型,通过灰色关联法分析不同因素对线路覆冰的影响,提出一种基于改进量子粒子群算法优化支持向量机（IQPSO-SVM）的线路覆冰厚度预测模型。本文的主要研究内容如下:1)阐述了覆冰形成的气象条件和生长过程,总结了线路覆冰的三种典型形态和危害,综合考虑了影响线路覆冰的气象、地形和线路自身等因素,并介绍了两类经典的覆冰模型。2)利用多层感知器（Multilayer Perceptron,MLP）神经网络和支持向量机（Support Vector Machines,SVM）建立了输电线路覆冰厚度预测模型;通过仿真实验对比分析得出:SVM建立的回归预测模型比MLP神经网络预测方法结果更易收敛且误差较小,更适合输电线路覆冰厚度预测。针对预测过程中SVM的惩罚参数和核函数对结果精度存在较大影响,采用粒子群算法（Particle Swarm Optimization,PSO）对SVM参数进行优化来减小预测相对误差。3)针对气象因素对输电线路覆冰厚度模型预测精度存在较大影响,利用灰色关联分析法对影响覆冰等效厚度因素进行关联分析,得到影响线路覆冰的强相关因素。针对粒子群算法在迭代过程中易限于局部最优的问题,提出了IQPSO-SVM线路覆冰厚度预测模型,通过实际线路覆冰历史数据对模型进行预测,利用对比实验验证模型的有效性。实验结果表明:与同类型方法相比,本文提出的IQPSO-SVM覆冰厚度预测模型预测精度较高,其平均绝对误差百分比为1.946%,均方根误差0.107mm,具有一定工程价值。