輕度覆冰區基于灰色組合神經網絡模型的算例分析

沈艷 中國水電八局高級技工學校/湖南省水利水電建設工程學校

輕度覆冰區基于灰色組合神經網絡模型的算例分析

沈艷 中國水電八局高級技工學校/湖南省水利水電建設工程學校

國家標準上通常將輸電線路覆冰厚度的范圍分為以下三個狀態：輕覆冰中覆冰重覆冰。本文根據氣象觀測站歷年輸電線路覆冰厚度標準以湖南電網為例，選擇湖南永州地區112號桿塔和湖南南岳地區75號桿塔為例，依據上述三種狀態從兩者歷年輸電線路覆冰厚度來看，前者為輕度覆冰區，后者為重度覆冰區，本文采用不同覆冰環境下的輕度覆冰區的歷史覆冰數據來對三種灰色預測模型和組合灰色神經網絡模型來進行輸電線路覆冰預測，研究該四種模型在不同環境下的預測精度及模型的適用性。

輕度覆冰區選取永州氣象觀測站，永州氣象觀測站輸電線路覆冰監測系統于1956年開始存在記錄，在覆冰期內監測到多次輕微線路覆冰情況。以該氣象觀測站某110kv線路112號桿塔觀測點為例，驗證計算該四種模型的準確性和預測精度。

112號桿塔位于北緯25°84′、東經114°25′，海拔148。地形處于兩山之間的谷底，附近有河流流過，氣象環境較為復雜多變，屬于架空輸電線路較易覆冰的地區，常年覆冰厚度不大，為輕度覆冰區。其具體位置如下圖1所示；

圖1 永州站地區某一線路112號桿塔地理環境圖

該線路于2013年12月19日到25日發生了覆冰過程。本文通過建立GM(1,1)、DGM(2,1)、Verhulst和組合灰色神經網絡G-ANN模型研究這次覆冰增長過程并獨立進行相應的預測分析。在本次覆冰期間的數據采集中，共選取462個有效數據（間隔采樣周期為30min）,做短期（24h）覆冰增長預測其中384個數據用作訓練，選取78個數據用于計算預測。算例過程中訓練組用于作為原始序列，然后再分別用GM(1, 1)、Verhulst、DGM(1, 1)進行建模，可得到三個單一灰色模型各自的包含384個數據的訓練組和78個數據的預測組。整理數據后將三個單一灰色模型的訓練組3×384個數據輸入徑向基BP神經網絡，訓練完成后，再輸入預測組，最后得到神經網絡輸出的78個覆冰預測數據，即短期(24 h) 內的覆冰預測值。預測結果見圖2和表1。

圖2 4種建模方法模型預測值與實際值對比圖

由圖2可見，這些預測模型的變化趨勢與實際的架空輸電線路覆冰變化趨勢是一致的。

表1 不同預測模型下對永州某線路覆冰厚度誤差精度

由上表1可見，本次覆冰增長過程當中，對比次3種灰色建模方法，鑒于呈指數增長的覆冰趨勢，GM(1,1)得到的預測精度和Verhulst模型計算的預測精度相差不大，都要比DGM（1,1）模型的預測精度要高。所以本文中提出的組合神經網絡G-ANN模型，無論是從訓練精度及角度，還是預測精度的角度均要優于其他三種灰色模型。

其次輸電線路冬季覆冰增長還會受各種自然因素的影響，而此次覆冰過程前期的覆冰厚度變化極其劇烈，導致訓練精度不如預測精度高。但即使是在覆冰前期，本次數據采集線路覆冰厚度劇烈波動，此種灰色預測模型仍能從大數據模型中找到線路覆冰增長的趨勢，通過計算獲得較準確的預測精度，這表明了灰色預測模型具有較好的弱化數列波動性，并從中找到變化規律的特點。