基于優(yōu)化SVRM的輸電線路短時期覆冰厚度預(yù)測模型研究

湯偉 桑旬 劉家兵 武健

摘?要：針對目前輸電線路覆冰預(yù)測誤差大、效率低等問題，提出了一種基于優(yōu)化SVRM的輸電線路覆冰厚度預(yù)測模型.首先運用主成分分析法（PCA）提取出影響線路覆冰的主要特征，其次利用粒子群算法（PSO）對支持向量回歸機（SVRM）中的主要參數(shù)進行迭代最優(yōu)化，同時搭建輸電線路覆冰預(yù)測模型.最后結(jié)合四川電力勘探設(shè)計院某觀冰站自動監(jiān)測系統(tǒng)采集的現(xiàn)場2 234組覆冰氣象數(shù)據(jù)集，對所提出的預(yù)測模型進行訓(xùn)練與測試，驗證預(yù)測模型的有效性與實用性.與未優(yōu)化及同類型預(yù)測方法相比，其預(yù)測平均均方誤差分別減少了約28%、21%、3%，預(yù)測準(zhǔn)確度有一定的提高.

關(guān)鍵詞：輸電線路；自動監(jiān)測；覆冰預(yù)測；主成分分析；支持向量回歸機

中圖分類號：TM733

文獻標(biāo)志碼： A

文章編號：2096-398X（2023）04-0151-07

Abstract：Aiming at the problems of large error and low efficiency of transmission line icing prediction，a prediction model based on optimized SVRM is proposed .Firstly，principal component analysis （PCA） is used to extract the main features affecting line icing.Secondly，particle swarm optimization （PSO） is used to iteratively optimize the main parameters of support vector regression machine （SVRM），and the icing prediction model is established at the same time.Finally，combined with the 2 234 sets of field icing data set collected by the automatic monitoring system of an ice observation station of Sichuan Electric Power Exploration and Design Institute，the effectiveness of the prediction model is verified.Compared with the non optimized and the same type of prediction methods，the average mean square error of prediction is reduced by about 28%，21% and 3% respectively，and the prediction accuracy is improved to a certain extent.

Key words：power transmission line; automatic monitoring; icing prediction; principal component analysis; support vector regression machine

0?引言

輸電線路覆冰的增加會使導(dǎo)（地）線、絕緣子串以及桿塔的機械荷載增大，進而導(dǎo)致線路受到扭曲等機械力的破壞，將嚴(yán)重威脅電網(wǎng)的安全穩(wěn)定運行［1］.國家電網(wǎng)信息化規(guī)劃明確要求加快電網(wǎng)智能化轉(zhuǎn)型，研究災(zāi)害預(yù)警典型算法模型，對于海量數(shù)據(jù)有效災(zāi)害預(yù)警信息的提取和整合具有不可忽視的意義［2］.

國內(nèi)外大量專家學(xué)者對覆冰預(yù)測模型已開展了廣泛的研究，主要基于兩個大方向：一是，基于導(dǎo)線覆冰生長物理特性的預(yù)測模型；二是，基于覆冰發(fā)展相關(guān)因素的回歸預(yù)測模型［3-5］.對覆冰過程物理模型的研究主要集中在對導(dǎo)線結(jié)冰過程中凍雨與導(dǎo)線的碰撞流體力學(xué)規(guī)律研究與對空氣中水滴凍結(jié)系數(shù)的熱平衡過程研究［6］，如Goodwin模型、Makkonen模型等［7，8］.由于覆冰的生長過程很難基于某個確定的物理模型，實際覆冰預(yù)報的準(zhǔn)確率仍有待進一步提升.

基于覆冰生長相關(guān)聯(lián)因素的擬合預(yù)測模型是依據(jù)可觀測和可預(yù)報的微氣象數(shù)據(jù)，利用機器學(xué)習(xí)算法建立的冰厚預(yù)測模型.如文獻［9］提出了采用多變量灰色預(yù)測模型，預(yù)測值平均相對誤差為6.69%，但此模型只適用于覆冰指數(shù)增長的預(yù)測，與實際值還有較大的偏差.文獻［10］提出一種基于自適應(yīng)變異粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的人工智能預(yù)測模型，相對誤差在30%以內(nèi)，此模型的缺點是需要訓(xùn)練較大的原始數(shù)據(jù)集來保證預(yù)測精度，對微氣象條件復(fù)雜多變的覆冰預(yù)測，結(jié)果差強人意.文獻［11］提出了一種基于遺傳算法與模糊邏輯融合的預(yù)測模型，隨著覆冰厚度的增加，模型預(yù)測的誤差會越來越大，并且忽略了數(shù)據(jù)集中屬性之間的相關(guān)性.文獻［12］提出優(yōu)化多核相關(guān)向量機組合預(yù)測模型，在覆冰穩(wěn)定期平均均方根誤差為12.1%.但目前的智能模型很少考慮線路覆冰的累積過程，導(dǎo)致預(yù)測值與實際值仍存在差距.

針對以上輸電線路覆冰預(yù)測誤差大、效率低、實用性較差等問題，本文運用理論基礎(chǔ)較為完善，且適用于小樣本數(shù)據(jù)擬合的支持向量回歸機（Support Vector Regression Machine，SVRM）智能預(yù)測模型.模型首先采用主成分分析法（Principal Component Analysis，PCA）提取影響線路覆冰的主要微氣象特征，考慮特征之間的相關(guān)性，去除噪聲和關(guān)聯(lián)性較強的信息.其次利用粒子群（Particle Swarm optimization，PSO）算法對預(yù)測模型參數(shù)進行尋優(yōu)，建立覆冰預(yù)測模型.最后以四川電力勘探設(shè)計院某觀冰站采集的現(xiàn)場在線監(jiān)測數(shù)據(jù)集，模擬導(dǎo)線拉力對所建立模型進行準(zhǔn)確性驗證，同時為智能學(xué)習(xí)模型在線路覆冰預(yù)測領(lǐng)域與工程實踐中的應(yīng)用提供參考.

1?預(yù)測模型理論

1.1?主成分分析

式（1）中：n表示輸入特征的個數(shù)，m為每個特征包含的原始變量個數(shù).主成分分析法實現(xiàn)步驟如下：

首先，為了簡化計算并消除不同變量之間量綱的影響［13］，對所有輸入特征進行零均值規(guī)范化，將原數(shù)據(jù)轉(zhuǎn)換為符合均值為0，標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布的新矩陣.規(guī)范化后的矩陣X*可表示為：

2?覆冰厚度預(yù)測模型建立

建立輸電線路覆冰厚度預(yù)測模型的關(guān)鍵是尋找覆冰現(xiàn)場自動監(jiān)測系統(tǒng)采集到的氣象數(shù)據(jù)集與覆冰厚度之間的非線性映射關(guān)系，依據(jù)此關(guān)系對冰厚進行回歸分析，從而實現(xiàn)對短時期內(nèi)線路覆冰厚度的預(yù)測.圖1為基于PCA-PSO-SVRM的覆冰厚度預(yù)測模型建立流程圖.

2.1?特征預(yù)處理

輸電線路覆冰現(xiàn)場監(jiān)測的數(shù)據(jù)受設(shè)備所處環(huán)境與數(shù)據(jù)遠距離傳輸?shù)扔绊戨s質(zhì)與噪音太大，無法直接進行數(shù)據(jù)挖掘或者數(shù)據(jù)應(yīng)用，本文考慮影響導(dǎo)線覆冰的氣象因素依據(jù)環(huán)境溫度、相對濕度、綜合風(fēng)速、綜合風(fēng)向、氣壓、光輻射強度等建立覆冰預(yù)測模型.為了提高對數(shù)據(jù)提取與挖掘的質(zhì)量，需要對原始數(shù)據(jù)集進行數(shù)據(jù)篩選［20］.線路覆冰的必要氣象條件為：環(huán)境溫度在0 ℃以下；空氣相對濕度一般在85%～90%以上；風(fēng)速大于1.0 m/s；且當(dāng)風(fēng)向與線路正交時，最有利于覆冰厚度的增長.根據(jù)以上基本條件可以剔除實際測量數(shù)據(jù)中的不符合覆冰條件的數(shù)據(jù).其次刪除數(shù)據(jù)集中的缺失數(shù)據(jù)、某特征持續(xù)12小時以上不變的數(shù)據(jù)等.以此達到對原始樣本數(shù)據(jù)得清理，以便對樣本進行主成分分析.

2.2?構(gòu)建支持向量回歸機預(yù)測模型

融合樣本信息，構(gòu)建SVRM覆冰厚度預(yù)測模型的步驟如下：

步驟1?模型初始化

將提取特征后的新數(shù)據(jù)作為覆冰預(yù)測模型的輸入，70%作為模型訓(xùn)練集，30%作為測試集.其次初始化預(yù)測模型與粒子群優(yōu)化參數(shù)，具體參數(shù)設(shè)置如表1所示.

步驟2?粒子群算法尋優(yōu)

PSO算法于非線性、多峰值問題都著有較強的全局搜索能力.采用粒子群算法對參數(shù)C和g進行尋優(yōu)，首先計算待優(yōu)化粒子的最佳適應(yīng)度值，其次更新迭代粒子的位置與速度，最后循環(huán)以上過程直至迭代次數(shù)達到上限，并將尋得的最優(yōu)值輸入到預(yù)測模型中參與模型的訓(xùn)練.

步驟3?模型訓(xùn)練與評估

將訓(xùn)練集數(shù)據(jù)輸入SVRM模型對預(yù)測模型進行訓(xùn)練，測試集數(shù)據(jù)經(jīng)過完全一致的數(shù)據(jù)處理過程對訓(xùn)練完備的模型進行精度測試與驗證分析.本文選取均方根誤差eRMSE與平均絕對誤差eMAE兩個指標(biāo)來對預(yù)測模型進行誤差分析，并對比其他預(yù)測模型預(yù)測準(zhǔn)確度有所提高，兩個評估指標(biāo)分別可表示為：

3?實例分析

3.1?數(shù)據(jù)來源與特征選擇

本文在線監(jiān)測數(shù)據(jù)來源于四川某山區(qū)為長期積累區(qū)域覆冰基礎(chǔ)數(shù)據(jù)而設(shè)立的自動監(jiān)測站.覆冰厚度是根據(jù)導(dǎo)線規(guī)格與拉力數(shù)據(jù)計算的導(dǎo)線等值覆冰厚度.在線監(jiān)測樣本采集2022年1月28日至2022年2月24日每隔10 min共計2 234組氣象數(shù)據(jù)，圖2為觀冰站覆冰現(xiàn)場監(jiān)測數(shù)據(jù).

利用相關(guān)性分析去研究等值冰厚分別和光輻射強度、綜合風(fēng)向、綜合風(fēng)速、氣壓、相對濕度、環(huán)境溫度、導(dǎo)線拉力共7項特征與覆冰厚度之間的相關(guān)關(guān)系，使用相關(guān)聯(lián)系數(shù)去反映特征與覆冰厚度相關(guān)關(guān)系的強弱情況.

由表2可知，與覆冰厚度相關(guān)性最大的兩個微氣象特征是環(huán)境溫度和環(huán)境相對濕度，其他特征的相關(guān)度均小于0.5.

對輸入特征進行進一步主成分分析，根據(jù)圖3的現(xiàn)場監(jiān)測數(shù)據(jù)，對輸入特征使用主成分分析法進行信息濃縮，數(shù)據(jù)集的適合主成分分析系數(shù)為0.720，大于0.6，意味著數(shù)據(jù)可用于主成分分析研究.

由圖3顯示的微氣象特征的累積對覆冰厚度的方差解釋率可得，前兩項輸入特征的累積對覆冰厚度的影響已經(jīng)達到77.428%，因此主成分分析法將輸入特征進行壓縮，提取主要信息量進行分析.

3.2?參數(shù)尋優(yōu)

在對SVRM模型進行訓(xùn)練之前，對模型中影響預(yù)測精度的兩個主要參數(shù)進行迭代優(yōu)化，參數(shù)平均適應(yīng)度值曲線如圖4所示.由圖可知，粒子群算法在迭代10次就達到收斂，尋優(yōu)速度快，說明粒子群算法對預(yù)測模型參數(shù)的優(yōu)化起到了重要作用，經(jīng)過優(yōu)化后的最優(yōu)懲罰系數(shù)C=31.883，核函數(shù)參數(shù)g=0.3，將這兩個參數(shù)值賦予支持向量機預(yù)測模型對覆冰厚度進行預(yù)測.

3.3?預(yù)測結(jié)果分析

為了直觀地分析本文提出的預(yù)測模型，現(xiàn)對53個測試樣本進行預(yù)測分析.將未優(yōu)化的SVRM模型、未進行性相關(guān)性分析的PSO-SVRM模型、常用于隨著樣本數(shù)量增加預(yù)測效果越優(yōu)越的的傳統(tǒng)GRNN模型與本文所提出的優(yōu)化SVRM模型覆冰厚度預(yù)測結(jié)果進行對比，如圖5所示為四種模型預(yù)測覆冰厚度對比圖.由預(yù)測結(jié)果可知隨著時間的變化與預(yù)測樣本數(shù)的增加，本文所提出的預(yù)測模型無論是在覆冰增長期、覆冰穩(wěn)定期還是覆冰消融期預(yù)測結(jié)果均與實際覆冰值最相近，最準(zhǔn)確跟隨了實際覆冰厚度發(fā)展趨勢.

為驗證本文預(yù)測模型的低誤差率，對四種模型進行進一步誤差評估.如表3所示，對四種模型預(yù)測均方根誤差eRMSE與平均絕對誤差eMAE兩個指標(biāo)進行對比.與SVRM模型、PSO-SVRM模型、GRNN模型相比，本文預(yù)測模型平均均方誤差eRMSE分別減少了約28%、21%、3%，平均絕對誤差eMAE分別減少了約14%、11%、4%，預(yù)測準(zhǔn)確度有一定的提高，進一步體現(xiàn)了本文所提出的預(yù)測模型的預(yù)測能力與可靠性.

綜上所述，因微氣象條件的復(fù)雜多變與數(shù)據(jù)獲取不易等特征，此文提出的這種針對小樣本數(shù)據(jù)集的預(yù)測模型，適合根據(jù)可短期預(yù)報的微氣象數(shù)據(jù)對輸電線路覆冰進行預(yù)測，且有可觀的現(xiàn)實應(yīng)用意義.

4?結(jié)論

本文提出了一種優(yōu)化SVRM的輸電線路覆冰厚度短期預(yù)測模型，為線路覆冰厚度預(yù)測提供了一種切實可行的方法.首先運用主成分分析法對影響輸電線路覆冰厚度的氣象特征進行了主成分提取與信息濃縮，從而減少了預(yù)測模型的輸入數(shù)據(jù)復(fù)雜度.其次提出了改進SVRM預(yù)測模型，利用粒子群算法對影響預(yù)測模型預(yù)測精度并且難以取值的兩個重要參數(shù)進行迭代尋優(yōu)，將尋得的最優(yōu)值賦予預(yù)測模型對覆冰厚度進行高效預(yù)測.最后實驗驗證對比未優(yōu)化與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測模型在覆冰增長期、平穩(wěn)期、消融期預(yù)測精度都有一定的提高.將此模型利用于覆冰現(xiàn)場對電力設(shè)備的調(diào)度、人力與信息資源的合理分配等方面才能顯現(xiàn)出此預(yù)測技術(shù)的現(xiàn)實價值.

參考文獻

［1］ 黃新波，劉家兵，蔡?偉，等．電力架空線路覆冰雪的國內(nèi)外研究現(xiàn)狀［J］.電網(wǎng)技術(shù)，2008，32（4）：23-28.

［2］ 莊文兵，祁?創(chuàng)，王?建，等．基于微氣象監(jiān)測的輸電線路覆冰動態(tài)過程估計模型［J］．電力系統(tǒng)保護與控制，2019，47（14）：87-94.

［3］ Farzaneh M，Savadjiev K.Statistical analysis of field data for precipitation icing accretion on overhead power lines［J］.IEEE Transactions on Power Delivery，2005，20（2）：1 080-1 087.

［4］ 陳雨鴿，高?偉，林鴻偉，等.一種基于長短期記憶網(wǎng)絡(luò)的線路覆冰預(yù)測模型研究［J］.電工電氣，2020（3）：5-11.

［5］ Zarnani A，Musilek P，Shi X，et al.Learning to predict ice accretion on electric power lines［J］.Eng.Appl.Artif.Intel.，2012，25（3）：609-617.

［6］ Farzaneh M.Atmospheric icing of power networks ［M］.Berlin：Springer，2008.

［7］ 邸悅倫，陸佳政，徐勛建，等．2016年“超級寒潮”條件下湖南電網(wǎng)覆冰過程的分析［J］．電力科學(xué)與技術(shù)學(xué)報，2019，34（2）：187-194.

［8］ 羅?聰，范力棟，趙學(xué)文，等．基于VMD-IGWO-LSSVM的覆冰預(yù)測模型研究［J］．電網(wǎng)與清潔能源，2021，37（6）：9-17.

［9］ 劉宏偉，陸佳政，賴旬陽，等．輸電線路覆冰厚度短期多變量灰色預(yù)測模型研究［J］．高電壓技術(shù)，2015，41（10）：3 372-3 377.

［10］ 李賢初，張?翕，劉?杰，等．輸電線路導(dǎo)線覆冰AMPSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型［J］．電力建設(shè)，2021，42（9）：140-146.

［11］ 黃新波，王玉鑫，朱永燦，等．基于遺傳算法與模糊邏輯融合的線路覆冰預(yù)測［J］．高電壓技術(shù)，2016，42（4）：1 228-1 235.

［12］ 熊?瑋，徐?浩，徐林享，等．計及時間累積效應(yīng)的RF-APJA-MKRVM輸電線路覆冰組合預(yù)測模型［J］．高電壓技術(shù)，2022，48（3）：948-957.

［13］ 戴?棟，黃筱婷，代?洲，等．基于支持向量機的輸電線路覆冰回歸模型［J］．高電壓技術(shù)，2013，39（11）：2 822-2 828.

［14］ 林海明，杜子芳．主成分分析綜合評價應(yīng)該注意的問題［J］．統(tǒng)計研究，2013，30（8）：25-31.

［15］ 韓小孩，張耀輝，孫福軍，等.基于主成分分析的指標(biāo)權(quán)重確定方法［J］．四川兵工學(xué)報，2012，33（10）：124-126.

［16］ Kumar M A，Gopal M.Least squares twin support vector machines for pattern classification＼[J＼].Expert Systems with Applications，2009，36（4）：7 535-7 543.

［17］ 楊俊燕，張優(yōu)云，朱永生.ε不敏感損失函數(shù)支持向量機分類性能研究［J］.西安交通大學(xué)學(xué)報，2007，41（11）：1 315-1 320.

［18］ Christopher Bishop.Pattern recognition and machine learning［M］.New York：Springer，2007：325-357.

［19］ 劉?健.基于支持向量機的在線學(xué)習(xí)算法研究［D］.杭州：浙江大學(xué)，2013.

［20］ 黃宵寧，許?瑞，許家浩.南方山區(qū)線路覆冰在線監(jiān)測數(shù)據(jù)特征分析與預(yù)測模型研究［J］.電力系統(tǒng)保護與控制，2015，43（23）：111-116.

【責(zé)任編輯：蔣亞儒】

基金項目：國家自然科學(xué)基金項目（62073206）；陜西省科技廳科學(xué)技術(shù)研究發(fā)展計劃項目（2018GY-031）

作者簡介：湯?偉（1971—），男，河南信陽人，教授，博士生導(dǎo)師，研究方向：工業(yè)過程高級控制理論、光機電一體化控制系統(tǒng)