侯雨伸,王秀麗

(西安交通大學(xué)電氣工程學(xué)院,710049,西安)

氣象過(guò)程信息挖掘與輸電線(xiàn)路覆冰預(yù)測(cè)

侯雨伸,王秀麗

(西安交通大學(xué)電氣工程學(xué)院,710049,西安)

針對(duì)現(xiàn)有覆冰預(yù)測(cè)回歸模型以采樣點(diǎn)氣象參量預(yù)報(bào)覆冰值的局限性,提出了一種改進(jìn)的基于氣象過(guò)程信息挖掘的覆冰預(yù)測(cè)方法。按線(xiàn)路覆冰增量將氣象參量樣本分為覆冰增長(zhǎng)、維持、消融3個(gè)模糊模式類(lèi)別,定義了以氣象參量樣本與模式類(lèi)別中心的馬氏距離為變量的隸屬度函數(shù),并在計(jì)算馬氏距離時(shí)采用灰色斜率關(guān)聯(lián)度確定各氣象參量的權(quán)重?；诖?將隸屬度與采樣點(diǎn)氣象參量結(jié)合,形成包含覆冰氣象過(guò)程信息的高維歷史數(shù)據(jù)樣本,采用支持向量機(jī)進(jìn)行覆冰回歸模型的訓(xùn)練與預(yù)測(cè)。算例比較了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)預(yù)測(cè)方法與提出的改進(jìn)預(yù)測(cè)方法,結(jié)果表明,前兩者預(yù)測(cè)的相對(duì)誤差均值分別為24.50%和22.66%,而改進(jìn)的預(yù)測(cè)方法相對(duì)誤差均值為6.62%?？紤]氣象過(guò)程信息挖掘的覆冰預(yù)測(cè)模型具有更高的預(yù)測(cè)精度。

輸電線(xiàn)路;覆冰預(yù)測(cè);氣象過(guò)程信息挖掘;馬氏距離;灰色斜率關(guān)聯(lián)度;支持向量機(jī)

近年來(lái),冰凍災(zāi)害天氣頻繁出現(xiàn),使電網(wǎng)基礎(chǔ)設(shè)施受到破壞,電網(wǎng)抗擊冰雪災(zāi)害已成為電氣領(lǐng)域的研究熱點(diǎn)之一。1998年加拿大冰凍災(zāi)害[1]、2008年中國(guó)南部電網(wǎng)的大規(guī)模冰凍災(zāi)害[2]等都發(fā)生了大規(guī)模倒塔斷線(xiàn)事故,造成了極大的社會(huì)經(jīng)濟(jì)損失。2013年1月初,中國(guó)南方共有497條輸電線(xiàn)路出現(xiàn)覆冰情況,由于線(xiàn)路覆冰預(yù)警及除冰工作開(kāi)展及時(shí),只有極少數(shù)電力用戶(hù)供電受到影響。由此可見(jiàn),線(xiàn)路覆冰預(yù)測(cè)方面的研究工作具有十分重要的意義,是冰災(zāi)預(yù)警與提前制定除冰方案的基礎(chǔ)。

目前,輸電線(xiàn)路覆冰預(yù)測(cè)模型的研究主要分為兩大類(lèi):一類(lèi)是從研究覆冰物理過(guò)程的角度出發(fā),根據(jù)熱力學(xué)機(jī)理和流體力學(xué)機(jī)理,建立描述覆冰過(guò)程的解析表達(dá)式,包括Goodwin模型[3]、Makkonen模型[4]、雨凇覆冰模型[5-6]等,然而線(xiàn)路覆冰物理過(guò)程復(fù)雜,模型參數(shù)難以確定,使該類(lèi)模型的應(yīng)用存在一定困難;另一類(lèi)為統(tǒng)計(jì)回歸模型,以覆冰氣象數(shù)據(jù)作為時(shí)間序列求取回歸模型,包括非線(xiàn)性回歸[7]、神經(jīng)網(wǎng)絡(luò)[8]、支持向量機(jī)(SVM)[9]等,此類(lèi)方法均以采樣時(shí)刻的氣象參數(shù)通過(guò)回歸模型映射到線(xiàn)路覆冰值,然而線(xiàn)路覆冰具有明顯的過(guò)程積累特性,它們并未考慮覆冰積累過(guò)程信息對(duì)覆冰預(yù)測(cè)值的影響。

本文旨在挖掘覆冰氣象過(guò)程信息,并將該信息與支持向量機(jī)的訓(xùn)練與預(yù)測(cè)相結(jié)合,提高覆冰預(yù)測(cè)的精確性。首先討論了傳統(tǒng)覆冰預(yù)測(cè)回歸模型的局限性,進(jìn)而提出了基于氣象過(guò)程信息挖掘的輸電線(xiàn)覆冰預(yù)測(cè)方法。根據(jù)線(xiàn)路覆冰增量將氣象歷史數(shù)據(jù)劃分為3種模糊模式類(lèi)別,通過(guò)氣象樣本對(duì)各模式類(lèi)別的隸屬度來(lái)反映覆冰積累的氣象過(guò)程信息,將氣象過(guò)程信息與氣象參量合并為高維歷史樣本,采用支持向量機(jī)進(jìn)行輸電線(xiàn)路覆冰預(yù)測(cè)。

1 傳統(tǒng)覆冰預(yù)測(cè)回歸模型

1.1 傳統(tǒng)覆冰預(yù)測(cè)回歸模型的思路

在現(xiàn)有覆冰回歸預(yù)測(cè)研究中,均采用圖1所示的研究思路:利用歷史數(shù)據(jù){xk,Dk},通過(guò)各類(lèi)統(tǒng)計(jì)方法,得到回歸函數(shù)D=f(x),其中xk是采樣時(shí)刻氣象數(shù)據(jù),包括溫度、濕度、風(fēng)速等各類(lèi)氣象觀測(cè)量,Dk為對(duì)應(yīng)時(shí)刻的線(xiàn)路覆冰值。進(jìn)行預(yù)測(cè)時(shí),將未來(lái)時(shí)刻氣象參量xt帶入回歸函數(shù)D=f(x)中,即可求得該時(shí)刻線(xiàn)路覆冰預(yù)報(bào)值Dt。

圖1 傳統(tǒng)覆冰預(yù)測(cè)回歸模型思路

1.2 傳統(tǒng)覆冰預(yù)測(cè)回歸模型的局限性

現(xiàn)有覆冰回歸預(yù)測(cè)均認(rèn)為某時(shí)刻的覆冰值是由該時(shí)刻氣象數(shù)據(jù)通過(guò)一種映射關(guān)系得到的,研究側(cè)重于求取該映射關(guān)系的統(tǒng)計(jì)方法。實(shí)際上,以這種映射關(guān)系考慮線(xiàn)路覆冰這一物理問(wèn)題具有局限性。假設(shè)連續(xù)兩個(gè)采樣時(shí)刻的氣象參量是相同的,即xk=xk+1,且該天氣條件利于線(xiàn)路覆冰的增長(zhǎng)。那么,很容易得到Dk

文獻(xiàn)[10]給出山西忻州某線(xiàn)路一次覆冰過(guò)程的詳細(xì)數(shù)據(jù),其中相鄰兩個(gè)采樣時(shí)刻的數(shù)據(jù)見(jiàn)表1。

表1 相鄰采樣時(shí)刻覆冰數(shù)據(jù)

從表中數(shù)據(jù)可以看出,連續(xù)采樣時(shí)刻第23、24時(shí)的氣象參量是相同的,即x23=x24,那么按照回歸模型D=f(x)可以推出D23=D24,但實(shí)際測(cè)量的覆冰厚度卻出現(xiàn)接近5 mm的增長(zhǎng),說(shuō)明僅以采樣時(shí)刻氣象數(shù)據(jù)求取該時(shí)刻覆冰值這一思路不能合理地反映實(shí)際情況,缺失了該過(guò)程利于覆冰增長(zhǎng)這一重要信息。

上述討論說(shuō)明,覆冰積累過(guò)程對(duì)于覆冰回歸預(yù)測(cè)模型的合理性是至關(guān)重要的。本文研究重點(diǎn)在于從氣象參量歷史數(shù)據(jù)中挖掘覆冰積累過(guò)程的信息,在回歸預(yù)測(cè)時(shí)考慮它對(duì)覆冰發(fā)展的影響。

2 氣象過(guò)程信息挖掘

2.1 氣象過(guò)程分類(lèi)

文獻(xiàn)[11]對(duì)南方電網(wǎng)輸電線(xiàn)路預(yù)警系統(tǒng)數(shù)據(jù)庫(kù)中的多組完整覆冰過(guò)程數(shù)據(jù)進(jìn)行了分析。一個(gè)完整的覆冰過(guò)程可以依據(jù)覆冰增量分為3種典型過(guò)程:覆冰增長(zhǎng),覆冰快速穩(wěn)定增長(zhǎng);覆冰維持,覆冰并未有明顯變化,在小范圍內(nèi)波動(dòng)(±1 mm);覆冰消融,覆冰快速消融。

本文將相鄰采樣時(shí)刻之間的時(shí)間間隔定義為覆冰氣象過(guò)程,依據(jù)覆冰增量對(duì)氣象過(guò)程進(jìn)行分類(lèi),如表2所示。其中ΔD為相鄰采樣點(diǎn)輸電線(xiàn)路覆冰增量,δ為覆冰維持類(lèi)別的波動(dòng)范圍,可以由覆冰數(shù)據(jù)分析或經(jīng)驗(yàn)值得到。

表2 氣象過(guò)程分類(lèi)

(1)

(2)

式中:S+表示覆冰增長(zhǎng)集合;S0表示覆冰維持集合;S-表示覆冰消融集合。

2.2 氣象過(guò)程信息挖掘

(1)使用馬氏距離的前提是已知類(lèi)別的模式集,這在聚類(lèi)分析中一般是很難得到的。本文將氣象過(guò)程樣本按照覆冰增量進(jìn)行分類(lèi),得到了覆冰模式集。

(2)馬氏距離不受量綱的影響,兩點(diǎn)之間的馬氏距離與原始數(shù)據(jù)的測(cè)量單位無(wú)關(guān)。氣象參量包括溫度、風(fēng)速、濕度等物理量,它們的單位不同,故使用馬氏距離比較方便。

(3)

式中:ms為模式集s的聚類(lèi)中心,s∈S+、S0、S-;Cs為該模式集的協(xié)方差矩陣,ci,j為矩陣Cs中的元素,那么有

(4)

各類(lèi)氣象因素對(duì)覆冰的影響程度不同,在計(jì)算馬氏距離時(shí)還應(yīng)考慮各氣象因素的權(quán)重。灰色關(guān)聯(lián)度分析法[13]是針對(duì)小樣本、貧信息、不確定系統(tǒng)的一種常用的關(guān)聯(lián)度分析方法。本文采用灰色斜率關(guān)聯(lián)法求取各氣象因素對(duì)覆冰的權(quán)重。

設(shè)參考序列為覆冰厚度序列

D=(D(1),…,D(k),…,D(N))

比較序列為溫度、濕度等各氣象變量的序列

xj=(xj(1),…,xj(k),…,xj(N))

(5)

其中ξ為灰色關(guān)聯(lián)系數(shù)

(6)

式中

(7)

(8)

灰色斜率關(guān)聯(lián)系數(shù)只與D和xj的幾何形狀有關(guān),D與xj的斜率越接近,灰色關(guān)聯(lián)系數(shù)就越大,它反映了兩曲線(xiàn)在某一點(diǎn)變化率的一致程度。其灰色關(guān)聯(lián)度是整個(gè)區(qū)間上灰色關(guān)聯(lián)系數(shù)的平均值,兩序列發(fā)展趨勢(shì)越相似,變化率越接近,關(guān)聯(lián)度越大。

定義權(quán)重矩陣

W=diag(ε1,ε2,…,εj,…)

(9)

則考慮權(quán)重的馬氏距離為

(10)

以上類(lèi)別判斷屬于集合的硬劃分?？紤]氣象因素具有明顯的模糊性,將S+、S0、S-看作3個(gè)模糊集合,通過(guò)隸屬度反映氣象過(guò)程樣本與各集合的模糊關(guān)系。隸屬度函數(shù)為

(11)

馬氏距離與隸屬度呈反比關(guān)系。式(11)中分母項(xiàng)對(duì)馬氏距離加1是為了使隸屬度取值范圍在0～1。該隸屬度便反映了氣象過(guò)程的覆冰累積信息。

3 基于氣象過(guò)程信息的覆冰預(yù)測(cè)

輸電線(xiàn)路覆冰的物理機(jī)理復(fù)雜,非線(xiàn)性強(qiáng),很難確定該物理過(guò)程的解析表達(dá)式,因此采用統(tǒng)計(jì)回歸方法預(yù)測(cè)覆冰時(shí),宜采用BP神經(jīng)網(wǎng)絡(luò)、SVM等方法,將未知的回歸函數(shù)看作一個(gè)黑箱,由輸入輸出歷史數(shù)據(jù)進(jìn)行訓(xùn)練。SVM在解決小樣本、非線(xiàn)性及高維模式識(shí)別等問(wèn)題表現(xiàn)出許多特有的優(yōu)勢(shì)[14],而覆冰歷史數(shù)據(jù)大多為小樣本特性,因此本文采用ε-SVM為訓(xùn)練回歸模型的方法。為解決傳統(tǒng)覆冰預(yù)測(cè)模型在反映覆冰累積特性的氣象過(guò)程的信息缺失,本文將氣象過(guò)程信息擴(kuò)充到覆冰數(shù)據(jù)樣本,使預(yù)測(cè)模型在訓(xùn)練以及預(yù)測(cè)時(shí)都包含覆冰積累過(guò)程信息,全面地反映輸電線(xiàn)覆冰這一物理問(wèn)題的統(tǒng)計(jì)規(guī)律。覆冰預(yù)測(cè)算法流程如下。

(2)由式(5)求取溫度、濕度等氣象分量與覆冰值的灰色斜率關(guān)聯(lián)度,由式(10)求氣象過(guò)程樣本對(duì)S+、S0、S-的馬氏距離,再由式(11)求對(duì)應(yīng)的隸屬度μk,s+、μk,s0、μk,s-。

(5)在進(jìn)行覆冰預(yù)測(cè)時(shí),對(duì)氣象參量預(yù)報(bào)值xt,先求上一時(shí)刻到該時(shí)刻的氣象過(guò)程信息μt-1,s+、μt-1,so、μt-1,s-,將輸入信息擴(kuò)充為{xt,Dt-1,μt-1,s+,μt-1,so,μt-1,s-},代入訓(xùn)練好的回歸模型進(jìn)行預(yù)測(cè)。

4 算例分析

4.1 算例設(shè)計(jì)

算例來(lái)自山西忻州神元I回線(xiàn)109號(hào)塔桿上配置的線(xiàn)路覆冰監(jiān)測(cè)裝置所采集的數(shù)據(jù)。該裝置可提供線(xiàn)路的覆冰厚度與對(duì)應(yīng)采樣時(shí)刻的溫度、濕度與風(fēng)速。算例并未考慮降雨量,原因有二:該覆冰監(jiān)測(cè)裝置并未提供降雨量數(shù)據(jù);文獻(xiàn)[13]指出雨量與覆冰并未存在直接關(guān)系,且無(wú)降雨時(shí)線(xiàn)路也常由于空氣濕度大而覆冰。δ按文獻(xiàn)[11]的分析選1 mm。覆冰數(shù)據(jù)共有34組,采樣間隔為1 h,見(jiàn)圖2。以前28組數(shù)據(jù)作為訓(xùn)練集,后6組數(shù)據(jù)作為測(cè)試集檢驗(yàn)回歸模型的預(yù)測(cè)效果。

(a)溫度

(b)濕度

(c)風(fēng)速

(d)覆冰厚度

為了比較傳統(tǒng)預(yù)測(cè)模型與本文模型的差異,以及在計(jì)算馬氏距離時(shí)是否考慮各氣象因素的權(quán)重的影響,同時(shí)驗(yàn)證SVM方法在處理小樣本問(wèn)題的優(yōu)勢(shì),算例設(shè)計(jì)了以下4種方案。

(1)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,采用以采樣點(diǎn)時(shí)刻的氣象數(shù)據(jù)訓(xùn)練、預(yù)測(cè)線(xiàn)路覆冰的傳統(tǒng)思路。

(2)SVM預(yù)測(cè)方法,采用以采樣點(diǎn)時(shí)刻的氣象數(shù)據(jù)訓(xùn)練、預(yù)測(cè)線(xiàn)路覆冰的傳統(tǒng)思路。

(3)SVM預(yù)測(cè)方法,考慮氣象過(guò)程信息,將覆冰過(guò)程對(duì)于增長(zhǎng)、維持、消融模式的隸屬度以及上一時(shí)刻的線(xiàn)路覆冰值擴(kuò)充入訓(xùn)練、預(yù)測(cè)樣本,并且計(jì)算馬氏距離時(shí)不考慮各氣象因素的權(quán)重。

(4)SVM預(yù)測(cè)方法,考慮氣象過(guò)程信息,并且在計(jì)算馬氏距離時(shí)考慮各氣象因素的權(quán)重。

4.2 氣象過(guò)程信息挖掘

根據(jù)覆冰歷史數(shù)據(jù)求得各氣象參量對(duì)于覆冰過(guò)程的灰色斜率關(guān)聯(lián)度,結(jié)果見(jiàn)表3。

從計(jì)算結(jié)果可知:溫度和濕度對(duì)覆冰過(guò)程影響較大,風(fēng)速對(duì)覆冰過(guò)程影響相對(duì)較小,最小的關(guān)聯(lián)度也接近0.8,說(shuō)明這3種氣象參量與覆冰過(guò)程都是強(qiáng)相關(guān)的。在計(jì)算馬氏距離時(shí)分別考慮計(jì)及權(quán)重與不計(jì)權(quán)重兩種情況,權(quán)重取值結(jié)果見(jiàn)表4。

當(dāng)不計(jì)權(quán)重時(shí),令所有氣象參量的權(quán)重為1,式(9)中的權(quán)重矩陣W為單位矩陣。當(dāng)計(jì)及權(quán)重時(shí),令權(quán)重矩陣W對(duì)角線(xiàn)上的元素分別為對(duì)應(yīng)氣象參量與覆冰過(guò)程的灰色斜率關(guān)聯(lián)度。

圖3、圖4分別為不計(jì)權(quán)重、計(jì)及權(quán)重情況下各氣象過(guò)程對(duì)于覆冰增長(zhǎng)、維持、消融3個(gè)模式集的馬氏距離。某一樣本對(duì)于自身所在模式集的馬氏距離定義為該樣本的主距離。當(dāng)主距離最小時(shí),由馬氏距離來(lái)判斷氣象過(guò)程隸屬關(guān)系的信息是正確的。

當(dāng)不計(jì)權(quán)重時(shí),由馬氏距離判斷氣象過(guò)程信息的正確率為60.6%;計(jì)及權(quán)重時(shí),正確率上升為75.8%。由馬氏距離計(jì)算結(jié)果可得如下結(jié)論。

(1)考慮不同氣象參量的權(quán)重時(shí),以馬氏距離為判據(jù)的氣象過(guò)程信息正確率更高。

(a)覆冰增長(zhǎng)

(b)覆冰維持

(c)覆冰消融

(a)覆冰增長(zhǎng)

(b)覆冰維持

(c)覆冰消融

(2)本文算例中,即便是考慮了權(quán)重,正確率依舊不超過(guò)80%,并不是一個(gè)十分理想的結(jié)果。這是由于算例中樣本數(shù)量相對(duì)較小造成的,而覆冰氣象樣本大多為小樣本。隨著輸電線(xiàn)覆冰氣象數(shù)據(jù)的不斷積累,樣本數(shù)量會(huì)不斷增加,該問(wèn)題會(huì)進(jìn)一步改善。

4.3 回歸模型參數(shù)選取

在4.1節(jié)中,方案1中BP神經(jīng)網(wǎng)絡(luò)參數(shù)選擇見(jiàn)文獻(xiàn)[8]。方案2～方案4中SVM模型的懲罰參數(shù)C、核函數(shù)參數(shù)γ均由粒子群算法求取。模型的歷史數(shù)據(jù)訓(xùn)練采用交叉驗(yàn)證方法中的留一法[15]。由訓(xùn)練集的覆冰真值與模型覆冰計(jì)算值的均方差評(píng)價(jià)參數(shù)的選擇結(jié)果。SVM參數(shù)的計(jì)算結(jié)果見(jiàn)表5。

表5 SVM參數(shù)的計(jì)算結(jié)果

由SVM回歸模型的均方差對(duì)比來(lái)看,傳統(tǒng)SVM的均方差最小。僅從訓(xùn)練集的角度看,傳統(tǒng)SVM回歸模型具有更好的適應(yīng)度。

4.4 覆冰預(yù)測(cè)結(jié)果

將測(cè)試集代入回歸模型,對(duì)線(xiàn)路覆冰值進(jìn)行預(yù)測(cè),結(jié)果見(jiàn)表6。

圖5為覆冰預(yù)測(cè)值絕對(duì)誤差的柱狀圖比較結(jié)果,可以看出,BP神經(jīng)網(wǎng)絡(luò)方法與傳統(tǒng)SVM方法所預(yù)測(cè)的線(xiàn)路覆冰值并不能很好地跟蹤覆冰真值,特別是在采樣點(diǎn)32、34處誤差很大,說(shuō)明僅用某一時(shí)刻的氣象參量來(lái)映射線(xiàn)路覆冰具有局限性。考慮了氣象過(guò)程信息以后,在這兩個(gè)采樣點(diǎn)預(yù)測(cè)誤差均得到了明顯的改善。4種方案的預(yù)測(cè)誤差平均值如表7所示。

圖5 4種方案預(yù)測(cè)誤差對(duì)比

表7 4種方案覆冰預(yù)測(cè)誤差的對(duì)比

表7從整體上對(duì)比了4種方案的預(yù)測(cè)誤差,方案1、2以傳統(tǒng)思路預(yù)測(cè)覆冰厚度,誤差相對(duì)較大。方案3、4將氣象過(guò)程信息挖掘與覆冰預(yù)測(cè)相結(jié)合后,預(yù)測(cè)誤差明顯減小,且方案4在考慮了各氣象參量的權(quán)重后,預(yù)測(cè)誤差進(jìn)一步減小,相對(duì)誤差均值僅為6.62%。

需要指出的是,本文提出的預(yù)測(cè)方法在進(jìn)行氣象過(guò)程信息挖掘時(shí),要求覆冰歷史數(shù)據(jù)的采樣時(shí)刻是連續(xù)的。另外,在挖掘氣象過(guò)程信息時(shí),只能處理例如風(fēng)速、濕度、溫度等以數(shù)值表達(dá)的氣象因素,而如風(fēng)向等信息暫時(shí)無(wú)法處理。

5 結(jié) 論

現(xiàn)有覆冰預(yù)測(cè)回歸模型以采樣點(diǎn)氣象參數(shù)反映對(duì)應(yīng)時(shí)刻線(xiàn)路覆冰情況,本文討論了該思路的局限性并提出了覆冰氣象過(guò)程信息挖掘的方法。將氣象過(guò)程信息挖掘的思路引入到覆冰統(tǒng)計(jì)回歸預(yù)測(cè)中,將氣象過(guò)程信息與氣象參數(shù)合并,一同進(jìn)行支持向量機(jī)回歸模型的訓(xùn)練與預(yù)測(cè)。預(yù)測(cè)結(jié)果表明,本文方法具有更高的預(yù)測(cè)精度,對(duì)輸電線(xiàn)路覆冰預(yù)測(cè)與制定除冰工作方案具有實(shí)際的工程意義。挖掘過(guò)程信息的思路也可推廣到其他回歸預(yù)測(cè)問(wèn)題中。

[1] 薛禹勝,費(fèi)圣英,卜凡強(qiáng).極端外部災(zāi)害中的停電防御系統(tǒng)構(gòu)思: (二) 任務(wù)與展望 [J].電力系統(tǒng)自動(dòng)化,2008,32(10): 1-5.

XUE Yusheng,FEI Shengying,BU Fanqiang.Upgrading the blackout defense scheme against extreme disasters: part II tasks and prospects [J].Automation of Electric Power Systems,2008,32(10): 1-5.

[2] 陸佳政,蔣正龍,雷紅才,等.湖南電網(wǎng)2008年冰災(zāi)事故分析 [J].電力系統(tǒng)自動(dòng)化,2008,32(11): 16-19.

LU Jiazheng,JIANG Zhenglong,LEI Hongcai,et al.Analysis of Hunan power grid ice disaster accident in 2008 [J].Automation of Electric Power Systems,2008,32(11): 16-19.

[3] GOODWIN E J III,MOZER J D,DIGIOIA A M Jr,et al.Predicting ice and snow loads for transmission lines design [C]∥Proceedings First IWAIS.Hanover,HN,USA: IAC,1983: 267-273.

[4] MAKKONEN L.Modeling power line icing in freezing precipitation [J].Atmospheric Research,1998,46(1/2): 131-142.

[5] 劉和云,周迪,付俊萍,等.導(dǎo)線(xiàn)雨淞覆冰預(yù)測(cè)簡(jiǎn)單模型的研究 [J].中國(guó)電機(jī)工程學(xué)報(bào),2001,21(4): 44-47.

LIU Heyun,ZHOU Di,FU Junping,et al.A simple model for predicting glaze loads on wires [J].Proceedings of CSEE,2001,21(4): 44-47.

[6] 劉春城,劉佼.輸電線(xiàn)路導(dǎo)線(xiàn)覆冰機(jī)理及雨凇覆冰模型 [J].高電壓技術(shù),2011,37(1): 241-248.

LIU Chuncheng,LIU Jiao.Ice accretion mechanism and glaze loads model on wires of power transmission lines [J].High Voltage Engineering,2011,37(1): 241-248.

[7] 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): 1080-1087.

[8] XU Xinhui,ZHENG Zhenghua,TAN Shaoqiong,et al.The study on the prediction method of ice thickness of transmission line based on the combination of GA and BP neural network [C]∥2010International Conference on E-Product E-Service and E-Entertainment.Piscataway,USA: IEEE,2010: 1-4.

[9] 宋尖.輸電線(xiàn)路覆冰規(guī)律與預(yù)測(cè)技術(shù)研究 [D].長(zhǎng)沙: 長(zhǎng)沙理工大學(xué),2012.

[10]黃新波,孫欽東,張冠軍,等.線(xiàn)路覆冰與局部氣象因素的關(guān)系 [J].高壓電器,2008,44(4): 289-294.

HUANG Xinbo,SUN Qindong,ZHANG Guanjun,et al.Relation of transmission line icing and local meteorology [J].High Voltage Apparatus,2008,44(4): 289-294.

[11]王敩青,戴棟,郝艷捧,等.基于在線(xiàn)監(jiān)測(cè)系統(tǒng)的輸電線(xiàn)路覆冰數(shù)據(jù)統(tǒng)計(jì)與分析 [J].高電壓技術(shù),2012,38(11): 3000-3007.

WANG Xiaoqing,DAI Dong,HAO Yanpeng,et al.Statistics and analysis of transmission lines icing data based on online monitoring system [J].High Voltage Engineering,2012,38(11): 3000-3007.

[12]ELATTAR E E,GOULERMAS J,WU Q H.Electric load forecasting based on locally weighted support vector regression [J].IEEE Transaction on Systems,Man,and Cybernetics,2010,40(4): 438-447.

[13]陽(yáng)林,郝艷捧,黎衛(wèi)國(guó),等.輸電線(xiàn)路覆冰與導(dǎo)線(xiàn)溫度和微氣象參數(shù)關(guān)聯(lián)分析 [J].高電壓技術(shù),2010,36(3): 775-781.

YANG Lin,HAO Yanpeng,LI Weiguo,et al.Relationships among transmission line icing,conductor temperature and local meteorology using grey relational analysis [J].High Voltage Engineering,2010,36(3): 775-781.

[14]王定成.支持向量機(jī)建模預(yù)測(cè)與控制 [M].北京: 氣象出版社,2009: 30-37.

[15]鄧乃揚(yáng),田英杰.支持向量機(jī): 理論、算法與拓展 [M].北京: 科學(xué)出版社,2009: 115-155.

[本刊相關(guān)文獻(xiàn)鏈接]

曲翀,王秀麗,謝紹宇,等.含風(fēng)電電力系統(tǒng)隨機(jī)生產(chǎn)模擬的改進(jìn)算法.2012,46(6):115-121.[doi:10.7652/xjtuxb2012 06020]

程臨燕,張保會(huì),李光輝,等.采用有向電氣介數(shù)的脆弱線(xiàn)路選取.2011,45(6):91-96.[doi:10.7652/xjtuxb201106017]

汪成根,張保會(huì),李鵬,等.基于自適應(yīng)解列的電力系統(tǒng)解列面快速搜索.2009,43(2):90-95.[doi:10.7652/xjtuxb2009 02020]

別朝紅,劉輝,李甘,等.含風(fēng)電場(chǎng)電力系統(tǒng)電壓波動(dòng)的隨機(jī)潮流計(jì)算與分析.2008,42(12):1500-1505.[doi:10.7652/xjtuxb200812014]

徐林,王秀麗,王錫凡,等.電力系統(tǒng)充裕度分析中的快速組合事件概率算法.2008,42(6):713-717.[doi:10.7652/xjtuxb200806014]

李靜耘,杜正春,楚國(guó)莉,等.基于聚類(lèi)的多運(yùn)行方式下電力系統(tǒng)穩(wěn)定器設(shè)計(jì).2008,42(2):204-208.[doi:10.7652/xjtuxb200802017]

(編輯 杜秀杰)

MeteorologicalProcessesInformationMiningandTransmissionLinesIcingForecast

HOU Yushen,WANG Xiuli

(School of Electrical Engineering,Xi’an Jiaotong University,Xi’an 710049,China)

In view of the imperfection of existing predictive regression models for icing forecast where only meteorological parameters at one moment are used to foretell the predicted icing value at the same moment,a revised icing forecast method based on meteorological process information mining is proposed.The samples of meteorological parameters are divided into three fuzzy pattern categories,i.e.,icing growing,sustaining and melting.Then the membership function with the variable symbolized by Mahalanobis distance from meteorological parameters sample to the center of categories is defined.And the method of gray slope-correlation is used to determine the weights of meteorological parameters to evaluate the Mahalanobis distance.The degrees of membership and the samples of meteorological parameters are combined to form the high dimensional historical samples containing icing meteorological processes information,then support vector machine method is used to train the icing forecast regression function and predict.Numerical tests are conducted and the results indicate that the mean relative error in neural network method gets 24.50% and 22.66% in the current support vector machine method,but 6.62% in the revised cases.The icing forecasting model based on the meteorological processes information mining is endowed with higher predicting accuracy.

transmission line; icing forecast; meteorological processes information mining;Mahalanobis distance; gray slope-correlation; support vector machine

2013-10-16。

侯雨伸(1988—),男,博士生;王秀麗(通信作者),女,教授,博士生導(dǎo)師。

國(guó)家自然科學(xué)基金資助項(xiàng)目(51277140)。

時(shí)間:2014-03-06

10.7652/xjtuxb201406008

TM71

:A

:0253-987X(2014)06-0043-07

網(wǎng)絡(luò)出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20140306.1027.003.html