基于支持向量機的輸電線覆冰預測研究.pdf

1、近年來，國內(nèi)外多次遭遇架空輸電線覆冰事故，影響電網(wǎng)的安全穩(wěn)定運行，嚴重時會導致大面積停電事故，影響人們的正常生活，并給電網(wǎng)造成巨大的經(jīng)濟損失。因此，有必要對輸電線覆冰厚度進行預測。
　　目前，輸電線覆冰厚度的預測方法有BP神經(jīng)網(wǎng)絡、灰色理論和RBF神經(jīng)網(wǎng)絡等。其中，BP神經(jīng)網(wǎng)絡收斂速度慢而且容易收斂到局部極值；灰色理論對原始數(shù)據(jù)不是呈指數(shù)增長時，其預測精度較低；RBF神經(jīng)網(wǎng)絡處理高維度問題時會讓學習更加費時。而支持向量機算法可以較

2、好的處理收斂速度慢，高維度等問題，因此本文選擇支持向量機來對輸電線覆冰厚度進行預測。本文的主要工作總結如下：
　?。?）對輸電線覆冰的形成條件、影響因素、分類及產(chǎn)生機理進行了深入分析，并對比分析了幾種常用的輸電線覆冰模型的優(yōu)劣；
　　（2）分別用BP神經(jīng)網(wǎng)絡、灰色理論、RBF神經(jīng)網(wǎng)絡和支持向量機算法對輸電線覆冰厚度進行數(shù)值模擬。通過比較發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡模型的精度高于BP神經(jīng)網(wǎng)絡和灰色理論，而支持向量機算法的懲罰因子和核參

3、數(shù)的取值會直接影響模型的精度，而傳統(tǒng)的支持向量機算法并未對懲罰因子和核參數(shù)的取值進行優(yōu)化設計。為了對這兩個參數(shù)進行優(yōu)化，引入了粒子群算法和遺傳算法，通過優(yōu)化得到不同的懲罰因子和核參數(shù)，基于優(yōu)化后的參數(shù)，分別建立輸電線覆冰厚度的預測模型，對輸電線覆冰厚度進行預測。為了評價模型的優(yōu)劣，引入了均方誤差指標；
　　（3）在matlab下設計了GUI，提供了不同數(shù)據(jù)的輸電線覆冰厚度預測的軟件工具。比較發(fā)現(xiàn)，經(jīng)遺傳算法優(yōu)化后的支持向量機算法優(yōu)

4、于經(jīng)粒子群算法優(yōu)化后的支持向量機算法，前者更適合于輸電線覆冰厚度預測。
　　通過研究發(fā)現(xiàn)：1）文中提供的輸電線覆冰厚度的數(shù)據(jù)樣本有限，針對這種情況，支持向量機算法優(yōu)于BP神經(jīng)網(wǎng)絡；2）文中提供的輸電線覆冰厚度的數(shù)據(jù)樣本中含有多個輸入和一個輸出，屬于高維問題，在處理此類問題時，支持向量機算法優(yōu)于RBF神經(jīng)網(wǎng)絡；3）針對小樣本、高維度的輸電線覆冰厚度數(shù)據(jù)，經(jīng)遺傳算法優(yōu)化后的支持向量機算法優(yōu)于經(jīng)粒子群算法優(yōu)化后的支持向量機算法，前者更適