输电线路覆冰厚度智能识别软件开发

论文摘要

2008年年初南方特大冰冻灾害给电网造成了很大的危害,给人民群众的生命财产造成了巨大的损失,其主要原因是输电线路覆冰厚度过大,而覆冰厚度又未能得到预知。为此,论文以山西省电力公司科技项目“减少输电线路覆冰量措施分析与应用其为依托,选定输电线路覆冰厚度智能辨识模型为研究课题。通过对该模型的研究,为覆冰厚度的预测提供必要的理论依据,提高输电线路覆冰厚度预测的精度,减少覆冰对电网的直接和潜在危害,具有较好的理论价值和现实意义。首先,论文研究了影响输电线路覆冰厚度的主要因素。影响覆冰厚度的主要因素有温度、湿度、雨量、风力、风向、导线悬挂高度、海拔、地理环境等等。研究结果表明,温度、湿度、雨量、风力、风向为输电线路覆冰厚度主要影响因素。第二,论文利用神经网络理论在MATLAB软件平台上分别建立了两种预测模型,其分别为基于广义回归神经网络（GRNN）的预测模型、基于ELMAN神经网络的预测模型,同时上述两种模型进行了仿真验证。仿真结果显示,GRNN神经网络模型的预测误差为0.0018,ELMAN神经网络的预测误差为0.0631,仿真结果表明,GRNN神经网络模型比ELMAN神经网络模型预测精度高,更适合预测输电线路覆冰厚度。第三,论文针对神经网络过于依赖初值、存在过学习现象、训练过程容易陷入局部最小值等问题,将支持向量机（SVM）理论引入到覆冰厚度预测模型中,在MATLAB软件平台上建立了基于SVM的覆冰厚度预测模型。针对SVM参数难于选取的问题,将遗传算法（GA）和粒子群算法（PSO）引入到SVM模型中,建立了PSO-SVM输电线路覆冰厚度预测模型以及GA-SVM输电线路覆冰厚度预测模型。参数寻优结果表明,最优参数组合（c,g）分别为（6.2389,1.6113）和（9.3845,0.01）,同时利用上述参数对SVM预测模型进行了仿真。仿真结果显示,GA-SVM模型的预测误差达到0.00109729,PSO-SVM模型的预测误差为0.00147842,仿真结果表明,GA-SVM模型比PSO-SVM模型预测精度高,更适合预测输电线路覆冰厚度。第四,论文利用小波理论和神经网络算法在MATLAB平台上建立了小波神经网络（WNN）模型,将小波算法引用到神经网络的训练过程之中,并对该模型进行了仿真验证,仿真结果显示,WNN模型的预测误差为0.2618。最后对本文的五个模型的仿真效果进行了分析比较,结果表明,GA-SVM模型的预测误差最小,预测精度最高,因此最适合预测输电线路覆冰的厚度。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外研究动态
• 1.3 论文主要内容
• 第二章 输电线路覆冰产生机理和影响输电线覆冰的因素
• 2.1 输电线覆冰产生机理及分类
• 2.2 影响输电线覆冰的因素
• 2.3 本章小结
• 第三章 基于神经网络的智能辨识模型
• 3.1 基于广义回归神经网络的智能辨识模型
• 3.1.1 广义回归神经网络的基本结构及算法
• 3.1.2 输电线路覆冰厚度预测的GRNN模型
• 3.2 基于ELMAN神经网络的智能辨识模型
• 3.2.1 ELMAN神经网络的基本结构及算法
• 3.2.2 输电线路覆冰厚度预测的ELMAN模型
• 3.3 本章小结
• 第四章 基于改进支持向量机的智能辨识模型
• 4.1 基于遗传算法与支持向量机相结合的智能辨识模型
• 4.1.1 支持向量机基本原理
• 4.1.2 遗传算法的基本原理
• 4.1.3 输电线路覆冰厚度预测的GA-SVM模型
• 4.2 基于粒子群算法与支持向量机结合的智能辨识模型
• 4.2.1 粒子群优化算法的基本原理
• 4.2.2 基于粒子群算法的SVM参数优化
• 4.2.3 输电线路覆冰厚度预测的PSO-SVM模型
• 4.3 本章小结
• 第五章 基于小波神经网络的智能辨识模型
• 5.1 基于小波神经网络的智能辨识模型
• 5.1.1 小波理论
• 5.1.2 小波神经网络
• 5.1.3 输电线路覆冰厚度预测的WNN模型
• 5.2 仿真结果比较
• 5.3 本章小结
• 总结与展望
• 参考文献
• 致谢
• 附录1 攻读硕士学位期间发表的学术论文