基于改進的支持向量機理論在配電線路等值覆冰厚度預報中的應用研究

吳捷

摘 要：針對目前線路防冰抗冰工作重心主要偏重于主網輸電線路弱化了配網防冰工作的缺陷。文章基于支持向量機SVM原理，采用交叉驗證法對模型參數進行最優(yōu)配置，并根據RBF核函數建立最小二乘支持向量機（LS-SVM）預測模型，對配電線路三次覆冰過程中等值覆冰厚度進行預測研究。結果表明：三次覆冰過程中LS-SVM模型與實際覆冰厚度測量值平均相對誤差分別為5.46%、2.28%、2.64%，可以看出文章構建的LS-SVM模型具有較好的預報效果，預測精度相對較高。文章研究所得結論對電網公司各級系統(tǒng)運行部應發(fā)布配電線路融冰計劃，并對配電融冰線路停電進行風險分析，制定并落實風險控制措施具有科學的參考意義。

關鍵詞：配電線路；覆冰；支持向量機；預報；參數

中圖分類號：TM752 文獻標志碼：A 文章編號：2095-2945（2018）34-0014-03

Abstract： At present， the main focus of anti-icing and de-icing work is mainly on the transmission lines of the main network， which weakens the defects of the anti-icing work of the distribution network. Based on the principle of support vector machine （SVM）， the cross-validation method is used to optimize the parameters of the model， and the prediction model of least square support vector machine （LS-SVM） is established according to the RBF kernel function. In this paper， the equivalent ice thickness of distribution lines in the process of three times icing is predicted. The results show that the average relative errors between the LS-SVM model and the actual ice thickness measurements are 5.46%， 2.28% and 2.64%， respectively. It can be seen that the LS-SVM model constructed in this paper has a good prediction effect. The prediction accuracy is relatively high. The conclusion of the paper has scientific reference significance for the power grid company at all levels of the system operation department should release the distribution line ice-melting plan and analyze the risk of distribution ice-melting line blackout and formulate and implement risk control measures.

Keywords： distribution line； icing； support vector machine； forecast； parameter

1 概述

根據統(tǒng)計資料顯示，我國西南區(qū)域輸電線路遭受自然災害損壞中，冰災是最具威脅的天氣事件，與其自然災害所造成的線路事故相比，冰災給電網造成的損失更為嚴重，輕則導致輸、變電設備閃絡跳閘、金具損壞，重則造成架空線路斷線、桿塔倒塌，甚至造成大范圍區(qū)域電網癱瘓[1-4]。長期以來，線路防冰抗冰工作重心主要偏重于主網輸電線路弱化了配網防冰工作，而配網的安全穩(wěn)定運行直接關系著人民群眾日常生活用電可靠性和切身利益，因此有必要加強對配網防冰抗冰工作的重視度。為全面提升配網抗冰能力，響應黨的十九大提出的“不斷滿足人民日益增長的美好生活需要”工作要求，保證配網冰期的供電可靠性，做到人民電業(yè)為人民，利用科學的預報技術對配電線路覆冰厚度進行短臨預測具有十分重要的意義。同時由于配電線路沒有裝配覆冰監(jiān)測系統(tǒng)，不能有效的掌握此類線路覆冰情況，更不能對配電線在大尺度空間范圍上進行覆冰厚度預測[5-8]。

因此，本文基于支持向量機SVM原理建立配電線路覆冰厚度短期預測模型，為了進一步優(yōu)化SVM的預測方法，根據RBF核函數建立最小二乘支持向量機LS-SVM預測模型，預測過程則采用SVM方法對分解信號進行訓練和預測，保證了預測精度和速度。本文研究結論對電網公司各級系統(tǒng)運行部應發(fā)布配電線路融冰計劃，并對配電融冰線路停電進行風險分析，制定并落實風險控制措施具有科學的參考意義。

2 改進的支持向量機法理論

最小二乘支持向量機方法（LS-SVM）改進傳統(tǒng)SVM

的損失函數，將二次規(guī)劃方法升級為最小二乘線性系統(tǒng)，保證了預測結果準確性的同時，降低計算的復雜度，使得求解速度更快，收斂精度更高；改進了目標函數和機器學習能力，原來的不等式約束條件轉化為等式約束。這樣LS-SVM問題就被簡化為求解線性方程組問題，LS-SVM的目標函數可以被定義為：

3 實例分析

本文中配電線路等值覆冰厚度預測性能主要由模型參數決定，模型參數的尋優(yōu)工作是很重要的，主要是對兩種參數尋優(yōu)，一是懲罰因子C，二是RBF核函數寬度？滓，其中不敏感系數？著變化范圍不大，對模型的影響較小，設置常數為0.1。利用結合了交叉驗證原理的網絡搜索法進行大范圍搜索，最終找尋出訓練模型均方根誤差最小的參數組合。

本文以貴州省畢節(jié)市威寧縣二塘鎮(zhèn)梅花山村35kV水樹梅線3次覆冰過程為例，利用上述建立的LS-SVM模型對配電線路3次覆冰過程進行預測研究。本次實驗總共選用了235個樣本點，每個樣本點采樣時間間隔5分鐘。訓練集選擇前200個樣本進行訓練學習，構建預測模型；測試即選擇后35個樣本進行測試，并與實際測量值對比。采用最小二乘支持向量機回歸預測方法，分別對配電線路3次覆冰過程建立預測模型，過程中采用的是RBF核函數，運行的懲罰因子C、核函數寬度系數？滓參數設置如表1所示。

圖1為配電線路3次覆冰過程預報結果，從3次覆冰過程結果顯示，LS-SVM模型與實際測量值之間的平均相對誤差分別為5.46%、2.28%、2.64%?？梢钥闯鲱A測結果能夠較好的跟隨實際數據，同時在實際數據對比中也能看出預測效果很好，預測精度高。在實際的仿真中通過運用LS-SVM預報模型，預測計算的速度也大大提高了。因此，通過LS-SVM預測方法，提高了對短期配網線路覆冰厚度預測的精度、速度。圖2為第一次覆冰過程中現場測量冰厚結果，現場測得配電線路覆冰厚度4.56mm（半徑），利用LS-SVM預測模型計算值為4.92mm，進一步驗證了本文構建的LS-SVM預測模型在配網線路覆冰厚度預報工作中的應用價值。

4 結束語

本文基于支持向量機的理論研究，利用交叉驗證法進行模型參數尋優(yōu)方法，對主要影響預測性能的因數核函數、懲罰因子進行計算，構建了最小二乘支持向量機預測模型，結合歷史數據利用徑向基（RBF）核函數對配電線路覆冰厚度進行預測，預測結果表明，算法將不等式約束轉化為等式約束，將求解二次規(guī)劃問題變成求解線性方程組最值問題，降低運算復雜度，使得問題求解速度加快，實際覆冰厚度與預測結果誤差較小。

參考文獻：

[1]王磊，曹敏，梁仕斌，等.應用于輸電線路覆冰狀態(tài)監(jiān)測的光纖光柵在線監(jiān)測技術的研究[J].電瓷避雷器，2014（5）：21-24.

[2]史尊偉，陽林，李昊.基于改進Canny算子的覆冰厚度測量方法[J].電瓷避雷器，2013（6）：24-29.

[3]張子翀，王健.基于拉力和傾角的輸電線路覆冰厚度預測模型[J].廣東電力，2015（6）：82-86.

[4]李昭廷，郝艷捧.一種基于歷史數據的輸電線路覆冰增長快速預測方法[J].電瓷避雷器，2012（1）：1-7.

[5]黃斌，徐姍姍，蘇文宇.輸電線路覆冰研究綜述[J].電瓷避雷器，2012（1）：27-32.

[6]黃新波，歐陽麗莎，王婭娜，等.輸電線路覆冰關鍵影響因素分析[J].高電壓技術，2011，37（7）：1677-1682.

[7]侯鐳，王黎明，朱普軒，等.特高壓線路覆冰脫落跳躍的動力計算[J].中國電機工程學報，2008，28（6）：1-6.

[8]尹暉，王晶晶.輸電線路覆冰與微氣象參數和覆冰時間的研究[J].高壓電器，2017（12）：145-150.