【技术实现步骤摘要】
一种基于GA
‑
BP神经网络的架空输电线覆冰厚度预测方法
[0001]本专利技术涉及架空输电线路防灾减灾及安全预警
，具体涉及一种基于GA
‑
BP神经网络的架空输电线覆冰厚度预测方法。
技术介绍
[0002]架空输电线路穿越地形复杂、跨越距离大，且长期暴露于野外，在风雨、冰雪等恶劣气象条件下线路容易覆冰。架空输电线路受到温度变化或风荷载作用时，会发生脱冰跳跃现象，导致输电线路大幅振荡，降低导线间的安全距离，严重时可诱发输电线路冰闪、断线断股以及杆塔倒塌。例如2008年1月中旬到2月初，湖南电网遭受特大型冰灾，覆冰厚度达到30～60mm，输电线路倒塔2242基，变形692基，10kV线路倒杆63036基，断线47898处，损坏配变3380台。
[0003]架空输电线路短期覆冰预测主要针对较短时间内的覆冰增长值，通过挖掘线路的特征因素对输电线覆冰增长的影响规律，提升未来24h内的覆冰预测精度，有效指导工作人员值班安排，制定除冰方案，提升防灾减灾运行效率，减少不必要的经济损失。输电...
【技术保护点】
【技术特征摘要】
1.一种基于GA
‑
BP神经网络的架空输电线覆冰厚度预测方法，其特征在于，预测的具体步骤为：Step1、选取与输电线路覆冰具有关联性的影响因素，确定样本数据的训练集和测试集，将温度、湿度、风速、降雨量气象数据处理成为综合气象因素，并将其处理后作为输入值，覆冰增长速度作为输出值；Step2、将处理好的数据分为两组数据，一组作为训练集，另一组作为测试集，训练集都作为BP预测模型的输入样本，将相对应的覆冰增长速度作为输出值，构建BP预测模型；Step3、使用GA遗传算法优化BP神经网络算法的权值和阈值，以训练样本的输出值和实际值的误差值作为适应度函数，以得到最小误差的预测模型；Step4、将测试集输入到最小误差模型中进行预测，预测得出的增长速率考虑时间累积效应，得到最后的输电线路覆冰预测厚度。2.根据权利要求1所述的一种基于GA
‑
BP神经网络的架空输电线覆冰厚度预测方法，其特征在于，所述的Step1的具体过程为：Step1.1、将记录的输电线路的气象信息和参数信息作为样本，其中气象因素数据包含温度、空气湿度、降水量、风速、气压；输电线路参数信息为线径；覆冰厚度是指某时刻气象维持稳定时的覆冰厚度，覆冰增长时间是指覆冰的持续时间；Step1.2、通过灰色关联分析得到气象因素的关联度，分析各气象因素的权重，筛选处对覆冰影响在设定值内的气象因素，具体步骤为：Step1.2.1、设有n个样本数据形成如下矩阵，记为指标数据：n为样本个数，m为指标个数，x
i
(k){i＝1
…
n|k＝1
…
m}；Step1.2.2、确定参考数列，参考数列是一个比较标准，可以以各指标的最优值，或最劣值构成参考数据列，也可根据评价目的选择其它参照值，记为：x0(k)＝(x0(1)，x0(2)，
…
x0(m))
ꢀꢀꢀꢀꢀꢀꢀ
(2)计算指标数据和参考数据的绝对差值：|x0(k)
‑
x
i
(k)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)Step1.2.3、计算灰色关联系数，公式如下：其中ρ为分辨系数，0<ρ<1，若ρ越小，关联系数间差异越大，区分能力越强；Step1.2.4、计算灰色加权关联度，公式如下：式中r
i
为第i个评价对象对理想对象的灰色加权关联度；Step1.2.5、根据关联序的大小，对各评价对象进行排序，可建立评价对象的关联序；Step1.3、对综合气象集的处理：将灰色关联分析得到的气象因素记为综合气象集[q1,q2,q3,q4,...],因为每一个气象因素都对应一个关联度，关联度越大的气象因素对覆冰影响程度越大，以每一个影响因素
的影响等级作为输入值，赋完值之后得到新的气象集[q
11
,q
21
,q
31
,q
41
,...]，最后通过公式处理作为输入，其公式如下所式：其中sum为求和，t表示相对应的时间，v表示相对应的覆冰增长速度。3.根据权利要求2所述的一种基于GA
‑
BP神经网络的架空输电线覆冰厚度预测方法，其特征在于，所述的Step3中GA遗传算法优化BP神经网络步骤如下：Step3.1、编码，及创建种群：设种群的范围是[a,b],种群个体个数为c，用长度为k的二进制编码表示该参数，二进制编码为随机创建，设一个种群个体的编码为b
k
b
k
‑1b
k
‑2b
k
‑3b
k
‑4b
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。