【技术实现步骤摘要】
本专利技术涉及输电线路的覆冰预测，具体涉及一种基于vmd-ssa-lstm的输电线路覆冰厚度预测方法。
技术介绍
1、输电线路大部分处在室外自然环境中，因此易受到极端恶劣天气的影响，其中输电线路覆冰是破坏力最大的一种气象灾害。近几年，由于人们对电能的要求日益提高，我国的电网在持续的建设与发展中，其传输的输电线路数量也在增加，而且其所经过的地形、气象条件也更加复杂，造成输电线结冰事故频发。覆冰厚度的增长可能导致线路的跳闸、脱冰跳跃等严重事故，严重威胁电力系统的稳定性。因此，对输电线路覆冰预测的研究具有重要的工程实用价值，也为电网的除冰和融冰提供必要的指导。
2、目前，国内外学者对于输电线路等值覆冰厚度预测的研究众多，主要包括物理模型、统计学模型和机器学习模型。
3、(一)、在物理模型方面，文献[1]:张子翀,王健.基于拉力和倾角的输电线路覆冰厚度预测模型[j].广东电力,2015,28(6):82-86,92.以导线力学计算理论为基础，从力矩平衡的角度出发，提出一种综合导线倾角和拉力传感器的方法，用于输电线路等值覆冰厚度的物理预测模型。
4、文献[2]:韩兴波,蒋兴良,毕聪来,等.基于分散型旋转圆导体的覆冰参数预测[j].电工技术学报,2019,34(5):1096-1105.通过导体形状建立起基于改进差分进化算法的覆冰参数预测模型。然而，上述文献的共同点都是基于物理结构出发，基于物理模型的覆冰的预测方法一般计算复杂、难度高，难以运用到实际的覆冰厚度预测。
5、(二)、在统计学模型方
6、文献[4]:杨静,李英娜,赵振刚,等.基于相空间重构小波神经网络的短期覆冰预测[j].传感器与微系统,2019,38(09):108-111.通过相空间重建分析覆冰序列存在混沌性，完成线路覆冰的短期预测。
7、文献[5]:卢锦玲,朱墨.采用模糊理论的覆冰灾害风险评估[j].电力科学与工程,2019,35(03):37-44.采用模糊逻辑理论建立基于气象信息的线路覆冰厚度预测模型。统计学模型方法往往依赖于大量的假定，不能充分利用输电线周围的微气候特征，从而造成覆冰预测的准确性降低。
8、(三)、在机器学习模型方面，文献[6]:郑振华,刘建生,遗传算法与bp神经网络相结合的输电线路覆冰厚度预测方法[j].电网与清洁能源,2014,30(04):27-30+35.基于bp神经网络对输电线路的覆冰厚度进行预测，使用遗传算法对bp网络的权值和阈值等参数进行优化，提高覆冰的预测精度。但是随着问题规模的增大，采用单一的启发式算法，在优化过程中可能会存在收敛速度慢和预测精度低等问题。而多个算法组合而成的混合算法可以综合多个不同算法的优点，弥补了单一算法的不足，提高了搜索能力、收敛速度和精度，使得在复杂问题中能够更有效地找到全局最优解。
9、文献[7]:陈勇,李鹏,张忠军,等.基于pca-ga-lssvm的输电线路覆冰负荷在线预测模型[j].电力系统保护与控制,2019,47(10):110-119.对影响覆冰厚度变化的因素进行主成分分析，并采用遗传优化算法完成对lssvm中惩罚系数和核函数宽度等参数的优化，能够处理具有非线性关系的数据，并具有较强的拟合能力，但lssvm在处理大规模数据集时可能会面临计算复杂度较高的问题。
10、文献[8]:罗聪,范力栋,赵学文,等.基于vmd-igwo-lssvm的覆冰预测模型研究[j].电网与清洁能源,2021,37(06):9-17基于变分模态分解的方法对覆冰厚度数据进行数据重构，其中vmd能够降低原始序列的不稳定性，得到具有不同中心频率的本征模态分量，进而提高覆冰预测的精度。
11、文献[9]:熊玮,徐浩,徐林享,等.计及时间累积效应的rf-apja-mkrvm输电线路覆冰组合预测模型[j].高电压技术,2022,48(03):948-957.通过线路覆冰是一种时间累积过程的角度出发，通过考虑覆冰增长的时间累积效应和不同阶段的初始厚度，在组合预测模型的基础上得到覆冰不同阶段的预测结果。在使用机器学习方法来预测覆冰的厚度时，要利用包括温度、湿度和风速在内的许多观测资料来对模型进行训练。
12、准确预测输电线路覆冰厚度对电网抗冰、除冰工作具有重要指导意义。针对线路覆冰过程间断性强、波动性大而导致的现有模型预测精度不高的问题，亟待提出一种新的输电线路覆冰厚度预测方法。
技术实现思路
1、针对lssvm等回归预测模型遇到数量较大的数据样本表现效果不佳，单一的优化算法收敛速度慢等问题。本专利技术根据输电线路覆冰时所处环境的微气象数据，提供一种基于vmd-ssa-lstm的输电线路覆冰厚度预测方法，能较好地解决覆冰数据样本大、随机波动性大等条件下的预测问题，能够为覆冰预测提供指导和依据。
2、本专利技术采取的技术方案为：
3、基于vmd-ssa-lstm的输电线路覆冰厚度预测方法，包括以下步骤：
4、步骤1：获取输电线路的气象数据和覆冰厚度数据；
5、步骤2：确定所需的分解模态数，采用变分模态vmd方法对覆冰厚度数据序列进行分解；
6、步骤3：将输电线路的气象数据和覆冰厚度数据的模态分量组合，划分出训练集和测试集，并对数据集进行归一化处理；
7、步骤4：使用麻雀搜索算法ssa优化长短期记忆网络lstm的网络参数；
8、步骤5：利用最优化网络参数重建长短期记忆网络lstm，使用训练集对长短期记忆网络lstm进行训练，测试集输入至长短期记忆网络lstm中进行预测；
9、步骤6：将各分量的预测结果进行叠加，得到最终覆冰预测值，并对预测结果进行相关的误差计算。
10、所述步骤1中，首先，获取近两年的输电线路周围的气象数据以及线路覆冰厚度数据，其中，气象数据主要包括温度、湿度和风速，这些气象数据在之前的文章中被证明为与覆冰厚度相关度较大的气象因素；并将同一个时刻下的数据进行组合，最终得到关于时间序列的数据样本。
11、所述步骤2中，在步骤1中得到的覆冰厚度数据通常具有非线性和波动性，传统的线性分解方法可能无法准确捕捉这些特征。为了降低模型的复杂性和提高预测效果，因此采用vmd算法对覆冰厚度数据进行数据分解，这种分解能够提取数据中的多尺度特征，有助于捕捉不同时间尺度上的变化和趋势，而且分解得到的序列能够捕捉到不同频率的成分和模态的重要信息。
12、使用vmd分解算法对覆冰厚度数据进行处理的过程为：
13、输入非线性的覆冰厚度数据集，确定所需分解的模态数k，初始化模态分量hk和中心频率ωk；在每一次迭代中根据算式更新模态分量和中心频率，每次迭代结束后本文档来自技高网...
【技术保护点】
1.基于VMD-SSA-LSTM的输电线路覆冰厚度预测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于VMD-SSA-LSTM的输电线路覆冰厚度预测方法，其特征在于：所述步骤1中，首先，获取输电线路周围的气象数据以及线路覆冰厚度数据，其中，气象数据包括温度、湿度和风速，并将同一个时刻下的数据进行组合，最终得到关于时间序列的数据样本。
3.根据权利要求1所述基于VMD-SSA-LSTM的输电线路覆冰厚度预测方法，其特征在于：所述步骤2中，在步骤1中得到的覆冰厚度数据，采用VMD算法对覆冰厚度数据进行数据分解，提取数据中的多尺度特征；
4.根据权利要求1所述基于VMD-SSA-LSTM的输电线路覆冰厚度预测方法，其特征在于：所述步骤3中，将步骤2分解得到的关于覆冰厚度数据的IMF分量和步骤1中的获得气象数据进行组合，具体的组合方式为：将原始覆冰厚度数据分解为5个模态分量，即IMF1-IMF5，然后将这些模态分量分别气象数据进行组合，以生成最终的5个组合数据集；将每个组合数据集的前70％作为训练集，组合数据集的后30％作为测试集，对训练集和
5.根据权利要求1所述基于VMD-SSA-LSTM的输电线路覆冰厚度预测方法，其特征在于：所述步骤4具体如下：
6.根据权利要求1所述基于VMD-SSA-LSTM的输电线路覆冰厚度预测方法，其特征在于：所述步骤5具体如下：将步骤4优化得到的最优网络参数构建出长短期记忆网络LSTM；
7.根据权利要求6所述基于VMD-SSA-LSTM的输电线路覆冰厚度预测方法，其特征在于：利用长短期记忆网络LSTM进行覆冰预测的具体方式为：
8.根据权利要求1所述基于VMD-SSA-LSTM的输电线路覆冰厚度预测方法，其特征在于：所述步骤6具体为：将步骤5构建的长短期记忆网络LSTM对模态分量的测试集进行预测，得到相应的预测值，将各个分量的预测覆冰厚度值进行叠加，获得覆冰厚度总预测值。
9.根据权利要求8所述基于VMD-SSA-LSTM的输电线路覆冰厚度预测方法，其特征在于：原始覆冰厚度数据是由5个模态分量IMF1-IMF5叠加而成，每个模态分量代表了原始覆冰厚度数据的一个部分；对每个模态分量进行单独的预测，然后将它们的预测值叠加获得整体的覆冰厚度预测值；计算覆冰厚度总预测值的相关评价指标；采用的4个评价指标，分别是均方误差、平均绝对误差、平均绝对百分比误差和可决系数；
...【技术特征摘要】
1.基于vmd-ssa-lstm的输电线路覆冰厚度预测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于vmd-ssa-lstm的输电线路覆冰厚度预测方法，其特征在于：所述步骤1中，首先，获取输电线路周围的气象数据以及线路覆冰厚度数据，其中，气象数据包括温度、湿度和风速，并将同一个时刻下的数据进行组合，最终得到关于时间序列的数据样本。
3.根据权利要求1所述基于vmd-ssa-lstm的输电线路覆冰厚度预测方法，其特征在于：所述步骤2中，在步骤1中得到的覆冰厚度数据，采用vmd算法对覆冰厚度数据进行数据分解，提取数据中的多尺度特征；
4.根据权利要求1所述基于vmd-ssa-lstm的输电线路覆冰厚度预测方法，其特征在于：所述步骤3中，将步骤2分解得到的关于覆冰厚度数据的imf分量和步骤1中的获得气象数据进行组合，具体的组合方式为：将原始覆冰厚度数据分解为5个模态分量，即imf1-imf5，然后将这些模态分量分别气象数据进行组合，以生成最终的5个组合数据集；将每个组合数据集的前70％作为训练集，组合数据集的后30％作为测试集，对训练集和测试集统一进行归一化处理；
5.根据权利要求1所述基于vmd-ssa-...
【专利技术属性】
技术研发人员：陈彬，徐志明，万妮娜，贾燕峰，丁锐鑫，张少峰，李飚，王佳琳，
申请(专利权)人：三峡大学，
类型：发明
国别省市：
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。