轻度覆冰区基于灰色组合神经网络模型的算例分析

沈艳 中国水电八局高级技工学校/湖南省水利水电建设工程学校

轻度覆冰区基于灰色组合神经网络模型的算例分析

沈艳 中国水电八局高级技工学校/湖南省水利水电建设工程学校

国家标准上通常将输电线路覆冰厚度的范围分为以下三个状态：轻覆冰中覆冰重覆冰。本文根据气象观测站历年输电线路覆冰厚度标准以湖南电网为例，选择湖南永州地区112号杆塔和湖南南岳地区75号杆塔为例，依据上述三种状态从两者历年输电线路覆冰厚度来看，前者为轻度覆冰区，后者为重度覆冰区，本文采用不同覆冰环境下的轻度覆冰区的历史覆冰数据来对三种灰色预测模型和组合灰色神经网络模型来进行输电线路覆冰预测，研究该四种模型在不同环境下的预测精度及模型的适用性。

轻度覆冰区选取永州气象观测站，永州气象观测站输电线路覆冰监测系统于1956年开始存在记录，在覆冰期内监测到多次轻微线路覆冰情况。以该气象观测站某110kv线路112号杆塔观测点为例，验证计算该四种模型的准确性和预测精度。

112号杆塔位于北纬25°84′、东经114°25′，海拔148。地形处于两山之间的谷底，附近有河流流过，气象环境较为复杂多变，属于架空输电线路较易覆冰的地区，常年覆冰厚度不大，为轻度覆冰区。其具体位置如下图1所示；

图1 永州站地区某一线路112号杆塔地理环境图

该线路于2013年12月19日到25日发生了覆冰过程。本文通过建立GM(1,1)、DGM(2,1)、Verhulst和组合灰色神经网络G-ANN模型研究这次覆冰增长过程并独立进行相应的预测分析。在本次覆冰期间的数据采集中，共选取462个有效数据（间隔采样周期为30min）,做短期（24h）覆冰增长预测其中384个数据用作训练，选取78个数据用于计算预测。算例过程中训练组用于作为原始序列，然后再分别用GM(1, 1)、Verhulst、DGM(1, 1)进行建模，可得到三个单一灰色模型各自的包含384个数据的训练组和78个数据的预测组。整理数据后将三个单一灰色模型的训练组3×384个数据输入径向基BP神经网络，训练完成后，再输入预测组，最后得到神经网络输出的78个覆冰预测数据，即短期(24 h) 内的覆冰预测值。预测结果见图2和表1。

图2 4种建模方法模型预测值与实际值对比图

由图2可见，这些预测模型的变化趋势与实际的架空输电线路覆冰变化趋势是一致的。

表1 不同预测模型下对永州某线路覆冰厚度误差精度

由上表1可见，本次覆冰增长过程当中，对比次3种灰色建模方法，鉴于呈指数增长的覆冰趋势，GM(1,1)得到的预测精度和Verhulst模型计算的预测精度相差不大，都要比DGM（1,1）模型的预测精度要高。所以本文中提出的组合神经网络G-ANN模型，无论是从训练精度及角度，还是预测精度的角度均要优于其他三种灰色模型。

其次输电线路冬季覆冰增长还会受各种自然因素的影响，而此次覆冰过程前期的覆冰厚度变化极其剧烈，导致训练精度不如预测精度高。但即使是在覆冰前期，本次数据采集线路覆冰厚度剧烈波动，此种灰色预测模型仍能从大数据模型中找到线路覆冰增长的趋势，通过计算获得较准确的预测精度，这表明了灰色预测模型具有较好的弱化数列波动性，并从中找到变化规律的特点。