CN104361414B - 一种基于相关向量机的输电线路覆冰预测方法 - Google Patents
一种基于相关向量机的输电线路覆冰预测方法 Download PDFInfo
- Publication number
- CN104361414B CN104361414B CN201410682187.8A CN201410682187A CN104361414B CN 104361414 B CN104361414 B CN 104361414B CN 201410682187 A CN201410682187 A CN 201410682187A CN 104361414 B CN104361414 B CN 104361414B
- Authority
- CN
- China
- Prior art keywords
- icing
- model
- transmission line
- power transmission
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000005540 biological transmission Effects 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 10
- 239000011248 coating agent Substances 0.000 claims description 19
- 238000000576 coating method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005293 physical law Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012795 verification Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力系统灾害预警技术领域,具体涉及一种基于相关向量机的输电线路覆冰预测方法。本预测方法根据覆冰现象的特点,具有针对性的选择和处理覆冰预测模型的输入量及其权重指标;采用相关向量机方法建立输电线路覆冰预测模型;采用样本数据对模型进行训练,并利用量子粒子群算法和K‑fold交叉验证法对模型进行优化;根据测试数据对输电线路的覆冰厚度及概率分布进行预测,并进一步通过重复训练对模型进行修正以提高预测精度。该预测方法综合考虑了多种因素对输电线路覆冰的影响,能够准确预测输电线路的覆冰厚度,具有很强的预测精度和泛化能力。
Description
技术领域
本发明属于电力系统灾害预警技术领域,具体涉及一种基于相关向量机的输电线路覆冰预测方法。
背景技术
输电线路覆冰厚度超过其设计标准,会造成闪络、跳闸甚至断线、倒塔等严重事故的发生。近年来,因覆冰导致电网事故的次数越来越多,给社会和人民财产带来巨大损失。因此,亟需对输电线路的覆冰预测方法进行研究,为电力部门的抗冰减灾工作提供预警等决策支持。
目前,国内外关于导线覆冰预测主要有物理模型和经验模型两种。由于存在测量技术限制等原因,物理模型中所需的部分信息在实际线路中难以获取或精度不高,很难直接应用于实际线路的覆冰预测;经验模型基于模糊逻辑理论、支持向量机等方法实现覆冰预测,但存在着泛化能力较差、预测精度较低等缺点。
相关向量机(Relevance Vector Machine,RVM)是一种基于贝叶斯框架下的稀疏概率模型。作为机器学习领域的研究热点之一,RVM较之支持向量机等其它智能类算法具有更强的泛化能力和更高的预测精度。因此,本发明的一种基于相关向量机的输电线路覆冰预测方法,其建模方便、预测结果精确、泛化能力强等特点,具有重要推广应用价值。
发明内容
本发明针对现有技术的不足,提出了一种基于相关向量机的输电线路覆冰预测方法。
本预测方法根据覆冰现象的特点,具有针对性的选择和处理覆冰预测模型的输入量及其权重指标;采用相关向量机方法建立输电线路覆冰预测模型;采用样本数据对模型进行训练,并利用量子粒子群算法和K-fold交叉验证法对模型进行优化;根据测试数据对输电线路的覆冰厚度及概率分布进行预测,并进一步通过重复训练对模型进行修正以提高预测精度。该预测方法综合考虑了多种因素对输电线路覆冰的影响,能够准确预测输电线路的覆冰厚度,具有很强的预测精度和泛化能力。
本发明的一种基于相关向量机的输电线路覆冰预测方法,包括以下步骤:
一种基于相关向量机的输电线路覆冰预测方法,其特征在于,包括以下步骤:
步骤1,根据输电线路覆冰的物理规律,选择考虑权重的覆冰历史数据和微气象数据作为输入数据,覆冰厚度作为输出数据,并进行归一化处理;
其中,考虑权重的覆冰历史数据定义为Yk-m,基于以下公式;
Yk-m=[g1(wh)×yk-m,...,gn(wh)×yk-m-n+1]
其中:yk-m为k-m时刻的覆冰厚度的历史数据;m为覆冰历史数据和覆冰预测值之间的时间尺度,由采样周期决定,单位为15min;n为选择覆冰历史数据的个数,为用户自定义,其值是大于0的正整数;wh为权重变化率;gi(wh)为第i个覆冰历史数据的权重;
其中,第i个覆冰历史数据的权重表征为:
gi(wh)=1-i×wh
微气象数据包括温度、温度变化率和相对湿度,用uk-m表示,具体指代k-m时刻的微气象数据;
覆冰厚度yk用表示,具体指代k时刻的覆冰厚度预测值,单位为厘米;
数据的归一化处理,基于以下公式:
x*=(x-xmin)/(xmax-xmin)
其中:x为上述原始的输入、输出数据;x*为经过归一化处理的数据;xmin表示x的最小值;xmax表示x的最大值。
步骤2,基于相关向量机的预测原理,建立输电线路的覆冰预测模型,基于以下公式:
其中:yk为k时刻的覆冰厚度预测值;wi为模型的权重值;xk为k时刻对应的输入量,并且有xk=(Yk-m,uk-m);K(xk,xi)为核函数。
其中,核函数K(xk,xi)表征为:
其中:δ2为核函数的宽度。
步骤3,针对覆冰预测模型及输入变量中的待定参数,基于量子粒子群算法和交叉检验法进行辨识,实现模型优化。
覆冰预测模型及输入变量中的待定参数包括权重变化率wh和核函数宽度δ2。wh的取值范围为[0,0.2],δ2的取值范围为(0,1]。
基于量子粒子群算法和交叉检验法的参数辨识,其适应度函数f基于以下公式:
其中:m为交叉验证法的折数;ei为每折的均方根误差。
其中,每折的均方根误差表征为:
其中:n为每折的样本数量;Δyj为样本j的覆冰厚度预测误差。
步骤5,对输电线路的覆冰厚度及概率分布进行预测,基于以下公式:
其中,预测均值可以表征为:
其中:为核函数向量;
其中,预测方差可以表征为:
步骤6,重复步骤4,通过重复训练的方法对覆冰预测模型的权重向量进行修正具体方法是:将最新实测得到的微气象数据和对应的覆冰厚度历史数据作为训练样本代入模型进行重复训练,对模型原有的权重向量w进行修正,并利用修正的权重向量w*对覆冰厚度进行预测。
在上述的一种基于相关向量机的输电线路覆冰预测方法,所述步骤4,根据样本数据对输电线路的覆冰预测模型进行训练的具体方法包括以下子步骤:
步骤4.1,确定权重向量w的先验概率分布,基于以下公式:
其中:w为模型的权重向量;wi为向量w的第i个值;α为N+1维超参数向量;αi为向量α的第i个值。
步骤4.2,确定权重向量w的后验概率分布,基于以下公式:
其中:t为训练样本中的输出向量;μ为后验概率分布均值;Σ为后验协方差矩阵;σ2为模型方差。
其中,后验概率分布均值,表征为:
μ=σ-2ΣΦTt
其中:Φ为训练样本组成的核函数矩阵,表征为:
其中,后验协方差矩阵,表征为:
Σ=(σ-2ΦTΦ+A)-1
其中:A为超参数向量对角矩阵,表征为:
A=diag(α0,α1,...,αN)
步骤4.3,基于迭代确定超参数α和σ2,基于以下公式:
γi≡1-αiΣii
其中:μi为第i个后验权值;γi为中间变量;Σii为后验协方差矩阵第i个对角元素。迭代结束的条件为超参数α和σ2在迭代前后的变化量小于临界值,临界值为用户为用户自定义。
因此,本发明具有如下优点:1.本发明选择的覆冰预测模型输入数据既考虑了与覆冰厚度增长密切相关的微气象因素,也考虑了覆冰厚度的历史数据,具有全面性和准确性;2.本发明所提出的基于相关向量机的覆冰预测方法采用贝叶斯原理训练模型,具有泛化能力强的优点;3.本发明所提出的覆冰预测方法采用智能算法对待定参数进行辨识,能够提高方法的预测精度;4.本发明所提出的覆冰预测方法通过重复训练对模型进行修正,使方法的预测结果更为准确。
附图说明
图1为本发明的方法流程示意图。
图2a为本发明实施例中的覆冰厚度的采样数据图
图2b为本发明实施例中涉及的气温的微气象信息采样数据图。
图2c为本发明实施例中涉及的相对湿度的微气象信息采样数据图。
图3为本发明得到的不同时间尺度的输电线路覆冰厚度预测结果。
具体实施方式
下面是本发明的优选实施例,并结合附图,对本发明的具体应用作进一步说明。
实施例:
一、首先,介绍一下本发明涉及的方法原理:
本发明的一种基于相关向量机的输电线路覆冰预测方法,包括以下步骤:
步骤1,根据输电线路覆冰的物理规律,选择考虑权重的覆冰历史数据和微气象数据作为输入数据,覆冰厚度作为输出数据,并进行归一化处理;
考虑权重的覆冰历史数据用Yk-m表示,基于以下公式;
Yk-m=[g1(wh)×yk-m,...,gn(wh)×yk-m-n+1]
其中:yk-m为k-m时刻的覆冰厚度的历史数据;m为覆冰历史数据和覆冰预测值之间的时间尺度,单位为15min;n为选择覆冰历史数据的个数,设n=4;wh为权重变化率;gi(wh)为第i个覆冰历史数据的权重;
其中,第i个覆冰历史数据的权重表征为:
gi(wh)=1-i×wh
微气象数据包括温度、温度变化率和相对湿度,用uk-m表示,具体指代k-m时刻的微气象数据;
覆冰厚度yk用表示,具体指代k时刻的覆冰厚度预测值,单位为厘米;
数据的归一化处理,基于以下公式:
x*=(x-xmin)/(xmax-xmin)
其中:x为上述原始的输入、输出数据;x*为经过归一化处理的数据;xmin表示x的最小值;xmax表示x的最大值。
步骤2,基于相关向量机的预测原理,建立输电线路的覆冰预测模型,基于以下公式:
其中:yk为k时刻的覆冰厚度预测值;wi为模型的权重值;xk为k时刻对应的输入量,并且有xk=(Yk-m,uk-m);K(xk,xi)为核函数。
其中,核函数K(xk,xi)表征为:
其中:δ2为核函数的宽度。
步骤3,针对覆冰预测模型及输入变量中的待定参数,基于量子粒子群算法和交叉检验法进行辨识,实现模型优化。
覆冰预测模型及输入变量中的待定参数包括权重变化率wh和核函数宽度δ2。wh的取值范围为[0,0.2],δ2的取值范围为(0,1]。
基于量子粒子群算法和交叉检验法的参数辨识,其适应度函数f基于以下公式:
其中:m为交叉验证法的折数;ei为每折的均方根误差。
其中,每折的均方根误差表征为:
其中:n为每折的样本数量;Δyj为样本j的覆冰厚度预测误差。
步骤4,根据样本数据对输电线路的覆冰预测模型进行训练,包括以下步骤:
步骤4.1,确定权重向量w的先验概率分布,基于以下公式:
其中:w为模型的权重向量;wi为向量w的第i个值;α为N+1维超参数向量;αi为向量α的第i个值。
步骤4.2,确定权重向量w的后验概率分布,基于以下公式:
其中:t为训练样本中的输出向量;μ为后验概率分布均值;Σ为后验协方差矩阵;σ2为模型方差。
其中,后验概率分布均值,表征为:
μ=σ-2ΣΦTt
其中:Φ为训练样本组成的核函数矩阵,表征为:
其中,后验协方差矩阵,表征为:
Σ=(σ-2ΦTΦ+A)-1
其中:A为超参数向量对角矩阵,表征为:
A=diag(α0,α1,...,αN)
步骤4.3,基于迭代确定超参数α和σ2,基于以下公式:
γi≡1-αiΣii
其中:μi为第i个后验权值;γi为中间变量;Σii为后验协方差矩阵第i个对角元素。
步骤5,对输电线路的覆冰厚度及概率分布进行预测,基于以下公式:
其中:t*为需要预测的覆冰厚度;αMP和为步骤3.3中迭代得到的超参数α和σ2;y*为预测均值,可以作为t*的预测结果;σ* 2为预测方差。
其中,预测均值可以表征为:
其中,预测方差可以表征为:
步骤6,通过重复训练的方法对覆冰预测模型的权重向量进行修正,将最新实测得到的微气象数据和对应的覆冰厚度历史数据作为训练样本代入模型进行重复训练,对模型原有的权重向量w进行修正,并利用修正的权重向量w*对覆冰厚度进行预测。
二、下面是采用上述方法的具体一个案例:
根据覆冰预警系统数据库中的实测数据,选择系统终端采集到典型的覆冰厚度以及相关微气象数据作为输入数据,如图2a至2c所示;基于相关向量机的预测原理,建立输电线路的覆冰预测模型;采用量子粒子群算法和K-fold交叉验证法对模型进行参数辨识;通过重复训练的方法对覆冰预测模型的权重向量进行修正,最终得到不同时间尺度的覆冰预测结果,如图3。
从给出的优选实施例对本发明所提判定方法的应用说明可以看出,选择考虑权重的覆冰历史数据和微气象数据及作为输入数据,覆冰厚度作为输出数据,并进行归一化处理;采用相关向量机方法建立输电线路覆冰预测模型,并利用量子粒子群算法和K-fold交叉验证法对模型进行优化;进一步通过重复训练对模型进行修正,在短、中、长三个时间尺度上均能够准确预测覆冰厚度,具有预测精度高、泛化能力强的特点,可以为电力系统的抗冰减灾工作提供预警等决策支持。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (2)
1.一种基于相关向量机的输电线路覆冰预测方法,其特征在于,包括以下步骤:
步骤1,根据输电线路覆冰的物理规律,选择考虑权重的覆冰历史数据和微气象数据作为输入数据,覆冰厚度作为输出数据,并进行归一化处理;
其中,考虑权重的覆冰历史数据定义为Yk-m,基于以下公式;
Yk-m=[gm′(wh)×yk-m,...,gn(wh)×yk-m-n+1]
其中:yk-m为k-m时刻的覆冰厚度的历史数据;m为覆冰历史数据和覆冰预测值之间的时间尺度,由采样周期决定,单位为15min;n为选择覆冰历史数据的个数,为用户自定义,其值是大于0的正整数;wh为权重变化率;gm′(wh)为第m′个覆冰历史数据的权重;
其中,第i个覆冰历史数据的权重表征为:
gi(wh)=1-i×wh
微气象数据包括温度、温度变化率和相对湿度,用uk-m表示,具体指代k-m时刻的微气象数据;
覆冰厚度yk用表示,具体指代k时刻的覆冰厚度预测值,单位为厘米;
数据的归一化处理,基于以下公式:
x*=(x-xmin)/(xmax-xmin)
其中:x为原始的输入、输出数据;x*为经过归一化处理的数据;xmin表示x的最小值;xmax表示x的最大值;
步骤2,基于相关向量机的预测原理,建立输电线路的覆冰预测模型,基于以下公式:
其中:yk为k时刻的覆冰厚度预测值;wr为模型的权重值;xk为k时刻对应的输入量,并且有xk=(Yk-m,uk-m);K(xk,xi)为核函数;
其中,核函数K(xk,xi)表征为:
其中:δ2为核函数的宽度;
步骤3,针对覆冰预测模型及输入变量中的待定参数,基于量子粒子群算法和交叉检验法进行辨识,实现模型优化;
覆冰预测模型及输入变量中的待定参数包括权重变化率wh和核函数宽度δ2;wh的取值范围为[0,0.2],δ2的取值范围为(0,1];
基于量子粒子群算法和交叉检验法的参数辨识,其适应度函数f基于以下公式:
其中:m″为交叉验证法的折数;es为每折的均方根误差;
其中,每折的均方根误差表征为:
其中:n′为每折的样本数量;Δyj为样本j的覆冰厚度预测误差;
步骤4,根据步骤1中的输入输出数据和步骤3得到的优化参数对步骤2建立的输电线路的覆冰预测模型进行训练,得到模型的后验概率分布均值μ,后验协方差矩阵Σ以及超参数α和σ2;
步骤5,对输电线路的覆冰厚度及概率分布进行预测,基于以下公式:
其中:t*为需要预测的覆冰厚度;α和σ2为步骤4中得到的超参数;y*为预测均值,可以作为t*的预测结果;σ* 2为预测方差;
其中,预测均值可以表征为:
其中,预测方差可以表征为:
步骤6,重复步骤4,通过重复训练的方法对覆冰预测模型的权重向量进行修正具体方法是:将最新实测得到的微气象数据和对应的覆冰厚度历史数据作为训练样本代入模型进行重复训练,对模型原有的权重向量w进行修正,并利用修正的权重向量w*对覆冰厚度进行预测。
2.根据权利要求1所述的一种基于相关向量机的输电线路覆冰预测方法,其特征在于,所述步骤4,根据样本数据对输电线路的覆冰预测模型进行训练的具体方法包括以下子步骤:
步骤4.1,确定权重向量w的先验概率分布,基于以下公式:
其中:w为模型的权重向量;wi′为向量w的第i′个值;α为N+1维超参数向量;αi′为向量α的第i′个值;
步骤4.2,确定权重向量w的后验概率分布,基于以下公式:
其中:t为训练样本中的输出向量;μ为后验概率分布均值;Σ为后验协方差矩阵;σ2为模型方差;
其中,后验概率分布均值,表征为:
μ=σ-2ΣΦTt
其中:Φ为训练样本组成的核函数矩阵,表征为:
其中,后验协方差矩阵,表征为:
Σ=(σ-2ΦTΦ+A)-1
其中:A为超参数向量对角矩阵,表征为:
A=diag(α0,α1,...,αN)
步骤4.3,基于迭代确定超参数α和σ2,基于以下公式:
γi′≡1-αi′Σn″
其中:μi′为第i′个后验权值;γi′为中间变量;Σn″为后验协方差矩阵第n″个对角元素;迭代结束的条件为超参数α和σ2在迭代前后的变化量小于临界值,临界值为用户自定义。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410682187.8A CN104361414B (zh) | 2014-11-24 | 2014-11-24 | 一种基于相关向量机的输电线路覆冰预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410682187.8A CN104361414B (zh) | 2014-11-24 | 2014-11-24 | 一种基于相关向量机的输电线路覆冰预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104361414A CN104361414A (zh) | 2015-02-18 |
CN104361414B true CN104361414B (zh) | 2020-01-07 |
Family
ID=52528672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410682187.8A Active CN104361414B (zh) | 2014-11-24 | 2014-11-24 | 一种基于相关向量机的输电线路覆冰预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104361414B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805323B (zh) * | 2017-05-05 | 2022-01-11 | 华为技术有限公司 | 数据预测方法和装置 |
CN109003254B (zh) * | 2018-05-28 | 2021-04-27 | 南方电网科学研究院有限责任公司 | 基于逻辑回归覆冰检测方法、装置、设备、系统及介质 |
CN109284859A (zh) * | 2018-08-24 | 2019-01-29 | 华北电力大学 | 一种输电线路覆冰预测方法 |
CN109766912A (zh) * | 2018-12-07 | 2019-05-17 | 国电南瑞科技股份有限公司 | 一种基于卡尔曼滤波与支持向量机的输电线路覆冰评估方法和系统 |
CN109595130A (zh) * | 2018-12-25 | 2019-04-09 | 济中能源技术服务(上海)有限公司 | 一种风机叶片结冰故障预测方法及系统 |
CN110188914A (zh) * | 2019-03-25 | 2019-08-30 | 华北电力大学 | 一种用于电网输电线路覆冰厚度的智能预测方法 |
CN110188397B (zh) * | 2019-05-06 | 2022-07-19 | 南瑞集团有限公司 | 一种架空输电线路覆冰预测模型和方法 |
CN110458317A (zh) * | 2019-05-21 | 2019-11-15 | 广东电网有限责任公司 | 一种输电线路覆冰灾害发展趋势预测的方法及系统 |
CN110598932B (zh) * | 2019-09-11 | 2022-04-19 | 电子科技大学 | 基于融合天气特征的输电走廊覆冰预警方法 |
CN111189638B (zh) * | 2019-12-24 | 2021-08-06 | 沈阳化工大学 | 基于hmm和qpso优化算法的轴承故障程度辨识方法 |
CN111489025B (zh) * | 2020-04-08 | 2024-02-02 | 成都卡普数据服务有限责任公司 | 一种类别失衡的架空输电线路覆冰预测方法 |
CN112000706B (zh) * | 2020-04-30 | 2021-05-18 | 中南民族大学 | 一种基于rvm-l模型的互联网舆情预警机制分析方法 |
CN111458769B (zh) * | 2020-05-26 | 2021-05-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
CN115080906B (zh) * | 2022-06-20 | 2024-07-09 | 贵州电网有限责任公司 | 一种输电线路等值覆冰监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938021A (zh) * | 2012-11-02 | 2013-02-20 | 云南大学 | 一种输电线路覆冰负荷定量估计及预测方法 |
CN103020740A (zh) * | 2012-12-25 | 2013-04-03 | 临安市供电局 | 一种基于微气象数据的电力线路覆冰厚度预测方法 |
CN103914740A (zh) * | 2014-03-28 | 2014-07-09 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于数据驱动的输电线路覆冰预测与自校正方法 |
-
2014
- 2014-11-24 CN CN201410682187.8A patent/CN104361414B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938021A (zh) * | 2012-11-02 | 2013-02-20 | 云南大学 | 一种输电线路覆冰负荷定量估计及预测方法 |
CN103020740A (zh) * | 2012-12-25 | 2013-04-03 | 临安市供电局 | 一种基于微气象数据的电力线路覆冰厚度预测方法 |
CN103914740A (zh) * | 2014-03-28 | 2014-07-09 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于数据驱动的输电线路覆冰预测与自校正方法 |
Non-Patent Citations (1)
Title |
---|
基于粒子群算法优化支持向量机的输电线路覆冰预测;尹子任 等;《电力学报》;20140228;第29卷(第1期);第6-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104361414A (zh) | 2015-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104361414B (zh) | 一种基于相关向量机的输电线路覆冰预测方法 | |
CN108428017B (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN109523013B (zh) | 基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
WO2016107246A1 (zh) | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 | |
CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN109033513B (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
CN106503867A (zh) | 一种遗传算法最小二乘风电功率预测方法 | |
CN103559540A (zh) | 基于自适应神经模糊推理系统的风速超短期在线预测方法 | |
CN102706573A (zh) | 一种设备的故障分类诊断方法 | |
CN112651119B (zh) | 一种空间谐波减速器多性能参数加速退化试验评估方法 | |
CN106529724A (zh) | 一种灰色联合权重风电功率预测方法 | |
CN107885928A (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
JP6216294B2 (ja) | 重回帰分析装置および重回帰分析方法 | |
CN114584230A (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN105787259A (zh) | 一种多元气象因素对负荷变化影响相关性的分析方法 | |
CN108334894B (zh) | 基于无监督机器学习的变压器油温异常识别方法 | |
CN105468850A (zh) | 基于多残差回归预测算法的电子产品退化趋势预测方法 | |
CN107688863A (zh) | 自适应迭代加强的短期风速高精度组合预测方法 | |
CN104657584A (zh) | 一种基于Lorenz系统的风速预测方法 | |
CN103345555A (zh) | 基于遗传编程的火电机组煤耗特性曲线建模方法 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN107045659A (zh) | 预测光伏发电功率的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |