基于離散粒子群和最小二乘的電網(wǎng)覆冰定量長(zhǎng)期預(yù)報(bào)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于輸配電技術(shù)領(lǐng)域，尤其涉及一種電網(wǎng)覆冰長(zhǎng)期預(yù)報(bào)方法。
【背景技術(shù)】
[0002] 電網(wǎng)覆冰是嚴(yán)重危害輸電線路安全穩(wěn)定運(yùn)行的自然災(zāi)害之一，自1954年第1次 輸電線路冰害事故以來，大面積冰害事故在全國(guó)時(shí)有發(fā)生，給國(guó)民經(jīng)濟(jì)帶來了巨大的損失。 特別是2008年初，我國(guó)南方地區(qū)遭遇了一場(chǎng)罕見的大面積、長(zhǎng)時(shí)間嚴(yán)重的雨雪冰凍災(zāi)害， 由于抗冰資源準(zhǔn)備不足，造成電網(wǎng)企業(yè)直接經(jīng)濟(jì)損失達(dá)100多億元，工廠、醫(yī)院和居民區(qū)停 電，京廣電氣化鐵路停運(yùn)，對(duì)社會(huì)穩(wěn)定和人民生產(chǎn)與生活構(gòu)成了嚴(yán)重威脅。而準(zhǔn)確的電網(wǎng)覆 冰長(zhǎng)期預(yù)測(cè)是電力企業(yè)在人力、物資科學(xué)規(guī)劃、經(jīng)濟(jì)部署等的前提條件，具有重大意義。 [0003]目前電網(wǎng)覆冰長(zhǎng)期預(yù)測(cè)方法只是針對(duì)電網(wǎng)覆冰進(jìn)行了程度預(yù)報(bào)，而同一程度的覆 冰情況也會(huì)有重有輕，難以精細(xì)化指導(dǎo)抗冰決策，另外程度預(yù)報(bào)方法需要包含人為經(jīng)驗(yàn)因 素，難以利用計(jì)算機(jī)進(jìn)行程序化處理，工作量大，因此，亟需一種能程序化處理的電網(wǎng)覆冰 定量長(zhǎng)期預(yù)報(bào)方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明要解決的技術(shù)問題是：針對(duì)目前電網(wǎng)覆冰定量長(zhǎng)期預(yù)測(cè)現(xiàn)有技術(shù)不足，提 供一種基于離散粒子群和最小二乘回歸的電網(wǎng)覆冰定量長(zhǎng)期預(yù)報(bào)方法，可提前一個(gè)月對(duì)未 來一個(gè)季度（冬季）的電網(wǎng)覆冰進(jìn)行定量預(yù)測(cè)。
[0005] 本發(fā)明的解決方案是：所提供的這種基于離散粒子群和最小二乘回歸的電網(wǎng)覆冰 定量長(zhǎng)期預(yù)報(bào)方法，系考慮74項(xiàng)環(huán)流指數(shù)對(duì)冬季電網(wǎng)覆冰的影響，利用離散粒子群算法選 擇可預(yù)報(bào)性最強(qiáng)的冬季覆冰預(yù)報(bào)因子，以選出的預(yù)報(bào)因子為基礎(chǔ)利用歷史數(shù)據(jù)建立最小二 乘回歸模型，得出冬季電網(wǎng)平均覆冰日數(shù)的預(yù)報(bào)結(jié)論。該方法，包括如下步驟：
[0006] 計(jì)算每個(gè)月的74項(xiàng)環(huán)流指數(shù)與預(yù)報(bào)區(qū)域的歷年平均覆冰日數(shù)的相關(guān)系數(shù)，并求 取每項(xiàng)環(huán)流指數(shù)與平均覆冰日數(shù)的最大相關(guān)系數(shù)；
[0007] 取所得最大相關(guān)系數(shù)絕對(duì)值最大的前m個(gè)因子，作為覆冰預(yù)報(bào)的初步因子；
[0008] 利用離散粒子群算法，得到粒子群的最優(yōu)位置，在初步因子中選出可預(yù)報(bào)性最強(qiáng) 的覆冰預(yù)報(bào)因子；
[0009] 以選出的可預(yù)報(bào)性最強(qiáng)的覆冰預(yù)報(bào)因子為基礎(chǔ)，建立預(yù)測(cè)模型：
[0010] yt= b (^b1XtJb2Xt2+…+bNX tN+ut
[0011] 式中yt為平均覆冰日數(shù)；b ^b1，…，bN為模型參數(shù)；Xtl，…XtN為所選的預(yù)報(bào)因子； Ut為隨機(jī)誤差；N為所選預(yù)報(bào)因子的個(gè)數(shù)；
[0012] 利用最小二乘方法求取模型參數(shù)，并將當(dāng)前預(yù)報(bào)因子的值帶入預(yù)測(cè)模型求解得到 未來冬季電網(wǎng)的平均覆冰日數(shù)。
[0013] 所述m取值為8~25。離散粒子群算法設(shè)定粒子總數(shù)為10~30。
[0014] 本發(fā)明的有益效果是：
[0015] 1、使用該方法可以在11月份預(yù)報(bào)未來12月至次年2月的冬季電網(wǎng)整體覆冰程 度；
[0016] 2、本發(fā)明流程清晰、可操作性強(qiáng)；
[0017] 3、預(yù)報(bào)準(zhǔn)確率高（準(zhǔn)確度大于90% )、實(shí)用性強(qiáng)；
[0018] 4、解決了電網(wǎng)覆冰長(zhǎng)期定量預(yù)測(cè)的難題。根據(jù)預(yù)測(cè)結(jié)論，可科學(xué)合理地規(guī)劃電網(wǎng) 應(yīng)對(duì)覆冰所需的人力、物資，并進(jìn)行相關(guān)的經(jīng)濟(jì)部署，實(shí)現(xiàn)電網(wǎng)覆冰的提前應(yīng)對(duì)，減少電網(wǎng) 覆冰所造成的損失。
【附圖說明】
[0019] 圖1為本發(fā)明方法流程圖。
【具體實(shí)施方式】
[0020] 如圖1所示，本發(fā)明的基于離散粒子群和最小二乘回歸的電網(wǎng)覆冰定量長(zhǎng)期預(yù)報(bào) 方法具體包括下述的步驟：
[0021] 1.收集歷史環(huán)流指數(shù)數(shù)據(jù)與覆冰資料。
[0022] 收集自1951年以來每個(gè)月的包括亞洲極渦、西太平洋副熱帶高壓等74項(xiàng)環(huán)流指 數(shù)數(shù)據(jù)；通過氣象部門收集歷年平均覆冰日數(shù)。
[0023] 2.計(jì)算環(huán)流指數(shù)與平均覆冰日數(shù)的相關(guān)系數(shù)，初步選擇覆冰預(yù)報(bào)因子。
[0024] 利用相關(guān)系數(shù)計(jì)算公式計(jì)算3-10月份的74項(xiàng)環(huán)流指數(shù)與平均覆冰日數(shù)的相關(guān)系 數(shù)，相關(guān)系數(shù)計(jì)算的公式如式（1)所示：
[0025]
(1)
[0026] 式中，&.為第j月74項(xiàng)環(huán)流指數(shù)X與平均覆冰日數(shù)的相關(guān)系數(shù)；Xl]為74項(xiàng)環(huán)流 指數(shù)的值，i為年份序號(hào)，j為月份序號(hào)，η為歷史年份數(shù)量；Cl1為第i年的平均覆冰日數(shù)。
[0027] 利用式（2)計(jì)算每項(xiàng)環(huán)流指數(shù)X與平均覆冰日數(shù)的最大相關(guān)系數(shù)，
[0028]
(2)
[0029] 式中Rxniax為環(huán)流指數(shù)X與平均覆冰日數(shù)的最大相關(guān)系數(shù)，max為所對(duì)應(yīng)的月份。
[0030] 取所得Rxniax絕對(duì)值最大的前m個(gè)因子，作為覆冰預(yù)報(bào)的初步因子。
[0031] 3.利用離散粒子群算法，得出可預(yù)報(bào)性最強(qiáng)的覆冰預(yù)報(bào)因子。
[0032] (1)初始化粒子群的位置矩陣：式（3)為粒子群的初始位置矩陣Ax，A x中第i行、 第j列的元素\取值如式（4)所示。
[0033]
(1) υ?Ν 丄丄λ ·/·?·? o/ ^
[0034]
(4)
[0035] 式（3)中，s為粒子群中粒子的個(gè)數(shù)，m為初步因子個(gè)數(shù)，即Ax的每一行對(duì)應(yīng)一個(gè) 粒子，每一列對(duì)應(yīng)一個(gè)初步因子；式（4)中rand(0, 1)為按均勾分布函數(shù)在區(qū)間[0,1]中隨 機(jī)抽取一個(gè)數(shù)。
[0036] (2)初始化粒子群的速度矩陣：粒子群的初始速度矩陣為式（5)所示，Vx中第i行、 第j列的元素 Vli取值如式（6)所示。
[0037]
(5)
[0038] Vij= rand (0, 1) (6)
[0039] (3)計(jì)算每個(gè)粒子的適應(yīng)度的值，適應(yīng)度值采用式（7)進(jìn)行計(jì)算：
[0040]
(7)
[0041] 式中fx (AxGO)為第k個(gè)粒子的適應(yīng)度；ei(k)為利用第k個(gè)粒子預(yù)測(cè)得到第i個(gè) 樣本的殘差^ 1GO為第k個(gè)粒子預(yù)測(cè)得到第i個(gè)樣本到樣本中心點(diǎn)的廣義距離；N(k)為第 k個(gè)粒子所選取的因子的個(gè)數(shù)，即4第k行元素取1的個(gè)數(shù)。
[0042] (4)獲得初始粒子群的最優(yōu)位置和最優(yōu)適應(yīng)度，其最優(yōu)適應(yīng)度的計(jì)算如式（8)所 示，
[0043] gfxmax= max (fx (A x (k))), k = 1,2, ··· s (8)
[0044] 最優(yōu)適應(yīng)度取值所對(duì)應(yīng)的粒子Ax (k)即為粒子群的最優(yōu)位置，且為防止算法陷入 局部最優(yōu)，若某個(gè)粒子的位置等于種群的最優(yōu)位置，將該粒子的位置重新初始化賦值。
[0045] (5)速度更新：采用式（9)對(duì)粒子群的速度矩陣進(jìn)行更新，
[0046] Vxnew = w*Vx+cl*Rl. * (Axbest_Ax)+c2*R2. * (Axgbest_Ax) (9)
[0047] 式中Vxnew為更新后的速度矩陣；w為慣性因子，本文取0. 8 ;cl、c2為加速因子， 本文取0. 7 ;R1、R2為與Ax同大小、元素為[0, 1]的隨機(jī)矩陣;A xbest為每個(gè)粒子的最優(yōu)位 置的組合矩陣;AxgbeSt為粒子群的最優(yōu)位置矩陣，每行元素相同，均為粒子群的最優(yōu)位置。
[0048] (6)位置更新：采用式（10)對(duì)粒子群的位置矩陣進(jìn)行更新，
[0049] Axnew = round (Ax+Vxnew) (10)
[0050] 式中AxIiew為粒子群更新后的位置矩陣；round為一函數(shù)，即當(dāng)矩陣中的元素小于 0. 5時(shí)取0,否則取1 ;
[0051] (7)判斷是否達(dá)到迭代次數(shù)，或所有粒子取值均為最優(yōu)粒子。若是，則優(yōu)化結(jié)束，得 到粒子群的最優(yōu)位置，即選出的因子為可預(yù)報(bào)性最強(qiáng)的覆冰預(yù)報(bào)因子。否則，返回步驟（3)， 重新計(jì)算。
[0052] 4.以選出的預(yù)報(bào)因子為基礎(chǔ)利用歷史數(shù)據(jù)建立最小二乘回歸預(yù)測(cè)模型。
[0053] (1)建模：利用所選因子建立多元線性回歸模型，如式（11)所示。
[0054]