基于新型元启发式反向传播神经网络的500 kV输电线路覆冰厚度预测

苏仁斌; 熊卫红; 刘先珊; 李智; 邹建明; 曾垂辉

doi:10.13885/j.issn.0455-2059.2025.01.003

兰州大学学报（自然科学版） ›› 2025, Vol. 61 ›› Issue (1) : 17 -25+34. DOI: 10.13885/j.issn.0455-2059.2025.01.003

基于新型元启发式反向传播神经网络的500 kV输电线路覆冰厚度预测

苏仁斌, 熊卫红, 刘先珊, 李智, 邹建明, 曾垂辉

作者信息 +

Author information +

文章历史 +

摘要

实际输电线路的覆冰监测数据为高维非线性时间序列,以某500 kV典型覆冰线路为研究对象,结合监测序列的统计特征,提出基于新型元启发算法瞪羚优化方法(GOA)的反向传播神经网络(BPNN)模型进行覆冰厚度预测.基于10个标准测试函数的最优解求解,验证优化算法对复杂问题全局最优求解的适用性,引入该算法建立GOA-BPNN模型,仿真不同训练样本数的正弦函数,说明该方法能更快地收敛于最优解.根据线路的5 a覆冰监测数据,基于相关系数矩阵及主成分分析法,将6个主控因子降维为4个,作为GOA-BPNN模型的输入层,构建符合线路特征的覆冰厚度GOABPNN预测模型.该模型针对短时间覆冰序列的预测结果比经典BPNN模型的预测值更准确,验证了其对高阶非线性覆冰时间序列的泛化学习能力.以线路的多年覆冰长时间序列为训练集,预测得到5个时刻的覆冰厚度, GOA-BPNN模型相对其他4个模型的预测值最接近实际监测值,模型对“微地形、微气象”环境中的覆冰厚度预测具有较高的可靠性.