本文關(guān)鍵詞：電力光纖線路狀態(tài)預(yù)測(cè)方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：在電力通信系統(tǒng)中,電力光纖由于其自身所具有的諸多優(yōu)勢(shì),近年來已成為一種主流的通信方式而被廣泛應(yīng)用。作為電力通信系統(tǒng)的關(guān)鍵組成部分,電力光纖通信系統(tǒng)傳輸?shù)姆�(wěn)定性是電力部門高效生產(chǎn)、穩(wěn)定運(yùn)行的重要保障,一旦電力光纖線路發(fā)生故障,造成的通信中斷將會(huì)給企業(yè)和用戶帶來巨大的經(jīng)濟(jì)損失。因此,研究電力光纖線路狀態(tài)預(yù)測(cè)方法,根據(jù)已知的電力光纖線路狀態(tài)預(yù)測(cè)未來可能發(fā)生的線路故障,從而提前做好維護(hù)和管理工作,避免故障的發(fā)生,確保電力通信系統(tǒng)不間斷傳輸具有重要的現(xiàn)實(shí)意義。為了更加準(zhǔn)確地預(yù)測(cè)電力光纖線路的運(yùn)行狀態(tài),文章提出一種基于自適應(yīng)粒子群(APSO)優(yōu)化差分自回歸滑動(dòng)平均—支持向量機(jī)(ARIMA-SVM)模型的預(yù)測(cè)新方法,該方法通過對(duì)電力光纖線路運(yùn)行狀態(tài)的衡量指標(biāo)光功率的預(yù)測(cè),從而實(shí)現(xiàn)電力光纖線路狀態(tài)預(yù)測(cè)。首先,根據(jù)電力光纖線路中光功率數(shù)據(jù)具有的非線性、時(shí)變性和復(fù)雜性特點(diǎn),采用小波變換對(duì)監(jiān)測(cè)得到的光功率數(shù)據(jù)進(jìn)行小波分解并重構(gòu),提取出隨機(jī)項(xiàng)與趨勢(shì)項(xiàng)兩部分光功率數(shù)據(jù)。然后,針對(duì)隨機(jī)項(xiàng)與趨勢(shì)項(xiàng)數(shù)據(jù)特性,分別構(gòu)建多種預(yù)測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn),從中選取并構(gòu)建預(yù)測(cè)效果最優(yōu)的ARIMA模型和SVM模型分別對(duì)光功率隨機(jī)項(xiàng)和趨勢(shì)項(xiàng)兩部分?jǐn)?shù)據(jù)進(jìn)行預(yù)測(cè)。為了進(jìn)一步提升模型預(yù)測(cè)性能,文中設(shè)計(jì)一種APSO算法對(duì)SVM模型中參數(shù)進(jìn)行優(yōu)化,該算法通過構(gòu)建新型的動(dòng)態(tài)距離函數(shù)和自適應(yīng)慣性權(quán)重函數(shù),使得不同粒子的搜索速度能夠自適應(yīng)地變化,從而提高算法的收斂速度和精度,獲取更加準(zhǔn)確的模型參數(shù),并通過仿真實(shí)驗(yàn)驗(yàn)證了該算法的有效性。最后,分別構(gòu)建ARIMA模型和基于APSO優(yōu)化的SVM模型對(duì)光功率隨機(jī)項(xiàng)數(shù)據(jù)和趨勢(shì)項(xiàng)數(shù)據(jù)進(jìn)行預(yù)測(cè),并疊加兩部分的預(yù)測(cè)結(jié)果,實(shí)現(xiàn)光功率未來趨勢(shì)的預(yù)測(cè),從而實(shí)現(xiàn)電力光纖線路狀態(tài)預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,與其他預(yù)測(cè)方法相比,文章提出的基于APSO優(yōu)化ARIMA-SVM混合模型的預(yù)測(cè)方法能夠更加準(zhǔn)確地預(yù)測(cè)出電力光纖線路中光功率的未來趨勢(shì),從而實(shí)現(xiàn)電力光纖線路狀態(tài)的預(yù)測(cè),并且該方法優(yōu)化了模型預(yù)測(cè)性能,較單一的SVM模型光功率趨勢(shì)預(yù)測(cè)方法相比,其預(yù)測(cè)精度提升了12.6%;較未優(yōu)化參數(shù)的ARIMA-SVM混合模型預(yù)測(cè)方法相比,其預(yù)測(cè)精度提升了53.8%;較基于LDW優(yōu)化ARIMA-SVM模型的預(yù)測(cè)方法相比,其預(yù)測(cè)精度提升了26.5%。
【關(guān)鍵詞】：光纖狀態(tài)預(yù)測(cè) 時(shí)間序列數(shù)據(jù)預(yù)測(cè) 差分自回歸滑動(dòng)平均模型 支持向量機(jī) 粒子群優(yōu)化算法
【學(xué)位授予單位】：東北電力大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN929.11;TM73
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-16
• 1.1 課題背景及研究的目的和意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.3 主要研究內(nèi)容及章節(jié)安排14-16
• 第2章 電力光纖線路狀態(tài)預(yù)測(cè)原理16-26
• 2.1 光纖通信技術(shù)概述16-17
• 2.1.1 光纖通信的基本原理16
• 2.1.2 電力光纖16-17
• 2.2 電力光纖線路狀態(tài)預(yù)測(cè)分析17-18
• 2.3 時(shí)序數(shù)據(jù)預(yù)測(cè)方法分類及工作原理18-25
• 2.3.1 線性時(shí)序模型預(yù)測(cè)方法18-20
• 2.3.2 非線性時(shí)序模型預(yù)測(cè)方法20-25
• 2.4 本章小結(jié)25-26
• 第3章 基于小波分解的混合模型預(yù)測(cè)方法26-47
• 3.1 電力光纖線路數(shù)據(jù)預(yù)處理26-29
• 3.1.1 小波分解與重構(gòu)27-29
• 3.1.2 預(yù)測(cè)性能評(píng)價(jià)指標(biāo)29
• 3.2 光功率隨機(jī)項(xiàng)預(yù)測(cè)模型構(gòu)建29-34
• 3.2.1 時(shí)間序列預(yù)測(cè)模型的識(shí)別29-30
• 3.2.2 時(shí)間序列預(yù)測(cè)模型的構(gòu)建30-32
• 3.2.3 ARIMA建模及仿真分析32-34
• 3.3 光功率趨勢(shì)項(xiàng)預(yù)測(cè)模型構(gòu)建34-42
• 3.3.1 BP預(yù)測(cè)模型構(gòu)建及仿真分析34-36
• 3.3.2 RBF預(yù)測(cè)模型構(gòu)建及仿真分析36-39
• 3.3.3 SVM預(yù)測(cè)模型構(gòu)建及仿真分析39-42
• 3.4 基于小波分解的ARIMA-SVM混合模型預(yù)測(cè)方法42-45
• 3.5 本章小結(jié)45-47
• 第4章 混合預(yù)測(cè)模型參數(shù)優(yōu)化及分析47-56
• 4.1 自適應(yīng)粒子群優(yōu)化算法47-53
• 4.1.1 自適應(yīng)粒子群優(yōu)化算法原理47-49
• 4.1.2 自適應(yīng)粒子群優(yōu)化算法流程49-50
• 4.1.3 自適應(yīng)粒子群優(yōu)化算法仿真結(jié)果及分析50-53
• 4.2 基于APSO優(yōu)化ARIMA-SVM混合模型預(yù)測(cè)結(jié)果及分析53-55
• 4.3 本章小結(jié)55-56
• 結(jié)論56-58
• 參考文獻(xiàn)58-63
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文及其它成果63-64
• 致謝64

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 曹凈;丁文云;趙黨書;宋志剛;劉海明;;基于LSSVM-ARMA模型的基坑變形時(shí)間序列預(yù)測(cè)[J];巖土力學(xué);2014年S2期

2 易水寒;喻杰奎;羅清;;OTDR非反射事件自適應(yīng)檢測(cè)算法設(shè)計(jì)與研究[J];光通信技術(shù);2014年09期

3 吳康;姚秀萍;王維慶;王海云;李猛;;基于信息粒化和支持向量機(jī)的風(fēng)功率預(yù)測(cè)[J];水力發(fā)電;2014年05期

4 王東風(fēng);王富強(qiáng);牛成林;;小波分解層數(shù)及其組合分量對(duì)短期風(fēng)速多步預(yù)測(cè)的影響分析[J];電力系統(tǒng)保護(hù)與控制;2014年08期

5 劉春衛(wèi);羅健旭;;基于混合核函數(shù)的PSO-SVM分類算法[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

6 姜萬昌;楊e

本文編號(hào)：361905