基于气象特征挖掘与AdaBoost-MEA-ELM模型的绝缘子盐密预测

摘要

为及时掌握输电线路绝缘子污秽情况,提出了一种基于气象的绝缘子盐密预测方法。挖掘了与积污相关性更强的气象特征,通过随机森林评估了气象特征的重要程度,结合序列前向搜索确立了最佳气象特征子集。基于台州市自然积污测试数据,使用极限学习机(extreme learning machine,ELM)建立盐密预测基础模型,并使用思维进化算法(mind evolution algorithm,MEA)对其初始权值与阈值进行优化,通过自适应提升(adaptive boosting,AdaBoost)算法集成进一步提高模型精度。结果表明:AdaBoost-MEA-ELM模型盐密预测平均绝对误差为0.0032mg/cm2,相比原始ELM模型误差降低58.97%,优化效果显著;与其他模型对比验证了AdaBoost-MEA-ELM模型的性能以及3种算法结合的合理性;通过k折交叉验证获得了训练数据改变时模型误差的变化情况,进一步验证了模型的泛化性与稳定性。