气象特征

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0.0032 mg/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。

浙江是我国重要沿海省份，为减少台风灾害引起的损失，对电力系统的风险区域划分尤为重要。首先从登陆点分布、路径特征、时间特征、风速特征及降水特征等方面，利用历史数据总结分析浙江沿海地区台风气象特征。其次，对浙江电力系统进行台风灾害特征分析，得到输电系统故障点分布、变电系统与台风登陆点距离关系、配电系统停电用户占比分布等。最后，采用浙江台风气象及电力系统历史数据绘制台风灾害风险区域图，特别是对倒塔高风险区、风偏高风险区及地质灾害高风险区进行了详细划分。分析结果可为各级电网应对台风灾害的风险评估与处置提供支持。

目前数值天气预报(numerical weather prediction, NWP)风速修正方法大多基于纵向误差的幅值特性评估建模，忽视了NWP风速序列与历史风速序列间超前或延迟效应导致的横向误差对NWP风速修正的潜在影响。因此，提出计及NWP风速横纵向误差的循环确定性策略梯度(recurrent deterministic policy gradient, RDPG)风速修正模型。首先，基于加权欧式距离相似度确定各个NWP风速待修正点超前/滞后时序区间(lead/lag timing interval, LLTI)边界，构成强相关时序区间。然后，采用LLTI内统计特征代替该区间NWP原始气象特征，并基于沙普利可加性解释法(shapley additive explanation, SHAP)归因理论，根据每个特征的边际贡献评估不同特征对模型输出的影响程度。最后，建立基于RDPG的NWP风速修正模型。通过算例分析，验证了所提方法在超短期、短期预测的不同时间尺度下修正NWP风速的有效性和可行性。