等值盐密预测

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。