CN105678439A - 基于bp神经网络的输电线路动态增容运行风险评估方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的输电线路动态增容运行风险评估方法，属于电力***自动化技术领域。本发明首先对输电线路的电流数据和输电线路现场的微气候数据，然后建立基于BP神经网络的气象数据预测模型。利用该模型可以预测出未来一小时内的气象数据。然后利用预测出的气象数据和电流等参数，计算出线路增容后的未来一小时内的导线温度分布。把导线温度分布代入到风险评估公式，即可计算出导线增容运行后的风险指标。本发明可以更为简便地评估增容后输电线路的运行风险，为输电线路的安全运行提供参考依据。

Description

基于BP神经网络的输电线路动态增容运行风险评估方法

技术领域

本发明属于电力***自动化技术领域，具体地说本发明涉及输电线路动态增容运行风险评估的方法。

背景技术

为了解决对输电容量需求的持续增长与建设新线路困难的矛盾，输电线路动态增容技术发展迅速。这类技术一般通过随时监测架空输电线路运行环境(如环境温度、湿度、风力和日照辐射等多种参数)，根据监测的架空输电线路运行环境情况相应地提升输电线路的载流能力。在国家电网公司2009年发布的《Q/GDW242—2008架空输电线路导线温度在线监测***技术导则》中亦给出了通过根据实时采集的气温、风速、风向、光辐射数据以及导线相关参数，按稳态热容方程计算在当前气象条件下导线允许运行温度对应的动态载流量，作为调度进行线路动态增容的参考的方法。

但是应用输电线路动态增容技术后，输电线路的安全性将如何变化，是否会增大输电线路的运行风险，这是各地电力公司普遍关心的一个问题，也是输电线路动态增容技术能否顺利推广应用的关键影响因素。

《输电线路动态增容运行风险评估》(王孔森等，2011年电力***自动化专委会学术交流研讨会论文集)中公开了一种对输电线路动态增容运行风险进行评估的方法。该技术方案使用马尔可夫链蒙特卡洛(MCMC)方法产生气候模型各参数后验分布的随机序列来获取气候模型，进而利用该模型通过蒙特卡洛(MC)模拟方法来预测导线温度的分布，计算出增容***的风险指标。该方法能够对输电线路动态增容运行风险做出准确评估，但是由于其采用的是马尔可夫链蒙特卡洛来建立气候模型，运算过于复杂，不利于实用，有必要对其进行简化。

BP(BackPropagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学***方和最小。

本发明即基于BP神经网络模型对输电线路动态增容运行风险进行评估，其运算更为简便，更具有工程实用性。

发明内容

本发明目的是：针对现有技术中采用马尔可夫链蒙特卡洛气候模型对输电线路动态增容运行风险进行评估过于复杂的不足，提供一种基于BP神经网络模型的输电线路动态增容运行风险评估方法，通过该方法可以更为简便地评估增容后输电线路的运行风险，为输电线路的安全运行提供参考依据。

具体地说，本发明是采用以下技术方案实现的，包括以下步骤：

1)对输电线路的A，B，C三相电流以恒定的采样频率进行电流采样，并通过安装在输电线路现场的在线监测***获得若干天内的微气候数据，所述微气候数据为输电线路沿线风速、环境温度、日照辐射强度；

2)建立BP神经网络预测模型，将步骤1)获得的微气候数据代入BP神经网络预测模型中预测未来一小时的风速、环境温度和日照辐射强度的分布；

所述BP神经网络预测模型以输电线路沿线风速、环境温度和日照辐射强度三个参数作为BP神经网络预测模型的输入，选用单隐层的BP网络结构进行预测；

BP神经网络预测模型结构分为3层：第1层为输入层，3个神经元分别是输电线路沿线风速V_in、环境温度T_ain和日照辐射强度I_sin；第2层为隐含层，神经元为9个；第3层为输出层，3个神经元分别是未来一小时的风速V_out、环境温度T_aout和日照辐射强度I_sout；

隐含层和输出层传递函数均采用S型对数函数Logsig，如下所示：

$f\left(x\right)=\frac{1}{1+\exp {(-x/c)}^2}$

上式中，x为隐含层或输出层的下层的输入变量值，c为常数，在此取1；

隐含层单个神经元的输入信号为：

上中，x_i为输入层第i个神经元的输入数据，是隐含层第j个神经元(j＝1,2,…,9)从输入层接收到的输入信号；w_ij是输入层第i个神经元到隐含层第j个神经元的权重；

通过传递函数f(x)，便得到隐含层第j个神经元的输出信号为：

$y_j^{out}=f_0\left(y_j^{in}\right)$

输出层第k个神经单元的输出信号u_k为；

$u_k=f_1\left(\underset{j}{\Σ}\left(w_{jk}.y_j^{out}\right)\right)$

其中，w_jk是隐含层第j个神经元到输出层第k个神经元的权重，f₀、f₁分别表示隐含层和输出层的传递函数；

3)根据BP神经网络预测模型输出的未来一小时的风速、环境温度和日照辐射强度的分布计算相应的日照吸热、对流散热和辐射散热数据，并结合增容后的线路负荷电流数据，一起代入暂态热平衡方程，通过求解该微分方程来获取未来导线温度T_c的分布，如下所示：

$\frac{{\mathrm{dT}}_c}{dt}=\frac{1}{{\mathrm{mC}}_p}\left(R\left(T_c\right)I^2+q_s-q_c-q_r\right)$

式中：m为单位长度导线的质量，C_p为导线比热容；R(T_c)I²为导线焦耳热；a_s为日照吸热；q_c为对流散热；q_r为辐射散热，求解该微分方程得到导线温度T_c随时间变化的情况；

4)利用未来导线温度T_c的分布计算出导线温度超过输电线路最大允许运行温度值的概率作为输电线路增容运行的风险指标，用以评估导线增容运行后的风险；

上述计算输电线路增容运行的风险指标公式为：

$R=P(T_c\≥T_{c,max})=\frac{N_f}{N}$

式中：R为输电线路增容运行的风险指标，P(T_c≥T_c，_max)代表导线温度超过输电线路最大允许运行温度值的概率，N_f为利用BP神经网络预测模型预测出的导线温度T_c大于最大允许温度T_c,max的次数；N为利用BP神经网络预测模型进行导线温度预测的总次数。

本发明的有益效果如下：本发明采用BP神经网络模型对气候信息进行预测，取代了现有技术中采用的马尔可夫链蒙特卡洛气候模型，其计算更为简便，更具有工程实用性。利用本方法可以准确地评估增容后输电线路的运行风险，为输电线路的安全运行提供参考依据。

附图说明

图1是本发明的气候数据预测模型图。

图2是本发明方法的流程框图。

具体实施方式

下面结合实施例并参照附图对本发明作进一步详细描述。

如图2所示，本发明方法包括5个步骤，下面分别详细描述。

步骤1是数据采集与预处理，是对输电线路的A，B，C三相电流以恒定的采样频率进行电流采样，并对输电线路现场的微气象数据进行采样，取得若干天内的气象数据。该微气象数据主要是影响输电线路热容量参数的数据，即输电线路沿线风速、环境温度、日照辐射强度。

步骤2和3是建立BP神经网络预测模型作为气候预测模型，并将步骤1)获得的微气候数据代入BP神经网络预测模型中预测未来一小时的风速、环境温度和日照辐射强度的分布。

以输电线路沿线风速、环境温度和日照辐射强度三个参数作为BP神经网络模型的输入，选用单隐层的BP网络结构进行预测。

BP神经网络预测模型结构如图1所示，共分为3层：第1层为输入层，3个神经元分别是输电线路沿线风速V_in、环境温度T_ain和日照辐射强度I_sin；第2层为隐含层，神经元为9个；第3层为输出层，3个神经元分别是未来一小时的风速V_out、环境温度T_aout和日照辐射强度I_sout。

隐含层和输出层传递函数均采用S型对数函数Logsig，即：

$f\left(x\right)=\frac{1}{1+\exp {(-x/c)}^2}$

上式中，x为隐含层或输出层的下层的输入变量值，c为常数，在此取1；

隐含层的输入信号为：

$y_j^{in}=\underset{i}{\Σ}(w_{ij}.x_i)$

上中，x_i为输入层第i个神经元的输入数据，是隐含层第j个神经元(j＝1,2,…,9)从输入层接收到的输入信号；w_ij是输入层第i个神经元到隐含层第j个神经元的权重；

通过传递函数f(x)，便得到隐含层第j个神经元的输出信号为：

$y_j^{out}=f_0\left(y_j^{in}\right)$

输出层第k个神经单元的输出信号u_k为；

$u_k=f_1\left(\underset{j}{\Σ}\left(w_{jk}.y_j^{out}\right)\right)$

其中，w_jk是隐含层第j个神经元到输出层第k个神经元的权重，f₀、f₁分别表示隐含层和输出层的传递函数。

通过上述计算得到来一小时的风速、环境温度和日照辐射强度的分布数据。

步骤4是利用预测的气象数据，计算未来的导线温度分布。根据BP神经网络预测模型输出的未来一小时的风速、环境温度和日照辐射强度的分布计算相应的日照吸热、对流散热和辐射散热数据，并结合增容后的线路负荷电流数据，一起代入暂态热平衡方程，通过求解该微分方程来获取未来导线温度T_c的分布，如下所示：

$\frac{{\mathrm{dT}}_c}{dt}=\frac{1}{{\mathrm{mC}}_p}\left(R\right(T_c)I^2+q_s-q_c-q_r)$

式中：m为单位长度导线的质量，C_p为导线比热容；R(T_c)I²为导线焦耳热；q_s为日照吸热；q_c为对流散热；q_r为辐射散热，求解该微分方程得到导线温度T_c随时间变化的情况。

根据风速、环境温度和日照辐射强度的分布计算相应的日照吸热、对流散热和辐射散热数据的方法均为本领域的现有技术，具体不再赘述。

步骤5利用未来导线温度T_c的分布计算出导线温度超过输电线路最大允许运行温度值的概率作为输电线路增容运行的风险指标，用以评估导线增容运行后的风险。计算输电线路增容运行的风险指标公式为：

$R=P(T_c\≥T_{c,max})=\frac{N_f}{N}$

式中：R为输电线路增容运行的风险指标，P(T_c≥T_c，_max)代表导线温度超过输电线路最大允许运行温度值的概率，，N_f为利用BP神经网络预测模型预测出的导线温度T_c大于最大允许温度T_c,max的次数；N为利用BP神经网络预测模型进行导线温度预测的总次数。

虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (1)

1.基于BP神经网络的输电线路动态增容运行风险评估方法，其特征在于，包括以下步骤：

1)对输电线路的A，B，C三相电流以恒定的采样频率进行电流采样，并通过安装在输电线路现场的在线监测***获得若干天内的微气候数据，所述微气候数据为输电线路沿线风速、环境温度、日照辐射强度；

2)建立BP神经网络预测模型，将步骤1)获得的微气候数据代入BP神经网络预测模型中预测未来一小时的风速、环境温度和日照辐射强度的分布；

所述BP神经网络预测模型以输电线路沿线风速、环境温度和日照辐射强度三个参数作为BP神经网络预测模型的输入，选用单隐层的BP网络结构进行预测；

BP神经网络预测模型结构分为3层：第1层为输入层，3个神经元分别是输电线路沿线风速V_in、环境温度T_ain和日照辐射强度I_sin；第2层为隐含层，神经元为9个；第3层为输出层，3个神经元分别是未来一小时的风速V_out、环境温度T_aout和日照辐射强度I_sout；

隐含层和输出层传递函数均采用S型对数函数Logsig，如下所示：

$f\left(x\right)=\frac{1}{1+\exp {(-x/c)}^2}$

上式中，x为隐含层或输出层的下层的输入变量值，c为常数，在此取1；

隐含层的输入信号为：

$y_j^{in}=\underset{i}{\Σ}(w_{ij}.x_i)$

上中，x_i为输入层第i个神经元的输入数据，是隐含层第j个神经元(j＝1，2，…，9)从输入层接收到的输入信号；w_ij是输入层第i个神经元到隐含层第j个神经元的权重；

通过传递函数f(x)，便得到隐含层第j个神经元的输出信号为：

$y_j^{out}=f_0\left(y_j^{in}\right)$

输出层第k个神经单元的输出信号u_k为；

$u_k=f_1\left(\underset{j}{\Σ}\right(w_{jk}.y_j^{out}\left)\right)$

其中，w_jk是隐含层第j个神经元到输出层第k个神经元的权重，f₀、f₁分别表示隐含层和输出层的传递函数；

3)根据BP神经网络预测模型输出的未来一小时的风速、环境温度和日照辐射强度的分布计算相应的日照吸热、对流散热和辐射散热数据，并结合增容后的线路负荷电流数据，一起代入暂态热平衡方程，通过求解该微分方程来获取未来导线温度T_c的分布，如下所示：

$\frac{{\mathrm{dT}}_c}{dt}=\frac{1}{{\mathrm{mC}}_p}\left(R\right(T_c)I^2+q_s-q_c-q_r)$

式中：m为单位长度导线的质量，C_p为导线比热容；R(T_c)I²为导线焦耳热；q_s为日照吸热；q_c为对流散热；q_r为辐射散热，求解该微分方程得到导线温度T_c随时间变化的情况；

4)利用未来导线温度T_c的分布计算出导线温度超过输电线路最大允许运行温度值的概率作为输电线路增容运行的风险指标，用以评估导线增容运行后的风险；

上述计算输电线路增容运行的风险指标公式为：

$R=P(T_c\≥T_{c,max})=\frac{N_f}{N}$

式中：R为输电线路增容运行的风险指标，P(T_c≥T_c，max)代表导线温度超过输电线路最大允许运行温度值的概率，N_f为利用BP神经网络预测模型预测出的导线温度T_c大于最大允许温度T_c，max的次数；N为利用BP神经网络预测模型进行导线温度预测的总次数。