本发明专利技术公开了一种基于神经网络及模糊逻辑算法的输电线路覆冰组合预测模型，包括读入微气象参数，构成训练样本；修正网络的权值，引入阈值；获取覆冰厚度基本分量；读入杆塔位置信息；建立海拔高度隶属度函数和大区域水汽距离隶属度函数；建立误差校正隶属度函数，形成模糊规则库并通过解模糊化得出校正系数；对神经网络计算结果和模糊逻辑补偿结果进行组合。本专利结合地理位置信息的输电线路覆冰预测组合模型相比以往的全局模型和单纯的BP神经网络有更高的预测精度，并在实际应用中取得了良好的效果。
【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于神经网络及模糊逻辑算法的输电线路覆冰组合预测模型，包括读入微气象参数，构成训练样本；修正网络的权值，引入阈值；获取覆冰厚度基本分量；读入杆塔位置信息；建立海拔高度隶属度函数和大区域水汽距离隶属度函数；建立误差校正隶属度函数，形成模糊规则库并通过解模糊化得出校正系数；对神经网络计算结果和模糊逻辑补偿结果进行组合。本专利结合地理位置信息的输电线路覆冰预测组合模型相比以往的全局模型和单纯的BP神经网络有更高的预测精度，并在实际应用中取得了良好的效果。【专利说明】基于神经网络及模糊逻辑算法的输电线路覆冰预测模型
本专利技术提出了一种基于神经网络及模糊逻辑算法的输电线路覆冰组合预测模型，属于电力系统安全防护领域。
技术介绍
输电线路作为电力系统的动脉，为用户用电及电网之间的协作运行提供了通道，其重要地位毋庸置疑。然而，由于线路长期曝露野外，不仅存在着自然老化、劣化问题，而且还是一个巨大的环境灾害承载体，使其成为电力系统中最为脆弱的部分。尤其是在冬季，一些地区线路覆冰较为严重，导致铁塔扭曲、倒塔、断线等故障时有发生，无法保证用户供电的可持续性，给生产、生活造成严重的影响。同时，也使抢修工作困难度增加。因此，如何防治输电线路的覆冰灾害已成为智能电网建设中亟待解决的问题之一。其也引起了国内外学者以及科研机构的广泛关注。通过查阅大量文献，发现目前关于电力线路的覆冰预测模型虽然总类繁多，但其本质不外乎是基于数学的经验公式或是基于智能算法的覆冰模型。其中，俄、加、美、等国的研究人员对线路覆冰进行了大量的研究，在导线覆冰的机理、导线覆冰荷载等领域取得了大量的理论成果和产品，但他们的研究较多的是线路覆冰的数学经验公式。然而，此方法在实际的应用中往往缺乏详尽的数据支持，而限制该方法的应用和扩展。在国内，各设计、科研及运行单位也进行了大量的研究工作，重庆大学提出了多种基于数学算法及智能算法的覆冰模型，取得了许多卓有成效的成果，但他们的研究成果很少涉及将输电线路覆冰与某地区的微气象条件结合起来。换而言之，研究分析的基本上是大范围、全局的线路覆冰模型。然而，在覆冰倒塔的多发地段，大多数情况下是由该地段恶劣的微气象条件所致，因此全局模型在该地段并不适用。
技术实现思路
本专利技术的目的在于:提出一种基于神经网络及模糊逻辑算法的输电线路覆冰组合预测模型，将神经网络与模糊逻辑算法结合，充分结合微气象参数，预测输电线路的覆冰厚度，建立输电线路覆冰模型，为输电线路的铺设提供参考，维护电力系统安全。本专利技术的解决方案是:一种基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于，包括如下步骤:步骤1:读入历史微气象点的微气象参数，构成训练样本；微气象参数包括环境温度、环境风速、环境湿度、湖泊距离、海拔高度和实际冰厚；步骤2:确定BP神经网络模型参数，利用数据处理公式修正网络的权值Wij，引入阈值0J;步骤3:完成神经网络迭代过程，得到覆冰厚度基本分量Opi ；步骤4:读入杆塔位置信息；杆塔位置信息包括海拔高度、大区域水汽距离、环境温度、平均风向、环境湿度。步骤5:加入模糊逻辑补偿的方法，基于地理位置因素，分别针对海拔高度和大区域水汽距离建立海拔高度隶属度函数和大区域水汽距离隶属度函数；步骤6:依据海拔高度隶属度函数和大区域水汽距离隶属度函数，建立误差校正隶属度函数，形成模糊规则库并通过解模糊化得出校正系数；一般大区域水汽指湖泊，大区域水汽距离标准采样点与湖泊之间的距离；步骤7，对神经网络计算结果和模糊逻辑补偿结果进行组合，得出基于神经网络及模糊逻辑算法的输电线路覆冰组合预测模型。步骤2中BP神经网络模型包括输入层、隐含层和输出层；所述BP神经网络模型参数包括输入层神经元、隐含层神经元和输出层神经元；所述输入层神经元包括环境温度、环境风速、环境湿度和实际冰厚，通过历史的输入模型确定各个微气象点的气象参数输入类型；所述隐含层神经元为隐含层的节点，所述隐含层的节点在训练过程中根据训练精度进行节点数调整；所述输出层神经元为覆冰厚度h-；修正网络的权值Wij和阈值Θ j具体包括以下步骤:假设输入的气象参数有η个，且隐含层有m个神经元，k个样本的误差计算公式为式(I):【权利要求】1.一种基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于，包括如下步骤: 步骤1:读入历史微气象点的微气象参数，构成训练样本； 步骤2:确定BP神经网络模型参数，利用数据处理公式修正网络的权值Wij，引入阈值 步骤3:完成神经网络迭代过程，得到覆冰厚度基本分量Opi ； 步骤4:读入杆塔位置信息； 步骤5:加入模糊逻辑补偿的方法，基于地理位置因素，分别针对海拔高度和大区域水汽距离建立海拔高度隶属度函数和大区域水汽距离隶属度函数； 步骤6:依据海拔高度隶属度函数和大区域水汽距离隶属度函数，建立误差校正隶属度函数，形成模糊规则库并通过解模糊化得出校正系数； 步骤7， 对神经网络计算结果和模糊逻辑补偿结果进行组合，得出基于神经网络及模糊逻辑算法的输电线路覆冰组合预测模型。2.根据权利要求1所述的基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于:步骤I中所述微气象参数包括环境温度、环境风速、环境湿度、湖泊距离、海拔高度和实际冰厚。3.根据权利要求1所述的基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于: 所述步骤2中BP神经网络模型包括输入层、隐含层和输出层；所述BP神经网络模型参数包括输入层神经元、隐含层神经元和输出层神经元；所述输入层神经元包括环境温度、环境风速、环境湿度和实际冰厚，通过历史的输入模型确定各个微气象点的气象参数输入类型；所述隐含层神经元为隐含层的节点，所述隐含层的节点在训练过程中根据训练精度进行节点数调整；所述输出层神经元为覆冰厚度h-。4.根据权利要求1所述的基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于，所述步骤2修正网络的权值Wij和阈值Θ j具体包括以下步骤: 假设输入的气象参数有η个，且隐含层有m个神经元，k个样本的误差计算公式为式 5.根据权利要求3所述的基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于:所述步骤3中基于BP神经网络迭代算法，将输出层神经元覆冰厚度Iitjki进行修正后，得到覆冰厚度基本分量Qpi，覆冰厚度基本分量Qpi计算公式为式(7): Opi = Z (Vjtij) (i=l, 2,.....m)(7) z O表示覆冰厚度基本分量Opi输出函数，为隐含层神经元i与输出层神经元j的连接权，Vi为隐含层节点输出。6.根据权利要求1所述的基于神经网络及模糊逻辑算法的输电线路覆冰预测模型其特征在于:所述步骤4中杆塔位置信息包括海拔高度、大区域水汽距离、环境温度、平均风向、环境湿度。7.根据权利要求1所述的基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于， 步骤5大区域水汽距离隶属度函数建立，包括以下步骤:采用7种模糊语言变量值NB 1、NMl、NS 1、ZE1、PS1、PMl、PB I对大区域水汽距离进行模糊化，形成7个模糊集，所述NB 1、匪1、NSU ZEU PSU PMU PBl分别表示采本文档来自技高网...
【技术保护点】
一种基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于，包括如下步骤：步骤1：读入历史微气象点的微气象参数，构成训练样本；步骤2：确定BP神经网络模型参数，利用数据处理公式修正网络的权值wij，引入阈值θj；步骤3：完成神经网络迭代过程，得到覆冰厚度基本分量opi；步骤4：读入杆塔位置信息；步骤5：加入模糊逻辑补偿的方法，基于地理位置因素，分别针对海拔高度和大区域水汽距离建立海拔高度隶属度函数和大区域水汽距离隶属度函数；步骤6：依据海拔高度隶属度函数和大区域水汽距离隶属度函数，建立误差校正隶属度函数，形成模糊规则库并通过解模糊化得出校正系数；步骤7，对神经网络计算结果和模糊逻辑补偿结果进行组合，得出基于神经网络及模糊逻辑算法的输电线路覆冰组合预测模型。
【技术特征摘要】
【专利技术属性】
技术研发人员：王娇，许家浩，张惠刚，迟翔，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。