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

本发明专利技术公开了一种基于BP神经网络的输电线路动态增容运行风险评估方法，属于电力系统自动化技术领域。本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于电力系统自动化
，具体地说本专利技术涉及输电线路动态增容运行风险评估的方法。
技术介绍
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系统技术导则》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年电力系统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，计算出增容系统的风险指标。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网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。本专利技术即基于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。
技术实现思路
本专利技术目的是：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，本专利技术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系统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Vin、环境温度Tain和日照辐射强度Isin；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Vout、环境温度Taout和日照辐射强度Isout；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(x)=11+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，xi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；wij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：yjout=f0(yjin)]]>输出层第k个神经单元的输出信号uk为；uk=f1(Σj(wjk.yjout))]]>其中，wjk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Tc的分布，如下所示：dTcdt=1mCp(R(Tc)I2+qs-qc-qr)]]>式中：m为单位长度导线的质量，Cp为导线比热容；R(Tc)I2为导线焦耳热；as为日照吸热；qc为对流散热；qr为辐射散热，求解该微分方程得到导线温度Tc随时间变化的情况；4)利用未来导线温度Tc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(Tc≥Tc,max)=NfN]]>式中：R为输电线路增容运行的风险指标，P(Tc≥Tc，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，Nf为利用BP神经网络预测模型预测出的导线温度Tc大于最大允许温度Tc,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。本专利技术的有益效果如下：本专利技术采用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是本专利技术的气候数据预测模型图。图2是本专利技术方法的流程框图。具体实施方式下面结合实施例并参照附图对本专利技术作进一步详细描述。如图2所示，本专利技术方法包括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、环境温度和日本文档来自技高网...

【技术保护点】
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系统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Vin、环境温度Tain和日照辐射强度Isin；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Vout、环境温度Taout和日照辐射强度Isout；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(x)=11+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：yjin=Σi(wij.xi)]]>上中，xi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；wij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：yjout=f0(yjin)]]>输出层第k个神经单元的输出信号uk为；uk=f1(Σj(wjk.yjout))]]>其中，wjk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Tc的分布，如下所示：dTcdt=1mCp(R(Tc)I2+qs-qc-qr)]]>式中：m为单位长度导线的质量，Cp为导线比热容；R(Tc)I2为导线焦耳热；qs为日照吸热；qc为对流散热；qr为辐射散热，求解该微分方程得到导线温度Tc随时间变化的情况；4)利用未来导线温度Tc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(Tc≥Tc,max)=NfN]]>式中：R为输电线路增容运行的风险指标，P(Tc≥Tc，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，Nf为利用BP神经网络预测模型预测出的导线温度Tc大于最大允许温度Tc，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。...

【技术特征摘要】
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系统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Vin、环境温度Tain和日照辐射强度Isin；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Vout、环境
温度Taout和日照辐射强度Isout；
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(x)=11+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：
yjin=Σi(wij.xi)]]>上中，xi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；wij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...

【专利技术属性】
技术研发人员：王天正，罗剑波，郭瑞宙，李雪明，陈汹，陈永华，宋长坡，梁晖，朱开阳，朱石晶，曲晓蕾，钟亮民，
申请(专利权)人：国网山西省电力公司电力科学研究院，国电南瑞科技股份有限公司，
类型：发明
国别省市：山西;14