基于神經(jīng)網(wǎng)絡(luò)技術(shù)的輸電線路走廊雷電活動參數(shù)預(yù)測分析

沈海實 肖 暢

（廣東電網(wǎng)公司湛江供電局，廣東 湛江 524000）

基于神經(jīng)網(wǎng)絡(luò)技術(shù)的輸電線路走廊雷電活動參數(shù)預(yù)測分析

沈海實 肖 暢

（廣東電網(wǎng)公司湛江供電局，廣東 湛江 524000）

輸電線路是電力系統(tǒng)的網(wǎng)架，其安全性和可靠性至關(guān)重要。雷害事故在輸電線路中所占比重較大，雷電活動參數(shù)預(yù)測的準(zhǔn)確性直接對輸電線路防雷計算和設(shè)置產(chǎn)生重要影響，本文基于神經(jīng)網(wǎng)絡(luò)技術(shù)，對輸電線路走廊雷電活動參數(shù)進(jìn)行了預(yù)測分析，分析了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，建立輸電線路走廊地閃分布預(yù)測模型，針對某省500kV線路，進(jìn)行了基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的地閃分布預(yù)測，結(jié)果表明，該方法能夠從整體上反映所預(yù)測年份的地閃分布情況。

神經(jīng)網(wǎng)絡(luò)技術(shù)；輸電線路走廊；雷電活動；參數(shù)預(yù)測

作為整個電網(wǎng)的重要組成部分，輸電線路的可靠運(yùn)行直接關(guān)系到整個電網(wǎng)的安全性與穩(wěn)定性。通常雷電故障在輸電線路整體的運(yùn)行故障中所占比例非常大，這就對電網(wǎng)的安全運(yùn)行造成了嚴(yán)重的威脅[1]。采取有效的措施預(yù)防輸電線路的雷電事故，需要首先對輸電線路的防雷耐雷水平進(jìn)行計算，其主要是基于雷電活動的參數(shù)展開的，因此，雷電活動的參數(shù)預(yù)測的合理性與否，將直接對輸電線路的防雷水平造成影響，從而影響輸電線路的防雷效果。本文基于神經(jīng)網(wǎng)絡(luò)技術(shù)，對輸電線路走廊雷電活動參數(shù)進(jìn)行了預(yù)測。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

所謂人工神經(jīng)網(wǎng)絡(luò)，就是指記住大量處理單元，以特定的拓?fù)浣Y(jié)構(gòu)進(jìn)行連接而構(gòu)成的復(fù)雜網(wǎng)絡(luò)集，其優(yōu)點(diǎn)在于對生物腦神經(jīng)的網(wǎng)絡(luò)功能進(jìn)行吸取，并完成了并行處理功能，具有高度的自適應(yīng)能力及靈活性，在各個領(lǐng)域的工程項目中都得到了大量的應(yīng)用[2]。

1）人工神經(jīng)元的模型分析

通過人工神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)對生物神經(jīng)系統(tǒng)的模擬，其基礎(chǔ)是人工神經(jīng)元的模型。通常典型的模型如圖1所示，其組成部分是：連接鏈、激活函數(shù)及加法器。

圖1 人工神經(jīng)元的模型圖

2）人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程

人工神經(jīng)網(wǎng)絡(luò)的一個重要特質(zhì)是其具有自我學(xué)習(xí)能力，能夠通過這種自我學(xué)習(xí)對其行為進(jìn)行改善[3]。通過對連接鏈的權(quán)值及閥值進(jìn)行調(diào)整可對誤差進(jìn)行修正，通常有 Hebb算法及競爭算法等方法，本文采用的誤差算法，如下：

首先令yk(n) 代表第k個神經(jīng)元在第n時刻的輸出值，令 dk(n) 代表由訓(xùn)練樣本給出的輸出值，可將誤差信號表示為：

對誤差信號進(jìn)行表示的目的是將其作用于第 k個神經(jīng)元，并用于閥值和權(quán)值的修正，通過這種修正可將輸出信號向期望值逼近，通過誤差函數(shù)對其進(jìn)行判斷：

E是期望求值算子，本文采用梯度下降法實現(xiàn)，將J作為目標(biāo)函數(shù)值時，需要對整個計算過程的統(tǒng)計特性進(jìn)行分析，因此利用ε(n)來代替J，即

然后再通過梯度下降法來求其對權(quán)值 的最小值，即

2 輸電線路走廊地閃分布預(yù)測模型

作為雷電活動的一個基礎(chǔ)參數(shù)，地閃密度通常是用來描述雷電活動的空間尺度，為雷電活動預(yù)測提供基本數(shù)據(jù)。通過對地閃密度進(jìn)行預(yù)測，可直觀了解雷云的頻繁程度。根據(jù)相關(guān)研究經(jīng)驗，可將輸電線路的走廊寬度設(shè)定為 10km，其中 500kV輸電線路的檔距通常在500m左右，本文以20根桿塔為基本步長，將整條輸電線路的走廊劃分為若干個柵格，將這些珊格標(biāo)號為1#—N#，如圖2所示。

圖2 沿線路走廊的柵格模型

3 基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的地閃分布預(yù)測

本文根據(jù)所提出的模型，對某省內(nèi)的一條500kV輸電線路沿線走廊2009—2013年的雷電監(jiān)測數(shù)據(jù)進(jìn)行了分析和預(yù)測。首先對輸電線路走廊地閃次數(shù)進(jìn)行統(tǒng)計，選擇2009—2013年的數(shù)據(jù)，將其作為訓(xùn)練的樣本，其中 2010年的數(shù)據(jù)作為檢測的樣本。針對雷電活動數(shù)據(jù)之間的離散性，不同的年份中數(shù)據(jù)的數(shù)量級也有非常大的差異。如果采用直接法對雷電活動數(shù)據(jù)進(jìn)行預(yù)測，則難以保障預(yù)測的精度，因此本文利用比例正規(guī)法對原閃數(shù)據(jù)進(jìn)行微處理，以減小各個數(shù)據(jù)之間的差異性。

根據(jù)所建立的預(yù)測模型可知，整個神經(jīng)網(wǎng)絡(luò)的輸出神經(jīng)元是由所預(yù)測的輸電線路走廊柵格數(shù)決定的，通常神經(jīng)元的各個在5個以下，如果輸出神經(jīng)元個數(shù)增多，則將導(dǎo)致網(wǎng)絡(luò)的計算過程繁瑣，難以保障其收斂性，甚至有可能不收斂。因此，假定輸出神經(jīng)元各個個數(shù)為 5，統(tǒng)計輸電線路走廊 1至 5號柵格內(nèi)各年的地閃次數(shù)，其預(yù)測結(jié)果見表1所示。

表1 預(yù)測結(jié)果表

將預(yù)測結(jié)果與實際值對比可以發(fā)現(xiàn)，各個柵格內(nèi)的地閃密度預(yù)測結(jié)果誤差都較大，但在總體上能夠正確反映所預(yù)測年份的地閃分布情況，這樣就可以利用自適應(yīng)神經(jīng)網(wǎng)絡(luò)對地閃密度進(jìn)行合理預(yù)測，具體的方法還有待于進(jìn)一步完善。

4 結(jié)論

本文基于神經(jīng)網(wǎng)絡(luò)技術(shù)，提出了輸電線路走廊地閃分布預(yù)測模型，對某省500kV輸電線路走廊雷電活動進(jìn)行了預(yù)測，結(jié)果表明，這種方法雖然對單個地閃密度預(yù)測結(jié)果誤差較大，但能從整體上反映所預(yù)測年份的地閃分布情況，因此是切實可行的。

[1] 陳家宏, 鄭家松, 等. 雷電日統(tǒng)計方法[J]. 高電壓技術(shù), 2006, 32(11): 115-118.

[2] 趙青. 基于分層遺傳算法的 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J]. 杭州師范大學(xué)學(xué)報, 2008, 7(2): 135-138.

[3] 吳高林, 唐世宇, 印華, 等. 利用落雷密度劃分重慶雷區(qū)的研究[J]. 高電壓技術(shù), 2007, 4(33): 122-125.

Analysis of Neural Network Technology in the Tranmission Line Corridors Lightning Activity Parameters Prediction

Shen Haishi Xiao Chang
(Power Supply Bureau of Guangdong Power Grid Corporation Zhanjiang, Zhanjiang,Guangdong 514000)

Transmission lines are power system grid, and its safety and reliability is essential.Mine accident victims in a larger proportion of transmission lines, lightning activity forecast accuracy parameters has an important impact directly on the transmission line lightning calculation and setting.The paper is based on neural network technology, the transmission line corridors lightning activity parameters were predictive analyzed the learning process of neural networks, and the establishment of transmission line corridors to flash distribution prediction model for the province 500kV lines were flashing distributed adaptive neural network-based prediction. The results show that this method can reflect the overall predicted Year of CG distribution.

neural network technology；transmission line corridors；lightning activity；parameter prediction

沈海實（1977-），男，廣東湛江人，研究生學(xué)歷，工商管理碩士（MBA）,電氣工程碩士，工程師，主要從事電力企業(yè)生產(chǎn)管理。