神經(jīng)網(wǎng)絡(luò)輸電線路覆冰厚度預(yù)測(cè)

陶力

(云南電網(wǎng)公司昆明供電局,昆明 650011)

神經(jīng)網(wǎng)絡(luò)輸電線路覆冰厚度預(yù)測(cè)

陶力

(云南電網(wǎng)公司昆明供電局,昆明 650011)

介紹了輸電線路覆冰厚度計(jì)算的相關(guān)經(jīng)典模型,并以PNN網(wǎng)絡(luò)與GRNN網(wǎng)絡(luò)為例,探討了輸電線路覆冰厚度智能檢測(cè)模型。通過(guò)對(duì)模型實(shí)現(xiàn)、對(duì)比,分析了兩種網(wǎng)絡(luò)的優(yōu)缺點(diǎn),在此基礎(chǔ)上提出綜合使用兩種網(wǎng)絡(luò)的思路,以提高輸電線路覆冰厚度預(yù)測(cè)的精度,減少覆冰對(duì)電網(wǎng)的直接和潛在危害。

輸電線路覆冰;覆冰模型;覆冰厚度預(yù)測(cè);神經(jīng)網(wǎng)絡(luò)

1 前言

冰災(zāi)是電力系統(tǒng)嚴(yán)重的威脅之一,當(dāng)嚴(yán)重的冰災(zāi)持續(xù)來(lái)襲時(shí),輸電線路難免會(huì)出現(xiàn)覆冰。輸電線路上的覆冰使輸電線變粗,增加了輸電線的重量;對(duì)于長(zhǎng)距高壓輸電線來(lái)說(shuō),每個(gè)跨度的輸電線都是由鐵塔支撐,這樣覆冰加增加了鐵塔的負(fù)重,當(dāng)負(fù)重達(dá)到一定的限度,輕則發(fā)生冰閃,重則造成倒塔 (桿)、斷線,甚至致使電網(wǎng)癱瘓[1-4]。輸電線路覆冰對(duì)于電網(wǎng)的安全運(yùn)行來(lái)說(shuō)是一個(gè)非常危險(xiǎn)的自然災(zāi)害,所以急待研究解決。

2 覆冰機(jī)理的定性和影響因素

2.1 導(dǎo)線覆冰的定性

1)降水覆冰 (precipitation icing)。空氣中的凍雨或雪花降落到表面在0℃左右的導(dǎo)線上形成覆冰或覆雪。這種過(guò)冷卻水的過(guò)冷度與曲率半徑有關(guān),曲率半徑小的大水滴其過(guò)冷卻度小,曲率半徑大的小水滴,其過(guò)冷卻度大。過(guò)冷卻水與導(dǎo)線接觸會(huì)發(fā)生凍結(jié),在凍結(jié)過(guò)程中水滴緩慢釋放熱量造成導(dǎo)線表面出現(xiàn)水膜,故常產(chǎn)生雨凇。

2)云中覆冰 (in-cloud icing)。高海拔地區(qū)的過(guò)冷卻云霧與導(dǎo)線接觸凍結(jié)成冰,稱為云中覆冰。云中覆冰產(chǎn)生原因主要取決于氣象參數(shù),這是云中覆冰的特點(diǎn),因霧尺寸較小,釋放熱量速度較快,不會(huì)在表面形成水層,所以多為霧凇。

3)升華覆冰 (sublimation)。水蒸氣因冷空氣直接在物體表面凍結(jié)產(chǎn)生的霜,也稱為晶狀霧凇。但其一般不會(huì)發(fā)展很大,附著力小,不會(huì)對(duì)線路產(chǎn)生太大影響。

2.2 導(dǎo)線覆冰的影響因素

導(dǎo)線覆冰主要有6種影響因素,其分別為：

1)氣象因素,氣象因素是導(dǎo)線覆冰產(chǎn)生最重要的因素。因?qū)Ь€覆冰受到的氣候影響因素較多,在一般情況下,-5～0℃時(shí),造成的覆冰危害最大。溫度較低時(shí),過(guò)冷卻水轉(zhuǎn)化為雪花,無(wú)法造成線路覆冰,而溫度較高時(shí)也不可能產(chǎn)生覆冰。正因?yàn)槿绱?在冬季溫度較低的華北地區(qū)反而沒(méi)南方和西南地區(qū)的導(dǎo)線覆冰嚴(yán)重。同樣,風(fēng)速對(duì)導(dǎo)線覆冰的產(chǎn)生也有很大的影響,其中最主要的是在風(fēng)速處于3～6m/s時(shí),覆冰增長(zhǎng)速度最快,風(fēng)速超過(guò)或降低都會(huì)影響其增長(zhǎng)速度,同時(shí)風(fēng)向?qū)Ω脖挠绊懸埠艽?比如在風(fēng)向-導(dǎo)線夾角在45°～150°時(shí),造成的結(jié)果最為嚴(yán)重。

2)季節(jié)因素,通過(guò)統(tǒng)計(jì)得知每年覆冰多發(fā)生多在11月到次年3月之間。

3)地理因素,在風(fēng)較大,濕度較大,同時(shí)地形突出的地形比其他地形產(chǎn)生的覆冰更嚴(yán)重。

4)海拔因素,在高海拔地區(qū)往往比低海拔地區(qū)造成的結(jié)果要嚴(yán)重。

5)線路因素,在覆冰的研究中,因?qū)Ь€走向問(wèn)題,線路也成為了一個(gè)重要因素,其最主要的原因還是氣象因素中的風(fēng)速影響,當(dāng)導(dǎo)線-風(fēng)速夾角=90°時(shí),增長(zhǎng)最快,結(jié)果最嚴(yán)重。

6)導(dǎo)線本身因素,導(dǎo)線的電場(chǎng)會(huì)影響空氣中的水,使其向?qū)Ь€移動(dòng),若其他因素合適就會(huì)在導(dǎo)線上產(chǎn)生覆冰。

3 基于PNN網(wǎng)絡(luò)的覆冰檢測(cè)實(shí)現(xiàn)

神經(jīng)網(wǎng)絡(luò)是運(yùn)用樣本學(xué)習(xí),在輸入和輸出結(jié)點(diǎn)建立非線形映射關(guān)系。它可以模擬復(fù)雜的因果關(guān)系,也可以不反映輸入與輸出之間的實(shí)際邏輯關(guān)系或因果關(guān)系,而只是對(duì)其數(shù)量與結(jié)構(gòu)關(guān)系的一種模擬。實(shí)際上,這種映射是把系統(tǒng)視為整體,把其運(yùn)行狀態(tài)作為一種模式來(lái)看待的,用樣本對(duì)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練也是一種模擬人的模式思維的訓(xùn)練。

3.1 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)

通常使用神經(jīng)網(wǎng)絡(luò)都是直接使用Matlab提供的神經(jīng)網(wǎng)絡(luò)工具箱提供的模型,這個(gè)工具箱幾乎涵蓋了常用的神經(jīng)網(wǎng)絡(luò)模型;同時(shí)支持拓展功能,可以使用其他非常規(guī)神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行擴(kuò)充。對(duì)于多種模型,工具還提供了各類學(xué)習(xí)算法,為用戶節(jié)省了很多時(shí)間。Matlab工具箱中基本涵括了用于神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)需要使用的函數(shù)。

3.2 建立模型

在所有的神經(jīng)網(wǎng)絡(luò)建模中,必須選取最有代表性,最能反映問(wèn)題的特征的特征量。如果選取的特征量不能做到盡量詳細(xì)的描述問(wèn)題的特征或沒(méi)有足夠的信息,那么網(wǎng)絡(luò)得出的診斷結(jié)論會(huì)受到很大影響。在這個(gè)模型中數(shù)據(jù)采集自中國(guó)氣象科學(xué)數(shù)據(jù)共享網(wǎng)[5],導(dǎo)線覆冰天氣多出于氣溫-5～3℃、相對(duì)濕度≥80%、風(fēng)速0～4.5m/s的情況下,以此條件篩選數(shù)據(jù),最終獲得123組數(shù)據(jù)。

3.3 程序?qū)崿F(xiàn)

圖1 程序設(shè)計(jì)流程圖

本次數(shù)據(jù)是一個(gè)123×5的矩陣,前4列為覆冰環(huán)境數(shù)據(jù),第5列為覆冰厚度。

使用前90個(gè)樣本作為PNN網(wǎng)絡(luò)的訓(xùn)練樣本,后33個(gè)樣本作為驗(yàn)證樣本

3.4 結(jié)果分析及結(jié)論

運(yùn)行程序得到以下結(jié)果

圖2 訓(xùn)練后的訓(xùn)練數(shù)據(jù)網(wǎng)絡(luò)分布圖和預(yù)測(cè)數(shù)據(jù)網(wǎng)絡(luò)的分類效果圖

圖2中左邊表示訓(xùn)練后的效果,右邊表示訓(xùn)練樣本與訓(xùn)練結(jié)果的誤差,紅色星號(hào)表示預(yù)測(cè)樣本,藍(lán)色三角表示預(yù)測(cè)結(jié)果。

在本例小樣本的情況下,運(yùn)行程序后繪圖結(jié)果在幾秒后出現(xiàn)。

從圖2可以看出來(lái),訓(xùn)練后將訓(xùn)練數(shù)據(jù)代入已經(jīng)測(cè)練好的PNN網(wǎng)絡(luò)中,在樣本不大的情況下,網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中沒(méi)有出現(xiàn)樣本判斷錯(cuò)誤,但是在進(jìn)行預(yù)測(cè)的時(shí)候有4個(gè)預(yù)測(cè)樣本與預(yù)測(cè)樣本有誤差,預(yù)測(cè)錯(cuò)誤,在這個(gè)樣本的訓(xùn)練和預(yù)測(cè)中誤差率達(dá)到了12.12%,這是一個(gè)比較高的誤差。

其原因是PNN網(wǎng)絡(luò)全稱為：概率神經(jīng)網(wǎng)絡(luò),其基于bayes最小風(fēng)險(xiǎn)準(zhǔn)則樣本對(duì)對(duì)象進(jìn)行分類,無(wú)論怎么樣復(fù)雜的問(wèn)題,只要有足夠多的訓(xùn)練樣本, PNN就能保證獲得最小風(fēng)險(xiǎn)原則下的最優(yōu)解。

而在本算例中FNN網(wǎng)絡(luò)沒(méi)有得到足夠多的數(shù)據(jù)進(jìn)行訓(xùn)練,無(wú)法形成一個(gè)準(zhǔn)確有效的映射,所以誤差較大。如果在收集樣本的時(shí)候能獲得更為充分的數(shù)據(jù),PNN網(wǎng)絡(luò)的預(yù)測(cè)精度還有很大的提升空間。

在實(shí)際應(yīng)用中,需要建立一個(gè)覆冰數(shù)據(jù)庫(kù),其內(nèi)容隨覆冰數(shù)據(jù)的收集而變化,此時(shí)才可以體現(xiàn)PNN網(wǎng)絡(luò)在樣本追加能力方面的優(yōu)越性。

綜上所述,PNN處理輸電線路覆冰問(wèn)題在處理速度、追加樣本能力以及實(shí)際應(yīng)用方面的性能都具有優(yōu)越性,PNN網(wǎng)絡(luò)的最大缺陷在于網(wǎng)絡(luò)需要大量的樣本訓(xùn)練才能建立有效映射,在處理小樣本問(wèn)題時(shí)達(dá)不到所需要的預(yù)測(cè)精度。

由本次預(yù)測(cè)可知PNN比BP網(wǎng)絡(luò)存在優(yōu)勢(shì)的地方有以下幾點(diǎn)：

1)PNN過(guò)程簡(jiǎn)單,收斂速度極快,而B(niǎo)P網(wǎng)絡(luò)在這方面由于需要調(diào)節(jié)參數(shù)過(guò)多有先天上的劣勢(shì),且PNN網(wǎng)絡(luò)的訓(xùn)練只需一次就可成功,樣本還可以賦值給網(wǎng)絡(luò)。

2)PNN網(wǎng)絡(luò)收斂于Bayes,程序運(yùn)行穩(wěn)定,只要有足夠的樣本,PNN網(wǎng)絡(luò)可以保證在Bayes下的最優(yōu)解。

3)PNN網(wǎng)絡(luò)可以容忍少量的錯(cuò)誤樣本,而且可以隨時(shí)增加新的樣本不會(huì)影響到已經(jīng)訓(xùn)練完成的樣本;而B(niǎo)P網(wǎng)絡(luò)則需要重新構(gòu)建整個(gè)網(wǎng)絡(luò)。

PNN網(wǎng)絡(luò)的缺點(diǎn)在于所需樣本數(shù)量巨大。

4 基于GRNN網(wǎng)絡(luò)的覆冰檢測(cè)實(shí)現(xiàn)

4.1 GRNN網(wǎng)絡(luò)簡(jiǎn)述

廣義回歸神經(jīng)網(wǎng)絡(luò) (generalized regression neural network)是1991年美國(guó)人Donald Specht提出的。GRNN是一種徑向基 (RBF)神經(jīng)網(wǎng)絡(luò),是基于人腦的神經(jīng)元細(xì)胞對(duì)外界反映的局部性而提出的,是一種新穎而有效的前饋式神經(jīng)網(wǎng)絡(luò),它不僅具有全局逼近性質(zhì),而且具有最佳逼近性質(zhì)[5-6]。

GRNN的結(jié)構(gòu)由四層構(gòu)成,如圖3,其結(jié)構(gòu)接近于RBF網(wǎng)絡(luò)。

圖3 GRNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

GRNN在學(xué)習(xí)上仍然使用的是BP網(wǎng)絡(luò)的算法具有優(yōu)秀的逼近性,在學(xué)習(xí)速度上優(yōu)于RBF網(wǎng)絡(luò)。只需要調(diào)節(jié)網(wǎng)絡(luò)的spread值。網(wǎng)絡(luò)的學(xué)習(xí)全部依賴數(shù)據(jù)樣本,這個(gè)特點(diǎn)決定了網(wǎng)絡(luò)可以最大限度地避免主觀假定對(duì)預(yù)測(cè)結(jié)果的影響[7]。

4.2 數(shù)據(jù)歸一化處理

Sigmoid函數(shù)廣泛應(yīng)用于前饋型升級(jí)網(wǎng)絡(luò)。在函數(shù)中輸入量過(guò)大或者過(guò)小,都會(huì)造成輸出結(jié)果進(jìn)入函數(shù)飽和區(qū)間。為了使樣本獲得最好的效果,我們必須對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。在這里我們需要將我們獲得的樣本數(shù)據(jù)需歸一化在[-1,1]之間。Matlab提供了多種方法對(duì)數(shù)據(jù)進(jìn)行歸一化處理,這里本文選用mapminmax函數(shù)進(jìn)行歸一化處理。

4.3 程序?qū)崿F(xiàn)

圖4 程序設(shè)計(jì)流程圖如下

4.4 結(jié)果及結(jié)論分析

輸出結(jié)果為：

最佳spread值為0.04

此時(shí)最佳輸出值為

desired_output=-1.000 -0.802 3 -0.804 8 -0.544 3 -0.050 0 0.041 6 0.250 8 0.493 2 1.000

最終得出 GRNN網(wǎng)絡(luò)的預(yù)測(cè)相對(duì)誤差為2.47%,在GRNN網(wǎng)絡(luò)中spread值越小,則網(wǎng)絡(luò)的相對(duì)誤差就越小,如果 spread越增大,則GRNN對(duì)樣本的逼近相對(duì)平滑,但誤差也會(huì)變大,在這個(gè)程序中可以反復(fù)的選取最合適的 spread值,這種做法能顯著提高工作效率,不用人工測(cè)試spread的值,能達(dá)到最優(yōu)效果。

在本章中使用了GRNN網(wǎng)絡(luò)對(duì)覆冰經(jīng)行檢測(cè),經(jīng)過(guò)對(duì)預(yù)測(cè)樣本的對(duì)比驗(yàn)證確認(rèn)了GRNN網(wǎng)絡(luò)對(duì)覆冰預(yù)測(cè)的可行性和有效性。GRNN與BP相比需要調(diào)整的參數(shù)只有spread值,且可通過(guò)程序計(jì)算,所以比起B(yǎng)P具有更高的實(shí)用性。

在本章中提出了一種綜合使用兩個(gè)網(wǎng)絡(luò)的思路,可以有效的規(guī)避兩種網(wǎng)絡(luò)的天然缺陷,達(dá)到在實(shí)際下已有樣本的最優(yōu)解。

5 結(jié)束語(yǔ)

本文選取了國(guó)家氣象網(wǎng)的氣象參數(shù)作為樣本,在使用BP網(wǎng)絡(luò)進(jìn)行后最終選取了FNN網(wǎng)絡(luò)和GRNN網(wǎng)絡(luò)為討論對(duì)象,最終得到結(jié)論：

1)基于PNN神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)理論,在matlab平臺(tái)上的預(yù)測(cè)結(jié)果表明兩個(gè)網(wǎng)絡(luò)都能實(shí)現(xiàn)預(yù)測(cè)需要,但是GRNN網(wǎng)絡(luò)在小樣本情況下的精確性更高。

2)PNN網(wǎng)絡(luò)相對(duì)于BP網(wǎng)絡(luò)的優(yōu)勢(shì)是快速,高效,易調(diào)節(jié),可隨時(shí)加入新的樣本進(jìn)行網(wǎng)絡(luò)學(xué)習(xí),但是因樣本過(guò)小的緣故,誤差較大。

3)GRNN只需要調(diào)整一個(gè)spread值即可完成訓(xùn)練,相比BP網(wǎng)絡(luò)的復(fù)雜參數(shù)簡(jiǎn)單,穩(wěn)定很多,而且小樣本時(shí)也可以達(dá)到不錯(cuò)的精確度,同時(shí)GRNN網(wǎng)絡(luò)的spread的值還可以通過(guò)程序完成循環(huán)計(jì)算。

4)在復(fù)雜情況的預(yù)測(cè)時(shí),只有小樣本的情況下GRNN網(wǎng)絡(luò)更加適合進(jìn)行預(yù)測(cè);但擁有大樣本的時(shí)候PNN網(wǎng)絡(luò)的精確性會(huì)得到提高。

5)因?yàn)楸疚牟杉臄?shù)據(jù)都是來(lái)自某一孤立氣象站,這就不能完全反映當(dāng)?shù)氐臍夂?不能真實(shí)的反映現(xiàn)實(shí)中發(fā)生的覆冰問(wèn)題,尚需要大量不同的樣本進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。

6)因覆冰模型理論的成熟度不夠,所以還具有很大的局限性,還待后續(xù)理論的研究獲得一個(gè)統(tǒng)一的線路覆冰模型,以提高精度和可靠性。

[1] 劉振亞.智能電網(wǎng)知識(shí)讀本.中國(guó)電力出版社.2010.

[2] 高翔.提高110 kV輸電線路供電可靠性措施研究.北京電力高等專科學(xué)校學(xué)報(bào),自然科學(xué)版,2010年6期.

[3] 沈一鳴,10kV輸電線路狀態(tài)監(jiān)測(cè)系統(tǒng)技術(shù)分析,華電技術(shù),2009年11期.

[4] 李成榕,呂玉珍,艾欣等.冰雪災(zāi)害條件下我國(guó)電網(wǎng)安全運(yùn)行面臨的問(wèn)題 [J].電網(wǎng)技術(shù),2008,32(4)：14-32.

[5] Sprecht D F.A gerneral regression neural network[J].IEEE Trans Neural Network,1991(2)：568-576.

[6] Sprecht D F.The gerneral regression neural network rediscovered[Z].1993(6)：1 033-1 034

[7] 魏晉雁,茹鋒.采用GRNN模型進(jìn)行交通量預(yù)測(cè)及實(shí)現(xiàn)研究 [J].長(zhǎng)沙理工大學(xué)學(xué)報(bào),2006,22(2)：46-50.

Discussion on Forecast of Ice Thickness on Transmission Lines Based on Neural Network

TAO Li
(Yunnan Kunming Power Supply Bureau,Kunming 650011)

the Intelligent Detection Model on the thickness of ice on transmission lines is studied based on Fuzzy Neural Network (FNN)and General Regression Neural Network(GRNN)in my work.After that,the advantages and disadvantages are compared between FNN and GRNN,and the integrated use of two neural networks is proposed to improve the prediction accuracy of the thickness of ice on transmission lines and to reduce ice damage to transmission lines.

transmission line icing;icing model;ice thickness of transmission line;neural network

TM72

B

1006-7345(2014)03-0035-04

2014-02-22

陶力 (1987),云南電網(wǎng)公司昆明供電局,主要從事電氣工程及其自動(dòng)化工作 (e-mail)tttyn@163.com。