CN104361535A - 一种输电线路覆冰状态评估方法 - Google Patents
一种输电线路覆冰状态评估方法 Download PDFInfo
- Publication number
- CN104361535A CN104361535A CN201410697521.7A CN201410697521A CN104361535A CN 104361535 A CN104361535 A CN 104361535A CN 201410697521 A CN201410697521 A CN 201410697521A CN 104361535 A CN104361535 A CN 104361535A
- Authority
- CN
- China
- Prior art keywords
- icing
- fuzzy
- ice
- ambient temperature
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000005540 biological transmission Effects 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 239000011248 coating agent Substances 0.000 claims description 30
- 238000000576 coating method Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,该方法包括以下步骤:1)获取环境温度和环境相对湿度,并判断是否达到覆冰条件,若为是,则执行步骤2);2)获取环境温度差ΔT、覆冰持续时间F和覆冰厚度H,并计算出环境温度差、等效覆冰厚度和覆冰持续时间的覆冰权重值;3)采用BP神经网络对各个覆冰权重值进行数据融合,计算出线路覆冰概率,若线路覆冰概率为0,则输出线路无覆冰,若线路覆冰概率为1,则执行步骤4);4)根据步骤2)获取的环境温度差ΔT、覆冰持续时间F和覆冰厚度H作为模糊专家系统的输入经过模糊推理输出评估结果。与现有技术相比,本发明具有评估精准等优点。
Description
技术领域
本发明涉及一种输电线路覆冰状态评估方法,尤其是涉及一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法。
背景技术
众所周知,在电力系统遭受的各种自然灾害中,冰灾是最为严重的威胁之一。与其他事故相比,冰灾给电网造成的损失更为严重,轻则导致输、变电设备闪络跳闸、金具损坏,重则造成架空线路断线、杆塔倒塌,甚至造成大范围区域电网瘫痪。由于冰灾期间往往天气恶劣、冰雪封山导致交通受阻、通信中断,电力抢修极为困难,因而经常造成电网长时间停电,给工农业生产造成严重损失,尤其给人民生活带来不便,经济损失惨重,社会影响恶劣。近年来,受全球气候变化影响,冰灾发生的频率有逐渐增多和难以预测的趋势。
针对输电设备的在线评估研究较少,日本Koichi Nara等人建立了187kV和66kV架空线路防覆冰决策专家系统,它利用在线测量到的气象参数(如环境温度、相对湿度、风速、降雪量等)对当前架空线路状态作出判断,以便运行人员选择何种防、除冰方式来处理线路覆冰。我国国内在这方面研究很少。架空线路覆冰受众多因素的影响,如气象因素、海拔高度、导线直径、电场强度和微地形等,各因素与覆冰之间存在着高度的复杂性和非线性。IEC推荐采用统计方法和经验模型来评估线路覆冰状况。Farzaneh等人根据加拿大魁北克多个覆冰试验站两年的实测气象数据与结冰速率,通过拟合回归曲线,建立了基于微气象参数的导线结冰速率预测经验模型。但该模型没有考虑现场的相对湿度,没有考虑高电压、大电流对导线覆冰的影响,因此不能直接真实地反映线路覆冰。中国西南电力设计院根据三峡观冰站的观测资料,研究了导线覆冰与气象要素的关系,采用回归分析方法建立了冰重与气象要素之间的定量关系。由于数据基于观冰站,并非架空线路在线监测数据,与实际情况不同。西安工程大学基于在线监测数据进行了线路覆冰与局部气象因素关系研究,利用线性拟合的方式分别得到了覆冰厚度与环境温度、相对湿度、风速的关系式。但其相关性较差,且分析用数据样本量过小。由于研发时间较短,基于海量现场数据的架空线路覆冰状态评估和故障诊断、预警研究还未开展,针对采集到的现场数据未提出科学的利用方法,导致大量的现场有用数据未得到充分利用。国内各电网公司线路覆冰监测系统的功能一般包括:数据采集和处理、设备管理、统计分析、参数设置、趋势分析、报警服务和覆冰增长趋势分析等,其中报警只是采用设定的报警阈值的单值报警方式,报警准确度不高。
由于存在技术缺陷和测量技术不精确等因素,目前的覆冰在线监测技术需要不断完善以提高评估的准确性,研究表明,输电线路覆冰受气象因素影响较大,尤其是环境温度和相对湿度对覆冰形成有决定性的影响。因此,线路覆冰状态既具有不确定性,又有多因素影响的特点。本文以输电线路在线监测系统为基础,综合考虑等效覆冰厚度、微气象参数和覆冰持续时间等参数,提出了基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,能够很好的获得对发生事件更加客观而准确的描述与评估,并对未来态势的发展方向做出准确的预测。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法。
本发明的目的可以通过以下技术方案来实现:
一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,该方法包括以下步骤:
1)获取环境温度和环境相对湿度,并判断是否达到覆冰条件,若为是,则执行步骤2);
2)获取环境温度差ΔT、覆冰持续时间F和覆冰厚度H,并计算出环境温度差、等效覆冰厚度和覆冰持续时间的覆冰权重值;
3)采用BP神经网络对各个覆冰权重值进行数据融合,并判断输电线路是否存在覆冰,若存在,则执行步骤4);
4)根据步骤2)获取的环境温度差ΔT、覆冰持续时间F和覆冰厚度H作为模糊专家系统的输入经过模糊推理输出评估结果。
所述步骤1)中覆冰条件为:
其中:T为环境温度,为环境相对湿度。
所述步骤2)中环境温度差的覆冰权重值μ(ΔT)为:
所述覆冰厚度的权重值μ(H)为:
所述覆冰持续时间的权重值μ(F)为:
所述环境温度差的取值范围为-6℃-6℃,等效覆冰厚度的取值范围为0-60mm,覆冰持续时间的取值范围为0-200h。
所述步骤3)具体包括步骤:
301)所述BP神经网络将环境温度差、等效覆冰厚度和覆冰持续时间的覆冰权重值进行数据融合得到线路覆冰概率,所述线路覆冰概率的值为0或1;
302)判断所述线路覆冰概率是否为1,若为否,则输出线路无覆冰,若为是,则执行步骤4)。
所述步骤3)中BP神经网络为三输入单输出模式,包括一个输入层、一个隐层和一个输出层。
所述隐层的节点数为7个。
所述步骤4)中环境温度差ΔT模糊化为三级,其模糊化过程包括三个模糊隶属度函数,覆冰持续时间F模糊化为两级,其模糊化过程包括两个模糊隶属度函数,等效覆冰厚度H模糊化为三级,其模糊化过程包括三个模糊隶属度函数,所述模糊隶属度函数为三角形隶属度函数或四边形隶属度函数。
所述步骤4)具体包括步骤:
401)计算环境温度差ΔT的三个模糊隶属度值μN(ΔT)、μO(ΔT)和μP(ΔT),计算覆冰持续时间F的两个模糊隶属度值μPS(F)和μPB(F),计算等效覆冰厚度H的三个模糊隶属度值μPS(H)、μPM(H)和μPB(H);
402)将环境温度差模糊化为N或O或P,将覆冰持续时间模糊化为PS或PB,将等效覆冰厚度模糊化为PS或PM或PB;
403)根据环境温度差、覆冰持续时间和等效覆冰厚度的模糊化结果进行模糊推理得到模糊推理结果U,并输出评价结果。
所述步骤402)中环境温度差模糊化过程具体为:判断μN(ΔT)、μO(ΔT)和μP(ΔT)的大小,若μN(ΔT)最大,则环境温度差模糊化为N,若μO(ΔT)最大,则环境温度差模糊化为O,若μP(ΔT)最大,则环境温度差模糊化为P;
覆冰持续时间的模糊化过程具体为:判断μPS(F)和μPB(F)的大小,若μPS(F)大于μPB(F),则覆冰持续时间模糊化为PS,若μPS(F)小于μPB(F),则覆冰持续时间模糊化为PB;
等效覆冰厚度的模糊化过程具体为:判断μPS(H)、μPM(H)和μPB(H)的大小,若μPS(F)最大,则等效覆冰厚度模糊化为PS,若μPM(H)最大,则等效覆冰厚度模糊化为PM,若μPB(H)最大,则等效覆冰厚度模糊化为PB。
与现有技术相比,本发明具有以下优点:
1)由于本发明基于BP神经网络和模糊专家系统实现评估,能够很好的获得对输电线路覆冰更加客观而准确的描述与评估,并对未来覆冰的发展方向做出准确的预测,工作人员可以提早准备除冰、融冰措施,减少故障进一步发生的可能。
2)BP神经网络的隐层数目为1个,每个节点数位7个,在保证准确度的基础上可以大大减少驯化所需的样本数。;
3)由于模糊隶属度值采用了三角形隶属度函数和四边形隶属度函数,在模糊化时更加准确,因此得到的模糊推理结果也更加准确。
附图说明
图1为本发明设计流程图;
图2为本发明BP神经网络的系统设计框图;
图3为本发明BP神经网络结构示意图;
图4为本发明模糊专家系统对线路覆冰状态评估的模型框图;
图5为本发明实施例中的环境温度差的模糊隶属度函数图像;
图6为本发明实施例中的覆冰持续时间的模糊隶属度函数图像;
图7为本发明实施例中的等效覆冰厚度的模糊隶属度函数图像。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,如图1所示,该方法包括以下步骤:
1)进行覆冰的初步评估:获取环境温度和环境相对湿度,并判断是否达到覆冰条件,若为是,则执行步骤2),覆冰条件具体为:
其中:T为环境温度,为环境相对湿度。
2)获取环境温度差ΔT、覆冰持续时间F和覆冰厚度H,并根据专家经验计算出环境温度差、等效覆冰厚度和覆冰持续时间的覆冰权重值,
环境温度差的覆冰权重值μ(ΔT)为:
环境温度差的取值范围为-6℃-6℃;
覆冰厚度的权重值μ(H)为:
等效覆冰厚度的取值范围为0-60mm;
覆冰持续时间的权重值μ(F)为:
覆冰持续时间的取值范围为0-200h。
3)进行覆冰的精确判断:采用BP神经网络对各个覆冰权重值进行数据融合,计算出线路覆冰概率,具体包括步骤:
301)BP神经网络将环境温度差、等效覆冰厚度和覆冰持续时间的覆冰权重值进行数据融合得到线路覆冰概率,线路覆冰概率的值为0或1;
302)判断线路覆冰概率是否为1,若为否,则输出线路无覆冰,若为是,则执行步骤4)。
如图2所示,神经网络初步评估模型采用BP神经网络融合线路覆冰权重值,输出线路覆冰概率,BP神经网络的输出结果为0或1。若输出结果为1,则进一步通过模糊专家系统对覆冰的严重程度作更为准确的评估。输入信号x1,x2,x3分别为经数据预处理过后的环境温度差引起的覆冰权重值、覆冰持续时间引起的覆冰权重值和等效覆冰厚度引起的覆冰权重值,经BP神经网络融合后的输出信号y,当y为0时表示线路无覆冰,当y为1时表示线路有覆冰状态。
如图3所示,BP神经网络为三输入单输出模式,包括一个输入层、一个隐层和一个输出层,隐层的节点数为7个。
4)对判断结果为有覆冰的监测数据再通过模糊专家系统对覆冰的严重程度做出准确评估结果为无覆冰或轻度覆冰或严重覆冰。如图5所示,评估线路覆冰状态的特征量分别为环境相对湿度、环境温度、环境温度差、覆冰持续时间和覆冰等效厚度。线路覆冰状态与环境温度和相对湿度并非线性变化关系,因此将环境温度和相对湿度作为线路是否构成覆冰的判断条件,环境温度差、等效覆冰厚度和覆冰持续时间作为评估线路覆冰严重程度的评估特征量。
根据步骤2)获取的环境温度差ΔT、覆冰持续时间F和覆冰厚度H作为模糊专家系统的输入经过模糊推理输出评估结果,具体包括步骤:
401)计算环境温度差ΔT的三个模糊隶属度值μN(ΔT)、μO(ΔT)和μP(ΔT),计算覆冰持续时间F的两个模糊隶属度值μPS(F)和μPB(F),计算等效覆冰厚度H的三个模糊隶属度值μPS(H)、μPM(H)和μPB(H),模糊隶属度函数为三角形隶属度函数或四边形隶属度函数。
承受不同覆冰厚度线路对应的覆冰隶属度函数具体形式不同,覆冰持续时间计算方法也不同。根据专家知识和运行经验,如当导线设计承受等效覆冰厚度为30mm对应的模糊隶属度函数如图5至图7所示。
402)将环境温度差模糊化为N或O或P,将覆冰持续时间模糊化为PS或PB,将等效覆冰厚度模糊化为PS或PM或PB;
如图5所示,环境温度差模糊化过程具体为:判断μN(ΔT)、μO(ΔT)和μP(ΔT)的大小,若μN(ΔT)最大,则环境温度差模糊化为N,若μO(ΔT)最大,则环境温度差模糊化为O,若μP(ΔT)最大,则环境温度差模糊化为P,其中,连续3h的环境温度差的基本论域为-6~6℃,其中,μN(ΔT)为四边形隶属度函数,本实施例中其数学式为:
μO(ΔT)为三角形隶属度函数,本实施例中其数学式为:
μP(ΔT)为四边形隶属度函数,本实施例中其数学式为:
如图6所示,覆冰持续时间的模糊化过程具体为:判断μPS(F)和μPB(F)的大小,若μPS(F)大于μPB(F),则覆冰持续时间模糊化为PS,若μPS(F)小于μPB(F),则覆冰持续时间模糊化为PB,其中,线路覆冰厚度的基本论域为0~60mm,μPS(F)和μPB(F)均为四边形隶属度函数。本实施例中,μPS(F)的数学式为:
μPB(F)的数学式为:
如图7所示,等效覆冰厚度的模糊化过程具体为:判断μPS(H)、μPM(H)和μPB(H)的大小,若μPS(F)最大,则等效覆冰厚度模糊化为PS,若μPM(H)最大,则等效覆冰厚度模糊化为PM,若μPB(H)最大,则等效覆冰厚度模糊化为PB,其中,线路覆冰持续时间的基本论域为0~200h,其中μPS(H)和μPB(H)为四边形隶属度函数,μPM(H)为三角形隶属度函数。本实施例中,μPS(H)的数学式为:
μPM(H)的数学式为:
μPB(H)的数学式为:
403)根据环境温度差、覆冰持续时间和等效覆冰厚度的模糊化结果进行模糊推理得到模糊推理结果U,并输出评价结果。
输出结果变量U的论域为[-3,3],评估结果分为3种状态:正常无覆冰NA、轻度覆冰A1、严重覆冰A2。无覆冰状态是指线路正常无覆冰,环境不构成覆冰形成条件对线路无任何安全威胁,轻度覆冰状态是指线路发生了稍微严重的覆冰,提醒运行人员注意覆冰发展趋势,严重覆冰是指线路的安全运行受到威胁,需要采取一定措施防止覆冰趋势的进一步发展。输出变量评估规则库如表1所示。
表1输出变量评估规则库
评估结果 | 输出结果变量值 |
NA | [-3,-1) |
A1 | [-1,1) |
A2 | [1,3] |
利用“If-Then”规则(R规则),结合实际输配电线路在线监测系统,排除矛盾的模糊规则,共8条规则,如表2所示。基于设计的模糊规则库采用Mamdani最小运算规则计算模糊关系,模糊推理结果的反模糊化采用重心法计算输出变量值。
为了提高输电线路覆冰状态评估的准确率,本文以输电线路在线监测系统为基础,综合考虑等效覆冰厚度、微气象参数、覆冰持续时间等多个因素,提出了基于BP神经网络和模糊专家系统的冰状态评估方法。BP神经网络融合线路覆冰权重值输出线路是否有覆冰状态,针对有覆冰的状态再经过模糊专家系统对覆冰严重程度做更确切的评估。现场监测的覆冰数据对该评估方法进行了验证,结果表明评估准确率大大提高,并且在输电线路状态评估中有很好的应用前景。此方法能够准确评估线路的覆冰状态,当覆冰未达到严重时,系统就会发出红色报警通知工作人员提前准备除冰、融冰技术,大大提高了输电线路的运行的稳定性,避免故障的进一步发生。
表2
T | F | H | U |
- | PS | PS | NA |
- | PB | PS | A1 |
- | PS | PM | A1 |
P | PB | PM | A1 |
N | PB | PM | A2 |
O | PB | PM | A2 |
- | PS | PB | A2 |
- | PB | PB | A2 |
Claims (10)
1.一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,其特征在于,该方法包括以下步骤:
1)获取环境温度和环境相对湿度,并判断是否达到覆冰条件,若为是,则执行步骤2);
2)获取环境温度差ΔT、覆冰持续时间F和覆冰厚度H,并计算出环境温度差、等效覆冰厚度和覆冰持续时间的覆冰权重值;
3)采用BP神经网络对各个覆冰权重值进行数据融合,并判断输电线路是否存在覆冰,若存在,则执行步骤4);
4)根据步骤2)获取的环境温度差ΔT、覆冰持续时间F和覆冰厚度H作为模糊专家系统的输入经过模糊推理输出评估结果。
2.根据权利要求1所述的一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,其特征在于,所述步骤1)中覆冰条件为:
其中:T为环境温度,为环境相对湿度。
3.根据权利要求1所述的一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,其特征在于,所述步骤2)中环境温度差的覆冰权重值μ(ΔT)为:
所述覆冰厚度的权重值μ(H)为:
所述覆冰持续时间的权重值μ(F)为:
4.根据权利要求3所述的一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,其特征在于,所述环境温度差的取值范围为-6℃-6℃,等效覆冰厚度的取值范围为0-60mm,覆冰持续时间的取值范围为0-200h。
5.根据权利要求1所述的一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,其特征在于,所述步骤3)具体包括步骤:
301)所述BP神经网络将环境温度差、等效覆冰厚度和覆冰持续时间的覆冰权重值进行数据融合得到线路覆冰概率,所述线路覆冰概率的值为0或1;
302)判断所述线路覆冰概率是否为1,若为否,则输出线路无覆冰,若为是,则执行步骤4)。
6.根据权利要求1所述的一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,其特征在于,所述步骤3)中BP神经网络为三输入单输出模式,包括一个输入层、一个隐层和一个输出层。
7.根据权利要求6所述的一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,其特征在于,所述隐层的节点数为7个。
8.根据权利要求1所述的一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,其特征在于,所述步骤4)中环境温度差ΔT模糊化为三级,其模糊化过程包括三个模糊隶属度函数,覆冰持续时间F模糊化为两级,其模糊化过程包括两个模糊隶属度函数,等效覆冰厚度H模糊化为三级,其模糊化过程包括三个模糊隶属度函数,所述模糊隶属度函数为三角形隶属度函数或四边形隶属度函数。
9.根据权利要求8所述的一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,其特征在于,所述步骤4)具体包括步骤:
401)计算环境温度差ΔT的三个模糊隶属度值μN(ΔT)、μO(ΔT)和μP(ΔT),计算覆冰持续时间F的两个模糊隶属度值μPS(F)和μPB(F),计算等效覆冰厚度H的三个模糊隶属度值μPS(H)、μPM(H)和μPB(H);
402)将环境温度差模糊化为N或O或P,将覆冰持续时间模糊化为PS或PB,将等效覆冰厚度模糊化为PS或PM或PB;
403)根据环境温度差、覆冰持续时间和等效覆冰厚度的模糊化结果进行模糊推理得到模糊推理结果U,并输出评价结果。
10.根据权利要求9所述的一种基于BP神经网络和模糊专家系统的输电线路覆冰状态评估方法,其特征在于,所述步骤402)中环境温度差模糊化过程具体为:判断μN(ΔT)、μO(ΔT)和μP(ΔT)的大小,若μN(ΔT)最大,则环境温度差模糊化为N,若μO(ΔT)最大,则环境温度差模糊化为O,若μP(ΔT)最大,则环境温度差模糊化为P;
覆冰持续时间的模糊化过程具体为:判断μPS(F)和μPB(F)的大小,若μPS(F)大于μPB(F),则覆冰持续时间模糊化为PS,若μPS(F)小于μPB(F),则覆冰持续时间模糊化为PB;
等效覆冰厚度的模糊化过程具体为:判断μPS(H)、μPM(H)和μPB(H)的大小,若μPS(F)最大,则等效覆冰厚度模糊化为PS,若μPM(H)最大,则等效覆冰厚度模糊化为PM,若μPB(H)最大,则等效覆冰厚度模糊化为PB。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410697521.7A CN104361535A (zh) | 2014-11-26 | 2014-11-26 | 一种输电线路覆冰状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410697521.7A CN104361535A (zh) | 2014-11-26 | 2014-11-26 | 一种输电线路覆冰状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104361535A true CN104361535A (zh) | 2015-02-18 |
Family
ID=52528793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410697521.7A Pending CN104361535A (zh) | 2014-11-26 | 2014-11-26 | 一种输电线路覆冰状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104361535A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160594A (zh) * | 2015-08-24 | 2015-12-16 | 上海电力学院 | 输电线路覆冰状态评估方法 |
CN105160599A (zh) * | 2015-09-17 | 2015-12-16 | 上海电力学院 | 基于滤波和支持向量机的电力线路覆冰评估方法 |
CN108595833A (zh) * | 2018-04-23 | 2018-09-28 | 长安大学 | 基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法 |
CN109460923A (zh) * | 2018-11-13 | 2019-03-12 | 国网冀北电力有限公司电力科学研究院 | 一种输电线覆冰概率预测方法 |
CN109635440A (zh) * | 2018-12-13 | 2019-04-16 | 国家电网公司西北分部 | 一种架空输电线路覆冰闪络跳闸概率计算方法 |
CN110555400A (zh) * | 2019-08-23 | 2019-12-10 | 国网山东省电力公司泗水县供电公司 | 基于无人机巡检架空输电线路的覆冰检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986358A (zh) * | 2010-08-31 | 2011-03-16 | 彭浩明 | 一种融合神经网络和模糊控制的电气火灾智能报警方法 |
CN103020740A (zh) * | 2012-12-25 | 2013-04-03 | 临安市供电局 | 一种基于微气象数据的电力线路覆冰厚度预测方法 |
CN103854055A (zh) * | 2014-03-31 | 2014-06-11 | 南京工程学院 | 基于神经网络及模糊逻辑算法的输电线路覆冰预测模型 |
-
2014
- 2014-11-26 CN CN201410697521.7A patent/CN104361535A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986358A (zh) * | 2010-08-31 | 2011-03-16 | 彭浩明 | 一种融合神经网络和模糊控制的电气火灾智能报警方法 |
CN103020740A (zh) * | 2012-12-25 | 2013-04-03 | 临安市供电局 | 一种基于微气象数据的电力线路覆冰厚度预测方法 |
CN103854055A (zh) * | 2014-03-31 | 2014-06-11 | 南京工程学院 | 基于神经网络及模糊逻辑算法的输电线路覆冰预测模型 |
Non-Patent Citations (2)
Title |
---|
李鹏 等: "输电线覆冰预测与融冰决策方法研究综述", 《第三十一届中国控制会议论文集D卷》 * |
阳林: "架空线路在线监测覆冰计算、评估和预测研究", 《中国博士学位论文全文数据库工程科技II辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160594A (zh) * | 2015-08-24 | 2015-12-16 | 上海电力学院 | 输电线路覆冰状态评估方法 |
CN105160599A (zh) * | 2015-09-17 | 2015-12-16 | 上海电力学院 | 基于滤波和支持向量机的电力线路覆冰评估方法 |
CN108595833A (zh) * | 2018-04-23 | 2018-09-28 | 长安大学 | 基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法 |
CN108595833B (zh) * | 2018-04-23 | 2022-03-25 | 长安大学 | 基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法 |
CN109460923A (zh) * | 2018-11-13 | 2019-03-12 | 国网冀北电力有限公司电力科学研究院 | 一种输电线覆冰概率预测方法 |
CN109460923B (zh) * | 2018-11-13 | 2021-11-23 | 国网冀北电力有限公司电力科学研究院 | 一种输电线覆冰概率预测方法 |
CN109635440A (zh) * | 2018-12-13 | 2019-04-16 | 国家电网公司西北分部 | 一种架空输电线路覆冰闪络跳闸概率计算方法 |
CN109635440B (zh) * | 2018-12-13 | 2023-06-27 | 国家电网公司西北分部 | 一种架空输电线路覆冰闪络跳闸概率计算方法 |
CN110555400A (zh) * | 2019-08-23 | 2019-12-10 | 国网山东省电力公司泗水县供电公司 | 基于无人机巡检架空输电线路的覆冰检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN104361535A (zh) | 一种输电线路覆冰状态评估方法 | |
CN102938021B (zh) | 一种输电线路覆冰负荷定量估计及预测方法 | |
CN107169645B (zh) | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 | |
CN103971171B (zh) | 一种输电设备状态评估方法 | |
CN105068149B (zh) | 一种基于多信息综合的输变电设备雷电监测和预报方法 | |
CN108629520B (zh) | 一种微气象环境下的高压输电线路运行状态评估方法 | |
CN103678865B (zh) | 一种冻雨引发输电线路故障的故障概率在线评估方法 | |
CN102590651A (zh) | 基于雷电实测数据的输电线路故障概率评估方法 | |
CN103324992A (zh) | 基于马尔可夫和熵权模糊综合评价的变压器风险预测方法 | |
CN103440400A (zh) | 考虑灾害因素的电力系统短期风险判定方法 | |
CN102735970A (zh) | 交联聚乙烯电缆绝缘监测和寿命预测方法 | |
CN112116276B (zh) | 一种计及电气主设备时变状态的变电站运行风险评估方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN106570651A (zh) | 一种输电线路绝缘子污闪风险评估方法 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN111738617B (zh) | 一种强降雨天气下变电站风险评估方法与预警系统 | |
CN116341919B (zh) | 一种数据与模型联合驱动的安全风险评估预警方法 | |
CN104614783A (zh) | 一种对电力系统输电杆塔周边环境的气象风险确定方法 | |
CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、系统及装置 | |
CN102967798B (zh) | 一种电力设备的故障报警方法及系统 | |
CN109491339A (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN117477558A (zh) | 一种基于电网负荷的预测方法及其系统 | |
CN102706304A (zh) | 一种输电线路导线覆冰厚度的预测方法 | |
Hu et al. | Operational reliability evaluation method based on big data technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150218 |
|
RJ01 | Rejection of invention patent application after publication |