CN106570582A - 一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统 - Google Patents
一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统 Download PDFInfo
- Publication number
- CN106570582A CN106570582A CN201610950683.6A CN201610950683A CN106570582A CN 106570582 A CN106570582 A CN 106570582A CN 201610950683 A CN201610950683 A CN 201610950683A CN 106570582 A CN106570582 A CN 106570582A
- Authority
- CN
- China
- Prior art keywords
- sample parameter
- output
- parameter
- input
- sample
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 230000007935 neutral effect Effects 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 29
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000010835 comparative analysis Methods 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000205 computational method Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于建立输电线路舞动跳闸风险预测的网络模型的方法，所述方法包括：获取风速、温度和湿度；获取跳闸结果；建立多个样本参数组中的每个样本参数组。建立基于神经网络的初始模型，该模型包括输入层、隐含层以及输出层。对神经网络的初始模型进行学习和训练，以及对经过学习和训练的初始模型进行检验，得到经过检验的检验模型。通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。本发明为我国各地区输电线路舞动跳闸风险的预测提供了一种有效的解决手段。利用本发明的技术方案可以对输电线路的跳闸风险进行合理评估，并且能够为输电线路舞动风险预警提供智能预测技术支撑。
Description
技术领域
本发明涉及风险预测领域，更具体地，涉及一种用于输电线路舞动跳闸风险预测的网络模型建立方法及系统。
背景技术
进入21世纪以来，我国特高压电网建设进入了全新发展阶段，为国民经济的快速发展提供了能源保障。但日益扩大的电网规模、日趋复杂的电网结构以及逐渐增大的地理跨度，使电网受恶劣气象条件的影响程度也随之增加。恶劣的气候条件对架设在自然环境中的输电线路有一定影响，如输电线路在冰雪、风霜等恶劣天气的影响下会出现舞动现象。近年来恶劣气象频发，导线舞动引发的灾害频率大幅度提升，如出现线路跳闸、损坏电力设备，导致大面积停电事故的发生，严重影响输电线路安全与稳定。输电线路舞动是覆冰导线在风激励作用下产生的一种低频率、大振幅的振动现象。
目前对输电线舞动现象进行监控的方法主要是用基于现场的天气数据采集，现有方法对输电线舞动现象进行监测时，是在导线的传输线路上设置大量的传感器来采集数据。首先，传感器的安装比较麻烦，并且很不经济；其次，野外的恶劣环境很容易造成传感器的损坏，导致监测结果不准确。因此对输电线路的舞动现象监测不准确，引发跳闸事故，从而对输电线路造成重大损失。
发明内容
为了解决上述问题，本发明提供了一种方法，所述方法包括：
获取风速、温度和湿度，以作为网络模型的输入样本参数；
获取跳闸结果以作为网络模型的输出样本参数，所述跳闸结果为是或否；
将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同；将所述输入样本参数按各自的阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码；
建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，所述初始模型包括输入层、隐含层以及输出层；
将所述多个样本参数组中一部分样本参数组中的输入样本参数作为输入参量，以及和所述一部分样本参数组中相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型；以及
利用所述多个样本参数组中另一部分样本参数组中的输入样本参数作为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。
优选地，所述神经网络为三层结构，所述三层结构包括：输入层、隐含层和输出层。
优选地，所述神经网络的输入层的节点为3个，并且输出层的节点为1个，隐含层结点数为15个。
优选地，将输入样本参数的取值范围划分为至少两个阈值区间，从而将风速、温度和湿度的值用阈值区间的代码表示；以及将所述跳闸结果的输出参考用代码1或0表示，其中代码1代表是，并且代码0代表否。
优选地，将所述输入样本参数归一化到[-1，1]区间。
基于本发明的另一实施例，本发明提供一种用于输电线路舞动跳闸风险预测的网络模型系统，该系统包括：样本参数获取模块，获取风速、温度和湿度，以作为网络模型的输入样本参数；获取跳闸结果以作为网络模型的输出样本参数，所述跳闸结果为是或否；
样本参数处理模块，将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同；将所述输入样本参数按各自的阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码；
神经网络初始模型建立模块，建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，所述初始模型包括输入层、隐含层以及输出层；
神经网络初始模型训练模块，将所述多个样本参数组中一部分样本参数组中的输入样本参数作为输入参量，以及和所述一部分样本参数组中相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型；以及
神经网络初始模型检验模块，利用所述多个样本参数组中另一部分样本参数组中的输入样本参数作为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。
优选地，所述神经网络为三层结构，所述三层结构包括：输入层、隐含层和输出层。
优选地，所述神经网络的输入层的节点为3个，并且输出层的节点为1个，隐含层结点数为15个。
优选地，将输入样本参数的取值范围划分为至少两个阈值区间，从而将风速、温度和湿度的值用阈值区间的代码表示；以及将所述跳闸结果的输出参考用代码1或0表示，其中代码1代表是，并且代码0代表否。
优选地，将所述输入样本参数归一化到[-1，1]区间。
本发明为我国各地区输电线路舞动跳闸风险的预测提供了一种有效的解决手段，利用本发明，可以对输电线路的跳闸风险进行合理评估，为输电线路舞动风险预警提供智能预测技术支撑。本发明既具有重要的学术意义，而且具有非常实用的工程应用价值。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明一实施例的一种用于建立输电线路舞动跳闸风险预测的网络模型的方法流程图；
图2为根据本发明一实施例的神经网络训练和检验流程图；
图3为为根据本发明一实施例的一种用于建立输电线路舞动跳闸风险预测的网络模型的系统结构图；以及
图4为为根据本发明一实施例的神经网络模型结构图；
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的一种用于输电线路舞动跳闸风险预测的网络模型建立方法流程图。如图1所示，本发明提供的舞动现象跳闸风险预测方法为我国各地区输电线路舞动跳闸风险的预测提供了一种有效的解决手段，利用本发明，可以对输电线路的跳闸风险进行合理评估，为输电线路舞动预警提供技术支撑。通过本发明的实施方式，获取风速、温度和湿度为网络模型输入样本参数。获取跳闸结果为网络模型的输出参数。对输入样本参数和输出样本参数进行预处理，将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同。将所述输入样本参数按阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码。建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，初始模型包括输入层、隐含层以及输出层。将多个样本参数组中一部分样本参数组中的输入样本参数作为输入参量，以及和一部分样本参数组中相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型。利用多个样本参数组中另一部分样本参数组中的输入样本参数作为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。优选地，如图1所示，步骤101获取风速、温度和湿度为网络模型输入样本参数。本发明通过对舞动跳闸事故历史资料数据的分析，提取出与舞动跳闸相关度较高的三种气象因素：风速、温度和湿度为要素，并确定三个要素为网络模型的输入样本参数，只考虑三种气象要素对舞动跳闸现象的影响。选取风速、温度和湿度为要素，同样可以对覆冰导线的舞动跳闸现象风险进行监测，为实现舞动跳闸风险的智能化预测提供基础数据。步骤102，获取跳闸结果为网络模型的输出参数，所述跳闸结果为是或否，是代表跳闸，否代表没有跳闸。
步骤103，将输入样本参数和对应的输出样本参数结合为一个样本参数组，当所述不同样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同。由于本发明的神经网络模型的建立对于样本参数依赖性很强，算法的最终建立、训练与样本参数的典型性密切相关。如果选取的样本参数组代表性差、矛盾样本多，则神经网络模型的建立很难达到预期的目标。优选地，本发明对原始样本参数组进行预处理，达到筛除矛盾样本的目标。矛盾样本参数即为，两组样本参数数据中，同一舞动时段、相同的风速、温度和湿度条件下，即当输入样本参数都相同，但舞动跳闸结果却不一致。当输入样本参数取相同的取值，但相对应的输出样本参数却不同的，即为矛盾样本参数。
优选地，根据舞动跳闸现象影响的三个因素的实际数值，划分阈值区间，将风速、温度和湿度三组输入参数的数据用所属阈值区间的代码表示，具体转换规则请参考表1：
表1
优选地，跳闸结果用“1”表示“是”，即跳闸；用“0”表示“否”，即没有跳闸。
优选地，作为神经网络模型的输入参量应该选取无量纲的向量，为了进一步反应任意输入参量引起输出参量变化的大小，把输入参数归一到到[-1，1]区间里，归一化处理按公式(1)的方式进行：
式中，xmax和xmin分别为某一输入样本参数组中输入样本参数所对应代码的最大和最小值，例如，不同样本参数组中风速值，最大风速值为xmax，最小风速值为xmin，利用f(x)为进行归一化处理，归一化后的结果，风速取值范围[-1,1]。此归一化方法可在MATLAB工具箱中由函数mapminmax来实现。优选地，对输入样本参数的多组样本参数中的温度和湿度参数用公式(1)的方式进行归一，使输入样本参数的数据归一到[-1,1]之间。将跳闸结果的输出参考用代码1或0表示，1代表是，0代表否。
优选地，将输入样本参数和对应的输出样本参数结合为一个样本参数组，将建立的样本参数组进行划分，将样本参数组数据划分为训练样本参数组和检验样本参数组，根据本发明的实施例，选取的训练样本参数组为总样本参数组的三分之二，剩余三分之一样本参数组为为检验样本参数组。
优选地，对两组样本参数数据进行分析，当实际选取的线路电压等级不同时，即导线的型号和结构形式各不相同。由于输电线路舞动跳闸的影响因素较多，除本发明提出的三个气象因素风速、温度和湿度外，还包括线路所处地的地形特征、线路本身的结构参数等。因此，出现在同一时段、相同气象条件下，不同电压等级的线路舞动程度会有不同，对是否引起跳闸自然会导致不同的结果。本发明所涉及的神经网络预测模型输入样本参数只选取风速、温度和湿度三气气象因素，即只考虑气象因素对舞动跳闸的影响。本发明的优点在于建立输电线路舞动跳闸风险预测的网络模型时可以忽略线路结构的影响，可以扩大适用范围，对于没有线路的地区同样适用。本发明在筛选样本参数组时，将同一电压等级的记录归为一个样本参数组，以忽略线路结构参数的影响，降低矛盾样本对本发明建立输电线路舞动跳闸风险预测的网络模型的影响。本发明所获取的样本中，对于样本参数组中的矛盾数据，将采用归于一个样本参数组的方法选取样本数据。如表二，为两组矛盾样本参数数据，本发明在建立样本参数组中，只进行一组数据的选取，以保持数据的一致性。
表二 输电线路舞动跳闸记录表
步骤104，建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，初始模型包括输入层、隐含层以及输出层。神经网络的结构直接关系到网络的函数映射能力和网络性能。神经网络的结构设计包括输入层、隐含层和输出层(图4中详细示出)，本发明通过实验，对输入层、隐含层和输出层的节点数进行选择和确定，其中最关键的是隐含层节点数的选择和确定。根据本发明的实施例，神经网络的输入层节点数确定为3，输出层的节点数确定为1。优选地，对于隐含层的节点的个数，由经验公式来确定，如公式(2)所示：
公式(2)中，k为样本数，M为隐含层节点个数，n为输入层的节点个数，如果i>M，规定根据式(2)所示的计算方法，本发明中BP网络模型的隐含层节点个数从大于零的整数开始选取，经过反复训练和测试，最终确定隐含层神经元节点个数为15时，迭代次数、所需时间、误差下降率等各项指标达到最佳。本发明实施例神经网络模型建立可以为基于BP的神经网络建立。
神经网络具有若干种学习函数或算法可供选择，分别对应不同的样本类型和需求。例如，对于模式识别问题，使用RPROP算法能收到较好的效果，SCG算法对于模式识别的函数逼近问题都有较好的性能表现，而应用较为广泛的LM算法收敛速度较快，均方误差也较小。综合分析各种算法特点，结合本发明中网络模型结构，通过几种算法的试算和对比，本发明中选取LM算法(对应的函数名称为“trainlm”)作为模型的学习函数。
优选地，本发明神经网络模型输出参量为一个实数，因此，还需要根据神经网络输出的实数进行数据转换。本发明实施例取0.5为阈值，小于该阈值的输出参量转换为0，对应舞动跳闸结果为“否”；大于该阈值的输出参量转换为1，对应舞动跳闸结果为“是”。
步骤105，将输入样本参数组中的一部分样本参数作为输入参量，以及和一部分样本参数组相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型。优选地，将样本参数组数据的三分之二划分为训练样本参数组。
步骤106，利用输入样本参数组中的另一部分样本参数为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。优选地，根据本发明的一个实施例，将样本参数组数据的另外三分之一划分为检验样本参数组，对神经网络模型计算输出的输出参量舞动跳闸结果与实际输出样本参数的舞动跳闸结果进行比较，统计正确率与迭代次数，用以验证该网络模型的误差性能和收敛速度。
图2为根据本发明一实施例的神经网络训练和检验流程图；在对神经网络模型确定输入样本参数、输出样本参数后，对样本参数组进行筛选，去除矛盾样本参数组，建立初经网络初始模型。如图2所示，对神经网络初始模型进行训练。优选地，步骤201，开始神经网络训练流程，通过训练，关键是确定隐含层节点个数。根据本发明的实施例，神经网络的输入层节点数确定为3，输出层的节点数确定为1。优选地，对于隐含层的节点的个数，由经验公式来确定，如公式(2)所示：
公式(2)中，k为样本数，M为隐含层节点个数，n为输入层的节点个数，如果i>M，规定根据式(2)所示的计算方法，本发明中BP网络模型的隐含层节点个数从大于零的整数开始选取，经过反复训练和测试，最终确定隐含层神经元节点个数为15时，迭代次数、所需时间、误差下降率等各项指标达到最佳。本发明实施例神经网络模型建立可以为基于BP的神经网络建立。将输入样本参数组中的一部分样本参数作为输入参量，以及和一部分样本参数组相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型。优选地，将样本参数组数据的三分之二划分为训练样本参数组，将样本参数组数据剩余三分之一划分用于检验神经网络模型的检验样本参数组数据。神经网络模型经过训练样本参数训练后，利用检验样本参数对该神经网络模型的预测结果进行检验，将每次网络计算模型输出的舞动跳闸结果与测试样本的实际跳闸情况进行比较，统计网络计算模型计算结果的正确率与迭代次数，判断该网络模型的误差标准和收敛速度。如果误差标准和收敛速度符合设定的要求，则结束检验。否则，调整网络模型参数，包括隐含层节点数、学习函数等，再次进行检验。
图3为根据本发明一实施例的一种用于建立输电线路舞动跳闸风险预测的网络模型的系统结构图。根据图3，本发明的用于建立输电线路舞动跳闸风险预测的网络模型包括：样本参数获取模块301，获取风速、温度和湿度，以作为网络模型的输入样本参数；获取跳闸结果以作为网络模型的输出样本参数，所述跳闸结果为是或否。样本参数处理模块302，将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同。将所述输入样本参数按阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码。神经网络初始模型建立模块303，建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，所述初始模型包括输入层、隐含层以及输出层。神经网络初始模型训练模块304，将所述多个样本参数组中一部分样本参数组中的输入样本参数作为输入参量，以及和所述一部分样本参数组中相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型。神经网络初始模型检验模块305，利用所述多个样本参数组中另一部分样本参数组中的输入样本参数作为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。该系统的实施方式与用于建立输电线路舞动跳闸风险预测的网络模型的方法相对应，在此不再赘述。
图4为根据本发明一实施例的神经网络模型结构图。优选地，根据本发明实施方式，神经网络模型以输入样本参数为输入样本参量并且以输出样本参数为输出参量，神经网络模型结构包括输入层、隐含层以及输出层。本发明通过实验，对输入层、隐含层和输出层的节点数进行选择和确定，其中最关键的是隐含层节点数的选择和确定。根据本发明的实施例，神经网络的输入层节点数确定为3，输出层的节点数确定为1。在神经网络初始模型建立以及对神经网络进行训练和检验的过程，主要优选地，对于隐含层的节点的个数，由经验公式来确定，如公式(2)所示：
公式(2)中，k为样本数，M为隐含层节点个数，n为输入层的节点个数，如果i>M，规定根据式(2)所示的计算方法，本发明中BP网络模型的隐含层节点个数从大于零的整数开始选取，经过反复训练和测试，最终确定隐含层神经元节点个数为15时，迭代次数、所需时间、误差下降率等各项指标达到最佳。本发明实施例神经网络模型建立可以为基于BP的神经网络建立。
优选地，本发明神经网络模型输出参量为一个实数，因此，还需要根据神经网络输出的实数进行数据转换。本发明实施例取0.5为阈值，小于该阈值的输出参量转换为0，对应舞动跳闸结果为“否”；大于该阈值的输出参量转换为1，对应舞动跳闸结果为“是”。
本发明利用人工网络强大的非线性映射能力，建立了输电线路舞动跳闸风险预测BP网络模型，通过输入风速、温度和湿度三种气象参数，实现基本神经网络的舞动跳闸风险的智能化预测。本发明在保证预测精度的前提下，利用该模型进行舞动跳闸风险预测时，计算迭代次数少，收敛速度快速。本发明适用范围广，既可用于指导新建线路的规划设计，也可用于现有线路的运行维护。利用本发明的神经网络模型对线路舞动跳闸风险进行合理评估，为电网运行维护人员调试决策提供参考，进一步提升了电网智能化运维水平，提高输电线网络抵御覆冰舞动灾害的能力。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
Claims (10)
1.一种用于建立输电线路舞动跳闸风险预测的网络模型的方法，所述方法包括：
获取风速、温度和湿度，以作为网络模型的输入样本参数；
获取跳闸结果以作为网络模型的输出样本参数，所述跳闸结果为是或否；
将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同；将所述输入样本参数按各自的阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码；
建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，所述初始模型包括输入层、隐含层以及输出层；
将所述多个样本参数组中一部分样本参数组中的输入样本参数作为输入参量，以及和所述一部分样本参数组中相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型；以及
利用所述多个样本参数组中另一部分样本参数组中的输入样本参数作为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。
2.根据权利要求1所述的方法，所述神经网络为三层结构，所述三层结构包括：输入层、隐含层和输出层。
3.根据权利要求1所述的方法，所述神经网络的输入层的节点为3个，并且输出层的节点为1个，隐含层结点数为15个。
4.根据权利要求1所述的方法，将输入样本参数的取值范围划分为至少两个阈值区间，从而将风速、温度和湿度的值用阈值区间的代码表示；以及将所述跳闸结果的输出参考用代码1或0表示，其中代码1代表是，并且代码0代表否。
5.根据权利要求1所述的方法，将所述输入样本参数归一化到[-1，1]区间。
6.一种用于输电线路舞动跳闸风险预测的网络模型系统，该系统包括：
样本参数获取模块，获取风速、温度和湿度，以作为网络模型的输入样本参数；获取跳闸结果以作为网络模型的输出样本参数，所述跳闸结果为是或否；
样本参数处理模块，将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同；将所述输入样本参数按各自的阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码；
神经网络初始模型建立模块，建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，所述初始模型包括输入层、隐含层以及输出层；
神经网络初始模型训练模块，将所述多个样本参数组中一部分样本参数组中的输入样本参数作为输入参量，以及和所述一部分样本参数组中相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型；以及
神经网络初始模型检验模块，利用所述多个样本参数组中另一部分样本参数组中的输入样本参数作为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。
7.根据权利要求6所述的系统，所述神经网络为三层结构，所述三层结构包括：输入层、隐含层和输出层。
8.根据权利要求6所述的系统，所述神经网络的输入层的节点为3个，并且输出层的节点为1个，隐含层结点数为15个。
9.根据权利要求6所述的系统，将输入样本参数的取值范围划分为至少两个阈值区间，从而将风速、温度和湿度的值用阈值区间的代码表示；以及将所述跳闸结果的输出参考用代码1或0表示，其中代码1代表是，代码0代表否。
10.根据权利要求6所述的系统，将所述输入样本参数归一化到[-1，1]区间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610950683.6A CN106570582A (zh) | 2016-10-26 | 2016-10-26 | 一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610950683.6A CN106570582A (zh) | 2016-10-26 | 2016-10-26 | 一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106570582A true CN106570582A (zh) | 2017-04-19 |
Family
ID=58536640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610950683.6A Pending CN106570582A (zh) | 2016-10-26 | 2016-10-26 | 一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106570582A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492756A (zh) * | 2018-11-19 | 2019-03-19 | 中国气象局公共气象服务中心 | 基于深度学习的多要素导线舞动预警方法及相关装置 |
| CN110033140A (zh) * | 2019-04-22 | 2019-07-19 | 广东工业大学 | 一种配变台区跳闸预测方法、系统及装置 |
| CN110135645A (zh) * | 2019-05-16 | 2019-08-16 | 电子科技大学 | 架空输电线路全光纤动静态监测和趋势预测系统及方法 |
| CN111062488A (zh) * | 2019-12-09 | 2020-04-24 | 北京国网富达科技发展有限责任公司 | 舞动轨迹预警方法及系统 |
| CN112734115A (zh) * | 2021-01-13 | 2021-04-30 | 国网山东省电力公司日照供电公司 | 一种基于大数据的客户侧跳闸风险预控方法及系统 |
-
2016
- 2016-10-26 CN CN201610950683.6A patent/CN106570582A/zh active Pending
Non-Patent Citations (3)
| Title |
|---|
| 余鲲等: "输电线路覆冰状态下信息融合模型特征层的分类方法研究 ", 《仪表技术》 * |
| 刘毅: "输电线路覆冰的自适应网络模糊推理预报模型 ", 《中国新技术新产品》 * |
| 史坤鹏等: "基于BP神经网络的电网安全性预警系统研发 ", 《南方电网技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492756A (zh) * | 2018-11-19 | 2019-03-19 | 中国气象局公共气象服务中心 | 基于深度学习的多要素导线舞动预警方法及相关装置 |
| CN109492756B (zh) * | 2018-11-19 | 2022-06-10 | 中国气象局公共气象服务中心 | 基于深度学习的多要素导线舞动预警方法及相关装置 |
| CN110033140A (zh) * | 2019-04-22 | 2019-07-19 | 广东工业大学 | 一种配变台区跳闸预测方法、系统及装置 |
| CN110135645A (zh) * | 2019-05-16 | 2019-08-16 | 电子科技大学 | 架空输电线路全光纤动静态监测和趋势预测系统及方法 |
| CN110135645B (zh) * | 2019-05-16 | 2022-06-28 | 电子科技大学 | 架空输电线路全光纤动静态监测和趋势预测系统及方法 |
| CN111062488A (zh) * | 2019-12-09 | 2020-04-24 | 北京国网富达科技发展有限责任公司 | 舞动轨迹预警方法及系统 |
| CN112734115A (zh) * | 2021-01-13 | 2021-04-30 | 国网山东省电力公司日照供电公司 | 一种基于大数据的客户侧跳闸风险预控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106570582A (zh) | 一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统 | |
| CN103514366B (zh) | 一种城市空气质量浓度监测缺失数据的修复方法 | |
| CN102629294B (zh) | 台风引发输电线路故障的概率评估方法 | |
| CN109272146A (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
| CN105809287A (zh) | 一种高压输电线路覆冰过程综合预测方法 | |
| CN111159149A (zh) | 一种基于三维卷积神经网络的河流流量预测方法 | |
| CN109492756B (zh) | 基于深度学习的多要素导线舞动预警方法及相关装置 | |
| CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
| CN111539842B (zh) | 基于气象和地理环境的架空输电线路覆冰预测方法 | |
| CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
| CN103093097A (zh) | 基于规范切的电力系统脆弱断面识别方法 | |
| Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
| CN104156775B (zh) | 基于多元线性回归算法的气象灾害预测方法 | |
| CN117540329B (zh) | 基于机器学习的排水管网缺陷在线预警方法及系统 | |
| CN109063388A (zh) | 风环境模拟的微气候建筑选址设计方法 | |
| CN117709488B (zh) | 基于RUN-XGBoost的大坝渗流预测方法 | |
| CN103020733A (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
| CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
| Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
| CN117424210A (zh) | 台风灾害下电力cps脆弱性评估方法、系统及设备 | |
| CN117648878A (zh) | 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法 | |
| CN116451608A (zh) | 一种复杂地形的混合风功率预测方法及装置 | |
| CN115829150A (zh) | 一种积水预测系统 | |
| Chinforoush et al. | A novel method for forecasting surface wind speed using wind-direction based on hierarchical markov model | |
| アンナススワルディ et al. | Neuro-fuzzy approaches for modeling the wet season tropical rainfall |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170419 |
|
| RJ01 | Rejection of invention patent application after publication |