CN107085646A - 一种输电线路下地面场强测量方法 - Google Patents

一种输电线路下地面场强测量方法 Download PDF

Info

Publication number
CN107085646A
CN107085646A CN201710296505.0A CN201710296505A CN107085646A CN 107085646 A CN107085646 A CN 107085646A CN 201710296505 A CN201710296505 A CN 201710296505A CN 107085646 A CN107085646 A CN 107085646A
Authority
CN
China
Prior art keywords
electricity
field strength
transmission line
hidden layer
ground
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.)
Granted
Application number
CN201710296505.0A
Other languages
English (en)
Other versions
CN107085646B (zh
Inventor
王洋
王琨
许阳
司渭滨
王纪红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Electric Co Of Guo Wang Shaanxi Prov Power Co
State Grid Corp of China SGCC
Original Assignee
Xi'an Electric Co Of Guo Wang Shaanxi Prov Power Co
State Grid Corp of China SGCC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Electric Co Of Guo Wang Shaanxi Prov Power Co, State Grid Corp of China SGCC filed Critical Xi'an Electric Co Of Guo Wang Shaanxi Prov Power Co
Priority to CN201710296505.0A priority Critical patent/CN107085646B/zh
Publication of CN107085646A publication Critical patent/CN107085646A/zh
Application granted granted Critical
Publication of CN107085646B publication Critical patent/CN107085646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明公开了一种输电线路下地面场强测量方法，包括以下步骤：1)构建神经网络模型，其中，所述神经网络模型包括输入层、第一隐层、第二隐层及输出层，其中，输入层与第一隐层之间及第一隐层与第二隐层之间采用RBF神经网络隐层模式，第二隐层与输出层之间采用BP神经网络隐层模式，第一隐层中各神经元节点的激励函数均采用高斯径向基函数，第二隐层中各神经元节点的激励函数均采用非对称型sigmoid函数，输出层中各神经元节点的激励函数均采用Purelin型线性函数；2)构建测量数据修正模型；3)输电线路下地面场强的实地测量数据通过步骤2)构建的测量数据修正模型进行修正，该方法能够实现对输电线路下地面场强的测量及修正。

Description

一种输电线路下地面场强测量方法
技术领域
本发明属于输电线路检测技术领域，涉及一种输电线路下地面场强测量方法。
背景技术
输电线路是电力系统的重要组成部分，弧垂是输电线路运行维护的重要指标之一，其大小直接关系到线路的安全性与可靠性，必须控制在一定的范围内。而输电线路长时间经受自然界中覆冰、温升和风吹等气象的影响，使得线路的弧垂发生较大变化。弧垂过小使得杆塔荷载增大，会产生断线、倒塔和掉串等事故；弧垂过大会使导线与地面的树木、建筑物等发生接触并放电，从而导致线路跳闸。
通过输电线路下地面场强的计算可以反演出线路的弧垂大小，因此若要计算出线路实际的弧垂大小，首先需要得到输电线路下地面场强的精确值。而实际测量中环境因素会影响导线下方的电磁场，使测量的场强数据与真实数据有所偏差，所以应尽可能排除环境因素对场强测量的影响。因此，测量数据修正技术应运而生。现有的测量技术主要基于最小二乘支持向量机修正算法，该技术能较好还原没有受外界环境干扰的真实场强值，可以实现对输电线路地面场强的测量与数据修正。但该技术需要准确的场强值作为数据支撑，当核函数选择不恰当时，难以达到理想的效果。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种输电线路下地面场强测量方法，该方法能够实现对输电线路下地面场强的测量及修正。
为达到上述目的，本发明所述的输电线路下地面场强测量方法包括以下步骤：
1)构建神经网络模型，其中，所述神经网络模型包括输入层、第一隐层、第二隐层及输出层，其中，输入层与第一隐层之间及第一隐层与第二隐层之间均采用RBF神经网络隐层模式，第二隐层与输出层之间采用BP神经网络隐层模式，第一隐层中各神经元节点的激励函数均采用高斯径向基函数，第二隐层中各神经元节点的激励函数均采用非对称型sigmoid函数，输出层中各神经元节点的激励函数均采用Purelin型线性函数；
2)对步骤1)构建的神经网络模型通过Levenberg-Marquardt算法进行训练，然后根据训练后的神经网络模型构建测量数据修正模型；
3)获取输电线路下地面场强的实地测量数据，所述输电线路下地面场强的实地测量数据通过步骤2)构建的测量数据修正模型进行修正，得输电线路下的地面场强。
对步骤1)构建的神经网络模型通过用Levenberg-Marquardt算法进行训练的具体操作为：
1a)构建样本库，其中，所述样本库由若干输电线路下地面场强的实测数据及若干输电线路下地面场强的理想数据构成；
2a)从样本库中选取p组数据，再将p组数据中输电线路下地面场强的实测数据作为输入层的输入，将p组数据中输电线路下地面场强的理想数据作为输出层的输出；
3a)对神经网络模型中的所有参数进行初始化，然后通过Levenberg-Marquardt算法对神经网络模型中的所有参数进行连续训练，并根据训练的结果对样本库进行更新，直至样本库中各输电线路下地面场强的实测数据与与其对应的输电线路下地面场强的理想数据之间误差的平均值小于等于预设值为止。
基于模拟电荷法的线路电场三维计算模型计算输电线路下地面场强的理想数据。
基于模拟电荷法的线路电场三维计算模型计算输电线路下地面场强的理想数据的具体操作为：将输电线路划分为若干线单元，再通过电位系统矩阵及输电线路上电位的单列矩阵计算输电线路上的电荷单列矩阵，然后根据输电线路上电荷单列矩阵计算三维空间直角坐标系中输电线路下地面场强的各分量，再将三维空间直角坐标系中输电线路下地面场强的各分量进行拟合计算输电线路下地面场强的理想数据。
本发明具有以下有益效果：
本发明所述的输电线路下地面场强测量方法在具体操作时，基于RBF神经网络及BP神经网络构建神经网络模型，然后通过Levenberg-Marquardt算法对神经网络模型进行训练，使神经网络模型的输入与输出之间进行较好的拟合，然后再根据训练后的神经网络模型构建测量数据修正模型，并通过测量数据修正模型对实际测量得到的地面场强进行修正，从而降低外界因素对场强测试的影响，还原出最真实的输电线路下地面场强。
附图说明
图1为本发明中神经网络的训练模型图；
图2为本发明中场强测量系统图；
图3为本发明的仿真结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1，本发明所述的输电线路下地面场强测量方法包括以下步骤：
1)构建神经网络模型，其中，所述神经网络模型包括输入层、第一隐层、第二隐层及输出层，其中，输入层与第一隐层之间及第一隐层与第二隐层之间均采用RBF神经网络隐层模式，第二隐层与输出层之间采用BP神经网络隐层模式，第一隐层中各神经元节点的激励函数均采用高斯径向基函数，第二隐层中各神经元节点的激励函数均采用非对称型sigmoid函数，输出层中各神经元节点的激励函数均采用Purelin型线性函数；
2)对步骤1)构建的神经网络模型通过用Levenberg-Marquardt算法进行训练，然后训练后的神经网络模型构建测量数据修正模型；
3)获取输电线路下地面场强的实地测量数据，所述输电线路下地面场强的实地测量数据通过步骤2)构建的测量数据修正模型进行修正，得输电线路下的地面场强。
对步骤1)构建的神经网络模型通过用Levenberg-Marquardt算法进行训练的具体操作为：
1a)构建样本库，其中，所述样本库由若干输电线路下地面场强的实测数据及若干输电线路下地面场强的理想数据构成；
2a)从样本库中选取p组数据，再将p组数据中输电线路下地面场强的实测数据作为输入层的输入，将p组数据中输电线路下地面场强的理想数据作为输出层的输出；
3a)对神经网络模型中的所有参数(包含高斯基函数的中心矢量C、基宽向量B和网络权重系数)进行随机初始化，并设定Levenberg-Marquardt算法的最大训练步数、网络训练误差及样本测试误差，然后通过Levenberg-Marquardt算法训练神经网络模型中的所有参数；具体训练过程结合表1来详细阐述：
表1
首次训练，经过n1次的迭代，神经网络收敛，随后从样本库中选取独立于训练样本的p组测试样本，再将选取出来的p组测试样本输入到神经网络中，然后计算平均测试误差e，其中，
其中，M1为测试样本的数量，E(n)为理想场强数据，Eout(n)表示神经网络模型输出的修正数据；
当平均测试误差e小于等于预设值时，则训练结束；当平均测试误差e大于预设值时，则将训练样本及测试样本合并组成新的训练样本(表1中第2步，训练样本数更新为2p)，并将第二层的隐层节点数加2，执行步骤4a)；
4a)转至步骤1a)，直到平均测试误差小于等于预设值为止；
5a)网络训练结束，固定神经网络的所有参数。
基于模拟电荷法的线路电场三维计算模型获取输电线路下地面场强的理想数据；基于模拟电荷法的线路电场三维计算模型获取输电线路下地面场强的理想数据的具体操作为：将输电线路划分为若干线单元，然后通过电位系统矩阵及输电线路上电位的单列矩阵计算输电线路上的电荷单列矩阵，然后根据输电线路上电荷单列矩阵计算三维空间直角坐标系中输电线路下地面场强的各分量，再根据三维空间直角坐标系中输电线路下地面场强的各分量计算输电线路下地面场强的理想数据。
图2为本发明专利的场强测量系统图。注意到，此时神经网络经过训练以后，第二隐层的节点数已经更新为d2，且网络中的参数(高斯基函数的中心矢量C和基宽向量B和权值向量W)均为已知且固定；将现场测量得到的场强x1和x2输入该训练好的网络中，其输出y1和y2就是经过修正的场强。
图3为本发明的仿真结果图，在图3中，横坐标表示测量点与输电导线中心线的距离，纵坐标表示该测量点出的场强值。图3中方框表示的点为测量得到的场强值，加号表示的点为经过神经网络后修正了的场强值，圆点为由基于模拟电荷法的三维场强模型计算而来的理想场强值。可以看出，由于环境等其他外界因素的干扰使得实际测量得到的场强数据与理想数据之间存在较大偏差，而经过网络修正以后，测量得到的场强数据与理想数据之间能够较好地拟合，进而实现了数据的修正。

Claims (4)

1.一种输电线路下地面场强测量方法，其特征在于，包括以下步骤：
1)构建神经网络模型，其中，所述神经网络模型包括输入层、第一隐层、第二隐层及输出层，其中，输入层与第一隐层之间及第一隐层与第二隐层之间均采用RBF神经网络隐层模式，第二隐层与输出层之间采用BP神经网络隐层模式，第一隐层中各神经元节点的激励函数均采用高斯径向基函数，第二隐层中各神经元节点的激励函数均采用非对称型sigmoid函数，输出层中各神经元节点的激励函数均采用Purelin型线性函数；
2)对步骤1)构建的神经网络模型通过Levenberg-Marquardt算法进行训练，然后根据训练后的神经网络模型构建测量数据修正模型；
3)获取输电线路下地面场强的实地测量数据，所述输电线路下地面场强的实地测量数据通过步骤2)构建的测量数据修正模型进行修正，得输电线路下的地面场强。
2.根据权利要求1所述的输电线路下地面场强测量方法，其特征在于，对步骤1)构建的神经网络模型通过用Levenberg-Marquardt算法进行训练的具体操作为：
1a)构建样本库，其中，所述样本库由若干输电线路下地面场强的实测数据及若干输电线路下地面场强的理想数据构成；
2a)从样本库中选取p组数据，再将p组数据中输电线路下地面场强的实测数据作为输入层的输入，将p组数据中输电线路下地面场强的理想数据作为输出层的输出；
3a)对神经网络模型中的所有参数进行初始化，然后通过Levenberg-Marquardt算法对神经网络模型中的所有参数进行连续训练，并根据训练的结果对样本库进行更新，直至样本库中各输电线路下地面场强的实测数据与与其对应的输电线路下地面场强的理想数据之间误差的平均值小于等于预设值为止。
3.根据权利要求1所述的输电线路下地面场强测量方法，其特征在于，基于模拟电荷法的线路电场三维计算模型计算输电线路下地面场强的理想数据。
4.根据权利要求3所述的输电线路下地面场强测量方法，其特征在于，基于模拟电荷法的线路电场三维计算模型计算输电线路下地面场强的理想数据的具体操作为：将输电线路划分为若干线单元，再通过电位系统矩阵及输电线路上电位的单列矩阵计算输电线路上的电荷单列矩阵，然后根据输电线路上电荷单列矩阵计算三维空间直角坐标系中输电线路下地面场强的各分量，再将三维空间直角坐标系中输电线路下地面场强的各分量进行拟合计算输电线路下地面场强的理想数据。
CN201710296505.0A 2017-04-28 2017-04-28 一种输电线路下地面场强测量方法 Active CN107085646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710296505.0A CN107085646B (zh) 2017-04-28 2017-04-28 一种输电线路下地面场强测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710296505.0A CN107085646B (zh) 2017-04-28 2017-04-28 一种输电线路下地面场强测量方法

Publications (2)

Publication Number Publication Date
CN107085646A true CN107085646A (zh) 2017-08-22
CN107085646B CN107085646B (zh) 2020-10-09

Family

ID=59611415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710296505.0A Active CN107085646B (zh) 2017-04-28 2017-04-28 一种输电线路下地面场强测量方法

Country Status (1)

Country Link
CN (1) CN107085646B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108008099A (zh) * 2017-11-01 2018-05-08 佛山科学技术学院 一种污染源定位方法
CN108469553A (zh) * 2018-02-05 2018-08-31 国网山东省电力公司电力科学研究院 计及环境要素的特高压输电线路近地面工频电场强度预测方法
CN112131792A (zh) * 2020-09-24 2020-12-25 南方电网科学研究院有限责任公司 一种地表电位还原方法、装置、设备及存储介质
CN113945802A (zh) * 2021-10-25 2022-01-18 国网重庆市电力公司电力科学研究院 一种高压输电线路下方空间电位的测量方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101349720A (zh) * 2008-08-28 2009-01-21 重庆电力科学试验研究院 高压架空输电线路工频电场屏蔽分析方法
CN101696990A (zh) * 2009-10-20 2010-04-21 重庆大学 一种基于电场测量的特高压输电线验电方法及其系统
WO2011052879A2 (ko) * 2009-10-30 2011-05-05 한국전력공사 축소 모델을 이용한 송전 선로 특성 평가 시스템 및 방법
CN103840988A (zh) * 2014-03-17 2014-06-04 湖州师范学院 一种基于rbf神经网络的网络流量测量方法
CN104636801A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种基于优化bp神经网络的预测输电线路可听噪声方法
WO2017041070A1 (en) * 2015-09-05 2017-03-09 Van Cruyningen Lzak Uav shutdown constraint near overhead lines

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101349720A (zh) * 2008-08-28 2009-01-21 重庆电力科学试验研究院 高压架空输电线路工频电场屏蔽分析方法
CN101696990A (zh) * 2009-10-20 2010-04-21 重庆大学 一种基于电场测量的特高压输电线验电方法及其系统
WO2011052879A2 (ko) * 2009-10-30 2011-05-05 한국전력공사 축소 모델을 이용한 송전 선로 특성 평가 시스템 및 방법
CN104636801A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN103840988A (zh) * 2014-03-17 2014-06-04 湖州师范学院 一种基于rbf神经网络的网络流量测量方法
WO2017041070A1 (en) * 2015-09-05 2017-03-09 Van Cruyningen Lzak Uav shutdown constraint near overhead lines

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JESÚS Á. GOMOLLÓN 等: "Steady State 3-D-Field Calculations in Three-Phase Systems With Surface Charge Method", 《IEEE TRANSACTIONS ON POWER DELIVERY》 *
彭一琦: "考虑气象条件的输电导线工频电场计算新方法", 《高压电技术》 *
陈婷 等: "基于RBF-BP神经网络的管道腐蚀类型预测", 《非开挖技术》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108008099A (zh) * 2017-11-01 2018-05-08 佛山科学技术学院 一种污染源定位方法
CN108469553A (zh) * 2018-02-05 2018-08-31 国网山东省电力公司电力科学研究院 计及环境要素的特高压输电线路近地面工频电场强度预测方法
CN108469553B (zh) * 2018-02-05 2020-11-13 国网山东省电力公司电力科学研究院 计及环境要素的特高压输电线路近地面工频电场强度预测方法
CN108469553B9 (zh) * 2018-02-05 2021-01-29 国网山东省电力公司电力科学研究院 计及环境要素的特高压输电线路近地面工频电场强度预测方法
CN112131792A (zh) * 2020-09-24 2020-12-25 南方电网科学研究院有限责任公司 一种地表电位还原方法、装置、设备及存储介质
CN112131792B (zh) * 2020-09-24 2024-06-04 南方电网科学研究院有限责任公司 一种地表电位还原方法、装置、设备及存储介质
CN113945802A (zh) * 2021-10-25 2022-01-18 国网重庆市电力公司电力科学研究院 一种高压输电线路下方空间电位的测量方法及装置
CN113945802B (zh) * 2021-10-25 2023-06-20 国网重庆市电力公司电力科学研究院 一种高压输电线路下方空间电位的测量方法及装置

Also Published As

Publication number Publication date
CN107085646B (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
Oh et al. Evolutionary learning based sustainable strain sensing model for structural health monitoring of high-rise buildings
CN107085646A (zh) 一种输电线路下地面场强测量方法
CN105403664B (zh) 一种基于wrf‑chem的大型点污染源大气环境影响评价方法
CN104298841B (zh) 一种基于历史数据的洪水预报方法和系统
KR101965879B1 (ko) 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법
CN108108520B (zh) 一种基于神经网络集成的输电线路雷害风险预测方法
CN104280089B (zh) 基于容重估算的库存粮食数量远程测算系统
CN108152867B (zh) 输电线路的台风预警系统及方法
CN104035096B (zh) 一种基于多普勒天气雷达的垂直风廓线非线性反演方法
CN104462685A (zh) 基于网格GIS和Floyd算法的输电线路设计方法
CN109472396A (zh) 基于深度网络学习的山火预测方法
Valsaraj et al. Symbolic regression-based improved method for wind speed extrapolation from lower to higher altitudes for wind energy applications
CN106599417A (zh) 一种基于人工神经网络的城市电网馈线负荷构成辨识方法
CN109492756A (zh) 基于深度学习的多要素导线舞动预警方法及相关装置
CN105678417A (zh) 一种施工隧道撑子面涌水量预测方法及装置
CN112100922A (zh) 一种基于wrf和cnn卷积神经网络的风资源预测方法
CN106503861A (zh) 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法
CN105279384A (zh) 一种基于风力机机舱风速的来流风速计算方法及装置
CN108629056A (zh) 一种风电功率预测方法及系统
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
CN104021315A (zh) 基于bp神经网络的电厂厂用电率计算方法
CN106354929B (zh) 基于刚度变化原理的承载结构载荷传递路径可视化方法
CN109033181B (zh) 一种复杂地形地区风场地理数值模拟方法
CN104573216A (zh) 一种天线性能的优化方法及装置
CN102930336A (zh) 电阻阵列自适应校正方法

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
GR01 Patent grant
GR01 Patent grant