CN112949109B - 基于深度神经网络的架空线电磁脉冲传导环境的预测方法 - Google Patents
基于深度神经网络的架空线电磁脉冲传导环境的预测方法 Download PDFInfo
- Publication number
- CN112949109B CN112949109B CN202110103147.3A CN202110103147A CN112949109B CN 112949109 B CN112949109 B CN 112949109B CN 202110103147 A CN202110103147 A CN 202110103147A CN 112949109 B CN112949109 B CN 112949109B
- Authority
- CN
- China
- Prior art keywords
- overhead line
- electromagnetic pulse
- neural network
- deep neural
- conduction environment
- 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.)
- Active
Links
Images
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电磁干扰技术领域,公开了一种基于深度神经网络的架空线电磁脉冲传导环境的预测方法。首先构建架空线电磁脉冲传导环境快速预测模型,主要建立步骤为确定传导环境的主要输入变量和输出参数,通过数值模拟计算获得大量取样点上的参数值,构建深度神经网络,采用数值模拟结果进行训练和验证,建立快速预测模型。其次,利用预测模型实现预测。本发明通过深度神经网络方法建立架空线电磁脉冲传导环境的快速预测模型实现快速预测不同参数下架空线传导环境的目的,避免了预测中的大量数值模拟计算,节省了计算时间,提高预测速度。
Description
技术领域
本发明涉及电磁干扰技术领域,特别是涉及一种基于深度神经网络的架空线电磁脉冲传导环境的快速预测方法。
背景技术
高空核电磁脉冲的早期环境上升沿快,为纳米量级;电场幅值高,可达万伏每米;覆盖范围广,上千公里。它可以通过与架空线耦合产生高电压和大电流,损伤变压器、绝缘子等一次设备,造成大面积范围内电力系统失效和瘫痪。
为了评估高空核电磁脉冲对设备的损伤并在基础上进行防护,计算高空核电磁脉冲与架空线耦合环境的负载耦合电流或电压显得尤为重要,目前常用数值模拟方法,例如BLT方程、时域有限差分等数值模拟方法计算局部架空线的电磁脉冲传导环境,取得了较好的效果。然而高空核电磁脉冲范围极广,需要计算上千公里范围内架空线的耦合传导环境(电压或电流),采用传统的数值模拟方法计算时间长、速度慢,不能满足快速预测需求。
发明内容
为了解决目前数值模拟方法计算架空线电磁脉冲传导环境计算时间长、速度慢而不满足大范围内快速计算要求,本发明提供一种基于深度神经网络的架空线电磁脉冲传导环境快速预测方法。其主要步骤为确定传导环境的主要输入变量和输出参数,通过数值模拟计算获得大量取样点上的输出参数值,基于深度神经网络构建训练网络,采用数值模拟结果进行训练和验证,建立快速预测模型,利用该模型实现后续预测。该预测模型避免了预测中的大量数值模拟计算,节省了计算时间,提高预测速度。
本发明的技术解决方案是提供一种基于深度神经网络的架空线电磁脉冲传导环境的预测方法,其特殊之处在于,包括以下步骤:
步骤一、构建架空线电磁脉冲传导环境预测模型;
步骤1.1、选择电磁脉冲的极化角γ,入射仰角θ和方位角为架空线电磁脉冲传导环境预测模型输入变量;在输入变量集上选取N+M个样点,确定N+M个样点对应的(γ,θ,);同时根据实际情况确定架空线其他参数以及入射平面波的电场波形;其中N、M均为自然数;
步骤1.2、根据架空线其他参数,采用数值模拟方法计算每个样点上架空线的负载耦合电压或电流的幅值;
步骤1.5、把训练样本映射到[-1,1]区间对深度神经网络进行训练,然后将验证样本(γ,θ,)数据同样映射到[-1,1]区间对训练后的深度神经网络进行验证;把深度神经网络的输出结果反映射为耦合电压或电流与采用数值模拟方法计算的每样点上架空线的负载耦合电压或电流的幅值比较,实现验证,获得架空线电磁脉冲传导环境预测模型;
步骤二,利用步骤一构建的架空线电磁脉冲传导环境预测模型实现预测;
进一步地,步骤1.1中架空线其他参数为架空线长度L,架空线半径r,距地高度h,两端负载R1和R2,大地电导率σ和相对介电常数εr固定参数。
进一步地,步骤2中的数值模拟方法可以为BLT方程、电报方程或时域有限差分等计算方法。
进一步地,步骤1.4中的激活函数选取tan-sigmoid函数。
本发明的有益效果是:
本发明给出的基于深度神经网络的架空线电磁脉冲传导环境的快速预测模型,与传统的数值计算方法(例如BLT方程)相比,提高计算速度百倍以上,节省了计算时间,能够有效实现大面积范围内架空线传导环境的快速预测。
附图说明
图1为电磁脉冲与架空线耦合示意和参数定义图。
图2为深度神经网络结构示意图。
图3a为基于深度神经网络的架空线传导环境快速预测模型验证结果的整体显示。
图3b为基于深度神经网络的架空线传导环境快速预测模型验证结果的局部显示。
图4a为数值模拟计算得到的架空线耦合电压云图。
图4b为基于深度神经网络的快速预测模型得到的架空线耦合电压云图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图和实施例对本发明进行详细说明。
本发明给出的基于深度神经网络的架空线传导环境快速预测方法,通过下述步骤实现:
首先构建架空线电磁脉冲传导环境预测模型,具体包括以下步骤:
步骤1:选择电磁脉冲的极化角γ,入射仰角θ和方位角为架空线电磁脉冲传导环境预测模型输入变量,并进行取样,选取N+M个样点,确定N+M个样点对应的(γ,θ,);同时根据实际情况确定架空线其他参数;其中N、M均为自然数;,N+M个样点中,其中N个样点为训练样本,M个样点为验证样本。
具体为:
步骤1.2、根据实际架空线模型和参数,确定架空线长度L,架空线半径r,距地高度h,两端负载R1和R2,大地电导率σ和相对介电常数εr等固定参数,并确定入射平面波的电场波形。
共245791个样本训练数据。
验证样本的取样点为
共11664个样本验证数据。
架空线的长度L=2000m,半径r=6mm,距地高度h=10m,两端负载R1和R2都为487Ω,大地电导率σ和相对介电常数εr分别设置为0.001S/H和4。本实施例中的电磁脉冲电场波形为IEC标准的电场波形,具体为E0(t)=kE0[exp(-βt)-exp(-αt)],其中k=1.3,E0=50kV/m,α=6.0×108s-1,β=4.0×107s-1。
在本实例中,采用BLT方程来计算每个样点(γ,θ,)对应的负载R1上的耦合电压的幅值V1,共得到N=245791组训练数据,M=11664组验证数据。每组数据包含极化角γ,入射仰角θ,方位角和负载R1的耦合电压幅值。
在本实施例中,隐层层数为5,每个隐层节点有16个节点,激活函数选取为tan-sigmoid函数。终止条件设定为训练轮数5000,终止梯度1×10-8,损失函数值1×10-8。
步骤4、把N个训练样本映射到[-1,1]区间对深度神经网络进行训练,然后把M个验证样本的(γ,θ,)数据同样映射到[-1,1]区间对训练后的深度神经网络进行验证,把深度神经网络的输出结果反映射为耦合电压或电流,与采用数值模拟方法计算的每样点上架空线的负载耦合电压或电流的幅值比较,实现验证,获得架空线电磁脉冲传导环境预测模型。
在本实施例中,采用245791个训练样本,训练轮数为1213时,训练终止。采用11664组数据进行深度神经网络的验证。图3a和图3b分别给出了本实施例中快速预测模型的验证样本的预测结果和部分验证样本的预测结果。结果表明快速预测模型的预测结果与提供的验证数据非常吻合。在8核3.6GHz的个人商用台式机上,11664个验证数据数值模拟的计算时间约为27个小时,而快速预测模型所需的时间约为4秒,极大提高了预测速度。图4a和图4b显示了γ=10时快速预测模型预测出的电压云图与数值计算结果的对比。快速预测的结果与数值模拟结果非常吻合,但所需时间要少得多。
综上,与数值计算方法相比,基于深度神经网络的架空线电磁脉冲传导环境的快速预测模型可以快速预测出架空上的传导环境,提高预测速度。
Claims (5)
1.一种基于深度神经网络的架空线电磁脉冲传导环境的预测方法,其特征在于,包括以下步骤:
步骤一、构建架空线电磁脉冲传导环境预测模型;
步骤1.1、选择电磁脉冲的极化角γ,入射仰角θ和方位角为架空线电磁脉冲传导环境预测模型输入变量;在输入变量集上选取N+M个样点,确定N+M个样点对应的同时根据实际情况确定架空线其他参数以及入射平面波的电场波形;其中N、M均为自然数;
步骤1.2、根据架空线其他参数,采用数值模拟方法计算每个样点上架空线的负载耦合电压或电流的幅值;
步骤1.5、把训练样本映射到[-1,1]区间对深度神经网络进行训练,然后将验证样本数据同样映射到[-1,1]区间对训练后的深度神经网络进行验证;把深度神经网络的输出结果反映射为耦合电压或电流与采用数值模拟方法计算的每样点上架空线的负载耦合电压或电流的幅值比较,实现验证,获得架空线电磁脉冲传导环境预测模型;
步骤二,利用步骤一构建的架空线电磁脉冲传导环境预测模型实现预测;
3.根据权利要求2所述基于深度神经网络的架空线电磁脉冲传导环境的预测方法,其特征在于,步骤1.1中所述架空线其他参数为架空线长度L,架空线半径r,距地高度h,两端负载R1和R2,大地电导率σ和相对介电常数εr固定参数。
4.根据权利要求1-3任一所述基于深度神经网络的架空线电磁脉冲传导环境的预测方法,其特征在于:步骤2中的数值模拟方法为BLT方程、电报方程或时域有限差分计算方法。
5.根据权利要求4所述基于深度神经网络的架空线电磁脉冲传导环境的预测方法,其特征在于:所述步骤1.4中的激活函数选取tan-sigmoid函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103147.3A CN112949109B (zh) | 2021-01-26 | 2021-01-26 | 基于深度神经网络的架空线电磁脉冲传导环境的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103147.3A CN112949109B (zh) | 2021-01-26 | 2021-01-26 | 基于深度神经网络的架空线电磁脉冲传导环境的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949109A CN112949109A (zh) | 2021-06-11 |
CN112949109B true CN112949109B (zh) | 2023-04-07 |
Family
ID=76236917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110103147.3A Active CN112949109B (zh) | 2021-01-26 | 2021-01-26 | 基于深度神经网络的架空线电磁脉冲传导环境的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949109B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105210088A (zh) * | 2013-05-10 | 2015-12-30 | 普睿司曼股份公司 | 采用神经网络的局部放电信号处理方法及装置 |
CN108416148A (zh) * | 2018-03-13 | 2018-08-17 | 西北核技术研究所 | 一种基于多项式混沌展开的高空电磁脉冲场线耦合不确定度获取方法 |
CN109327178A (zh) * | 2018-10-29 | 2019-02-12 | 江苏大学 | 一种开关磁阻电机多步预测控制器构造方法 |
CN110188397A (zh) * | 2019-05-06 | 2019-08-30 | 南瑞集团有限公司 | 一种架空输电线路覆冰预测模型和方法 |
WO2019211792A1 (en) * | 2018-05-02 | 2019-11-07 | Jerusalem College Of Technology | Machine learning methods for sir prediction in cellular networks |
EP3582156A1 (en) * | 2018-06-14 | 2019-12-18 | Hitachi Transport System, Ltd. | Prediction system and prediction method |
CN110968826A (zh) * | 2019-10-11 | 2020-04-07 | 重庆大学 | 一种基于空间映射技术的大地电磁深度神经网络反演方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6816786B2 (en) * | 2000-04-18 | 2004-11-09 | Devrie S Intriligator | Space weather prediction system and method |
-
2021
- 2021-01-26 CN CN202110103147.3A patent/CN112949109B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105210088A (zh) * | 2013-05-10 | 2015-12-30 | 普睿司曼股份公司 | 采用神经网络的局部放电信号处理方法及装置 |
CN108416148A (zh) * | 2018-03-13 | 2018-08-17 | 西北核技术研究所 | 一种基于多项式混沌展开的高空电磁脉冲场线耦合不确定度获取方法 |
WO2019211792A1 (en) * | 2018-05-02 | 2019-11-07 | Jerusalem College Of Technology | Machine learning methods for sir prediction in cellular networks |
EP3582156A1 (en) * | 2018-06-14 | 2019-12-18 | Hitachi Transport System, Ltd. | Prediction system and prediction method |
CN109327178A (zh) * | 2018-10-29 | 2019-02-12 | 江苏大学 | 一种开关磁阻电机多步预测控制器构造方法 |
CN110188397A (zh) * | 2019-05-06 | 2019-08-30 | 南瑞集团有限公司 | 一种架空输电线路覆冰预测模型和方法 |
CN110968826A (zh) * | 2019-10-11 | 2020-04-07 | 重庆大学 | 一种基于空间映射技术的大地电磁深度神经网络反演方法 |
Non-Patent Citations (3)
Title |
---|
HEMP场激励下交直流高压输电线耦合响应概率分布;卢斌先等;《电工技术学报》;20110126(第01期);145-149 * |
基于组合赋权和BP神经网络的500kV交流输电线路电磁环境评估方法研究;安晨帆等;《电工电能新技术》;20160315(第03期);65-71 * |
电磁兼容的人工神经网络预测技术分析;李永明等;《重庆大学学报》;20081115(第11期);109-112 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949109A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083908B (zh) | 基于有限元分析的电缆缆芯温度预测方法 | |
WO2023083366A1 (zh) | 基于在线监测数据的避雷器运行状态识别方法、装置 | |
Sarajcev et al. | Method for estimating backflashover rates on HV transmission lines based on EMTP-ATP and curve of limiting parameters | |
Silva et al. | Modelling seabed buried cables for electromagnetic transient analysis | |
Li et al. | Transient disturbances based non-intrusive ageing condition assessment for cross-bonded cables | |
Jensen et al. | Field test and theoretical analysis of electromagnetic pulse propagation velocity on crossbonded cable systems | |
CN112949109B (zh) | 基于深度神经网络的架空线电磁脉冲传导环境的预测方法 | |
Zhang et al. | Onset electric field of soil ionisation around grounding electrode under lightning | |
Abouzeid et al. | Induced voltages on overhead transmission lines because of nearby included lightning channel | |
Maslowski et al. | Experimental investigation and numerical modeling of surge currents in lightning protection system of a small residential structure | |
Stracqualursi et al. | The impact of different corona models on FD algorithms for the solution of multiconductor transmission lines equations | |
CN107895078A (zh) | 强电磁脉冲对长电力输电线路耦合响应的宏模型构建方法 | |
Shafaei et al. | Probabilistic evaluation of lightning performance of overhead transmission lines, considering non-vertical strokes | |
Xiao et al. | Improved three-dimension mathematical model for voltage inversion of AC overhead transmission lines | |
Li et al. | Audible noise evaluation for six‐phase overhead lines transformed from existing three‐phase double circuit infrastructures with uprated voltages | |
Viola et al. | Finite-difference time-domain simulation of towers cascade under lightning surge conditions | |
Ostadzadeh et al. | Impact of ocean-land mixed propagation path on equivalent circuit of grounding rods | |
Asadpourahmadchali et al. | Hybrid continuous circuit‐trapezoidal integration method analysis of multi‐cross structure of grounding system | |
Li et al. | Stable thin‐wire model of buried pipe‐type power distribution cables for 3D FDTD transient simulation | |
Huang et al. | Research on impulse impedance model and protection optimization of transmission tower grounding device in mountainous area | |
Guo et al. | Channel model for low voltage three-core power line communication | |
Zhang et al. | The measurement method of tower grounding resistance with shorter measuring wire based on green's theorem | |
Karami et al. | Monte‐Carlo‐based simulation and investigation of 230 kV transmission lines outage due to lightning | |
Zhang | Computation of lightning transients in large scale multiconductor systems | |
Chen et al. | Application of tower grounding device equivalent model in the calculation of transmission line back‐flashover |
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 |