CN113139287A - 一种基于adaline神经网络和igg法的自适应抗差线路参数辨识方法 - Google Patents
一种基于adaline神经网络和igg法的自适应抗差线路参数辨识方法 Download PDFInfo
- Publication number
- CN113139287A CN113139287A CN202110433811.0A CN202110433811A CN113139287A CN 113139287 A CN113139287 A CN 113139287A CN 202110433811 A CN202110433811 A CN 202110433811A CN 113139287 A CN113139287 A CN 113139287A
- Authority
- CN
- China
- Prior art keywords
- neural network
- parameter identification
- igg
- adaline
- data
- 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 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 10
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
-
- 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
-
- 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
Abstract
本专利提出了一种基于ADALINE神经网络和IGG法的自适应抗差线路参数辨识方法。该辨识方法可准确有效地对输电线路参数进行辨识,从而保障电力系统保护整定以及状态估计的准确性。首先,建立了基于输电线路两端多时间断面PMU量测数据的输电线路参数辨识模型,以及基于ADALINE神经网络的线路参数求解模型。此外,为充分利用量测信息,将IGG抗差法与ADALINE神经网络结合,提出了一种自适应鲁棒ADALINE(ARA)参数辨识方法。另外,为提高系统鲁棒性,利用中位数估计自适应的估计方程残差序列的期望和方差,调整IGG权函数的阈值。最后,仿真算例验证了方法的有效性。
Description
技术领域
本发明涉及电力系统运行控制保护领域,尤其涉及一种基于ADALINE神经网络和IGG 法的自适应抗差线路参数辨识方法。
背景技术
随着大容量远距离高压输电、大系统互联、电网高度自动化的发展,我国电力系统已步入大电网、大机组的时代,这也带来了电网节点数量大量增加、计算量变大、安全监控难度增加等困难。其中,输电线路的工频参数是正确进行状态估计、继电保护整定计算、故障分析、网损计算等各种电力系统计算的基础。实践证明,在电力系统中,输电线路参数准确程度直接影响状态估计合格率,从而影响电力系统的安全、稳定、可靠运行,因此,需要对输电线路参数进行辨识。传统上,获得输电线路参数的方法主要有:(1)离线测量;(2)在线测量。
然而,离线测量一般是在线路投运前进行的,所获取的离线参数会由于地理环境,温度,运行条件等因素而发生缓慢变化,因此,离线测量的参数常常会偏离真值。
在线测量中,PMU数量的增加为在线线路参数辨识提供了基础,作为电网之眼,PMU可提供高精度,高上传频率的电压和电流向量,可应用于线路参数的在线辨识。
目前,现有方法能够基于无异常数据的PMU数据准确辨识线路参数,然而,由于粗差,设备老化,通信通道阻塞等等,PMU数据中常常出现异常数据。在该情况下,方法大多无法适用。因此,亟需开发出一种可抵御异常数据的线路参数辨识方法。
此外,近年来,人工智能的方法在电力系统产生了诸多应用,其中,ADALINE神经网络在发电机参数辨识等方面得到了广泛的应用,但未见线路参数辨识方面的报道。
综上,考虑到PMU数据中可能存在不良数据,因此需要开发出一种结合传统抗差方法和人工智能的新型线路参数抗差辨识方法,来抵御PMU数据中异常数据的影响。
发明内容
本发明将ADALINE神经网络和自适应抗差赋权法结合,提出一种自适应抗差ADALINE 神经网络(ARA),用于辨识输电线路参数。方法基于IGG权函数,既可以充分利用量测信息,又可以抵抗实测数据中不良数据的影响。具有较高的实用性。本发明的实现技术方案如下:
一种基于ADALINE神经网络和自适应抗差赋权法的输电线路参数在线辨识方法,其特征包含以下步骤:
步骤1:获取实测PMU数据,根据线路模型,计算输入和输出数据。
步骤2:建立ADALINE神经网络,并进行训练,训练后的ADALINE神经网络的权重即为线路参数的辨识结果。
步骤3:基于线路参数的辨识结果确定输入和输出数据的权重,并对输入输出数据进行加权。
步骤4:再次对ADALINE神经网络进行训练,并获取参数辨识结果,若满足收敛条件,则输出辨识结果,否则返回步骤3,继续辨识。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为线路参数的PI型等值模型图;
图2为本发明实施例提供的基于ADALINE神经网络和IGG抗差法的输电线路参数辨识方法流程图;
图3为ADALINE神经网络的结构图及对应的输入输出数据情况;
具体实施方式
步骤1:
基于图1,可获取如下方程,
Eq.(1)可以写成矩阵形式,此外,考虑随机量测噪声,t时刻下,Eq.(1)可被表达成如下形式:
bt=Atx+vt (2)
其中,At,bt是t时刻的PMU量测矩阵,vt是相量的残差,x是待辨识的参数。
此外,考虑多个时间断面的PMU数据,则有,
b=Ax+v (3)
其中,Eq.(3)的系数为,
A=[A1;A2;… AT]
b=[b1;b2;… bT] (4)
v=[v1;v2;… vT]
步骤2:建立ADALINE神经网络,并进行训练。
步骤2的神经网络建立如图2所示,以Eq.(3)中的A为输入数据,b为输出数据,基于Levenberg-Marquardt(LM)算法,对神经网络进行训练,训练所获取的权重,即为线路参数。
步骤3:基于训练后的神经网络确定输入和输出数据的权重,并对输入输出数据进行加权。
基于方程的残差,通过IGG抗差法和中位数估计确定权重,具体地,
其中,
s取1.0~1.5,r取2.5~3.0
基于上述公式,可对输入数据进行赋权,即,
输入数据:
[Ai1 Ai2 … Ain]→Ri[Ai1 Ai2 … Ain] (9)
输出数据:
bi→Ribi (10)
步骤4:应用赋权后的输入、输出数据,再次对ADALINE神经网络进行训练,并获取参数辨识结果,若满足收敛条件,则输出辨识结果,否则返回步骤3,继续辨识。
训练方法与步骤2相同,但是使用不同的输入数据。收敛条件设置为,ΔR=0.0001,Δ X=0.001,ΔB=0.001×10-4.
下面以实施例来对本发明所述方法进行论证。
本实施例在PSCAD中建立220kV,40km的单回输电线路,其中线路参数为R=0.7126Ω, X=12.55Ω,B=1.4623×10-4S.数据上传频率25Hz
设置负载为34+j8MVA,获取正序电压相量,电流相量,有功功率,无功功率,共500组仿真PMU数据,并在仿真数据中添加60dB的噪声。
此外,为模拟实测中出现的异常数据,在20%的电压幅值数据中添加坏数据,添加方式如下,
U′m=Um×(1+0.2) (11)
进一步地,应用所提方法进行线路参数辨识,辨识结果如下:
由上表可见,所提方法能够在量测数据中出现异常数据时准确辨识线路参数,说明方法有效。
综上,本发明所述的基于ADALINE神经网络和IGG抗差法的线路参数辨识方法可行,且具有工程应用价值。
值得注意的是,本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述,仅为本发明较佳的具体实施方式,但发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或者替换,都应涵盖在本发明的保护范围内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于ADALINE神经网络和IGG法的自适应抗差线路参数辨识方法,其特征包含以下步骤:
步骤1:基于线路参数的辨识模型,获取输入和输出数据。
步骤2:建立ADALINE神经网络,并进行训练。
步骤3:基于训练后的神经网络确定输入和输出数据的权重,并对输入输出数据进行加权。
步骤4:再次对ADALINE神经网络进行训练,并获取参数辨识结果,若满足收敛条件,则输出辨识结果,否则返回步骤3,继续辨识。
2.根据要求1所述的基于ADALINE神经网络和IGG法的自适应抗差线路参数辨识方法,其特征在于,所述步骤1中,以ADALINE神经网络的权重作为参数辨识的输出量,并基于输电线路的参数辨识模型,确定适合ADALINE神经网络的输入和输出数据。
具体地,用于训练ADALINE神经网络的输入数据和输出数据应满足如下条件:
将(1)写成矩阵形式,即,
bt=Atx+vt (2)
将(2)拓展至多个时间断面,即,
b=Ax+v (3)
其中,Eq.(3)的系数为,
A=[A1;A2;…AT]
b=[b1;b2;…bT] (4)
v=[v1;v2;…vT]
以A为输入数据,b为输出数据,v为方程的残差。
3.根据要求1所述的基于ADALINE神经网络和IGG法的自适应抗差线路参数辨识方法,其特征在于,所述步骤2中,基于Levenberg-Marquardt(LM)算法,以及步骤1中的输入、输出数据,对ADALINE神经网络进行训练。
5.根据要求1所述的基于ADALINE神经网络和IGG法的自适应抗差线路参数辨识方法,其特征在于,所述步骤4中,基于加权后的输入数据和输出数据,训练神经网络,获取参数的辨识结果,若满足收敛条件,则输出辨识结果,否则返回步骤3,继续辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433811.0A CN113139287A (zh) | 2021-04-22 | 2021-04-22 | 一种基于adaline神经网络和igg法的自适应抗差线路参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433811.0A CN113139287A (zh) | 2021-04-22 | 2021-04-22 | 一种基于adaline神经网络和igg法的自适应抗差线路参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139287A true CN113139287A (zh) | 2021-07-20 |
Family
ID=76813416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110433811.0A Pending CN113139287A (zh) | 2021-04-22 | 2021-04-22 | 一种基于adaline神经网络和igg法的自适应抗差线路参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139287A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443253A (zh) * | 2016-09-21 | 2017-02-22 | 河海大学 | 一种基于pmu数据的输电线路参数辨识方法 |
CN107942160A (zh) * | 2017-11-07 | 2018-04-20 | 国电南瑞科技股份有限公司 | 基于bp神经网络的线路参数特性辨识模型的建立方法 |
-
2021
- 2021-04-22 CN CN202110433811.0A patent/CN113139287A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443253A (zh) * | 2016-09-21 | 2017-02-22 | 河海大学 | 一种基于pmu数据的输电线路参数辨识方法 |
CN107942160A (zh) * | 2017-11-07 | 2018-04-20 | 国电南瑞科技股份有限公司 | 基于bp神经网络的线路参数特性辨识模型的建立方法 |
Non-Patent Citations (2)
Title |
---|
ANCHENG XUE等: "A New Robust Identification Method for Transmission Line Parameters Based on ADALINE and IGG Method", IEEE ACCESS, vol. 8, 20 July 2020 (2020-07-20), pages 132960, XP011801207, DOI: 10.1109/ACCESS.2020.3010419 * |
薛安成等: "基于中位数估计和相分量模型的输电线路序参数在线抗差辨识", 电力自动化设备, vol. 38, no. 08, 2 August 2018 (2018-08-02), pages 88 - 94 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dasgupta et al. | Line parameter estimation using phasor measurements by the total least squares approach | |
US5627760A (en) | Method and apparatus for real time recursive parameter energy management system | |
CN108205114B (zh) | 电池寿命的预测方法及系统 | |
CN111628501A (zh) | 一种交直流大电网暂态电压稳定评估方法及系统 | |
CN108767848B (zh) | 一种电力系统脆弱线路辨识及连锁故障预防方法 | |
CN103066591B (zh) | 一种基于实时测量的电网参数偏差识别方法 | |
Vaahedi et al. | A general purpose method for on-line dynamic security assessment | |
US20230305050A1 (en) | State estimation method for multi-stage voltage sag | |
CN103886193A (zh) | 一种电力系统模糊自适应抗差估计方法 | |
CN103034787A (zh) | 一种微电网状态估计的方法 | |
Zografos et al. | Estimation of power system inertia using particle swarm optimization | |
Barzegkar-Ntovom et al. | Robust framework for online parameter estimation of dynamic equivalent models using measurements | |
CN116031867A (zh) | 一种电网暂态安全稳定性评估方法 | |
CN115169704A (zh) | 基于增量集成学习模型的cvt误差状态预测方法和装置 | |
CN111563626B (zh) | 一种电力系统预测辅助状态估计方法及系统 | |
CN113139287A (zh) | 一种基于adaline神经网络和igg法的自适应抗差线路参数辨识方法 | |
CN113537338A (zh) | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 | |
CN115292901A (zh) | 变压器运行状态的评估方法和装置 | |
CN109444527B (zh) | 含动态元件电力系统的中长期电压稳定性监测方法 | |
Al-Sarray et al. | A risk-based reliability method for N-1-1 contingency analysis | |
CN113919198A (zh) | 一种基于生成对抗网络的电气火灾监测预警方法 | |
CN109739210B (zh) | 设备部件健康状态的评估方法及装置 | |
CN114019296A (zh) | 一种基于bp神经网络的配电线路接地故障辨识方法 | |
CN110112732B (zh) | 一种基于区间概率网源相关的核电机组故障概率的计算方法 | |
Kumar et al. | Effect of bad measurements on state estimation in power system |
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 |