CN113945765B - 一种特高压交流输电线路的电晕损耗评估方法 - Google Patents
一种特高压交流输电线路的电晕损耗评估方法 Download PDFInfo
- Publication number
- CN113945765B CN113945765B CN202111285927.0A CN202111285927A CN113945765B CN 113945765 B CN113945765 B CN 113945765B CN 202111285927 A CN202111285927 A CN 202111285927A CN 113945765 B CN113945765 B CN 113945765B
- Authority
- CN
- China
- Prior art keywords
- corona loss
- dbn model
- model
- rbm
- value
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种特高压交流输电线路的电晕损耗评估方法。仅将输电线路相应地区的降雨量、比湿、温度、相对湿度、压强作为特征值,将其输入到训练好的PSO‑DBN智能算法模型中,即可快速求出相对应时刻的特高压交流输电线路电晕损耗。
Description
技术领域
本发明属于电力设备领域,具体涉及一种特高压交流输电线路的电晕损耗评估方法。
背景技术
现如今获取特高压交流输电线路的电晕损耗方式有很多,大致可将其划分为三种方式。第一种是通过相关经验或计算公式对特高压交流输电线路电晕损耗进行求取,例如皮克公式等。第二种是通过在特高压交流输电线路上加装相应的检测设备,根据所采集的信息获取电晕损耗。第三种是通过试验获得理想条件下的电晕损耗,再通过经验公式或智能算法拟合实际特高压交流输电线路电晕损耗。
目前,获取特高压交流输电线路电晕损耗的各种方式都有其缺陷及不足。第一种通过相关经验或计算公式进行电晕损耗求取,其方法有很多,但是其缺点是精度不高,且泛化能力较弱,有些电晕损耗公式只适合特定型号、特定情况的输电线路,难以满足现代特高压交流输电线路对电晕损耗获取的需求。第二种通过在特高压交流输电线路上加装检测设备,可通过实时采集的数据进行电晕损耗求取,更贴近真实电晕损耗,但是其缺点是设备需要额外投入资金,且需要人工进行维护,增加了电网运维成本,同时无法获得设备安装之前及预测未来一段时间的电晕损耗数据,具有很大的局限性。第三种通过试验获得理想条件下的电晕损耗,再通过经验公式或智能算法拟合实际特高压交流输电线路电晕损耗,其缺点是试验中理想条件下获得的电晕损耗数据较少,且与实际特高压输电线路电晕损耗关联性较弱。
发明内容
本发明的目的在于提供一种特高压交流输电线路的电晕损耗评估方法,其核心是特征值的选取与PSO-DBN智能算法;通过电网与气象局采集的相关信息,可求得相应信息时刻的电晕损耗,精度高,具有很强的泛化能力,几乎无需人工维护,经济性良好,与实际电晕损耗关联性高。
为实现上述目的,本发明的技术方案是:一种特高压交流输电线路的电晕损耗评估方法,包括如下步骤:
步骤S1、特征值的选取与处理:
S11、特征值相关性分析:根据对电晕损耗的影响大小,选取电晕损耗有较强的相关性的降雨量、比湿、温度、相对湿度、压强作为特征值,将电网采集的电晕损耗作为标签;
S12、归一化:对所选取的特征值通过归一化消除量纲对最终结果的影响,使不同变量具有可比性,归一化公式为:
其中,x'为归一化后的数值,max为样本中最大值,min为样本中最小值;
步骤S13、将归一化后的特征值样本数据集按训练集与测试集7:3的比例进行划分;
步骤S2、构建并训练深度信念网络DBN模型:采用两层RBM结构的DBN模型,将训练集输入DBN模型进行训练,再将测试集输入已经训练好的DBN模型进行预测评估;其中,特征值作为DBN模型输入,标签作为DBN模型输出;
步骤S3、DBN模型网络参数优化:采用粒子群算法PSO对DBN模型网络参数进行寻优,即根据寻优目标,对待优化网络参数设置寻优的区间:第一层RBM的神经元数L1∈[200,1000],第二层RBM的神经元数L2∈[400,1000],RBM样本批次大小∈[10,100],RBM迭代次数∈[100,1000],BP样本批次大小∈[1,30];PSO内部参数设置为:c1=2.6、c2=0.6、ωmax=0.9、ωmin=0.4、种群数量为50、迭代次数为50次,并采用如下公式作为适应度函数;
式中,turei表示真实电晕损耗值,predi表示预测电晕损耗值,N表示测试定位样本个数;
步骤S4、将步骤S3优化后的网络参数返回步骤S2的DBN模型,直至满足寻优条件,寻优条件为迭代次数50次,输出最优DBN模型;
步骤S5、将待预测特征值数据集输入最优DBN模型,即可得到相对应时刻的电晕损耗评估值。
在本发明一实施例中,步骤S2中,DBN模型中加入优化学习率模型ReduceLROnPlateau与早停模型EarlyStopping,因此RBM学习率、BP网络层学习率、BP网络层迭代次数不参加步骤S3的DBN模型网络参数优化。
相较于现有技术,本发明具有以下有益效果:
1、相较于用传统公式法求取电晕损耗,本方法精确度更高,泛化能力更强。
2、相较于增加设备获取电晕损耗,本方法可获取设备安装前及未来一段时间内的电晕损耗,且几乎无需人工维护,资金投入较低,符合电网经济运行的需求。
3、相较于通过试验获得理想条件下的电晕损耗,再通过经验公式或智能算法拟合实际特高压交流输电线路电晕损耗,本方法与实际电晕损耗关联性高。
附图说明
图1为本发明方法流程图。
图2为二月上半月每日电晕损耗评估结果折线图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明一种特高压交流输电线路的电晕损耗评估方法,包括如下步骤:
步骤S1、特征值的选取与处理:
S11、特征值相关性分析:根据对电晕损耗的影响大小,选取电晕损耗有较强的相关性的降雨量、比湿、温度、相对湿度、压强作为特征值,将电网采集的电晕损耗作为标签;
S12、归一化:对所选取的特征值通过归一化消除量纲对最终结果的影响,使不同变量具有可比性,归一化公式为:
其中,x'为归一化后的数值,max为样本中最大值,min为样本中最小值;
步骤S13、将归一化后的特征值样本数据集按训练集与测试集7:3的比例进行划分;
步骤S2、构建并训练深度信念网络DBN模型:采用两层RBM结构的DBN模型,将训练集输入DBN模型进行训练,再将测试集输入已经训练好的DBN模型进行预测评估;其中,特征值作为DBN模型输入,标签作为DBN模型输出;
步骤S3、DBN模型网络参数优化:采用粒子群算法PSO对DBN模型网络参数进行寻优,即根据寻优目标,对待优化网络参数设置寻优的区间:第一层RBM的神经元数L1∈[200,1000],第二层RBM的神经元数L2∈[400,1000],RBM样本批次大小∈[10,100],RBM迭代次数∈[100,1000],BP样本批次大小∈[1,30];PSO内部参数设置为:c1=2.6、c2=0.6、ωmax=0.9、ωmin=0.4、种群数量为50、迭代次数为50次,并采用如下公式作为适应度函数;(DBN模型中加入优化学习率模型ReduceLROnPlateau与早停模型EarlyStopping,因此RBM学习率、BP网络层学习率、BP网络层迭代次数不参加步骤S3的DBN模型网络参数优化)
式中,turei表示真实电晕损耗值,predi表示预测电晕损耗值,N表示测试定位样本个数。
步骤S4、将步骤S3优化后的网络参数返回步骤S2的DBN模型,直至满足寻优条件,寻优条件为迭代次数50次,输出最优DBN模型;
步骤S5、将待预测特征值数据集输入最优DBN模型,即可得到相对应时刻的电晕损耗评估值。
以下为本发明具体实现过程。
如图1所示,本发明一种特高压交流输电线路的电晕损耗评估方法,包括:
(1)特征值的选取与处理
1、特征值相关性分析
电晕损耗与电晕放电密切相关,而影响电晕放电的因素很多,由于受到各种因素的影响,电晕损耗的数值变化范围也很大,其中气象条件对于电晕损耗的影响特别突出。晴朗天气和大雨天气的电晕损耗值最多可以相差40%。其他特殊天气,例如温度、降雨等均对电晕功率损耗有不同程度的影响。通过查阅文献可知,降雨量、比湿、温度、相对湿度与压强与电晕损耗有较强的相关性,固选取此五种天气因素为特征值。
2、归一化
根据所选取的特征值可知,不同的天气因素,其数值有很大的不同,例如降雨量与压强,其在数值上可能存在上百倍的差距,在进行模型训练与测试时,可能将数值较小的特征量完全掩盖,使特征值数量减少,给最后的预测结果造成极大的影响。而归一化可以消除量纲对最终结果的影响,使不同变量具有可比性。其公式为
其中,x'为归一化后的数值,max为样本中最大值,min为样本中最小值;
归一化处理仅针对特征值,标签不做处理。
选取部分特征值,归一化处理前,其值为表1。
表1归一化处理前部分特征值
通过公式进行归一化后,其特征值为表2。
表2归一化处理后部分特征值
降雨量 | 气温 | 压强 | 相对湿度 | 比湿 |
0.000869565 | 0.415976 | 1 | 0.403526 | 0.324341 |
0.000759339 | 0.682609 | 0.895132 | 0.732639 | 0.664425 |
0.0129333 | 0.703339 | 0.718778 | 0.934694 | 0.746302 |
0.00249847 | 0.751673 | 0.647787 | 0.909735 | 0.79345 |
0.0087079 | 0.777722 | 0.605273 | 0.846255 | 0.818052 |
0.00224127 | 1 | 0.163487 | 0.576946 | 1 |
0.00273117 | 0.515756 | 0.256208 | 0.528733 | 0.502808 |
0 | 0.224377 | 0.567482 | 0.160417 | 0.0957203 |
0.218714 | 0.517926 | 0.234164 | 0.356774 | 0.375841 |
1 | 0.583879 | 0 | 0.867561 | 0.60905 |
0.458506 | 0.208965 | 0.174195 | 1 | 0.285104 |
0 | 0 | 0.342631 | 0.356068 | 0 |
0 | 0.246843 | 0.325535 | 0 | 0.0776046 |
0.303539 | 0.11085 | 0.588582 | 0.62567 | 0.124278 |
0.000869565 | 0.415976 | 1 | 0.403526 | 0.324341 |
将所有特征值进行归一化处理,以备进行模型训练与预测。
(2)深度信念网络
DBN是由多个RBM堆栈而成,其主要思想在于运用逐层无监督学习方法提取内在特征,并利用有监督学习构建特征与目标输出的映射关系。本方法采用两层RBM结构的DBN模型。
输入训练集数据进入DBN模型以进行训练,再将预测集数据输入进已经训练好的DBN模型进行预测评估。在对DBN模型进行训练与预测之前,需要将数据集进行划分。按照经验比例,将训练集与测试集按照7:3的比例进行划分,其中70%的数据归为训练集,30%的数据归为测试集。本数据集有366组数据,其中256组归为训练集,110组归为测试集。
从256组训练集中随机选取5组,其数据为表3。
表3部分训练集数值
从110组训练集中随机选取5组,其数据为表4
表4部分测试集数值
(3)粒子群优化算法
DBN模型性能的好坏不仅依赖于预训练阶段和微调阶段的相互配合,同时也与模型各参数的设置密切相关。DBN模型主要包括RBM层数、RBM层神经元数以及RBM与BP层的学习率数等重要内部参数。
DBN模型在训练过程中会由于模型参数选择不当而陷入局部最优,因此,本方法利用粒子群算法(Particle Swarm Optimization,PSO)对DBN网络参数进行寻优,以取得最佳的电晕损耗评估效果。
(4)PSO寻优参数设置与寻优结果
在明确优化的目标后,对待优化参数设置寻优的区间:第一层RBM的神经元数L1∈[200,1000],第二层RBM的神经元数L2∈[400,1000],RBM样本批次大小∈[10,100],RBM迭代次数∈[100,1000],BP样本批次大小∈[1,30]。PSO内部参数设置为:c1=2.6、c2=0.6、ωmax=0.9、ωmin=0.4、种群数量为50、迭代次数为50次,并采用如下公式作为适应度函数。
式中,turei表示真实电晕损耗值,predi表示预测电晕损耗值,N表示测试定位样本个数。
将PSO寻优得到的内部参数作为DBN模型最优内部参数。PSO寻优结果如表5所示。
表5PSO寻优选择参数
模型参数 | PSO寻优选择参数 |
L1 | 434 |
L2 | 740 |
RBM样本批次大小 | 20 |
RBM迭代次数 | 482 |
BP样本批次大小 | 3 |
(5)DBN模型参数
在python软件中,基于tensorflow框架搭建出DBN智能算法。因在模型中加入了优化学习率模型ReduceLROnPlateau与早停模型EarlyStopping,故RBM学习率、BP网络层学习率、BP网络层迭代次数不参加寻优。内部设置具体参数如表6所示。
表6DBN模型参数设置
模型参数 | DBN模型参数 |
L1 | 434 |
L2 | 740 |
RBM样本批次大小 | 20 |
RBM迭代次数 | 482 |
BP样本批次大小 | 3 |
RBM学习率 | 0.005 |
BP网络层学习率 | 0.001 |
BP网络层迭代次数 | 2000 |
(6)评估结果
评估结果一:二月上半月每日电晕损耗评估结果与折线图如表7,图2所示
表7二月上半月每日电晕损耗评估结果表
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (2)
1.一种特高压交流输电线路的电晕损耗评估方法,其特征在于,包括如下步骤:
步骤S1、特征值的选取与处理:
S11、特征值相关性分析:根据对电晕损耗的影响大小,选取电晕损耗有较强的相关性的降雨量、比湿、温度、相对湿度、压强作为特征值,将电网采集的电晕损耗作为标签;
S12、归一化:对所选取的特征值通过归一化消除量纲对最终结果的影响,使不同变量具有可比性,归一化公式为:
其中,x'为归一化后的数值,max为样本中最大值,min为样本中最小值;
步骤S13、将归一化后的特征值样本数据集按训练集与测试集7:3的比例进行划分;
步骤S2、构建并训练深度信念网络DBN模型:采用两层RBM结构的DBN模型,将训练集输入DBN模型进行训练,再将测试集输入已经训练好的DBN模型进行预测评估;其中,特征值作为DBN模型输入,标签作为DBN模型输出;
步骤S3、DBN模型网络参数优化:采用粒子群算法PSO对DBN模型网络参数进行寻优,即根据寻优目标,对待优化网络参数设置寻优的区间:第一层RBM的神经元数L1∈[200,1000],第二层RBM的神经元数L2∈[400,1000],RBM样本批次大小∈[10,100],RBM迭代次数∈[100,1000],BP样本批次大小∈[1,30];PSO内部参数设置为:c1=2.6、c2=0.6、ωmax=0.9、ωmin=0.4、种群数量为50、迭代次数为50次,并采用如下公式作为适应度函数;
式中,turei表示真实电晕损耗值,predi表示预测电晕损耗值,N表示测试定位样本个数;
步骤S4、将步骤S3优化后的网络参数返回步骤S2的DBN模型,直至满足寻优条件,寻优条件为迭代次数50次,输出最优DBN模型;
步骤S5、将待预测特征值数据集输入最优DBN模型,即可得到相对应时刻的电晕损耗评估值。
2.根据权利要求1所述的一种特高压交流输电线路的电晕损耗评估方法,其特征在于,步骤S2中,DBN模型中加入优化学习率模型ReduceLROnPlateau与早停模型EarlyStopping,因此RBM学习率、BP网络层学习率、BP网络层迭代次数不参加步骤S3的DBN模型网络参数优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111285927.0A CN113945765B (zh) | 2021-11-02 | 2021-11-02 | 一种特高压交流输电线路的电晕损耗评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111285927.0A CN113945765B (zh) | 2021-11-02 | 2021-11-02 | 一种特高压交流输电线路的电晕损耗评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113945765A CN113945765A (zh) | 2022-01-18 |
CN113945765B true CN113945765B (zh) | 2023-09-19 |
Family
ID=79337375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111285927.0A Active CN113945765B (zh) | 2021-11-02 | 2021-11-02 | 一种特高压交流输电线路的电晕损耗评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113945765B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU1786590C (ru) * | 1990-08-31 | 1993-01-07 | Я.Д.Баркан | Способ определени характеристик потерь мощности на корону на линии электропередачи |
CN102353846A (zh) * | 2011-06-17 | 2012-02-15 | 西安交通大学 | 一种输电线路电晕损耗在线监测的测量方法 |
CN104698265A (zh) * | 2015-03-27 | 2015-06-10 | 国家电网公司 | 一种高压直流输电线路电晕损耗测量系统 |
CN107255753A (zh) * | 2017-06-15 | 2017-10-17 | 中国电力科学研究院 | 一种高压直流线路电晕损耗转化方法及其实现系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
-
2021
- 2021-11-02 CN CN202111285927.0A patent/CN113945765B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU1786590C (ru) * | 1990-08-31 | 1993-01-07 | Я.Д.Баркан | Способ определени характеристик потерь мощности на корону на линии электропередачи |
CN102353846A (zh) * | 2011-06-17 | 2012-02-15 | 西安交通大学 | 一种输电线路电晕损耗在线监测的测量方法 |
CN104698265A (zh) * | 2015-03-27 | 2015-06-10 | 国家电网公司 | 一种高压直流输电线路电晕损耗测量系统 |
CN107255753A (zh) * | 2017-06-15 | 2017-10-17 | 中国电力科学研究院 | 一种高压直流线路电晕损耗转化方法及其实现系统 |
Non-Patent Citations (1)
Title |
---|
1000kV特高压交流输电线路电晕损耗估算方法;刘文勋;赵全江;张瑚;李翔;康励;赵远涛;;电力建设(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113945765A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN110135612B (zh) | 基于用电量分析的物资供应商生产能力监控及异常预警方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN106815652A (zh) | 一种基于大数据相关性分析的配电网供电可靠性预测方法 | |
CN113515512B (zh) | 一种工业互联网平台数据的质量治理及提升方法 | |
CN111144440A (zh) | 一种专变用户日电力负荷特征的分析方法及装置 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN116187836A (zh) | 一种电力物资质量评价及抽检方法 | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN113128567A (zh) | 一种基于用电量数据的异常用电行为识别方法 | |
CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN110991510B (zh) | 不平衡分类学习的泛化低压异常箱表关系识别方法及系统 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN113608223B (zh) | 基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法 | |
CN113030633B (zh) | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 | |
CN113945765B (zh) | 一种特高压交流输电线路的电晕损耗评估方法 | |
CN110059871B (zh) | 光伏发电功率预测方法 | |
CN110991723A (zh) | 一种人工智能在季节性负荷预测中的应用方法 | |
CN114118592B (zh) | 一种智能电网用电端短期能耗预测系统 | |
CN113239730B (zh) | 一种基于计算机视觉的结构虚假模态参数自动剔除方法 |
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 |