神经网络输电线路覆冰厚度预测

陶力

(云南电网公司昆明供电局,昆明 650011)

神经网络输电线路覆冰厚度预测

陶力

(云南电网公司昆明供电局,昆明 650011)

介绍了输电线路覆冰厚度计算的相关经典模型,并以PNN网络与GRNN网络为例,探讨了输电线路覆冰厚度智能检测模型。通过对模型实现、对比,分析了两种网络的优缺点,在此基础上提出综合使用两种网络的思路,以提高输电线路覆冰厚度预测的精度,减少覆冰对电网的直接和潜在危害。

输电线路覆冰;覆冰模型;覆冰厚度预测;神经网络

1 前言

冰灾是电力系统严重的威胁之一,当严重的冰灾持续来袭时,输电线路难免会出现覆冰。输电线路上的覆冰使输电线变粗,增加了输电线的重量;对于长距高压输电线来说,每个跨度的输电线都是由铁塔支撑,这样覆冰加增加了铁塔的负重,当负重达到一定的限度,轻则发生冰闪,重则造成倒塔 (杆)、断线,甚至致使电网瘫痪[1-4]。输电线路覆冰对于电网的安全运行来说是一个非常危险的自然灾害,所以急待研究解决。

2 覆冰机理的定性和影响因素

2.1 导线覆冰的定性

1)降水覆冰 (precipitation icing)。空气中的冻雨或雪花降落到表面在0℃左右的导线上形成覆冰或覆雪。这种过冷却水的过冷度与曲率半径有关,曲率半径小的大水滴其过冷却度小,曲率半径大的小水滴,其过冷却度大。过冷却水与导线接触会发生冻结,在冻结过程中水滴缓慢释放热量造成导线表面出现水膜,故常产生雨凇。

2)云中覆冰 (in-cloud icing)。高海拔地区的过冷却云雾与导线接触冻结成冰,称为云中覆冰。云中覆冰产生原因主要取决于气象参数,这是云中覆冰的特点,因雾尺寸较小,释放热量速度较快,不会在表面形成水层,所以多为雾凇。

3)升华覆冰 (sublimation)。水蒸气因冷空气直接在物体表面冻结产生的霜,也称为晶状雾凇。但其一般不会发展很大,附着力小,不会对线路产生太大影响。

2.2 导线覆冰的影响因素

导线覆冰主要有6种影响因素,其分别为：

1)气象因素,气象因素是导线覆冰产生最重要的因素。因导线覆冰受到的气候影响因素较多,在一般情况下,-5～0℃时,造成的覆冰危害最大。温度较低时,过冷却水转化为雪花,无法造成线路覆冰,而温度较高时也不可能产生覆冰。正因为如此,在冬季温度较低的华北地区反而没南方和西南地区的导线覆冰严重。同样,风速对导线覆冰的产生也有很大的影响,其中最主要的是在风速处于3～6m/s时,覆冰增长速度最快,风速超过或降低都会影响其增长速度,同时风向对覆冰的影响也很大,比如在风向-导线夹角在45°～150°时,造成的结果最为严重。

2)季节因素,通过统计得知每年覆冰多发生多在11月到次年3月之间。

3)地理因素,在风较大,湿度较大,同时地形突出的地形比其他地形产生的覆冰更严重。

4)海拔因素,在高海拔地区往往比低海拔地区造成的结果要严重。

5)线路因素,在覆冰的研究中,因导线走向问题,线路也成为了一个重要因素,其最主要的原因还是气象因素中的风速影响,当导线-风速夹角=90°时,增长最快,结果最严重。

6)导线本身因素,导线的电场会影响空气中的水,使其向导线移动,若其他因素合适就会在导线上产生覆冰。

3 基于PNN网络的覆冰检测实现

神经网络是运用样本学习,在输入和输出结点建立非线形映射关系。它可以模拟复杂的因果关系,也可以不反映输入与输出之间的实际逻辑关系或因果关系,而只是对其数量与结构关系的一种模拟。实际上,这种映射是把系统视为整体,把其运行状态作为一种模式来看待的,用样本对人工神经网络的训练也是一种模拟人的模式思维的训练。

3.1 神经网络工具箱函数

通常使用神经网络都是直接使用Matlab提供的神经网络工具箱提供的模型,这个工具箱几乎涵盖了常用的神经网络模型;同时支持拓展功能,可以使用其他非常规神经网络工具箱进行扩充。对于多种模型,工具还提供了各类学习算法,为用户节省了很多时间。Matlab工具箱中基本涵括了用于神经网络分析与设计需要使用的函数。

3.2 建立模型

在所有的神经网络建模中,必须选取最有代表性,最能反映问题的特征的特征量。如果选取的特征量不能做到尽量详细的描述问题的特征或没有足够的信息,那么网络得出的诊断结论会受到很大影响。在这个模型中数据采集自中国气象科学数据共享网[5],导线覆冰天气多出于气温-5～3℃、相对湿度≥80%、风速0～4.5m/s的情况下,以此条件筛选数据,最终获得123组数据。

3.3 程序实现

图1 程序设计流程图

本次数据是一个123×5的矩阵,前4列为覆冰环境数据,第5列为覆冰厚度。

使用前90个样本作为PNN网络的训练样本,后33个样本作为验证样本

3.4 结果分析及结论

运行程序得到以下结果

图2 训练后的训练数据网络分布图和预测数据网络的分类效果图

图2中左边表示训练后的效果,右边表示训练样本与训练结果的误差,红色星号表示预测样本,蓝色三角表示预测结果。

在本例小样本的情况下,运行程序后绘图结果在几秒后出现。

从图2可以看出来,训练后将训练数据代入已经测练好的PNN网络中,在样本不大的情况下,网络学习过程中没有出现样本判断错误,但是在进行预测的时候有4个预测样本与预测样本有误差,预测错误,在这个样本的训练和预测中误差率达到了12.12%,这是一个比较高的误差。

其原因是PNN网络全称为：概率神经网络,其基于bayes最小风险准则样本对对象进行分类,无论怎么样复杂的问题,只要有足够多的训练样本, PNN就能保证获得最小风险原则下的最优解。

而在本算例中FNN网络没有得到足够多的数据进行训练,无法形成一个准确有效的映射,所以误差较大。如果在收集样本的时候能获得更为充分的数据,PNN网络的预测精度还有很大的提升空间。

在实际应用中,需要建立一个覆冰数据库,其内容随覆冰数据的收集而变化,此时才可以体现PNN网络在样本追加能力方面的优越性。

综上所述,PNN处理输电线路覆冰问题在处理速度、追加样本能力以及实际应用方面的性能都具有优越性,PNN网络的最大缺陷在于网络需要大量的样本训练才能建立有效映射,在处理小样本问题时达不到所需要的预测精度。

由本次预测可知PNN比BP网络存在优势的地方有以下几点：

1)PNN过程简单,收敛速度极快,而BP网络在这方面由于需要调节参数过多有先天上的劣势,且PNN网络的训练只需一次就可成功,样本还可以赋值给网络。

2)PNN网络收敛于Bayes,程序运行稳定,只要有足够的样本,PNN网络可以保证在Bayes下的最优解。

3)PNN网络可以容忍少量的错误样本,而且可以随时增加新的样本不会影响到已经训练完成的样本;而BP网络则需要重新构建整个网络。

PNN网络的缺点在于所需样本数量巨大。

4 基于GRNN网络的覆冰检测实现

4.1 GRNN网络简述

广义回归神经网络 (generalized regression neural network)是1991年美国人Donald Specht提出的。GRNN是一种径向基 (RBF)神经网络,是基于人脑的神经元细胞对外界反映的局部性而提出的,是一种新颖而有效的前馈式神经网络,它不仅具有全局逼近性质,而且具有最佳逼近性质[5-6]。

GRNN的结构由四层构成,如图3,其结构接近于RBF网络。

图3 GRNN网络结构示意图

GRNN在学习上仍然使用的是BP网络的算法具有优秀的逼近性,在学习速度上优于RBF网络。只需要调节网络的spread值。网络的学习全部依赖数据样本,这个特点决定了网络可以最大限度地避免主观假定对预测结果的影响[7]。

4.2 数据归一化处理

Sigmoid函数广泛应用于前馈型升级网络。在函数中输入量过大或者过小,都会造成输出结果进入函数饱和区间。为了使样本获得最好的效果,我们必须对样本数据进行归一化处理。在这里我们需要将我们获得的样本数据需归一化在[-1,1]之间。Matlab提供了多种方法对数据进行归一化处理,这里本文选用mapminmax函数进行归一化处理。

4.3 程序实现

图4 程序设计流程图如下

4.4 结果及结论分析

输出结果为：

最佳spread值为0.04

此时最佳输出值为

desired_output=-1.000 -0.802 3 -0.804 8 -0.544 3 -0.050 0 0.041 6 0.250 8 0.493 2 1.000

最终得出 GRNN网络的预测相对误差为2.47%,在GRNN网络中spread值越小,则网络的相对误差就越小,如果 spread越增大,则GRNN对样本的逼近相对平滑,但误差也会变大,在这个程序中可以反复的选取最合适的 spread值,这种做法能显著提高工作效率,不用人工测试spread的值,能达到最优效果。

在本章中使用了GRNN网络对覆冰经行检测,经过对预测样本的对比验证确认了GRNN网络对覆冰预测的可行性和有效性。GRNN与BP相比需要调整的参数只有spread值,且可通过程序计算,所以比起BP具有更高的实用性。

在本章中提出了一种综合使用两个网络的思路,可以有效的规避两种网络的天然缺陷,达到在实际下已有样本的最优解。

5 结束语

本文选取了国家气象网的气象参数作为样本,在使用BP网络进行后最终选取了FNN网络和GRNN网络为讨论对象,最终得到结论：

1)基于PNN神经网络和GRNN神经网络理论,在matlab平台上的预测结果表明两个网络都能实现预测需要,但是GRNN网络在小样本情况下的精确性更高。

2)PNN网络相对于BP网络的优势是快速,高效,易调节,可随时加入新的样本进行网络学习,但是因样本过小的缘故,误差较大。

3)GRNN只需要调整一个spread值即可完成训练,相比BP网络的复杂参数简单,稳定很多,而且小样本时也可以达到不错的精确度,同时GRNN网络的spread的值还可以通过程序完成循环计算。

4)在复杂情况的预测时,只有小样本的情况下GRNN网络更加适合进行预测;但拥有大样本的时候PNN网络的精确性会得到提高。

5)因为本文采集的数据都是来自某一孤立气象站,这就不能完全反映当地的气候,不能真实的反映现实中发生的覆冰问题,尚需要大量不同的样本进行网络学习。

6)因覆冰模型理论的成熟度不够,所以还具有很大的局限性,还待后续理论的研究获得一个统一的线路覆冰模型,以提高精度和可靠性。

[1] 刘振亚.智能电网知识读本.中国电力出版社.2010.

[2] 高翔.提高110 kV输电线路供电可靠性措施研究.北京电力高等专科学校学报,自然科学版,2010年6期.

[3] 沈一鸣,10kV输电线路状态监测系统技术分析,华电技术,2009年11期.

[4] 李成榕,吕玉珍,艾欣等.冰雪灾害条件下我国电网安全运行面临的问题 [J].电网技术,2008,32(4)：14-32.

[5] Sprecht D F.A gerneral regression neural network[J].IEEE Trans Neural Network,1991(2)：568-576.

[6] Sprecht D F.The gerneral regression neural network rediscovered[Z].1993(6)：1 033-1 034

[7] 魏晋雁,茹锋.采用GRNN模型进行交通量预测及实现研究 [J].长沙理工大学学报,2006,22(2)：46-50.

Discussion on Forecast of Ice Thickness on Transmission Lines Based on Neural Network

TAO Li
(Yunnan Kunming Power Supply Bureau,Kunming 650011)

the Intelligent Detection Model on the thickness of ice on transmission lines is studied based on Fuzzy Neural Network (FNN)and General Regression Neural Network(GRNN)in my work.After that,the advantages and disadvantages are compared between FNN and GRNN,and the integrated use of two neural networks is proposed to improve the prediction accuracy of the thickness of ice on transmission lines and to reduce ice damage to transmission lines.

transmission line icing;icing model;ice thickness of transmission line;neural network

TM72

B

1006-7345(2014)03-0035-04

2014-02-22

陶力 (1987),云南电网公司昆明供电局,主要从事电气工程及其自动化工作 (e-mail)tttyn@163.com。