基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型的制作方法
【專利摘要】本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰組合預(yù)測模型，包括讀入微氣象參數(shù)，構(gòu)成訓(xùn)練樣本；修正網(wǎng)絡(luò)的權(quán)值，引入閾值；獲取覆冰厚度基本分量；讀入桿塔位置信息；建立海拔高度隸屬度函數(shù)和大區(qū)域水汽距離隸屬度函數(shù)；建立誤差校正隸屬度函數(shù)，形成模糊規(guī)則庫并通過解模糊化得出校正系數(shù)；對神經(jīng)網(wǎng)絡(luò)計算結(jié)果和模糊邏輯補償結(jié)果進行組合。本專利結(jié)合地理位置信息的輸電線路覆冰預(yù)測組合模型相比以往的全局模型和單純的BP神經(jīng)網(wǎng)絡(luò)有更高的預(yù)測精度，并在實際應(yīng)用中取得了良好的效果。
【專利說明】基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型
【技術(shù)領(lǐng)域】
[0001]本發(fā)明提出了一種基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰組合預(yù)測模型，屬于電力系統(tǒng)安全防護領(lǐng)域。
【背景技術(shù)】
[0002]輸電線路作為電力系統(tǒng)的動脈，為用戶用電及電網(wǎng)之間的協(xié)作運行提供了通道，其重要地位毋庸置疑。然而，由于線路長期曝露野外，不僅存在著自然老化、劣化問題，而且還是一個巨大的環(huán)境災(zāi)害承載體，使其成為電力系統(tǒng)中最為脆弱的部分。尤其是在冬季，一些地區(qū)線路覆冰較為嚴重，導(dǎo)致鐵塔扭曲、倒塔、斷線等故障時有發(fā)生，無法保證用戶供電的可持續(xù)性，給生產(chǎn)、生活造成嚴重的影響。同時，也使搶修工作困難度增加。因此，如何防治輸電線路的覆冰災(zāi)害已成為智能電網(wǎng)建設(shè)中亟待解決的問題之一。其也引起了國內(nèi)外學(xué)者以及科研機構(gòu)的廣泛關(guān)注。
[0003]通過查閱大量文獻，發(fā)現(xiàn)目前關(guān)于電力線路的覆冰預(yù)測模型雖然總類繁多，但其本質(zhì)不外乎是基于數(shù)學(xué)的經(jīng)驗公式或是基于智能算法的覆冰模型。
[0004]其中，俄、加、美、等國的研究人員對線路覆冰進行了大量的研究，在導(dǎo)線覆冰的機理、導(dǎo)線覆冰荷載等領(lǐng)域取得了大量的理論成果和產(chǎn)品，但他們的研究較多的是線路覆冰的數(shù)學(xué)經(jīng)驗公式。然而，此方法在實際的應(yīng)用中往往缺乏詳盡的數(shù)據(jù)支持，而限制該方法的應(yīng)用和擴展。
[0005]在國內(nèi)，各設(shè)計、科研及運行單位也進行了大量的研究工作，重慶大學(xué)提出了多種基于數(shù)學(xué)算法及智能算法的覆冰模型，取得了許多卓有成效的成果，但他們的研究成果很少涉及將輸電線路覆冰與某地區(qū)的微氣象條件結(jié)合起來。換而言之，研究分析的基本上是大范圍、全局的線路覆冰模型。然而，在覆冰倒塔的多發(fā)地段，大多數(shù)情況下是由該地段惡劣的微氣象條件所致，因此全局模型在該地段并不適用。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于:提出一種基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰組合預(yù)測模型，將神經(jīng)網(wǎng)絡(luò)與模糊邏輯算法結(jié)合，充分結(jié)合微氣象參數(shù)，預(yù)測輸電線路的覆冰厚度，建立輸電線路覆冰模型，為輸電線路的鋪設(shè)提供參考，維護電力系統(tǒng)安全。
[0007]本發(fā)明的解決方案是:一種基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型，其特征在于，包括如下步驟:
[0008]步驟1:讀入歷史微氣象點的微氣象參數(shù)，構(gòu)成訓(xùn)練樣本；微氣象參數(shù)包括環(huán)境溫度、環(huán)境風速、環(huán)境濕度、湖泊距離、海拔高度和實際冰厚；
[0009]步驟2:確定BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)，利用數(shù)據(jù)處理公式修正網(wǎng)絡(luò)的權(quán)值Wij，引入閾值0J;
[0010]步驟3:完成神經(jīng)網(wǎng)絡(luò)迭代過程，得到覆冰厚度基本分量Opi ；
[0011]步驟4:讀入桿塔位置信息；桿塔位置信息包括海拔高度、大區(qū)域水汽距離、環(huán)境溫度、平均風向、環(huán)境濕度。
[0012]步驟5:加入模糊邏輯補償?shù)姆椒?，基于地理位置因素，分別針對海拔高度和大區(qū)域水汽距離建立海拔高度隸屬度函數(shù)和大區(qū)域水汽距離隸屬度函數(shù)；
[0013]步驟6:依據(jù)海拔高度隸屬度函數(shù)和大區(qū)域水汽距離隸屬度函數(shù)，建立誤差校正隸屬度函數(shù)，形成模糊規(guī)則庫并通過解模糊化得出校正系數(shù)；一般大區(qū)域水汽指湖泊，大區(qū)域水汽距離標準采樣點與湖泊之間的距離；
[0014]步驟7，對神經(jīng)網(wǎng)絡(luò)計算結(jié)果和模糊邏輯補償結(jié)果進行組合，得出基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰組合預(yù)測模型。
[0015]步驟2中BP神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層和輸出層；所述BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)包括輸入層神經(jīng)元、隱含層神經(jīng)元和輸出層神經(jīng)元；所述輸入層神經(jīng)元包括環(huán)境溫度、環(huán)境風速、環(huán)境濕度和實際冰厚，通過歷史的輸入模型確定各個微氣象點的氣象參數(shù)輸入類型；所述隱含層神經(jīng)元為隱含層的節(jié)點，所述隱含層的節(jié)點在訓(xùn)練過程中根據(jù)訓(xùn)練精度進行節(jié)點數(shù)調(diào)整；所述輸出層神經(jīng)元為覆冰厚度h-；
[0016]修正網(wǎng)絡(luò)的權(quán)值Wij和閾值Θ j具體包括以下步驟:
[0017]假設(shè)輸入的氣象參數(shù)有η個，且隱含層有m個神經(jīng)元，k個樣本的誤差計算公式為式(I):
【權(quán)利要求】
1.一種基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型，其特征在于，包括如下步驟: 步驟1:讀入歷史微氣象點的微氣象參數(shù)，構(gòu)成訓(xùn)練樣本； 步驟2:確定BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)，利用數(shù)據(jù)處理公式修正網(wǎng)絡(luò)的權(quán)值Wij，引入閾值 步驟3:完成神經(jīng)網(wǎng)絡(luò)迭代過程，得到覆冰厚度基本分量Opi ； 步驟4:讀入桿塔位置信息； 步驟5:加入模糊邏輯補償?shù)姆椒?，基于地理位置因素，分別針對海拔高度和大區(qū)域水汽距離建立海拔高度隸屬度函數(shù)和大區(qū)域水汽距離隸屬度函數(shù)； 步驟6:依據(jù)海拔高度隸屬度函數(shù)和大區(qū)域水汽距離隸屬度函數(shù)，建立誤差校正隸屬度函數(shù)，形成模糊規(guī)則庫并通過解模糊化得出校正系數(shù)； 步驟7， 對神經(jīng)網(wǎng)絡(luò)計算結(jié)果和模糊邏輯補償結(jié)果進行組合，得出基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰組合預(yù)測模型。
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型，其特征在于:步驟I中所述微氣象參數(shù)包括環(huán)境溫度、環(huán)境風速、環(huán)境濕度、湖泊距離、海拔高度和實際冰厚。
3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型，其特征在于: 所述步驟2中BP神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層和輸出層；所述BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)包括輸入層神經(jīng)元、隱含層神經(jīng)元和輸出層神經(jīng)元；所述輸入層神經(jīng)元包括環(huán)境溫度、環(huán)境風速、環(huán)境濕度和實際冰厚，通過歷史的輸入模型確定各個微氣象點的氣象參數(shù)輸入類型；所述隱含層神經(jīng)元為隱含層的節(jié)點，所述隱含層的節(jié)點在訓(xùn)練過程中根據(jù)訓(xùn)練精度進行節(jié)點數(shù)調(diào)整；所述輸出層神經(jīng)元為覆冰厚度h-。
4.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型，其特征在于，所述步驟2修正網(wǎng)絡(luò)的權(quán)值Wij和閾值Θ j具體包括以下步驟: 假設(shè)輸入的氣象參數(shù)有η個，且隱含層有m個神經(jīng)元，k個樣本的誤差計算公式為式
5.根據(jù)權(quán)利要求3所述的基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型，其特征在于:所述步驟3中基于BP神經(jīng)網(wǎng)絡(luò)迭代算法，將輸出層神經(jīng)元覆冰厚度Iitjki進行修正后，得到覆冰厚度基本分量Qpi，覆冰厚度基本分量Qpi計算公式為式(7): Opi = Z (Vjtij) (i=l, 2,.....m)(7) z O表示覆冰厚度基本分量Opi輸出函數(shù)，為隱含層神經(jīng)元i與輸出層神經(jīng)元j的連接權(quán)，Vi為隱含層節(jié)點輸出。
6.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型其特征在于:所述步驟4中桿塔位置信息包括海拔高度、大區(qū)域水汽距離、環(huán)境溫度、平均風向、環(huán)境濕度。
7.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型，其特征在于， 步驟5大區(qū)域水汽距離隸屬度函數(shù)建立，包括以下步驟:采用7種模糊語言變量值NB 1、NMl、NS 1、ZE1、PS1、PMl、PB I對大區(qū)域水汽距離進行模糊化，形成7個模糊集，所述NB 1、匪1、NSU ZEU PSU PMU PBl分別表示采樣點距離大區(qū)域水汽距離負大、負中、負小、零、正小、正中和正大； 海拔高度隸屬度函數(shù)建立，包括以下步驟:采用4種模糊語言變量值A(chǔ)L、AM、AH、AU，對線路所處的海拔高度進行了模糊化，其中AL、AM、AH、AU分別表示輸電線路桿塔海拔高度的低、中、高、極高四個不同高度。
8.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型，其特征在于，步驟6所述誤差校正隸屬度函數(shù)建立包括以下步驟:取5個模糊變量，NB2、NS2、ZE2、PS2、PB2建立校正系數(shù)隸屬度函數(shù)；NB2、NS2、ZE2、PS2、PB2表示線路覆冰影響系數(shù)負大、負小、零、正小和正大。
9.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型，其特征在于， 步驟6模糊規(guī)則庫建立包括以下步驟，根據(jù)海拔高度隸屬度函數(shù)、大區(qū)域水汽距離建立隸屬度函數(shù)和歷史運行經(jīng)驗，采用模糊條件語句if…and...then的推理方法、建立模糊規(guī)則庫； 依據(jù)大區(qū)域水汽距離隸屬度函數(shù)和海拔高度隸屬度函數(shù)，獲取采樣點氣象參數(shù)大區(qū)域水汽距離和海拔高度的隸屬度，將所述隸屬度代入校正系統(tǒng)隸屬度函數(shù)，獲取隸屬度在模糊集的兩個端點，通過對兩個端點取中值獲取相應(yīng)模糊集的中心； 最后采用重心法對模糊規(guī)則進行解模糊化為式(8):

10.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)及模糊邏輯算法的輸電線路覆冰預(yù)測模型，其特征在于， 所述步驟7中神經(jīng)網(wǎng)絡(luò)和模糊邏輯的組合模型構(gòu)架覆冰厚度公式為式(9): Dh = opi+opiX 1/100(9) 式中:Dh為預(yù)測的覆冰厚度值，Opi為修正后的覆冰厚度基本分量，I為模糊邏輯得出的誤差校正系數(shù)。
【文檔編號】G06N3/02GK103854055SQ201410127133
【公開日】2014年6月11日 申請日期:2014年3月31日 優(yōu)先權(quán)日:2014年3月31日
【發(fā)明者】王嬌, 許家浩, 張惠剛, 遲翔 申請人:南京工程學(xué)院