基于GABP神經網絡技術的雷擊跳閘實時預警

所屬分類：電子論文閱讀次時間：2021-03-01 10:09

本文摘要：摘要:由于輸電線路運行環境復雜、影響線路雷擊跳閘因素多，故很難實現對輸電線路的雷擊跳閘實時預警。提出一種根據雷電定位系統、輸電線路數據與GA-BP神經網絡技術相結合的雷擊跳閘實時預警的新方法。首先，確定影響線路跳閘的因素，并預處理輸入數據;然后，

　　摘要:由于輸電線路運行環境復雜、影響線路雷擊跳閘因素多，故很難實現對輸電線路的雷擊跳閘實時預警。提出一種根據雷電定位系統、輸電線路數據與GA-BP神經網絡技術相結合的雷擊跳閘實時預警的新方法。首先，確定影響線路跳閘的因素，并預處理輸入數據;然后，建立以線路檔距段為基礎的GA-BP神經網絡雷擊跳閘預測模型，將待預警線路的所有檔距段進行預測，并對結果累加求和，從而獲得線路整體預測雷擊跳閘次數;最后，根據預警分級標準，實現整條線路的雷擊跳閘預警。實例表明，該預警模型對算例中30條輸電線路的雷擊跳閘預警正確分類率為80%，預警準確率為86.67%，虛警率和漏警率分別為23.53%和13.33%，其性能指標都較為理想，故該模型對輸電線路的雷擊跳閘實時預警有著良好的預判效果。

　　關鍵詞:雷擊跳閘預警;雷電流參數;遺傳算法;BP神經網絡

神經網絡系統

　　0引言

　　隨著電網建設規模的日益擴大，輸電線路跨度、電壓等級的相應提高，線路遭受雷擊風險也越來越大，雷電災害造成地區電網經濟損失和安全隱患愈加嚴重[1-5]。以廣東某地區電網為例，在2011～ 2016年110kV及以上輸電線路的跳閘統計中，雷擊導致的輸電線路跳閘占總跳閘原因的68.77%;漂浮物放電占總原因的23.47%;人為因素占總原因的5.78%;而其他外界災害僅占總原因的0.72%。由此可見，雷擊是導致輸電線路故障的最主要原因，雷擊跳閘已成為影響電網安全穩定運行的最大威脅[6]。

　　電網建設論文范例：電網建設工程施工現場管理研究

　　因此，若能實現對輸電線路雷擊風險狀態的追蹤，便可實時預警評估線路雷擊跳閘情況，這將有助于電網運行和調度部門提前做好針對性的避險措施。現有文獻大多都是對輸電線路雷電災害風險評估展開的研究，而對輸電線路雷擊跳閘實時預警方面的研究卻鮮有報道。文獻[7]提出一種基于大氣電場儀和雷電定位系統數據的雷擊預警系統，該系統以電場強度雷擊及雷電距離為等級劃分依據，對廣州電網實施了分級雷擊預警，但該方法僅考慮了輸電線路周邊的雷電活動或大氣分布情況，而未考慮外界地形環境及自身參數的影響，在對實際線路跳閘預警時，會存在虛報率高、預測準確率低等現象。文獻[8]提出一種基于輸電線路數據與雷電氣象因素的輸電線路實時故障概率的評估方法，但該方法需要通過專家經驗來確定權重系數，主觀因素影響大，使得評估結果不理想。

　　文獻[9]提出一種基于三時次相關雷區信息的線路雷擊跳閘概率計算新方法，該方法先對雷電的活動軌跡進行預測，根據預測雷電數據與雷擊跳閘公式對輸電線路雷擊跳閘進行了動態預測，但該方主要是通過經驗公式計算跳閘概率，從而間接完成跳閘預警，相比直接預測線路跳閘情況，間接方法在預警閾值的劃分上存在很大誤差，會影響預警性能。針對現有研究的不足，筆者提出了一種基于GA-BP神經網絡技術的輸電線路雷擊跳閘實時預警新方法，該方法將雷電發生點位置、落雷密度、雷電流大小、輸電線路桿塔數據與GA-BP神經網絡技術充分融合在一起，高效、快速的實現了輸電線路的雷擊跳閘預警。

　　1基于GA-BP神經網絡技術的雷擊

　　跳閘實時預警模型誤差反向傳播(ErrorBackPropagation，BP)神經網絡有著非線性處理能力好、自適應學習能力強、容錯能力強等優點，現已成為應用最為廣泛的神經網絡[10]。但它的收斂速度慢，且受網絡初始連接權值的影響，該網絡在訓練過程中極可能收斂于局部極小點。為克服BP神經網絡的自身缺陷，本文采用遺傳算法(GeneticAlgorithm)對初始連接權值進行優化[11]，使網絡輸出結果更加接近實際值。基于GA-BP神經網絡技術的輸電線路雷擊跳閘實時預警模型，其建模主要步驟為1)根據雷電定位系統與輸電線路數據建立一個輸電線路雷擊跳閘預警的數據庫。

　　2)根據雷擊跳閘原理確定影響線路跳閘的參數，并預處理網絡輸入數據，進而確定GA-BP神經網絡結構。3)通過遺傳算法優化網絡的權值和閾值，使其獲得最優值，然后將訓練樣本數據置于網絡中進行學習訓練。4)在多次訓練取得最優解后，為驗證其雷擊跳閘計算的準確性，需對模型進行樣本測試，最后確定輸電線路雷擊跳閘計算模型。6)根據GA-BP神經網絡計算的整條線路雷擊跳閘情況和跳閘預警分級標準，最終實現對輸電線路的雷擊跳閘分級預警。

　　2影響輸電線路跳閘參數預處理

　　輸電線路雷擊故障主要是由雷云放電引起的線路過電壓導致絕緣子閃絡而發生的線路跳閘現象[12]。由于輸電線路運行環境復雜、雷電活動隨機性大，故影響線路雷擊跳閘的因素較多[13-16]，其中，包括雷電參數(雷電流幅值、落雷距離、落雷密度等)、地形地貌參數(海拔高度相、地形特征等)、線路自身參數(導線平均高度、避雷線平均高度、桿塔高度、檔距、保護角、接地電阻、絕緣子材質損耗等)。

　　如果將所有影響因子都作為GA-BP神經網絡的輸入，這在實際工程中將很難實現，因為實際統計數據或多或少會有部分參數不詳，且參數過多會使網絡模型的建立變得復雜，難以實現工程應用。因此，考慮到線路雷擊跳閘機理與特征參數在數據上的完整性，筆者主要選取導線平均高度、檔距、線路所處地形地貌、避雷線平均高度、接地電阻、雷電流幅值、臨近落雷距離、落雷密度，八個特征量作為神經網絡特征量輸入。

　　2.1臨近落雷密度計算

　　前人的研究經驗表明，雷擊跳閘與地閃密度呈正相關性[17]。故為準確預測線路雷擊跳閘，地閃密度不可或缺。但地閃密度一般以年進行統計，考慮的時間跨度過長，這在目前的雷擊跳閘預測中行不通，因此，筆者將統計時間縮短至當前預警時間點前15min內，以臨近落雷密度取代地閃密度作為雷擊跳閘的影響因子。為充分統計臨近落雷密度中的落雷個數，以3km作為線路走廊的總受雷寬度，以兩相鄰桿塔間的檔距為受雷長度，來統計預警時間點前15min內的落雷個數。然后按下式進行臨近落雷密度的計算。3GA-BP神經網絡模型的設計典型的BP神經網絡為一種具有3層結構的無反饋、層內無互連的前向網絡，其3層結構分別是輸入層、隱含層和輸出層[19]。

　　4預警分級標準與評估指標

　　雷擊跳閘預測是基于相鄰桿塔檔距段的，但要想實現整條輸電線路的雷擊跳閘實時預警，就需要將檔距段雷擊跳閘次數整合到線路上來。筆者根據線路各段的預測值進行累加求和，獲得整條線路的雷擊跳閘次數(Nline)。

　　5算例驗證

　　基于GA-BP神經網絡技術的雷擊跳閘實時預警模型，首先確定了GA-BP神經網絡雷擊跳閘預測模型，再根據訓練好的網絡預測輸電線路所有檔距段的當前預警時間點前15min內的雷擊跳閘情況，并將跳閘次數進行累加求和獲得待預警線路的總跳閘次數，根據制定好的預警分級標準，最終完成輸電線路的分級預警工作。

　　6結語

　　由于輸電線路運行環境復雜、雷電活動隨機性大、影響線路雷擊跳閘因素多，故很難對輸電線路雷擊跳閘進行實時預警評估。提出了一種基于GA-BP神經網絡技術的輸電線路雷擊跳閘實時預警新方法，該方法將八類影響線路跳閘的因素(導線平均高度、檔距、線路所處地形地貌、避雷線平均高度、接地電阻、雷電流幅值、臨近落雷距離、落雷密度)與GA-BP神經網絡技術充分融合在一起，高效、快速的實現了輸電線路的雷擊跳閘預警。本文通過算例驗證了該實時預警模型的有效性，以此為依據，便可實時預警評估線路雷擊跳閘情況，這將有利于電網運行和調度部門提前做好針對性的避險措施，以確保輸電網的安全穩定運行。

　　參考文獻:

　　[1]李斌，郭慧娟，王心妍，楊海晶，翟慧強.輸電線路雷擊跳閘安全風險分析[J].電瓷避雷器，2016(1):123-128.LIBin，GUOHuijuan，WANGXinyan，YANGHaijing，ZHAIHuiqiang.Safetyriskanalysisoflightningtripoftransmissionline[J].InsulatorsandSurgeArresters，2016(1):123-128.

　　[2]郭志民，王偉，李哲，熊小伏，梁允，王建.強對流天氣下輸電線路多因素風險動態評估方法[J].電網技術，2017，41(11):3598-3608.GUOZhimin，WANGWei，LIZhe，XIONGXiaofu，LIANGYun，WANGJian.Multi-factordynamicriskassessmentmethodfortransmissionlinesundersevereconvectiveweather[J].PowerSystemTechnology，2017，41(11):3598-3608.

　　[3]HUMing，HUANGXuwei.Lightingactivityanalysisandriskevaluationoftransmissionline[C].Proceedingsof2011InternationalConferenceonQuality，Reliability，Risk，Maintenance，andSafetyEngineering，Xi'an:[s.n].2011

　　[4]鄧紅雷，戴棟，李述文.基于層次分析-熵權組合法的架空輸電線路綜合運行風險評估[J].電力系統保護與控制，2017，45(01):28-34.

　　作者：鄧紅雷，唐崇旺，劉剛，張莉彬