基于时滞型神经网络覆冰预测可行性分析

基于时滞型神经网络覆冰预测可行性分析摘要：对于收集到的各杆塔监测点的大量监测数据进行异常剔除、整理等工作，而后利用神经网络建模的方法探讨了基于时滞型神经网络建立覆冰预测模型的可行性。关键词：覆冰预测bp神经网路回归建模微气象1研究背景2008年冬，我国南方大部发生了50年一遇的特大冰雪灾害。从全国电网看，雪灾触及湖南、湖北、河南、云南、贵州、江西、浙江乃至整个中国南部。由于线路覆冰造成线路底线悬垂、铁塔倒塌、绝缘子断裂等，给电力系统造成巨大的危害。其中受灾最严重的华中电网直调系统共发生225次500kv线路故障跳闸，保护动作约3000次，是2007年动作次数的6倍多。在受灾最严重的湖南电网，32条500kv输电线路有30条由于冰雪冻雨导致多次跳闸和故障；但同时，由于冰冻灾害地域性很强，发生相对来说不是很频繁。目前还缺少较为系统、科学、完备的预测手段，使得气象部门很难对冰冻灾害进行评估和预测。因此，对于覆冰预测可行性的研究显得意义重大。2主要研究工作及安排本文研究工作可以分为两步：(1)对南方电网输电覆冰预警监测系统提供的原始数据进行提取和处理。选取比较理想的覆冰前中后数据段，剔除明显异常的数据，同时由于检测系统提供的覆冰时间和覆冰质量的数据不完整，跟微气象因素数据有时间上的出入，所以需要人工采用均值的方法进行填补；(2)分析数据特征，采用bp型神经网络对覆冰过程进行建模，调试各个微气象因素对覆冰影响的权重因素。然后对建立的模型进行测试组数据的检测仿真，确定模型的可行性。3数据采集本文所采取的数据均来自南方电网覆冰在线监测系统。“南方电网输电线路覆冰预警监测系统”是南方电网抗冰融冰关键技术与应用的子项目之一，是2008年南方电网重点科研项目。该系统采用多种科学手段，对输电线路覆冰特征参量等运行情况进行综合在线监测，并以此分析计算线路覆冰发展趋势，及时进行覆冰预测预警，提醒工作人员早采取措施，确保线路运行安全。目前，该系统分为南方电网公司及其所辖各省网公司、超高压公司两级体系结构。在统一标准的基础上，各省公司、超高压公司单独进行建设。4数据采集和处理南网输电线路覆冰监测预警系统是采用标准化数据库方式实现对监测终端盒的信息配置，监测采集到的气象因素、导线温度、线路覆冰以及绝缘子漏电流等，其数据量非常巨大。根据以上我们选取了以下覆冰数据比较充分、可信的4个终端作为数据来源。其信息如表1。我们知道，线路覆冰的条件有四个：(1)温度在0℃以下；(2)湿度在85%以上；(3)风速大于1m/s；(4)以上条件持续约3~7天。因此，针对以上第一个问题，考虑到现实中覆冰过程不会出现突变，本问是采用等值均值的方法填补缺失的数据。即缺失的数据等于前一数据加上缺失段前后数据的差值再除以缺失数目。由于所需的数据总共有6种，而且他们之间数值相差比较大，为了防止在神经网络建模过程中出现大数吃小数，使本来可能起决定性作用的因素成为哑元，因此，在进行matlab建模仿真之前需要对数据进行归一化。在利用神经网络对所建网络进行训练时，应尽可能使输入数据维持在[-1,1]之间，这样可以提高网络训练的收敛速度。同时，由于对数据进行了归一化，因此，在网络训练完毕，进行测试组预测验证的时候还要将预测出来的数据进行反归一化。本文经过实验实践，采用反正切函数归一化时性能较好。5神经网络原理介绍人工神经网络（artificialneuralnetworks,ann）,亦称为神经网络（nn），是一种模拟人的大脑神经通过突触连接进行信息处理和交换的数学模型。通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间；另一方面，在人工智能学的人工感知领域，我们通过数学统计学的应用可以做人工感知方面的解决问题。这种方法比正式的逻辑学推理演算更具优势。神经网络的特点如下：(1)非线性。非线性关系是自然界的普遍特性。大脑的思维就是种非线性现象，具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。(2)非局限性。一个神经网络往往是由很多个神经元广泛连接而成。一个系统的整体行为不仅仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定的。通过神经元之间大量的连接，模拟大脑的非局限性。(3)非常定性。神经网络具有自适应、自学习、自组织的能力。不仅要处理的信息可以有多种多样的变化，同时，非线性动力系统本身也在不断变化。迭代是描写动力过程系统演化过程的基本方法。6bp型神经网络的matlab实现如何设计bp网络的结构：bp网络的输入节点和输出节点是根据具体问题具体确立的，比如本文，输入节点为5个（温度，风速，风向，湿度，降雨量），输出节点为一个（覆冰质量）。bp神经网络的难点就在于其网络结构的设计，包括隐层数目和各隐层节点数目的确定。这两个得到最优化设计之后，利用matlab可以实现对各层网络、各个节点之间权重的训练和优化，达到预期的偏差。隐层的结构很大程度上决定了网络的质量，隐层的数目取决于问题的特点。funahashi证明了对于任何闭区间内连续的函数都可以用单隐层的神经网络来逼近，而三隐层的bp神经网络可以完成从任意m维到n维的映射，但是并不能保证是最佳的，由于本文涉及到5组大量的数据，因此采用3隐层设计。同时，本文拿单隐层和双隐层与三隐层作对比，发现3隐层的预测准确性要高于前两者，可见，设计是合理的。具体内容在下一章会有具体讲述。隐节点数的选择也非常重要，而隐节点数与问题的复杂程度有关，没有具体的应用公式。隐节点太多，会导致学习过程过久，误差增大；数目太少，有可能无法训练出所需的网络，或者网络的学习和联想能力很差。因此，本文先放入较多的节点（10个），通过学习，将作用甚微的节点逐步剔除。权初值的选择也很重要，由于网路是非线性的，权初值太大会使学习过程陷入局部最优，甚至不收敛。因此，本文在选择权初值的时候，尽量使权初值很小（介于-0.1—0.1之间），这样就使得权输出在累加的时候每个神经元的状态近似为零。不至于学习一开始就陷入误差平坦区域。nntool工具是matlab专门用于建立神经网络的工具箱，它不用编写程序，只需要导入输入数据（inputs）和目标数据（targets），然后设置网络的样式和训练方式，网络结构和节点数，就可以直接生成网络，通过训练达到所需误差。具体步骤如下：(1)把数据（输入、输出）导入matlab中去；(2)将workplace中的变数汇入nntool；(3)建立网络；(4)网络初始化；(5)训练网络；(6)仿真网络；(7)输出和储存模拟结果；(8)调用之前构建的网络用于实践。以下就为matlab中nntool工具的实现，结果如下：以下为三层神经网络的调试结果:7结论按照以上原理经过模拟实现得到以下结论。线路的覆冰跟线路周围的微气象有直接的关系，本文通过杆塔上微气象传感器和覆冰质量传感器传回来的大量数据，利用神经网络来建立对应关系。本文的主要研究工作有以下三方面：(1)原始数据的处理。首先原始数据存在两个重要问题，一个是数据的缺失，主要是在覆冰质量上；另外一个就是存在粗大误差。对于前者，本文是采用利用缺失恰后的数据，进行均差填补，这是考虑到覆冰是个持续过程，不会突增突减。这也可以使数据显得较为平滑，对于覆冰模型的建立有好处，当然不得不说这样可能会引入人为误差，但是权衡利弊，还是选择了这种方法。(2)数据的归一化。鉴于微气象因素在数值上差异较大，所以首先放弃用对数归一化。然后，本文对线性归一化和反正切归一化进行了模拟，发现线性归一化的误差要比反正切归一化的低一个数量级，因此，采用线性归一化作为本文的数据归一化方式。(3)bp神经网络的构建。本文先固定时滞时间，分别对网络层数和隐层节点数进行调节，构建出符合期望的网络模型。然后对模型进行仿真。然后改变时滞时间，同上述原理一样进行建模仿真。参考文献：[1]国家气候中心.2008年初我国南方低温雨雪冰冻灾害及气候分析[m].北京:气象出版社,2008.[2]王遵娅,张强,陈裕,等.2008年初我国低温雨雪冰冻灾害的气候特征[j].气候变化研究进展,2008,4(2):63-67.[3]蒋兴良,易辉.输电线路覆冰及防护[m].北京:中国电力出版社,2002.[4]苑吉河,蒋兴良,易辉,等.输电线路导线覆冰的国内外研究现状[j].高电压技术,2004,30(1):629[5]郝兰荣,王国龙,谭磊.浅析送电线路大负荷运行与导线弧垂的关系[j].高电压技术,2006,32(1).