The present invention relates to a sag prediction method based on PSO BP neural network, which includes the following steps: S1: data processing, normalization of relevant data, S2: input normalized data into PSO BP neural network for training, and analyze the relationship between input and output through self-learning in the neural network. S3: Predict the next state. The relevant parameters are inputted into PSO BP neural network. The relationship between input and output is analyzed by the neural network through self-learning. According to the input data, the conductor temperature under this state is calculated and obtained. S4: To judge whether the temperature obtained accords with the accuracy, the next step is to determine whether the temperature obtained accords with the accuracy, and the inconsistent one returns to the state of 2, S5: to calculate the state. Conductor stress, S6: Calculate the sag of the conductor under this condition; The method provided by the invention effectively ensures the safe operation of overhead transmission lines and plays an important role in improving the stability of the whole power grid system.
【技术实现步骤摘要】
一种基于PSO-BP神经网络的弧垂预测方法
本专利技术涉及输电线路预测方法领域,更具体地,涉及一种基于PSO-BP神经网络的弧垂预测方法。
技术介绍
目前架空输电线路中,弧垂的监测只能在每个杆塔上安装红外弧垂测量器或者通过人工在定期巡线时,利用弧垂测量工具所得线路弧垂,若在一个电网中的每一个杆塔中安装弧垂监测传感器这不仅前期成本投入巨大,而且后期维护工作同样存在很大问题,这不仅增加成本同时也增加了电网公司的工作量。人工巡线测量弧垂,既不能及时反映出线路弧垂的实时变化,而且人工巡线周期一般较长。人工巡线不能反映出导线所处环境条件的值的大小,如光照强度、风速大小、环境温度以及导线载流量的改变对导线弧垂变化的影响故其所测得弧垂值对电网运营人员所起作用有限,弧垂不能实现实时监测,当随着弧垂增大与架空线路下高竿植物发生放电事故。
技术实现思路
本专利技术为克服上述现有技术所述的缺陷,提供一种基于PSO-BP神经网络的弧垂预测方法,所述方法包括以下步骤:S1:数据处理,将架空导线所处的环境温度、环境风速、光照强度以及该运行状态下的载流量以及对应状态下的导线温度等数据进行归一化处理;S2:将归一化后所得数据,以环境温度、风速、光照强度以及载流量作为输入量,导线温度作为输出量,输入到PSO-BP神经网络中进行训练,在神经网络中通过自主学习,分析出输入量和输出量之间的关系;S3:把所要预测下一状态下的相关参数输入到PSO-BP神经网络中,神经网络通过自主学习分析所得的输入量与输出量的关系,依据所输入的数据计算并得出该状态下的导线温度;S4:温度判断,判断所得温度是否符合精度,所 ...
【技术保护点】
1.一种基于PSO‑BP神经网络的弧垂预测方法,其特征在于,所述方法包括以下步骤:S1:数据处理,将架空导线所处的环境温度、环境风速、光照强度以及该运行状态下的载流量以及对应状态下的导线温度的数据进行归一化处理;S2:将归一化后所得数据,以环境温度、风速、光照强度以及载流量作为输入量,导线温度作为输出量,输入到PSO‑BP神经网络中进行训练,在神经网络中通过自主学习,分析出输入量和输出量之间的关系;S3:把所要预测下一状态下的相关参数输入到PSO‑BP神经网络中,神经网络通过自主学习分析所得的输入量与输出量的关系,依据所输入的数据计算并得出该状态下的导线温度;S4:温度判断,判断所得温度是否符合精度,所得温度符合精度的进行步骤S5,所得温度不符合精度的返回至步骤S2;S5:构建导线状态应力方程,计算出该状态的导线应力;S6:根据悬链线法,计算出该状态下的导线弧垂。
【技术特征摘要】
1.一种基于PSO-BP神经网络的弧垂预测方法,其特征在于,所述方法包括以下步骤:S1:数据处理,将架空导线所处的环境温度、环境风速、光照强度以及该运行状态下的载流量以及对应状态下的导线温度的数据进行归一化处理;S2:将归一化后所得数据,以环境温度、风速、光照强度以及载流量作为输入量,导线温度作为输出量,输入到PSO-BP神经网络中进行训练,在神经网络中通过自主学习,分析出输入量和输出量之间的关系;S3:把所要预测下一状态下的相关参数输入到PSO-BP神经网络中,神经网络通过自主学习分析所得的输入量与输出量的关系,依据所输入的数据计算并得出该状态下的导线温度;S4:温度判断,判断所得温度是否符合精度,所得温度符合精度的进行步骤S5,所得温度不符合精度的返回至步骤S2;S5:构建导线状态应力方程,计算出该状态的导线应力;S6:根据悬链线法,计算出该状态下的导线弧垂。2.根据权利要求1所述的基于PSO-BP神经网络的弧垂预测方法,其特征在于,所述的步骤S1包括以下步骤:S11:BP神经网络隐含层数的确定...
【专利技术属性】
技术研发人员:武小梅,汤伟成,胡俊灵,
申请(专利权)人:广东工业大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。