一种基于PSO-BP神经网络的弧垂预测方法技术

本发明专利技术涉及一种基于PSO‑BP神经网络的弧垂预测方法，包括以下步骤：S1：数据处理，将相关数据进行归一化处理，S2：将归一化后所得数据输入到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：判断所得温度是否符合精度，所得温度符合精度的进行下一步骤，不符合的返回至步骤S2，S5：计算该状态的导线应力，S6：计算该状态下的导线弧垂；本发明专利技术所提供的方法有效确保架空输电线路的安全运行，提高整个电网系统的稳定性具有重要作用。

A Sag Prediction Method Based on PSO-BP Neural Network

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，所得温度符合精度的进行下一步骤，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。本专利技术提出一种基于PSO-BP神经网络的弧垂预测方法，通过分析获得架空输电线路所处环境的环境温度、风速、光照强度以及导线载流量对架空输电线路导线温度的影响，通过PSO-BP神经网络对下一状态下的导线温度进行预测，在获得导线温度情况下，通过弧垂算法对架空输电线路弧垂进行计算，达到弧垂预测效果。运行人员根据所得下一状态下的导线弧垂值，实时调整线路的运行状态，如下一状态弧垂值偏大，为避免架空线路与线路下的高竿植物发生放电事故，现场运营人员可适当调整该线路的运行状态，让该线路的弧垂值保持在一个安全范围。优选地，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：导线温度预测输入量包括环境温度、风速、光照强度及载流量，输出量为导线温度，计算出该模型中BP神经网络隐含层数n，计算公式为：其中x,y分别表示输入量和输出量维数，α为随机数，取值范围为[1,10]；本模型中取2，故n取整数为4。S12：数据归一化处理：将整理所得输入量与输出量对应的数据进行归一化处理，计算公式为：其中pi为该列数据的第i个，pmin，pmax为该列数据的最小值和最大值。优选地，所述步骤S5中导线状态应力方程为：式中：α为架空线的温度膨胀系数，E为架空线的弹性模量，σ0为架空线的安装竣工时的初始水平应力，σ为架空线状态改变后的水平应力，g、g0分为状态改变后比载以及初始比载，l为档距，θW为经PSO-BP神经网络预测所得导线下一状态温度，t0为初始状态下的导线温度。优选地，所述的步骤S6中导线弧垂计算的公式为：式中：h为两杆塔之间的高度差，sh表示双曲正弦，ch表示双曲余弦。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术所提供的方法有效确保架空输电线路的安全运行，提高整个电网系统的稳定性具有重要作用。附图说明图1为一种基于PSO-BP神经网络的弧垂预测方法的流程图。图2为导线温度预测误差图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。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，如图1所示，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；具体包括以下步骤：S11：BP神经网络隐含层数的确定：导线温度预测输入量包括环境温度、风速、光照强度及载流量，输出量为导线温度，计算出该模型中BP神经网络隐含层数n，计算公式为：其中x,y分别表示输入量和输出量维数，本实施例输入量x取4维，输出量y取1维，α为随机数，取值范围为[1,10]；本实施例中取2，故n取整数为4。S12：数据归一化处理：将整理所得输入量与输出量对应的数据进行归一化处理，计算公式为：其中pi为该列数据的第i个；pmin，pmax为该列数据的最小值和最大值。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下一步骤，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；导线状态应力方程为：式中：α为架空线的温度膨胀系数，E为架空线的弹性模量，σ0为架空线的安装竣工时的初始水平应力，σ为架空线状态改变后的水平应力，g、g0分为状态改变后比载以及初始比载，l为档距，θW为经PSO-BP神经网络预测所得导线下一状态温度，t0为初始状态下的导线温度。S6：根据悬链线法，计算出该状态下的导线弧垂，导线弧垂计算的公式为：式中：h为两杆塔之间的高度差，sh表示双曲正弦，ch表示双曲余弦。将环境温度、风速、光照强度以及对应时刻的载流量作为输入，导线温度作为输出，其输出误差率如图2所示。从图2可知，通过PSO-BP神经网络预测导线温度的误差率较低，即导线的温度预测准确性较高。本实施例通过分析获得架空输电线路所处环境的环境温度、风速、光照强度以及导线载流量对架空输电线路导线温度的影响，通过PSO-BP神经网络对下一状态下的导线温度进行预测，在获得导线温度情况下，通过弧垂算法对架空输电线路弧垂进行计算，达到弧垂预测效果。运行人员根据所得下一状态下的导线弧垂值，实时调整线路的运行状态，如下一状态弧垂值偏大，为避免架空线路与线路下的高竿植物发生放电事故，现场运营人员可适当调整该线路的运行状态，让该线路的弧垂值保持在一个安全范围。相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；显然，本专利技术的上述实施例仅仅是为清楚地说明本专利技术所作的举例，而并非是对本专利技术的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对本文档来自技高网...

【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