一种利用BP神经网络算法进行操作过电压估算的方法

技术领域

本发明涉及电力系统内过电压计算方法，具体是一种利用BP神经网络算法进行操作过电压估算的方法。

背景技术

随着我国“西电东送，南北互供，全国联网”的格局逐渐形成，超 /特高压输电线路逐渐已经成为我国电网交流主干网架。由于超/特高压输电线路的电压等级较高导致其绝缘造价贵，同时其绝缘强度、避雷器型号和合闸电阻的装设主要取决于操作过电压水平，这直接关系到电力系统能否安全稳定地运行，因此针对超/特高压输电线路展开操作过电压数值校核是十分有必要的。

由于操作过电压计算涉及到微秒级的暂态过程，因此必须采用电磁暂态仿真分析软件进行过电压仿真计算。但电磁暂态仿真虽然建模精细，仿真结果准确，但建模难度大、模型复杂高，会极大地增加过电压分析计算人员的工作量，因此在电网线路跳闸事件突发时，难以及时响应线路合闸的操作过电压风险结论，指导电网恢复正常生产秩序。同时在输电线路规划设计时，若涉及到对多种方案进行操作过电压校核，也会大大降低规划设计阶段的工作效率。

对于电力系统操作过电压计算而言，计算结果是否超过2.0p.u，决定了是否需要对线路绝缘强度、避雷器型号和合闸电阻的装设进行仿真计算校核。因此，发明一种能够快速计算线路操作过电压数值是否超过2.0p.u的方法，在避免进行详细的电磁暂态仿真建模的同时快速检验处操作过电压超过2.0p.u的方法是十分有必要的，可以大大减轻过电压分析计算人员的工作量。

目前来说，电力系统的操作过电压数值计算必须在建立一个完整的详细电磁暂态过电压仿真模型的基础上进行，而电磁暂态建模难度大、模型复杂度高，对指导实际电网突发事件处理和电网规划设计来说响应速度慢，时效性差，计算效率低。

发明内容

有鉴于此，本发明提供一种利用BP神经网络算法进行操作过电压估算的方法，该方法采用大数据思想，利用过往基于电磁暂态仿真精细化模型计算得到的操作过电压数值，基于BP神经网络算法进行新线路的操作过电压数值预测，可以仅仅只针对有过电压风险的线路进行进一步仿真校核，对于及时响应电网突发事件中的过电压数值计算以及输电线路规划设计效率的提高有重要意义。

本发明采用如下技术方案实现：

一种利用BP神经网络算法进行操作过电压估算的方法，包括如下步骤：

(1)首先根据线路操作过电压的理论计算公式，选取线路操作过电压计算结果的强相关参数；

(2)对待训练的数据的过电压计算结果进行预处理，并选择合适的神经网络传递函数模型；

(3)输入若干组输入/输出数据作为神经网络学习样本，其中若干组线路的强相关参数作为输入数据，对应的若干组线路的过电压估算结果作为输出数据，利用步骤(2)选择的神经网络传递函数模型进行神经网络函数训练；

(4)最后利用训练好的神经网络传递函数估算待计算线路的操作过电压结果。

进一步的，所述强相关参数包括系统等值内电抗X，输电线路的总长度l、单位对地电抗L和单位对地电容C。

进一步的，在利用BP神经网络算法进行合空载长线过电压估算时，考虑过电压计算结果的离散性，因此并不估算过电压计算结果的具体数值，只估算其是否存在过电压风险，步骤(2)利用表1对待训练的数据的过电压计算结果进行预处理：

表1过电压估算结果和风险性对照表

利用表1对待训练的数据的过电压计算结果进行预处理后，设置隐含层神经元和输出层的函数分别为“purelin”、“purelin”，隐层和输出层的神经元的个数分别为3和1，反向传播的训练函数为“traingd”。

进一步的，步骤(3)输入若干组输入/输出数据作为神经网络学习样本，样本数量不低于20组；神经网络函数训练的参数设置为训练次数、训练目标、学习率和动量因子默认值为10000次、10^-5， 0.01和0.9。

进一步的，步骤(4)利用训练好的神经网络传递函数对待计算线路进行过电压结果估算时，为降低人工算法的不确定性，采取仿真 10次的方法取最大概率值。

进一步的，若步骤(4)的估算结果表明该线路不存在或者存在较低的风险，则无需采用电磁暂态仿真软件对合空载长线的操作过电压进行复核；若估算结果表明该线路存在一定或者较大风险，则需要采用电磁暂态仿真软件对合空载长线的操作过电压进行复核。

本发明具有如下有益效果：

1、本发明根据线路操作过电压的理论计算公式，选取线路操作过电压计算结果的强相关参数，在降低了计算难度、复杂度的同时，还剔除了多个弱相关变量或无关变量的影响，提高了计算精度；

2、本发明在考虑过电压计算结果的离散性，因此并不估算过电压计算结果的具体数值，只估算其是否存在过电压风险，在降低了对样本数量要求的同时还保证了估算结果的准确性；

3、本发明在输入若干组输入/输出数据作为神经网络学习样本，最后采用神经网络算法输出的函数估算待计算线路的操作过电压结果，该方法简便、快速，用BP神经网络算法进行快速估算，大大减少了人工电磁仿真建模工作量，提高了计算效率并降低了计算用时。

4、本发明为降低人工算法的不确定性，可采取进行多次BP神经网络算法后取最大概率值的方法，在增加较少工作量和计算机时的同时还大大提高了估算准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1(a)是本发明空载线路合闸等值电路图，图1(b)是本发明空载线路合闸电压波形图；

图2是本发明算例中神经网络算法训练后的回归分析结果。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

如图1所示，本发明实施例提供一种利用BP神经网络算法进行操作过电压估算的方法，包括如下步骤：

(1)首先根据线路操作过电压的理论计算公式，选取线路操作过电压计算结果的强相关参数；

合闸空载线路时，断路器电源侧触头电压等于系统电压，断路器线路侧触头电压等于0。如图1(a)所示，图中L

考虑三相完全对称，那么该合闸过程等效为在系统电压通过L

假设

该电路的方程为：

解方程得：

其中

设合闸初相角

式中

因此线路电压为：

由上式(3)可知，线路电压

1)E

2)L

因此，合空载长线过电压的强相关参数可选择系统等值内电抗X，输电线路的总长度l、单位对地电抗L和单位对地电容C决定。

(2)对待训练的数据的过电压计算结果进行预处理，并选择合适的神经网络传递函数模型；

在利用BP神经网络算法对线路的操作过电压数值估算时，考虑到操作过电压计算结果的离散性，因此并不直接估算操作过电压的具体数值，只估算其过电压风险的程度，操作过电压数值、估算结果和线路过电压风险性的对照如表1所示。

表1过电压估算结果和风险性对照表

利用表1对待训练的数据的过电压计算结果进行预处理后，设置 3层隐含层神经元和输出层的函数分别为“purelin”、“tansig”、“purelin”和“tansig”，隐层和输出层的神经元的个数分别为15、15、15和1，反向传播的训练函数为“traingdx”。

(3)输入若干组输入/输出数据作为神经网络学习样本，进行神经网络函数训练；

输入若干组输入/输出数据作为神经网络学习样本，样本数量应尽可能地多以保证训练效果，原则上不低于20组；神经网络函数训练的参数设置为训练次数、训练目标、学习率和动量因子默认值为 10000次、10^-5，0.01和0.9。

(4)最后采用神经网络算法输出的函数估算待计算线路的操作过电压结果，为降低人工算法的不确定性，可采取多次仿真的方法取最大概率值。

利用训练好的神经网络传递函数对待计算线路进行过电压结果估算，为降低人工算法的不确定性，可采取多次仿真的方法取最大概率值。若过电压估算结果表明该线路不存在或者存在较低的风险，则无需采用电磁暂态仿真软件对合空载长线的操作过电压进行复核；若估算结果表明该线路存在一定或者较大风险，则需要采用电磁暂态仿真软件对操作过电压结论进行复核。

以66条500kV输电线路系统侧等值参数、线路参数和操作过电压电磁暂态仿真结果为例，应用本方法基于神经网络进行操作过电压的快速估算，减少人工电磁暂态仿真建模的工作量，提高计算效率、降低计算时间。

首先实施步骤(1)，根据线路操作过电压的理论计算公式，选取线路操作过电压计算结果的强相关参数为系统等值内电抗X，输电线路的总长度l、单位对地电抗L和单位对地电容C。然后实施步骤(2)，对待训练的数据进行预处理，并选择合适的神经网络传递函数模型。接着实施步骤(3)，输入若干组输入/输出数据作为神经网络学习样本，进行神经网络函数训练。最后实施步骤(4)，采用神经网络算法输出的函数估算待计算线路的操作过电压结果。

步骤(1)实施过程：66条500kV输电线路系统侧等值参数、线路参数和操作过电压电磁暂态仿真结果如下表2的第2列～第6列所示。步骤(2)实施过程：对66条输电线路的操作过电压电磁暂态仿真结果进行预处理，形成过电压估算结果如表2第7列所示。

设置神经网络函数具有3层隐含层神经元和输出层，其函数分别为“purelin”、“purelin”、“tansig”和“tansig”，隐层和输出层的神经元的个数分别为10、10、15和1，反向传播的训练函数为“traingdx”。

表2 66条500kV线路系统等值、线路参数和操作过电压电磁暂态仿真结果

步骤(3)实施过程：将前62组线路的系统侧等值电抗、线路参数作为输入数据，前62组线路的过电压估算结果作为输出数据，进行神经网络函数训练。

神经网络函数训练的参数设置为训练次数、训练目标、学习率和 动量因子默认值为10000次、10^-5，0.01和0.9。神经网络函数训练 的回归分析结果如图2所示，表明该神经网络函数对参与训练的线路 操作过电压数值拟合准确度超过99％。

步骤(4)实施过程：利用BP神经网络算法对剩余的4组线路进行操作过电压风险的估计，为降低人工算法的不确定性，可采取仿真10次的方法取最大概率值，结果如下表3所示，本次神经网络算法训练后的回归分析结果如图2所示。

根据表3的结果可知，序号63～66线路的过电压估算值为1、1、 2、2，和表2中给出的电磁暂态仿真结果对应的估算结果一致，因此可以看出，利用BP神经网络算法进行操作过电压估算的方法具备快速性、准确性。

根据图2的神经网络算法训练的回归分析结果可知， R＝0.99928≈1，算法对训练样本的适应性良好。

表3对5组线路进行10次操作过电压估计的仿真结果

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。