一种基于ADALINE神经网络和IGG法的自适应抗差线路参数辨识方法

技术领域

本发明涉及电力系统运行控制保护领域，尤其涉及一种基于ADALINE神经网络和IGG 法的自适应抗差线路参数辨识方法。

背景技术

随着大容量远距离高压输电、大系统互联、电网高度自动化的发展，我国电力系统已步入大电网、大机组的时代，这也带来了电网节点数量大量增加、计算量变大、安全监控难度增加等困难。其中，输电线路的工频参数是正确进行状态估计、继电保护整定计算、故障分析、网损计算等各种电力系统计算的基础。实践证明，在电力系统中，输电线路参数准确程度直接影响状态估计合格率，从而影响电力系统的安全、稳定、可靠运行，因此，需要对输电线路参数进行辨识。传统上，获得输电线路参数的方法主要有：(1)离线测量；(2)在线测量。

然而，离线测量一般是在线路投运前进行的，所获取的离线参数会由于地理环境，温度，运行条件等因素而发生缓慢变化，因此，离线测量的参数常常会偏离真值。

在线测量中，PMU数量的增加为在线线路参数辨识提供了基础，作为电网之眼，PMU可提供高精度，高上传频率的电压和电流向量，可应用于线路参数的在线辨识。

目前，现有方法能够基于无异常数据的PMU数据准确辨识线路参数，然而，由于粗差，设备老化，通信通道阻塞等等，PMU数据中常常出现异常数据。在该情况下，方法大多无法适用。因此，亟需开发出一种可抵御异常数据的线路参数辨识方法。

此外，近年来，人工智能的方法在电力系统产生了诸多应用，其中，ADALINE神经网络在发电机参数辨识等方面得到了广泛的应用，但未见线路参数辨识方面的报道。

综上，考虑到PMU数据中可能存在不良数据，因此需要开发出一种结合传统抗差方法和人工智能的新型线路参数抗差辨识方法，来抵御PMU数据中异常数据的影响。

发明内容

本发明将ADALINE神经网络和自适应抗差赋权法结合，提出一种自适应抗差ADALINE 神经网络(ARA)，用于辨识输电线路参数。方法基于IGG权函数，既可以充分利用量测信息，又可以抵抗实测数据中不良数据的影响。具有较高的实用性。本发明的实现技术方案如下：

一种基于ADALINE神经网络和自适应抗差赋权法的输电线路参数在线辨识方法，其特征包含以下步骤：

步骤1：获取实测PMU数据，根据线路模型，计算输入和输出数据。

步骤2：建立ADALINE神经网络，并进行训练，训练后的ADALINE神经网络的权重即为线路参数的辨识结果。

步骤3：基于线路参数的辨识结果确定输入和输出数据的权重，并对输入输出数据进行加权。

步骤4：再次对ADALINE神经网络进行训练，并获取参数辨识结果，若满足收敛条件，则输出辨识结果，否则返回步骤3，继续辨识。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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附图。

图1为线路参数的PI型等值模型图；

图2为本发明实施例提供的基于ADALINE神经网络和IGG抗差法的输电线路参数辨识方法流程图；

图3为ADALINE神经网络的结构图及对应的输入输出数据情况；

具体实施方式

步骤1：

基于图1，可获取如下方程，

其中，

Eq.(1)可以写成矩阵形式，此外，考虑随机量测噪声，t时刻下，Eq.(1)可被表达成如下形式：

b

其中，A

此外，考虑多个时间断面的PMU数据，则有，

b＝Ax+v (3)

其中，Eq.(3)的系数为，

A＝[A

b＝[b

v＝[v

步骤2：建立ADALINE神经网络，并进行训练。

步骤2的神经网络建立如图2所示，以Eq.(3)中的A为输入数据，b为输出数据，基于Levenberg-Marquardt(LM)算法，对神经网络进行训练，训练所获取的权重，即为线路参数。

步骤3：基于训练后的神经网络确定输入和输出数据的权重，并对输入输出数据进行加权。

基于方程的残差，通过IGG抗差法和中位数估计确定权重，具体地，

其中，

s取1.0～1.5，r取2.5～3.0

基于上述公式，可对输入数据进行赋权，即，

输入数据：

[A

输出数据：

b

步骤4：应用赋权后的输入、输出数据，再次对ADALINE神经网络进行训练，并获取参数辨识结果，若满足收敛条件，则输出辨识结果，否则返回步骤3，继续辨识。

训练方法与步骤2相同，但是使用不同的输入数据。收敛条件设置为，ΔR＝0.0001,Δ X＝0.001,ΔB＝0.001×10

下面以实施例来对本发明所述方法进行论证。

本实施例在PSCAD中建立220kV，40km的单回输电线路，其中线路参数为R＝0.7126Ω, X＝12.55Ω,B＝1.4623×10

设置负载为34+j8MVA，获取正序电压相量，电流相量，有功功率，无功功率，共500组仿真PMU数据，并在仿真数据中添加60dB的噪声。

此外，为模拟实测中出现的异常数据，在20％的电压幅值数据中添加坏数据，添加方式如下，

U′

进一步地，应用所提方法进行线路参数辨识，辨识结果如下：

由上表可见，所提方法能够在量测数据中出现异常数据时准确辨识线路参数，说明方法有效。

综上，本发明所述的基于ADALINE神经网络和IGG抗差法的线路参数辨识方法可行，且具有工程应用价值。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

以上所述，仅为本发明较佳的具体实施方式，但发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或者替换，都应涵盖在本发明的保护范围内。因此，本发明的保护范围应该以权利要求书的保护范围为准。