淺析神經網絡模型預測輸電線路覆冰厚度

容潔1. 鄧鵬飛2.

1.中國水電八局有限公司高級技工學校/湖南省水利水電建設工程學校

2.國家電網湖南省電力公司永州分公司

淺析神經網絡模型預測輸電線路覆冰厚度

容潔1. 鄧鵬飛2.

1.中國水電八局有限公司高級技工學校/湖南省水利水電建設工程學校

2.國家電網湖南省電力公司永州分公司

輸電線路累積覆冰一旦達到一定的極限厚度形成冰災會對電網設計和穩定運行帶來巨大威脅，線路建設初期若未能考慮極端覆冰情況則極易造成線路倒塌、供電中斷等重大影響，因此，科學合理的對短期輸電線路覆冰厚度進行預測和長期輸電線路的極值覆冰進行準確估計是電網規劃人員確定線路規劃設計標準所必須解決的一個重要難題。每一種特定的模型都包含了一定的樣本信息，單個模型一般難以全面地反映變量間的相互變化規律。如果對多種預測模型進行有機組合，它就能夠十分有效的利用多種有用信息，全面而準確的地反映系統的變化規律，減少數據變化的隨機性，從而提高預測精度。本文中建立的灰色神經網絡組合預測模型采用典型的三層網絡結構，即輸入層、隱含層、輸出層，既把灰色GM(1,1)、DGM(2,1)和Verhulst模型所得到的預測值作為輸入層，采用一個隱含層，傳遞函數為“S”型函數和輸出層，輸出G-ANN組合預測值，模型結構見圖1。

圖1 灰色神經網絡組合預測結構圖

本文中所建立的神經網絡預測模型采用較為常見的3層BP神經網絡模型。其中由于BP神經網絡具有較強的非線性映射能力和柔和的網絡結構，能夠精確地完成任意的連續映射關系。把GM(1,1)預測模型、DGM(2,1)以及Verhulst模型所得到的預測值作為BP神經網絡的輸入，采用一個隱含層，隱含層的神經元數目l一般參照公式，其中，m為輸入層神經元數；n為輸出層神經元數；a為0～10之間的常數，傳遞函數為Sigmoid型函數，輸出G-ANN的預測值，具體建模的主要步驟如下：

1.分別采用這3種常用的灰色模型對輸電線路覆冰厚度進行預測，得到各自灰色系統的預測值。

2.然后再將該3種灰色模型的預測值作為BP神經網絡模型的輸入，選擇網絡類型和結構。

3.利用實測數據對網絡進行訓練和測試。

4.利用訓練過且符合誤差范圍的網絡，得到合適的連接權系數和閾值，然后由傳遞函數“S”進行未來短期內輸電線路覆冰厚度的預測。

在預測中采用三層前向前饋網絡，分別為輸入層、隱含層和輸出層，輸入層的節點數為輸入矢量的分量數，取為5，輸出層節點數為1，即輸電線路覆冰厚度。隱含層的節點數由訓練仿真情況取為9。由于節點輸出值在[0，1]之間，故對訓練樣本的輸入量和輸出量均做以下初始化處理：

式中：xp為實際值；xn為初始化后的值；a值可取在0到xp的最小值之間；b值可取為xp的最大值。

圖2 組合灰色神經網絡預測算法流程

將GM(1, 1)、Verhulst 和DGM(1, 1)模型分別對覆冰增長趨勢進行建模所得到的結果，進行歸一化處理后作為輸入向量，歸一化范圍為［0.2-0.8］，歸一化方程見式（式2）。將輸電線路覆冰厚度增長趨作為輸出向量，從而建立了G-ANN模型，預測流程圖如上圖2所示。

選擇與預測值最近的N個已知值作為樣本，即把最近的n個已知值作為輸出，采用不同的灰色模型對這n個已知值分別進行預測，其預測值即為神經網絡的輸入，由此對神經網絡進行訓練。對于訓練好的神經網絡，當輸入端為各種灰色模型的預測值時，其輸出即為用神經網絡組合后的預測值。

通過對上述分析研究表明：

1.基于組合灰色神經網絡的預測模型的預測結果與實際覆冰數據基本吻合，可以被用來對短期輸電線路短期覆冰厚度進行預測，為覆冰厚度的短期預測提供了新的途徑。

2.對于不同輕重覆冰區環境下，該模型均能對輸電線路覆冰厚度進行有效預測，不存在環境差別，通過輕重覆冰區預測值與實際值對比驗證了該模型的準確性和適用性。

3.該模型兼顧了覆冰指數增長和呈“S曲線”增長趨勢，優于傳統單一的灰色預測模型，有效地提高了架空輸電線路覆冰增長趨勢預測的穩定性和準確性，在覆冰多發季節、多發地區，應用該預測模型能夠更好的指導輸電線路抗冰工作，為電力運行部門在短時間內進行科學決策提供了有力支持。