本发明涉及一种计及环境要素的特高压输电线路近地面工频电场强度预测方法。
背景技术:
我国能源禀赋在各区域有很大不同,用电负荷与能源禀赋呈现出相反的。特高压输电具有容量大、环保节能、效率高等有点,成为缓解电力需求和能源赋存之间矛盾的重要手段。为此,我国电网发展进入了特高压为主干网架的时代。
随着特高压工程的陆续上马,特高压输电线路对周围环境的影响逐步成为公众关心的问题,特别是对近地面(对人体影响最大)工频电场强度的影响。
现阶段对于特高压输电线路周围电场强度的预测技术主要是通过理论计算(模拟电荷法、有限元分析)和类比分析。通过现场检测和理论分析发现,单纯的理论计算并不能真是的反映出线路周围工频电场强度的真实水平,主要是受周围环境因素的影响,特别是气象条件如湿度、温度等因素的影响;类比分析主要是通过已投运的符合类比条件的线路来类比分析目标线路周围的电场强度,该方法的特点是简单便捷,只能做半定量分析。
技术实现要素:
本发明为了解决上述问题,提出了一种计及环境要素的特高压输电线路近地面工频电场强度预测方法,本发明通过神经网络技术将理论计算与实际测量进行结合,通过大量数据进行训练,既能结合理论计算精确性优点又能够把现场干扰因素考虑在内,能够为以后特高压输电线路工程的建设、运维等提供一种可行的工频电场强度的预测方法。
为了实现上述目的,本发明采用如下技术方案:
一种计及环境要素的特高压输电线路近地面工频电场强度预测方法,包括以下步骤:
对正常运行的线路进行断面的检测;
把基于等效电荷法模型计算结果以及现场监测数据组成的数据集,对神经网络模型进行训练,其中理论计算值、环境要素和线路工况作为模型输入,现场测量值作为模型输出,构成多输入单输出的神经网络模型;
模型预测以检验误差最小为目标,通过比较期望误差与实际训练误差、实际检验误差的关系,预估需要增减的隐含节点数,实现网络结构优化,利用模型对现场监测数据进行特高压输电线路近地面工频电场强度的预测。
进一步的,检测数据包括:环境湿度和温度。
进一步的,记录检测时的线路工况电压、电流、有功功率和无功功率。
进一步的,采用等效电荷方法计算输电线路周围的工频电场强度。
进一步的,将电极表面连续分布的自由电荷或介质分界面上连续分布的束缚电荷用一组离散化的等效电荷来替代,应用叠加原理将离散的等效电荷在空间所产生的场量叠加,即可得原连续分布电荷所产生的空间电场分布。
进一步的,等效电荷的位置视为在输电导线的几何中心,设输电线路为无限长并且平行于地面,地面可视为良导体,利用镜像法计算送电线上的等效电荷。
进一步的,根据当前误差与期望误差的差异判断优化方向和调整幅度。
进一步的,样本的应变量记录值由理想值和数据噪声两者叠加构成。
进一步的,神经网络模型的检验误差为检验输出变量值和模型的预测值差值平方的平均值。
模型的构建过程包括:
模型初始化,设定隐层神经元数,将训练集分为两个数据子集;
模型结构自适应优化调整,以一个数据子集为学习集,另一个数据子集为检验集,利用提前终止法进行训练直到满足种植条件,完成建模。
与现有技术相比,本发明的有益效果为:
本发明通过神经网络技术将理论计算与实际测量进行结合,通过大量数据进行训练,既能结合理论计算精确性优点又能够把现场干扰因素考虑在内,能够为以后特高压输电线路工程的建设、运维等提供一种可行的工频电场强度的预测方法。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明的流程示意图;
图2为本发明的神经网络示意图;
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
如图1所示,一种计及环境要素的特高压输电线路近地面工频电场强度预测方法,具体包括基于现场测量的数据积累;
选择已经正常运行的线路进行实际检测,检测过程应该符合相应的标准条件,选择好典型断面后,进行检测。检测数据包括:环境湿度(h)、温度(t)等,同时记录检测时的线路工况:电压(u),电流(i),有功功率(ap),无功功率(rp)。积累大量的数据。
建立计及环境要素的基于神经网络原理的特高压输电线路近地面工频电场强度预测模型
把基于等效电荷法模型计算结果(e1)及第二部现场监测数据组成的数据集,对神经网络模型进行训练,其中理论计算值(e1)、环境要素(h、t···)、线路工况(u、i、ap、rp)作为模型输入,现场测量值作为模型输出,构成多输入单输出的神经网络模型。
基于等效电荷法的理论计算
静态电场是电磁场中的一种重要的特殊情形,近代电磁场问题能精确求解的不多,故多借助于静电场方法来得到近似解。本发明采用等效电荷方法计算输电线路周围的工频电场强度。该方法法基于电磁场的唯一性定理,将电极表面连续分布的自由电荷或介质分界面上连续分布的束缚电荷用一组离散化的等效电荷来替代,这样,应用叠加原理将离散的等效电荷在空间所产生的场量叠加,即可得原连续分布电荷所产生的空间电场分布。
高压送电线上的等效电荷是线电荷,由于输电线半径r远小于架设高度h,因此等效电荷的位置可以认为是在输电导线的几何中心。设输电线路为无限长并且平行于地面,地面可视为良导体,利用镜像法计算送电线上的等效电荷。多导线线路中导线上的等效电荷由下列矩阵方程计算:
式中:[ui]——各导线上电压的单列矩阵;
[qi]——各导线上等效电荷的单列矩阵;
[λij]——各导线的电位系数组成的n阶方阵(n为导线数目)。
[u]矩阵可由输电线的电压和相位确定,从环境保护考虑以额定电压的1.05倍作为计算电压。
[u]矩阵可由输电线的电压和相位确定,各相的相位和分量,可计算各导线对地电压:|ua|=|ub|=|uc|。
[λ]矩阵有镜像原理求得。地面为电位等于零的平面,地面的感应电荷可由对应地面导线的镜像电荷代替,用i,j,…表示相互平行的实际导线,用i′,j′,…表示他们的镜像,电位系数可表示为:
λij=λji(4)
ε0为真空介质常数,ri为输电导线半径,对于分裂导线可用等效单根导线半径代入。
对于三相交流线路,由于电压为时间向量,计算各相导线的电压时要用复数表示
相应的电荷也是复数量:
然后计算由等效电荷产生的电场。为计算地面电场强度的最大值,通常取夏天满负荷最大孤垂时导线的最小对地高度。因此,所计算的地面场强仅对档距中央一段(该处场强最大)是符合的。
当各导线单位长度的等效电荷量求出后,空间任意一点的电场强度可根据叠加原理计算得出,在(x,y)点的电场强度分量ex和ey可表示为:
式中:xi、yi——导线i的坐标(i=1、2、…m);
m——导线数目;
li、l′i——分别为导线i及镜像至计算点的距离,m。
对于三相交流线路,其任一点电场强度的水平和垂直分量为:
则该点的合成场强为:
现场监测积累数据
选择已经正常运行的线路进行实际检测,检测过程应该符合相应的标准条件,选择好典型断面后,进行检测。检测数据包括:环境湿度(h)、温度(t)等,同时记录检测时的线路工况:电压(u),电流(i),有功功率(ap),无功功率(rp)。积累大量的数据。
基于神经网络模型的计及环境要素的工频电场强度预测
令神经网络输入为xi,输出(工频电场强度的预测值)为yi。把基于等效电荷法模型计算结果(e1)及第二部现场监测数据组成的数据集,对神经网络模型进行训练,其中理论计算值(e1)、环境要素(h、t···)、线路工况(u、i、ap、rp)作为模型输入(x),现场测量值作为模型输出(y),构成多输入单输出的神经网络模型。
针对神经网络建模效果对网络结构、训练方法过于敏感的缺陷,利用一种结构自适应神经网络模型及其训练方法。
网络结构自适应调整方法:
模型预测以检验误差最小为目标,因最小检验误差未知,需逐步试凑,从而消耗大量时间。若能事先估算最小检验误差(本发明称其为期望误差),则可根据当前误差与期望误差的差异判断优化方向和调整幅度,从而显著提高建模的时间效率.为此,本发明利用一种基于期望误差的复合神经经网络结构自适应调整方法,定义神经网络模型的检验误差为
其中:yi和
其中:n为样本数;
若msel<mseo<msev且差距较大,则说明网络结构冗余,应减少隐层节点数;若msel和msev均大于mseo且差距较大,则说明网络结构过于简单,应增加隐层节点数。因此,通过比较期望误差与实际训练误差、实际检验误差的关系,可以大致估计需要增减的隐含节点数,实现网络结构优化。
结构自适应神经网络的建模过程如下:
step1:模型初始化。估算模型期望误差mseo,将训练集分为规模相当的两个子集da和db,构造如图1所示的神经网络,凭经验设定隐层神经元数。
step2:模型结构自适应优化调整,以da为学习集,db为检验集,利用提前终止法训练nna。比较训练后nna的msel,msev和mseo,若3者相差不大,则转至step3;否则,调整隐层节点数,重复step2。
step3:模型优化训练。以da为学习集,db为检验集,选择合适的方法训练nna。随机设定权重初值,多次训练后,选取与msel,msev和mseo接近的模型作为nna的训练结果。以db为学习集,da为检验集,以同样方法训练nnb。
step4:终止训练过程,完成建模。
在step3中采用多次训练是为了降低建模效果对权重初值的敏感性。事实上,因为采用了双网结构,与一般的单网模型相比,本发明方法的建模效果对权重初值的敏感性明显减小。所以,为了提高时间效率,可以省略step3中的多次训练操作。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。