基于神经网络技术的输电线路走廊雷电活动参数预测分析

沈海实 肖 畅

（广东电网公司湛江供电局，广东 湛江 524000）

基于神经网络技术的输电线路走廊雷电活动参数预测分析

沈海实 肖 畅

（广东电网公司湛江供电局，广东 湛江 524000）

输电线路是电力系统的网架，其安全性和可靠性至关重要。雷害事故在输电线路中所占比重较大，雷电活动参数预测的准确性直接对输电线路防雷计算和设置产生重要影响，本文基于神经网络技术，对输电线路走廊雷电活动参数进行了预测分析，分析了神经网络的学习过程，建立输电线路走廊地闪分布预测模型，针对某省500kV线路，进行了基于自适应神经网络的地闪分布预测，结果表明，该方法能够从整体上反映所预测年份的地闪分布情况。

神经网络技术；输电线路走廊；雷电活动；参数预测

作为整个电网的重要组成部分，输电线路的可靠运行直接关系到整个电网的安全性与稳定性。通常雷电故障在输电线路整体的运行故障中所占比例非常大，这就对电网的安全运行造成了严重的威胁[1]。采取有效的措施预防输电线路的雷电事故，需要首先对输电线路的防雷耐雷水平进行计算，其主要是基于雷电活动的参数展开的，因此，雷电活动的参数预测的合理性与否，将直接对输电线路的防雷水平造成影响，从而影响输电线路的防雷效果。本文基于神经网络技术，对输电线路走廊雷电活动参数进行了预测。

1 人工神经网络技术

所谓人工神经网络，就是指记住大量处理单元，以特定的拓扑结构进行连接而构成的复杂网络集，其优点在于对生物脑神经的网络功能进行吸取，并完成了并行处理功能，具有高度的自适应能力及灵活性，在各个领域的工程项目中都得到了大量的应用[2]。

1）人工神经元的模型分析

通过人工神经网络可以实现对生物神经系统的模拟，其基础是人工神经元的模型。通常典型的模型如图1所示，其组成部分是：连接链、激活函数及加法器。

图1 人工神经元的模型图

2）人工神经网络的学习过程

人工神经网络的一个重要特质是其具有自我学习能力，能够通过这种自我学习对其行为进行改善[3]。通过对连接链的权值及阀值进行调整可对误差进行修正，通常有 Hebb算法及竞争算法等方法，本文采用的误差算法，如下：

首先令yk(n) 代表第k个神经元在第n时刻的输出值，令 dk(n) 代表由训练样本给出的输出值，可将误差信号表示为：

对误差信号进行表示的目的是将其作用于第 k个神经元，并用于阀值和权值的修正，通过这种修正可将输出信号向期望值逼近，通过误差函数对其进行判断：

E是期望求值算子，本文采用梯度下降法实现，将J作为目标函数值时，需要对整个计算过程的统计特性进行分析，因此利用ε(n)来代替J，即

然后再通过梯度下降法来求其对权值 的最小值，即

2 输电线路走廊地闪分布预测模型

作为雷电活动的一个基础参数，地闪密度通常是用来描述雷电活动的空间尺度，为雷电活动预测提供基本数据。通过对地闪密度进行预测，可直观了解雷云的频繁程度。根据相关研究经验，可将输电线路的走廊宽度设定为 10km，其中 500kV输电线路的档距通常在500m左右，本文以20根杆塔为基本步长，将整条输电线路的走廊划分为若干个栅格，将这些珊格标号为1#—N#，如图2所示。

图2 沿线路走廊的栅格模型

3 基于自适应神经网络的地闪分布预测

本文根据所提出的模型，对某省内的一条500kV输电线路沿线走廊2009—2013年的雷电监测数据进行了分析和预测。首先对输电线路走廊地闪次数进行统计，选择2009—2013年的数据，将其作为训练的样本，其中 2010年的数据作为检测的样本。针对雷电活动数据之间的离散性，不同的年份中数据的数量级也有非常大的差异。如果采用直接法对雷电活动数据进行预测，则难以保障预测的精度，因此本文利用比例正规法对原闪数据进行微处理，以减小各个数据之间的差异性。

根据所建立的预测模型可知，整个神经网络的输出神经元是由所预测的输电线路走廊栅格数决定的，通常神经元的各个在5个以下，如果输出神经元个数增多，则将导致网络的计算过程繁琐，难以保障其收敛性，甚至有可能不收敛。因此，假定输出神经元各个个数为 5，统计输电线路走廊 1至 5号栅格内各年的地闪次数，其预测结果见表1所示。

表1 预测结果表

将预测结果与实际值对比可以发现，各个栅格内的地闪密度预测结果误差都较大，但在总体上能够正确反映所预测年份的地闪分布情况，这样就可以利用自适应神经网络对地闪密度进行合理预测，具体的方法还有待于进一步完善。

4 结论

本文基于神经网络技术，提出了输电线路走廊地闪分布预测模型，对某省500kV输电线路走廊雷电活动进行了预测，结果表明，这种方法虽然对单个地闪密度预测结果误差较大，但能从整体上反映所预测年份的地闪分布情况，因此是切实可行的。

[1] 陈家宏, 郑家松, 等. 雷电日统计方法[J]. 高电压技术, 2006, 32(11): 115-118.

[2] 赵青. 基于分层遗传算法的 BP神经网络学习算法[J]. 杭州师范大学学报, 2008, 7(2): 135-138.

[3] 吴高林, 唐世宇, 印华, 等. 利用落雷密度划分重庆雷区的研究[J]. 高电压技术, 2007, 4(33): 122-125.

Analysis of Neural Network Technology in the Tranmission Line Corridors Lightning Activity Parameters Prediction

Shen Haishi Xiao Chang
(Power Supply Bureau of Guangdong Power Grid Corporation Zhanjiang, Zhanjiang,Guangdong 514000)

Transmission lines are power system grid, and its safety and reliability is essential.Mine accident victims in a larger proportion of transmission lines, lightning activity forecast accuracy parameters has an important impact directly on the transmission line lightning calculation and setting.The paper is based on neural network technology, the transmission line corridors lightning activity parameters were predictive analyzed the learning process of neural networks, and the establishment of transmission line corridors to flash distribution prediction model for the province 500kV lines were flashing distributed adaptive neural network-based prediction. The results show that this method can reflect the overall predicted Year of CG distribution.

neural network technology；transmission line corridors；lightning activity；parameter prediction

沈海实（1977-），男，广东湛江人，研究生学历，工商管理硕士（MBA）,电气工程硕士，工程师，主要从事电力企业生产管理。