BP神经网络模型在电磁环境预测中的应用
2017-08-17刘建林
刘建林
(北京国环益达环保技术有限公司，北京 100025)
BP神经网络模型在电磁环境预测中的应用
刘建林
(北京国环益达环保技术有限公司，北京 100025)
利用所建立BP神经网络模型的预测功能，基于析因实验设计方法系统分析了所选取因素对电磁环境的影响程度，并结合中心复合实验设计方法，采用响应曲面图直观地呈现了电磁环境的空间分布情况。以实例监测数据为样本建立了BP神经网络模型，电磁环境的模拟系数分别为0.999、0.998和0.841，预测值与实际值的相对误差为0.89%～12.19%。析因实验设计结果表明，工程本身特性(包括工况负荷、垂直高度、水平距离)对电磁环境存在显著的影响，环境因素(温度、湿度、风速)对电磁环境影响不显著，对筛选的显著因素进行进一步的中心复合实验设计，利用响应曲面法直观反映了不同工况负荷条件下，电磁环境在不同垂直高度和不同水平距离的空间分布，可知直流线路对垂直距离小于30m、水平距离小于10m区域内的居民住宅影响最大，该研究为直流工程电磁环境污染控制提供理论支持，同时为建立换流站及交流输变电工程附近区域的电磁环境预测模型提供了新思路。
地面合成强度；直流磁感应强度；BP神经网络模型；析因设计；中心复合设计
0 引言
我国经济发展不平衡，导致电力资源供需矛盾突出，为了将电力资源从充裕区域输送至欠缺的城市，以保证安全输送、均衡地区资源分配，国家电网建设了多条特高压直流工程[1]，工程运行产生的电磁污染对附近居民的影响分析是一项重要且复杂的工作[2]。电磁环境对人体的影响逐渐引起越来越多关注[3-4]。大多数研究关注线路工况负荷、垂直高度和水平距离等因素对电磁环境影响[5-6]，而缺少考虑当地环境状况，如温度、湿度、风速等气象参数对电磁监测值的影响。环境因素与线路特性为自变量，电磁环境为因变量，系统研究两者之间变化-响应关系有助于更准确地分析直流工程对居民电磁环境的实际影响程度[7]。
BP神经网络是误差反向传播的多层前馈式网络，是模仿生物神经系统的功能和结构发展起来的信息处理系统，具有非线性自适应的信息处理能力。利用BP神经网络建立的非线性映射预测模型已应用于多个领域[8-9]。目前，BP神经网络多用于电力工程的风险评价研究和经济效益分析[10-11]。
建立环境因素(包括温度、湿度、风速)、直流工程本身特性(包括工况负荷、垂直高度、水平距离)与电磁环境(最大地面合成电场强度、地面合成电场强度80%值和直流磁感应强度)关系的BP神经网络预测模型对研究电磁环境空间分布具有重要意义。利用已建立的模型预测不同环境状况下的电磁环境值，利用析因实验设计分析各个因素对电磁环境的影响显著性，并筛选显著影响因素。在筛选的显著因素基础上，采用中心复合实验设计，利用响应曲面法直观分析直流线路在不同工况负荷条件下，电磁环境在不同垂直高度和不同水平距离下的空间分布情况。同时，所建立的模型对变电站和交流线路附近的电磁环境预测具有重要借鉴意义。
1 数据采集与模型原理
1.1数据采集
进行了直流工程附近居民住宅的电磁环境监测，监测技术和方法依据《环境影响评价技术导则 输变电工程》(HJ24-2014)的要求进行，以保证监测数据准确性[12]。监测所用仪器为：上海频谱分析仪公司的FSH3型频谱分析仪，意大利里氏公司的TFMS01型直流合成场强计，以及美国FVM-400型矢量磁通门磁力仪，监测仪器均为中国计量科学研究院校准。监测时记录了环境状况(包括温度、湿度、风速)参数，以及线路距监测位置的垂直高度、水平距离；监测期间直流工程工况负荷从换流站中控室取得。
1.2BP神经网络模型原理
BP神经网络是一种多层前馈神经网络，由输入层、隐含层和输出层组成，每层可以有多个节点，每个节点具有特定的激励函数[13]。下层与上层之间信息交换，即下一层的每个节点与上一层的每个节点均相连，单层内部节点间无连接，即同一层的节点之间无信息传输。BP网络具有教师的指导方式，即学习模式对提供给学习网络后，节点激活值开始逐层传播，最终在输出层各节点得到输出响应，通过比较输出响应实际值与期望值，获取误差，最后通过向误差减小的方向逐层修正各个权值，回到输出层。通过反向传播不断调整网络的权值和阈值，使网络的误差平方和最小，最终提高了BP神经网络对输入模式的识别正确性。
BP网络模型的预测精确度用模拟效率系数(NSC)表达，NSC一般取值在0≤NSC≤1的范围内，NSC值越接近于1则表示模型预测值和实验值的匹配程度较高，NSC的具体计算方法见式(1)。
2 结果与讨论
2.1BP神经网络模型
2.1.1 BP神经网络模型建立
环境参数包括温度(X1)、湿度(X2)、风速(X3)，以及工程本身特性包括工况负荷(X4)，水平距离(X5)，垂直高度(X6)作为输入变量，电磁环境包括最大地面合成电场强度(Y1)、地面合成电场强度80%值(Y2)和直流磁感应强度(Y3)作为输出变量。样本数据经min-max标准化处理后，首先采用隶属度函数计算，为确保最终使用的典型样本尽可能多地保留有类属函数值大的样本，选取其中类属度值大于80%值的样本作为典型性样本，然后经模糊聚类分析剔除冗余样本后，选取了54组具有典型性的实例监测数据用于建立模型过程之中，将数据集以训练集、验证集、测试集分成三组，依据各种不同比例进行了测试，将典型性数据分组结果为30组数据作为模型的训练集，12组数据作为模型的验证集，12组数据作为模型的测试集。通过对模型反复的网络训练，确保建立的BP神经网络预测模型能正确反映环境状况、直流工程本身特性与电磁环境之间的变化-响应关系。对该数据建立了不同的预测模式，针对不同模式预测效果进行比较，最终建立BP神经网络预测模型结构中的隐层节点数设置为9，构建三层前向反馈6×9×1结构模型，最大训练次数为15000，训练目标为5.0×10-5，学习效率为0.01。
2.1.2 BP神经网络模型精度分析
为了说明BP神经网络模型预测的准确性，将数据归一化处理之后即进行网络训练，训练收敛之后，对预测样本进行预测。将预测值与实际值进行比较，对比分析结果见表1。从表1中可计算得到BP网络模型预测最大地面合成电场强度、地面合成电场强度80%值和直流磁感应强度的NSC依次为0.999、0.998、0.841。实际值与预测值的相对误差在0.89%～12.19%之间。可知，所建立的BP网络模型具有较好的预测精确度。
2.2影响因素分析
2.2.1 BP神经网络模型预测
进一步分析各个输入变量对电磁环境的影响程度，利用已建立的BP神经网络模型预测析因实验设计的响应值。析因实验设计的因素水平设置见表2，析因设计实验安排及预测结果见表3，预测了最大地面合成电场强度(Y1)，地面合成电场强度80%值(Y2)和直流磁感应强度(Y3)值。
表1 电磁环境实际值与预测值对比
表2 析因设计因素水平设置
2.2.2 基于析因实验设计的因素分析
在BP神经网络模型预测析因实验设计结果的基础上，分析各个因素(即BP神经网络模型的输入变量)：X1、X2、X3、X4、X5和X6对响应值(即BP神经网络模型的输出变量)：Y1、Y2和Y3的主效应和交互效应的影响。
湿度和高度产生的主效应对地面合成场强存在着显著影响，其他因素及交互作用对Y1影响不显著。单因素中的X4、X5和X6对Y1具有主效应影响，X1×X4对Y1具有交互效应影响。X4对电磁环境起着正效应影响，电磁环境监测值随着线路工况负荷增大而增大；X5和X6对电磁环境起着负效应作用，距离线路水平距离越远及线路距地面高度越高，地面合成强度呈现减小的趋势，该结论与许杨等[14-15]的研究结果一致。其他的考虑因素对电磁环境影响不显著，可知不同区域的气候条件对电磁环境影响较小。因此，在工程实际建设过程中，通过远离居民住宅，或增大线路与地面距离是降低地面合成场强的主要措施，同时也可避免工程正常运行情况下对公众日常活动的影响[16]。Y1与Y2具有正相应的关联性，各因素对Y2影响与Y1一致。
各因素及其交互作用对Y3影响：X4、X5及X6产生的主效应对直流磁感应强度存在显著影响，其他因素及其交互作用对Y3影响不显著。X4、X5和X6对Y3具有主效应影响，且X4起着正效应作用，X5、X6对Y3具有负效应作用，其对直流磁感应强度影响趋势与Y2类似，当线路工况负荷增加时，Y3监测值增大，随着水平距离、高度增大，Y3呈现降低趋势，其与交流输变电工程电磁环境衰减规律一致[17]。
2.3电磁环境空间分布
在析因实验设计影响因素分析的基础上，选取显著影响因素X4、X5和X6，采用33中心复合设计实验分析线路不同高度、不同水平距离的电磁环境分布情况。利用已建立的BP神经网络模型预测响应值，得到的响应曲面图如图1所示。
图1 不同工况负荷条件下的电磁环境监测值空间分布
图1显示了合成电场—最大地面合成电场强度；80%值—地面合成电场强度80%值；地面磁场感应强度。从图中可直观地得到，直流线路附近的居民住宅随着工况负荷的增大，Y1、Y2和Y3随之增大；当线路工况负荷一定时，距离线路导线垂直距离越近，电磁环境监测值越大；同样距离边导线水平距离越近，电磁环境监测值越大。0
同样，X6<30m时，电磁环境值随着X5的减小而明显增大；X5>30m时，随着X5的减小电磁环境值增大幅度较小。
从上述分析可以看出，直流线路对居民影响最大区域在垂直距离小于30m、水平距离小于10m区域内的居民住宅。在线路实际建设过程中，若线路附近有居民住宅，则应适当抬高铁塔架设高度，或者摆动线路路径，确保工程对居民生活影响较小，避免发生环保拆迁现象，也避免后续工程运行过程中的发生公众投诉纠纷，为直流工程的电磁污染控制提供理论指导。同时，为建立变电站附近区域的电磁环境预测模型提供了重要的思路，由于变电站电气设备类型多而复杂，首先应具体分析各个类型电气设备的电磁环境贡献情况，然后借鉴本文所建立模型思路并进行适当修正建立适合变电站的电磁环境BP神经网络模型，本文所建立模型对变电站附近的电磁环境预测具有重要借鉴意义。
表3 析因设计实验预测结果
3 结语
利用建立的BP神经网络对析因实验设计及中心复合实验设计的不同环境因素(包括温度、湿度、风速)、不同直流工程本身特性(包括工况负荷、垂直高度、水平距离)条件下的电磁环境响应值进行了预测，并对影响因素的显著性及电磁环境的空间分布进行了分析，主要结论如下：
(1)建立BP神经网络预测模型结构中的隐层节点数设置为9，构建三层前向反馈6×9×1结构模型，最大训练次数为15000，训练目标为5.0×10-5，学习效率为0.01。BP神经网络模型预测最大地面合成电场强度、地面合成电场强度80%值的NSC为0.999、0.998、0.841。实际值与预测值得相对误差在0.89%～12.19%之间。
(2)析因实验设计分析结果表明，X4、X5和X6对Y1、Y2具有主效应影响，X1×X4具有交互效应影响；X4、X5及X6产生的主效应对Y3存在显著影响，其他因素及其交互作用对Y3影响不显著。
(3)中心复合实验设计结果表明，直流线路附近的居民住宅随着工况负荷的增大，Y1、Y2和Y3均随之增大；当线路工况负荷一定时，距离线路导线垂直距离越近，电磁环境监测值与高度、水平距离成反比。直流线路主要影响的关注在垂直距离小于30m、水平距离小于10m区域内的居民住宅。
(4)本研究建立了直流线路附近的电磁环境预测模型，该模型对推进直流、交流输变电工程站和线路附近的电磁环境预测具有重要借鉴意义，有助于本研究在实际应用中的实施和推广。
[1]郭小帆.基于影响因素多级提取的输变电工程投资预测研究[D].北京：华北电力大学2015.
[2]莫 华,王 萌.输变电项目环评存在问题分析及对策建议[J].电力科技与环保,2007,23(4)：4-7.
[3]田子山,姚陈果,杨新春,等.500kV变电站工频电场人体内感应电流的计算分析[J].电力科技与环保,2016,32(5):1-5.
[4]曹文勤,胡建伟,林 炬,等.高压输电线路感应电研究[J].电力科技与环保,2015,31(5):4-5.
[5]邵海江,曹 勇,林 远,等.《环境影响评价技术导则 输变电工程》(HJ24-2014)解读[J].环境影响评价,2015,37(1):24-26.
[6]罗继文,张秋云.输变电环评中工频电场干扰问题研究[J].广东化工,2012,39(6):25-26.
[7]罗 超,查智明,徐 鹏,等.1000kV特高压交流输电线路空间电磁环境的计算模型研究[J].电力科技与环保,2016,32(3):5-7.
[8]王凤来,朱 飞,周 强.基于BP神经网络的灌孔砌块砌体抗压强度预测[J].建筑材料学报,2015,18(6):1010-1016.
[9]陈 磊,李长俊.基于BP神经网络预测硫在高含硫气体中溶解度[J].石油与天然气化工,2015,44(3):1-5.
[10]季丁魁.基于模糊优选神经网络的输变电工程项目经济后评价研究[D].保定:华北电力大学硕士学位论文,2010.
[11]龚宇晨.阿右旗220kV输变电工程风险评价与经济效益分析研究[D].保定:华北电力大学硕士学位论文,2014.
[12]陈文隆,朱 毅,王 骥,等.交流输变电设施电磁环境在线监测深化研究[J].电力科技与环保,2015,31(6):1-3.
[13]杨行峻,郑君里.人工神经网络[M].北京:高等教育出版社,1992.
[14]许 杨,张小青,杨大晟.高压输电线路工频电磁环境[J].电力学报,2007,22(1):9-14.
[15]付朝国,党亚兵,李 明.影响超高压架空输电线下电场的主要因素研究[J].电子质量,2010,(5):81-83.
[16]樊东峰,张建立.特高压输变电工程环保纠纷产生原因及对策探讨[J].华中电力,2011,24(4):41-44.
[17]李 妮,邬 雄 ,张广洲,等.特高压工频电磁场对人体健康影响及其曝露限值[J].高电压技术,2009,35(8):1842-1848.
Application of BP neural network prediction model to the electromagnetic fields
BP neural network model, established to integrate factors with electromagnetic fields, was combined with factorial experiment design and central composite design. The significance of selected factors which affected the electromagnetic fields was analyzed, and then the response-surface method was employed to visually display the spatial distribution of electromagnetic fields based on the central composite design method. Firstly, the BP neural network model was briefly developed using monitoring data, and Nash-Suttclife coefficients were 0.999、0.998 and 0.841 for the largest ground total electric field strength, the 80% value of ground total electric field strength and magnetic flux density respectively, the relative error of experimental and predictive values calculated was between 0.89% and 12.19%, which indicated the accuracy prediction of the model. Secondly, the results of the factorial experiment design demonstrated that the factors, such as temperature, humidity and wind speed, were not of the significance, and the factors including load, height and horizontal distance, were of the significance on the value of electromagnetic fields. Further more, the significant factors were used for central composite design, and the response-surface method was employed to visually display the spatial distribution of electromagnetic fields with the variation of load, height and horizontal distance, which showed that the focus of attention should be placed on the residents living in the area of the vertical dimension less than 30m and horizontal length less than 10m. In conclusion, this research could provide the theoretical support for controlling and protecting the pollution of electromagnetic. Meanwhile, a new idea was provided for BP neural network model of convertor station and substation communication engineering.
ground total electric field strength;magnetic flux density;BP neural network model;factorial experiment design；central composite design of experiment
X703.1
：B
：1674-8069(2017)04-005-05
2017-02-20；
：2017-03-29
刘建林(1982-)，男，北京市人，博士研究生，主要从事环境影响评价及环境污染控制化学方面的研究。E-mail：liujianlin1982@163.com
