浅析神经网络模型预测输电线路覆冰厚度

容洁1. 邓鹏飞2.

1.中国水电八局有限公司高级技工学校/湖南省水利水电建设工程学校

2.国家电网湖南省电力公司永州分公司

浅析神经网络模型预测输电线路覆冰厚度

容洁1. 邓鹏飞2.

1.中国水电八局有限公司高级技工学校/湖南省水利水电建设工程学校

2.国家电网湖南省电力公司永州分公司

输电线路累积覆冰一旦达到一定的极限厚度形成冰灾会对电网设计和稳定运行带来巨大威胁，线路建设初期若未能考虑极端覆冰情况则极易造成线路倒塌、供电中断等重大影响，因此，科学合理的对短期输电线路覆冰厚度进行预测和长期输电线路的极值覆冰进行准确估计是电网规划人员确定线路规划设计标准所必须解决的一个重要难题。每一种特定的模型都包含了一定的样本信息，单个模型一般难以全面地反映变量间的相互变化规律。如果对多种预测模型进行有机组合，它就能够十分有效的利用多种有用信息，全面而准确的地反映系统的变化规律，减少数据变化的随机性，从而提高预测精度。本文中建立的灰色神经网络组合预测模型采用典型的三层网络结构，即输入层、隐含层、输出层，既把灰色GM(1,1)、DGM(2,1)和Verhulst模型所得到的预测值作为输入层，采用一个隐含层，传递函数为“S”型函数和输出层，输出G-ANN组合预测值，模型结构见图1。

图1 灰色神经网络组合预测结构图

本文中所建立的神经网络预测模型采用较为常见的3层BP神经网络模型。其中由于BP神经网络具有较强的非线性映射能力和柔和的网络结构，能够精确地完成任意的连续映射关系。把GM(1,1)预测模型、DGM(2,1)以及Verhulst模型所得到的预测值作为BP神经网络的输入，采用一个隐含层，隐含层的神经元数目l一般参照公式，其中，m为输入层神经元数；n为输出层神经元数；a为0～10之间的常数，传递函数为Sigmoid型函数，输出G-ANN的预测值，具体建模的主要步骤如下：

1.分别采用这3种常用的灰色模型对输电线路覆冰厚度进行预测，得到各自灰色系统的预测值。

2.然后再将该3种灰色模型的预测值作为BP神经网络模型的输入，选择网络类型和结构。

3.利用实测数据对网络进行训练和测试。

4.利用训练过且符合误差范围的网络，得到合适的连接权系数和阈值，然后由传递函数“S”进行未来短期内输电线路覆冰厚度的预测。

在预测中采用三层前向前馈网络，分别为输入层、隐含层和输出层，输入层的节点数为输入矢量的分量数，取为5，输出层节点数为1，即输电线路覆冰厚度。隐含层的节点数由训练仿真情况取为9。由于节点输出值在[0，1]之间，故对训练样本的输入量和输出量均做以下初始化处理：

式中：xp为实际值；xn为初始化后的值；a值可取在0到xp的最小值之间；b值可取为xp的最大值。

图2 组合灰色神经网络预测算法流程

将GM(1, 1)、Verhulst 和DGM(1, 1)模型分别对覆冰增长趋势进行建模所得到的结果，进行归一化处理后作为输入向量，归一化范围为［0.2-0.8］，归一化方程见式（式2）。将输电线路覆冰厚度增长趋作为输出向量，从而建立了G-ANN模型，预测流程图如上图2所示。

选择与预测值最近的N个已知值作为样本，即把最近的n个已知值作为输出，采用不同的灰色模型对这n个已知值分别进行预测，其预测值即为神经网络的输入，由此对神经网络进行训练。对于训练好的神经网络，当输入端为各种灰色模型的预测值时，其输出即为用神经网络组合后的预测值。

通过对上述分析研究表明：

1.基于组合灰色神经网络的预测模型的预测结果与实际覆冰数据基本吻合，可以被用来对短期输电线路短期覆冰厚度进行预测，为覆冰厚度的短期预测提供了新的途径。

2.对于不同轻重覆冰区环境下，该模型均能对输电线路覆冰厚度进行有效预测，不存在环境差别，通过轻重覆冰区预测值与实际值对比验证了该模型的准确性和适用性。

3.该模型兼顾了覆冰指数增长和呈“S曲线”增长趋势，优于传统单一的灰色预测模型，有效地提高了架空输电线路覆冰增长趋势预测的稳定性和准确性，在覆冰多发季节、多发地区，应用该预测模型能够更好的指导输电线路抗冰工作，为电力运行部门在短时间内进行科学决策提供了有力支持。