基于GABP神经网络技术的雷击跳闸实时预警

　　摘要:由于输电线路运行环境复杂、影响线路雷击跳闸因素多，故很难实现对输电线路的雷击跳闸实时预警。提出一种根据雷电定位系统、输电线路数据与GA-BP神经网络技术相结合的雷击跳闸实时预警的新方法。首先，确定影响线路跳闸的因素，并预处理输入数据;然后，建立以线路档距段为基础的GA-BP神经网络雷击跳闸预测模型，将待预警线路的所有档距段进行预测，并对结果累加求和，从而获得线路整体预测雷击跳闸次数;最后，根据预警分级标准，实现整条线路的雷击跳闸预警。实例表明，该预警模型对算例中30条输电线路的雷击跳闸预警正确分类率为80%，预警准确率为86.67%，虚警率和漏警率分别为23.53%和13.33%，其性能指标都较为理想，故该模型对输电线路的雷击跳闸实时预警有着良好的预判效果。

　　关键词:雷击跳闸预警;雷电流参数;遗传算法;BP神经网络

　　0引言

　　随着电网建设规模的日益扩大，输电线路跨度、电压等级的相应提高，线路遭受雷击风险也越来越大，雷电灾害造成地区电网经济损失和安全隐患愈加严重[1-5]。以广东某地区电网为例，在2011～ 2016年110kV及以上输电线路的跳闸统计中，雷击导致的输电线路跳闸占总跳闸原因的68.77%;漂浮物放电占总原因的23.47%;人为因素占总原因的5.78%;而其他外界灾害仅占总原因的0.72%。由此可见，雷击是导致输电线路故障的最主要原因，雷击跳闸已成为影响电网安全稳定运行的最大威胁[6]。

　　电网建设论文范例：电网建设工程施工现场管理研究

　　因此，若能实现对输电线路雷击风险状态的追踪，便可实时预警评估线路雷击跳闸情况，这将有助于电网运行和调度部门提前做好针对性的避险措施。现有文献大多都是对输电线路雷电灾害风险评估展开的研究，而对输电线路雷击跳闸实时预警方面的研究却鲜有报道。文献[7]提出一种基于大气电场仪和雷电定位系统数据的雷击预警系统，该系统以电场强度雷击及雷电距离为等级划分依据，对广州电网实施了分级雷击预警，但该方法仅考虑了输电线路周边的雷电活动或大气分布情况，而未考虑外界地形环境及自身参数的影响，在对实际线路跳闸预警时，会存在虚报率高、预测准确率低等现象。文献[8]提出一种基于输电线路数据与雷电气象因素的输电线路实时故障概率的评估方法，但该方法需要通过专家经验来确定权重系数，主观因素影响大，使得评估结果不理想。

　　文献[9]提出一种基于三时次相关雷区信息的线路雷击跳闸概率计算新方法，该方法先对雷电的活动轨迹进行预测，根据预测雷电数据与雷击跳闸公式对输电线路雷击跳闸进行了动态预测，但该方主要是通过经验公式计算跳闸概率，从而间接完成跳闸预警，相比直接预测线路跳闸情况，间接方法在预警阈值的划分上存在很大误差，会影响预警性能。针对现有研究的不足，笔者提出了一种基于GA-BP神经网络技术的输电线路雷击跳闸实时预警新方法，该方法将雷电发生点位置、落雷密度、雷电流大小、输电线路杆塔数据与GA-BP神经网络技术充分融合在一起，高效、快速的实现了输电线路的雷击跳闸预警。

　　1基于GA-BP神经网络技术的雷击

　　跳闸实时预警模型误差反向传播(ErrorBackPropagation，BP)神经网络有着非线性处理能力好、自适应学习能力强、容错能力强等优点，现已成为应用最为广泛的神经网络[10]。但它的收敛速度慢，且受网络初始连接权值的影响，该网络在训练过程中极可能收敛于局部极小点。为克服BP神经网络的自身缺陷，本文采用遗传算法(GeneticAlgorithm)对初始连接权值进行优化[11]，使网络输出结果更加接近实际值。基于GA-BP神经网络技术的输电线路雷击跳闸实时预警模型，其建模主要步骤为1)根据雷电定位系统与输电线路数据建立一个输电线路雷击跳闸预警的数据库。

　　2)根据雷击跳闸原理确定影响线路跳闸的参数，并预处理网络输入数据，进而确定GA-BP神经网络结构。3)通过遗传算法优化网络的权值和阈值，使其获得最优值，然后将训练样本数据置于网络中进行学习训练。4)在多次训练取得最优解后，为验证其雷击跳闸计算的准确性，需对模型进行样本测试，最后确定输电线路雷击跳闸计算模型。6)根据GA-BP神经网络计算的整条线路雷击跳闸情况和跳闸预警分级标准，最终实现对输电线路的雷击跳闸分级预警。

　　2影响输电线路跳闸参数预处理

　　输电线路雷击故障主要是由雷云放电引起的线路过电压导致绝缘子闪络而发生的线路跳闸现象[12]。由于输电线路运行环境复杂、雷电活动随机性大，故影响线路雷击跳闸的因素较多[13-16]，其中，包括雷电参数(雷电流幅值、落雷距离、落雷密度等)、地形地貌参数(海拔高度相、地形特征等)、线路自身参数(导线平均高度、避雷线平均高度、杆塔高度、档距、保护角、接地电阻、绝缘子材质损耗等)。

　　如果将所有影响因子都作为GA-BP神经网络的输入，这在实际工程中将很难实现，因为实际统计数据或多或少会有部分参数不详，且参数过多会使网络模型的建立变得复杂，难以实现工程应用。因此，考虑到线路雷击跳闸机理与特征参数在数据上的完整性，笔者主要选取导线平均高度、档距、线路所处地形地貌、避雷线平均高度、接地电阻、雷电流幅值、临近落雷距离、落雷密度，八个特征量作为神经网络特征量输入。

　　2.1临近落雷密度计算

　　前人的研究经验表明，雷击跳闸与地闪密度呈正相关性[17]。故为准确预测线路雷击跳闸，地闪密度不可或缺。但地闪密度一般以年进行统计，考虑的时间跨度过长，这在目前的雷击跳闸预测中行不通，因此，笔者将统计时间缩短至当前预警时间点前15min内，以临近落雷密度取代地闪密度作为雷击跳闸的影响因子。为充分统计临近落雷密度中的落雷个数，以3km作为线路走廊的总受雷宽度，以两相邻杆塔间的档距为受雷长度，来统计预警时间点前15min内的落雷个数。然后按下式进行临近落雷密度的计算。3GA-BP神经网络模型的设计典型的BP神经网络为一种具有3层结构的无反馈、层内无互连的前向网络，其3层结构分别是输入层、隐含层和输出层[19]。

　　4预警分级标准与评估指标

　　雷击跳闸预测是基于相邻杆塔档距段的，但要想实现整条输电线路的雷击跳闸实时预警，就需要将档距段雷击跳闸次数整合到线路上来。笔者根据线路各段的预测值进行累加求和，获得整条线路的雷击跳闸次数(Nline)。

　　5算例验证

　　基于GA-BP神经网络技术的雷击跳闸实时预警模型，首先确定了GA-BP神经网络雷击跳闸预测模型，再根据训练好的网络预测输电线路所有档距段的当前预警时间点前15min内的雷击跳闸情况，并将跳闸次数进行累加求和获得待预警线路的总跳闸次数，根据制定好的预警分级标准，最终完成输电线路的分级预警工作。

　　6结语

　　由于输电线路运行环境复杂、雷电活动随机性大、影响线路雷击跳闸因素多，故很难对输电线路雷击跳闸进行实时预警评估。提出了一种基于GA-BP神经网络技术的输电线路雷击跳闸实时预警新方法，该方法将八类影响线路跳闸的因素(导线平均高度、档距、线路所处地形地貌、避雷线平均高度、接地电阻、雷电流幅值、临近落雷距离、落雷密度)与GA-BP神经网络技术充分融合在一起，高效、快速的实现了输电线路的雷击跳闸预警。本文通过算例验证了该实时预警模型的有效性，以此为依据，便可实时预警评估线路雷击跳闸情况，这将有利于电网运行和调度部门提前做好针对性的避险措施，以确保输电网的安全稳定运行。

　　参考文献:

　　[1]李斌，郭慧娟，王心妍，杨海晶，翟慧强.输电线路雷击跳闸安全风险分析[J].电瓷避雷器，2016(1):123-128.LIBin，GUOHuijuan，WANGXinyan，YANGHaijing，ZHAIHuiqiang.Safetyriskanalysisoflightningtripoftransmissionline[J].InsulatorsandSurgeArresters，2016(1):123-128.

　　[2]郭志民，王伟，李哲，熊小伏，梁允，王建.强对流天气下输电线路多因素风险动态评估方法[J].电网技术，2017，41(11):3598-3608.GUOZhimin，WANGWei，LIZhe，XIONGXiaofu，LIANGYun，WANGJian.Multi-factordynamicriskassessmentmethodfortransmissionlinesundersevereconvectiveweather[J].PowerSystemTechnology，2017，41(11):3598-3608.

　　[3]HUMing，HUANGXuwei.Lightingactivityanalysisandriskevaluationoftransmissionline[C].Proceedingsof2011InternationalConferenceonQuality，Reliability，Risk，Maintenance，andSafetyEngineering，Xi'an:[s.n].2011

　　[4]邓红雷，戴栋，李述文.基于层次分析-熵权组合法的架空输电线路综合运行风险评估[J].电力系统保护与控制，2017，45(01):28-34.

　　作者：邓红雷，唐崇旺，刘刚，张莉彬

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/25959.html