基于時(shí)滯型神經(jīng)網(wǎng)絡(luò)覆冰預(yù)測(cè)可行性分析

1、tnii學(xué)朮友叢網(wǎng)論文發(fā)表專家一l基于時(shí)滯型神經(jīng)網(wǎng)絡(luò)覆冰預(yù)測(cè)可行性分析摘要：對(duì)于收集到的各桿塔監(jiān)測(cè)點(diǎn)的大量監(jiān)測(cè)數(shù)據(jù)進(jìn)行異常剔除、整理等工作，而后利用神經(jīng)網(wǎng)絡(luò)建模的方法探討了基于時(shí)滯型神經(jīng)網(wǎng)絡(luò)建立覆冰預(yù)測(cè)模型的可行性。關(guān)鍵詞：覆冰預(yù)測(cè)bp神經(jīng)網(wǎng)路回歸建模微氣象1研究背景2008年冬，我國(guó)南方大部發(fā)生了50年一遇的特大冰雪災(zāi)害。從全國(guó)電網(wǎng)看，雪災(zāi)觸及湖南、湖北、河南、云南、貴州、江西、浙江乃至整個(gè)中國(guó)南部。由于線路覆冰造成線路底線懸垂、鐵塔倒塌、絕緣子斷裂等，給電力系統(tǒng)造成巨大的危害。其中受災(zāi)最嚴(yán)重的華中電網(wǎng)直調(diào)系統(tǒng)共發(fā)生225次500kv線路故障跳閘，保護(hù)動(dòng)作約3000次，是2007年動(dòng)作次數(shù)的

2、6倍多。在受災(zāi)最嚴(yán)重的湖南電網(wǎng)，32條500kv輸電線路有30條由于冰雪凍雨導(dǎo)致多次跳閘和故障；但同時(shí)，由于冰凍災(zāi)害地域性很強(qiáng)，發(fā)生相對(duì)來(lái)說(shuō)不是很頻繁。目前還缺少較為系統(tǒng)、科學(xué)、完備的預(yù)測(cè)手段，使得氣象部門很難對(duì)冰凍災(zāi)害進(jìn)行評(píng)估和預(yù)測(cè)。因此，對(duì)于覆冰預(yù)測(cè)可行性的研究顯得意義重大。2主要研究工作及安排本文研究工作可以分為兩步：（1）對(duì)南方電網(wǎng)輸電覆冰預(yù)警監(jiān)測(cè)系統(tǒng)提供的原始數(shù)據(jù)進(jìn)行提取和處理。選取比較理想的覆冰前中后數(shù)據(jù)段，剔除明顯異常的數(shù)據(jù)，同時(shí)由于檢測(cè)系統(tǒng)提供的覆冰時(shí)間匸交發(fā)表專家一LB國(guó)學(xué)朮發(fā)叢網(wǎng)和覆冰質(zhì)量的數(shù)據(jù)不完整，跟微氣象因素?cái)?shù)據(jù)有時(shí)間上的出入，所以需要人工采用均值的方法進(jìn)行填補(bǔ)；（2

3、）分析數(shù)據(jù)特征，采用bp型神經(jīng)網(wǎng)絡(luò)對(duì)覆冰過(guò)程進(jìn)行建模，調(diào)試各個(gè)微氣象因素對(duì)覆冰影響的權(quán)重因素。然后對(duì)建立的模型進(jìn)行測(cè)試組數(shù)據(jù)的檢測(cè)仿真，確定模型的可行性。3數(shù)據(jù)采集本文所采取的數(shù)據(jù)均來(lái)自南方電網(wǎng)覆冰在線監(jiān)測(cè)系統(tǒng)?！澳戏诫娋W(wǎng)輸電線路覆冰預(yù)警監(jiān)測(cè)系統(tǒng)”是南方電網(wǎng)抗冰融冰關(guān)鍵技術(shù)與應(yīng)用的子項(xiàng)目之一，是2008年南方電網(wǎng)重點(diǎn)科研項(xiàng)目。該系統(tǒng)采用多種科學(xué)手段，對(duì)輸電線路覆冰特征參量等運(yùn)行情況進(jìn)行綜合在線監(jiān)測(cè)，并以此分析計(jì)算線路覆冰發(fā)展趨勢(shì)，及時(shí)進(jìn)行覆冰預(yù)測(cè)預(yù)警，提醒工作人員早采取措施，確保線路運(yùn)行安全。目前，該系統(tǒng)分為南方電網(wǎng)公司及其所轄各省網(wǎng)公司、超高壓公司兩級(jí)體系結(jié)構(gòu)。在統(tǒng)一標(biāo)準(zhǔn)的基礎(chǔ)上，各省公司、

4、超高壓公司單獨(dú)進(jìn)行建設(shè)。4數(shù)據(jù)采集和處理南網(wǎng)輸電線路覆冰監(jiān)測(cè)預(yù)警系統(tǒng)是采用標(biāo)準(zhǔn)化數(shù)據(jù)庫(kù)方式實(shí)現(xiàn)對(duì)監(jiān)測(cè)終端盒的信息配置，監(jiān)測(cè)采集到的氣象因素、導(dǎo)線溫度、線路覆冰以及絕緣子漏電流等，其數(shù)據(jù)量非常巨大。根據(jù)以上我們選取了以下覆冰數(shù)據(jù)比較充分、可信的4個(gè)終端作為數(shù)據(jù)來(lái)源。其信息如表1。我們知道，線路覆冰的條件有四個(gè):匸交發(fā)表專家一LB國(guó)學(xué)朮發(fā)叢網(wǎng)(1) 溫度在0C以下；(2) 濕度在85%以上；(3) 風(fēng)速大于1m/s;以上條件持續(xù)約37天。因此，針對(duì)以上第一個(gè)問(wèn)題，考慮到現(xiàn)實(shí)中覆冰過(guò)程不會(huì)出現(xiàn)突變，本問(wèn)是采用等值均值的方法填補(bǔ)缺失的數(shù)據(jù)。即缺失的數(shù)據(jù)等于前一數(shù)據(jù)加上缺失段前后數(shù)據(jù)的差值再除以缺失數(shù)目

5、。由于所需的數(shù)據(jù)總共有6種，而且他們之間數(shù)值相差比較大，為了防止在神經(jīng)網(wǎng)絡(luò)建模過(guò)程中出現(xiàn)大數(shù)吃小數(shù)，使本來(lái)可能起決定性作用的因素成為啞元，因此，在進(jìn)行matlab建模仿真之前需要對(duì)數(shù)據(jù)進(jìn)行歸一化。在利用神經(jīng)網(wǎng)絡(luò)對(duì)所建網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，應(yīng)盡可能使輸入數(shù)據(jù)維持在-1,1之間，這樣可以提高網(wǎng)絡(luò)訓(xùn)練的收斂速度。同時(shí)，由于對(duì)數(shù)據(jù)進(jìn)行了歸一化，因此，在網(wǎng)絡(luò)訓(xùn)練完畢，進(jìn)行測(cè)試組預(yù)測(cè)驗(yàn)證的時(shí)候還要將預(yù)測(cè)出來(lái)的數(shù)據(jù)進(jìn)行反歸一化。本文經(jīng)過(guò)實(shí)驗(yàn)實(shí)踐，采用反正切函數(shù)歸一化時(shí)性能較好。5神經(jīng)網(wǎng)絡(luò)原理介紹人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetworks,ann),亦稱為神經(jīng)網(wǎng)絡(luò)(nn),是一種模擬人的大腦神經(jīng)

6、通過(guò)突觸連接進(jìn)行信息處理和交換的數(shù)學(xué)模型。通過(guò)統(tǒng)計(jì)學(xué)的標(biāo)準(zhǔn)數(shù)學(xué)方法我們能夠得到大量的可以用函數(shù)來(lái)表達(dá)的局部結(jié)構(gòu)空間；另一方面，在人工智能學(xué)的人工感知領(lǐng)域，我們通過(guò)數(shù)學(xué)統(tǒng)計(jì)學(xué)的應(yīng)用可以做人工感知方面匸交發(fā)表專家一LB國(guó)學(xué)朮發(fā)叢網(wǎng)的解決問(wèn)題。這種方法比正式的邏輯學(xué)推理演算更具優(yōu)勢(shì)。神經(jīng)網(wǎng)絡(luò)的特點(diǎn)如下：(1) 非線性。非線性關(guān)系是自然界的普遍特性。大腦的思維就是種非線性現(xiàn)象，具有閾值的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)具有更好的性能，可以提高容錯(cuò)性和存儲(chǔ)容量。(2) 非局限性。一個(gè)神經(jīng)網(wǎng)絡(luò)往往是由很多個(gè)神經(jīng)元廣泛連接而成。一個(gè)系統(tǒng)的整體行為不僅僅取決于單個(gè)神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定

7、的。通過(guò)神經(jīng)元之間大量的連接，模擬大腦的非局限性。(3) 非常定性。神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自學(xué)習(xí)、自組織的能力。不僅要處理的信息可以有多種多樣的變化，同時(shí)，非線性動(dòng)力系統(tǒng)本身也在不斷變化。迭代是描寫動(dòng)力過(guò)程系統(tǒng)演化過(guò)程的基本方法。6bp型神經(jīng)網(wǎng)絡(luò)的matlab實(shí)現(xiàn)如何設(shè)計(jì)bp網(wǎng)絡(luò)的結(jié)構(gòu)：bp網(wǎng)絡(luò)的輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)是根據(jù)具體問(wèn)題具體確立的，比如本文，輸入節(jié)點(diǎn)為5個(gè)(溫度，風(fēng)速，風(fēng)向，濕度，降雨量)，輸出節(jié)點(diǎn)為一個(gè)(覆冰質(zhì)量)。bp神經(jīng)網(wǎng)絡(luò)的難點(diǎn)就在于其網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)，包括隱層數(shù)目和各隱層節(jié)點(diǎn)數(shù)目的確定。這兩個(gè)得到最優(yōu)化設(shè)計(jì)之后，利用matlab可以實(shí)現(xiàn)對(duì)各層網(wǎng)絡(luò)、各個(gè)節(jié)點(diǎn)之間權(quán)重的訓(xùn)練和優(yōu)化，達(dá)

8、到預(yù)期的偏差。隱層的結(jié)構(gòu)很大程度上決定了網(wǎng)絡(luò)的質(zhì)量，隱層的數(shù)目取決于問(wèn)題的特tnii學(xué)朮友叢網(wǎng)論文發(fā)表專家一l占八、funahashi證明了對(duì)于任何閉區(qū)間內(nèi)連續(xù)的函數(shù)都可以用單隱層的神經(jīng)網(wǎng)絡(luò)來(lái)逼近，而三隱層的bp神經(jīng)網(wǎng)絡(luò)可以完成從任意m維到n維的映射，但是并不能保證是最佳的，由于本文涉及到5組大量的數(shù)據(jù)，因此采用3隱層設(shè)計(jì)。同時(shí)，本文拿單隱層和雙隱層與三隱層作對(duì)比，發(fā)現(xiàn)3隱層的預(yù)測(cè)準(zhǔn)確性要高于前兩者，可見(jiàn)，設(shè)計(jì)是合理的。具體內(nèi)容在下一章會(huì)有具體講述。隱節(jié)點(diǎn)數(shù)的選擇也非常重要，而隱節(jié)點(diǎn)數(shù)與問(wèn)題的復(fù)雜程度有關(guān)，沒(méi)有具體的應(yīng)用公式。隱節(jié)點(diǎn)太多，會(huì)導(dǎo)致學(xué)習(xí)過(guò)程過(guò)久，誤差增大；數(shù)目太少，有可能無(wú)法訓(xùn)練出

9、所需的網(wǎng)絡(luò)，或者網(wǎng)絡(luò)的學(xué)習(xí)和聯(lián)想能力很差。因此，本文先放入較多的節(jié)點(diǎn)（10個(gè)），通過(guò)學(xué)習(xí)，將作用甚微的節(jié)點(diǎn)逐步剔除。權(quán)初值的選擇也很重要，由于網(wǎng)路是非線性的，權(quán)初值太大會(huì)使學(xué)習(xí)過(guò)程陷入局部最優(yōu)，甚至不收斂。因此，本文在選擇權(quán)初值的時(shí)候，盡量使權(quán)初值很小（介于-0.10.1之間），這樣就使得權(quán)輸出在累加的時(shí)候每個(gè)神經(jīng)元的狀態(tài)近似為零。不至于學(xué)習(xí)一開始就陷入誤差平坦區(qū)域。nntool工具是matlab專門用于建立神經(jīng)網(wǎng)絡(luò)的工具箱，它不用編寫程序，只需要導(dǎo)入輸入數(shù)據(jù)（inputs）和目標(biāo)數(shù)據(jù)（targets），然后設(shè)置網(wǎng)絡(luò)的樣式和訓(xùn)練方式，網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)數(shù)，就可以直接生成網(wǎng)絡(luò)，通過(guò)訓(xùn)練達(dá)到所需誤差。

10、匸交發(fā)表專家一LB國(guó)學(xué)朮發(fā)叢網(wǎng)具體步驟如下：(1) 把數(shù)據(jù)(輸入、輸出)導(dǎo)入matlab中去；(2) 將workplace中的變數(shù)匯入nntool;(3) 建立網(wǎng)絡(luò)；(4) 網(wǎng)絡(luò)初始化；(5) 訓(xùn)練網(wǎng)絡(luò)；(6) 仿真網(wǎng)絡(luò)；(7) 輸出和儲(chǔ)存模擬結(jié)果；(8) 調(diào)用之前構(gòu)建的網(wǎng)絡(luò)用于實(shí)踐。以下就為matlab中nntool工具的實(shí)現(xiàn)，結(jié)果如下：以下為三層神經(jīng)網(wǎng)絡(luò)的調(diào)試結(jié)果：7結(jié)論按照以上原理經(jīng)過(guò)模擬實(shí)現(xiàn)得到以下結(jié)論。線路的覆冰跟線路周圍的微氣象有直接的關(guān)系，本文通過(guò)桿塔上微氣象傳感器和覆冰質(zhì)量傳感器傳回來(lái)的大量數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)來(lái)建立對(duì)應(yīng)關(guān)系。本文的主要研究工作有以下三方面：(1) 原始數(shù)據(jù)的處理

11、。首先原始數(shù)據(jù)存在兩個(gè)重要問(wèn)題，一個(gè)是數(shù)據(jù)的缺失，主要是在覆冰質(zhì)量上；另外一個(gè)就是存在粗大誤差。對(duì)于前者，本文是采用利用缺失恰后的數(shù)據(jù)，進(jìn)行均差填補(bǔ)，這是考慮到覆冰是個(gè)持續(xù)過(guò)程，不會(huì)突增突減。這也可以使數(shù)據(jù)顯得較為平滑，對(duì)于覆冰模型的建立有好處，當(dāng)然不得不說(shuō)這樣可能會(huì)引匸交發(fā)表專家一LB國(guó)學(xué)朮發(fā)叢網(wǎng)入人為誤差，但是權(quán)衡利弊，還是選擇了這種方法。(2) 數(shù)據(jù)的歸一化。鑒于微氣象因素在數(shù)值上差異較大，所以首先放棄用對(duì)數(shù)歸一化。然后，本文對(duì)線性歸一化和反正切歸一化進(jìn)行了模擬，發(fā)現(xiàn)線性歸一化的誤差要比反正切歸一化的低一個(gè)數(shù)量級(jí)，因此，采用線性歸一化作為本文的數(shù)據(jù)歸一化方式。(3) bp神經(jīng)網(wǎng)絡(luò)的構(gòu)建。本文先固定時(shí)滯時(shí)間，分別對(duì)網(wǎng)絡(luò)層數(shù)和隱層節(jié)點(diǎn)數(shù)進(jìn)行調(diào)節(jié)，構(gòu)建出符合期望的網(wǎng)絡(luò)模型。然后對(duì)模型進(jìn)行仿真。然后改變時(shí)滯時(shí)間，同上述原理一樣進(jìn)行建模仿真。參考文獻(xiàn)：1 國(guó)家氣候中心.2008年初我國(guó)南方低溫雨雪冰凍災(zāi)害及氣候分析m.北京：氣象出版社,2008.2 王遵婭,張強(qiáng),陳裕,等.2008年初我