电网规划数据中架空线路参数辨识.docVIP

电网规划数据中架空线路参数辨识 　　摘要：文章建立了电网规划数据中架空线路参数辨识模型，模型采用多元回归分析和BP神经网络相结合的方法实现。首先利用多元回归分析得到神经网络计算模型的初始连接权值，然后利用BP神经网络训练得到架空线路的长度值，最后利用长度和线路标准参数表进行架空线路的参数辨识。 　　关键词：电网规划；交流线路；线路长度；多元回归；神经网络 文献标识码：A 　　中图分类号：TP273 文章编号：1009-2374（2016）22-0062-03 DOI：10.13535/j.cnki.11-4406/n.2016.22.030 　　1 概述 　　电网规划是电网安全稳定运行的基石，电网规划数据的准确性尤其是数据中交流架空线路参数的准确性对规划结果的合理性具有重要影响。 　　对于输电线路的参数辨识方法较多，例如增广状态估计法、偏移向量法、卡尔曼滤波法等传统数值方法，这些方法能较好地逼近平滑目标函数的极值点，但其迭代过程都依赖量测方程的增广雅可比矩阵，苛刻地要求量测系统必须同时满足状态可观测和参数可估计条件，并且可能遭受数值问题的干扰。参考文献[4]中提出一种线路参数估计启发式方法，将目标函数从增广解空间垂直投影到参数空间，以启发式方法有哪些信誉好的足球投注网站参数空间，寻找投影下表面的下确解，较好地解决了数值问题的干扰。参考文献[5]在基于双端PMU数据的线路线性数学模型和相应的最小二乘辨识的基础上，引入基于IGG法的抗差准则。 　　2 BP人工神经网络 　　2.1 BP神经网络模型 　　BP神经网络由输入层、隐含层和输出层三层网络组成。BP神经网络的核心在于其误差反向传播，反向传播的学习规则是基于梯度下降法，由输出端的实际输出值与期望输出值的误差平方和进行链式求导，从而各层之间的连接权值。 　　2.2 BP神经网络模型算法优缺点分析 　　神经网络可以充分逼近任意复杂的非线性关系；采用并行分布处理方法；可学习和自适应不确定的系统等。 　　BP神经网络算法的极小化代价函数易产生收敛慢或者振荡的现象；代价函数不是二次的，而是非凸的，存在许多局部极小点的超曲面。这也导致神经网络算法对初值的要求较高，给定较好的初值，BP神经网络的收敛速度会大大加快，而且不易陷入局部极小值。 　　3 线路参数辨识中多元回归模型与神经网络的结合 　　3.1 线路长度回归计算模型 　　实际工程中，线路长度与阻抗导纳值之间的关系是确定的，对于架空线路，当长度小于300km时，其阻抗导纳参数等于该型号架空线路单位长度的阻抗导纳值与线路长度的乘积，此时阻抗导纳参数与线路长度为简单的线性关系；而当长度大于300km时，其阻抗导纳参数的值就需要考虑长距离输电线路分布参数的情况，此时并不能用简单的线性关系来描述。 　　在建立线路长度回归计算模型时，首先忽略线路的分布参数特性，建立回归模型如下： 　　式中：L表示线路长度；lX表示通过电抗参数除以单位长度的电抗值得到的线路长度；lR表示通过电阻参数得到的线路长度；lG表示通过电导参数得到的线路长度；lB表示通过电纳参数得到的线路长度；K1、K2、K3、K4、K5分别为各自的系数值。 　　回归方程的求解采用最小二乘法，目标是使长度的计算值与长度的实际值差值的平方和达到最小，目标函数为： 　　J=∑Ni=1（Li～-Li）2 　　式中：J为线路长度计算值与实际值差值平方和；N为样本线路的条数；Li～为线路长度的实际值；Li为线路长度通过回归模型的计算值。 　　3.2 BP神经网络模型的建立 　　当考虑线路长度的分布参数情况时，线路参数之间就不仅是简单的线性关系，本文建立了神经网络模型，输入层为线路的电阻、电抗、电导和电纳参数值；隐含层包含5个神经元；输出层为线路的长度值。 　　如图1所示，神经网络模型的输入层为线路的阻抗导纳值；输出层结果为线路长度，其中隐含层到输出层的连接权值采用3.1中回归模型的5个系数值作为初始值，然后输入样本值对神经网络进行训练，直到输出实际值与理想值满足误差要求时停止。 　　4 回归分析与神经网络结合模型在线路参数辨识中的应用 　　4.1 线路参数辨识流程 　　根据以下步骤建立线路参数辨识模型，完成对BPA中交流架空线路的电阻、电抗、电导和电纳参数的辨识。 　　第一步：提取BPA中所有交流架空线路的完整参数信息。 　　第二步：训练回归模型和神经网络模型，直至满足收敛标准。 　　第三步：判断线路长度参数是否填写。如果已填写线路长度则进入步骤四，若没有填写线路长度进入步骤五。 　　第四步：根据已训练完成的神经网络模型反推线路的长度值，并比较线路长度的训练值与长度填写值之间的差距，如果两者差距在合理范围之内，进入步骤六，如果两者差距过大，则采用长度训