[发明专利]基于BP神经网络的线路参数特性辨识模型的建立方法

说明书

本发明公开了基于BP神经网络的线路参数特性辨识模型的建立方法，包括如下步骤：步骤1、获取线路两端的原始实测数据；步骤2、建立输电线路等值模型；步骤3、基于PMU量测数据和输电线路等值模型，采用抗差最小二乘法对输电线路参数进行辨识，得到输电线路参数的估计值X′；步骤4、建立基于BP神经网络的线路参数特性辨识模型；步骤5、分别读取线路两端的原始实测数据和输电线路参数的估计值，采用BP神经网络进行反复训练并修正内部的权值和阈值，当实际输出值与期望输出值之间的总误差精度小于最小误差值ε时，停止训练，获得最终的基于BP神经网络的线路参数特性辨识模型。形成可用于实际电网的稳态模型参数模型，提高电网分析计算的准确性。

技术领域

本发明涉及基于BP神经网络的线路参数特性辨识模型的建立方法。

背景技术

随着电网基础量测数据采集准确性的提高，参数误差成为影响电网分析计算准确性的重要因素，参数误差将导致计算精度降低，结果可信度差，大大影响了电网分析软件实用化。电网设备参数目前主要来源于实测或理论计算值，参数精度无法有效保证，对于实测参数一般需要在停电状态下进行，存在工作量大、工作时间长问题，同时由于测试过程中的人为疏忽或测试原理的不足，测量参数可能存在较大的误差。现有调度系统对于设备稳态模型参数认为是不变或在一定时间段内是缓慢变化的，因此所有电网分析软件中使用的均是静态模型参数，但是设备模型参数与电网潮流、运行方式、温度、气象、环境等因素都有关系，具有可变性，因此，固定的模型等值参数无法满足高级应用计算的需求。

参数估计是提高参数准确性的重要技术手段，在参数估计方面已经开展了很多理论技术研究，现有的常见方法包括：残差灵敏度分析法、扩展最小二乘估计法以及卡尔曼滤波法，但现有方法都是基于参数是固定的这样假设条件下进行计算的，同时对电网基础数据质量问题的影响考虑不足，不能很好的处理错误量测与参数错误混杂在一起的问题，在基于单断面信息时易受量测数值不稳定影响，因此对参数估计模型偏于乐观，参数估计结果在一段时间内出现变化较大问题，实际应用效果不理想，理论研究和实践脱节现象比较明显，因此实际维护中经常采用试探性参数修正方式，但其存在理论依据不足、断面适应性差的问题。

发明内容

针对上述问题，本发明提供基于BP神经网络的线路参数特性辨识模型的建立方法，以PMU量测数据计算电网稳态模型参数估计值为期望值建立基于BP神经网络的参数特性辨识模型，综合利用多断面数据对稳态参数进行训练，得到外部环境、导线温度、运行方式对电网稳态模型参数影响因子系数，形成可用于实际电网的稳态模型参数模型，提高电网分析计算的准确性。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

基于BP神经网络的线路参数特性辨识模型的建立方法，包括如下步骤：

步骤1、获取线路两端的原始实测数据；

步骤2、建立输电线路等值模型；

步骤3、基于PMU量测数据和输电线路等值模型，采用抗差最小二乘法对输电线路参数进行辨识，得到输电线路参数的估计值X′；

步骤4、建立基于BP神经网络的线路参数特性辨识模型；

步骤5、分别读取线路两端的原始实测数据和输电线路参数的估计值，采用BP神经网络进行反复训练并修正内部的权值和阈值，当实际输出值与期望输出值之间的总误差精度小于最小误差值ε时，停止训练，获得最终的基于BP神经网络的线路参数特性辨识模型。

优选，步骤1中，原始实测数据包括线路两端的潮流值、温度值和线路实测参数值。

优选，步骤2中，采用输电线路π型等值模型：

式中，i,j表示线路首端和末端节点号，分别表示线路首端和末端的电流相量，分别表示线路首端和末端的节点电压相量，Z表示线路的阻抗，Y表示线路的等值对地电纳。