[发明专利]一种基于神经网络集成的输电线路雷害风险预测方法

说明书

本发明公开了一种基于神经网络集成的输电线路雷害风险预测模型，其模型建立方法包括以下步骤，收集输电线路雷害风险基础数据；计算输电线路雷击跳闸率并修正；确定输电线路重要程度以及对应的重要程度系数；确定输电线路雷害风险评估值；建立BP神经网络集成模型；建立多个BP神经网络模型进行学习训练；将多个BP神经网络模型输出结果进行集成。本发明能够建立多个不同结构的BP神经网络模型，获得输电线路雷害风险预测模型，从而得到更精确的输电线路雷害风险评估值，其通过多个神经网络集成的方式比单个神经网络效果更好、稳定性更强，雷害风险评估精度更高，结果更加符合实际要求。

技术领域

本发明属于输电线路防雷的技术领域，更具体的涉及一种基于神经网络集成的输电线路雷害风险预测方法。

背景技术

21世纪以来，随着防雷措施的不断改善，输电线路的雷击事故发生率有所下降。但是，从总体上来说，雷击引起的跳闸依然是电力系统安全运行的重大威胁。所以，对输电线路进行雷击风险评估具有重要的意义。输电线路雷害风险评估的计算量大，所以可以采用神经网络来进行快速的计算。但是雷害事故的样本较少，系统状态量和安全指标之间的非线性较强，导致一般的神经网络的泛化能力和精确度不足，仅采用一般的神经网络难以准确评估输电线路的雷害风险，所以亟待提出一种更能准确反映雷害风险的评估方法。

发明内容

本发明的目的在于提供一种基于神经网络集成的输电线路雷害风险预测方法，以解决上述背景技术中提出的问题。

本发明是通过以下技术方案实现的：

一种基于神经网络集成的输电线路雷害风险预测方法，其特征在于，建立模型包括以下步骤：

S1.收集输电线路雷害风险基础数据；

S2.基于输电线路雷害风险的基础数据计算雷击跳闸率，并根据地形地貌和历史雷击跳闸情况对计算的雷击跳闸率进行修正；

S3.通过专家打分法确定输电线路重要程度以及对应的重要程度系数；

S4根据输电线路重要程度以及对应的重要程度系数、雷击跳闸率确定雷害风险指标值；

S5.建立BP神经网络集成模型；

S6.在BP神经网络集成模型下，建立多个BP神经网络模型进行学习训练；

S7.将多个BP神经网络模型输出结果进行集成，得到基于神经网络集成的雷害风险指标值以及对应的输电线路雷害风险情况。

进一步的，S1步骤中，所述输电线路雷害风险基础数据包括雷电活动参数、输电线路参数和环境参数。

进一步的，S2步骤中，所述计算雷击跳闸率方法为：

通过电气几何模型计算输电线路绕击跳闸率；

通过电磁暂态模型计算输电线路反击跳闸率；

将所述绕击跳闸率与所述反击跳闸率相加得到雷击跳闸率。

进一步的，S2步骤中，根据所述地形地貌和历史雷击跳闸情况可获得地形地貌与历史雷击跳闸情况赋值表，如表1、表2所示：

表1地形地貌赋值表