[发明专利]一种基于BP神经网络的输电杆塔鸟害发生概率预测方法有效

专利信息
申请号: 202010529618.2 申请日: 2020-06-11
公开(公告)号: CN111860947B 公开(公告)日: 2023-01-24
发明(设计)人: 朱朋辉;甘团杰;周广青;周庆东;唐信;陈剑平;杨玺;刘清冰;廖志文;赵全忠;陈亦;黄智明 申请(专利权)人: 广东电网有限责任公司;广东电网有限责任公司江门供电局
主分类号: G06Q10/04 分类号: G06Q10/04;G06N3/04;G06N3/08
代理公司: 广州粤高专利商标代理有限公司 44102 代理人: 陈伟斌
地址: 510050 广东*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 bp 神经网络 输电 杆塔 鸟害 发生 概率 预测 方法
【说明书】:

发明涉及智能预测技术领域,具体是涉及提供了一种基于BP神经网络的输电杆塔鸟害发生概率预测方法,具体包括如下步骤:步骤(1),选取典型输电样线;选取能代表整个地区输电线路的典型输电样线;步骤(2),数据采集与预处理;采集输电杆塔的样本数据,把样本数据分为训练样本和测试样本;步骤(3),建立BP神经网络模型;步骤(4),初始化BP神经网络模型;初始化BP神经网络模型的基本参数;步骤(5),构建输电杆塔鸟害发生概率预测模型;步骤(6),优化神经网络参数配置。本发明克服了现有的鸟害安全预警方法只是给出鸟害故障风险等级,无法精确地计算出鸟害引发输电杆塔输电线故障的概率,得出的结果不够准确、实用性不强的现象问题。

技术领域

本发明涉及智能预测技术领域,具体是涉及一种基于BP神经网络的输电杆塔鸟害发生概率预测方法。

背景技术

鸟类是人类较为亲密的朋友,也是生态系统的重要组成部分。但是随着鸟类繁衍数量不断增多,活动范围不断扩大,有的鸟类把鸟窝搭建在输电线路的输电杆塔上,导致输电线路闪络跳闸的现象呈逐年上升的趋势。因此,如何有效防范鸟害,成为我国电力部门研究的重点。

目前,人们通过鸟害故障风险分布图绘制系统对鸟害引发输电线故障作出安全预警的,包括以下步骤:收集基本资料;统计分析基本资料;绘制绿地图、绘制候鸟迁徙通道图及绘制鸟害故障分布图;根据所述的鸟害分布图和历史故障信息,将架空输电线路发生鸟害故障风险等级进行划分,如申请号为201711374930.3的一种输电线路鸟害风险等级评估方法。然而,现有的鸟害安全预警方法只是给出鸟害故障风险等级,无法精确地计算出鸟害引发输电杆塔输电线故障的概率,得出的结果不够准确,这些方法实用性不强。

发明内容

本发明为克服上述现有的鸟害安全预警方法只是给出鸟害故障风险等级,无法精确地计算出鸟害引发输电杆塔输电线故障的概率,得出的结果不够准确、实用性不强的现象问题,提供一种基于BP神经网络的输电杆塔鸟害发生概率预测方法。

在本技术方案中,提供了一种基于BP神经网络的输电杆塔鸟害发生概率预测方法,具体包括如下步骤:

步骤(1),选取典型输电样线;选取能代表整个地区输电线路的典型输电样线;

步骤(2),数据采集与预处理;采集输电杆塔的样本数据,把样本数据分为训练样本和测试样本;把采集的鸟害跳闸故障和鸟粪闪络发生的季节性、鸟害跳闸故障和鸟粪闪络发生的时段性、输电杆塔周围的地理特征、电压等级、输电杆塔类型、导线排列方式、绝缘子串型作为模型输入,鸟害跳闸故障数次和鸟粪闪络数次作为模型输出;

步骤(3),建立BP神经网络模型;其中,BP神经网络模型的拓扑结构包括输入层、隐含层和输出层;

步骤(4),初始化BP神经网络模型;初始化BP神经网络模型的基本参数;

步骤(5),构建输电杆塔鸟害发生概率预测模型;

利用python软件,将训练样本数据导入BP神经网络模型,对BP神经网络模型进行训练,构建输电杆塔鸟害发生概率预测模型;

步骤(6),优化神经网络参数配置;

将测试样本输入到已训练好的BP神经网络模型,根据训练样本与测试样本的识别正确率,通过调整隐含层节点数和迭代次数p优化训练算法,使用优化后的神经网络参数配置,对输电杆塔进行鸟害发生概率预测。

优选地,在步骤(1)中,样线选取基于以下原则,线路本身要具有代表性,输电杆塔类型要覆盖全面,样线所处位置是鸟害多发区域。

优选地,在步骤(1)中,选取本身具有代表性的样线,每条样线具有独特的地形地貌、气候条件和涉害鸟类分布情况。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广东电网有限责任公司;广东电网有限责任公司江门供电局,未经广东电网有限责任公司;广东电网有限责任公司江门供电局许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010529618.2/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top