淺析神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)輸電線路覆冰厚度

容潔1. 鄧鵬飛2.

1.中國(guó)水電八局有限公司高級(jí)技工學(xué)校/湖南省水利水電建設(shè)工程學(xué)校

2.國(guó)家電網(wǎng)湖南省電力公司永州分公司

淺析神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)輸電線路覆冰厚度

容潔1. 鄧鵬飛2.

1.中國(guó)水電八局有限公司高級(jí)技工學(xué)校/湖南省水利水電建設(shè)工程學(xué)校

2.國(guó)家電網(wǎng)湖南省電力公司永州分公司

輸電線路累積覆冰一旦達(dá)到一定的極限厚度形成冰災(zāi)會(huì)對(duì)電網(wǎng)設(shè)計(jì)和穩(wěn)定運(yùn)行帶來(lái)巨大威脅，線路建設(shè)初期若未能考慮極端覆冰情況則極易造成線路倒塌、供電中斷等重大影響，因此，科學(xué)合理的對(duì)短期輸電線路覆冰厚度進(jìn)行預(yù)測(cè)和長(zhǎng)期輸電線路的極值覆冰進(jìn)行準(zhǔn)確估計(jì)是電網(wǎng)規(guī)劃人員確定線路規(guī)劃設(shè)計(jì)標(biāo)準(zhǔn)所必須解決的一個(gè)重要難題。每一種特定的模型都包含了一定的樣本信息，單個(gè)模型一般難以全面地反映變量間的相互變化規(guī)律。如果對(duì)多種預(yù)測(cè)模型進(jìn)行有機(jī)組合，它就能夠十分有效的利用多種有用信息，全面而準(zhǔn)確的地反映系統(tǒng)的變化規(guī)律，減少數(shù)據(jù)變化的隨機(jī)性，從而提高預(yù)測(cè)精度。本文中建立的灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型采用典型的三層網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、隱含層、輸出層，既把灰色GM(1,1)、DGM(2,1)和Verhulst模型所得到的預(yù)測(cè)值作為輸入層，采用一個(gè)隱含層，傳遞函數(shù)為“S”型函數(shù)和輸出層，輸出G-ANN組合預(yù)測(cè)值，模型結(jié)構(gòu)見(jiàn)圖1。

圖1 灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)結(jié)構(gòu)圖

本文中所建立的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型采用較為常見(jiàn)的3層BP神經(jīng)網(wǎng)絡(luò)模型。其中由于BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力和柔和的網(wǎng)絡(luò)結(jié)構(gòu)，能夠精確地完成任意的連續(xù)映射關(guān)系。把GM(1,1)預(yù)測(cè)模型、DGM(2,1)以及Verhulst模型所得到的預(yù)測(cè)值作為BP神經(jīng)網(wǎng)絡(luò)的輸入，采用一個(gè)隱含層，隱含層的神經(jīng)元數(shù)目l一般參照公式，其中，m為輸入層神經(jīng)元數(shù)；n為輸出層神經(jīng)元數(shù)；a為0～10之間的常數(shù)，傳遞函數(shù)為Sigmoid型函數(shù)，輸出G-ANN的預(yù)測(cè)值，具體建模的主要步驟如下：

1.分別采用這3種常用的灰色模型對(duì)輸電線路覆冰厚度進(jìn)行預(yù)測(cè)，得到各自灰色系統(tǒng)的預(yù)測(cè)值。

2.然后再將該3種灰色模型的預(yù)測(cè)值作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入，選擇網(wǎng)絡(luò)類型和結(jié)構(gòu)。

3.利用實(shí)測(cè)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。

4.利用訓(xùn)練過(guò)且符合誤差范圍的網(wǎng)絡(luò)，得到合適的連接權(quán)系數(shù)和閾值，然后由傳遞函數(shù)“S”進(jìn)行未來(lái)短期內(nèi)輸電線路覆冰厚度的預(yù)測(cè)。

在預(yù)測(cè)中采用三層前向前饋網(wǎng)絡(luò)，分別為輸入層、隱含層和輸出層，輸入層的節(jié)點(diǎn)數(shù)為輸入矢量的分量數(shù)，取為5，輸出層節(jié)點(diǎn)數(shù)為1，即輸電線路覆冰厚度。隱含層的節(jié)點(diǎn)數(shù)由訓(xùn)練仿真情況取為9。由于節(jié)點(diǎn)輸出值在[0，1]之間，故對(duì)訓(xùn)練樣本的輸入量和輸出量均做以下初始化處理：

式中：xp為實(shí)際值；xn為初始化后的值；a值可取在0到xp的最小值之間；b值可取為xp的最大值。

圖2 組合灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法流程

將GM(1, 1)、Verhulst 和DGM(1, 1)模型分別對(duì)覆冰增長(zhǎng)趨勢(shì)進(jìn)行建模所得到的結(jié)果，進(jìn)行歸一化處理后作為輸入向量，歸一化范圍為［0.2-0.8］，歸一化方程見(jiàn)式（式2）。將輸電線路覆冰厚度增長(zhǎng)趨作為輸出向量，從而建立了G-ANN模型，預(yù)測(cè)流程圖如上圖2所示。

選擇與預(yù)測(cè)值最近的N個(gè)已知值作為樣本，即把最近的n個(gè)已知值作為輸出，采用不同的灰色模型對(duì)這n個(gè)已知值分別進(jìn)行預(yù)測(cè)，其預(yù)測(cè)值即為神經(jīng)網(wǎng)絡(luò)的輸入，由此對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對(duì)于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，當(dāng)輸入端為各種灰色模型的預(yù)測(cè)值時(shí)，其輸出即為用神經(jīng)網(wǎng)絡(luò)組合后的預(yù)測(cè)值。

通過(guò)對(duì)上述分析研究表明：

1.基于組合灰色神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與實(shí)際覆冰數(shù)據(jù)基本吻合，可以被用來(lái)對(duì)短期輸電線路短期覆冰厚度進(jìn)行預(yù)測(cè)，為覆冰厚度的短期預(yù)測(cè)提供了新的途徑。

2.對(duì)于不同輕重覆冰區(qū)環(huán)境下，該模型均能對(duì)輸電線路覆冰厚度進(jìn)行有效預(yù)測(cè)，不存在環(huán)境差別，通過(guò)輕重覆冰區(qū)預(yù)測(cè)值與實(shí)際值對(duì)比驗(yàn)證了該模型的準(zhǔn)確性和適用性。

3.該模型兼顧了覆冰指數(shù)增長(zhǎng)和呈“S曲線”增長(zhǎng)趨勢(shì)，優(yōu)于傳統(tǒng)單一的灰色預(yù)測(cè)模型，有效地提高了架空輸電線路覆冰增長(zhǎng)趨勢(shì)預(yù)測(cè)的穩(wěn)定性和準(zhǔn)確性，在覆冰多發(fā)季節(jié)、多發(fā)地區(qū)，應(yīng)用該預(yù)測(cè)模型能夠更好的指導(dǎo)輸電線路抗冰工作，為電力運(yùn)行部門在短時(shí)間內(nèi)進(jìn)行科學(xué)決策提供了有力支持。