基于地面电场变化的输电线路弧垂监测技术

《基于地面电场变化的输电线路弧垂监测技术》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于地面电场变化的输电线路弧垂监测技术本文设计了一种基于地面电场变化的输电线路弧垂监测技术，该技术通过输电线路下地面场强的计可以反演出线路的弧垂大小。技术首先考虑电场测量数据受外界环境因素和测量条件的影响，采用RBF神经网络与一般神经网络相结合的方式建立导线原始测量数据的测量数据修正模型，使修正后的测量数据逼近理想条件下的数据。其次采用本文提出的测量数据修正技术，对场强测量数据进行修正，从而得到输电线路下地面场强的精确值。再次，基于三维输电导线电场计算模型的建立，根据导线下方电场的实时测量数据，在三维电场模型下利用本文

2、设计的基于电场信息的输电线路弧垂反演计算方法得到弧垂值。从次，通过设计基于场强变化的输电线路弧垂监测系统，对弧垂进行监测和报警，保证了输电线路的安全可靠运行。最后，对比某条典型输电导线的测量数据，验证了该算法的有效性。【关键词】输电线路弧垂电场神经网络1引言随着我国电力事业的迅速发展，对电力系统的安全性与可靠性也提出了更高的要求。输电线路是电力系统的重要组成部分，弧垂是输电线路运行维护的重要指标之一，其大小直接关系到线路的安全性与可靠性，必须控制在一定的范围内。而输电线路长时间经受自然界中覆冰、温升和风吹等气象的影响，

3、使得线路的弧垂发生较大变化。弧垂过小使得杆塔荷载增大，会产生断线、倒塔和掉串等事故；弧垂过大会使导线与地面的树木、建筑物等发生接触并放电，从而导致线路跳闸。因此，为了有效监测输电线路导线的弧垂变化大小、准确判断线路状态，采用弧垂监测技术能很好的解决这一问题。目要弧垂监测主要采取人工巡检法、图像监测法、直升机巡检法、GPS定位测距法等，但这些方法在实际中仍存在很多问题，如实时性差、易受外界及天气影响、效率较低等。因此，需要研究一种新的监测输电线路弧垂的方法，克服上述方法的缺点。输电线路弧垂的变化最终都表现在其离地高度的变

4、化上，随着弧垂离地高度的变化，地面场强会随之变化，因此可利用地面场强测量技术得到场强信息，再利用反演算法反演出弧垂，通过较少的场强参数，无需改动线路即可得到比较精确的弧垂值，且不易受到周围环境、气象等条件的影响。而该弧垂监测技术的研宄还未见公开报道。鉴于此，本文设计了一种基于地面电场变化的输电线路弧垂监测技术，通过输电线路下地面场强的计算可以反演出线路的弧垂大小。该技术通过采用本文提出的基于神经网络的输电线路下地面测量技术，对场强测量数据进行修正，从而得到输电线路下地面场强的精确值，再利用本文设计的基于电场信息的输电线

5、路弧垂反演计算方法得到弧垂值，最后通过基于场强变化的输电线路弧垂监测系统对弧垂进行监测和报警，保证了输电线路的安全可靠运行。2基于神经网络的输电线路下地面场强测量技术基于神经网络的输电线路下地面场强测量技术，主要由测量数据修正模型构建技术和测量数据修正技术组成。测量数据修正模型构建技术将RBF神经网络与一般神经网络相结合，构建测量数据修正模型，该模型能够精确拟合测量数据与理想数据之间的非线性关系，在保证收敛速度快于一般的BP神经网络的前提下具有更强的泛化能力；测量数据修正技术利用构建的修正模型，可实现对测量数据的修正，

6、有效减少外界环境对测量工作的影响，使其更接近理想值，增加数据可靠性。2.1测量数据修正模型构建技术测量数据修正模型构建技术基于一种测量数据修正模型，该修正模型利用神经网络可任意精度逼近非线性函数的优点，将RBF神经网络与一般神经网络相结合，拟合输电线路下地面的场强测量数据与场强理想数据之间的非线性关系，可实现对实测数据的精确修正，获得输电线路下地面的真实场强值。因此，本文测量数据修正模型构建技术的实现主要分为两个步骤：第一步是神经网络初始模型的构建，第二步是测量数据修正模型的构建。通过设置神经网络参数，？O谝徊降耐?络

7、初始模型进行训练，最终得到测量数据的修正模型。2.1.1祌经网络初始模型的构建本文所提出的祌经网络模型将RBF神经网络与一般神经网络相结合，网络结构分为四层：输入层、第一隐层、第二隐层和输出层。其中网络的输入层与第一隐层、第一隐层与第二隐层之间采用RBF神经网络隐层模式，第二隐层与输出层之间采用传统神经网络隐层模式。网络的初始模型图如图1所示。如图1所示，网络的输入和输出均采用二维向量，第一隐层节点数设为ml=2m+l,其中m为输入的个数，第二隐层的神经元节点初始为m2个。其中，第一隐层每个神经元节点的基函数采用欧式距

8、离、激励函数采用高斯径向基函数，第二隐层每个神经元节点的激励函数采用非对称型sigmoid函数，输出层每个神经元节点的激励函数采用Purelin型线性函数。2.1.2测量数据修正模型的构建构建测量数据修正模型，需要对网络初始模型的参数进行设置，并基于这些参数对网络进行训练，最终得到测量数据的修正模型。本文采用Levenberg-M