[发明专利]基于大数据和神经网络的架空线路雷击跳闸率计算方法

说明书

一种基于大数据和神经网络的架空线路雷击跳闸率计算方法，神经网络均使用三层BP神经网络，包括一个输入层、一个隐含层和一个输出层；将雷击跳闸率分为反击跳闸率和绕击跳闸率两部分进行计算；根据规程法计算建弧率，利用建弧率和所得到的输出层节点计算绕击跳闸率和反击跳闸率；计算所得的绕击跳闸率和反击跳闸率之和即为雷击跳闸率。这种方法对提高输电线路运维水平，减少雷电活动对电网的破坏，具有至关重要的作用。

技术领域

本发明涉及电力架空线路的工程设计和防雷领域，具体地说是一种基于大数据和神经网络的架空线路雷击跳闸率计算方法。

背景技术

雷击对于电网安全运行的影响一直备受关注，统计表明， 330kV及以上交流输电线路，由于雷击引起的故障率超过半数。特别是当地形地貌复杂多样，不同地区雷暴日差别明显，各地不同的气候特征，对于雷电活动也有明显影响。针对不同地区进行差异化防雷的需求日益突出，雷击跳闸率的准确计算对于架空线路的防雷设计，具有重要作用。

传统的计算雷击跳闸率的方法包括规程法和先导模型法。规程法主要基于单回路矮塔统计值推导而来，随着杆塔高度的不断增加，早期从不高于30m的杆塔设计经验中总结而来的电感模型已不能适用于高杆塔的防雷研究，高塔的绕击计算存在较大误差。先导模型法很大程度上依赖长期以来的雷电和长间隙试验观测的数据，不同的参数和判据带来的计算结果相差较大，同时，先导模型法没有考虑当雷电下行先导已经下降到低于线路高度时发生的雷击线路现象。电气几何模型为考虑放电的分散性，没有考虑其它因素对于击距的影响。

总之，由于雷击跳闸率影响因素很多，而对于这些影响因素，目前并没有一种权威的理论，明确其与雷击的关系，对于雷击跳闸率的计算方法，都存在较大误差。

发明内容

本发明针对背景技术中提及的本领域技术的不足，提供一种基于大数据和神经网络的架空线路雷击跳闸率计算方法。

本发明所采用的技术方案是：一种基于大数据和神经网络的架空线路雷击跳闸率计算方法，所述计算方法基于大数据和神经网络，所述神经网络均使用三层BP神经网络，包括一个输入层、一个隐含层和一个输出层；

将雷击跳闸率分为反击跳闸率和绕击跳闸率两部分进行计算：

A、计算反击跳闸率

输入层所包含节点：杆塔高度、横担高度、避雷线高度、导线高度、杆塔分流系数、导线和避雷线耦合系数、杆塔接地电阻、U50%放电电压；

隐含层根据计算，根据公式，选取较小的训练值为4开始试验，根据训练结果得出节点数量；

训练前，首先利用规程法计算反击闪络率，计算雷击塔顶反击的耐雷水平，如公式（1）

式中：为杆塔高度，m；

为横担对地高度，m；

为避雷线对地平均高度，m；

为导线平均高度，m；

为杆塔分流系数；

为导线和避雷线间的耦合系数；

为导线和避雷线间的几何耦合系数；

为杆塔冲击接地电阻，Ω；

为雷电波形的波头时间，μS；

为绝缘子串正极性50%冲击放电电压；

然后根据耐雷水平，计算雷击概率：

最后计算雷击跳闸率如公式（2）：