GA優(yōu)化TS-FNN的架空線路荷載風(fēng)險(xiǎn)預(yù)測(cè)

倪良華，肖李俊，呂干云，湯智謙，朱天宇（.南京工程學(xué)院電力工程學(xué)院，江蘇南京 67；.鎮(zhèn)江供電公司，江蘇 鎮(zhèn)江 00）

GA優(yōu)化TS-FNN的架空線路荷載風(fēng)險(xiǎn)預(yù)測(cè)

倪良華1，肖李俊1，呂干云1，湯智謙2，朱天宇1
（1.南京工程學(xué)院電力工程學(xué)院，江蘇南京 211167；2.鎮(zhèn)江供電公司，江蘇 鎮(zhèn)江 212001）

極端天氣下組合荷載的沖擊對(duì)架空線的運(yùn)行可靠性產(chǎn)生嚴(yán)重影響，研究架空線路風(fēng)險(xiǎn)預(yù)測(cè)與評(píng)估在預(yù)防線路事故中具有現(xiàn)實(shí)意義。架空線路荷載風(fēng)險(xiǎn)預(yù)測(cè)屬于求解強(qiáng)耦合時(shí)變非線性系統(tǒng)問題，難以建立精確的數(shù)學(xué)模型求解?；诰€路荷載-強(qiáng)度的隨機(jī)特性與干涉原理以及模糊預(yù)測(cè)理論，建立了基于GA優(yōu)化T-S模糊神經(jīng)網(wǎng)絡(luò)的線路風(fēng)險(xiǎn)預(yù)測(cè)模型，提取極端天氣下的氣象信息典型特征值風(fēng)速、覆冰厚度、降雨量、氣溫作為模型輸入量，以線路失效概率劃分的時(shí)間尺度上線路的荷載風(fēng)險(xiǎn)狀態(tài)作為預(yù)測(cè)輸出量，并采用遺傳算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。同采用傳統(tǒng)理論計(jì)算模型和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型相比，所建立模型具有計(jì)算速度快、預(yù)測(cè)準(zhǔn)確度高的優(yōu)點(diǎn)。具體應(yīng)用實(shí)例驗(yàn)證了模型的實(shí)用性和高效性。

架空線路；荷載風(fēng)險(xiǎn)預(yù)測(cè)；失效概率；T-S模糊神經(jīng)網(wǎng)絡(luò)（TS-FNN）；遺傳算法

本文引用格式：倪良華，肖李俊，呂干云，等.GA優(yōu)化TS-FNN的架空線路荷載風(fēng)險(xiǎn)預(yù)測(cè)［J］.新型工業(yè)化，2016，6（7）：1-8.

0　引言

全球生態(tài)環(huán)境惡化，氣象條件多變，極端天氣對(duì)架空線路的影響頻現(xiàn)，造成的經(jīng)濟(jì)損失巨大。如08年中國(guó)南方地區(qū)冰災(zāi)對(duì)輸配電設(shè)備造成巨大破壞，損失嚴(yán)重，充分表明了電力系統(tǒng)中建立極端天氣下安全預(yù)警機(jī)制及防范處理措施的迫切性和必要性［1］。極端天氣出現(xiàn)時(shí)嚴(yán)重影響架空線路的安全運(yùn)行，比如架空輸電線路受到冰、風(fēng)、雨等組合荷載共同作用從而產(chǎn)生振動(dòng)、斷股和斷線，其作用效應(yīng)具有廣域性、長(zhǎng)時(shí)性、破壞性，給電力系統(tǒng)的運(yùn)行帶來極大安全隱患。因此，研究架空輸電線路在極端天氣下的運(yùn)行可靠性并建立風(fēng)險(xiǎn)預(yù)測(cè)模型和預(yù)警機(jī)制，及時(shí)采取相應(yīng)保護(hù)措施，有助于預(yù)防電力系統(tǒng)故障，減少可能由此引起的大范圍電網(wǎng)安全性故障和經(jīng)濟(jì)損失。

目前，國(guó)內(nèi)外對(duì)極端天氣時(shí)組合荷載作用下架空輸電線路的風(fēng)險(xiǎn)預(yù)測(cè)方法主要有：基于干涉原理的理論解析法［2］以及依據(jù)冰風(fēng)荷載狀態(tài)劃分的模糊預(yù)測(cè)法［3］等。文獻(xiàn)［2］基于架空線路設(shè)計(jì)標(biāo)準(zhǔn)，建立了架空線路設(shè)計(jì)冰風(fēng)荷載曲線和風(fēng)險(xiǎn)分析模型，并運(yùn)用模糊理論對(duì)冰風(fēng)組合荷載風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，給予了時(shí)間尺度上線路的風(fēng)險(xiǎn)測(cè)度。文獻(xiàn)［3］運(yùn)用理論分析法，建立了暴風(fēng)雨氣象條件下架空線路失效概率評(píng)估模型，就一區(qū)域電力網(wǎng)線路在暴風(fēng)雨荷載情況下，計(jì)算分析了系統(tǒng)的可靠性指標(biāo)。文獻(xiàn)［4］通過基于故障樹電網(wǎng)覆冰荷載風(fēng)險(xiǎn)評(píng)估模型，采用輸電系統(tǒng)覆冰數(shù)據(jù)來評(píng)估輸電線路運(yùn)行狀態(tài)。文獻(xiàn)［5］指出電力系統(tǒng)在應(yīng)對(duì)極端天氣時(shí)應(yīng)依靠建立外部實(shí)時(shí)氣象數(shù)據(jù)，動(dòng)態(tài)識(shí)別系統(tǒng)風(fēng)險(xiǎn)，并進(jìn)行對(duì)應(yīng)風(fēng)險(xiǎn)管控。文獻(xiàn)［6］指出暴風(fēng)雨天氣對(duì)輸電線路的沖擊不可忽略，在風(fēng)險(xiǎn)評(píng)估時(shí)必須加以考慮。文獻(xiàn)［7］給出了不同氣象條件下的架空線路故障率計(jì)算公式，公式用于計(jì)算不同氣象因素下的輸電線路故障率。

上述文獻(xiàn)中主要采用理論分析法進(jìn)行架空線路荷載風(fēng)險(xiǎn)預(yù)測(cè)，其計(jì)算過程較復(fù)雜，預(yù)測(cè)效率不高。本文提出了一種基于GA優(yōu)化T-S模糊神經(jīng)網(wǎng)絡(luò)的架空線路荷載風(fēng)險(xiǎn)預(yù)測(cè)新模型。通過提取預(yù)測(cè)氣象信息的典型特征量作為模型輸入量，以線路失效概率劃分的時(shí)間尺度上線路的風(fēng)險(xiǎn)狀態(tài)作為輸出量。

基于GA優(yōu)化的T-S模糊神經(jīng)網(wǎng)絡(luò)將模糊預(yù)測(cè)理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合，具有學(xué)習(xí)、聯(lián)想、模糊信息處理能力強(qiáng)等優(yōu)點(diǎn)［8-12］。本文通過具體的實(shí)例研究發(fā)現(xiàn)，同自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型相比，其預(yù)測(cè)結(jié)果更為準(zhǔn)確，具有風(fēng)險(xiǎn)識(shí)別能力強(qiáng)、計(jì)算效率高等優(yōu)點(diǎn)，值得推廣應(yīng)用。

1　線路組合荷載風(fēng)險(xiǎn)分析理論

1.1極端天氣下組合荷載概念

運(yùn)行經(jīng)驗(yàn)表明，對(duì)架空線路造成危害的極端天氣條件一般為：最大風(fēng)、最大覆冰、暴風(fēng)雨、低溫極寒天氣等情況。風(fēng)對(duì)架空線路的荷載作用受風(fēng)速、風(fēng)向、覆冰情況影響；最大覆冰時(shí)導(dǎo)線上有覆冰荷載伴隨有風(fēng)荷載的共同作用，增大了冰災(zāi)時(shí)的荷載；暴風(fēng)雨天氣下同時(shí)包含有風(fēng)荷載和雨荷載組合作用。依據(jù)《電力工程高壓送電線路設(shè)計(jì)手冊(cè)》［13］知，導(dǎo)線單位長(zhǎng)度風(fēng)荷載為：

式中：α為風(fēng)速不均勻系數(shù)；μsc為風(fēng)載體型系數(shù)；βc為架空線風(fēng)荷載調(diào)整系數(shù)；d為架空線的外徑；b為覆冰厚度；V為風(fēng)速；kh為空氣密度；θ為風(fēng)向與線路方向的夾角。

架空導(dǎo)線單位長(zhǎng)度自重荷載為：

式中：P1為架空導(dǎo)線單位長(zhǎng)度的質(zhì)量。

架空導(dǎo)線單位長(zhǎng)度冰重荷載為：

式中：b為覆冰厚度；d為架空導(dǎo)線外徑。

經(jīng)查閱文獻(xiàn)［14］和文獻(xiàn)［15］，得到導(dǎo)線單位長(zhǎng)度雨荷載的計(jì)算公式為：

式中：d為雨滴直徑；n為單位體積內(nèi)的雨滴個(gè)數(shù)；b為線路迎雨面的寬度；Vs為雨滴滴落前的速度。

極端天氣下考慮最大覆冰、暴風(fēng)雨、大風(fēng)、低溫等氣象條件，得到其組合荷載為：

1.2線路不可靠度計(jì)算模型

依據(jù)線路冰風(fēng)荷載風(fēng)險(xiǎn)分析的解析模型［2］，建立線路各種組合荷載風(fēng)險(xiǎn)評(píng)估模型。由結(jié)構(gòu)不可靠度理論知，進(jìn)行線路可靠性計(jì)算時(shí)，線路強(qiáng)度可采用隨機(jī)變量進(jìn)行處理，由于極端天氣下線路荷載隨時(shí)間不斷變化，故將荷載視作隨時(shí)間變化的變量。線路的結(jié)構(gòu)功能函數(shù)為：

式中：R為線路設(shè)計(jì)強(qiáng)度；F（t）為線路實(shí)際承受荷載。當(dāng)結(jié)構(gòu)功能函數(shù)值為正數(shù)時(shí)，線路安全；當(dāng)結(jié)構(gòu)功能函數(shù)值為負(fù)數(shù)時(shí)，線路故障。當(dāng)線路荷載變大時(shí)，線路設(shè)計(jì)強(qiáng)度的概率密度函數(shù)與線路實(shí)際承受荷載的概率密度函數(shù)將存在重疊部分，此部分稱為干涉區(qū)［16］，干涉區(qū)的存在表明了線路未處于安全狀態(tài)，有發(fā)生故障的可能性。

設(shè)線路強(qiáng)度為R，考慮線路承受一定荷載時(shí)，線路處于安全狀態(tài)的概率為

由式（7）可推出，對(duì)于線路荷載的任何取值，線路不可靠度為

式中：fR（r）表示線路設(shè)計(jì)強(qiáng)度的概率密度函數(shù)；fF（t）表示線路承受荷載的概率密度函數(shù)。

當(dāng)線路承受的荷載和線路強(qiáng)度兩個(gè)隨機(jī)變量均服從正態(tài)分布時(shí)，線路的不可靠度為

式中，Φ（·）為標(biāo)準(zhǔn)正態(tài)分布函數(shù)；μZ（t）=μF（t）-μR，δ2Z（t）=δ2F（t）+δ2R，其中μR、δR分別為線路強(qiáng)度概率密度函數(shù)的均值與標(biāo)準(zhǔn)差，μF（t）、δF（t）分別為線路荷載概率密度函數(shù)的均值與標(biāo)準(zhǔn)差。

1.3線路荷載風(fēng)險(xiǎn)狀態(tài)劃分及樣本數(shù)據(jù)生成

為了量化反映線路荷載狀態(tài)安全裕度水平，基于線路荷載風(fēng)險(xiǎn)分析模型，參照IEC60826標(biāo)準(zhǔn)和文獻(xiàn)［2］，依據(jù)線路在荷載作用下的不可靠度值，確定線路荷載風(fēng)險(xiǎn)狀態(tài)劃分原則，具體如表1所示。

表1　線路運(yùn)行狀態(tài)劃分Tab.1　Overhead line operating state classification

線路運(yùn)行風(fēng)險(xiǎn)主要取決于線路承受的荷載狀態(tài)，而荷載狀態(tài)隨氣象信息參數(shù)發(fā)生變化。針對(duì)極端天氣條件中可觀測(cè)到的氣象信息，提取風(fēng)速、覆冰厚度、降雨量、氣溫值作為基本特征量。這四個(gè)特征向量值作為欲建預(yù)測(cè)模型的輸入量，而將線路的狀態(tài)預(yù)警值作為輸出量，由此形成架空線路的風(fēng)險(xiǎn)預(yù)測(cè)分析樣本數(shù)據(jù)表，其數(shù)據(jù)格式如表2所示。

表2　架空線路的風(fēng)險(xiǎn)評(píng)估樣本格式Tab.2　Overhead line risk assessment sample format

生成樣本數(shù)據(jù)的基本流程如圖1所示。

圖1　架空線路風(fēng)險(xiǎn)樣本數(shù)據(jù)生成流程圖Fig.1　Flow chart of automaticgenerating overhead line risk sample data

2　GA優(yōu)化的TS-FNN的線路荷載風(fēng)險(xiǎn)預(yù)測(cè)

架空線路荷載風(fēng)險(xiǎn)預(yù)測(cè)屬于求解多種因素強(qiáng)耦合、時(shí)變非線性系統(tǒng)問題，很難建立準(zhǔn)確的數(shù)學(xué)模型來描述。TS-FNN系統(tǒng)同時(shí)具有模糊邏輯易于表達(dá)人類專家知識(shí)、神經(jīng)網(wǎng)絡(luò)分布式存取和自學(xué)習(xí)自適應(yīng)能力強(qiáng)的優(yōu)點(diǎn)，是復(fù)雜系統(tǒng)建模和控制的有效工具［9］。本文基于GA優(yōu)化TS-FNN模型構(gòu)建的架空線荷載風(fēng)險(xiǎn)預(yù)測(cè)系統(tǒng)結(jié)構(gòu)如圖2所示。

2.1T-S型模糊神經(jīng)網(wǎng)絡(luò)

T-S型模糊神經(jīng)網(wǎng)絡(luò)其結(jié)構(gòu)如圖3所示，其主要由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)組成。

前件網(wǎng)絡(luò)分成4層，即輸入層、隸屬函數(shù)層、模糊規(guī)則層、歸一化層。

第1層為輸入層，將輸入值x=［x1，x2，...，xn］T傳送到下一層，該層節(jié)點(diǎn)數(shù)為n。

圖2　風(fēng)險(xiǎn)預(yù)測(cè)系統(tǒng)示意圖Fig.2　Schematic diagram of risk forecast system

式中：cij為高斯隸屬度函數(shù)中心；σij為均方差。

第3層用來匹配模糊規(guī)則的前件，計(jì)算每條規(guī)則的適應(yīng)度。該層的節(jié)點(diǎn)數(shù)為m。

第4層進(jìn)行歸一化計(jì)算。

后件網(wǎng)絡(luò)包含3層，第1層為輸入層，第2層計(jì)算每一條規(guī)則的后件，即：

第3層計(jì)算系統(tǒng)的輸出，yi是各規(guī)則后件的加權(quán)和。

定義平方誤差為：

式中：ti和yi分別表示期望輸出和實(shí)際輸出值。

考慮以平方誤差Ep最小為目標(biāo)，就模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練學(xué)習(xí)并優(yōu)化相關(guān)參數(shù)。常用的方法有基于梯度下降學(xué)習(xí)算法、基于遞推最小二乘算法以及聚類法。本文采用遺傳優(yōu)化算法求解得到模糊網(wǎng)絡(luò)中的參數(shù)。

2.2GA優(yōu)化TS-FNN

如上所述模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，需要優(yōu)化的參數(shù)包括高斯隸屬度函數(shù)中心cij和均方差σij以及連接權(quán)值pij。遺傳算法是模擬生物遺傳和進(jìn)化過程而形成的一種全局優(yōu)化搜索方法。視待優(yōu)化的參數(shù)為種群中的一個(gè)個(gè)體，目標(biāo)是使系統(tǒng)實(shí)際輸出與期望輸出之間的誤差最小。遺傳算法具體實(shí)現(xiàn)方法如下：

（1）將各個(gè)參數(shù)級(jí)聯(lián)在一起進(jìn)行編碼；

（2）設(shè)定原始參數(shù)并產(chǎn)生初始種群；

（3）計(jì)算構(gòu)造出的適應(yīng)度函數(shù)值并評(píng)估；

（4）進(jìn)行選擇、交叉和變異操作，優(yōu)化隸屬函數(shù)中的各參數(shù)。

在若干代遺傳后，就可以獲得優(yōu)化的隸屬函數(shù)參數(shù)，相應(yīng)的模糊推理規(guī)則也得到優(yōu)化。文中選取的遺傳算法參數(shù)為：種群規(guī)模取60，最大迭代次數(shù)為200，交叉概率取0.9，變異概率取0.1，適應(yīng)度函數(shù)值的誤差為10-4。

本文利用MATLAB創(chuàng)建線路荷載風(fēng)險(xiǎn)預(yù)測(cè)模型，以風(fēng)速、覆冰厚度、降雨量、氣溫4個(gè)變量作為輸入特征向量，以線路的荷載風(fēng)險(xiǎn)狀態(tài)為1個(gè)輸出量，模型的前向網(wǎng)絡(luò)第一層設(shè)有4個(gè)變量，每個(gè)變量對(duì)應(yīng)4個(gè)模糊子集；第二層模糊化層共有4×4個(gè)節(jié)點(diǎn)，用高斯函數(shù)作隸屬度函數(shù)來劃分輸入信號(hào)的分布；第三層推理層設(shè)有44=256個(gè)節(jié)點(diǎn)，代表有256條模糊規(guī)則；第四層為歸一化層，對(duì)應(yīng)每條規(guī)則推理結(jié)果的歸一化處理。后件網(wǎng)絡(luò)的輸出層與歸一化層節(jié)點(diǎn)相連接，完成解模糊。模型中的參數(shù)經(jīng)過遺傳算法優(yōu)化后，預(yù)測(cè)系統(tǒng)的逼近能力變強(qiáng)，同時(shí)具有較好的魯棒性。

圖3　T-S型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3　T-S fuzzy neural network construction

3　算例分析

3.1預(yù)測(cè)模型的訓(xùn)練與測(cè)試

根據(jù)上述思路，以一條實(shí)際運(yùn)行的架空輸電線路為實(shí)例說明創(chuàng)建線路荷載風(fēng)險(xiǎn)GA優(yōu)化的TSFNN預(yù)測(cè)模型的過程。架空線路基本資料為220kV架空輸電線路，經(jīng)過典型氣象區(qū)Ⅷ，導(dǎo)線采用LGJ-500/45導(dǎo)線，線路設(shè)計(jì)用安全系數(shù)取2.5，線路最大使用應(yīng)力的控制氣象條件為：實(shí)際檔距小于107.5m，最低氣溫為控制條件；實(shí)際檔距大于107.5m且小于139.5m時(shí)，年平均氣溫為控制條件；實(shí)際檔距大于139.5m時(shí)，最厚覆冰為控制條件。線路劃分為9個(gè)檔距，最小檔距為250m，最大檔距為800m。考慮架空線路承受大風(fēng)、最大覆冰、暴風(fēng)雨、低溫等惡劣氣象天氣，采用理論分析法，生成的樣本數(shù)據(jù)共80組，由于篇幅所限，樣本數(shù)據(jù)在此不一一列出。將樣本數(shù)據(jù)分別運(yùn)用GA優(yōu)化的TSFNN與自適應(yīng)FNN進(jìn)行訓(xùn)練，然后利用具有代表性的10組測(cè)試樣本進(jìn)行測(cè)試比較，最終結(jié)果如表3所示。

表3　架空線路風(fēng)險(xiǎn)評(píng)估樣本測(cè)試結(jié)果對(duì)比表Tab.3　The contrast table of sample test-results for overhead line risk assessment

圖4所示為所建立的GA-FNN與自適應(yīng)FNN預(yù)測(cè)結(jié)果對(duì)比圖。從圖中可以清楚地看出，采用GA-FNN較自適應(yīng)FNN網(wǎng)絡(luò)預(yù)測(cè)結(jié)果正確率更高，同時(shí)在進(jìn)行相同樣本檢驗(yàn)時(shí)，GA-FNN耗時(shí)為8.9ms，而自適應(yīng)FNN耗時(shí)為10.5ms，個(gè)別數(shù)據(jù)誤差較大。由此可知，采用GA-FNN預(yù)測(cè)模型較自適應(yīng)FNN訓(xùn)練速度更快。自適應(yīng)FNN學(xué)習(xí)收斂速度較慢，且易陷入局部極小值問題，而GA-FNN分類能力強(qiáng)，能滿足風(fēng)險(xiǎn)預(yù)測(cè)處理要求。GA-FNN模型預(yù)測(cè)結(jié)果與理論分析法相比，預(yù)測(cè)結(jié)果基本一致，但采用理論分析模型需查閱正態(tài)分布表，計(jì)算極為不方便。因此，采用GA-FNN模型具有合理性和便利性。

圖4　GA-FNN與自適應(yīng)FNN預(yù)測(cè)結(jié)果對(duì)比Fig.4　The result comparison between GA-FNN and adaptive FNN

3.2實(shí)際線路風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果

以某地區(qū)一條220kV線路為例，采用GA優(yōu)化的TS-FNN模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，氣象信息為統(tǒng)計(jì)數(shù)年來該線路經(jīng)過地區(qū)共60天的典型氣象數(shù)據(jù)，實(shí)際測(cè)試結(jié)果如圖5所示。

圖5　架空線路荷載風(fēng)險(xiǎn)預(yù)測(cè)曲線Fig.5　The forecast curves of overhead line loads risk

從圖5中可以看出，當(dāng)該架空線路遭受覆冰厚度達(dá)到20mm左右且風(fēng)速為20m/s以上時(shí)，線路發(fā)生斷線故障；當(dāng)氣象風(fēng)速達(dá)40m/s，覆冰厚度為10mm左右時(shí)，線路荷載風(fēng)險(xiǎn)為極端緊急狀態(tài)；隨著降雨量的增加，風(fēng)速的增大，線路運(yùn)行的荷載風(fēng)險(xiǎn)也隨之增大；在其他運(yùn)行工況下，只要預(yù)測(cè)出氣象信息的特征值就可以預(yù)測(cè)評(píng)估出線路風(fēng)險(xiǎn)狀況。實(shí)測(cè)數(shù)據(jù)結(jié)果表明，根據(jù)GA優(yōu)化的TS-FNN模型的預(yù)測(cè)結(jié)果與實(shí)際運(yùn)行情況吻合較好。因此所建立的模型具有較好的工程應(yīng)用前景。

4　結(jié)論

本文首次提出了架空線路在極端天氣下荷載風(fēng)險(xiǎn)預(yù)測(cè)的GA優(yōu)化TS-FNN模型以及荷載風(fēng)險(xiǎn)預(yù)警狀態(tài)的劃分原則；論述了線路風(fēng)險(xiǎn)預(yù)測(cè)的理論評(píng)估方法，通過實(shí)際算例驗(yàn)證了所建立的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的正確性。研究結(jié)果表明：采用架空線路經(jīng)過地區(qū)氣象信息中的風(fēng)速、覆冰厚度、降雨量、氣溫作為特征量輸入量，可實(shí)現(xiàn)對(duì)架空線路的荷載風(fēng)險(xiǎn)進(jìn)行評(píng)估，充分說明模型中運(yùn)用4個(gè)典型特征量進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)的合理性；同時(shí)，所建立的模型較自適應(yīng)FNN模型預(yù)測(cè)效率更高、準(zhǔn)確性更好。該模型具有較好的工程應(yīng)用價(jià)值，有助于提高電力系統(tǒng)的安全運(yùn)行管理水平。

［1］張文亮，于永清，宿志一，等.湖南電網(wǎng)2008年冰雪災(zāi)害調(diào)研分析［J］.電網(wǎng)技術(shù)，2008，32（8）：1-5.Zhang Wenliang，Yu Yongqing，Su Zhiyi，et al.Investigation and analysis of icing and snowing disaster happened in Hu'nan power grid in 2008［J］.Power System Technology，2008，32（8）：1-5.

［2］楊清，魏亞楠，趙淵，等.強(qiáng)風(fēng)雨荷載沖擊下的輸電線路可靠性建模方法［J］.電力自動(dòng)化設(shè)備，2015，35（2）：133-137.Yang Qing，Wei Yanan，Zhao Yuan，et al.Reliability model of transmission lines under impact of strong wind and rain［J］.Electric Power Automation Equipment，2015，35（2）：133-137.

［3］孫羽，王秀麗，王建學(xué)，等.架空線路冰風(fēng)荷載風(fēng)險(xiǎn)建模及模糊預(yù)測(cè)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2011，31（7）：21-28.Sun Yu，Wang Xiuli，Wang Jianxue，et al.Wind and ice loading risk model and fuzzy forecast for overhead transmission lines［J］.Proceedings of the CSEE，2011，31（7）：21-28.

［4］Tom B，Gutwin P.Application of BCTC standardized risk estimation model to assess risk due to ice storms［C］//8th International Conference on Probabilistic Methods Applied to Power Systems.Ames：Iowa State University，2004：970-974.

［5］薛禹勝，費(fèi)圣英，卜凡強(qiáng).極端外部災(zāi)害中的停電防御系統(tǒng)構(gòu)思（二）任務(wù)與展望［J］.電力系統(tǒng)自動(dòng)化，2008，32（10）：1-5.Xue Yusheng，F(xiàn)ei Shengying，Bu Fanqiang.Upgrading the blackout defense scheme against extreme disasters partⅡ tasks and prospects［J］.Automation of Electric Power Systems，2008，32（10）：1-5.

［6］Kikuehi N，Matsuzaki Y，Yukino T，Ishida H.Aerodynamic drag of new-design electric power wire in a heavy rainfall and wind.Journal of wind engineering and industrial aerodynamics，2003，91（1）：41-51.

［7］Billinton R，Li Wenyuan.Reliability assessment of electric power systems using monte carlo methods.New York：Plenue Press，1994.

［8］楊云，付彥麗.基于T-S模型模糊神經(jīng)網(wǎng)絡(luò)的PM2.5質(zhì)量濃度預(yù)測(cè)［J］.陜西科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，33（6）：162-166.Yang Yun，F(xiàn)u Yanli.The prediction of mass concentration of PM 2.5 based on T-S fuzzy neural network［J］.Journal of Shaanxi University of Science ＆ Technology（natural science），2015，33（6）：162-166.

［9］ 郭強(qiáng)，朱若函，張曉萌.基于遺傳禁忌算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)垂直切換算法［J］.計(jì)算機(jī)應(yīng)用研究，2016，33（3）：840-842+847.Guo Qiang，Zhu Ruohan，Zhang Xiaomeng.Fuzzy neural network based on genetic tabu algorithm tooptimize vertical switching algorithm［J］.Application Research of Computers，2016，33（3）：840-842+847.

［10］王俊.基于改進(jìn)T-S模糊神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測(cè)［J］.山東煤炭科技，2015，（12）：65-67.Wang Jun.Gas emission Predietion based on imProved T-S fuzzy neural network［J］.Shandong Coal Science and Technology，2015，（12）：65-67.

［11］王永辰，肖伸平，劉先亮.基于改進(jìn)自適應(yīng)遺傳算法的配電網(wǎng)重構(gòu)［J］.新型工業(yè)化，2015，5（8）：6-10.Wang Yongchen，Xiao Shenping，Liu Xianliang.Distribution System Reconfiguration Based on Improved Genetic Algorithm［J］.The Journal of New Industrialization，2015，5（8）：6-10.

［12］徐加利，管章玉.協(xié)作無(wú)線網(wǎng)絡(luò)中基于遺傳算法的聯(lián)合中繼選擇與認(rèn)知頻譜接入機(jī)制［J］.新型工業(yè)化，2014，4（5）：41-47.Xu Jiali，Guan Zhangyu.Joint relay selection and cognitive spectrum access based on Genetic Algorithm in cooperative wireless networks［J］.The Journal of New Industrialization，2014，4（5）：41-47.

［13］東北電力設(shè)計(jì)院.電力工程高壓送電線路設(shè)計(jì)手冊(cè).北京：中國(guó)電力出版社，2003.Northeast Electric Power Design Institute.Design manual of high voltage transmission line in Power Engineering.Beijing：China Electric Power Press，2003.

［14］白海峰，李宏男.架空輸電線路風(fēng)雨致振動(dòng)響應(yīng)研究［J］.電網(wǎng)技術(shù)，2009，33（2）：36-40.Bai Haifeng，Li Hongnan.Dynamic response of overhead transmission lines to oscillation caused by wind or rainfall loads［J］.Power System Technology，2009，33（2）：36-40.

［15］李宏男，任月明，白海峰.輸電塔體系風(fēng)雨激勵(lì)的動(dòng)力分析模型［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2007，27（30）：43-48.Li Hongnan，Ren Yueming，Bai Haifeng.Rain-wind-induced dynamic model for transmission tower system［J］.Proceedings of the CSEE，2007，27（30）：43-48.

［16］中華人民共和國(guó)建設(shè)部.GB50068-2001建筑結(jié)構(gòu)可靠度設(shè)計(jì)統(tǒng)一標(biāo)準(zhǔn)［S］.北京：中國(guó)建筑工業(yè)出版社，2002.Ministry of Construction of the People's Republic of China.GB50068-2001 Unified standard for reliability design of building structures［S］.Beijing：China Architecture Building Press，2002.

Risk Forecast of T-S Fuzzy Neural Network by Optimized GA for Overhead Line Loads

NI Liang-hua1，XIAO Li-jun1，LV Gan-yun1，TANG Zhi-qian2，ZHU Tian-yu1
（1.School Of Electric Power Engineering，Nanjing Institute of Technology，Nanjing 211167，China；2.Zhenjiang Power Supply Company，Zhenjiang 212001，China）

The impact of combined loads under extreme weather conditions adversely affects the operation reliability of overhead line.To study the risk assessment of overhead line in prevention accident has practical signifcance.Overhead line risk forecast is a time-varying and nonlinear problem with strong-coupling，which is diffcult to establish accurate mathematical model.According to the random properties of load-strength，the interference theory of load-strength and fuzzy predication theory，a new risk forecast model based on the T-S fuzzy neural network by genetic algorithm（GA）is established for overhead line loadsrisk predication，which takes the typical meteorological characteristics under extreme weather conditions as inputs，such as wind speed，ice thickness，rain fall and air temperature，and regards time-scale failure probability of overhead line as an output，moreover the parameters of fuzzy neural network is optimized by genetic algorithm.The built model has advantages of faster computation speed and higher forecast accuracy over traditional theory model and adaptive fuzzy neural network model.The case study of an actual overhead line verifes the effectiveness and effciency of the proposed model.

Overhead line；Combined load risk forecast；Failure probability；T-S fuzzy neural network（TS - FNN）；Genetic algorithm

10.19335/j.cnki.2095-6649.2016.07.001

NI Liang-hua，XIAO Li-jun，LV Gan-yun，et al.Risk Forecast of T-S Fuzzy Neural Network by Optimized GA for Overhead Line Loads［J］.The Journal of New Industrialization，2016，6（7）：1-8.

國(guó)家自然科學(xué)基金項(xiàng)目資助（51577086）；南京工程學(xué)院科研基金重點(diǎn)項(xiàng)目資助（ZKJ201304；CKJA201406）。

倪良華（1966-），男，副教授，主要研究方向：電力系統(tǒng)運(yùn)行與控制，新能源與智能輸配電技術(shù)等；肖李俊（1991-），男，碩士研究生，主要研究方向：電能質(zhì)量分析與控制，呂干云（1976-），男，教授，主要研究方向：電力系統(tǒng)運(yùn)行與控制，電能質(zhì)量分析等；湯智謙（1987-），男，助理工程師，主要從事輸配電線路運(yùn)行與管理工作