[發明專利]一種絕緣子表面等值附鹽密度的預測系統及方法

在審

• 申請號: 201611240866.5
• 申請日: 2016-12-29
• 公開（公告）號: CN106815635A
• 公開（公告）日: 2017-06-09
• 發明（設計）人: 張明;王如夢;王鵬宇;馬瀟;章雪亮
• 申請（專利權）人: 華中科技大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04;G06N3/08
• 代理公司: 華中科技大學專利中心42201
• 代理人: 趙偉

技術領域

本發明屬于電力系統外絕緣技術領域，更具體地，涉及一種絕緣子表面等值附鹽密度的預測系統及方法。

背景技術

正常工作電壓下的絕緣子由于表面污穢物的堆積，在陰雨、大霧等惡劣天氣下容易發生污穢閃絡事故，對電力系統的安全穩定運行構成嚴重威脅。對輸電線路上絕緣子的污穢度進行預測非常有必要，以便及時預防污閃事故的發生。通常使用等值附鹽密度(Equivalent Salt Deposit Density，ESDD)來評估絕緣子表面污穢程度。

廣義回歸神經網絡(GRNN)模型因為其具有非常強的非線性映射能力和柔性網絡結構、學習能力和逼近能力較強，以及很好的魯棒性和容錯性等優點而得到廣泛的應用，但是GRNN模型中平滑因子(SPREAD)的取值大小會對網絡的逼近精度和預測精度產生較大影響。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種絕緣子表面等值附鹽密度的預測系統及方法，其目的在于結合自適應變異粒子群優化算法與廣義回歸神經網絡、提供一種可廣泛應用于任意型號絕緣子的等值附鹽密度預測方法。

為實現上述目的，按照本發明的一個方面，提供了一種絕緣子表面等值附鹽密度預測系統，包括依次連接的原始數據采集單元、自適應變異粒子群單元、廣義回歸神經網絡預測單元和ESDD預測值輸出單元；

其中，原始數據采集單元用于獲取輸電線上的絕緣子ESDD數據和氣象數據；自適應變異粒子群單元用于根據輸電線上絕緣子ESDD數據和氣象數據求解出廣義回歸神經網絡的最優平滑因子值；廣義回歸神經網絡預測單元則根據所述的最優平滑因子值構建預測模型，并對絕緣子ESDD進行預測；ESDD預測值輸出單元則用于輸出從廣義回歸神經網絡預測單元得到的絕緣子ESDD預測值。

優選的，上述絕緣子表面等值附鹽密度預測系統，還包括ESDD預警單元，ESDD預警單元的輸入端與廣義回歸神經網絡預測單元的輸出端相連；ESDD預警單元用于根據上述預測值與預設的預警閾值生成預警信號；具體地，當預測值達到預警閾值，生成預警信號。

為實現本發明目的，按照本發明的另一方面，基于上述絕緣子表面等值附鹽密度預測系統，提供了一種絕緣子表面等值附鹽密度預測方法，包括如下步驟：

(1)通過將自適應變異粒子群單元中每個個體映射為廣義回歸神經網絡中的平滑因子來構建一個GRNN；

對每個個體對應的GRNN輸入訓練樣本進行訓練，計算每一個體對應的GRNN在訓練集上產生的均方誤差；

根據來構建個體適應度函數，采用自適應變異粒子群算法求解出全局解空間中GRNN平滑因子的最優值；其中x是指粒子的當前位置向量；

(2)根據所述的最優值、絕緣子ESDD數據和氣象數據建立GRNN預測模型；采用所述預測模型進行絕緣子ESDD預測獲得ESDD預測值；

(3)輸出廣義回歸神經網路預測模型的預測值。

優選地，上述絕緣子表面等值附鹽密度預測方法，還包括步驟(4)：

(4)將預測值與預設的預警閾值進行比較，當預測值達到預警閾值時，生成預警信號。

優選地，上述絕緣子表面等值附鹽密度預測方法，步驟(1)采用自適應變異粒子群算法求解全局解空間中GRNN平滑因子的最優值的方法，包括如下子步驟：

(a)初始化粒子群：設定加速度因子c₁和c₂、最大進化代數T；設當前進化代數t＝1；定義空間Rⁿ中隨機產生m個粒子x₁,x₂,…,x_m組成初始種群X(t)；隨機產生各粒子初始速度v₁,v₂,…,v_m組成位移變化矩陣V(t)；

(b)將粒子群中每一個體映射為網絡中的平滑因子以構建廣義回歸神經網絡；

將每一個體輸入廣義回歸神經網絡進行訓練；計算每個廣義回歸神經網絡在訓練集上產生的均方誤差，并以此作為目標函數，按構建適應度函數，以計算個體的適應度；

其中x表示粒子的當前位置向量；

(c)采用迭代的方法更新每個粒子的自身最優位置p_i和種群全局最優位置p_g；

記為每個粒子經k次迭代后的最優位置，為種群經k次迭代后的最優位置；

(d)根據計算每個粒子的慣性權重；