[发明专利]基于神经网络遗传算法的带均压环结构的绝缘子优化方法

说明书

技术领域

本发明属于电力系统保护技术领域，涉及到一种绝缘子结构优化方法，具体涉及一种基于神经网络遗传算法的带均压环结构的绝缘子优化方法。

背景技术

随着超、特高压大容量输电技术的发展，复合绝缘子越来越多地应用于输电线路。复合绝缘子较之传统的瓷和玻璃绝缘子具有抗污闪能力强、免清扫、重量轻、维护方便等优点，特别是在我国输电线路存在重污秽的地区，将优先采用复合绝缘子。然而，复合绝缘子由于电场分布极不均匀，芯棒高压端附近往往承受着过高的电场，容易导致芯棒脆断、掉线等严重事故。因此，研究复合绝缘子的电位和电场分布并寻找合理的优化措施对输电线路的安全运行及维护具有重要的意义。

发明内容

为了克服现有技术的不足，本发明提供一种基于神经网络遗传算法的带均压环结构的绝缘子优化方法，通过建立基于神经网络遗传算法的优化模型，将均压环的结构参数和位置作为输入变量，以绝缘子沿面最大场强以及均压环表面最大场强为目标函数，优化绝缘子结构，达到维护线路安全的目的。

本发明的技术方案是：一种基于神经网络遗传算法的带均压环结构的绝缘子优化方法，建立以均压环结构与位置为输入变量，以绝缘子沿面场强和均压环表面最大场强为目标函数的神经网络模型，建立输入变量和目标函数之间的映射关系，即F(E₁,E₂)＝F(R,r,h),式中，E₁为绝缘子沿面最大场强，E₂为均压环表面最大场强，R,r,h分别为均压环的环半径、管半径、罩入深度。所述均压环表面最大场强E₂的最大值E_2max满足起晕场强，即E_2max＝g(R,r,h)≤2.2kV/mm。所述神经网络训练样本是通过有限元法计算得到，然后把网络的输出值看成是个体的适应值，，用遗传算法的选择、交叉、变异等遗传算子来寻找系统的最佳输入值，使对应的最佳适应度值最优，从而找到最佳的均压环结构参数。所述均压环参数和输出的场强值在[0,1]归一化区间，归一化方法为：设f为均压环任意结构参数，f_max和f_min为此参数的上下界，对于任意的f(x),如果此结构参数与E₁正相关，则归一化后的结构参数f_n(x)为：如果此结构参数与E₁负相关，则归一化后的结构参数f_n(x)为：所述绝缘子沿面最大场强E₁的变化区间取值范围为【0.12.5】kV/mm，均压环表面最大场强E₂的取值区间范围为【0.13.1】kV/mm。所述神经网络的隐含层的激活函数选Sigmoid函数：其中y为幂数，决定Sigmoid函数的陡度。所述神经网络的训练算法选用LM算法。所述绝缘子高压端设有两个均压环，小环管半径为50mm、环半径为400mm、抬高距为250mm；大环管半径120mm、环半径为1120mm、抬高距为500mm。所述绝缘子低压端设有均压环，低压端均压环管半径为120mm，环半径为720mm，抬高距为9480mm。

本发明有如下积极效果：通过建立基于神经网络遗传算法的优化模型，将均压环的结构参数和位置作为输入变量，以绝缘子沿面最大场强以及均压环表面最大场强为目标函数，优化绝缘子结构，达到维护线路安全的目的。

附图说明

图1为本发明具体实施方式的均压环优化神经网络模型。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

神经网络模型通过学习和训练输入、输出数据就可以获得网络的权值和结构，从而得出隐含在输入、输出数据中的关系。这种关系隐含在神经网络内部，不需要知道具体的模型，只需用神经网络就能逼近输入和输出之间的多维非线性特性，从而建立输入与输出之间的函数关系。