[发明专利]变电站Q235镀锌钢接地网的腐蚀率预测方法

说明书

技术领域

本发明涉及电力系统技术领域，特别是一种用于对变电站接地网的腐蚀率进行预测的方法。

背景技术

接地网的安全是确保电力系统中变电站安全运行、电力设备正常工作和工作人员生命安全的重要保障。由于接地网的材料多采用Q235钢，且常年埋在地下，因此会因为地下复杂的土壤环境常对其产生腐蚀，导致其接地性能劣化，进而影响整个电网的正常运行。由于接地网的特殊性，传统对接地网腐蚀性的测量都是靠人工开挖现场后进行测量，这种原始直观的检测手段不仅不方便，而且也为设备的安全运行带来了隐患。所以，探索Q235钢接地网的腐蚀规律，在不开挖、不断电的前提下预测其腐蚀状况，对变电站的安全稳定工作具有重要意义。

发明内容

本发明需要解决的技术问题是提供一种对变电站中Q235镀锌钢接地网的腐蚀率进行预测的方法，对变电站的安全稳定工作提供可靠保障。

为解决上述技术问题，本发明所采取的技术方案如下。

变电站Q235镀锌钢接地网的腐蚀率预测方法，具体包括以下步骤：

A.确定土壤腐蚀性影响因子，获取数据样本；

B.数据归一化；

C.运用神经网络训练学习得到腐蚀率测试评价网络模型；

D.验证校核腐蚀率测试评价网络模型的误差是否符合要求；

E.采用符合误差要求的腐蚀率测试网络模型预测变电站Q235镀锌接地网的腐蚀率；

F.采用反归一法获得变电站Q235镀锌接地网的实际腐蚀率。

上述变电站Q235镀锌钢接地网的腐蚀率预测方法，步骤C采用RBF神经网络进行训练学习，具体包括以下步骤：

C11.确定Spread值；

C12.运用RBF神经网络的训练学习，运算找出适合RBF网络的结构参数，构建腐蚀率测试评价网络模型。

上述变电站Q235镀锌钢接地网的腐蚀率预测方法，步骤C12具体包括以下步骤：

C121.采用正交最小二乘法训练学习RBF神经网络；

C122.确定腐蚀率测试评价网络模型为，

式中，——隐含层与输出层神经元间的权值；

—回归因子；

M——隐含层神经元数；

—网络误差。

上述变电站Q235镀锌钢接地网的腐蚀率预测方法，步骤C采用BP神经网络进行训练学习，具体包括以下步骤：

C21.采用LM算法进行BP神经网络训练；

C22.确定BP神经网络层数；

C23.确定输入层、输出层节点数；

C24.选取传递函数；

C25.确定隐含层神经元；

C26.开始训练学习，构建腐蚀率测试评价网络模型。

由于采用了以上技术方案，本发明所取得技术进步如下。

本发明利用人工神经网络的数据挖掘思想，在已有的数据基础上，对Q235钢接地网的实际腐蚀状况规律做出预测，从而发现安全隐患并采取措施，使变电站接地网的防护工作有了新的参考和对照。

附图说明

图1为本发明的流程图。

具体实施方式

下面将结合附图和具体实施例对本发明进行进一步详细说明。

变电站Q235镀锌钢接地网的腐蚀率预测方法，其流程图如图1所示，具体包括以下步骤：

A.确定土壤腐蚀性影响因子，获取数据样本。

本发明中，选取土壤腐蚀性调查应包括土壤电阻率、氧化还原电位、含盐量、含水量、pH值和土壤Cl含量总共六个影响因子，测定土壤中这六个元素作为网络模型输入量来构建新的腐蚀等级评价指标。所以，网络预测模型的输入向量是：土壤的氧化还原电位、电阻率、盐量、含水量、pH值和Cl-浓度，输出向量都是不同条件下Q235钢的腐蚀率。

运用MATLAB软件中的函数unifrnd在土壤腐蚀等级评价指标上随机生成2000组训练样本和200组测试样本，样本数据每一组包括6个输入参数和一个输出参数，从而增强网络的鲁棒性和样本识别准确性。

B.数据归一化。

由于S型传递函数的函数值在临近0和1的边缘时候，函数曲线变化平滑，梯度变化速度特别缓慢，所以考虑到减小网络模型的学习时间，可以将输入及输出数据归于成[0.1~0.9]或[0.2~0.8]之间，这样一来使得S型函数能在上述区间中的有较大的变化梯度，从而减小收敛时间，最后整个网络的性能将得到很大的改善。具体变换方法为：

，式一

式中

——归一化后的数据；