[发明专利]一种绝缘子表面等值附盐密度的预测系统及方法

说明书

技术领域

本发明属于电力系统外绝缘技术领域，更具体地，涉及一种绝缘子表面等值附盐密度的预测系统及方法。

背景技术

正常工作电压下的绝缘子由于表面污秽物的堆积，在阴雨、大雾等恶劣天气下容易发生污秽闪络事故，对电力系统的安全稳定运行构成严重威胁。对输电线路上绝缘子的污秽度进行预测非常有必要，以便及时预防污闪事故的发生。通常使用等值附盐密度(Equivalent Salt Deposit Density，ESDD)来评估绝缘子表面污秽程度。

广义回归神经网络(GRNN)模型因为其具有非常强的非线性映射能力和柔性网络结构、学习能力和逼近能力较强，以及很好的鲁棒性和容错性等优点而得到广泛的应用，但是GRNN模型中平滑因子(SPREAD)的取值大小会对网络的逼近精度和预测精度产生较大影响。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种绝缘子表面等值附盐密度的预测系统及方法，其目的在于结合自适应变异粒子群优化算法与广义回归神经网络、提供一种可广泛应用于任意型号绝缘子的等值附盐密度预测方法。

为实现上述目的，按照本发明的一个方面，提供了一种绝缘子表面等值附盐密度预测系统，包括依次连接的原始数据采集单元、自适应变异粒子群单元、广义回归神经网络预测单元和ESDD预测值输出单元；

其中，原始数据采集单元用于获取输电线上的绝缘子ESDD数据和气象数据；自适应变异粒子群单元用于根据输电线上绝缘子ESDD数据和气象数据求解出广义回归神经网络的最优平滑因子值；广义回归神经网络预测单元则根据所述的最优平滑因子值构建预测模型，并对绝缘子ESDD进行预测；ESDD预测值输出单元则用于输出从广义回归神经网络预测单元得到的绝缘子ESDD预测值。

优选的，上述绝缘子表面等值附盐密度预测系统，还包括ESDD预警单元，ESDD预警单元的输入端与广义回归神经网络预测单元的输出端相连；ESDD预警单元用于根据上述预测值与预设的预警阈值生成预警信号；具体地，当预测值达到预警阈值，生成预警信号。

为实现本发明目的，按照本发明的另一方面，基于上述绝缘子表面等值附盐密度预测系统，提供了一种绝缘子表面等值附盐密度预测方法，包括如下步骤：

(1)通过将自适应变异粒子群单元中每个个体映射为广义回归神经网络中的平滑因子来构建一个GRNN；

对每个个体对应的GRNN输入训练样本进行训练，计算每一个体对应的GRNN在训练集上产生的均方误差；

根据来构建个体适应度函数，采用自适应变异粒子群算法求解出全局解空间中GRNN平滑因子的最优值；其中x是指粒子的当前位置向量；

(2)根据所述的最优值、绝缘子ESDD数据和气象数据建立GRNN预测模型；采用所述预测模型进行绝缘子ESDD预测获得ESDD预测值；

(3)输出广义回归神经网路预测模型的预测值。

优选地，上述绝缘子表面等值附盐密度预测方法，还包括步骤(4)：

(4)将预测值与预设的预警阈值进行比较，当预测值达到预警阈值时，生成预警信号。

优选地，上述绝缘子表面等值附盐密度预测方法，步骤(1)采用自适应变异粒子群算法求解全局解空间中GRNN平滑因子的最优值的方法，包括如下子步骤：

(a)初始化粒子群：设定加速度因子c₁和c₂、最大进化代数T；设当前进化代数t＝1；定义空间Rⁿ中随机产生m个粒子x₁,x₂,…,x_m组成初始种群X(t)；随机产生各粒子初始速度v₁,v₂,…,v_m组成位移变化矩阵V(t)；

(b)将粒子群中每一个体映射为网络中的平滑因子以构建广义回归神经网络；

将每一个体输入广义回归神经网络进行训练；计算每个广义回归神经网络在训练集上产生的均方误差，并以此作为目标函数，按构建适应度函数，以计算个体的适应度；

其中x表示粒子的当前位置向量；

(c)采用迭代的方法更新每个粒子的自身最优位置p_i和种群全局最优位置p_g；

记为每个粒子经k次迭代后的最优位置，为种群经k次迭代后的最优位置；

(d)根据计算每个粒子的惯性权重；