一种基于HMLP神经网络的多气候因素影响的绝缘子泄漏电流估测方法

技术领域

本发明涉及绝缘子泄漏电流估测技术领域，具体为一种基于HMLP神经网络的多气候因素影响的绝缘子泄漏电流估测方法。

背景技术

在高压输电线路中，绝缘子是关键的组件之一。绝缘子主要用于支撑、固定和绝缘输电线路，保证电力系统的正常运行。然而，由于环境的恶劣条件和绝缘子自身的缺陷，会导致绝缘子表面积累污染物或闪络现象，这可能会引发电击事故、电力故障等问题。

因此，对绝缘子的状态进行监测和预测，制定相应的检修策略，成为了确保高压绝缘子安全运行的重要任务。而其中一个可行的方法是利用气象参数对绝缘子泄露电流进行估测。

气候条件是绝缘子表面污闪问题的一个重要因素。温度、湿度、气压和风速等气象参数会对绝缘子上的污染物产生影响。当气候条件特定时，污染物的湿度和电导率会增加，从而导致绝缘子泄露电流的增加。通过建立数学模型和算法，可以对绝缘子泄露电流与气候参数之间的关联进行建模和估测。这使得运维人员可以实时监测绝缘子的状态，并根据估测结果制定相应的维护和修复策略，提高电力系统的可靠性和安全性，减少事故风险，为电力行业的发展做出积极贡献。

发明内容

为解决现有技术中存在的问题，本发明提出一种基于HMLP神经网络的多气候因素影响的绝缘子泄漏电流估测方法，准确地估测高压绝缘子的泄漏电流水平，有助于制定检修策略，有效地解决高压绝缘子的污闪问题。

本发明所采用的技术方案是：一种基于HMLP神经网络的多气候因素影响的绝缘子泄漏电流估测方法，包括：将高压绝缘子所处的当前环境的温度、湿度、气压、降雨量和风速作为特征输入量，将其输入到训练好的HMLP神经网络中，输出此时的泄漏电流估测值。进一步的，所述HMLP神经网络是在原始多层感知器中额外加入了线性输入进行并联连接，采用MRPE学习算法来估测高压绝缘子上的泄漏电流水平，相较于标准的MLP网络具有更好的性能。在具有n

其中k＝1,2,…,n

进一步的，所述HMLP神经网络的隐藏层中的激活函数为Sigmod函数，表达式为

进一步的，所述的MRPE学习算法为递归预测误差，采用了递归的方式来估计模型的参数，在网络中通过高斯-牛顿算法进行反向传播，使得代价函数实现最小化。

进一步的，所述的HMLP神经网络的的训练包括以下步骤：

步骤1，收集泄漏电流与气象参数的实测数据，划分训练集与测试集；

步骤2，将训练集放入HMLP神经网络架构；

步骤3，初始化权重与偏置；

步骤4，判断误差精度是否小于目标预期，若不满足条件则更改权重或改变网络大小；

步骤5，对测试集进行验证，若误差精度不满足目标预期，则重新选择训练集或收集更多数据，若满足目标预期，则完成对HMLP网络的训练。

进一步的，所述的建模函数中气象参数包括温度、湿度、气压、降雨量和风速，函数输出为泄漏电流。

与现有技术相比，本发明具有以下有益效果：

本发明提出一种基于HMLP神经网络的多气候因素影响的绝缘子泄漏电流估测方法，能够在各种气象条件下估测高压绝缘子的泄漏电流水平，通过优化后的网络模型能够准确地从测试数据样本中估测泄漏电流水平，并显示出与现场测量值接近的值。对高压绝缘子临界泄漏电流水平的估测有助于制定检修策略，有效地解决高压绝缘子的污闪问题。

附图说明

图1为本发明的HMLP神经网络训练程序流程图；

图2为本发明的HMLP神经网络结构图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、

“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明公开的一种基于HMLP神经网络的多气候因素影响的绝缘子泄漏电流估测方法，是利用混合多层感知器网络(Hybrid Multilayered Perceptron Networks，HMLP)，在原始多层感知器中额外加入了线性输入进行并联连接，相较于标准的MLP网络具有更好的线性性能。

参见图1，本发明公开的一种基于HMLP神经网络的多气候因素影响的绝缘子泄漏电流估测方法，包括以下步骤：

步骤1，收集泄漏电流与气象参数的实测数据，划分训练集与测试集；

步骤2，将训练集放入HMLP神经网络架构；

步骤3，初始化权重与偏置；

步骤4，判断误差精度是否小于目标预期，若不满足条件则更改权重或改变网络大小；

步骤5，对测试集进行验证，若误差精度不满足目标预期，则重新选择训练集或收集更多数据，若满足目标预期，则完成对HMLP网络的训练。

本实施例中输入数据由28组输入/输出组成，其中输入为温度、湿度、气压、降雨量和风速5项气候参数，输出为对应的高压绝缘子泄漏电流，放入HMLP神经网络在训练过程中用作训练数据集，用6组测试数据集用作测试。

本实施例中，对HMLP神经网络的优化过程是为了使收敛误差中的平均绝对误差(MAE)和振荡最小，通过不断修改反向传播中的动量和学习率，当动量为0.81，学习率为0.11是有最小的MAE，且在收敛误差中无震荡，训练过程中的迭代次数为1400。

本实施例中，确定了动量为0.81，学习率为0.11，对HMLP神经网络的隐藏节点数进行检测，检测范围为6到12个隐藏节点，结果表明在隐藏节点为8个时能够得到最小MAE。

综上所述，动量为0.81，学习率为0.11，1个隐藏层，8个隐藏节点的组合是最佳选择，网络如图2所示。经过700次迭代后，误差收敛到一个可接受的值，这表明网络只需要700次迭代就可以得到正确的训练。

利用优化过程中得到的最佳组合参数，设置HMLP网络参数，计算6个测试数据样本的模型输出泄露电流，所得到的值接近实测数据，满足对真实值的预测。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。