一种输电线路避雷器防雷等级的影响因素分析方法

技术领域

本发明涉及避雷器防雷等级分析技术领域，具体为一种输电线路避雷器防雷等级的影响因素分析方法。

背景技术

稳定可靠的用电是国家电网使命的重要组成部分，而这项使命在遇到雷电天气或极端恶劣环境下，输电线路的绝缘系统往往会承担巨大压力，若是恰好输电线路的绝缘设备性能降低而未检修更换，可能会导致绝缘设备超过其性能并导致大规模的停电，输电线路避雷器是一种能够保护输电线路不被雷电击穿的绝缘设备，它通过吸收雷电中的过电压，将其量值降低到安全阈值之下，提高线路的耐雷水平，从而能保护输电线路以及电力系统免受雷电等灾难的侵害，因此输电线路避雷器在输电安全运行系统中承担重大作用。

输电线路避雷器的防雷效果与绝缘性能受到多种负面因素影响，这些影响因素包括避雷器的内部影响因素和外部影响因素，若输电线路避雷器长期暴露在复杂环境以及不当的内部配置条件下，其绝缘性能将会受损导致其防雷等级下降，而这种现象却往往不易被发现，这就更加导致难以分析造成避雷器防雷等级下降的主要影响因素，在这些效应叠加后，会导致输电线路避雷器的可靠性不高，难以取得良好的防雷效果。

因此，为了提高输电线路避雷器的防雷等级和电力系统运行可靠性，分析输电线路避雷器防雷等级的主要影响因素是十分重要的。

发明内容

本发明的目的在于提供一种输电线路避雷器防雷等级的影响因素分析方法，提高输电线路避雷器的使用寿命和电力系统运行可靠性，以解决现有技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种输电线路避雷器防雷等级的影响因素分析方法，包括以下步骤：

S1：根据层次分析算法得到输电线路避雷器防雷等级的主要影响因素；

S2：根据K-means聚类算法将输电线路避雷器的防雷等级进行分类；

S3：根据DBN算法建立输电线路避雷器防雷等级主要影响因素的DBN模型；

S4：根据DBN模型对输电线路避雷器防雷等级主要影响因素进行定量分析。

更进一步地，S1中根据AHP算法得到输电线路避雷器的主要影响因素， AHP算法具体步骤为：

S101：构建输电线路避雷器防雷等级影响因素AHP模型：

模型目标层：输电线路避雷器防雷等级最高；

模型方案层：B

模型准则层：避雷器设备型号S、避雷器的配置方式P、工频电压V、避雷器与绝缘子串的最小安全距离D、避雷器环境温度T、避雷器环境湿度E；

S102：构造输电线路避雷器防雷等级AHP模型判断矩阵

S103：对输电线路避雷器防雷等级影响因素AHP模型判断矩阵J进行层次单排序并进行一致性检验；

S104：对输电线路避雷器防雷等级影响因素AHP模型判断矩阵J进行层次总排序并进行一致性检验。

更进一步地，S103中对AHP模型判断矩阵J进行层次单排序并进行一致性检验，具体步骤为：

S1031：计算判断矩阵J的最大特征根λ；

S1032：对判断矩阵进行归一化得到权重向量w；

S1033：计算层次单排序一致性指标

S1034：计算层次单排序一致性比率

更进一步地，S104中对避雷器AHP模型判断矩阵J进行层次总排序并进行一致性检验，具体步骤为：

S1041：计算AHP模型方案层B

S1042：计算层次总排序的一致性比率CR：

更进一步地，S2中根据K-means聚类算法将输电线路避雷器的防雷等级进行分类，具体步骤为：

S201：确定5个聚类中心k

式中，x

S202：定义目标函数Dis

式中，n为数据集中的数据个数；

S203：对目标函数Dis

S204：根据聚类结果将输电线路避雷器防雷等级的影响因素分为高、较高、中、较低和低5类。

更进一步地，S3中建立输电线路避雷器防雷等级的主要影响因素的DBN 模型，具体步骤为：

S301：输电线路避雷器防雷等级的主要影响因素数据DBN算法的输入信号，输入数据后构成样本特征矩阵A：

式中，向量a

计算避雷器防雷等级各主要影响因素的样本特征矩阵：

S302：计算特征矩阵所对应的标记用样本标记矩阵B：

式中，b

S303：将避雷器防雷等级DBN模型总层数以及各层神经节点数赋值：

x＝[x

y＝[y

式中，g为权重矩阵，x和y分别避雷器主要影响因素DBN模型的显层和隐藏层微分矩阵，g

S304：以输电线路避雷器防雷等级的主要影响因素数据形成的特征矩阵为模型输入，随机选取输入样本a

h

计算避雷器防雷等级主要影响因素DBN模型隐藏层：

r

计算隐藏层中各神经节点的激活概率：

式中，f(x)为Sigmoid激活函数；

抽取某层隐藏层矩阵反馈重建显层矩阵并计算更新后显层矩阵：

h

各神经节点激活概率为：

更新每层权重和微分：

w(t+1)＝w(t)+α(P(r

x(t+1)＝x(t)+α(h

y(t+1)＝y(t)+α(r

式中，α表示学习速率；

S305：计算前向反馈中的无监督训练的反向传播层输出矩阵b

b

式中，a

定义误差函数Err：

式中，Err表示平方误差和，u

根据复合求导法则，计算误Err对g(t)和y(t)的偏微分：

计算避雷器DBN模型输出层权重和微分：

更进一步地，S4中根据DBN模型对输电线路避雷器防雷等级的主要影响因素进行定量分析，具体步骤为：

S401：将DBN模型输入避雷器主要影响因素，得到在主要影响因素训练下的输出y(t)：

其中，

S402：将DBN模型输入避雷器全部影响因素，得到在全部影响因素训练下的输出y(t)：

y(t)＝y(t-1)+α·(u

其中，ε

S403：根据S401至S402中的DBN模型输出结果，代入具体组合方式，定量分析输电线路避雷器防雷等级与主要影响因素之间的关系。

更进一步地，S403中所述的根据S401至S402中的DBN模型输出结果，代入具体组合方式，定量分析输电线路避雷器防雷等级与主要影响因素之间的关系，具体步骤为：

S4031：针对避雷器主要影响因素进行赋值并组合，共有m种组合方式，选取k种组合方式，设置h次循环，代入S401中模型输出，获得预测准确度输出矩阵：

S4032：针对避雷器全部影响因素进行赋值并组合，共有n种组合方式，选取k种组合方式，设置h次循环，代入S402中模型输出，获得预测准确度输出矩阵：

S4033：对比S4031至S4032中k种组合方式下的预测准确度输出矩阵，并根据矩阵元素差值分析避雷器主要影响因素对模型预测准确度的效果。

与现有技术相比，本发明的有益效果是：

本发明提供的一种输电线路避雷器防雷等级的影响因素分析方法，首先使用AHP算法确定输电线路避雷器防雷等级的主要影响因素，再根据K-means 聚类算法对输电线路避雷器的防雷等级进行分类，得到五个避雷器防雷等级，然后使用DBN算法建立避雷器防雷等级主要影响因素的DBN模型，最后根据建立的DBN模型对避雷器防雷等级主要影响因素进行定量分析，明确了避雷器防雷效果的主要影响因素，减少判别避雷器防雷效果下降的设备与经济成本，同时提高了人员操作的安全性与电力系统运行的可靠性。

附图说明

图1为本发明的方法流程图；

图2为发明根据DBN算法建立输电线路避雷器防雷等级影响因素的DBN 模型流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，本发明实施例中提供一种输电线路避雷器防雷等级的影响因素分析方法，包括以下步骤：

步骤1：根据层次分析(Analytic Hierarchy Process，AHP)算法得到输电线路避雷器防雷等级的主要影响因素；

步骤1.1：构建输电线路避雷器防雷等级影响因素AHP模型：

模型目标层：输电线路避雷器防雷等级最高；

模型方案层：B

模型准则层：避雷器设备型号S、避雷器的配置方式P、工频电压V、避雷器与绝缘子串的最小安全距离D、避雷器环境温度T、避雷器环境湿度E；

步骤1.2：构造输电线路避雷器防雷等级AHP模型判断矩阵J；

所述构造输电线路避雷器防雷等级AHP模型判断矩阵J为：

步骤1.3：对输电线路避雷器防雷等级影响因素AHP模型判断矩阵J进行层次单排序并进行一致性检验；

步骤1.3.1：计算判断矩阵J的最大特征根λ；

步骤1.3.2：对判断矩阵进行归一化得到权重向量w；

步骤1.3.3：计算层次单排序一致性指标

步骤1.3.4：计算层次单排序一致性比率

步骤1.4：对输电线路避雷器防雷等级影响因素AHP模型判断矩阵J进行层次总排序并进行一致性检验；

步骤1.4.1：计算AHP模型方案层B

步骤1.4.2：计算层次总排序的一致性比率CR：

步骤2：根据K-means聚类算法将输电线路避雷器的防雷等级进行分类；

步骤2.1：确定5个聚类中心k

式中，x

步骤2.2：定义目标函数Dis

式中，n为数据集中的数据个数；

步骤2.3：对目标函数Dis

步骤2.3：根据聚类结果将输电线路避雷器防雷等级的影响因素分为高、较高、中、较低和低5类；

步骤3：根据DBN算法建立输电线路避雷器防雷等级主要影响因素的 DBN模型，流程图如图2所示；

步骤3.1：输电线路避雷器防雷等级的主要影响因素数据DBN算法的输入信号，输入数据后构成样本特征矩阵A：

式中，向量a

计算避雷器防雷等级各主要影响因素的样本特征矩阵：

步骤3.2：计算特征矩阵所对应的标记用样本标记矩阵B：

式中，b

步骤3.3：将避雷器防雷等级DBN模型总层数以及各层神经节点数赋值：

x＝[x

y＝[y

式中，g为权重矩阵，x和y分别避雷器主要影响因素DBN模型的显层和隐藏层微分矩阵，g

步骤3.4：以输电线路避雷器防雷等级的主要影响因素数据形成的特征矩阵为模型输入，随机选取输入样本a

计算避雷器防雷等级主要影响因素DBN模型隐藏层：

r

计算隐藏层中各神经节点的激活概率：

式中，f(x)为Sigmoid激活函数；

抽取某层隐藏层矩阵反馈重建显层矩阵并计算更新后显层矩阵： h

各神经节点激活概率为：

更新每层权重和微分：

w(t+1)＝w(t)+α(P(r

x(t+1)＝x(t)+α(h

y(t+1)＝y(t)+α(r

式中，α表示学习速率；

步骤3.5：计算前向反馈中的无监督训练的反向传播层输出矩阵b

b

式中，a

定义误差函数Err：

式中，Err表示平方误差和，u

根据复合求导法则，计算误Err对g(t)和y(t)的偏微分：

计算避雷器DBN模型输出层权重和微分：

步骤4：根据DBN模型对输电线路避雷器防雷等级的主要影响因素进行定量分析；

步骤4.1：将DBN模型输入避雷器主要影响因素，得到在主要影响因素训练下的输出y(t)：

其中，

步骤4.2：将DBN模型输入避雷器全部影响因素，得到在全部影响因素训练下的输出y(t)：

y(t)＝y(t-1)+α·(u

其中，ε

步骤4.3：根据步骤4.1至步骤4.2中的DBN模型输出结果，代入具体组合方式，定量分析输电线路避雷器防雷等级与主要影响因素之间的关系：

步骤4.3.1：针对避雷器主要影响因素进行赋值并组合，共有m种组合方式，选取k种组合方式，设置h次循环，代入步骤4.1中模型输出，获得预测准确度输出矩阵：

步骤4.3.2：针对避雷器全部影响因素进行赋值并组合，共有n种组合方式，选取k种组合方式，设置h次循环，代入步骤4.2中模型输出，获得预测准确度输出矩阵：

步骤4.3.3：对比上步骤4.3.1和步骤4.3.2中k种组合方式下的预测准确度输出矩阵，并根据矩阵元素差值分析避雷器主要影响因素对模型预测准确度的效果。

综上所述：本发明的一种输电线路避雷器防雷等级的影响因素分析方法，首先使用AHP算法确定输电线路避雷器防雷等级的主要影响因素，再根据 K-means聚类算法对输电线路避雷器的防雷等级进行分类，得到五个避雷器防雷等级，然后使用DBN算法建立避雷器防雷等级主要影响因素的DBN模型，最后根据建立的DBN模型对避雷器防雷等级主要影响因素进行定量分析，明确了避雷器防雷效果的主要影响因素，减少判别避雷器防雷效果下降的设备与经济成本，同时提高了人员操作的安全性与电力系统运行的可靠性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。