人工神经网络在绝缘子表面污秽预测中的应用

1、人工神经网络在绝缘子外表污秽预测中的应用论文导读:：利用人工气候实验室试验数据，提出了应用人工神经网络来预测绝缘子外表污秽程度的方法。这种方法利用人工神经网络建立了温度、湿度、工频泄漏电流和泄漏电流中三次谐波占基波的比例与等值附盐密度之间关系的模型，并用实验室数据进行了仿真实验。结果说明，这一方法可以比拟准确的预测出绝缘子外表的污秽程度，为指导电力部门日益繁重的绝缘子清扫工作，乃至防止绝缘子污秽闪络问题提供了一种新的途径和思路。论文关键词：绝缘子，污秽等级，人工神经网络，泄漏电流，温度，湿度，等值附盐密度0前言目前，测量绝缘子的等值附盐密度(ESDD)是检测高压绝缘子染污状况的主要手段。盐密大

2、小与绝缘子受潮后的电气绝缘强度密切相关，可以作为划分绝缘子污秽等级、调整爬距和指导清扫的定量依据。但是，等值附盐密度的测量需要在停电状况下进行，这一方面降低了供电的可靠性，另一方面也缺乏实时性。而且随着电力系统的日益增大和电压等级的升高，清扫的工作量日益增大湿度，费用也相应的提高。按照传统方法进行的定期清扫，不能根据绝缘子的实际积污情况进行。这一方面无法及时对具有污闪可能的线路进行清扫，以到达防止污闪的目的；另一方面又做了大量的无用功，造成了人力和物力的极大浪费。鉴于上述问题，有必要采用新的污秽度测量及判定方法，克服传统盐密测量方法的缺乏，并逐步替代【3】。在参考相关文献的根底上，本文提出了用

3、人工神经网络来预测基于泄漏电流、气象因素的绝缘子等值附盐密度(ESDD) 。通过实验室数据训练网络来预测绝缘子的等值盐密，得出预测值后，再与实测值比照，找出误差，改良网络以得到适宜的输出。该方法在实验室验证成功后，可以应用于现场在线监测数据的处理，以到达指导清扫的目的。1基于人工神经网络的污秽预测模型的建立1.1 模型输入量的选取绝缘子的泄漏电流与其外表的污秽程度和气象因素之间有着密切的关系【6】，具体为：(1)在绝缘子外表洁净或污秽枯燥的情况下湿度，绝缘子外表的泄漏电流以工频量为主，根本没有或只有一点谐波。(2)随着绝缘子外表污秽度的增加，泄漏电流中的工频量增加；泄漏电流中的三次谐波占基波的

4、比例也会增加。 (3)随着空气中相对湿度的增加，漏电流中的工频量增加；同时，泄漏电流中的三次谐波占基波的比例也会增加，而且当有放电发生后，这种趋势更加明显。图1和图2是利用实验室数据得到的绝缘子泄漏电流中三次谐波分量占基波分量随着绝缘子外表污秽度和空气中相对湿度的增加而增加的趋势【7】。为了给人工神经网络预测绝缘子外表污秽程度时挑选气象要素输入量，文引入了灰关联分析来量化染污绝缘子的泄漏电流与气候条件的关系.通过对北京供电公司输电公司所属的7条220kV线路的绝缘子在线监测数据的灰关联分析，得到的结论是：各气象因素式中：Oi入节点的输出，这里是各个天气因素的值；netj点的输入；Wji点i节点

5、j连接权值；N为输入节点的数目。图3神经网络模型示意图Fig.3ANN model diagrammatic sketch除输入层处理单元外，其他各层的处理单元均为非线性输入/输出关系，采用的是S型函数式中：Oj为输出节点O的输出；j为输出节点j的阀值。连接权值的修改采用下式： 式中：为增益因子；为动量常量；p为1个输入节点的输出对象tpk是输出的真实值，这里是ESDD的实际值。(2) 在中间层：2污秽预测的实验结果实验所建立的BP网络是基于MATLAB中的GUI建立。图形用户界面GUI (Graphical UserInterfaces)是 6.X版神经网络工具箱的新增功能,借助于GUI，可

6、以比直接利用工具箱函数更快捷和方便的完成神经网络的设计与分析。2.1 输入信息的归一化处理本试验所用的训练数据和仿真数据均出自于试验室试验测定数值，一共75组。由于试验室无法真实模拟绝缘子实际工作环境湿度，同时考虑到试验的误差，排除了一些影响较小的因素，数据提取时也经过了一些必要的处理，去掉了20组误差较大的数据。在剩下的55 组数据中50组用于网络的训练，5组用于网络的验证。为了统一量纲和防止因净输入的绝对值过大而使神经元输出饱和，继而使权值调整进入误差曲面的平坦区。BP神经网络的训练样本在输入网络之前要进行必要的归一化，也就是通过变换处理将网络的输入、输出数据限制在或区间内。本文中采用的是

7、函数premnmx来进行样本的标准化。2.2 网络参数的选择学习速率大小的选择，直接影响训练时间，当学习速率的选择不当，特别在严重时，将导致网络完全不能训练。一般来说要根据实验或经验来确定，还没有一个理论指导。假设选得太小，收敛可能很慢:假设选得太大湿度，可能出现麻痹现象。为了防止这种现象，通常会选择减少，但又会增加网络的训练时间。动量项可以加快BP算法的学习速度，但选项的时候应当注意防止学习时产生振荡。因此，本文在确定网络的学习速率和动量系数的时候，采用不同的值的组合，利用50组训练数据进行了假设干次网络的迭代训练。最后的网络参数如表1所示。表1 基于BP神经网络的绝缘子ESDD预测模型参数

8、Tab.1 Parameter ofinsulator ESDD prediction model based on BP 网络参数 参数值 输入层节点数 3 隐含层节点数 5 输出层节点数 1 训练函数 traingdx 学习函数 learngdm 学习速率 0.3 动量系数 0.7 权值初始化方法 随机初始化 训练集的归一化函数 premnmx 2.3 实验结果对于建好的网络，利用50组训练样本对网络进行训练训练次数为10000次。训练完成以后，再用5组样本值进行仿真。表2是本设计中神经网络最后的仿真结果，图4是仿真结果的曲线比拟。整个模型平均相对误差为1.364 %，能够满足工程误差的要

9、求表2 绝缘子外表等值盐密实测值与期望值的比照Tab.2 The comparisonof insulator ESDD measured value to expectation value 样本 湿度(%) 温度 () 工频 电流 (A) 三次谐波/工频 ESDD实测值 (mg/cm2) ESDD估计值 (mg/cm2) 相对误差(%) 平均相对误差(%) 1 35 26 201.25 0.1104 0.025 0.0252 0.8 1.364 2 55 18 222.28 0.1213 0.05 0.0495 1 3 45 24 206.01 0.1208 0.1 0.1111 1.11

10、 4 65 18 1245 0.2216 0.2 0.1916 0.84 5 65 21 1457.1 0.2232 0.4 0.4123 3.07 图4绝缘子外表等值盐密实测值与期望值的比照Fig.4Thecomparison of insulator ESDD measured value to expectation value在电力系统中，由于绝缘子工作的环境各不相同，各地气候状况也存在很大差异，所以对于实际工作中的绝缘子在不同的时间和地点，表现出来的特征参数随着各种因素影响也应该存在不小的差异。因此湿度，想要用一个统一的标准和要求来使实际工程问题得到解答，往往是非常困难的。所以使用该

11、网络来进行绝缘子等值盐密预测，就应当不断丰富训练样本数据，经过一段时间的积累才能得到比拟良好的结果。3结论本文利用实验室所得的数据创立了利用BP网络来预测绝缘子外表污秽的模型并进行了仿真。结果显示该预测方法的误差满足工程误差的要求，即基于人工神经网络对污秽绝缘子的外表的等值盐密预测的方法是可行的、正确的和有效的。但是，实验室的人造污秽与实际的绝缘子污秽有许多不同，例如:污秽的成分、绝缘子外表污秽的分布等等。而且，具体到现场运行条件下，线路具有分布地域广，环境条件复杂的特性，所采用的绝缘子型号也不一定相同，这就给BP网络的样本选择带来了困难。这就需要利用绝缘子在线监测装置提供的数据不断的完善和校验样本。这一方法地提出，为指导日益繁重的绝缘子清扫工作，乃至防止绝缘子污秽闪络问题提供了一种新的途径和思路。参考文献【3】薛延华.变电站绝缘子污秽在线监测系统的设计与应用研究:.西安:西安理工大学,2004【4】张寒,文习山,丁辉.用人工神经网络预测基于泄漏电流、气象因素的绝缘子等值附盐密度预测.高压电器,2003,39(6):3135【6】张建兴.悬式瓷制绝缘子外表污秽程度预测方法的研究:.保定:华北电力大学大学