人工神经网络在绝缘子表面污秽预测中的应用_湿度.docVIP

人工神经网络在绝缘子表面污秽预测中的应用_湿度 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表面污秽程度的方法。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。结果表明，这一方法可以比较准确的预测出绝缘子表面的污秽程度，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，以达到防止污闪的目的；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[1,2]。 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不足，并逐步替代[3]。在参考相关文献的基础上，本文提出了用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) [4,5]期刊网。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，再与实测值对比，找出误差，改进网络以得到合适的输出。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，以达到指导清扫的目的。 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表面的污秽程度和气象因素之间有着密切的关系[6]，具体为：(1)在绝缘子表面洁净或污秽干燥的情况下湿度，绝缘子表面的泄漏电流以工频量为主，基本没有或只有一点谐波。(2)随着绝缘子表面污秽度的增加，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表面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表面污秽程度时挑选气象要素输入量，文[8]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（相对湿度、温度、温度变化率）对绝缘子表面的泄漏电流均有影响，而且相对湿度的影响最大。所以，在研究绝缘子泄漏电流与其表面污秽状况的对应关系时，在全面考虑各个气象因素的影响的同时，应着重考虑相对湿度的影响。 图1三次谐波占基波的比例随等值盐密的变化趋势 Fig.1Increasing tendency of the ratio of triple-harmonic in first-harmonic with ESDD 图2 三次谐波占基波的比例随相对湿度的变化趋势 Fig.2Increasing tendency of the ratio of triple-harmonic in first-harmonic with RH 根据以上分析以及实验室的条件，本文主要选取了泄漏电流的工频量，泄漏电流中三次谐波占基波的比例和相对湿度湿度，温度四个量作为人工神经网络的输入量。 1.2 模型的建立 神经网络的优势在于:模拟真实系统的唯一限制条件是实验数据而不是系统理论的解析，这也是建立该模型的目的所在。不需要了解各个输入因素与最终等值盐密之间的数学关系公式[3]，图3给出了神经网络的模型示意图。输人层包含了漏电流的工频量，泄漏电流中三次谐波占基波的比例和相对湿度，温度4个节点，它们的输人将进人中间层(隐含层)，中间层的节点数和层数将通过模型的数据最优化来决定，输出层只有一个结果：ESDD的数学期望。期望值与实际等值盐密的差别反馈到网络中来调整连接权值。 输入层节点的输入为： （1） 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 sk