本发明专利技术涉及一种基于神经网络遗传算法的带均压环结构的绝缘子优化方法,建立以均压环结构与位置为输入变量，以绝缘子沿面场强和均压环表面最大场强为目标函数的神经网络模型，建立输入变量和目标函数之间的映射关系，即F(E1,E2)＝F(R,r,h),式中，E1为绝缘子沿面最大场强，E2为均压环表面最大场强，R,r,h分别为均压环的环半径、管半径、罩入深度。通过建立基于神经网络遗传算法的优化模型，将均压环的结构参数和位置作为输入变量，以绝缘子沿面最大场强以及均压环表面最大场强为目标函数，优化绝缘子结构，达到维护线路安全的目的。
【技术实现步骤摘要】
本专利技术属于电力系统保护
，涉及到一种绝缘子结构优化方法，具体涉及 一种。
技术介绍
随着超、特高压大容量输电技术的发展，复合绝缘子越来越多地应用于输电线路。 复合绝缘子较之传统的瓷和玻璃绝缘子具有抗污闪能力强、免清扫、重量轻、维护方便等优 点，特别是在我国输电线路存在重污秽的地区，将优先采用复合绝缘子。然而，复合绝缘子 由于电场分布极不均匀，芯棒高压端附近往往承受着过高的电场，容易导致芯棒脆断、掉线 等严重事故。因此，研究复合绝缘子的电位和电场分布并寻找合理的优化措施对输电线路 的安全运行及维护具有重要的意义。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种基于神经网络遗传算法的带均压环结 构的绝缘子优化方法，通过建立基于神经网络遗传算法的优化模型，将均压环的结构参数 和位置作为输入变量，以绝缘子沿面最大场强以及均压环表面最大场强为目标函数，优化 绝缘子结构，达到维护线路安全的目的。 本专利技术的技术方案是：一种基于神经网络遗传算法的带均压环结构的绝缘子优 化方法，建立以均压环结构与位置为输入变量，以绝缘子沿面场强和均压环表面最大场强 为目标函数的神经网络模型，建立输入变量和目标函数之间的映射关系，即F(Ei，E2)= F(R，r，h)，式中，Ei为绝缘子沿面最大场强，E2为均压环表面最大场强，R，r，h分别为均压 环的环半径、管半径、罩入深度。所述均压环表面最大场强^的最大值E2_满足起晕场强， 即E2_=g(R，r，h)彡2. 2kV/mm。所述神经网络训练样本是通过有限元法计算得到，然后 把网络的输出值看成是个体的适应值，，用遗传算法的选择、交叉、变异等遗传算子来寻找 系统的最佳输入值，使对应的最佳适应度值最优，从而找到最佳的均压环结构参数。所述均 压环参数和输出的场强值在归一化区间，归一化方法为：设f为均压环任意结构参 数，和f_为此参数的上下界，对于任意的f(x)，如果此结构参数与E〇H相关，则归一 化后的结构参数仁00为40) 如果此结构参数与Ei负相关，则归一化后的 Jmax J min 结构参数^00为：AO) =d气所述绝缘子沿面最大场强变化区间取值范围为 Jmax J min 【0. 12. 5】kV/mm，均压环表面最大场强E2的取值区间范围为【0. 13.l】kV/mm。所述神经网络 的隐含层的激活函数选Sigmoid函数：f(y) = 其中y为幂数，决定Sigmoid函数的陡 度。所述神经网络的训练算法选用LM算法。所述绝缘子高压端设有两个均压环，小环管半 径为50mm、环半径为400mm、抬高距为250mm;大环管半径120mm、环半径为1120mm、抬高距 为500mm。所述绝缘子低压端设有均压环，低压端均压环管半径为120mm，环半径为720mm， 抬尚距为9480_。 本专利技术有如下积极效果：通过建立基于神经网络遗传算法的优化模型，将均压环 的结构参数和位置作为输入变量，以绝缘子沿面最大场强以及均压环表面最大场强为目标 函数，优化绝缘子结构，达到维护线路安全的目的。【附图说明】 图1为本专利技术【具体实施方式】的均压环优化神经网络模型。【具体实施方式】 下面对照附图，通过对实施例的描述，本专利技术的【具体实施方式】如所涉及的各构件 的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及 操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本专利技术的专利技术构思、技术 方案有更完整、准确和深入的理解。 神经网络模型通过学习和训练输入、输出数据就可以获得网络的权值和结构，从 而得出隐含在输入、输出数据中的关系。这种关系隐含在神经网络内部，不需要知道具体的 模型，只需用神经网络就能逼近输入和输出之间的多维非线性特性，从而建立输入与输出 之间的函数关系。 通常在对均压环进行优化设计时，以绝缘子沿面最大场强以及均压环表面最大 场强为目标函数，以均压环结构与位置为输入变量，它们之间是一种映射关系，即F(Ei，E2) =F(R，r，h)，式中，Ei为绝缘子沿面最大场强，E2为均压环表面最大场强，R，r，h分别为 均压环的环半径、管半径、罩入深度。均压环表面最大场强^的最大值E2_满足起晕场 强，即E2max=g(R,r,h)彡2. 2kV/mm。使绝缘子沿面最大场强达到最小，即min(Elmax)= min(F(R,r,h)). 本专利技术先通过有限元方法计算出一些样本，利用神经网络建立R，r，E2之间 的映射关系，然后把该网络的输出值看成是个体的适应度值，用遗传算法的选择、交叉、变 异等遗传算子来寻找系统的最佳输入值，使对应的适应度值最优，从而找到最优的均压环 结构参数，此方法为绝缘子高、低压端均压环参数的优化问题提供了一个新思路。 人工神经网络的输入和输出应该选取无量纲的向量，所以把输入的均压环参数和 输出的场强值归一化到区间里，归一化处理按如下方式进行。归一化方法为： 设f为均压环任意结构参数，乙和f_为此参数的上下界，对于任意的f(X)，如 果此结构参数与Ei正相关，则归一化后的结构参数fn(x)为： 如果此结构参数与Ei负相关，则归一化后的结构参数fn(x)为： 对于输出场强值的归一化处理，需要通过有限元方法得到的用于训练的样本所对 应的EdE2来确定，绝缘子沿面最大场强E:的变化区间取值范围为【0. 12. 5】kV/mm，均压环 表面最大场强E2的取值区间范围为【0. 13.l】kV/mm。所述神经网络的隐含层的激活函数 选Sigmoid函数：f(y) = ^^37,其中y为幂数，决定Sigmoid函数的陡度。隐含层神经元的 个数按（2N+1)规则选取（N为输入层的节点数），本文神经元个数为7个。神经网络的训练 算法选用LM算法。 具体的，本专利技术绝缘子高压端设有两个均压环，小环管半径为50mm、环半径为 400mm、抬高距为250mm;大环管半径120mm、环半径为1120mm、抬高距为500mm。绝缘子低压 端均压环管半径为120mm，环半径为720mm，抬高距为9480mm。 上面结合附图对本专利技术进行了示例性描述，显然本专利技术具体实现并不受上述方式 的限制，只要采用了本专利技术的方法构思和技术方案进行的各种非实质性的改进，或未经改 进将本专利技术的构思和技术方案直接应用于其它场合的，均在本专利技术的保护范围之内。【主权项】1. 一种，其特征在于，建立 W均压环结构与位置为输入变量，W绝缘子沿面场强和均压环表面最大场强为目标函数的 神经网络模型，建立输入变量和目标函数之间的映射关系，即F(Ei，E2) =F巧，r，h)，式中， Ei为绝缘子沿面最大场强，E2为均压环表面最大场强，R，r，h分别为均压环的环半径、管半 径、罩入深度。2. 根据权利要求1所述的基于神经网络遗传算法的带均压环结构的绝缘子优化 方法，其特征在于，所述均压环表面最大场强Ez的最大值E2mJ馬足起晕场强，即E2m。、= g(R,r,h)《2. 2kV/mm。3. 根据权利要求2所述的， 其特征在于，所述神经网络训练样本是通过有限元法计算得到，然后把网络的输出值看成 是个体的适应值，，用遗传算法的选择、交叉、变异等遗传算子来寻找系统的最佳输入值，使 对应的最佳适本文档来自技高网...
【技术保护点】
一种基于神经网络遗传算法的带均压环结构的绝缘子优化方法，其特征在于，建立以均压环结构与位置为输入变量，以绝缘子沿面场强和均压环表面最大场强为目标函数的神经网络模型，建立输入变量和目标函数之间的映射关系，即F(E1,E2)＝F(R,r,h),式中，E1为绝缘子沿面最大场强，E2为均压环表面最大场强，R,r,h分别为均压环的环半径、管半径、罩入深度。
【技术特征摘要】
【专利技术属性】
技术研发人员：陈波，
申请(专利权)人：芜湖市凯鑫避雷器有限责任公司，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。