基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法技术

本发明专利技术公开了一种基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法，属于电网的安全分析与评价领域。绝缘子污秽度预测究其本质是不确定、非线性系统的状态演化过程，本发明专利技术以温度、湿度、降雨量、风速等基本因素作为基本输入量，构建绝缘子污秽度的BP神经网络预测模型；充分考虑与复杂地理位置相关的海拔高度、气压比、覆冰水电导率等因素对绝缘子污秽度的影响，采用模糊逻辑补偿的方法，对评价结果进行修正；运用模糊数学方法综合预测绝缘子污秽程度，可解决演化过程中影响绝缘子污秽度因素效度不清晰这一典型不确定性问题。该方法可为电网运行状态提供重要的科学判据。

【技术实现步骤摘要】
基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法
本专利技术涉及电网的安全分析与评价领域，特别适用于在复杂自然环境下长期运行的绝缘子污秽度预测。
技术介绍
绝缘子污秽度预测的本质是一个不确定性状态空间的演化过程，状态的演化(转移)过程具有随机性，其中表征绝缘子污秽度的特征信息具有不精确性，影响因素的作用效度也不清晰，运行状态的定义及外延具有模糊性，状态评判知识具有不完备性，对绝缘子污秽度预测与计算是一个复杂的不确定性问题。BP神经网络模型包括其输入输出模型，作用函数模型，误差计算模型和自学习模型。由输入层、输出层以及一个或多个隐层节点互连而成的一种多层网，这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系，又不致使网络输出限制在-1和1之间。它具有结果清晰、系统性强的特点，能较好地解决模糊、难以量化的问题，适合多种非确定性问题的解决。绝缘子的污染程度与绝缘子所处的温度、湿度、降雨量以及风速直接相关，但在复杂大气环境下(如山区、高海拔地区)绝缘子的污秽度演化是一个及其复杂的非线性系统，除了与上述四个因素有关外，输电线路所处的海拔高度、气压比、覆冰水电导率等因素都会对绝缘子的污秽变化产生直接影响。仅是用神经网络进行拟合就不可能考虑太多因素，其主要原因包括：1)考虑因素太多会为模型建立带来一定的困难，同时随之会出现计算复杂和数值不稳定等问题；2)与绝缘子污秽相关的地理位置信息(海拔高度、气压比)覆冰水电导率在神经网络输入层中没有具体的参考数据。
技术实现思路
本专利技术的目的在于：提出一种基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法，可直接为电网运行安全评价提供必要判据。一种基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法，包括以下步骤：步骤1，绝缘子污秽度BP神经网络模型建立：绝缘子污秽度BP神经网络模型包括输入层、隐含层和输出层，输出层输出结果为绝缘子的污秽等级oqi，建立神经网络输出函数；通过调整网络输入层与隐含层的权值wij和隐含层与输出层的权值tij，降低误差，提高网络的计算精度；步骤2，绝缘子污秽度BP神经网络模型输入量确定并进行归一化处理：BP神经网络模型输入量为影响绝缘子污秽度的气象因素，包括温度、湿度、降雨量和风速，归一化处理所述气象因素；步骤3，建立模糊逻辑，并建立模糊逻辑输入因素对线路污秽度的影响函数：模糊逻辑输入因素包括输电线路所在的海拔高度、输电线路所在环境的气压比和输电线路的覆冰水电导率，建立模糊逻辑输入因素对线路污秽度的影响函数，采用模糊语言变量值对海拔高度进行模糊化；步骤4，误差校正：根据模糊逻辑输入因素对绝缘子污秽度的影响，建立误差校正隶属度函数和模糊规则库，通过解模糊化获取误差校正系数Sj；步骤5，绝缘子污秽等级预测：基于BP神经网络的预测结果，通过模糊逻辑补偿后的绝缘子污秽等级预测绝缘子污秽等级。步骤1所述绝缘子污秽度BP神经网络模型包括：输入层、隐含层和输出层，输出层输出结果表示绝缘子的污秽等级；较优地，输入层包括4个神经元；隐含层的节点为12个，隐含层的节点数在训练过程中根据训练精度进行调整；输出层包含1个神经元；神经元输出为绝缘子的污秽等级oqi，对于q个样本的误差eq计算公式为：其中，tqi为期望的污秽等级，oqi为神经网络的输出；设x1,x2,…xn为神经元的输入，w1,w2,…wn为对应输入的权值，θ为输入层与隐含层神经元的输出阈值，对于隐含层节点θj：vi＝F(ui)(i＝1,2,.....m)其中，xj为输入的输电线路的气象参数,ui为输入层节点输出，vi为隐含层节点输出，F()为Sigmoid型函数，并且满足BP神经网络的输出为：oqi＝F(vitij)(i＝1,2,…..m)其中，F()表示输出函数，tij为隐含层神经元i与输出层神经元j的连接权，i表示隐含层神经元序列，j表示输出层神经元输出序列，m＝n＝12。步骤1绝缘子污秽度BP神经网络模型建立后，通过调整网络输入层与隐含层的权值wij和隐含层与输出层的权值tij(隐含层神经元i与输出层神经元j的连接权)，逐步降低误差，提高网络的计算精度；所述网络输入层与隐含层的权值wij的调整具体包括，为修正网络误差并加快BP人工神经网络的收敛速度，选取误差函数eq随着权值变化的梯度方向对误差进行修正，并引入动量系数λ，表达式为：其中，表示k时刻第n层第j个神经元到第n+1层的第i个神经元未引入动量系数的权系数增量，为k时刻的修正结果，为k-1时刻的修正结果，η为误差修正系数。最后对原权值进行修正，得到新的连接权向量计算表达为：所述步骤2中的绝缘子污秽度BP神经网络模型输入量为温度、湿度、降雨量和风速；将所述输入量(气象信息数据：温度、湿度、降雨量和风速)归一化处理，所述归一化处理的过程包括以下步骤：设f为某个气象信息数据(温度、湿度、降雨量和风速)，fmax为此气象数据中的最大值，fmin为此气象数据中最小值，那么对于任意的气象数据fr(x)，r表示输入层神经元个数，r＝1,2,3,4，按以下进行归一化处理：如果气象数据(气象信息)与绝缘子的污秽程度正相关，归一化后的气象信息为：如果气象信息与绝缘子的污秽等级负相关，归一化后的气象信息为：所述步骤3中的模糊逻辑建立，包括以下步骤：301)建立模糊逻辑输入因素，所述模糊逻辑输入因素包括输电线路所在的海拔高度、输电线路所在环境的气压比和输电线路的覆冰水电导率；302)建立所述模糊逻辑输入因素隶属度函数，具体包括以下步骤，采用模糊语言变量值对海拔高度进行模糊化，l1(x)1、l2(x)1、l3(x)1分别为模糊变量值NB、ZE、PB对应的海拔高度的模糊化函数：NBZEPBl1(x)1、l2(x)1、l3(x)1的变量x表示海拔高度；采用模糊语言变量值，对输电线路所处的气压比进行模糊化，其中NB、ZE、PB分别代表了输电线路所处不同海拔高度的气压比，l1(x)2、l2(x)2、l3(x)2分别为模糊变量值NB、ZE、PB对应的气压比的模糊化函数；NBZEPBl1(x)2、l2(x)2、l3(x)2的自变量x表示气压比；采用模糊语言变量值，对输电线路的覆冰水电导率模糊化，l1(x)3、l2(x)3、l3(x)3、l4(x)3分别为模糊变量值NB、ZE、PS、PB对应的覆冰水电导率的模糊化函数；NBZEPSPBl1(x)3、l2(x)3、l3(x)3、l4(x)3的自变量x表示覆冰水电导率。NB、NS、ZE、PS、PB用于表示因素的隶属度，分别表示负大、负小、零、正小、正大。根据绝缘子所处环境情况，求解各因素隶属函数，得海拔高度、气压比和覆冰水电导率的隶属函数值z＝1,2,3，分别表示海拔高度、气压比和覆冰水电导率的隶属函数值。步骤4中误差校正，包括以下步骤：根据步骤3中模糊逻辑输入因素对线路污秽度的影响，建立误差校正隶属度函数，所述误差校正隶属度函数取五个模糊变量NB(负大)；NS(负小)；ZE(零)；PS(正小)；PB(正大)，根据历史运行经验，建立模糊规则库，通过解模糊化获取误差校正系数Sj。所述误差校正隶属函数如下：NBNSZEPSPB所述误差校正隶属函数的自变量z表示步骤3中海拔高度、气压比和覆冰水电导率对应隶属函数的取值。步骤5中的绝缘子本文档来自技高网...

【技术保护点】
一种基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法，其特征在于，包括以下步骤：步骤1：绝缘子污秽度BP神经网络模型建立；步骤2：绝缘子污秽度BP神经网络模型输入量确定并进行归一化处理；步骤3：建立模糊逻辑，并建立因素对线路污秽度的影响函数；步骤4：误差校正；步骤5：绝缘子污秽等级预测。

【技术特征摘要】
1.一种基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法，其特征在于，包括以下步骤：步骤1：绝缘子污秽度BP神经网络模型建立；步骤2：绝缘子污秽度BP神经网络模型输入量确定并进行归一化处理；步骤3：建立模糊逻辑，并建立因素对线路污秽度的影响函数；步骤4：误差校正；步骤5：绝缘子污秽等级预测；步骤1所述绝缘子污秽度BP神经网络模型包括：输入层、隐含层和输出层，输出层输出结果表示绝缘子的污秽等级；神经元输出为绝缘子的污秽等级oqi，对于q个样本的误差eq计算公式为：其中，tqi为期望的污秽等级，oqi为神经网络的输出；设x1,x2,…xn为神经元的输入，w1,w2,…wn为对应输入的权值，θ为输入层与隐含层神经元的输出阈值，对于隐含层节点θj：vi＝F(ui)(i＝1,2,…..m)其中，xj为输入的输电线路的气象参数,ui为输入层节点输出，vi为隐含层节点输出，F()为Sigmoid型函数；BP神经网络的输出为：oqi＝F(vitij)(i＝1,2,…..m)其中，F()表示输出函数，wij网络输入层与隐含层的权值，tij为隐含层神经元i与输出层神经元j的连接权，i表示隐含层神经元序列，j表示输出层神经元输出序列，m＝n＝12；所述输入层包括4个神经元；隐含层的节点为12个，隐含层的节点数在训练过程中根据训练精度进行调整；输出层包含1个神经元；步骤1绝缘子污秽度BP神经网络模型建立后，通过调整网络输入层与隐含层的权值wij和隐含层与输出层的权值tij，逐步降低误差；所述网络输入层与隐含层的权值wij的调整具体包括以下步骤，选取误差函数eq随着权值变化的梯度方向对误差进行修正，并引入动量系数λ，表达式为：其中，表示k时刻第n层第j个神经元到第n+1层的第i个神经元未引入动量系数的权系数增量，为k时刻的修正结果，为k-1时刻的修正结果，η为误差修正系数；最后对原权值进行修正，得到新的连接权向量计算表达为：所述步骤2中的绝缘子污秽度BP神经网络模型输入量为温度、湿度、降雨量和风速；将所述输入量归一化处理，所述归一化处理的过程包括以下步骤：设f为某...

【专利技术属性】
技术研发人员：杨志超，张成龙，周宇浩，杨成顺，葛乐，王健，李晓健，陆文伟，马寿虎，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32