绝缘子闪络电压预测方法技术

本发明专利技术涉及一种绝缘子闪络电压预测方法,首先，对染污玻璃绝缘子的泄露电流和湿度进行采样，得到初始的原始信号，然后对原始信号进行特征量提取，以泄露电流的特征量和相对湿度作为输入，以闪络电压为输出，建立闪络电压预测的广义回归神经网络模型，并选取样本对神经网络模型的网络结构和神经元的连接权值进行训练。泄漏电流是污秽、湿润气候条件、电压等因素的综合反映，并且能够连续对绝缘子进行检测。因此利用泄漏电流来反映绝缘子闪络电压，建立绝缘子闪络电压预测模型，为输电线路绝缘子闪络电压预测提供科学的理论依据。

【技术实现步骤摘要】

本专利技术属于电力系统保护
，涉及到绝缘子闪络电压与泄露电流的关系， 具体涉及一种。
技术介绍
输电线路绝缘子污闪事故严重危害到电网的安全运行，特别是随着"西电东送、南 北互供、全国联网"的实施和超、特高压输电工程的建设，大气环境污染日趋严重，输电线路 绝缘子将面临更加严重的污闪威胁。因此，迫切需要在污闪发生之前预知绝缘子的闪络电 压，及时对绝缘子表面污秽进行清扫或者更换，才能有效避免污闪事故的发生。
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，因为泄漏 电流是污秽、湿润气候条件、电压等因素的综合反映，并且能够连续对绝缘子进行检测。因 此利用泄漏电流来反映绝缘子闪络电压，建立绝缘子闪络电压预测模型，为输电线路绝缘 子闪络电压预测提供科学的理论依据。 本专利技术的技术方案是：一种，首先，对染污玻璃绝缘子的 泄露电流和湿度进行采样，得到初始的原始信号，然后对原始信号进行特征量提取，以泄露 电流的特征量和相对湿度作为输入，以闪络电压为输出，建立闪络电压预测的广义回归神 经网络模型，并选取样本对神经网络模型的网络结构和神经元的连接权值进行训练。所述 泄露电流的特征量包括脉冲幅值熵S、脉冲幅值I h、能量比K和能量E。所述训练样本采取 相对湿度大于75%时的泄露电流特征量及其对应的闪络电压对神经网络模型的网络结构 和神经元的连接权值进行训练。所述训练样本在进行网络训练之前进行归一化处理，输入 输出量按下式进行归一化处理：其中Xi表示输入量或者 输出量。所述神经网络的光滑因子取0.089。所述训练样本是通过人工闪络实验获取，实验 用绝缘子采用3片串LXY4-160绝缘子，模拟35kV输电线路绝缘子串，利用超声波雾发生器 控制实验湿度，实验用雾水经过去离子处理，雾水电导率小于10 μ S/cm，闪络电压采取同一 条件下的10次闪络电压的平均值。所述脉冲幅值、为：Ih为幅值最大的 10个泄露电流脉冲幅值的均值，I_(k)为所有脉冲幅值中最大的10个脉冲幅值。所述脉 冲幅值熵S为：为第k个脉冲幅 值与1_之比，I _为N个脉冲幅值之和，I (k)为脉冲幅值。所述能量比K为：K = E H/\，其 中，E1S O-IOOHz频段泄露电流能量，E H为ΙΟΟ-ΙΟΟ0Hz频段泄露电流能量。 本专利技术有如下积极效果：因此利用泄漏电流来反映绝缘子闪络电压，建立绝缘子 闪络电压预测模型，为输电线路绝缘子闪络电压预测提供科学的理论依据。【附图说明】 图1为本专利技术【具体实施方式】神经网络的结构图。【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。 玻璃绝缘子表面流过泄漏电流大小主要取决于污秽度与相对湿度，泄漏电流随着 污秽度和相对湿度的变化而变化。提取能够反映绝缘子运行状态的泄漏电流特征量成为玻 璃绝缘子闪络电压预测的关键，基于泄漏电流的特性与玻璃绝缘子污闪沿面放电的特点， 本专利技术提取了以下4个特征量：脉冲幅值熵S、脉冲幅值I h、能量比K和能量E。 脉冲幅值熵S :反映泄漏电流脉冲幅值的复杂程度。污秽度越大，相对湿度越高， 则绝缘子沿面放电越明显，泄漏电流脉冲幅值越不均匀，熵值就越小；污秽度越小，相对湿 度越低，绝缘子沿面放电越不明显，泄漏电流脉冲幅值越均匀，熵值就越大。因此脉冲幅值 熵反映了脉冲数的多少与沿面放电的频率，其定义如下：为第k个脉冲幅值与1_ 之比，Isun为N个脉冲幅值之和，I (k)为脉冲幅值。 脉冲幅值Ih:反映了绝缘子沿面放电的强弱，是一个受污秽度及相对湿度变化影 响最显著的特征量，污秽度越大、相对湿度越高则泄漏电流脉冲幅值也就越大。为减小泄漏 电流随机性及干扰信号带来的误差，取幅值最大的10个泄漏电流脉冲幅值求均值作为最 大脉冲幅值I h。Ih为幅值最大的10个泄露电流脉冲幅值的均值，I _(k)为所有 脉冲幅值中最大的10个脉冲幅值。 能量比K :反映绝缘子沿面电弧出现后的熄灭和重燃所引起的泄漏电流正弦波 形的畸变程度。本专利技术利用IIR滤波器从泄漏电流原始波形中提取0~IOOHz和100~ 1000Hz2个频段的波形。K = EH/\，其中，E力O-IOOHz频段泄露电流能量，E H为ΙΟΟ-ΙΟΟ0Hz 频段泄露电流能量。 能量E :反映了泄漏电流的整体大小，污秽度越大，相对湿度越高，绝缘子表面电 导率越大，表面电阻则越小，在相同的电压作用下，流过其表面的电流越大，从而能量E也 越大，E = Eh+El。 广义回归神经网络由4层构成，如图1所示，分别为输入层、模式层、求和层和输出 层。选取泄露电流的特征量和相对湿度作为输入，以闪络电压为输出，由于相对湿度小于 75 %时，监测绝缘子表面的泄漏电流特征量变化不明显，因此，无法对绝缘子的闪络电压做 出预测，即使绝缘子表面污秽度很大，流过其表面的泄漏电流也很小，绝缘子仍然处于安全 运行状态，分析此时绝缘子表面的泄漏电流特性没有实际意义。选取相对湿度大于75%时 的试验结果对GRNN模型进行训练与验证，述训练样本在进行网络训练之前进行归一化处 理，输入输出量按下式进行归一化处理：> 其中Xi表不输入 量或者输出量。训练样本是通过人工闪络实验获取，实验用绝缘子采用3片串LXY4-Ieo绝 缘子，模拟35kV输电线路绝缘子串，利用超声波雾发生器控制实验湿度，实验用雾水经过 去离子处理，雾水电导率小于10 μ S/cm，闪络电压采取同一条件下的10次闪络电压的平均 值。 广义回归神经网络的结构与神经元的连接权值会随着模型学习样本的确定而确 定，且无法修改。网络的学习几乎完全依赖于数据样本，仅需要调整光滑因子，降低了人为 主观因素对预测结果的影响，本专利技术选取神经网络的光滑因子为〇. 089。 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，首先，对染污玻璃绝缘子的泄露电流和 湿度进行采样，得到初始的原始信号，然后对原始信号进行特征量提取，以泄露电流的特征 量和相对湿度作为输入，以闪络电压为输出，建立闪络电压预测的广义回归神经网络模型， 并选取样本对神经网络模型的网络结构和神经元的连接权值进行训练。2. 根据权利要求1所述的，其特征在于，所述泄露电流的特 征量包括脉冲幅值熵S、脉冲幅值Ih、能量比K和能量E。3. 根据权利要求1所述的，其特征在于，所述训练样本采取 相对湿度大于75%时的泄露电流特征量及其对应的闪络电压对神经网络模型的网络结构 和神经元的连接权值进行训练。4. 根据权利要求3所述的，其特征在于，所述训练样本在进 行网络训练之前进行归一化处理，输入输出量按下式进行归一化处理：写=(? - (义- Xnun)'其中叉;表不输入直或者输出直。5. 根据权利要求1所述的，其特征在本文档来自技高网...

【技术保护点】
一种绝缘子闪络电压预测方法，其特征在于，首先，对染污玻璃绝缘子的泄露电流和湿度进行采样，得到初始的原始信号，然后对原始信号进行特征量提取，以泄露电流的特征量和相对湿度作为输入，以闪络电压为输出，建立闪络电压预测的广义回归神经网络模型，并选取样本对神经网络模型的网络结构和神经元的连接权值进行训练。

【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