绝缘子泄露电流预测方法技术

本发明专利技术涉及一种绝缘子泄露电流预测方法,包括泄露电流测量系统、湿度测量系统和运行电压测量系统，建立以等效阻抗和相对湿度为输入、以饱和湿度下的等效阻抗为输出的神经网络模型，泄露电流测量系统、湿度测量系统和运行电压测量系统采集的初始数据作为神经网络的训练样本，将非饱和湿度下的泄漏电流值归算到饱和湿度下的泄漏电流值。本发明专利技术通过建立以等效阻抗和相对湿度为输入、以饱和湿度下的等效阻抗为输出的神经网络模型，研究潮湿度与泄露电流的关系，来预测绝缘子泄露电流。

【技术实现步骤摘要】

本专利技术属于电力系统保护
，涉及到受潮状态下绝缘子的电流变化，具体 涉及一种。
技术介绍
染污绝缘子在受潮条件下外绝缘强度会急剧下降，在运行电压下就有可能会发生 污闪。污闪事故往往造成大面积、长时间停电，造成巨大的经济损失。通过对污闪机理的研 究，发现泄漏电流和污闪放电的发展过程密切相关，而且泄漏电流便于连续监测，包含了丰 富的信息，可以综合反映污秽程度、受潮程度、绝缘子承受电压以及绝缘子形状等因素的影 响。同时绝缘子的泄漏电流变化反映了绝缘子污秽的积累变化过程，所以绝缘子的污秽泄 漏电流对于判断外绝缘状态具有重要的意义。
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，通过建立 以等效阻抗和相对湿度为输入、以饱和湿度下的等效阻抗为输出的神经网络模型，研究潮 湿度与泄露电流的关系，来预测绝缘子泄露电流。 本专利技术的技术方案是：一种，包括泄露电流测量系统、湿 度测量系统和运行电压测量系统，建立以等效阻抗和相对湿度为输入、以饱和湿度下的等 效阻抗为输出的神经网络模型，泄露电流测量系统、湿度测量系统和运行电压测量系统采 集的初始数据作为神经网络的训练样本，将非饱和湿度下的泄漏电流值归算到饱和湿度下 的泄漏电流值。所述等效阻抗^为：F 其中Ih为泄露电流最大值，Ur为绝缘子运行电 压，L为绝缘子总的泄露距离，等效阻抗的含义为在运行电压下，当最大泄露电流流过绝缘 子表面时，其单位泄露电流上的平均电阻。所述神经网络包括输入层、隐含层和输出层，所 述隐含层的传递函数采用S型函数一一双曲正切函数，/〇) = tan/i〇) = 所述神经 网络采用LM快速算法进行训练，权值调整率选为Aw= (JtJ+μΙ) \jTe，式中，J为误差对 权值微分的Jacobian矩阵，e为误差向量，μ为自适应调整标量。所述神经网络包括两个 隐含层，隐含层神经元个数都为8个。所述神经网络的输入等效阻抗小于3. 3MQ/m。所述 训练样本采用800个点，其中随机选取770个数据对神经网络进行训练，而另外30个数据 点作为神经网络的验证数据。 本专利技术有如下积极效果：通过建立以等效阻抗和相对湿度为输入、以饱和湿度下 的等效阻抗为输出的神经网络模型，研究潮湿度与泄露电流的关系，来预测绝缘子泄露电 流。【附图说明】 图1为本专利技术【具体实施方式】神经网络结构模型。【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。 本专利技术通过加湿装置、抽气装置和测量仪表对试验箱体内部的湿度进行监控和调 整，通过改变湿度测量不同表面受潮状态下的泄漏电流，高压从下面接入，为防止高湿度下 高压接线的闪络，高压接线棒表面粘接有机绝缘护套。接地线从有机玻璃箱体的上方连接 泄漏电流测量系统，用以测量泄漏电流。通过测得的数据作为本专利技术神经网络的训练样本。 训练样本采用800个点，其中随机选取770个数据对神经网络进行训练，而另外30个数据 点作为神经网络的验证数据。 由于实际运行中的绝缘子，其运行电压，泄漏距离等参数都是不同的，为了使得研 究结果能够应用于不同运行状态下的绝缘子，在测得、的基础上，综合考虑运行电压以及 绝缘子泄漏距离的影响，可引入一个新的参数，将其定义为等效阻抗其中Ih为泄 露电流最大值，14为绝缘子运行电压，L为绝缘子总的泄露距离，等效阻抗的含义为在运行 电压下，当最大泄露电流流过绝缘子表面时，其单位泄露电流上的平均电阻。当最大泄漏电 流流过绝缘子表面时，其单位泄漏距离上的平均电阻，它综合反映了 14、IjP L的共同作用。 本神经网络的目的是将非饱和湿度下的泄漏电流值归算到饱和湿度下的泄漏电 流值，因此，选取的输入为等效阻抗（r)和相对湿度（HR)，将饱和湿度下的等效阻抗作为输 出。由于小电流容易受干扰，对外绝缘状态评估意义不大，因此，神经网络的输入等效阻抗 小于 3. 3M Ω /m。 人工神经网络参数的选取对网络的性能和训练速度有着重要的影响。首先要确 定隐含层神经元的传递函数。S形函数具有完成分类所需要的非线性特点，又具有实现 LMS(Least Mean Square)学习算法所需的可微特性，同时S形函数也比较接近人脑的输 入一输出特性，具有更好的仿生效果。因此本项目神经网络隐含层采用了一种常用的S形 传递函数一一双曲正切函数，其表达式如下： BP算法的改进主要有2个途径，一是采用启发式的学习算法，另一种是采用更有 效的优化算法。本项目的神经网络采用Levenberg-Marquardt快速算法进行训练。这种算 法采用了自适应调整学习率的算法，比其它梯度算法的速度要快的多，但需要更多的内存。 这种算法的权值调整率选为Aw= (JtJ+μΙ) 1JtA式中，J为误差对权值微分的Jacobian 矩阵，e为误差向量，μ为自适应调整标量。 隐含层和神经元的个数对于网络的性能有较大的影响，在一个隐含层时，在神经 元个数较少（5, 8, 10)时，网络的误诊率较大，当神经元个数为15时神经网络性能较优，神 经元个数上升到20h，网络性能又变差；当两个隐含层时，网络的训练误差和误诊率都比只 有一个隐含层时较小，当两隐含层神经元个数都为8个时，网络性能达到最优，所以本本建 立的人工神经网络的结构为两个隐含层，隐含层神经元个数都为8个。 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，包括泄露电流测量系统、湿度测量系统 和运行电压测量系统，建立以等效阻抗和相对湿度为输入、以饱和湿度下的等效阻抗为输 出的神经网络模型，泄露电流测量系统、湿度测量系统和运行电压测量系统采集的初始数 据作为神经网络的训练样本，将非饱和湿度下的泄漏电流值归算到饱和湿度下的泄漏电流 值。2. 根据权利要求1所述的，其特征在于，所述等效阻抗f为：其中Ih为泄露电流最大值，t为绝缘子运行电压，L为绝缘子总的泄露距离，等效阻 抗的含义为在运行电压下，当最大泄露电流流过绝缘子表面时，其单位泄露电流上的平均 电阻。3. 根据权利要求2所述的，其特征在于，所述神经网络包 括输入层、隐含层和输出层，所述隐含层的传递函数采用S型函数一一双曲正切函数，4. 根据权利要求2所述的，其特征在于，所述神经网络采用 LM快速算法进行训练，权值调整率选为Aw= (JTJ+yl) 1J1e,式中，J为误差对权值微分 的Jacobian矩阵，e为误差向量，y为自适应调整标量。5. 根据权利要求3所述的，其特征在于，所述神经网络包括 两个隐含层，隐含层神经元个数都为8个。6. 根据权利要求2所述的，其特征在于，所述神经网络的输 入等效阻抗小于3. 3MQ/m。7. 根据权利要求6所述的，其特征在于，所述训练样本采用 800个点，其中随机选取770本文档来自技高网...

【技术保护点】
一种绝缘子泄露电流预测方法，其特征在于，包括泄露电流测量系统、湿度测量系统和运行电压测量系统，建立以等效阻抗和相对湿度为输入、以饱和湿度下的等效阻抗为输出的神经网络模型，泄露电流测量系统、湿度测量系统和运行电压测量系统采集的初始数据作为神经网络的训练样本，将非饱和湿度下的泄漏电流值归算到饱和湿度下的泄漏电流值。

【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