一种基于RBF-NN的绝缘子融冰含水率监测方法技术

本发明专利技术公开了一种基于RBF‑NN的绝缘子融冰含水率监测方法，利用一种基于RBF‑NN的绝缘子融冰含水率监测装置，步骤包括：步骤1)采集监测数据作为输入向量；步骤2)建立RBF神经网络模型；步骤3)对样本输入数据归一化处理；步骤4)设置RBF神经网络模型的学习算法；步骤5)设置RBF神经网络模型的训练算法；步骤6)微处理器将步骤1)实时监测到的数据输入至训练好的模型中即可得到含水率；最后利用通讯模块将监测结果无线发送到远程监控中心，实现输电线路绝缘子融冰状况的远程监测。本发明专利技术的方法，过程简单，结果准确可靠。

【技术实现步骤摘要】
一种基于RBF-NN的绝缘子融冰含水率监测方法
本专利技术属于输电线路状态监测与诊断
，涉及一种基于RBF-NN的绝缘子融冰含水率监测方法。
技术介绍
在电力系统中，输电线路作为电力传输的重要环节，其安全运行是保证电能输送能力的重要因素。绝缘子冰闪是电力系统发生频次比较高的一种电气事故，在覆冰区的电力事故中占比很高。其一般分为覆冰期闪络与融冰期闪络，在覆冰生长及稳定阶段，由于覆冰绝缘子的电气绝缘强度仍比较高，发生冰闪的概率不高；而随着气温回升，在太阳辐射、风、漏电流等因素的综合作用下，覆冰表面的冰最先融化，从而形成一层水膜(雾凇表面的融水会被多孔结构吸收而形成冰水混合的海绵冰)，冰层中的导电离子析出，绝缘子的绝缘性能急剧下降，因此绝缘子冰闪多发生在气温回升后的覆冰自然融化阶段。覆冰的融冰阶段严重威胁电力系统安全稳定运行，虽然直流融冰技术已经被成熟用于解决覆冰问题，但是对绝缘子冰闪问题却不能见效，因此对于融冰含水率的测量方法研究具有重要的理论意义和应用价值。就输电线路绝缘子融冰含水率监测技术而言，目前暂时没有较为有效方法，其他行业工程实例中对土壤或粮食含水率的监测方法有蒸馏法、射频法和微波法，然而上述方法在实际应用过程中存在着测量不够精准、运行成本高、不能直接反映绝缘子真实融冰状态等问题。因此，开展基于RBF神经网络的绝缘子融冰含水率监测技术及系统研究，有助于电力部门及时全面掌握输电线路覆冰融冰状况，为快速准确的实施除冰工作及闪络预警提供准确的现场信息指导。
技术实现思路
本专利技术的目的是提供一种基于RBF-NN的绝缘子融冰含水率监测方法，解决了现有技术中绝缘子融冰含水率监测，存在不够精准、运行成本高、不能直接反映绝缘子真实融冰状态的问题。本专利技术所采用的技术方案是，一种基于RBF-NN的绝缘子融冰含水率监测方法，利用基于RBF-NN的绝缘子融冰含水率监测装置，按照以下步骤实施：步骤1)采集监测数据作为输入向量，利用温湿度传感器、拉力传感器、绝缘子融冰监测传感器实时采集数据，将监测到的数据作为输入变量x存入微处理器的FPGA外挂的SRAM中；步骤2)建立RBF神经网络模型，在微处理器中建立训练好的模型，RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为：式(1)中，x为n维输入向量，ki为第i个隐节点中心；||x-ki||为欧氏范数；wki为隐节点输出的连接权重；θk为第k个输出节点的阀值；g(·)通常取为高斯函数，g(·)的表达式为：σ为感知变量，决定该基函数中心点的宽度；步骤3)对样本输入数据归一化处理，为了提高RBF神经网络模型的学习速度，在训练前对步骤1)中SRAM得到的样本数据进行归一化处理，处理公式为：最后再对RBF神经网络模型的预测结果反归一化处理，恢复出样本数据真实预测值，样本数据真实预测值的表达式是：x＝x'(xmax-xmin)+xmin，(2)式(2)中，x为样本数据真实预测值，x'为归一化后样本数值，xmin表示样本数据的最小值，xmax表示样本数据的最大值；步骤4)设置RBF神经网络模型的学习算法，RBF网络模型的学习算法由无导师学习和有导师学习两部分组成，无导师学习是对所有样本的输入进行聚类，求得各隐节点中心ki；有导师学习是当ki确定后，采用最小二乘法训练由隐层至输出层之间的权值；步骤5)设置RBF神经网络模型的训练算法，RBF神经网络模型的训练算法是，首先DSP选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始，每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF网络学习输出和中量间的误差平方和，当误差平方和未达到设置的误差指标或达到最多神经元个数时，重新进行训练，直到当误差平方和达到设置的误差指标或达到最多神经元个数时，模型训练完成，误差精度达标；步骤6)微处理器将步骤1)实时监测到的数据输入至训练好的模型中即可得到含水率；最后利用通讯模块将监测结果无线发送到远程监控中心，实现输电线路绝缘子融冰状况的远程监测。本专利技术的有益效果是，包括以下方面：1)本专利技术利用绝缘子覆冰融化成的水与空气的介电常数差异，直接通过叉指式电容传感器测量绝缘子上下表面电容值的变化得出绝缘子表面覆冰层的融化程度和发展趋势，测得的含水率可直接用于融冰的相关计算，同时，可全面反映各项天气及湿污等条件下的绝缘子覆冰融冰情况，避免传统间接测量方法的不足。2)其中的绝缘子为零挂形式，运行环境与真实绝缘子完全一致，零挂绝缘子融冰形式与真实绝缘子表面融冰特性基本一致。且第二片绝缘子直径较大，以此来观测大小直径绝缘子嵌套的绝缘子覆冰融化情况。采用的零挂绝缘子微小电容测量方法，测量速度快、装置功耗低、安装非常简便，且不破坏输电线路塔线体系的绝缘状况，非常适合绝缘子表面融冰情况的测量。3)湿污在绝缘子伞裙上积聚同样会改变绝缘子表面的介电常数，会对测量结果造成影响。通过在零挂绝缘子上布置拉力传感器，根据绝缘子重力变化并利用电容值的变化趋势，排除湿污层对绝缘子融冰测量的影响。4)双核处理器更高效的完成信息采集、处理、数据分析及传输等重要步骤，保证了监测装置实时安全运行，实现输电线路融冰情况的在线监测。5)在DSP中建立了一个基于RBF神经网络的含水率测量模型，给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法，结构更简单、学习速率更快。附图说明图1是本专利技术方法依赖的装置整体架构框图；图2为本专利技术方法依赖的装置中的零挂绝缘子17示意图；图3为图2中的伞裙上表面的上极板传感器15结构示意图；图4为图2中的伞裙下表面的下极板传感器16结构示意图；图5为本专利技术方法采用的RBF神经网络结构。图中，1.供电单元，2.采集单元，3.逻辑控制单元，4.传感器单元，5.设备壳体，6.信号调理电路，7.Σ-Δ电容数字转换器模块，8.光电隔离电路，9.绝缘子融冰监测传感器，10.拉力传感器，11.温湿度传感器，12.微处理器，13.通讯模块，14.看门狗，15.上极板传感器，16.下极板传感器，17.零挂绝缘子。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术基于空气和水的介电常数差异，借鉴了微小电容测量技术，设计出一种基于RBF神经网络(RBF-NN)的输电线路绝缘子融冰含水率在线监测装置，以下简称监测装置。参照图1，本专利技术装置的整体结构是，主要包括供电单元1、采集单元2、逻辑控制单元3和传感器单元4，供电单元1、采集单本文档来自技高网...

【技术保护点】
1.一种基于RBF-NN的绝缘子融冰含水率监测方法，利用一种基于RBF-NN的绝缘子融冰含水率监测装置，其特征在于，按照以下步骤实施：/n步骤1)采集监测数据作为输入向量，/n利用温湿度传感器、拉力传感器、绝缘子融冰监测传感器实时采集数据，将监测到的数据作为输入变量x存入微处理器的FPGA外挂的SRAM中；/n步骤2)建立RBF神经网络模型，/n在微处理器中建立训练好的模型，RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为：/n

【技术特征摘要】
1.一种基于RBF-NN的绝缘子融冰含水率监测方法，利用一种基于RBF-NN的绝缘子融冰含水率监测装置，其特征在于，按照以下步骤实施：
步骤1)采集监测数据作为输入向量，
利用温湿度传感器、拉力传感器、绝缘子融冰监测传感器实时采集数据，将监测到的数据作为输入变量x存入微处理器的FPGA外挂的SRAM中；
步骤2)建立RBF神经网络模型，
在微处理器中建立训练好的模型，RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为：



式(1)中，x为n维输入向量，ki为第i个隐节点中心；||x-ki||为欧氏范数；wki为隐节点输出的连接权重；θk为第k个输出节点的阀值；g(·)通常取为高斯函数，g(·)的表达式为：σ为感知变量，决定该基函数中心点的宽度；
步骤3)对样本输入数据归一化处理，
为了提高RBF神经网络模型的学习速度，在训练前对步骤1)中SRAM得到的样本数据进行归一化处理，处理公式为：最后再对RBF神经网络模型的预测结果反归一化处理，恢复出样本数据真实预测值，样本数据真实预测值的表达式是：
x＝x'(xmax-xmin)+xmin，(2)
式(2)中，x为样本数据真实预测值，x'为归一化后样本数值，xmin表示样本数据的最小值，xmax表示样本数据的最大值；
步骤4)设置RBF神经网络模型的学习算法，
RBF网络模型的学习算法由无导师学习和有导师学习两部分组成，无导师学习是对所有样本的输入进行聚类，求得各隐节点中心ki；有导师学习是当ki确定后，采用最小二乘法训练由隐层至输出层之间的权值；
步骤5)设置RBF神经网络模型的训练算法，
RBF神经网络模型的训练算法是，首先DSP选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始，每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF网络学习输出和中量间的误差平方和，当误差平方和未达到设置的误差指标或达到最多神经元个数时，重新进行训练，直到当误差平方和达到设置的误差指标或达到最多神经元个数时，模型训练完成，误差精度达标；
步骤6)微处理器将步骤1)实时监测到的数据输入至训练好的模型中即可得到含水率；最后利用通讯模块将监测结果无线发送到远程监控中心，实现输电线路绝缘子融冰状况的远程监测。


2.根据权利要求1所述的基于RBF-NN的绝缘子融冰含水率监测方法，其特征在于：所述的基于RBF-NN的绝缘子融冰含水率监测装置的结构是，包括...

【专利技术属性】
技术研发人员：朱永灿，胡杰，黄新波，周睿文，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61