一种实时等值盐密的获取方法及系统技术方案

本申请涉及电力绝缘子污秽预测领域，提供一种实时等值盐密的获取方法及系统，通过获取实时气象数据，将实时气象数据输入预先建立的神经网络模型，得到第一初步预测等值盐密；根据实时气象数据，通过四阶龙格库塔模型，得到第二初步预测等值盐密；根据第一初步预测等值盐密和第二初步预测等值盐密，通过卡尔曼滤波，对第一初步预测等值盐密和第二初步预测等值盐密进行加权平均，得到实时等值盐密。本申请提供的一种实时等值盐密的获取方法及系统，可实现实时等值盐密的准确获取，并为后续电网防污工作开展起指导作用。防污工作开展起指导作用。防污工作开展起指导作用。

【技术实现步骤摘要】
一种实时等值盐密的获取方法及系统


[0001]本申请涉及电力绝缘子污秽预测领域，尤其涉及一种实时等值盐密的获取方法及系统。

技术介绍

[0002]污闪是指电气设备绝缘表面附着的污秽物在潮湿条件下，其可溶物质逐渐溶于水，在绝缘表面形成一层导电膜，使绝缘子的绝缘水平大大降低，在电力场作用下出现的强烈放电现象。在输电线路经过的地区，由于工业污秽、海风的盐雾、空气中的尘埃等污秽物渐渐积累并附着在绝缘子表面，形成污秽层。污秽层在干燥时导电性不好，遇水受潮后，具有较高的导电系数，当下雨、积雪融化、下雾等不良天气时，污秽绝缘子的绝缘强度大大降低，引起绝缘子在正常运行电压下闪络，造成大面积停电，称为线路的污闪事故。
[0003]随着大气污染日益严重、气候日益恶化，导致污闪事故频发，从而造成大面积停电，最终带来不必要的损失。
[0004]为了解决上述问题，在实际生产中，通过ESSD(等值盐密)的水平来确定污秽等级，并可通过绘制电网污区分布图来指导电网防污工作开展，而等值盐密对绘图又可起指导作用。污区图制作需先进行现场采样，实验室测量，ESDD点图绘制，利用差值建立ESDD的等值图，最终据此绘制污区图。
[0005]但是，这种绘图方式由于点分布的ESDD转化到等值图时，只能用数学的方法进行差值，导致这种空间上的扩展存在较大的误差，且整个流程复杂，一般一年才能更新一次。因此建立科学有效的ESDD预测模型来预测绝缘子的ESDD值，并且针对性地采取防污措施，能够提高电网运行的安全性和可靠性。
[0006]针对绝缘子污秽的累计情况，现有技术中已有经典的等值盐密度累计规律公式，其公式如下：
[0007]ESSD＝A
×
(1
‑
K
×
exp(
‑
t/τ))
[0008]其中，A为饱和等值盐密度(mg/cm2)，与绝缘子的结构型号和运行环境有关；K为常数；t为积污时间；τ为表征积污速率的常数。
[0009]但是，该模型建立ESDD的非线性时间序列预测ESDD时，没有考虑气象因素对其的影响，从而导致了当气象因素发生变化时预测误差急剧增加。

技术实现思路

[0010]为了实现实时等值盐密的获取，本申请提供一种实时等值盐密的获取方法及系统。
[0011]本申请第一方面，提供一种实时等值盐密的获取方法，其特征在于，包括：
[0012]获取实时气象数据，所述气象数据包括：风速、风向、温度、气压、湿度、降雨和空气质量指数。
[0013]根据所述实时气象数据，将所述实时气象数据输入预先建立的神经网络模型，得
到第一初步预测等值盐密。
[0014]根据所述实时气象数据，通过四阶龙格库塔模型，得到第二初步预测等值盐密。
[0015]根据所述第一初步预测等值盐密和第二初步预测等值盐密，通过卡尔曼滤波，对所述第一初步预测等值盐密和第二初步预测等值盐密进行加权平均，得到实时等值盐密。
[0016]可选的，所述等值盐密神经网络模型的创建步骤为：
[0017]获取历史实时气象数据和历史等值盐密。
[0018]对所述历史实时气象数据和历史等值盐密，进行插值和归一化，得到样本集，所述样本集包括历史实时气象数据样本和历史等值盐密样本。
[0019]将历史实时气象数据样本作为初步神经网络模型的输入，历史等值盐密样本作为神经网络模型的输出，对初步神经网络模型进行训练，得到神经网络模型。
[0020]可选的，所述通过四阶龙格库塔模型，得到第二初步预测等值盐密的步骤中，所述四阶龙格库塔模型为：
[0021][0022]A为饱和等值盐密度(mg/cm2)，k为本次检测的上一检测时刻的积污时间，τ为表征积污速率的常数，S
k+1
为第二初步预测等值盐密，S
k
为所述第二初步预测等值盐密上一检测时刻的等值盐密。
[0023]可选的，所述第二初步预测等值盐密上一时刻的等值盐密的获取具体为：
[0024]根据等值盐密的经典获取模型，对所述等值盐密的经典获取模型进行离散化，得到所述S
k
的获取模型。
[0025]所述等值盐密的经典获取模型为：
[0026]ESSD＝A
×
(1
‑
K
×
exp(
‑
t/τ))
[0027]所述S
k
的获取模型为：
[0028]S
k
＝A(1
‑
exp(
‑
k/τ))。
[0029]可选的，所述卡尔曼滤波加权的步骤为：
[0030]获取所述第一初步预测等值盐密的方差和所述第二初步预测等值盐密的方差。
[0031]根据所述第一初步预测等值盐密的方差和所述第二初步预测等值盐密的方差，对所述第一初步预测等值盐密和所述第二初步预测等值盐密进行加权平均，得到实时等值盐密。
[0032]本申请第二方面提供一种实时等值盐密的获取系统，包括：获取模块、第一初步预测模块、第二初步预测模块和实时等值盐密获取模块。
[0033]所述获取模块，用于获取实时气象数据。
[0034]所述第一初步预测模块，用于根据所述实时气象数据，将所述实时气象数据输入预先建立的神经网络模型，得到第一初步预测等值盐密。
[0035]所述第二初步预测模块，用于根据所述实时气象数据，通过四阶龙格库塔模型，得到第二初步预测等值盐密。
[0036]所述实时等值盐密获取模块，用于根据所述第一初步预测等值盐密和第二初步预测等值盐密，通过卡尔曼滤波，对所述第一初步预测等值盐密和第二初步预测等值盐密进行加权平均，得到实时等值盐密。
[0037]可选的，所述等值盐密神经网络模型的创建步骤为：
[0038]获取历史实时气象数据和历史等值盐密。
[0039]对所述历史实时气象数据和历史等值盐密，进行插值和归一化，得到样本集，所述样本集包括历史实时气象数据样本和历史等值盐密样本。
[0040]将历史实时气象数据样本作为初步神经网络模型的输入，历史等值盐密样本作为神经网络模型的输出，对初步神经网络模型进行训练，得到神经网络模型。
[0041]可选的，所述通过四阶龙格库塔模型，得到第二初步预测等值盐密的步骤中，所述四阶龙格库塔模型为：
[0042][0043]A为饱和等值盐密度(mg/cm2)，k为本次检测的上一检测时刻的积污时间，τ为表征积污速率的常数，S
k+1
为第二初步预测等值盐密，S
k
为所述第二初步预测等值盐密上一检测时刻的等值盐密。
[0044]可选的，所述第二初步预测等值盐密上一时刻的等值盐密的获取具体为：
[0045]根据等值盐密的经典获取模型，对所述等值盐密的经典获取模型进行离散化，得到所述S
k
的获取模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实时等值盐密的获取方法，其特征在于，包括：获取实时气象数据，所述气象数据包括：风速、风向、温度、气压、湿度、降雨和空气质量指数；根据所述实时气象数据，将所述实时气象数据输入预先建立的神经网络模型，得到第一初步预测等值盐密；根据所述实时气象数据，通过四阶龙格库塔模型，得到第二初步预测等值盐密；根据所述第一初步预测等值盐密和第二初步预测等值盐密，通过卡尔曼滤波，对所述第一初步预测等值盐密和第二初步预测等值盐密进行加权平均，得到实时等值盐密。2.根据权利要求1所述的一种实时等值盐密的获取方法，其特征在于，所述等值盐密神经网络模型的创建步骤为：获取历史实时气象数据和历史等值盐密；对所述历史实时气象数据和历史等值盐密，进行插值和归一化，得到样本集，所述样本集包括历史实时气象数据样本和历史等值盐密样本；将历史实时气象数据样本作为初步神经网络模型的输入，历史等值盐密样本作为神经网络模型的输出，对初步神经网络模型进行训练，得到神经网络模型。3.根据权利要求1所述的一种实时等值盐密的获取方法，其特征在于，所述通过四阶龙格库塔模型，得到第二初步预测等值盐密的步骤中，所述四阶龙格库塔模型为：A为饱和等值盐密度(mg/cm2)，k为本次检测的上一检测时刻的积污时间，τ为表征积污速率的常数，S
k+1
为第二初步预测等值盐密，S
k
为所述第二初步预测等值盐密上一检测时刻的等值盐密。4.根据权利要求3所述的一种实时等值盐密的获取方法，其特征在于，所述第二初步预测等值盐密上一时刻的等值盐密的获取具体为：根据等值盐密的经典获取模型，对所述等值盐密的经典获取模型进行离散化，得到所述S
k
的获取模型；所述等值盐密的经典获取模型为：ESSD＝A
×
(1
‑
K
×
exp(
‑
t/τ))所述S
k
的获取模型为：S
k
＝A(1
‑
exp(
‑
k/τ))。5.根据权利要求1所述的一种实时等值盐密的获取方法，其特征在于，所述卡尔曼滤波加权的步骤为：获取所述第一初步预测等值盐密的方差和所述第二初步预测等值盐密的方差；根据所述第一初步预测等值盐密的方差和所述第二初步预测等值盐密的方差，对所述第一初步预测等值盐密和所述第二初步预测等值盐密进行加权平均，得到实时等值盐密。6.一种实时等值盐密的获取系统，其特征在于，所述一种实时等值盐密的获取系统用于执行权利要求1
‑
5...

【专利技术属性】
技术研发人员：文刚，张辉，黄然，耿浩，代维菊，周仿荣，陶思勇，吴盛，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：