一种绝缘子风偏角预测方法及系统技术方案

本发明专利技术属于电力系统技术领域，公开一种绝缘子风偏角预测方法及系统，该方法包括：确定输电线路绝缘子风偏角的影响因素，并对影响因素进行计算排序，得到主要影响因素变量；根据所述主要影响因素变量，确定预先选取的输电线路绝缘子受台风侵袭时间内风偏角变化的变量时间序列；并根据该变量时间序列构建绝缘子风偏角的多变量相空间；将所述多变量相空间输入至预设小波神经网络，通过小波神经网络对所述变量时间序列进行预测，得到初始预测值；基于非参数概率估计方法将所述初始预测值区间化，得到最终预测值，将该最终预测值作为绝缘子风偏角预测值。本发明专利技术能够解决现有技术中风偏角预测结果误差大和可信度交底的问题。预测结果误差大和可信度交底的问题。预测结果误差大和可信度交底的问题。

【技术实现步骤摘要】
一种绝缘子风偏角预测方法及系统


[0001]本专利技术涉及电力系统
，特别涉及一种绝缘子风偏角预测方法及系统。

技术介绍

[0002]输电线路悬垂绝缘子串在风荷载作用下会发生偏摆，若风偏角度太大，绝缘子串悬挂的导线与杆塔之间的间隙可能小于绝缘间隙容许值，从而导致风偏闪络、跳闸和导线烧伤等事故，严重影响输电线路的稳定性和可靠性，造成巨大经济损失。因此，开展输电线路绝缘子风偏角预测对输电线路安全稳定运行极具现实意义及应用价值。目前，对绝缘子风偏角的研究主要是风偏放电机理和风偏角的计算，对于绝缘子风偏角预测研究相对较少。且现有的输电线路绝缘子风偏角预测技术主要有两种，一种为根据绝缘子风偏角自身走势进行风偏角预测；另一种则是根据BP神经网络模型对绝缘子风偏角进行预测，但现有的两种方式存在以下不足之处：1.输电线路绝缘子风偏角受诸多因素影响并且关系复杂，针对绝缘子风偏角自身走势进行预测难免会缺少可信度；2.运用传统的BP神经网络模型对绝缘子风偏角的预测，其自由度、弹性和可塑性较低，因此没有更灵敏的逼近能力和更强的容错能力，导致风偏角预测误差较大。
[0003]因此，如何提供一种预测结果更精准的绝缘子风偏角预测方法及系统，是目前亟待解决的问题。

技术实现思路

[0004]本专利技术实施例提供了一种绝缘子风偏角预测方法及系统，以解决现有技术中风偏角预测结果误差大和可信度交底的问题。
[0005]为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
[0006]根据本专利技术实施例的第一个方面，提供了一种绝缘子风偏角预测方法。
[0007]该绝缘子风偏角预测方法，包括：
[0008]确定输电线路绝缘子风偏角的影响因素，并对影响因素进行计算排序，得到主要影响因素变量；
[0009]根据所述主要影响因素变量，确定预先选取的输电线路绝缘子受台风侵袭时间内风偏角变化的变量时间序列；并根据该变量时间序列构建绝缘子风偏角的多变量相空间；
[0010]将所述多变量相空间输入至预设小波神经网络，通过小波神经网络对所述变量时间序列进行预测，得到初始预测值；
[0011]基于非参数概率估计方法将所述初始预测值区间化，得到最终预测值，将该最终预测值作为绝缘子风偏角预测值。
[0012]在一个实施例中，所述影响因素包括：风速、风功角、降雨强度、湿度。
[0013]在一个实施例中，对影响因素进行计算排序，得到主要影响因素变量包括：通过模
糊层次分析法对影响因素进行计算排序，得到主要影响因素变量。
[0014]在一个实施例中，通过模糊层次分析法对影响因素进行计算排序，得到主要影响因素变量包括：根据专家经验对同层的影响因素进行两两比较，得到三角模糊判断矩阵；根据求和平均法计算三角模糊判断矩阵各影响因素的比重，得到因素权重矩阵，并根据预先设置的调节系数，计算因素权重矩阵的期望值，对期望值进行归一化，得到因素权重矩阵权向量；根据所述因素权重矩阵权向量，计算各影响因素的全局权重，并将得到的各影响因素的权重进行排序，选取影响较大的D个因素作为主要影响因素变量。
[0015]在一个实施例中，通过模糊层次分析法对影响因素进行计算排序，得到主要影响因素变量还包括：在根据所述因素权重矩阵权向量，计算各影响因素的全局权重之前，对所述因素权重矩阵的各因素层的三角模糊判断矩阵的一致性进行校验；在所述因素权重矩阵的各因素层的三角模糊判断矩阵满足一致性校验时，计算各影响因素的全局权重。
[0016]在一个实施例中，根据变量时间序列构建绝缘子风偏角的多变量相空间包括：基于单变量时间序列相空间重构方法，计算所述变量时间序列中各单变量时间序列的延迟时间和嵌入维数；根据所述延迟时间和嵌入维数，构建与所述变量时间序列所对应的多变量相空间。
[0017]在一个实施例中，根据变量时间序列构建绝缘子风偏角的多变量相空间还包括：在根据所述延迟时间和嵌入维数，构建与所述变量时间序列所对应的多变量相空间之前，基于混沌时间序列相空间重构C
‑
C方法，对构建的多变量相空间的延迟时间和嵌入维数进行参数优化。
[0018]在一个实施例中，将所述多变量相空间输入至预设小波神经网络，通过小波神经网络对所述变量时间序列进行预测，得到初始预测值包括：将小波神经网络预测步长划分为前n步和后N
‑
n步；运用小波神经网络对所述变量时间序列的前n步进行预测并修正，得到前n步预测时间序列和预测值；对所述变量时间序列和得到的前n步预测时间序列进行相空间重构，基于小数据量算法计算重构的相空间的最大Lyapunov指数；并基于最大Lyapunov指数对所述变量时间序列的后N
‑
n步进行预测，得到预测值；将前n步和后N
‑
n步的预测值进行合并，得到所述变量时间序列的初始预测值。
[0019]根据本专利技术实施例的第二个方面，提供了一种绝缘子风偏角预测系统。
[0020]该绝缘子风偏角预测系统，包括：
[0021]风偏角因素确定模块，用于确定输电线路绝缘子风偏角的影响因素，并对影响因素进行计算排序，得到主要影响因素变量；
[0022]多变量空间构建模块，用于根据所述主要影响因素变量，确定预先选取的输电线路绝缘子受台风侵袭时间内风偏角变化的变量时间序列；并根据该变量时间序列构建绝缘子风偏角的多变量相空间；
[0023]风偏角预测模块，用于将所述多变量相空间输入至预设小波神经网络，通过小波神经网络对所述变量时间序列进行预测，得到初始预测值；
[0024]风偏角确定模块，用于基于非参数概率估计方法将所述初始预测值区间化，得到最终预测值，将该最终预测值作为绝缘子风偏角预测值。
[0025]在一个实施例中，所述影响因素包括：风速、风功角、降雨强度、湿度。
[0026]在一个实施例中，所述风偏角因素确定模块在对影响因素进行计算排序，得到主
要影响因素变量时，通过模糊层次分析法对影响因素进行计算排序，得到主要影响因素变量。
[0027]在一个实施例中，所述风偏角因素确定模块包括：判断矩阵确定子模块、权向量计算子模块，因素排序子模块，其中，判断矩阵确定子模块，用于根据专家经验对同层的影响因素进行两两比较，得到三角模糊判断矩阵；权向量计算子模块，用于根据求和平均法计算三角模糊判断矩阵各影响因素的比重，得到因素权重矩阵，并根据预先设置的调节系数，计算因素权重矩阵的期望值，对期望值进行归一化，得到因素权重矩阵权向量；因素排序子模块，用于根据所述因素权重矩阵权向量，计算各影响因素的全局权重，并将得到的各影响因素的权重进行排序，选取影响较大的D个因素作为主要影响因素变量。
[0028]在一个实施例中，所述风偏角因素确定模块还包括：矩阵校验子模块，用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种绝缘子风偏角预测方法，其特征在于，包括：确定输电线路绝缘子风偏角的影响因素，并对影响因素进行计算排序，得到主要影响因素变量；根据所述主要影响因素变量，确定预先选取的输电线路绝缘子受台风侵袭时间内风偏角变化的变量时间序列；并根据该变量时间序列构建绝缘子风偏角的多变量相空间；将所述多变量相空间输入至预设小波神经网络，通过小波神经网络对所述变量时间序列进行预测，得到初始预测值；基于非参数概率估计方法将所述初始预测值区间化，得到最终预测值，将该最终预测值作为绝缘子风偏角预测值。2.根据权利要求1所述的绝缘子风偏角预测方法，其特征在于，所述影响因素包括：风速、风功角、降雨强度、湿度。3.根据权利要求1所述的绝缘子风偏角预测方法，其特征在于，对影响因素进行计算排序，得到主要影响因素变量包括：通过模糊层次分析法对影响因素进行计算排序，得到主要影响因素变量。4.根据权利要求3所述的绝缘子风偏角预测方法，其特征在于，通过模糊层次分析法对影响因素进行计算排序，得到主要影响因素变量包括：根据专家经验对同层的影响因素进行两两比较，得到三角模糊判断矩阵；根据求和平均法计算三角模糊判断矩阵各影响因素的比重，得到因素权重矩阵，并根据预先设置的调节系数，计算因素权重矩阵的期望值，对期望值进行归一化，得到因素权重矩阵权向量；根据所述因素权重矩阵权向量，计算各影响因素的全局权重，并将得到的各影响因素的权重进行排序，选取影响较大的D个因素作为主要影响因素变量。5.根据权利要求4所述的绝缘子风偏角预测方法，其特征在于，通过模糊层次分析法对影响因素进行计算排序，得到主要影响因素变量还包括：在根据所述因素权重矩阵权向量，计算各影响因素的全局权重之前，对所述因素权重矩阵的各因素层的三角模糊判断矩阵的一致性进行校验；在所述因素权重矩阵的各因素层的三角模糊判断矩阵满足一致性校验时，计算各影响因素的全局权重。6.根据权利要求1所述的绝缘子风偏角预测方法，其特征在于，根据变量时间序列构建绝缘子风偏角的多变量相空间包括：基于单变量时间序列相空间重构方法，计算所述变量时间序列中各单变量时间序列的延迟时间和嵌入维数；根据所述延迟时间和嵌入维数，构建与所述变量时间序列所对应的多变量相空间。7.根据权利要求6所述的绝缘子风偏角预测方法，其特征在于，根据变量时间序列构建绝缘子风偏角的多变量相空间还包括：在根据所述延迟时间和嵌入维数，构建与所述变量时间序列所对应的多变量相空间之前，基于混沌时间序列相空间重构C
‑
C方法，对构建的多变量相空间的延迟时间和嵌入维数进行参数优化。8.根据权利要求1所述的绝缘子风偏角预测方法，其特征在于，将所述多变量相空间输
入至预设小波神经网络，通过小波神经网络对所述变量时间序列进行预测，得到初始预测值包括：将小波神经网络预测步长划分为前n步和后N
‑
n步；运用小波神经网络对所述变量时间序列的前n步进行预测并修正，得到前n步预测时间序列和预测值；对所述变量时间序列和得到的前n步预测时间序列进行相空间重构，基于小数据量算法计算重构的相空间的最大Lyapunov指数；并基于最大Lyapunov指数对所述变量时间序列的后N
‑
n步进行预测，得到预测值；将前n步和后N
‑
n步的预测值进行合并，得到所述变量时间序列的初始预测值。9.一种绝缘子风偏角预测系统，其特征在于，包括：风偏角因素确定模块，用于确定输电线路绝缘子风偏角的影响因素，并对影响因素进行计算排序，得到主要影响因素变量；多变量空间构建模块...

【专利技术属性】
技术研发人员：周超，刘辉，秦佳峰，孙晓斌，沈浩，贾然，李丹丹，耿博，张洋，刘嵘，刘传彬，于传维，杨杰，蔡英明，陈星延，高成成，韦立坤，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：