System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及绝缘子泄漏电流估测,具体为一种基于hmlp神经网络的多气候因素影响的绝缘子泄漏电流估测方法。
技术介绍
1、在高压输电线路中,绝缘子是关键的组件之一。绝缘子主要用于支撑、固定和绝缘输电线路,保证电力系统的正常运行。然而,由于环境的恶劣条件和绝缘子自身的缺陷,会导致绝缘子表面积累污染物或闪络现象,这可能会引发电击事故、电力故障等问题。
2、因此,对绝缘子的状态进行监测和预测,制定相应的检修策略,成为了确保高压绝缘子安全运行的重要任务。而其中一个可行的方法是利用气象参数对绝缘子泄露电流进行估测。
3、气候条件是绝缘子表面污闪问题的一个重要因素。温度、湿度、气压和风速等气象参数会对绝缘子上的污染物产生影响。当气候条件特定时,污染物的湿度和电导率会增加,从而导致绝缘子泄露电流的增加。通过建立数学模型和算法,可以对绝缘子泄露电流与气候参数之间的关联进行建模和估测。这使得运维人员可以实时监测绝缘子的状态,并根据估测结果制定相应的维护和修复策略,提高电力系统的可靠性和安全性,减少事故风险,为电力行业的发展做出积极贡献。
技术实现思路
1、为解决现有技术中存在的问题,本专利技术提出一种基于hmlp神经网络的多气候因素影响的绝缘子泄漏电流估测方法,准确地估测高压绝缘子的泄漏电流水平,有助于制定检修策略,有效地解决高压绝缘子的污闪问题。
2、本专利技术所采用的技术方案是:一种基于hmlp神经网络的多气候因素影响的绝缘子泄漏电流估测方法,包括:将高压绝缘
3、
4、其中k=1,2,…,no,j=1,2,…,nk,i=1,2,…,ni,其中t为离散时间,是连接第j个隐藏神经元到第k个输出的输出权重,是连接第i个输入到第j个隐藏神经元的权重,为第j个隐藏神经元的偏置,是网络的第i个输入。
5、进一步的,所述hmlp神经网络的隐藏层中的激活函数为sigmod函数,表达式为其中x是输入信号,f(x)是输出信号。
6、进一步的,所述的mrpe学习算法为递归预测误差,采用了递归的方式来估计模型的参数,在网络中通过高斯-牛顿算法进行反向传播,使得代价函数实现最小化。
7、进一步的,所述的hmlp神经网络的的训练包括以下步骤:
8、步骤1,收集泄漏电流与气象参数的实测数据,划分训练集与测试集;
9、步骤2,将训练集放入hmlp神经网络架构;
10、步骤3,初始化权重与偏置;
11、步骤4,判断误差精度是否小于目标预期,若不满足条件则更改权重或改变网络大小;
12、步骤5,对测试集进行验证,若误差精度不满足目标预期,则重新选择训练集或收集更多数据,若满足目标预期,则完成对hmlp网络的训练。
13、进一步的,所述的建模函数中气象参数包括温度、湿度、气压、降雨量和风速,函数输出为泄漏电流。
14、与现有技术相比,本专利技术具有以下有益效果:
15、本专利技术提出一种基于hmlp神经网络的多气候因素影响的绝缘子泄漏电流估测方法,能够在各种气象条件下估测高压绝缘子的泄漏电流水平,通过优化后的网络模型能够准确地从测试数据样本中估测泄漏电流水平,并显示出与现场测量值接近的值。对高压绝缘子临界泄漏电流水平的估测有助于制定检修策略,有效地解决高压绝缘子的污闪问题。
本文档来自技高网...【技术保护点】
1.一种基于HMLP神经网络的多气候因素影响的绝缘子泄漏电流预测方法,其特征在于,
2.根据权利要求1所述的HMLP神经网络,其特征在于,
3.根据权利要求1所述的HMLP神经网络,其特征在于,
4.根据权利要求2所述的MRPE学习算法,其特征在于,
5.根据权利要求1所述的一种基于HMLP神经网络的多气候因素影响的绝缘子泄漏电流预测方法,其特征在于:
6.根据权利要求1所述的一种基于HMLP神经网络的多气候因素影响的绝缘子泄漏电流预测方法,其特征在于:
【技术特征摘要】
1.一种基于hmlp神经网络的多气候因素影响的绝缘子泄漏电流预测方法,其特征在于,
2.根据权利要求1所述的hmlp神经网络,其特征在于,
3.根据权利要求1所述的hmlp神经网络,其特征在于,
4.根据权利要求2所述的mr...
【专利技术属性】
技术研发人员:陈旭德,申万科,薛田良,方春华,梁珑,董立文,岳昕,
申请(专利权)人:国网青海省电力公司海南供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。