一种绝缘子表面等值附盐密度的预测系统及方法与流程

本发明属于电力系统外绝缘技术领域，更具体地，涉及一种绝缘子表面等值附盐密度的预测系统及方法。

背景技术：

正常工作电压下的绝缘子由于表面污秽物的堆积，在阴雨、大雾等恶劣天气下容易发生污秽闪络事故，对电力系统的安全稳定运行构成严重威胁。对输电线路上绝缘子的污秽度进行预测非常有必要，以便及时预防污闪事故的发生。通常使用等值附盐密度(Equivalent Salt Deposit Density，ESDD)来评估绝缘子表面污秽程度。

广义回归神经网络(GRNN)模型因为其具有非常强的非线性映射能力和柔性网络结构、学习能力和逼近能力较强，以及很好的鲁棒性和容错性等优点而得到广泛的应用，但是GRNN模型中平滑因子(SPREAD)的取值大小会对网络的逼近精度和预测精度产生较大影响。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种绝缘子表面等值附盐密度的预测系统及方法，其目的在于结合自适应变异粒子群优化算法与广义回归神经网络、提供一种可广泛应用于任意型号绝缘子的等值附盐密度预测方法。

为实现上述目的，按照本发明的一个方面，提供了一种绝缘子表面等值附盐密度预测系统，包括依次连接的原始数据采集单元、自适应变异粒子群单元、广义回归神经网络预测单元和ESDD预测值输出单元；

其中，原始数据采集单元用于获取输电线上的绝缘子ESDD数据和气象数据；自适应变异粒子群单元用于根据输电线上绝缘子ESDD数据和气象数据求解出广义回归神经网络的最优平滑因子值；广义回归神经网络预测单元则根据所述的最优平滑因子值构建预测模型，并对绝缘子ESDD进行预测；ESDD预测值输出单元则用于输出从广义回归神经网络预测单元得到的绝缘子ESDD预测值。

优选的，上述绝缘子表面等值附盐密度预测系统，还包括ESDD预警单元，ESDD预警单元的输入端与广义回归神经网络预测单元的输出端相连；ESDD预警单元用于根据上述预测值与预设的预警阈值生成预警信号；具体地，当预测值达到预警阈值，生成预警信号。

为实现本发明目的，按照本发明的另一方面，基于上述绝缘子表面等值附盐密度预测系统，提供了一种绝缘子表面等值附盐密度预测方法，包括如下步骤：

(1)通过将自适应变异粒子群单元中每个个体映射为广义回归神经网络中的平滑因子来构建一个GRNN；

对每个个体对应的GRNN输入训练样本进行训练，计算每一个体对应的GRNN在训练集上产生的均方误差；

根据来构建个体适应度函数，采用自适应变异粒子群算法求解出全局解空间中GRNN平滑因子的最优值；其中x是指粒子的当前位置向量；

(2)根据所述的最优值、绝缘子ESDD数据和气象数据建立GRNN预测模型；采用所述预测模型进行绝缘子ESDD预测获得ESDD预测值；

(3)输出广义回归神经网路预测模型的预测值。

优选地，上述绝缘子表面等值附盐密度预测方法，还包括步骤(4)：

(4)将预测值与预设的预警阈值进行比较，当预测值达到预警阈值时，生成预警信号。

优选地，上述绝缘子表面等值附盐密度预测方法，步骤(1)采用自适应变异粒子群算法求解全局解空间中GRNN平滑因子的最优值的方法，包括如下子步骤：

(a)初始化粒子群：设定加速度因子c₁和c₂、最大进化代数T；设当前进化代数t＝1；定义空间Rⁿ中随机产生m个粒子x₁,x₂,…,x_m组成初始种群X(t)；随机产生各粒子初始速度v₁,v₂,…,v_m组成位移变化矩阵V(t)；

(b)将粒子群中每一个体映射为网络中的平滑因子以构建广义回归神经网络；

将每一个体输入广义回归神经网络进行训练；计算每个广义回归神经网络在训练集上产生的均方误差，并以此作为目标函数，按构建适应度函数，以计算个体的适应度；

其中x表示粒子的当前位置向量；

(c)采用迭代的方法更新每个粒子的自身最优位置p_i和种群全局最优位置p_g；

记为每个粒子经k次迭代后的最优位置，为种群经k次迭代后的最优位置；

(d)根据计算每个粒子的惯性权重；

其中，c取[0,1]之间的常数，f_i是第i次迭代中粒子的适应度值，f_min是每次迭代的m个粒子的适应度值的最小值；f_ave是每次迭代的m个粒子的平均适应度值；

(e)将所有粒子x₁(t)根据进行位置更新和速度更新；

其中，k是指迭代次数；表示第k次迭代时第i个粒子的位置；表示第k次迭代时第i个粒子的速度；w_i表示惯性权重；c₁和c₂是指学习因子；r是指约束系数或是收敛因子，其中r₁和r₂是[0,1]之间的随机数；

(f)根据计算种群平均粒距K(t)；当K(t)≤0.01或连续10次迭代P_g没有变化，则进入步骤(g)，否则返回步骤(b)；

其中S为种群数量；L为搜索空间对角最大长度；m为种群规模大小，n为解空间维数，x_id表示第i个粒子的第d维坐标值，表示所有粒子第d维坐标值均值；

(g)根据按进行变异操作，变异粒子更新最优位置p_i；

其中，表示粒子变异后的位置向量，x_i为粒子原始位置向量，x为粒子当前位置向量；

(h)判断是否满足收敛条件：若是，则输出平滑因子的最优值；若否，则进入步骤(b)。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明提供的绝缘子表面等值附盐密度预测系统及方法，将自适应变异粒子群与广义回归神经网络模型有机融合，既具有粒子群算法在全局解空间搜索最优解的优势，又具有广义回归神经网络模型对非线性、非精确规律具有自适应能力的优点；通过优化能从不同的角度、不同的模型得到系统不同的信息，达到提高预测精度与增加稳定性和结果的可靠性的目的，使优化预测模型对于数据结构的变化具有更强的鲁棒性，有效弥补了单纯预测模型预测不准确的缺陷；

(2)本发明提供的绝缘子表面等值附盐密度预测方法，其优选方案采用自适应变异粒子群算法根据粒子适应度的整体变化决定惯性权重的大小，在获取最优平滑因子值的过程中，通过调整粒子群算法的惯性权重来实现算法的自适应调节能力：通过增大惯性权重以扩大粒子搜索范围，通过减小惯性权重从局来加强粒子局部搜索能力；

(3)本发明提供的绝缘子表面等值附盐密度预测方法中，其优选方案通过平均粒距判断和迭代操作，使算法跳出局部极值(即早熟收敛)，扩大算法的搜索区域，避免粒子群中粒子出现“聚集”现象，实现粒子群算法的变异功能；

(4)本发明提供的绝缘子表面等值附盐密度预测系统及方法中，所采用的广义回归神经网络具有学习速度快、网络能收敛于样本聚集最多的优化回归面、稳定性好的优点；并且广义回归神经网络人为调节的参数少，可以最大限度避免人为主观假定对预测结果的影响，最终实现对绝缘子ESDD数值的高精度预测。

附图说明

图1是基于实施例提供的绝缘子表面等值附盐密度预测系统实现ESDD预测的流程示意图；

图2是实施例中自适应变异粒子群算法的流程示意图；

图3是实施例中的广义回归神经网络模型结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明实施例提供的绝缘子表面等值附盐密度的预测系统，包括依次相连的原始数据采集单元、自适应变异粒子群单元、广义回归神经网络预测单元、ESDD预测值输出单元和ESDD预警单元；

基于该系统进行ESDD预测的流程如图1所示；其中，原始数据采集单元采集输电线上绝缘子ESDD数据和气象数据；自适应变异粒子群单元根据输电线上绝缘子ESDD数据和当地气象数据获取最适应广义回归神经网络的最优平滑因子值；广义回归神经网络预测单元则根据该最优平滑因子值、绝缘子ESDD数据和气象数据建立预测模型，对绝缘子ESDD进行预测获得ESDD预测值；本实施例中，利用光传感器输变电盐密在线监测设备或其它在线监测装置采集输电线上绝缘子ESDD数据；气象数据则是在待预测绝缘子周围采集到的数据；

广义回归神经网络预测单元预测的绝缘子ESDD数值通过ESDD预测值输出单元输出；ESDD预警单元根据预测值与预设的分级预警阈值生成预警信号，当预测值达到分级预警阈值，生成预警信号。

本实施例中，自适应变异粒子群单元采用自适应变异粒子群算法获取最优平滑因子值，其流程如图2所示意，包括如下步骤：

(a)初始化粒子群：设定加速度因子c₁和c₂、最大进化代数T；设当前进化代数t＝1；定义空间Rⁿ中随机产生m个粒子x₁,x₂,…,x_m组成初始种群X(t)；随机产生各粒子初始速度v₁,v₂,…,v_m组成位移变化矩阵V(t)；

(b)将粒子群中每一个体映射为网络中的平滑因子，从而构成一个广义回归神经网络；

将每一个体输入广义回归神经网络进行训练；计算每个广义回归神经网络在训练集上产生的均方误差，并以此作为目标函数，按构建适应度函数，以计算个体的适应度，其中x表示粒子的当前位置向量；

(c)更新每个粒子的自身最优位置p_i和种群全局最优位置p_g；

记为每个粒子经k次迭代后的最优位置，为种群经k次迭代后的最优位置；

(d)根据计算每个粒子的惯性权重。其中，c为[0,1]之间的常数，实施例中取c＝0.3；f_i是每次迭代中每个粒子的适应度值，f_min是每次迭代的m个粒子中适应度值的最小值；f_ave是每次迭代的m个粒子的平均适应度值；在实施例中取f_min＝0.4；

该步骤通过调整粒子群算法的惯性权重，来实现算法的自适应调节能力；即调节惯性权重增大时，使算法具有较强的全局搜索能力；调节惯性权重减小时，使算法具有较强的局部搜索能力；

(e)将所有粒子x₁(t)根据进行位置和速度更新；

其中，k是指迭代次数；表示第k次迭代时第i个粒子的位置；表示第k次迭代时第i个粒子的速度；w_i表示惯性权重；c₁和c₂是指学习因子；实施例汇中，取c₁＝1.5、c₂＝1.5；r是指约束系数或是收敛因子，其中r₁和r₂是[0,1]之间的随机数；

(f)根据计算种群平均粒距K(t)；当K(t)≤0.01或连续10次迭代P_g没有变化，则进入步骤(g)对种群进行变异操作，否则返回步骤(b)；

其中S为种群数量；L为搜索空间对角最大长度；m为种群规模大小，n为解空间维数，x_id表示第i个粒子的第d维坐标值，表示所有粒子第d维坐标值均值；

(g)根据按概率p_m＝40％进行变异操作，变异粒子更新最优位置p_i；

其中，表示粒子变异后的位置向量，x_i为粒子原始位置向量，x为粒子当前位置向量；

通过判断粒子的平均粒距和全局最优值的变化来防止算法可能出现的早熟现象即出现局部极值，进一步通过步骤(g)的变异操作使粒子跳出局部极值，避免因粒子团聚而使算法求得“假极值”，从而实现算法的变异功能；

(h)判断是否满足收敛条件：达到预设的最大代数或收敛精度要求，若是，则输出平滑因子的最优值；若否，则进入步骤(b)；实施例中，设置收敛条件为最大迭代次数为1000。

本实施例中所采用的广义回归神经网络模型的结构如图3所示意的，包括输入层、模式层、求和层与输出层四层神经元；对应网络输入U＝[u₁,u₂,…,u_n]^T，其输出为Y＝[y₁,y₂,…,y_g]^T；

输入层中的神经元数目等于学习样本中输入向量的维数n，各神经元是简单的分布单元，直接将输入变量传递给模式层；

模式层的神经元数目等于学习样本的数目n，各神经元各自对应不同的样本，神经元i的传递函数为也就是说，神经元i的输出为输入变量U与其对应的U_i样本之间的Euclid距离平方为的指数形式；

其中U为网络输入变量；U_i为第i个神经元对应的学习样本；

求和层中使用两种类型的神经元进行求和；一类的计算公式为它对所有模式层神经元的输出进行算术求和，其与模式层各神经元的连接权值为1，其传递函数为另一类计算公式为它对所有模式层神经元的输出进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Y_i中的第j个元素y_ij，其传递函数为

输出层中的神经元数目与学习样本中输出向量的维数g相等，各神经元将求和层的输出相除，神经元j的输出对应估计结果的第j个元素，即

本实施例中，采用ESDD预警单元根据上述各单元的预测值进行预警预测；预警单元设置A、B、C、D共4个预警等级；

实施例中，通过ESDD预警单元将绝缘子ESDD预测值与发生污闪时的绝缘子ESDD值对比来生成预警信息以供线路运行人员处理，可起到及时有效防止输电线路发生污秽闪络事故的作用，具体的，当ESDD预测值达到可能发生污闪时绝缘子ESDD数值ρ_F的95％时，即95％ρ_F，系统发出A级预警；当ESDD预测值达到可能发生污闪时绝缘子ESDD数值ρ_F的90％时，即90％ρ_F，系统发出B级预警；当ESDD预测值达到可能发生污闪时绝缘子ESDD数值ρ_F的85％时，即85％ρ_F，系统发出C级预警；当ESDD预测值达到可能发生污闪时绝缘子ESDD数值ρ_F的80％时，即80％ρ_F，系统发出D级预警。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。