绝缘子金属附件腐蚀电荷量预测方法与流程

本发明涉及特高压直流输电技术领域，尤其涉及绝缘子金属附件腐蚀电荷量预测方法。

背景技术：

近年来,我国高压直流输电技术发展迅速,但随之也带来了一些问题，在涉及高压直流绝缘子的技术领域，多条高压直流输电线路上的玻璃和瓷绝缘子出现了大面积的金属附件腐蚀现象。

绝缘子金属附件腐蚀主要分为钢脚腐蚀和铁帽腐蚀两种。钢脚腐蚀会直接造成绝缘子机械强度的下降，同时，腐蚀产物会导致钢脚与水泥之间产生一个比较大的应力，进而导致绝缘子的损坏；而铁帽腐蚀则会造成绝缘子上出现由腐蚀物造成的锈迹通道，该锈迹通道能够加速污秽的积累。金属附件腐蚀严重时，还会造成绝缘子脱落等问题，进而影响输电线路的安全运行。为了保护绝缘子金属附件不受腐蚀，目前最行之有效的方法是在绝缘子上加装锌制保护装置。

然而，锌制保护装置一般都是依据经验值进行设计的，即年均腐蚀电荷量低于1500℃的地区保护锌套设计为4mm厚时，该锌套使用寿命为30年。但是实际年均腐蚀电荷量一般随时间的变化而出现变动，这就会造成锌套实际寿命短于设计寿命或者锌套材料浪费的情况出现。

技术实现要素：

本发明提供了一种绝缘子金属附件腐蚀电荷量预测方法，以解决绝缘子保护装置寿命减少和浪费材料的问题。

本发明的实施例提供了一种绝缘子金属附件腐蚀电荷量预测方法，所述方法包括：

从绝缘子金属附件腐蚀电荷量在线监测系统中获取数据；

对所述数据进行缺失值处理，得到连续数据；

对所述连续数据进行金属附件腐蚀电荷量的提取和特征量的提取，得到所述金属附件腐蚀电荷量和所述特征量，所述特征量包括：相对湿度、温差和降雨情况；

将所述金属附件腐蚀电荷量和所述特征量通过神经网络算法的处理，得到神经网络短时金属附件腐蚀电荷量预测的结果；

将所述金属附件腐蚀电荷量通过时间序列分析法的处理，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果；

将所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果进行对比，得到短时金属附件腐蚀电荷量预测的结果。

优选地，所述将所述金属附件腐蚀电荷量和所述特征量通过神经网络算法的处理，得到神经网络短时金属附件腐蚀电荷量预测的结果的过程中，所述神经网络算法包括：

将所述特征量作为变量，将所述金属附件腐蚀电荷量作为因变量，建立神经网络模型；

将所述特征量和所述金属附件腐蚀电荷量进行归一化处理，得到处理后的数据；

将所述处理后的数据进行分类，得到训练数据和测试数据；

将所述训练数据输入所述神经网络模型中，得到测试金属附件腐蚀电荷量；

将所述测试数据中的金属附件腐蚀电荷量与所述测试金属附件腐蚀电荷量相减，得到差值；

将所述差值与预设范围比较，得到标准模型；

根据所述标准模型，对所述神经网络短时金属附件腐蚀电荷量进行预测，得到神经网络短时金属附件腐蚀电荷量预测的结果。

优选地，所述将所述差值与预设范围比较，包括：

判断所述差值是否在所述预设范围内；

如果所述差值在所述预设范围内，则所述神经网络模型为所述标准模型；

如果所述差值不在所述预设范围内，则对所述神经网络模型进行修订后得到所述标准模型。

优选地，所述将所述金属附件腐蚀电荷量通过时间序列分析法的处理，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果的过程中，所述时间序列分析法包括：

将所述金属附件腐蚀电荷量按照时间顺序排列，建立时间序列；

测定季节变化对所述时间序列的影响，得到季节变化影响因子；

根据所述季节变化影响因子，对所述时间序列进行修订，得到消除影响后的时间序列和所述金属附件腐蚀电荷量随时间变化的变化曲线；

将所述消除影响后的时间序列与所述变化曲线进行拟合；

计算拟合后的所述时间序列的周期波动幅度和周期长度；

根据所述周期波动幅度和所述周期长度对所述时间序列短时金属附件腐蚀电荷量和所述年均金属附件腐蚀电荷量进行预测，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果。

优选地，所述将所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果进行对比，得到短时金属附件腐蚀电荷量预测的结果的过程中，所述对比的方法，包括：

如果所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果相同，则将所述相同的结果作为所述短时金属附件腐蚀电荷量预测的结果；

如果所述神经网络短时金属附件腐蚀电荷量预测的结果大于所述时间序列短时金属附件腐蚀电荷量预测的结果，则将所述神经网络短时金属附件腐蚀电荷量预测的结果作为所述短时金属附件腐蚀电荷量预测的结果；

如果所述神经网络短时金属附件腐蚀电荷量预测的结果小于所述时间序列短时金属附件腐蚀电荷量预测的结果，则将所述时间序列短时金属附件腐蚀电荷量预测的结果作为所述短时金属附件腐蚀电荷量预测的结果。

优选地，所述方法还包括：在所述将所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果进行对比，得到短时金属附件腐蚀电荷量预测的结果之后，所述方法还包括：根据所述短时金属附件腐蚀电荷量预测的结果，对所述绝缘子的运行状态进行评估。

优选地，在所述将所述金属附件腐蚀电荷量通过时间序列分析法的处理，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果之后，所述方法还包括：根据所述年均金属附件腐蚀电荷量预测的结果，对所述绝缘子的金属附件保护装置进行设计。

优选地，所述对数据进行缺失值处理的方法为就近插值法。

由以上技术方案可知，本发明实施例提供了一种绝缘子金属附件腐蚀电荷量预测方法，先从绝缘子金属附件腐蚀电荷量在线监测系统中获取数据，对获取的数据进行缺失值处理，使数据具有连续性；把金属附件腐蚀电荷量和特征量从连续数据中提取出来；运用神经网络算法对金属附件腐蚀电荷量和特征量进行处理，得到神经网络短时金属附件腐蚀电荷量预测的结果；运用时间序列分析法对金属附件腐蚀电荷量进行处理，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果；再将神经网络短时金属附件腐蚀电荷量预测的结果与时间序列短时金属附件腐蚀电荷量预测的结果对比，得到短时金属附件腐蚀电荷量预测的结果；最后根据短时金属附件腐蚀电荷量预测的结果对绝缘子的运行状态进行评估，根据年均金属附件腐蚀电荷量预测的结果，对绝缘子的金属附件保护装置进行设计，解决绝缘子保护装置寿命减少和浪费材料的问题。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为根据一优选实施例提供的绝缘子金属附件腐蚀电荷量预测方法的流程图；

图2为根据一优选实施例提供的神经网络算法的流程图；

图3为根据一优选实施例提供的时间序列分析法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所述，为本发明实施例提供的一种绝缘子金属附件腐蚀电荷量预测方法的流程图，所述方法包括：

S101，从绝缘子金属附件腐蚀电荷量在线监测系统中获取数据。

所述绝缘子金属附件腐蚀电荷量在线监测系统中存储有每分钟内的放电量、积累放电量、一分钟最大放电电流、温度以及相对湿度等数据，所述绝缘子金属附件腐蚀电荷量预测方法中，首先要将数据从所述在线监测系统中获取出来。

S102，对所述数据进行缺失值处理，得到连续数据。

在数据采集的过程中，很可能因为所述在线监测系统的故障问题，造成一些数据的缺失，而在数据处理的过程中，缺失的数据值会对数据的处理造成一定的影响，比如如果所述在线监测系统丢失了大量的有用信息，会不易确定所述在线监测系统的确定性，也会使输出的数据包含空值，使输出数据不可信，因此有必要对所述数据进行缺失值处理，得到连续数据，使数据可靠性增强，使预测的结果更准确。

S103，对所述连续数据进行金属附件腐蚀电荷量的提取和特征量的提取，得到所述金属附件腐蚀电荷量和所述特征量；所述特征量包括：相对湿度、温差和降雨情况。

通过对所述连续数据进行相关性分析，利用相关图及相关系数可以确定出绝缘子金属附件腐蚀电荷量影响较大的因素，结合实际理论情况，可以得到相对湿度、温差及降雨情况是影响绝缘子金属附件腐蚀电荷量的主要因素，所以将相对湿度、温差及降雨情况作为特征量提取出来；本发明的实施例中以一小时为单位进行研究，以一小时内的平均相对湿度作为这个时间段内的相对湿度，以一日内最大温差作为这个时间段内的温差，另外还要统计每天是否降雨。

S104，将所述金属附件腐蚀电荷量和所述特征量通过神经网络算法的处理，得到神经网络短时金属附件腐蚀电荷量预测的结果。

S105，将所述金属附件腐蚀电荷量通过时间序列分析法的处理，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果。

S106，将所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果进行对比，得到短时金属附件腐蚀电荷量预测的结果。

由以上技术方案可知，本发明实施例提供了一种绝缘子金属附件腐蚀电荷量预测方法，先从绝缘子金属附件腐蚀电荷量在线监测系统中获取数据，对获取的数据进行缺失值处理，使数据具有连续性；把金属附件腐蚀电荷量和特征量从连续数据中提取出来；运用神经网络算法对金属附件腐蚀电荷量和特征量进行处理，得到神经网络短时金属附件腐蚀电荷量预测的结果；运用时间序列分析法对金属附件腐蚀电荷量进行处理，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果；再将神经网络短时金属附件腐蚀电荷量预测的结果与时间序列短时金属附件腐蚀电荷量预测的结果对比，得到短时金属附件腐蚀电荷量预测的结果；最后根据短时金属附件腐蚀电荷量预测的结果对绝缘子的运行状态进行评估，根据年均金属附件腐蚀电荷量预测的结果，对绝缘子的金属附件保护装置进行设计，解决绝缘子保护装置寿命减少和浪费材料的问题。

如图2所示，为本发明实施例提供的一种神经网络算法的流程图，所述方法包括如下步骤：

S201，将所述特征量作为变量，将所述金属附件腐蚀电荷量作为因变量，建立神经网络模型。

人类大脑在信息处理过程中主要依靠神经元之间的相互作用，人工的神经网络对这一过程的模拟，进而处理分析一些复杂的问题；神经网络由输入层、隐藏层和输出层构成，每一层又有多个神经元构成，神经元的输出可以由多个输入来决定，输入与输出的关系如下式所示：

y_i＝f(X_i)

式中，x_j,j＝1,2,…，n为神经元的输入信号；θ_i为神经元的阈值；k_ji为从细胞j到细胞i的连接权重；n为输入信号的数目；y_i为神经元的输出。

神经网络算法建立在神经网络之上，根据上式，将变量作为输入值，将因变量作为输出值，可以得到因变量与变量的关系式，即得到所述特征量与所述金属附件腐蚀电荷量关系，建立神经网络模型。

S202，将所述特征量和所述金属附件腐蚀电荷量进行归一化处理，得到处理后的数据。

对所述特征量和所述金属附件腐蚀电荷量进行归一化处理，按照下式将数据映射到(0,1)的区间内：

式中，x_i为原始数据，x′_i为原始数据进行归一化处理后的数值，x_max、x_min分别为原始数据的最大值以及最小值。将所述特征量和所述金属附件腐蚀电荷量进行归一化处理的目的是为了加快数据在训练过程中的收敛速度。

S203，将所述处理后的数据进行分类，得到训练数据和测试数据。

S204，将所述训练数据输入所述神经网络模型中，得到测试金属附件腐蚀电荷量。

S205，将所述测试数据中的金属附件腐蚀电荷量与所述测试金属附件腐蚀电荷量相减，得到差值。

S206，将所述差值与预设范围比较，得到标准模型。

S207，根据所述标准模型，对所述神经网络短时金属附件腐蚀电荷量进行预测，得到所述神经网络短时金属附件腐蚀电荷量预测的结果。

根据所述标准模型，可以利用未来一段时间内的天气预报情况，得出相对湿度、温差和降雨情况，将得到的相对湿度、温差和降雨情况作为所述标准模型的输入值，得出未来一段时间内的所述金属附件腐蚀电荷量。

进一步地，所述将所述差值与预设范围比较，包括：

判断所述差值是否在所述预设范围内；

如果所述差值在所述预设范围内，则所述神经网络模型为所述标准模型；

如果所述差值不在所述预设范围内，则对所述神经网络模型进行修订后得到所述标准模型。

如图3所示，为本发明实施例提供的一种时间序列分析法的流程图，所述方法包括：

S301，将所述数据中的金属附件腐蚀电荷量按照时间顺序排列，建立时间序列。

建立好所述时间序列后，需要找到影响所述时间序列的变动因素，进而确定变动类型。所述变动类型分为：长期趋势、季节变动、循环变动及不规则变动。确定变动类型有利于对所述时间序列进行分析。

S302，测定季节变化对所述时间序列的影响，得到季节变化影响因子。

S303，根据所述季节变化影响因子，对所述时间序列进行修订，得到消除影响后的时间序列和所述金属附件腐蚀电荷量随时间变化的变化曲线。

因为所述时间序列随着季节的变化而变化，这里消除季节变化对所述时间序列的影响，得到一个更为准确的时间序列，有利于对金属附件腐蚀电荷量的预测。

S304，将所述消除影响后的时间序列与所述变化曲线进行拟合。

经过拟合后的所述时间序列具有更加准确的周期性，对金属附件腐蚀电荷量的预测更加准确。

S305，计算拟合后的所述时间序列的周期波动幅度和周期长度。

S306，根据所述周期波动幅度和所述周期长度对所述时间序列短时金属附件腐蚀电荷量和所述年均金属附件腐蚀电荷量进行预测，得到所述时间序列短时金属附件腐蚀电荷量和所述年均金属附件腐蚀电荷量预测的结果。

利用时间序列分析法对所述在线监测系统中的数据进行分析，得到的年均金属附件腐蚀电荷量预测值可以更为准确的反映未来多年内金属附件腐蚀电荷量的变化情况，更加贴近实际情况。

进一步地，所述将所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果进行对比，得到短时金属附件腐蚀电荷量预测的结果的过程中，所述对比的方法，包括：

如果所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果相同，则将所述相同的结果作为所述短时金属附件腐蚀电荷量预测的结果；

如果所述神经网络短时金属附件腐蚀电荷量预测的结果大于所述时间序列短时金属附件腐蚀电荷量预测的结果，则将所述神经网络短时金属附件腐蚀电荷量预测的结果作为所述短时金属附件腐蚀电荷量预测的结果；

如果所述神经网络短时金属附件腐蚀电荷量预测的结果小于所述时间序列短时金属附件腐蚀电荷量预测的结果，则将所述时间序列短时金属附件腐蚀电荷量预测的结果作为所述短时金属附件腐蚀电荷量预测的结果。

所述对比的方法，是取所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果之间的较大值，作为所述短时金属附件腐蚀电荷量预测的结果，以增加预测值的可靠性。

进一步地，在所述将所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果进行对比，得到短时金属附件腐蚀电荷量预测的结果之后，所述方法还包括：根据所述短时金属附件腐蚀电荷量预测的结果，对所述绝缘子的运行状态进行评估，进而保障电网的安全稳定运行。

进一步地，在所述将所述金属附件腐蚀电荷量通过时间序列分析法的处理，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果之后，所述方法还包括：根据所述年均金属附件腐蚀电荷量预测的结果，对所述绝缘子的金属附件保护装置进行设计，可以有效避免浪费或者设计寿命不达标的情况出现，即保证了电网的安全运行，又节省了大量材料。

进一步地，所述对数据进行缺失值处理的方法为就近插值法。

对缺失值处理的一般方法为插值处理和删除处理，因为在统计金属附件腐蚀电荷量的过程中需要将记录的腐蚀电荷量进行累加，因此只考虑插值处理的情况。插值处理又分为：随机插值、依概率插值、就近插值和分类插值。考虑到金属附件腐蚀电荷量一般具有连贯性，不会在分钟为单位的时间内出现很大的突变，因此在缺失值的处理上采用就近插值法，根据缺失值附近的其他记录信息对数据进行插值补齐。

由以上技术方案可知，本发明实施例提供了一种绝缘子金属附件腐蚀电荷量预测方法，先从绝缘子金属附件腐蚀电荷量在线监测系统中获取数据，对获取的数据进行缺失值处理，使数据具有连续性；把金属附件腐蚀电荷量和特征量从连续数据中提取出来；运用神经网络算法对金属附件腐蚀电荷量和特征量进行处理，得到神经网络短时金属附件腐蚀电荷量预测的结果；运用时间序列分析法对金属附件腐蚀电荷量进行处理，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果；再将神经网络短时金属附件腐蚀电荷量预测的结果与时间序列短时金属附件腐蚀电荷量预测的结果对比，得到短时金属附件腐蚀电荷量预测的结果；最后根据短时金属附件腐蚀电荷量预测的结果对绝缘子的运行状态进行评估，根据年均金属附件腐蚀电荷量预测的结果，对绝缘子的金属附件保护装置进行设计，解决绝缘子保护装置寿命减少和浪费材料的问题。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。