本發(fā)明屬于電力系統(tǒng)外絕緣技術(shù)領(lǐng)域，更具體地，涉及一種絕緣子表面等值附鹽密度的預(yù)測(cè)系統(tǒng)及方法。

背景技術(shù)：

正常工作電壓下的絕緣子由于表面污穢物的堆積，在陰雨、大霧等惡劣天氣下容易發(fā)生污穢閃絡(luò)事故，對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行構(gòu)成嚴(yán)重威脅。對(duì)輸電線路上絕緣子的污穢度進(jìn)行預(yù)測(cè)非常有必要，以便及時(shí)預(yù)防污閃事故的發(fā)生。通常使用等值附鹽密度(Equivalent Salt Deposit Density，ESDD)來評(píng)估絕緣子表面污穢程度。

廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)模型因?yàn)槠渚哂蟹浅?qiáng)的非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)能力和逼近能力較強(qiáng)，以及很好的魯棒性和容錯(cuò)性等優(yōu)點(diǎn)而得到廣泛的應(yīng)用，但是GRNN模型中平滑因子(SPREAD)的取值大小會(huì)對(duì)網(wǎng)絡(luò)的逼近精度和預(yù)測(cè)精度產(chǎn)生較大影響。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種絕緣子表面等值附鹽密度的預(yù)測(cè)系統(tǒng)及方法，其目的在于結(jié)合自適應(yīng)變異粒子群優(yōu)化算法與廣義回歸神經(jīng)網(wǎng)絡(luò)、提供一種可廣泛應(yīng)用于任意型號(hào)絕緣子的等值附鹽密度預(yù)測(cè)方法。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種絕緣子表面等值附鹽密度預(yù)測(cè)系統(tǒng)，包括依次連接的原始數(shù)據(jù)采集單元、自適應(yīng)變異粒子群?jiǎn)卧V義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)單元和ESDD預(yù)測(cè)值輸出單元；

其中，原始數(shù)據(jù)采集單元用于獲取輸電線上的絕緣子ESDD數(shù)據(jù)和氣象數(shù)據(jù)；自適應(yīng)變異粒子群?jiǎn)卧糜诟鶕?jù)輸電線上絕緣子ESDD數(shù)據(jù)和氣象數(shù)據(jù)求解出廣義回歸神經(jīng)網(wǎng)絡(luò)的最優(yōu)平滑因子值；廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)單元?jiǎng)t根據(jù)所述的最優(yōu)平滑因子值構(gòu)建預(yù)測(cè)模型，并對(duì)絕緣子ESDD進(jìn)行預(yù)測(cè)；ESDD預(yù)測(cè)值輸出單元?jiǎng)t用于輸出從廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)單元得到的絕緣子ESDD預(yù)測(cè)值。

優(yōu)選的，上述絕緣子表面等值附鹽密度預(yù)測(cè)系統(tǒng)，還包括ESDD預(yù)警單元，ESDD預(yù)警單元的輸入端與廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)單元的輸出端相連；ESDD預(yù)警單元用于根據(jù)上述預(yù)測(cè)值與預(yù)設(shè)的預(yù)警閾值生成預(yù)警信號(hào)；具體地，當(dāng)預(yù)測(cè)值達(dá)到預(yù)警閾值，生成預(yù)警信號(hào)。

為實(shí)現(xiàn)本發(fā)明目的，按照本發(fā)明的另一方面，基于上述絕緣子表面等值附鹽密度預(yù)測(cè)系統(tǒng)，提供了一種絕緣子表面等值附鹽密度預(yù)測(cè)方法，包括如下步驟：

(1)通過將自適應(yīng)變異粒子群?jiǎn)卧忻總€(gè)個(gè)體映射為廣義回歸神經(jīng)網(wǎng)絡(luò)中的平滑因子來構(gòu)建一個(gè)GRNN；

對(duì)每個(gè)個(gè)體對(duì)應(yīng)的GRNN輸入訓(xùn)練樣本進(jìn)行訓(xùn)練，計(jì)算每一個(gè)體對(duì)應(yīng)的GRNN在訓(xùn)練集上產(chǎn)生的均方誤差；

根據(jù)來構(gòu)建個(gè)體適應(yīng)度函數(shù)，采用自適應(yīng)變異粒子群算法求解出全局解空間中GRNN平滑因子的最優(yōu)值；其中x是指粒子的當(dāng)前位置向量；

(2)根據(jù)所述的最優(yōu)值、絕緣子ESDD數(shù)據(jù)和氣象數(shù)據(jù)建立GRNN預(yù)測(cè)模型；采用所述預(yù)測(cè)模型進(jìn)行絕緣子ESDD預(yù)測(cè)獲得ESDD預(yù)測(cè)值；

(3)輸出廣義回歸神經(jīng)網(wǎng)路預(yù)測(cè)模型的預(yù)測(cè)值。

優(yōu)選地，上述絕緣子表面等值附鹽密度預(yù)測(cè)方法，還包括步驟(4)：

(4)將預(yù)測(cè)值與預(yù)設(shè)的預(yù)警閾值進(jìn)行比較，當(dāng)預(yù)測(cè)值達(dá)到預(yù)警閾值時(shí)，生成預(yù)警信號(hào)。

優(yōu)選地，上述絕緣子表面等值附鹽密度預(yù)測(cè)方法，步驟(1)采用自適應(yīng)變異粒子群算法求解全局解空間中GRNN平滑因子的最優(yōu)值的方法，包括如下子步驟：

(a)初始化粒子群：設(shè)定加速度因子c₁和c₂、最大進(jìn)化代數(shù)T；設(shè)當(dāng)前進(jìn)化代數(shù)t＝1；定義空間Rⁿ中隨機(jī)產(chǎn)生m個(gè)粒子x₁,x₂,…,x_m組成初始種群X(t)；隨機(jī)產(chǎn)生各粒子初始速度v₁,v₂,…,v_m組成位移變化矩陣V(t)；

(b)將粒子群中每一個(gè)體映射為網(wǎng)絡(luò)中的平滑因子以構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)；

將每一個(gè)體輸入廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；計(jì)算每個(gè)廣義回歸神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集上產(chǎn)生的均方誤差，并以此作為目標(biāo)函數(shù)，按構(gòu)建適應(yīng)度函數(shù)，以計(jì)算個(gè)體的適應(yīng)度；

其中x表示粒子的當(dāng)前位置向量；

(c)采用迭代的方法更新每個(gè)粒子的自身最優(yōu)位置p_i和種群全局最優(yōu)位置p_g；

記為每個(gè)粒子經(jīng)k次迭代后的最優(yōu)位置，為種群經(jīng)k次迭代后的最優(yōu)位置；

(d)根據(jù)計(jì)算每個(gè)粒子的慣性權(quán)重；

其中，c取[0,1]之間的常數(shù)，f_i是第i次迭代中粒子的適應(yīng)度值，f_min是每次迭代的m個(gè)粒子的適應(yīng)度值的最小值；f_ave是每次迭代的m個(gè)粒子的平均適應(yīng)度值；

(e)將所有粒子x₁(t)根據(jù)進(jìn)行位置更新和速度更新；

其中，k是指迭代次數(shù)；表示第k次迭代時(shí)第i個(gè)粒子的位置；表示第k次迭代時(shí)第i個(gè)粒子的速度；w_i表示慣性權(quán)重；c₁和c₂是指學(xué)習(xí)因子；r是指約束系數(shù)或是收斂因子，其中r₁和r₂是[0,1]之間的隨機(jī)數(shù)；

(f)根據(jù)計(jì)算種群平均粒距K(t)；當(dāng)K(t)≤0.01或連續(xù)10次迭代P_g沒有變化，則進(jìn)入步驟(g)，否則返回步驟(b)；

其中S為種群數(shù)量；L為搜索空間對(duì)角最大長(zhǎng)度；m為種群規(guī)模大小，n為解空間維數(shù)，x_id表示第i個(gè)粒子的第d維坐標(biāo)值，表示所有粒子第d維坐標(biāo)值均值；

(g)根據(jù)按進(jìn)行變異操作，變異粒子更新最優(yōu)位置p_i；

其中，表示粒子變異后的位置向量，x_i為粒子原始位置向量，x為粒子當(dāng)前位置向量；

(h)判斷是否滿足收斂條件：若是，則輸出平滑因子的最優(yōu)值；若否，則進(jìn)入步驟(b)。

總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，能夠取得下列有益效果：

(1)本發(fā)明提供的絕緣子表面等值附鹽密度預(yù)測(cè)系統(tǒng)及方法，將自適應(yīng)變異粒子群與廣義回歸神經(jīng)網(wǎng)絡(luò)模型有機(jī)融合，既具有粒子群算法在全局解空間搜索最優(yōu)解的優(yōu)勢(shì)，又具有廣義回歸神經(jīng)網(wǎng)絡(luò)模型對(duì)非線性、非精確規(guī)律具有自適應(yīng)能力的優(yōu)點(diǎn)；通過優(yōu)化能從不同的角度、不同的模型得到系統(tǒng)不同的信息，達(dá)到提高預(yù)測(cè)精度與增加穩(wěn)定性和結(jié)果的可靠性的目的，使優(yōu)化預(yù)測(cè)模型對(duì)于數(shù)據(jù)結(jié)構(gòu)的變化具有更強(qiáng)的魯棒性，有效彌補(bǔ)了單純預(yù)測(cè)模型預(yù)測(cè)不準(zhǔn)確的缺陷；

(2)本發(fā)明提供的絕緣子表面等值附鹽密度預(yù)測(cè)方法，其優(yōu)選方案采用自適應(yīng)變異粒子群算法根據(jù)粒子適應(yīng)度的整體變化決定慣性權(quán)重的大小，在獲取最優(yōu)平滑因子值的過程中，通過調(diào)整粒子群算法的慣性權(quán)重來實(shí)現(xiàn)算法的自適應(yīng)調(diào)節(jié)能力：通過增大慣性權(quán)重以擴(kuò)大粒子搜索范圍，通過減小慣性權(quán)重從局來加強(qiáng)粒子局部搜索能力；

(3)本發(fā)明提供的絕緣子表面等值附鹽密度預(yù)測(cè)方法中，其優(yōu)選方案通過平均粒距判斷和迭代操作，使算法跳出局部極值(即早熟收斂)，擴(kuò)大算法的搜索區(qū)域，避免粒子群中粒子出現(xiàn)“聚集”現(xiàn)象，實(shí)現(xiàn)粒子群算法的變異功能；

(4)本發(fā)明提供的絕緣子表面等值附鹽密度預(yù)測(cè)系統(tǒng)及方法中，所采用的廣義回歸神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度快、網(wǎng)絡(luò)能收斂于樣本聚集最多的優(yōu)化回歸面、穩(wěn)定性好的優(yōu)點(diǎn)；并且廣義回歸神經(jīng)網(wǎng)絡(luò)人為調(diào)節(jié)的參數(shù)少，可以最大限度避免人為主觀假定對(duì)預(yù)測(cè)結(jié)果的影響，最終實(shí)現(xiàn)對(duì)絕緣子ESDD數(shù)值的高精度預(yù)測(cè)。

附圖說明

圖1是基于實(shí)施例提供的絕緣子表面等值附鹽密度預(yù)測(cè)系統(tǒng)實(shí)現(xiàn)ESDD預(yù)測(cè)的流程示意圖；

圖2是實(shí)施例中自適應(yīng)變異粒子群算法的流程示意圖；

圖3是實(shí)施例中的廣義回歸神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。

本發(fā)明實(shí)施例提供的絕緣子表面等值附鹽密度的預(yù)測(cè)系統(tǒng)，包括依次相連的原始數(shù)據(jù)采集單元、自適應(yīng)變異粒子群?jiǎn)卧?、廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)單元、ESDD預(yù)測(cè)值輸出單元和ESDD預(yù)警單元；

基于該系統(tǒng)進(jìn)行ESDD預(yù)測(cè)的流程如圖1所示；其中，原始數(shù)據(jù)采集單元采集輸電線上絕緣子ESDD數(shù)據(jù)和氣象數(shù)據(jù)；自適應(yīng)變異粒子群?jiǎn)卧鶕?jù)輸電線上絕緣子ESDD數(shù)據(jù)和當(dāng)?shù)貧庀髷?shù)據(jù)獲取最適應(yīng)廣義回歸神經(jīng)網(wǎng)絡(luò)的最優(yōu)平滑因子值；廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)單元?jiǎng)t根據(jù)該最優(yōu)平滑因子值、絕緣子ESDD數(shù)據(jù)和氣象數(shù)據(jù)建立預(yù)測(cè)模型，對(duì)絕緣子ESDD進(jìn)行預(yù)測(cè)獲得ESDD預(yù)測(cè)值；本實(shí)施例中，利用光傳感器輸變電鹽密在線監(jiān)測(cè)設(shè)備或其它在線監(jiān)測(cè)裝置采集輸電線上絕緣子ESDD數(shù)據(jù)；氣象數(shù)據(jù)則是在待預(yù)測(cè)絕緣子周圍采集到的數(shù)據(jù)；

廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)單元預(yù)測(cè)的絕緣子ESDD數(shù)值通過ESDD預(yù)測(cè)值輸出單元輸出；ESDD預(yù)警單元根據(jù)預(yù)測(cè)值與預(yù)設(shè)的分級(jí)預(yù)警閾值生成預(yù)警信號(hào)，當(dāng)預(yù)測(cè)值達(dá)到分級(jí)預(yù)警閾值，生成預(yù)警信號(hào)。

本實(shí)施例中，自適應(yīng)變異粒子群?jiǎn)卧捎米赃m應(yīng)變異粒子群算法獲取最優(yōu)平滑因子值，其流程如圖2所示意，包括如下步驟：

(a)初始化粒子群：設(shè)定加速度因子c₁和c₂、最大進(jìn)化代數(shù)T；設(shè)當(dāng)前進(jìn)化代數(shù)t＝1；定義空間Rⁿ中隨機(jī)產(chǎn)生m個(gè)粒子x₁,x₂,…,x_m組成初始種群X(t)；隨機(jī)產(chǎn)生各粒子初始速度v₁,v₂,…,v_m組成位移變化矩陣V(t)；

(b)將粒子群中每一個(gè)體映射為網(wǎng)絡(luò)中的平滑因子，從而構(gòu)成一個(gè)廣義回歸神經(jīng)網(wǎng)絡(luò)；

將每一個(gè)體輸入廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；計(jì)算每個(gè)廣義回歸神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集上產(chǎn)生的均方誤差，并以此作為目標(biāo)函數(shù)，按構(gòu)建適應(yīng)度函數(shù)，以計(jì)算個(gè)體的適應(yīng)度，其中x表示粒子的當(dāng)前位置向量；

(c)更新每個(gè)粒子的自身最優(yōu)位置p_i和種群全局最優(yōu)位置p_g；

記為每個(gè)粒子經(jīng)k次迭代后的最優(yōu)位置，為種群經(jīng)k次迭代后的最優(yōu)位置；

(d)根據(jù)計(jì)算每個(gè)粒子的慣性權(quán)重。其中，c為[0,1]之間的常數(shù)，實(shí)施例中取c＝0.3；f_i是每次迭代中每個(gè)粒子的適應(yīng)度值，f_min是每次迭代的m個(gè)粒子中適應(yīng)度值的最小值；f_ave是每次迭代的m個(gè)粒子的平均適應(yīng)度值；在實(shí)施例中取f_min＝0.4；

該步驟通過調(diào)整粒子群算法的慣性權(quán)重，來實(shí)現(xiàn)算法的自適應(yīng)調(diào)節(jié)能力；即調(diào)節(jié)慣性權(quán)重增大時(shí)，使算法具有較強(qiáng)的全局搜索能力；調(diào)節(jié)慣性權(quán)重減小時(shí)，使算法具有較強(qiáng)的局部搜索能力；

(e)將所有粒子x₁(t)根據(jù)進(jìn)行位置和速度更新；

其中，k是指迭代次數(shù)；表示第k次迭代時(shí)第i個(gè)粒子的位置；表示第k次迭代時(shí)第i個(gè)粒子的速度；w_i表示慣性權(quán)重；c₁和c₂是指學(xué)習(xí)因子；實(shí)施例匯中，取c₁＝1.5、c₂＝1.5；r是指約束系數(shù)或是收斂因子，其中r₁和r₂是[0,1]之間的隨機(jī)數(shù)；

(f)根據(jù)計(jì)算種群平均粒距K(t)；當(dāng)K(t)≤0.01或連續(xù)10次迭代P_g沒有變化，則進(jìn)入步驟(g)對(duì)種群進(jìn)行變異操作，否則返回步驟(b)；

其中S為種群數(shù)量；L為搜索空間對(duì)角最大長(zhǎng)度；m為種群規(guī)模大小，n為解空間維數(shù)，x_id表示第i個(gè)粒子的第d維坐標(biāo)值，表示所有粒子第d維坐標(biāo)值均值；

(g)根據(jù)按概率p_m＝40％進(jìn)行變異操作，變異粒子更新最優(yōu)位置p_i；

其中，表示粒子變異后的位置向量，x_i為粒子原始位置向量，x為粒子當(dāng)前位置向量；

通過判斷粒子的平均粒距和全局最優(yōu)值的變化來防止算法可能出現(xiàn)的早熟現(xiàn)象即出現(xiàn)局部極值，進(jìn)一步通過步驟(g)的變異操作使粒子跳出局部極值，避免因粒子團(tuán)聚而使算法求得“假極值”，從而實(shí)現(xiàn)算法的變異功能；

(h)判斷是否滿足收斂條件：達(dá)到預(yù)設(shè)的最大代數(shù)或收斂精度要求，若是，則輸出平滑因子的最優(yōu)值；若否，則進(jìn)入步驟(b)；實(shí)施例中，設(shè)置收斂條件為最大迭代次數(shù)為1000。

本實(shí)施例中所采用的廣義回歸神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖3所示意的，包括輸入層、模式層、求和層與輸出層四層神經(jīng)元；對(duì)應(yīng)網(wǎng)絡(luò)輸入U(xiǎn)＝[u₁,u₂,…,u_n]^T，其輸出為Y＝[y₁,y₂,…,y_g]^T；

輸入層中的神經(jīng)元數(shù)目等于學(xué)習(xí)樣本中輸入向量的維數(shù)n，各神經(jīng)元是簡(jiǎn)單的分布單元，直接將輸入變量傳遞給模式層；

模式層的神經(jīng)元數(shù)目等于學(xué)習(xí)樣本的數(shù)目n，各神經(jīng)元各自對(duì)應(yīng)不同的樣本，神經(jīng)元i的傳遞函數(shù)為也就是說，神經(jīng)元i的輸出為輸入變量U與其對(duì)應(yīng)的U_i樣本之間的Euclid距離平方為的指數(shù)形式；

其中U為網(wǎng)絡(luò)輸入變量；U_i為第i個(gè)神經(jīng)元對(duì)應(yīng)的學(xué)習(xí)樣本；

求和層中使用兩種類型的神經(jīng)元進(jìn)行求和；一類的計(jì)算公式為它對(duì)所有模式層神經(jīng)元的輸出進(jìn)行算術(shù)求和，其與模式層各神經(jīng)元的連接權(quán)值為1，其傳遞函數(shù)為另一類計(jì)算公式為它對(duì)所有模式層神經(jīng)元的輸出進(jìn)行加權(quán)求和，模式層中第i個(gè)神經(jīng)元與求和層中第j個(gè)分子求和神經(jīng)元之間的連接權(quán)值為第i個(gè)輸出樣本Y_i中的第j個(gè)元素y_ij，其傳遞函數(shù)為

輸出層中的神經(jīng)元數(shù)目與學(xué)習(xí)樣本中輸出向量的維數(shù)g相等，各神經(jīng)元將求和層的輸出相除，神經(jīng)元j的輸出對(duì)應(yīng)估計(jì)結(jié)果的第j個(gè)元素，即

本實(shí)施例中，采用ESDD預(yù)警單元根據(jù)上述各單元的預(yù)測(cè)值進(jìn)行預(yù)警預(yù)測(cè)；預(yù)警單元設(shè)置A、B、C、D共4個(gè)預(yù)警等級(jí)；

實(shí)施例中，通過ESDD預(yù)警單元將絕緣子ESDD預(yù)測(cè)值與發(fā)生污閃時(shí)的絕緣子ESDD值對(duì)比來生成預(yù)警信息以供線路運(yùn)行人員處理，可起到及時(shí)有效防止輸電線路發(fā)生污穢閃絡(luò)事故的作用，具體的，當(dāng)ESDD預(yù)測(cè)值達(dá)到可能發(fā)生污閃時(shí)絕緣子ESDD數(shù)值ρ_F的95％時(shí)，即95％ρ_F，系統(tǒng)發(fā)出A級(jí)預(yù)警；當(dāng)ESDD預(yù)測(cè)值達(dá)到可能發(fā)生污閃時(shí)絕緣子ESDD數(shù)值ρ_F的90％時(shí)，即90％ρ_F，系統(tǒng)發(fā)出B級(jí)預(yù)警；當(dāng)ESDD預(yù)測(cè)值達(dá)到可能發(fā)生污閃時(shí)絕緣子ESDD數(shù)值ρ_F的85％時(shí)，即85％ρ_F，系統(tǒng)發(fā)出C級(jí)預(yù)警；當(dāng)ESDD預(yù)測(cè)值達(dá)到可能發(fā)生污閃時(shí)絕緣子ESDD數(shù)值ρ_F的80％時(shí)，即80％ρ_F，系統(tǒng)發(fā)出D級(jí)預(yù)警。

本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。