本發(fā)明涉及傘裙參數(shù)優(yōu)化，具體涉及一種基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法。

背景技術：

1、支柱絕緣子作為高壓直流工程換流站主要的絕緣設備，承擔著機械連接和電氣絕緣的作用。復合支柱絕緣子因其優(yōu)異的憎水性和耐污特性，近些年來在我國超/特高壓直流輸電工程中得到了大量使用。運行經驗表明，支柱絕緣子閃絡是換流站外絕緣設備的主要問題，污穢、霧氣、降雨、降雪、覆冰均是可能導致絕緣子表面放電甚至閃絡的外部因素。隨著國內外多條超特高壓直流工程投入運行，換流站支柱絕緣子在降雨天發(fā)生沿面放電甚至閃絡的情況屢見不鮮。隨著電壓等級的提高，換流站的支柱絕緣子的直徑也越來越大，由強降雨引起的大直徑復合支柱絕緣子閃絡問題已成為嚴重威脅高壓直流輸電工程運行的重要技術問題。

2、目前，國內外針對大直徑復合支柱絕緣子在淋雨條件下閃絡特性的相關研究較少，對絕緣子傘檐雨滴形變規(guī)律及其影響放電作用機制、以及各種因素對閃絡電壓的影響規(guī)律等認識還不完善，強降雨地區(qū)大直徑復合支柱絕緣子的傘裙結構參數(shù)仍有較大的優(yōu)化空間。

3、換流站中復合支柱絕緣子的選型設計主要考慮其污閃特性，并未充分考慮到淋雨條件特別是強降雨對其外絕緣性能的影響。傘裙為復合支柱絕緣子提供主要的爬電距離，若傘裙結構參數(shù)設計地不合理，則易發(fā)生傘間的雨水甚至電弧橋接，這將大大降低復合支柱絕緣子的整體閃絡電壓。因此，對復合支柱絕緣子的傘裙參數(shù)進行優(yōu)化設計，是提升其雨閃性能的重要方式，可以大幅度提高其雨閃電壓，并且能在一定程度上降低絕緣材料的使用數(shù)量，節(jié)約資源，減少投資。受試驗條件所限，超/特高壓工程所用的大尺寸支柱絕緣子的雨閃特性目前仍研究較少。

技術實現(xiàn)思路

1、為了解決上述背景技術中存在的技術問題，本發(fā)明提供了一種基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，包括：

2、進行不同傘裙結構下的復合支柱絕緣子雨閃試驗，得到不同傘裙結構參數(shù)下雨閃電壓試驗數(shù)據(jù)樣本；

3、以所述試驗數(shù)據(jù)樣本中的傘裙結構參數(shù)作為決策變量、雨閃電壓作為優(yōu)化目標，采用bp神經網絡算法建立所述決策變量與所述優(yōu)化目標之間的灰關聯(lián)關系；

4、重新定義待優(yōu)化決策變量的取值范圍，輸入至訓練好的bp神經網絡中，獲得不同傘裙結構參數(shù)組合條件下的雨閃電壓目標函數(shù)值；

5、提取目標函數(shù)最大值對應的所述傘裙結構參數(shù)作為最優(yōu)參數(shù)。

6、作為本發(fā)明的進一步說明，在進行復合支柱絕緣子雨閃試驗之前，還需進行傘裙參數(shù)優(yōu)化的幾何分析，使所述雨閃試驗的傘裙結構參數(shù)滿足如下關系：

7、

8、其中，λ為大小傘伸出差，p1為大傘伸出，p2為小傘伸出，s2大傘-大傘間距，β為傘裙上表面傾角。

9、作為本發(fā)明的進一步說明，所述復合支柱絕緣子雨閃試驗包括一大一小傘形和一大兩小傘形兩種情況，其中，

10、一大一小傘形復合支柱絕緣子的傘裙結構參數(shù)包括平均傘伸出、大小傘伸出差、傘間距和桿徑4個決策變量；

11、一大兩小傘形復合支柱絕緣子的傘裙結構參數(shù)包括平均傘伸出、大小傘伸出差和傘間距3個決策變量。

12、作為本發(fā)明的進一步說明，所述優(yōu)化目標包括：雨閃電壓u50%，單位絕緣高度雨閃電壓eh及單位爬電距離雨閃電壓el。

13、作為本發(fā)明的進一步說明，所述雨閃電壓目標函數(shù)值具體包括單目標函數(shù)u50%及u50%、eh和el三者的加權目標函數(shù)ymul。

14、作為本發(fā)明的進一步說明，ymul=0.4u50%+0.3eh+0.3el。

15、作為本發(fā)明的進一步說明，所述采用bp神經網絡算法建立所述決策變量與所述優(yōu)化目標之間的灰關聯(lián)關系，具體包括：

16、將所述不同傘裙結構參數(shù)下雨閃電壓試驗數(shù)據(jù)樣本劃分為訓練集、驗證集及測試集，并建立bp神經網絡；

17、利用所述訓練集對所述bp神經網絡進行訓練，利用所述訓練完成的bp神經網絡對所述測試集進行仿真預測，利用所述驗證集進行驗證；

18、將驗證集中的實際值與對應的預測值之間的誤差范數(shù)作為衡量網絡的泛化能力，使實際值和預測值的相對誤差小于預設誤差，從而滿足網絡學習要求。

19、作為本發(fā)明的進一步說明，訓練分三個步驟:前向傳播，計算損失和梯度，反向傳播更新模型參數(shù)；首先，采用bp神經網絡算法建立所述決策變量與所述優(yōu)化目標之間的灰關聯(lián)關系；然后，重新定義待優(yōu)化決策變量的取值范圍，輸入至bp神經網絡中，獲得不同傘裙結構參數(shù)組合條件下的雨閃電壓目標函數(shù)值；最后，提取目標函數(shù)最大值對應的結構參數(shù)作為最優(yōu)參數(shù)。

20、作為本發(fā)明的進一步說明，所述bp神經網絡模型的輸入層神經元個數(shù)為4，隱含層神經元個數(shù)為6，輸出層神經元個數(shù)為5。

21、作為本發(fā)明的進一步說明，隱含層神經元采用s型正切函數(shù)tansig()作為傳遞函數(shù)，輸出層神經元采用s型對數(shù)函數(shù)logsig()作為傳遞函數(shù)，歸一化數(shù)據(jù)在0~1之間。

22、作為本發(fā)明的進一步說明，在訓練過程中權值和閾值為逆向學習，采用梯度下降法不斷迭代修正。

23、與現(xiàn)有技術相比，本發(fā)明具有以下有益的技術效果：

24、本發(fā)明以雨閃電壓及其下降的梯度作為主要評價指標，通過對傘裙參數(shù)優(yōu)化設計幾何分析以及神經網絡分析，探索出大直徑復合支柱絕緣子傘裙參數(shù)的最優(yōu)取值范圍。

25、本技術方案的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本技術方案而了解。本技術方案的目的和其他優(yōu)點可通過在所寫的說明書以及附圖中所特別指出的結構來實現(xiàn)和獲得。

26、下面通過附圖和實施例，對本技術方案的技術方案做進一步的詳細描述。

技術特征：

1.一種基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，其特征在于，包括：

2.如權利要求1所述的基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，其特征在于，在進行復合支柱絕緣子雨閃試驗之前，還需進行傘裙參數(shù)優(yōu)化的幾何分析，使所述雨閃試驗的傘裙結構參數(shù)滿足如下關系：

3.如權利要求1所述的基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，其特征在于，所述復合支柱絕緣子雨閃試驗包括一大一小傘形和一大兩小傘形兩種情況，其中，

4.如權利要求1所述的基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，其特征在于，所述優(yōu)化目標包括：雨閃電壓u50%，單位絕緣高度雨閃電壓eh及單位爬電距離雨閃電壓el。

5.如權利要求4所述的基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，其特征在于，所述雨閃電壓目標函數(shù)值具體包括單目標函數(shù)u50%及u50%、eh和el三者的加權目標函數(shù)ymul。

6.如權利要求5所述的基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，其特征在于，ymul=0.4u50%+0.3eh+0.3el。

7.如權利要求1所述的基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，其特征在于，所述采用bp神經網絡算法建立所述決策變量與所述優(yōu)化目標之間的灰關聯(lián)關系，具體包括：

8.如權利要求7所述的基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，其特征在于，訓練分三個步驟:前向傳播，計算損失和梯度，反向傳播更新模型參數(shù)；首先，采用bp神經網絡算法建立所述決策變量與所述優(yōu)化目標之間的灰關聯(lián)關系；然后，重新定義待優(yōu)化決策變量的取值范圍，輸入至bp神經網絡中，獲得不同傘裙結構參數(shù)組合條件下的雨閃電壓目標函數(shù)值；最后，提取目標函數(shù)最大值對應的結構參數(shù)作為最優(yōu)參數(shù)。

9.如權利要求7所述的基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，其特征在于，所述bp神經網絡模型的輸入層神經元個數(shù)為4，隱含層神經元個數(shù)為6，輸出層神經元個數(shù)為5；

10.如權利要求7所述的基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，其特征在于，在訓練過程中權值和閾值為逆向學習，采用梯度下降法不斷迭代修正。

技術總結
本發(fā)明提供了一種基于雨閃特性和神經網絡的復合支柱絕緣子傘裙參數(shù)優(yōu)化方法，包括：進行不同傘裙結構下的復合支柱絕緣子雨閃試驗，得到不同傘裙結構參數(shù)下雨閃電壓試驗數(shù)據(jù)樣本；以試驗數(shù)據(jù)樣本中的傘裙結構參數(shù)作為決策變量、雨閃電壓作為優(yōu)化目標，采用BP神經網絡算法建立決策變量與優(yōu)化目標之間的灰關聯(lián)關系；重新定義待優(yōu)化決策變量的取值范圍，輸入至訓練好的BP神經網絡中，獲得不同傘裙結構參數(shù)組合條件下的雨閃電壓目標函數(shù)值；提取目標函數(shù)最大值對應的傘裙結構參數(shù)作為最優(yōu)參數(shù)。本發(fā)明通過對傘裙參數(shù)優(yōu)化設計幾何分析以及神經網絡分析，探索出大直徑復合支柱絕緣子傘裙參數(shù)的最優(yōu)取值范圍。

技術研發(fā)人員：張楚巖,鄧禹,于昕哲,王晰,董禹希
受保護的技術使用者：中國電力科學研究院有限公司
技術研發(fā)日：
技術公布日：2025/1/6