絕緣子金屬附件腐蝕電荷量預測方法技術

本發明專利技術公開了一種絕緣子金屬附件腐蝕電荷量預測方法，從在線監測系統中獲取數據，對獲取的數據進行缺失值處理，得到連續數據；把金屬附件腐蝕電荷量和特征量從連續數據中提取出來；運用神經網絡算法對金屬附件腐蝕電荷量和特征量進行處理；運用時間序列分析法對金屬附件腐蝕電荷量進行處理；將神經網絡短時金屬附件腐蝕電荷量預測的結果與時間序列短時金屬附件腐蝕電荷量預測的結果對比，得到短時金屬附件腐蝕電荷量預測的結果；最后根據短時金屬附件腐蝕電荷量預測的結果對絕緣子的運行狀態進行評估，根據年均金屬附件腐蝕電荷量預測的結果，對絕緣子的金屬附件保護裝置進行設計，解決絕緣子保護裝置壽命減少和浪費材料的問題。

Prediction method for corrosion charge of metal accessories of insulators

The invention discloses a prediction method for insulator metal accessory corrosion charge, get data from the on-line monitoring system, to obtain data with missing values, get the continuous data; the metal accessories corrosion charge and the extracted features from continuous data; using neural network algorithm for metal corrosion annex charge the amount and characteristics of processing; by using the time series analysis of metal corrosion annex charge method; comparison of prediction neural network short-term corrosion metal accessories charge results and the time series short-term corrosion of metal accessories load forecast results, get the short-term forecast charge the corrosion of metal accessories; finally, according to the prediction of short term corrosion of metal accessories the amount of charge the running state of the insulator is evaluated according to the predicted annual charge amount of corrosion of metal accessories As a result, the metal accessory protection device of insulator is designed to solve the problem of less life and waste material of insulator protection device.

【技術實現步驟摘要】
絕緣子金屬附件腐蝕電荷量預測方法
本專利技術涉及特高壓直流輸電
，尤其涉及絕緣子金屬附件腐蝕電荷量預測方法。
技術介紹
近年來,我國高壓直流輸電技術發展迅速,但隨之也帶來了一些問題，在涉及高壓直流絕緣子的
，多條高壓直流輸電線路上的玻璃和瓷絕緣子出現了大面積的金屬附件腐蝕現象。絕緣子金屬附件腐蝕主要分為鋼腳腐蝕和鐵帽腐蝕兩種。鋼腳腐蝕會直接造成絕緣子機械強度的下降，同時，腐蝕產物會導致鋼腳與水泥之間產生一個比較大的應力，進而導致絕緣子的損壞；而鐵帽腐蝕則會造成絕緣子上出現由腐蝕物造成的銹跡通道，該銹跡通道能夠加速污穢的積累。金屬附件腐蝕嚴重時，還會造成絕緣子脫落等問題，進而影響輸電線路的安全運行。為了保護絕緣子金屬附件不受腐蝕，目前最行之有效的方法是在絕緣子上加裝鋅制保護裝置。然而，鋅制保護裝置一般都是依據經驗值進行設計的，即年均腐蝕電荷量低于1500℃的地區保護鋅套設計為4mm厚時，該鋅套使用壽命為30年。但是實際年均腐蝕電荷量一般隨時間的變化而出現變動，這就會造成鋅套實際壽命短于設計壽命或者鋅套材料浪費的情況出現。
技術實現思路
本專利技術提供了一種絕緣子金屬附件腐蝕電荷量預測方法，以解決絕緣子保護裝置壽命減少和浪費材料的問題。本專利技術的實施例提供了一種絕緣子金屬附件腐蝕電荷量預測方法，所述方法包括：從絕緣子金屬附件腐蝕電荷量在線監測系統中獲取數據；對所述數據進行缺失值處理，得到連續數據；對所述連續數據進行金屬附件腐蝕電荷量的提取和特征量的提取，得到所述金屬附件腐蝕電荷量和所述特征量，所述特征量包括：相對濕度、溫差和降雨情況；將所述金屬附件腐蝕電荷量和所述特征量通過神經網絡算法的處理，得到神經網絡短時金屬附件腐蝕電荷量預測的結果；將所述金屬附件腐蝕電荷量通過時間序列分析法的處理，得到時間序列短時金屬附件腐蝕電荷量預測的結果和年均金屬附件腐蝕電荷量預測的結果；將所述神經網絡短時金屬附件腐蝕電荷量預測的結果與所述時間序列短時金屬附件腐蝕電荷量預測的結果進行對比，得到短時金屬附件腐蝕電荷量預測的結果。優選地，所述將所述金屬附件腐蝕電荷量和所述特征量通過神經網絡算法的處理，得到神經網絡短時金屬附件腐蝕電荷量預測的結果的過程中，所述神經網絡算法包括：將所述特征量作為變量，將所述金屬附件腐蝕電荷量作為因變量，建立神經網絡模型；將所述特征量和所述金屬附件腐蝕電荷量進行歸一化處理，得到處理后的數據；將所述處理后的數據進行分類，得到訓練數據和測試數據；將所述訓練數據輸入所述神經網絡模型中，得到測試金屬附件腐蝕電荷量；將所述測試數據中的金屬附件腐蝕電荷量與所述測試金屬附件腐蝕電荷量相減，得到差值；將所述差值與預設范圍比較，得到標準模型；根據所述標準模型，對所述神經網絡短時金屬附件腐蝕電荷量進行預測，得到神經網絡短時金屬附件腐蝕電荷量預測的結果。優選地，所述將所述差值與預設范圍比較，包括：判斷所述差值是否在所述預設范圍內；如果所述差值在所述預設范圍內，則所述神經網絡模型為所述標準模型；如果所述差值不在所述預設范圍內，則對所述神經網絡模型進行修訂后得到所述標準模型。優選地，所述將所述金屬附件腐蝕電荷量通過時間序列分析法的處理，得到時間序列短時金屬附件腐蝕電荷量預測的結果和年均金屬附件腐蝕電荷量預測的結果的過程中，所述時間序列分析法包括：將所述金屬附件腐蝕電荷量按照時間順序排列，建立時間序列；測定季節變化對所述時間序列的影響，得到季節變化影響因子；根據所述季節變化影響因子，對所述時間序列進行修訂，得到消除影響后的時間序列和所述金屬附件腐蝕電荷量隨時間變化的變化曲線；將所述消除影響后的時間序列與所述變化曲線進行擬合；計算擬合后的所述時間序列的周期波動幅度和周期長度；根據所述周期波動幅度和所述周期長度對所述時間序列短時金屬附件腐蝕電荷量和所述年均金屬附件腐蝕電荷量進行預測，得到時間序列短時金屬附件腐蝕電荷量預測的結果和年均金屬附件腐蝕電荷量預測的結果。優選地，所述將所述神經網絡短時金屬附件腐蝕電荷量預測的結果與所述時間序列短時金屬附件腐蝕電荷量預測的結果進行對比，得到短時金屬附件腐蝕電荷量預測的結果的過程中，所述對比的方法，包括：如果所述神經網絡短時金屬附件腐蝕電荷量預測的結果與所述時間序列短時金屬附件腐蝕電荷量預測的結果相同，則將所述相同的結果作為所述短時金屬附件腐蝕電荷量預測的結果；如果所述神經網絡短時金屬附件腐蝕電荷量預測的結果大于所述時間序列短時金屬附件腐蝕電荷量預測的結果，則將所述神經網絡短時金屬附件腐蝕電荷量預測的結果作為所述短時金屬附件腐蝕電荷量預測的結果；如果所述神經網絡短時金屬附件腐蝕電荷量預測的結果小于所述時間序列短時金屬附件腐蝕電荷量預測的結果，則將所述時間序列短時金屬附件腐蝕電荷量預測的結果作為所述短時金屬附件腐蝕電荷量預測的結果。優選地，所述方法還包括：在所述將所述神經網絡短時金屬附件腐蝕電荷量預測的結果與所述時間序列短時金屬附件腐蝕電荷量預測的結果進行對比，得到短時金屬附件腐蝕電荷量預測的結果之后，所述方法還包括：根據所述短時金屬附件腐蝕電荷量預測的結果，對所述絕緣子的運行狀態進行評估。優選地，在所述將所述金屬附件腐蝕電荷量通過時間序列分析法的處理，得到時間序列短時金屬附件腐蝕電荷量預測的結果和年均金屬附件腐蝕電荷量預測的結果之后，所述方法還包括：根據所述年均金屬附件腐蝕電荷量預測的結果，對所述絕緣子的金屬附件保護裝置進行設計。優選地，所述對數據進行缺失值處理的方法為就近插值法。由以上技術方案可知，本專利技術實施例提供了一種絕緣子金屬附件腐蝕電荷量預測方法，先從絕緣子金屬附件腐蝕電荷量在線監測系統中獲取數據，對獲取的數據進行缺失值處理，使數據具有連續性；把金屬附件腐蝕電荷量和特征量從連續數據中提取出來；運用神經網絡算法對金屬附件腐蝕電荷量和特征量進行處理，得到神經網絡短時金屬附件腐蝕電荷量預測的結果；運用時間序列分析法對金屬附件腐蝕電荷量進行處理，得到時間序列短時金屬附件腐蝕電荷量預測的結果和年均金屬附件腐蝕電荷量預測的結果；再將神經網絡短時金屬附件腐蝕電荷量預測的結果與時間序列短時金屬附件腐蝕電荷量預測的結果對比，得到短時金屬附件腐蝕電荷量預測的結果；最后根據短時金屬附件腐蝕電荷量預測的結果對絕緣子的運行狀態進行評估，根據年均金屬附件腐蝕電荷量預測的結果，對絕緣子的金屬附件保護裝置進行設計，解決絕緣子保護裝置壽命減少和浪費材料的問題。附圖說明為了更清楚地說明本專利技術的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，對于本領域普通技術人員而言，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。圖1為根據一優選實施例提供的絕緣子金屬附件腐蝕電荷量預測方法的流程圖；圖2為根據一優選實施例提供的神經網絡算法的流程圖；圖3為根據一優選實施例提供的時間序列分析法的流程圖。具體實施方式下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整的描述，顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。如圖1所述，為本專利技術實施例提供的本文檔來自技高網...

【技術保護點】
一種絕緣子金屬附件腐蝕電荷量預測方法，其特征在于，所述方法包括：從絕緣子金屬附件腐蝕電荷量在線監測系統中獲取數據；對所述數據進行缺失值處理，得到連續數據；對所述連續數據進行金屬附件腐蝕電荷量的提取和特征量的提取，得到所述金屬附件腐蝕電荷量和所述特征量；將所述金屬附件腐蝕電荷量和所述特征量通過神經網絡算法的處理，得到神經網絡短時金屬附件腐蝕電荷量預測的結果；將所述金屬附件腐蝕電荷量通過時間序列分析法的處理，得到時間序列短時金屬附件腐蝕電荷量預測的結果和年均金屬附件腐蝕電荷量預測的結果；將所述神經網絡短時金屬附件腐蝕電荷量預測的結果與所述時間序列短時金屬附件腐蝕電荷量預測的結果進行對比，得到短時金屬附件腐蝕電荷量預測的結果。

【技術特征摘要】
1.一種絕緣子金屬附件腐蝕電荷量預測方法，其特征在于，所述方法包括：從絕緣子金屬附件腐蝕電荷量在線監測系統中獲取數據；對所述數據進行缺失值處理，得到連續數據；對所述連續數據進行金屬附件腐蝕電荷量的提取和特征量的提取，得到所述金屬附件腐蝕電荷量和所述特征量；將所述金屬附件腐蝕電荷量和所述特征量通過神經網絡算法的處理，得到神經網絡短時金屬附件腐蝕電荷量預測的結果；將所述金屬附件腐蝕電荷量通過時間序列分析法的處理，得到時間序列短時金屬附件腐蝕電荷量預測的結果和年均金屬附件腐蝕電荷量預測的結果；將所述神經網絡短時金屬附件腐蝕電荷量預測的結果與所述時間序列短時金屬附件腐蝕電荷量預測的結果進行對比，得到短時金屬附件腐蝕電荷量預測的結果。2.根據權利要求1所述的方法，其特征在于，所述將所述金屬附件腐蝕電荷量和所述特征量通過神經網絡算法的處理，得到神經網絡短時金屬附件腐蝕電荷量預測的結果的過程中，所述神經網絡算法包括：將所述特征量作為變量，將所述金屬附件腐蝕電荷量作為因變量，建立神經網絡模型；將所述特征量和所述金屬附件腐蝕電荷量進行歸一化處理，得到處理后的數據；將所述處理后的數據進行分類，得到訓練數據和測試數據；將所述訓練數據輸入所述神經網絡模型中，得到測試金屬附件腐蝕電荷量；將所述測試數據中的金屬附件腐蝕電荷量與所述測試金屬附件腐蝕電荷量相減，得到差值；將所述差值與預設范圍比較，得到標準模型；根據所述標準模型，對所述神經網絡短時金屬附件腐蝕電荷量進行預測，得到神經網絡短時金屬附件腐蝕電荷量預測的結果。3.根據權利要求2所述的方法，其特征在于，所述將所述差值與預設范圍比較，包括：判斷所述差值是否在所述預設范圍內；如果所述差值在所述預設范圍內，則所述神經網絡模型為所述標準模型；如果所述差值不在所述預設范圍內，則對所述神經網絡模型進行修訂后得到所述標準模型。4.根據權利要求1所述的方法，其特征在于，所述將所述金屬附件腐蝕電荷量通過時間序列分析法的處理，得到時間序列短時金屬附件腐蝕電荷量預測的結果和年均金屬附件腐蝕電荷量預測的結果的過程中，所述時間序列分析法包括：將所述金屬附件腐蝕電荷量按照時間順序排列，建立時間序列；測定季節變化對所述...

【專利技術屬性】
技術研發人員：王黎明，郭晨鋆，李旭，顏冰，楊代銘，梅紅偉，龍俊飛，宋文波，夏治侃，
申請(專利權)人：云南電網有限責任公司電力科學研究院，清華大學深圳研究生院，
類型：發明
國別省市：云南,53