| 对于建好的网络，利用50组训练样本对网络进行训练（训练次数为10000次）。训练完成以后，再用5组样本值进行仿真[10]期刊网。表2是本设计中神经网络最后的仿真结果，图4是仿真结果的曲线比较。整个模型平均相对误差为1.364 %，能够满足工程误差的要求
表2 绝缘子表面等值盐密实测值与期望值的对比
Tab.2 The comparisonof insulator ESDD measured value to expectation value
|
样本
|
湿度(%)
|
温度
(℃)
|
工频
电流
(μA)
|
三次谐波/工频
|
ESDD实测值
(mg/cm2)
|
ESDD估计值
(mg/cm2)
|
相对误差(%)
|
平均相对误差(%)
|
|
1
|
35
|
26
|
201.25
|
0.1104
|
0.025
|
0.0252
|
0.8
|
1.364
|
|
2
|
55
|
18
|
222.28
|
0.1213
|
0.05
|
0.0495
|
1
|
|
3
|
45
|
24
|
206.01
|
0.1208
|
0.1
|
0.1111
|
1.11
|
|
4
|
65
|
18
|
1245
|
0.2216
|
0.2
|
0.1916
|
0.84
|
|
5
|
65
|
21
|
1457.1
|
0.2232
|
0.4
|
0.4123
|
3.07
|
图4绝缘子表面等值盐密实测值与期望值的对比
Fig.4Thecomparison of insulator ESDD measured value to expectation value
在电力系统中，由于绝缘子工作的环境各不相同，各地气候状况也存在很大差异，所以对于实际工作中的绝缘子在不同的时间和地点，表现出来的特征参数随着各种因素影响也应该存在不小的差别[11]。因此湿度，想要用一个统一的标准和要求来使实际工程问题得到解答，往往是非常困难的。所以使用该网络来进行绝缘子等值盐密预测，就应当不断丰富训练样本数据，经过一段时间的积累才能得到比较良好的结果[12]。
3结论
本文利用实验室所得的数据创建了利用BP网络来预测绝缘子表面污秽的模型并进行了仿真。结果显示该预测方法的误差满足工程误差的要求，即基于人工神经网络对污秽绝缘子的表面的等值盐密预测的方法是可行的、正确的和有效的。但是，实验室的人造污秽与实际的绝缘子污秽有许多不同，例如:污秽的成分、绝缘子表面污秽的分布等等。而且，具体到现场运行条件下，线路具有分布地域广，环境条件复杂的特性，所采用的绝缘子型号也不一定相同，这就给BP网络的样本选择带来了困难。这就需要利用绝缘子在线监测装置提供的数据不断的完善和校验样本。这一方法地提出，为指导日益繁重的绝缘子清扫工作，乃至防止绝缘子污秽闪络问题提供了一种新的途径和思路。
参考文献
[1]陶元中,包建强.输电线路绝缘子运行技术手册[M].北京:中国电力出版社,2003
[2]D.C.Park, et al.Electric Load Forcasting Using an Artificial Neural Network.IEEE Trans on PWRS,1991, 6(2):442～449
[3]薛延华.变电站绝缘子污秽在线监测系统的设计与应用研究:[硕士学位论文].西安:西安理工大学,2004
[4]张寒,文习山,丁辉.用人工神经网络预测基于泄漏电流、气象因素的绝缘子等值附盐密度预测[J].高压电器,2003,39(6):31～35
[5]Ahmad S.Ahumad,P.S.Ghosh. Estimation of salt contamination level on the high voltageinsulators surfaces during rainy season using artificial neural network[J].In:Power System Management and Controal,17-19 April 2002:532～539
[6]张建兴.悬式瓷制绝缘子表面污秽程度预测方法的研究:[硕士学位论文].保定:华北电力大学大学,2006
[7]Felex Amarh.Electric Transmission Line Flashover Prediction System. [Degree Doctor ofPhilosophy], United States: Arizona State University, May, 2001
[8]张建兴，律方成，刘云鹏.高压绝缘子泄漏电流与温度、湿度的灰关联分析[J].高电压技术,2006,39(1):31～35.
[9]许东，吴峥.基于MATLAB6.X的系统分析与设计－神经网络.第二版[M].西安:西安电子科技大学出版社,2002
[10]Ahmad S.Ahumad,P.S.Ghosh.Estimation of salt contamination level on the high voltage insulatorssurfaces during rainy season using artificial neural network. In: Power SystemManagement and Contronl, April 2002,17～19
[11]孙才新，司马文霞，舒立春.大气环境与电气外绝缘[M].北京:中国电力出版社 2002
[12]P.S.Ghosh, S.Chakravorti,N.Chatterjee. Estimation of time-to-flashover characteristics of contaminatedelectrolytic surfaces using a neural network. In: IEEE Transactions onDielectrics and Electrical Insulation Vol.2 No.6, December 1995
2/2 首页 上一页 1 2 |
