CN108009130B - 基于回归分析的自然环境中绝缘子积污预测方法 - Google Patents

基于回归分析的自然环境中绝缘子积污预测方法 Download PDF

Info

Publication number
CN108009130B
CN108009130B CN201711240861.7A CN201711240861A CN108009130B CN 108009130 B CN108009130 B CN 108009130B CN 201711240861 A CN201711240861 A CN 201711240861A CN 108009130 B CN108009130 B CN 108009130B
Authority
CN
China
Prior art keywords
insulator
regression analysis
natural environment
contamination
accumulation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711240861.7A
Other languages
English (en)
Other versions
CN108009130A (zh
Inventor
张志劲
蒋兴良
蒋子丹
李永福
乔新涵
王谦
吴彬
彭华东
李小平
胡建林
胡琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
Chongqing University
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University, Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical Chongqing University
Priority to CN201711240861.7A priority Critical patent/CN108009130B/zh
Publication of CN108009130A publication Critical patent/CN108009130A/zh
Application granted granted Critical
Publication of CN108009130B publication Critical patent/CN108009130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Insulators (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明提供的一种基于回归分析的自然环境中绝缘子积污预测方法，包括如下步骤：S1.在历史数据中获取目标绝缘子在旱季和雨季的最大污秽度，并采集目标绝缘子所处的自然环境实际参数，包括降雨天数、降雨强度以及空气参数；S2.通过步骤S1中所采集参数分别对绝缘子表面的积污量进行预测计算，并得出最终积污量；S3.采用回归分析方法对判断积污量是否满足误差要求，如是，则采用步骤S2中的方法亟需对设定的未来期限进行绝缘子积污预测；根据绝缘子积污的历史数据对未来时间段的绝缘子积污状态进行准确预测，从而利于准确制定相应的处理措施，有效减少绝缘子污闪现象的发生，确保电网运行安全以及运行的稳定性。

Description

基于回归分析的自然环境中绝缘子积污预测方法
技术领域
本发明涉及电力领域，尤其涉及一种基于回归分析的自然环境中绝缘子积污预测方法。
背景技术
在输电线路运行中外绝缘设备经常遭受工业污秽、生活污染或海水侵蚀、盐碱腐蚀、鸟粪等自然污染。当绝缘子表面污层干燥时，对绝缘几乎不会造成危险，只有当其以某种方式湿润时才会在外加电压的作用下引起闪络的发生，进而严重威胁到电网的运行稳定性。
虽然国内外均有对绝缘子积污的研究，比如：基于概率统计与神经网络相结合的绝缘子盐密预测方法，采用BP人工神经网络建立绝缘子表面盐密预测模型；但是，现有技术均是基于年度最大盐密和饱和盐密进行分析，不能准确反映出积污速率和积污过程，从而并不能准确对未来设定时间内的绝缘子积污程度进行准确预测，从而严重影响电网的运行安全和稳定性。
因此，为了解决上述技术问题，亟需提出一种新的方法。
发明内容
有鉴于此，本发明的目的是提供一种基于回归分析的自然环境中绝缘子积污预测方法，根据绝缘子积污的历史数据对未来时间段的绝缘子积污状态进行准确预测，从而利于准确制定相应的处理措施，有效减少绝缘子污闪现象的发生，确保电网运行安全以及运行的稳定性。
本发明提供的一种基于回归分析的自然环境中绝缘子积污预测方法，包括如下步骤：
S1.在历史数据中获取目标绝缘子在旱季和雨季的最大污秽度，并采集目标绝缘子所处的自然环境实际参数，包括降雨天数、降雨强度以及空气参数；
S2.通过步骤S1中所采集参数分别对绝缘子表面的积污量进行预测计算，并得出最终积污量；
S3.采用回归分析方法对判断积污量是否满足误差要求，如是，则采用步骤 S2中的方法亟需对设定的未来期限进行绝缘子积污预测。
进一步，步骤S2中，根据步骤S1中所采集的参数分别对绝缘子所处环境的旱季和雨季进行积污量预测计算：
在旱季中，通过如下公式计算绝缘子表面积污量
Figure BDA0001489790740000021
Figure BDA0001489790740000022
其中，
Figure BDA0001489790740000023
为历史数据中旱季的最大污秽度，K1为积污系数，τ为积污时间常数；
在雨季中，通过如下公式计算绝缘子表面积污量
Figure BDA0001489790740000024
Figure BDA0001489790740000025
Figure BDA0001489790740000026
为历史数据中雨季的最大污秽度，K2为冲刷系数，I为降雨强度。
进一步，步骤S2中，根据如下方法确定积污系数K1：
Figure BDA0001489790740000027
其中，c(t)为空气质量浓度，p(dp)为污秽质量浓度分布函数。
进一步，根据如下公式确定污秽质量浓度分布函数p(dp)：
Figure BDA0001489790740000031
其中，σ为颗粒粒径的正态分布标准偏差；
Figure BDA0001489790740000032
为粒径的平均值，dp为悬浮颗粒的粒径。
进一步，根据如下方法确定空气浓度c(t)：
Figure BDA0001489790740000033
其中，上述公式中的C表示空气质量指标的浓度，B为空气质量指标的标准质量浓度限值，x表示S02、NO2以及PM10中对绝缘子积污区污染特征影响最大的一项。
进一步，根据如下公式确定冲刷系数K1：
Figure BDA0001489790740000034
其中，S(θ)表示降雨直接冲刷的面积，S表示绝缘子上表面总面积。
进一步，根据如下方法计算降雨直接冲刷面积S(θ)：
Figure BDA0001489790740000035
其中，θ为雨水的冲刷角度，R为绝缘子的半径，r为绝缘子的金具半径，h 为绝缘子相邻伞裙的高度。
进一步，雨水冲刷角度θ由如下方法确定：
Figure BDA0001489790740000041
本发明的有益效果：通过本发明，根据绝缘子积污的历史数据对未来时间 段的绝缘子积污状态进行准确预测，从而利于准确制定相应的处理措施，有效 减少绝缘子污闪现象的发生，确保电网运行安全以及运行的稳定性。
具体实施方式
以下对本发明做出进一步详细说明：
本发明提供的一种基于回归分析的自然环境中绝缘子积污预测方法，包括如下步骤：
S1.在历史数据中获取目标绝缘子在旱季和雨季的最大污秽度，并采集目标绝缘子所处的自然环境实际参数，包括降雨天数、降雨强度以及空气参数；
S2.通过步骤S1中所采集参数分别对绝缘子表面的积污量进行预测计算，并得出最终积污量；
S3.采用回归分析方法对判断积污量是否满足误差要求，如是，则采用步骤 S2中的方法亟需对设定的未来期限进行绝缘子积污预测，通过本发明，根据绝缘子积污的历史数据对未来时间段的绝缘子积污状态进行准确预测，从而利于准确制定相应的处理措施，有效减少绝缘子污闪现象的发生，确保电网运行安全以及运行的稳定性；其中，上述中的回归分析方法判断积污量是否满足误差要求，采用现有的回归分析方法，如下：
建立积污量的回归分析模型：
Figure BDA0001489790740000051
其中，n为测量的数目，k为预测变量的数目；
Figure BDA0001489790740000052
——第i次测量对应的因变量预测值；
Xki——第i次测量对应的第k个预测变量值；
Figure BDA0001489790740000053
——截距项；
Figure BDA0001489790740000054
——预测变量k的回归系数。
计算因变量预测值的残差平方和，并求出残差平方和最小值：
Figure BDA0001489790740000055
其中，Yi为因变量的实测值，利用残差平方和判断实测值与预测值之间的相对误差是否满足误差要求，从而对预测的可行性进行准确判断。
本实施例中，进一步，步骤S2中，根据步骤S1中所采集的参数分别对绝缘子所处环境的旱季和雨季进行积污量预测计算：
在旱季中，通过如下公式计算绝缘子表面积污量
Figure BDA0001489790740000056
Figure BDA0001489790740000057
其中，
Figure BDA0001489790740000058
为历史数据中旱季的最大污秽度，K1为积污系数，τ为积污时间常数；
在雨季中，通过如下公式计算绝缘子表面积污量
Figure BDA0001489790740000061
Figure BDA0001489790740000062
Figure BDA0001489790740000063
为历史数据中雨季的最大污秽度，K2为冲刷系数，I为降雨强度。
其中，步骤S2中，根据如下方法确定积污系数K1：
Figure BDA0001489790740000064
其中，c(t)为空气质量浓度， p(dp)为污秽质量浓度分布函数，dp为悬浮颗粒的粒径。
根据如下公式确定污秽质量浓度分布函数p(dp)：
Figure BDA0001489790740000065
其中，σ为颗粒粒径的正态分布标准偏差；
Figure BDA0001489790740000066
为粒径的平均值，dp为悬浮颗粒的粒径。
根据如下方法确定空气浓度c(t)：
Figure BDA0001489790740000067
其中，上述公式中的C表示空气质量指标的浓度，为实际测量值，B为空气质量指标的标准质量浓度限值，为设定值；x表示S02、NO2以及PM10中对绝缘子积污区污染特征影响最大的一项，比如：如果二氧化硫(SO2)为影响最大的一项，那么
Figure BDA0001489790740000071
就取为
Figure BDA0001489790740000072
本实施例中，根据如下公式确定冲刷系数K1：
Figure BDA0001489790740000073
其中，S(θ) 表示降雨直接冲刷的面积，S表示绝缘子上表面总面积。
根据如下方法计算降雨直接冲刷面积S(θ)：
Figure BDA0001489790740000074
其中，θ为雨水的冲刷角度，R为绝缘子的半径，r为绝缘子的金具半径，h 为绝缘子相邻伞裙的高度；通过上述公式，能够准确计算出绝缘子上雨水有效的冲刷面积。
其中，雨水冲刷角度θ由如下方法确定：
Figure BDA0001489790740000075
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于回归分析的自然环境中绝缘子积污预测方法，其特征在于：包括如下步骤：
S1.在历史数据中获取目标绝缘子在旱季和雨季的最大污秽度，并采集目标绝缘子所处的自然环境实际参数，包括降雨天数、降雨强度以及空气参数；
S2.通过步骤S1中所采集参数分别对绝缘子表面的积污量进行预测计算，并得出最终积污量；
S3.采用回归分析方法对判断积污量是否满足误差要求，如是，则采用步骤S2中的方法亟需对设定的未来期限进行绝缘子积污预测；
步骤S2中，根据步骤S1中所采集的参数分别对绝缘子所处环境的旱季和雨季进行积污量预测计算：
在旱季中，通过如下公式计算绝缘子表面积污量
Figure FDA0003474554000000011
Figure FDA0003474554000000012
其中，
Figure FDA0003474554000000013
为历史数据中旱季的最大污秽度，K1为积污系数，τ为积污时间常数；
在雨季中，通过如下公式计算绝缘子表面积污量
Figure FDA0003474554000000014
Figure FDA0003474554000000015
Figure FDA0003474554000000016
为历史数据中雨季的最大污秽度，K2为冲刷系数，I为降雨强度。
2.根据权利要求1所述的基于回归分析的自然环境中绝缘子积污预测方法，其特征在于：步骤S2中，根据如下方法确定积污系数K1：
Figure FDA0003474554000000021
其中，c(t)为空气质量浓度，p(dp)为污秽质量浓度分布函数。
3.根据权利要求2所述的基于回归分析的自然环境中绝缘子积污预测方法，其特征在于：根据如下公式确定污秽质量浓度分布函数p(dp)：
Figure FDA0003474554000000022
其中，σ为颗粒粒径的正态分布标准偏差；
Figure FDA0003474554000000023
为粒径的平均值，dp为悬浮颗粒的粒径。
4.根据权利要求2所述的基于回归分析的自然环境中绝缘子积污预测方法，其特征在于：根据如下方法确定空气浓度c(t)：
Figure FDA0003474554000000024
其中，上述公式中的C表示空气质量指标的浓度，B为空气质量指标的标准质量浓度限值，x表示S02、NO2以及PM10中对绝缘子积污区污染特征影响最大的一项。
5.根据权利要求1所述的基于回归分析的自然环境中绝缘子积污预测方法，其特征在于：根据如下公式确定冲刷系数K1：
Figure FDA0003474554000000025
其中，S(θ)表示降雨直接冲刷的面积，S表示绝缘子上表面总面积。
6.根据权利要求5所述的基于回归分析的自然环境中绝缘子积污预测方法，其特征在于：
根据如下方法计算降雨直接冲刷面积S(θ)：
Figure FDA0003474554000000031
其中，θ为雨水的冲刷角度，R为绝缘子的半径，r为绝缘子的金具半径，h为绝缘子相邻伞裙的高度。
7.根据权利要求6所述的基于回归分析的自然环境中绝缘子积污预测方法，其特征在于：雨水冲刷角度θ由如下方法确定：
Figure FDA0003474554000000032
CN201711240861.7A 2017-11-30 2017-11-30 基于回归分析的自然环境中绝缘子积污预测方法 Active CN108009130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711240861.7A CN108009130B (zh) 2017-11-30 2017-11-30 基于回归分析的自然环境中绝缘子积污预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711240861.7A CN108009130B (zh) 2017-11-30 2017-11-30 基于回归分析的自然环境中绝缘子积污预测方法

Publications (2)

Publication Number Publication Date
CN108009130A CN108009130A (zh) 2018-05-08
CN108009130B true CN108009130B (zh) 2022-03-22

Family

ID=62055488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711240861.7A Active CN108009130B (zh) 2017-11-30 2017-11-30 基于回归分析的自然环境中绝缘子积污预测方法

Country Status (1)

Country Link
CN (1) CN108009130B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583066B (zh) * 2018-11-22 2023-06-09 南京工程学院 一种直流架空线路绝缘子表面污秽沉积模拟方法
CN113567816A (zh) * 2021-07-29 2021-10-29 国家电网有限公司 绝缘子污秽测量测量方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101614645A (zh) * 2008-06-23 2009-12-30 广东电网公司东莞供电局 一种测量输变电设备外绝缘污秽积累的方法
CN102707209A (zh) * 2012-06-13 2012-10-03 浙江省电力公司电力科学研究院 考虑污秽折算系数的自然积污绝缘子污闪特性研究方法
CN104361216A (zh) * 2014-10-29 2015-02-18 国家电网公司 一种基于变权层次分析法的绝缘子污闪预警方法
CN105160419A (zh) * 2015-08-06 2015-12-16 国家电网公司 一种引入空气质量指数的绝缘子等值盐密度预测模型

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101614645A (zh) * 2008-06-23 2009-12-30 广东电网公司东莞供电局 一种测量输变电设备外绝缘污秽积累的方法
CN102707209A (zh) * 2012-06-13 2012-10-03 浙江省电力公司电力科学研究院 考虑污秽折算系数的自然积污绝缘子污闪特性研究方法
CN104361216A (zh) * 2014-10-29 2015-02-18 国家电网公司 一种基于变权层次分析法的绝缘子污闪预警方法
CN105160419A (zh) * 2015-08-06 2015-12-16 国家电网公司 一种引入空气质量指数的绝缘子等值盐密度预测模型

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Pollution accumulation characteristics of insulators under natural rainfal;Zidan Jiang et al.;《IET Generation, Transmission & Distribution》;20170420;第11卷(第6期);第1479-1485页 *
基于大气环境质量及气象参数的绝缘子积污预测研究现状;李特 等;《高压电器》;20170116;第53卷(第1期);第175-180页 *
计及污闪概率的输电线路运行风险评估理论与指标体系;帅海燕 等;《中国电机工程学报》;20110605;第31卷(第16期);第48-54页 *

Also Published As

Publication number Publication date
CN108009130A (zh) 2018-05-08

Similar Documents

Publication Publication Date Title
US20190285517A1 (en) Method for evaluating health status of mechanical equipment
CN108022011B (zh) 自然环境中绝缘子积污动态预测方法
CN108108772B (zh) 一种基于配电线路航拍图像的绝缘子污闪状态检测方法
CN107169645B (zh) 一种计及暴雨灾害影响的输电线路故障概率在线评估方法
CN109787552B (zh) 一种光伏电站的清洗方法及系统
CN108009130B (zh) 基于回归分析的自然环境中绝缘子积污预测方法
Bazrafshan et al. Hydrological drought forecasting using ARIMA models (case study: Karkheh Basin)
CN110908014B (zh) 舞动精细化订正预报方法及系统
CN111125641B (zh) 一种大气污染异常识别与成因分析方法、装置及存储介质
CN106529723A (zh) 基于监控平台实现光伏电站清洗周期估计的方法
CN108764643B (zh) 大范围作物病害风险评估方法
CN111210128B (zh) 一种基于人工智能及随机自适应阈值的湿地预警方法
CN110530876B (zh) 基于长短期记忆神经网络的绝缘子污秽度发展预测方法
CN111860947B (zh) 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法
CN106295207B (zh) 基于气象数据统计的绝缘子污秽度评估方法
CN113592308B (zh) 一种基于常态模型的监测数据告警阈值提取方法
Alferes et al. Efficient automated quality assessment: Dealing with faulty on-line water quality sensors
CN110853089A (zh) 一种基于多因素的模拟导线覆冰厚度算法
CN113295700A (zh) 一种基于物联网的输电线路外绝缘状态监测方法及系统
CN109583314A (zh) 一种混凝土梁式桥安全监测指标的优化方法及装置
CN114783165A (zh) 基于分布式光纤振动传感的电缆通道防外破在线监测系统
CN109087029B (zh) 一种绝缘子腐蚀性闪络风险评估方法
CN115469079A (zh) 一种水土流失动态监测方法及系统
CN114487284A (zh) 一种测量空气中重金属浓度的方法及系统
CN114111705A (zh) 一种利用气象卫星资料计算云底高度的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant