本发明涉及闪络电压预测，尤其涉及一种绝缘子闪络电压预测方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，并不必然构成在先技术。
2、绝缘子在电力系统中起着支撑和绝缘的重要作用，确保电能的安全传输。然而，绝缘子可能会发生闪络现象，这是一种沿着绝缘子表面的气体放电现象。当绝缘子发生闪络时，会导致电能传输中断，严重影响电力系统的稳定性和可靠性。此外，闪络还可能对绝缘子本身造成不可逆的损坏，缩短其使用寿命，增加电力系统的维护成本。
3、随着电力系统朝着高电压、大容量、远距离的方向发展，对绝缘子的性能要求越来越高，绝缘子闪络电压的准确预测变得尤为重要，准确的闪络电压预测方法能够实现对绝缘子状态的实时监测和早期预警，有助于电力系统运维人员提前采取措施。随着神经网络技术的不断发展，目前基于神经网络对闪络电压预测的技术发展的越来越快，现有技术中，如专利申请号cn201510537544.6中公开了一种绝缘子闪络电压预测方法，其中具体公开了对泄露电流和湿度进行采样，并作为模型的输入，闪络电压作为模型的输出，建立了闪络电压预测的广义回归神经网络模型。研究发现绝缘子闪络电压预测是复杂且包含多种影响因素的任务，现有技术中的网络模型结构固定，在处理绝缘子闪络电压预测这种数据特性多变的任务时，适应能力较差，难以精准拟合，无法根据不同绝缘子类型、不同运行数据以及不同环境条件下的数据特点进行有效的结构调整，导致闪络电压预测值往往与实际值偏差较大。除此之外，现有技术往往是直接将网络模型的输出值作为最终的预测值，从而忽略了预测结果的不确定性以及绝缘子物理机制的影响。导致闪络电压预测值存在较大误差。
技术实现思路
1、本发明为了解决上述问题，提出了一种绝缘子闪络电压预测方法及系统，本发明选用bp神经网络模型，并对传统的bp神经网络模型进行了改进，将误差函数与隐藏层函数联合，并对模型的输出值进行了修正。能够根据不同的数据特点调整网络结构，并提高了预测的准确性。
2、为了实现上述目的，本发明采用如下技术方案：
3、第一方面，本发明提供了一种绝缘子闪络电压预测方法，包括：
4、获取绝缘子数据，所述绝缘子数据包括绝缘子自身属性数据、历史运行数据以及历史环境数据，对获取的绝缘子数据进行预处理；
5、构建改进bp神经网络模型，所述改进bp神经网络模型的误差函数包括均方误差函数和交叉熵误差函数，将所述误差函数与隐藏层函数联合，用于更新所述改进bp神经网络模型中的权重和偏置；对所述改进bp神经网络模型进行训练，将训练后的改进bp神经网络模型作为闪络电压预测模型；
6、获取待测绝缘子的自身属性数据、当前运行数据以及当前环境数据，输入至闪络电压预测模型中，输出初始闪络电压预测结果，对所述初始闪络电压预测结果进行再处理，得到最终闪络电压预测结果。
7、进一步的技术方案，所述自身属性数据包括：绝缘子类型数据、尺寸数据以及表面污秽程度数据；所述历史运行数据包括：电压数据、电流数据以及运行时间数据；所述历史环境数据包括：温度数据、湿度数据以及气压数据。
8、进一步的技术方案，所述预处理为利用改进归一化法对获取的绝缘子自身属性数据、历史运行数据以及历史环境数据进行预处理；所述改进归一化法具体为：=，其中，为利用改进归一化法预处理后的数据，为绝缘子数据的标准化数据，为获取的绝缘子数据。
9、进一步的技术方案，所述改进bp神经网络模型的误差函数具体为：e=+（1-），其中，e为改进bp神经网络模型的误差函数，为均方误差函数，为交叉熵误差函数，为融合系数。
10、进一步的技术方案，所述将所述误差函数与隐藏层函数联合，联合后具体公式为：
11、=（1-）；其中，为从输入层第i个神经元到隐藏层第j个神经元的连接权重；n为输出层神经元数量；为输出层第l个神经元的输出值；为是输出层第l个神经元对应的目标输出值；为从隐藏层第j个神经元到输出层第l个神经元的连接权重；为输入层第i个神经元的输入值；为隐含层第j个神经元的输出值。
12、进一步的技术方案，所述再处理具体为：所述闪络电压预测模型输出的初始闪络电压预测结果为，获取待测绝缘子的临界电场强度和电场不均匀系数，利用再处理公式重新计算闪络电压，将重新计算的闪络电压与初始闪络电压预测模型输出的闪络电压预测结果进行加权平均，得到最终闪络电压预测结果；其中再处理公式为：=d；其中为重新计算的闪络电压，d为电极间距。
13、进一步的技术方案，所述再处理具体为：计算所述初始闪络电压预测结果的不确定性区间，根据所述不确定性区间的区间宽度构建权重函数；利用电场分布公式得到闪络电压参考值；将闪络电压参考值与闪络电压预测模型输出的初始闪络电压预测结果进行加权平均，得到最终闪络电压预测结果。
14、第二方面，本发明提供了一种绝缘子闪络电压预测系统，包括：
15、数据获取与预处理模块，被配置为：获取绝缘子自身属性数据、历史运行数据以及历史环境数据，对获取绝缘子自身属性数据、历史运行数据以及历史环境数据进行预处理；
16、预测模型构建模块，被配置为：构建改进bp神经网络模型，所述改进bp神经网络模型依次包括融合层、输入层、隐藏层和输出层；所述改进bp神经网络模型的误差函数包括均方误差函数和交叉熵误差函数，将所述误差函数与隐藏层函数联合，用于更新所述改进bp神经网络模型中的权重和偏置；对所述改进bp神经网络模型进行训练，将训练后的改进bp神经网络模型作为闪络电压预测模型；
17、闪络电压预测模块，被配置为：获取待测绝缘子的自身属性数据、当前运行数据以及当前环境数据，输入至闪络电压预测模型中，输出初始闪络电压预测结果，对所述初始闪络电压预测结果进行再处理，得到最终闪络电压预测结果。
18、本发明与现有技术相比，具有如下的优点和有益效果：
19、本发明选用bp神经网络模型，并对传统的bp神经网络模型进行了改进，将均方误差函数和交叉熵误差函数融合作为改进bp神经网络模型的误差函数，又将误差函数与隐藏层函数联合。解决了网络模型参数优化的问题，通过不断调整权重和偏置，使得本发明可以根据不同绝缘子类型、不同运行数据以及不同环境条件下的数据特点对网络模型的结构进行调整，再处理绝缘子闪络电压预测这种数据特性多变的任务时，适应能力较强并能够精准拟合，减小了最终预测结果与实际值的偏差。
20、本发明考虑了预测结果的不确定性以及绝缘子物理机制的影响，没有将网络模型的输出值直接作为最终预测结果，而是对网络模型的输出值进行了再处理，进一步的提高了预测结果的准确性。
1.一种绝缘子闪络电压预测方法，其特征在于，包括：
2.如权利要求1所述的一种绝缘子闪络电压预测方法，其特征在于，所述自身属性数据包括：绝缘子类型数据、尺寸数据以及表面污秽程度数据；所述历史运行数据包括：电压数据、电流数据以及运行时间数据；所述历史环境数据包括：温度数据、湿度数据以及气压数据。
3.如权利要求1所述的一种绝缘子闪络电压预测方法，其特征在于，所述预处理为利用改进归一化法对获取的绝缘子自身属性数据、历史运行数据以及历史环境数据进行预处理；所述改进归一化法具体为：=，其中，为利用改进归一化法预处理后的数据，为绝缘子数据的标准化数据，为获取的绝缘子数据。
4.如权利要求1所述的一种绝缘子闪络电压预测方法，其特征在于，所述改进bp神经网络模型的误差函数具体为：e=+（1-），其中，e为改进bp神经网络模型的误差函数，为均方误差函数，为交叉熵误差函数，为融合系数。
5.如权利要求1所述的一种绝缘子闪络电压预测方法，其特征在于，所述将所述误差函数与隐藏层函数联合，联合后具体公式为：
6.如权利要求1所述的一种绝缘子闪络电压预测方法，其特征在于，所述再处理具体为：所述闪络电压预测模型输出的初始闪络电压预测结果为，获取待测绝缘子的临界电场强度和电场不均匀系数，利用再处理公式重新计算闪络电压，将重新计算的闪络电压与初始闪络电压预测模型输出的闪络电压预测结果进行加权平均，得到最终闪络电压预测结果；其中再处理公式为：=d；其中为重新计算的闪络电压，d为电极间距。
7.如权利要求1所述的一种绝缘子闪络电压预测方法，其特征在于，所述再处理具体为：计算所述初始闪络电压预测结果的不确定性区间，根据所述不确定性区间的区间宽度构建权重函数；利用电场分布公式得到闪络电压参考值；将闪络电压参考值与闪络电压预测模型输出的初始闪络电压预测结果进行加权平均，得到最终闪络电压预测结果。
8.一种绝缘子闪络电压预测系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种绝缘子闪络电压预测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种绝缘子闪络电压预测方法中的步骤。
