数据驱动的绝缘子积污特征量识别与污秽度预测

为准确预测复杂环境下输电线路绝缘子污秽度,实现污闪的有效预警,提出数据驱动的绝缘子积污特征量识别与污秽度预测方法。该方法结合改进粗糙集与样本加权方法,基于粒子群算法优化的误差反向传播神经网络,得到绝缘子积污特征量综合量化模型,对影响积污程度的因素进行量化识别。在识别的基础上,构建基于改进粗糙集的特征加权支持向量机,来预测绝缘子污秽程度,识别污闪风险。实例分析表明,该方法完全基于数据驱动,避免人为干预,能实现不同运行环境下绝缘子积污特征量的准确识别。相较于其他方法,所提污秽度预测和风险识别方法更精确,误差更小,具有良好的应用前景。     

融合粗糙集和信息熵的复合绝缘子污闪状态评估

为对恶劣天气频发环境下的在役复合绝缘子进行准确有效的污闪状态评估,针对复杂影响因素的随机性、不确定性和不完备性,提出融合粗糙集和信息熵的复合绝缘子污闪状态在线评估方法。通过构建多维度的绝缘子评价指标体系,在信息熵的观点下确定各条件属性的重要程度,结合粗糙集理论确定属性的相对权重,实现状态评估的定量表示。该方法完全基于数据驱动,能有效避免评估中的主观性问题,并且具有良好的扩展性和容错性。实例分析表明,该方法具有优异的区分度,能够快速可靠地反映复合绝缘子的实际污闪状态。研究成果可为复合绝缘子的检修和维护提供依据。