基于BP神经网络模型的复合绝缘子伞裙优化技术北大核心CSCD

伞裙参数对复合绝缘子的性能有着决定性的影响,为在确定的绝缘距离下得到污闪性能优异的复合绝缘子,文中分别采用人工污秽试验和机器学习的方法对复合绝缘子伞裙结构参数的优化问题开展了研究。机器学习的基础是数据,文中首先对不同伞裙结构参数的12种复合绝缘子试品完成了人工污秽试验,获得了关键伞裙参数对交流污闪电压的影响以及具有优异污闪性能的伞裙参数需满足的条件;其次,为深度挖掘人工污秽试验数据的价值,文中使用RMSprop梯度下降算法建立了以复合绝缘子伞裙结构参数和表面污秽度为输入的4层BP神经网络模型,可实现对交流污闪电压的预测以及性能比较,结果表明模型预测的平均误差小于6%,最大误差小于10%,采用机器学习算法与采用人工污秽试验所得的复合绝缘子伞裙优化结果是一致的,结论可为复合绝缘子的产品设计和性能校验提供参考。