王自立，盧 明，姜昀芃，李 黎，李 哲，劉善峰，段曉紅

（1.國網(wǎng)河南省電力公司，鄭州450052；2.國網(wǎng)河南省電力公司電力科學(xué)研究院，鄭州450052；3.華中科技大學(xué)電氣與電子工程學(xué)院，武漢430074；4.武漢云兆信息技術(shù)有限公司，武漢430074）

0 引言

污閃事故對電力系統(tǒng)的安全穩(wěn)定運行構(gòu)成嚴(yán)重威脅。正常工作電壓下的絕緣子，由于表面污穢物堆積，在陰雨、大霧等惡劣天氣的作用下容易發(fā)生污閃。因此，對輸電線路上絕緣子的污穢度進(jìn)行預(yù)測非常有必要，以預(yù)防污閃事故的發(fā)生。通常使用等值附鹽密度和不溶沉積物密度來綜合評估絕緣子表面污穢程度。

近年來，各研究單位及其科研人員對絕緣子表面污穢度的預(yù)測開展了很多研究工作，其主要技術(shù)思路是通過絕緣子表面污穢物的物理特征或是外部環(huán)境條件來對污穢度進(jìn)行預(yù)測。文獻(xiàn)[1]從物理模型的角度出發(fā)，根據(jù)絕緣子幾何參數(shù)、氣象數(shù)據(jù)、污染物特征量來預(yù)測絕緣子表面的污穢度?？紤]到不同污穢程度下，絕緣子的泄漏電流具有不同的特征，文獻(xiàn)[2]將絕緣子泄漏電流有效值的均值、最大值和標(biāo)準(zhǔn)差這3個特征量作為污穢預(yù)測神經(jīng)網(wǎng)絡(luò)模型的輸入量。文獻(xiàn)[3]考慮污穢受到自然條件影響，將溫度、濕度、風(fēng)速、氣壓和雨量作為輸入量，運用神經(jīng)網(wǎng)絡(luò)對ESDD展開預(yù)測。對于線路絕緣子來說，其所處環(huán)境相對比較復(fù)雜，通過絕緣子所處的周圍環(huán)境條件來預(yù)測污穢度，可以使預(yù)測結(jié)果更加準(zhǔn)確。隨著我國霧霾天氣日的增多，空氣中污穢顆粒的增多會加劇絕緣子表面污穢物的積累程度。此外，研究發(fā)現(xiàn)絕緣子表面污穢物同周圍污染有較大關(guān)系，其中Ca2+和Zn2+受人為污染程度最重[4]。因此，在預(yù)測絕緣子污穢度時，空氣質(zhì)量指數(shù)也應(yīng)被納入需要考慮的對象中。筆者利用灰關(guān)聯(lián)分析法分析空氣質(zhì)量指數(shù)中PM2.5、PM10、SO2和NO2同污穢物積累的關(guān)聯(lián)度來優(yōu)選出神經(jīng)網(wǎng)絡(luò)的輸入量。

神經(jīng)網(wǎng)絡(luò)在污穢度的預(yù)測中得到充分應(yīng)用，但是神經(jīng)網(wǎng)絡(luò)也存在一定缺陷，科研人員提出各種方法來對其進(jìn)行優(yōu)化。文獻(xiàn)[5]通過采用迭代加權(quán)最小二乘的穩(wěn)健回歸方法來確定污閃電壓的鹽密和灰密影響特征指數(shù)，該方法在模型穩(wěn)健回歸時，通過調(diào)整權(quán)重系數(shù)可以避免了異常數(shù)據(jù)樣本點對模型參數(shù)的影響，使得模型實現(xiàn)了較好的預(yù)測精度。但是該方法缺乏自學(xué)習(xí)能力，在面對非線性問題時，預(yù)測精度會出現(xiàn)下降現(xiàn)象。文獻(xiàn)[6]利用熵權(quán)法對模糊算法中的權(quán)值修正，使得權(quán)值更客觀和準(zhǔn)確，但是該方法依然不能很好地解決BP網(wǎng)絡(luò)易陷入局部最小值的缺陷這個問題。文獻(xiàn)[7-8]利用遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)以對絕緣子泄漏電流和短期風(fēng)速展開預(yù)測，并取得了較好的預(yù)測結(jié)果。遺傳算法在面對復(fù)雜的、非線性及不可微分的函數(shù)中可以實現(xiàn)全局搜索，在解空間中定位出較好的搜索空間，再利用BP神經(jīng)網(wǎng)絡(luò)的非線性逼近能力可以在這些小的解空間中搜索出最優(yōu)解。因此，將BP神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合，可以有效提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度，同時解決遺傳算法局部尋優(yōu)能力不足和對搜索空間變化適應(yīng)能力差的缺點。

因此，筆者提出利用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)以對絕緣子污穢度進(jìn)行預(yù)測。本文依托從河南省平頂山市自然污穢試驗站收集到2015年2月1日至2015年12月15日每日等值附鹽密度和不溶沉積物密度的數(shù)據(jù)，并結(jié)合當(dāng)?shù)販囟?、風(fēng)速、降水量、相對濕度、空氣質(zhì)量指數(shù)等數(shù)據(jù)，利用灰色關(guān)聯(lián)分析方法篩選與污穢度關(guān)聯(lián)較大的因素作為輸入量，建立基于遺傳神經(jīng)網(wǎng)絡(luò)的絕緣子污穢度預(yù)測模型。通過將該模型與未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對比，并進(jìn)行綜合分析評估，以證明本文算法的有效性。

1 數(shù)據(jù)采集

1.1 試驗環(huán)境

平頂山市位于河南省中南部，地處溫暖帶，春夏盛刮偏南風(fēng)，秋冬盛刮偏北風(fēng)，年降水量在1000mm左右，為大陸性季風(fēng)氣候。

平頂山自然污穢試驗站位于平頂山市東部郊區(qū)，建成于2004年。試驗站周圍煤炭、化工企業(yè)居多，是重要的污穢監(jiān)測區(qū)。根據(jù)污區(qū)分布圖，該區(qū)域的污穢等級為E，污染源主要有洗煤廠、白灰廠、石子廠、化肥廠、氯堿廠、小型煉鋼廠等。試驗站在平徐線45號桿塔上裝有光傳感器輸變電設(shè)備鹽密和灰密在線監(jiān)測設(shè)備，見圖1和圖2。

圖1 鹽密和灰密在線監(jiān)測設(shè)備Fig.1 On-line monitoring equipment of ESDD and NSDD

圖2 鹽密和灰密測量設(shè)備安裝位置Fig.2 Position of facility testing ESDD and NSDD

1.2 技術(shù)原理

光傳感器測量鹽密和灰密的原理見圖3，它是基于光波在介質(zhì)中傳播的光場分布理論和光能損耗機(jī)理的[9-10]。裝置將一個以棒為芯、大氣為包層的多模介質(zhì)光波導(dǎo)低損耗石英玻璃棒放置于大氣中，當(dāng)石英棒上無污染時，光波導(dǎo)中的基模和高次模共同傳輸光的能量，其中絕大部分光能在光波導(dǎo)的芯中傳播，但有少量光能將沿芯包界面的包層傳輸，產(chǎn)生很小的損耗。當(dāng)石英棒上有污染時，污穢物會改變光波導(dǎo)中基模和高次模的傳輸條件即污染粒子對光能的吸收和散射等產(chǎn)生光能損耗。若污穢物附著越多，那么光衰減的強(qiáng)度越大，由此關(guān)系可反映污穢物的多少。

2 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，3層BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)見圖4，包括輸入層、隱含層和輸出層，輸入層或隱含層中的神經(jīng)元與下一層所有的神經(jīng)元連接，同層神經(jīng)元之間無連接。隱含層的設(shè)置根據(jù)Kolmogorov定理[11]，若輸出層有n個節(jié)點，則隱含層的節(jié)點數(shù)為2n+1。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 BP neural network structure diagram

BP神經(jīng)網(wǎng)絡(luò)采用梯度下降法調(diào)整權(quán)值和閾值，使得網(wǎng)絡(luò)的期望輸出值和實際輸出值的均方誤差值最小。標(biāo)準(zhǔn)BP算法在修正權(quán)值時沒有考慮以前時刻的梯度方向，從而使學(xué)習(xí)過程常常發(fā)生振蕩，收斂緩慢。因此本文采用一種改進(jìn)的BP學(xué)習(xí)算法，通過引入動量項來減小學(xué)習(xí)過程的振蕩趨勢，改善收斂性。

令目標(biāo)函數(shù)為

式中：為輸出節(jié)點k在樣本p作用時的輸出；為在樣本p作用時輸出節(jié)點k的目標(biāo)值；m為輸出變量的維數(shù)；N為訓(xùn)練樣本個數(shù)。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如下：

1）網(wǎng)絡(luò)初始化。確定網(wǎng)絡(luò)輸入層節(jié)點數(shù)為n、隱含層節(jié)點數(shù)為l，輸出層節(jié)點數(shù)為m，輸入層與隱含層、隱含層與輸出層神經(jīng)元之間的連接權(quán)值為隱含層閾值輸出層閾值

2）隱含層輸出hj為

式中：f為隱含層激勵函數(shù)；xi為第i個輸入節(jié)點的變量。

3）輸出層輸出ok為

4）權(quán)值更新為

式中：η為學(xué)習(xí)速率，η＞0；為動量因子，0≤β＜1。

5）閾值更新：根據(jù)網(wǎng)絡(luò)輸出ok和期望輸出yk之間的誤差更新aj，bk為

6）判斷算法是否迭代結(jié)束，若沒有結(jié)束，則返回步驟2）。

2.2 遺傳算法

遺傳算法擅長全局搜索，而BP神經(jīng)網(wǎng)絡(luò)在局部搜索較為有效，因此將遺傳算法與BP算法相結(jié)合，在提高預(yù)測準(zhǔn)確性的同時也可以提高算法的收斂速度。利用遺傳算法對神經(jīng)網(wǎng)絡(luò)初始權(quán)值進(jìn)行優(yōu)化，可以定位出較好的搜索空間，再采用BP算法在小空間內(nèi)搜索局部最優(yōu)值[12]。遺傳算法的流程圖如圖5所示。

遺傳算法的具體步驟：

1）初始化種群：隨機(jī)產(chǎn)生一種群Xm×n，每個個體X1×n代表一個神經(jīng)網(wǎng)絡(luò)的初始權(quán)值分布，每個基因值為一個連接權(quán)值，則個體的長度為神經(jīng)網(wǎng)絡(luò)權(quán)值的個數(shù)，即

圖5 遺傳算法流程圖Fig.5 Flow diagram of genetic algorithm

式中：n為個體的長度；r為輸入層節(jié)點數(shù)；s1為隱含層節(jié)點數(shù)；s2為輸出層節(jié)點數(shù)。

2）適應(yīng)度函數(shù)：依據(jù)適應(yīng)度函數(shù)值對個體進(jìn)行評價，對每一個體解碼得到BP神經(jīng)網(wǎng)絡(luò)輸入樣本，計算輸出誤差值E，得到適應(yīng)度函數(shù)f。

計算各個體的適應(yīng)值，種群個體適應(yīng)度最大者進(jìn)入子種群。

3）選擇算子：采用輪盤賭法選擇算子。設(shè)第i個個體的適應(yīng)值fi，則被選中的概率為

式中，m為種群規(guī)模。

4）交叉算子：交叉算子選擇算術(shù)交叉，由兩個個體的線性組合出兩個新的個體。假設(shè)在兩個個體Xi(k)、Xi+1(k)之間以交叉概率pc進(jìn)行交叉操作，則交叉后產(chǎn)生的兩個新個體為

式中：Xi(k)、Xi+1(k)分別表示第i和第i+1個個體在第k位的基因；α和β為0和1之間的隨機(jī)數(shù)。

5）變異算子：選擇均勻變異算子，對每一個基因值，以變異率pm對應(yīng)的基因值域取一隨機(jī)數(shù)進(jìn)行替換。

式中，q為第p+1個基因值對應(yīng)的閾值寬度。

6）計算適應(yīng)度函數(shù)：計算適應(yīng)度函數(shù)值，判斷是否達(dá)到最大迭代次數(shù)或滿足精度要求，否則返回步驟2）。

2.3 輸入量選擇

在自然情況下，氣象條件的改變將會對絕緣子表面污穢度產(chǎn)生一定影響。例如，風(fēng)力對絕緣子表面污穢顆粒物有一定吹掃作用，降水量對表面污穢物起到清掃作用，相對濕度對顆粒物的粘附力有一定影響等等。因此，本文篩選出溫度、風(fēng)力、降水量和相對濕度這4個變量作為氣象因素的輸入量。

環(huán)境因素的輸入量選擇中，主要考慮空氣質(zhì)量指數(shù)（AQI）。空氣質(zhì)量指數(shù)記錄每天大氣中PM2.5、PM10、SO2、NO2、CO、O3六種成分的含量，但是考慮神經(jīng)網(wǎng)絡(luò)在輸入層節(jié)點數(shù)太少的情況下可能無法完全呈現(xiàn)出樣本的關(guān)聯(lián)特性，而在輸入層節(jié)點數(shù)過多的情況下，神經(jīng)網(wǎng)絡(luò)又會出現(xiàn)極大的隨機(jī)性的特點，因此需要對其進(jìn)行篩選。

過去研究發(fā)現(xiàn)，絕緣子的表面可溶污穢成分以CaSO4為主，其余成分 Ca（NO3）2、NaCl、CaCl2、Mg（NO3）2等含量較少[13]。從元素成分分析，SO2的硫酸鹽化物和NO2的硝酸鹽化物是可溶污穢物中的重要組成部分，同時顆粒物PM2.5和PM10中也含有部分可溶性的硫酸鹽、硝酸鹽、氯鹽等。而絕緣子表面的不溶污穢物主要為SiO2和Al2O3，其余含有Fe2O3、CuO和CaO等成分。PM2.5、PM10中不可溶成分主要有Si、Al、Ca、Mg、Na、K等元素的氧化物組成，此外還含有多種微量的金素元素。綜上研究分析，在預(yù)測等值附鹽密度時利用灰色關(guān)聯(lián)分析法從PM2.5、PM10、SO2、NO2中找出關(guān)聯(lián)度較大的成分作為環(huán)境因素的輸入量，而在不可溶沉積物密度預(yù)測時以PM2.5、PM10作為環(huán)境因素的輸入量[14]。

圖6為平頂山市自然污穢試驗站絕緣子在2014年6月20日完成清掃后，記錄從2015年1月15日到2015年12月15日期間絕緣子ESDD和NSDD變化趨勢圖?？梢钥闯?，不可溶沉積物密度的變化比等值附鹽密度的變化更為明顯。在4-6月期間，ESDD和NSDD均出現(xiàn)較大波動，可能與當(dāng)時的氣象因素有關(guān)。

圖7記錄的是平頂山市在2015年1月到2015年12月間每月平均PM2.5、PM10、SO2和NO2的濃度變化曲線。可以看出，空氣中PM10濃度相對于其他成分濃度明顯偏高，PM2.5居其次。從1月到8月期間，空氣中PM2.5、PM10、SO2和NO2含量總體呈現(xiàn)下降趨勢，從8月開始呈現(xiàn)上升趨勢。觀察到在11月份 PM2.5、PM10、SO2和NO2有較大下降，可能與圖8中該月份降雨量在11月左右出現(xiàn)的較大波動有關(guān)。

圖6 ESDD和NSDD隨月份變化曲線圖（2015年）Fig.6 Curves of ESDD and NSDD with month change（2015）

圖7 污染物月平均濃度變化曲線圖（2015年）Fig.7 Change curve of monthly mean concentration of pollutants

圖8 月降水量變化圖（2015年）Fig.8 Change curve of monthly precipitation（2015）

結(jié)合圖6、圖7和圖8，發(fā)現(xiàn)絕緣子表面ESDD和NSDD的增量與空氣中PM2.5、PM10、SO2、NO2濃度呈一定正相關(guān)關(guān)系，與降水量呈現(xiàn)負(fù)相關(guān)關(guān)系。因此，引用灰色關(guān)聯(lián)分析法做定量的分析，求出各變量與絕緣子污穢度的關(guān)聯(lián)度。

灰色關(guān)聯(lián)分析法可以定量分析兩個因素之間相互關(guān)聯(lián)的程度[14]。其本質(zhì)是數(shù)據(jù)序列曲線間的幾何形狀的分析比較，認(rèn)為幾何形狀越相似，發(fā)展態(tài)勢就越接近，關(guān)聯(lián)程度也越大，反之則相反。其算法步驟如下。

1）選擇參考序列和比較序列：本文中依次令ESDD和NSDD為參考序列，記1月份的值為x0(1)，2月份的值為x0(2)，…，12月份的值為x0(1 2 )。令PM2.5、PM10、SO2、NO2和 降 水 量 為 比 較 序 列xi=[xi(1),xi(2),…,xi(n)]

2）利用下述公式計算比較序列的所有指標(biāo)對應(yīng)于參考序列所有指標(biāo)的關(guān)聯(lián)系數(shù)

式中：Δi(k)= |x0(k)-xi(k) |為指標(biāo)的絕對差；Y(0 ＜Y＜1) 為分辨系數(shù)，一般情況Y=0.5。

3）計算關(guān)聯(lián)度：一般使用平均值，即

關(guān)聯(lián)度越大，說明比較序列與參考序列越相關(guān)。

比較降水量、PM2.5、PM10、SO2、NO2與絕緣子ESDD的關(guān)聯(lián)大小。見表1，其關(guān)聯(lián)度最大的因素為降水量，關(guān)聯(lián)度為0.693，而NO2關(guān)聯(lián)度居其次為0.687，但是PM10的關(guān)聯(lián)度最低為0.591。結(jié)合歷史資料分析推測，該地區(qū)絕緣子表面可溶污穢物成分可能以Ca（NO3）2、Mg（NO3）2等NO2的硝酸鹽化物為主，SO2的硫酸鹽化物含量居其次。PM2.5中含有硝酸鹽化物和硫酸鹽化物相對較多，而PM10含量較少。因此，在該種絕緣子表面的可溶污穢物中，PM2.5、SO2和NO2對絕緣子積污的貢獻(xiàn)相對較大，而PM10貢獻(xiàn)相對較小。

表1 ESDD與各影響因素的關(guān)聯(lián)度Table 1 Grey correlation degree between ESDD and factors

綜合上述分析，在絕緣子等值附鹽密度的預(yù)測中，以前一日ESDD數(shù)值、溫度、風(fēng)力、降水量、相對濕度、PM2.5、SO2和NO2作為輸入量，在絕緣子不可溶沉積物的預(yù)測中，以前一日NSDD數(shù)值、溫度、風(fēng)力、降水量、相對濕度、PM2.5和PM10作為輸入量。

3 絕緣子污穢度預(yù)測

3.1 數(shù)據(jù)歸一化處理

由于神經(jīng)網(wǎng)絡(luò)的輸入量應(yīng)該選擇無量綱的向量，為了進(jìn)一步表現(xiàn)輸入量對輸出量影響的大小，需要將輸入信息歸一到[0，1]區(qū)間里，歸一化處理按照以下方式進(jìn)行

令f為某一輸入信息，fmax為該輸入信息中最大的量值，而fmin為該輸入信息中最小的量值，因此對任意的輸入信息，按照以下方式進(jìn)行歸一化處理[15]。

若該信息與污穢度（ESDD或NSDD）呈正相關(guān)關(guān)系，則歸一化后的信息為

若該信息與污穢度呈負(fù)相關(guān)關(guān)系，則歸一化后的信息為

結(jié)合本文在上一節(jié)中的分析結(jié)果，對氣象因素中的溫度、風(fēng)力、降水量和相對濕度以及環(huán)境因素中的PM2.5、PM10、SO2和NO2進(jìn)行歸一化處理。

3.2 BP網(wǎng)絡(luò)與遺傳BP網(wǎng)絡(luò)預(yù)測結(jié)果對比

為了使預(yù)測準(zhǔn)確性和可靠性更高，需要給予神經(jīng)網(wǎng)絡(luò)足夠多的訓(xùn)練樣本，使其能夠不斷調(diào)整節(jié)點之間的連接權(quán)值和閾值，最終得到神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出值與實際值基本相符的結(jié)果。因此，從平頂山自然污穢試驗站得到的317組數(shù)據(jù)，隨機(jī)選擇307組數(shù)據(jù)作為訓(xùn)練樣本，其余10組數(shù)據(jù)作檢驗樣本。根據(jù)Kolmogorov定理[11]，若輸出層有n個節(jié)點數(shù)，則隱含層的節(jié)點數(shù)為2n+1。故在本文中，對ESDD和NSDD的預(yù)測模型中隱含層分別設(shè)置17和15個節(jié)點數(shù)。

對于遺傳網(wǎng)絡(luò)，為了得到較好預(yù)期，本文不斷修改其種群數(shù)量、交叉概率和變異概率的參數(shù)。通過大量仿真試驗后，得到當(dāng)遺傳算法的種群數(shù)為80、交叉概率為0.8、變異概率為0.2時，可以取得較好的預(yù)期。本文選取同樣10組數(shù)據(jù)作為檢驗樣本，計算經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對絕緣子污穢度的預(yù)測值同實際污穢度值的偏差，然后進(jìn)行比較分析。BP網(wǎng)絡(luò)和遺傳BP網(wǎng)絡(luò)對ESDD和NSDD的預(yù)測值見表2和表3，BP網(wǎng)絡(luò)與遺傳BP網(wǎng)絡(luò)對ESDD和NSDD的預(yù)測比較見圖9和圖10。

從表2和圖9中可看出，經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對ESDD預(yù)測的準(zhǔn)確性明顯比普通BP神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確性高，從表3和圖10中可看出，經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對NSDD預(yù)測的準(zhǔn)確性也明顯比普通BP神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確性高。

就具體而言，在對ESDD預(yù)測時，BP網(wǎng)絡(luò)的平均預(yù)測誤差為7.9%，而遺傳BP網(wǎng)絡(luò)的平均預(yù)測誤差僅為3.4%，可以明顯看出經(jīng)遺傳算法優(yōu)化后預(yù)測的準(zhǔn)確性得到大大提高。而從這2個預(yù)測結(jié)果的標(biāo)準(zhǔn)差和均方根誤差中，可以看出遺傳BP神經(jīng)網(wǎng)絡(luò)的預(yù)測離散程度要明顯比BP神經(jīng)網(wǎng)絡(luò)預(yù)測小，即預(yù)測偏差較小。

表2 BP網(wǎng)絡(luò)和遺傳BP網(wǎng)絡(luò)對ESDD的預(yù)測值Table 2 Predicting ESDD of BP network&genetic BP network

表3 BP網(wǎng)絡(luò)和遺傳BP網(wǎng)絡(luò)對NSDD的預(yù)測值Table 3 Predicting NSDD of BP network&genetic BP network

圖9 BP網(wǎng)絡(luò)與遺傳BP網(wǎng)絡(luò)對ESDD的預(yù)測比較Fig.9 Comparison ESDD between BP network’s prediction and genetic BP network’s prediction

在對NSDD預(yù)測時，這兩個預(yù)測模型的預(yù)測偏差要比應(yīng)用在對ESDD預(yù)測時大，BP網(wǎng)絡(luò)的平均預(yù)測誤差為12.8%，而遺傳BP網(wǎng)絡(luò)的平均預(yù)測誤差為8.1%。此外，BP網(wǎng)絡(luò)在預(yù)測是最大誤差達(dá)到30.9%，居所有預(yù)測中最大。同時遺傳BP網(wǎng)絡(luò)的最大預(yù)測誤差也達(dá)到了19.3%，明顯偏大。從預(yù)測的離散程度來看，遺傳BP網(wǎng)絡(luò)也同樣優(yōu)于普通BP網(wǎng)絡(luò)，但是這2個模型對NSDD的預(yù)測離散程度要比對ESDD的預(yù)測離散程度大，即預(yù)測偏差較大。

圖10 BP網(wǎng)絡(luò)與遺傳BP網(wǎng)絡(luò)對NSDD的預(yù)測比較Fig.10 Comparison NSDD between BP network’s prediction and genetic BP network’s prediction

綜上所述，可以證明利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對絕緣子污穢度的預(yù)測模型是基本可行的，綜合考慮前一日污穢度數(shù)據(jù)、溫度、風(fēng)力、降水量、相對濕度、PM2.5、PM10、NO2和SO2等因素做輸入量的方式也是可行的。此外，考慮到輸入量參數(shù)數(shù)據(jù)均取自于自然環(huán)境，其各項變量均處于一個動態(tài)過程，與過往在實驗室固定環(huán)境下進(jìn)行污穢度預(yù)測不同，所以無法全面且精確的衡量每一變量對污穢度的影響。但是，在對絕緣子ESDD和NSDD的預(yù)測中，遺傳BP網(wǎng)絡(luò)表現(xiàn)出較好的優(yōu)化性。因此認(rèn)為在實際過程中，可以運用遺傳BP網(wǎng)絡(luò)對絕緣子污穢度進(jìn)行預(yù)測。BP網(wǎng)絡(luò)與遺傳BP網(wǎng)絡(luò)預(yù)測誤差統(tǒng)計見表4。

表4 BP網(wǎng)絡(luò)與遺傳BP網(wǎng)絡(luò)預(yù)測誤差統(tǒng)計Table 4 The error statistics of prediction of BP network&genetic BP network

4 結(jié)論

本文提出了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對絕緣子污穢度的預(yù)測模型，并應(yīng)用于平頂山自然污穢試驗站收集到的鹽密和灰密數(shù)據(jù)，分析得到以下結(jié)論：

1）該地區(qū)空氣質(zhì)量指數(shù)中PM2.5、SO2和NO2與絕緣子關(guān)聯(lián)度較大，而PM10關(guān)聯(lián)度較小，NO2與絕緣子污穢物的關(guān)聯(lián)度比SO2高，絕緣子污穢物中，硝酸類鹽的成分較多，而硫酸類鹽的成分相對較少。

2）利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對絕緣子污穢度的預(yù)測比普通BP網(wǎng)絡(luò)的預(yù)測明顯準(zhǔn)確。同時對ESDD的預(yù)測要比對NSDD的預(yù)測準(zhǔn)確些。在工程實際中，可以使用遺傳網(wǎng)絡(luò)對絕緣子ESDD和NS?DD進(jìn)行預(yù)測。

參考文獻(xiàn)：

[1]王黎明，劉霆，黃睿，等.考慮氣象，幾何參數(shù)，大氣污染物的絕緣子表面污穢度預(yù)測方法[J].高電壓技術(shù)，2016（3）：876-884．WANG Liming，LIU Ting，HUANG Rui，et al.Contami?nation prediction on insulators considering of meteorology，geometric parameters and air pollutant[J].High Voltage Engineering，2016（3）:876-884.

[2]張寒，文習(xí)山，丁輝.用神經(jīng)網(wǎng)絡(luò)預(yù)測基于氣象因素的絕緣子等值附鹽密度[J].高壓電器，2003，39（6）：31-32．ZHANG Han，WEN Xishan，DING Hui.Extrapolation of insulator's ESDD based on climate factor with artificial neural network[J].High Voltage Apparatus，2003，39（6）:31-32.

[3]李璟延，司馬文霞，孫才新，等.絕緣子污穢度預(yù)測特征量提取與神經(jīng)網(wǎng)絡(luò)模型[J].電力系統(tǒng)自動化，2008，32（15）：84-88．LI Jingyan，SI MA Wenxia，SUN Caixin，et al.Character?istics extraction for contamination forecast of insulators and the neural network model[J].Automation of Electric Power Systems，2008，32（15）:84-88.

[4]胡揚(yáng)宇，李黎，胡文，等.霧霾多發(fā)地區(qū)絕緣子自然積污成分及其來源分析[J].電瓷避雷器，2016（2）：29-34．HU Yangyu，LI Li，HU Wen，et al.Component analysis and its pollution sources of contamination on AC and DC overhead-line insulators in fog haze areas[J].Insulators and Surge Arresters，2016（2）:29-34.

[5]王少華，葉自強(qiáng)，陳金法，等.采用穩(wěn)健回歸算法的絕緣子污閃電壓預(yù)測方法[J].電網(wǎng)技術(shù)，2010（12）：131-135.WANG Shaohua，YE Ziqiang，CHEN Jinfa，et al.A meth?od to predict flashover voltage of insulators based on ro?bust regression[J].Power System Technology，2010（12）:131-135.

[6]譚國梁，王思華.基于熵權(quán)模糊神經(jīng)網(wǎng)絡(luò)的絕緣子污閃狀態(tài)評估[J].電瓷避雷器，2015（4）：5-9．TAN Guoliang，WANG Saihua.Condition assessment of insulator pollution flashover based on entropy weight fuzzy neural network[J].Insulators and Surge Arresters，2015（4）:5-9.

[7]張友鵬，伍亞萍，董海燕，等.基于遺傳算法的絕緣子泄漏電流估算[J].高電壓技術(shù)，2015，41（8）：2757-2763．ZHANG Youpeng，WU Yaping，DONG Haiyan，et al.Evaluation of leakage current of insulators based on the ge?netic algorithm[J].High Voltage Engineering，2015，41（8）:2757-2763.

[8]王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型[J].浙江大學(xué)學(xué)報:工學(xué)版，2012（5）：837-841．WANG Deming，WANG Li，ZHANG Guangming.Shortterm wind speed forecast model for wind farms based on genetic BP neural network[J].Journal of Zhejiang Universi?ty（Engineering Science），2012（5）:837-841.

[9]王思捷，胡濱，黃松，等.基于光傳感技術(shù)的現(xiàn)場污穢度在線監(jiān)測裝置在熱帶海島污濕特征下的研究及應(yīng)用[J].電瓷避雷器，2014（2）：104-107．WANG Saijie，HU Bin，HUANG Song，et al.Research and application of site pollution on-line monitoring device based on optical sensing technology under the environ?ment of tropic island contaminant and humidity character?istics[J].Insulators and Surge Arresters，2014（2）:104-107.

[10]黃歡，彭赤，羅洪，等.污穢在線監(jiān)測光傳感系統(tǒng)在多雨山區(qū)的應(yīng)用[J].電瓷避雷器，2014（6）：45-49．HUANG Huan，PENG Chi，LUO Hong，et al.Applica?tion of optical sensing system for contamination on-line monitoring in rainy mountainous area[J].Insulators and Surge Arresters，2014（6）:45-49.

[11]楊行峻，鄭君里.人工神經(jīng)網(wǎng)絡(luò)與盲信號處理[M].北京：清華大學(xué)出版社，2003．

[12]吳建生，金龍，農(nóng)吉夫.遺傳算法BP神經(jīng)網(wǎng)絡(luò)的預(yù)報研究和應(yīng)用[J].數(shù)學(xué)的實踐與認(rèn)識，2005，35（1）：83-88．WU Jiansheng，JIN Long，NONG Jifu.Forecast research and applying of BP neural network based on genetic algo?rithms[J].Mathematics in Practice and Theory，2005，35（1）:83-88.

[13]李恒真，劉剛，李立浧.絕緣子表面自然污穢成分分析及其研究展望[J].中國電機(jī)工程學(xué)報，2011，31（16）：128-137．LI Hengzhen，LIU Gang，LI Liying.Study status and pros?pect of natural contamination component on insulator sur?face[J].Proceedings of the Chinese Society for Electrical Engineering，2011，31（16）:128-137.

[14]高峰，盧明，王璨，等.基于灰關(guān)聯(lián)算法的霧霾對不帶電懸式絕緣子自然積污影響的研究[J].電瓷避雷器，2016（3）：11-16．GAO Feng，LU Ming，WANG Can，et al.Study on the in?fluence of fog-haze on natural contamination of deener?gized insulator based on grey correlation analysis[J].Insu?lators and Surge Arresters，2016（3）:11-16.

[15]楊慶，司馬文霞，蔣興良，等.復(fù)雜環(huán)境條件下絕緣子閃絡(luò)電壓預(yù)測神經(jīng)網(wǎng)絡(luò)模型的建立及應(yīng)用[J].中國電機(jī)工程學(xué)報，2005，25（13）：155-159．YANG Qing，SIMA Wenxia，JIANG Xingliang，et al.The building and application of a neural network model for fore?casting the flashover voltage of the insulator in complex ambient conditions[J].Proceedings of the Chinese Society for Electrical Engineering，2005，25（13）:155-159.