[发明专利]一种绝缘子风偏角预测方法及系统

权利要求书

1.一种绝缘子风偏角预测方法，其特征在于，包括：

确定输电线路绝缘子风偏角的影响因素，并对影响因素进行计算排序，得到主要影响因素变量；

根据所述主要影响因素变量，确定预先选取的输电线路绝缘子受台风侵袭时间内风偏角变化的变量时间序列；并根据该变量时间序列构建绝缘子风偏角的多变量相空间；

将所述多变量相空间输入至预设小波神经网络，通过小波神经网络对所述变量时间序列进行预测，得到初始预测值；

基于非参数概率估计方法将所述初始预测值区间化，得到最终预测值，将该最终预测值作为绝缘子风偏角预测值。

2.根据权利要求1所述的绝缘子风偏角预测方法，其特征在于，所述影响因素包括：

风速、风功角、降雨强度、湿度。

3.根据权利要求1所述的绝缘子风偏角预测方法，其特征在于，对影响因素进行计算排序，得到主要影响因素变量包括：

通过模糊层次分析法对影响因素进行计算排序，得到主要影响因素变量。

4.根据权利要求3所述的绝缘子风偏角预测方法，其特征在于，通过模糊层次分析法对影响因素进行计算排序，得到主要影响因素变量包括：

根据专家经验对同层的影响因素进行两两比较，得到三角模糊判断矩阵；

根据求和平均法计算三角模糊判断矩阵各影响因素的比重，得到因素权重矩阵，并根据预先设置的调节系数，计算因素权重矩阵的期望值，对期望值进行归一化，得到因素权重矩阵权向量；

根据所述因素权重矩阵权向量，计算各影响因素的全局权重，并将得到的各影响因素的权重进行排序，选取影响较大的D个因素作为主要影响因素变量。

5.根据权利要求4所述的绝缘子风偏角预测方法，其特征在于，通过模糊层次分析法对影响因素进行计算排序，得到主要影响因素变量还包括：

在根据所述因素权重矩阵权向量，计算各影响因素的全局权重之前，对所述因素权重矩阵的各因素层的三角模糊判断矩阵的一致性进行校验；

在所述因素权重矩阵的各因素层的三角模糊判断矩阵满足一致性校验时，计算各影响因素的全局权重。

6.根据权利要求1所述的绝缘子风偏角预测方法，其特征在于，根据变量时间序列构建绝缘子风偏角的多变量相空间包括：

基于单变量时间序列相空间重构方法，计算所述变量时间序列中各单变量时间序列的延迟时间和嵌入维数；

根据所述延迟时间和嵌入维数，构建与所述变量时间序列所对应的多变量相空间。

7.根据权利要求6所述的绝缘子风偏角预测方法，其特征在于，根据变量时间序列构建绝缘子风偏角的多变量相空间还包括：

在根据所述延迟时间和嵌入维数，构建与所述变量时间序列所对应的多变量相空间之前，基于混沌时间序列相空间重构C-C方法，对构建的多变量相空间的延迟时间和嵌入维数进行参数优化。

8.根据权利要求1所述的绝缘子风偏角预测方法，其特征在于，将所述多变量相空间输入至预设小波神经网络，通过小波神经网络对所述变量时间序列进行预测，得到初始预测值包括：

将小波神经网络预测步长划分为前n步和后N-n步；

运用小波神经网络对所述变量时间序列的前n步进行预测并修正，得到前n步预测时间序列和预测值；

对所述变量时间序列和得到的前n步预测时间序列进行相空间重构，基于小数据量算法计算重构的相空间的最大Lyapunov指数；并基于最大Lyapunov指数对所述变量时间序列的后N-n步进行预测，得到预测值；

将前n步和后N-n步的预测值进行合并，得到所述变量时间序列的初始预测值。