[发明专利]绝缘子金属附件腐蚀电荷量预测方法

权利要求书

1.一种绝缘子金属附件腐蚀电荷量预测方法，其特征在于，所述方法包括：

从绝缘子金属附件腐蚀电荷量在线监测系统中获取数据；

对所述数据进行缺失值处理，得到连续数据；

对所述连续数据进行金属附件腐蚀电荷量的提取和特征量的提取，得到所述金属附件腐蚀电荷量和所述特征量；

将所述金属附件腐蚀电荷量和所述特征量通过神经网络算法的处理，得到神经网络短时金属附件腐蚀电荷量预测的结果；

将所述金属附件腐蚀电荷量通过时间序列分析法的处理，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果；

将所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果进行对比，得到短时金属附件腐蚀电荷量预测的结果；

所述将所述金属附件腐蚀电荷量通过时间序列分析法的处理，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果的过程中，所述时间序列分析法包括：

将所述金属附件腐蚀电荷量按照时间顺序排列，建立时间序列；

测定季节变化对所述时间序列的影响，得到季节变化影响因子；

根据所述季节变化影响因子，对所述时间序列进行修订，得到消除影响后的时间序列和所述金属附件腐蚀电荷量随时间变化的变化曲线；

将所述消除影响后的时间序列与所述变化曲线进行拟合；

计算拟合后的所述时间序列的周期波动幅度和周期长度；

根据所述周期波动幅度和所述周期长度对所述时间序列短时金属附件腐蚀电荷量和所述年均金属附件腐蚀电荷量进行预测，得到时间序列短时金属附件腐蚀电荷量预测的结果和年均金属附件腐蚀电荷量预测的结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述金属附件腐蚀电荷量和所述特征量通过神经网络算法的处理，得到神经网络短时金属附件腐蚀电荷量预测的结果的过程中，所述神经网络算法包括：

将所述特征量作为变量，将所述金属附件腐蚀电荷量作为因变量，建立神经网络模型；

将所述特征量和所述金属附件腐蚀电荷量进行归一化处理，得到处理后的数据；

将所述处理后的数据进行分类，得到训练数据和测试数据；

将所述训练数据输入所述神经网络模型中，得到测试金属附件腐蚀电荷量；

将所述测试数据中的金属附件腐蚀电荷量与所述测试金属附件腐蚀电荷量相减，得到差值；

将所述差值与预设范围比较，得到标准模型；

根据所述标准模型，对所述神经网络短时金属附件腐蚀电荷量进行预测，得到神经网络短时金属附件腐蚀电荷量预测的结果。

3.根据权利要求2所述的方法，其特征在于，所述将所述差值与预设范围比较，包括：

判断所述差值是否在所述预设范围内；

如果所述差值在所述预设范围内，则所述神经网络模型为所述标准模型；

如果所述差值不在所述预设范围内，则对所述神经网络模型进行修订后得到所述标准模型。

4.根据权利要求1所述的方法，其特征在于，所述将所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果进行对比，得到短时金属附件腐蚀电荷量预测的结果的过程中，所述对比的方法，包括：

如果所述神经网络短时金属附件腐蚀电荷量预测的结果与所述时间序列短时金属附件腐蚀电荷量预测的结果相同，则将所述相同的结果作为所述短时金属附件腐蚀电荷量预测的结果；

如果所述神经网络短时金属附件腐蚀电荷量预测的结果大于所述时间序列短时金属附件腐蚀电荷量预测的结果，则将所述神经网络短时金属附件腐蚀电荷量预测的结果作为所述短时金属附件腐蚀电荷量预测的结果；

如果所述神经网络短时金属附件腐蚀电荷量预测的结果小于所述时间序列短时金属附件腐蚀电荷量预测的结果，则将所述时间序列短时金属附件腐蚀电荷量预测的结果作为所述短时金属附件腐蚀电荷量预测的结果。