CN103675629A

CN103675629A - 基于电场特征量的电极起晕电压预测方法

Info

Publication number: CN103675629A
Application number: CN201310753819.0A
Authority: CN
Inventors: 阮江军; 舒胜文; 黄道春; 普子恒
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2013-12-31
Filing date: 2013-12-31
Publication date: 2014-03-26
Anticipated expiration: 2033-12-31
Also published as: CN103675629B

Abstract

本发明公开了一种基于电场特征量的电极起晕电压预测方法，首先，测量不同结构的典型电极的起晕电压数据，并定义非起晕电压区间和起晕电压区间；然后，对不同结构的典型电极间隙进行电场计算并提取电场特征量，构建训练样本集；接着，基于训练样本集构建起晕电压预测模型，该起晕电压预测模型以电场特征量为输入、以非起晕电压和起晕电压区间为输出；最后，采用起晕电压预测模型预测电极起晕电压。本发明操作简单，预测准确度高，适用于预测任意结构电极的起晕电压，预测结果可为输电线路、金具和静电除尘装置等的结构设计和结构优化提供参考。

Description

基于电场特征量的电极起晕电压预测方法

技术领域

本发明涉及输变电工程和静电除尘电晕放电领域，尤其涉及一种基于电场特征量的电极起晕电压预测方法。

背景技术

电晕是极不均匀电场所特有的自持放电现象，它与所施电压、电极形状、极间距离、气体性质和密度等诸多因素有关。随着电压等级的提高，输电线路电晕产生的无线电干扰、可听噪声、电晕损失等效应越来越引起重视，电晕效应是超、特高压输电线路导线选型的决定性因素。高压输变电工程中，均压环、防振锤、间隔棒等金具由于曲率半径小，表面可以产生很高场强，当表面电场强度足够高时，形成电晕放电，脉冲电流能量可以通过电磁波形式直接辐射，对周围环境造成高频干扰，带来可听噪声，这些由金具电晕放电带来的电磁环境问题也越来越受到关注。此外，电晕放电在静电除尘装置中得到了广泛应用。因此，准确计算或预测起晕电压对输电线路、金具和静电除尘装置的结构设计和优化具有重大意义。

目前电极起晕电压的计算方法主要包括经验公式（如Peek公式）、半经验公式（如二次电子发射判据）和纯数值计算方法。经验公式和半经验公式中部分参数难以精确获取，计算精度和适用范围均有限；纯数值计算方法相对复杂，且准确性不高。

发明内容

针对现有技术存在的不足，本发明基于计算起晕电压时可不考虑放电过程影响，提出了一种简单且精度高的、基于电场特征量的电极起晕电压预测方法。

为解决上述技术问题，本发明采用如下的技术方案：

基于电场特征量的电极起晕电压预测方法，包括步骤：

步骤1，测量不同结构典型电极的起晕电压数据，并根据测量的起晕电压数据定义各典型电极对应的非起晕电压区间和起晕电压区间；

步骤2，对不同结构的典型电极分别加载其对应的非起晕电压区间和起晕电压区间，对电极间隙进行电场计算获得各加载电压对应的电场特征量集，并构建训练样本集；

步骤3，基于训练样本集，采用人工智能数学方法构建起晕电压预测模型，该起晕电压预测模型以待预测电极的电场特征量集为输入、以代表非起晕电压区间和起晕电压区间的数值A和B为输出；

步骤4，采用起晕电压预测模型预测待预测电极的起晕电压，该步骤进一步包括子步骤：

4.1对待预测电极加载电压，对电极间隙进行电场计算获取电场特征量集并输入起晕电压预测模型，加载电压初始值自行设定；

4.2若起晕电压预测模型输出A，升高加载电压，重复执行步骤4.1，直至起晕电压预测模型输出B，此时的加载电压即为待预测电极的起晕电压；

4.3若起晕电压预测模型输出B，降低加载电压，重复执行步骤4.1，直至起晕电压预测模型输出A，此时输出为B的起晕电压区间下限对应的加载电压即为待预测电极的起晕电压。

上述非起晕电压区间和起晕电压区间分别为[（100%-a）V，100%V）、[100%V，（100%+a）V]，a根据经验人为设定；V为测量的起晕电压。

步骤2中采用有限元计算工具ANSYS对电极间隙进行电场计算。

对步骤2中获得的电场特征量集进行降维处理，并进行归一化。

所述的降维处理方法为：

将电场特征量集中的电场特征量分为M类，根据实际需要仅选择其中N类电场特征量，N<M；或，采用相关性分析法对电场特征量集中的电场特征量进行降维处理；或，采用主成分分析法对电场特征量集中的电场特征量进行降维处理。

步骤3中所构建的起晕电压预测模型为支持向量机模型或神经网络模型。

所述的支持向量机模型为SVC、LIBSVM或LSSVM工具箱。

对支持向量机模型的惩罚因子c和核函数参数g进行优化，具体为：

采用粗-细网格搜索法或遗传算法或粒子群算法取不同的惩罚因子c和核函数参数g，采用k-折交叉验证法得到不同的预测结果，取预测效果最好的惩罚因子c和核函数参数g作为最优参数，从而获得优化后的支持向量机模型。

步骤2所述的训练样本集基于电场特征量和环境特征量构建。

与现有技术相比，本发明具有以下优点和有益效果：

1、基于可描述的物理量预测电极起晕电压，稳健性更好。

2、避开了复杂的电极间隙放电物理过程，仅需要少量起晕电压实测数据进行模型训练，操作简单、成本低、周期短、准确性高，适用于任意结构的电极。

3、具有可扩展性，可考虑环境因素对电极起晕电压的影响，将环境特征量加入起晕电压预测模型，进一步提高预测准确性，方便工程应用。

4、本发明获得的预测结果可为输电线路、金具和静电除尘装置等的结构设计和结构优化提供参考。

附图说明

图1是本发明方法的一种具体流程图；

图2是本发明方法的原理示意图；

图3是实施例中起晕电压预测值与试验值的对比图，图（a）为D为10mm和20mm的起晕电压预测值与试验值的对比；图（b）为d为4cm的起晕电压预测值与试验值的对比图。

具体实施方式

本发明通过测量不同结构的典型电极的起晕电压数据，根据起晕电压数据定义非起晕电压区间和起晕电压区间；加载非起晕电压区间和起晕电压区间，获取不同结构典型电极间隙的电场特征量，以电场特征量为训练样本；采用训练样本训练起晕电压预测模型，并基于起晕电压预测模型预测电极的起晕电压。

下面通过实施例，并结合附图，对本发明技术方案作进一步说明。

参见图1，本发明方法包括步骤：

步骤1，分别测量不同结构典型电极的起晕电压数据，并根据测量的起晕电压数据分别定义各电极对应的非起晕电压区间和起晕电压区间。

采用电晕试验分别对不同结构典型电极的起晕电压进行试验测量，获得不同结构典型电极对应的起晕电压数据。也可根据研究需要，测量不同结构典型电极在不同环境参数下的起晕电压。

定义非起晕电压区间和起晕电压区间，分别记为-1和1，作为起晕电压预测模型的输出。本实施例中，定义[（100%-a）V，100%V）为非起晕电压区间，记为-1；定义[100%V，（100%+a）V]为起晕电压区间，记为1。a根据经验取值，本具体实施中，a取10%；V为测量的起晕电压。

步骤2，对不同结构的典型电极分别加载其对应的非起晕电压区间和起晕电压区间，对电极间隙进行电场计算获得各加载电压对应的电场特征量集，作为训练样本集。

加载定义的非起晕电压区间和起晕电压区间，对电极间隙进行电场计算，并提取电场特征量获得电场特征量集，见表1，以电场特征量集作为训练样本集。具体可采用有限元计算工具ANSYS对电极间隙进行电场计算。

表1电场特征量集

表1中所列的电场特征量总数为40，这些电场特征量从空间上可分为整个区域、放电通道、电极表面和放电路径4类特征量；这些电场特征量从量纲上又可分为电场（量纲为：V/m）、电场能量（量纲为：J）、能量密度（量纲为：J/m³）、表面积（量纲为：m²）、电场梯度（量纲为：V/m²）和比例参数（无量纲）6类特征量。

为减小计算复杂性，提高计算效率，本具体实施方式对电场特征量集进行降维处理，具体的降维处理方法可根据实际需要采取以下的一种：仅考虑某一类或几类电场特征量；或采用相关性分析法或主成分分析法对电场特征量集进行降维处理。对降维处理后的电场特征量集归一化后，作为样本训练的输入。

相关性分析法和主成分分析法是本技术领域内成熟的降维处理方法。相关性分析法为一种构造特征子集法，采用统计相关方法，选择与输出相关性强的特征量，剔除与输出相关性弱的特征量，同时剔除特征量间相关性强的特征量。主成分分析法为一种变换特征空间法，根据累计方差贡献率大于85-95%或特征值大于1选取主成分。

步骤3，基于训练样本集，采用人工智能数学方法构建起晕电压预测模型，该起晕电压预测模型以待预测电极的电场特征量集为输入、以代表非起晕区间和起晕区间的数值-1和1为输出。

起晕电压预测模型可采用支持向量机模型或神经网络模型。本具体实施例中采用支持向量机模型构建起晕电压预测模型。

根据电场特征量集选择支持向量机模型类型，例如，可选择SVC、LIBSVM或LSSVM工具箱。本实施例选择了LIBSVM工具箱，因为LIBSVM工具箱能有效解决分类问题和交叉验证参数选择。构建的起晕电压预测模型，由电场特征量集构成，包括输入和输出，以待预测电极经降维处理后的电场特征量集为输入，以步骤1定义的非起晕电压区间和起晕电压区间为输出。

采用交叉验证思想和粗-细网格搜索法优化支持向量机模型参数，具体指优化支持向量机模型的惩罚因子c和核函数参数g。本实施例中采用粗-细网格搜索法取不同的惩罚因子c和核函数参数g，采用k-折交叉验证法得到不同的预测结果，取预测效果最好，即误差最小的参数作为最优值，从而获得优化后的支持向量机模型。本具体实施中，k取3。除了粗-细网格搜索法，也可以采用遗传算法或粒子群算法搜索优化支持向量机模型参数。

步骤4，采用优化后的起晕电压预测模型预测电极起晕电压。

对待预测电极加载初始电压U0，并对待预测电极间隙进行电场计算，提取电场特征量集并对电场特征量集进行降维处理，将降维处理后的电场特征量集归一化后输入起晕电压预测模型。若起晕电压预测模型输出-1，则升高加载电压，即加载电压U=U0+dU后，再对电极间隙进行电场计算，并提取电场特征量集输入起晕电压预测模型，直至起晕电压预测模型输出1，此时的加载电压U即为待预测电极的起晕电压Uc。若起晕电压预测模型输出1，则降低加载电压，即加载电压U=U0-dU，再对电极间隙进行电场计算，并提取电场特征量集输入起晕电压预测模型，直至起晕电压预测模型输出-1，此时输出为1的起晕电压区间下限对应的加载电压即为起晕电压，即待预测电极的起晕电压Uc为当前加载电压U和dU之和。该过程原理可参见图2，dU可自行设定和调整。

本发明将电极起晕电压预测由回归问题转变成分类问题，即通过核函数特征空间的非线性映射算法将回归问题变换到高维Hilbert空间，然后在高维Hilbert空间中对映射后的样本进行最优超平面分类，支持向量机算法的原理和内部运算过程可参见杨晓伟和郝志峰编写的《支持向量机的算法设计与分析》。本发明方法适用于任意结构的电极，同时，也可根据需要增加电场特征量以外的环境特征量，如环境的温度、湿度、气压等，然后基于电场特征量和环境特征量预测电极起晕电压。

下面以半球形棒-板电极为例，进一步说明本发明技术方案的有益效果。

1）根据半球形棒-板电极间隙的正极性冲击起晕电压的试验数据，建立训练样本集和测试样本集，见表2，其中，字体加粗数据为训练样本集，共8个训练样本，其余为测试样本集，共9个测试样本。

表2训练样本和测试样本

表2中D为电极棒端部直径，d为电极间隙距离。

2）对半球形棒-板电极间隙进行电场计算，并提取电场特征量，见表1。分别采用剔除第1、2、3、4类电场特征量的方式进行降维处理，降维处理后的电场特征量集分别为27、29、31、33维。

3）将降维处理后的电场特征量集作为起晕电压预测模型的输入，并对起晕电压预测模型参数进行优化。

不同特征维数下，起晕电压预测模型的最优参数和误差指标见表3。其中，SSE为误差平方和，MSE为均方误差，MAPE为平均绝对百分比误差，MSPE为均方百分比误差。从表3可以看出，33维电场特征量下测试样本起晕电压的预测结果误差最小，31维下预测结果误差最大。说明对于该组训练样本和测试样本，可不考虑电场梯度类特征量，但有必要考虑电极表面特征量，这也符合“起晕电压主要与电极表面状态相关”的结论。最佳（33维电场特征量）和最差（31维电场特征量）预测值与试验值的对比见图3。

表3起晕电压预测模型的最优参数和误差指标

以上所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims

1.基于电场特征量的电极起晕电压预测方法，其特征在于，包括步骤：

2.如权利要求1所述的基于电场特征量的电极起晕电压预测方法，其特征在于：

所述的非起晕电压区间和起晕电压区间分别为[（100%-a）V，100%V）、[100%V，（100%+a）V]，a根据经验人为设定；V为测量的起晕电压。

3.如权利要求1所述的基于电场特征量的电极起晕电压预测方法，其特征在于：

步骤2中采用有限元计算工具ANSYS对电极间隙进行电场计算。

4.如权利要求1所述的基于电场特征量的电极起晕电压预测方法，其特征在于：

5.如权利要求4所述的基于电场特征量的电极起晕电压预测方法，其特征在于：

所述的降维处理方法为：

6.如权利要求1所述的基于电场特征量的电极起晕电压预测方法，其特征在于：

7.如权利要求6所述的基于电场特征量的电极起晕电压预测方法，其特征在于：

所述的支持向量机模型为SVC、LIBSVM或LSSVM工具箱。

8.如权利要求6所述的基于电场特征量的电极起晕电压预测方法，其特征在于：

9.如权利要求1所述的基于电场特征量的电极起晕电压预测方法，其特征在于：

步骤2所述的训练样本集基于电场特征量和环境特征量构建。