CN108090311B - 基于路径特征集与支持向量回归的空气击穿电压预测方法 - Google Patents
基于路径特征集与支持向量回归的空气击穿电压预测方法 Download PDFInfo
- Publication number
- CN108090311B CN108090311B CN201810069949.5A CN201810069949A CN108090311B CN 108090311 B CN108090311 B CN 108090311B CN 201810069949 A CN201810069949 A CN 201810069949A CN 108090311 B CN108090311 B CN 108090311B
- Authority
- CN
- China
- Prior art keywords
- shortest path
- breakdown voltage
- support vector
- vector regression
- feature set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及高电压与绝缘技术,具体涉及基于路径特征集与支持向量回归的空气击穿电压预测方法,构造训练样本集并建立其有限元仿真模型,进行静电场计算并提取最短路径特征集,经过标准化处理后作为输入参量,将击穿电压作为输出参量;采用支持向量回归机(SVR)建立预测模型,通过训练样本集进行模型训练,并采用优化算法对SVR进行参数寻优,得到最优预测模型;建立待预测空气间隙的有限元仿真模型,进行静电场计算及特征提取,对最短路径特征集进行标准化处理,并输入至最优预测模型,模型输出结果即为待预测空气间隙的击穿电压预测值。该预测方法操作过程简单、预测精度可靠、计算效率较高,可大幅减少试验工作量,且具有较好的推广性。
Description
技术领域
本发明属于高电压与绝缘技术领域,尤其涉及基于路径特征集与支持向量回归的空气击穿电压预测方法。
背景技术
空气是电力系统应用最广泛的绝缘介质,空气间隙的击穿电压是高压电气设备绝缘设计的重要依据。目前,输变电工程及各类高压电气设备的绝缘设计主要依赖于放电试验所获取的空气间隙放电特性,试验研究成本高、周期长,且所得到的经验公式往往适用性有限,难以推广应用于各类复杂工程间隙结构。通过仿真计算替代高压试验获取空气间隙的击穿电压成为高电压工程领域长期以来希望达到的目标。
由于空气放电理论尚不完善,目前仍难以建立科学的物理模型对空气放电的全过程进行模拟,并实现放电特性的准确预测。在“电极空气间隙击穿电压的预测方法”(中国发明专利,ZL 201310752299.1)和“基于电场特征量和SVM的空气间隙击穿电压预测”(《中国电机工程学报》,2015年第3期)等已公开的技术中,提出了一种基于电场特征集和支持向量分类机(SVC)的空气击穿电压预测方法,并在典型电极空气间隙中得到了初步应用。上述已公开的技术从“整个区域、放电通道、电极表面、放电路径”4个空间区域提取电场特征量,对于复杂工程间隙,由于电极结构极不规则,这些空间区域往往难以定义。此外,上述已公开的技术采用SVC建立预测模型,在预估击穿电压范围内,需要通过多次迭代计算获取击穿电压预测值,而不是直接输出预测结果,因而计算效率还可进一步提高。
发明内容
本发明的目的是提供一种操作过程简单、预测精度可靠、计算效率较高,可大幅减少试验工作量,且推广性更强的预测方法。
为实现上述目的,本发明采用的技术方案是:基于路径特征集与支持向量回归的空气击穿电压预测方法,包括以下步骤:
步骤1,根据待预测空气间隙的结构特点构造训练样本集,建立各个训练样本的有限元仿真模型,加载单位电压进行静电场计算并提取最短路径特征集;
步骤2,对最短路径特征集进行标准化处理及特征选择后作为输入参量,将训练样本空气间隙的已知击穿电压作为输出参量,对支持向量回归机进行训练,并采用参数优化算法对支持向量回归机的相关参数进行寻优,得到最优的支持向量回归机预测模型;
步骤3,建立待预测空气间隙的有限元仿真模型,加载单位电压进行静电场计算并提取最短路径特征集,将标准化处理后的最短路径特征集输入至最优的支持向量回归机预测模型,得到待预测空气间隙的击穿电压预测值。
在上述的基于路径特征集与支持向量回归的空气击穿电压预测方法中,构造训练样本集采用主动学习算法或聚类算法从已知样本数据中选取。
在上述的基于路径特征集与支持向量回归的空气击穿电压预测方法中,最短路径为空气间隙两电极之间最短距离所在的直线路径;最短路径特征集包括空气间隙最短路径上的电场强度类、电场梯度类、电场平方类、电场积分类、路径长度类、电场不均匀度类特征参量。
在上述的基于路径特征集与支持向量回归的空气击穿电压预测方法中,最短路径特征集标准化处理方法包括离差标准化处理和z-score标准化处理。
在上述的基于路径特征集与支持向量回归的空气击穿电压预测方法中,特征选择方法为采用过滤式算法或封装式算法从最短路径特征集中构造最优特征子集。
在上述的基于路径特征集与支持向量回归的空气击穿电压预测方法中,参数优化算法包括网格搜索算法和启发式算法。
本发明的有益效果是:1、采用最短路径特征集作为预测模型的输入参量,通过电场计算易于获取,可推广至各类复杂间隙结构;2、采用支持向量回归机建立空气击穿电压预测模型,可以直接输出击穿电压预测值,提高了计算效率。
附图说明
图1为本发明一个实施例预测方法的流程图;
图2(a)为本发明一个实施例电场分布云图;
图2(b)为本发明一个实施例提取球隙最短路径上的电场强度值分布曲线;
图3为本发明一个实施例中支持向量回归机的参数寻优结果图;
图4(a)为本发明一个实施例测试样本集一的击穿电压预测结果与IEC60052-2002标准给出的试验值对比图;
图4(b)为本发明一个实施例测试样本集二的击穿电压预测结果与IEC60052-2002标准给出的试验值对比图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例采用如下技术方案:基于路径特征集与支持向量回归的空气击穿电压预测方法,包括以下步骤:
1、根据待预测空气间隙的结构特点,采用合理的方法构造训练样本集,建立各个训练样本的有限元仿真模型,加载单位电压进行静电场计算,从计算结果中提取最短路径特征集。
2、对各个训练样本的最短路径特征集进行标准化处理,而后将其作为输入参量,将训练样本空气间隙的已知击穿电压作为输出参量,对支持向量回归机(SVR)进行训练,并采用参数优化算法对SVR的相关参数进行寻优,得到最优的SVR预测模型。
3、建立待预测空气间隙的有限元仿真模型,加载单位电压进行静电场计算并提取最短路径特征集,将标准化处理后的最短路径特征集输入至最优的SVR预测模型,模型输出结果即为待预测空气间隙的击穿电压预测值。
而且,训练样本集通过主动学习算法或聚类算法从已知样本数据中进行选取。
而且,最短路径为空气间隙两电极之间最短距离所在的直线路径,最短路径特征集包括空气间隙最短路径上的电场强度、电场梯度、电场平方、电场积分、路径长度、电场不均匀度等各类特征参量。
并且,可以采用但不限于过滤式算法、封装式算法等特征选择方法从中构造最优特征子集,作为SVR模型的输入参量。
而且,最短路径特征集标准化处理方法包括离差标准化处理和z-score标准化处理,其中,离差标准化处理方法为
式中,x*为的某一特征参量x经过离差标准化处理后的结果,xmax和xmin分别为该特征参量的最大值和最小值。
z-score标准化处理方法为
而且,参数优化算法包括网格搜索算法或启发式算法。
以IEC 60052-2002给出的标准球隙(一球施加高压、一球接地)作为研究对象,球径D包括5cm、6.25cm、10cm、12.5cm、15cm、25cm、50cm、75cm、100cm、150cm和200cm,间隙距离d最短为1cm,最长为100cm,共271个样本数据。采用本实施例提供的基于路径特征集与支持向量回归的空气击穿电压预测方法从球隙样本数据中选取训练样本集和测试样本集,对其工频击穿电压进行预测,并与标准中的试验结果进行对比。
其流程如图1所示。
一、根据球隙的结构特点,采用主动学习算法选取不同球径、不同间隙距离的样本数据构造训练样本集。
将球径D=5~50cm的球隙作为已知样本集S,共包含132个样本数据,采用ANSYS软件建立各个球隙样本的有限元仿真模型,对高压球电极加载单位电压1V,对接地球和截断空气边界施加零电位,进行静电场计算。以D=5cm、d=2cm的球隙为例,建立其二维轴对称模型进行静电场计算,电场分布云图如图2(a)所示,提取球隙最短路径上的电场强度值,其分布曲线如图2(b)所示,可见球隙最短路径上的电场强度呈U形曲线分布。
将U形曲线左右两段分别定义为高压段和低压段,在球隙最短路径上定义电场强度、电场梯度、电场平方、电场积分、路径长度、电场不均匀度等各类特征参量,构成最短路径特征集,表1所示为一种球隙最短路径特征集,共38个特征参量,从各个球隙样本的静电场计算结果中提取上述特征参量。
表1球隙的最短路径特征集
二、对各个训练样本的最短路径特征集进行标准化处理,本实施例中采用离差标准化处理方法依次将各个特征参量的原始数据标准化至[0,1]区间,而后将其作为输入参量,将训练样本空气间隙的已知击穿电压作为输出参量,对支持向量回归机(SVR)进行训练。此外,也可通过过滤式算法(如相关性系数法、敏感性系数法),或封装式算法(如遗传算法、随机森林算法)等特征选择方法从上述最短路径特征集中构造最优特征子集,作为SVR模型的输入参量。
结合主动学习算法,以已知样本集S中D=50cm、d=24cm和D=5cm、d=1cm两个球隙的试验结果作为初始样本集S1,构造SVR模型,并基于交叉验证思想,通过网格搜索算法对SVR的惩罚系数和核函数参数进行寻优,对已知的132个样本进行预测,设置目标精度p=2.5%,若预测结果的平均误差e大于p,则选择误差最大的样本zi加入训练样本集,然后重复该过程对训练样本集进行扩充,直到SVR模型对已知样本集的预测效果满足要求为止。
采用步骤二所述方法,最终选择的训练样本集见表2,其中,Ut为IEC60052-2002标准中给出的工频击穿电压试验结果(峰值)。训练样本集共包含20个样本数据。
表2训练样本集
D/cm | d/cm | U<sub>t</sub>/kV | D/cm | d/cm | U<sub>t</sub>/kV |
5 | 1.0 | 32.0 | 10 | 5.0 | 123 |
5 | 1.6 | 48.1 | 15 | 1.2 | 37.4 |
5 | 1.8 | 53.0 | 15 | 1.4 | 42.9 |
5 | 2.4 | 65.5 | 15 | 2.6 | 75.5 |
6.25 | 1.0 | 31.9 | 15 | 7.5 | 177 |
6.25 | 1.5 | 45.5 | 25 | 1.0 | 31.7 |
10 | 1.0 | 31.7 | 25 | 7.0 | 184 |
10 | 1.6 | 48.1 | 50 | 2.0 | 59.0 |
10 | 2.8 | 79.5 | 50 | 4.5 | 125 |
10 | 3.5 | 95.0 | 50 | 24 | 515 |
采用表2中的训练样本集对SVR模型进行训练,并通过网格搜索算法对SVR进行参数寻优,寻优结果如图3所示,最优参数为:惩罚系数C=1024,核函数参数g=0.0059,如此,即可得到最优的SVR预测模型。
三、除上述20个训练样本以外,以球径D=5~50cm的球隙作为测试样本集一,共112个样本;以球径D=75~200cm的球隙作为测试样本集二,共139个样本。采用ANSYS软件建立各个待预测球隙的有限元仿真模型,依次对各个球径不同间隙距离的球隙进行静电场计算,从计算结果中提取最短路径特征集,并分别对各个样本各个特征参量进行标准化处理,然后将各个测试样本的最短路径特征集输入至最优的SVR预测模型,模型的输出结果即为待预测球隙的击穿电压预测值。
图4(a)和图4(b)分别为测试样本集一和测试样本集二的击穿电压预测结果与IEC60052-2002标准给出的试验值对比,可见,对于不同球径的球隙,预测结果与试验值吻合良好,随着间隙距离增大,两者具有一致的变化趋势,这说明本发明提供的方法对测试样本集一和测试样本集二均具有较高的预测精度。采用平均绝对百分比误差MAPE对预测结果的误差进行评估,MAPE根据式(3)进行求取。
式中,Ut(i)和Up(i)分别为第i个测试样本的击穿电压试验值和预测值,n为测试样本的总数。采用式(3)可以求得,对于测试样本集一和测试样本集二共251个球隙样本,其预测结果的MAPE为3.5%,在可以接受的误差范围内。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式,但是本领域普通技术人员应当理解,这些仅是举例说明,可以对这些实施方式做出多种变形或修改,而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
Claims (1)
1.基于路径特征集与支持向量回归的空气击穿电压预测方法,其特征是,包括以下步骤:
步骤1,根据待预测空气间隙的结构特点构造训练样本集,建立各个训练样本的有限元仿真模型,加载单位电压进行静电场计算并提取最短路径上的电场强度类、电场梯度类、电场平方类、电场积分类、路径长度类、电场不均匀度类特征参量,构成路径特征集;
步骤2,对最短路径特征集进行标准化处理及特征选择后作为输入参量,将训练样本空气间隙的已知击穿电压作为输出参量,对支持向量回归机进行训练,并采用参数优化算法对支持向量回归机的相关参数进行寻优,得到最优的支持向量回归机预测模型;
步骤3,建立待预测空气间隙的有限元仿真模型,加载单位电压进行静电场计算并提取最短路径特征集,将标准化处理后的最短路径特征集输入至最优的支持向量回归机预测模型,得到待预测空气间隙的击穿电压预测值;
构造训练样本集采用主动学习算法从已知样本数据中选取;
最短路径特征集标准化处理方法为z-score标准化处理;
特征选择方法为采用封装式算法从最短路径特征集中构造最优特征子集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810069949.5A CN108090311B (zh) | 2018-01-24 | 2018-01-24 | 基于路径特征集与支持向量回归的空气击穿电压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810069949.5A CN108090311B (zh) | 2018-01-24 | 2018-01-24 | 基于路径特征集与支持向量回归的空气击穿电压预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090311A CN108090311A (zh) | 2018-05-29 |
CN108090311B true CN108090311B (zh) | 2021-11-02 |
Family
ID=62181754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810069949.5A Active CN108090311B (zh) | 2018-01-24 | 2018-01-24 | 基于路径特征集与支持向量回归的空气击穿电压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090311B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348104A (zh) * | 2019-07-04 | 2019-10-18 | 西安交通大学 | 基于支持向量机回归的绝缘子闪络电压预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678941A (zh) * | 2013-12-31 | 2014-03-26 | 武汉大学 | 电极空气间隙击穿电压的预测方法 |
CN104880650A (zh) * | 2015-05-26 | 2015-09-02 | 武汉大学 | 一种空气间隙击穿电压预测方法 |
-
2018
- 2018-01-24 CN CN201810069949.5A patent/CN108090311B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678941A (zh) * | 2013-12-31 | 2014-03-26 | 武汉大学 | 电极空气间隙击穿电压的预测方法 |
CN104880650A (zh) * | 2015-05-26 | 2015-09-02 | 武汉大学 | 一种空气间隙击穿电压预测方法 |
Non-Patent Citations (3)
Title |
---|
Dynamic voltage collapse prediction in a practical power system with support vector machine;Muhammad Nizam 等;《TENCON 2008 - 2008 IEEE Region 10 Conference》;20090127;第1-6页 * |
基于电场特征量和SVM的空气间隙击穿电压预测;舒胜文 等;《中国电机工程学报》;20150205;第35卷(第3期);第742-750页 * |
基于负荷预测及蚁群优化算法的变电站电压无功综合控制;毛伟;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20090415(第4期);C042-311 * |
Also Published As
Publication number | Publication date |
---|---|
CN108090311A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103678941A (zh) | 电极空气间隙击穿电压的预测方法 | |
CN105574266B (zh) | 一种基于多种群遗传算法的盆式绝缘子电气和机械性能综合优化设计方法 | |
Qiu et al. | Energy storage features and a predictive model for switching impulse flashover voltages of long air gaps | |
CN108090311B (zh) | 基于路径特征集与支持向量回归的空气击穿电压预测方法 | |
JP5353764B2 (ja) | 自動設計支援プログラム、方法及び装置 | |
Qiu et al. | A method for breakdown voltage prediction of short air gaps with atypical electrodes | |
CN109408937A (zh) | 一种空气间隙冲击放电电压间隙系数的计算方法与装置 | |
CN105243239A (zh) | 一种输电线路复合绝缘子电场优化的方法 | |
CN105678014A (zh) | 一种气体介质的储能特征与放电电压预测方法 | |
CN110033041B (zh) | 一种基于深度学习的基因表达谱距离度量方法 | |
Amarasinghe et al. | Fractal characteristics of simulated electrical discharges | |
Talaat et al. | Efficiency of different optimisation approaches for optimal parameters of the CSM for investigating the onset field due to corona point | |
Qiu et al. | Application of a SVR model to predict lightning impulse flashover voltages of parallel gaps for insulator strings | |
Abd Elrahman | Fully optimised charge simulation method by using particle swarm optimisation | |
CN112765842A (zh) | 一种组合式绝缘子均压结构优化设计方法 | |
CN103164557B (zh) | 一种超材料设计装置及其设计方法 | |
Rajamani et al. | Classification of dynamic insulation failures in transformer winding during impulse test using cross-wavelet transform aided foraging algorithm | |
Yufeng et al. | Partial discharge pattern recognition of DC XLPE cables based on convolutional neural network | |
Guo et al. | JOR iterative method for the modeling of MTLs excited by EMP | |
Talukder et al. | Efficient stochastic transient analysis of high-speed passive distributed networks using Loewner matrix based macromodels | |
Qiu et al. | A numerical approach for lightning impulse flashover voltage prediction of typical air gaps | |
Qiu et al. | Electric Field Feature Extraction and Breakdown Voltage Prediction of Sphere Gaps with Quasi-uniform Field | |
Ganjovi et al. | A kinetic model of a PD pulse within voids of sub-millimeter dimensions | |
CN111475931B (zh) | 基于神经网络的pci快速分析方法、装置、电子设备及存储介质 | |
CN113987875A (zh) | 一种改进的基于最短放电路径的击穿电压预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |