CN111695291A - 一种用于确定长空气间隙击穿电压的方法及系统 - Google Patents

一种用于确定长空气间隙击穿电压的方法及系统 Download PDF

Info

Publication number
CN111695291A
CN111695291A CN202010408356.4A CN202010408356A CN111695291A CN 111695291 A CN111695291 A CN 111695291A CN 202010408356 A CN202010408356 A CN 202010408356A CN 111695291 A CN111695291 A CN 111695291A
Authority
CN
China
Prior art keywords
optimal
nest
model
objective function
determining
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.)
Pending
Application number
CN202010408356.4A
Other languages
English (en)
Inventor
丁玉剑
李鹏
姚修远
殷禹
周军
格兴
孙东旭
姜德喜
刘玉胜
杨冰雪
李嘉伟
马建功
王建
李晓光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010408356.4A priority Critical patent/CN111695291A/zh
Publication of CN111695291A publication Critical patent/CN111695291A/zh
Pending legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开一种用于确定长空气间隙击穿电压的方法及系统，根据长空气间隙的结构特征和气象条件特征确定训练数据；根据支持向量回归SVR模型的训练误差确定目标函数；利用样本训练数据进行SVR模型的训练，并利用布谷鸟搜索算法进行模型参数的寻优，以确定最优SVR模型；利用所述最优SVR模型进行预测，以确定所述待测长空气间隙的击穿电压。本发明的方法能够根据长空气间隙的结构特征和气象条件特征确定不同间隙类型对应的击穿电压预测模型，相比传统的击穿电压计算方式，具有更高的预测精度，且不需要繁琐的计算程序，只需要输入气象条件特征和间隙距离即可确定该条件下的击穿电压，简单易于操作，极大降低了操作成本。

Description

一种用于确定长空气间隙击穿电压的方法及系统
技术领域
本发明涉及高电压与绝缘技术领域，并且更具体地，涉及一种用于确定长空气间隙击穿电压的方法及系统。
背景技术
我国发电能源和用电负荷的分布极不均衡的客观现实决定了我国电力跨区域大规模流动的必然性，特高压输电是我国实现长距离和大容量输电的必然选择。特高压输电线路具有线路长、塔身高、运行电压高、容量大的特点，其发生故障的影响较大。长空气间隙作为特高压输电线路的主要外绝缘形式，其放电特性是特高压输电线路外绝缘设计和雷电屏蔽问题研究的基础，因此选择合理的间隙距离和间隙结构是保证特高压系统安全运行的关键要素。
典型长空气间隙主要包括棒、板、球组成的典型电极空气间隙，对上述长空气间隙进行研究有助于了解长间隙放电机理，为更复杂的研究奠定基础。目前，国内外长空气间隙的击穿电压主要通过试验方法获得，而试验成本高、周期长，且难以推广应用于多种复杂间隙结构，部分学者提出了经验公式拟合、物理模型计算和人工智能预测等方法预测空气间隙击穿电压，但都存在一定的局限性。
因此，有必要研究一种可靠且易于操作的预测长空气间隙放电电压的方法。
发明内容
本发明提出一种用于确定长空气间隙击穿电压的方法及系统，以解决如何快速、准确地确定长空气间隙击穿电压的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种用于确定长空气间隙击穿电压的方法，所述方法包括：
根据长空气间隙的结构特征和气象条件特征确定原始训练数据，并对所述原始训练数据进行预处理，以获取样本训练数据；
根据支持向量回归SVR模型的训练误差确定目标函数；
利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型；
根据待测长空气间隙的结构特征和气象条件特征数据，利用所述最优SVR模型进行预测，以确定所述待测长空气间隙的击穿电压。
优选地，其中所述结构特征包括：间隙距离和电极结构；所述气象条件特征包括：气压、干温和相对湿度。
优选地，其中所述对所述原始训练数据进行预处理，以获取训练样本数据，包括：
Figure BDA0002492174260000021
其中，x′i为特征i对应的数据归一化处理后的值；xi为特征i对应的数据归一化处理前的值；xmax和xmin分别为所有的特征i对应的数据中的最大值和最小值。
优选地，其中所述根据支持向量回归SVR模型的训练误差确定目标函数，包括：
Figure BDA0002492174260000022
其中，n为样本训练数据的个数，yr为第r个训练样本的输出值，yr*为第r个训练样本的实际击穿电压，fMSE为目标函数，min.为对该目标函数进行最小值寻优。
优选地，其中所述利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型，包括：
步骤1，确定模型参数C和γ，初始化布谷鸟搜索算法的巢穴数量N、被宿主发现的概率Pa以及最大迭代次数T；
步骤2，随机产生N个巢穴，巢穴X＝(x1,…,xi…,xn)，第i个巢穴xi的位置为xi＝(xi1，xi2)；其中，xi1和xi2分别对应模型参数C和γ；
步骤3，利用所述样本训练数据进行SVR模型的训练，计算每个巢穴所在位置对应的初始目标函数值，确定初始目标函数值最小的巢穴为最优巢穴，并记录所述最优巢穴对应的目标函数值和最优巢穴当前的位置；
步骤4，根据所述最优巢穴当前的位置，通过位置更新算法对所述最优巢穴的位置进行更新，并计算所述最优巢穴在位置更新后对应的目标函数值；
步骤5，将所述最优巢穴在位置更新后对应的目标函数值和上一代的目标函数值进行比较，并确定最小的目标函数值对应的巢穴位置为最优位置；
步骤6，若迭代次数达到最大迭代次数T，则确定所述最优位置即为模型参数C和γ的最优值，将模型参数C和γ的最优值对应的SVR模型作为最优SVR模型；反之，则返回步骤4。
优选地，其中所述通过位置更新算法对所述最优巢穴的位置进行更新，包括：
Figure BDA0002492174260000031
Figure BDA0002492174260000032
其中，Xt+1为t+1次迭代后最优巢穴的位置；Xt为t次迭代时的巢穴位置、α为缩放步长因子、levy(s,λ)为levy分布，s为随机步长，λ为levy分布的参数；其中，位置更新后产生一个随机数r∈[0,1]，若r≥Pa，则代表宿主鸟未发现外来鸟蛋，停止更新；若r<Pa，则代表宿主鸟发现了外来鸟蛋，则更新一次巢穴位置。
根据本发明的另一个方面，提供了一种用于确定长空气间隙击穿电压的系统，所述系统包括：
样本训练数据获取单元，用于根据长空气间隙的结构特征和气象条件特征确定原始训练数据，并对所述原始训练数据进行预处理，以获取样本训练数据；
目标函数确定单元，用于根据支持向量回归SVR模型的训练误差确定目标函数；
最优SVR模型确定单元，用于利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型；
击穿电压确定单元，用于根据待测长空气间隙的结构特征和气象条件特征数据，利用所述最优SVR模型进行预测，以确定所述待测长空气间隙的击穿电压。
优选地，其中所述结构特征包括：间隙距离和电极结构；所述气象条件特征包括：气压、干温和相对湿度。
优选地，其中所述训练样本数据获取单元，对所述原始训练数据进行预处理，以获取训练样本数据，包括：
Figure BDA0002492174260000041
其中，x′i为特征i对应的数据归一化处理后的值；xi为特征i对应的数据归一化处理前的值；xmax和xmin分别为所有的特征i对应的数据中的最大值和最小值。
优选地，其中所述目标函数确定单元，根据支持向量回归SVR模型的训练误差确定目标函数，包括：
Figure BDA0002492174260000042
其中，n为样本训练数据的个数，yr为第r个训练样本的输出值，yr*为第r个训练样本的实际击穿电压，fMSE为目标函数，min.为对该目标函数进行最小值寻优。
优选地，其中所述最优SVR模型确定单元，利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型，包括：
初始化模块，用于确定模型参数C和γ，初始化布谷鸟搜索算法的巢穴数量N、被宿主发现的概率Pa以及最大迭代次数T；
巢穴生成模块，用于随机产生N个巢穴，巢穴X＝(x1,…,xi…,xn)，第i个巢穴xi的位置为xi＝(xi1，xi2)；其中，xi1和xi2分别对应模型参数C和γ；
最优巢穴确定模块，用于利用所述样本训练数据进行SVR模型的训练，计算每个巢穴所在位置对应的初始目标函数值，确定初始目标函数值最小的巢穴为最优巢穴，并记录所述最优巢穴对应的目标函数值和最优巢穴当前的位置；
目标函数值更新模块，用于根据所述最优巢穴当前的位置，通过位置更新算法对所述最优巢穴的位置进行更新，并计算所述最优巢穴在位置更新后对应的目标函数值；
最优位置确定模块，用于将所述最优巢穴在位置更新后对应的目标函数值和上一代的目标函数值进行比较，并确定最小的目标函数值对应的巢穴位置为最优位置；
最优SVR模型确定模块，用于若迭代次数达到最大迭代次数T，则确定所述最优位置即为模型参数C和γ的最优值，将模型参数C和γ的最优值对应的SVR模型作为最优SVR模型；反之，则进入目标函数值更新模块重新计算。
优选地，其中所述目标函数值更新模块，通过位置更新算法对所述最优巢穴的位置进行更新，包括：
Figure BDA0002492174260000051
Figure BDA0002492174260000052
其中，Xt+1为t+1次迭代后最优巢穴的位置；Xt为t次迭代时的巢穴位置、α为缩放步长因子、levy(s,λ)为levy分布，s为随机步长，λ为levy分布的参数；其中，位置更新后产生一个随机数r∈[0,1]，若r≥Pa，则代表宿主鸟未发现外来鸟蛋，停止更新；若r<Pa，则代表宿主鸟发现了外来鸟蛋，则更新一次巢穴位置。
本发明提供了一种用于确定长空气间隙击穿电压的方法及系统，根据长空气间隙的结构特征和气象条件特征确定训练数据；根据支持向量回归SVR模型的训练误差确定目标函数；利用样本训练数据进行SVR模型的训练，并利用布谷鸟搜索算法进行模型参数的寻优，以确定最优SVR模型；利用所述最优SVR模型进行预测，以确定所述待测长空气间隙的击穿电压。本发明的方法能够根据长空气间隙的结构特征和气象条件特征确定不同间隙类型对应的击穿电压预测模型，相比传统的击穿电压计算方式，具有更高的预测精度，且不需要繁琐的计算程序，只需要输入气象条件特征和间隙距离即可确定该条件下的击穿电压，简单易于操作，极大降低了操作成本。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的用于确定长空气间隙击穿电压的方法100的流程图；
图2为根据本发明实施方式的预测长空气间隙击穿电压的方法的流程图；
图3为根据本发明实施方式的寻优过程的示意图；
图4为根据本发明实施方式的确定击穿电压的示例图；
图5为根据本发明实施方式的预测值与试验值的对比图；
图6为根据本发明实施方式的用于确定长空气间隙击穿电压的系统600的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的用于确定长空气间隙击穿电压的方法100的流程图。如图1所示，本发明实施方式提供的用于确定长空气间隙击穿电压的方法，以间隙距离、气压、干温和相对湿度作为特征，基于布谷鸟算法优化参数构建SVR模型，相比传统的击穿电压计算方式，具有更高的预测精度，且不需要繁琐的计算程序，只需要输入气象条件特征和间隙距离即可确定该条件下的击穿电压，简单易于操作，极大降低了操作成本。本发明实施方式提供的用于确定长空气间隙击穿电压的方法100，从步骤101处开始，在步骤101根据长空气间隙的结构特征和气象条件特征确定原始训练数据，并对所述原始训练数据进行预处理，以获取样本训练数据。
优选地，其中所述结构特征包括：间隙距离和电极结构；所述气象条件特征包括：气压、干温和相对湿度。
优选地，其中所述对所述原始训练数据进行预处理，以获取训练样本数据，包括：
Figure BDA0002492174260000071
其中，x’i为特征i对应的数据归一化处理后的值；xi为特征i对应的数据归一化处理前的值；xmax和xmin分别为所有的特征i对应的数据中的最大值和最小值。
在本发明的实施方式中，根据待测的长空气间隙的气象条件和结构特点确定训练数据。具体地，确定待测长空气间隙的电极结构，并选取相同电极下不同间隙距离、不同气象条件下的击穿试验数据，在试验数据中分散选取训练数据作为原始训练数据。例如，若待测长空气间隙的电极结构为棒-板间隙结构，则从不同间隙距离、不同气象条件下的棒-板间隙击穿试验数据中选取原始训练数据。原始训练数据尽量能够包含全部的气象和间隙距离信息，在进行训练时，以间隙距离、气压、干温、相对湿度作为输入因素，击穿电压作为输出进行训练。为减少输入参数不同量级对预测结果的影响，需要对输入参数和输出的击穿电压进行归一化处理，计算公式如下：
Figure BDA0002492174260000081
其中，x’i为特征i对应的数据归一化处理后的值；xi为特征i对应的数据归一化处理前的值；xmax和xnin分别为所有的特征i对应的数据中的最大值和最小值。
在步骤102，根据支持向量回归SVR模型的训练误差确定目标函数。
优选地，其中所述根据支持向量回归SVR模型的训练误差确定目标函数，包括：
Figure BDA0002492174260000082
其中，n为样本训练数据的个数，yr为第r个训练样本的输出值，yr*为第r个训练样本的实际击穿电压，fMSE为目标函数，min.为对该目标函数进行最小值寻优。
在本发明的实施方式中，输入参数包括气象条件特征和间隙距离，输出参数为间隙的击穿电压，将其输入支持向量回归SVR模型中，以支持向量回归SVR模型的训练误差作为布谷鸟搜索算法的目标函数，设置好布谷鸟搜索算法的初始参数，开始对支持向量回归参数进行寻优。其中，目标函数，包括：
Figure BDA0002492174260000083
其中，n为样本训练数据的个数，yr为第r个训练样本的输出值，yr*为第r个训练样本的实际击穿电压，fMSE为目标函数，min.为对该目标函数进行最小值寻优。
在步骤103，利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型。
优选地，其中所述利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型，包括：
步骤1，确定模型参数C和γ，初始化布谷鸟搜索算法的巢穴数量N、被宿主发现的概率Pa以及最大迭代次数T；
步骤2，随机产生N个巢穴，巢穴X＝(x1,…,xi…,xn)，第i个巢穴xi的位置为xi＝(xi1，xi2)；其中，xi1和xi2分别对应模型参数C和γ；
步骤3，利用所述样本训练数据进行SVR模型的训练，计算每个巢穴所在位置对应的初始目标函数值，确定初始目标函数值最小的巢穴为最优巢穴，并记录所述最优巢穴对应的目标函数值和最优巢穴当前的位置；
步骤4，根据所述最优巢穴当前的位置，通过位置更新算法对所述最优巢穴的位置进行更新，并计算所述最优巢穴在位置更新后对应的目标函数值；
步骤5，将所述最优巢穴在位置更新后对应的目标函数值和上一代的目标函数值进行比较，并确定最小的目标函数值对应的巢穴位置为最优位置；
步骤6，若迭代次数达到最大迭代次数T，则确定所述最优位置即为模型参数C和γ的最优值，将模型参数C和γ的最优值对应的SVR模型作为最优SVR模型；反之，则返回步骤4。
优选地，其中所述通过位置更新算法对所述最优巢穴的位置进行更新，包括：
Figure BDA0002492174260000091
Figure BDA0002492174260000092
其中，Xt+1为t+1次迭代后最优巢穴的位置；Xt为t次迭代时的巢穴位置、α为缩放步长因子、levy(s,λ)为levy分布，s为随机步长，λ为levy分布的参数；其中，位置更新后产生一个随机数r∈[0,1]，若r≥Pa，则代表宿主鸟未发现外来鸟蛋，停止更新；若r<Pa，则代表宿主鸟发现了外来鸟蛋，则更新一次巢穴位置。
在本发明的实施方式中，经过布谷鸟搜索算法寻优，得到最佳的支持向量回归SVR参数，并确定最优的支持向量回归模型。具体地，包括：
步骤一，设置布谷鸟算法的初始参数。
设置迭代最大次数T、巢穴数量N、被宿主发现的概率pa、需要寻优的参数个数dim(本发明的实施方式是中为2，为模型参数C和γ)、以及参数的上界和下界。随机初始化巢穴，生成N个巢穴X＝(x1,…,xi…,xn),xi为第i个巢穴，xi＝(xi1，xi2)，其中xi1和xi2为解，即对应于支持向量机参数C和γ。
步骤二，初始目标函数值计算：
以支持向量回归SVR模型的输出的均方误差作为优化目标，计算每个巢穴所在位置对应的初始目标函数值，比较初始目标函数值大小，确定初始目标函数值最小的巢穴为最优巢穴，并记录所述最优巢穴对应的目标函数值和最优巢穴当前的位置。
步骤三，基于levy飞行更新巢穴位置。
Levy飞行是一种长步长和短步长相间的飞行模式，它的步长服从levy分布，所以采用levy飞行更新巢穴位置的表达式如下：
Figure BDA0002492174260000101
其中，Xt第t次迭代时的巢穴位置；α为缩放步长因子；levy(s,λ)为levy分布，表达式如下：
Figure BDA0002492174260000102
其中，levy(s,λ)为levy分布，s为随机步长，λ为levy分布的参数。
步骤四，更新目标函数值：
计算最优巢穴更新后所在位置的目标函数值，比较最优巢穴更新后所在位置的目标函数值与上一代的目标函数值，择优选取，确定最小的目标函数值对应的巢穴位置为最优位置；并更新最优目标函数值和最优巢穴的位置。
其中，择优选取公式如下所示：
Figure BDA0002492174260000111
其中，
Figure BDA0002492174260000112
为第k次迭代得到的第i个巢穴所对应的目标函数值，
Figure BDA0002492174260000113
为第k+1次迭代得到的第i个巢穴所对应的目标函数值。
步骤五，判断判断宿主鸟是否发现外来鸟蛋。
随机生成0-1间的数字r，与步骤一中设置的被宿主鸟发现的概率Pa比较，若r<Pa，代表宿主鸟发现了外来鸟蛋，则需要更新一次巢穴位置；若r≥Pa，代表宿主鸟未发现外来鸟蛋，则继续进行下一步骤。
步骤六，宿主鸟未发现外来鸟蛋，确定步骤四中的最优位置为最优解。
步骤七，判断当前迭代次数是否达到步骤一中设定的最大迭代次数，若达到最大迭代次数则输出最优解，即最优参数C和γ，若没有达到最大迭代次数则返回步骤二继续进行迭代。
在步骤104，根据待测长空气间隙的结构特征和气象条件特征数据，利用所述最优SVR模型进行预测，以确定所述待测长空气间隙的击穿电压。
在本发明的实施方式中，在确定最优参数C和γ的值后，将其作为SVR模型的最优参数，建立最优SVR预测模型，并将最终模型通过Matlab编程实现可视化窗口展示。输入待预测数据中的气压、相对湿度、干温等气象因素和间隙长度等信息后，即可得到与之对应的击穿电压。
图2为根据本发明实施方式的预测长空气间隙击穿电压的方法的流程图。如图2所示，本发明实施方式的预测长空气间隙击穿电压的方法包括：确定训练数据；将SVR模型训练误差作为目标函数；设置算法初始参数；计算初始目标函数值，并确定最优巢穴；Levy飞行更新鸟窝位置，并根据更新后的位置确定最优目标函数值；当宿主未发现外来鸟蛋时且迭代次数达到最大迭代次数时，根据最优目标函数值对应的位置确定最佳的模型参数x和γ；确定最优SVR模型；根据待测长空气间隙的气象条件特征和结构特征进行击穿电压的预测。其中，若宿主发现外来鸟蛋或者未达到最大迭代次数，则重新进入Levy飞行更新鸟窝位置的步骤。
在本发明的实施方式中，得到的最优参数x和x分别为393.9974和0.016901，将其作为SVR模型的最优参数，建立SVR预测模型，其寻优过程如图3所示。将最终模型通过Matlab编程实现可视化窗口展示。预测界面如图4所示。输入预测数据中的气压、相对湿度、干温等气象因素和间隙长度等信息，即可得到与之对应的击穿电压。在本发明的实施方式中，通过将本发明的方法与同等条件下的试验值进行对比，预测值与试验值的对比结果如图5所示。从图5可以确定本发明实施方式提供的方法的准确性。
图6为根据本发明实施方式的用于确定长空气间隙击穿电压的系统600的结构示意图。如图6所示，本发明实施方式提供的用于确定长空气间隙击穿电压的系统600，包括：样本训练数据获取单元601、目标函数确定单元602、最优SVR模型确定单元603和击穿电压确定单元604。
优选地，所述样本训练数据获取单元601，用于根据长空气间隙的结构特征和气象条件特征确定原始训练数据，并对所述原始训练数据进行预处理，以获取样本训练数据。
优选地，其中所述结构特征包括：间隙距离和电极结构；所述气象条件特征包括：气压、干温和相对湿度。
优选地，其中所述训练样本数据获取单元601，对所述原始训练数据进行预处理，以获取训练样本数据，包括：
Figure BDA0002492174260000121
其中，x’i为特征i对应的数据归一化处理后的值；xi为特征i对应的数据归一化处理前的值；xmax和xmin分别为所有的特征i对应的数据中的最大值和最小值。
优选地，所述目标函数确定单元602，用于根据支持向量回归SVR模型的训练误差确定目标函数。
优选地，其中所述目标函数确定单元602，根据支持向量回归SVR模型的训练误差确定目标函数，包括：
Figure BDA0002492174260000131
其中，n为样本训练数据的个数，yr为第r个训练样本的输出值，yr*为第r个训练样本的实际击穿电压，fMSE为目标函数，min.为对该目标函数进行最小值寻优。
优选地，所述最优SVR模型确定单元603，用于利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型。
优选地，其中所述最优SVR模型确定单元603，利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型，包括：
初始化模块，用于确定模型参数C和γ，初始化布谷鸟搜索算法的巢穴数量N、被宿主发现的概率Pa以及最大迭代次数T；
巢穴生成模块，用于随机产生N个巢穴，巢穴X＝(x1,…,xi…,xn)，第i个巢穴xi的位置为xi＝(xi1，xi2)；其中，xi1和xi2分别对应模型参数C和γ；
最优巢穴确定模块，用于利用所述样本训练数据进行SVR模型的训练，计算每个巢穴所在位置对应的初始目标函数值，确定初始目标函数值最小的巢穴为最优巢穴，并记录所述最优巢穴对应的目标函数值和最优巢穴当前的位置；
目标函数值更新模块，用于根据所述最优巢穴当前的位置，通过位置更新算法对所述最优巢穴的位置进行更新，并计算所述最优巢穴在位置更新后对应的目标函数值；
最优位置确定模块，用于将所述最优巢穴在位置更新后对应的目标函数值和上一代的目标函数值进行比较，并确定最小的目标函数值对应的巢穴位置为最优位置；
最优SVR模型确定模块，用于若迭代次数达到最大迭代次数T，则确定所述最优位置即为模型参数C和γ的最优值，将模型参数C和γ的最优值对应的SVR模型作为最优SVR模型；反之，则进入目标函数值更新模块重新计算。
优选地，其中所述目标函数值更新模块，通过位置更新算法对所述最优巢穴的位置进行更新，包括：
Figure BDA0002492174260000141
Figure BDA0002492174260000142
其中，Xt+1为t+1次迭代后最优巢穴的位置；Xt为t次迭代时的巢穴位置、α为缩放步长因子、levy(s,λ)为levy分布，s为随机步长，λ为levy分布的参数；其中，位置更新后产生一个随机数r∈[0,1]，若r≥Pa，则代表宿主鸟未发现外来鸟蛋，停止更新；若r<Pa，则代表宿主鸟发现了外来鸟蛋，则更新一次巢穴位置。
优选地，所述击穿电压确定单元604，用于根据待测长空气间隙的结构特征和气象条件特征数据，利用所述最优SVR模型进行预测，以确定所述待测长空气间隙的击穿电压。
本发明的实施例的用于确定长空气间隙击穿电压的系统600与本发明的另一个实施例的用于确定长空气间隙击穿电压的方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (12)

1.一种用于确定长空气间隙击穿电压的方法，其特征在于，所述方法包括：
根据长空气间隙的结构特征和气象条件特征确定原始训练数据，并对所述原始训练数据进行预处理，以获取样本训练数据；
根据支持向量回归模型的训练误差确定目标函数；
利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型；
根据待测长空气间隙的结构特征和气象条件特征数据，利用所述最优SVR模型进行预测，以确定所述待测长空气间隙的击穿电压。
2.根据权利要求1所述的方法，其特征在于，所述结构特征包括：间隙距离和电极结构；所述气象条件特征包括：气压、干温和相对湿度。
3.根据权利要求1所述的方法，其特征在于，所述对所述原始训练数据进行预处理，以获取训练样本数据，包括：
Figure FDA0002492174250000011
其中，x′i为特征i对应的数据归一化处理后的值；xi为特征i对应的数据归一化处理前的值；xmax和xmin分别为所有的特征i对应的数据中的最大值和最小值。
4.根据权利要求1所述的方法，其特征在于，所述根据支持向量回归SVR模型的训练误差确定目标函数，包括：
Figure FDA0002492174250000012
其中，n为样本训练数据的个数，yr为第r个训练样本的输出值，yr*为第r个训练样本的实际击穿电压，fMSE为目标函数，min.为对该目标函数进行最小值寻优。
5.根据权利要求1所述的方法，其特征在于，所述利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型，包括：
步骤1，确定模型参数C和γ，初始化布谷鸟搜索算法的巢穴数量N、被宿主发现的概率Pa以及最大迭代次数T；
步骤2，随机产生N个巢穴，巢穴X＝(x1，…，xi…，xn)，第i个巢穴xi的位置为xi＝(xi1，xi2)；其中，xi1和xi2分别对应模型参数C和γ；
步骤3，利用所述样本训练数据进行SVR模型的训练，计算每个巢穴所在位置对应的初始目标函数值，确定初始目标函数值最小的巢穴为最优巢穴，并记录所述最优巢穴对应的目标函数值和最优巢穴当前的位置；
步骤4，根据所述最优巢穴当前的位置，通过位置更新算法对所述最优巢穴的位置进行更新，并计算所述最优巢穴在位置更新后对应的目标函数值；
步骤5，将所述最优巢穴在位置更新后对应的目标函数值和上一代的目标函数值进行比较，并确定最小的目标函数值对应的巢穴位置为最优位置；
步骤6，若迭代次数达到最大迭代次数T，则确定所述最优位置即为模型参数C和γ的最优值，将模型参数C和γ的最优值对应的SVR模型作为最优SVR模型；反之，则返回步骤4。
6.根据权利要求5所述的方法，其特征在于，所述通过位置更新算法对所述最优巢穴的位置进行更新，包括：
Figure FDA0002492174250000021
Figure FDA0002492174250000022
其中，Xt+1为t+1次迭代后最优巢穴的位置；Xt为t次迭代时的巢穴位置、α为缩放步长因子、levy(s，λ)为levy分布，s为随机步长，λ为levy分布的参数；其中，位置更新后产生一个随机数r∈[0，1]，若r≥Pa，则代表宿主鸟未发现外来鸟蛋，停止更新；若r＜Pa，则代表宿主鸟发现了外来鸟蛋，则更新一次巢穴位置。
7.一种用于确定长空气间隙击穿电压的系统，其特征在于，所述系统包括：
样本训练数据获取单元，用于根据长空气间隙的结构特征和气象条件特征确定原始训练数据，并对所述原始训练数据进行预处理，以获取样本训练数据；
目标函数确定单元，用于根据支持向量回归SVR模型的训练误差确定目标函数；
最优SVR模型确定单元，用于利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型；
击穿电压确定单元，用于根据待测长空气间隙的结构特征和气象条件特征数据，利用所述最优SVR模型进行预测，以确定所述待测长空气间隙的击穿电压。
8.根据权利要求7所述的系统，其特征在于，所述结构特征包括：间隙距离和电极结构；所述气象条件特征包括：气压、干温和相对湿度。
9.根据权利要求7所述的系统，其特征在于，所述训练样本数据获取单元，对所述原始训练数据进行预处理，以获取训练样本数据，包括：
Figure FDA0002492174250000031
其中，x′i为特征i对应的数据归一化处理后的值；xi为特征i对应的数据归一化处理前的值；xmax和xmin分别为所有的特征i对应的数据中的最大值和最小值。
10.根据权利要求7所述的系统，其特征在于，所述目标函数确定单元，根据支持向量回归SVR模型的训练误差确定目标函数，包括：
Figure FDA0002492174250000032
其中，n为样本训练数据的个数，yr为第r个训练样本的输出值，yr*为第r个训练样本的实际击穿电压，fMSE为目标函数，min.为对该目标函数进行最小值寻优。
11.根据权利要求7所述的系统，其特征在于，所述最优SVR模型确定单元，利用所述样本训练数据进行SVR模型的训练，进行模型参数的寻优，以确定使所述目标函数最小的模型参数最优值，并根据所述模型参数最优值确定最优SVR模型，包括：
初始化模块，用于确定模型参数C和γ，初始化布谷鸟搜索算法的巢穴数量N、被宿主发现的概率Pa以及最大迭代次数T；
巢穴生成模块，用于随机产生N个巢穴，巢穴X＝(x1，…，xi…，xn)，第i个巢穴xi的位置为xi＝(xi1，xi2)；其中，xi1和xi2分别对应模型参数C和γ；
最优巢穴确定模块，用于利用所述样本训练数据进行SVR模型的训练，计算每个巢穴所在位置对应的初始目标函数值，确定初始目标函数值最小的巢穴为最优巢穴，并记录所述最优巢穴对应的目标函数值和最优巢穴当前的位置；
目标函数值更新模块，用于根据所述最优巢穴当前的位置，通过位置更新算法对所述最优巢穴的位置进行更新，并计算所述最优巢穴在位置更新后对应的目标函数值；
最优位置确定模块，用于将所述最优巢穴在位置更新后对应的目标函数值和上一代的目标函数值进行比较，并确定最小的目标函数值对应的巢穴位置为最优位置；
最优SVR模型确定模块，用于若迭代次数达到最大迭代次数T，则确定所述最优位置即为模型参数C和γ的最优值，将模型参数C和γ的最优值对应的SVR模型作为最优SVR模型；反之，则进入目标函数值更新模块重新计算。
12.根据权利要求11所述的系统，其特征在于，所述目标函数值更新模块，通过位置更新算法对所述最优巢穴的位置进行更新，包括：
Figure FDA0002492174250000041
Figure FDA0002492174250000042
其中，Xt+1为t+1次迭代后最优巢穴的位置；Xt为t次迭代时的巢穴位置、α为缩放步长因子、levy(s，λ)为levy分布，s为随机步长，λ为levy分布的参数，位置更新后产生一个随机数r∈[0，1]，若r≥Pa，则代表宿主鸟未发现外来鸟蛋，停止更新；若r＜Pa，则代表宿主鸟发现了外来鸟蛋，则更新一次巢穴位置。
CN202010408356.4A 2020-05-14 2020-05-14 一种用于确定长空气间隙击穿电压的方法及系统 Pending CN111695291A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010408356.4A CN111695291A (zh) 2020-05-14 2020-05-14 一种用于确定长空气间隙击穿电压的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010408356.4A CN111695291A (zh) 2020-05-14 2020-05-14 一种用于确定长空气间隙击穿电压的方法及系统

Publications (1)

Publication Number Publication Date
CN111695291A true CN111695291A (zh) 2020-09-22

Family

ID=72477720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010408356.4A Pending CN111695291A (zh) 2020-05-14 2020-05-14 一种用于确定长空气间隙击穿电压的方法及系统

Country Status (1)

Country Link
CN (1) CN111695291A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167230A (zh) * 2021-11-12 2022-03-11 武汉大学 一种含悬浮导体长空气间隙放电试验平台及方法
CN118313249A (zh) * 2024-04-08 2024-07-09 中国南方电网有限责任公司超高压输电公司电力科研院 空气间隙放电电压预测模型训练方法、装置和计算机设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104243245A (zh) * 2014-10-16 2014-12-24 湖北工业大学 一种基于不可分小波svm的对等网络流量识别方法和系统
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
CN105095962A (zh) * 2015-07-27 2015-11-25 中国汽车工程研究院股份有限公司 一种基于bp人工神经网络的材料动态力学性能预测方法
CN106033556A (zh) * 2015-03-16 2016-10-19 国家电网公司 一种电网微气象灾害监测预警系统及其预警方法
CN107527110A (zh) * 2017-07-07 2017-12-29 上海电力学院 基于布谷鸟搜索优化mgm（1，n）的年用电量预测方法
CN108090311A (zh) * 2018-01-24 2018-05-29 武汉大学 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
CN108681771A (zh) * 2018-04-26 2018-10-19 红河学院 一种混合布谷鸟搜索算法
CN110866633A (zh) * 2019-10-25 2020-03-06 上海电气集团股份有限公司 一种基于svr支持向量回归的微电网超短期负荷预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104243245A (zh) * 2014-10-16 2014-12-24 湖北工业大学 一种基于不可分小波svm的对等网络流量识别方法和系统
CN106033556A (zh) * 2015-03-16 2016-10-19 国家电网公司 一种电网微气象灾害监测预警系统及其预警方法
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
CN105095962A (zh) * 2015-07-27 2015-11-25 中国汽车工程研究院股份有限公司 一种基于bp人工神经网络的材料动态力学性能预测方法
CN107527110A (zh) * 2017-07-07 2017-12-29 上海电力学院 基于布谷鸟搜索优化mgm（1，n）的年用电量预测方法
CN108090311A (zh) * 2018-01-24 2018-05-29 武汉大学 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
CN108681771A (zh) * 2018-04-26 2018-10-19 红河学院 一种混合布谷鸟搜索算法
CN110866633A (zh) * 2019-10-25 2020-03-06 上海电气集团股份有限公司 一种基于svr支持向量回归的微电网超短期负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIN-SHE YANG 等: "Cuckoo Search: Recent Advances and Applications", NEURAL COMPUTING AND APPLICATIONS, vol. 24, 31 December 2014 (2014-12-31), pages 169 - 174, XP035353675, DOI: 10.1007/s00521-013-1367-1 *
叶开颜 等: "基于支持向量回归的空气间隙击穿电压预测", 计算机光盘软件与应用, vol. 16, no. 24, 31 December 2013 (2013-12-31), pages 152 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167230A (zh) * 2021-11-12 2022-03-11 武汉大学 一种含悬浮导体长空气间隙放电试验平台及方法
CN118313249A (zh) * 2024-04-08 2024-07-09 中国南方电网有限责任公司超高压输电公司电力科研院 空气间隙放电电压预测模型训练方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
CN111695291A (zh) 一种用于确定长空气间隙击穿电压的方法及系统
CN113505490B (zh) 基于gmm的电力系统数字孪生体参数校正方法及装置
CN115660233A (zh) 光伏功率预测方法、装置、电子设备及存储介质
CN112464996A (zh) 基于LSTM-XGBoost的智能电网入侵检测方法
CN113468817A (zh) 一种基于igoa优化elm的超短期风电功率预测方法
CN105929216A (zh) 一种卫星电源主母线电流区间预测方法
CN116485049B (zh) 一种基于人工智能的电能计量误差预测与优化系统
CN116722545B (zh) 基于多源数据的光伏发电预测方法和相关设备
CN116338502A (zh) 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法
CN110263945A (zh) 基于马尔科夫链的配电网线损处理系统
CN116578551A (zh) 一种基于gru-gan的电网数据修复方法
Qin et al. A wireless sensor network location algorithm based on insufficient fingerprint information
CN108574290B (zh) 受迫振荡的振荡源定位方法、装置、终端及可读存储介质
CN117371581A (zh) 一种新能源发电功率预测方法、装置及存储介质
CN116663727A (zh) 一种光伏功率预测方法及系统
CN117233608A (zh) 储能电池检测方法及装置、存储介质及电子设备
CN116722542A (zh) 光伏出力异常检测方法、装置、计算机设备及存储介质
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
CN116227661A (zh) 风电场的功率预测方法、装置、电子设备及存储介质
CN114511194A (zh) 一种电力物联网的运行风险预测方法、系统和电子设备
CN117313043B (zh) 一种风力发电功率预测方法
CN117996863B (zh) 光伏电源的下垂控制方法、装置、计算机设备及介质
CN117828488B (zh) 一种基于随机森林与稳健回归的太阳辐射度预测方法
CN117994084B (zh) 一种分布式电源的选址方法、装置、计算机设备及介质
CN117273209A (zh) 基于特征选择及误差修正的风电功率预测方法

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