CN112308207B - 网络模型训练方法、避雷器过电压电性预测方法和装置 - Google Patents

Abstract

本发明公开了网络模型训练方法、避雷器过电压电性预测方法和装置。所述网络模型训练方法包括：按设定规则从样本集中获取样本，所述样本包括电网的电压低于第一设定阈值时，电网中的避雷器的第一电性参数，及电网的电压高于第二设定阈值时所述避雷器的第二电性参数；将样本的第一电性参数输入当前的RBF网络模型，根据当前的网络参数，得到输出数据；判断当前的输出数据与第二电性参数间的误差是否小于设定误差阈值；若否，根据当前的输出数据调整当前的网络参数，返回执行所述按设定规则从样本集中获取样本的步骤。能够通过模型预测的方法确定避雷器的高压电性，易于实现，且成本低。

Description

网络模型训练方法、避雷器过电压电性预测方法和装置

技术领域

本发明涉及电网和避雷器技术领域，特别涉及网络模型训练方法、避雷器过电压电性预测方法和装置。

背景技术

避雷器在配电网络和输电网络中都是关键设备之一，因其非线性特性，和线路中其他设备经过多种形式的耦合都会引发线路上产生过电压现象，因此避雷器的过电压特性，尤其是过电压时电流和电压等电性参数的研究尤为重要。过电压是指工频下交流电压均方根值升高，超过额定值的10％，并且持续时间大于1分钟的长时间电压变动现象。

避雷器的高压电性研究通常情况下需要进行高压试验，而在实际工程中特别是在现场施工条件下，进行几十kV级的高压试验通常是难以实现的，并且具备高压试验条件的实验室或者机构数量较少，难于实现避雷器在实验室条件下的大规模准确测量。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的网络模型训练方法、避雷器过电压电性预测方法和装置。

第一方面，本发明实施例提供一种网络模型训练方法，所述模型用于预测避雷器的过电压电性，包括：

按设定规则从样本集中获取样本，所述样本包括电网的电压低于第一设定阈值时，电网中的避雷器的第一电性参数，及电网的电压高于第二设定阈值时所述避雷器的第二电性参数；

将所述样本的第一电性参数输入当前的RBF网络模型，根据当前RBF网络模型的网络参数，得到输出数据；

判断当前的输出数据与当前样本的第二电性参数间的误差是否小于设定误差阈值；

若否，根据当前的输出数据调整当前的网络参数，返回执行所述按设定规则从样本集中获取样本的步骤。

在一个可选的实施例中，所述样本集中样本对应的电网的电压等级相同；所述样本集中至少包括两个避雷器的样本数据。

在一个可选的实施例中，所述当前RBF网络模型的网络参数，具体包括：

当首次将样本的第一电性参数输入RBF网络模型时，所述当前RBF网络模型的网络参数为预设初值；

当非首次将样本的第一电性参数输入RBF网络模型时，所述当前RBF网络模型的网络参数为调整后的当前网络参数。

在一个可选的实施例中，所述网络参数包括至少一项下述参数：

当前模型的输入层单元与隐含层单元间的第一连接权值；

当前模型的隐含层单元与输出层单元间的第二连接权值；

当前模型的输出层单元径向基函数的第一中心和输出层单元径向基函数的第一方差；

当前模型的隐含层单元径向基函数的第二中心和隐含层单元径向基函数的第二方差。

在一个可选的实施例中，当所述网络参数包括第一连接权值和第二连接权值时，根据当前的输出数据调整当前的网络参数，具体包括：

根据当前的输出数据确定所述样本对当前模型的输出层各单元的输出贡献、输出层各单元在所述样本作用时的输出和当前模型的隐含层各单元在所述样本作用时的输出，进而确定输出层各单元与隐含层各单元间的第二连接权值的第二增量，根据当前的第二连接权值和所述第二增量更新第二连接权值；

根据所述样本对当前模型的输出层各单元的输出贡献、输出层各单元在所述样本作用时的输出、更新后的第二连接权值、当前模型的隐含层各单元在所述样本作用时的输出和当前模型的输入层各单元在所述样本作用时的输出，确定当前模型的输入层各单元与隐含层各单元间的第一连接权值的第一增量，根据当前的第一连接权值和所述第一增量更新第一连接权值。

在一个可选的实施例中，当所述网络参数包括第一中心、第一方差、第二中心和第二方差时，根据当前的输出数据和所述样本的第二电性参数调整当前的网络参数后，还包括：

根据当前模型的输出层单元径向基函数的第一中心和输出层单元径向基函数的第一方差，确定输出层各单元的激活函数；和/或，

根据当前模型的隐含层单元径向基函数的第二中心和隐含层单元径向基函数的第二方差，确定隐含层各单元的激活函数。

在一个可选的实施例中，所述根据当前RBF网络模型的网络参数，得到输出数据前，还包括：

根据输入层的单元个数和输出层的单元个数，确定隐含层单元个数。

在一个可选的实施例中，还包括：

将所述样本集中样本的第一电性参数和第二电性参数进行归一化处理。

第二方面，本发明实施例提供一种避雷器过电压电性预测方法，包括：

获取电网的电压低于第一设定阈值时，电网中的避雷器的第一电性参数；

将所述第一电性参数输入按照上述方法训练的RBF网络模型中，得到所述避雷器的过电压电性。

第三方面，本发明实施例提供一种网络模型训练装置，所述模型用于预测避雷器的过电压电性，所述装置包括：

获取模块，用于按设定规则从样本集中获取样本，所述样本包括电网的电压低于第一设定阈值时，电网中的避雷器的第一电性参数，及电网的电压高于第二设定阈值时所述避雷器的第二电性参数；

确定模块，用于将所述获取模块获取的样本的第一电性参数输入当前的RBF网络模型，根据当前RBF网络模型的网络参数，得到输出数据；

判断模块，用于判断确定模块确定的当前的输出数据与当前样本的第二电性参数间的误差是否小于设定误差阈值；

优化模块，若所述判断模块判断为否，用于根据当前的输出数据调整当前的网络参数，所述获取模块返回执行所述按设定规则从样本集中获取样本的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机指令，当该指令被处理器执行时实现上述网络模型训练方法，或实现上述避雷器过电压电性预测方法。

第五方面，本发明实施例提供一种服务器，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述网络模型训练方法，或实现上述避雷器过电压电性预测方法。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明实施例所述的网络模型训练方法，预先获取电网中的避雷器的低压电性和高压电性，作为一个样本，得到样本集；循环利用样本集中的一个样本对RBF网络模型进行训练学习，直至当前的输出数据与样本的第二电性参数间的误差小于设定误差阈值。得到的RBF网络模型可以用于避雷器的过电压电性预测，避免了实验方法预测的困难，且预测精度可以满足过电压仿真、预警和故障排除等实际工程应用的要求；预测成本低，预测效率高；同时，方法简便快捷，适于现场施工使用。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例一中网络模型训练方法的流程图；

图2为本发明实施例一中RBF网络结构示例图；

图3为本发明实施例一中RBF网络中各单元的工作原理示例图；

图4为本发明实施例二中网络模型训练方法的具体实现流程图；

图5为本发明实施例中避雷器过电压电性预测方法的流程实例图；

图6为本发明实施例中网络模型训练装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了解决避雷器的高压电性研究难以实现的问题，本发明实施例提供了网络模型训练方法、避雷器过电压电性预测方法和装置，能够通过模型预测的方法快速便捷的确定避雷器的高压电性，易于实现，且成本低。

实施例一

本发明实施例一提供一种网络模型训练方法，模型用于预测避雷器的过电压电性，其训练流程如图1所示，包括如下步骤：

步骤S11：按设定规则从样本集中获取样本。

上述样本包括电网的电压低于第一设定阈值时，电网中的避雷器的第一电性参数，及电网的电压高于第二设定阈值时避雷器的第二电性参数，即第一电性参数为避雷器的低压电性参数，第二电性参数为避雷器的高压电性参数。

具体的，样本集中样本对应的电网的电压等级相同；样本集中至少包括两个避雷器的样本数据。以采集到的不同的避雷器的电性参数作为样本数据，最终训练得到的模型的适用性更广；同时，每次迭代训练的过程中采用不同的避雷器的数据，可以使得训练结果快速收敛，减小了训练失败(训练结果不收敛)的可能性。

具体的，电性参数包括避雷器的电压向量和电流向量，例如，样本的第一电性参数为避雷器的低压测量电压向量u＝[u₁ u₂ … u_i … u_N]^T和电流向量i＝[i₁ i₂ … i_i …i_N]^T；第二电性参数为避雷器的高压测量电压向量U＝[U₁ U₂ … U_j … U_M]^T和电流向量I＝[I₁ I₂ … I_j … I_M]^T。

按设定规则从样本集中获取样本，可以是每次都从样本集中随机获取一个样本；也可以是，按照某种顺序循环获取一个样本；也可以是按照其他的规则，至少需要保证相邻两次获取的样本不是同一避雷器的测量数据。

步骤S12：将样本的第一电性参数输入当前的RBF网络模型，根据当前RBF网络模型的网络参数，得到输出数据。

具体的，当前的网络参数，具体包括，当首次将样本的第一电性参数输入RBF网络模型时，当前RBF网络模型的网络参数为预设初值；当非首次将样本的第一电性参数输入RBF网络模型时，当前RBF网络模型的网络参数为调整后的当前网络参数。

上述网络参数包括至少一项下述参数：

当前模型的输入层单元与隐含层单元间的第一连接权值；

当前模型的隐含层单元与输出层单元间的第二连接权值；

当前模型的输出层单元径向基函数的第一中心和输出层单元径向基函数的第一方差；

当前模型的隐含层单元径向基函数的第二中心和隐含层单元径向基函数的第二方差。

参照图2所示，为RBF网络结构示例图，网络共分为三层：输入层、隐含层和输出层，每层包含若干个单元；每个单元的工作原理如图3所示，在若干输入信号的作用下，通过激活函数和单元的阈值，产生输出。

步骤S13：判断当前的输出数据与当前样本的第二电性参数间的误差是否小于设定误差阈值。

若步骤S13判断为是，说明模型的预测误差已经满足了设定的要求，结束模型的迭代训练；若步骤S13判断为否，执行步骤S14后，返回执行步骤S11。

步骤S14：根据当前的输出数据调整当前的网络参数。

本发明实施例一提供的网络模型训练方法，预先获取电网中的避雷器的低压电性和高压电性，作为一个样本，得到样本集；循环利用样本集中的一个样本对RBF网络模型进行训练学习，直至当前的输出数据与样本的第二电性参数间的误差是否小于设定误差阈值。得到的RBF网络模型可以用于避雷器的过电压电性预测，避免了实验方法预测的困难，且预测精度可以满足过电压仿真、预警和故障排除等实际工程应用的要求；预测成本低，预测效率高；同时，方法简便快捷，适于现场施工使用。

实施例二

本发明实施例二提供一种网络模型训练方法的具体实现，参见图4所示，包括如下步骤：

步骤S41：将样本集中样本的第一电性参数和第二电性参数进行归一化处理。

归一化函数为：

可以将样本中的电压和电流分别按照上式(1)进行归一化处理，x为样本的电压向量中的每个电压值时，x_min和x_max分别为样本的电压向量中的最小电压值和最大电压值，y为归一化后的电压值；x为样本的电流向量中的每个电流值时，x_min和x_max分别为样本的电流向量中的最小电流值和最大电流值，y为归一化后的电流值。

步骤S42：按设定规则从样本集中获取样本。

RBF网络的输入层为避雷器的低压电性参数向量，输出层为避雷器的高压电性参数向量，经过大量的数据对网络模型进行训练后，拟合避雷器的非线性特性。最终可以实现利用低电压激励下获取的避雷器电压、电流参数测量值来快速估算高电压等级下避雷器的相关参数。

步骤S43：根据输入层的单元个数和输出层的单元个数，确定隐含层单元个数。

输入参数为u＝[u₁ u₂ … u_i … u_N]^T和i＝[i₁ i₂ … i_i … i_N]^T，故输入层层共2N个单元；输出参数为电压向量U＝[U₁ U₂ … U_j … U_M]^T和电流向量I＝[I₁ I₂ … I_j …I_M]^T，故输出层共2M个单元。

若RBF网络输入层的单元个数为2N，输出层的单元个数为2M，则隐含层的单元个数为

即在输入层和输出层的单元个数都已知的情况下，隐含层的单元个数是可以确定且是固定的。

步骤S44：将样本的第一电性参数输入当前的RBF网络模型，根据隐含层单元个数和当前的网络参数，得到输出数据。

1)假定用某一个样本s的输入和输出对RBF网络进行训练，隐含层的第i个单元在样本s作用下的输入为

上式(2)中，W_ij为输入层单元j与隐含层单元i间的第一连接权值，j＝1，2，……2N，i＝1，2，……q；θ_i为隐含层单元i的阈值；

和

分别为输入层单元j在样本s的作用时的输出和输入，对于输入层单元而言，

2)隐含层第i个单元的输出

为：

上式(3)中，g_i代表的是隐含层第i个单元的激活函数，隐含层单元的激活函数可以根据当前模型的隐含层单元径向基函数的第二中心和隐含层单元径向基函数的第二方差来确定，隐含层单元i的激活函数R(x_i-c_i)：

隐含层单元的激活函数即径向基函数，上式(4)中，c_i为当前模型的隐含层单元i的径向基函数的第二中心；σ_i为隐含层单元i径向基函数的第二方差，x_i为输入层对隐含层单元i的输入矢量。

3)输出层第k个单元在样本s作用下的总输入

为:

上式(5)中，w_ki为隐含层单元i与输出层单元k间的第二连接权值；

为隐含输入层单元i在样本s的作用时的输出；θ_k为输出层单元k的阈值。

4)输出层单元k的激活函数R(x_k-c_k)：

输出层单元的激活函数即径向基函数，上式(6)中，c_k为当前模型的输出层单元k的径向基函数的第一中心；σ_k为输出层单元k径向基函数的第一方差，x_k为隐含层对输出层单元k的输入矢量。

5)输出层的第k个单元的实际输出y_k为：

上式(7)中，w_ik为当前模型的隐含层单元i与输出层单元k间的第二连接权值。

步骤S45：判断当前的输出数据与当前样本的第二电性参数间的误差是否小于设定误差阈值。

上式(8)中，y_k为输出层的第k个单元的实际输出；d_K为当前样本的第二电性参数中第k个单元的实际值。

若步骤S45判断为是，说明模型的预测误差已经满足了设定的要求，结束模型的迭代训练；若步骤S45判断为否，执行步骤S46后，返回执行步骤S42。

步骤S46：根据当前输出数据调整当前的网络参数。

1)确定输出层各单元的激活函数。

确定当前模型的输出层单元径向基函数的第一中心和输出层单元径向基函数的第一方差；

根据当前模型的输出层单元径向基函数的第一中心和输出层单元径向基函数的第一方差，确定输出层各单元的激活函数。

2)确定隐含层各单元的激活函数。

确定当前模型的隐含层单元径向基函数的第二中心和隐含层单元径向基函数的第二方差；

根据当前模型的隐含层单元径向基函数的第二中心和隐含层单元径向基函数的第二方差，确定隐含层各单元的激活函数。

3)更新输出层各单元与隐含层各单元间的第二连接权值。

根据输出数据确定样本对当前模型的输出层各单元的输出贡献、输出层各单元在样本作用时的输出和当前模型的隐含层各单元在样本作用时的输出，进而确定输出层各单元与隐含层各单元间的第二连接权值的第二增量；根据当前的第二连接权值和第二增量更新第二连接权值。

输出层单元k与隐含层单元i间的第二连接权值的第二增量

上式(9)中，η为学习速率；

为在样本s作用下输出层的第k个单元的输出，即上式(7)中的y_k；

为在样本s作用下隐含层的第i个单元的输出；

为样本s对输出层单元k的输出贡献。

4)更新输入层各单元与隐含层各单元间的第一连接权值。

根据样本对当前模型的输出层各单元的输出贡献、输出层各单元在样本作用时的输出、更新后的第二连接权值、当前模型的隐含层各单元在样本作用时的输出和当前模型的输入层各单元在样本作用时的输出，确定当前模型的输入层各单元与隐含层各单元间的第一连接权值的第一增量；根据当前的第一连接权值和第一增量更新第一连接权值。

输入层单元j与隐含层单元i间的第一连接权值的第一增量

上式(10)中，w_ki为输出层单元k与隐含层单元i间的第二连接权值；

为输入层单元j在样本s作用时的输出。

基于本发明的发明构思，本发明实施例还提供一种避雷器过电压电性预测方法，包括：

获取电网的电压低于第一设定阈值时，电网中的避雷器的第一电性参数；

将第一电性参数输入按照上述方法训练的RBF网络模型中，得到所述避雷器的过电压电性。

参见图5所示，将避雷器的低压测量数据输入按照上述方法训练的RBF网络模型中，得到的输出确定出避雷器的高压电性数据。

基于本发明的发明构思，本发明实施例还提供一种网络模型训练装置，，所述模型用于预测避雷器的过电压电性，该装置的结构如图6所示，包括：

获取模块61，用于按设定规则从样本集中获取样本，所述样本包括电网的电压低于第一设定阈值时，电网中的避雷器的第一电性参数，及电网的电压高于第二设定阈值时所述避雷器的第二电性参数；

确定模块62，用于将获取模块61获取的样本的第一电性参数输入当前的RBF网络模型，根据当前RBF网络模型的网络参数，得到输出数据；

判断模块63，用于判断确定模块62确定的当前的输出数据与当前样本的第二电性参数间的误差是否小于设定误差阈值；

优化模块64，若判断模块63判断为否，用于根据当前的输出数据调整当前的网络参数，获取模块61返回执行所述按设定规则从样本集中获取样本的步骤。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

基于本发明的发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机指令，当该指令被处理器执行时实现上述网络模型训练方法，或实现上述避雷器过电压电性预测方法。

基于本发明的发明构思，本发明实施例还提供一种服务器，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述网络模型训练方法，或实现上述避雷器过电压电性预测方法。

除非另外具体陈述，术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算系统、或类似设备的动作和/或过程，所述动作和/或过程将表示为处理系统的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理系统的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如，在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (10)

1.一种网络模型训练方法，其特征在于，所述模型用于预测避雷器的过电压电性，包括：

按设定规则从样本集中获取样本，所述样本包括电网的电压低于第一设定阈值时，电网中的避雷器的第一电性参数，及电网的电压高于第二设定阈值时所述避雷器的第二电性参数；

将所述样本的第一电性参数输入当前的RBF网络模型，根据当前RBF网络模型的网络参数，得到输出数据；

判断当前的输出数据与当前样本的第二电性参数间的误差是否小于设定误差阈值；

若否，根据当前的输出数据调整当前的网络参数，返回执行所述按设定规则从样本集中获取样本的步骤。

2.如权利要求1所述的方法，其特征在于，所述样本集中样本对应的电网的电压等级相同；所述样本集中至少包括两个避雷器的样本数据。

3.如权利要求1所述的方法，其特征在于，所述当前RBF网络模型的网络参数，具体包括：

当首次将样本的第一电性参数输入RBF网络模型时，所述当前RBF网络模型的网络参数为预设初值；

当非首次将样本的第一电性参数输入RBF网络模型时，所述当前RBF网络模型的网络参数为调整后的当前网络参数。

4.如权利要求1所述的方法，其特征在于，所述网络参数包括至少一项下述参数：

当前模型的输入层单元与隐含层单元间的第一连接权值；

当前模型的隐含层单元与输出层单元间的第二连接权值；

当前模型的输出层单元径向基函数的第一中心和输出层单元径向基函数的第一方差；

当前模型的隐含层单元径向基函数的第二中心和隐含层单元径向基函数的第二方差。

5.如权利要求4所述的方法，其特征在于，当所述网络参数包括第一连接权值和第二连接权值时，根据所述当前的输出数据调整当前的网络参数，具体包括：

根据当前的输出数据确定所述样本对当前模型的输出层各单元的输出贡献、输出层各单元在所述样本作用时的输出和当前模型的隐含层各单元在所述样本作用时的输出，进而确定输出层各单元与隐含层各单元间的第二连接权值的第二增量，根据当前的第二连接权值和所述第二增量更新第二连接权值；

根据所述样本对当前模型的输出层各单元的输出贡献、输出层各单元在所述样本作用时的输出、更新后的第二连接权值、当前模型的隐含层各单元在所述样本作用时的输出和当前模型的输入层各单元在所述样本作用时的输出，确定当前模型的输入层各单元与隐含层各单元间的第一连接权值的第一增量，根据当前的第一连接权值和所述第一增量更新第一连接权值。

6.如权利要求4所述的方法，其特征在于，当所述网络参数包括第一中心、第一方差、第二中心和第二方差时，根据当前的输出数据和所述样本的第二电性参数调整当前的网络参数后，还包括：

根据当前模型的输出层单元径向基函数的第一中心和输出层单元径向基函数的第一方差，确定输出层各单元的激活函数；和/或，

根据当前模型的隐含层单元径向基函数的第二中心和隐含层单元径向基函数的第二方差，确定隐含层各单元的激活函数。

7.如权利要求4～6任一项所述的方法，其特征在于，所述根据当前RBF网络模型的网络参数，得到输出数据前，还包括：

根据输入层的单元个数和输出层的单元个数，确定隐含层单元个数。

8.如权利要求1～6任一项所述的方法，其特征在于，还包括：

将所述样本集中样本的第一电性参数和第二电性参数进行归一化处理。

9.一种避雷器过电压电性预测方法，其特征在于，包括：

获取电网的电压低于第一设定阈值时，电网中的避雷器的第一电性参数；

将所述第一电性参数输入按照权利要求1～8任一项所述的方法训练的RBF网络模型中，得到所述避雷器的过电压电性。

10.一种网络模型训练装置，其特征在于，所述模型用于预测避雷器的过电压电性，所述装置包括：

获取模块，用于按设定规则从样本集中获取样本，所述样本包括电网的电压低于第一设定阈值时，电网中的避雷器的第一电性参数，及电网的电压高于第二设定阈值时所述避雷器的第二电性参数；

确定模块，用于将所述获取模块获取的样本的第一电性参数输入当前的RBF网络模型，根据当前RBF网络模型的网络参数，得到输出数据；

判断模块，用于判断确定模块确定的当前的输出数据与当前样本的第二电性参数间的误差是否小于设定误差阈值；

优化模块，若所述判断模块判断为否，用于根据当前的输出数据调整当前的网络参数，所述获取模块返回执行所述按设定规则从样本集中获取样本的步骤。

Images