CN113484702B - 一种脉冲放电的位移电流预测方法 - Google Patents

Abstract

本发明公开了一种脉冲放电的位移电流预测方法，涉及高电压与绝缘技术领域，该方法基于位移电流的各个波峰相对脉冲电压的时延总是固定的、且放电电流不会与位移电流的两个最高波峰发生重叠的特性，从波形数据中提取时间、电压、位移电流特征量进行模型训练，利用训练得到的模型即可对同等频率下任意幅值电压对应的位移电流进行预测，且利用时间特征量可以保证预测位移电流与脉冲电压波形时域一致，增强了预测位移电流的准确性，该方法不受工作条件的限制，可应用于任意情形下的脉冲位移电流预测，适用范围广。

Description

一种脉冲放电的位移电流预测方法

技术领域

本发明涉及高电压与绝缘技术领域，尤其是一种脉冲放电的位移电流预测方法。

背景技术

随着低温等离子体在材料表面改性、生物医学、废水处理等领域的迅速发展，学者们对产生低温等离子体的气体放电形式进行了大量深入研究。大气压介质阻挡放电无需真空腔，成本低廉，能够更加有效地获得所需活性粒子，得到了广泛应用。传统大气压介质阻挡放电采用正弦电压作为激励源，研究发现交流高压下，放电极易转变为非均匀放电，造成装置过热，部分能量转化为热能耗散，能量利用率不高。因此近年来，大气压脉冲介质阻挡放电逐渐兴起，大气压脉冲介质阻挡放电使用脉冲电压源激励，一个周期内，分别在脉冲的上升沿和下降沿发生两次放电。借助于快速变化的上升沿和下降沿，放电间隙的电子密度可达10¹²～10¹³cm^-3，平均电子能量可达8.7V，其能量利用率远高于传统的正弦电压激励源。同时，脉冲激励更容易产生均匀、稳定的等离子体，应用更加广泛。因此，大气压脉冲介质阻挡放电具有极高的研究、应用价值。

在大气压脉冲介质阻挡放电中，可以将气体间隙等效为电容C_g和电阻R的并联，等效电容C_g流过位移电流i_d，电阻R流过传导电流i_c，总电流i＝i_d+i_c。气体间隙未被击穿时，不存在传导电流i_c，总电流表现为位移电流，有

由公式可以看出，在脉冲的上升沿和下降沿时刻，存在很大的位移电流i_d且二者极性相反。气体间隙被击穿时，总电流由传导电流i_c和位移电流i_d两部分组成，在脉冲的上升沿和下降沿时刻，总电流以位移电流i_d为主，为两个正、负极性的尖峰脉冲；在脉冲平顶作用时间内，总电流以传导电流i_c为主，为大量的快脉冲电流细丝。位移电流i_d属于脉冲干扰信号，我们希望可以去除脉冲干扰，检测到有效的放电信号，即传导电流i_c。研究至今，工频下的放电信号检测技术已经十分成熟，而高频高压脉冲信号的高电压重复率、快速上升沿/下降沿给放电信号检测造成了一定的困难，主要面临着以下挑战：(1)当电压等级较高时，放电发生在脉冲上升沿处，强脉冲干扰信号和弱放电信号在时域重叠，且位移电流的幅值可达传导电流的数十倍、百倍，有效的放电信号被埋没在干扰信号中难以提取。(2)实际位移电流干扰信号丰富、波形复杂。通常位移电流不是简单脉冲，影响位移电流波形的因素有很多，如：回路中的RLC——阻抗、寄生电感与杂散电容等阻尼环节，使得位移电流波形发生严重震荡；强电磁干扰——位移电流的尖峰脉冲峰值很大，当测量回路匝链脉冲电流的感应磁场时，回路中产生感应电流，从而产生强电磁干扰。众多的影响因素使得位移电流不是简单的两个正、负极性脉冲，现有文献大多将位移电流当作简单脉冲，处理方式对实际测得的位移电流波形适用性不高。

目前，预测位移电流的方法主要有：

1、次级电容并联等效，文献1(专利号为US6433553的专利文献)选择与气体间隙(初级电容)等效的次级电容并联在初级电容两端，向次级电容施加相同的电压脉冲，文献认为此时的次级电流值可看作初级电容的位移电流，从初级电流中减去次级电流即可。该方法存在一个明显问题：气隙介质不能简单等效为固定电容。阻挡介质的绝缘特性使得阻挡介质和气隙的交界面不是等电位面，气隙放电过程表现为大量此起彼伏、随机分布的放电细丝，称为微放电过程。文献2(王新新.介质阻挡放电及其应用[J].高电压技术,2009,34(01):1-11.)提出，应将气隙放电中的每一根放电细丝对应1个局部微电路，每一个局部微电路有独立的等效电容值，介质和气隙等效为大量局部微电路的并联，从而各微电路可以独立地放电和熄灭。同时，在微放电的不同阶段，气隙内的电离水平不同,导致气体的介电常数也随电离水平的增加而减少。因此气隙等效电容是非线性变化的。文献1中从固定电容中测得的位移电流与气体间隙流过的实际位移电流不能等同。

2、建立介质阻挡放电等效电路模型计算位移电流，见文献3(Liu S,NeigerM.Electrical modelling of homogeneous dielectric barrier discharges under anarbitrary excitation voltage[J].Journal of Physics D Applied Physics,2003,36(24):3144.)。作者将空气间隙等效为固定电容与压控电流源并联，电流源代表气隙中的传导电流，由遵循气隙等效电容非线性动态变化规律的电压信号激励。基于该等效电路，求得位移电流i_d关于外加电压u的理论表达式

其中，C_d为介质等效电容，C_g为气隙等效电容。测量外加电压波形进行数据处理即可得到i_d。虽然该项研究提供了一种得到位移电流的方法，但还存在以下问题：(1)气隙介质电容不能简单等效为固定电容，虽然该模型将气隙中的微放电电流用受控电流源等效，使传导电流符合实际，但运用公式

求取位移电流时，采用固定值C_g是不准确的。(2)该模型仅适用于介质阻挡均匀放电的情况，作者假设自由电荷均匀地积累在电介质表面，间隙电压不受位置的影响，仅是随时间变化的函数。(3)该模型没有考虑实际放电过程中的电荷损失，主要为微放电过程中正负电荷的中和以及介质表面的电荷积累。

3、当工作气体为惰性气体时，可通过停止通气、施加相同电压参数的方式测量位移电流，见文献4(Joh H M,Choi J Y,Kim S J,et al.Effect of additive oxygen gason cellular response of lung cancer cells induced by atmospheric pressurehelium plasma jet[J].entific Reports,2014,4:6638.)。作者给电极结构施加电压峰值1.7kV，频率50kHz，占空比10％，置于工作气体中的装置能够放电产生等离子体。停止通气后，装置置于空气中，由于空气击穿电压较高，装置难放电，因此在空气中的装置回路电流只有位移电流。这种方式虽能有效测得位移电流，但存在局限性，若工作气体就是空气，该方法不再适用。

如上所述，现有技术1、2将空气间隙等效为固定电容，所求得的位移电流不能和实际位移电流等同，现有技术2、3的适用对象具有局限性，不能广泛适用于脉冲介质阻挡放电，也即现有文献报道的预测位移电流的方法都存在不足之处，准确性和普适性难以保证。

发明内容

本发明人针对上述问题及技术需求，提出了一种脉冲放电的位移电流预测方法，本发明的技术方案如下：

一种脉冲放电的位移电流预测方法，该方法包括：

分别获取放电电极在若干个幅值不同的样本脉冲电压下的波形数据，样本脉冲电压的幅值包括若干个不同的未放电电压幅值以及若干个不同的放电电压幅值，放电电极在具有未放电电压幅值的样本脉冲电压下不放电、在具有放电电压幅值的样本脉冲电压下放电，波形数据包括电流波形数据和电压波形数据；

对于每个幅值的样本脉冲电压，从对应的电流波形数据中提取表征位移电流的波峰特征的位移电流特征量，从对应的电压波形数据中提取表征脉冲电压的波形特征的电压特征量，从对应的波形数据中提取表征位移电流相对于脉冲电压的时延的时间特征量，由各个幅值的样本脉冲电压对应的位移电流特征量、电压特征量以及时间特征量构建得到样本数据集；

将电压特征量作为输入、将时间特征量和位移电流特征量作为输出，利用样本数据集基于BP神经网络训练得到位移电流预测模型；

提取待预测的高频高压脉冲波形的电压特征量并输入位移电流预测模型得到预测时间特征量和预测位移电流特征量，根据时间特征量确定位移电流相对于脉冲电压的时延、并对预测位移电流特征量进行曲线拟合得到位移电流的波形，完成位移电流的预测。

本发明的有益技术效果是：

本申请公开了一种脉冲放电的位移电流预测方法，申请人研究发现，改变脉冲电压幅值，位移电流的各个波峰相对脉冲电压的时延总是固定的，放电电流的相对时延则随机不固定，记位移电流在正半周期和负半周期中两个最高波峰的时延为位移电流时延，放电时延总是大于位移电流时延。随着脉冲电压幅值增加，放电电流幅值逐渐增加，放电时延逐渐减小，会越来越接近位移电流时延，但不会与位移电流的两个最高波峰发生重叠，基于这一特性，本申请从波形数据中提取时间、电压、位移电流特征量进行模型训练，实现位移电流的预测，可以预测同等频率下任意幅值电压对应的位移电流，简化了后续操作步骤，节约了时间成本，且利用时间特征量可以保证预测位移电流与脉冲电压波形时域一致，增强了预测位移电流的准确性，该方法不受工作条件的限制，可应用于任意情形下的脉冲位移电流预测，适用范围广。

该方法不仅提取了未放电情况下的相关特征量，还利用“脉冲放电存在放电时延，放电电流不会与位移电流的两个最高波峰发生重叠”这一特征，提取了放电情况下的部分有效特征量，增强了预测位移电流的可靠性。

该方法在特征量提取过程中，充分考虑了受自身回路RLC、强电磁干扰等影响，位移电流发生多个波峰振荡的情形，不仅能够处理简单脉冲波形，也能处理复杂的脉冲波形，普适性较高。

附图说明

图1是本申请公开的脉冲放电的位移电流预测方法的流程图。

图2是一个实施例搭建的实验框架结构图。

图3是图2所示的实验框架的电气连接图。

图4是在实际实验时，放电电极由未放电转为放电时的电压波形数据和电流波形数据。

图5是在训练得到位移电流预测模型时所使用的BP神经网络拓扑结构图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

本申请公开了一种脉冲放电的位移电流预测方法，请参考图1所示的流程图，该方法包括如下步骤：

步骤S1，分别获取放电电极在若干个幅值不同的样本脉冲电压下的波形数据，样本脉冲电压的幅值包括若干个不同的未放电电压幅值以及若干个不同的放电电压幅值，放电电极在具有未放电电压幅值的样本脉冲电压下不放电、在具有放电电压幅值的样本脉冲电压下放电，波形数据包括电流波形数据和电压波形数据。

本申请搭建的一种放电电极的实验框架结构如图2所示，放电电极包括球电极1、板电极2以及薄膜介质3，球电极1的半径为10mm，板电极2的长为80mm、厚度为10mm，球电极1和板电极2均采用不锈钢材质制成，或者由由铜、铝及其他导电材料制成。薄膜介质3的厚度为0.05mm，可以采用聚酰亚胺制成，或者石英玻璃、氧化铝陶瓷等。如图3所示，将球电极1作为高压电极，样本脉冲电压通过限流电阻R输出到球电极1，板电极2作为接地电极并接地，球电极1和限流电阻R之间通过高压探头4获取到电压波形数据，板电极2与接地端之间通过电流探头5获取电流波形数据，比较常用的可以采用LabVIEW采集波形数据，同时电压波形数据和电流波形数据都可以连接到示波器进行实时观察。在一个实验过程中，限流电阻R选择为2.5kΩ，样本脉冲电压的脉冲频率为6kHz，实际工作条件都可以调整，比如低气压下氦气放电、频率为2kHz，放电装置的形状及尺寸视实际情况而定。

由于本申请需要采集未放电电压幅值以及放电电压幅值下的相关数据，因此一种常见的做法是，首先通过实验确定放电电极刚开始出现放电现象时的起始放电电压幅值U₀，本申请提供的一种做法是：基于上述实验框架结构，保持其他各项参数不变、保持样本脉冲电压的脉冲频率也不变，控制样本脉冲电压从0V开始逐渐升高，通过示波器观察电流波形数据以及放电现象的变化，当听见“滴滴”的放电声且观察到电流波形数据出现放电电流时，如图4中虚线框内的部分时，确定此时由未放电转为放电，记录此时的幅值为起始放电电压幅值U₀，在实际实验中，得到起始放电电压幅值U₀＝1.92kV。

由此可以选取若干个小于起始放电电压幅值U₀的幅值作为未放电电压幅值，选取若干个大于等于起始放电电压幅值U₀的幅值作为放电电压幅值，可以等比例选取也可以不等比例选取，未放电电压幅值和放电电压幅值的数量可以相等也可以不等。比如可以选取0.1U₀、0.2U₀、0.3U₀…0.8U₀、0.9U₀这9个未放电电压幅值，然后选取U₀、1.1U₀、1.2U₀、1.3U₀…1.8U₀这9个放电电压幅值。

然后在保持其他各项参数不变的情况下，分别对放电电极施加各个电压幅值的样本脉冲电压并获取相应的波形数据。可选的，在每个电压幅值的样本脉冲电压作用下，可以采样多组数据进行平均化处理作为相应的波形数据，以减小微放电过程的随机性而产生的随机误差，增强了样本数据的可靠性。比如在0.1U₀的样本脉冲电压下，用LabVIEW按2Hz的采样频率、5s的采样时间采集10组波形数据，对10组波形数据求取算数平均值进行平均化处理作为0.1U₀的样本脉冲电压对应的波形数据。按照上述方法分别得到所有未放电电压幅值的样本脉冲电压对应的波形数据即为未放电组A，以及所有放电电压幅值的样本脉冲电压对应的波形数据即为放电组B。

步骤S2，对于每个幅值的样本脉冲电压，从对应的电流波形数据中提取表征位移电流的波峰特征的位移电流特征量，从对应的电压波形数据中提取表征脉冲电压的波形特征的电压特征量，从对应的波形数据中提取表征位移电流相对于脉冲电压的时延的时间特征量，由各个幅值的样本脉冲电压对应的位移电流特征量、电压特征量以及时间特征量构建得到样本数据集。

由于未放电组A和放电组B的电流性质不同，因此本申请分别介绍：

1、对于未放电组A，也即对于任意一个未放电电压幅值的样本脉冲电压对应的波形数据：

(1)提取时间特征量

提取得到的时间特征量表示为T＝(T₊，T_-)，T₊是位移电流在正半周期的最高波峰相对于脉冲电压的时延，T_-是位移电流在负半周期的最高波峰相对于脉冲电压的时延。

提取方法为：从对应的电压波形数据中确定电压升高至达到对应的起始幅值的时刻作为当前样本的预设起始时刻，从对应的电流波形数据中确定正半周期的最高波峰的时刻以及负半周期的最高波峰的时刻，并将正半周期的最高波峰的时刻相对于当前样本的预设起始时刻之间的时延作为T₊，将负半周期的最高波峰的时刻相对于当前样本的预设起始时刻之间的时延作为T_-。不同的未放电电压幅值的样本脉冲电压对应的电压波形数据对应的起始幅值通常是不同的，可以按照未放电电压幅值的比例来确定，比如可以将未放电电压幅值的10％的值作为起始幅值。

(2)提取电压特征量。提取表征脉冲电压的波形特征的电压特征量表示为X＝[J,D,T_d,d,T_r,T_f,L]，其中，J表示脉冲极性、J＝1表示脉冲极性为正、J＝-1表示脉冲极性为负。D表示过冲幅值，T_d表示过冲震荡时间，d表示平顶幅值。T_r为脉冲上升时间、是电压从预设下限幅值升高至预设上限幅值的时间，T_f为脉冲下降时间、是电压从预设上限幅值下降至预设下限幅值的时间，比较典型的，可以将未放电电压幅值的10％的值作为预设下限幅值，将未放电电压幅值的90％的值作为预设上限幅值。L是脉冲宽度，可以将未放电电压幅值的50％处的两点之间的时间间隔作为脉冲宽度。

(3)提取位移电流特征量

任意一个未放电电压幅值的样本脉冲电压对应的电流波形数据均包括N个波峰，对于任意一个未放电电压幅值下的样本脉冲电压，从对应的电流波形数据中提取所有N个波峰的波峰特征得到位移电流特征量，对电流波形数据i(t)进行求导，

的N个数据点即为N个波峰。

在本申请中，对每个波峰提取得到的波峰特征包括波峰时刻、波峰幅值、波峰极性、波形偏斜度和波形陡峭度，则对未放电电压幅值的样本脉冲电压提取得到的位移电流特征量为5×N阶的矩阵，且任意一个未放电电压幅值下的样本脉冲电压提取得到的位移电流特征量表示为

其中，对于任意参数1≤i≤N，T_i是第i个波峰的波峰时刻，是以对应的电压波形数据所确定的当前样本的预设起始时刻为0时刻的相对时刻。A_i是第i个波峰的波峰幅值。J_i是第i个波峰的波峰极性，且当第i个波峰所在的波形区间内的电流波形数据i(t)的

时J_i＝1并表示脉冲极性为正，否则J_i＝-1表示脉冲极性为负。S_i是第i个波峰的偏斜度，

K_i是第i个波峰的陡峭度，

a_k表示第i个波峰所在的波峰区间内的第k个电流采样点的幅值，n表示第i个波峰所在的波峰区间内的所有电流采样点的个数，m表示第i个波峰所在的波峰区间内的所有电流采样点的幅值的平均值。

偏斜度用于描述波形形状与标准正态分布形状的偏斜程度，当偏斜度S_i＝0时，表示第i个波峰所在的波峰区间与标准正态分布一致，当S_i>0时，表示第i个波峰所在的波峰区间中线向左偏斜，当S_i<0时，表示第i个波峰所在的波峰区间中线向右偏斜。

陡峭度用于描述波形形状与标准正态分布的陡峭差异，当陡峭度K_i＝3时，表示第i个波峰所在的波峰区间的波形形状与标准正态分布一致，当陡峭度K_i>3时，表示第i个波峰所在的波峰区间的波形形状相比于标准正态分布更加陡峭，当陡峭度K_i<3时，表示第i个波峰所在的波峰区间的波形形状相比于标准正态分布更加平坦。

2、对于放电组B，也即对于任意一个放电电压幅值的样本脉冲电压对应的波形数据：

(1)提取时间特征量

提取得到的时间特征量表示为T＝(T₊，T_-)，T₊是位移电流在正半周期的最高波峰相对于脉冲电压的时延，T_-是位移电流在负半周期的最高波峰相对于脉冲电压的时延。

但对放电组B提取时间特征量的方法与未放电组A不同，提取方法为：对所有未放电电压幅值下的样本脉冲电压的时间特征量中的时延T₊求取平均值得到

对所有未放电电压幅值下的样本脉冲电压的时间特征量中的时延T_-求取平均值得到

然后将放电电压幅值的样本脉冲电压对应的电压波形数据中相对时延在

的预定时间范围内的数据中的电压最大值对应的时刻的相对时延作为该放电电压幅值的样本脉冲电压的时间特征量中的T₊，将将放电电压幅值的样本脉冲电压对应的电压波形数据中相对时延在

的预定时间范围内的数据中的电压最大值对应的时刻的相对时延作为该放电电压幅值的样本脉冲电压的时间特征量中的T_-，由此得到该放电电压幅值的样本脉冲电压的时间特征量T＝(T₊，T_-)，其中相对时延是指电压波形数据中任意一个数据点所在的时刻与当前电压升高至达到对应的起始幅值的时刻之间的时延。在一个举例中，

的预定时间范围为

的预定时间范围为

虽然理论上位移电流的各个波峰相对脉冲电压的时延总是固定的，但考虑到测量和计算误差，时延会在小范围内波动，因此该步骤在预定时间范围内寻找以提高准确性。

(2)提取电压特征量，提取表征脉冲电压的波形特征的电压特征量表示为X＝[J,D,T_d,d,T_r,T_f,L]，与对未放电电压幅值的样本脉冲电压提取电压特征量的方法相同，本申请不再赘述。

(3)提取位移电流特征量

对于任意一个放电电压幅值下的样本脉冲电压，从对应的电流波形数据中提取正半周期的最高波峰的波峰特征以及负半周期的最高波峰的波峰特征，并将其余的N-2个波峰的波峰特征都置为0、得到位移电流特征量。同样的，对每个波峰提取得到的波峰特征包括波峰时刻、波峰幅值、波峰极性、波形偏斜度和波形陡峭度，则放电电压幅值中的任意一个幅值下的样本脉冲电压提取得到的位移电流特征量也为5×N阶的矩阵。

当第p个波峰为正半周期的最高波峰、第q个波峰为负半周期的最高波峰时，任意一个放电电压幅值下的样本脉冲电压提取得到的位移电流特征量表示为

各个参数的定义与上述定义相同，不再赘述。

在提取位移电流特征量时，如上已经提取得到了放电电压幅值的样本脉冲电压的时间特征量T＝(T₊，T_-)，确定此时的时延T₊和T_-在未放电组A中各自对应的波峰，时延T₊在未放电组A对应的第p个波峰即认为是正半周期的最高波峰，时延T_-在未放电组A对应的第q个波峰即认为是负半周期的最高波峰，对于第p个波峰和第q个波峰分别按照上述未放电组A相同的方法提取波峰特征，并将其余各个波峰的波峰特征均置于0，以便在后期学习神经网络时处理为空数据，不对神经网络权值产生影响，最终可以得到上述形式的位移电流特征量。

步骤S3，将电压特征量作为输入、将时间特征量和位移电流特征量作为输出，利用样本数据集基于BP神经网络训练得到位移电流预测模型，请参考图5所示的示意图。

在通过上述步骤S2得到各个幅值的样本脉冲电压对应的电压特征量、时间特征量和位移电流特征量后，首先对提取得到的位移电流特征量以及电压特征量进行归一化处理，并由各个幅值的样本脉冲电压对应的时间特征量以及归一化处理后的位移电流特征量和电压特征量构建得到样本数据集。

然后对样本数据集按2:1随机分为训练数据和测试数据，利用样本数据集基于BP神经网络训练得到位移电流预测模型。在一个实施例中，使用的BP神经网络的输入层具有u个神经元、输出层具有v个神经元，隐含层神经元个数

a为[0,10]范围内的常数，隐含层传递函数采用logsin函数，输出层采用purelin线性函数。

在利用样本数据集基于BP神经网络训练得到位移电流预测模型时，采用误差方向传播算法进行学习，数据从BP神经网络的输入层经隐含层逐层向后传播，采用LM算法训练网络权值，沿着误差减小的方向，从输出层经过中间各层逐层向前修正网络权值直至误差达到预设精度，且网络权值的调整量Δω与误差大小e呈正比，有Δω＝η×e×y，误差大小e＝d-y，d为期望输出，y为实际输出，并采用Widrow-Hoff学习规则对BP神经网络进行测试，随着学习的不断进行，最终误差越来越小，假定训练误差小于0.01％时停止训练，最终可以训练得到位移电流预测模型。

步骤S4，在训练得到位移电流预测模型后，即可利用位移电流预测模型进行位移电流的预测，在应用时，提取待预测的高频高压脉冲波形的电压特征量并输入位移电流预测模型得到预测时间特征量和预测位移电流特征量，由于在训练模型时对电压特征量和位移电流特征量都分别进行了归一化处理，因此在该步骤中，则将提取得到的待预测的高频高压脉冲波形的电压特征量归一化处理后输入位移电流预测模型得到输出矩阵，并对输出矩阵进行反归一化处理得到预测位移电流特征量。

对预测位移电流特征量进行曲线拟合得到位移电流的波形，通过LabVIEW即可完成，从而恢复出位移电流的波形。然后根据时间特征量可以确定位移电流相对于脉冲电压的时延，从而使一个周期内位移电流与脉冲电压时域对应，也即在恢复波形后还利用时间特征量进行了时域定位，增强了预测位移电流的准确性，从而完成位移电流的预测。

以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (10)

1.一种脉冲放电的位移电流预测方法，其特征在于，所述方法包括：

分别获取放电电极在若干个幅值不同的样本脉冲电压下的波形数据，样本脉冲电压的幅值包括若干个不同的未放电电压幅值以及若干个不同的放电电压幅值，所述放电电极在具有未放电电压幅值的样本脉冲电压下不放电、在具有放电电压幅值的样本脉冲电压下放电，波形数据包括电流波形数据和电压波形数据；

对于每个幅值的样本脉冲电压，从对应的电流波形数据中提取表征位移电流的波峰特征的位移电流特征量，从对应的电压波形数据中提取表征脉冲电压的波形特征的电压特征量，从对应的波形数据中提取表征位移电流相对于脉冲电压的时延的时间特征量，由各个幅值的样本脉冲电压对应的位移电流特征量、电压特征量以及时间特征量构建得到样本数据集；

将电压特征量作为输入、将时间特征量和位移电流特征量作为输出，利用所述样本数据集基于BP神经网络训练得到位移电流预测模型；

提取待预测的高频高压脉冲波形的电压特征量并输入所述位移电流预测模型得到预测时间特征量和预测位移电流特征量，根据所述时间特征量确定位移电流相对于脉冲电压的时延、并对所述预测位移电流特征量进行曲线拟合得到位移电流的波形，完成位移电流的预测。

2.根据权利要求1所述的方法，其特征在于，对于未放电电压幅值以及放电电压幅值中的任意一个幅值下的样本脉冲电压，从对应的电压波形数据中提取表征脉冲电压的波形特征的电压特征量表示为X＝[J,D,T_d,d,T_r,T_f,L]，其中，J表示脉冲极性、J＝1表示脉冲极性为正、J＝-1表示脉冲极性为负；D表示过冲幅值，T_d表示过冲震荡时间，d表示平顶幅值，T_r为脉冲上升时间、是电压从预设下限幅值升高至预设上限幅值的时间，T_f为脉冲下降时间、是电压从所述预设上限幅值下降至所述预设下限幅值的时间，L是脉冲宽度。

3.根据权利要求1所述的方法，其特征在于，对于未放电电压幅值以及放电电压幅值中的任意一个幅值下的样本脉冲电压，提取得到的时间特征量表示为T＝(T₊，T_-)，T₊是位移电流在正半周期的最高波峰相对于脉冲电压的时延，T_-是位移电流在负半周期的最高波峰相对于脉冲电压的时延。

4.根据权利要求3所述的方法，其特征在于，对于任意一个未放电电压幅值下的样本脉冲电压，从对应的波形数据中提取得到时间特征量的方法包括：

从对应的电压波形数据中确定电压升高至达到对应的起始幅值的时刻作为当前样本的预设起始时刻，从对应的电流波形数据中确定正半周期的最高波峰的时刻以及负半周期的最高波峰的时刻，并将正半周期的最高波峰的时刻相对于当前样本的预设起始时刻之间的时延作为T₊，将负半周期的最高波峰的时刻相对于当前样本的预设起始时刻之间的时延作为T_-。

5.根据权利要求4所述的方法，其特征在于，对于任意一个放电电压幅值下的样本脉冲电压，从对应的波形数据中提取得到时间特征量的方法包括：

将对应的电压波形数据中相对时延在

的预定时间范围内的数据中的电压最大值对应的时刻的相对时延作为T₊，将电压波形数据中相对时延在

的预定时间范围内的数据中的电压最大值对应的时刻的相对时延作为T_-，相对时延是电压波形数据中任意一个数据点所在的时刻与当前电压升高至达到对应的起始幅值的时刻之间的时延；

其中，

是所有未放电电压幅值下的样本脉冲电压的时间特征量中的时延T₊的平均值，

是所有未放电电压幅值下的样本脉冲电压的时间特征量中的时延T_-的平均值。

6.根据权利要求1所述的方法，其特征在于，未放电电压幅值以及放电电压幅值中的任意一个幅值下的样本脉冲电压对应的电流波形数据均包括N个波峰，则：

对于任意一个未放电电压幅值下的样本脉冲电压，从对应的电流波形数据中提取所有N个波峰的波峰特征得到位移电流特征量；

对于任意一个放电电压幅值下的样本脉冲电压，从对应的电流波形数据中提取正半周期的最高波峰的波峰特征以及负半周期的最高波峰的波峰特征，并将其余的N-2个波峰的波峰特征都置为0、得到位移电流特征量。

7.根据权利要求6所述的方法，其特征在于，对每个波峰提取得到的波峰特征包括波峰时刻、波峰幅值、波峰极性、波形偏斜度和波形陡峭度，则未放电电压幅值以及放电电压幅值中的任意一个幅值下的样本脉冲电压提取得到的位移电流特征量均为5×N阶的矩阵，且任意一个未放电电压幅值下的样本脉冲电压提取得到的位移电流特征量表示为

其中，对于任意参数i，T_i是第i个波峰的波峰时刻，A_i是第i个波峰的波峰幅值；J_i是第i个波峰的波峰极性，且当第i个波峰所在的波形区间内的电流波形数据i(t)的

时J_i＝1并表示脉冲极性为正，否则J_i＝-1表示脉冲极性为负；S_i是第i个波峰的偏斜度，

K_i是第i个波峰的陡峭度，

a_k表示第i个波峰所在的波峰区间内的第k个电流采样点的幅值，n表示第i个波峰所在的波峰区间内的所有电流采样点的个数，m表示第i个波峰所在的波峰区间内的所有电流采样点的幅值的平均值；

对应的，当第p个波峰为正半周期的最高波峰、第q个波峰为负半周期的最高波峰时，任意一个放电电压幅值下的样本脉冲电压提取得到的位移电流特征量表示为

8.根据权利要求1所述的方法，其特征在于，对提取得到的位移电流特征量以及电压特征量进行归一化处理，并由各个幅值的样本脉冲电压对应的时间特征量以及归一化处理后的位移电流特征量和电压特征量构建得到样本数据集；

则将提取得到的待预测的高频高压脉冲波形的电压特征量归一化处理后输入所述位移电流预测模型，并对输出矩阵进行反归一化处理得到所述预测位移电流特征量。

9.根据权利要求1-8任一所述的方法，其特征在于，在利用所述样本数据集基于BP神经网络训练得到位移电流预测模型时，采用误差方向传播算法进行学习，数据从BP神经网络的输入层经隐含层逐层向后传播，采用LM算法训练网络权值，沿着误差减小的方向，从输出层经过中间各层逐层向前修正网络权值直至误差达到预设精度，且网络权值的调整量Δω与误差大小e呈正比，有Δω＝η×e×y，误差大小e＝d-y，d为期望输出，y为实际输出，并采用Widrow-Hoff学习规则对BP神经网络进行测试。

10.根据权利要求1-8任一所述的方法，其特征在于，

所述BP神经网络的输入层具有u个神经元、输出层具有v个神经元，隐含层神经元个数

a为[0,10]范围内的常数，隐含层传递函数采用logsin函数，输出层采用purelin线性函数。

Images