CN115308552B - 冲击电压试验装置波头、波尾电阻值的计算方法及系统 - Google Patents

Abstract

本发明公开了一种冲击电压试验装置波头、波尾电阻值的计算方法及系统，包括：获取测试环境的温度、大气压力和空气湿度数据，同时获取被试品等效电容值数据；将获取的数据输入至训练好的所述被试品对应的BP神经网络模型，得到被试品所需的波头电阻值和波尾电阻值。本发明可以得到较为精确的波头、波尾电阻值，实现输出标准冲击电压试验波形的目的，避免通过传统经验法或简单计算方法不能较为精确地确定波头、波尾电阻值的问题。

Description

冲击电压试验装置波头、波尾电阻值的计算方法及系统

技术领域

本发明涉及冲击电压试验技术领域，尤其涉及一种冲击电压试验装置波头、波尾电阻值的计算方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

在对电气设备进行型式试验或例行试验时，冲击电压试验都是国家标准中规定的必做试验项目，现有的冲击电压试验装置采用阻值固定的无感电阻作为波头和波尾电阻，对于不同类型的被试品(例如：变压器、开关柜、电抗器、隔离开关等)，由于被试品的等效电容不同，需要频繁的更换不同的阻值的波头或波尾电阻，调节充放电过程，实现输出标准冲击电压波形的目的，例如在进行雷电冲击电压试验时，根据国家标准，标准雷电冲击电压波形的波前时间为1.2μs，半峰值时间为50μs，波前时间允许偏差为±30％，半峰值时间允许偏差为±20％，对10kV配电变压器和10kV高压开关柜这两种不同类型的被试品或者同类型不同容量，不同规格的被试品进行雷电冲击电压试验时，尽管波前时间和波尾时间的允许偏差较大，但由于被试品的等效电容相差较大，因此仍然需要频繁的更换波头波尾电阻进行波形调节，达到输出雷电冲击电压波形的目的。

传统方法在对冲击电压波形进行调节时，主要通过调节波头波尾电阻实现，而波头波尾电阻值的确定主要是根据长时间试验过程积累的经验或简单的计算，不能保证使用较准确的波头波尾电阻，会导致输出冲击电压幅值超过国家标准规定的输出电压最大允许值，波前时间和半峰值时间不满足国家标准要求，引起非被试品本身性能原因造成的绝缘击穿、损坏。

发明内容

为了解决上述问题，本发明提出了一种冲击电压试验装置波头、波尾电阻值的计算方法及系统，能够基于BP(Back Propagation)神经网络模型实现对冲击电压装置波头、波尾较准确的预测，在不频繁更换波头、波尾电阻的情况下，达到输出符合标准要求冲击电压波形的目的。

在一些实施方式中，采用如下技术方案：

一种冲击电压试验装置波头、波尾电阻值的计算方法，包括：

获取测试环境的温度、大气压力和空气湿度数据，同时获取被试品等效电容值数据；

将获取的数据输入至训练好的所述被试品对应的BP神经网络模型，得到被试品所需的波头电阻值和波尾电阻值。

其中，所述BP神经网络模型的训练过程包括：

对不同类别的被试品进行冲击电压试验，调节波头、波尾电阻使得输出的冲击电压波形基本与标准冲击电压波形的参数在设定的误差范围内；记录此时的波头电阻值和波尾电阻值，以及实验环境参数和被试品的等效电容值；

通过上述数据构建神经网络训练数据集；

利用所述训练数据集对BP神经网络模型进行训练，直到神经网络的输出误差减少到允许范围内；得到不同类别被试品的神经网络模型和各层权重值。

在另一些实施方式中，采用如下技术方案：

一种冲击电压试验装置波头、波尾电阻值的计算系统，包括：

数据获取模块，用于获取测试环境的温度、大气压力和空气湿度数据，同时获取被试品等效电容值数据；

神经网络模型预测模块，用于将获取的数据输入至训练好的所述被试品对应的BP神经网络模型，预测得到被试品所需的波头电阻值和波尾电阻值。

在另一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的冲击电压试验装置波头、波尾电阻值的计算方法。

在另一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的冲击电压试验装置波头、波尾电阻值的计算方法。

与现有技术相比，本发明的有益效果是：

(1)本发明通过BP神经网络模型进行冲击电压试验装置波头、波尾电阻的计算，可以得到较为精确的波头、波尾电阻值，实现输出标准冲击电压试验波形的目的，避免通过传统经验法或简单计算方法不能较为精确地确定波头、波尾电阻值的问题；避免由于传统方法不能精确确定电阻值而频繁更换电阻，费时费力；避免由于电阻值不匹配导致非被试品本身性能原因造成的设备冲击电压击穿、损坏。

本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

附图说明

图1为本发明实施例中的BP神经网络结构示意图；

图2为本发明实施例中的冲击电压试验装置波头、波尾电阻值的计算方法流程图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

在一个或多个实施方式中，公开了一种冲击电压试验装置波头、波尾电阻值的计算方法，结合图2，具体包括如下过程：

(1)获取测试环境的温度、大气压力和空气湿度数据，同时获取被试品等效电容值数据；

(2)将获取的数据输入至训练好的所述被试品对应的BP神经网络模型，得到被试品所需的波头电阻值和波尾电阻值，进而开展冲击电压试验。

本实施例中，对不同类别的被试品(例如：变压器、开关柜、电抗器、隔离开关等)进行冲击电压试验，调节波头、波尾电阻使得输出的冲击电压波形基本与国家标准《GB/T16927.1-2011高电压试验技术第1部分：一般定义及试验要求》中规定的标准冲击电压波形的幅值、波前时间、半峰值时间等参数一致，偏差在标准规定的偏差范围之内且偏差值较小，记录此时的波头、波尾电阻值，以及实验室环境参数，包括温度、气压、湿度等信息，同时通过测量仪器测量被试品等效电容值等参数。

本步骤需要进行较大样本量的试验，每种类别的物资都需要得到样本量较大的试验数据。

构建BP神经网络模型，BP神经网络算法包含信息正向传播过程和误差反向传播过程，算法外界信息通过输入层各神经元输入，隐含层是内部信息处理层，最后是隐含层向输出层传递各神经元信息，完成一次学习的正向传播。当输出达不到期望输出时，进入误差的反向传播，误差通过输出层向隐含层、输入层反向传播，在这个过程中，按照梯度下降原则对各层的权值和阈值做误差校正。信息正向传播和误差反向传播过程不断循环，就是在不断调整各层权值，这是BP神经网络训练过程。训练过程直到神经网络的输出误差减少到允许范围内才会结束，或者因超过事先设定的学习次数而停止，BP神经网络结构示意图如图1所示。

首先确定BP神经网络模型输入层的输入量，通过分析确定输入量为被试品等效电容值C、环境温度T、大气压力P和空气湿度d四种变量，输出层输出量为波头电阻R1和波尾电阻R2。隐含层的层数和每层神经元个数需要根据实际情况，通过训练进行尝试和确定，隐含层的层数或神经元个数较多会影响神经网络训练的收敛速度，层数或神经元个数较少会影响到输出准确度。

对神经网络的训练过程具体如下：

通过上述对不同类别的被试品进行冲击电压试验所得到的数据，具体为试验时记录的被试品等效电容值以及实验环境的温度、大气压力和空气湿度数据作为输入数据组I＝{C,T,P,d}，使用试验时记录的波头、波尾电阻值作为输出数据组O＝{R1,R2}，利用构建的BP神经网络模型，并根据被试品的种类分别进行神经网络训练，得到不同类别物资的神经网络模型和各层权重值。

实施例二

在一个或多个实施方式中，公开了一种冲击电压试验装置波头、波尾电阻值的计算系统，包括：

数据获取模块，用于获取测试环境的温度、大气压力和空气湿度数据，同时获取被试品等效电容值数据；

神经网络模型预测模块，用于将获取的数据输入至训练好的所述被试品对应的BP神经网络模型，预测得到被试品所需的波头电阻值和波尾电阻值。

作为可选的实施方式，还包括：神经网络训练模块，所述BP神经网络模型的训练过程包括：

对不同类别的被试品进行冲击电压试验，调节波头、波尾电阻使得输出的冲击电压波形基本与标准冲击电压波形的参数在设定的误差范围内；记录此时的波头电阻值和波尾电阻值，以及实验环境参数和被试品的等效电容值；

通过上述数据构建神经网络训练数据集；

利用所述训练数据集对BP神经网络模型进行训练，直到神经网络的输出误差减少到允许范围内；得到不同类别被试品的神经网络模型和各层权重值。

上述各模块的具体实现过程已经在实施例一中进行了说明，此处不再详述。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在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实施例一中的冲击电压试验装置波头、波尾电阻值的计算方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例四

在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的冲击电压试验装置波头、波尾电阻值的计算方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种冲击电压试验装置波头、波尾电阻值的计算方法，其特征在于，包括：

获取测试环境的温度、大气压力和空气湿度数据，同时获取被试品等效电容值数据；

将获取的数据输入至训练好的所述被试品对应的BP神经网络模型，得到被试品所需的波头电阻值和波尾电阻值；

所述BP神经网络模型的训练过程包括：

对不同类别的被试品进行冲击电压试验，调节波头、波尾电阻使得输出的冲击电压波形基本与标准冲击电压波形的参数在设定的误差范围内；记录此时的波头电阻值和波尾电阻值，以及实验环境参数和被试品的等效电容值；

通过上述数据构建神经网络训练数据集；

利用所述训练数据集对BP神经网络模型进行训练，直到神经网络的输出误差减少到允许范围内；得到不同类别被试品的神经网络模型和各层权重值。

2.如权利要求1所述的一种冲击电压试验装置波头、波尾电阻值的计算方法，其特征在于，所述BP神经网络模型包含信息正向传播过程和误差反向传播过程，获取的数据通过输入层各神经元输入，隐含层是内部信息处理层，最后是隐含层向输出层传递各神经元信息，完成一次学习的正向传播。

3.如权利要求2所述的一种冲击电压试验装置波头、波尾电阻值的计算方法，其特征在于，当输出达不到期望输出时，进入误差的反向传播，误差通过输出层向隐含层、输入层反向传播，在这个过程中，按照梯度下降原则对各层的权值和阈值做误差校正。

4.一种冲击电压试验装置波头、波尾电阻值的计算系统，其特征在于，包括：

数据获取模块，用于获取测试环境的温度、大气压力和空气湿度数据，同时获取被试品等效电容值数据；

神经网络模型预测模块，用于将获取的数据输入至训练好的所述被试品对应的BP神经网络模型，预测得到被试品所需的波头电阻值和波尾电阻值；

神经网络训练模块，所述BP神经网络模型的训练过程包括：

对不同类别的被试品进行冲击电压试验，调节波头、波尾电阻使得输出的冲击电压波形基本与标准冲击电压波形的参数在设定的误差范围内；记录此时的波头电阻值和波尾电阻值，以及实验环境参数和被试品的等效电容值；

通过上述数据构建神经网络训练数据集；

利用所述训练数据集对BP神经网络模型进行训练，直到神经网络的输出误差减少到允许范围内；得到不同类别被试品的神经网络模型和各层权重值。

5.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-3任一项所述的冲击电压试验装置波头、波尾电阻值的计算方法。

6.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-3任一项所述的冲击电压试验装置波头、波尾电阻值的计算方法。