一种棒-板长间隙正极性操作冲击放电电压的智能预测

作者： 国自电气 时间：2024-10-20 09:34:39 阅读：92

摘要:长空气间隙的放电特性是特高压输变电工程外绝缘设计的重要依据，而典型棒-板空气间隙的放电特性一直是研究者们关注的基础问题。目前，棒-板间隙放电电压的计算方法有很多,但大多数方法都无法很好地适应大范围的温湿度变化。为实现极端温湿度条件下放电电压的精确计算，该文提出一种基于正则化不变风险最小化神经网络(invariantrisk minimization-neural network，IRM -NN)的棒-板长间隙放电电压预测方法。系统分析了棒-板间隙放电的影响因素，提取关键特征量作为输入训练模型。模型在测试集上的平均绝对百分比误差仅为1.6%，验证了该模型可以有效外推至试验条件外的应用场景。然后，对比该模型与3种常用机器学习模型的预测效果。结果表明，该模型在训练样本试验范围之外的样本上的计算精度明显高于其他模型。所提棒-板间隙50%放电电压计算方法可适应大范围温湿度及一定电极尺寸变化，可为长空气间隙放电特性研究提供参考。

关键词:长空气间隙;放电电压;温湿度变化;不变风险最小化;神经网络

长空气间隙是特高压输电线路外绝缘的主要形式，其绝缘特性受电极结构、大气环境等多种因素的影响，特性非常复杂，是高电压工程领域长期关注的基础问题之一。作为典型间隙，棒-板间隙是一种极不均匀间隙，其放电电压比其他间隙类型低得多。因此，研究棒-板间隙的放电特性具有代表性和工程价值。

由于缺乏扎实完备的理论基础，空气间隙的放电特性一般通过开展大量的空气间隙放电试验获得﹐但真型试验存在试验成本高、周期长等不足。为此，许多研究人员致力于间隙放电电压计算方法的研究，如经验公式、半经验公式和物理模型。经验公式是通过拟合放电试验数据得到的，如Gallet 公式和CRIEPI公式。半经验公式则是利用解析公式计算放电电压，如Mosch方法、Carrara方法和 Rizk方法。虽然经验公式和半经验公式简单方便，但公式中部分参数是从试验数据中推断出的，只适用于某些特定条件，泛化性差。物理模型则是通过对放电全过程进行仿真，根据末跃时刻得到放电电压，如Huztler模型、Goelian-Gallimberti模型、Becerra-Cooray模型和 Fofana等效路模型。由于目前间隙放电的观测手段和机理研究都不完善，物理模型的计算结果通常与试验值存在明显误差。

随着近年来人工智能技术的急速发展，机器学习算法在解决多维非线性问题方面的优异能力渐渐被大众所熟知，利用智能算法建模实现复杂系统的控制与决策成为解决工程问题的常见思路。在空气间隙的放电电压计算方面，也有一些研究者相继提出了基于各种机器学习算法构建放电电压计算模型的方法。相关文献分别应用BP神经网络、RBF神经网络及自组织映射神经网络等神经网络算法，以间隙距离及气象参数作为输入构建模型，在试验条件范围内达到了较高的预测精度。但样本均为短间隙试验数据，且样本数量较少，模型极易过拟合，难以推广到长间隙放电电压的计算中。相关文献通过仿真得到空气间隙最短路径的电场分布，从中提取电场特征量作为输入，构建了支持向量机模型，进而实现放电电压的计算。相较于基于经验风险最小化原则的神经网络模型，支持向量机基于结构风险最小化原则更新参数，不易过拟合，更适用于小样本场景。但这些研究依然只针对短间隙放电试验数据，分别构建了基于支持向量机和极端随机树的棒-板、直流杆塔间隙放电电压预测模型。模型以间隙结构参数和气象参数作为输入，无需繁杂的电场仿真过程，形成了操作简便，且适用于实际特高压工程的空气间隙放电电压计算方法。该方法涵盖的间隙结构类型较为全面，基本能够满足应用需求。但样本都取自中国北京特高压直流试验基地的试验整理结果，且冬夏季的试验数据较少，涵盖的气象条件变化范围有限。而这类方法通常只适用于训练样本参数范围内的目标预测，当目标的气象参数超出训练样本范围时，该方法的泛化性能就无法得到保证。

气象参数变化时，特征变量与放电电压的概率分布也会发生偏移，导致经典的机器学习算法难以预测不同于训练样本分布的目标。随着分布偏移导致的预测失败越来越明显，针对该问题的分布外泛化学习方法成为近年来人工智能研究的热点之一。研究者们相继提出了领域泛化、不变学习、稳定学习等新型机器学习框架，解决分布偏移问题的手段愈加成熟。为了将有限试验样本训练出的模型推广至试验条件以外的应用场景，本文基于不变学习的思想，构建基于正则化 IRM-NN的棒-板长空气间隙放电电压预测模型。模型以76组试验数据作为训练集，选取间隙距离、气压、干温、绝对湿度作为输入，50%放电电压作为输出。测试集包含50组试验数据，其中41组样本的温度在训练样本温度范围以外。将测试样本输入模型，预测值的最大绝对百分比误差为5.1%,平均绝对百分比误差仅为1.6%，验证了该模型的有效性及可推广性。