棒-板长空气间隙50%操作冲击放电电压计算方法对比

作者： 国自电气 时间：2024-10-24 09:38:27 阅读：163

棒-板长空气间隙操作冲击放电试验在位于北京市的国家电网特高压直流试验基地户外试验场(海拔55m)进行，试验设备主要由200kV/480kJ 冲击电压发生器，电容分压器组成，棒电极上端用长复合绝缘子串悬挂，绝缘子串下端连接电源线和钢管。以126组棒-板正极性操作冲击试验数据作为样本，进行智能模型的训练和测试。

与其他算法模型结果对比

为验证本文所提算法相较于传统机器学习算法的优势，本节分别采用经典 BP神经网络(BPneural network，BPNN)、支持向量机(support vectormachine，SVM)、随机森林(random forest，RF)3种算法构建放电电压预测模型。其中，训练模型选取的输入变量及训练集、测试集都与上文相同。由于经验风险最小化算法比不变风险最小化算法收敛更快，BPNN的总迭代次数设置为10000，其他参数设置与上文相同。SVM采用布谷鸟算法优化超参数，其参数设置与文献相同。RF的参数选择比前两种算法更简单，其设置与文献相同。

正则化 IRM-NN模型计算的棒-板间隙50%放电电压与试验值最为接近，该模型在-0.9℃~29.0℃试验温度范围内的强泛化性得到验证。综上所述，本文模型可以推广到训练样本试验条件范围外的空气间隙放电电压计算和气象校正场景，其计算结果准确可靠，且适应较大范围的电极尺寸变化。

为提出一种能够推广到的试验条件外的棒-板长空气间隙50%操作冲击放电电压计算方法，本文选取正则化IRM-NN算法构建智能预测模型。以76组温度范围在5℃~25℃的棒-板间隙放电试验数据作为训练样本，选取棒-板间隙距离、气压、干温、绝对湿度作为输入变量训练模型。然后，在温湿度范围更广的测试样本上测试模型的泛化性能和外推到其他环境的计算精度。将本文模型与3种传统机器学习模型的预测效果进行对比，得到如下结论:

1)系统地分析了影响棒-板长空气间隙放电的因素，包括间隙结构、电压波形、电压极性及气象因素。结合本文的样本数据特征，提取棒-板间隙长度、气压、温度、绝对湿度作为棒-板间隙操作放电的关键特征量。

2)提出一种基于正则化IRM-NN的棒-板间隙50%操作冲击放电电压计算方法。相较于传统智能算法，该方法不易出现过拟合问题，能够推广到试验条件以外的其他应用场景中。

3)基于5℃~25℃温度范围内的棒-板间隙操作冲击试验数据训练模型中,测试集除了5℃~25℃温度范围内的样本外，还包含温度小于或等于5℃以及大于25℃的样本。模型在测试集上的最大绝对百分比误差为5.1%，平均绝对误差百分比仅为1.6%，验证了模型不仅在训练样本试验条件范围内具有较高的预测精度，而且能有效地推广到试验条件范围外的预测目标上。

4)对比了本文模型与其他3种常见机器学习模型的预测效果。结果表明，本文模型的准确性和稳定性均高于其他模型，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。

需要说明的是，本文模型适用于棒电极半径小于临界半径的 2m以上棒-板长间隙正极性操作冲击50%放电电压预测，并且能够推广到试验范围外的温湿度环境。由于样本均采自海拔55m的试验数据，因此对于其他海拔，该模型的效果尚有待验证。在后续研究中，我们将补充其他海拔的试验数据，以便将该计算方法推广到更大适用范围。