本发明涉及电气设备在线监测技术领域,尤其涉及一种空气间隙放电电压预测方法及装置。
背景技术:
空气间隙的放电特性是高压输变电外绝缘设计的重要依据。由放电理论可知,空气间隙放电电压受大气条件,气压、温度、湿度等影响。
针对大气条件参数对放电电压的影响,国内外进行了大量的试验研究,但多数试验是在实验室通过人工模拟试验条件完成。从以往的研究可以看出,大气条件参数与放电电压的关系是多维、非线性的,所以采用传统数学统计方法不能建立精确的放电电压的预测模型。
人工神经网络由于具有自学习、自组织、自适应等特点,广泛应用于非线性预测及推理。神经网络在电力系统也取得了很好的效果。但在电气设备外绝缘,特别是在空气间隙放电特性方面的应用研究还很缺乏。
技术实现要素:
本发明实施例提供了一种空气间隙放电电压预测方法及装置,解决了现有技术中采用传统数学模型方法对空间间隙放电电压进行预测,预测精度不高且预测时间过长的技术问题。
本发明实施例提供的一种空气间隙放电电压预测方法,包括:
采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;
以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络;
通过预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络;
将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果。
优选地,以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络包括:
以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置第一公式构建Chebyshev神经网络;
Chebyshev神经网络包括输入层、隐含层和输出层;
预置第一公式具体为:
其中,P为输入向量,t为输出向量,wji为输入层和隐含层的连接权值,cj为隐含层和输出层连接权值,n为输入向量的维数,Tj(x)为Chebyshev神经网络正交多项式,m为Chebyshev神经网络正交多项式的阶数。
优选地,Chebyshev神经网络正交多项式Tj(x)通过预置阶数公式求得,预置阶数公式具体为:
优选地,通过预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络包括:
通过预置算法对Chebyshev神经网络进行训练,并在训练过程中通过预置第二公式修正输入层和隐含层的连接权值wij和通过预置第三公式修正隐含层和输出层连接权值cj,得到训练好的Chebyshev神经网络,预置第二公式具体为:
cj←cj-ηΔcj;
其中,η为学习步长,Δcr通过求偏导得到;
预置第三公式具体为:
wji←wji-ηΔwji;
其中,η为学习步长,Δwji通过求偏导得到。
优选地,Δcr通过预置第四公式求得,预置第四公式具体为:
Δwji可通过预置第五公式求得,预置第五公式具体为:
其中,sk(k=1,...,l)为期望输出向量,l为输入向量的维数,E为网络误差,网络误差通过预置第六公式求得,预置第六公式具体为:
本发明实施例提供的一种空气间隙放电电压预测装置,包括:
采集模块,用于采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;
构建模块,用于以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络;
训练模块,用于通过预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络;
预测模块,用于将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果。
优选地,构建模块包括:
构建单元,与以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置第一公式构建Chebyshev神经网络;
Chebyshev神经网络包括输入层、隐含层和输出层;
预置第一公式具体为:
其中,P为输入向量,t为输出向量,wji为输入层和隐含层的连接权值,cj为隐含层和输出层连接权值,n为输入向量的维数,Tj(x)为Chebyshev神经网络正交多项式,m为Chebyshev神经网络正交多项式的阶数。
优选地,构建模块还包括:计算单元,用于通过预置阶数公式求得Chebyshev神经网络正交多项式Tj(x),预置阶数公式具体为:
优选地,训练模块包括:
训练修正单元,用于通过预置算法对Chebyshev神经网络进行训练,并在训练过程中通过预置第二公式修正输入层和隐含层的连接权值wij和通过预置第三公式修正隐含层和输出层连接权值cj,得到训练好的Chebyshev神经网络,预置第二公式具体为:
cj←cj-ηΔcj;
其中,η为学习步长,Δcr通过求偏导得到;
预置第三公式具体为:
wji←wji-ηΔwji;
其中,η为学习步长,Δwji通过求偏导得到。
优选地,训练模块还包括:偏导计算第一单元,通过预置第四公式求得Δcr,预置第四公式具体为:
偏导计算第二单元,通过预置第五公式求得Δwji,预置第五公式具体为:
其中,sk(k=1,...,l)为期望输出向量,l为输入向量的维数,E为网络误差,网络误差通过预置第六公式求得,预置第六公式具体为:
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供了一种空气间隙放电电压预测方法及装置,通过采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络;通过预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络;将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果,本发明实施例中使用了Chebyshev神经网络对空气间隙放电电压进行预测,能够在取得更高预测精度的同时,大大降低网络训练过程的收敛时间,解决了现有技术中采用传统数学模型方法对空间间隙放电电压进行预测,预测精度不高且预测时间过长的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种空气间隙放电电压预测方法的一个实施例的流程示意图;
图2为本发明实施例提供的一种空气间隙放电电压预测方法的另一个实施例的流程示意图;
图3为本发明实施例提供的一种空气间隙放电电压预测装置的一个实施例的结构示意图;
图4为本发明实施例提供的一种空气间隙放电电压预测装置的另一个实施例的结构示意图;
图5为本发明实施例提供的Chebyshev神经网络拓扑结构图;
图6为本发明实施例提供的Chebyshev神经网络预测结果。
具体实施方式
本发明实施例提供了一种空气间隙放电电压预测方法及装置,用于解决现有技术中采用传统数学模型方法对空间间隙放电电压进行预测,预测精度不高且预测时间过长的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供的一种空气间隙放电电压预测方法的一个实施例,包括:
101、采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;
在进行空气间隙放电电压预测前,先采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,其中,大气条件参数样本包括气压、温度、风速和相对湿度。
102、以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络;
在采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压之后,以大气条件参数作为输入及以空气间隙放电电压作为输出,并通过结合预置公式构建Chebyshev神经网络。
103、通过预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络;
在以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络之后,通过预置算法对Chebyshev神经网络进行训练,即可得到训练好的Chebyshev神经网络。
104、将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果。
在得到训练好的Chebyshev神经网络之后,将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,最终得到对应的空气间隙放电电压预测结果。
本发明实施例提供了一种空气间隙放电电压预测方法,通过采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络;通过预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络;将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果,本发明实施例中使用了Chebyshev神经网络对空气间隙放电电压进行预测,能够在取得更高预测精度的同时,大大降低网络训练过程的收敛时间,解决了现有技术中采用传统数学模型方法对空间间隙放电电压进行预测,预测精度不高且预测时间过长的技术问题。
以上为对本发明实施例提供的一种空气间隙放电电压预测方法的详细描述,以下将对本发明实施例提供的一种空气间隙放电电压预测方法的详细过程进行描述。
请参阅图2,本发明实施例提供的一种空气间隙放电电压预测方法的另一个实施例包括:
201、采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;
在采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压之后,以大气条件参数作为输入及以空气间隙放电电压作为输出,并通过结合预置公式构建Chebyshev神经网络。
202、以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置第一公式构建Chebyshev神经网络;
Chebyshev神经网络包括输入层、隐含层和输出层;
预置第一公式具体为:
其中,P为输入向量,t为输出向量,wji为输入层和隐含层的连接权值,cj为隐含层和输出层连接权值,n为输入向量的维数,Tj(x)为Chebyshev神经网络正交多项式,m为Chebyshev神经网络正交多项式的阶数。
在采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压之后,以大气条件参数作为输入及以空气间隙放电电压作为输出,并通过结合预置第一公式,并将相应大气条件参数和空气间隙放电电压代入预置第一公式中,根据其结果构建Chebyshev神经网络。
203、通过预置阶数公式求得预置第一公式中的Chebyshev神经网络正交多项式Tj(x),预置阶数公式具体为:
204、通过预置算法对Chebyshev神经网络进行训练,并在训练过程中通过预置第二公式修正输入层和隐含层的连接权值wij和通过预置第三公式修正隐含层和输出层连接权值cj,得到训练好的Chebyshev神经网络,预置第二公式具体为:
cj←cj-ηΔcj;
其中,η为学习步长,Δcr通过求偏导得到;
预置第三公式具体为:
wji←wji-ηΔwji;
其中,η为学习步长,Δwji通过求偏导得到。
其中,Δcr通过预置第四公式求得,预置第四公式具体为:
Δwji可通过预置第五公式求得,预置第五公式具体为:
其中,sk(k=1,...,l)为期望输出向量,l为输入向量的维数,E为网络误差,网络误差通过预置第六公式求得,预置第六公式具体为:
205、将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果。
在得到训练好的Chebyshev神经网络之后,将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,最终得到对应的空气间隙放电电压预测结果。
本发明实施例提供了一种空气间隙放电电压预测方法,通过采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络;通过预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络;将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果,本发明实施例中使用了Chebyshev神经网络对空气间隙放电电压进行预测,能够在取得更高预测精度的同时,大大降低网络训练过程的收敛时间,解决了现有技术中采用传统数学模型方法对空间间隙放电电压进行预测,预测精度不高且预测时间过长的技术问题。
以上为对本发明实施例提供的一种空气间隙放电电压预测方法的详细过程进行的描述,以下将对本发明实施例提供的一种空气间隙放电电压预测装置进行详细的描述。
本发明实施例提供的一种空气间隙放电电压预测装置的一个实施例包括:
采集模块301,用于采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;
在进行空气间隙放电电压预测前,先通过采集模块301采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,其中,大气条件参数样本包括气压、温度、风速和相对湿度。
构建模块302,用于以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络;
在采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压之后,通过构建模块302以大气条件参数作为输入及以空气间隙放电电压作为输出,并通过结合预置公式构建Chebyshev神经网络。
训练模块303,用于通过预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络;
预测模块304,用于将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果。
在得到训练好的Chebyshev神经网络之后,通过训练模块303将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,最终得到对应的空气间隙放电电压预测结果。
本发明实施例提供了一种空气间隙放电电压预测装置,通过采集模块301采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;通过构建模块302以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络;通过训练模块303采用预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络;并通过预测模块304将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果,本发明实施例中使用了Chebyshev神经网络对空气间隙放电电压进行预测,能够在取得更高预测精度的同时,大大降低网络训练过程的收敛时间,解决了现有技术中采用传统数学模型方法对空间间隙放电电压进行预测,预测精度不高且预测时间过长的技术问题。
以上为对本发明实施例提供的一种空气间隙放电电压预测装置的详细描述,以下将对本发明实施例提供的一种空气间隙放电电压预测装置的结构进行详细的描述。
本发明实施例提供的一种空气间隙放电电压预测装置的另一个实施例包括:
采集模块401,用于采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;
在采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压之后,以大气条件参数作为输入及以空气间隙放电电压作为输出,并通过结合预置公式构建Chebyshev神经网络。
构建模块402,用于以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络,具体还包括:
构建单元4021,与以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置第一公式构建Chebyshev神经网络;
Chebyshev神经网络包括输入层、隐含层和输出层;
预置第一公式具体为:
其中,P为输入向量,t为输出向量,wji为输入层和隐含层的连接权值,cj为隐含层和输出层连接权值,n为输入向量的维数,Tj(x)为Chebyshev神经网络正交多项式,m为Chebyshev神经网络正交多项式的阶数。
计算单元4022,用于通过预置阶数公式求得Chebyshev神经网络正交多项式Tj(x),预置阶数公式具体为:
在采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压之后,通过构建模块402以大气条件参数作为输入及以空气间隙放电电压作为输出,并通过结合预置第一公式,并将相应大气条件参数和空气间隙放电电压代入预置第一公式中,根据其结果构建Chebyshev神经网络。
训练模块403,用于通过预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络,具体还包括:
训练修正单元4031,用于通过预置算法对Chebyshev神经网络进行训练,并在训练过程中通过预置第二公式修正输入层和隐含层的连接权值wij和通过预置第三公式修正隐含层和输出层连接权值cj,得到训练好的Chebyshev神经网络,预置第二公式具体为:
cj←cj-ηΔcj;
其中,η为学习步长,Δcr通过求偏导得到;
预置第三公式具体为:
wji←wji-ηΔwji;
其中,η为学习步长,Δwji通过求偏导得到。
偏导计算第一单元,通过预置第四公式求得Δcr,预置第四公式具体为:
偏导计算第二单元,通过预置第五公式求得Δwji,预置第五公式具体为:
其中,sk(k=1,...,l)为期望输出向量,l为输入向量的维数,E为网络误差,网络误差通过预置第六公式求得,预置第六公式具体为:
预测模块404,用于将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果。
在得到训练好的Chebyshev神经网络之后,通过预测模块404将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,最终得到对应的空气间隙放电电压预测结果。
本发明实施例提供了一种空气间隙放电电压预测装置,通过采集模块401采集大气条件参数样本和与大气条件参数样本对应的空气间隙放电电压,大气条件参数样本包括气压、温度、风速和相对湿度;通过构建模块402以大气条件参数作为输入及以空气间隙放电电压作为输出,结合预置公式构建Chebyshev神经网络;通过训练模块403采用预置算法对Chebyshev神经网络进行训练,得到训练好的Chebyshev神经网络;并通过预测模块404将实时采集的大气条件参数样本输入到训练好的Chebyshev神经网络,得到空气间隙放电电压预测结果,本发明实施例中使用了Chebyshev神经网络对空气间隙放电电压进行预测,能够在取得更高预测精度的同时,大大降低网络训练过程的收敛时间,解决了现有技术中采用传统数学模型方法对空间间隙放电电压进行预测,预测精度不高且预测时间过长的技术问题。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。