一种纳秒脉冲下SF6中绝缘子闪络电压的预测方法技术

本发明专利技术提出了一种纳秒脉冲下SF6中绝缘子闪络电压的预测方法，解决现有闪络电压预测方法中存在的准确性和泛化性难以兼顾的技术问题。该方法利用经验公式生成大范围输入量及输出量数据并对数据进行正则化处理；然后将上述数据输入MLP神经网络中进行预先训练；接着从人工模拟实验结果中提取输入及输出参量并进行正则化处理；利用预先训练的MLP神经网络进行增量学习，最后对模型得到的训练集和测试集误差进行验证，即可得到MLP回归预测模型，将任意一组环境参数输入该模型中即可得到对应的绝缘子的闪络电压。本发明专利技术所需实验量小，预测准确性高，还可实现在实验条件范围外的闪络电压外推预测，通用性较强。通用性较强。通用性较强。

【技术实现步骤摘要】
一种纳秒脉冲下SF6中绝缘子闪络电压的预测方法


[0001]本专利技术涉及脉冲功率绝缘子的绝缘设计方法，具体涉及一种适用于纳秒脉冲下SF6中绝缘子闪络电压的预测方法。

技术介绍

[0002]脉冲电压下的绝缘子沿面闪络问题会对高电压装置的正常运行产生极大的威胁，因此在脉冲功率设备的绝缘设计中，绝缘子的闪络电压是需要重点考虑的因素。然而，由于影响绝缘子发生沿面闪络的因素众多，精确预测绝缘子的闪络电压、使装置绝缘设计兼顾可靠性与经济性始终是一大挑战。
[0003]目前，脉冲电压下SF6气体中的绝缘子闪络电压预测方法主要是在大量实验结果的基础上进行总结、分析和拟合，进而得到经验公式。该方法需耗费大量的人力、物力进行实验，且相关经验公式预测的准确性较低。
[0004]近年来，以神经网络为代表的人工智能技术在闪络电压预测中也逐渐得到应用，然而，由于神经网络的训练数据集仍旧来源于实验数据，且受限于其有限的泛化能力，使得该方法难以实现超越数据范围时的外推预测。

技术实现思路

[0005]本专利技术针对现有闪络电压预测方法中存在的准确性和泛化性难以兼顾的技术问题，提出一种适用于纳秒脉冲下SF6中绝缘子闪络电压的预测方法，该方法是一种基于计算数据预先训练、基于实验数据增量学习的“两步走”神经网络闪络电压预测方法。
[0006]为实现上述目的，本专利技术的技术方案为：
[0007]一种纳秒脉冲下SF6中绝缘子闪络电压的预测方法，其特殊之处在于，包括以下步骤：
[0008]S1，将纳秒脉冲下SF6的多组环境参数作为第一输入集，通过闪络电压计算公式计算得到第一输出集，所述第一输出集为多组环境参数下绝缘子的闪络电压；所述多组环境参数指由不同的SF6气压、电压极性、电压有效作用时间以及绝缘子沿面距离组成的参数集；
[0009]S2，对步骤S1中第一输入集和第一输出集进行正则化处理，生成第一数据集；
[0010]S3，将步骤S2生成的第一数据集输入MLP神经网络中进行训练，得到训练模型；
[0011]S4，提取人工模拟实验数据中的输入参数集和输出参数集，并对其进行正则化处理，生成第二数据集，并将第二数据集分为训练集和测试集；所述训练集包括第二输入集和第二输出集；所述测试集包括第三输入集和第三输出集；所述输入参数集包括实验中使用的SF6气压、电压极性、电压有效作用时间及绝缘子沿面距离参数的集合；所述输出参数集为通过实验得到的绝缘子闪络电压的集合；
[0012]S5，将步骤S4中的训练集输入步骤S3的训练模型中进行增量学习，得到训练输出集与优化的训练模型；
[0013]S6，对步骤S5中优化的训练模型进行验证：
[0014]S6.1计算步骤S5中的训练输出集与步骤S4中第二输出集之间的误差；
[0015]S6.2将步骤S4中的测试集输入步骤S5优化的训练模型中进行训练，得到测试输出集，并计算测试输出集与第三输出集之间的误差；
[0016]S6.3若S6.1和S6.2计算得到的误差均≤5％，则得到MLP回归预测模型，进而执行步骤S7；否则，返回步骤S3继续训练；
[0017]S7，在MLP回归预测模型中输入任意一组环境参数，即可完成纳秒脉冲下SF6中绝缘子闪络电压的预测。
[0018]进一步地，步骤S1中，所述闪络电压计算公式为：E
br
＝k
±
p
0.4
(dt
eff
)
‑
1/6
[0019]其中，E
br
为击穿场强，即绝缘子的闪络电压，单位为kV/cm；k为极性系数，在SF6气体中时，电压极性为正时取k
+
为常数44，电压极性为负时取k
‑
为常数72；p为SF6气体气压，单位为atm；t
eff
为有效时间，指脉冲电压幅值超过89％峰值电压的时间，单位为μs；d为绝缘子沿面距离，单位为cm。
[0020]进一步地，步骤S3中，在进行训练之前，可使用Optuna框架对MLP神经网络进行超参数优化。
[0021]进一步地，步骤S4中，所述第二数据集中采用80％的数据作为训练集，20％的数据作为测试集。
[0022]进一步地，步骤S4中，所述第二数据集中采用70％的数据作为训练集，30％的数据作为测试集。
[0023]与现有技术相比，本专利技术的有益效果是：
[0024]1、本专利技术利用计算数据对神经网络进行预训练，同时结合增量学习的策略，采用小条件范围下的实验数据对大条件范围内的闪络电压进行预测，克服了现有预测方法外推预测不准确的难题，实现了闪络电压预测方法的准确性和泛化性。
[0025]2、本专利技术利用计算数据对神经网络进行预训练，可在所需的预测条件范围内生成大量数据，进而节省大量的人力和时间。
[0026]3、本专利技术利用实验数据对神经网络进行增量学习，可利用实验数据矫正经验公式，进一步加强预测模型准确性。
附图说明
[0027]图1为本专利技术一种纳秒脉冲下SF6中绝缘子闪络电压的预测方法实施例的预测模型搭建流程图。
具体实施方式
[0028]以下结合附图对本专利技术的技术方案进行详细阐述。
[0029]结合图1所示，本专利技术提供一种纳秒脉冲下SF6中绝缘子闪络电压的预测方法，包括以下步骤：
[0030]S1，将纳秒脉冲下SF6的多组环境参数作为第一输入集，通过闪络电压计算公式，计算得到第一输出集，所述第一输出集为纳秒脉冲下SF6中绝缘子的闪络电压。多组环境参数指由不同的SF6气压、电压极性、电压有效作用时间以及均绝缘子沿面距离组成的参数
集。
[0031]本发实施例选取J.C.Martin闪络电压经验公式，即：E
br
＝k
±
p
0.4
(dt
eff
)
‑
1/6
，公式中，E
br
为击穿场强，即绝缘子的闪络电压，单位为kV/cm；k为极性系数，在SF6气体中时，电压极性为正时取k
+
为常数44，电压极性为负时取k
‑
为常数72；p为SF6气体气压，单位为atm；t
eff
为有效时间，指脉冲电压幅值超过89％峰值电压的时间，单位为μs；d为绝缘子沿面距离，单位为cm。也可选取其他闪络电压经验公式，可计算出闪络电压即可，即以不同的SF6气压、电压极性、电压有效作用时间以及均绝缘子沿面距离作为输入量，将绝缘子的闪络电压作为输出量，基于该方法生成大量的输入量及输出量的数据，以此组成第一输入集和第一输出集。
[0032]S2，对步骤S1中的第一输入集和第一输出集进行正则化处理，生成第一数据集，此处的第一数据集为正则化后第二输入集和第二输出集组成的数据集。
[0033]正则化处理的公式具体为，其中，x为数据实际值；x...

【技术保护点】

【技术特征摘要】
1.一种纳秒脉冲下SF6中绝缘子闪络电压的预测方法，其特征在于，包括以下步骤：S1，将纳秒脉冲下SF6的多组环境参数作为第一输入集，通过闪络电压计算公式计算得到第一输出集，所述第一输出集为多组环境参数下绝缘子的闪络电压；所述多组环境参数指由不同的SF6气压、电压极性、电压有效作用时间以及绝缘子沿面距离组成的参数集；S2，对步骤S1中第一输入集和第一输出集进行正则化处理，生成第一数据集；S3，将步骤S2生成的第一数据集输入MLP神经网络中进行训练，得到训练模型；S4，提取人工模拟实验数据中的输入参数集和输出参数集，并对其进行正则化处理，生成第二数据集，并将第二数据集分为训练集和测试集；所述训练集包括第二输入集和第二输出集；所述测试集包括第三输入集和第三输出集；所述输入参数集包括实验中使用的SF6气压、电压极性、电压有效作用时间及绝缘子沿面距离参数的集合；所述输出参数集为通过实验得到的绝缘子闪络电压的集合；S5，将步骤S4中的训练集输入步骤S3的训练模型中进行增量学习，得到训练输出集与优化的训练模型；S6，对步骤S5中优化的训练模型进行验证：S6.1计算步骤S5中的训练输出集与步骤S4中第二输出集之间的误差；S6.2将步骤S4中的测试集输入步骤S5优化的训练模型中进行训练，得到测试输出集，并计算测试输出集与第三输出集之间的误差；S6.3若S6.1和S6.2计算得到的误差均≤5％，则得到MLP回归预测模型，进而执行步骤S7；否则，返回步骤S3继续训练；S7，在MLP回归预测模型中输入...

【专利技术属性】
技术研发人员：孙楚昱，吴伟，吴刚，王海洋，谢霖燊，
申请(专利权)人：西北核技术研究所，
类型：发明
国别省市：