【技术实现步骤摘要】
本专利技术涉及电极放电，尤其涉及高海拔电极放电电压预测方法、系统、设备和介质。
技术介绍
1、现阶段，高海拔地区加快构建新型电力系统，电极直径为0.6～1.6m的球-板间隙广泛应用于高海拔换流站阀厅外绝缘设计中，随着海拔高度增加，空气密度降低导致电力设备外绝缘性能降低，影响了阀厅设备外绝缘放电电压。
2、目前，针对真型高海拔电极放电电压预测的研究主要集中在两个方面，一方面集中于放电机理的物理模型上，另一方面集中于放电统计特性的经验公式上。现有的高海拔电极放电电压预测方法依赖于经验公式和统计模型，但这些方法无法考虑到复杂的非线性关系和高海拔环境对预测结果的影响，导致预测结果准确度低。
技术实现思路
1、本专利技术提供了一种高海拔电极放电电压预测方法、系统、设备和介质，解决了现有的高海拔电极放电电压预测方法依赖于经验公式和统计模型，但这些方法无法考虑到复杂的非线性关系和高海拔环境对预测结果的影响，导致预测结果准确度低的技术问题。
2、本专利技术提供的一种高海拔电极放电电压预测方法，包括：
3、获取高海拔真型电极的实际测量数据集，根据预设选取比例对所述实际测量数据集进行归一化处理和数据划分，生成初始训练集和测试集；
4、根据所述初始训练集中的特征变量与目标变量之间的影响程度，构建目标训练集；
5、基于支持向量回归方法和蚁狮优化算法结合所述目标训练集进行模型构建，生成中间智能模型；
6、采用所述测试集对所述中间智能模型
7、将所述实际测量数据集输入所述目标智能模型进行放电电压计算，生成所述高海拔真型电极对应的放电电压预测数据。
8、可选地，所述根据预设选取比例对所述实际测量数据集进行归一化处理和数据划分，生成初始训练集和测试集的步骤，包括：
9、将所述实际测量数据集进行最大最小归一化处理，生成样本参量集；
10、按照预设选取比例划分所述样本参量集，生成初始训练集和测试集。
11、可选地，所述根据所述初始训练集中的特征变量与目标变量之间的影响程度，构建目标训练集的步骤，包括：
12、将所述初始训练集中气压、温度、相对湿度和电压上升率所在的参量集划分为特征变量；
13、将所述初始训练集中u50放电电压所在的参量集划分为目标变量；
14、采用皮尔逊相关系数分别计算所述特征变量与所述目标变量之间的相关性，生成所述特征变量对应的相关性系数；
15、将所述相关性系数的最大值对应的特征变量作为目标训练集。
16、可选地，所述基于支持向量回归方法和蚁狮优化算法结合所述目标训练集进行模型构建，生成中间智能模型的步骤，包括：
17、采用支持向量回归方法和高斯核函数进行模型构建，生成初始智能模型；
18、采用蚁狮优化算法对所述初始智能模型中的初始惩罚系数和初始核函数参数进行寻优，生成目标惩罚系数和目标核函数参数；
19、采用所述目标惩罚系数和所述目标核函数参数对所述初始智能模型进行更新，生成中间智能模型。
20、可选地，所述采用支持向量回归方法和高斯核函数进行模型构建，生成初始智能模型的步骤，包括：
21、采用支持向量回归方法进行形式化，确定模型约束条件和模型目标函数；
22、所述模型约束条件为：
23、
24、式中，ω表示权重；n表示向量y维数；b表示偏项值；f(xi)表示xi映射的超平面；xi表示特征变量；yi表示目标变量；c为初始惩罚系数；ε(ε＞0)是回归最大允许误差；lε为不敏感损失函数；
25、所述模型目标函数为：
26、
27、式中，f(x)表示模型目标函数；αi'和α表示拉格朗日乘数；k表示高斯核函数；a表示截距；x表示特征参量；xi表示特征变量；
28、采用所述模型约束条件、所述模型目标函数和高斯核函数进行模型构建，生成初始智能模型；
29、所述高斯核函数为：
30、k(xi,xj)＝exp(-γ||xi-xj||2)；
31、式中，k表示高斯核函数；xi,xj表示任意两组特征参量；γ表示初始核函数参数。
32、可选地，所述采用蚁狮优化算法对所述初始智能模型中的初始惩罚系数和初始核函数参数进行寻优，生成目标惩罚系数和目标核函数参数的步骤，包括：
33、采用蚁狮优化算法对所述初始智能模型中的初始惩罚系数和初始核函数参数进行参数初始化，生成蚁狮集；
34、计算所述蚁狮集中各蚂蚁和各蚁狮的适应度值，生成适应度集并统计迭代次数；
35、将所述适应度集中适应度最大值对应的蚁狮作为初始精英蚁狮；
36、采用轮盘赌策略实现所述蚂蚁的随机游走更新蚂蚁的位置，生成多个蚂蚁位置；
37、计算所有所述蚂蚁位置对应的适应度，生成蚂蚁适应度集；
38、采用所述迭代次数和所述蚂蚁适应度集，构建迭代数据；
39、当所述迭代数据满足停止条件时，采用预设修正因子对所述当前时刻的初始精英蚁狮进行修正更新，生成目标精英蚁狮；
40、将所述目标精英蚁狮对应的初始惩罚系数和初始核函数参数作为目标惩罚系数和目标核函数参数。
41、可选地，所述采用所述测试集对所述中间智能模型进行测试，确定目标智能模型的步骤，包括：
42、将所述测试集输入所述中间智能模型计算放电电压，生成放电电压；
43、采用所述放电电压与所述测试集中的真实测量值差值进行误差计算，生成误差率；
44、当所述误差率满足预设误差阈值时，将所述中间智能模型作为目标智能模型；
45、当所述误差率不满足所述预设误差阈值时，跳转执行所述基于支持向量回归方法和蚁狮优化算法结合所述目标训练集进行模型构建，生成中间智能模型的步骤。
46、本专利技术还提供了一种高海拔电极放电电压预测系统，包括：
47、初始训练集和测试集生成模块，用于获取高海拔真型电极的实际测量数据集，根据预设选取比例对所述实际测量数据集进行归一化处理和数据划分，生成初始训练集和测试集；
48、目标训练集构建模块，用于根据所述初始训练集中的特征变量与目标变量之间的影响程度，构建目标训练集；
49、中间智能模型生成模块，用于基于支持向量回归方法和蚁狮优化算法结合所述目标训练集进行模型构建，生成中间智能模型；
50、目标智能模型确定模块，用于采用所述测试集对所述中间智能模型进行测试，确定目标智能模型；
51、放电电压预测数据生成模块，用于将所述实际测量数据集输入所述目标智能模型进行放电电压计算，生成所述高海拔真型电极对应的放电电压预测数据。
52、本专利技术还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算本文档来自技高网...
【技术保护点】
1.一种高海拔电极放电电压预测方法，其特征在于，包括：
2.根据权利要求1所述的高海拔电极放电电压预测方法，其特征在于，所述根据预设选取比例对所述实际测量数据集进行归一化处理和数据划分，生成初始训练集和测试集的步骤，包括：
3.根据权利要求1所述的高海拔电极放电电压预测方法，其特征在于，所述根据所述初始训练集中的特征变量与目标变量之间的影响程度，构建目标训练集的步骤，包括：
4.根据权利要求3所述的高海拔电极放电电压预测方法，其特征在于，所述基于支持向量回归方法和蚁狮优化算法结合所述目标训练集进行模型构建，生成中间智能模型的步骤，包括：
5.根据权利要求4所述的高海拔电极放电电压预测方法，其特征在于，所述采用支持向量回归方法和高斯核函数进行模型构建，生成初始智能模型的步骤，包括：
6.根据权利要求4所述的高海拔电极放电电压预测方法，其特征在于，所述采用蚁狮优化算法对所述初始智能模型中的初始惩罚系数和初始核函数参数进行寻优，生成目标惩罚系数和目标核函数参数的步骤，包括：
7.根据权利要求1所述的高海拔电极放电电
8.一种高海拔电极放电电压预测系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7任一项所述的高海拔电极放电电压预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至7任一项所述的高海拔电极放电电压预测方法。
...【技术特征摘要】
1.一种高海拔电极放电电压预测方法，其特征在于，包括：
2.根据权利要求1所述的高海拔电极放电电压预测方法，其特征在于，所述根据预设选取比例对所述实际测量数据集进行归一化处理和数据划分，生成初始训练集和测试集的步骤，包括：
3.根据权利要求1所述的高海拔电极放电电压预测方法，其特征在于，所述根据所述初始训练集中的特征变量与目标变量之间的影响程度，构建目标训练集的步骤，包括：
4.根据权利要求3所述的高海拔电极放电电压预测方法，其特征在于，所述基于支持向量回归方法和蚁狮优化算法结合所述目标训练集进行模型构建，生成中间智能模型的步骤，包括：
5.根据权利要求4所述的高海拔电极放电电压预测方法，其特征在于，所述采用支持向量回归方法和高斯核函数进行模型构建，生成初始智能模型的步骤，包括：
6.根据权利要求...
【专利技术属性】
技术研发人员：肖微，罗兵，刘磊，钟正，张豪峰，范才进，陈少杰，徐永生，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。