System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及高压电绝缘,并且更具体地,涉及一种换流变网侧相间间隙的可变间隙系数计算方法及装置。
技术介绍
1、我国能源存量虽然丰富,但是分布不均,西部地区集中了丰富的水、火、风电资源,而能源消耗主要集中在东部经济发达地区。能源储存与消耗的地区差异严重影响了我国能源的合理分配和高效利用,西电东送需求日趋强烈,西部地区建设高电压等级、超远距离、大容量的输电线路和换流站成为必然,然而西部地区地形主要为高原,空气稀薄,输变电设备空气间隙的绝缘强度随海拔高度的增加会有不同程度地降低,这为特高压输电工程的绝缘配置带来重大挑战。换流站居于特高压直流工程的核心地位,空气间隙是其主要外绝缘形式,其中,换流变网侧典型空气间隙的放电特性是换流站外绝缘配置的重要依据,其合理性直接影响特高压换流站设计的经济性和安全性。
2、输变电工程空气间隙复杂多样,受限于试品尺寸和试验设备、场地条件,开展特高压尺度下的长间隙放电试验耗费大量人力物力,且难以穷尽所有可能的工况。工程上通常使用间隙系数估算各类间隙的放电电压,从而指导间隙选择,因此,推荐合理准确的间隙系数值是优化特高压输变电工程外绝缘设计的关键问题。
3、间隙系数定义为各类间隙放电电压与1m典型棒-板间隙放电电压(500kv)的比值,不难得知间隙系数受间隙类型、间隙结构、气象条件等多方面因素影响。例如,间隙距离越长,间隙放电电压越高,间隙系数越大;海拔高度越高,空气密度越小,放电电压越低,间隙系数随之减小。而目前各标准与导则中推荐的间隙系数往往只考虑了间隙类型,在某一间隙结构下计算
技术实现思路
1、针对现有技术的不足,本专利技术提供一种换流变网侧相间间隙的可变间隙系数计算方法及装置。
2、根据本专利技术的一个方面,提供了一种换流变网侧相间间隙的可变间隙系数计算方法,包括:
3、获取多个不同预设海拔高度的多类换流变套管均压环相间间隙正极性操作冲击放电试验数据,计算得到不同预设海拔高度的试验间隙系数;
4、根据获取的多类换流变套管均压环样本的样本数据集以及试验间隙系数,训练单隐层rbf神经网络模型,生成间隙系数计算模型,其中样本数据集包括均压环环径、均压环管径、均压环结构高度、间隙距离、海拔高度信息;
5、获取待计算换流变套管均压环的数据信息输入至间隙系数计算模型,输出待计算换流变套管均压环的间隙系数。
6、可选地,获取多个不同预设海拔高度的多类换流变网侧相间间隙正极性操作冲击放电试验数据,计算得到不同预设海拔高度的试验间隙系数,包括:
7、获取多个不同预设海拔高度的多类换流变套管均压环相间间隙正极性操作冲击放电试验数据;
8、根据放电试验数据,获取不同预定海拔高度下多类换流变套管均压环50%放电电压;
9、根据50%放电电压,计算对应的试验间隙系数。
10、可选地,根据获取的多类换流变套管均压环样本的样本数据集以及试验间隙系数,训练单隐层rbf神经网络模型,生成间隙系数计算模型,包括:
11、将样本数据集输入单隐层rbf神经网络模型,通过随机梯度下降法更新网络参数,生成间隙系数计算模型。
12、可选地,将样本数据集输入单隐层rbf神经网络模型,通过随机梯度下降法更新网络参数,生成间隙系数计算模型,包括:
13、设置单隐层rbf神经网络模型的模型参数,并初始化网络参数,其中网络参数包括:网络权重、隐层的神经元中心点、隐层的高斯核宽度,其中模型参数包括:隐层神经元数量设置为8、误差函数设置为均方误差、学习率设置为0.001、迭代最大次数设置为500;
14、基于样本数据集,通过随机梯度下降法更新网络参数;
15、在迭代次数大于迭代最大次数的情况下,则停止网络参数的更新迭代,生成间隙系数计算模型。
16、可选地,基于样本数据集,通过随机梯度下降法更新网络参数,包括:
17、正向传播计算样本数据集中每个样本的预测值;
18、根据每个样本的预测值以及对应的试验间隙系数,计算网络损失;
19、根据每个样本的预测值以及网络损失,基于梯度下降原理反向传播更新网络参数。
20、可选地,预测值的计算公式为:
21、
22、其中,xi是第i个样本的输入特征,ωj为第j个神经元的权重,cj为第j个神经元的中心点,n为样本数据集样本数量,为高斯核函数:
23、
24、其中,σj为高斯核宽度。
25、可选地,网络损失e的计算公式为:
26、
27、式中,f(xi)为样本xi的预测值,xi是第i个样本的输入特征,ki是第i个样本的试验间隙系数,n为样本数据集样本数量。
28、可选地,网络参数的更新公式包括:
29、网络权重的更新公式:
30、
31、
32、隐层的神经元中心点的更新公式:
33、
34、
35、隐层的高斯核宽度的更新公式:
36、
37、
38、其中,e为网络损失,η为学习率,n为当前迭代次数,f(xi)为样本xi的预测值,xi是第i个样本的输入特征,ki是第i个样本的试验间隙系数,i=1,2,3...,n,n为样本数据集样本数量,ωj为第j个神经元的权重,cj为第j个神经元的中心点,σj为第j个神经元的高斯核宽度,δωj、δcj、δσj分别为神经元权重、中心点和高斯核宽度的优化方向。
39、根据本专利技术的另一个方面,提供了一种换流变网侧相间间隙的可变间隙系数计算装置,包括:
40、计算模块,用于获取多个不同预设海拔高度的多类换流变套管均压环相间间隙正极性操作冲击放电试验数据,计算得到不同预设海拔高度的试验间隙系数;
41、训练模块,用于根据获取的多类换流变套管均压环样本的样本数据集以及试验间隙系数,训练单隐层rbf神经网络模型,生成间隙系数计算模型,其中样本数据集包括均压环环径、均压环管径、均压环结构高度、间隙距离、海拔高度信息;
42、输出模块,用于获取待计算换流变套管均压环的数据信息输入至间隙系数计算模型,输出待计算换流变套管均压环的间隙系数。
43、根据本专利技术的又一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本专利技术上述任一方面所述的方法。
44、根据本专利技术的又一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本专利技术上述任一方面所述的方法。
45、从而,本专利技术提出了一种适用于多类换流变网侧相间间隙类型操作冲击可变间隙系本文档来自技高网...
【技术保护点】
1.一种换流变网侧相间间隙的可变间隙系数计算方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,获取多个不同预设海拔高度的多类换流变网侧相间间隙正极性操作冲击放电试验数据,计算得到不同预设海拔高度的试验间隙系数,包括:
3.根据权利要求1所述的方法,其特征在于,根据获取的多类换流变套管均压环样本的样本数据集以及所述试验间隙系数,训练单隐层RBF神经网络模型,生成间隙系数计算模型,包括:样本数据集将所述样本数据样本数据集输入所述单隐层RBF神经网络模型,通过随机梯度下降法更新网络参数,生成所述间隙系数计算模型。
4.根据权利要求3所述的方法,其特征在于,将所述样本数据样本数据集输入所述单隐层RBF神经网络模型,通过随机梯度下降法更新网络参数,生成所述间隙系数计算模型,包括:
5.根据权利要求4所述的方法,其特征在于,基于所述样本数据样本数据集,通过所述随机梯度下降法更新所述网络参数,包括:
6.根据权利要求5所述的方法,其特征在于,所述预测值的计算公式为:
7.根据权利要求5所述的方法,其特征在
8.根据权利要求5所述的方法,其特征在于,所述网络参数的更新公式包括:
9.一种换流变网侧相间间隙的可变间隙系数计算装置,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-8任一所述的方法。
11.一种电子设备,其特征在于,所述电子设备包括:
...【技术特征摘要】
1.一种换流变网侧相间间隙的可变间隙系数计算方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,获取多个不同预设海拔高度的多类换流变网侧相间间隙正极性操作冲击放电试验数据,计算得到不同预设海拔高度的试验间隙系数,包括:
3.根据权利要求1所述的方法,其特征在于,根据获取的多类换流变套管均压环样本的样本数据集以及所述试验间隙系数,训练单隐层rbf神经网络模型,生成间隙系数计算模型,包括:样本数据集将所述样本数据样本数据集输入所述单隐层rbf神经网络模型,通过随机梯度下降法更新网络参数,生成所述间隙系数计算模型。
4.根据权利要求3所述的方法,其特征在于,将所述样本数据样本数据集输入所述单隐层rbf神经网络模型,通过随机梯度下降法更新网络参数,...
【专利技术属性】
技术研发人员:丁玉剑,姚修远,苏宇,杨冰雪,周扬,胡美心,刘德龙,马晓旭,林一凡,
申请(专利权)人:中国电力科学研究院有限公司,
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。