牛海清 許佳 吳炬卓 余佳

(1.華南理工大學(xué) 電力學(xué)院， 廣東 廣州 510640； 2.珠海市供電局，廣東 珠海 519000)

氣隙放電電壓的大氣條件灰聯(lián)度分析及預(yù)測*

牛海清1許佳1吳炬卓2余佳1

(1.華南理工大學(xué) 電力學(xué)院， 廣東 廣州 510640； 2.珠海市供電局，廣東 珠海 519000)

為了研究大氣條件參數(shù)對(duì)空氣間隙放電電壓的影響程度，使用放置在自然環(huán)境中的球-球電級(jí)全自動(dòng)放電監(jiān)測裝置實(shí)時(shí)監(jiān)測和記錄的放電電壓和大氣條件參數(shù)數(shù)據(jù)，建立灰色關(guān)聯(lián)度的計(jì)算模型，并通過計(jì)算得到各大氣條件參數(shù)對(duì)放電電壓的灰色關(guān)聯(lián)度，結(jié)果表明，大氣條件參數(shù)按灰色關(guān)聯(lián)度大小(從大到小)的排序依次為氣壓、溫度、風(fēng)速、相對(duì)濕度、照度。以大氣條件參數(shù)為輸入，使用Chebyshev神經(jīng)網(wǎng)絡(luò)對(duì)放電電壓進(jìn)行預(yù)測，取得比BP神經(jīng)網(wǎng)絡(luò)更好的預(yù)測結(jié)果.根據(jù)大氣條件參數(shù)的排序，分別取前兩者(氣壓、溫度)、前三者(氣壓、溫度、風(fēng)速)、前四者(氣壓、溫度、風(fēng)速、相對(duì)濕度)作為Chebyshev神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)放電電壓進(jìn)行預(yù)測.預(yù)測結(jié)果表明，隨著輸入個(gè)數(shù)的減少，預(yù)測的平均相對(duì)誤差和最大相對(duì)誤差變化很小.

大氣條件；空氣間隙；放電電壓；灰色關(guān)聯(lián)度；Chebyshev神經(jīng)網(wǎng)絡(luò)

空氣間隙的放電特性是高壓輸變電外絕緣設(shè)計(jì)的重要依據(jù).由放電理論可知，空氣間隙放電電壓受大氣條件(氣壓、溫度、濕度等)影響[1].針對(duì)大氣條件參數(shù)對(duì)放電電壓的影響，國內(nèi)外進(jìn)行了大量的試驗(yàn)研究[2- 6]，但多數(shù)試驗(yàn)是在實(shí)驗(yàn)室通過人工模擬試驗(yàn)條件完成的.從以往的研究可以看出，大氣條件參數(shù)與放電電壓的關(guān)系是多維、非線性的，所以采用傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)方法難以建立精確的放電電壓預(yù)測模型.

人工神經(jīng)網(wǎng)絡(luò)由于具有自學(xué)習(xí)、自組織、自適應(yīng)等特點(diǎn)，廣泛應(yīng)用于非線性預(yù)測及推理.神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中也取得了很好的應(yīng)用效果[7- 11],但在電氣設(shè)備外絕緣，特別是在空氣間隙放電特性方面的應(yīng)用研究還很缺乏.文獻(xiàn)[5]以降雨強(qiáng)度、雨水電導(dǎo)率和溫度為輸入，以空氣間隙擊穿電壓為輸出，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并取得了較高的預(yù)測精度.文獻(xiàn)[12]以氣壓、溫度、相對(duì)濕度、風(fēng)速和照度為輸入，空氣間隙放電電壓為輸出，建立復(fù)雜環(huán)境條件下空氣間隙放電電壓BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，其預(yù)測結(jié)果的平均相對(duì)誤差僅為1.8 %.

針對(duì)大氣條件參數(shù)對(duì)空氣間隙放電電壓的影響，本研究利用全自動(dòng)放電裝置，以在自然環(huán)境下監(jiān)測記錄到的空氣間隙放電數(shù)據(jù)為依據(jù)，引入灰色關(guān)聯(lián)度分析法研究了各大氣條件參數(shù)對(duì)放電電壓的影響，并對(duì)大氣條件參數(shù)進(jìn)行了灰色關(guān)聯(lián)度排序；根據(jù)得到的灰色關(guān)聯(lián)度排序，改變輸入個(gè)數(shù)，分別建立Chebyshev神經(jīng)網(wǎng)絡(luò)預(yù)測模型對(duì)放電電壓進(jìn)行預(yù)測，以期為高壓電氣設(shè)備外絕緣的設(shè)計(jì)提供參考.

1 空氣間隙放電電壓和大氣條件的監(jiān)測

文中利用全自動(dòng)放電監(jiān)測裝置，在廣東某地區(qū)8個(gè)監(jiān)測點(diǎn)實(shí)時(shí)監(jiān)測大氣條件參數(shù)和空氣間隙的放電電壓.

全自動(dòng)放電監(jiān)測裝置每隔10 min以2 kV/s的速度[13]均勻升壓直到空氣間隙發(fā)生擊穿放電，記錄放電電壓，同時(shí)采集每次放電時(shí)刻的氣壓、溫度、風(fēng)速、相對(duì)濕度和照度等大氣條件參數(shù).電壓頻率為50 Hz.放電監(jiān)測裝置于2011年1月開始投入運(yùn)行，記錄了8個(gè)監(jiān)測點(diǎn)從2011年 1月至2011年9月的放電電壓和大氣條件參數(shù)數(shù)據(jù).

在監(jiān)測時(shí)間段內(nèi)，各參數(shù)變化范圍如表1所示.由表1可見，溫度、相對(duì)濕度、風(fēng)速、照度和放電電壓變化較大，氣壓變化較小.

表1 8個(gè)監(jiān)測點(diǎn)各參數(shù)變化范圍

Table 1 Range of all parameter variations of eight monitoring sites

大氣參數(shù)最小值最大值溫度/℃3.6038.88相對(duì)濕度/%23.00100.00風(fēng)速/(m·s-1)0.0011.25氣壓/kPa99.14103.64照度/(W·dm-2)0.0011.51放電電壓/kV24.3975.87

文獻(xiàn)[12]根據(jù)監(jiān)測數(shù)據(jù)，分別繪制了擊穿電壓隨風(fēng)速、溫度、相對(duì)濕度、氣壓以及照度變化的散點(diǎn)圖.分析可知，隨著溫度升高，間隙放電電壓會(huì)略有降低，而且在氣溫越低的月份，降低的幅度會(huì)越明顯；隨著氣壓的升高，放電電壓也會(huì)越高.

需要說明的是，由于本研究的監(jiān)測數(shù)據(jù)均來自現(xiàn)場，故在分析單一參數(shù)與放電電壓關(guān)系時(shí)無法排除其他參數(shù)的影響，而是通過統(tǒng)計(jì)大量數(shù)據(jù)使其呈現(xiàn)某種趨勢.雖然相對(duì)濕度、風(fēng)速、照度和放電電壓的關(guān)系并未在散點(diǎn)圖中反映，但并不意味著其和放電電壓沒有關(guān)系.為此，本研究采用灰色關(guān)聯(lián)度分析法研究各大氣條件參數(shù)對(duì)放電電壓的影響程度.

2 大氣條件參數(shù)影響程度的灰色關(guān)聯(lián)度綜合分析

由文獻(xiàn)[14]可知，大氣條件參數(shù)和放電電壓監(jiān)測數(shù)據(jù)符合“灰色系統(tǒng)”部分信息清楚、部分信息不清楚的特點(diǎn)，故可以使用灰色系統(tǒng)分析方法來分析大氣條件參數(shù)對(duì)放電電壓的影響.

2.1 灰色關(guān)聯(lián)度分析法概述

灰色關(guān)聯(lián)度分析法是灰色系統(tǒng)分析方法[15- 16]的一種，其核心是計(jì)算灰色關(guān)聯(lián)度，以度量因素序列之間的關(guān)聯(lián)程度.灰色關(guān)聯(lián)度分析法的基本思想是根據(jù)因素序列相應(yīng)曲線的幾何形狀的相似程度來判斷其聯(lián)系是否緊密，各曲線越接近，相應(yīng)序列之間的關(guān)聯(lián)度就越大，反之就越小.圖1為灰色關(guān)聯(lián)度分析示意圖.圖中序列1為參考序列，序列2、序列3和序列4為待比較序列.從圖1中可以看出，序列2曲線的幾何形狀最接近序列1曲線的幾何形狀，其次為序列3曲線和序列4曲線，故對(duì)于參考序列1的關(guān)聯(lián)度大小順序?yàn)椋盒蛄?>序列3>序列4.

圖1 灰色關(guān)聯(lián)度分析示意圖

2.2 灰色關(guān)聯(lián)度計(jì)算模型

文中選擇鄧氏灰色關(guān)聯(lián)度和斜率灰色關(guān)聯(lián)度計(jì)算模型.

2.2.1 鄧氏灰色關(guān)聯(lián)度計(jì)算模型

鄧氏灰色關(guān)聯(lián)度計(jì)算模型是從相近性的角度反映序列之間的關(guān)聯(lián)，主要考慮的是兩個(gè)不同指標(biāo)序列間距離的大小,計(jì)算步驟如下：

(1)確定參考序列以及待比較序列.其中參考序列X0代表目標(biāo)行為序列，待比較序列Xi代表影響因素序列.

X0=[X0(1),X0(2),X0(3),…,X0(n)]

(1)

Xi=[Xi(1),Xi(2),Xi(3),…,Xi(n)]

(2)

式中，i=1,2,3,…,k，k表示影響因素的個(gè)數(shù).

(2)對(duì)序列進(jìn)行極性轉(zhuǎn)換、初值化、規(guī)范化等環(huán)節(jié)處理，得到預(yù)處理后的參考序列和待比較序列x0和xi.

x0=[x0(1)，x0(2)，x0(3)，…，x0(n)]

(3)

xi=[xi(1)，xi(2)，xi(3)，…，xi(n)]

(4)

(3)求取差異信息序列和差異信息集，確定環(huán)境參數(shù).差異信息序列Δi(n)定義為經(jīng)預(yù)處理后的參考序列與待比較序列之差的絕對(duì)值.差異信息集Δ(n)定義為各影響因素差異信息序列的集合.

Δi(n)=|x0(n)-xi(n)|

(5)

Δ(n)=[Δ1，Δ2，Δ3，…，Δi]

(6)

環(huán)境參數(shù)定義為差異信息序列空間的兩級(jí)差最大值與最小值.則可以得到環(huán)境參數(shù)如下：

(4)計(jì)算鄧氏灰色關(guān)聯(lián)系數(shù)和灰色關(guān)聯(lián)度.

灰色關(guān)聯(lián)系數(shù)：

(7)

式中，ρ為分辨系數(shù)，其不同取值反映因素間不同的關(guān)系.分辨系數(shù)ρ的大小影響關(guān)聯(lián)度的大小，但不會(huì)影響關(guān)聯(lián)度的排序，其取值范圍為[0,1]，文中取為0.5.

灰色關(guān)聯(lián)度：

(8)

式中，N表示序列總長度.

2.2.2 斜率灰色關(guān)聯(lián)度模型

斜率灰色關(guān)聯(lián)度是基于相似性的角度反映序列之間的關(guān)聯(lián)，主要考慮的是兩個(gè)不同序列曲線的同一點(diǎn)處的變化率差異.

若X0(q)和Xi(q)為特征指標(biāo)函數(shù)和相關(guān)指標(biāo)函數(shù)，其中i=1,2,…,k，q=1，2，…m，則X0(q)和Xi(q)在q點(diǎn)處的灰色關(guān)聯(lián)度系數(shù)ξi(q)為

ξi(q)=

(9)

其中，

(10)

Δxi(q)=xi(q+Δq)-xi(q)

(11)

根據(jù)灰色關(guān)聯(lián)系數(shù)，則可得到X0(q)和Xi(q)的斜率灰色關(guān)聯(lián)度ξ0i，如下式所示：

(12)

2.2.3 灰色綜合分析方法

設(shè)X0和Xi為長度相同，初值不等于0的指標(biāo)序列，ξ0i和γ0i分別為指標(biāo)序列X0和Xi的鄧氏灰色關(guān)聯(lián)度和斜率灰色關(guān)聯(lián)度，則序列X0與Xi的綜合灰色關(guān)聯(lián)度ρ0i為

ρ0i=θξ0i+(1-θ)γ0i

(13)

式中，θ為權(quán)重系數(shù)，其取值范圍為[0,1].當(dāng)θ取值大時(shí)，更多考慮序列間相似程度，當(dāng)θ取值小時(shí)，更多考慮序列變化速率的相似程度，文中θ取0.5.

灰色綜合關(guān)聯(lián)度能夠較為全面地反映指標(biāo)序列間的相似程度[17]，不僅體現(xiàn)了指標(biāo)序列曲線在距離上的相近程度，而且體現(xiàn)了指標(biāo)序列曲線在變化率上的相近程度.

2.3 大氣條件參數(shù)對(duì)放電電壓影響的灰色關(guān)聯(lián)度分析

文中以#2監(jiān)測點(diǎn)9個(gè)月的監(jiān)測數(shù)據(jù)為分析樣本，以放電電壓為參考序列，以氣壓、溫度、風(fēng)速、相對(duì)濕度和照度為待比較序列，根據(jù)綜合灰色關(guān)聯(lián)度計(jì)算公式計(jì)算各大氣參數(shù)對(duì)放電電壓的綜合灰色關(guān)聯(lián)度，計(jì)算結(jié)果如表2所示.

表2 綜合灰色關(guān)聯(lián)度計(jì)算結(jié)果Table 2 Comprehensive gray correlation results

從表2可以看出，氣壓對(duì)放電電壓的灰色關(guān)聯(lián)度最大，照度對(duì)放電電壓的灰色關(guān)聯(lián)度最小，說明氣壓對(duì)放電電壓的影響最大，照度對(duì)放電電壓的影響最小，各大氣條件參數(shù)對(duì)放電電壓的灰色關(guān)聯(lián)度的排序?yàn)椋簹鈮?溫度>風(fēng)速>相對(duì)濕度>照度.

3 基于Chebyshev神經(jīng)網(wǎng)絡(luò)的放電電壓預(yù)測

3.1 Chebyshev神經(jīng)網(wǎng)絡(luò)

Chebyshev神經(jīng)網(wǎng)絡(luò)是以Chebyshev正交多項(xiàng)式為激勵(lì)函數(shù)的神經(jīng)網(wǎng)絡(luò)，具有結(jié)構(gòu)簡單、收斂速度快、計(jì)算精度高等特點(diǎn)[18- 20].圖2為三層Chebyshev神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu).

圖中，P為輸入向量，t為輸出向量，wjs為輸入層和隱含層的連接權(quán)值，cj為隱含層和輸出層連接權(quán)值，則神經(jīng)網(wǎng)絡(luò)的數(shù)出t為

圖2 Chebyshev神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

(14)

式中，g為輸入向量的維數(shù)，Tj(x)為Chebyshev正交多項(xiàng)式，其表達(dá)形式如下：

T1(x)=1

T2(x)=x

?

Tj(x)=2xTj-1(x)-Tj-2(x)

(15)

式中，j=3,4,…,f，f為Chebyshev正交多項(xiàng)式的階數(shù).

設(shè)期望輸出為sd(d=1,2，…,l)，并令神經(jīng)網(wǎng)絡(luò)的誤差為

(16)

則可以按下式對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行修正：

(17)

式中，η為學(xué)習(xí)步長，Δcr和Δwjs可以通過求偏導(dǎo)得到.

(18)

3.2 放電電壓預(yù)測

為消除各參數(shù)量綱的影響，并使樣本數(shù)據(jù)更適合于神經(jīng)網(wǎng)絡(luò)處理，需對(duì)各參數(shù)進(jìn)行歸一化，如式(19)所示:

(19)

式中，xmax和xmin分別為各參數(shù)的最大值和最小值.x和X分別為歸一化之前和之后的樣本值.

從#1監(jiān)測點(diǎn)9個(gè)月的監(jiān)測數(shù)據(jù)中隨機(jī)挑選4 800組作為訓(xùn)練樣本，210組作為檢驗(yàn)樣本.以大氣條件參數(shù)氣壓、溫度、風(fēng)速、相對(duì)濕度和照度作為網(wǎng)絡(luò)的輸入，以放電電壓作為網(wǎng)絡(luò)的輸出.學(xué)習(xí)步長設(shè)定為8×10-3，誤差精度設(shè)為0.001，最大訓(xùn)練次數(shù)為50 000次.預(yù)測結(jié)果為：最大相對(duì)誤差7.01 %、最小相對(duì)誤差0、平均相對(duì)誤差1.62 %.

#1監(jiān)測點(diǎn)檢驗(yàn)樣本預(yù)測值與實(shí)際值的對(duì)比圖如圖3所示.從圖中可以看出，使用Chebyshev神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確對(duì)放電電壓進(jìn)行預(yù)測.

圖3 #1監(jiān)測點(diǎn)檢驗(yàn)樣本預(yù)測值與實(shí)際值的對(duì)比圖

Fig.3 Comparison chart between predicted value and the actual value or #1 monitoring points test sample

為檢驗(yàn)利用#1監(jiān)測點(diǎn)樣本訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)是否適用于其他監(jiān)測點(diǎn)，分別從#2-#8共7個(gè)監(jiān)測點(diǎn)隨機(jī)挑選200組數(shù)據(jù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，結(jié)果如表3所示.

表3 各監(jiān)測點(diǎn)檢驗(yàn)樣本的預(yù)測結(jié)果Table 3 Predict results of the monitoring points test samples

從表3可以看出，使用#1監(jiān)測點(diǎn)樣本數(shù)據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測其他監(jiān)測點(diǎn)的放電電壓時(shí)，誤差有所升高，但仍在工程誤差范圍內(nèi).

3.3 兩種神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對(duì)比

在使用BP神經(jīng)網(wǎng)絡(luò)對(duì)放電電壓進(jìn)行預(yù)測時(shí)，同樣以大氣條件參數(shù)氣壓、溫度、風(fēng)速、相對(duì)濕度和照度作為網(wǎng)絡(luò)的輸入，以放電電壓作為網(wǎng)絡(luò)的輸出，網(wǎng)絡(luò)結(jié)構(gòu)根據(jù)文獻(xiàn)[12]選為5- 35- 35- 1，誤差精度同樣設(shè)為0.001，學(xué)習(xí)效率設(shè)為0.05，最大訓(xùn)練次數(shù)為5 000.使用#1監(jiān)測點(diǎn)同樣的訓(xùn)練樣本和檢驗(yàn)樣本分別對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和檢驗(yàn)，對(duì)比使用Chebyshev神經(jīng)網(wǎng)絡(luò)的收斂時(shí)間和預(yù)測誤差，結(jié)果如表4所示.

表4 BP神經(jīng)網(wǎng)絡(luò)和Chebyshev神經(jīng)網(wǎng)絡(luò)性能對(duì)比圖

Table 4 Comparison chart of BP neural network and Chebyshev neural network performance

網(wǎng)絡(luò)類型收斂時(shí)間/s預(yù)測平均相對(duì)誤差/%BP神經(jīng)網(wǎng)絡(luò)42002.38Chebyshev神經(jīng)網(wǎng)絡(luò)301.62

從表4可以看出，對(duì)放電電壓進(jìn)行預(yù)測時(shí)，相比于使用BP神經(jīng)網(wǎng)絡(luò)，使用Chebyshev神經(jīng)網(wǎng)絡(luò)在取得更高預(yù)測精度的同時(shí)，大大降低了網(wǎng)絡(luò)訓(xùn)練過程的收斂時(shí)間.

3.4 不同輸入條件的預(yù)測結(jié)果分析

為進(jìn)一步研究大氣條件參數(shù)對(duì)放電電壓預(yù)測精度的影響，文中根據(jù)各大氣條件參數(shù)的灰色關(guān)聯(lián)度排序，分別取氣壓、溫度、風(fēng)速、相對(duì)濕度、照度為輸入(輸入1)，氣壓、溫度、風(fēng)速、相對(duì)濕度為輸入(輸入2)，氣壓、溫度、風(fēng)速為輸入(輸入3)，氣壓、溫度為輸入(輸入4)，并結(jié)合Chebyshev神經(jīng)網(wǎng)絡(luò)對(duì)放電電壓進(jìn)行預(yù)測，預(yù)測使用的樣本同樣為#1監(jiān)測點(diǎn)樣本數(shù)據(jù)，預(yù)測結(jié)果如表5所示.

表5 不同輸入對(duì)應(yīng)的預(yù)測結(jié)果Table 5 Prediction results corresponding to different inputs

從表5可以看出，隨著網(wǎng)絡(luò)輸入個(gè)數(shù)的減少，放電電壓預(yù)測結(jié)果的平均相對(duì)誤差和最大相對(duì)誤差改變很小.特別地，當(dāng)輸入個(gè)數(shù)變?yōu)?時(shí)，平均相對(duì)誤差和最大相對(duì)誤差分別為1.63 %、7.62 %，而輸入個(gè)數(shù)為5個(gè)時(shí)的平均相對(duì)誤差和最大相對(duì)誤差分別為1.62 %、7.01 %，兩者的誤差基本沒有變化.這也間接證明了在各大氣條件參數(shù)中，氣壓和溫度是影響放電電壓的主要因素.

4 結(jié)論

本研究基于全自動(dòng)放電監(jiān)測裝置在廣東某地區(qū)8個(gè)監(jiān)測點(diǎn)的監(jiān)測數(shù)據(jù)，引入灰色關(guān)聯(lián)度分析法研究各大氣條件參數(shù)對(duì)放電電壓的影響，并提出使用Chebyshev神經(jīng)網(wǎng)絡(luò)對(duì)放電電壓進(jìn)行預(yù)測，得到以下結(jié)論:

(1)灰色關(guān)聯(lián)度綜合體現(xiàn)了指標(biāo)序列曲線在距離和變化率上的相近程度，能夠全面分析各大氣條件參數(shù)對(duì)放電電壓的影響.通過計(jì)算各大氣條件參數(shù)對(duì)放電電壓的灰色關(guān)聯(lián)度，得到各大氣條件參數(shù)的關(guān)聯(lián)度排序?yàn)椋簹鈮?溫度>風(fēng)速>相對(duì)濕度>照度，即氣壓對(duì)放電電壓影響最大，照度對(duì)放電電壓影響最小.

(2)本研究提出使用Chebyshev神經(jīng)網(wǎng)絡(luò)預(yù)測放電電壓，在不考慮凝露狀態(tài)情況下，預(yù)測結(jié)果的平均相對(duì)誤差為1.78%；使用1#監(jiān)測點(diǎn)樣本數(shù)據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測其他監(jiān)測點(diǎn)的放電電壓時(shí)，誤差有所升高，但仍在工程誤差范圍內(nèi).

(3)與BP神經(jīng)網(wǎng)絡(luò)相比，使用Chebyshev神經(jīng)網(wǎng)絡(luò)對(duì)放電電壓進(jìn)行預(yù)測時(shí)，能夠在取得更高預(yù)測精度的同時(shí)，大大降低網(wǎng)絡(luò)訓(xùn)練過程的收斂時(shí)間.

(4)根據(jù)大氣條件參數(shù)關(guān)聯(lián)度排序改變網(wǎng)絡(luò)輸入個(gè)數(shù)預(yù)測放電電壓時(shí)，隨著網(wǎng)絡(luò)輸入個(gè)數(shù)的減少，放電電壓預(yù)測結(jié)果的平均相對(duì)誤差和最大相對(duì)誤差變化很小.

[1] 孫才新，司馬文霞，舒立春，等.大氣環(huán)境與電氣外絕緣 [M].北京：中國電力出版社，2002.

[2] 徐勇，汪霄飛，朱英浩.大氣條件對(duì)空氣間隙放電特性的影響及其數(shù)值解析式 [J].電工技術(shù)學(xué)報(bào)，2007， 22(4)：21- 26.

XU Yong,WANG Xiao-fei,ZHU Ying-hao.Effect of air gap discharge characteristics of atmospheric conditions and numerical analysis formula [J].Transactions of China Electrotechnical Society,2007,22 (4):21- 26.

[3] 卞星明，惠建峰，黃海鯤，等.氣壓和濕度對(duì)正直流電暈流注脈沖特性的影響 [J].高電壓技術(shù)，2009，35(10)：2371- 2375.

BIAN Xing-ming,HUI Jian-feng,HUANG Hai-kun,et al.Influence of air pressure and humidity on positive DC corona streamer pulse characteristics [J].High Voltage Engineering,2009,35 (10):2371- 2375.

[4] 蔣興良，趙智亮，孫才新，等.低氣壓正棒-板短間隙操作沖擊放電特性 [J].高電壓技術(shù)，2002，28(7)：7- 9.

JIANG Xing-liang,ZHAO Zhi-liang,SUN Cai-xin,et al Switching impulse discharge performance and voltage correction for positive rod-plane short air gaps in low air-pre-ssure [J].High Voltage Engineering,2002,28 (7):7- 9.

[5] 袁耀，蔣興良，杜勇，等.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測棒-板短空氣間隙在淋雨條件下的交流放電電壓 [J] .高電壓技術(shù),2012，38(1)：102- 108.

YUAN Yao,JIANG Xing-liang,DU Yong,et al.Predictions of the AC discharge voltage of short rod-plane air gap under rain conditions with the application of ANN [J].High Voltage Engineering,2012,38 (1):102- 108 .

[6] 蔣興良，劉偉，奚思建，等.降雨對(duì)“棒-板”短空氣間隙正極性直流放電特性的影響 [J].高電壓技術(shù)，2011，37(2)：261- 267.

JIANG Xing-liang,LIU Wei,XI Si-jian,et al.Influence of rain on positive DC discharge characteristicof rod-plane short air gap [J].High Voltage Engineering,2011,37 (2):261- 267.

[7] 李練兵，張秀云，王志華，等.故障樹和BAM神經(jīng)網(wǎng)絡(luò)在光伏并網(wǎng)故障診斷中的應(yīng)用 [J].電工技術(shù)學(xué)報(bào)，2015，30(2)：248- 254.

LI Lian-bing,ZHANG Xiu-yun,WANG Zhi-hua,et al.Fault diagnosis in solar photovoltaic grid-connected power system based on fault tree and BAM neural network [J].Transactions of China Electrotechnical Society,2015,30 (2):248- 254.

[8] 王賀，胡志堅(jiān)，陳珍，等.基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率組合預(yù)測 [J].電工技術(shù)學(xué)報(bào)，2013,28(9)：137- 144.

WANG He,HU Zhi-jian,CHEN Zhen,et al.A hybrid model for wind power forecasting based on ensemble empirical mode decomposition and wavelet neural networks [J].Transactions of China Electrotechnical Society,2013,28 (9):137- 144.

[9] 修春波，任曉，李艷晴，等.基于卡爾曼濾波的風(fēng)速序列短期預(yù)測方法 [J].電工技術(shù)學(xué)報(bào)，2014,29(2)：253- 259.

XIU Chun-bo,REN Xiao,LI Yan-qing,et al.Short-term prediction method of wind speed series based on kalmanfiltering fusion [J].Transactions of China Electrotechnical Society,2014,29(2):253- 259.

[10] 何耀耀,許啟發(fā),楊善林,等.基于RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的電力負(fù)荷概率密度預(yù)測方法 [J].中國電機(jī)工程學(xué)報(bào),2013,33(1):93- 98.

HE Yao-yao,XU Qi-fa,YANG Shan-lin,et al.A power load probability density forecasting method based on RBF neural network quantile regression [J].Proceedings of the CSEE,2013,33(1):93- 98.

[11] 肖建平,李生虎,吳可汗,等.一種新的基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)諧波檢測方法研究 [J].電工技術(shù)學(xué)報(bào),

2013,28(S2):345- 348，371.

XIAO Jian-ping ,LI Sheng-hu,WU Ke-han,et al.A novel approach of harmonic detection in power system based on neural network [J].Transactions of China Electrotechnical Society,2013,28(S2):345- 348，371.

[12] 張耿斌，羅新，沈楊楊，等.大氣條件對(duì)氣隙放電電壓的影響及神經(jīng)網(wǎng)絡(luò)在放電電壓預(yù)測中的應(yīng)用 [J].高電壓技術(shù)，2014,40(2)：564- 571.

ZHANG Geng-bin,LUO Xin,SHEN Yang-yang,et al.Effect of atmosphere condition on discharge characteristics of air gap and the application of neural network [J].High Voltage Engineering,2014,40 (2):564- 571.

[13] GB 311.6—1983,高電壓試驗(yàn)技術(shù) [S].

[14] 林浩然.基于多元統(tǒng)計(jì)分析的大氣參數(shù)對(duì)空氣間隙外絕緣影響的試驗(yàn)研究 [D].廣州：華南理工大學(xué)，2012.

[15] 鄧聚龍，灰色系統(tǒng)理論教程 [M].武漢：華中理工大學(xué)出版社，1990.

[16] 鄧聚龍，灰理論基礎(chǔ) [M].武漢：華中理工大學(xué)出版社，2002.

[17] 陽林，郝艷捧，黎衛(wèi)國.等.輸電線路覆冰與導(dǎo)線溫度和微氣象參數(shù)關(guān)聯(lián)分析 [J].高電壓技術(shù)，2010,36(3)：775- 781.

YANG Lin,HAO Yan-peng,LI Wei-guo,et al.Relationships among transmission line icing conductor temperature and local meteorology using grey relational analysis [J].High Voltage Engineering,2010,36 (3):775- 781.

[18] 楊胡萍，王承飛，朱開成.基于相空間重構(gòu)和Chebyshev正交基神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測 [J].電力系統(tǒng)保護(hù)與控制，2012,40(24)：95- 99.

YANG Hu-ping,WANG Cheng-fei,ZHU Kai-cheng.Short-term load forecasting based on phase space reconstruction and Chebyshev orthogonal basis neural network [J].Power System Protection and Control,2012,40(24)：95- 99.

[19] 張雨濃，李巍，蔡炳煌，等.切比雪夫正交基神經(jīng)網(wǎng)絡(luò)的權(quán)值直接確定法 [J].計(jì)算機(jī)仿真，2009,26(1)：157- 161.

ZHANG Yu-nong,LI Wei,CAI Bing-huang,et al.A chebyshev orthogonal basis neural network with direct weight determintion [J].Computer Simulation,2009,26(1)：157- 161.

[20] 鄒阿金,沈建中.基于Chebyshev神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測應(yīng)用研究 [J].計(jì)算機(jī)應(yīng)用,2001(4):14- 15.

ZOU A-jin,SHEN Jian-zhong.The nonlinear prediction study based on Chebyshev neural networks [J].Compu-ter Applications,2001(4):14- 15.

GrayCorrelationAnalysisofAtmosphericConditionsandPredictionofAirGapDischargeVoltage

NIUHai-qing1XUJia1WUJu-zhuo2YUJia1

(1. School of Electric Power,South China University of Technology,Guangzhou 510640,Guangdong,China; 2. Zhuhai Power Supply Bureau,Zhuhai 519000,Guangdong,China)

In order to discover the impact of atmospheric condition parameters on air gap discharge voltage,a automatic discharge monitoring device with ball-ball electrode was used to monitor and record the discharge voltage and atmospheric condition parameters in natural environment,and a calculation model of gray correlation was established,by which the gray correlations between atmospheric condition parameters and discharge voltage were obtained,finding that the gray correlations of atmospheric condition parameters are indicative of the following order: pressure>temperature>wind speed>relative humidity>illumination. Then,by taking the atmospheric condition parameters as inputs,Chebyshev neural network was used to predict the discharge voltage,with better prediction results being obtained in comparison with BP neural network. Finally,according to the sort of atmospheric condition parameters,the first two (pressure and temperature),the first three (pressure,temperature and wind speed) and the first four (pressure,temperature,wind speed and relative humidity) parameters were respectively taken as the inputs of Chebyshev neural network to predict the discharge voltage. The results show that,with the reduction of the number of inputs,the average relative error and maximum relative error of the predicted values both have little change.

atmospheric condition;air gap;discharge voltage;gray correlation;Chebyshev neural network

2016- 06- 23

國家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)項(xiàng)目(2015AA050201)

*Foundationitem: Supported by the National High-tech R&D Program of China(863 Program) (2015AA050201)

牛海清(1969-)，女，博士，副教授，主要從事高壓輸電線路及高壓電氣設(shè)備相關(guān)問題的研究.E-mail：niuhq@scut.edu.cn

1000- 565X(2017)07- 0048- 07

TM 83

10.3969/j.issn.1000- 565X.2017.07.007