結合預測方法在避雷器帶電測試中的應用

向穎黎 朱翔

摘 要：金屬氧化物避雷器在實際運行的過程中，可以通過電壓下實際電流的大小來反映出其自身的絕緣性能，而且也可以通過此方式去檢驗電阻片的非線性性能的優劣。但是，由于當前周期性的實驗無法實現對金屬氧化物避雷器實際的優良性能以及運轉壽命進行量化預測，所以在進行預測的過程中，則需要通過結合運作法來實現對避雷器帶電測試的檢驗，以此才能夠測算出金屬氧化物避雷器自身阻性電流預測的效果，并驗證其自身在投入使用后，是否有真正的應用性能。因此，本文主要探討結合預測法在避雷器帶電測試中的應用。

關鍵詞：避雷器帶電測試;灰色預測法;阻性電流;神經網絡

前言

作為電力設備的保護系統，避雷器自身有著不可或缺的作用，但是在實際運行的過程中，由于受電流阻性的影響，避雷器是否能夠發揮自身真正的作用，則需要通過運行檢測來進行試驗，而這種帶電的檢測方式，由于多種因素的影響會導致其測試數據的不精準性，因此有效通過結合預測方法來實現對避雷器帶電測試的檢驗，能夠實現綜合數據的運行情況來實現對其應用參數的有效驗證，并且也可以在實際驗證的過程中，針對檢驗避雷器的阻性電流和全電流來實現對避雷器運行狀況的分析，進而就能夠發現其自身存在的隱患，并通過有效措施的應用來確保避雷器的使用可以真正實現滿足電力設備的運行。

一、結合預測法的概述

在進行實踐的過程中，對于預測工作而言人們都會遇到這樣的問題，針對同一問題進行預測，但是由于預測方法不同，其最終結果也存在著誤差。因此，為了得到精準的預測結果，則需要通過對預測的精度來進行取舍，從而才能夠保證其最終的數值應用效果能夠滿足具體需求。一般情況下，在應用預測方法時，其評價標準是依據實際計算的誤差平方和去選取其誤差平方和最小誤差的方式，但是將誤差平方和比較大的預測方法舍棄，卻有一點點可惜，因為在進行預測的過程中，不僅費時費力，更重要的是去驗證數據是否真實，而且任何一種預測方法，只要運用得當就會獲得一定的有關信息，所以利用這些信息，就能實現去優化測算的方式[1]。當最終的檢測結果呈現不同預測的誤差平方和相差無幾時，就能保證其預算方法的準確性。因此，將不同的預測進行結合應用，并獲得更加精準的結果，就是結合預測法。

二、結合預測方法在避雷器帶電測試中的應用

（一）反向傳播神經網絡的應用

反向傳播是一種誤差反向傳播的方式，也是一種最優的檢測方法，因為它能夠與其它預算方式進行結合使用，并通過人工訓練的形式來實現對人工神經網絡的應用，這使得在該網絡中所有計算方式，都能夠以損失函數的梯度形式進行反饋，并通過此種方式來更新權重，這樣通過最小化損失函數的應用，就能確保其計算的精準性。而且，反向傳播在輸入數值時，可以對已知數的輸入來進行未知函數的梯度計算，所以它也是一種有效的監督方法。在當前階段中，一些無監督網絡能夠實現對該模式應用的推廣，并且能夠實現對層疊替代計算的應用，因此它能夠在一定程度內縮小誤差的出現。比如，在激勵傳播階段中，可以通過輸送訓練來進入網絡獲得激勵響應，再將激勵響應同訓練輸入相對應的目標計算來實現求得輸出差，這樣就能夠獲得隱藏的輸出計算響應誤差。針對群眾更新來看，在輸入的過程中，利用輸入激勵和響應誤差函數的相乘，就能獲得全新的權重梯度，在這個梯度上利用一定比例進行核算，也能夠實現提高其權重的計算結果。

在實際應用的過程中，反向傳播神經網絡也可以通過輸入層、輸出層、隱含層進行函數計算，再利用隱節點進行輸出信號以及輸出節點的確認，這樣就能夠保證最終的輸出結果，通過核算可以利用誤差的產生來進行反向傳播。并且，在此過程中，由第一層神經元的狀態進行下一層神經元狀態的影響，也能夠保證最終輸出層得到期望的結果。但是，如果在此過程中，輸出得不到期望的輸出結果，則可以通過反向傳播來實現將誤差信號進行轉移，這樣通過接通返回渠道進行修改，就能夠使其誤差值降低[2]。對此，針對避雷器帶電測試而言，為了確保反向傳播神經網絡的模型建立，能夠真正實現對其阻性電流峰值進行預算，則需要先對樣本數據進行預處理，這樣才能夠滿足神經網絡的應用需求。與此同時，在通過輸入節點數、隱藏節點數和輸出層節點數的選擇來進行網絡結構的確認，這樣再通過將樣本劃分為訓練樣本和校驗樣本進行使用，就能夠通過合理的學習算法應用來實現對模型的校正和應用。

（二）灰色預測法的應用

一般情況下，金屬氧化避雷器在進行運行時，電壓下測量全電流以及阻性電流的應用數據，可以反映其自身的絕緣性能以及電阻片性能的好壞。但是，如果存在著避雷器自身電阻片和非線性性能惡化的現象，就會導致其自身出現電壓降低的問題，進而就會使其電壓下阻性電流分量增加。同時，持續長時間的惡化運行。也會導致避雷器出現熱崩潰而發生嚴重的設備事故，所以通過對避雷器進行定期檢驗，就可以探測出避雷器自身的阻性電流和全性電流應用的效果，這樣也能夠對避雷器自身的運行做出判斷，從而發現其隱患問題。灰色預測法的應用能夠保證在進行原始數據處理時，直接建立出相應的灰色模型，這樣就能夠根據其系統自身運轉的規律來定量，進而配合預測系統的應用就能夠對其應用的狀態進行判斷。并且，隱形的灰色預測模型可以用原始數列進行計算，這樣通過對隨機數進行獲取，判斷其變化發生的規律也可以實現對其性能進行預測，而且灰色系統所采用的動態雷達數據法，也可以通過由原始數據進行自動生成，并完成累加數列的建立，這樣就能從一階段變量轉變為可應用的微分方程，以此在進行間隔計算，這樣就能通過不斷計算來實現對其變量的有效探求，這樣利用相應計算法則也能夠得出具體需要的結論。

（三）組合應用法的應用

在計算單個預算模型時，可以通過對實時數值和預測數值進行對比，這樣就能夠求得其預算偏差，而在進行預測模型的權值設立時，又可以將此種模型的應用進行組合使用，這樣通過合理計算誤差值，就能夠建造出誤差模型，從而也能夠實現對誤差的有效確認，以此就能夠對線性規劃以及約束條件進行確認，進而就能夠對其權重值向量進行計算[3]。而且，在具體計算的過程中，針對灰色預算和反向神經網絡模型的建立而言，其最終的組合式應用方法能夠有效確保其誤差值的降低，同時灰色預測模型的預測結果梯度值，可以被認為是關聯度校驗通過后所產生的序列值模型，因此其預測模塊模型可以在此過程中得到修正。反向神經網絡模型通過樣本訓練將誤差值固定在特有范圍之內，并且它會低設想誤差值，它既能夠滿足精度需求，也能夠實現預測值的應用效果，將二者進行有機融合，就能夠實現通過二者的結合使用來對避雷器的阻性電流峰值進行預算，從而就能夠檢驗出其預測模型的有效性。

總結

為了確保避雷器帶電測試檢驗精度的有效提高，在進行預測的過程中，則可以通過結合預測法來實現對避雷器帶電測試的有效應用，而且它能夠實現降低由單一預測法所存在的片面性，并實現對其精度進行驗證，這也使得其自身的預測結果要相較于單一計算方法更具精準性。

參考文獻：

[1]王偉平.避雷器故障綜合檢測方法的研究及應用[J].農村電氣化，2019（05）：29-31.

[2]劉凱，劉方，劉巖，江礓.結合預測方法在避雷器帶電測試中的應用[J].電瓷避雷器，2012（01）：61-64+69.

[3]何勝紅，洪海程，任亞英.帶電測試技術在GIS避雷器的應用[J].電瓷避雷器，2011（05）：31-36.

（江蘇省電力有限公司泰州供電分公司? 江蘇省 泰州市? 225300）