基于改进CL-ML方法的接地网不开挖腐蚀速率预测模型

摘要

接地网是保障电网完全运行的重要部件,但接地网材料易被腐蚀,甚至发生断裂.鉴于接地网腐蚀存在样本数目少、非线性强的特点,在引入对比学习(contrastive learning,CL)和度量学习(metric learning,ML)的基础上,将对比学习和度量学习进行了组合优化,使输出结果变为参与拟合锚点的腐蚀速率系数,在此基础上提出了基于改进CL-ML方法的接地网不开挖腐蚀速率预测模型.该方法把已经采样的珍贵样本作为锚点,显著减小了拟合函数的压力与复杂性,并充分挖掘了稀有样本的内在相关性.试验结果表明,采用该模型的预测结果比采用广义回归神经网络和BP神经网络具有更高的精度.