1、“.....测试结果为了验证本文技术，对相输电线路进行了现场实测，计算并测量了该线路的最大弧垂，以及最大弧垂下地面上方的电场有效值横向分布。图所行训练，最终得到测量数据的修正模型。神经网络初始模型的构建本文所提出的神经网络模型将神经网络与般神经网络相结合，网络结构分为层输入层第隐层第隐层和输出层。其中网络的输入层与第隐层第隐层与第隐层之间采用神经网络隐层模式，第隐层与输出层之间采用传统神经网络隐层模式。网络的初始模型图如图所示。第步，对候选解根据藐视准则进行判断，如果满足藐视准则，就用满足藐视准则的解替代当前解，使其成为新的当前解，而且将禁忌表以前的禁忌对象删除，添加当前最佳状态所对应的对象作为新的禁忌对象，同时将当前最佳状态替换状态，最后电导线的最大弧垂。基于场强变化的输电线路弧垂监测系统基于场强变化的输电线路弧垂监测系统由输电线路场强测量场强修正弧垂反演弧垂监测个模块组成......”。

2、“.....基于神经网络的输电线路下地面场强测量技术基于神经网络的输电线路下地面场强测量技术，主要由测量数据修正模型构建技术和测量数据修正技术组成。测量数据修正模型构建技术将神经网络与般神经网络相结合，构建测量数据修正模型，该模型能够精确拟合测量数据与理想数据之间的非线性关系，在保证收敛速度快于般的神经网络的前提下具有更强的泛化能力测量数据修正技术利用构建的修正模型，可实基于地面电场变化的输电线路弧垂监测技术论文原稿算新方法高电压技术，曾庆禹特高压输电线路地面最大工频电场强度和导线最大弧垂特性电网技术，徐青松，季洪献，王孟龙输电线路弧垂的实时监测高电压技术，地面场强测量技术，该技术主要由测量数据修正模型构建技术和测量数据修正技术组成。技术首先考虑电场测量数据受外界环境因素和测量条件的影响......”。

3、“.....使修正后的测量数据逼近理想条件下的数据其次采用本文提出的测量数据修正技术，对场强测量数据进行修正，从而得到输电线路下地面场强的精确值。提出了种基于电场信息的输电线路弧垂反演计算方法，该方法基于维输电导线电场计算模型的建立，根据导线下方电场的实时测量数据，在维电场模型下反演计算得到实际弧垂值。设计了种基于场强变化的输电标表示测量点与输电导线中心线的距离，纵坐标表示该测量点出的场强值。图中红色方框表示的点是测量得到的场强值，绿色加号表示的点是经过神经网络后修正了的场强值，蓝色圆点表示的是由基于模拟电荷法的维场强模型计算而来的理想场强值。由图可以看出，由于环境等其他外界因素的干扰使得实际测量得到的场强数据与理想数据之间存在较大偏差，而经过网络修正以后，测量得到的场强数据与理想数据之间能够较好地拟合，进而实现了数据的修正。其中......”。

4、“.....网络训练结束，固定网络参数。神经网络初始模型的具体训练流程图如图所示。测量数据修正技术本文的测量数据修正技术基于节构建的数据修正模型，测量数据修正模型构建技术在足够数量的训练样本的条件下，采用算法对网络参数进行训练，最终得到训练后的数据修正模型图如所示。如图所示，网络模型的各网络参数均已固定，经过优化的第隐层节点数更新为。如图所示，输电线路场强测量模块由信息采集模块数字通信模块数据存储模块组成，可以实现输电线路电场信息的测量场强修正模块采用基于神经网络的输电线路下地面场强测量技术，通過接收输电线路场强测量模块的原始实代最优解无法改进时，则停止算法停止。基于地面电场变化的输电线路弧垂监测技术论文原稿。第步，初始化网络节点。在网络的初始化过程中，从样本库中选取组数据作为初始训练样本，将样本中的实测场强数据作为输入层的输入......”。

5、“.....第隐层初始为个神经元节点，第隐层的神经元节点初始为。第步，对网络中的所有参数进行随机初始化，设定合适的算法参数最大训练步数网络训练误差及样本测试误差，并利用算法训练各参数。具体训练过程结合表来详细阐述首次训练，经过次的迭代，网络收敛。随后从表示网络输出的修正数据。若满足精度要求，则训练结束若不满足精度要求，则将训练样本和测试样本合并组成新的训练样本，并将第层的隐层节点数加，执行第步。第步，重复训练过程，直到平均测试误差满足精度要求，否则每次训练第隐层节点数就加。表中在第次更新中平均测试误差首次小于设定的阈值，此时网络中第隐层的节点数增加至。对于维输电导线电场计算模型下的个测量点，记和分别为第个测量点的电场测量修正值和计算值，则对应算法的目标函数为禁忌搜索算法禁忌搜索算法是种亚启发式随机搜索算法，通过引入个内容可变的存储结构及与该结构相对应的禁忌准则......”。

6、“.....第步，网络训练结束，固定网络参数。神经网络初始模型的具体训练流程图如图所示。测量数据修正技术本文的测量数据修正技术基于节构建的数据修正模型，测量数据修正模型构建技术在足够数量的训练样本的条件下，采用算法对网络参数进行训练，最终得到训练后的数据修正模型图如所示。如图所示，网络模型的各网络参数均已固定，经过优化的第隐层节点数更新为。第步，初始化网络节点。在网络的初始化过程中，从样本库中选取组数据作为初始，在维电场模型下反演计算得到实际弧垂值。设计了种基于场强变化的输电线路弧垂监测系统，该系统可对弧垂进行监测和报警，保证了输电线路的安全可靠运行。最后，验证了本文弧垂反演技术的有效性，并证明了该技术可以应对于各类天气状况。本文提出的基于地面电场变化的输电线路弧垂监测技术简单有效，为导线弧垂的实时监测提供了条新的思路......”。

7、“.....具有行业推广和示范效益。参考文献卢铁兵，肖刊，张波，等超高压输电线路铁塔附近的维工频电场计算高电压技术，李敏强，寇纪凇，林丹，等遗传算法的基本理论与应用北京科学出版社，葛绍岩，那鸿悦热辐射基于地面电场变化的输电线路弧垂监测技术论文原稿样本库中选取独立于训练样本的组测试样本，输入第步训练得到的网络，计算平均测试误差，平均测试误差用表示，定义为其中，表示测试样本的数量，表示理想场强值，表示网络输出的修正数据。若满足精度要求，则训练结束若不满足精度要求，则将训练样本和测试样本合并组成新的训练样本，并将第层的隐层节点数加，执行第步。第步，重复训练过程，直到平均测试误差满足精度要求，否则每次训练第隐层节点数就加。表中在第次更新中平均测试误差首次小于设定的阈值，此时网络中第隐层的节点数增加至。，增加会使减小搜索精度提高。通过对局部最优解的历史信息进行记录......”。

8、“.....最终形成个禁忌表。禁忌表内记录每次搜索得到的禁忌对象，并将该禁忌对象在禁忌表内生存时间初始为。其中，作为该表内的禁忌长度，在每次迭代中，将上次迭代得到的局部最优解作为该次迭代的初始解，并对表内每禁忌对象的禁忌长度减，当禁忌对象的禁忌长度变为时，将其从禁忌表中删除。禁忌表是个循环表，在搜索过程中被循环的修改，可以有效避免搜索结果陷入局部最优，但仍可能出现循环。因此，必须给定停止准则以避免出现死循环，当最优解满足精度要求或经过次迭反演值为最大弧垂实测值为与的误差为与的误差。表所示为排除天气因素和不排除天气因素时导线最大弧垂计算值与实测值的对比。由表计算结果可知，无雨雪天气下，无论是否排除天气因素影响，导线弧垂反演结果均接近实测值，这是因为无雨雪天气下电场测量值接近理想值。雨雪天气下，由于测量值与理想值相差较大，直接根据电场测量值反演弧垂误差达到......”。

9、“.....可见，排除气候因素的电场测量值修正模型能很好地提高计算精度。结论本文设计了种基于地面电场变化的输电线路弧垂监测技术。文章首先阐，来避免迂回搜索，最终实现全局寻优。相对于模拟退火和遗传算法，算法更适合于求解导线下方电场与弧垂间的非线性问题。本文提出的基于电场信息的输电线路弧垂反演算法，选取输电线路正常情况下的弧垂作为算法的初始可行解，并利用禁忌搜索算法以寻找弧垂的最优解。弧垂反演算法将初始可行解作为搜索起点，利用移动函数确定该初始解的左右搜索领域，通过计算各领域内解的目标函数来确定局部最优解，并将该局部最优解作为新的当前解。本文反演算法设计禁忌搜索算法的移动函数为其中，为解的邻域解为移动操作的移动单位，单位为。是迭代次数的函数训练样本，将样本中的实测场强数据作为输入层的输入，将理想场强数据作为输出层的输出，第隐层初始为个神经元节点......”。