CN105301985A - 一种电石炉电极长度的测量方法及*** - Google Patents

Abstract

本发明提供一种电石炉电极长度的检测方法，包括：基于模型训练样本集，获取电极消耗量的非线性预测模型，其中，电极温度T、电极功率P、炉料配比R和电石出炉量G为样本输入变量，电极消耗量为样本输出变量；根据电极消耗量的非线性预测模型，确定当前工况下的电极消耗量；由当前工况下的电极消耗量，确定当前电极长度。该方法可以实时监控电极的位置变化，进而指导电极的压放操作，以精确的控制各电极的压放量，使得各电极做功平衡，为电石炉的平稳生产和节能运行提供保障。

Description

一种电石炉电极长度的测量方法及***

技术领域

本发明涉及工业控制信息领域，特别涉及一种电石炉电极长度的测量方法及***。

背景技术

电石炉是生产电石的主体设备，其主要是通过电极的埋弧电热和物料的电阻电热来加热炉内物料，如生石灰和碳素等，使物料反应生成电石。

电石炉中常采用的电极包括自焙电极、石墨电极或碳素电极，电极把大电流输送至炉内，在电极的末端产生电弧，进而将电能转换为热能，由于电弧上产生了极高的温度，电极端头升华，导致电极不断消耗而变短，因此，需要定期压放电极以保持一定的电极长度，使其能够稳定做功，保证产出电石的质量。

目前，电极的压放操作，即电极压放间隔时间的设置，主要依赖于生产的经验，人为的因素较大，这会导致各相电极的***深度存在差异，做功不平衡，继而影响电石质量和电耗。若能实时获取电极长度，监控电极的位置变化，进而指导电极的压放操作，以精确的控制各电极的压放量，使得各电极做功平衡，为电石炉的平稳生产和节能运行提供保障。

然而，目前主要是在停炉期间由人工测量获得电极长度，开炉运行期间还无法实时检测到电极长度的变化，因此，有必要提出一种电极长度的检测方法，能够实时获得电极的长度。

发明内容

有鉴于此，本发明的目的在于提供一种电石炉电极长度的测量方法，实现实时获取电极长度，为电石炉的平稳生产和节能运行提供保障。

为实现上述目的，本发明有如下技术方案：

一种电石炉电极长度的检测方法，所述方法包括：

基于模型训练样本集，获取电极消耗量的非线性预测模型，其中，电极温度T、电极功率P、炉料配比R和电石出炉量G为样本输入变量，电极消耗量为样本输出变量；

根据电极消耗量的非线性预测模型，确定当前工况下的电极消耗量；

由当前工况下的电极消耗量，确定当前电极长度。

可选的，基于模型训练样本集，获取电极消耗量的非线性预测模型的步骤包括：

通过非线性映射将模型训练样本集的输入样本映射到特征空间，构造该特征空间的最优线性回归函数；

利用结构风险最小化原则，建立最优线性回归函数的目标优化函数，在目标优化函数中，选择训练误差的2范数作为损失函数，且采用等式约束条件；

根据拉格朗日乘子，建立目标优化函数的拉格朗日函数；

由最小二乘法，确定基于拉格朗日乘子的模型；

将基于拉格朗日乘子的模型中的函数设定为核函数，从而获得电极消耗量的非线性预测模型。

可选的，所述核函数为径向基核函数。

可选的，所述模型训练样本集为多个，在获得电极消耗量的非线性预测模型之后，还包括：

基于误差训练样本集，获得电极消耗量的非线性预测模型的误差评价指标；

确定误差评价指标最小的非线性预测模型为电极长度检测中的电极消耗量的非线性预测模型。

可选的，所述模型训练样本集经过数据预处理，其中，电极温度T、电极功率P为当前时刻前第一预定时间范围内的平均值，炉料配比R为当前时刻前第二预定时间范围内的平均值，电石出炉量G为每批电石出炉锅数与单锅电石重量的乘积。

可选的，当前电极长度H＝H₀+ΔH_sj+Δd*C-ΔH_xh*T，其中：H为当前电极长度，H₀为前一时刻电极长度，ΔH_sj为电极升降量，Δd为电极单次压放量，C为压放次数，ΔH_xh为电极消耗量，T为电极长度H和H₀对应时刻的时间差。

此外，本发明还提供了一种电石炉电极长度的检测***，包括：

电极消耗量预测模型获取模块，用于基于模型训练样本集，获取电极消耗量的非线性预测模型，其中，电极温度T、电极功率P、炉料配比R和电石出炉量G为样本输入变量，电极消耗量为样本输出变量；

电极消耗量确定模块，用于根据电极消耗量的非线性预测模型，确定当前工况下的电极消耗量；

当前电极长度确定模块，用于由当前工况下的电极消耗量，确定当前电极长度。

可选的，电极消耗量预测模型获取模块包括：

通过非线性映射将模型训练样本集的输入样本映射到特征空间，构造该特征空间的最优线性回归函数；

利用结构风险最小化原则，建立最优线性回归函数的目标优化函数，在目标优化函数中，选择训练误差的2范数作为损失函数，且采用等式约束条件；

根据拉格朗日乘子，建立目标优化函数的拉格朗日函数；

由最小二乘法，通过拉格朗日函数确定基于拉格朗日乘子和核函数的电极消耗量的非线性预测模型。

可选的，所述核函数为径向基核函数。

可选的，所述模型训练样本集为多个，还包括：

误差评价模块，基于误差训练样本集，获得电极消耗量的非线性预测模型的误差评价指标；并确定误差评价指标最小的非线性预测模型为电极长度检测中的电极消耗量的非线性预测模型。

可选的，还包括数据预处理模块，用于将模型训练样本集进行数据预处理，其中，电极温度T、电极功率P为当前时刻前第一预定时间范围内的平均值，炉料配比R为当前时刻前第二预定时间范围内的平均值，电石出炉量G为每批电石出炉锅数与单锅电石重量的乘积。

可选的，当前电极长度确定模块中，当前电极长度H＝H₀+ΔH_sj+Δd*C-ΔH_xh*T，其中：H为当前电极长度，H₀为前一时刻电极长度，ΔH_sj为电极升降量，Δd为电极单次压放量，C为压放次数，ΔH_xh为电极消耗量，T为电极长度H和H₀对应时刻的时间差。

本发明实施例提供的电石炉电极长度的检测方法及***，通过电极温度T、电极功率P、炉料配比R和电石出炉量G这些样本输入变量，获取电极消耗量的非线性预测模型，通过该非线性预测模型可以获得当前工况下的电极消耗量，继而，由电极消耗量确定出当前电极长度，实现电极长度的软测量。这样，可以实时监控电极的位置变化，进而指导电极的压放操作，以精确的控制各电极的压放量，使得各电极做功平衡，为电石炉的平稳生产和节能运行提供保障。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的电石炉电极长度的检测方法的流程图；

图2为本发明实施例的检测方法中获取电极消耗量的非线性预测模型的流程图；

图3为根据本发明实施例的电石炉电极长度的检测***的结构示意图；

图4为根据本发明另一实施例的电石炉电极长度的检测***的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

正如背景技术的描述，目前主要是在停炉期间由人工测量获得电极长度，开炉运行期间还无法实时检测到电极长度的变化，电极的压放操作，即电极压放间隔时间的设置，主要依赖于生产的经验，人为的因素较大，这会导致各相电极的***深度存在差异，做功不平衡，继而影响电石质量和电耗。为此，本发明提出了一种电石炉电极长度的检测方法，参考图1所示，所述方法包括：

基于模型训练样本集，获取电极消耗量的非线性预测模型，其中，电极温度T、电极功率P、炉料配比R和电石出炉量G为样本输入变量，电极消耗量为样本输出变量；

根据电极消耗量的非线性预测模型，确定当前工况下的电极消耗量；

由当前工况下的电极消耗量，确定当前电极长度。

在该方法中，通过电极温度T、电极功率P、炉料配比R和电石出炉量G这些样本输入变量，获取电极消耗量的非线性预测模型，通过该非线性预测模型可以获得当前工况下的电极消耗量，继而，由电极消耗量确定出当前电极长度，实现电极长度的软测量。这样，可以实时监控电极的位置变化，进而指导电极的压放操作，以精确的控制各电极的压放量，使得各电极做功平衡，为电石炉的平稳生产和节能运行提供保障。

为了更好的理解本发明的技术方案和技术效果，以下将结合具体流程图对具体的实施例进行详细的描述。

首先，在步骤S101，基于模型训练样本集，获取电极消耗量的非线性预测模型，其中，电极温度T、电极功率P、炉料配比R和电石出炉量G为样本输入变量，电极消耗量为样本输出变量。

在本发明中，选择电极温度T、电极功率P、炉料配比R和电石出炉量G为样本输入变量，和电极消耗量为样本输出变量的模型训练样本集，来确定电极消耗量的非线性预测模型。

其中，电极温度T表征电极软硬程度；电极功率P表征电极做功大小；炉料配比R为每100kg石灰所配用的碳素量，表征炉料中碳素量的大小，电石出炉量G为每批电石的出炉量，表征电石炉实际运行负荷高低。通过这些样本输入的样本集，获取电极消耗量的非线性预测模型。

在本发明实施例中，样本集可以包括模型训练样本集和误差训练样本集，还可以进一步包括验证样本集，模型训练样本集可以为多个，为了提高预测模型的预测精度，所取样本数据具有代表性，并尽可能覆盖电石炉生产过程中正常工作范围和不同运行负荷下的运行数据，可以按照如下的结构组成样本，并收集样本数据，样本表达式为{x_i,y_i}，样本的数据结构如下表1所示：

表1样本数据结构

其中，x_i为样本的输入，即选取的辅助变量——电极温度T、电极功率P、炉料配比R、电石出炉量G。样本的输出y_i为待估计的主导变量，即电极消耗量ΔH_xh，电极消耗量的实际值可根据两次停炉期间的电极长度测量值和电极总压放量计算得到。

为了消除数据的噪声，可以对所采集的数据样本进行数据预处理，具体的，电极温度T、电极功率P为当前时刻前第一预定时间范围内的平均值，炉料配比R为当前时刻前第二预定时间范围内的平均值，电石出炉量G为每批电石出炉锅数与单锅电石重量的乘积。预处理之后，可以剔除明显错误和无效的数据，消除噪声，提高所获取的模型的精确性。

在本实施例中，参考图2所示，通过以下具体的步骤获取基于每一个模型训练样本集的电极消耗量的非线性预测模型：

在步骤S201，通过非线性映射将模型训练样本集的输入样本映射到特征空间，构造该特征空间的最优线性回归函数。

对于以[电极温度T，电极功率P，炉料配比R，电石出炉量G]T作为模型输入x_i，电极消耗量ΔH_xh作为模型输出y_i，构成训练模型样本集其中x_i∈R⁴，y_i∈R。先通过一非线性映射ψ(·)把输入样本从输入空间R⁴映射到特征空间在这个高维特征空间中构造最优线性回归函数：

(w∈R^dn，b∈R)

式中：w^T为权向量；b为偏置量。

而后，在步骤S202，利用结构风险最小化原则，建立最优线性回归函数的目标优化函数，在目标优化函数中，选择训练误差的2范数作为损失函数，且采用等式约束条件。

在该步骤中，将非线性估计函数转化为高维特征空间中的线性估计问题，利用结构风险最小化原则，寻找w，b就是最小化其中||w||²控制模型的复杂度，C是正规化参数，R_emp为误差控制函数，也即ε不敏感损失函数。在该优化中损失函数为训练误差ξ_i的2范数。这样，建立最优线性回归函数的目标优化函数为：

$\min J(w,\mathrm{\ξ})=\frac{1}{2}{w}^T\·w+c\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ξ}}_i^2$

等式约束条件s·t:i＝1,…,l.

接着，在步骤S203，根据拉格朗日乘子，建立目标优化函数的拉格朗日函数。

在该步骤中通过拉格朗日法求解该优化问题，建立拉格朗日函数为：

其中α_i，i,j＝1,2,…,l是拉格朗日乘子。

而后，在步骤S204，由最小二乘法，通过拉格朗日函数确定基于拉格朗日乘子和核函数的电极消耗量的非线性预测模型。

根据优化条件：

$\frac{\∂L}{\∂w}=0,\frac{\∂L}{\∂b}=0,\frac{\∂L}{\∂\mathrm{\ξ}}=0,\frac{\∂L}{\∂\mathrm{\α}}=0$

可得

α_i＝cξ_i，

通过上式，并定义核函数i,j＝1,2,…,l，将优化问题转化为求解线性方程：

由最小二乘法获得回归系数α_i和偏差b，获得基于拉格朗日乘子的模型参数[bα₁α₂…α_l]，进而获得电极消耗量的非线性预测模型：

$y\left(x\right)=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_{i}k(x,x_i)+b,$ i,j＝1,2,…,l。

对于核函数K(x_i,x_j)，它是满足Metcer条件的任意对称核函数，优选的，所述核函数为径向基核函数，最后，获得电极消耗量的非线性预测模型：

$y\left(x\right)=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_{i}k(x,x_i)+b.$

对于多组模型训练样本集，可以分别获得基于该组模型训练样本集的电极消耗量的非线性预测模型。

接着，可以基于误差训练样本集，对上述的非线性预测模型进行误差评价，从而，从其中选择更优的模型作为电极长度检测中的电极消耗量的非线性预测模型。

具体的，首先，基于误差训练样本集，获得电极消耗量的非线性预测模型的误差评价指标。

基于误差训练样本集S，包含样本数据为l，定义误差函数：

$e_1=\underset{i=1}{\overset{l}{\Σ}}{e}_i^2=\underset{i=1}{\overset{l}{\Σ}}{(y_i-(\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\α}}_{i}k\left(x_i,x_k\right)+b\left)\right)}^2$

$e_2=max{(y_i-(\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\α}}_{i}k\left(x_i,x_k\right)+b\left)\right)}^2$

其中：i＝1,2,…,l。选择最终误差评价函数为：

e(γ,δ)＝min(e₁+ηe₂)

式中：γ为误差惩罚参数；δ为核参数；η为权重参数。

根据经验选择均方差和最大方差的权重，一般可选择η＝1。利用上述误差评价函数获得误差评价指标。若获得的误差评价指标都不在设定的阈值范围内，则需要重复上述电极消耗量的非线性预测模型建立的过程，若获得的误差评价指标在设定的阈值范围内，则，认为误差评价指标最小的非线性预测模型为最优模型，确定误差评价指标最小的非线性预测模型为电极长度检测中的电极消耗量的非线性预测模型。

为了更进一步的获得更为精确的电极消耗量的非线性预测模型，可以进一步选择验证样本集，对上述确定的电极长度检测中的电极消耗量的非线性预测模型进一步进行验证，比较上述非线性预测模型的输入和实际测量值的误差，如果误差在允许范围内，则确定该模型可以用于电极消耗量的在线预测；如果误差较大，分析电极消耗模型训练样本数据，继续训练模型，可以适当增加训练模型样本数据，重复上述模型建立的过程，直至获得最优的模型。

在步骤S102，根据电极消耗量的非线性预测模型，确定当前工况下的电极消耗量。

在需要检测电极长度时，先获取当前工况下的电极温度T、电极功率P、炉料配比R和电石出炉量G的参数，这些参数通常都可以实时获取，而后，利用电极消耗量的非线性预测模型，获得当前工况下的电极消耗量。通常地，在获取这些参数之后，要进行数据的标准化处理，即进行归一化处理，使得不同量纲的数据之间可以进行运算。

在步骤S103，由当前工况下的电极消耗量，确定当前电极长度。

可以通过如下计算，通过当前工况下的电极消耗量，来确定当前电极长度H＝H₀+ΔH_sj+Δd*C-ΔH_xh*T，其中：H为当前电极长度，H₀为前一时刻电极长度，ΔH_sj为电极升降量，Δd为电极单次压放量，C为压放次数，ΔH_xh为电极消耗量，T为电极长度H和H₀对应时刻的时间差。

这样，就由当前工况参数预测出了电极消耗量，进而由电极消耗量确定出当前电极长度，实现电极长度的软测量。从而，可以实时监控电极的位置变化，进而指导电极的压放操作，以精确的控制各电极的压放量，使得各电极做功平衡，为电石炉的平稳生产和节能运行提供保障。

此外，本发明还提供与上述方法对应的电石炉电极长度的检测***，参考图3所示，包括：

电极消耗量预测模型获取模块300，用于基于模型训练样本集，获取电极消耗量的非线性预测模型，其中，电极温度T、电极功率P、炉料配比R和电石出炉量G为样本输入变量，电极消耗量为样本输出变量；

电极消耗量确定模块310，用于根据电极消耗量的非线性预测模型，确定当前工况下的电极消耗量；

当前电极长度确定模块320，用于由当前工况下的电极消耗量，确定当前电极长度。

其中，电极消耗量预测模型获取模块300包括：

通过非线性映射将模型训练样本集的输入样本映射到特征空间，构造该特征空间的最优线性回归函数；

利用结构风险最小化原则，建立最优线性回归函数的目标优化函数，在目标优化函数中，选择训练误差的2范数作为损失函数，且采用等式约束条件；

根据拉格朗日乘子，建立目标优化函数的拉格朗日函数；

由最小二乘法，通过拉格朗日函数确定基于拉格朗日乘子和核函数的电极消耗量的非线性预测模型。

所述核函数优选为径向基核函数。

进一步地，参考图4所示，所述模型训练样本集为多个，还包括：

误差评价模块340，基于误差训练样本集，获得电极消耗量的非线性预测模型的误差评价指标；并确定误差评价指标最小的非线性预测模型为电极长度检测中的电极消耗量的非线性预测模型。

进一步地，还包括数据预处理模块330，用于将模型训练样本集进行数据预处理，其中，电极温度T、电极功率P为当前时刻前第一预定时间范围内的平均值，炉料配比R为当前时刻前第二预定时间范围内的平均值，电石出炉量G为每批电石出炉锅数与单锅电石重量的乘积。

进一步地，当前电极长度确定模块320中，当前电极长度H＝H₀+ΔH_sj+Δd*C-ΔH_xh*T，其中：H为当前电极长度，H₀为前一时刻电极长度，ΔH_sj为电极升降量，Δd为电极单次压放量，C为压放次数，ΔH_xh为电极消耗量，T为电极长度H和H₀对应时刻的时间差。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的***实施例仅仅是示意性的，其中所述作为分离部件说明的模块或单元可以是或者也可以不是物理上分开的，作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (12)

1.一种电石炉电极长度的检测方法，其特征在于，所述方法包括：

基于模型训练样本集，获取电极消耗量的非线性预测模型，其中，电极温度T、电极功率P、炉料配比R和电石出炉量G为样本输入变量，电极消耗量为样本输出变量；

根据电极消耗量的非线性预测模型，确定当前工况下的电极消耗量；

由当前工况下的电极消耗量，确定当前电极长度。

2.根据权利要求1所述的检测方法，其特征在于，基于模型训练样本集，获取电极消耗量的非线性预测模型的步骤包括：

通过非线性映射将模型训练样本集的输入样本映射到特征空间，构造该特征空间的最优线性回归函数；

利用结构风险最小化原则，建立最优线性回归函数的目标优化函数，在目标优化函数中，选择训练误差的2范数作为损失函数，且采用等式约束条件；

根据拉格朗日乘子，建立目标优化函数的拉格朗日函数；

由最小二乘法，通过拉格朗日函数确定基于拉格朗日乘子和核函数的电极消耗量的非线性预测模型。

3.根据权利要求2所述的检测方法，其特征在于，所述核函数为径向基核函数。

4.根据权利要求2所述的检测方法，其特征在于，所述模型训练样本集为多个，在获得电极消耗量的非线性预测模型之后，还包括：

基于误差训练样本集，获得电极消耗量的非线性预测模型的误差评价指标；

确定误差评价指标最小的非线性预测模型为电极长度检测中的电极消耗量的非线性预测模型。

5.根据权利要求1-4中任一项所述的检测方法，其特征在于，所述模型训练样本集经过数据预处理，其中，电极温度T、电极功率P为当前时刻前第一预定时间范围内的平均值，炉料配比R为当前时刻前第二预定时间范围内的平均值，电石出炉量G为每批电石出炉锅数与单锅电石重量的乘积。

6.根据权利要求1所述的检测方法，其特征在于，当前电极长度H＝H₀+ΔH_sj+Δd*C-ΔH_xh*T，其中：H为当前电极长度，H₀为前一时刻电极长度，ΔH_sj为电极升降量，Δd为电极单次压放量，C为压放次数，ΔH_xh为电极消耗量，T为电极长度H和H₀对应时刻的时间差。

7.一种电石炉电极长度的检测***，其特征在于，包括：

电极消耗量预测模型获取模块，用于基于模型训练样本集，获取电极消耗量的非线性预测模型，其中，电极温度T、电极功率P、炉料配比R和电石出炉量G为样本输入变量，电极消耗量为样本输出变量；

电极消耗量确定模块，用于根据电极消耗量的非线性预测模型，确定当前工况下的电极消耗量；

当前电极长度确定模块，用于由当前工况下的电极消耗量，确定当前电极长度。

8.根据权利要求7所述的检测***，其特征在于，电极消耗量预测模型获取模块包括：

通过非线性映射将模型训练样本集的输入样本映射到特征空间，构造该特征空间的最优线性回归函数；

利用结构风险最小化原则，建立最优线性回归函数的目标优化函数，在目标优化函数中，选择训练误差的2范数作为损失函数，且采用等式约束条件；

根据拉格朗日乘子，建立目标优化函数的拉格朗日函数；

由最小二乘法，通过拉格朗日函数确定基于拉格朗日乘子和核函数的电极消耗量的非线性预测模型。

9.根据权利要求8所述的检测***，其特征在于，所述核函数为径向基核函数。

10.根据权利要求8所述的检测***，其特征在于，所述模型训练样本集为多个，还包括：

误差评价模块，基于误差训练样本集，获得电极消耗量的非线性预测模型的误差评价指标；并确定误差评价指标最小的非线性预测模型为电极长度检测中的电极消耗量的非线性预测模型。

11.根据权利要求7-10中任一项所述的检测***，其特征在于，还包括数据预处理模块，用于将模型训练样本集进行数据预处理，其中，电极温度T、电极功率P为当前时刻前第一预定时间范围内的平均值，炉料配比R为当前时刻前第二预定时间范围内的平均值，电石出炉量G为每批电石出炉锅数与单锅电石重量的乘积。

12.根据权利要求1所述的检测***，其特征在于，当前电极长度确定模块中，当前电极长度H＝H₀+ΔH_sj+Δd*C-ΔH_xh*T，其中：H为当前电极长度，H₀为前一时刻电极长度，ΔH_sj为电极升降量，Δd为电极单次压放量，C为压放次数，ΔH_xh为电极消耗量，T为电极长度H和H₀对应时刻的时间差。