CN110287629A - 确定高压盆式绝缘子结构参数的计算机装置、设备及方法 - Google Patents

确定高压盆式绝缘子结构参数的计算机装置、设备及方法 Download PDF

Info

Publication number
CN110287629A
CN110287629A CN201910585399.7A CN201910585399A CN110287629A CN 110287629 A CN110287629 A CN 110287629A CN 201910585399 A CN201910585399 A CN 201910585399A CN 110287629 A CN110287629 A CN 110287629A
Authority
CN
China
Prior art keywords
temperature
disc insulator
field
stress
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910585399.7A
Other languages
English (en)
Other versions
CN110287629B (zh
Inventor
张施令
姚强
宫林
苗玉龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Priority to CN201910585399.7A priority Critical patent/CN110287629B/zh
Publication of CN110287629A publication Critical patent/CN110287629A/zh
Application granted granted Critical
Publication of CN110287629B publication Critical patent/CN110287629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明实施例公开了一种确定高压盆式绝缘子结构参数的计算机装置、方法、设备及计算机可读存储介质。计算机装置包括获取盆式绝缘子本体材料性能参数，得到性能参数间非线性关系的性能参数采集模块；利用基于有限元法和性能参数间非线性关系构建的电‑热‑机性能耦合计算模型得到盆式绝缘子的电场分布、温度分布及应力分布的电‑热‑机性能耦合计算模块；利用三维有限元模型在电场、温度场和应力场进行解耦计算的多物理场解耦计算模块；分别在电场、温度场和应力场对三维有限元模型进行模拟运算的仿真模拟模块，利用深度学习网络模型对仿真模拟结果进行非线性反演得到最优结构参数的结构参数确定模块。本申请可有效指导高压盆式绝缘子的结构设计。

Description

确定高压盆式绝缘子结构参数的计算机装置、设备及方法
技术领域
本发明实施例涉及高压盆式绝缘子生产技术领域，特别是涉及一种确定高压盆式绝缘子结构参数的计算机装置、方法、设备及计算机可读存储介质。
背景技术
高压盆式绝缘子一般由绝缘件和金属附件用胶合剂胶合或机械卡装而成，绝缘件一般由环氧树脂添加一定材料组成的绝缘结构，金属附件例如可为钢脚、铁帽、法兰等。盆式绝缘子通常作为如GIS/GIL等特高压电力开关设备的关键部件，不仅可保证设备中心导体与管道法兰间电气绝缘，还同时具有机械支撑作用，其性能优劣直接决定开关设备的绝缘性能及运行可靠。
随着电力系统运行电压、运行可靠性要求的不断提高，用户对高压盆式绝缘子的耐压耐热水平、力学性能、使用寿命等要求也越来越高。相关技术对于针对GIS/GIL实际应用场合研制的盆式绝缘子样机，在型式试验中会开展工频耐压试验、温升试验和水压试验，分别对应盆子电场、温度和应力分布模拟，以得到满足要求的高压盆式绝缘子。
然而，开展型式试验不仅耗费大量人力和物力，且工频耐压试验和水压试验将对盆式绝缘子造成一定破坏，导致高压盆式绝缘子的研发周期和成本均较高。
发明内容
本公开实施例提供了一种确定高压盆式绝缘子结构参数的计算机装置、方法、设备及计算机可读存储介质，克服了相关技术存在的弊端，可有效指导高压盆式绝缘子的结构设计。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种确定高压盆式绝缘子结构参数的计算机装置，包括：
性能参数采集模块，用于获取待测盆式绝缘子本体材料的性能参数，并得到各性能参数间的非线性关系，所述性能参数包括电性能参数、热性能参数及机械性能参数；
电-热-机性能耦合计算模块，用于利用预先构建电-热-机性能耦合计算模型，得到所述待测盆式绝缘子的电场分布、温度分布及应力分布；所述电-热-机性能耦合计算模型为基于有限元法和各性能参数间的非线性关系进行构建；
多物理场解耦计算模块，用于利用预先构建的盆式绝缘子三维有限元模型分别在所述电场分布、所述温度分布及所述应力分布进行解耦计算；
仿真模拟模块，用于分别在电场模拟环境、温度场模拟环境和应力场模拟环境中对所述盆式绝缘子三维有限元模型在预设位置处进行模拟运算；
结构参数确定模块，用于利用预先构建的深度学习网络模型对仿真模拟结果进行非线性反演学习，得到所述待测盆式绝缘子的结构参数。
可选的，还包括网络模型训练模块；所述网络模型训练模块包括：
模型框架构建子模块，用于构建所述深度学习网络模型结构框架，所述深度学习网络模型结构为包括设置有3个神经元的输入层、6个神经元的隐含层和4个神经元的输出层的RBF神经网络；所述RBF神经网络的输入为盆式绝缘子罩入深度、中心导体径向厚度及盆式绝缘子外径；所述RBF神经网络的输出为盆式绝缘子均压罩表面最大电场强度、盆式绝缘子表面最大电场强度、盆式绝缘子本体与中心导体表面最大温度值、盆式绝缘子本体最大应力值；
模型训练子模块，用于在所述深度学习网络模型训练过程中利用粒子群算法优化径向基中心和基带宽度。
可选的，所述性能参数采集模块包括：
参数获取子模块，用于获取所述待测盆式绝缘子本体材料的介电常数、损耗角正切值、导热系数、弹性模量、泊松比和热膨胀系数；
非线性关系计算子模块，用于计算得到所述待测盆式绝缘子本体材料的导热系数、热容量分别与温度关系，介电性能参数随温度变化关系，热重试验、热膨胀系数分别随温度变化关系。
可选的，所述仿真模拟模块为分别在中心导体、接地法兰、均压罩处对所述盆式绝缘子三维有限元模型进行仿真模拟的模块。
可选的，还包括电-热-机性能耦合计算模型预构建模块，所述电-热-机性能耦合计算模型预构建模块包括：
电场计算环境搭建子模块，用于基于各性能参数间的非线性关系在电场计算环境中预先设置介电常数与温度的非线性关系、损耗角正切值与温度的非线性关系，并构建电场有限元计算模型；
温度计算环境搭建子模块，用于基于各性能参数间的非线性关系在温度计算环境中预先设置导热系数与温度的非线性关系、热容量与温度的非线性关系，将从所述电场有限元计算模型获取的中心导体涡流发热数据和本体介质发热数据作为温度计算环境的边界条件，并构建温度场有限元计算模型；
边界条件计算子模块，用于基于所述中心导体涡流发热数据和所述本体介质发热数据，获取所述温度场有限元计算模型的温度分布信息，并根据所述温度分布信息为所述电场计算环境设置温度值以作为所述电场计算环境的边界条件，根据所述温度分布信息为应力计算环境设置有限元温度值以作为所述应力计算环境的边界条件；
应力计算环境搭建子模块，用于基于各性能参数间的非线性关系在所述应力计算环境中预先设置中心导体热膨胀系数与温度的非线性关系、本体材料热膨胀系数与温度的非线性关系，构建应力场有限元计算模型；
应力参数计算子模块，用于基于所述待测盆式绝缘子本体材料的有限元温度，获取所述应力场有限元计算模型的应力值和位移值；
电场计算环境边界条件设置子模块，用于根据所述应力场有限元计算模型的有限位移值为所述电场计算环境设置边界条件。
本发明实施例另一方面提供了一种确定高压盆式绝缘子结构参数的方法，包括：
获取待测盆式绝缘子本体材料的性能参数，并得到各性能参数间的非线性关系，所述性能参数数据包括电性能参数、热性能参数及机械性能参数；
利用预先构建电-热-机性能耦合计算模型，得到所述待测盆式绝缘子的电场分布、温度分布及应力分布；所述电-热-机性能耦合计算模型为基于有限元法和各性能参数间的非线性关系进行构建；
利用预先构建的盆式绝缘子三维有限元模型分别在所述电场分布、所述温度分布及所述应力分布进行解耦计算；
分别在电场模拟环境、温度场模拟环境和应力场模拟环境中对所述盆式绝缘子三维有限元模型在预设位置处进行模拟运算；
利用预先构建的深度学习网络模型对仿真模拟结果进行非线性反演学习，得到所述待测盆式绝缘子的结构参数。
可选的，所述深度学习网络模型在训练过程中利用粒子群算法优化径向基中心和基带宽度；
所述深度学习网络模型为包括设置有3个神经元的输入层、6个神经元的隐含层和4个神经元的输出层的RBF神经网络；所述RBF神经网络的输入为盆式绝缘子罩入深度、中心导体径向厚度及盆式绝缘子外径；所述RBF神经网络的输出为盆式绝缘子均压罩表面最大电场强度、盆式绝缘子表面最大电场强度、盆式绝缘子本体与中心导体表面最大温度值、盆式绝缘子本体最大应力值。
可选的，所述电-热-机性能耦合计算模型为基于有限元法和各性能参数间的非线性关系进行构建包括：
基于各性能参数间的非线性关系在电场计算环境中预先设置介电常数与温度的非线性关系、损耗角正切值与温度的非线性关系，并构建电场有限元计算模型；
基于各性能参数间的非线性关系在温度计算环境中预先设置导热系数与温度的非线性关系、热容量与温度的非线性关系，将从所述电场有限元计算模型获取的中心导体涡流发热数据和本体介质发热数据作为温度计算环境的边界条件，并构建温度场有限元计算模型；
基于所述中心导体涡流发热数据和所述本体介质发热数据，获取所述温度场有限元计算模型的温度分布信息，并根据所述温度分布信息为所述电场计算环境设置温度值以作为所述电场计算环境的边界条件，根据所述温度分布信息为应力计算环境设置有限元温度值以作为所述应力计算环境的边界条件；
基于各性能参数间的非线性关系在所述应力计算环境中预先设置中心导体热膨胀系数与温度的非线性关系、本体材料热膨胀系数与温度的非线性关系，构建应力场有限元计算模型；
基于所述待测盆式绝缘子本体材料的有限元温度，获取所述应力场有限元计算模型的应力值和位移值；
根据所述应力场有限元计算模型的有限位移值为所述电场计算环境设置边界条件。
本发明实施例还提供了一种确定高压盆式绝缘子结构参数的设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述确定高压盆式绝缘子结构参数的方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有确定高压盆式绝缘子结构参数的程序，所述确定高压盆式绝缘子结构参数的程序被处理器执行时实现如前任一项所述确定高压盆式绝缘子结构参数的方法的步骤。
本申请提供的技术方案的优点在于，利用性能参数采集模块获取盆式绝缘子本体材料的电-热-机性能参数，利用电-热-机性能耦合计算模块计算得到其电场分布、温度分布及应力分布，然后利用盆式绝缘子三维有限元模型开展电场、温度场和应力场的解耦计算，最后利用深度学习网络模型对电-热-机多物理耦合场模拟数据进行学习，从而实现盆子最优化结构参数的非线性反演，获得盆式绝缘子最优结构参数，解决了相关技术开展型式试验所具有的弊端问题，可有效指导高电压等级盆式绝缘子结构设计，有效缩短高压盆式绝缘子的研发周期，降低产品研发成本和生产成本；此外，还有利于快速、准确对GIS/GIL高压电力设备中盆式绝缘子进行故障诊断及其模式识别。
此外，本发明实施例还针对确定高压盆式绝缘子结构参数的计算机装置提供了相应的实现方法、设备及计算机可读存储介质，进一步使得所述方法更具有实用性和可行性，所述方法、设备及计算机可读存储介质具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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为本公开提供的确定高压盆式绝缘子结构参数的装置的一种具体实施方式结构图；
图2为本公开根据一示例性实施例示出的高压盆式绝缘子本体材料导热系数、热容量分别随温度变化的示意图；
图3为本公开根据一示例性实施例示出的高压盆式绝缘子本体材料介电常数随温度变化的示意图；
图4为本公开根据一示例性实施例示出的高压盆式绝缘子本体材料损耗角正切值随温度变化的示意图；
图5为本公开根据一示例性实施例示出的高压盆式绝缘子本体材料热膨胀系数随温度变化的曲线示意图；
图6为本公开根据一示例性实施例示出的高压盆式绝缘子本体电-热-机多物理场耦合计算原理示意图；
图7为本公开根据一示例性实施例示出的高压盆式绝缘子本体电-热-机多物理场解耦计算流程示意图；
图8为本公开根据一示例性实施例示出的高压盆式绝缘子二维剖面结构示意图；
图9为本公开根据一示例性实施例示出的高压盆式绝缘子在一种视角下的三维有限元模型示意图；
图10为本公开根据一示例性实施例示出的高压盆式绝缘子凹面沿面合成场强的电场分布曲线示意图；
图11为本公开根据一示例性实施例示出的高压盆式绝缘子凸面沿面合成场强的电场分布曲线示意图；
图12为本公开根据一示例性实施例示出的RBF神经网络结构示意图；
图13为本公开提供的一种PSO-RBF混合方法的流程示意图；
图14为本公开提供的PSO-RBF混合方法收敛曲线示意图；
图15为本公开根据一示例性实施例示出的高压盆式绝缘子均压罩利用PSO-RBF神经网络非线性拟合映射效果示意图；
图16为本公开根据一示例性实施例示出的高压盆式绝缘子本体表面利用PSO-RBF神经网络非线性拟合映射效果示意图；
图17为本公开根据一示例性实施例示出的高压盆式绝缘子本体温度值利用PSO-RBF神经网络非线性拟合映射效果示意图；
图18为本公开根据一示例性实施例示出的高压盆式绝缘子本体应力值利用PSO-RBF神经网络非线性拟合映射效果示意图；
图19为本公开根据一示例性实施例示出的高压盆式绝缘子在优化后的结构参数下的电场分布示意图；
图20为本公开根据一示例性实施例示出的高压盆式绝缘子在优化后的结构参数下的应力分布示意图；
图21为本公开提供的一种确定高压盆式绝缘子结构参数的方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先请参见图1，图1为本发明实施例提供的确定高压盆式绝缘子结构参数的计算机装置在一种实施方式下的结构框架示意图，本发明实施例可包括以下内容：
确定高压盆式绝缘子结构参数的计算机装置可包括性能参数采集模块1、电-热-机性能耦合计算模块2、多物理场解耦计算模块4、仿真模拟模块4及结构参数确定模块5。
其中，性能参数采集模块1用于获取待测盆式绝缘子本体材料的性能参数，并得到各性能参数间的非线性关系。可以理解的是，高压盆式绝缘子广泛应用于GIS/GIL电力设备中，兼具电气绝缘和机械支撑复合作用，且电网容量提升后，GIS/GIL电力设备输送电流增至6300A。电气绝缘性能对应盆式绝缘子电位、电场分布，机械支撑性能对应其承受气压条件下位移、应力分布，电流承载能力对应其温度分布，为综合评估运行条件下盆式绝缘子性能，需联合进行电-热-机多物理场耦合分析。所以性能参数数据可包括电性能参数、热性能参数及机械性能参数。电性能参数例如可为但并不限制于待测盆式绝缘子本体材料的介电常数、损耗角正切值；热性能参数例如可为但并不限制于导热系数；机械性能参数例如可为但并不限制于弹性模量、泊松比和热膨胀系数。相应的，性能参数采集模块1可包括获取待测盆式绝缘子本体材料的介电常数、损耗角正切值、导热系数、弹性模量、泊松比和热膨胀系数的参数获取子模块。
本申请中，在得到待测盆式绝缘子的性能参数后，为了验证并计算电气性能参数、机械性能参数与温度分布参数之间具有非线性关系，本申请以环氧树脂添加ZnO颗粒构成的盆式绝缘子本体材料为例进行了相关计算，请参阅图2-图8所示的结果，可包括下述内容：
根据示意性例子的盆式绝缘子本体材料扫描电镜观测结果可知，盆式绝缘子本体材料中存在较均匀分布的ZnO颗粒，存在粒径分别为0.2972μm、0.1754μm和0.2692μm的颗粒，且固化环氧树脂材料结构致密，保证盆式绝缘子整体具备一定硬度性能。
由图2可知，导热系数、热容量与温度存在较强非线性关系，在20～150℃范围内呈现随温度升高而增大随后降低变化趋势，可见导热系数维持在0.2～0.3wK-1m-1之间，热容量维持在1.5～2.5Jg-1K-1之间，热性能参数在125℃附近出现最大值。
此外，本申请还测量了盆式绝缘子材料在-50～150℃温度范围内的温谱曲线，高压交流盆式绝缘子运行在工频电压下，因此测量中频率设定为50Hz，相对介电常数、损耗角正切值与温度变化关系示于图3和图4中。其中，将-50～20℃温度区间定义为低温区，将20～100℃温度区间定义为额定运行区，将100～150℃温度区间定义为高温区。在低温区，相对介电常数随温度的上升而增大，但损耗角正切值随温度的上升而下降；额定运行区，相对介电常数呈现略微上升趋势，而损耗角正切值出现先降低后上升的趋势；高温区，相对介电常数和损耗角正切值均剧烈上升，而损耗角正切值随后表现出下降趋势。
其次，根据盆式绝缘子本体材料的热重试验结果可知，多个样品试验曲线基本重合，证明试验曲线具备可重复性；此外，试验中多个试样开始分解温度为300℃，温度达到575℃以后不再分解。定量分析表明：加热过程中分解部分(环氧)与未分解部分(添加剂)之间的平均质量之比为0.38，其中未分解部分主要为前述的ZnO颗粒。
最后，本申请还对示意性例子的盆式绝缘子本体材料以及盆式绝缘子中心导体进行了热膨胀系数测试如图5所示，对于盆式绝缘子本体环氧和中心导体铝材分别两个试样，热膨胀系数随温度变化趋势基本一致，且具体数据相差不大，因此该试验测量具有一定的可重复性。中心导体铝材在20～160℃温度范围内基本稳定，盆子本体材料热膨胀系数曲线拐点出现在100℃，因此高温条件下在中心导体与盆子本体材料间由于热膨胀系数不同而形成高应力区域。
综上可知，高压盆式绝缘子的各性能参数存在较强的非线性特征，如介电常数、损耗角正切值、导热系数和热膨胀系数四个参数均为温度的非线性函数，相应地，性能参数采集模块1还可包括计算得到待测盆式绝缘子本体材料的导热系数、热容量分别与温度关系，介电性能参数随温度变化关系，热重试验、热膨胀系数分别随温度变化关系的非线性关系计算子模块。
在本申请中，电-热-机性能耦合计算模块2用于利用预先构建电-热-机性能耦合计算模型，得到待测盆式绝缘子的电场分布、温度分布及应力分布，电-热-机性能耦合计算模型为基于有限元法和各性能参数间的非线性关系进行构建。电-热-机性能耦合计算模块2在实现基于有限元法的电-热-机多物理场计算过程中，将单一物理场计算耦合考虑，同时得到温度、电场、应力分布；且在单一物理场计算中考虑介电常数、损耗角正切值、导热系数和热膨胀系数与温度非线性关系，原理请参阅图6所示。首先可先设置电、热、机3个物理场计算环境，每个物理场分别对应各自有限元计算模型，物理计算模型划分为较小有限元单元，并赋予介电常数、损耗角正切值、导热系数和热膨胀系数等性能参数，对单一物理场施加温度、电压、压力等边界条件。一种实施方式中，电-热-机性能耦合计算模块2可包括电-热-机性能耦合计算模型预构建模，电-热-机性能耦合计算模型预构建模块可包括：
电场计算环境搭建子模块，用于基于各性能参数间的非线性关系在电场计算环境中预先设置介电常数与温度的非线性关系、损耗角正切值与温度的非线性关系，并构建电场有限元计算模型。
温度计算环境搭建子模块，用于基于各性能参数间的非线性关系在温度计算环境中预先设置导热系数与温度的非线性关系、热容量与温度的非线性关系，将从电场有限元计算模型获取的中心导体涡流发热数据和本体介质发热数据作为温度计算环境的边界条件，并构建温度场有限元计算模型。
边界条件计算子模块，用于基于中心导体涡流发热数据和本体介质发热数据，获取温度场有限元计算模型的温度分布信息，并根据温度分布信息为电场计算环境设置温度值以作为电场计算环境的边界条件，根据温度分布信息为应力计算环境设置有限元温度值以作为应力计算环境的边界条件。
应力计算环境搭建子模块，用于基于各性能参数间的非线性关系在应力计算环境中预先设置中心导体热膨胀系数与温度的非线性关系、本体材料热膨胀系数与温度的非线性关系，构建应力场有限元计算模型。
应力参数计算子模块，用于基于待测盆式绝缘子本体材料的有限元温度，获取应力场有限元计算模型的应力值和位移值。
电场计算环境边界条件设置子模块，用于根据应力场有限元计算模型的有限位移值为电场计算环境设置边界条件。
可以理解的是，电-热-机性能耦合计算模块2将电-热-机多物理场进行相互耦合，且将物理常数与温度的非线性关系考虑至有限元计算中，还需要进行解耦计算。多物理场解耦计算模块4用于利用预先构建的盆式绝缘子三维有限元模型分别在所述电场分布、所述温度分布及所述应力分布进行解耦计算。电-热-机多物理场解耦计算的流程示意图可如图7所示，为有效表征多物理场性能参数与温度的非线性关系，可将研究对象转换为微小有限元单元，微小有限元单元的体积比整体盆式绝缘子体积小得多。因此可以对局部有限元体积内的材料性质进行归一化处理。盆式绝缘子整体网格剖分后将产生大量有限元单元，通过迭代计算，可得每个单元的电场、温度和应力解。具体过程可包括：
设置盆式绝缘子的初始温度分布T和初始电场强度E，然后可根据材料参数实验结果修改每个有限元单元材料特性，通过电场物理环境下的谐波分析，得到各个有限元单元的电应力和介电损耗。设定温度边界条件和介质损耗重新计算温度分布，并再次修改每个有限元单元的材质属性。若满足下述公式(1)中的不等式，则假定迭代过程已收敛，然后输出电场和温度分布值；若不满足下述公式(1)中的不等式，则将新的迭代计算设置为u＝u+1，然后重复计算。最后依据每个单元温度值计算热膨胀系数，在机械物理环境下计算应力分布。
|Tu-Tu-1|≤δ1，|Eu-Eu-1|≤δ2； (1)
式中，u为迭代次数，δ1和δ2为预设的较小值，T为每个有限元单元的温度值，E为每个有限元单元的电应力值。
在本申请中，仿真模拟模块4，用于分别在电场模拟环境、温度场模拟环境和应力场模拟环境中对所述盆式绝缘子三维有限元模型在预设位置处进行模拟运算。可依据GIS/GIL用典型盆式绝缘子拓扑结构进行有限元三维建模，在建模过程中充分考虑GIS/GIL中心导体、接地法兰、均压罩等关键部件，盆式绝缘子剖面如图8所示，三维有限元模型如图9所示。电场模拟环境、温度场模拟环境和应力场模拟环境为在上述模块确定的电场分布、温度分布、应力分布中设置具体参数值所产生的模拟计算环境。
其中，在电场模拟环境中对盆式绝缘子三维有限元模型进行模拟计算中，可对盆式绝缘子中心导体及均压罩施加高电位，在接地法兰位置施加零电位，盆子本体内部嵌套均压环为悬浮电位，可采用耦合金属电位值方式进行处理。可选的，对于盆式绝缘子可运用自由网格划分，生成节点数为302411个，单元数量为178928个，进一步可采用ICCG算法进行计算，ICCG算法通过对原始代数方程组系数矩阵进行预处理，然后对预处理后的方程组使用共轭梯度法求解，可使不完全乔列斯基分解和共轭梯度法组合成ICCG算法。为了有效较少存储量，加大迭代收敛速度，在利用ICCG算法分析数据之前，还可预先构建用于存放系数矩阵和用于存放不完全乔列斯基分解因子的数组。
可选的，盆式绝缘子电-热-机多物理场耦合模拟中可设置盆子雷电冲击电压为2400kV，中心导体承受电流可为6300A，GIS/GIL管道中的SF6气压为0.4MPa。根据盆式绝缘子电场分布结果可知，GIS/GIL管道中高电位区域位于中心导体附近，在中心导体和接地法兰间电位均匀过渡，盆式绝缘子具有机械支撑作用。盆式绝缘子高场强区域位于均压罩表面，其值为18.99kV/mm。此外，通过屏蔽罩、中心导体和盆子内部均压环表面的电场环境模拟结果可知，盆子上、下屏蔽罩表面电场强度最大值为18.38kV/mm、20.39kV/mm，中心导体表面最大场强值为13.15kV/mm，盆子本体内部金属屏蔽环表面最大场强值为5.62kV/mm。
此外，盆子本体内部金属环可与接地法兰间形成有效屏蔽区域，降低金属法兰倒角位置处电场强度值，防止低电位区域闪络事故发生。例如接地法兰在指定的第一位置处在无屏蔽环条件下场强为12.03kV/mm，有屏蔽环场强为8.42kV/mm；第二位置处在无屏蔽环条件下场强为9.52kV/mm，有屏蔽环场强为4.39kV/mm；第三位置处屏蔽环存在条件下场强为5.62kV/mm。根据盆式绝缘子本体表面电场分布情况可知，盆子高电位区域位于中心导体附近，且最大电场强度值同样位于中心导体附近，其最大场强为11.85kV/mm。为较好分析盆子沿面电场分布情况，分别沿凸面、凹面得到盆子电场分布曲线，如图10和图11所示，由图可知，盆子沿面合成场强凹面、凸面最大值分别为11.85kV/mm、9.25kV/mm，凹面、凸面切向场强分别为4.79kV/mm、5.24kV/mm，均低于SF6气体绝缘中盆体表面最高允许场强为12kV/mm。
本实施例中，在温度场模拟环境中对盆式绝缘子三维有限元模型进行模拟计算中，盆式绝缘子在本体温度场计算中需考虑2方面的热量来源，分别为中心导体在设定载流量下的涡流发热Q1，盆子本体材料在外施电压下的介质损耗发热Q2，Q2值来源于盆子电场物理环境计算结果。将Q1和Q2同时施加到盆式绝缘子有限元计算模型上，得到盆式绝缘子热场分布云图。热场计算设外界环境温度为25℃，中心导体载流分别为：5000A、6300A、8000A，盆式绝缘子的最高温度在中心导体与环氧材料的界面处。不同载流量下，盆子温度场分布规律基本一致，在5000A、6300A、8000A下中心导体与环氧材料界面处温度最大值分别为68.45℃、96.93℃、113.03℃，在8000A载流量下温度值已接近图5所示的盆子本体材料热膨胀系数曲线拐点。
本实施例中，在应力场模拟环境中对盆式绝缘子三维有限元模型进行模拟计算中，当外界SF6气体0.4Mpa压力施加到盆式绝缘子凸面或者凹面条件下，同时计及温度梯度分布导致盆子本体内部热膨胀系数不均匀，2种外施压力作用下盆子本体内部出现不均匀应力和位移分布。根据盆式绝缘子本体应力分布可知，凸面最大应力为30.2MPa，凹面最大应力为27.5MPa，应力最大值出现在盆式绝缘子与金属法兰接触位置，因此可加强盆式绝缘子与法兰接触位置处机械强度值。另一方面，根据温度梯度分布导致盆子本体内部应力不均匀及位移情况可知，在对盆式绝缘子本体表面施加压力，其拓扑结构发生了显著形变，在盆子中间部位发生位移最为显著。由于盆式绝缘子法兰侧固定较为稳定，因此盆式绝缘子中心导体侧发生位移较大，同时应力集中区域主要出现在盆式绝缘子法兰侧。
在本申请中，为较为准确拟合盆式绝缘子拓扑结构与关键位置处例如但并不限制于中心导体、接地法兰、均压罩的电-热-力物理场的非线性数值关系，还可应用深度学习网络模型对电-热-机多物理耦合场模拟数据进行学习，实现盆子最优化结构参数的非线性反演，获得盆式绝缘子最优结构参数。也就是说，本申请的结构参数确定模块5用于利用预先构建的深度学习网络模型对仿真模拟结果进行非线性反演学习，得到待测盆式绝缘子的结构参数。
可选的，结构参数确定模块5可包括网络模型训练模块，网络模型训练模块可包括：
模型框架构建子模块，用于构建深度学习网络模型结构框架，深度学习网络模型结构课为包括设置有3个神经元的输入层、设置有6个神经元的隐含层和设置有4个神经元的输出层的RBF神经网络如如图12所示。RBF神经网络的输入可为盆式绝缘子罩入深度D2+D3、中心导体径向厚度D4及盆式绝缘子外径D1，具体可参阅图8标出的参数；RBF神经网络的输出为盆式绝缘子均压罩表面最大电场强度、盆式绝缘子表面最大电场强度、盆式绝缘子本体与中心导体表面最大温度值、盆式绝缘子本体最大应力值。深度学习网络模型结构的训练样本集包括多个样本，每个样本均包含彼此相对应的两组数据和标签信息，一组为盆式绝缘子罩入深度D2+D3、中心导体径向厚度D4及盆式绝缘子外径D1，另一组为盆式绝缘子均压罩表面最大电场强度、盆式绝缘子表面最大电场强度、盆式绝缘子本体与中心导体表面最大温度值、盆式绝缘子本体最大应力值；标签可根据实际需求进行人工设置，本申请对此不做任何限定。
模型训练子模块，用于在深度学习网络模型训练过程中利用粒子群算法优化径向基中心和基带宽度。
RBF神经网络在训练过程中可利用下式公式(2)计算每次选择回归子时的中心位置和权值，并计算当前神经网络的样本残差平方和：
式中，N为训练集样本个数，Yi为第i个样本的理想输出值，yi为第i个样本的实际输出值。考虑到盆式绝缘子关键位置电-热-机解耦模拟结果与结构参数间具有较强非线性关系，可应用粒子群算法PSO优化RBF神经网络的径向基中心和基带宽度，提高RBF神经网络学习精度，请参阅粒子群PSO算法优化RBF神经网络执行流程示意图13，具体步骤可如下所示：
(1)依据粒子结构初始化种群，每个粒子中的参数可根据RBF神经网络隐含层结构随机产生；
(2)按照式(3)计算种群中各粒子适应度：
式中，vij(k)、xij(k)为粒子i在k次迭代中速度的第j维分量；xij(k)为粒子i在k次迭代中位置的第j维分量；pij(k)为粒子i在极值点位置的第j维分量；w、c1、c2、r1、r2为惯性权重、随机因子等常数参量。
(3)评估种群中粒子适应度值，如果本代产生的局部最优值优于全局最优值则进行取代，全局最优值达到设定阈值或迭代达到最大次数则保存结果。
(4)利用粒子群优化算法速度和位置的更新公式产生新一代种群，将粒子群优化算法全局最优值作为RBF神经网络的隐含层结构参数，并根据隐含层结构参数重新计算RBF神经网络的输出层权值，完成RBF神经网络的优化设计。
在一种实施方式中，利用PSO-RBF神经网络训练学习有限元方法对盆式绝缘子关键位置电-热-机解耦模拟结果，其中，粒子群PSO算法参数可设置为学习因子值C1＝1.6，惯性权重初始值为Wmax＝0.9，惯性权重终止值为Wmin＝0.4，最大迭代次数设置为1800次，PSO-RBF联合算法迭代次数收敛过程如图14所示。
在本发明实施例提供的技术方案中，利用性能参数采集模块获取盆式绝缘子本体材料的电-热-机性能参数，利用电-热-机性能耦合计算模块计算得到其电场分布、温度分布及应力分布，然后利用盆式绝缘子三维有限元模型开展电场、温度场和应力场的解耦计算，最后利用深度学习网络模型对电-热-机多物理耦合场模拟数据进行学习，从而实现盆子最优化结构参数的非线性反演，获得盆式绝缘子最优结构参数，解决了相关技术开展型式试验所具有的弊端问题，可有效指导高电压等级盆式绝缘子结构设计，有效缩短高压盆式绝缘子的研发周期，降低产品研发成本和生产成本；此外，还有利于快速、准确对GIS/GIL高压电力设备中盆式绝缘子进行故障诊断及其模式识别。
在一种具体的实施方式中，可利用MATLAB中Newrbe函数设计径向基函数网络，M语言调用格式为net＝newrbe(p，t，spread)，其中p为盆式绝缘子均压装置输入向量，t为盆式绝缘子关键位置电-热-机解耦模拟结果输出向量，spread为径向基层的散布常数其设定值为1，输出为径向基网络，其权值和阈值满足输入和期望值关系要求。图14表明在MATLAB运行环境下M语言编制的PSO-RBF神经网络在三次迭代过程中均呈现逐渐下降而趋于稳定变化趋势具有较好收敛性，表明该联合算法适用于盆式绝缘子结构优化非线性映射场景。对于RBF神经网络最优结构参数非线性反演方法将盆式绝缘子均压罩表面最大电场强度E1、盆式绝缘子表面最大电场强度E2、盆式绝缘子本体与中心导体表面最大温度值T1、盆式绝缘子本体最大应力值S1作为输入向量p，盆式绝缘子本体结构参数作为输出向量t，RBF神经网络结构为4×6×3。关键部位设定电-热-机耦合模拟结果输入PSO-RBF网络，输出即为逆向优化设计结构参数。以图8所示的盆式绝缘子中心导体径向厚度D4、盆式绝缘子罩入深度D2+D3典型结构参数和盆式绝缘子均压罩最大电场强度E1、盆式绝缘子表面最大电场强度E2、盆式绝缘子本体与中心导体表面最大温度值T1、盆式绝缘子本体最大应力值S1为例说明PSO-RBF神经网络非线性映射效果如图15-18所示。
由图15-18可知，PSO-RBF神经网络对原始有限元计算数据点非线性拟合映射效果良好，在原本数据点基础上进行了较好延拓。将盆式绝缘子均压罩最大电场强度、盆子表面最大电场强度、盆子本体与中心导体表面最大温度值、盆子本体最大应力值组成目标向量[1800，800，60，35]输入PSO-RBF神经网络中进行非线性反演计算得到均压环结构参数输出向量为[D1＝952，D2+D3＝320，D4＝95]。优化后盆式绝缘子电场分布和应力分布如图19-20所示，满足控制标准要求。
本发明实施例还针对确定高压盆式绝缘子结构参数的计算机装置提供了相应的实现方法，进一步使得所述计算机更具有可行性。下面对本发明实施例提供的确定高压盆式绝缘子结构参数的方法进行介绍，下文描述的确定高压盆式绝缘子结构参数的方法与上文描述的确定高压盆式绝缘子结构参数的计算机装置可相互对应参照。
请参见图21，图21为本发明实施例提供的一种确定高压盆式绝缘子结构参数的方法的流程示意图，本发明实施例可包括以下内容：
S211：获取待测盆式绝缘子本体材料的性能参数，并得到各性能参数间的非线性关系。
性能参数数据包括电性能参数、热性能参数及机械性能参数。
S212：利用预先构建电-热-机性能耦合计算模型，得到待测盆式绝缘子的电场分布、温度分布及应力分布。
电-热-机性能耦合计算模型为基于有限元法和各性能参数间的非线性关系进行构建。
S213：利用预先构建的盆式绝缘子三维有限元模型分别在电场分布、温度分布及应力分布进行解耦计算。
S214：分别在电场模拟环境、温度场模拟环境和应力场模拟环境中对盆式绝缘子三维有限元模型在预设位置处进行模拟运算。
S215：利用预先构建的深度学习网络模型对仿真模拟结果进行非线性反演学习，得到待测盆式绝缘子的结构参数。
一种实施方式中，在深度学习网络模型在训练过程中利用粒子群算法优化径向基中心和基带宽度。深度学习网络模型还可为包括3个神经元的输入层、6个神经元的隐含层和4个神经元的输出层的RBF神经网络；RBF神经网络的输入为盆式绝缘子罩入深度、中心导体径向厚度及盆式绝缘子外径；RBF神经网络的输出为盆式绝缘子均压罩表面最大电场强度、盆式绝缘子表面最大电场强度、盆式绝缘子本体与中心导体表面最大温度值、盆式绝缘子本体最大应力值。
可选的，电-热-机性能耦合计算模型为基于有限元法和各性能参数间的非线性关系进行构建包括：
基于各性能参数间的非线性关系在电场计算环境中预先设置介电常数与温度的非线性关系、损耗角正切值与温度的非线性关系，并构建电场有限元计算模型；
基于各性能参数间的非线性关系在温度计算环境中预先设置导热系数与温度的非线性关系、热容量与温度的非线性关系，将从电场有限元计算模型获取的中心导体涡流发热数据和本体介质发热数据作为温度计算环境的边界条件，并构建温度场有限元计算模型；
基于中心导体涡流发热数据和本体介质发热数据，获取温度场有限元计算模型的温度分布信息，并根据温度分布信息为电场计算环境设置温度值以作为电场计算环境的边界条件，根据温度分布信息为应力计算环境设置有限元温度值以作为应力计算环境的边界条件；
基于各性能参数间的非线性关系在应力计算环境中预先设置中心导体热膨胀系数与温度的非线性关系、本体材料热膨胀系数与温度的非线性关系，构建应力场有限元计算模型；
基于待测盆式绝缘子本体材料的有限元温度，获取应力场有限元计算模型的应力值和位移值；
根据应力场有限元计算模型的有限位移值为电场计算环境设置边界条件。
本发明实施例所述确定高压盆式绝缘子结构参数的方法的各步骤的实现过程可以参照上述装置实施例的相关描述，此处不再赘述。
由上可知，本发明实施例克服了相关技术存在的弊端，可有效指导高压盆式绝缘子的结构设计。
本发明实施例还提供了一种确定高压盆式绝缘子结构参数的设备，具体可包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序以实现如上任意一实施例所述确定高压盆式绝缘子结构参数的方法的步骤。
本发明实施例所述确定高压盆式绝缘子结构参数的设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例克服了相关技术存在的弊端，可有效指导高压盆式绝缘子的结构设计。
本发明实施例还提供了一种计算机可读存储介质，存储有确定高压盆式绝缘子结构参数的程序，所述确定高压盆式绝缘子结构参数的程序被处理器执行时如上任意一实施例所述确定高压盆式绝缘子结构参数的方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例克服了相关技术存在的弊端，可有效指导高压盆式绝缘子的结构设计。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种确定高压盆式绝缘子结构参数的计算机装置、方法、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种确定高压盆式绝缘子结构参数的计算机装置，其特征在于，包括：
性能参数采集模块，用于获取待测盆式绝缘子本体材料的性能参数，并得到各性能参数间的非线性关系，所述性能参数包括电性能参数、热性能参数及机械性能参数；
电-热-机性能耦合计算模块，用于利用预先构建电-热-机性能耦合计算模型，得到所述待测盆式绝缘子的电场分布、温度分布及应力分布；所述电-热-机性能耦合计算模型为基于有限元法和各性能参数间的非线性关系进行构建；
多物理场解耦计算模块，用于利用预先构建的盆式绝缘子三维有限元模型分别在所述电场分布、所述温度分布及所述应力分布进行解耦计算；
仿真模拟模块，用于分别在电场模拟环境、温度场模拟环境和应力场模拟环境中对所述盆式绝缘子三维有限元模型在预设位置处进行模拟运算；
结构参数确定模块，用于利用预先构建的深度学习网络模型对仿真模拟结果进行非线性反演学习，得到所述待测盆式绝缘子的结构参数。
2.根据权利要求1所述的确定高压盆式绝缘子结构参数的计算机装置，其特征在于，还包括网络模型训练模块；所述网络模型训练模块包括：
模型框架构建子模块，用于构建所述深度学习网络模型结构框架，所述深度学习网络模型结构为包括设置有3个神经元的输入层、6个神经元的隐含层和4个神经元的输出层的RBF神经网络；所述RBF神经网络的输入为盆式绝缘子罩入深度、中心导体径向厚度及盆式绝缘子外径；所述RBF神经网络的输出为盆式绝缘子均压罩表面最大电场强度、盆式绝缘子表面最大电场强度、盆式绝缘子本体与中心导体表面最大温度值、盆式绝缘子本体最大应力值；
模型训练子模块，用于在所述深度学习网络模型训练过程中利用粒子群算法优化径向基中心和基带宽度。
3.根据权利要求2所述的确定高压盆式绝缘子结构参数的计算机装置，其特征在于，所述性能参数采集模块包括：
参数获取子模块，用于获取所述待测盆式绝缘子本体材料的介电常数、损耗角正切值、导热系数、弹性模量、泊松比和热膨胀系数；
非线性关系计算子模块，用于计算得到所述待测盆式绝缘子本体材料的导热系数、热容量分别与温度关系，介电性能参数随温度变化关系，热重试验、热膨胀系数分别随温度变化关系。
4.根据权利要求3所述的确定高压盆式绝缘子结构参数的计算机装置，其特征在于，所述仿真模拟模块为分别在中心导体、接地法兰、均压罩处对所述盆式绝缘子三维有限元模型进行仿真模拟的模块。
5.根据权利要求1-4任意一项所述的确定高压盆式绝缘子结构参数的计算机装置，其特征在于，还包括电-热-机性能耦合计算模型预构建模块，所述电-热-机性能耦合计算模型预构建模块包括：
电场计算环境搭建子模块，用于基于各性能参数间的非线性关系在电场计算环境中预先设置介电常数与温度的非线性关系、损耗角正切值与温度的非线性关系，并构建电场有限元计算模型；
温度计算环境搭建子模块，用于基于各性能参数间的非线性关系在温度计算环境中预先设置导热系数与温度的非线性关系、热容量与温度的非线性关系，将从所述电场有限元计算模型获取的中心导体涡流发热数据和本体介质发热数据作为温度计算环境的边界条件，并构建温度场有限元计算模型；
边界条件计算子模块，用于基于所述中心导体涡流发热数据和所述本体介质发热数据，获取所述温度场有限元计算模型的温度分布信息，并根据所述温度分布信息为所述电场计算环境设置温度值以作为所述电场计算环境的边界条件，根据所述温度分布信息为应力计算环境设置有限元温度值以作为所述应力计算环境的边界条件；
应力计算环境搭建子模块，用于基于各性能参数间的非线性关系在所述应力计算环境中预先设置中心导体热膨胀系数与温度的非线性关系、本体材料热膨胀系数与温度的非线性关系，构建应力场有限元计算模型；
应力参数计算子模块，用于基于所述待测盆式绝缘子本体材料的有限元温度，获取所述应力场有限元计算模型的应力值和位移值；
电场计算环境边界条件设置子模块，用于根据所述应力场有限元计算模型的有限位移值为所述电场计算环境设置边界条件。
6.一种确定高压盆式绝缘子结构参数的方法，其特征在于，包括：
获取待测盆式绝缘子本体材料的性能参数，并得到各性能参数间的非线性关系，所述性能参数数据包括电性能参数、热性能参数及机械性能参数；
利用预先构建电-热-机性能耦合计算模型，得到所述待测盆式绝缘子的电场分布、温度分布及应力分布；所述电-热-机性能耦合计算模型为基于有限元法和各性能参数间的非线性关系进行构建；
利用预先构建的盆式绝缘子三维有限元模型分别在所述电场分布、所述温度分布及所述应力分布进行解耦计算；
分别在电场模拟环境、温度场模拟环境和应力场模拟环境中对所述盆式绝缘子三维有限元模型在预设位置处进行模拟运算；
利用预先构建的深度学习网络模型对仿真模拟结果进行非线性反演学习，得到所述待测盆式绝缘子的结构参数。
7.根据权利要求6所述的确定高压盆式绝缘子结构参数的方法，其特征在于，所述深度学习网络模型在训练过程中利用粒子群算法优化径向基中心和基带宽度；
所述深度学习网络模型为包括设置有3个神经元的输入层、6个神经元的隐含层和4个神经元的输出层的RBF神经网络；所述RBF神经网络的输入为盆式绝缘子罩入深度、中心导体径向厚度及盆式绝缘子外径；所述RBF神经网络的输出为盆式绝缘子均压罩表面最大电场强度、盆式绝缘子表面最大电场强度、盆式绝缘子本体与中心导体表面最大温度值、盆式绝缘子本体最大应力值。
8.根据权利要求6或7所述的确定高压盆式绝缘子结构参数的方法，其特征在于，所述电-热-机性能耦合计算模型为基于有限元法和各性能参数间的非线性关系进行构建包括：
基于各性能参数间的非线性关系在电场计算环境中预先设置介电常数与温度的非线性关系、损耗角正切值与温度的非线性关系，并构建电场有限元计算模型；
基于各性能参数间的非线性关系在温度计算环境中预先设置导热系数与温度的非线性关系、热容量与温度的非线性关系，将从所述电场有限元计算模型获取的中心导体涡流发热数据和本体介质发热数据作为温度计算环境的边界条件，并构建温度场有限元计算模型；
基于所述中心导体涡流发热数据和所述本体介质发热数据，获取所述温度场有限元计算模型的温度分布信息，并根据所述温度分布信息为所述电场计算环境设置温度值以作为所述电场计算环境的边界条件，根据所述温度分布信息为应力计算环境设置有限元温度值以作为所述应力计算环境的边界条件；
基于各性能参数间的非线性关系在所述应力计算环境中预先设置中心导体热膨胀系数与温度的非线性关系、本体材料热膨胀系数与温度的非线性关系，构建应力场有限元计算模型；
基于所述待测盆式绝缘子本体材料的有限元温度，获取所述应力场有限元计算模型的应力值和位移值；
根据所述应力场有限元计算模型的有限位移值为所述电场计算环境设置边界条件。
9.一种确定高压盆式绝缘子结构参数的设备，其特征在于，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求6至8任一项所述确定高压盆式绝缘子结构参数的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有确定高压盆式绝缘子结构参数的程序，所述确定高压盆式绝缘子结构参数的程序被处理器执行时实现如权利要求6至8任一项所述确定高压盆式绝缘子结构参数的方法的步骤。
CN201910585399.7A 2019-07-01 2019-07-01 确定高压盆式绝缘子结构参数的计算机装置、设备及方法 Active CN110287629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910585399.7A CN110287629B (zh) 2019-07-01 2019-07-01 确定高压盆式绝缘子结构参数的计算机装置、设备及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910585399.7A CN110287629B (zh) 2019-07-01 2019-07-01 确定高压盆式绝缘子结构参数的计算机装置、设备及方法

Publications (2)

Publication Number Publication Date
CN110287629A true CN110287629A (zh) 2019-09-27
CN110287629B CN110287629B (zh) 2022-08-09

Family

ID=68021498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910585399.7A Active CN110287629B (zh) 2019-07-01 2019-07-01 确定高压盆式绝缘子结构参数的计算机装置、设备及方法

Country Status (1)

Country Link
CN (1) CN110287629B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111143979A (zh) * 2019-12-16 2020-05-12 国网上海市电力公司 存储器、盆式绝缘子热力学模型构建方法、装置和设备
CN111597748A (zh) * 2020-05-22 2020-08-28 中国矿业大学 一种基于gil热特性实现故障判定的方法
CN111914461A (zh) * 2020-09-08 2020-11-10 北京航空航天大学 一种涡轮导叶片一维冷效的智能评估方法
CN112395792A (zh) * 2020-11-12 2021-02-23 国网浙江省电力有限公司电力科学研究院 基于Isight软件的电网支柱瓷绝缘子材料匹配优化方法
CN112701786A (zh) * 2020-12-21 2021-04-23 盘锦广利达电气有限公司 一种220kV及以下电压等级橇装电控一体化变电站
CN112765861A (zh) * 2020-12-30 2021-05-07 广东电网有限责任公司电力科学研究院 高压开关设备过热缺陷的温度特征曲线获取方法及系统
CN113204887A (zh) * 2021-05-17 2021-08-03 上海交通大学 一种电力装备的多物理场多参数反演方法
CN113378375A (zh) * 2021-06-08 2021-09-10 云南电网有限责任公司电力科学研究院 一种变压器绝缘结构的故障预测方法、装置、设备及介质
CN113532658A (zh) * 2021-09-15 2021-10-22 南方电网科学研究院有限责任公司 Gis触头过热故障检测方法及装置
CN116859191A (zh) * 2023-06-21 2023-10-10 武汉大学 直流盆式绝缘子电场控制阈值计算系统和方法
CN117351022A (zh) * 2023-12-06 2024-01-05 长沙能川信息科技有限公司 一种基于复杂环境下的输电线路绝缘子缺陷检测方法
WO2024103520A1 (zh) * 2022-11-17 2024-05-23 广东电网有限责任公司 一种用于混合气体绝缘的绝缘子结构设计方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7933679B1 (en) * 2007-10-23 2011-04-26 Cessna Aircraft Company Method for analyzing and optimizing a machining process
CN103235517A (zh) * 2013-04-18 2013-08-07 东北大学 电感耦合式高频无极灯仿真装置及方法
CN108319781A (zh) * 2018-02-01 2018-07-24 清华大学 一种基于多物理场的gis/gil内部绝缘件优化方法
CN108416178A (zh) * 2018-05-02 2018-08-17 南京航空航天大学 一种机械弹性车轮结构参数优化设计方法
CN109738512A (zh) * 2019-01-08 2019-05-10 重庆大学 基于多物理场融合的无损检测系统及方法
CN109783885A (zh) * 2018-12-25 2019-05-21 山东师范大学 一种智能功率模块多物理场耦合仿真分析方法及系统
CN109872779A (zh) * 2019-01-30 2019-06-11 郑州大学 一种微系统金属互联结构可靠性评估方法
CN109918831A (zh) * 2019-03-21 2019-06-21 大连理工大学 一种基于预测模型的局部应变全局化预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7933679B1 (en) * 2007-10-23 2011-04-26 Cessna Aircraft Company Method for analyzing and optimizing a machining process
CN103235517A (zh) * 2013-04-18 2013-08-07 东北大学 电感耦合式高频无极灯仿真装置及方法
CN108319781A (zh) * 2018-02-01 2018-07-24 清华大学 一种基于多物理场的gis/gil内部绝缘件优化方法
CN108416178A (zh) * 2018-05-02 2018-08-17 南京航空航天大学 一种机械弹性车轮结构参数优化设计方法
CN109783885A (zh) * 2018-12-25 2019-05-21 山东师范大学 一种智能功率模块多物理场耦合仿真分析方法及系统
CN109738512A (zh) * 2019-01-08 2019-05-10 重庆大学 基于多物理场融合的无损检测系统及方法
CN109872779A (zh) * 2019-01-30 2019-06-11 郑州大学 一种微系统金属互联结构可靠性评估方法
CN109918831A (zh) * 2019-03-21 2019-06-21 大连理工大学 一种基于预测模型的局部应变全局化预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
M.GHESSEMI: "Geometrical Techniques for Electric Field Control in （Ultra) Wide Bandgap Power Electronics Modules", 《2018 IEEE ELECTRICAL INSULATION CONFERENCE(EIC)》 *
夏轩 等: "改进的粒子群算法对RBF神经网络的优化", 《计算机工程与应用》 *
张施令 等: "高压交流盆式绝缘子电热场模拟与绝缘事故分析", 《高电压技术》 *
杜进桥 等: "特高压交流盆式绝缘子电场分布计算及屏蔽罩结构优化", 《高电压技术》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111143979A (zh) * 2019-12-16 2020-05-12 国网上海市电力公司 存储器、盆式绝缘子热力学模型构建方法、装置和设备
CN111597748A (zh) * 2020-05-22 2020-08-28 中国矿业大学 一种基于gil热特性实现故障判定的方法
CN111597748B (zh) * 2020-05-22 2024-05-17 中国矿业大学 一种基于gil热特性实现故障判定的方法
CN111914461A (zh) * 2020-09-08 2020-11-10 北京航空航天大学 一种涡轮导叶片一维冷效的智能评估方法
CN112395792A (zh) * 2020-11-12 2021-02-23 国网浙江省电力有限公司电力科学研究院 基于Isight软件的电网支柱瓷绝缘子材料匹配优化方法
CN112395792B (zh) * 2020-11-12 2024-05-10 国网浙江省电力有限公司电力科学研究院 基于Isight软件的电网支柱瓷绝缘子材料匹配优化方法
CN112701786A (zh) * 2020-12-21 2021-04-23 盘锦广利达电气有限公司 一种220kV及以下电压等级橇装电控一体化变电站
CN112765861B (zh) * 2020-12-30 2023-06-20 广东电网有限责任公司电力科学研究院 高压开关设备过热缺陷的温度特征曲线获取方法及系统
CN112765861A (zh) * 2020-12-30 2021-05-07 广东电网有限责任公司电力科学研究院 高压开关设备过热缺陷的温度特征曲线获取方法及系统
CN113204887A (zh) * 2021-05-17 2021-08-03 上海交通大学 一种电力装备的多物理场多参数反演方法
CN113204887B (zh) * 2021-05-17 2023-08-25 上海交通大学 一种电力装备的多物理场多参数反演方法
CN113378375B (zh) * 2021-06-08 2023-04-28 云南电网有限责任公司电力科学研究院 一种变压器绝缘结构的故障预测方法、装置、设备及介质
CN113378375A (zh) * 2021-06-08 2021-09-10 云南电网有限责任公司电力科学研究院 一种变压器绝缘结构的故障预测方法、装置、设备及介质
CN113532658A (zh) * 2021-09-15 2021-10-22 南方电网科学研究院有限责任公司 Gis触头过热故障检测方法及装置
WO2024103520A1 (zh) * 2022-11-17 2024-05-23 广东电网有限责任公司 一种用于混合气体绝缘的绝缘子结构设计方法及装置
CN116859191A (zh) * 2023-06-21 2023-10-10 武汉大学 直流盆式绝缘子电场控制阈值计算系统和方法
CN117351022B (zh) * 2023-12-06 2024-03-08 长沙能川信息科技有限公司 一种基于复杂环境下的输电线路绝缘子缺陷检测方法
CN117351022A (zh) * 2023-12-06 2024-01-05 长沙能川信息科技有限公司 一种基于复杂环境下的输电线路绝缘子缺陷检测方法

Also Published As

Publication number Publication date
CN110287629B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN110287629A (zh) 确定高压盆式绝缘子结构参数的计算机装置、设备及方法
Weller Controlling the computational modes of the arbitrarily structured C grid
Papadopoulos et al. Black‐box dynamic equivalent model for microgrids using measurement data
Garcia et al. An iterative solution for electrically large problems combining the characteristic basis function method and the multilevel fast multipole algorithm
Mudunkotuwa et al. Development of a hybrid simulator by interfacing dynamic phasors with electromagnetic transient simulation
Teo et al. Dynamic electrochemical impedance spectroscopy of lithium-ion batteries: Revealing underlying physics through efficient joint time-frequency modeling
CN103440497B (zh) 一种gis绝缘缺陷局部放电图谱模式识别方法
Cao et al. Hadoop‐based framework for big data analysis of synchronised harmonics in active distribution network
Zheng et al. Distributed multi‐area load flow for multi‐microgrid systems
Ran et al. Probabilistic evaluation for static voltage stability for unbalanced three‐phase distribution system
Wang et al. Applying probabilistic collocation method to power flow analysis in networks with wind farms
Yang et al. Multi-step prediction of strong earthquake ground motions and seismic responses of SDOF systems based on EMD-ELM method
Perrie et al. A two-scale approximation for wave–wave interactions in an operational wave model
Xiang et al. Reduced-order modeling of piezoelectric energy harvesters with nonlinear circuits under complex conditions
Vieyra et al. Effective dynamic state estimation algorithm for islanded microgrid structures based on singular perturbation theory
Guo et al. An edge-based smoothed finite element method for the assessment of human exposure to extremely low frequency electric fields
Chevalier et al. Accelerated probabilistic power flow in electrical distribution networks via model order reduction and Neumann series expansion
Sun et al. Analytical modeling and damping optimization for a thin plate partially covered with hard coating
Carpinteri et al. An augmented Lagrangian element-free (ALEF) approach for crack discontinuities
Wu et al. A novel approach for the incorporation of arbitrary linear lumped network into FDTD method
Barukčić et al. The evolutionary optimization approach for voltage profile estimation in a radial distribution network with a decreased number of measurements
CN105678014A (zh) 一种气体介质的储能特征与放电电压预测方法
Malik Reduced Order Modeling for Smart Grids’ Simulation and Optimization
Malekian et al. Analysis and modeling of time-varying harmonics in frequency domain
Barari et al. Analytical evaluation of beam deformation problem using approximate methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant