CN113392593B - 一种换流变压器温度场数字孪生模型构建方法 - Google Patents
一种换流变压器温度场数字孪生模型构建方法 Download PDFInfo
- Publication number
- CN113392593B CN113392593B CN202110822045.7A CN202110822045A CN113392593B CN 113392593 B CN113392593 B CN 113392593B CN 202110822045 A CN202110822045 A CN 202110822045A CN 113392593 B CN113392593 B CN 113392593B
- Authority
- CN
- China
- Prior art keywords
- temperature field
- matrix
- digital twin
- converter transformer
- 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.)
- Active
Links
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种换流变压器温度场数字孪生模型构建方法。构建换流变压器的全尺寸模型并施加边界条件,进一步求解得到不同时刻的温度场分布且形成瞬像矩阵。将独立分布的高斯随机测量矩阵作为观测矩阵,对原瞬像矩阵进行压缩。基于动态模态分解法,提取压缩后的瞬像矩阵的模态,并计算各阶模态的能量比。以基于模态重构后的温度场信息与原温度场信息与误差小于5%且重构时间在秒级作为判据确定最终构建数字孪生模型时所需的模态阶数,不通过则重新选取重构所用的模态阶数,通过则将模态重构出的温度场模型作为温度场数字孪生模型。本发明能服务于换流变压器温度场数字孪生模型的构建,实现实时精确的掌握换流变运行状态。
Description
技术领域
本发明涉及电力设备状态评估领域,尤其换流变压器数字孪生模型构建领域。
背景技术
得益于建模技术、传感器精度及通信效率的蓬勃发展,数字孪生在多个行业的应用迎来了井喷式增长。目前,数字孪生在航天航空、智慧城市、智能制造等领域已成功应用,并取得了显著效益。在电力行业,为电力装备构建多物理场数字孪生模型,积累全生命周期的多物理数据,对于开展电力装备的数字化、智能化发展具有重要意义。换流变压器是高压直流输电线路中的核心设备,研究其运行过程中的温度场分布特性以及热点温升是评估变压器热绝缘寿命的关键步骤,也为换流变压器结构的优化设计提供重要参考。当前的方法包括红外成像、光纤测温等方式都难以直观且全面的反映换流变温度场分布特性。因此,构建换流变温度场数字孪生模型,实时、精确地掌握其温度场分布,反映其运行状态,具有重要的意义。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种换流变压器温度场数字孪生模型构建方法,以构建出高计算效率的温度场计算模型。
本发明采用的技术方案如下:
一种换流变压器温度场数字孪生模型构建方法,包括:
构建换流变压器的全尺寸模型,对所述全尺寸模型施加边界条件,求解得到不同时刻的温度场分布,形成瞬像矩阵;
以独立分布的高斯随机测量矩阵作为观测矩阵,对所述瞬像矩阵进行压缩;
利用动态模态分解法提取压缩后的瞬像矩阵的模态,并计算模态能量比分布;
基于所提取的模态,选取预定量的、能量比达到预定值的模态,重构原温度场信息,得到温度场计算降阶模型;
对所述温度场计算降阶模型进行验证,若验证通过,则将所述温度场计算降阶模型作为温度场数字孪生模型,否则重新选择模态重构温度场计算降阶模型,直至验证通过。
上述方法对瞬像矩阵进行压缩,进一步从压缩的瞬像矩阵中提取模态进行重构,利用温度场计算降阶模型进行温度场分布重构,具有计算量小、计算准确率高、计算效率高的特点。
进一步的,所述瞬像矩阵为:
式中,xi为第i个时刻的温度场分布,X和X'∈Rm×n,m为瞬像的维度,n为瞬像数目,A为相邻时刻温度场间的线性关系矩阵,温度场采样时间间隔为Δt。
进一步的,所述以独立分布的高斯随机测量矩阵作为观测矩阵,对所述瞬像矩阵进行压缩,包括:
生成独立分布的高斯随机测量矩阵C∈Rq×m,其中,m是瞬像的维度,q是压缩后的维度;
对所述瞬像矩阵进行压缩的过程为:
Y=CX,Y'=CX' (2)
其中,Y,Y'∈Rq×n,以Y和Y'代替X和X'实现对瞬像矩阵的压缩。
进一步的,利用动态模态分解法提取压缩后的瞬像矩阵的模态,包括:
Y和Y'之间满足线性算子AY,
Y'=AYY (3)
对Y进行奇异值分解,且只保留R阶,R<<K,K为线性算子AY=Y'·Y-1的阶数:
Y=UY∑YVY T (4)
式中,UY为Y的左奇异矩阵,VY为Y的右奇异矩阵,∑Y为Y的奇异值矩阵;
存在:
根据式(6)求取AY的特征向量即为压缩后的瞬像矩阵的模态:
进一步的,所述计算模态能量比分布,包括:
有Y'=ΦYWY -1ΣYVY T=ΦYD (8)
式中,矩阵D是Y'矩阵中温度场瞬像在DMD模态上投影得到的系数,以矩阵D的行范数作为不同阶DMD模态的能量比。
进一步的,所述重构原温度场信息,包括:
以式(12)重构原温度场信息的DMD模态:
yi+1=ΦYΛY iB (12)
式中,ΛY是对角矩阵,其对角线上元素是AY的特征值,B为DMD模态振幅。
进一步的,所述选取预定量的、能量比达到预定值的模态,包括:
以能量比由大到小的顺序对提取的模态进行排序,选取排序前预定数量的模态。
进一步的,对所述温度场计算降阶模型进行验证,包括:
验证所述温度场计算降阶模型的计算时间和计算误差,在所述计算时间和计算误差均满足预定要求时,验证通过。
进一步的,对应于计算时间的预定要求为:在秒级时间内计算出温度场信息;对应于计算误差的预定要求为:所述温度场计算降阶模型重构出的温度场数值与原温度场数值之间的误差小于5%。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、当前的方法包括红外成像、光纤测温等方式难以直观且全面的反映换流变温度场分布特性,本发明的换流变压器温度场数字孪生模型构建方法,可以构建出能够直观反映换流变温度场的分布特性。
2、基于换流变全尺度模型进行温度场数值计算时,我们得到的温度场信息的温度场瞬像矩阵的数据量是巨大的,如果直接对其进行处理往往受到计算资源的限制。本发明利用压缩感知的思想,设置测量矩阵,对原有瞬像矩阵进行压缩,可显著提高计算效率。
3、基于动态模态分解法处理温度场的瞬像矩阵,提取其模态以构建温度场计算降阶模型,降阶模型基于模态的变化趋势可以快速计算出未来时刻的温度场分布,为数字孪生的时效性提供方法基础。
4、本发明设计了验证环节,给出了从计算时效性和计算精度方面两个方向考虑对降阶模型能否作为温度场数字孪生模型的判据,可以确保最终生成模型的计算时效性和计算精度。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是换流变压器温度场数字孪生模型构建方法的流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
实施例一
如图1所示,本发明公开了一种换流变压器温度场数字孪生模型构建方法,包括以下流程:
A.构建换流变压器的全尺寸模型,对所述全尺寸模型施加边界条件,求解得到不同时刻的温度场分布,形成瞬像矩阵。
瞬像矩阵为:
式中,xi为第i个温度场瞬像,即储存着换流变压器第i个时刻的温度场分布;X和X'∈Rm×n,m代表瞬像的维度,即数值计算中网格点的数目,n代表瞬像数目,即温度场数值计算过程中采样时刻数目;A为相邻时刻温度场间的线性关系矩阵;温度场采样时间间隔为Δt(本实施例以相同的周期进行温度场采样)。
B.以独立分布的高斯随机测量矩阵作为观测矩阵,对所述瞬像矩阵进行压缩。
首先生成一个独立分布的高斯随机测量矩阵C∈Rq×m,其中,m是测量矩阵(也叫压缩矩阵)C的列数,也就是瞬像的维度;q是采样点数,也就是压缩后低维空间的维度,q越小表示初始的瞬像矩阵被压缩的程度越大。
将压缩过程表示为:
Y=CX,Y'=CX' (2)
其中,Y,Y'∈Rq×n,以Y和Y'代替X和X'实现对瞬像矩阵的压缩。
C.利用动态模态分解法提取压缩后的瞬像矩阵的模态,并计算模态能量比分布。
上述利用动态模态分解法提取压缩后的瞬像矩阵的模态,包括:
设Y和Y'之间满足线性算子AY,
Y'=AYY (3)
其中,AY=Y'·Y-1,因为Y'·Y-1的阶数较高,设为K,直接求解其特征值和特征向量较为困难,因此,对Y进行奇异值分解,且只保留R阶,且R<<K。保留的阶数可基于模态重构后的温度场信息与原温度场信息与误差小于5%且重构时间在秒级作为判据确定。
得到:
Y=UY∑YVY T (4)
式中,UY为Y的左奇异矩阵,VY为Y的右奇异矩阵,∑Y仅在对角线上有值,且称之为奇异值,∑Y则称之为奇异值矩阵。
基于上述变化可以得到AY的特征向量,即低维空间的模态为:
式(7)所示的即为基于动态模态分解法得到的温度场在低维空间的模态。
进一步的,上述的计算模态能量比分布,包括:
有
Y'=ΦYWY -1ΣYVY T=ΦYD (8)
认为矩阵D是Y'矩阵中温度场瞬像在DMD模态上投影得到的系数,该矩阵的行对应着DMD模态的阶数,列对应着不同时刻。因此,可以将D矩阵的行范数作为不同阶DMD模态的能量比。
D.基于所提取的模态,选取预定量的、能量比达到预定值的模态,重构原温度场信息,得到温度场计算降阶模型。
在提取出模态后,以下述方法重构原温度场信息:
ΛY是对角矩阵,其对角线上元素是AY的特征值。
yi+1=ΦYΛY iΦY -1y1 (10)
考虑将第一个温度场瞬像投影到DMD模态上,即:
y1=ΦYB (11)
其中B为称为DMD模态振幅,
因此,得到重构流场的一种表述方式,
yi+1=ΦYΛY iB (12)
需要说明的是,在重构原温度场信息(即DMD模态)时,并不一定需要使用提取的所有DMD模态,只需要旋转几个重点关注的高能量比模态进行对原温度场的重构。
E.对所述温度场计算降阶模型进行验证,若验证通过,则将所述温度场计算降阶模型作为温度场数字孪生模型,否则重新选择模态重构温度场计算降阶模型,直至验证通过。
验证过程包括对计算时间的验证和计算误差的验证,在两者均满足预定要求时,则表示验证通过,温度场数字孪生模型构建成功。在两者有一者不满足预定要求时,则重复提取模态-重构温度场计算降阶模型-验证模型的过程,直至最后重构出的温度场计算降阶模型验证通过。
在一些实施例中,对应于计算时间的预定要求为:在秒级时间内计算出温度场信息;对应于计算误差的预定要求为:温度场计算降阶模型重构出的温度场数值与原温度场数值之间的误差小于5%。
实施例二
本实施例公开了一种换流变压器温度场数字孪生模型构建方法,该方法与实施例一中的换流变压器温度场数字孪生模型构建方法大致相同,且对其进行了进一步限定。在本实施例中,对所提取的模态进行选取的方法为:随机选取预定数量的、能量比达到预定值的模态。
实施例三
本实施例公开了另一种换流变压器温度场数字孪生模型构建方法,该方法与实施例二中的换流变压器温度场数字孪生模型构建方法大致相同,唯一不同之处在于对所提取的模态进行选取的方法。
在本实施例中,在计算模态能量比时,以能量比由大到小的顺序对提取的模态进行排序,在重构温度场计算降阶模型时,选取排序最前的预定数量的模态。
实施例四
本实施例还公开了一种换流变压器温度场预测方法,其包括:
采用上述任一实施例的换流变压器温度场数字孪生模型构建方法构建温度场数字孪生模型。
利用该温度场数字孪生模型计算未来预定时刻的温度场分布。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (9)
1.一种换流变压器温度场数字孪生模型构建方法,其特征在于,包括:
构建换流变压器的全尺寸模型,对所述全尺寸模型施加边界条件,求解得到不同时刻的温度场分布,形成瞬像矩阵;
以独立分布的高斯随机测量矩阵作为观测矩阵,对所述瞬像矩阵进行压缩;
利用动态模态分解法提取压缩后的瞬像矩阵的模态,并计算模态能量比分布;
基于所提取的模态,选取预定量的、能量比达到预定值的模态,重构原温度场信息,得到温度场计算降阶模型;
对所述温度场计算降阶模型进行验证,若验证通过,则将所述温度场计算降阶模型作为温度场数字孪生模型,否则重新选择模态重构温度场计算降阶模型,直至验证通过。
3.如权利要求2所述的换流变压器温度场数字孪生模型构建方法,其特征在于,所述以独立分布的高斯随机测量矩阵作为观测矩阵,对所述瞬像矩阵进行压缩,包括:
生成独立分布的高斯随机测量矩阵C∈Rq×m,其中,m是瞬像的维度,q是压缩后的维度;
对所述瞬像矩阵进行压缩的过程为:
Y=CX,Y'=CX' (2)
其中,Y,Y'∈Rq×n,以Y和Y'代替X和X'实现对瞬像矩阵的压缩。
5.如权利要求4所述的换流变压器温度场数字孪生模型构建方法,其特征在于,所述计算模态能量比分布,包括:
有Y'=ΦYWY -1ΣYVY T=ΦYD (8)
式中,矩阵D是Y'矩阵中温度场瞬像在DMD模态上投影得到的系数,以矩阵D的行范数作为不同阶DMD模态的能量比。
6.如权利要求5所述的换流变压器温度场数字孪生模型构建方法,其特征在于,所述重构原温度场信息,包括:
以式(12)重构原温度场信息的DMD模态:
yi+1=ΦYΛY iB (12)
式中,ΛY是对角矩阵,其对角线上元素是AY的特征值,B为DMD模态振幅。
7.如权利要求6所述的换流变压器温度场数字孪生模型构建方法,其特征在于,所述选取预定量的、能量比达到预定值的模态,包括:
以能量比由大到小的顺序对提取的模态进行排序,选取排序前预定数量的模态。
8.如权利要求1所述的换流变压器温度场数字孪生模型构建方法,其特征在于,对所述温度场计算降阶模型进行验证,包括:
验证所述温度场计算降阶模型的计算时间和计算误差,在所述计算时间和计算误差均满足预定要求时,验证通过。
9.如权利要求8所述的换流变压器温度场数字孪生模型构建方法,其特征在于,对应于计算时间的预定要求为:在秒级时间内计算出温度场信息;对应于计算误差的预定要求为:所述温度场计算降阶模型重构出的温度场数值与原温度场数值之间的误差小于5%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822045.7A CN113392593B (zh) | 2021-07-21 | 2021-07-21 | 一种换流变压器温度场数字孪生模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822045.7A CN113392593B (zh) | 2021-07-21 | 2021-07-21 | 一种换流变压器温度场数字孪生模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392593A CN113392593A (zh) | 2021-09-14 |
CN113392593B true CN113392593B (zh) | 2023-03-31 |
Family
ID=77626811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110822045.7A Active CN113392593B (zh) | 2021-07-21 | 2021-07-21 | 一种换流变压器温度场数字孪生模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392593B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230334201A1 (en) * | 2022-04-18 | 2023-10-19 | Applied Materials, Inc. | Machine learning model based controller for rapid thermal processing chamber |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881629A (zh) * | 2020-06-19 | 2020-11-03 | 西北工业大学 | 一种气动热-结构热传导耦合非线性降阶模型方法 |
CN112597628A (zh) * | 2020-11-30 | 2021-04-02 | 广西电网有限责任公司电力科学研究院 | 一种变压器温升估计的方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563042A (zh) * | 2017-08-29 | 2018-01-09 | 华北电力大学(保定) | 一种考虑温度梯度的换流变压器复合电场计算方法 |
CN111859534B (zh) * | 2020-06-19 | 2023-12-26 | 空气动力学国家重点实验室 | 热气动弹性分析适用的热固耦合结构动力学降阶模型方法 |
CN112100874B (zh) * | 2020-07-24 | 2022-12-06 | 西安交通大学 | 基于数字孪生的转子叶片健康监测方法和监测系统 |
CN112052562B (zh) * | 2020-08-04 | 2023-08-25 | 三峡大学 | 一种高频大功率三相变压器设计方法 |
CN112685949A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器健康预测方法 |
-
2021
- 2021-07-21 CN CN202110822045.7A patent/CN113392593B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881629A (zh) * | 2020-06-19 | 2020-11-03 | 西北工业大学 | 一种气动热-结构热传导耦合非线性降阶模型方法 |
CN112597628A (zh) * | 2020-11-30 | 2021-04-02 | 广西电网有限责任公司电力科学研究院 | 一种变压器温升估计的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113392593A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113392593B (zh) | 一种换流变压器温度场数字孪生模型构建方法 | |
Wang et al. | Double compression detection based on feature fusion | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN115455793A (zh) | 基于多尺度模型修正的高层结构复杂构件受力分析方法 | |
CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN115392029A (zh) | 一种基于kwltsa的锂电池热工艺时空建模方法 | |
CN114969060A (zh) | 一种工业设备时序数据压缩存储方法、装置 | |
CN114168574A (zh) | 一种面向工业负荷的数据缺失处理方法及装置 | |
CN117688316A (zh) | 一种用于飞机载荷预测的数据降维处理方法 | |
CN117036570B (zh) | 一种3d点云模型贴图的自动生成方法及系统 | |
CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
CN116595363A (zh) | 预测方法、装置、设备、存储介质和计算机程序产品 | |
CN116402766A (zh) | 一种结合卷积神经网络和Transformer的遥感影像变化检测方法 | |
Mandelli et al. | An overview of reduced order modeling techniques for safety applications | |
CN117975174B (zh) | 一种基于改进vqgan的三维数字岩心重构方法 | |
CN112699608B (zh) | 适用于传感器掉电导致数据缺失的时间序列修复方法 | |
CN116933445B (zh) | 面向模锻设备的数字孪生模型构建方法及系统 | |
JP2005133115A (ja) | 高炉操業における操業監視方法、装置、及びコンピュータプログラム | |
CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
CN117911662B (zh) | 基于深度霍夫投票的数字孪生场景语义分割方法及系统 | |
CN112464441B (zh) | 一种电子产品多维向量加速因子表征方法 | |
CN117975174A (zh) | 一种基于改进vqgan的三维数字岩心重构方法 | |
Cao et al. | High-Resolution Reconstruction Model for Spatial Temperature Distribution in Grain Storage Based on 3DSRCNN_Resnet | |
Bogaerts et al. | A Machine Learning Approach For the Inverse Quantification of Set-Theoretical Uncertainty | |
CN117274122A (zh) | 基于深度图像融合的车辆模型搭建方法及系统 |
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 |