CN115455832A - 一种换流变压器出线装置多目标结构优化方法 - Google Patents

一种换流变压器出线装置多目标结构优化方法 Download PDF

Info

Publication number
CN115455832A
CN115455832A CN202211133751.1A CN202211133751A CN115455832A CN 115455832 A CN115455832 A CN 115455832A CN 202211133751 A CN202211133751 A CN 202211133751A CN 115455832 A CN115455832 A CN 115455832A
Authority
CN
China
Prior art keywords
converter transformer
layer
outlet device
oil
outgoing
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.)
Pending
Application number
CN202211133751.1A
Other languages
English (en)
Inventor
张施令
宫林
邓保家
杨华夏
代靓君
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 CN202211133751.1A priority Critical patent/CN115455832A/zh
Publication of CN115455832A publication Critical patent/CN115455832A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明涉及换流变压器技术领域，公开了一种换流变压器出线装置多目标结构优化方法，包括以下步骤：S1，处理油浸纸的性能参数：对换流变压器出线装置的油浸纸介电谱频率依赖特性进行拟合，得到介电参数随电力设备频率f和油浸纸温度T变化的定量变化关系；S2，结构优化：将步骤S1得到的定量变化关系用于不同温度区域，得到不同温度区域的介电常数；然后对介电常数进行赋值化处理，获得多物理场参数；再基于多物理场参数，设定换流变压器出线装置结构。本发明解决了现有技术存在的结构优化效果差、计算效率低等问题。

Description

一种换流变压器出线装置多目标结构优化方法
技术领域
本发明涉及换流变压器技术领域，具体是一种换流变压器出线装置多 目标结构优化方法。
背景技术
换流变压器简称换流变。特高压换流变套管尾部包含油浸纸芯子、变 压器油、板等多种绝缘介质，且换流变套管升高座内空间狭小，因此套管 尾部电场分布较为复杂和集中，需安装结构合理的出线装置改善套管尾部 的电场分布。
现场条件下，直流稳态和极性反转是换流变套管出线装置复合绝缘的 两种典型运行状态。另一方面，油浸纸、变压器油、板等介质的电性能参 数具有较强的场变、温变非线性，因此在温度梯度存在时，其电性能参数 的改变将影响复合绝缘的直流稳态和极性反转电场。
换流变套管尾部出线结构是换流变套管油中载流端子与换流变压器中 高压引出线的连接结构，其对保证高压套管的载流性能和套管尾部的绝缘 特性具有重要作用。对于特高压换流变套管来说，电压等级高、载流量大， 且在特高压套管尾部集中了电容芯子油中端部、均压球等结构，还存在金 属导体、变压器油、绝缘等介质。实际换流变套管出线装置计算模型中包 括变压器油(OIL)、(OIP)和油浸纸(RIP)3种复合绝缘介质。
特高压换流变套管的电场与温度场计算对绝缘结构设计及优化具有指 导作用。开展电场计算需获取套管主绝缘材料复介电常数实部的具体数值， 开展热场计算则需套管主绝缘材料介质损耗角正切值与温度、频率的变化 关系。因此，需对油浸纸开展介电性能测量，并选取合适的理论模型，对 实测数据进行拟合处理，确定理论模型各个特征参数，得到介电性能参数 与温度、频率的定量表达式。
然而，现有技术在进行换流变压器出线装置结构优化时，往往仅依靠 经验进行分析，未考虑到油浸纸的温度、换流变压器出线装置的频率对油 浸纸介电常数的影响，从而导致数据分析准确度差、结构优化效果差；而 且，在进行计算处理时，利用很大的有限元区域数据进行分析，从而导致 收敛速度慢、计算效率低的问题。
发明内容
为克服现有技术的不足，本发明提供了一种换流变压器出线装置多目 标结构优化方法，解决现有技术存在的结构优化效果差、计算效率低等问 题。
本发明解决上述问题所采用的技术方案是：
一种换流变压器出线装置多目标结构优化方法，包括以下步骤：
S1，处理油浸纸的性能参数：对换流变压器出线装置的油浸纸介电谱 频率依赖特性进行拟合，得到介电参数随电力设备频率f和油浸纸温度T变 化的定量变化关系；
S2，结构优化：将步骤S1得到的定量变化关系用于不同温度区域，得 到不同温度区域的介电常数；然后对介电常数进行赋值化处理，获得多物 理场参数；再基于多物理场参数，设定换流变压器出线装置结构。
作为一种优选的技术方案，步骤S1包括以下步骤：
S11，测量油浸纸的玻璃化转变温度Tg、频谱曲线、温谱曲线，做出介 电常数实部ε′和虚部ε″关于频率f和温度T的三维关系，从而得到介电谱图；
S12，对介电谱图进行逆向非线性数值拟合，拟合方法为：先拟合介电 常数虚部ε″数据，获取拟合参数近似值，并构建以介电谱图作为输入的H-N 方程；然后通过最小二乘法对H-N方程进行求解，拟合过程中按照直流电 导极化、α极化和β极化的次序；最后再应用介电常数实部ε′数据拟合得到 的H-N曲线。
作为一种优选的技术方案，步骤S12中，将介电谱图按温度T分为低温 区、中温区、高温区三个区域进行拟合，低温区、中温区、高温区对应的 温度范围分别为20～60℃、70～110℃、120～170℃。
作为一种优选的技术方案，步骤S2中，以静电板绝缘层作为决策变量 x，以出线装置绝缘层的多个区域的最小绝缘裕度作为目标函数，求解目 标函数的最优解，通过各目标函数加权获得出线装置绝缘层的结构优化问 题的评价函数φ(x)。
作为一种优选的技术方案，决策变量x的取值范围满足以下条件：
Ω1＝{7≤x1≤9,4≤x2≤7,11≤x3≤35,12≤x4≤35}，
和/或，
Ω2＝{6≤x5≤18,2≤x6≤6,2≤x7≤11,2≤x8≤7}；
其中，Ω1、Ω2为决策变量的取值空间，x1为静电板左侧的包覆层厚度， x2为静电板右侧的包覆层厚度，x3为静电板电极上端面倒角半径，x4为包覆 层上端左侧的半径，x5为包覆层上端右侧的半径，x6为静电板电极下端面倒 角半径，x7为包覆层下端左侧的半径，x8为包覆层下端右侧的半径， x1,x2,x3,x4,x5,x6,x7,x8的单位均为mm。
作为一种优选的技术方案，评价函数φ(x)如下：
φ(x)＝ω1f1(x)+ω2f2(x)+ω3f3(x)+ω4f4(x)；
其中，f1(x)、f2(x)、f3(x)、f4(x)分别表示出线装置绝缘层的四个区域 的最小绝缘裕度，ω1、ω2、ω3、ω4分别表示f1(x)、f2(x)、f3(x)、f4(x)的权 重系数。
作为一种优选的技术方案，步骤S2中，粒子群优化算法步骤，将出线 装置的决策变量x作为粒子群优化算法中的搜索空间，将评价函数φ(x)作为 优化算法的适应度，求解评价函数φ(x)的全局最小值，从而将出线装置绝缘 结构的优化问题转化为多维搜索空间中的粒子群最优化问题。
作为一种优选的技术方案，粒子群优化算法中，参数的选择方法包括：
Figure BDA0003851029950000041
Figure BDA0003851029950000042
Figure BDA0003851029950000043
Figure BDA0003851029950000044
Figure BDA0003851029950000045
式中，C1和C2是两个正常数，称为学习因子；r1和r2为[0,1]区间内的 随机数，
Figure BDA0003851029950000046
是粒子在d坐标方向上的速度限值。ω(t)为惯性权因子，t为粒 子运动的时间，Tmax为粒子群的最大进化代数，c1(t)为负加速常数，c2(t)为 正加速常数。
作为一种优选的技术方案，还包括以下步骤：
S3，校核优化：建立一个具有输入层、隐含层和输出层的三层RBF神 经网络：输入层包括5个神经元，网络输入为出线装置结构优化变量X；输 出层包含7个神经元，网络输出为上述23个关键位置场强的后处理值；则， 该RBF神经网络模型的输入、输出关系表示为 f(X)＝min[f1(X),f2(X),f3(X)]，然后求解f(X)，从而实现对换流 变压器出线装置结构的校核优化；
上式中，
Figure BDA0003851029950000051
Figure BDA0003851029950000052
Figure BDA0003851029950000053
Figure BDA0003851029950000054
其中，f(X)为换流变压器出线装置的场强控制函数，f1(X)为换流变压 器出线装置直型屏障的场强控制函数，f2(X)为换流变压器出线装置包覆层 的场强控制函数，f3(X)为换流变压器出线装置包覆层外绝缘油层的场强控 制函数，E1max为直型屏障的场强值中的最大值，E1avr为直型屏障的场强值中 的平均值，E1min为直型屏障的场强值中的最小值，E2max为包覆层的场强值中 的最大值，E2avr为包覆层的场强值中的平均值，E2min为包覆层的场强值中的 最小值，fpj为～罚函数，j为包覆层外绝缘油层的位置编号，j＝1,2,3，Ejmax为所有位置的包覆层外绝缘油层的的场强值中的最大值，Ejcri为设定的包覆层 外绝缘油层的的目标场强值。
作为一种优选的技术方案，步骤S3中，首先得到一个f(X)的非劣解集， 需要f(X)的非劣解集中根据实际问题的需要选择一个解作为该实际问题的 最终解；选择一个解的方法包括：依据换流变压器出线装置的直型屏障的 体积V最小对非劣解集进行筛选；
其中，直型屏障体积V与结构参数配置X＝[X1,X2,X3,X4,X5]的关系表示 为：
Figure BDA0003851029950000061
式中，V为换流变压器出线装置的直型屏障的体积，i为换流变压器出 线装置的直型屏障的层编号，M为换流变压器出线装置的直型屏障的层数， X1为换流变压器出线装置上下位置限制参数，X2为换流变压器出线装置左 右位置限制参数，X3为油浸纸厚度，X4为油浸纸间油隙宽度，X5为台阶长 度，Xr为圆柱坐标系中换流变压器出线装置的重心距离圆柱坐标系原点的 直线距离，Xz为圆柱坐标系中Xr在Z轴上的坐标；其中，圆柱坐标系以包 覆层的重心为原点，以出线装置与换流变压器套管的连线所在直线为Z轴。
本发明相比于现有技术，具有以下有益效果：
(1)本发明首次用介电常数拟合的方式，确定单一绝缘介质电导率与 场强、温度的非线性函数关系进行建模分析，使得数据分析准确度高、结 构优化效果好；
(2)本发明采用多目标结构优化，结合粒子群算法优化出线装置的结 构，并考虑到温度和频率对介电常数的影响，进一步提升了数据分析准确 度、容易实现、收敛速度快；
(3)本发明采用子域进行计算，并结合神经网络进行校核优化，避免 了大量重复的有限元计算，节约了计算资源，提高了计算效率。
附图说明
图1为本发明所述的一种换流变压器出线装置多目标结构优化方法的 步骤示意图；
图2为本发明实施例1中介电常数实部关于频率和温度的三维关系图；
图3为本发明实施例1中介电常数虚部关于频率和温度的三维关系图；
图4为本发明实施例1中二项式H-N方程下的介电谱图；
图5为本发明实施例1中拟合曲线与测试数据对比图；
图6为本发明实施例1中粒子群优化算法实现流程图；
图7为本发明实施例1中FEM与PSO联合优化算法框图；
图8为本发明实施例2中群体中选择了5个粒子的评价函数的收敛情 况图；
图9为本发明实施例2中群体中每代最优粒子的评价函数的收敛情况 图；
图10为本发明换流变压器出线装置的结构优化变量示意图之一；
图11为本发明换流变压器出线装置的结构优化变量示意图之二；
图12为本发明8个决策变量示意图。
具体实施方式
下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的 实施方式不限于此。
实施例1
如图1至图12所示，本发明将有限元法用于定量分析电场、温度两个 非线性因素对特高压换流变套管尾部复合绝缘电场分布的影响：通过试验 确定单一绝缘介质电导率与场强、温度的非线性函数关系；提出计及场强、 温度非线性的有限元迭代算法，并通过存在解析解的同轴绝缘结构验证该 算法的准确性；建立特高压换流变套管出线装置复合绝缘结构全模型，分 析场强、温度对其直流稳态场、极性反转瞬态场的影响规律。在此基础上， 应用RBF神经网络与NSGA-II混合算法对特高压换流变套管出线装置进行 结构优化。
实际出线装置复合绝缘非线性电场迭代计算：
换流变套管尾部出线结构是换流变套管油中载流端子与换流变压器中 高压引出线的连接结构，其对保证高压套管的载流性能和套管尾部的绝缘 特性具有重要作用。对于特高压换流变套管来说，电压等级高、载流量大， 且在特高压套管尾部集中了电容芯子油中端部、均压球等结构，还存在金 属导体、变压器油、绝缘等介质。实际换流变套管出线装置计算模型包括 变压器油(OIL)、(OIP)和油浸纸(RIP)3种复合绝缘介质。
以特高压干式换流变套管出线装置为例进行说明，其将配合换流变套管 进行各项型式试验。特高压换流变套管的2h直流耐受电压Udc为1455kV， 因此出线装置非线性直流稳态电场计算中的电压载荷与其保持一致。在出 线装置型式试验过程中，套管尾部复合绝缘基本保持等温状态，但出线装 置在实际运行中由于中心载流结构通有一定量的电流，其涡流发热将建立 温度梯度分布，因此有必要通过非线性有限元迭代算法分析复合绝缘在场 变、温变叠加非线性条件下的电场分布规律，分2种情况对该复合绝缘非 线性电场进行讨论：等温条件下，复合绝缘直流稳态场；温梯条件下，复 合绝缘直流稳态场。在计算中均考虑了各绝缘介质由于泄漏电流引起的焦 耳发热。将前述非线性有限元迭代流程应用于套管出线装置复合绝缘结构 直流稳态电场计算。等温条件下，出线装置整体温度设定为恒值20℃，且 “阻尼系数”Pk设定为0.55；温梯条件下，设定出线装置最热点温度为80℃ (据通流量推算)，外界环温为20℃，“阻尼系数”Pk同样设定为0.55。
等温条件下的场强收敛曲线与温梯条件下相比有较大区别，温度梯度对 复合绝缘直流稳态场强影响显著。证明非线性有限元迭代算法对于复合绝 缘在场变、温变叠加非线性条件下具有较好的收敛性。
特高压换流变套管的电场与温度场计算对绝缘结构设计及优化具有指 导作用。开展电场计算需获取套管主绝缘材料复介电常数实部ε′的具体数 值，开展热场计算则需套管主绝缘材料介质损耗角正切值tanδ与温度、频率 的变化关系。因此，需对油浸纸材料开展介电性能测量，并选取合适的理 论模型，对实测数据进行拟合处理，确定理论模型各个特征参数，得到介 电性能参数与温度、频率的定量表达式。
以下主要介绍换流变出线装置油浸纸材料的性能参数，及其性能参数处 理方法，为后续结构优化设计做铺垫：
将油浸纸材料进行DSC测试得到玻璃化转变温度Tg约为125℃。在 10-1～106Hz频率和-100～200℃温度范围内，用Novocontrol宽带介电谱仪测 量了油浸纸材料的频谱和温谱曲线。根据介电谱数据做出介电常数实部ε′
和虚部ε″关于频率f和温度T的三维关系，如图2、图3所示。
令式(2-19)中m＝2，设定11个特征参量具体数值，即同时考虑α极化、 β极化和电导极化做出ε′、ε″频谱曲线，频率范围为10-2～1010Hz，如图4 所示。对二项式H-N方程下介电谱图进行逆向非线性数值拟合，拟合方法 为：先拟合介电常数虚部ε″数据。应用遗传算法获取拟合参数近似值，然 后通过最小二乘法进行精确求解，可保证前10个拟合参数的唯一性和准确 性。拟合过程中需按照直流电导极化、α极化和β极化的次序，最后应用介 电常数实部ε′数据拟合参数ε∞，拟合得到的H-N曲线如图5所示。拟合曲 线与测试数据吻合较好，证明了该非线性数值拟合方法的有效性。
以下在20℃、90℃和170℃下进行讨论，三个温度分别对应特高压换流 变套管芯子在空载运行、额定运行和过载运行下的典型温度值。
前面在特定温度下，对油浸纸复合材料介电谱频率依赖特性进行了拟合。 同时，温度与介电谱关系密切：温度在连续变化过程中，材料介电谱具有 温度平移特性。以160～200℃的高温区域为例进行说明，以10℃为温度间 隔，对5个温度下的介电谱数据进行拟合。高温低频下，介电常数实部ε′呈 上升趋势，与理论曲线未能完全拟合，主要由于电极极化的存在。随温度 增大，ε′和ε″均表现出温度平移特性，即具有向高频区域移动的趋势。同时随温度增大，电导极化加剧，α极化的损耗峰ε”max向高频区域移动，主要 由于松弛时间τ与温度T近似成指数关系(τ∝eu/kT，k为波耳兹曼常数，u为 分子活化能，与温度基本无关)：T增大，τ则降低，特征频率fc往高频方 向移动，可由Cole-Cole图存在的温度平移特性展示。若温度进一步升高， α松弛时间τ很小，α极化建立很快，可跟上电场变化，使α松弛极化损耗 很小而可忽略，电导损耗则随温度升高而增加，此时介电损耗主要是电导 损耗。
特高压换流变套管一般运行在20～170℃之间，20℃对应套管型式试验 时的温度值，而套管在过载或短路条件下，局部最热点温度可达170℃。由 前面的分析可知，在高温区(120～170℃)、中温区(70～110℃)、低温区 (20～60℃)，油浸纸材料适用的H-N数学模型分别为式(0-1)、(0-2)、(0-3) (2-22)，其中ω的取值范围为10-1～106Hz。将各温度域内的H-N模型频域特 征参数值拟合结果列于表中。
Figure BDA0003851029950000101
Figure BDA0003851029950000102
Figure BDA0003851029950000103
以下主要介绍换流变出线装置结构优化过程：
套管出线装置的结构优化及电场分析计算
出线装置绝缘结构的优化
在静电板电极的外面，还需要包有一定厚度的绝缘层，以提高油隙的耐 电强度。随着绝缘层厚度的增加，表面油隙中的场强会相应地下降。而且， 换流变阀侧绕组在运行时还要承担一定的直流电压分量，按照设计经验， 静电板上的绝缘层的厚度应不低于5mm。因此，结合工程实际要求，可以 设定静电板绝缘层厚度范围为：
5mm≤d1≤10mm，5mm≤d2≤6mm；
为了使变压器绕组端部的电场分布更均匀，静电板上端面边角加工成半 径较大的光滑圆弧面，而静电板下端面边角曲率半径不能过大，这是因为 下端面边角曲率半径过大会降低静电板与绕组间的电容，减弱静电板改善 绕组在冲击电压作用下的电压分布的作用。因此，需要合理地选择静电板 的曲率半径r3、r6，根据制造经验可以设定优化范围为：
10mm≤r3≤40mm，1mm≤r6≤5mm；
考虑到油流散热条件的限制，工程上规定变压器中最小油隙为2mm。 相应地，根据第一层角环的排布，以及最小油隙宽度的要求，可以设定静 电板外包覆绝缘层的曲率半径分别为：
13mm≤r4≤30mm，7mm≤r5≤20mm，1mm≤r7≤10mm，1mm≤r8≤6mm；
为方便算法编程及分析，上述8个决策变量用x＝(x1,x2,x3,x4,x5,x6,x7,x8) 表示，其中：
Figure BDA0003851029950000121
可得决策变量x的取值空间为：
Ω1＝{7≤x1≤9,4≤x2≤7,11≤x3≤35,12≤x4≤35}
Ω2＝{6≤x5≤18,2≤x6≤6,2≤x7≤11,2≤x8≤7}；
目标函数的构造：
通过对换流变压器端部绝缘的电场分析计算可知，当静电板的结构尺寸 发生变化时，静电板包覆绝缘层四个倒角表面的油隙场强集中，裕度较小。 因此为了节约优化计算的时间成本，在对静电板结构的优化时仅仅针对这 四个区域沿电场线的绝缘裕度进行考核，考核区域及其电力线分布。
每个区域分别选取7条电力线上，计算各个区域最小的绝缘裕度作为目 标函数。令绝缘层上端内侧倒角区域(A区)的最小绝缘裕度f1，外侧倒角 区域(B区)的最小绝缘裕度f2，绝缘层下端内侧倒角区域(C区)的最小 绝缘裕度f3，下端外侧倒角区域(D区)的最小绝缘裕度f4。则各个区域 的目标函数为：
Figure BDA0003851029950000122
评价函数的确定：
由上述分析可知，阀侧绕组的静电板数学模型的优化目标有4个，属于 多目标优化问题，求解过程中必须兼顾所有的子目标。一般情况下，对于 复杂问题几乎不存在同时使各个目标均达到最优的解，因而需要通过多目 标规划构造单一的评价函数，将问题转化为单目标优化问题。由于4个目 标函数对于静电板的电场分布、安全运行及经济性的重要程度不同，因此， 首先需要对各目标函数在评价函数中的权重系数进行确定。
本文采用工程设计中常用的判断矩阵法确定各目标的权重系数。4个目 标函数中，静电板表面油隙的绝缘裕度直接决定了其击穿特性。随着决策 变量的变化，静电板表面油隙的绝缘裕度最小值出现在上端的概率较大。 因而可以设定f1(x)和f2(x)同等最重要，f3(x)和f4(x)同等次重要。根据以上 所分析各目标函数的重要性，应用判断矩阵法，构造4个目标函数最优化 问题的判断矩阵：
Figure BDA0003851029950000131
根据所确定的判断矩阵A，可求得各目标的权重系数：
Figure BDA0003851029950000132
可求得判断矩阵A的最大特征根λmax＝4。查表5-2得随机一致指标 R4＝0.89，将R4和最大特征根代入，得到判断矩阵A的一致性检验指标为 c5＝0。结合前文对于判断矩阵法的论述，可知该静电板多目标结构最优化 问题的判断矩阵的满足一致性要求，所求得的各目标函数的权系数是合理 的。因此，静电板结构优化问题的评价函数φ(x)通过各目标函数加权即可， 即：
φ(x)＝ω1f1(x)+ω2f2(x)+ω3f3(x)+ω4f4(x)
1)粒子群优化算法的实现
由于粒子群算法具有简单、容易实现、收敛速度快，并且没有许多参数 需要调整的优点，本文应用种群数为10个粒子的粒子群优化算法，开发了 ±800kV特高压换流变压器出线装置绝缘结构多变量多目标的优化程序。
将出线装置的决策变量x＝(x1,x2,x3,x4)作为粒子群优化算法中的搜索空 间，评价函数φ(x)作为优化算法的适应度，即本文所研究的出线装置绝缘结 构优化问题为4维搜索空间中的粒子群最优化问题。在4维搜索空间中的 第i个微粒的位置和速度可分别表示为xi＝(xi1,xi2,xi3,xi4)，vi＝(vi1,vi2,…,vid)， i＝1,2,…,10。每个粒子的在当前时刻的个体最好值为(pbest)Pi＝[pi1,pi2,…,pi4]， 整个种群在当前时刻找到的最好值为(gbest)Pg。为了保证粒子群优化算法找 到较优的参数，同时考虑有限元计算的时间成本，本文中规定最大进化代 数Tmax＝50。±800kV特高压换流变压器半敞开式出线装置绝缘结构粒子群 优化算法中各参数的选择：
惯性权因子ω(t)
Figure BDA0003851029950000141
加速常数c1(t),c2(t)
Figure BDA0003851029950000151
可得：
Figure BDA0003851029950000152
xij(t+1)＝xij(t)+vij(t+1),j＝1,2,3,4
以上为±800kV特高压换流变压器敞开式出线装置绝缘结构粒子群优 化算法的速度和位置更新公式。
编写粒子群优化算法的主程序，4维搜索空间10个飞行粒子50次迭代 进化的粒子群优化算法实现的流程图如图6所示。执行粒子群优化算法时， 先输入决策变量x可行的求解域Ω，并在可行域中产生初始粒子群，即10 个随机产生的飞行粒子x；将决策变量x的数值传递给后台，利用有限元仿 真计算，然后根据计算结果读取Esm,E2m,E4m,E5m,E6m,E7m,V，进行归一化处 理f7(x)，然后计算10个粒子的适应度φ(x)；比较适应度φ(x)的大小，求得每个粒子在当前时刻的个体最优位置pij和整个粒子群在当前时刻的群体最 优位置pgj；将个体最优pij和群体最优pgj代入公式中，更新粒子在下一时 刻的速度，然后更新粒子在下一时刻的位置，从而产生新的粒子群；进化 代数t加1，如果t＞50则计算结束输出结果，否则返回步骤5继续进化。FEM 和PSO算法同时建立了均压环结构优化数学模型，在这些基础上，可模块 化实现FEM与PSO联合优化算法，如图7所示。
整体流程图分为计算模型生成模块，Submodeling FEM模块，函数评估 模块和PSO算法模块，各模块已在前述介绍中通过编程实现。为完成各模 块间的数据传输，在有限元计算环境下采用如下方法：在每个模块计算完 成后用parsav命令保存数据，在该模块计算完成后执行*clear命令将有限元 中数据库清除，并进入下一个模块，同时用parres命令将保存的数据恢复， 这样可实现模块间的数据传输且避免程序运行过程中由于参数化操作引起 的冲突。
粒子群优化算法的结果：
运用开发的±800kV特高压换流变压器出线装置绝缘结构多目标优化 程序在x∈Ω空间内对出线装置进行优化。图8是群体中选择了5个粒子的 评价函数φ(x)的收敛情况。可以看出，粒子的评价函数φ(x)的收敛速度很快， 进化初期粒子的φ(x)数值波动较大，说明粒子以较大的步长进行全局探测； 进化30代后，粒子的φ(x)基本在最优值附近波动，说明搜索后期粒子趋于 进行精细的局部搜索。正是由于粒子群优化算法进化初期专注全局探测， 进化后期趋于精细局部搜索的特点，保证了进化过程不会陷入局部最优， 同时又提高了进化速度。图9是群体中每代最优粒子的评价函数φ(x)的收敛 情况。可以看出，运用10个粒子在4维搜索空间的粒子群最优化算法对± 800kV特高压换流变压器出线装置绝缘结构进行优化时，经过20代进化， 群体中最优粒子的评价函数值φ(x)就能达到稳定，第20代之后最优粒子的 φ(x)差别很小，说明整个群体都在向最优的方向进化。
从图9可以看出，进化到20代以后评价函数φ(x)已经基本收敛，每代 群体最优粒子φ(x)的值波动很小，当进化到50代时，评价函数φ(x)出现全 局最小值，最小值为0.9988，对应的x＝(6.9267,5.0071,72.5367,299.653)T。
表5-1 50代进化过程中每个粒子的最优个体参数
Figure BDA0003851029950000171
表5-1为10个粒子在50代进化过程中找到的最优个体参数，可以看出 对±800kV特高压换流变压器出线装置运用粒子群优化算法进行优化后， 得到的是一组满足要求的绝缘结构参数的组合，这为设计和制造提供了选 择的空间，便于结合实际情况确定出可行设计方案。本文选用了评价函数 φ(x)全局最小值时的决策变量x作为±800kV特高压换流变压器出线装置 绝缘结构的优化后的设计方案，为了制造方便，对决策变量取整，得到优化后10层直型屏障的具体数值为：
油隙间隙d1＝6.8mm；直形纸筒厚度d2＝4.5mm；第一层直形纸筒水 平位置D＝70mm；绝缘屏障罩入深度L＝300mm。
在优化设计方案下，±800kV特高压换流变压器出线装置绝缘屏障体积 为3.6624×108mm3，较优化前屏障体积减少超过了50％，大大地减小了原 材料消耗，取得了良好的经济效益。
实施例2
如图1至图12所示，作为实施例1的进一步优化，在实施例1的基础 上，本实施例还包括以下技术特征：
以下主要介绍神经网络对优化设计结果的在此校核优化：
特高压换流变套管出线装置的结构优化变量包括：上下位置限制参数 X1，左右位置限制参数X2，绝缘纸板厚度X3，纸板间油隙宽度X4和台阶长 度X5，如图10、图11所示。对于极板间油隙宽度，间隙越细，则击穿场强 越高，但油的循环变慢，因此油隙宽度一般不小于5mm，为保证油间隙有 足够的电气强度，油道的宽度应限制在10mm以下。对于绝缘纸板，其起 到分担直流电压的作用，从而降低油隙电场强度，同时为保证足够的机械 强度，绝缘纸板可尽量厚，考虑到原材料的经济性，绝缘纸板厚度的取值 范围为3～6mm。同时上下位置限制参数、左右位置限制参数的取值范围均 根据出线装置的实际安装情况确定。各结构优化变量的变化范围列于表5-2 中。
表5-1出线装置结构优化变量取值范围
Figure BDA0003851029950000181
根据实际情况，特高压换流变套管出线装置结构参数在各自的取值范围 内随机取值，形成一组结构参数配置X＝[X1,X2,X3,X4,X5]，按照该结构参数 配置建立出线装置模型并确定其安装位置，应用前述复合绝缘非线性有限 元迭代算法计算得到出线装置各关键位置处的场强值：包括直型屏障18层 纸板各自的最大场强E1i(i＝1,2,…,18)，均压球4层包覆各自的最大场强 E2b(b＝1,2,3,4)和换流变套管尾部的最大场强E3max。对以上23个场强值进行 后处理：获取直型屏障18个场强值中的最大值E1max，最小值E1min，以及 平均值
Figure BDA0003851029950000191
获取包覆层4个场强值中的最大值E2max，最小值 E2min，以及平均值
Figure BDA0003851029950000192
则将以上场强 E＝[E1min,E1max,E1avr,E2min,E2max,E2avr,E3max]作为输入结构参数X对应的输出量。 在结构参数X的5维向量空间内随机取值390组，通过复合绝缘非线性有 限元迭代算法获得相应的390组场强值E，并将其作为RBF神经网络的训 练样本，表5-3中列出了局部训练样本。
表5-2 RBF神经网络的局部训练样本
Figure BDA0003851029950000193
390组训练样本中300组用于RBF神经网络的训练，剩余90组样本用 于检验网络训练的精度。对于特高压换流变套管出线装置的结构优化，需 建立一个具有输入层、隐含层和输出层的三层RBF神经网络：输入层包括 5个神经元，网络输入为出线装置结构优化变量X；输出层包含7个神经元， 网络输出为上述23个关键位置场强的后处理值。因此，该RBF神经网络模 型的输入、输出关系可表示为：
F(X1,X2,X3,X4,X5)＝F(E1min,E1max,E1avr,E2min,E2max,E2avr,E3max)
对于上述5输入7输出的三层神经网络拓扑结构，隐含层神经元数目l 的取值可按下式确定：
Figure BDA0003851029950000201
式中m、n为输入层、输出层神经元个数，a为0～10之间的常数。为兼顾 网络训练的收敛精度和泛化能力，确定出线装置优化的最佳隐含层神经元 数为12。
为说明结构参数X的5维向量空间内随机取值的390组样本数据具有遍 历性，限于篇幅，分别以X1和X2、X1和X4、X2和X4、X1和X3张成三维图 的x轴和y轴，以直型屏障场强的最大值E1max，最小值E1min，及平均值E1avr为z轴。结构参数变量均能在各自的变化范围内随机取值，其取值的轨迹可 遍历结构参数X向量空间，因此以上390组训练样本具有遍历性，可用于 RBF神经网络的学习与预测。首先对300组训练集和90组测试集进行归一 化处理，采用的归一化映射如下：
Figure BDA0003851029950000202
式中，x,y∈Rn，xmin＝min(x)，xmax＝max(x)归一化的效果是原始数据被规 划到[0,1]范围内，即yi∈[0,1]，i＝1,2,…,n，以上归一化方式称为[0,1]区间归 一化。对300组训练集进行归一化处理后，对前述5输入7输出的三层RBF 神经网络进行训练，可列出E3max、E1min、E1avr、E2min的RBF神经网络预测 值与期望值的对比情况。
在90组测试数据中，RBF神经网络预测值与期望值吻合较好，两者变 化趋势一致，具体数值的较小偏差不影响后续用训练完成的RBF神经网络 结合NSGA-II算法进行出线装置结构参数寻优。以上训练完成的RBF神经 网络输入层、隐含层、输出层间的连接权值w和神经元单元的偏置b列于 表5-4～表5-6中，连接权值w取正值表明神经元处于激发状态，取负值表 明神经元处于抑制状态。其中RBF神经网络的最大训练轮数限制为100， 学习速率为0.1，动量因子为0.9，学习目标误差设定为10-5，采用 Levenberg-Marquardt算法对网络进行训练。
表5-3输入层隐含层间权值wij(i＝1,2,…,12；j＝1,2,…,5)
Figure BDA0003851029950000211
Figure BDA0003851029950000221
表5-4隐含层输出层间权值wmn(m＝1,2,…,7；n＝1,2,…,12)
Figure BDA0003851029950000222
表5-5神经元单元的偏置bk
Figure BDA0003851029950000223
应用NSGA-II算法进行特高压换流变套管出线装置结构优化时，其优 化目标为：出线装置18层直型屏障的最大场强应尽量相等，保证电场分布 的均匀性；出线装置4层均压球包覆的最大场强同样应尽量相等，保证电 场分布的均匀性；18层直型屏障的最大场强应接近于控制场强E1cri，4层均 压球包覆的最大场强应接近于控制场强E2cri，换流变套管尾部的最大场强应 接近于控制场强E3cri。将以上优化目标转化为目标函数如下所示：
Figure BDA0003851029950000231
Figure BDA0003851029950000232
为使各处场强值满足控制要求，引入罚函数fpj(j＝1,2,3)构成目标函数f3， 罚函数如下式所示：
Figure BDA0003851029950000233
Figure BDA0003851029950000234
因此，特高压换流变套管出线装置的结构优化问题可描述如下：
min[f1(X),f2(X),f3(X)]
其中，出线装置结构参数配置X＝[X1,X2,X3,X4,X5]的取值范围如表5-2 所示。且直型屏障控制场强E1cri取为3000V·mm-1，均压球包覆控制场强E2cri取为35kV·mm-1，换流变套管尾部控制场强E3cri取为8500V·mm-1。将 NSGA-II算法的最优前端个体系数ParetoFraction设置为0.175，种群大小 PopulationSize设置为1000，最大进化代数Generations设置为200，停止代 数StallGenLimit设置为200，适应度函数值偏差TolFun设置为1e-100，获 取该优化问题的Pareto前端。Pareto解集中包含ParetoFraction×PopulationSize＝175个可行解，且随机取值解集中包括3000个元素。图中表 明第一前端的Pareto最优解分布均匀，都为随机取值数据点的边沿区域， 该分布符合NSGA-II多目标优化算法的基本思想：使各目标函数均趋向于 最小值。现将175个可行解集的局部数据列于表5-7中。
表5-6某次运行得到的局部Pareto最优解
Figure BDA0003851029950000241
从表5-7可看出：出线装置结构参数配置X＝[X1,X2,X3,X4,X5]的Pareto 最优解均被限制在取值范围内。多目标搜索算法相对于单目标算法来说， 最终得到的不是一个最优解，而是一个非劣解集，需要从以上175个非劣 解集中根据实际问题的需要选择一个解作为该问题的最终解：现依据特高 压换流变套管出线装置直型屏障体积V最小对非劣解集进行筛选。直型屏 障体积V与结构参数配置X＝[X1,X2,X3,X4,X5]的关系可表示为：
Figure BDA0003851029950000251
上式中Xr和Xz分别为圆柱坐标下参考点的位置坐标。对于特高压换流 变套管出线装置结构其值分别为353mm和3139mm。当直型屏障体积V取 最小值时，出线装置结构优化参数配置X＝[X1,X2,X3,X4,X5] ＝[1441,89,5.0,6.0,32]。以下按照优化参数配置建立特高压换流变套管出线装 置计算模型，在不同电压下对其电场分布进行计算分析，其中极性反转电 压下的电场分布在等温和温度梯度两种条件下进行，等温条件对应换流变 套管在型式试验中的极性反转暂态过程，温梯条件对应换流变套管在实际 运行中的极性反转暂态过程。
如上所述，可较好地实现本发明。
本说明书中所有实施例公开的所有特征，或隐含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 和/或扩展、替换。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式 上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上 实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术 方案的保护范围之内。

Claims (10)

1.一种换流变压器出线装置多目标结构优化方法，其特征在于，包括以下步骤：
S1，处理油浸纸的性能参数：对换流变压器出线装置的油浸纸介电谱频率依赖特性进行拟合，得到介电参数随换流变压器出线装置频率f和油浸纸温度T变化的定量变化关系；
S2，结构优化：将步骤S1得到的定量变化关系用于不同温度区域，得到不同温度区域的介电常数；然后对介电常数进行赋值化处理，获得多物理场参数；再基于多物理场参数，设定换流变压器出线装置结构。
2.根据权利要求1所述的一种换流变压器出线装置多目标结构优化方法，其特征在于，步骤S1包括以下步骤：
S11，测量油浸纸的玻璃化转变温度Tg、频谱曲线、温谱曲线，做出介电常数实部ε′和虚部ε″关于频率f和温度T的三维关系，从而得到介电谱图；
S12，对介电谱图进行逆向非线性数值拟合，拟合方法为：先拟合介电常数虚部ε″数据，获取拟合参数近似值，并构建以介电谱图作为输入的H-N方程；然后通过最小二乘法对H-N方程进行求解，拟合过程中按照直流电导极化、α极化和β极化的次序；最后再应用介电常数实部ε′数据拟合得到的H-N曲线。
3.根据权利要求2所述的一种换流变压器出线装置多目标结构优化方法，其特征在于，步骤S12中，将介电谱图按温度T分为低温区、中温区、高温区三个区域进行拟合，低温区、中温区、高温区对应的温度范围分别为20～60℃、70～110℃、120～170℃。
4.根据权利要求3所述的一种换流变压器出线装置多目标结构优化方法，其特征在于，步骤S2中，以静电板绝缘层作为决策变量x，以出线装置绝缘层的多个区域的最小绝缘裕度作为目标函数，求解目标函数的最优解，通过各目标函数加权获得出线装置绝缘层的结构优化问题的评价函数φ(x)。
5.根据权利要求4所述的一种换流变压器出线装置多目标结构优化方法，其特征在于，决策变量x的取值范围满足以下条件：
Ω1＝{7≤x1≤9,4≤x2≤7,11≤x3≤35,12≤x4≤35}，
和/或，
Ω2＝{6≤x5≤18,2≤x6≤6,2≤x7≤11,2≤x8≤7}；
其中，Ω1、Ω2为决策变量的取值空间，x1为静电板左侧的包覆层厚度，x2为静电板右侧的包覆层厚度，x3为静电板电极上端面倒角半径，x4为包覆层上端左侧的半径，x5为包覆层上端右侧的半径，x6为静电板电极下端面倒角半径，x7为包覆层下端左侧的半径，x8为包覆层下端右侧的半径，x1,x2,x3,x4,x5,x6,x7,x8的单位均为mm。
6.根据权利要求5所述的一种换流变压器出线装置多目标结构优化方法，其特征在于，评价函数φ(x)如下：
φ(x)＝ω1f1(x)+ω2f2(x)+ω3f3(x)+ω4f4(x)；
其中，f1(x)、f2(x)、f3(x)、f4(x)分别表示出线装置绝缘层的四个区域的最小绝缘裕度，ω1、ω2、ω3、ω4分别表示f1(x)、f2(x)、f3(x)、f4(x)的权重系数。
7.根据权利要求6所述的一种换流变压器出线装置多目标结构优化方法，其特征在于，步骤S2中，粒子群优化算法步骤，将出线装置的决策变量x作为粒子群优化算法中的搜索空间，将评价函数φ(x)作为优化算法的适应度，求解评价函数φ(x)的全局最小值，从而将出线装置绝缘结构的优化问题转化为多维搜索空间中的粒子群最优化问题。
8.根据权利要求7所述的一种换流变压器出线装置多目标结构优化方法，其特征在于，粒子群优化算法中，参数的选择方法包括：
Figure FDA0003851029940000031
Figure FDA0003851029940000032
其中，ω(t)为惯性权因子，t为粒子运动的时间，Tmax为粒子群的最大进化代数，c1(t)为负加速常数，c2(t)为正加速常数。
9.根据权利要求1至8任一项所述的一种换流变压器出线装置多目标结构优化方法，其特征在于，还包括以下步骤：
S3，校核优化：建立一个具有输入层、隐含层和输出层的三层RBF神经网络：输入层包括5个神经元，网络输入为出线装置结构优化变量X；输出层包含7个神经元，网络输出为上述23个关键位置场强的后处理值；则，该RBF神经网络模型的输入、输出关系表示为f(X)＝min[f1(X),f2(X),f3(X)]，然后求解f(X)，从而实现对换流变压器出线装置结构的校核优化；
上式中，
Figure FDA0003851029940000033
Figure FDA0003851029940000034
Figure FDA0003851029940000041
Figure FDA0003851029940000042
其中，f(X)为换流变压器出线装置的场强控制函数，f1(X)为换流变压器出线装置直型屏障的场强控制函数，f2(X)为换流变压器出线装置包覆层的场强控制函数，f3(X)为换流变压器出线装置包覆层外绝缘油层的场强控制函数，E1max为直型屏障的场强值中的最大值，E1avr为直型屏障的场强值中的平均值，E1min为直型屏障的场强值中的最小值，E2max为包覆层的场强值中的最大值，E2avr为包覆层的场强值中的平均值，E2min为包覆层的场强值中的最小值，fpj为罚函数，j为包覆层外绝缘油层的位置编号，j＝1,2,3，Ejmax为所有位置的包覆层外绝缘油层的的场强值中的最大值，Ejcri为设定的包覆层外绝缘油层的的目标场强值。
10.根据权利要求9所述的一种换流变压器出线装置多目标结构优化方法，其特征在于，步骤S3中，首先得到一个f(X)的非劣解集，需要f(X)的非劣解集中根据实际问题的需要选择一个解作为该实际问题的最终解；选择一个解的方法包括：依据换流变压器出线装置的直型屏障的体积V最小对非劣解集进行筛选；
其中，直型屏障体积V与结构参数配置X＝[X1,X2,X3,X4,X5]的关系表示为：
Figure FDA0003851029940000043
式中，V为换流变压器出线装置的直型屏障的体积，M为换流变压器出线装置的直型屏障的层数，i为换流变压器出线装置的直型屏障的层编号，X1为换流变压器出线装置上下位置限制参数，X2为换流变压器出线装置左右位置限制参数，X3为油浸纸厚度，X4为油浸纸间油隙宽度，X5为台阶长度，Xr为圆柱坐标系中换流变压器出线装置的重心距离圆柱坐标系原点的直线距离，Xz为圆柱坐标系中Xr在Z轴上的坐标；其中，圆柱坐标系以包覆层的重心为原点，以出线装置与换流变压器套管的连线所在直线为Z轴。
CN202211133751.1A 2022-09-19 2022-09-19 一种换流变压器出线装置多目标结构优化方法 Pending CN115455832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211133751.1A CN115455832A (zh) 2022-09-19 2022-09-19 一种换流变压器出线装置多目标结构优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211133751.1A CN115455832A (zh) 2022-09-19 2022-09-19 一种换流变压器出线装置多目标结构优化方法

Publications (1)

Publication Number Publication Date
CN115455832A true CN115455832A (zh) 2022-12-09

Family

ID=84304598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211133751.1A Pending CN115455832A (zh) 2022-09-19 2022-09-19 一种换流变压器出线装置多目标结构优化方法

Country Status (1)

Country Link
CN (1) CN115455832A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150791A (zh) * 2023-09-05 2023-12-01 正泰电气股份有限公司 变压器主绝缘结构优化设计方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150791A (zh) * 2023-09-05 2023-12-01 正泰电气股份有限公司 变压器主绝缘结构优化设计方法及装置
CN117150791B (zh) * 2023-09-05 2024-03-26 正泰电气股份有限公司 变压器主绝缘结构优化设计方法及装置

Similar Documents

Publication Publication Date Title
Žarković et al. Analysis of artificial intelligence expert systems for power transformer condition monitoring and diagnostics
Liu et al. Condition prediction for oil-immersed cellulose insulation in field transformer using fitting fingerprint database
CN115455832A (zh) 一种换流变压器出线装置多目标结构优化方法
Liu et al. A modified simulation model for predicting the FDS of transformer oil-paper insulation under nonuniform aging
Turabee et al. The role of neural networks in predicting the thermal life of electrical machines
CN115270622A (zh) 基于数值计算与线性回归模型预测变压器热点温度的方法
Dobric et al. Experimental verification of monitoring techniques for metal‐oxide surge arrester
Mousavi et al. ANN based temperature compensation for variations in polarization and depolarization current measurements in transformer
Guo et al. Parameter identification for static var compensator model using sensitivity analysis and improved whale optimization algorithm
Wang et al. Influence of external factors on self-healing capacitor temperature field distribution and its validation
Qiu et al. A method for breakdown voltage prediction of short air gaps with atypical electrodes
Liu et al. A BPNN model-based AdaBoost algorithm for estimating inside moisture of oil–paper insulation of power transformer
Finocchio et al. Neural networks applied to the design of dry‐type transformers: an example to analyze the winding temperature and elevate the thermal quality
CN111597749A (zh) 一种高频变压器空心绕组交流电阻系数的计算方法
Zhang et al. Theoretical connection from the dielectric constant of films to the capacitance of capacitors under high temperature
Yang et al. Influence of oil–paper configuration on electric field distribution of main insulation structure on valve‐side winding of UHV‐DC converter transformer
Xie et al. Parameters identification and application of equivalent circuit at low frequency of oil-paper insulation in transformer
Yuan et al. Effect of DC electric field on moisture migration characteristics in oil‐pressboard
Kül et al. Coreloss Estimation via Long Short-Term Memory Model (LSTM) of Dry-Type Transformer based on FEA
Liu et al. A comparative research on power transformer fault diagnosis based on several artificial neural networks
CN106446352A (zh) 金属化聚丙烯薄膜电容器多响应参数优化方法
CN116151302A (zh) 一种基于改进粒子群优化算法的变压器故障诊断方法
Akram et al. Prediction of partial discharge inception voltage for electric vehicle motor insulation using deep learning
Soldevilla et al. Estimation of transmission lines parameters using particle swarm optimization
Yang et al. Analysis of multi‐objective optimisation method for main insulation structure configuration scheme of valve‐side winding of ultra‐high voltage converter transformer considering multi‐field coupling

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