CN115688571A - 变压器运行状态的监测方法、装置、电子设备及存储介质 - Google Patents
变压器运行状态的监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115688571A CN115688571A CN202211335451.1A CN202211335451A CN115688571A CN 115688571 A CN115688571 A CN 115688571A CN 202211335451 A CN202211335451 A CN 202211335451A CN 115688571 A CN115688571 A CN 115688571A
- Authority
- CN
- China
- Prior art keywords
- target
- transformer
- magnetic field
- model
- field distribution
- 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
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请适用于电力设备技术领域,提供了一种变压器运行状态的监测方法、装置、电子设备及存储介质,所述方法包括:建立目标变压器的目标模型;根据所述目标变压器铁芯的材料,确定所述目标变压器的磁导率曲线;在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值得到所述目标变压器的磁场分布仿真数据;将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型;输入指定的电流值至所述多物理场网络映射模型,反演得到所述目标变压器的磁场分布数据。对了解变压器的运行状态具有重要意义,进而可以解决无法对变压器运行状态进行有效监测的问题。
Description
技术领域
本申请属于电力设备技术领域,尤其涉及一种变压器运行状态的监测方法、装置、电子设备及存储介质。
背景技术
电力系统十分复杂。变压器作为电力系统中的重要设备之一,一旦发生故障,将直接影响电力系统电能的正常供应,引发停电事故。
近年来,随着我国电力技术的不断发展,虽然电力系统的安全性和稳定性得到基础保障,但是由于居民用电量的增加,负荷波动和电力系统的波动导致流过变压器绕组的电流波动,电力系统稳定性差。
为了维护电力系统安全稳定运行,需采取一系列措施尽量减少事故的发生,如通过测量流过变压器绕组的电流,从而得到变压器磁场的分布情况,并分析变压器运行状态。然而,真实测量得到的变压器绕组上的电流数据较少,并且变压器铁芯具有非线性特性,因此,无法通过已有的、真实的电流数据得到变压器的磁场分布与电流之间的关系,从而无法对变压器的运行状态进行有效的监测。
发明内容
本申请实施例提供了一种变压器运行状态的监测方法、装置、电子设备及存储介质,可以解决无法对变压器运行状态进行有效监测的问题。
第一方面,本申请实施例提供了一种变压器运行状态的监测方法,包括:
建立目标变压器的目标模型,所述目标模型用于指示所述目标变压器的实际尺寸,所述目标变压器绕组的形状以及所述目标变压器铁芯的材料;
根据所述目标变压器铁芯的材料,确定所述目标变压器的磁导率曲线;
在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值得到所述目标变压器的磁场分布仿真数据;
将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型,所述多物理场网络映射模型用于指示流过所述目标变压器绕组的电流值与所述目标变压器的磁场分布数据之间的映射关系;
输入指定的电流值至所述多物理场网络映射模型,反演得到所述目标变压器的磁场分布数据。
可选的,所述在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值得到所述目标变压器的磁场分布仿真数据,包括:
在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值,使得所述目标变压器铁芯达到不同程度的饱和;
通过电场与磁场耦合,得到所述目标变压器铁芯在不同饱和程度下时,所述目标变压器的磁场分布仿真数据。
可选的,所述将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型,包括:
将所述电流值输入至BP神经网络进行正向学习,得到磁场分布学习数据;
根据反向传播误差更新所述BP神经网络的权重,在所述反向传播误差小于预设误差值时,输出多物理场映射网络模型。
可选的,在所述得到磁场分布学习数据之后,还包括:
根据所述磁场分布学习数据和所述磁场分布仿真数据的差值,确定所述反向传播误差。
可选的,在所述将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型之后,还包括:
输入指定的电流值至所述多物理场映射网络模型;
将所述多物理场映射网络模型输出的磁场分布数据与所述磁场分布仿真数据进行对比,以验证所述多物理场映射网络模型的正确性。
可选的,所述建立目标变压器的目标模型,包括:
将所述目标模型的尺寸设置为所述目标变压器的实际尺寸;
将所述目标模型铁芯的材料设置为所述目标变压器铁芯的材料;
将所述目标模型绕组的形状设置为圆柱形。
可选的,在所述建立目标变压器的目标模型之后,还包括:
对所述目标模型进行区域划分,不同区域对应不同的网格剖分尺寸。
第二方面,本申请实施例提供了一种变压器运行状态的监测装置,包括:
模型建立模块,用于建立目标变压器的目标模型,所述目标模型用于指示所述目标变压器的实际尺寸,所述目标变压器绕组的形状以及所述目标变压器铁芯的材料;
磁导率确定模块,用于根据所述目标变压器铁芯的材料,确定所述目标变压器的磁导率曲线;
仿真模块,用于在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值得到所述目标变压器的磁场分布仿真数据;
学习模块,用于将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型,所述多物理场网络映射模型用于指示流过所述目标变压器绕组的电流值与所述目标变压器的磁场分布数据之间的映射关系;
状态监测模块,用于输入指定的电流值至所述多物理场网络映射模型,反演得到所述目标变压器的磁场分布数据。
可选的,所述仿真模块,包括:
电流改变单元,用于在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值,使得所述目标变压器铁芯达到不同程度的饱和;
仿真数据获得单元,用于通过电场与磁场耦合,得到所述目标变压器铁芯在不同饱和程度下时,所述目标变压器的磁场分布仿真数据。
可选的,所述学习模块,包括:
正向学习单元,用于将所述电流值输入至BP神经网络进行正向学习,得到磁场分布学习数据;
权重调整单元,用于根据反向传播误差更新所述BP神经网络的权重,在所述反向传播误差小于预设误差值时,输出多物理场映射网络模型。
可选的,所述学习模块,还包括:
误差确定单元,用于根据所述磁场分布学习数据和所述磁场分布仿真数据的差值,确定所述反向传播误差。
可选的,所述变压器运行状态的监测装置,还包括:
电流输入模块,用于输入指定的电流值至所述多物理场映射网络模型;
验证模块,用于将所述多物理场映射网络模型输出的磁场分布数据与所述磁场分布仿真数据进行对比,以验证所述多物理场映射网络模型的正确性。
可选的,所述模型建立模块,包括:
尺寸确定单元,用于将所述目标模型的尺寸设置为所述目标变压器的实际尺寸;
材料确定单元,用于将所述目标模型铁芯的材料设置为所述目标变压器铁芯的材料;
形状确定单元,用于将所述目标模型绕组的形状设置为圆柱形。
可选的,所述变压器运行状态的监测装置,还包括:
区域划分模块,用于对所述目标模型进行区域划分,不同区域对应不同的网格剖分尺寸。
第三方面,本申请实施例提供了一种电子设备,包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述第一方面所述的变压器运行状态的监测方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,包括:所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的变压器运行状态的监测方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面所述的变压器运行状态的监测方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:由于可以在目标变压器的目标模型上进行仿真,模仿根据磁导率曲线改变流过目标变压器绕组的电流值,得到目标变压器的磁场分布仿真数据,因此,可以得到更多的目标变压器绕组上的电流数据,为分析目标变压器的磁场分布与电流的关系提供数据支撑,从而,可以得到目标变压器的更为精确的多物理场映射网络模型,并根据该多物理场映射网络模型和所测目标变压器绕组的电流快速反演变压器磁场分布,对了解目标变压器的运行状态,对目标变压器的安全运行、及时检修具有重要意义,进而可以解决现有技术无法对目标变压器运行状态进行有效监测的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的变压器运行状态的监测方法的流程示意图;
图2是本申请实施例提供的进行区域划分前的目标模型和进行区域划分后的目标模型示意图;
图3是本申请实施例提供的目标变压器铁芯的磁导率曲线示意图;
图4是本申请实施例提供的BP神经网络的正向学习示意图;
图5是本申请实施例提供的变压器运行状态的监测装置的结构示意图;
图6是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
图1示出了本申请实施例提供的变压器运行状态的监测方法的流程示意图,该方法可应用于变压器运行状态的监测装置中,包括步骤S110至S120,各个步骤的具体实现原理如下:
S110,建立目标变压器的目标模型,上述目标模型用于指示上述目标变压器的实际尺寸,上述目标变压器绕组的形状以及上述目标变压器铁芯的材料。
其中,目标变压器是指需要监测运行状态的正在实际使用的变压器,根据该目标变压器进行建模得到的变压器模型即为本申请实施例的目标模型,该目标模型是一个简化的变压器模型,只与目标变压器的实际尺寸,目标变压器绕组的形状以及目标变压器铁芯的材料有关。
其中,变压器的型号不同,变压器的实际尺寸会有所不同。
在一些实施例中,可以根据目标变压器的具体型号,得到目标变压器的实际尺寸,再根据该实际尺寸进行1:1建模得到目标变压器的目标模型,及将目标模型的尺寸设置为目标变压器的实际尺寸。
变压器结构复杂,由铁芯、绕组、绝缘结构、油箱和其它附件组成。
在一些实施例中,考虑到变压器绕组间的垫块,绝缘纸等对仿真结果影响不大,因此,在建模时,为了得到简化的变压器模型,可以只考虑目标变压器铁芯的材料以及目标变压器绕组的形状,同时忽略绕组之间的饼间距等其他因素。因为绕组是一饼一饼的,忽略饼间距后,绕组就变成圆柱形,所以,本申请实施例中,将目标模型绕组设置为圆柱形,目标模型铁芯的材料设置为目标变压器铁芯的材料。
在一些实施例中,还可以对目标模型进行区域划分,不同区域对应不同的网格剖分尺寸。考虑到正常运行情况下,磁通密度变化明显的区域主要是变压器铁芯,所以建模得到的目标模型的铁芯的剖分单元可以相对小一点,其他区域相对大一点,如果铁芯的剖分单元很小,会提高反演准确性,进而可以更加准确地得到目标变压器的运行状态。
图2分别示出了进行区域划分前的目标模型和进行区域划分后的目标模型。
S120,根据上述目标变压器铁芯的材料,确定上述目标变压器的磁导率曲线。
其中,铁磁物质的磁化规律可用磁化场的磁场强度H和磁感应强度B之间的关系表示,磁感应强度B和磁场强度H满足以下关系:
B=μ0μrH
其中,μr是铁磁材料的相对磁导率,因此,变压器铁芯的材料不同,变压器铁芯的磁导率曲线不同。
图3为目标变压器铁芯的磁导率曲线。根据该磁导率曲线,可以得出流过目标变压器绕组的电流值与目标变压器产生的磁场强度之间是非线性关系。
S130,在上述目标模型上进行仿真,模仿根据上述磁导率曲线改变流过上述目标变压器绕组的电流值,得到上述目标变压器的磁场分布仿真数据。
在一些实施例中,可以在步骤S110建立的目标模型上进行仿真,先模仿改变外加激励的大小,比如,在目标模型上模仿根据磁导率曲线改变目标变压器绕组上的电压。通过模仿改变目标变压器绕组上的电压,可以模仿改变流过目标变压器绕组的电流值,测量得到该电流值下的目标模型的磁场分布数据,即为目标变压器的磁场分布仿真数据。
S140,将上述磁场分布仿真数据以及与上述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型,上述多物理场网络映射模型用于指示流过上述目标变压器绕组的电流值与上述目标变压器的磁场分布数据之间的映射关系。
其中,在模仿改变流过目标变压器绕组的电流值时,可以存储该电流值以及与该电流值对应的磁场分布仿真数据。
将电流值输入至BP神经网络进行深度学习,可以得到目标变压器的多物理场网络映射模型,该多物理场网络映射模型可以指示流过上述目标变压器绕组的电流值与上述目标变压器的磁场分布数据之间的映射关系。
S150,输入指定的电流值至所述多物理场网络映射模型,反演得到所述目标变压器的磁场分布数据。
应理解,上述步骤S110至S150,由于可以在目标变压器的目标模型上进行仿真,模仿根据磁导率曲线改变流过目标变压器绕组的电流值,得到目标变压器的磁场分布仿真数据,因此,可以得到更多的目标变压器绕组上的电流数据,为分析目标变压器的磁场分布与电流的关系提供数据支撑,从而,可以得到目标变压器的更为精确的多物理场映射网络模型,并根据该多物理场映射网络模型和所测目标变压器绕组的电流快速反演变压器磁场分布,对了解目标变压器的运行状态,对目标变压器的安全运行、及时检修具有重要意义,进而可以解决现有技术无法对目标变压器运行状态进行有效的监测的问题。
在一些实施例中,基于图1所示的变压器运行状态的监测方法中,步骤S130,在上述目标模型上进行仿真,模仿根据上述磁导率曲线改变流过上述目标变压器绕组的电流值得到上述目标变压器的磁场分布仿真数据,可以包括下述步骤:
步骤11、在上述目标模型上进行仿真,根据上述磁导率曲线改变流过上述目标变压器绕组的电流值,使得上述目标变压器铁芯达到不同程度的饱和。
其中,从磁导率曲线可以看出,当流过目标变压器绕组的电流值或者施加在目标变压器绕组上的电压值增大到一定数值后,磁场强度不再增加,说明目标变压器铁芯达到饱和。因此,可以根据铁芯材料的磁导率曲线改变流过目标变压器绕组的电流值或者改变施加在目标变压器绕组上的电压值,使得目标变压器铁芯达到不同饱和程度。
步骤12,通过电场与磁场耦合,仿真得到上述目标变压器铁芯在不同饱和程度下时,上述目标变压器的磁场分布仿真数据。
其中,变压器的磁场分布情况是变压器的磁通密度分布情况,该磁通密度分布情况可以是与坐标关联的磁场分布数据,可以记录不同三维坐标下对应位置的磁通密度值。
在一些实施例中,可以通过电场与磁场耦合,对目标变压器采用瞬态研究,仿真过程中使用麦克斯韦方程组,得到目标变压器铁芯在不同饱和程度下时,目标变压器的磁场分布。
在一些实施例中,基于图1所示的变压器运行状态的监测方法中,步骤S140将上述磁场分布仿真数据以及与上述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型,可以包括下述步骤:
步骤21、将上述电流值输入至BP神经网络进行正向学习,得到磁场分布学习数据。
在一些实施例中,可以对磁场分布仿真数据的原始数据集Dall进行区域采样,比如,可以对八个区域进行采样,得到这八个区域坐标下对应的磁通密度值的采样数据Dsam,将采样数据Dsam对应的电流值输入至BP神经网络进行正向学习。
关于BP神经网络的正向学习,我们以图4为例进行一下说明:
ai (out)是输出层的第i个输出单元,为经过BP神经网络输出的第i个数据,即为将上述电流值输入至BP神经网络进行正向深度学习后得到磁场分布学习数据;
y为目标变压器的磁场分布仿真数据。
步骤22、根据反向传播误差更新上述BP神经网络的权重后,再返回步骤21进行正向学习,在上述反向传播误差小于预设误差值时,输出多物理场映射网络模型。
其中,与采样数据Dsam对应的电流值经过深度学习后进行矩阵拼接,再经过稠密层完成不同点之间的信息交互,通过反复迭代训练,得到一个最优。模型。
其中,根据磁场分布学习数据和磁场分布仿真数据的差值,可以确定反向传播误差。
当反向传播误差小于预设误差值时,迭代训练得到的模型为多物理场映射网络模型。
应理解,上述步骤21至22,可以将电流值输入BP神经网络进行深度学习,得到多物理场映射网络模型。
在一些实施例中,在上述图1所示的变压器运行状态的监测方法的实施例的基础上,在步骤S150输入指定的电流值至上述多物理场网络映射模型,反演得到上述目标变压器的磁场分布数据之后,还可以包括下述步骤:
步骤31、输入指定的电流值至上述多物理场映射网络模型。
步骤32、将上述多物理场映射网络模型输出的磁场分布数据与上述磁场分布仿真数据进行对比,以验证上述多物理场映射网络模型的正确性。
应理解,上述步骤31至32,可以验证多物理场映射网络模型的正确性。
对应于上述图1所示的变压器运行状态的监测方法,图5示出的是本申请实施例提供的变压器运行状态的监测装置M100,包括:
模型建立模块M110,用于建立目标变压器的目标模型,所述目标模型用于指示所述目标变压器的实际尺寸,所述目标变压器绕组的形状以及所述目标变压器铁芯的材料;
磁导率确定模块M120,用于根据所述目标变压器铁芯的材料,确定所述目标变压器的磁导率曲线;
仿真模块M130,用于在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值得到所述目标变压器的磁场分布仿真数据;
学习模块M140,用于将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型,所述多物理场网络映射模型用于指示流过所述目标变压器绕组的电流值与所述目标变压器的磁场分布数据之间的映射关系;
状态监测模块M150,用于输入指定的电流值至所述多物理场网络映射模型,反演得到所述目标变压器的磁场分布数据。
可选的,所述仿真模块M130,包括:
电流改变单元,用于在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值,使得所述目标变压器铁芯达到不同程度的饱和;
仿真数据获得单元,用于通过电场与磁场耦合,得到所述目标变压器铁芯在不同饱和程度下时,所述目标变压器的磁场分布仿真数据。
可选的,所述学习模块M140,包括:
正向学习单元,用于将所述电流值输入至BP神经网络进行正向学习,得到磁场分布学习数据;
权重调整单元,用于根据反向传播误差更新所述BP神经网络的权重,在所述反向传播误差小于预设误差值时,输出多物理场映射网络模型。
可选的,所述学习模块M140,还包括:
误差确定单元,用于根据所述磁场分布学习数据和所述磁场分布仿真数据的差值,确定所述反向传播误差。
可选的,所述变压器运行状态的监测装置M100,还包括:
电流输入模块,用于输入指定的电流值至所述多物理场映射网络模型;
验证模块,用于将所述多物理场映射网络模型输出的磁场分布数据与所述磁场分布仿真数据进行对比,以验证所述多物理场映射网络模型的正确性。
可选的,所述模型建立模块M110,包括:
尺寸确定单元,用于将所述目标模型的尺寸设置为所述目标变压器的实际尺寸;
材料确定单元,用于将所述目标模型铁芯的材料设置为所述目标变压器铁芯的材料;
形状确定单元,用于将所述目标模型绕组的形状设置为圆柱形。
可选的,所述变压器运行状态的监测装置M100,还包括:
区域划分模块,用于对所述目标模型进行区域划分,不同区域对应不同的网格剖分尺寸。
可以理解的是,以上实施例中的各种实施方式和实施方式组合及其有益效果同样适用于本实施例,这里不再赘述。
图6为本申请一实施例提供的电子设备的结构示意图。如图6所示,该实施例的电子设备D10包括:至少一个处理器D100(图6中仅示出一个)处理器、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102,所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。或者,所述处理器D100执行所述计算机程序D102时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块M110至M150的功能。
在一些实施例中,所述处理器D100执行所述计算机程序D102时实现如下步骤:
建立目标变压器的目标模型,所述目标模型用于指示所述目标变压器的实际尺寸,所述目标变压器绕组的形状以及所述目标变压器铁芯的材料;
根据所述目标变压器铁芯的材料,确定所述目标变压器的磁导率曲线;
在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值得到所述目标变压器的磁场分布仿真数据;
将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型,所述多物理场网络映射模型用于指示流过所述目标变压器绕组的电流值与所述目标变压器的磁场分布数据之间的映射关系;
输入指定的电流值至所述多物理场网络映射模型,反演得到所述目标变压器的磁场分布数据。
在一些实施例中,所述处理器D100执行所述计算机程序D102时,在实现所述在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值得到所述目标变压器的磁场分布仿真数据,可以通过下述步骤实现:
在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值,使得所述目标变压器铁芯达到不同程度的饱和;
通过电场与磁场耦合,得到所述目标变压器铁芯在不同饱和程度下时,所述目标变压器的磁场分布仿真数据。
在一些实施例中,所述处理器D100执行所述计算机程序D102时,在实现所述将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型时,可以通过下述步骤实现:
将所述电流值输入至BP神经网络进行正向学习,得到磁场分布学习数据;
根据反向传播误差更新所述BP神经网络的权重,在所述反向传播误差小于预设误差值时,输出多物理场映射网络模型。
在一些实施例中,所述处理器D100执行所述计算机程序D102时,在实现所述在所述得到磁场分布学习数据之后,还可以执行下述步骤:
根据所述磁场分布学习数据和所述磁场分布仿真数据的差值,确定所述反向传播误差。
在一些实施例中,所述处理器D100执行所述计算机程序D102时,在实现将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型之后,还可以执行下述步骤:
输入指定的电流值至所述多物理场映射网络模型;
将所述多物理场映射网络模型输出的磁场分布数据与所述磁场分布仿真数据进行对比,以验证所述多物理场映射网络模型的正确性。
在一些实施例中,所述处理器D100执行所述计算机程序D102时,在实现所述建立目标变压器的目标模型时,可以通过下述步骤实现:
将所述目标模型的尺寸设置为所述目标变压器的实际尺寸;
将所述目标模型铁芯的材料设置为所述目标变压器铁芯的材料;
将所述目标模型绕组的形状设置为圆柱形。
在一些实施例中,所述处理器D100执行所述计算机程序D102时,在实现所述建立目标变压器的目标模型之后,还可以实现以下步骤:
对所述目标模型进行区域划分,不同区域对应不同的网格剖分尺寸。
所述电子设备D10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括,但不仅限于,处理器D100、存储器D101。本领域技术人员可以理解,图6仅仅是电子设备D10的举例,并不构成对电子设备D10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器D100可以是中央处理单元(Central Processing Unit,CPU),该处理器D100还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述电子设备D10的内部存储单元,例如电子设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述电子设备D10的外部存储设备,例如所述电子设备D10上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器D101还可以既包括所述电子设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例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存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种变压器运行状态的监测方法,其特征在于,包括:
建立目标变压器的目标模型,所述目标模型用于指示所述目标变压器的实际尺寸,所述目标变压器绕组的形状以及所述目标变压器铁芯的材料;
根据所述目标变压器铁芯的材料,确定所述目标变压器的磁导率曲线;
在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值得到所述目标变压器的磁场分布仿真数据;
将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型,所述多物理场网络映射模型用于指示流过所述目标变压器绕组的电流值与所述目标变压器的磁场分布数据之间的映射关系;
输入指定的电流值至所述多物理场网络映射模型,反演得到所述目标变压器的磁场分布数据。
2.如权利要求1所述的变压器运行状态的监测方法,其特征在于,所述在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值得到所述目标变压器的磁场分布仿真数据,包括:
在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值,使得所述目标变压器铁芯达到不同程度的饱和;
通过电场与磁场耦合,得到所述目标变压器铁芯在不同饱和程度下时,所述目标变压器的磁场分布仿真数据。
3.如权利要求2所述的变压器运行状态的监测方法,其特征在于,所述将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型,包括:
将所述电流值输入至BP神经网络进行正向学习,得到磁场分布学习数据;
根据反向传播误差更新所述BP神经网络的权重,在所述反向传播误差小于预设误差值时,输出多物理场映射网络模型。
4.如权利要求3所述的变压器运行状态的监测方法,其特征在于,在所述得到磁场分布学习数据之后,还包括:
根据所述磁场分布学习数据和所述磁场分布仿真数据的差值,确定所述反向传播误差。
5.如权利要求4所述的变压器运行状态的监测方法,其特征在于,在所述将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型之后,还包括:
输入指定的电流值至所述多物理场映射网络模型;
将所述多物理场映射网络模型输出的磁场分布数据与所述磁场分布仿真数据进行对比,以验证所述多物理场映射网络模型的正确性。
6.如权利要求1所述的变压器运行状态的监测方法,其特征在于,所述建立目标变压器的目标模型,包括:
将所述目标模型的尺寸设置为所述目标变压器的实际尺寸;
将所述目标模型铁芯的材料设置为所述目标变压器铁芯的材料;
将所述目标模型绕组的形状设置为圆柱形。
7.如权利要求6所述的变压器运行状态的监测方法,其特征在于,在所述建立目标变压器的目标模型之后,还包括:
对所述目标模型进行区域划分,不同区域对应不同的网格剖分尺寸。
8.一种变压器运行状态的监测装置,其特征在于,包括:
模型建立模块,用于建立目标变压器的目标模型,所述目标模型用于指示所述目标变压器的实际尺寸,所述目标变压器绕组的形状以及所述目标变压器铁芯的材料;
磁导率确定模块,用于根据所述目标变压器铁芯的材料,确定所述目标变压器的磁导率曲线;
仿真模块,用于在所述目标模型上进行仿真,根据所述磁导率曲线改变流过所述目标变压器绕组的电流值得到所述目标变压器的磁场分布仿真数据;
学习模块,用于将所述磁场分布仿真数据以及与所述磁场分布仿真数据对应的电流值输入至BP神经网络进行深度学习,得到多物理场网络映射模型,所述多物理场网络映射模型用于指示流过所述目标变压器绕组的电流值与所述目标变压器的磁场分布数据之间的映射关系;
状态监测模块,用于输入指定的电流值至所述多物理场网络映射模型,反演得到所述目标变压器的磁场分布数据。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的变压器运行状态的监测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的变压器运行状态的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211335451.1A CN115688571A (zh) | 2022-10-28 | 2022-10-28 | 变压器运行状态的监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211335451.1A CN115688571A (zh) | 2022-10-28 | 2022-10-28 | 变压器运行状态的监测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688571A true CN115688571A (zh) | 2023-02-03 |
Family
ID=85046341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211335451.1A Pending CN115688571A (zh) | 2022-10-28 | 2022-10-28 | 变压器运行状态的监测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577698A (zh) * | 2023-07-06 | 2023-08-11 | 中铁第四勘察设计院集团有限公司 | 一种基于电磁场分布的变电所接地故障监测方法 |
-
2022
- 2022-10-28 CN CN202211335451.1A patent/CN115688571A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577698A (zh) * | 2023-07-06 | 2023-08-11 | 中铁第四勘察设计院集团有限公司 | 一种基于电磁场分布的变电所接地故障监测方法 |
CN116577698B (zh) * | 2023-07-06 | 2023-12-15 | 中铁第四勘察设计院集团有限公司 | 一种基于电磁场分布的变电所接地故障监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108593260A (zh) | 光缆线路故障定位和检测方法及终端设备 | |
CN105224741A (zh) | 电动汽车驱动系统电磁辐射测试规划方法 | |
CN107729621A (zh) | 一种静力学模型的验证工具 | |
CN115688571A (zh) | 变压器运行状态的监测方法、装置、电子设备及存储介质 | |
CN114861542A (zh) | 直流输电工程损耗评估方法、装置、设备和存储介质 | |
CN117350152A (zh) | 基于机理数据融合的电磁场建模方法、系统、设备及介质 | |
CN113466731B (zh) | 电池承受振荡最大时长的检测方法、装置、设备及介质 | |
CN113011055B (zh) | 一种基于有限元技术的电机高温故障模拟方法及系统 | |
CN116861740A (zh) | 一种变压器温度检测方法、装置、介质 | |
CN116227045B (zh) | 一种结构试件的局部应力应变场构造方法及系统 | |
CN107370149A (zh) | 确定电力系统负荷削减量的方法和系统 | |
Guevara et al. | Identification of weak buses for proper placement of reactive compensation through sensitivity analysis using a neural network surrogate model | |
Chen et al. | Generalised‐fast decoupled state estimator | |
CN115879378A (zh) | 一种电芯的膨胀力预测模型的训练方法及装置 | |
CN109446642A (zh) | 一种电网设备启动方案智能编写方法及装置 | |
Hu et al. | NARX modelling of a lithium iron phosphate battery used for electrified vehicle simulation | |
CN114676519A (zh) | 变压器铁心励磁特性的有限元计算方法、装置及终端 | |
CN114692529A (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
CN108198173A (zh) | 一种混凝土裂缝区域的在线检测方法、装置及终端设备 | |
CN114441835A (zh) | 基于磁场传感芯片的双导体电流测量方法和装置 | |
CN114035545A (zh) | 自动驾驶算法仿真测试方法、装置及电子设备 | |
Motoasca et al. | Analytical method for hysteresis modelling of soft magnetic materials | |
Li et al. | Dynamic equivalent modeling for power converter based on LSTM neural network in wide operating range | |
CN106154057A (zh) | 一种通过改变电磁场探头位置研究探头微扰动性的方法 | |
CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 |
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 |