一种基于深度神经网络和本征正交分解的变压器磁场计算方法与流程

摘要: 本发明涉及变压器设计,更具体的说是涉及一种基于深度神经网络和本征正交分解的变压器磁场计算方法。背景技术:1、在电力系统架构中,换流变压器作为交流与直流电网的核心...
一种基于深度神经网络和本征正交分解的变压器磁场计算方法与流程

本发明涉及变压器设计,更具体的说是涉及一种基于深度神经网络和本征正交分解的变压器磁场计算方法。

背景技术:

1、在电力系统架构中,换流变压器作为交流与直流电网的核心连接设备,直接影响着系统稳定性、能源效率与运行安全。然而,其实时监测和预测性维护面临着诸多严峻挑战,因此,精准且及时地估算电磁场分布,对于延长设备使用寿命,避免灾害性故障至关重要。

2、传统计算方法存在计算耗时极长,无法用于实时监测,仍需求解降阶方程,新工况仍慢,维度太高,训练慢、易过拟合、泛化差等问题,基于上述问题,本发明提出一种基于深度神经网络和本征正交分解的变压器磁场计算方法。

技术实现思路

1、鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度神经网络和本征正交分解的变压器磁场计算方法。

2、为了实现上述目的,本发明采用如下技术方案:

3、第一方面,本发明实施例提供一种基于深度神经网络和本征正交分解的变压器磁场计算方法,包括以下步骤:

4、步骤一:构建目标变压器的二维轴对称模型;

5、步骤二:利用得到的二维轴对称模型和有限元软件得到目标变压器在多种不同工况下的磁场数据,将每种工况下的全场磁通密度矢量数据按全局节点顺序排列为列向量,并将k个列向量组合构建快照矩阵,其中k≥2;

6、步骤三:对所述快照矩阵进行本征正交分解,提取pod模态矩阵和模态系数矩阵;

7、步骤四:以各工况的工况参数为输入特征,以所述模态系数矩阵中对应工况的列向量为学习目标,构建并训练深度神经网络,学习工况参数与模态系数之间的非线性映射关系;

8、步骤五:对于待预测的新工况,将其工况参数输入训练好的深度神经网络,预测得到对应的模态系数向量,将预测得到的模态系数向量与步骤三提取的pod模态矩阵进行线性组合,重构得到新工况的全场磁场分布。

9、进一步地,步骤一具体包括:

10、获取变压器的结构参数和材料参数;

11、在二维轴对称坐标系中构建铁心区域、绕组区域、绝缘区域和油箱区域的几何模型;

12、分别向各区域赋予对应的材料参数;

13、在绕组区域上施加激励条件并在模型外边界上设置边界条件;

14、采用结构化网格对所述铁心区域、绕组区域、绝缘区域和油箱区域分别进行独立剖分,生成覆盖整个求解域的全局网格系统,形成二维轴对称有限元模型。

15、进一步地,所述步骤二中多种不同工况包括网侧绕组的电流幅值和电流频率。

16、进一步地,步骤三具体包括:

17、对快照矩阵进行去均值化处理;

18、计算去均值化快照矩阵的相关矩阵并对所述相关矩阵进行特征分解,得到按从大到小排列的特征值和对应的特征向量;

19、根据特征分解的结果以及截断值,通过下式计算本征正交分解pod模态:

20、, i = 1, 2, …, r;r

21、其中,为去均值化快照矩阵,为第i阶pod模态向量,维度为2n,n 为全局网格节点总数;为第i个特征向量;为第i个特征值;r为保留的模态阶数;

22、由此得到pod模态矩阵φ= [φ1, φ2, …, φr],其中每列为一阶模态,各阶模态之间满足标准正交性,即,为克罗内克函数;

23、通过投影计算模态系数矩阵:

24、

25、其中,a为模态系数矩阵,维度为r×k,每一列对应一个工况下的r个模态系数。

26、进一步地,所述r的取值通过以下方式确定:

27、设定能量保留阈值η,选择满足累计能量贡献率的最小r值,所述η的取值范围为99.9%至99.99%,所述累计能量贡献率通过以下公式计算:

28、。

29、进一步地,所述步骤四中的深度神经网络为全连接深度神经网络,包含输入层、四个隐藏层和输出层,所述四个隐藏层的神经元数量依次为256、256、128、128,激活函数为leakyrelu。

30、进一步地,所述步骤五中重构新工况的磁场分布通过以下公式计算得到:

31、

32、其中,为重构的磁通密度分布向量,为深度神经网络预测的第j个模态系数,为第j阶pod模态。

33、经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于深度神经网络和本征正交分解的变压器磁场计算方法,具有以下有益效果:

34、本发明可以实现秒级磁场计算,可用于实时监控、故障诊断、优化设计、数字孪生,可推广到其他高压电气设备的电磁快速仿真。

1.一种基于深度神经网络和本征正交分解的变压器磁场计算方法,其特征在于,包括以下步骤:

2.如权利要求1所述的方法,其特征在于,步骤一具体包括:

3.如权利要求1所述的方法,其特征在于,所述步骤二中多种不同工况包括网侧绕组的电流幅值和电流频率。

4.如权利要求1所述的方法,其特征在于,步骤三具体包括:

5.如权利要求4所述的方法,其特征在于,所述r的取值通过以下方式确定:

6.如权利要求1所述的方法,其特征在于,所述步骤四中的深度神经网络为全连接深度神经网络,包含输入层、四个隐藏层和输出层,所述四个隐藏层的神经元数量依次为256、256、128、128,激活函数为leakyrelu。

7.如权利要求1所述的方法,其特征在于,所述步骤四中深度神经网络的损失函数为均方误差损失函数,优化器为adam优化器,初始学习率为0.001,采用步长学习率调度策略,当验证集损失连续5个训练轮次不再下降时,将学习率乘以衰减因子0.5。

8.如权利要求1所述的方法,其特征在于,所述步骤五中重构新工况的磁场分布通过以下公式计算得到: