基于深度学习的绝缘盆子优化设计方法与流程

摘要: 本发明涉及输变电装备,尤其是涉及一种基于深度学习的绝缘盆子优化设计方法。背景技术:1、随着电力系统的不断发展,对高压电力传输设备的性能要求日益提高。绝缘盆子作为...
基于深度学习的绝缘盆子优化设计方法与流程

本发明涉及输变电装备,尤其是涉及一种基于深度学习的绝缘盆子优化设计方法。

背景技术:

1、随着电力系统的不断发展,对高压电力传输设备的性能要求日益提高。绝缘盆子作为气体绝缘金属封闭开关设备(gis)、气体绝缘输电线路(gil)等高压设备中的关键绝缘部件,其结构设计直接影响设备的电气绝缘性能、热稳定性和机械可靠性。目前,有限元仿真技术已被广泛应用于绝缘盆子的设计和优化。有限元方法通过离散化求解偏微分方程,可以获得较高精度的物理场分布结果。然而,传统有限元仿真方法存在以下问题:1、计算耗时长:绝缘盆子结构复杂,多物理场耦合仿真计算量大,单次仿真耗时长;2、迭代效率低:每次调整几何结构后都需要重新进行设置求解,难以实现快速迭代;3、资源消耗大:多目标、多参数优化需要多次仿真调用,在计算资源和时间成本上难以承受。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的绝缘盆子优化设计方法,缩短了设计周期。

2、本发明的目的可以通过以下技术方案来实现:

3、基于深度学习的绝缘盆子优化设计方法,包括以下步骤:

4、s1、获取绝缘盆子的历史设计数据,并对历史设计数据进行数据标准化处理,得到样本数据集;

5、s2、对绝缘盆子的结构进行可参数化识别,提取关键输入参数,构建参数化设计空间;

6、s3、结合历史方案与试验设计抽样方法生成样本方案,经批量建模仿真得到样本数据以补充样本数据集;

7、s4、利用样本数据集训练深度算子网络,得到绝缘盆子的快速仿真模型;

8、s5、对候选结构性能进行快速评估,把候选结构方案的参数向量与待预测空间坐标输入所述快速仿真模型,获取多物理场响应预测值;

9、s6、根据性能预测结果与设计目标的偏差,判断候选结构方案是否满足设计要求,若不满足,则对关键输入参数进行优化调整,直至得到满足设计要求的最优结构设计方案;

10、s7、对最优结构设计方案开展高精度仿真,将高精度仿真结果增补至样本集,并计算快速仿真模型的预测结果与高精度仿真结果的相对误差,若相对误差大于预设阈值,则对快速仿真模型进行模型更新后返回步骤s5、s6重新评估优化,否则判定模型精度达标并结束优化任务。

11、进一步地,所述历史设计数据的来源包括:企业历史设计案例库、有限元仿真数据库、实验测试数据、公开文献数据;每条历史设计数据的内容包括:绝缘盆子几何结构参数、材料参数、边界条件、载荷条件以及对应的电场分布、温度分布、应力分布的仿真结果。

12、进一步地,所述关键输入参数包括绝缘盆子的几何参数、材料参数、边界条件参数,以及可选的运行工况参数。

13、进一步地,所述步骤s3具体包括:

14、依据所述历史设计数据的参数分布确定关键输入参数的取值范围,选取典型历史方案作为数据集初始样本方案,通过试验抽样方法生成新增样本方案,基于关键输入参数批量生成各样本方案所对应的三维模型与仿真工况设置,通过有限元多物理场仿真得到对应的参数向量与多物理场仿真结果,补充样本数据集。

15、进一步地,所述深度算子网络包括分支网络和主干网络,分支网络的输入为描述绝缘盆子关键输入参数的参数向量,主干网络的输入为待预测点的空间坐标,网络输出为待预测点处的物理量。

16、进一步地,所述候选结构方案的参数向量生成方法包括:

17、在优化初始阶段,采用试验抽样方法生成初始候选结构方案的参数向量组合;在迭代优化阶段,依据前一轮评估结果,采用优化算法生成新候选结构方案的参数向量组合。

18、进一步地,所述试验抽样方法为拉丁超立方抽样、sobol序列、均匀设计或正交试验设计方法。

19、进一步地,所述优化算法为遗传算法、粒子群算法、差分进化算法或贝叶斯优化算法。

20、进一步地,所述多物理场响应包括电场分布、电势分布、电场强度最大值、温度分布、最高温升、热流密度、应力分布、形变量以及安全系数中的至少一种。

21、进一步地,所述步骤s7中对最优结构设计方案开展高精度仿真具体包括:

22、将最优结构设计方案对应的参数向量输入高精度有限元仿真模型,生成几何模型并进行仿真校验,得到精确仿真结果。

23、与现有技术相比,本发明带来的有益效果包括:

24、1、基于历史设计数据确定关键输入参数取值范围,选取典型历史方案作为数据集初始数据,充分复用已有绝缘盆子设计经验,减少样本盲目生成,有效提升样本质量,提高历史设计数据的利用效率。

25、2、基于深度算子网络deeponet构建快速仿真模型,能够对候选结构方案开展多物理场性能快速评估,可替代耗时数小时的传统高精度有限元仿真,大幅缩短单次候选方案的性能评估时间。

26、3、关键输入参数包括几何参数、材料参数、边界条件参数,以及可选的运行工况参数,覆盖影响绝缘盆子多物理场性能的主要设计变量;将参数化建模技术与优化算法相结合,实现绝缘盆子关键输入参数的高效寻优。

27、4、构建数据闭环更新机制,每次高精度仿真校验得到的仿真结果均可补充至样本集,使快速仿真模型能够随样本数据积累持续迭代优化,不断提升模型的预测精度与泛化能力。

1.基于深度学习的绝缘盆子优化设计方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于深度学习的绝缘盆子优化设计方法,其特征在于,所述历史设计数据的来源包括:企业历史设计案例库、有限元仿真数据库、实验测试数据、公开文献数据;每条历史设计数据的内容包括:绝缘盆子几何结构参数、材料参数、边界条件、载荷条件以及对应的电场分布、温度分布、应力分布的仿真结果。

3.根据权利要求1所述的基于深度学习的绝缘盆子优化设计方法,其特征在于,所述关键输入参数包括绝缘盆子的几何参数、材料参数、边界条件参数,以及可选的运行工况参数。

4.根据权利要求1所述的基于深度学习的绝缘盆子优化设计方法,其特征在于,所述步骤s3具体包括:

5.根据权利要求1所述的基于深度学习的绝缘盆子优化设计方法,其特征在于,所述深度算子网络包括分支网络和主干网络,分支网络的输入为描述绝缘盆子关键输入参数的参数向量,主干网络的输入为待预测点的空间坐标,网络输出为待预测点处的物理量。

6.根据权利要求1所述的基于深度学习的绝缘盆子优化设计方法,其特征在于,所述候选结构方案的参数向量生成方法包括:

7.根据权利要求6所述的基于深度学习的绝缘盆子优化设计方法,其特征在于,所述试验抽样方法为拉丁超立方抽样、sobol序列、均匀设计或正交试验设计方法。

8.根据权利要求6所述的基于深度学习的绝缘盆子优化设计方法,其特征在于,所述优化算法为遗传算法、粒子群算法、差分进化算法或贝叶斯优化算法。

9.根据权利要求1所述的基于深度学习的绝缘盆子优化设计方法,其特征在于,所述多物理场响应包括电场分布、电势分布、电场强度最大值、温度分布、最高温升、热流密度、应力分布、形变量以及安全系数中的至少一种。

10.根据权利要求1所述的基于深度学习的绝缘盆子优化设计方法,其特征在于,所述步骤s7中对最优结构设计方案开展高精度仿真具体包括: