一种变压器材料适配筛选与优化方法、系统、设备及介质与流程

摘要: 本发明属于变压器材料适配,具体涉及一种变压器材料适配筛选与优化方法、系统、设备及介质。背景技术:1、液体绝缘介质是液浸式变压器核心功能介质,同步承担电气绝缘、散...
一种变压器材料适配筛选与优化方法、系统、设备及介质与流程

本发明属于变压器材料适配,具体涉及一种变压器材料适配筛选与优化方法、系统、设备及介质。

背景技术:

1、液体绝缘介质是液浸式变压器核心功能介质,同步承担电气绝缘、散热导热、固体绝缘材料浸润保护、界面电场稳定多重作用。随着海上风电、轨道交通牵引供电、城市高密度配电、特种军工电气装备等高防火、高安全等级变压器快速迭代,传统矿物油、酯类绝缘油闪点、燃点偏低、热分解易产生可燃气体的短板凸显,具备超高阻燃、低挥发、化学惰性强、热稳定优异特性的氟碳液,成为新一代高安全液浸变压器绝缘冷却介质的优选方案。

2、变压器腔体内部同时共存数十类异构材料,涵盖纸基绝缘件(绝缘纸、芳纶纸、绝缘纸板)、高分子密封与绝缘构件(环氧树脂、密封橡胶、绝缘漆、漆包线绝缘层、结构胶)、金属及涂层基材(铜材、铝材、硅钢片绝缘涂层)等。氟碳液长期高温浸润工况下会与各类固体材料发生双向交互作用:一方面,氟碳液小分子易渗入高分子材料内部,引发材料溶胀、力学强度衰减、表面开裂、分层剥离、密封失效;另一方面,高分子内部增塑剂、低分子树脂、极性填料、金属氧化析出物会反向溶出至氟碳液中,造成绝缘介质酸值上升、介质损耗因数激增、体积电阻率下降、击穿电压劣化、液体浑浊沉淀,大幅缩短变压器整机服役寿命,严重时引发局放、绝缘击穿等安全事故。因此,氟碳液与变压器各类结构材料的相容性适配筛选,是氟碳液工程化落地前必不可少的前置验证环节。

3、当前行业内氟碳液—变压器材料相容性评价完全依赖人工经验驱动的静态试验矩阵法,整体流程存在多维度固有缺陷,具体如下:

4、1、试验组合爆炸,验证周期长、试验成本极高

5、相容性验证需同时遍历多牌号氟碳液、多品类固体材料、多组分配伍体系、多梯度加速老化工况(温度、时长、氧含量、液固比、金属催化条件),各类变量交叉后待测试组合呈乘法级增长。受实验室烘箱、样品制备、理化检测设备产能限制,全矩阵遍历试验动辄持续数月至数年,消耗大量氟碳液、绝缘材料与人工检测成本;企业在新型氟碳液开发阶段,往往只能人为删减大量试验组别,极易遗漏高失配风险的材料组合。

6、2、高风险组合无法提前甄别

7、传统试验模式遵循“先试验、后评价”的后置逻辑,必须完成完整加速老化流程后,才能依据固相尺寸或力学变化、液相电气性能指标判断适配性。对于萃取严重、密封溶胀、液相绝缘快速劣化等高危险组合,无法提前预警,只能投入全流程老化试验后才能发现失效,造成试验资源无效消耗。

8、3、无法全面表征老化失效模式

9、现有相容性评价仅选取少量宏观理化指标作为判定依据,对老化过程中产生的多维度失效信息利用率极低,单一指标极易出现评价误判(例如单一材料力学性能无衰减,但谱图检出大量低分子萃取物,长期服役仍存在潜伏风险)。

10、4、试验方案完全依赖人工经验

11、现有试验矩阵由研发人员根据行业经验手动制定,面对海量候选组合时,难以区分“高风险待验证样本”、“模型盲区未知样本”、“低价值重复样本”;试验数据完成检测后仅用于单次适配判定,无闭环反馈优化流程,历史试验数据无法反哺下一轮试验方案设计,每批次试验均为独立开环操作,数据资产复用率极低。

12、专利公开号cn120971561a公开了一种变压器结构材料与绝缘液的相容性评估方法、装置、电子设备及存储介质,该专利采用绝缘液理化指标、固体材料尺寸力学电性能指标作为基础评价数据,配套时间序列特征提取与熵权动态赋权模型,通过ts-rsr (timeseries rank-sum ratio;时间序列秩和比法)秩次加权融合计算得到绝缘液—材料组合相容性综合评分,可基于多周期老化试验数据量化材料长期劣化演化程度,实现相容性优劣分级判定。但是其仅依托一维时序理化数值构建静态开环打分模型,无法融合图像、谱图跨模态隐性失效信息,难以解决氟碳液专属交互失效识别、模型预测盲区量化、试验方案自主迭代优化、全流程闭环智能筛选的核心痛点。

技术实现思路

1、本发明的目的在于提供一种面向氟碳液变压器材料适配的智能筛选与试验优化方法,以解决现有氟碳液材料适配研究中试验组合多、验证周期长、数据利用率低、风险边界不清晰和后续试验依赖人工经验的问题。

2、本发明通过以下技术手段实现解决上述技术问题的:

3、一种变压器材料适配筛选与优化方法,包括以下步骤:

4、s1、建立氟碳液变压器的适配数据集;

5、s2、对适配数据集进行清洗、标准化、缺失补全和异常识别,构建老化响应指纹库;

6、s3、生成材料适配画像;

7、s4、训练材料适配图像的智能筛选模型;

8、s5、对所述智能筛选模型的输出结果进行不确定性评估,确定待预测组合是否在适配可信域内;

9、s6、根据不同氟碳液、不同变压器材料、不同材料组合和不同加速老化工况构建候选试验池;

10、s7、计算候选试验的试验导航评分;

11、s8、根据所述试验导航评分自动推荐下一轮加速老化试验;

12、s9、将下一轮加速老化试验的新数据反馈至老化响应指纹库并更新智能筛选模型,形成闭环试验优化流程。

13、本发明构建了数据集建立、指纹库构建、画像生成、模型训练、可信域评估、候选试验池、试验导航评分、试验自动推荐、数据回流更新的完整闭环流程,克服传统相容性评价开环、完全依赖人工经验设计试验的缺陷;实现从经验式材料筛选转变为预测推荐验证再学习的智能化闭环筛选,大幅降低氟碳液变压器材料适配的盲目试验数量,提升材料组合筛选效率。

14、优选的,步骤s3生成材料适配画像之前,需要构建氟碳液描述符、材料描述符、老化工况描述符、固相响应描述符、液相响应描述符、图像描述符和谱图描述符;所述图像描述符是通过图像编码模型对老化后的固体材料、氟碳液外观、显微结构及三维轮廓等图像进行特征提取而获得的量化表征参数,所述谱图描述符是基于谱图编码模型,对傅里叶红外光谱、拉曼光谱、紫外可见光谱、气相色谱、质谱、热重曲线及差示扫描量热曲线等谱图数据进行特征提取后所得的量化指标。

15、限定七类描述符,纳入图像、谱图两类非结构化数据,兼顾可视失效与微观隐性失效,避免仅靠理化指标造成潜伏失配风险漏判。

16、优选的,步骤s3中所述材料适配画像的过程包括,将不同来源的数据转化为统一输入特征,该特征向量满足;

17、对于数值型特征,利用公式对进行标准化处理;

18、对于类别型材料特征,利用公式

19、,对进行标准化处理;

20、式中:为氟碳液描述符,为材料描述符,为老化工况描述符,为初始性能描述符,为图像描述符,为谱图描述符;为第个原始特征值;为该特征在指纹库全部训练样本上的均值;为该特征在指纹库全部训练样本上的标准差;为标准化之后的特征;分别为氟碳液、材料、老化工况、初始性能、图像、谱图对应的特征编码函数,代表特征拼接或特征融合运算。

21、对多源异构数据分别完成标准化、编码与特征融合,消除不同模态数据格式、量纲差异,为模型提供统一规范输入,保障模型训练与预测稳定性。

22、优选的,步骤s4中,所述智能筛选模型包括氟碳液特征编码器、材料特征编码器、老化工况编码器、图像编码器、谱图编码器、特征融合层、多任务预测层和不确定性输出层。

23、限定多分支跨模态模型架构,分通道处理不同来源特征并融合,同时支持预测与不确定性输出,提升失配风险识别的完备性。

24、优选的,步骤s4中所述智能筛选模型的输出式为:;式中,为模型参数,为风险事件数量,用于表征固体材料在氟碳液中的结构稳定余量、用于表征氟碳液经材料作用后的性能保持余量、用于综合表征该氟碳液—材料—工况组合的适配程度、为相容等级,表示各风险事件概率。

25、模型同步输出材料适配余量、液相保持余量、组合适配评分、相容等级、风险事件概率,突破单一综合评分的局限,实现多维度量化评价。

26、优选的,所述的计算公式为:;

27、所述计算公式为:;

28、所述计算公式为:;

29、所述风险事件概率的计算方法为:;

30、式中:为第项固体材料响应归一化失配评分,为权重系数,为固相响应指标总数量;为第项液相响应归一化失配评分,为权重系数,为液相响应指标总数量;为权重系数;为风险门控项,为第类风险事件的判别函数,为概率映射函数。

31、限定适配余量、组合适配评分、风险概率的具体计算方式,通过风险门控项对严重失配事件进行惩罚,量化固体、液体双向劣化程度,评价结果更贴合工程实际风险。

32、优选的,步骤s4中所述智能筛选模型采用多任务损失函数联合训练,多任务损失函数表达式:

33、式中:为均方误差损失,为交叉熵损失,表示风险事件二分类交叉熵损失,为模型参数正则化项,为各损失项权重系数,为模型参数。

34、采用多任务损失函数联合训练,同时约束回归预测、等级分类、风险识别任务精度,兼顾评分预测准确度和多类失配风险识别能力。

35、优选的,所述模型参数可按照式下述公式进行迭代更新:;式中,表示第次迭代的模型参数,为学习率,表示对模型参数求梯度。

36、限定模型参数迭代更新方式,实现模型参数的梯度优化,保障模型能够依据样本数据持续迭代收敛,提升预测精度。

37、优选的,步骤s5中,计算预测均值与预测不确定性,其计算方法为:;;式中,为第次预测得到的组合适配评分,为平均预测值,为预测不确定性,为随机前向计算总次数;

38、同时计算待预测材料适配画像与老化响应指纹库内已知样本画像之间的特征距离,其计算公式为:;当特征距离超过预设距离阈值,或者不确定性超过预设不确定性阈值,则判定待预测组合处于适配可信域之外,标记为优先验证样本,不输出确定性适配结论。

39、结合预测不确定性与特征距离划定适配可信域,对域外样本标记优先验证,避免模型对陌生组合输出不可靠结论,提升预测结果工程可靠性。

40、优选的,步骤s7中,候选试验的试验导航评分的计算公式为:

41、;

42、式中:为模型预测不确定性,为综合风险概率,为预期信息增益,为工程关注权重,为试验成本,为试验周期;为权重系数。

43、设置试验导航评分,综合不确定性、风险、信息增益、成本、周期多维度因素,实现候选试验的量化排序,优先选出高价值试验组合。

44、优选的,所述综合风险概率计算公式:;式中:为第类风险事件对应的工程重要性权重,为第类风险事件的预测概率,表示风险事件数。

45、通过工程权重加权得到综合风险概率,可针对不同变压器材料设置差异化风险权重,贴合不同零部件工程风险关注点。

46、优选的,步骤s8中所述推荐需要一次性推荐多个实验时,引入多样性约束,所述多样性约束的试验集合,目标表达式为:;式中:代表候选试验池,或为推荐试验数量,为两个候选试验之间相似度,为多样性惩罚系数。

47、引入批次多样性约束,避免推荐试验过度集中,兼顾高价值样本与样本代表性,有限试验批次内扩大失配边界识别覆盖范围。

48、优选的,步骤 s9 所述更新智能筛选模型包括以下至少一项:新增样本入库、标签修正、模型权重重训练、模型增量学习、风险阈值更新、适配可信域扩展。

49、本发明还公开了一种采用上述变压器材料适配筛选与优化方法的系统,数据采集模块,用于采集氟碳液基础属性、变压器材料结构属性、加速老化工况、固相老化响应、液相老化响应、图像响应和谱图响应,建立氟碳液变压器的适配数据集;

50、老化响应指纹库模块,用于对适配数据集进行清洗、标准化、缺失补全和异常识别,构建老化响应指纹库;

51、材料适配画像生成模块,用于构建氟碳液描述符、材料描述符、老化工况描述符、固相响应描述符、液相响应描述符、图像描述符、谱图描述符,并生成材料适配画像;

52、智能筛选模型模块,用于以材料适配画像作为输入,训练智能筛选模型;

53、不确定性评估模块,用于对智能筛选模型输出结果开展不确定性评估,判断待预测组合是否落在适配可信域内;

54、候选试验池构建模块,用于依据不同氟碳液、不同变压器材料、不同材料组合、不同加速老化工况构建候选试验池;

55、试验导航模块,用于计算候选试验对应的试验导航评分,并依据试验导航评分自动推荐下一轮加速老化试验;

56、试验反馈模块,用于将下一轮加速老化试验得到的新试验数据回流至老化响应指纹库,并更新智能筛选模型,形成预测推荐验证再学习的闭环试验优化流程;

57、报告生成模块,用于输出材料适配相关报告。

58、本发明还公开了一种采用上述变压器材料适配筛选与优化方法的设备,包括处理器、存储器以及存储在所述存储器中并可由所述处理器执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的变压器材料适配筛选与优化方法。

59、本发明还公开了一种采用上述变压器材料适配筛选与优化方法的介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的变压器材料适配筛选与优化方法。

60、本发明的优点在于:

61、(1)多模态融合,失效识别更全面:突破传统仅依靠理化指标的评价模式,融合理化、图像、谱图多源异构信息,同时捕捉表面可视失效以及萃取、裂解等微观隐性失效,避免潜伏失配风险漏判,完整刻画氟碳液—材料—工况耦合老化响应;

62、(2)设置适配可信域,预测结果工程可靠性高:本技术引入预测不确定性与特征距离判别适配可信域,对训练样本覆盖不足的新型氟碳液或材料组合标记为优先验证样本,杜绝模型盲目外推给出错误确定性结论,适配新产品研发筛选场景;

63、(3)试验导航主动优化,降低试验成本:通过试验导航评分综合风险、信息增益、试验成本、批次多样性自动推荐高价值试验,由人工经验选试验转变为信息增益驱动选试验,大幅减少低价值重复老化试验,缩短研发验证周期;

64、(4)持续扩充适配知识库:构建预测—推荐—验证—再学习完整闭环,新试验数据回流老化响应指纹库,实现模型、风险阈值、适配可信域增量更新;随数据积累不断扩大材料适配认知边界,持续提升筛选与风险预判能力。