[發明專利]確定高壓盆式絕緣子結構參數的計算機裝置、設備及方法

有效

• 申請號: 201910585399.7
• 申請日: 2019-07-01
• 公開（公告）號: CN110287629B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 張施令;姚強;宮林;苗玉龍
• 申請（專利權）人: 國網重慶市電力公司電力科學研究院;國家電網有限公司
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 劉新雷

1.一種確定高壓盆式絕緣子結構參數的計算機裝置，其特征在于，包括：

性能參數采集模塊，用于獲取待測盆式絕緣子本體材料的性能參數，并得到各性能參數間的非線性關系，所述性能參數包括電性能參數、熱性能參數及機械性能參數；

電-熱-機性能耦合計算模塊，用于利用預先構建電-熱-機性能耦合計算模型，得到所述待測盆式絕緣子的電場分布、溫度分布及應力分布；所述電-熱-機性能耦合計算模型為基于有限元法和各性能參數間的非線性關系進行構建；

多物理場解耦計算模塊，用于利用預先構建的盆式絕緣子三維有限元模型分別在所述電場分布、所述溫度分布及所述應力分布進行解耦計算；

仿真模擬模塊，用于分別在電場模擬環境、溫度場模擬環境和應力場模擬環境中對所述盆式絕緣子三維有限元模型在預設位置處進行模擬運算；

結構參數確定模塊，用于利用預先構建的深度學習網絡模型對仿真模擬結果進行非線性反演學習，得到所述待測盆式絕緣子的結構參數；

所述確定高壓盆式絕緣子結構參數的計算機裝置，其特征在于，還包括網絡模型訓練模塊；所述網絡模型訓練模塊包括：

模型框架構建子模塊，用于構建所述深度學習網絡模型結構框架，所述深度學習網絡模型結構為包括設置有3個神經元的輸入層、6個神經元的隱含層和4個神經元的輸出層的RBF神經網絡；所述RBF神經網絡的輸入為盆式絕緣子罩入深度、中心導體徑向厚度及盆式絕緣子外徑；所述RBF神經網絡的輸出為盆式絕緣子均壓罩表面最大電場強度、盆式絕緣子表面最大電場強度、盆式絕緣子本體與中心導體表面最大溫度值、盆式絕緣子本體最大應力值；

模型訓練子模塊，用于在所述深度學習網絡模型訓練過程中利用粒子群算法優化徑向基中心和基帶寬度。

2.根據權利要求1所述的確定高壓盆式絕緣子結構參數的計算機裝置，其特征在于，所述性能參數采集模塊包括：

參數獲取子模塊，用于獲取所述待測盆式絕緣子本體材料的介電常數、損耗角正切值、導熱系數、彈性模量、泊松比和熱膨脹系數；

非線性關系計算子模塊，用于計算得到所述待測盆式絕緣子本體材料的導熱系數、熱容量分別與溫度關系，介電性能參數隨溫度變化關系，熱重試驗、熱膨脹系數分別隨溫度變化關系。

3.根據權利要求2所述的確定高壓盆式絕緣子結構參數的計算機裝置，其特征在于，所述仿真模擬模塊為分別在中心導體、接地法蘭、均壓罩處對所述盆式絕緣子三維有限元模型進行仿真模擬的模塊。

4.根據權利要求1-3任意一項所述的確定高壓盆式絕緣子結構參數的計算機裝置，其特征在于，還包括電-熱-機性能耦合計算模型預構建模塊，所述電-熱-機性能耦合計算模型預構建模塊包括：

電場計算環境搭建子模塊，用于基于各性能參數間的非線性關系在電場計算環境中預先設置介電常數與溫度的非線性關系、損耗角正切值與溫度的非線性關系，并構建電場有限元計算模型；

溫度計算環境搭建子模塊，用于基于各性能參數間的非線性關系在溫度計算環境中預先設置導熱系數與溫度的非線性關系、熱容量與溫度的非線性關系，將從所述電場有限元計算模型獲取的中心導體渦流發熱數據和本體介質發熱數據作為溫度計算環境的邊界條件，并構建溫度場有限元計算模型；

邊界條件計算子模塊，用于基于所述中心導體渦流發熱數據和所述本體介質發熱數據，獲取所述溫度場有限元計算模型的溫度分布信息，并根據所述溫度分布信息為所述電場計算環境設置溫度值以作為所述電場計算環境的邊界條件，根據所述溫度分布信息為應力計算環境設置有限元溫度值以作為所述應力計算環境的邊界條件；

應力計算環境搭建子模塊，用于基于各性能參數間的非線性關系在所述應力計算環境中預先設置中心導體熱膨脹系數與溫度的非線性關系、本體材料熱膨脹系數與溫度的非線性關系，構建應力場有限元計算模型；

應力參數計算子模塊，用于基于所述待測盆式絕緣子本體材料的有限元溫度，獲取所述應力場有限元計算模型的應力值和位移值；

電場計算環境邊界條件設置子模塊，用于根據所述應力場有限元計算模型的有限位移值為所述電場計算環境設置邊界條件。