[發(fā)明專利]一種基于深度學習替代有限元分析的電抗器磁場仿真方法

在審

• 申請?zhí)枺?/td>: 202110253268.6
• 申請日: 2021-03-05
• 公開（公告）號: CN112784499A
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計）人: 彭慶軍;鄭澤忠;馬鵬程;鄒閱培;侯安鍇
• 申請（專利權(quán)）人: 云南電網(wǎng)有限責任公司電力科學研究院;云南電網(wǎng)有限責任公司昆明供電局
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F119/02
• 代理公司: 北京弘權(quán)知識產(chǎn)權(quán)代理有限公司 11363
• 代理人: 逯長明;許偉群

1.一種基于深度學習替代有限元分析的電抗器磁場仿真方法，其特征在于，主要包括一下步驟：

獲取電抗器的磁場數(shù)據(jù)以及所述磁場數(shù)據(jù)所對應的電抗器基本參數(shù)；

將所述磁場數(shù)據(jù)劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集；

對所述訓練數(shù)據(jù)集進行預處理，得到特征向量值及對應的特征值；

將所述訓練數(shù)據(jù)集對應的所述電抗器基本參數(shù)作為輸入信息、將所述特征向量值作為輸出信息，對深度學習模型進行訓練；

將所述測試數(shù)據(jù)集對應的所述電抗器基本參數(shù)輸入到所述深度學習模型中，得到測試結(jié)果；

對所述測試結(jié)果進行反處理操作，即得到電抗器磁場的仿真結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于深度學習替代有限元分析的電抗器磁場仿真方法，其特征在于，所述數(shù)據(jù)磁場包括存儲于有限元分析軟件中的、不同電流下的電抗器磁場數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的基于深度學習替代有限元分析的電抗器磁場仿真方法，其特征在于，

所述預處理包括：先計算所述訓練數(shù)據(jù)集的均值，并進行去均值操作；

再采用主成分分析方法對所述訓練數(shù)據(jù)集進行降維處理，得到三維特征向量值和對應的三維特征值。

4.根據(jù)權(quán)利要求1所述的基于深度學習替代有限元分析的電抗器磁場仿真方法，其特征在于，所述電抗器基本參數(shù)包括電流、線圈匝數(shù)、導線橫截面積以及線圈尺寸等。

5.根據(jù)權(quán)利要求1所述的基于深度學習替代有限元分析的電抗器磁場仿真方法，其特征在于，所述深度學習模型包括：包括至少一個輸入層、至少二個隱含層及至少一個輸出層，其中，每個輸入層的神經(jīng)元個數(shù)與所述輸入信息的個數(shù)相同，每個輸出層中的神經(jīng)元個數(shù)與所述特征值的個數(shù)相同。

6.根據(jù)權(quán)利要求1所述的基于深度學習替代有限元分析的電抗器磁場仿真方法，其特征在于，對深度學習模型進行訓練還包括選取并設(shè)置所述隱含層參數(shù)、選擇激活函數(shù)、選擇減少過擬合的方法以及計算損失函數(shù)。

7.根據(jù)權(quán)利要求6所述的基于深度學習替代有限元分析的電抗器磁場仿真方法，其特征在于，所述深度學習模型是采用K折交叉驗證法進行精度評估后所篩選出的最優(yōu)模型。

8.根據(jù)權(quán)利要求1-7任意一項所述的基于深度學習替代有限元分析的電抗器磁場仿真方法，其特征在于，所述反處理操作包括：先利用所述三維特征向量對所述測試結(jié)果進行反變換后，再加上所述均值，即可獲得電抗器磁場的仿真結(jié)果。

9.一種電子設(shè)備，其特征在于，包括：

處理器以及存儲器；

所述存儲上存儲有計算機可讀指令，所述計算機可讀指令被所述處理器執(zhí)行時實現(xiàn)根據(jù)權(quán)利要求1-8中任一項所述的基于深度學習替代有限元分析的電抗器磁場仿真方法。