一种基于深度学习的复合绝缘子均压环结构设计方法

技术领域

本发明涉及电力设备绝缘结构设计技术领域，具体涉及一种基于深度学习的复合绝缘子均压环结构设计方法。

背景技术

随着三横三纵一环网的坚强智能电网建设，我国的高压大容量输电技术也不断发展，其中复合绝缘子被广泛地应用于架空输电线路中。复合绝缘子与传统的悬式绝缘子相比，具有质量轻、抗污闪能力优异、机械强度高和便于维护等优点，在经过十几年的挂网运行考验后得到了电力部门的肯定，目前已成为我国重污秽地区优先考虑使用的设备。

复合绝缘子的电场分布极不均匀，轴向电场呈现U形曲线分布，即高、低压侧附近承受了很大的电场，可能会出现电晕放电，进而加速绝缘老化，严重时可导致芯棒酥朽断裂等故障。因此可以在复合绝缘子的高、低压侧金具部位安装均压环，降低端部附近的最大场强，使电场分布更加均匀，减少电晕和闪络的发生、延缓绝缘老化过程。但并非任意尺寸的均压环都能起到均匀电场的作用，如果结构设计不合理还可能导致复合绝缘子的绝缘性能下降。

早期一般采用穷举法来对不同复合绝缘子适配的均压环结构进行参数设计，但其需要不断调整均压环的结构尺寸参数，计算量大且费时费力。

发明内容

本发明为了克服以上技术的不足，提供了一种通过人工智能算法对复合绝缘子适配的均压环进行结构设计的方法。

本发明克服其技术问题所采用的技术方案是：

一种基于深度学习的复合绝缘子均压环结构设计方法，包括：

a)获取若干复合绝缘子及其均压环的设计图中的结构参数，建立由结构参数及电场强度数值构成的数据库；。

b)通过ANSYS MAXWELL 3D软件建立复合绝缘子及其均压环的实际尺寸三维有限元模型，对复合绝缘子装配均压环前和装配均压环后的电场分布进行计算，将计算结果导入数据库中；

c)建立LSTM深度学习模型，对数据库进行归一化处理，将归一化后的数据库按比例划分数据集后，对LSTM深度学习模型进行重复性调试训练；

d)将待计算的新生产复合绝缘子的结构参数输入到步骤c)训练完成的LSTM深度学习模型中，计算得到其适配的均压环结构参数及相应的电场分布结果，将计算结果导入数据库。

进一步的，步骤a)中复合绝缘子的结构参数包括结构高度、绝缘距离、最小干弧距离、最小爬电距离、大小伞裙的伞径和长度、护套的管径和长度、芯棒的半径和长度以及额定电压和额定机械负荷；均压环的结构参数包括均压环的管径、环径和屏蔽深度。

进一步的，步骤b)中通过ANSYS MAXWELL 3D软件建立复合绝缘子及其均压环的实际尺寸三维有限元模型后设置芯棒、护套、金具材料的介电常数参数值，之后根据三维有限元模型模拟的实际情况对未装配均压环的复合绝缘子模型及已装配均压环的复合绝缘子模型施加直流电压激励，利用ANSYS MAXWELL软件的仿真计算功能求解得到未装配均压环的复合绝缘子模型及已装配均压环的复合绝缘子模型的电场分布。

进一步的，取4个复合绝缘子模型的金具、护套和空气三者交接处的电场强度值作为参考数值并存入数据库。

进一步的，步骤c)的步骤包括：

c-1)建立LSTM深度学习模型，将数据库中的各项参数作为LSTM网络输入层的输入单元，将各个输入单元合并起来组成LSTM深度学习模型的输入层，LSTM深度学习模型的输入激活函数为sigmoid函数，其输出函数为tanh函数；

c-2)通过公式

c-3)通过公式

c-4)通过公式

c-6)通过公式

c-7)将处理后的数据库按照7:2:1的比例划分形成训练集、测试集和验证集，在LSTM深度学习模型重复性训练过程中调整超参数，LSTM深度学习模型建立后，输入验证集进行检验，采用均方根误差作为评价标准，形成预测模型。

本发明的有益效果是：当设计生产新型号复合绝缘子时，可以迅速根据经验得出适合此绝缘子的均压环结构参数，为其均压环的设计提供初始参考依据，加快设计速度，与传统设计方法相比能大大减少设计环节所需要的时间成本和经济成本。

具体实施方式

下面对本发明做进一步说明。

一种基于深度学习的复合绝缘子均压环结构设计方法，包括：

a)整理多种现有型号复合绝缘子及其均压环的设计图纸。获取若干复合绝缘子及其均压环的设计图中的结构参数，建立由结构参数及电场强度数值构成的数据库。

b)通过ANSYS MAXWELL 3D软件建立复合绝缘子及其均压环的实际尺寸三维有限元模型，对复合绝缘子装配均压环前和装配均压环后的电场分布进行计算，将计算结果导入数据库中；

c)建立LSTM深度学习模型，对数据库进行归一化处理，将归一化后的数据库按比例划分数据集后，对LSTM深度学习模型进行重复性调试训练；

d)将待计算的新生产复合绝缘子的结构参数输入到步骤c)训练完成的LSTM深度学习模型中，计算得到其适配的均压环结构参数及相应的电场分布结果，将计算结果导入数据库。

当设计生产新型号复合绝缘子时，可以迅速根据经验得出适合此绝缘子的均压环结构参数，为其均压环的设计提供初始参考依据，加快设计速度，与传统设计方法相比能大大减少设计环节所需要的时间成本和经济成本。

实施例1：

进一步的，步骤a)中复合绝缘子的结构参数包括结构高度、绝缘距离、最小干弧距离、最小爬电距离、大小伞裙的伞径和长度、护套的管径和长度、芯棒的半径和长度以及额定电压和额定机械负荷共14个参数。均压环的结构参数包括均压环的管径、环径和屏蔽深度共3个参数。建立结构参数数据库，将上述17个参数作为一组数据存入结构参数及电场强度数值数据库，每组数据都预留4个参数位等到下一步添加4个电场强度值。

实施例2：

步骤b)中通过ANSYS MAXWELL 3D软件建立复合绝缘子及其均压环的实际尺寸三维有限元模型后设置芯棒、护套、金具材料的介电常数参数值，之后根据三维有限元模型模拟的实际情况对未装配均压环的复合绝缘子模型及已装配均压环的复合绝缘子模型施加直流电压激励，利用ANSYS MAXWELL软件的仿真计算功能求解得到未装配均压环的复合绝缘子模型及已装配均压环的复合绝缘子模型的电场分布。对复合绝缘子装配与未装配均压环的两种情况进行仿真、取高、低压侧金具、护套和空气三者交界处的电场强度值，共4个数据，将4个电场强度值与步骤1中的17个参数作为一组数据存入数据库。

实施例3：

取4个复合绝缘子模型的金具、护套和空气三者交接处的电场强度值作为参考数值并存入数据库。

实施例4：

步骤c)的步骤包括：

c-1)建立LSTM深度学习模型，将数据库中的各项参数作为LSTM网络输入层的输入单元，将各个输入单元合并起来组成LSTM深度学习模型的输入层，LSTM深度学习模型的输入激活函数为sigmoid函数，其输出函数为tanh函数。

c-2)通过公式

c-4)通过公式

c-6)通过公式

c-7)将处理后的数据库按照7:2:1的比例划分形成训练集、测试集和验证集，在LSTM深度学习模型重复性训练过程中调整超参数，LSTM深度学习模型建立后，输入验证集进行检验，采用均方根误差作为评价标准，形成预测模型。

最后将待计算的新生产复合绝缘子的结构高度、绝缘距离、最小干弧距离、最小爬电距离、大小伞裙的伞径和长度、护套的管径和长度、芯棒的半径和长度以及额定电压和额定机械负荷共14个参数为一组，以输入列向量的形式输入到建立好的LSTM网络深度学习模型中，计算出其适配的均压环结构参数，并获得模型给出的电场强度值，即输出均压环的管径、环径和屏蔽深度以及装配均压环前后的高低压侧电场强度值。最后通过ANSYS软件进行电场仿真，进行结果对照，验证其结果的合理性，无误后将以上结果导入数据库。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。