CN119918468B 一种大型充油主设备内部故障承受时间评估方法 （西安交通大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN119918468B(65)同一申请的已公布的文献号(73)专利权人西安交通大学地址710049陕西省西安市碑林区咸宁西路28号(72)发明人闫晨光桑凡雅刘浩(74)专利代理机构西安通大专利代理有限责任公司61200专利代理师李垌烨审查员田媛媛(54)发明名称一种大型充油主设备内部故障承受时间评估方法本发明公开了一种大型充油主设备内部故障承受时间评估方法，属于电力系统充油主设备继电保护技术领域。在充油主设备内部故障电流范围内获得多个故障电流；建立充油主设备三维几何仿真模型和网格模型；调用暂态压力基求解器，模拟充油主设备在故障电流条件下的湍流现象和油压升高现象，判断充油主设备是否发生破裂，获得充油主设备在不同故障电流下的允许故障承受时间，通过卷积神经网络中卷积层、池化层以及全连接层建立故障电流与允许故障承受时间映射的神经网络模型，实现对充油主设备的允许故障承受时间评估。精确捕捉充油主设备在高应力状态下的断裂与失效现象，从而为充油主21.一种大型充油主设备内部故障承受时间评估方法，其特征在于，包括以下步骤：步骤一：在充油主设备内部电弧故障的故障电流范围内获得多个故障电流iarc;步骤二：建立充油主设备三维几何仿真模型，根据充油主设备三维几何仿真模型建立充油主设备网格模型；步骤三：调用暂态压力基求解器，进行充油主设备的流固耦合计算；S1、基于多个故障电流larc,在充油主设备网格模型中模拟充油主设备内部的油压升高S2、模拟充油主设备内部流体动态变化引发的湍流现象，并将充油主设备的湍流现象S3、根据油压变化以及Realizablek-ε模型获得油压载荷；S4、将油压载荷输入到充油主设备的固体计算域中，获得充油主设备网格模型的网格点在x,y和z方向上的位移向量U,通过位移向量U,获得充油主设备网格模型在x,y和z三个S5、根据充油主设备网格模型在x,y和z三个方向上的主应变E1、E2和ε3判断充油主是否破裂，若发生破裂，则记录充油主设备在不同故障电流larc下的允许故障承受时间，若步骤四：根据充油主设备在不同故障电流larc下的允许故障承受时间，基于卷积神经网络，建立故障电流与允许故障承受时间的神经网络模型，输出充油主设备在不同故障电流larc时的允许故障承受时间结果。2.根据权利要求1所述的一种大型充油主设备内部故障承受时间评估方法，其特征在于，所述步骤二中，所述建立充油主设备网格模型的方法具体为：利用渐进尺寸函数对充油主设备三维几何仿真模型进行离散化处理，在靠近边界、角落和曲线附近的网格直径逐步减小，并在距离增大时网格直径逐步增大。3.根据权利要求1所述的一种大型充油主设备内部故障承受时间评估方法，其特征在于，所述在充油主设备网格模型中模拟充油主设备内部的油压升高过程，利用气泡动力学模拟充油主设备内部的油压升高过程，气泡动力学方程式为：泡膨胀过程中表面张力对外做功，W₆表示气泡膨胀过程中粘性力对外做功，U₀表示气泡初34.根据权利要求1所述的一种大型充油主设备内部故障承受时间评估方法，其特征在于，所述模拟充油主设备内部流体动态变化引发的湍流现象的方法具体为：利用动网格更新充油主设备内部的瞬时流体场，通过捕捉流体在充油主设备结构变化过程中的流动特性和物理量的瞬态变化来模拟充油主设备内部的气泡膨胀导致的流体动态变化引发的湍流式中，表示对时间的导数，p是流体的密度，u是流速矢量，A是面积矢量，T是扩散系5.根据权利要求4所述的一种大型充油主设备内部故障承受时间评估方法，其特征在于，动网格更新使用拉普拉斯光顺模型，拉普拉斯光顺模型的计算公式为：6.根据权利要求1所述的一种大型充油主设备内部故障承受时间评估方法，其特征在式中，k表示湍流动能，Ok表示湍流动能k的微分变化量，0t表示时间的微分，dx;表示表示分子黏度，Vt表示湍流黏度，aε表示动能方程的普朗特数，Pk表示湍流动能的生成项，由剪切应力产生，S表示应变率的大小，C7.根据权利要求1所述的一种大型充油主设备内部故障承受时间评估方法，其特征在于，根据油压变化以及Realizablek—ε模型获得油压载荷，还需要通过动量方程进一步计的密度，为充油主设备内部流体的流速，▽·表示对向量微分子做向量场的点积运算；通过对动量方程进行迭代求解出压力P和充油主设备内部流体的流速，通过对压力P和充油主4设备内部流体的流速进行耦合获得压力分布，并与油压变化以及Realizablek-ε模型结8.根据权利要求1所述的一种大型充油主设备内部故障承受时间评估方法，其特征在于，所述充油主设备网格模型的网格点在x,y和z方向上的位移向量U通过显式动力学计算分，获得充油主设备网格模型的网格点的位移向量U=(L,m,n),对应充油主设备网格模应充油主设备网格模型的网格点在z方向上的位移，充油主设备网格模型在x,y和z三个方:9.根据权利要求1所述的一种大型充油主设备内部故障承受时间评估方法，其特征在式中，Zi,j,k表示第k个特征量在位置(i,j)处的值，Xi+m,j+n表示输入数据在位置取的特征进行优化的计算包括平均池化和最大池化，平均池化和最大池化的计算公式如5式中，yj是全连接层第j个神经元输出，Wi与b分别代表了权重和偏置，Xi表示池化层输出的第i个优化特征数据，而Pj代表了第j个神经元在Softmax中对应的输出概率，eYi为Softmax函数中的概率分布。6一种大型充油主设备内部故障承受时间评估方法技术领域[0001]本发明属于电力系统充油主设备继电保护技术领域，具体涉及一种大型充油主设备内部故障承受时间评估方法。背景技术[0002]在现代电力系统中，特高压和超高压充油主设备(如油浸式变压器、油浸电抗器及充油断路器)在维持电网稳定运行方面起着至关重要的作用。该类设备通常在高负荷和高压环境下运行，在设备内部发生高能电弧故障时，极易导致设备损坏或爆燃事故。近年来，国内多次发生特高压充油主设备因内部高能电弧放电引发的设备燃爆事故，产生了不良的社会影响并导致了严重的经济损失。这凸显了对设备故障承受能力进行全面评估的重要性。允许故障承受时间是衡量设备在故障条件下，未受到保护措施介入时发生灾难性损坏的临界指标。深入了解充油主设备在故障情况下的允许承受时间，对于准确确定设备保护动作时间、优化保护策略以及设计预防性措施具有重要意义。然而，目前针对充油主设备允许故障承受时间评估的研究仍然十分匮乏。发明内容[0003]本发明提供一种大型充油主设备内部故障承受时间评估方法，以解决现有技术中存在的缺乏对充油主设备允许故障承受时间评估的研究，不能精确评估全故障电流范围内对充油主设备允许故障承受时间的问题。[0004]为了达到上述目的，本发明采用如下技术方案：[0005]一种大型充油主设备内部故障承受时间评估方法，包括以下步骤：[0006]步骤一：在充油主设备内部电弧故障的故障电流范围内获得多个故障电流iarc;[0007]步骤二：建立充油主设备三维几何仿真模型，根据充油主设备三维几何仿真模型建立充油主设备网格模型；[0009]S1、基于多个故障电流iarc,在充油主设备网格模型中模拟充油主设备内部的油压[0010]S2、模拟充油主设备内部流体动态变化引发的湍流现象，并将充油主设备的湍流现象设定为Realizablek-ε模型；[0012]S4、将油压载荷输入到充油主设备的固体计算域中，获得充油主设备网格模型的网格点在x,y和z方向上的位移向量U,通过位移向量U,获得充油主设备网格模型在x,y和z设备是否破裂，若发生破裂，则记录充油主设备在不同故障电流iarc下的允许故障承受时7[0014]步骤四：根据充油主设备在不同故障电流iarc下的允许故障承受时间，基于卷积神经网络，建立故障电流与允许故障承受时间的神经网络模型，输出充油主设备在不同故障电流iarc时的允许故障承受时间结果。[0015]步骤二中，所述建立充油主设备网格模型的方法具体为：利用渐进尺寸函数对充油主设备三维几何仿真模型进行离散化处理，在靠近边界、角落和曲线附近的网格直径逐步减小，并在距离增大时网格直径逐步增大。[0016]在充油主设备网格模型中模拟充油主设备内部的油压升高过程，利用气泡动力学模拟充油主设备内部的油压升高过程，气泡动力学方程式为：[0018]式中，R表示气泡的半径，R表示气泡表面的法向速度，R表示气泡表面的法向加速示气泡膨胀过程中表面张力对外做功，W表示气泡膨胀过程中粘性力对外做功，U₀表示气泡初始内能，Warc表示电弧能量。[0019]电弧能量Warc的计算公式为：[0021]式中，iarc表示故障电流，Uarc表示与故障电流iarc续时间。[0022]模拟充油主设备内部流体动态变化引发的湍流现象的方法具体为：利用动网格更新充油主设备内部的瞬时流体场，通过捕捉流体在充油主设备结构变化过程中的流动特性和物理量的瞬态变化来模拟充油主设备内部的气泡膨胀导致的流体动态变化引发的湍流[0025]动网格更新使用拉普拉斯光顺模型，拉普拉斯光顺模型的计算公式为：[0027]式中，Xin表示节点i的新位置，N;表示节点的邻接节点的个数，X;是相邻节点8通过对动量方程进行迭代求解出压力P和充油主设备内部流体的流速，通过对压力P和充油主设备内部流体的流速进行耦合获得压力分布，并与油压变化以及Realizablek-ε模[0035]充油主设备网格模型的网格点在x,y和z方向上的位获得，其计算方法具体为：使用中心差分法对加速度、速度和位移进行时间步分，获得充油主设备网格模型的网格点的位移向量U=(L,m,n),对应充油主设备网格模应充油主设备网格模型的网格点在z方向上的位移，充油主设备网格模型在x,y和z三个方网络对数据进行模型训练，生成故障电流与允许故障承受时间关系9[0041]式中，Zij,k表示第k个特征量在位置(i,j)处的值，Xi+m,j+n表示输入数据在位置(i+m,j+n)处的值，Wm,n,k表示卷积核在k通道的权重矩阵，bk表示偏置项；池化层对提取的特征进行优化的计算包括平均池化和最大池化，平均池化和最大池化的计算公式如区域的数据点；全连接层对优化后的特征数据进行故障电流与允许故障承受时间的映射，[0047]式中，yj是全连接层第j个神经元输出，Wi与b分别代表了权重和偏置，xi表示池化层输出的第i个优化特征数据，而Pj代表了第j个神经元在Softmax中对应的输出概率，eyi为Softmax函数中的概率分布。[0049]本发明公开了一种大型充油主设备内部故障承受时间评估方法。本申请建立了充油主设备的流固耦合计算模型，综合考虑了电弧故障时流体域的气泡动力学、油压变化以及固体域的结构力学响应，全面反映了多物理场之间的相互作用。通过精确模拟充油主设备内部的物理过程，能够更准确地确定不同故障电流下充油主设备的允许故障承受时间，提高了评估结果的精度。利用卷积神经网络等机器学习方法，对全故障电流范围内故障电流与故障承受时间的关系进行建模。机器学习模型能够处理复杂的非线性关系，通过大量的样本数据进行训练和学习，挖掘数据中的潜在规律，从而实现对任意故障电流下故障承受时间的精确预测，弥补了传统方法在处理复杂关系时的不足。结合常应变失效准则，本发明能够精确捕捉充油主设备结构材料在高应力状态下的断裂与失效过程，从而为确定充油主设备的允许故障承受时间提供了比传统经验数据法更加精确的评估手段。此外，本发明首次将深度神经网络应用于故障电流与故障承受时间关系的建模，能够实现在全故障电流范围内的高精度评估，成功解决了复杂非线性关系拟合的问题。该基于机器学习的方法显著提高了故障承受时间评估的效率，并为充油主设备保护系统的设计与优化提供了高效、智能化的技术支持。[0050]进一步的，本申请不仅对采样故障电流条件下的允许故障承受时间进行分析，还通过机器学习模型将评估范围扩展到全故障电流范围。这使得在实际应用中，无论故障电流处于何种水平，都能准确评估充油主设备的故障承受能力，为设备保护提供了更全面、更能等多种因素对故障承受时间的影响。这种全面的考虑方式能够更真实地反映充油主设备在实际故障情况下的性能变化，避免了因忽略某些重要因素而导致的评估误差。[0051]进一步的，基于准确的故障承受时间评估结果，可以更精准地设定充油主设备保护动作时间。避免因保护动作时间过长导致设备损坏加剧，或因保护动作时间过短造成不必要的停电和设备误动作，提高了设备运行的安全性和可靠性。本申请的评估方法为充油主设备保护系统的设计和优化提供了科学依据。通过深入了解故障电流与故障承受时间的关系，可以针对性地改进保护系统的参数和结构，提高保护系统的性能和适应性，降低设备故障带来的损失。附图说明[0052]图1:充油设备升高座几何模型图；[0053]图2:充油设备升高座网格剖分图；[0054]图3:本发明实施例中允许故障承受时间评估流程图；[0055]图4:本发明实施例中故障电流与允许故障承受时间的关系图。具体实施方式[0056]为进一步了解本发明的内容，以下结合附图和具体实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定，本发明可以以多种不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。[0057]下面结合附图对本发明的实施例进行详细说明。[0059]本实施例提出了一种大型充油主设备内部故障承受时间评估方法，包括以下步[0060]步骤一：在充油主设备内部电弧故障的故障电流范围内获得多个故障电流iarc;[0061]步骤二：建立充油主设备三维几何仿真模型，根据充油主设备三维几何仿真模型建立充油主设备网格模型；[0063]S1、基于多个故障电流iarc,在充油主设备网格模型中模拟充油主设备内部的油压[0064]S2、模拟充油主设备内部流体动态变化引发的湍流现象，并将充油主设备的湍流现象设定为Realizablek-ε模型；[0066]S4、将油压载荷输入到充油主设备的固体计算域中，获得充油主设备网格模型的网格点在x,y和z方向上的位移向量U,通过位移向量U,获得充油主设备网格模型在x,y和z设备是否破裂，若发生破裂，则记录充油主设备在不同故障电流larc下的允许故障承受时[0070]本实施例中充油主设备以充油设备升高座为例，充油设备升高座以直径为600流体在充油设备升高座内部流体变化过程中的流动特性和物理量的瞬态变化来模拟充油设备升高座内部的湍流现象，其计算公式为：以根据气泡膨胀速度更新瞬时流体场。[0085]第三步、在动网格更新过程中，由于气泡膨胀等因素，网格节点的位置会发生变化，可能会导致网格质量下降，这会影响数值计算的精度和稳定性。通过使用拉普拉斯光顺模型对网格节点进行重新分布，减少网格的扭曲和畸形，改善网格的质量，使网格保持较好的形状和拓扑结构，以实现对充油设备升高座内复杂流体动态变化的准确模拟。动网格更新使用拉普拉斯光顺模型，拉普拉斯光顺模型的计算公式为：[0087]式中，Xin表示节点i的新位置，N;表示节点的邻接节点的个数，X;是相邻节点[0088]第四步、在充油设备升高座的故障电弧模拟分析中，其内部的流体在电弧故障情况下会呈现出复杂的湍流现象，因此，将流体域湍流现象设定为Realizablek-ε模型，以便能够更准确地模拟湍流现象，设定流体域湍流模型为Realizablek-ε模型方程式：比耗散率，σε表示湍流比耗散率8的湍流普朗特数，U,表示流体的平均速度，ε表示比耗散率，v表示分子黏度，Vt表示湍流黏度，aε表示动能方程的普朗特数，Pk表示湍流动能的生[0092]第五步、基于油压变化情况和Realizablek—ε模型，通过动量方程计算获得油压内部流体的流速，▽·表示对向量微分子做向量场的点积运算；通过对动量方程进行迭代求解出压力P和充油设备升高座内部流体的流速，通过对压力P和充油设备升高座内部流体得到油压载荷。点的位移向量U=(l,m,n),U(L)对应充油设备升高座网格模型的网格点在x方向上的位高座网格模型的网格点在z方向上的位移，通过位移向量U,获得x,y和z三个方向上的主应eq≤失效应变&f,则充油设备升高座结构材料未发生破裂，则重新进行该测试点故障电弧式中，Zijk表示第k个特征量在位置(i,j)处的值，Xi+m,j+n表示输入数据在位置通过上述卷积层操作公式对输入的不同样故障电流条件下的允许故障承受时间数据进行小为F,步长为L,其池化后的长度为(M-F)/L+1。全连接层将前述卷积层和池化层输出的所有特征图进行展示并连接起来，使得神经网络模型能够综合考虑所有这些特征信息，成和为1的概率分布，其中概率最大的则为该样本的所属种类，即为允许故障承受时间类为充油设备升高座保护动作时间的科学设定提10ms、20ms和34.8ms时的充油设备升高座的应变情况进行了测试，随着60KA故障电流持续时间的增加，充油设备升高座的应变分布逐渐扩大，尤其是在10ms后，充油设备升高座底部和手孔附近区域的应变显著增大，反映出这些位置出现了明显的应力集中现象。根据对60KA故障电流条件下充油设备升高座的应力分布测试，在34.8ms时，