【技术实现步骤摘要】
本专利技术涉及物理场仿真，尤其涉及一种基于深度学习的电力设备物理场重建方法。
技术介绍
1、随着新型电力装备和新型电力系统发展，大规模新能源与电力电子装备的接入造成电力系统电磁暂态机理、传播特性和演变规律发生根本性变化，对变压器和断路器等电力装备形成复杂电、磁、热、力多物理场强耦合过程，难以掌握变压器和断路器等电力装备内部在复杂电气应力作用下的复杂多物理场分布特性。目前掌握变压器和电抗器等电力装备多物理场分布特性仍然高度依赖于仿真，而现有多物理场分析方法仿真效率低、速度慢，难以适配工程应用与仿真的快速、高效需求。
2、传统电抗器物理场仿真采用有限元分析方法进行，虽然有限元分析有着较高的精度，但其根据模型和场景的复杂性，其计算时间可能需要几分钟到几天的时间，难以满足一些实时性要求较高场景的需求。
技术实现思路
1、本专利技术的主要目的在于提供一种基于深度学习的电力设备物理场重建方法，以实现对电力设备物理场数据实时预测。
2、为实现上述目的，本申请第一方面提供一种基于深度学习的电力设备物理场重建方法，所述方法包括：
3、获取电力设备的物理场数据，以及所述物理场数据所对应的电力设备的基本参数；
4、将所述物理场数据划分为训练数据集和测试数据集；
5、对所述训练数据集进行预处理，得到特征向量及对应的特征值；
6、将所述训练数据集对应的所述采样点物理场量作为输入信息、将所述电力设备整个物理场量作为输出信息，对深度学习模型
7、将所述测试数据集对应的所述电力设备的基本参数输入到所述深度学习模型，获得测试结果；
8、对所述测试结果进行反处理操作，得到所述电力设备的物理场仿真结果。
9、在一种可选的实施方式中，所述物理场数据包括存储于有限元分析软件中的、不同时间下的电力设备物理场数据。
10、在一种可选的实施方式中，所述对所述训练数据集进行预处理，得到特征向量及对应的特征值，包括：
11、采用主成分分析方法对所述训练数据集进行降维处理，得到所述特征向量及对应的特征值。
12、在一种可选的实施方式中所述电力设备的基本参数包括但不限于以下任意一种或几种：时间、电流、电压。
13、在一种可选的实施方式中，所述对深度学习模型进行训练，包括：
14、选取并设置隐含层参数，选择激活函数，选择减少过拟合的方法以及计算损失函数。
15、在一种可选的实施方式中，在对深度学习模型进行训练之前，所述方法还包括：
16、创建所述深度学习模型；所述深度学习模型包括输入层、输出层和至少两个隐含层；
17、所述输出层不添加激活函数，其余每一层添加线性整流函数作为激活函数；所述深度学习模型的优化函数采用adam函数，损失函数采用均方误差损失。
18、在一种可选的实施方式中，在将所述物理场数据划分为训练数据集和测试数据集之前，所述方法还包括：
19、将所述物理场数据按区域划分采样空间；
20、所述对深度学习模型进行训练，包括：
21、基于不同所述采样空间的数据分别对深度学习模型进行训练。
22、本申请第二方面提供一种基于深度学习的电力设备物理场仿真装置，包括：
23、获取模块，获取电力设备的物理场数据，以及所述物理场数据所对应的电力设备的基本参数；
24、数据处理模块，将所述物理场数据划分为训练数据集和测试数据集；
25、所述数据处理模块，还用于对所述训练数据集进行预处理，得到特征向量及对应的特征值；
26、训练模块，用于将所述训练数据集对应的所述采样点物理场量作为输入信息、将所述电力设备整个物理场量作为输出信息，对深度学习模型进行训练，并进行k交叉验证；
27、测试模块，用于将所述测试数据集对应的所述电力设备的基本参数输入到所述深度学习模型，获得测试结果；
28、反处理模块，用于对所述测试结果进行反处理操作，得到所述电力设备的物理场仿真结果。
29、本申请第三方面提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面及其任一种可能的实现方式的步骤。
30、为实现上述目的，本申请第四方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如第一方面所述的方法中的各个步骤。
31、本申请提供一种基于深度学习的电力设备物理场重建方法，通过获取电力设备的物理场数据，以及所述物理场数据所对应的电力设备的基本参数；将所述物理场数据划分为训练数据集和测试数据集；对所述训练数据集进行预处理，得到特征向量及对应的特征值；将所述训练数据集对应的所述采样点物理场量作为输入信息、将所述电力设备整个物理场量作为输出信息，对深度学习模型进行训练，并进行k交叉验证；将所述测试数据集对应的所述电力设备的基本参数输入到所述深度学习模型，获得测试结果；对所述测试结果进行反处理操作，得到所述电力设备的物理场仿真结果，可以实现快速的电力设备物理场仿真，能够达到对物理场数据实时预测的目的。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的电力设备物理场重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述基于深度学习的电力设备物理场重建方法，其特征在于，所述物理场数据包括存储于有限元分析软件中的、不同时间下的电力设备物理场数据。
3.根据权利要求1所述基于深度学习的电力设备物理场重建方法，其特征在于，所述对所述训练数据集进行预处理，得到特征向量及对应的特征值，包括：
4.根据权利要求1所述基于深度学习的电力设备物理场重建方法，其特征在于，所述电力设备的基本参数包括但不限于以下任意一种或几种：时间、电流、电压。
5.根据权利要求1所述的基于深度学习的电力设备物理场重建方法，其特征在于，所述对深度学习模型进行训练，包括：
6.根据权利要求5所述的基于深度学习的电力设备物理场重建方法，其特征在于，在对深度学习模型进行训练之前，所述方法还包括：
7.根据权利要求1所述的基于深度学习的电力设备物理场重建方法，其特征在于，在将所述物理场数据划分为训练数据集和测试数据集之前，所述方法还包括：
8.一种基于深度学习的电
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，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，使得所述处理器执行如权利要求1-7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的电力设备物理场重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述基于深度学习的电力设备物理场重建方法，其特征在于，所述物理场数据包括存储于有限元分析软件中的、不同时间下的电力设备物理场数据。
3.根据权利要求1所述基于深度学习的电力设备物理场重建方法，其特征在于，所述对所述训练数据集进行预处理，得到特征向量及对应的特征值，包括：
4.根据权利要求1所述基于深度学习的电力设备物理场重建方法，其特征在于，所述电力设备的基本参数包括但不限于以下任意一种或几种：时间、电流、电压。
5.根据权利要求1所述的基于深度学习的电力设备物理场重建方法，其特征在于，所述对深度学习模型进行训练，包括：
6.根据权...
【专利技术属性】
技术研发人员：彭庆军，邹德旭，王山，周仿荣，王浩州，杨泽文，洪志湖，邹阅培，初德胜，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。