关键词：
物理场预测
机器学习
有限元分析
电磁场
变压器
摘要：
变压器是电力系统中重要的电气一次设备,而目前获取变压器内部物理场分布的有限元分析（Finite Element Analysis,FEA）方法存在仿真耗时的问题,因此,实现高精度且快速的变压器物理场预测有着重要的研究意义和实用价值。本论文以FEA仿真产生的电磁场数据为例,基于机器学习方法,开展高精度且快速的变压器内部物理场预测研究。主要研究内容和研究结果如下:（1）针对FEA方法仿真耗时且对计算资源要求较高,导致无法实现快速仿真的问题,本论文开展了正常状态下的变压器内部物理场预测研究。本论文在南方电网科学研究院提供的真实变压器及其组件的电磁场仿真数据以及利用COMSOL仿真生成的单相变压器磁场仿真数据和三相变压器磁场仿真数据基础上,对仿真数据进行了物理场网格插值、输入特征重要性排序、输入特征归一化和基于主成分分析（Principal Components Analysis,PCA）的数据特征降维等预处理;以电压和电流作为输入,构建了对应的电气参数数据集,开展了不同机器学习模型在电磁场预测上的差异性研究,并对单相变压器磁场仿真数据开展了预测模型的适应性研究。实验研究结果表明:1)岭回归（Ridge Regression,RR）和支持向量回归（Support Vector Regression,SVR）在真实变压器及其组件的电磁场预测上更有效,其决定系数（R-squared,R2）均能达到0.99,预测用时均在2.00 s以内。2)深度神经网络（Deep Neural Network,DNN）在4维输入参数的单相变压器磁场预测上表现最优,其平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）为1.37%,R2为0.99,预测用时为0.21 s。3)卷积神经网络（Convolutional Neural Network,CNN）在15维输入参数的三相变压器磁场预测上表现最优,其MAPE为0.36%,R2为0.99,预测用时为0.37 s。4)在修改单相变压器的三维几何模型与仿真参数后,最优预测模型DNN的MAPE为4.26%,R2为0.99,预测用时为0.32 s。5)正常状态下变压器磁场预测模型生成一条数据的平均速度最少为FEA仿真的14.62倍,最多为141.54倍。（2）针对变压器接入正弦交流电源,导致变压器磁场发生时序性变化的问题,本论文开展了单相变压器时序磁场预测研究。以PCA降维后的连续时刻磁场数据作为输入,构建了单相变压器时序磁场数据集;并利用时间卷积网络（Temporal Convolutional Network,TCN）和长短期记忆网络（Long Short-Term Memory,LSTM）开展了对连续时刻的下一时刻磁场分布预测研究。实验研究结果表明:1)TCN在训练效率和时序磁场预测上表现最优,其MAPE为5.83%,R2为0.99,预测用时为0.38 s。2)基于TCN的单相变压器时序磁场预测模型生成一条数据的平均速度为FEA仿真的8.08倍。3)单相变压器的时序磁场数据集与电气参数数据集的预测实验对比,证明了本论文利用电气参数数据集进行磁场预测的有效性。（3）针对变压器受到不同激励进入非正常状态,导致变压器磁场变化不规律的问题,本论文开展了非正常状态下的变压器内部物理场预测研究。利用COMSOL获取了四种典型的非正常状态下变压器磁场仿真数据;分析了状态参数对变压器中电气参数的影响,拓展了磁场预测的输入特征维度,并利用四种预测模型开展了非正常状态下变压器内部磁场预测研究。实验研究结果表明:1)CNN在三相变压器过电压数据和单相变压器直流偏磁数据的磁场预测上表现最优,其MAPE分别为2.57%和2.03%,R2均为0.99,预测用时分别为0.56 s和0.33 s。2)DNN在单相变压器励磁涌流数据和绕组变形数据的磁场预测上表现最优,其MAPE分别为4.02%和2.46%,R2均为0.99,预测用时分别为0.42 s和0.87 s。3)四种非正常状态下变压器磁场预测模型生成一条数据的平均速度最少为FEA仿真的5.59倍,最多为96.95倍。（4）针对目前基于机器学习的变压器电磁场预测缺乏规范化流程的问题,本论文初步开发了变压器内部物理场在线预测平台。分析了本论文中涉及的变压器电磁场预测的流程,针对不同的需求,设计了对应的功能模块,并利用Py Qt5开发了用户界面（User Interface,UI）。用户可以在平台上导入FEA仿真数据后,自定义参数并训练预测模型,最终将预测的结果进行可视化。
欢迎来到三峡大学图书馆！
