(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210639149.9 (22)申请日 2022.06.07 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 张宇娇　徐斌　黄雄峰　陈志伟　 (74)专利代理 机构 武汉市首臻知识产权代理有 限公司 42 229 专利代理师 高琴 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06T 17/20(2006.01) G06F 30/10(2020.01) G06F 16/29(2019.01) (54)发明名称 基于U-net卷积神经网络的GIS静电场计算 方法 (57)摘要 基于U‑net卷积神经网络的GIS静电场计算 方法， 其先基于变电站内GIS设备的实际运行状 态构建带局部放电缺陷的GIS设备三维仿真模 型， 并对整个GIS设备三维仿真模型的计算区域 采用有限元法计算GIS设备的电场强度和电势分 布， 再以构建的GIS设备三维仿真模型的几何参 数和边界条件为输入数据， 计算得到的电场强度 和电势分布为输出数据， 将其放入U ‑net卷积神 经网络中进行训练， 得到预测准确率满足要求的 深度学习模型， 然后将实际采集的待测GIS设备 的几何参数和边界条件输入所述深度学习模型 中， 即可预测得到待测GIS设备的 电场强度和电 势分布。 本方法实现了GIS设备局部放电静电场 的快速、 精准计算。 权利要求书2页 说明书8页 附图2页 CN 115034111 A 2022.09.09 CN 115034111 A 1.基于U‑net卷积神经网络的GIS静电场计算方法， 其特 征在于： 所述依次包括以下步骤： 步骤A、 基于变电站内GIS设备的实际运行状态构建带局部放电缺陷的GIS设备三维仿 真模型； 步骤B、 对整个GIS设备三维仿真模型的计算区域采用有限元法计算GIS设备的电场强 度和电势分布； 步骤C、 以步骤A构 建的GIS设备三维仿真模型的几何参数和边界条件为输入数据， 步骤 B计算得到的电场强度和电势分布为输出数据， 将其放入U ‑net卷积神经网络中进行训练， 以得到预测准确率满足要求的深度学习模型； 步骤D、 将实际采集的待测GIS设备的几何参数和边界条件输入预测准确率满足要求的 深度学习模型中， 预测得到待测GIS设备的电场强度和电势分布。 2.根据权利要求1所述的基于U ‑net卷积神经网络的GIS静电场计算方法， 其特 征在于： 所述步骤C依次包括以下步骤： 步骤C1、 先对构建的GIS设备三维仿真模型的x ‑y‑z坐标系划分出均匀的栅格点， 再将 GIS设备三维模型的几何参数和边界条件、 对应的电场强度和电势分布数据按所划分的栅 格点生成栅格点数据并导出为矩阵数组； 步骤C2、 构 建基于3D卷积操作的U ‑net卷积神经网络架构， 并将矩阵数组划分为训练数 据集和测试数据集； 步骤C3、 将训练数据集中的几何参数和边界条件数据作 为U‑net卷积神经网络的输入， 将训练数据集中的电场强度和电势分布数据作为U ‑net卷积神经网络的输出， 使用Adam优 化算法对U ‑net卷积神经网络进行训练， 直至损失函数值下降到最小， 此时得到训练完成的 深度学习模型； 步骤C4、 先将测试数据集输入训练完成的深度学习模型中进行测试， 得到电场强度和 电势分布预测值， 然后计算深度学习模型的预测准确率： 步骤C5、 判断深度学习模型的预测准确率是否满足要求， 若否， 则调整网络参数后返回 步骤C3再次进行训练， 直至深度学习模型的预测准确率满足要求。 3.根据权利要求2所述的基于U ‑net卷积神经网络的GIS静电场计算方法， 其特 征在于： 步骤C3中， 所述训练使用下式所示学习率衰减方法： 上式中， li为第i个迭代周期的学习率， lmax、 lmin分别为最大、 最小学习率， NE为总迭代周 期数。 4.根据权利要求2所述的基于U ‑net卷积神经网络的GIS静电场计算方法， 其特 征在于： 步骤C3中， 所述损失函数值采用以下公式计算得到： 上式中， L(x,y)为单个批量的预测值和真实值对应的损失函数值， NBS为批量数， xj、 yj分权　利　要　求　书 1/2 页 2 CN 115034111 A 2别为单个批量中第j个样本的电场强度及电势的预测值和真实值， δ 为超参数； 步骤C4中， 所述深度学习模型的预测准确率 通过下式计算得到： 上式中， PAcc为预测准确 率， M为划分的栅格点总数， xm、 ym分别为第m个栅格点处电场强 度及电势的预测值和真实值。 5.根据权利要求1 ‑4中任一项所述的基于U ‑net卷积神经网络的GIS静电场计算方法， 其特征在于： 所述方法还包括GIS设备三维仿真模型的准确性评估步骤， 该步骤位于步骤B和步骤C 之间； 所述GIS设备三维仿真模型的准确性评估具体为： 搭建GIS设备局部放电实验平台进行 局部放电实验， 并测得实验过程中产生局部放电时的临界加载电压值U0， 然后在GIS设备三 维仿真模型中施加U0， 将GIS设备三维仿真模型得到的最大电场强度值Emax与pMPa压强下SF6 气体临界击穿电场强度值E0对比， 若两者的偏差绝对值不超过设定的阈值， 则判定GIS设备 三维仿真模型 具有高准确性， 并进入步骤C 。 6.根据权利要求5所述的基于U ‑net卷积神经网络的GIS静电场计算方法， 其特 征在于： 所述p与E0符合下式所示关系： 7.根据权利 要求1‑4中任一项所述的一种基于U ‑net卷积神经网络的GIS静电场计算方 法， 其特征在于： 步骤C、 D中， 所述几何参数包括GIS罐体总长度、 中心导杆和罐体的半径、 盆 式绝缘子的厚度， 所述边界条件包括中心导杆加载GIS设备实际运行时的电压值、 GIS罐体 外部金属壳体整体接地。 8.根据权利要求1 ‑4中任一项所述的基于U ‑net卷积神经网络的GIS静电场计算方法， 其特征在于： 步骤B中， 所述GIS设备的电场强度和电势分布采用下列公式计算得到： 上式中， 为哈密顿算子， ε为相对介电常数， 为电场强度的相量形式， 为拉普拉斯 算子， 为电势。权　利　要　求　书 2/2 页 3 CN 115034111 A 3