针对油浸式变压器瞬态流固耦合温度场求解存在模型自由度高导致耗时长达小时级的缺陷,构建了变压器数字孪生降阶模型,基于该模型可快速求解瞬态温度场。首先建立基于物联网(internet of things,IoT)的变压器数字孪生实现架构,搭建瞬态...针对油浸式变压器瞬态流固耦合温度场求解存在模型自由度高导致耗时长达小时级的缺陷,构建了变压器数字孪生降阶模型,基于该模型可快速求解瞬态温度场。首先建立基于物联网(internet of things,IoT)的变压器数字孪生实现架构,搭建瞬态流固耦合温度场伽辽金有限元全阶模型。其次,提出将本征正交分解(properorthogonal decomposition,POD)与有限元结合建立瞬态温度场降阶模型,并结合实测数据给出数字孪生建模与降阶计算流程。最后,开展实际变压器温升试验确保全阶模型准确性,并应用不同阶数降阶模型快速计算温度场分布,比较各阶模型的计算误差与时间。结果表明:计算值与实测值的温升误差绝对值满足在1.5℃以内;3阶模型计算结果与全阶模型结果符合POD误差规范要求;降阶模型与全阶模型相比其计算时间由小时级降至秒级。研究结果验证了降阶模型的准确性与时效性,可以在保证数字孪生模型求解精度的同时最大限度提高求解效率。展开更多
变压器油温是直接反映变压器散热性能的指标,准确预测变压器顶层油温有利于监测其运行情况。通过分析传统变压器顶层油温数学模型,综合考虑负载率与环境温度对油温的影响,确定以负荷数据峰值与谷值的有功功率、无功功率和环境温度作为...变压器油温是直接反映变压器散热性能的指标,准确预测变压器顶层油温有利于监测其运行情况。通过分析传统变压器顶层油温数学模型,综合考虑负载率与环境温度对油温的影响,确定以负荷数据峰值与谷值的有功功率、无功功率和环境温度作为特征量,提出了一种基于长短时记忆(Long Short Term Memory Network,LSTM)网络算法的变压器顶层油温预测模型。以变电站真实数据做实例仿真分析,训练所提的LSTM预测模型,并选取5个随机样本进行预测;同时,分别搭建BP神经网络(BPNN)和循环神经网络(RNN)预测模型对相同样本做预测,并截取前30时刻预测数据与LSTM模型的预测值做对比。仿真结果表明,基于LSTM的温度预测模型的计算精度最高,误差率控制在5%以内,预测值与实际值变化趋势基本一致。该模型可有效实现变压器顶层油温的预测。展开更多
文摘针对油浸式变压器瞬态流固耦合温度场求解存在模型自由度高导致耗时长达小时级的缺陷,构建了变压器数字孪生降阶模型,基于该模型可快速求解瞬态温度场。首先建立基于物联网(internet of things,IoT)的变压器数字孪生实现架构,搭建瞬态流固耦合温度场伽辽金有限元全阶模型。其次,提出将本征正交分解(properorthogonal decomposition,POD)与有限元结合建立瞬态温度场降阶模型,并结合实测数据给出数字孪生建模与降阶计算流程。最后,开展实际变压器温升试验确保全阶模型准确性,并应用不同阶数降阶模型快速计算温度场分布,比较各阶模型的计算误差与时间。结果表明:计算值与实测值的温升误差绝对值满足在1.5℃以内;3阶模型计算结果与全阶模型结果符合POD误差规范要求;降阶模型与全阶模型相比其计算时间由小时级降至秒级。研究结果验证了降阶模型的准确性与时效性,可以在保证数字孪生模型求解精度的同时最大限度提高求解效率。
文摘变压器油温是直接反映变压器散热性能的指标,准确预测变压器顶层油温有利于监测其运行情况。通过分析传统变压器顶层油温数学模型,综合考虑负载率与环境温度对油温的影响,确定以负荷数据峰值与谷值的有功功率、无功功率和环境温度作为特征量,提出了一种基于长短时记忆(Long Short Term Memory Network,LSTM)网络算法的变压器顶层油温预测模型。以变电站真实数据做实例仿真分析,训练所提的LSTM预测模型,并选取5个随机样本进行预测;同时,分别搭建BP神经网络(BPNN)和循环神经网络(RNN)预测模型对相同样本做预测,并截取前30时刻预测数据与LSTM模型的预测值做对比。仿真结果表明,基于LSTM的温度预测模型的计算精度最高,误差率控制在5%以内,预测值与实际值变化趋势基本一致。该模型可有效实现变压器顶层油温的预测。
