[发明专利]基于U-net卷积神经网络的GIS静电场计算方法

权利要求书

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，l_i为第i个迭代周期的学习率，l_max、l_min分别为最大、最小学习率，N_E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，N_BS为批量数，x_j、y_j分别为单个批量中第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，P_Acc为预测准确率，M为划分的栅格点总数，x_m、y_m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E_max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。