(19)中华 人民共和国 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 202111442270.4 (22)申请日 2021.11.30 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号 申请人 山东电工电气集团有限公司 　 国网浙江省电力有限公司 (72)发明人 彭宗仁　张语桐　吴泽华　徐家忠　 毛航银　李杨　齐印国　亓云国　 袁树锋　马成喜　王海霞　刘庆东　 张强　高海龙　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 代理人 季海菊(51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/398(2020.01) G06F 111/04(2020.01) G06F 111/06(2020.01) G06F 113/04(2020.01) (54)发明名称 基于神经网络模 型的GIS用单支柱绝缘子电 气性能优化方法 (57)摘要 一种基于神经网络模型的GIS用单支柱 绝缘 子电气性能优化方法， 包括以下步骤： 在三维CAD 软件中建立单支柱绝缘子的电场有 限元分析模 型； 确定单支柱绝缘子的电场有限元分析模型的 待优化的结构参数； 选择单支柱 绝缘子电气性能 评价指标； 通过参数化扫描的方式， 获得单支柱 绝缘子待优化的结构参数对电气性能评价指标 的影响规律， 得到深度神经网络的训练集； 建立 四层深度神经网络使用训练集对模 型进行训练， 得到三维有限元模型的等效模型； 设置目标函数 值函数； 使用遗传粒子群算法对等效模型进行全 局优化； 本发 明使得单次计算单支柱 绝缘子电气 性能指标所需时间大大降低， 显著降低单支柱绝 缘子设计周期和成本， 为特高压GIS单支撑绝缘 子结构优化 提供了新思路。 权利要求书4页 说明书10页 附图4页 CN 114065594 A 2022.02.18 CN 114065594 A 1.基于神经网络模型的GIS用单支柱绝缘子电气性能优化方法， 其特征在于， 具体包括 如下步骤： 步骤1使用三维CAD软件建立单支柱绝缘子的电场有限元分析模型， 根据 单支柱绝缘子 的特征， 确定单支柱绝缘子的电场有限元分析模型 的待优化的结构参数， 以及选择电场 强 度超过最大允许值的区域的电场强度作为单支 柱绝缘子的电气性能评价指标； 步骤2在步骤1建立的单支柱绝缘子的电场有限元分析模型中， 使用控制变量法， 使得 待优化的结构参数在一定范围内变化， 计算参数变化时电气性能指标 的变化结果， 获得深 度神经网络训练集， 该训练集的输入变量为单支柱绝缘子的待优化参数， 输出变量为单支 柱绝缘子电气性能评价指标。 步骤3建立含有输入层、 两层隐含层、 输出层的四层深度BP神经网络模型， 将步骤2中获 得的深度神经网络训练集对该模型进 行模型训练， 获得单支柱绝缘子电气性能评价的深度 神经网络模型， 将该模型作为单支柱绝缘子电场有限元分析模型的等效模型， 求解深度BP 神经网络模型的权值， 将此权值作为深度BP神经网络模型的特 征参数； 步骤4将单支柱绝缘子电气性能评价指标进行归一化处理， 计算单支柱绝缘子电气性 能评价指标的加权平均值， 将此加权平均值作为目标函数值进行优化； 步骤5以步骤3 中单支柱绝缘子电场有限元分析模型的等效模型为优化对象， 使用遗传 粒子群算法对步骤1确定的单支柱绝缘子的电场有限元分析模型的待优化的结构参数进 行 全局优化， 经 过迭代优化后， 获得最优的结构参数。 2.根据权利要求1所述的基于神经网络模型的GIS用单支柱绝缘子电气性能优化方法， 其特征在于， 所述单支柱绝缘子的电场有限元分析模型 的待优化的结构参数包括： 金属嵌 件半径R1， 金属嵌件圆角半径R2， 绝缘子半径R3， 金属嵌件深度L1， 绝缘子伞裙深度L2， 绝缘子 伞裙外半径r1， 绝缘子伞裙倒角半径r2， 绝缘子伞裙底部圆角半径r3， 绝缘子伞裙与顶端距 离H1， 绝缘子伞裙切向距离 H2。 3.根据权利要求1中所述的基于神经网络模型的GIS用单支柱绝缘子电气性能优化方 法， 其特征在于， 所述 步骤2中优化的结构参数的变化范围为： 其中， R1， R2， R3， L2， r1， r2， r3， H1， H2为待优化参 数， R1min， R1max， R2min， R2max， R3min， R3max， r1min，权　利　要　求　书 1/4 页 2 CN 114065594 A 2r1max， r2min， r2max， r3min， r3max， H1min， H1max， H2min， H2max， L1min， L1max， L2min， L2max为待优化参数的变 化范围； 在上述变量动态变化过程中， 仍需要满足如下式(2)的动态调节约束， 其中L0是单 支柱绝缘子总高度； 4.根据权利要求1中所述的基于神经网络模型的GIS用单支柱绝缘子电气性能优化方 法， 其特征在于， 所述步骤1和步骤2中单支柱绝缘子的电气性能评价指标， 以待优化的结构 参数的取值范围作为约束条件选取， 包括金属嵌件表面合成场强最大值E ′1、 单支柱绝缘子 表面合成场强最大值E ′2以及单支柱绝缘子切向场强的最大值E ′3； 将未进行优化的单支柱 绝缘子电气性能评价定义为金属嵌件表面合成场强E1、 表面合成场强最大值E2和切向场强 的最大值E3。 5.根据权利要求1中所述基于神经网络模型的GIS用单支柱绝缘子电气性能优化方法， 其特征在于， 所述 步骤3的具体方法如下： 步骤3.1确定输入层的节点数量， 输出层的节点数量， 隐含层的节点数量， 其中， 输入层 节点数为单支柱绝缘子待优化结构参数的数量， 输出层节点数量为单支柱绝缘子电气性能 评价指标的数量， 隐含层节点数量按照经验选取， 第一层节点数量在输入层和输出层数量 之间， 第二层节点数量等于输入层和输出层的节 点数量之和； 初始 化初始权值ω， 学习系数 η， 动量系数α， 目标误差ε， 以及学习次数epochmax， 其中权值ω包含输入层至第一隐含层的 权值ω0i， 第一隐含层到第二隐含层的权值ωij， 第二隐含层到 输出层权值ωjk； 步骤3.2输入层的输出变量为深度BP神经网络模型的输入变量， 将BP神经网络模型的 激活函数设定为式(3)， 式 中e为自然常数 使用BP神经网络算法对隐含层和输出层进行计算， 在下式(4)中， 为第 n次迭代中， 第一个隐含层输出变量、 第二个隐含层输出变量和输出层输出变量， 对BP神经网络模型输出变量计算误差， 得到训练误差， 式(5)所示， 其中y为第n次迭代 中神经网络训练集的输出变量 步骤3.3对权值进行调节， 在第n次迭代中， 为输入层至第一隐含层的权值调整值， 为第一隐含层到第二隐含层的权值调整值， 为第二隐含层到输出层权值调整值。 求 出迭代次数为 n时的误差 E(n)对 的偏导数， 将其作为 新的权值调整值， 对n+ 1次迭代中的权值进行计算， 式(6)所示权　利　要　求　书 2/4 页 3 CN 114065594 A 3