新書推薦：
《
大学问·太平天国的文献和历史：海外新文献刊布和文献史事研究
》
售價：HK$
118.8
《
汗青堂丛书158：唐朝的灭亡与欧亚东部 藩镇体制的通史性研究
》
售價：HK$
77.0
《
真菌的秘密生活
》
售價：HK$
63.8
《
财之道丛书·资本主义的终结：经济增长与气候变化的悖论
》
售價：HK$
74.8
《
唐代家庭：生活、生计与家风
》
售價：HK$
107.8
《
算法政治
》
售價：HK$
71.5
《
人论：人类文化哲学导论
》
售價：HK$
96.8
《
霸权之后：世界政治经济中的合作与纷争（东方编译所译丛）
》
售價：HK$
82.5
|
| 內容簡介： |
|
《基于机器学习的电力设备物理场仿真技术》全面探讨基于机器学习的电力设备物理场仿真技术，着重于通过机器学习技术，提高电力设备仿真的精度和效率。内容涵盖电力设备类型与训练数据集规模研究、故障区域仿真精度提升、几何变形仿真，以及实际应用中的仿真平台建设。《基于机器学习的电力设备物理场仿真技术》通过多个实际案例，展示如何利用数据驱动的模型来提升仿真速度，并为未来电力设备领域的发展提供重要的理论依据和实践指导。
|
| 目錄：
|
|
目录第1章 绪论 11.1 背景 11.2 国内外研究现状及存在的问题 21.2.1 国内外研究现状 21.2.2 存在的问题与不足 41.3 本书研究路线 5第2章 理论基础 62.1 深度学习 62.1.1 发展历程 62.1.2 神经元模型 72.1.3 激活函数 82.1.4 损失函数 102.1.5 优化函数 102.2 机器学习 112.2.1 深度神经网络 112.2.2 卷积神经网络 122.2.3 长短期记忆网络 132.2.4 支持向量回归 142.2.5 极端梯度提升树 142.2.6 随机森林 152.2.7 自编码器 162.3 主成分分析 172.4 超参数调优 19第3章 电力设备物理场仿真与数据集分析 213.1 不同类型电力设备物理场仿真 213.1.1 变压器磁场仿真 213.1.2 高压套管仿真 483.1.3 无短路电抗器磁场仿真 523.2 训练数据规模和分布情况 543.2.1 数据介绍 543.2.2 数据处理 553.2.3 基于采样点数据的磁场仿真 593.2.4 采样区间优化 643.2.5 研究结果分析 713.3 设备类型与训练所需*小数据量关系 723.3.1 数据介绍 723.3.2 仿真精度与数据条数非线性关系 733.3.3 仿真精度与数据规模关系评估 753.3.4 数据集规模仿真实验 803.3.5 研究结果分析 823.4 本章小结 83第4章 电力设备故障区域仿真精度提升 844.1 故障区域分类 844.1.1 数据介绍 844.1.2 数据预处理 904.1.3 基于不同机器学习模型的故障分类 924.2 故障区域网格案例库构建 964.2.1 数据介绍 964.2.2 中端部短路电抗器磁场仿真 974.2.3 任意位置短路电抗器磁场仿真 1064.3 故障区域仿真精度提升 1214.3.1 数据介绍 1214.3.2 数据预处理 1244.3.3 绕组短路状态下三相变压器磁场仿真 1324.3.4 不同回归模型适应性 1404.3.5 变压器磁场仿真差异性分析 1434.3.6 仿真精度与数据集关系 1444.4 本章小结 146第5章 基于机器学习的局部区域几何变形下物理场仿真模型构建 1475.1 几何变形类别及等级划分 1475.1.1 数据介绍 1475.1.2 数据预处理 1515.1.3 基于不同机器学习模型的几何变形分类 1535.2 几何变形下物理场仿真模型案例库构建 1565.2.1 数据介绍 1565.2.2 数据预处理 1585.2.3 不同几何变形故障下漏磁场仿真 1635.2.4 仿真精度与数据集关系 1655.3 局部区域几何变形物理场仿真 1675.3.1 数据介绍 1675.3.2 状态特征分析 1685.3.3 绕组变形变压器磁场仿真 1695.4 本章小结 172第6章 展望 173参考文献 174
|
| 內容試閱：
|
|
第1章绪论 在能源革命与数字化转型的双重驱动下，电力系统正经历着前所未有的变革。新型电力系统的构建、可再生能源的大规模并网及特高压输电技术的深化应用，使得电力设备不仅需要适应更复杂的运行工况，更被赋予了支撑电网智能化升级的使命。作为电力系统的物理承载主体，电力设备的安全稳定运行直接影响着能源传输效率与供电可靠性，其状态感知能力已成为实现电网数字孪生与实时决策的核心基础。 传统物理场仿真技术通过有限元分析（finite element analysis，FEA）为设备状态评估提供了精确解算手段，但其高昂的计算成本与实时性瓶颈却难以满足数字孪生对秒级动态映射的需求。尤其在设备非正常状态下——如短路冲击、过载温升等极端工况，快速捕捉瞬态物理场分布对故障预警与应急处置具有决定性意义。这一矛盾在能源互联网高速发展的背景下愈发凸显，亟须突破传统数值仿真的范式束缚。 近年来，深度学习（deep learning，DL）技术的突破性进展为物理场建模开辟了新路径。其通过数据驱动方式构建输入参数与物理场分布间的非线性映射关系，在保留高精度特征的同时实现毫秒级响应，为电力设备实时仿真提供了颠覆性工具。然而，将深度学习引入电力设备物理场仿真仍面临多重挑战：高维稀疏数据的特征提取、多物理场耦合关系的解耦建模、非正常状态下样本稀缺等问题，亟待系统性方法论创新。 本书以“基于机器学习的电力设备物理场仿真技术”为核心命题，聚焦变压器、电抗器、高压套管等关键设备的典型故障场景，深入探讨深度学习与物理机理融合的新型仿真范式。通过构建数据-模型协同驱动框架，突破传统FEA的实时性壁垒，为构建高保真电力设备数字孪生体提供关键技术支撑。后续章节将依次剖析该领域的研究背景、技术瓶颈、创新方法与实践验证，系统呈现从理论突破到工程应用的完整技术路径。 1.1背景 当今社会，电的重要性不言而喻。目前，国家有对能源绿色低碳转型的需求[1]，无论是大力发展新能源，还是因地制宜开发水电，抑或是安全有序发展核电，以及加快建设新型电力系统，都对电力设备提出了广泛的要求。与此同时，我国能源资源分布与消耗极不平衡，决定了我国西电东送的必要性[2]，为特高压直流输电技术的发展创造了客观条件[3]，也对电力设备的安全运行提出了更高的要求。电力设备在发电、输电、用电的整个环节都扮演着重要的角色，及时了解电力设备的运行状态对电网的安全稳定运行尤为重要。因此，需要对电力设备进行物理场仿真，以保证输电线路的安全运维。 变压器是重要的电力设备之一，在电力传输的过程中有着重要的作用[4]。但由于电在其绕组、内部铁芯及其结构器件等的损耗会引起变压器局部温度过高，从而影响变压器的安全运行[5，6]。为准确研究变压器内部温度的分布特性，可对变压器内部磁场分布进行研究，分析其漏磁，从而得到变压器内部温度分布。因此，对变压器内部磁场进行仿真有着重要的研究意义和实用价值。 电抗器具有抑制谐波、无功补偿和限制短路电流等作用[7]。电抗器短路是主要的事故原因，极易引发火灾[8，9]，严重危害电力系统的安全稳定运行及相关工作人员的人身安全。电抗器在运行时会产生磁场，影响着电磁力和铁芯损耗，这两者又分别影响着电抗器运行时的噪声和温升[10-12]。因此，电抗器的磁场分布是其设计和运行时需要重点关注的指标之一，对电抗器磁场进行仿真非常有必要。 高压套管是变压器的重要组件之一，它将变压器内部高、低电位线圈的引线分别引出到变压器外部。高压套管因其需要固定引线，需要有较强的机械性能。此外，高压套管需要承受各种各样的工作电压和负荷电流，要求其具有较高的热稳定性，能够承受短路时瞬时的高温。因此，对高压套管的磁场和温度场或发热功率密度的仿真也非常有必要。 在了解电力设备物理场仿真的背景和重要性后，本书接下来将深入探讨如何利用现代机器学习（machine learning，ML）技术（尤其是深度学习技术）提升这一领域的仿真效率和精度。 有限元分析（FEA）有着较高的仿真精度，能够适应各种复杂的场景，广泛应用于各种学术和工程模拟与仿真分析领域[13]。在《力学进展》杂志创刊30周年之际举行的“20世纪理论和应用力学十大进展”评选中，有限元（finite element，FE）方法荣登榜*[14]，可见FEA的重要地位。虽然FEA能够解决很多复杂的问题，但是将FEA用于建模和仿真仍然是一个计算量巨大的工程，根据模型和应用场景的复杂性，其计算时间可能需要几分钟到几天，难以满足一些实时性要求较高的场景[15，16]。随着南方电网公司“数字电网”发展理念的提出，数字孪生成为构建电网数字平台的重要途径。数字孪生电网架构中*基本的是设备级数字孪生，要求虚拟数字空间所映射的电力设备物理场状态能及时与物理实体电力设备物理场状态进行联动。然而，利用FEA进行电力设备物理场仿真难以满足电力设备数字孪生的需求。近年来，大数据和人工智能发展迅猛，其在图像的识别与分类、自然语言处理（natural language processing，NLP）等领域有着较好的表现[17]。这为利用深度学习（DL）进行电力设备物理场仿真带来了新的契机。训练好的DL模型有着较高的实时性，能够满足电力设备物理场近实时仿真的需求。因此，将DL引入电网，利用DL来进行电力设备物理场仿真有着重要的研究意义和实用价值。 1.2国内外研究现状及存在的问题 1.2.1国内外研究现状 回顾当前相关领域的研究现状，FEA已经广泛地应用于电力设备物理场仿真[18-21]，它以直接和系统的方式解决了边界值问题，且可以准确计算电力设备物理场。然而，采用FEA进行建模和仿真仍然有着高昂的成本，其计算成本与FE网格的大小和复杂性及要解决问题的复杂程度成正比[22]，难以满足高实时性仿真场景的需求，故替代FEA进行仿真分析的研究也应运而生。 近年来，机器学习（ML）技术，尤其是DL技术在许多领域取得了巨大的成功[23]，并在许多应用中取得了革命性的突破，在某些情况下，其有着接近甚至超越人类的表现[24-28]。为了降低**FEA方法的高计算成本，基于数据驱动技术，特别是DL技术，*近被用作加速传统模型的计算过程。越来越多的研究者致力于将ML技术与FEA方法相结合，以期提升计算准确性，降低计算时间成本。在医学领域，对疾病临床诊断的时效性尤为重要，所以在生物医学方面有较多利用ML或DL技术开展的仿真研究。 许多研究将有监督的ML算法作为FEA的替代方法来解决生物医学问题。早在2008年，Morooka等利用神经网络来模拟器官变形[29]。2009年，Deo等基于神经网络开发了手术仿真模拟系统，它*次将基于物理的非线性软组织模型及FEA的复杂性和准确性与高速ML神经网络相结合，FEA方法可以准确计算组织变形[30]。然而，对于特定患者的计算分析，通常需要使用复杂的程序来建立模型，并且需要很长的时间进行计算，计算效率低下使得其对许多涉及实时数据处理的生物医学应用程序无效。为了加速FEA计算，有的研究者利用ML的框架来学习FEA产生的数据以模拟人体软组织的生物力学行为，从而满足临床应用所需的实时性[31-33]。此外，Liang及其团队在生物医学领域做了大量的研究，致力于将ML用于替代FEA进行仿真分析[34]。 无论上述研究是使用ML还是DL，仿真结果与FEA均相差无几，且仿真速度快很多。利用ML来加速FEA的仿真过程除在生物医学上有着广泛的研究外，许多学者也研究了其在其他领域方面的应用。 （1）在ML替代FEA方面，Kononenko等研究了ML补充FE研究的可能性，并给出了几个基本示例[35]，Vurtur等研究了ML算法替代FE方法来估计一维梁的时变响应[36]。 （2）流体力学方面，Ladicky等使用回归森林的方法近似地预测粒子行为，由传统流体求解器获得大量随机生成的场景对模型进行训练，结果比标准方法更快、更稳定[37]。Mao等使用物理信息神经网络来近似模拟高速空气动力学流动的欧拉方程[38]，而Martinez等则利用ML构建了转子叶片的空气动力学模型[39]。 （3）力学分析方面，Oishi等使用DL来增强计算力学能力及拓宽计算力学范围[40]。Capuano等利用ML生成元素状态与力之间的直接关系，选择现有的FE公式，从该元素的实例中提取数据，并以此数据来训练ML模型[41]。Nie等使用卷积神经网络（convolutional neural network，CNN）来仿真悬臂梁结构中的应力场，最终测试的平均相对误差仅为2.04%[42]。Jiang等使用一种条件生成对抗网络来仿真二维应力分布，模型对复杂配置进行评估时，所有应力值的平均错误率小于0.21%，最大应力值的平均错误率小于1.47%，对悬臂梁进行评估时，在所有应力值上的平均错误率小于0.14%，最大应力值的平均错误率小于0.33%[43]。 （4）电磁场估计方面，2017年，Tang等应用DL技术求解二维泊松方程，建立了一个深度CNN来仿真二维的电势分布。利用有限差分求解器生成的训练数据，深度CNN强大的逼近能力使其能够在给定源和介电常数分布信息的情况下实现正确的仿真。实验结果表明与基于有限差分法的传统求解器相比，仿真误差可以达到1%以下，且计算时间显著减少[44]。2018年，Shan等利用DL技术求解三维泊松方程，与传统有限差分求解器相比，计算时间显著减少，且仿真误差能达到3%以下[45]。Khan等利用DL来进行磁场估计，即仿真低频电磁设备的麦克斯韦方程组的解，通过FEA求解器生成数据，将其作为深度CNN的训练数据，以学习不同几何形状、材料和激励下的磁场分布映射。实验表明，DL模型的仿真结果与FEA的仿真结果非常吻合[46]。 （5）辅助设计方面，Khan等将DL应用于低频电磁器件的设计和分析，用于在探索设计空间以找到初始候选设计时，快速估计设备性能[46]。Kohar等提出了一种使用ML仿真计算机辅助工程（computer aided engineering，CAE）仿真结果的新框架，适用于矩形挤压管的动态轴向挤压的FE模拟，通常将其应用于车辆耐撞性仿真中。经过训练的模型可以仿真网格变形和新设计产生的力-位移响应，分别比传统的FE方法快3.3×102倍和2.96×106倍，且具有良好的准确性[47]。Chu等利用DL来进行低介电常数芯片的封装设计，使用多尺度的FE模型生成训练数据[48]。 （6）结构分析方面，Mohammed等利用FEA和ML研究套管结构的完整性[49]。Shi等利用ML来仿真植物根系和有机玻璃中的不可见气泡，并利用FEA模型产生相应的训练数据[50]。 （7）其他方面，Tallman等以FEA产生训练数据，使用ML算法对涡轮机翼型部件温度进行评估[51]。Ford等同样以FEA产生微结构图像，用ML算法来仿真复杂的多相微结构复合材料的机械性能[52]。 根据目前的研究现状，可以获悉，基于有限元分析的广泛应用，利用机器学习或深度学习技术来加速或替代FEA的仿真展现出广阔的应用前景。这些技术在许多领域中已被成功应用，证明其在提升计算效率和响应速度方面的有效性。 几乎所有相关研究都将FEA产生的数据视为真实数据，进而基于这些数据来训练用于加速或替代FEA的机器学习模型。这一方法确保了模型的可靠性与准确性，充分利用了FEA在数据生成方面的优势。 而机器学习和深度学习技术不需要像有限元方法那样进行复杂的迭代来求解偏微分方程，因此在仿真应用中普遍具有显著的速度提升，同时其计算精度与FEA相差无几，这使得它们在实时仿真和在线监测中具有极大的应用价值。 1.2.2存在的问题与不足 机器学习和深度学习技术已经在众多领域得到了广泛应用
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
