СУРРОГАТНЫЕ МОДЕЛИ ЭЛЕКТРОФИЗИЧЕСКИХ ХАРАКТЕРИСТИК СТЕКЛЯННЫХ ДЕТАЛЕЙ ВЫСОКОВОЛЬТНЫХ ИЗОЛЯТОРОВ
DOI:
https://doi.org/10.14529/power240402Ключевые слова:
суррогатная модель, дефект изоляции, стеклянная деталь, подвесной изолятор, цифровое моделирование, техническое зрениеАннотация
Статья посвящена построению суррогатной модели как элементу системы технического зрения для выявления внутренних дефектов в изоляционных деталях сложной формы. Для анализа электрофизических характеристик высоковольтных изоляторов с дефектами определены принципы оптимального построения физической модели, необходимой для получения имитационных данных. Также определен набор функциональных зависимостей для анализа электрической прочности образца и принципы подбора аргументов этих зависимостей. На примере стеклянной детали изолятора ПС-70Е показано, что для анализа электрической прочности изолятора достаточно суррогатной модели в виде полинома пяти переменных седьмого порядка, учитывающей изменение формы эллиптических газовых включений и их расположение. Относительная ошибка в определении основных характеристик электрического поля в дефекте по результатам имитационного моделирования и расчета по суррогатной модели составляет не более 10%. Использование суррогатной модели позволяет выявить области, для которых в дефектах будет наблюдаться максимальная напряженность электрического поля, что дает возможность системе технического зрения оценивать потенциальную опасность дефектов. Использование полиномиальной формы суррогатной модели упрощает процесс создания модели, поскольку алгоритм построения имеет детерминированный характер. Указанное преимущество можно использовать при построении суррогатных моделей изоляционных конструкций, поскольку их физические свойства достаточно однородны во всем изделии и их можно аппроксимировать полиномиальной функцией небольшой степени. Также преимущество полиномиальной модели определялось относительной простотой получения данных имитационного моделирования.
Скачивания
Библиографические ссылки
ГОСТ 6490‒2017. Изоляторы линейные подвесные тарельчатые. Общие технические условия. М.: Стандартинформ. ‒ 2018.
ГОСТ 1232‒2017. Изоляторы линейные штыревые фарфоровые и стеклянные на напряжение от 1 до 35 кВ. Общие технические условия. М.: Стандартинформ. ‒ 2017.
Коржов, А.В. Получение данных для обучения системы технического зрения по выявлению газовых включений в стеклянной детали изолятора ПС-70Е/ А.В. Коржов, П.В. Лонзингер, В.И. Сафонов, В.А. Сурин, М.А. Ческидова, К.Н. Белов// Вестник Южно-Уральского государственного Университета. Серия: «Энергетика». 24, 2 (июн. 2024), 27–36. DOI:https://doi.org/10.14529/power240203.
https://www.e-cigre.org/publications/detail/session-2024-b2-session-2024-sc-b2-package.html
Gol AD, Kamil Burak Dermenci, Farkas L, Maitane Berecibar. Electro‐Chemo‐Mechanical Degradation in Solid‐State Batteries: A Review of Microscale and Multiphysics Modeling. Advanced Energy Materials. 2024 Nov 20;
KC P, Naghibolhosseini M, Mohsen Zayernouri. Multiphysics Modeling of Power Transmission Line Failures Across Four US States. Modelling—International Open Access Journal of Modelling in Engineering Science. 2024 Nov 20;5(4):1745–72.
Morega AM, Ordonez JC. Multiphysics Modelling and Simulation in Engineering. Modelling and Simulation. 2008 Jun 1.
Bunmat A S, Pongpisit Y. Development of Pantograph Electric Field Model for an Electric Train using 3D Finite Element Method. 2023. 9. 09–215. 10.14456/MIJET.2023.24.
Wang HL, Cai CL. Research on Electric Field Simulation of Ring Capacitance Sensor Based on Finite Element Method. Advances in Science and Technology [Internet]. 2021 Apr 27 [cited 2024 Nov 30];105:221–7. Available from: http://dx.doi.org/10.4028/www.scientific.net/AST.105.221
Du Z, Tian Y, Jin S, Zhu L, Ruan J. A Fast Finite Element Numerical Modeling Method for the Calculation of Electric Field in Large Scale Complex Model. Zhongguo Dianji Gongcheng Xuebao/Proceedings of the Chinese Society of Electrical Engineering [Internet]. 2018 Dec 20;38(24):7166–73. Available from: https://www.researchgate.net/publication/332141593_A_Fast_Finite_Element_Numerical_Modeling_Method_for_the_Calculation_of_Electric_Field_in_Large_Scale_Complex_Model
Kontargyri VT, Gonos IF, Stathopulos IA. Measurement and simulation of the electric field of high voltage suspension insulators. European Transactions on Electrical Power. 2008 Mar 5;19(3):509–17.
Hu W. Surrogate Modeling. Springer eBooks. 2023 Jan 1;65–91.
Zhou M, Song H, Ye W, Wang W, Lai Z. Parameter estimation of structural dynamics with neural operators enabled surrogate modeling. arXiv (Cornell University). 2024 Oct 15.
Li ZA, Dong XW, Zhu CY, Chen CH, Zhang H. Vectorial surrogate modeling method based on moving Kriging model for system reliability analysis. Computer Methods in Applied Mechanics and Engineering. 2024 Sep 26;432:117409–9.
Shahin Alipour Bonab, Sadeghi A, Yazdani-Asrami M. Artificial intelligence-based surrogate model for computation of the electric field of high voltage transmission line ceramic insulator with corona ring. World journal of engineering. 2024 Mar 22;
Jiang P., Zhou Q., Shao X. Surrogate model-based engineering design and optimization. – Berlin/Heidelberg, Germany : Springer, 2020.
Pakin Phromphan, Jirachot Suvisuthikasame, Metas Kaewmongkol, Woravech Chanpichitwanich, Suwin Sleesongsom. A New Latin Hypercube Sampling with Maximum Diversity Factor for Reliability-Based Design Optimization of HLM. Symmetry. 2024 Jul 15;16(7):901–1.
Kumar AA, Mandal BN, Rajender Parsad, Dash S. On Construction of Nearly Orthogonal Latin Hypercube Designs. Journal of the Indian Society of Agricultural Statistics. 2024 May 10;78(1):63–7.
F. Gutfleisch, Niemeyer L. Measurement and simulation of PD in epoxy voids. 1995 Oct 1;2(5):729–43.
Дубицкий, С. Инженерное моделирование квазистатического электромагнитного поля в программе ELCUT для задач электроники / С. Дубицкий// Сборник «Электромагнитная совместимость в электронике» . – 2018
Sun G, Wang S. A review of the artificial neural network surrogate modeling in aerodynamic design. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering. 2019 Jul 26;233(16):5863–72.
Deshpande S, Rappel H, Hobbs M, Bordas, Lengiewicz J. Gaussian process regression + deep neural network autoencoder for probabilistic surrogate modeling in nonlinear mechanics of solids. arXiv (Cornell University). 2024 Jul 15;
Varvara Asouti, Kontou M, Kyriakos Giannakoglou. Radial Basis Function Surrogates for Uncertainty Quantification and Aerodynamic Shape Optimization under Uncertainties. Fluids. 2023 Oct 30;8(11):292–2.
Second-order polynomial approximation — SMT 2.8.0 documentation [Internet]. Readthedocs.io. 2017 [cited 2024 Nov 30]. Available from: https://smt.readthedocs.io/en/latest/_src_docs/surrogate_models/qp.html
GENN — SMT 2.8.0 documentation [Internet]. Readthedocs.io. 2017. Available from: https://smt.readthedocs.io/en/latest/_src_docs/surrogate_models/genn.html