Детальная информация

Эта статья ориентирована на создание гибридной стратегии моделирования для прогнозирования напряжения пробоя длинных воздушных зазоров в сверхвысоковольтных (UHV) аппаратах под воздействием перенапряжений, вызванных коммутационными импульсами. Основные задачи, решенные в исследовании, были: 1. Исследование физических процессов, связанных с явлениями разряда в длинных зазорах 2. Моделирование геометрии высоковольтных электродов и электростатических полей с помощью метода конечных элементов при различных условиях напряжения и зазора, извлечение характеристик электрического поля; 3. Обучение и калибровка модели нейронной сети для прогнозирования напряжения 4. Проверка производительности модели с реальной геометрией подстанции. Этап моделирования включал построение упрощенных конфигураций проводник-рама в виде параметрических 3D-моделей, решенных в COMSOL Multiphysics. На основе этих моделей были вычислены и обобщены в обучающем наборе данных важные характеристики электрического поля, такие как напряженность поля, плотность энергии, градиент поля и пороговые коэффициенты. Контролируемая нейронная сеть впоследствии была обучена в MATLAB с целью изучения взаимосвязей между такими показателями поля и соответствующим 50%-ным пробивным напряжением (Uso). После успешного обучения модель была проверена на реальной установке подстанции, работающей под напряжением до 1050 кВ. При показателе отклонения прогноза около 6% пробивное напряжение было правильно оценено нейронной сетью. Результаты подтверждают перспективность объединения моделирования FEM с машинным обучением для предиктивной диагностики в системах изоляции высокого напряжения. Разработанная методология может помочь обнаружить критические условия разряда, а также направлять проектирование подстанции на ранних стадиях, выбор изоляции и бесконтактные методы тестирования. Эта методология может быть далее разработана и использована в диагностике и оценке безопасности высоковольтной инфраструктуры на уровне системы.

This paper is oriented towards the establishment of a hybrid modelling strategy for the prediction of the breakdown voltage of long air gaps in ultra-high-voltage (UHV) apparatus under the influence of the overvoltages caused by switching impulses. The principal tasks solved in the study were: 1. Investigating physical processes relating to long-gap discharge phenomena 2. Modelling high-voltage electrode geometries and electrostatic fields with the Finite Element Method Under different voltage and gap conditions, extracting the electric field features; 3. Training and calibrating a neural network model for voltage prediction 4. Validating model performance with real substation geometry The simulation phase entailed building simplified conductor-to-frame configurations in the form of parametric 3D models, solved in COMSOL Multiphysics. Based on these models, important electric field features—such as field strength, energy density, field gradient, and threshold-based ratios—were computed and summarized in a training dataset. The supervised neural network was subsequently trained in MATLAB with the intention of learning the relationship among such field indicators and the respective 50% breakdown voltage (Uso). Once the model was successfully trained, it was validated with a real substation setup energized up to 1050 kV. With a prediction deviation rate of about 6%, the breakdown voltage was correctly estimated by the neural network. The findings affirm the promise of coupling FEM simulation with machine learning for predictive diagnostics in high-voltage insulation systems. Developed methodology can help detect critical discharge conditions as well as guide substation design in the early stages, insulation selection, and non-touch testing techniques. This methodology can be further developed and used in the diagnostics and safety evaluation of high-voltage nfrastructure at the system level.