Details

Title Analysis of electrostatic fields of high-voltage equipment and estimation of discharge voltages of air gaps: выпускная квалификационная работа магистра: направление 13.04.02 «Электроэнергетика и электротехника» ; образовательная программа 13.04.02_21 «Электроэнергетика (международная образовательная программа) / Electrical Engineering (International Educational Program)»
Creators Ибеоджо Годвин Оджоре
Scientific adviser Титков Василий Васильевич
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт энергетики
Imprint Санкт-Петербург, 2025
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects диагностика высоковольтного оборудования ; моделирование конечного элемента ; переключающие импульсы ; длина пути ; объемное отношение ; напряжение разряда ; виртуальный разряд канал ; нейронная сеть ; машинное обучение ; искажение отношения ; high-voltage equipment diagnostics ; modeling finite element ; switching impulses ; length of path ; volume ratio ; discharge volrage ; virtual discharge cgannel ; neural network ; machine learning ; disrortion ratio
Document type Master graduation qualification work
File type PDF
Language Russian
Level of education Master
Speciality code (FGOS) 13.04.02
Speciality group (FGOS) 130000 - Электро- и теплоэнергетика
DOI 10.18720/SPBPU/3/2025/vr/vr25-2238
Rights Доступ по паролю из сети Интернет (чтение, печать)
Additionally New arrival
Record key ru\spstu\vkr\35148
Record create date 7/7/2025

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Group Anonymous
Network Internet

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.

Network User group Action
ILC SPbPU Local Network All
Read Print
Internet Authorized users SPbPU
Read Print
Internet Anonymous

Access count: 0 
Last 30 days: 0

Detailed usage statistics