一种特高压直流换流站接头端子的温升优化方法及系统与流程

本发明属于特高压直流换流站电网防灾技术领域，并且更具体地，涉及一种特高压直流换流站接头端子的温升优化方法及系统。

背景技术：

随着国民经济的发展,特高压直流换流站工程的规模迅速扩大，其站内通流回路接头端子过热缺陷会引起换流站设备结构、材料等产生疲劳损坏，缩短设备的使用寿命，影响了电网的安全稳定运行。目前发现的特高压直流换流站通流回路接头端子发热现象，几乎包含了目前在运的所有的特高压直流换流站，波及的范围大、造成的危害程度高，如果造成严重故障，其经济损失一般数额巨大、难以精确估算。特高压工程作为电网最核心的组成部分，其安全稳定性要求更高，发生故障造成的经济损失更加巨大，因此对特高压直流换流站工程的接头端子温升设计提出了更高的要求。

技术实现要素：

根据本发明的一方面，提出一种特高压直流换流站接头端子的温升优化方法，包括：

步骤1，获取多组接头端子的设计参数，并通过有限元模型模拟接头端子搭接部分的温升过程，记录接头端子搭接部分的最大温升tmax，将tmax与温升极限值tu进行比较，选取tmax≤tu的设计参数进行保留，其中所述设计参数包括：接头端子长度x1、接头端子宽度x2、接头端子厚度x3、接头端子搭接部位电阻x4和接头端子加载的电流x5；

步骤2，随机选取一组保留的设计参数，通过神经网络模型得出tmax与保留的设计参数之间的温升函数关系，并进行蒙特卡罗(mcs)计算得到相应的接头端子可靠度r0的值，将当前r0与可靠度极限值ru进行比较，若r0≥ru，则保留当前的设计参数，否则，重新选取保留的一组设计参数，使得可靠度r0≥ru，并保留当前的设计参数；

步骤3，以当前保留的可靠度r≥ru的设计参数作为初始设计点，获取以初始设计点为原点的有限邻域内的不同设计参数进行组合，通过有限元模型模拟并得出组合后的设计参数对应的最大温升tmax，进而结合接头端子板的极限状态方程，通过蒙特卡罗模拟法(mcs)计算相应的接头端子可靠度r的值，通过神经网络模型得出r与设计参数之间的函数关系；

步骤4，根据r与设计参数之间的函数关系，以接头端子的成本为优化条件，设计目标函数f(x)＝c＝x1·x2·x3.ρ·ω，其中c为接头端子的成本，接头端子的密度，ω为单位体积接头端子的成本，以接头端子的可靠度作为约束条件，得到接头端子的优化设计参数为minf(x)＝e(x1·x2·x3·ρ·ω)st.r≥ru，其中x1、x2以及x3的值即为优化后的设计参数。

根据权利要求1所述的方法，其特征在于，所述利用有限元模型实现接头端子的温升过程模拟为：

当接头端子流过电流时，其电流密度应满足电流连续性方程：

式中γ为接头端子的导电率，为接头端子任意一点的电位；

接头端子在有内热源及非稳态导热的情况下，描述其温度场的微分方程为：

式中t为任意点的热力学温度，分别为接头端子的密度和比热容，t为时间，v为场域；

接头端子用于升高温度的能量为e＝qw，接头端子内热源产生的热量qw，根据其的电流场分布得：

q＝qw-qs-qe(3)

式中为由接头端子内部热源产生的热量，ex、ey、ez为接头端子的电场强度；qs＝αcona0(tf-t0)为接头端子向周围介质所散失的热量,αcon为对流散热系数单位为w/(m²·℃)；a0为对流散热面积单位为m²，tf为发热体温度单位为℃，t0为环境温度单位为℃；为接头端子通过热辐射散失的热量，εi为发射率，取0.92；σ为斯蒂芬—波尔兹曼常数，取5.67×10^-8w/m².k⁴；ai为辐射面i的面积；fij为由辐射面i到辐射面j的形状系数，一般取fij＝1；

联立式(1)(2)(3)构建接头端子的有限元模型，并进行网格化分以简化模型，在确定初始温升和边界条件之后，利用式(1)得到接头端子的各节点的电场分布，然后用式(3)求出接头端子吸收的能量q，最后应用式(2)求解得到接头端子上的温升分布情况，之后重新确定电阻率γ，再交替进行电流场与温升场的计算，从而实现电流场及温升场的联立求解，实现对接头端子温升过程的模拟。

优选地，其中所述温升极限值tu的取值范围为：60k～200k。

优选地，其中所述步骤2中使用的神经网络模型为三层神经网络结构，其中所述设计参数x1、x2、x3、x4以及x5为输入参数，隐含层神经元的个数为12个，tmax为输出参数，隐含层神经元激活函数为sigmoid型激活函数，输出层激活函数为线性purelin型传递函数，初始权值选取(-1,1)之间的随机数，学习速率的选取范围在0.01～0.8之间，动量因子选取范围在0.9～0.95之间，收敛条件为网络总误差e≤1.0e-12。

优选地，其中所述接头端子板的极限状态方程为：

z＝g(x)＝g(x1,x2,x3,x4,x5)＝tu-tmax(x1,x2,x3,x4,x5)＝0。

优选地，其中所述步骤3中使用的神经网络模型为三层神经网络结构，其中设计参数x1、x2、x3、x4以及x5为输入参数，隐含层神经元的个数为9个，r为输出参数，隐含层神经元激活函数以及输出层激活函数均为sigmoid型激活函数，初始权值选取(-1,1)之间的随机数，学习速率的选取范围在0.01～0.9之间，动量因子选取范围在0.85～0.98之间，收敛条件为网络总误差e≤1.0e-12。

优选地，其中所述r与设计参数之间的函数关系为：

其中，wji，vkj和b1j，b2k分别表示神经网络的连接权值和阈值，δ为传递函数。

优选地，其中所述通过蒙特卡罗模拟法(mcs)计算相应的接头端子可靠度r的值时，选取的模拟次数为5000次。

优选地，其中计算相应的接头端子可靠度r时，可对设计参数进行归一化处理为：

根据本发明的另一方面，提供一种特高压直流换流站接头端子的温升优化系统，包括：

设计参数获取及温升模拟单元，用于获取一组接头端子的设计参数x1、x2、x3、x4以及x5，并通过有限元模型模拟接头端子搭接部分的温升过程，记录接头端子搭接部分的最大温升tmax，将tmax与温升极限值tu进行比较，当tmax≤tu时，将数据发送至第一可靠度计算单元继续进行计算，否则重新选取设计参数进行温升模拟；

第一可靠度计算单元，通过神经网络模型得出tmax与设计参数之间的多个函数关系，取其中一组关系结合接头端子板的极限状态方程，通过蒙特卡罗模拟法(mcs)计算相应的接头端子可靠度r的值，将当前r与可靠度极限值ru进行比较，若r≥ru，保留当前的设计参数，否则，重新选取保留的一组设计参数，使得可靠度r0≥ru，并保留当前的设计参数；

第二可靠度计算单元，以当前保留的可靠度r≥ru的设计参数作为初始设计点，获取以初始设计点为原点的有限邻域内的不同设计参数进行组合，通过有限元模型模拟并得出组合后的设计参数对应的最大温升tmax，进而结合接头端子板的极限状态方程，通过蒙特卡罗模拟法(mcs)计算相应的接头端子可靠度r的值，通过神经网络模型得出r与设计参数之间的函数关系；

优化单元，以接头端子的成本为优化条件，设计目标函数f(x)＝c＝x1·x2·x3.ρ·ω，其中c为接头端子的成本，接头端子的密度，ω为单位体积接头端子的成本，以接头端子的可靠度作为约束条件，得到接头端子的优化设计参数为minf(x)＝e(x1·x2·x3·ρ·ω)st.r≥ru，其中x1、x2以及x3、的值即为优化后的设计参数。

本发明提供了一种特高压直流换流站接头端子的温升优化方法，使设计参数优化后的接头端子可以避免或减轻因接头端子发热引起的电网灾害事故造成的损失，同时也避免了对接头端子尺寸设计过大而造成的经济浪费。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为根据本发明优选实施例的接头端子的温升优化方法流程图；

图2为接头端子温升限值分析实验电路图；

图3为根据本发明优选实施例的tmax与设计参数拟合神经网络模型；

图4为根据本发明优选实施例的r与设计参数拟合神经网络模型；以及

图5为根据本发明优选实施例的接头端子的温升优化系统的结构示意图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为本发明优选实施例的接头端子的温升优化方法流程图。如图1所示，接头端子的温升优化方法100首先选取多组设计参数，通过有限元模型得出当前设计参数对应的街头端子板搭接部分最大温升值，且当当前的最大温升小于等于温升极限值时，通过神经网络模型得出最大温升与设计参数之间的函数关系，并结合接头端子板的极限状态方程通过montecarlo法得出接头端子的可靠度r的值，当r大于等于可靠度极限值时，选取初始设计点，并获取初始设计点附近的不同设计参数进行组合，计算相应的接头端子板搭接部分的最大温升值进而得出可靠度，并通过神经网络模型得出设计参数与可靠度之间的函数关系，最后以接头端子成本作为优化条件设定目标函数，以可靠度作为约束条件得到接头端子的优化设计参数。

如图1所示，方法100从步骤101开始。在步骤101中，获取多组接头端子的设计参数x1、x2、x3、x4以及x5。优选地，设计参数分别为接头端子长度x1、接头端子宽度x2、接头端子厚度x3、接头端子搭接部位电阻x4，接头端子加载的电流x5。

在步骤102中，通过有限元模型模拟接头端子搭接部分的温升过程，记录接头端子搭接部分的最大温升tmax。优选地，所述利用有限元模型实现接头端子的温升过程模拟为：

当接头端子流过电流时，其电流密度应满足电流连续性方程：

式中γ为接头端子的导电率，为接头端子任意一点的电位；

接头端子在有内热源及非稳态导热的情况下，描述其温度场的微分方程为：

式中t为任意点的热力学温度，分别为接头端子的密度和比热容，t为时间，v为场域；

接头端子用于升高温度的能量为e＝qw，接头端子内热源产生的热量qw，根据其的电流场分布得：

q＝qw-qs-qe(3)

式中为由接头端子内部热源产生的热量，ex、ey、ez为接头端子的电场强度；qs＝αcona0(tf-t0)为接头端子向周围介质所散失的热量,αcon为对流散热系数单位为w/(m²·℃)；a0为对流散热面积单位为m²，tf为发热体温度单位为℃，t0为环境温度单位为℃；为接头端子通过热辐射散失的热量，εi为发射率，取0.92；σ为斯蒂芬—波尔兹曼常数，取5.67×10^-8w/m².k⁴；ai为辐射面i的面积；fij为由辐射面i到辐射面j的形状系数，一般取fij＝1；

联立式(1)(2)(3)构建接头端子的有限元模型，在进行有限元模型的求解时，首先对模型进行简化，并进行网格化分形成小单元。在确定初始温升和边界条件之后，利用式(1)得到接头端子的各节点的电场分布，然后用式(3)求出接头端子吸收的能量q，最后应用式(2)求解得到接头端子上的温升分布情况，之后重新确定电阻率γ，再继续求解电场的分布。在交替进行的电流场与温升场的计算中，实现电流场和温升场的联立求解，从而实现对接头端子温升过程的模拟。

优选地，本发明中使用的有限元模型通过ansys参数化程序的建模方法建立接头端子的三维有限元模型，并通过ansys中的solid227单元对接头端子进行温度场和电流场进行交替计算。该单元有十个节点，每个节点有4个自由度，可对接头端子板进行暂态和稳态热电耦合分析。solid227耦合场材料特性必须设置电阻率、热传导率、质量密度、比热容、介电系数。本发明采用自由网格划分将模型划分为四面体单元，再利用ansys的智能尺寸控制技术，来实现对网格的大小和疏密分布的控制。由于电场与温度场之间相互影响,不能单独对某一个场进行求解,因此必须采用直接耦合的方法进行求解。在求解之前,首先指定分析类型为瞬态分析,打开时间积分效应；其次根据接头端子板达到稳定工作所需的时间,定义载荷步及结束的时间,本发明专利取载荷步结束的时间为4小时,然后定义负载电流,载荷变化方式为阶跃载荷,打开自动时间步长功能。设置接头端子板的初始温度为室温20℃的均匀温度场，接头端子两端的温度近似维持在20℃。加载时，在接头端子的某一端面上选取接头端子板的所有节点加载电流向量，方向垂直端面，同时定义该面上节点的电压恒为零；而在另一个端面上所有的节点耦合电压自由度。

在步骤103中，将tmax与温升极限值tu进行比较。优选地，所述温升极限值取值范围为：60k～200k。温升极限值通过接头端子板的温升限值分析实验得出，具体的实验步骤将在下文进行详细说明。

在步骤104中，选取tmax≤tu的设计参数进行保留，通过神经网络模型得出tmax与设计参数之间的函数关系。优选地，步骤104中使用的神经网络模型为三层神经网络结构，其中设计参数x1、x2、x3、x4以及x5为输入参数，即输入层神经元的个数为5个，隐含层神经元的个数为12个，tmax为输出参数，即输出层神经元的个数为1个，隐含层神经元激活函数为sigmoid型激活函数，输出层激活函数为线性purelin型传递函数，初始权值选取(-1,1)之间的随机数，学习速率的选取范围在0.01～0.8之间，动量因子选取范围在0.9～0.95之间，收敛条件为网络总误差e≤1.0e-12。

在步骤105中，随机选取一组保留的设计参数，通过神经网络模型得出tmax与保留的设计参数之间的温升函数关系，进行蒙特卡罗模拟法(mcs)计算得到相应的接头端子可靠度r的值。优选地，接头端子温升可靠度计算首先需要建立接头端子的温升极限状态方程，根据接头端子板温升影响因素分析，影响接头端子办温升主要影响因素是，接头端子板的宽度、接头端子板的厚度、接头端子板的长度、接头端子板的电阻及接头端子板所加载的电流。按照接头端子板正常使用的极限状态设计，接头端子板的极限状态方程为：

z＝g(x)＝g(x1,x2,x3,x4,x5)＝tu-tmax(x1,x2,x3,x4,x5)＝0。

由于接头端子搭接部位的最大温升tmax的函数关系公式不能用显式表达，因此接头端子板的极限状态方程解析式很难求出，故而本发明使用神经网络模型使tmax与设计参数的函数关系尽可能逼近接头端子板的极限状态方程。

对接头端子温升优化设计时，可将接头端子可靠度作为约束条件来计算接头端子可靠度：r＝∫g(x)＞0fx(x)dx＝p{g(x)＞0}≥ru，其中ru为可靠度极限值，求解此公式需要知道接头端子板温升状态函数的联合概率密度函数将可靠性概率约束转化为确定性约束，应用理论方法，状态函数的联合概率密度函数很难确定，且此公式为隐形函数关系，不能直接反映出设计参数与可靠度的函数关系，因此本发明利用montecarlo法对样本数据进行随机抽样，并对数据进行概率分析，得到极限状态函数值的均值和标准差，从而求得接头端子温升可靠度指标。优选地，通过蒙特卡罗模拟法计算相应的接头端子可靠度r0的值时，选取的模拟次数为5000次。

在步骤106中，将当前r0与可靠度极限值ru进行比较，若r0≥ru，则保留当前的设计参数，否则重新执行步骤105。优选地，可靠度极限值根据实际情况设定，可以为99％或92％等符合要求的数值。

在步骤107中，选取接头端子可靠度r0≥ru时的一组设计参数作为初始设计点，获取以初始设计点为原点的有限邻域内的不同设计参数进行组合，通过有限元模型模拟并得出组合后的设计参数对应的最大温升tmax。优选地，步骤107中的最大温升值的计算方法与步骤102相同，在此不进行赘述。

在步骤108中，结合接头端子板的极限状态方程，通过蒙特卡罗模拟法(mcs)计算相应的接头端子可靠度r的值，通过神经网络模型得出r与设计参数之间的函数关系。优选地，步骤108中计算可靠度的方法与步骤105相同，在此不进行赘述。优选地，步骤108中使用的神经网络模型为三层神经网络结构，其中设计参数x1、x2、x3、x4以及x5为输入参数，即输入层神经元的个数为5个，隐含层神经元的个数为9个，r为输出参数，即输出层神经元的个数为1个，隐含层神经元激活函数以及输出层激活函数均为sigmoid型激活函数，初始权值选取(-1,1)之间的随机数，学习速率的选取范围在0.01～0.9之间，动量因子选取范围在0.85～0.98之间，收敛条件为网络总误差e≤1.0e-12。

在步骤109中，根据r与设计参数之间的函数关系，以接头端子的成本为优化条件，设计目标函数f(x)＝c＝x1·x2·x3.ρ·ω，其中c为接头端子的成本，接头端子的密度，ω为单位体积接头端子的成本，以接头端子的可靠度作为约束条件，得到接头端子的优化设计参数为minf(x)＝e(x1·x2·x3·ρ·ω)st.r≥ru，其中x1、x2以及x3的值即为优化后的设计参数。

在本发明的实施方式中，通过端子板温升试验来验证所述建立的有限元模型是否正确。针对特高压直流换流站接头端子材料，分别开展铝板-铝板、铜板-铜板材料的电流-温升试验。具体试验方法为：将端子板两端用铜导线连接并用螺栓拧紧，再将铜导线与大电流试验设备的输出端连接，从而电流从电源箱经过铜导线流经端子板；在距离端子板搭接部位20到25cm处安装电压测试线,测试线端部连接电压数字多用表的输入端，并用表读取测试部位电压值；其电流流向由控制台控制，通过分别测试样品正向、反向电压及电流，并测出端子板的电阻值；撤除电阻测试系统，用铜导线以串联形式连接100kva变压器和软连接板，并在端子板两边各添加n个温度传感器；以及通过控制台控制变压器并提高输出电流，达到要求值后稳定电流，通过计算机监控端子板实时温度变化。图2为接头端子温升限值分析实验电路图。其中，201为220v交流电源，202为调压器，203为降压变压器，204为保护电阻，205为耦合电容器，206为实验样品接头端子，207为温度传感器，208为温度巡检仪。在实际操作中，通常使用接头端子温升限值分析实验测试接头端子搭接部位的温度、变形及所涂电力复合脂的变化情况，来确定不同材质、不同电流密度设计值和不同工况的接头端子的温升限值，为端子板优化设计提供直接依据。由于换流站接头端子多为纯铜和铝合金材质，因此本实验中实验样品接头端子可采用铝合金材料制造。步骤如下：

(1)安装前依次使用200#、400#细砂纸打磨去除表面氧化层，用丙酮清洗打磨面并用干净的白棉布或卫生纸擦拭干净；并在试件的搭接部位涂0.2mm的电力复合脂；

(2)试验前测定试件搭接部位的接续电阻；

(3)加电流至1500a，通流4个小时观察试件搭接部位的温度变化情况，若温度稳定则继续持续加热10个小时观察试件变化情况，若加热10小时后试件试件的温升出现明显的拐点，则此出现拐点的温升即为温升限值。若加热10小时后试件试件没有出现温升明显的拐点，将退电流至0后继续加电流至2000a、2500a，并重复上面的试验步骤，直到接头端子板温升出现明显拐点为止。该明显拐点即为温升极限值。

图3为根据本发明优选实施例的tmax与设计参数拟合神经网络模型。由图3可知，神经网络模型300为三层神经网络结构，其中设计参数x1、x2、x3、x4以及x5为输入参数，即输入层神经元的个数为5个，隐含层神经元的个数为12个，tmax为输出参数，即输出层神经元的个数为1个，隐含层神经元激活函数为sigmoid型激活函数，输出层激活函数为线性purelin型传递函数，初始权值选取(-1,1)之间的随机数，学习速率的选取范围在0.01～0.8之间，动量因子选取范围在0.9～0.95之间，收敛条件为网络总误差e≤1.0e-12。

图4为根据本发明优选实施例的r与设计参数拟合神经网络模型。由图4可知，神经网络模型400为三层神经网络结构，其中设计参数x1、x2、x3、x4以及x5为输入参数，即输入层神经元的个数为5个，隐含层神经元的个数为9个，r为输出参数，即输出层神经元的个数为1个，隐含层神经元激活函数以及输出层激活函数均为sigmoid型激活函数，初始权值选取(-1,1)之间的随机数，学习速率的选取范围在0.01～0.9之间，动量因子选取范围在0.85～0.98之间，收敛条件为网络总误差e≤1.0e-12。

图5为根据本发明优选实施例的接头端子的温升优化系统的结构示意图。如图5所示，接头端子的温升优化系统500包括设计参数获取及温升模拟单元501、第一可靠度计算单元502、第二可靠度计算单元503以及优化单元504。

优选地，设计参数获取及温升模拟单元501获取多组接头端子的设计参数，并通过有限元模型模拟接头端子搭接部分的温升过程，记录接头端子搭接部分的最大温升tmax，将tmax与温升极限值tu进行比较，选取tmax≤tu的设计参数进行保留，其中所述设计参数包括：接头端子长度x1、接头端子宽度x2、接头端子厚度x3、接头端子搭接部位电阻x4和接头端子加载的电流x5。

优选地，第一可靠度计算单元502随机选取一组保留的设计参数，通过神经网络模型得出tmax与保留的设计参数之间的温升函数关系，并进行蒙特卡罗(mcs)计算得到相应的接头端子可靠度r0的值，将当前r0与可靠度极限值ru进行比较，若r0≥ru，则保留当前的设计参数，否则，重新选取保留的一组设计参数，使得可靠度r0≥ru，并保留当前的设计参数；

优选地，第二可靠度计算单元503以当前保留的可靠度r≥ru的设计参数作为初始设计点，获取以初始设计点为原点的有限邻域内的不同设计参数进行组合，通过有限元模型模拟并得出组合后的设计参数对应的最大温升tmax，进而结合接头端子板的极限状态方程，通过蒙特卡罗模拟法(mcs)计算相应的接头端子可靠度r的值，通过神经网络模型得出r与设计参数之间的函数关系；

优选地，优化单元504用于根据r与设计参数之间的函数关系，以接头端子的成本为优化条件，设计目标函数f(x)＝c＝x1·x2·x3.ρ·ω，其中c为接头端子的成本，接头端子的密度，ω为单位体积接头端子的成本，以接头端子的可靠度作为约束条件，得到接头端子的优化设计参数为minf(x)＝e(x1·x2·x3·ρ·ω)st.r≥ru，其中x1、x2以及x3、的值即为优化后的设计参数。

本发明的一个优选实施例接头端子的温升优化系统500与本发明的另一个优选实施例接头端子的温升优化方法100一一对应，在此不进行详细赘述。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。