变压器物理场仿真方法、设备和计算机可读存储介质与流程

1.本技术属于物理场仿真技术领域，特别是涉及一种变压器物理场仿真方法、计算机设备和计算机可读存储介质。


背景技术：

2.变压器是电网输配电系统中最重要的设备之一，当变压器发生运行故障时，流经绕组的短路电流产生的热量和电动力将是正常工况下的近百倍，短路电动力的冲击会进一步造成绕组变形，威胁变压器的安全稳定运行。当变压器长时间处于非正常状态时，不仅会严重损坏变压器设备，而且也存在进一步恶化产生故障的可能。因此通过研究变压器内部电、磁、热、力、流体等物理场的分布变化特性，以及各物理场间的相互关联、相互耦合和相互影响规律，是实现变压器运行状态监测的重要手段。
3.目前，计算变压器内部物理场的主要方法为有限元分析(finite element analysis，fea)。但使用fea求解变压器内部物理场存在以下不足：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场景的需求。如何准确、高效获取变压器的物理场数据，是本领域技术人员亟待解决的技术问题。
4.前面的叙述在于提供一般的背景信息，并不一定构成现有技术。


技术实现要素：

5.基于此，有必要针对上述问题，提出了一种变压器物理场仿真方法、计算机设备和计算机可读存储介质，能够准确、高效获取变压器的物理场数据。
6.本技术解决其技术问题是采用以下的技术方案来实现的：
7.本技术提供了一种变压器物理场仿真方法，包括如下步骤：获取变压器的工况信息，根据工况信息生成数据集，数据集包括训练数据集和测试数据集；对训练数据集进行预处理得到特征值；根据预设的回归算法集构建多个第一预测模型；将训练数据集对应的工况信息作为输入信息、将特征值作为输出信息，对多个第一预测模型进行训练，以得到第二预测模型，第二预测模型为第一预测模型中预测准确度最高的模型；将测试数据集对应的工况信息输入第二预测模型中，以预测得到物理场信息。
8.在本技术一可选实施例中，工况信息包括磁场数据和电场数据，根据工况信息生成数据集，包括：将磁场数据和电场数据保持在同一个物理场坐标网格下，对磁场数据和电场数据进行补全；获取补全后的磁场数据和补全后的电场数据对应的预处理特征；通过随机森林对预处理特征进行重要性排序，并对完成排序的预处理特征进行归一化处理，以得到满足预设条件的输入特征，根据输入特征生成数据集。
9.在本技术一可选实施例中，对训练数据集进行预处理得到特征值，包括：采用主成分分析方法对训练数据集进行降维处理，以得到特征向量值和对应的特征值。
10.在本技术一可选实施例中，根据预设的回归算法集构建多个第一预测模型，回归
算法集包括：随机森林、岭回归、支持向量回归、深度神经网络、卷积神经网络中的至少一项；第一预测模型包括一个输入层、至少两个隐含层及一个输出层；输入层和输出层的神经元个数分别通过工况信息确定；隐含层的神经元个数通过训练确定。
11.在本技术一可选实施例中，对多个第一预测模型进行训练，包括：对于通过随机森林、岭回归、支持向量回归生成的第一预测模型，通过迭代选取并设置通过随机森林、岭回归、支持向量回归生成的第一预测模型的超参数；和/或，对于通过深度神经网络生成的第一预测模型，通过迭代选取并设置通过深度神经网络生成的第一预测模型的隐含层参数、选择激活函数、选择减少过拟合的方法以及计算损失函数。
12.在本技术一可选实施例中，对多个第一预测模型进行训练，以得到第二预测模型，包括：生成第三预测模型，第三预测模型是用于对第一预测模型的预测准确度验证的对照模型；获取第三预测模型对第一预测模型进行验证的对照预测结果；分别获取多个第一预测模型的训练结果；比对对照预测结果和训练结果，根据对比结果选择预测性能最佳的第一预测模型为第二预测模型。
13.在本技术一可选实施例中，工况信息包括状态信息；生成第三预测模型，包括：当根据状态信息确定变压器工作在正常状态下时，通过卷积神经网络、长短时记忆网络、时间卷积网络生成第三预测模型；当根据状态信息确定变压器工作在异常状态下时，通过卷积神经网络生成第三预测模型。
14.在本技术一可选实施例中，将测试数据集对应的工况信息输入第二预测模型中，以预测得到物理场信息，包括：将测试数据集对应的工况信息输入第二预测模型中，获取第二预测模型预测得到的预测结果；获取采用主成分分析方法对训练数据集进行降维处理时保留的特征均值；通过特征向量对所属预测结果进行反变换，再加上特征均值，从而获得物理场信息。
15.本技术还提供了一种计算机设备，包括处理器和存储器：处理器用于执行存储器中存储的计算机程序以实现如前述的方法。
16.本技术还提供了一种计算机可读存储介质，存储有计算机程序，当计算机程序被处理器执行时实现如前述的方法。
17.采用本技术实施例，具有如下有益效果：
18.本技术能够通过变压器的工况信息，利用多个算法生成多个预测模型，并在训练过程中确定当前工况信息最适宜的预测模型进行变压器的物理场数据预测，使得预测结果更加准确，结果的生成更加迅速。
19.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
20.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他的附图。
21.其中：
22.图1为一实施例提供的一种变压器电磁场仿真方法的流程示意图；
23.图2为一实施例提供的一种正常状态下变压器电磁场仿真方法的流程示意图；
24.图3为一实施例提供的基于cnn建立的第三预测模型的网络结构图；
25.图4为一实施例提供的一种异常状态下变压器电磁场仿真方法的流程示意图；
26.图5为一实施例提供的一种计算机设备的结构示意框图。
具体实施方式
27.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
28.实施例一
29.现有对于变压器内部物理场的预测方法，预测速度较慢，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场景的需求。基于此，本技术提出了一种变压器物理场仿真方法，包括有步骤s110～步骤s140。为清楚描述本技术提供的变压器物理场仿真方法，请参考图1。
30.步骤s110：获取变压器的工况信息，根据工况信息生成数据集，数据集包括训练数据集和测试数据集。
31.在一实施方式中，工况信息包括磁场数据和电场数据，根据工况信息生成数据集，包括：将磁场数据和电场数据保持在同一个物理场坐标网格下，通过三次样条插值实现二维空间数据的补全，通过最近邻插值实现对三维空间数据的补全；获取磁场数据和电场数据对应的预处理特征；通过随机森林对预处理特征进行重要性排序，并对完成排序的预处理特征进行归一化处理，以得到满足预设条件的输入特征，根据输入特征生成数据集。
32.在一实施方式中，工况信息为变压器当前工作状态下的电磁场数据等，以及对应的变压器基本参数等信息，具体而言可以包括但不限于有电场数据、磁场数据、电压数据、电流数据、电位数据等。此外进一步地，根据工况信息则可以确定变压器当前的状态，也即是否工作在正常状态，或者是否出现异常等。之于异常还可以根据进一步确定变压器的类型，及其异常种类。可以理解的是，不同的状态下，物理场仿真的具体预测模型是可能存在不同的，对此将会在后文其他实施例中详述，在此，暂不展开。此外，进行预测的具体过程，本技术所提出的方法是需要经过机器的深度学习构建预测模型以实现预测，对此需要生成数据集以便于训练。在划分数据集前，需要对工况信息做进一步地预处理。
33.对于预处理可以包括如下步骤：数据补全、重要性排序和归一化处理。值得注意的是，工况信息包括多种参数，为便于理解，此处以电场数据和磁场数据做简单说明。对于数据补全，可以理解的是对于所有操作都要求数据集中的数据保持在同一物理场坐标网格下，否则将无法对数据进行特征降维等后续处理。基于以上的需求，对仿真数据中出现的物理场网格不一致、部分网格点数据缺失问题需要进行插值处理。基于此，可以采用三次样条插值实现二维空间数据的补全，采用最近邻插值实现对三维空间数据的补全。对于多个输
入特征的回归问题，在做进一步处理之前还需要了解各维度特征对数据变化的影响程度大小，即各维度特征的重要性。在本技术中可以采用随机森林(rf，random forest)对变压器物理场预测的多个输入特征进行重要性排序。更进一步的，当出现多个输入特征时，需要避免各个特征之间数量级差异导致的预测模型在权重更新时出现偏差的问题。以单相变压器为例，对于单相变压器磁场仿真数据中的4个输入特征，由于其周期性的变化，电压和电流方向的改变将不可避免地出现较大的幅度差异，为了消除输入各个特征之间数值尺度带来的影响，选择对输入特征进行归一化。同理对于三相变压器磁场仿真数据的15个输入特征也需要进行归一化。归一化的具体操作可以使用z-score归一化进行归一化处理。
34.步骤s120：对训练数据集进行预处理得到特征值；根据预设的回归算法集构建多个第一预测模型。
35.在一实施方式中，对训练数据集进行预处理得到特征值，包括：采用主成分分析方法对训练数据集进行降维处理，以得到特征向量值和对应的特征值。
36.在一实施方式中，对训练数据集进行主成分分析方法(principal component analysis，pca)降维，得到特征向量及对应特征值。特征向量的维度数与训练数据集中的特征值个数相同。特征值是从训练数据集中选取的、且包含了训练数据集中99％的信息的值。例如，按照特征重要程度选取3个特征值，这3个特征值能够包含训练数据集中99％的信息，则降维后得到的是三维特征向量值和对应的三维特征向量。
37.在一实施方式中，根据预设的回归算法集构建多个第一预测模型，回归算法集包括：随机森林、岭回归、支持向量回归、深度神经网络、卷积神经网络中的至少一项；第一预测模型包括一个输入层、至少两个隐含层及一个输出层；输入层和输出层的神经元个数分别通过工况信息确定；隐含层的神经元个数通过训练确定。
38.在一实施方式中，如前文所述，根据工况信息可知变压器可能会工作在不同的工作状态下，不同的工作状态所适配的预测模型的预测效果则可能多有不同。因此在本技术中，可以从预设的回归算法集构建多个第一预测模型，再分别对多个第一预测模型进行训练、预测，最终确定性能最优的第一预测模型作为实际预测的第二预测模型进行预测，使得本技术提出的方法能够应对更多工作状态下的变压器的物理场仿真，具体的实验数据将会在后文给出，此处仅做方案实现的描述。其中，在本技术较佳实施例当中，回归算法集可以包括但不限于有：随机森林(rf)、岭回归(ridge regression，rr)、支持向量回归(support vector regression，svr)、深度神经网络(deep neural network，dnn)、卷积神经网络(convolutional neural network，cnn)中的至少一项。具体而言，本技术提出的第一预测模型包括一个输入层、至少两个隐含层及一个输出层；输入层和输出层的神经元个数分别通过工况信息确定；隐含层的神经元个数通过训练确定。
39.步骤s130：将训练数据集对应的工况信息作为输入信息、将特征值作为输出信息，对多个第一预测模型进行训练，以得到第二预测模型，第二预测模型为第一预测模型中预测准确度最高的模型。
40.在一实施方式中，对多个第一预测模型进行训练，包括：对于通过随机森林、岭回归、支持向量回归生成的第一预测模型，通过迭代选取并设置通过随机森林、岭回归、支持向量回归生成的第一预测模型的超参数；和/或，对于通过深度神经网络生成的第一预测模型，通过迭代选取并设置通过深度神经网络生成的第一预测模型的隐含层参数、选择激活
函数、选择减少过拟合的方法以及计算损失函数。
41.在一实施方式中，隐含层参数，如隐含层层数和每个隐含层中的神经元个数还需在模型训练阶段进行不断训练后才能得出。将训练数据集对应的变压器基本参数作为输入信息、将特征值作为输出信息，对第一预测模型进行训练。每个输入层的神经元个数与作为输入信息的变压器基本参数的个数相同，每个输出层中的神经元个数与特征值的个数相同。特征值的选取根据pca降维之后特征重要度排序来确定。对第一预测模型进行训练还包括选取并设置隐含层参数、选择激活函数、选择减少过拟合的方法以及计算损失函数。
42.在一实施方式中，对多个第一预测模型进行训练，以得到第二预测模型，包括：生成第三预测模型，第三预测模型是用于对第一预测模型的预测准确度验证的对照模型；获取第三预测模型的对照预测结果；分别获取多个第一预测模型的训练结果；比对对照预测结果和训练结果，根据对比结果选择预测性能最佳的第一预测模型为第二预测模型。
43.在一实施方式中，工况信息包括状态信息；生成第三预测模型，包括：当根据状态信息确定变压器工作在正常状态下时，通过卷积神经网络、长短时记忆网络、时间卷积网络生成第三预测模型；当根据状态信息确定变压器工作在异常状态下时，通过卷积神经网络生成第三预测模型。
44.在一实施方式中，如前文所述，第一预测模型实际上可以包括有多个，多个之间必然存在性能的差异，为了进一步验证各个第一预测模型对于物理场的有效性，同时也为了更好地评估不同模型在各类数据集上的预测精度，本技术引入了第三预测模型作为对照模型进行有效性的比对。更进一步的，如前文所述，变压器可能工作在不同的工作状况下，对于不同状态下的第三预测模型的构建也存在差异。具体而言，首先可以根据工况信息确定变压器的工作状态，也即状态信息。当根据状态信息确定变压器工作在正常状态下时，通过卷积神经网络、长短时记忆网络(long short-term memory，lstm)、时间卷积网络(temporal convolutional network，tcn)生成第三预测模型；如果根据根据状态信息确定变压器工作在异常状态下时，通过卷积神经网络生成第三预测模型。第三预测模型，用于对不同模型上的预测结果计算评价指标并分析，比较两种不同的数据集构建方法在变压器磁场预测上的优劣，将第三预测模型的对照预测结果和多个第一预测模型的训练结果进行比对，以筛选出预测性能最佳的第一预测模型为第二预测模型。可以理解的是第二预测模型和第一预测模型本质上是相同的，第二预测模型只是根据变压器工作状况不同，所筛选出的更适宜于当前工作状态下的变压器物理场仿真预测的模型，具体各种不同工况下最适宜的第二预测模型机器试验数据，将会在后续实施例中给出，此处暂不展开。
45.步骤s140：将测试数据集对应的工况信息输入第二预测模型中，以预测得到物理场信息。
46.在一实施方式中，将测试数据集对应的工况信息输入第二预测模型中，以预测得到物理场信息，包括：将测试数据集对应的工况信息输入第二预测模型中，获取第二预测模型预测得到的预测结果；获取采用主成分分析方法对训练数据集进行降维处理时保留的特征均值；通过特征向量对所属预测结果进行反变换，再加上特征均值，从而获得物理场信息。
47.在一实施方式中，可以理解的是，前文输入第一预测模型的数据集经过了pca的降维处理，也即是说第二预测模型所得到的预测结果并不是完整的物理场数据，因此需要利
用训练集pca降维时保留的特征均值与特征向量进行矩阵运算将数据还原到原始的维度，再与测试集的真值数据进行比较。从而通过反变换后，获得最终的物理场仿真预测结果。
48.因此，本技术能够通过变压器的工况信息，利用多个算法生成多个预测模型，并在训练过程中确定当前工况信息最适宜的第二预测模型进行变压器的物理场数据预测，使得预测结果更加准确，结果的生成更加迅速。
49.实施例二
50.本实施例以正常状态下550kv的变压器油纸套管电场为例进行说明，对于正常状态下变压器物理场仿真方法，包括步骤s210～步骤s240。
51.步骤s210：获取变压器的工况信息，根据工况信息生成数据集，数据集包括训练数据集和测试数据集。
52.步骤s220：对训练数据集进行预处理得到特征值；根据预设的回归算法集构建多个第一预测模型。
53.在一实施方式中，可以在在有限元分析软件comsol中创建好所要分析的变压器模型，获取从367.40kv到530.47kv的21条550kv变压器油纸套管电场仿真数据，也即工况信息，其中每条数据都由296277个坐标点电压值组成。将数据划分为训练集和测试集，比例为8:2，则训练数据集和测试数据集分别为17条和4条。将训练数据集和测试数据集的每一条数据分别合并到一起，则训练数据集和测试数据集分别成为一个17
×
296277和4
×
296277的矩阵。在划分数据集前，还可以对工况信息做预处理，具体可以包括有数据补全、重要性排序和归一化处理。对于具体的处理过程以前在前文实施例一中有详细描述，在此便不再赘述了。在得到数据集后，对训练数据集进行pca降维，保留前5维，则训练数据集由17
×
296277降为17
×
5维。然后利用训练集pca降维时保留的均值和特征向量对测试集进行降维，测试集由4
×
296277降为4
×
5维。模型的输入可确定为1维，即电压，模型的输出为5维。
54.在一实施方式中，可以从预设的回归算法集构建多个第一预测模型，再分别对多个第一预测模型进行训练、预测，最终确定性能最优的第一预测模型作为实际预测的第二预测模型进行预测。具体的，在本技术较佳实施例当中，回归算法集可以包括但不限于有：rr、svr、rf、dnn。具体而言，本技术提出的第一预测模型包括一个输入层、至少两个隐含层及一个输出层；输入层和输出层的神经元个数分别通过工况信息确定；隐含层的神经元个数通过训练确定。
55.步骤s230：将训练数据集对应的工况信息作为输入信息、将特征值作为输出信息，对多个第一预测模型进行训练，以得到第二预测模型，第二预测模型为第一预测模型中预测准确度最高的模型。
56.在一实施方式中，训练过程中可以使用optuna超参数调优框架对rr、svr、rf、dnn构建的第一预测模型中的关键参数进行选择。具体而言，对于各数据集在svr构建的第一预测模型上经过超参数调优后的参数设置可以如表1所示。
57.表1svr参数调优结果
[0058][0059]
各数据集在rr构建的第一预测模型上经过超参数调优后的参数设置如表2。
[0060]
表2rr参数调优结果
[0061][0062]
各数据集在rf构建的第一预测模型上经过超参数调优后的参数设置可以如表3所示。
[0063]
表3rf参数调优结果
[0064][0065]
其中n_estimators表示rf中决策树的个数，max_depth表示树的最大深度，max_features表示每次节点分割时考虑的特征数量
[0066]
各数据集在dnn构建的第一预测模型上经过超参数调优后的参数设置可以如表4所示。
[0067]
表4dnn参数调优结果
[0068][0069]
其中，对于dnn构建的第一预测模型的网络结构可以采用6个隐藏层，加上输入层和输出层模型的节点个数分别为1、128、16、32、256、512、1024和5。输出层不添加激活函数，其余每一层可以添加激活函数relu。优化函数可以采用adam，损失函数可以采用mae loss，epochs可以设为1
×
105，batch size可以设为4。经过训练得到，前1/4的epochs的学习率设置为3.49
×
10-4
，1/4到1/2的epochs的学习率设置为1.93
×
10-4
，1/2到3/4的epochs的学习率设置为4.4
×
10-5
，最后1/4个epochs的学习率设置为4.70
×
10-6
。
[0070]
在一实施方式中，为进一步验证上述各第一预测模型对预测变压器物理场的有效性，同时也为了更好地评估不同模型在各类数据集上的预测精度，本技术引入了第三预测模型作为对照。其中，在正常状态下的第三预测模型可以由cnn、lstm或tcn构建。并且值得注意的是，对于正常状态下的第三预测模型的生成有差异，对于利用cnn构建模型所使用的数据集和利用lstm或tcn构建模型所采用的数据集是不同的，此将会在后文各自建立过程中详述。
[0071]
在一实施方式中，利用cnn构建第三预测模型的，可以利用生成第一预测模型相同数据集以实现构建。对于cnn构建第三预测模型由于数据在模型的输入维度上均为1，因此基于cnn建立的第三预测模型首先使用了全连接层将输入的参数展开为向量，然后再利用
两个一维卷积层和最大池化层的结构进行特征提取，最后使用全连接层将数据压缩到输出所需的维度上。具体实验中使用的第三预测模型的网络结构可以参考图3。
[0072]
基于cnn构建的第三预测模型在训练参数的设置上与dnn构建的第一预测模型基本保持一致。具体参数设置可以如下：第1个全连接层的神经元个数为8，将1
×
1的输入张量拉伸为1
×
8。然后通过连续两个一维卷积和最大池化层组合的模块，其中一维卷积层的卷积核大小为2、步长为1，最大池化层的核大小为2、步长为1。最后经过第2个和第3个全连接层连接到输出层，其中神经元个数依次为128、32。
[0073]
其中在对于cnn构建第三预测模型训练时，相关的训练参数设置如下：
[0074]
(1)训练的轮次(epoch)设置为10000，每次经过网络的数据批次大小(batch size)为4。
[0075]
(2)训练优化器(optimizer)和学习率(learning rate)选择，本部分实验使用adam优化器，随着训练过程的开展每2500个epoch后将学习率进行衰减。
[0076]
(3)损失函数(loss function)选择，使用mae作为训练过程中的损失函数。
[0077]
在一实施方式中，在不同类型数据集上利用rr、svr、rf、dnn和cnn模型训练后，预测结果经过pca反变换还原后与测试集真值的评价指标如表5和表6。
[0078]
表5 550kv变压器油纸套管电场预测结果
[0079][0080][0081]
表6 550kv变压器油纸套管电位预测结果
[0082][0083]
由表5和表6可知，针对不同类型的变压器套管，与rf、dnn和cnn相比，使用rr和svr方法在测试集数据上取得了更好的表现，各类套管电场和磁场仿真数据上r2均为0.99。dnn和cnn模型虽然表现略有差异，但在各项评价指标上都取得了较好的结果。基于此可以确定对于物理场数据为电场预测时，所需的第二预测模型为根据svr构建的第一预测模型；对于物理场数据为电位预测时，所需的第二预测模型为根据rr构建的第一预测模型。
[0084]
在一实施方式中，考虑到变压器磁场本身随着正弦交流电不断变化，故本实施例中可以通过使用机器学习中的时序模型实现对单相变压器磁场的预测。对于以rnn为代表的基于时间序列的神经网络，应用在变压器磁场预测中首先需要构建满足训练和测试条件的数据集。在申请中构建数据集时将几个连续时刻的经过pca降维后的磁通密度模值作为模型的输入，然后将连续时刻的下一时刻对应的降维后的磁通密度模值作为模型的输出。
[0085]
基以上说明，在本技术中使用单相变压器磁场工况信息中的时序数据，以用于数据集的生成。其中，例举一个实例作为说明，原始数据共包含从0.06s至0.12s内、以10-4s为时间间隔的601条数据。选取其中的前480条数据构建训练样本，后121条数据用于构建测试样本。
[0086]
按照8:2的比例对原始数据数据集进行划分并对数据进行归一化，然后，分别对训练数据和测试数据进行pca降维，保留维度大小为50，进行pca反变换还原后与原始数据之间的mape为0.03％，r2为0.99。其次，对pca降维后的磁场数据确定输入时间序列的大小和输出时间序列大小。最后，将输入序列与输出序列进行组合即可得到1组训练样本或测试样本。
[0087]
设置由5个连续时间序列的磁场降维后的值作为预测模型的输入，设置连续时间序列下一个时刻的磁场降维后的值作为预测模型的输出，组合完成后即可对数据集进行打乱，用于rnn和lstm的训练。
[0088]
首先，获取训练集数据样本[x1,x2,...x
480
]，当设置为前5个时刻的磁场值预测接下来1个时刻的磁场值时，时序数据集构建的第一个训练样本可表示为：[input:x1,x2,x3,x4,x5；output:x6]，其中x1～x5表示数据中第1个时刻到第5个时刻的变压器磁场值，x6表示数据中第6个时刻的变压器磁场值。其次，按照上一步中的操作依次构建训练样本，第二个训练样本可表示为：[input:x2,x3,x4,x5,x6；output:x7]，[input:x
475
,x
476
,x
477
,x
478
,x
479
；output:x
480
]表示最后一个训练样本。训练集样本构建完成后共475条训练样本数据。然后，按照训练数据相同方式对121条测试数据[y1,y2,...,y
121
]构造测试样本[input:y1,y2,y3,y4,y5；output:y6]
…
[input:y
116
,y
117
,y
118
,y
119
,y
120
；output:y
121
]共116条测试样本数据。最后，对训练样本和测试样本进行随机打乱，用于模型训练。
[0089]
对于使用lstm和tcn分别针对时序的磁场仿真数据进行预测的第三预测模型，模型训练的相关参数可以设置如下：
[0090]
(1)训练的轮次epoch设置为10000，每次经过网络的数据批次大小为64。
[0091]
(2)训练优化器和学习率选择，本部分实验使用adam优化器，学习率参数利用optuna进行调参，随着训练过程的开展每2500个epoch后将学习率进行衰减。
[0092]
(3)损失函数选择，使用mae作为训练过程中的损失函数。
[0093]
该数据集在lstm模型上的参数设置如下：隐藏层数为2，对应的各层神经元个数依次为64、64，lstm单元后接一个全连接层，其神经个数为50，最后连接到输出层，将最后一个序列值作为输出。
[0094]
lstm在训练过程中保留历史信息的特点导致了其串行计算对资源的消耗增加，tcn是通过并行计算的方式，使用一维因果卷积将cnn与时序数据联系起来，加快网络的计算效率。此外，使用因果卷积时存在传统cnn的问题，即对时间序列的建模长度受限于卷积核大小，故tcn使用空洞卷积实现了去除池化层的信息损失并增加感受野。
[0095]
在本技术中所使用的tcn模型参数设置如下：tcn中的膨胀系数为2，时间模块中使用两个连续的因果卷积+dropout结构，激活函数统一使用relu，最后利用全连接层作为输出层，并取输出序列的最后一个序列的结果作为模型输出。
[0096]
在一实施方式中，在单相变压器磁场数据集上lstm和tcn模型的预测结果pca反变换与测试集真值的评价指标如表7。
[0097]
表7单相变压器时序磁场预测结果
[0098][0099]
由此可见，基于tcn构建的第一预测模型在具有单相变压器时序磁场数据预测场景中具备更好地预测性能，其mae为5.63
×
10-4
t，mse为1.19
×
10-6
t2，rmse为3.45
×
10-3
t，mape为5.83％，r2为0.99。可以将基于tcn构建的第一预测模型用作第二预测模型。
[0100]
步骤s240：将测试数据集对应的工况信息输入第二预测模型中，以预测得到物理场信息。
[0101]
在一实施方式中，第二预测模型直接输出的是测试集输入对应pca降维后数据的预测结果，并不是完整的物理场数据，因此需要利用训练集pca降维时保留的特征均值与特征向量进行矩阵运算将数据还原到原始的维度，再与测试集的真值数据进行比较，从而得到最终的物理场仿真预测结果。
[0102]
因此，本技术通过构建不同算法下的第一预测模型的预测性能上的差异，最终得出对处理正常状态下真实变压器及其组件的物理场数据更加有效第二预测模型，物理场预测的r2均能到达0.99以上，预测用时均在2s以内。具体而言，表现为：4维输入特征参数的单相变压器物理场预测上，dnn构建的预测模型更加高效，mape为1.37％，r2为0.99，预测用时为0.35s；15维输入特征参数的三相变压器物理场预测上，cnn构建的预测模型更高效，mape为0.36％，r2为0.99，预测用时为0.75s。利用本技术中提出的方法，将确定性能最优的第二预测模型进行预测，比传统的有限元方法能够更快地获取到特定参数范围内的物理场分布情况，即仿真时间由有限元分析的小时级别降低到了秒级，且仿真精度也相差无几，达到对正常状态下变压器物理场数据实时性预测的目的。
[0103]
实施例三
[0104]
本实施例以异常状态下的变压器为例进行说明，对于异常状态下变压器物理场仿真方法，包括步骤s410～步骤s440。
[0105]
步骤s410：获取变压器的工况信息，根据工况信息生成数据集，数据集包括训练数据集和测试数据集。
[0106]
步骤s420：对训练数据集进行预处理得到特征值；根据预设的回归算法集构建多个第一预测模型。
[0107]
在一实施方式中，对于本技术提出的异常状态，可以包括有异常状态下单相变压器和三相变压器，具体异常原因包括但不限于有过电压状态下三相变压器、直流偏磁状态下单相变压、励磁涌流状态下单相变压器、绕组变形状态下单相变压器。可以理解的是，实际情况中可能存在的异常不局限于以上的例举，还包括有其他异常状况，以上例举都是为说明异常状态下的变压器物理场预测仿真的过程。
[0108]
进一步地，需要获取不同异常状态下的工况信息并生成数据集。对于有过电压状态下三相变压器的工况信息，可以在有限元分析软件comsol中创建好所要分析的三相变压器。本实施例所使用的过仿真数据为三相变压器修改电源电压参数后仿真的结果，共包含1.10倍、1.20倍、1.30倍、1.40倍和1.60倍额定电压下的三相变压器物理场仿真结果。由于过电压对变压器磁场的影响是持续存在的，在仿真完成后选取数据时需要等待励磁涌流现
象对变压器磁场的影响消失，即变压器绕组感应电压和电流趋于稳定之后再导出得到仿真数据。故本实施例所用过电压数据为从1.16s～1.20s内以5
×
10-4
s为时间间隔的2个周期内的仿真数据，每种过电压状态下都包含81条磁场仿真数据，5种过电压状态与正常状态一起构成了本实施例的过电压数据集，共包含486条数据，每条数据中有21912个物理场网格点。与正常状态下的三相变压器类似，过电压状态下三相变压器的低压绕组置为空载，故低压绕组端的电流为零。本部分数据的输入特征除了在a、b、c三相上高压绕组、中压绕组和低压绕组的感应电压与电流共15个输入特征，还需要添加一维过电压参数特征，共计16维输入特征。
[0109]
对于直流偏磁状态下单相变压器的工况信息可以为单相变压器修改正弦交流电压源的偏移后仿真导出的结果，共包含偏移量为2v、4v、6v、8v和10v的单相变压器磁场仿真结果。与过电压数据类似，为了消除励磁涌流对变压器磁场的影响，选择电压和电流变化稳定后的数据导出。本实施例所用的直流偏磁数据为从0.04s～0.12s内以5
×
10-4
s为时间间隔的4个周期内的仿真数据，每种直流偏磁状态下都包含161条磁场仿真数据，5种直流偏磁状态与正常状态一起构成了本实施例的直流偏磁数据集，共包含966条数据，每条数据中有1913个物理场网格点。与正常状态下的单相变压器类似，直流偏磁状态下单相变压器磁场数据集的输入特征除了在初级绕组和次级绕组上的感应电压与电流共4个输入特征，还需要添加一维直流偏磁参数特征，共计5维输入特征。
[0110]
磁涌流状态是指在变压器空载合闸时在绕组中产生暂态电流，进而影响变压器磁场变化的工作状态。因此对于励磁涌流状态下单相变压器的工况信息可以为单相变压器修改合闸角度θ后仿真导出的结果，共包含合闸角为0、π/6、π/3、π/2、2π/3、5π/6和π的单相变压器磁场仿真结果。考虑到励磁涌流主要对正弦电源初始的前两个周期内电压和电流影响较大以及本实施例所采用的单相变压器容量较小，故本实施例所用的励磁涌流数据只关注从初始的0时刻开始的前两个电压周期内磁场的变化，具体为从0s～0.02s内以5
×
10-4
s为时间间隔的2个周期内的仿真数据，每种励磁涌流状态下都包含80条数据，7种励磁涌流状态下单相磁场数据共同构成了本实施例的励磁涌流数据集，共包含560条数据，每条数据中有10418个物理场网格点。正常状态下的单相变压器不同的是励磁需要置为空载状态，故次级绕组的电流恒为零，将该输入特征剔除后励磁涌流状态下磁场数据集的输入特征除了在初级绕组和次级绕组上的感应电压与电流共3个输入特征，还需要添加一维励磁涌流参数特征，共计4维输入特征。
[0111]
绕组变形状态是指变压器在运行过程中受到短路电流的冲击，绕组受径向或轴向电动力作用发生变形的工作状态。因此，本实施例使用的工况信息是单相变压器的轴向绕组变形故障仿真数据，绕组变形位置选择在单相变压器初级绕组的中部，对变压器模型的线圈剔除一个以r为缺陷半径的圆柱，改变缺陷半径r的大小会对变压器磁场产生不同程度的影响。本论文中针对不同的变形程度共包含三种仿真数据：缺陷半径r＝1、缺陷半径r＝2和缺陷半径r＝3的绕组变形仿真数据由于绕组变形程度不同，在仿真软件中对变压器物理场网格建模时关注的范围也不同，导致了三种不同变形程度下的变压器磁场网格不一致。其中，缺陷半径r＝1的绕组变形数据共有4340个网格点，缺陷半径r＝2的绕组变形数据共有4353个网格点，缺陷半径r＝3的绕组变形数据共有4390个网格点。变形范围随着缺陷半径的增大而增大，变形范围的增大导致了有限元建模时对网格进行精细划分的区域变大，
所以缺陷半径越大的数据拥有的网格点越多。本技术所用的绕组变形数据为从0.06s～0.10s内以5
×
10-4
s为时间间隔的2个周期内的仿真数据，每种励磁涌流状态下都包含81条数据，3种不同程度绕组变形状态下单相磁场数据共同构成了本技术的绕组变形数据集，共包含243条数据。与正常状态下的单相变压器不同的是绕组变形状态下单相变压器设置了二次侧开路，故在次级绕组上的电流恒为零，将该特征剔除后绕组变形等级数据集的输入特征除了在初级绕组和次级绕组上的感应电压与电流共3个输入特征，还需要添加一维绕组变形程度参数特征，共计4维输入特征。
[0112]
进一步地，将数据划分为训练集和测试集，比例为8:2，则过电压状态下训练数据集和测试数据集分别为388条和98条。将训练数据集和测试数据集的每一条数据分别合并到一起，则训练数据集和测试数据集分别成为一个388
×
21921和98
×
21921的矩阵。直流偏磁状态下训练数据集和测试数据集分别为772条和2248条。将训练数据集和测试数据集的每一条数据分别合并到一起，则训练数据集和测试数据集分别成为一个772
×
1913和224
×
1913的矩阵。励磁涌流状态下训练数据集和测试数据集分别为448条和112条。将训练数据集和测试数据集的每一条数据分别合并到一起，则训练数据集和测试数据集分别成为一个448
×
10418和112
×
10418的矩阵。绕组变形状态下训练数据集和测试数据集分别为194条和49条。将训练数据集和测试数据集的每一条数据分别合并到一起，则训练数据集和测试数据集分别成为一个194
×
1913和49
×
1913的矩阵。
[0113]
如前文实施例所述，在构建第一预测模型训练前，需要对训练数据集进行预处理，得到特征向量值及对应特征值。具体而言，而可以为对训练数据集进行pca降维，然后利用训练集pca降维时保留的均值和特征向量对测试集进行降维。过电压状态下训练数据集和测试数据集从原始的21912维降低到350维。直流偏磁状态下训练数据集和测试数据集从原始的1913维降低到300维。励磁涌流状态下训练数据集和测试数据集从原始的10418维降低到300维。绕组变形状态下训练数据集和测试数据集从原始的1913维降低到300维。
[0114]
步骤s430：将训练数据集对应的工况信息作为输入信息、将特征值作为输出信息，对多个第一预测模型进行训练，以得到第二预测模型，第二预测模型为第一预测模型中预测准确度最高的模型。
[0115]
在一实施方式中，如前文实施例所述，可以建立多个第一预测模型进行训练，具体的可以为使用optuna超参数调优框架对rr、svr、rf、dnn建立的第一预测模型中的关键参数进行选择。各异常状态下数据集在rf构建的第一预测模型上经过超参数调优后的参数设置如表8。
[0116]
表8rf参数调优结果
[0117][0118]
各异常状态下数据集在dnn构建的第一预测模型上经过超参数调优后的参数设置如表9。
[0119]
表9dnn参数调优结果
[0120][0121][0122]
为进一步验证各第一预测模型对异常状态下变压器物理场的预测有效性，同时也为了更好地评估不同模型在各类数据集上的预测精度，本技术通过构建第三预测模型作为对照，以完成评估和筛选。具体而言，对于不同异常状态下的第三预测模型，都可以通过cnn算法构建，但各自的参数可以不同。
[0123]
过电压的第三预测模型的参数可以设置如下：首先，1
×
16的张量进入cnn后经过3个一维卷积层+最大池化层的卷积模块，其中卷积层与池化层的卷积核大小为2，步长为1。然后，利用一个全连接层将卷积模块的输出变为1维，其神经元个数为320。最后，连接到输出层得到pca降维后的磁场数据作为输出结果。
[0124]
直流偏磁的第三预测模型的参数可以设置如下：经过一层全连接层后的1
×
5的输入张量被拉伸为1
×
8的张量，然后进入两个卷积模块后直接连接一个全连接层，最后连接输出层，卷积层和池化层的kernel size均为2，步长为1。
[0125]
励磁涌流的第三预测模型的参数可以设置如下：经过一层全连接层后的1
×
4的输入张量被拉伸为1
×
8的张量，然后进入两个一维卷积层+最大池化层构成的卷积模块后直接连接一个全连接层，最后连接输出层，卷积层和池化层的kernel size均为2，步长为1。
[0126]
绕组变形的第三预测模型的参数可以设置如下：1
×
6的向量首先进入两个一维卷积层+最大池化层构成的卷积模块后直接连接一个全连接层，最后连接输出层，卷积层和池化层的kernel size均为2，步长为1。
[0127]
此外，网络中所有的激活函数均使用relu，cnn构建的第三预测模型的训练参数设置可以与dnn构建的第一预测模型相同。
[0128]
基于以上设置，本实施例在不同异常类型数据集上利用rf、dnn和cnn构建的预测模型训练后，预测结果经过pca反变换还原后与测试集真值的评价指标如表10至表13。
[0129]
表10过电压三相变压器磁场预测结果
[0130][0131]
由表10可知，基于cnn构建的第三预测模型在过电压三相变压器磁场预测中具有最优的性能：其mae为7.62
×
10-3
t，mse为2.15
×
10-5t2，rmse为3.38
×
10-2
t，mape为4.06％，r2为0.99。dnn的性能比cnn构建的第三预测模型稍差，rf是预测结果最差的模型。基于此，对于过电压三相变压器磁场预测应用场景中，可以将cnn作为第二预测模型以进行后续预测。并且可以理解的是，此处是将第三预测模型作为第二预测模型，实际上根据前文描述可知预设的回归算法中cnn算法也包括在内，因此作为对照组利用cnn构建的第三预测模型，实际上也包括在第一预测模型的范围之内，与之前的描述并不冲突。
[0132]
表11直流偏磁单相变压器磁场预测结果
[0133][0134]
由表11可知，基于cnn构建的第一预测模型，在直流偏磁状态下变压器磁场预测模型具有最优的性能：其mae为1.65
×
10-3
t，mse为4.71
×
10-4
t2，rmse为2.17
×
10-2
t，mape为2.03％，r2为0.99。dnn构建的第一预测模型的各项指标与cnn构建的第三预测模型十分接近，两种模型在直流偏磁数据集上的都具有较强的适用性，而rf构建的第一预测模型则是各项指标表现最差的模型。因此，可以将基于cnn构建的第一预测模型视作第二预测模型，以用于直流偏磁状态下变压器物理场数据的仿真预测。
[0135]
表12励磁涌流单相变压器磁场预测结果
[0136][0137]
由表12可知，基于dnn构建的第一预测模型再励磁涌流状态下变压器磁场预测模型具有最优的性能：其mae为3.75
×
10-3
t，mse为9.25
×
10-4
t2，rmse为7.62
×
10-3
t，mape为4.02％，r2为0.99。cnn构建的第三预测模型的各项指标与dnn构建的第一预测模型十分接近，两种模型在励磁涌流数据集上的都具有较强的适用性，而rf构建的第一预测模型则是各项指标表现最差的模型。因此，可以将基于dnn构建的第一预测模型视作第二预测模型，以用于再励磁涌流状态下变压器物理场数据的仿真预测。
[0138]
表13绕组变形单相变压器磁场预测结果
[0139][0140]
由表13可知，基于dnn构建的第一预测模型在绕组变形状态下变压器磁场预测模型具有最优的性能：其mae为1.55
×
10-3
t，mse为2.96
×
10-4
t2，rmse为3.41
×
10-3
t，mape为
2.03％，r2为0.99。cnn构建的第三预测模型的各项指标与dnn构建的第一预测模型在各项性能指标上接近，两种模型在绕组变形数据集上的都具有较强的适用性，而rf构建的第一预测模型则是各项指标表现最差的模型。因此，可以将基于dnn构建的第一预测模型视作第二预测模型，以用于绕组变形状态下变压器物理场数据的仿真预测。
[0141]
步骤s440：将测试数据集对应的工况信息输入第二预测模型中，以预测得到物理场信息。
[0142]
在一实施方式中，第二预测模型直接输出的是测试集输入对应pca降维后数据的预测结果，并不是完整的物理场数据，因此需要利用训练集pca降维时保留的特征均值与特征向量进行矩阵运算将数据还原到原始的维度，再与测试集的真值数据进行比较，从而得到最终的物理场仿真预测结果。
[0143]
因此，本技术通过构建不同算法下的第一预测模型的预测性能上的差异，最终得出对处理异常状态下真实变压器及其组件的物理场数据更加有效第二预测模型。具体而言，以四种异常状态为例，以各自的工况数据通过预处理划分得到数据集，并输入不同算法构建的第一预测模型中训练、筛选得到预测性能最佳的第二预测模型。其中过电压三相变压器和直流偏磁单相变压器数据的物理场预测上cnn构建的预测模型表现最优，mape分别为2.57％和2.03％，r2均为0.99，预测用时分别为0.82s和0.33s；励磁涌流单相变压器和绕组变形单相变压器数据的物理场预测上dnn构建的预测模型表现最优，mape分别为4.02％和2.46％，r2均为0.99，预测用时分别为0.47s和0.45s。利用本技术中提出的变压器物理场预测方法，将确定性能最优的第二预测模型进行预测，比传统的有限元方法能够更快地获取到特定参数范围内的物理场分布情况。即仿真时间由有限元分析的小时级别降低到了秒级，且仿真精度也相差无几，达到对异常状态下变压器物理场数据实时性预测的目的。
[0144]
实施例四
[0145]
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现变压器物理场仿真方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行变压器物理场仿真方法。本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0146]
在一个实施例中，本技术还提出了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如前述方法的步骤，
[0147]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器
(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0148]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0149]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种变压器物理场仿真方法，其特征在于，包括如下步骤：获取变压器的工况信息，根据所述工况信息生成数据集，所述数据集包括训练数据集和测试数据集；对所述训练数据集进行预处理得到特征值；根据预设的回归算法集构建多个第一预测模型；将所述训练数据集对应的工况信息作为输入信息、将所述特征值作为输出信息，对多个所述第一预测模型进行训练，以得到第二预测模型，所述第二预测模型为所述第一预测模型中预测准确度最高的模型；将所述测试数据集对应的工况信息输入所述第二预测模型中，以预测得到物理场信息。2.如权利要求1所述的变压器物理场仿真方法，其特征在于，所述工况信息包括磁场数据和电场数据，所述根据所述工况信息生成数据集，包括：将所述磁场数据和所述电场数据保持在同一个物理场坐标网格下，对所述磁场数据和所述电场数据进行补全；获取补全后的磁场数据和补全后的电场数据对应的预处理特征；通过随机森林对所述预处理特征进行重要性排序，并对完成排序的所述预处理特征进行归一化处理，以得到满足预设条件的输入特征，根据所述输入特征生成所述数据集。3.如权利要求1所述的变压器物理场仿真方法，其特征在于，所述对所述训练数据集进行预处理得到特征值，包括：采用主成分分析方法对所述训练数据集进行降维处理，以得到特征向量值和对应的特征值。4.如权利要求1所述的变压器物理场仿真方法，其特征在于，所述回归算法集包括：随机森林、岭回归、支持向量回归、深度神经网络、卷积神经网络中的至少一项；所述第一预测模型包括一个输入层、至少两个隐含层及一个输出层；所述输入层和输出层的神经元个数分别通过所述工况信息确定；所述隐含层的神经元个数通过训练确定。5.如权利要求4所述的变压器物理场仿真方法，其特征在于，所述对多个所述第一预测模型进行训练，包括：对于通过随机森林、岭回归、支持向量回归生成的第一预测模型，通过迭代选取并设置所述通过随机森林、岭回归、支持向量回归生成的第一预测模型的超参数；和/或，对于通过深度神经网络生成的第一预测模型，通过迭代选取并设置所述通过深度神经网络生成的第一预测模型的隐含层参数、选择激活函数、选择减少过拟合的方法以及计算损失函数。6.如权利要求4所述的变压器物理场仿真方法，其特征在于，所述对多个所述第一预测模型进行训练，以得到所述第二预测模型，包括：生成第三预测模型，所述第三预测模型是用于对所述第一预测模型的预测准确度验证的对照模型；获取所述第三预测模型对所述第一预测模型进行验证的对照预测结果；分别获取多个所述第一预测模型的训练结果；
比对所述对照预测结果和所述训练结果，根据对比结果选择预测性能最佳的所述第一预测模型为所述第二预测模型。7.如权利要求6所述的变压器物理场仿真方法，其特征在于，所述工况信息包括状态信息；所述生成第三预测模型，包括：当根据所述状态信息确定所述变压器工作在正常状态下时，通过卷积神经网络、长短时记忆网络、时间卷积网络生成所述第三预测模型；当根据所述状态信息确定所述变压器工作在异常状态下时，通过卷积神经网络生成所述第三预测模型。8.如权利要求3所述的变压器物理场仿真方法，其特征在于，所述将所述测试数据集对应的工况信息输入所述第二预测模型中，以预测得到物理场信息，包括：将所述测试数据集对应的工况信息输入所述第二预测模型中，获取所述第二预测模型预测得到的预测结果；获取采用主成分分析方法对所述训练数据集进行降维处理时保留的特征均值；通过所述特征向量值对所述预测结果进行反变换，再加上所述特征均值，从而获得所述物理场信息。9.一种计算机设备，其特征在于，包括处理器和存储器；所述处理器用于执行所述存储器中存储的计算机程序以实现如权利要求1到8中任一项所述方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1到8中任一项所述方法。

技术总结
本申请实施例公开了一种变压器物理场仿真方法、计算机设备和计算机可读存储介质。其中，方法包括如下步骤：获取变压器的工况信息，根据工况信息生成数据集，数据集包括训练数据集和测试数据集；对训练数据集进行预处理得到特征值；根据预设的回归算法集构建多个第一预测模型；将训练数据集对应的工况信息作为输入信息、将特征值作为输出信息，对多个第一预测模型进行训练，以得到第二预测模型，第二预测模型为第一预测模型中预测准确度最高的模型；将测试数据集对应的工况信息输入第二预测模型中，以预测得到物理场信息。因此，本申请能够根据变压器的工况信息确定当前最适宜的预测模型进行预测，使得预测结果更加准确、迅速、具备针对性。备针对性。备针对性。


技术研发人员：彭庆军 朱晓霰 邹德旭 钱国超 周仿荣 王浩州 王山 邹阅培
受保护的技术使用者：云南电网有限责任公司电力科学研究院
技术研发日：2023.05.18
技术公布日：2023/10/6