一种基于深度学习的复合绝缘子均压环结构设计方法

1.一种基于深度学习的复合绝缘子均压环结构设计方法，其特征在于，包括：a)获取若干复合绝缘子及其均压环的设计图中的结构参数，建立由结构参数及电场强度数值构成的数据库；b)通过ANSYS MAXWELL 3D软件建立复合绝缘子及其均压环的实际尺寸三维有限元模型，对复合绝缘子装配均压环前和装配均压环后的电场分布进行计算，将计算结果导入数据库中；c)建立LSTM深度学习模型，对数据库进行归一化处理，将归一化后的数据库按比例划分数据集后，对LSTM深度学习模型进行重复性调试训练；d)将待计算的新生产复合绝缘子的结构参数输入到步骤c)训练完成的LSTM深度学习模型中，计算得到其适配的均压环结构参数及相应的电场分布结果，所述电场分布结果为装配均压环前后的高低压侧电场强度值，将计算结果导入数据库。 2.根据权利要求1所述的基于深度学习的复合绝缘子均压环结构设计方法，其特征在于：步骤a)中复合绝缘子的结构参数包括结构高度、绝缘距离、最小干弧距离、最小爬电距离、大小伞裙的伞径和长度、护套的管径和长度、芯棒的半径和长度以及额定电压和额定机械负荷；均压环的结构参数包括均压环的管径、环径和屏蔽深度。 3.根据权利要求1所述的基于深度学习的复合绝缘子均压环结构设计方法，其特征在于：步骤b)中通过ANSYS MAXWELL 3D软件建立复合绝缘子及其均压环的实际尺寸三维有限元模型后设置芯棒、护套和金具材料的介电常数参数值，之后根据三维有限元模型模拟的实际情况对未装配均压环的复合绝缘子模型及已装配均压环的复合绝缘子模型施加直流电压激励，利用ANSYSMAXWELL软件的仿真计算功能求解得到未装配均压环的复合绝缘子模型及已装配均压环的复合绝缘子模型的电场分布。 4.根据权利要求3所述的基于深度学习的复合绝缘子均压环结构设计方法，其特征在于：取4个复合绝缘子模型的金具、护套和空气三者交接处的电场强度值作为参考数值并存入数据库。 5.根据权利要求1所述的基于深度学习的复合绝缘子均压环结构设计方法，其特征在于，步骤c)的步骤包括：c-1)建立LSTM深度学习模型，将数据库中的各项参数作为LSTM网络输入层的输入单元，将各个输入单元合并起来组成LSTM深度学习模型的输入层，LSTM深度学习模型的输入激活函数为sigmoid函数，其输出函数为tanh函数；c-2)通过公式 计算t时刻的遗忘门权重f i (t) ，式中σ为sigmoid函数， 为t时刻的输入向量x (t) 的第j列的数据， 为h (t-1) 的第j列的数据，h (t-1) 为t-1时刻的隐藏层向量， 为b f 的第i行的数据，b f 为遗忘门的偏置向量， 为U f 的第i行第j列的数据，U f 为遗忘门的输入权重矩阵， 为W f 的第i行第j列的数据，W f 为遗忘门的循环权重矩阵；c-3)通过公式 计算得到t时刻的输入信息 式中， 为b g 的第i行的数据，b g 为输入信息的偏置向量， 为U g 的第i行第j列的数据，U g 为输入信息的输入权重矩阵， 为W g 的第i行第j列的数据，W g 为输入信息的循环权重矩阵，通过公式 计算得到t时刻的输出信息 式中 为b q 的第i行的数据，b q 为输出信息的偏置向量， 为U q 的第i行第j列的数据，U q 为输出信息的输入权重矩阵， 为W q 的第i行第j列的数据，W q 为输出信息的循环权重矩阵；c-4)通过公式 计算得到t时刻的LSTM细胞内部的状态更新表达式 式中 为t-1时刻的细胞内部状态更新表达式，b i 为b的第i行的数据，b为偏置向量，U i,j 为U的第i行第j列的数据，U为输入权重矩阵，W i,j 为W的第i行第j列的数据，W为循环权重矩阵，通过公式 计算得到输出结果 c-5)LSTM深度学习模型的输入层的输入神经元个数为14，LSTM深度学习模型的隐藏层的神经元个数为128，采用ReLU函数作为激活函数，LSTM深度学习模型的输出层采用Softmax，输出神经元个数为7；c-6)通过公式 计算得到输入向量第i行第j列的数据x i,j 的归一化后的结果 式中min x i 为输入向量第i行数据的最小值，max x i 为输入向量第i行数据的最大值；c-7)将处理后的数据库按照7:2:1的比例划分形成训练集、测试集和验证集，在LSTM深度学习模型重复性训练过程中调整超参数，LSTM深度学习模型建立后，输入验证集进行检验，采用均方根误差作为评价标准，形成预测模型。