overcurrent

智能估计在重复性过电流循环中，用于冷冻电运输应用中的HTS磁带中的关键电流降解

过电流循环是指对超导磁带/设备施加重复过电的过程，以表征其临界电流的降低。表征了稀土钡氧化铜（Rebco）磁带的过电流循环行为是高温超导（HTS）设备设计过程中的关键步骤。在HTS设备操作过程中，多起过电流事件可以显着降低总临界电流，从而导致潜在的淬火和故障。数据驱动的模型，以估计Rebco磁带的关键电流降解率（CCDR）在当前情况下。但是，在关键电流减少的估计中，这些方法在8％至11％的范围内表现出明显的误差。本文提出了基于人工智能（AI）技术的方法，该技术针对CCDR估计的常规方法的挑战。提出，测试了不同的基于AI的技术，并进行了比较，以显示提出的智能方法的有效性，包括支持向量回归（SVR），决策树（DT），径向基函数（RBF）和模糊推理系统（FIS）。对经过多个磁带的关键电流值进行了多个磁带的临界电流值，对当前周期进行了重复和重复性。结果表明，SVR方法的平均相对误差（MRE）为23％，对于DT模型约为0.61％，FIS模型的MRE远高于0.06％，RBF方法的MRE值约为1.1×10-6％。此外，提出的AI模型提供了快速测试时间，范围从1到11毫秒。这些发现强调了使用AI技术来增强与过电流事件相关的风险的估计准确性的潜力。