基于微分進化算法和bp神經網絡的避雷器均壓環優化法
【專利摘要】本發明涉及一種基于微分進化算法和BP神經網絡的避雷器均壓環優化。該方法是一種基于微分進化算法和BP神經網絡的混合智能尋優算法。對于用于改善避雷器電阻片表面電場分布的均壓環優化問題，該方法首先基于有限元仿真軟件，結合微分進化算法對均壓環的優化參數進行尋優計算，然后將尋優過程產生的計算數據作為BP神經網絡的訓練樣本數據，通過神經網絡擬合建立起優化自變量與因變量之間的多維非線性關系，用訓練好的BP神經網絡預測輸出，并結合微分算法實現了進一步尋優計算。通過大量優化數據對比表明，該方法簡單、執行效率高，魯棒性好，數據挖掘充分，并且對電磁場逆問題有一定的通用性。
【專利說明】基于微分進化算法和BP神經網絡的避雷器均壓環優化法
【技術領域】
[0001]本發明屬于電磁場逆問題研究領域，尤其是涉及一種基于微分進化算法和BP神經網絡的避雷器均壓環優化法。
【背景技術】
[0002]現階段研究電磁場逆問題的方法主要有試驗測量方法，和基于有限元的數值計算方法。現有技術分別有:
[0003]1、結合試驗測量和有限元計算分析了影響避雷器電位分布的多種因素；
[0004]2、結合試驗測量和有限元計算分析了影響避雷器電位分布的多種因素；采用不同的邊界處理方法解決了避雷器有限元計算的開域問題，計算并分析了影響電壓承擔率的各個因素，保證了有限元的優點和程序的通用性
[0005]隨著人工智能技術在理論和應用方面的突破性發展，有限元結合人工智能技術在對電氣設備的結構優化設計方面也得到廣泛應用，如以下文獻或以有限元法結合遺傳算法，或結合粒子群算法，或結合神經網絡進行尋優計算，均取得不錯的效果。
[0006]常用的人工智能算法包括支持向量機、BP神經網絡、人工神經網絡等，常用的仿生算法包括微分進化算法、粒子群算法、蟻群算法等。與仿生算法相比，人工智能算法具有簡單、靈活、有記憶性，能夠進行合理預測等特點，人工智能算法計算時間基本上可以忽略不計，只需用少量的時間計算一些樣本供訓練和驗證使用，大大縮短了優化過程的時間，但在全局收斂性方面較仿生算法差；仿生算法計算全局最優解受制于初始種群規模，且尋優迭代計算通常耗時較長，對計算機硬件要求較高。
[0007]為了適應尋優過程的需求，克服上述算法缺點，提出了混合智能算法的概念，并在工程領域有較多應用:基于對配電網中各個開關狀態的網絡重構問題優化研究，提出了結合遺傳算法(GA)中的進化思想和粒子群算法(PSO)中的群體智能技術，提出了一種混合遺傳粒子群優化算法(HGAPSO)解決配電網絡重構問題，結合3個不同規模的IEEE測試網絡的重構問題并做了多方面的比較，取得了令人滿意的效果，體現出較GA和PSO更好的尋優性能。在尋優過程中，部分個體以PSO方法迭代，其它個體進行GA中的交叉和變異操作，整個群體信息共享，同時采用自適應參數機制和優勝劣汰的思想進化；基于對電力系統無功優化算法的深入研究，提出將免疫遺傳算法與變尺度混沌優化算法進行結合，形成一種混合智能算法，從而解決了免疫遺傳算法易陷于局部最優和在接近全局最優解時搜索速度減慢的缺點，通過對IEEE-30節點系統和內蒙古巴盟地區實際電網無功優化計算表明，結合混合智能算法的電力系統無功優化方法具有良好的理論價值和實用價值；基于多目標風電場接入的輸電線路與電網的聯合優化規劃模型；針對目標權重未知、人工神經網絡(artificial neural network, ANN)收斂困難、無法合理決策等問題,采用方差最大化決策和分類逼近理想解的排序方法 technique for order preference by similarity to anideal solut1n, T0PSIS)縮小最優解的范圍，并在此基礎上提出了隨機模擬、神經元網絡和非劣排序遺傳算法 II (non-dominated sorting genetic algorithm II, NSGA-1I)相結合的混合智能算法；對增加風電場的改進IEEEGarver-6系統進行計算分析,結果表明該方法具有較高的決策效率和計算精度。
[0008]目前對于電磁場逆問題研究，多融合有限元法與單一智能算法進行尋優迭代計算，這些方法雖然很好的解決了某些電磁場逆問題中的開域問題，但迭代計算時間，全局收斂和最優解精度等方面的問題依然較為突出。
【發明內容】
[0009]本發明主要是解決現有技術所存在的技術問題；提供了一種大大縮短了傳統迭代計算的時間，提高了尋優效率的基于微分進化算法和BP神經網絡的避雷器均壓環優化法。
[0010]本發明還有一目的是解決現有技術所存在的的技術問題；提供了一種在電磁場逆問題研究的應用范圍更加廣泛，有一定的通用性的基于微分進化算法和BP神經網絡的避雷器均壓環優化法。
[0011]本發明再有一目的是解決現有技術所存在的技術問題；提供了一種避免了人為配置參數的不確定因素，簡單、執行效率高，魯棒性好，數據挖掘充分的基于微分進化算法和BP神經網絡的避雷器均壓環優化法。
[0012]本發明的上述技術問題主要是通過下述技術方案得以解決的:
[0013]一種基于微分進化算法和BP神經網絡的避雷器均壓環優化法，其特征是，包括以下步驟:
[0014]步驟1、以750kV金屬氧化物避雷器(metal oxide arrestor, M0A)為研究對象，基于ANSYS參數化設計語言(ANSYS parameter design language, APDL),基于金屬氧化物避雷器進行參數化幾何建模，該模型包括法蘭、瓷外套、氧化鋅電阻片、鋁墊片、絕緣桿、絕緣筒、均壓環；參考設計的均壓環從上至下依次編號為環一、環二及環三。其中以均壓環管徑Φ、環徑r、罩入深度d為自變量，電阻片上的最大電壓承擔率Umax和均壓環表面最大場強Emax為因變量，其中以Umax為目標函數，Efflax小于起暈場強2.2kV/mm為約束條件。
[0015]步驟2、結合有限元法對避雷器電場分布求解，利用微分進化算法，根據目標函數和約束條件進行尋優循環計算，得到微分進化算法優化結果以及尋優過程中的計算數據，具體包括以下子步驟:
[0016]步驟2.1、假設待求優化問題為minf (X)，種群規模為SP，最大迭代次數為MG，搜索空間可行解的維度為D，向量X(t)來表示進化到第t代的種群。首先在可解空間內隨機產生初始種群，其中χ,° = [λΚ2，...，^]用于表征第i個個體解。初始個體的各分向量在各自空間上下限Xj，max和Xj，min間隨機產生:=x,^ + rand(X]^-Xjimri)。微分進化算法的基本操作包括變異操作、交叉操作及選擇操作。
[0017]在微分進化算法中，最基本的變異因子是由父代種群隨機生成的線性差分向量，變異個體由父代個體和線性差分向量組合而成。對于父代種群的任一目標向量Xi而言，微分進化算法通過變異操作生成變異向量Vi
[0018]Vi ^ Xri+F- (xh -Xr)式一
[0019]式中，是父代種群中隨機選擇的三個不同個體，且有!T1關r2關r3關i ;F為縮放因子，是介于[0，2]間的常數，用于控制差分向量(\-\)的影響。微分進化算法的變異操作過程如附圖1所示。
[0020]微分進化算法通過變異向量Vi和目標向量Xi各維分量的隨機重組來進行交叉操作，其目的是提高種群個體多樣性，防止過早收斂。DE算法生成新的交叉向量Ui =
【權利要求】
1.一種基于微分進化算法和BP神經網絡的避雷器均壓環優化法，其特征是，包括以下步驟: 步驟1、基于金屬氧化物避雷器進行參數化幾何建模，該模型包括法蘭、瓷外套、氧化鋅電阻片、鋁墊片、絕緣桿、絕緣筒、均壓環；參考設計的均壓環從上至下依次編號為環一、環二及環三；其中以均壓環管徑Φ、環徑r、罩入深度d為自變量，電阻片上的最大電壓承擔率umax和均壓環表面最大場強Emax為因變量,其中以umax為目標函數，Emax小于起暈場強.2.2kV/mm為約束條件； 步驟2、結合有限元法對避雷器電場分布求解，利用微分進化算法，根據目標函數和約束條件進行尋優循環計算，得到微分進化算法優化結果以及尋優過程中的計算數據，具體包括以下子步驟: 步驟2.1、定義待求優化問題為minf (X)，種群規模為SP，最大迭代次數為MG，搜索空間可行解的維度為D，向量X(t)來表示進化到第t代的種群；首先在可解空間內隨機產生初始種群ZW= ?-Κ，其中X,。?，(,…，盡]用于表征第i個個體解；初始個體的各分向量在各自空間上下限Xj,max和Xj,min間隨機產生:4 =5..+胃外巧..微分進化算法的基本操作包括變異操作、交叉操作及選擇操作； 其中， 操作一，變異操作具體方法是:最基本的變異因子是由父代種群隨機生成的線性差分向量，變異個體由父代個體和線性差分向量組合而成；對于父代種群的任一目標向量Xi而言，微分進化算法通過變異操作生成變異向量Vi Vi ^xri+F-(X1,-X1.)式一式中，(xn,xr2,XrJ是父代種群中隨機選擇的三個不同個體，且有!T1古r2古r3古i ;F為縮放因子，是介于[0，2]間的常數，用于控制差分向量(\-\)的影響； 操作二，交叉操作具體方法是:微分進化算法通過變異向量Vi和目標向量Xi各維分量的隨機重組來進行交叉操作，其目的是提高種群個體多樣性，防止過早收斂；DE算法生成新的交叉向量 Ui= [ui；1, ui；2,..., Ui；D]:
式中，rand是[0，I]之間的隨機數；CR為交叉因子，是范圍在[0，I]內的常數，CR取值越大，發生交叉的概率就越大fan+是[1，D]范圍內的隨機整數，確保Ui至少要從Vi中獲取一個元素，以保證有新的個體生成，從而使得群體避免進化停滯； 操作三，選擇操作具體方法是:當且僅當新的向量個體Ui適應度值優于目標向量個體Xi適應度值時，目標向量才會接納Ui,即Xi更新取值為Ui ;否則Xi保留至下一代子個體，并在下一次迭代尋優中繼續作為目標向量執行變異操作和交叉操作；微分進化算法的選擇操作即為:
對父代和子代候選個體進行一對一競爭選擇，優勝劣汰，使得子代個體始終不劣于父代個體，從而使得種群始終向最優解方向進化尋優； 建立基于微分進化算法的均壓環優化數學模型:
其中i為均壓環編號，自變量、因變量、目標函數、約束條件在所述步驟I中已經進行了說明； 對Eimax進行罰函數處理，Umax是一個無量綱單位,構造罰函數為:
通過目標函數和罰函數，得到個體適應度值函數: fitness = umax+f_penalty 式六 則待求minumax優化問題轉換為求取最優個體適應度值: minfitness = min (umax+f_penalty) 式七 步驟2.2、基于ANSYS平臺，結合微分進化算法，對3個均壓環共9個參數進行優化，9個優化自變量依次編號為Xl，X2,…，x9,縮放因子F的經驗選取范圍為[0.5，0.9]，推薦參數值為0.6 ;交叉因子CR較好的選擇范圍為[0.3,0.9]，選取較大的CR會加速算法收斂，本文選取的參數設置如下:
SP = 10 ；MG = 30 ；D = 9 ；F = 0.6 ；CR = 0.9 式八 步驟3、基于步驟2隨機在仿生算法尋優計算數據中選取智能算法的訓練數據和測試數據:輸入訓練數據，利用人工智能算法學習和訓練自變量數組和因變量數組，獲得網絡權值和閾值，訓練函數采用BP學習算法，網絡學習函數采取帶動量項的BP學習規則，性能分析函數采用均方差新能分析函數； 步驟4、對訓練好人工智能算法，利用所述步驟3.1中神經網絡測試數據中的自變量帶入到訓練好的BP神經網絡中得到相應因變量預測值，進行測試驗證，并進行誤差分析，從而得以驗證優化自變量與因變量之間的多維非線性映射關系； 步驟5、將所述步驟2.1中微分進化算法將初始自變量參數和迭代過程中經變異操作和交叉操作得到的自變量參數輸入所述步驟3中得到的BP神經網絡，由BP神經網絡得到預測輸出因變量umax和Emax，進而計算所述步驟2.1中個體適應度值，通過迭代尋找最優個體適應度值，從而得到均壓環參數的優化值。
2.根據權利要求1所述的一種基于微分進化算法和BP神經網絡的避雷器均壓環優化法，其特征是，所述步驟3具體包括以下子步驟: 步驟3.1、步驟2中，形成320X 11組數據，其中320X9組數據為3個均壓環的自變量.0、r、d數據共9個自變量，依次編號為xl，x2，...，19，320\2組數據為因變量11111&14111&1數據；將320X 11組數據導入MATLAB中，從320組數據中隨機選300組為BP神經網絡訓練數據，其余20組為BP神經網絡測試數據； 步驟3.2、3個均壓環的自變量Φ、r、d的搜索范圍不同，因變量umax、Emax數據上下限不等，需要對輸入參數和輸出參數進行數據歸一化處理[21];采取最大最小法的數據歸一化處理:
Yk = 2* (Xk-Xmin) / (Xmax-XmJ _1 式九 式中，Xmax為數據序列中的最大值；χ--η為數據序列中最小值；yk為Xk經歸一化后的輸出值，yk e [_1，I]； 步驟3.3、構建的BP神經網絡隱含層節點轉移函數選tansig函數: f (X) = 2/[l+exp (-2x) ]-1 式十 步驟3.4、構造的BP神經網絡為9個輸入參數，2輸出參數，隱含層節點數的選取30 ；步驟3.5、初始化，賦給Wmi (O) ,Wu(O)，W1P(0)各一個較小的隨機非零值，η = 0，其中WMI (η)為第η次迭代輸入層m與隱含層I之間的的權值向量，η為迭代次數；
WIJ(η)為第η次迭代隱含層I與隱含層J之間的的權值向量；
WJP(η)為第η次迭代隱含層J與輸出層P之間的的權值向量
Yk(η)為第η次迭代是網絡的實際輸出
步驟3.6、輸入上述步驟3.2中數據歸一化處理的隨機訓練樣本； 步驟3.7、對輸入樣本，前向計算BP網絡每層神經元的輸入信號u和輸出信號V ;其中
步驟3.8、由期望值輸出dk，和上一步求得的實際輸出Yk (η)，計算誤差E (η)，判斷是否滿足要求，若滿足轉至步驟3.11 ;不滿足轉至步驟3.9 ； 步驟3.9、判斷是否大于最大迭代次數，若大于轉至步驟3.11，若不大于，對輸入樣本，反向計算每層神經元的局部梯度；其中
步驟3.10、按下式計算權值修正量,并修正權值；n = n+1,轉至步驟3.7 ；
步驟3.11、判斷是否學完所有的訓練樣本，是則結束，否則轉至步驟3.4。
【文檔編號】G06N3/02GK104200096SQ201410437237
【公開日】2014年12月10日 申請日期:2014年8月29日 優先權日:2014年8月29日
【發明者】陳圖騰, 張義, 程德保, 曹繼豐 申請人:中國南方電網有限責任公司超高壓輸電公司昆明局