基于微分進化算法和bp神經(jīng)網(wǎng)絡的避雷器均壓環(huán)優(yōu)化法
【專利摘要】本發(fā)明涉及一種基于微分進化算法和BP神經(jīng)網(wǎng)絡的避雷器均壓環(huán)優(yōu)化。該方法是一種基于微分進化算法和BP神經(jīng)網(wǎng)絡的混合智能尋優(yōu)算法。對于用于改善避雷器電阻片表面電場分布的均壓環(huán)優(yōu)化問題，該方法首先基于有限元仿真軟件，結(jié)合微分進化算法對均壓環(huán)的優(yōu)化參數(shù)進行尋優(yōu)計算，然后將尋優(yōu)過程產(chǎn)生的計算數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡的訓練樣本數(shù)據(jù)，通過神經(jīng)網(wǎng)絡擬合建立起優(yōu)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(jīng)網(wǎng)絡預測輸出，并結(jié)合微分算法實現(xiàn)了進一步尋優(yōu)計算。通過大量優(yōu)化數(shù)據(jù)對比表明，該方法簡單、執(zhí)行效率高，魯棒性好，數(shù)據(jù)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(jīng)網(wǎng)絡的避雷器均壓環(huán)優(yōu)化法

【技術領域】
[0001]本發(fā)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(jīng)網(wǎng)絡的避雷器均壓環(huán)優(yōu)化法。

【背景技術】
[0002]現(xiàn)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(shù)值計算方法?，F(xiàn)有技術分別有:
[0003]1、結(jié)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(jié)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(yōu)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(fā)展，有限元結(jié)合人工智能技術在對電氣設備的結(jié)構(gòu)優(yōu)化設計方面也得到廣泛應用，如以下文獻或以有限元法結(jié)合遺傳算法，或結(jié)合粒子群算法，或結(jié)合神經(jīng)網(wǎng)絡進行尋優(yōu)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(jīng)網(wǎng)絡、人工神經(jīng)網(wǎng)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(yōu)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(yōu)解受制于初始種群規(guī)模，且尋優(yōu)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(yōu)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(wǎng)中各個開關狀態(tài)的網(wǎng)絡重構(gòu)問題優(yōu)化研究，提出了結(jié)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(yōu)化算法(HGAPSO)解決配電網(wǎng)絡重構(gòu)問題，結(jié)合3個不同規(guī)模的IEEE測試網(wǎng)絡的重構(gòu)問題并做了多方面的比較，取得了令人滿意的效果，體現(xiàn)出較GA和PSO更好的尋優(yōu)性能。在尋優(yōu)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(shù)機制和優(yōu)勝劣汰的思想進化；基于對電力系統(tǒng)無功優(yōu)化算法的深入研究，提出將免疫遺傳算法與變尺度混沌優(yōu)化算法進行結(jié)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(yōu)和在接近全局最優(yōu)解時搜索速度減慢的缺點，通過對IEEE-30節(jié)點系統(tǒng)和內(nèi)蒙古巴盟地區(qū)實際電網(wǎng)無功優(yōu)化計算表明，結(jié)合混合智能算法的電力系統(tǒng)無功優(yōu)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(wǎng)的聯(lián)合優(yōu)化規(guī)劃模型；針對目標權(quán)重未知、人工神經(jīng)網(wǎng)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(yōu)解的范圍，并在此基礎上提出了隨機模擬、神經(jīng)元網(wǎng)絡和非劣排序遺傳算法 II (non-dominated sorting genetic algorithm II, NSGA-1I)相結(jié)合的混合智能算法；對增加風電場的改進IEEEGarver-6系統(tǒng)進行計算分析,結(jié)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(yōu)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(yōu)解精度等方面的問題依然較為突出。


【發(fā)明內(nèi)容】

[0009]本發(fā)明主要是解決現(xiàn)有技術所存在的技術問題；提供了一種大大縮短了傳統(tǒng)迭代計算的時間，提高了尋優(yōu)效率的基于微分進化算法和BP神經(jīng)網(wǎng)絡的避雷器均壓環(huán)優(yōu)化法。
[0010]本發(fā)明還有一目的是解決現(xiàn)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(jīng)網(wǎng)絡的避雷器均壓環(huán)優(yōu)化法。
[0011]本發(fā)明再有一目的是解決現(xiàn)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(shù)的不確定因素，簡單、執(zhí)行效率高，魯棒性好，數(shù)據(jù)挖掘充分的基于微分進化算法和BP神經(jīng)網(wǎng)絡的避雷器均壓環(huán)優(yōu)化法。
[0012]本發(fā)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(jīng)網(wǎng)絡的避雷器均壓環(huán)優(yōu)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(shù)化設計語言(ANSYS parameter design language, APDL),基于金屬氧化物避雷器進行參數(shù)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(huán)；參考設計的均壓環(huán)從上至下依次編號為環(huán)一、環(huán)二及環(huán)三。其中以均壓環(huán)管徑Φ、環(huán)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(huán)表面最大場強Emax為因變量，其中以Umax為目標函數(shù)，Efflax小于起暈場強2.2kV/mm為約束條件。
[0015]步驟2、結(jié)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(jù)目標函數(shù)和約束條件進行尋優(yōu)循環(huán)計算，得到微分進化算法優(yōu)化結(jié)果以及尋優(yōu)過程中的計算數(shù)據(jù)，具體包括以下子步驟:
[0016]步驟2.1、假設待求優(yōu)化問題為minf (X)，種群規(guī)模為SP，最大迭代次數(shù)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(nèi)隨機產(chǎn)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(chǎn)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(shù)，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(quán)利要求】
1.一種基于微分進化算法和BP神經(jīng)網(wǎng)絡的避雷器均壓環(huán)優(yōu)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(shù)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(huán)；參考設計的均壓環(huán)從上至下依次編號為環(huán)一、環(huán)二及環(huán)三；其中以均壓環(huán)管徑Φ、環(huán)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(huán)表面最大場強Emax為因變量,其中以umax為目標函數(shù)，Emax小于起暈場強.2.2kV/mm為約束條件； 步驟2、結(jié)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(jù)目標函數(shù)和約束條件進行尋優(yōu)循環(huán)計算，得到微分進化算法優(yōu)化結(jié)果以及尋優(yōu)過程中的計算數(shù)據(jù)，具體包括以下子步驟: 步驟2.1、定義待求優(yōu)化問題為minf (X)，種群規(guī)模為SP，最大迭代次數(shù)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(nèi)隨機產(chǎn)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(chǎn)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(shù)，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(shù)；CR為交叉因子，是范圍在[0，I]內(nèi)的常數(shù)，CR取值越大，發(fā)生交叉的概率就越大fan+是[1，D]范圍內(nèi)的隨機整數(shù)，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(yōu)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(yōu)中繼續(xù)作為目標向量執(zhí)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(yōu)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(yōu)解方向進化尋優(yōu)； 建立基于微分進化算法的均壓環(huán)優(yōu)化數(shù)學模型:
其中i為均壓環(huán)編號，自變量、因變量、目標函數(shù)、約束條件在所述步驟I中已經(jīng)進行了說明； 對Eimax進行罰函數(shù)處理，Umax是一個無量綱單位,構(gòu)造罰函數(shù)為:
通過目標函數(shù)和罰函數(shù)，得到個體適應度值函數(shù): fitness = umax+f_penalty 式六 則待求minumax優(yōu)化問題轉(zhuǎn)換為求取最優(yōu)個體適應度值: minfitness = min (umax+f_penalty) 式七 步驟2.2、基于ANSYS平臺，結(jié)合微分進化算法，對3個均壓環(huán)共9個參數(shù)進行優(yōu)化，9個優(yōu)化自變量依次編號為Xl，X2,…，x9,縮放因子F的經(jīng)驗選取范圍為[0.5，0.9]，推薦參數(shù)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(shù)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(yōu)計算數(shù)據(jù)中選取智能算法的訓練數(shù)據(jù)和測試數(shù)據(jù):輸入訓練數(shù)據(jù)，利用人工智能算法學習和訓練自變量數(shù)組和因變量數(shù)組，獲得網(wǎng)絡權(quán)值和閾值，訓練函數(shù)采用BP學習算法，網(wǎng)絡學習函數(shù)采取帶動量項的BP學習規(guī)則，性能分析函數(shù)采用均方差新能分析函數(shù)； 步驟4、對訓練好人工智能算法，利用所述步驟3.1中神經(jīng)網(wǎng)絡測試數(shù)據(jù)中的自變量帶入到訓練好的BP神經(jīng)網(wǎng)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(yōu)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(shù)和迭代過程中經(jīng)變異操作和交叉操作得到的自變量參數(shù)輸入所述步驟3中得到的BP神經(jīng)網(wǎng)絡，由BP神經(jīng)網(wǎng)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(yōu)個體適應度值，從而得到均壓環(huán)參數(shù)的優(yōu)化值。
2.根據(jù)權(quán)利要求1所述的一種基于微分進化算法和BP神經(jīng)網(wǎng)絡的避雷器均壓環(huán)優(yōu)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(shù)據(jù)，其中320X9組數(shù)據(jù)為3個均壓環(huán)的自變量.0、r、d數(shù)據(jù)共9個自變量，依次編號為xl，x2，...，19，320\2組數(shù)據(jù)為因變量11111&14111&1數(shù)據(jù)；將320X 11組數(shù)據(jù)導入MATLAB中，從320組數(shù)據(jù)中隨機選300組為BP神經(jīng)網(wǎng)絡訓練數(shù)據(jù)，其余20組為BP神經(jīng)網(wǎng)絡測試數(shù)據(jù)； 步驟3.2、3個均壓環(huán)的自變量Φ、r、d的搜索范圍不同，因變量umax、Emax數(shù)據(jù)上下限不等，需要對輸入?yún)?shù)和輸出參數(shù)進行數(shù)據(jù)歸一化處理[21];采取最大最小法的數(shù)據(jù)歸一化處理:
Yk = 2* (Xk-Xmin) / (Xmax-XmJ _1 式九 式中，Xmax為數(shù)據(jù)序列中的最大值；χ--η為數(shù)據(jù)序列中最小值；yk為Xk經(jīng)歸一化后的輸出值，yk e [_1，I]； 步驟3.3、構(gòu)建的BP神經(jīng)網(wǎng)絡隱含層節(jié)點轉(zhuǎn)移函數(shù)選tansig函數(shù): f (X) = 2/[l+exp (-2x) ]-1 式十 步驟3.4、構(gòu)造的BP神經(jīng)網(wǎng)絡為9個輸入?yún)?shù)，2輸出參數(shù)，隱含層節(jié)點數(shù)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(quán)值向量，η為迭代次數(shù)；
WIJ(η)為第η次迭代隱含層I與隱含層J之間的的權(quán)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(quán)值向量
Yk(η)為第η次迭代是網(wǎng)絡的實際輸出
步驟3.6、輸入上述步驟3.2中數(shù)據(jù)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(wǎng)絡每層神經(jīng)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(zhuǎn)至步驟3.11 ;不滿足轉(zhuǎn)至步驟3.9 ； 步驟3.9、判斷是否大于最大迭代次數(shù)，若大于轉(zhuǎn)至步驟3.11，若不大于，對輸入樣本，反向計算每層神經(jīng)元的局部梯度；其中
步驟3.10、按下式計算權(quán)值修正量,并修正權(quán)值；n = n+1,轉(zhuǎn)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(jié)束，否則轉(zhuǎn)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(yōu)先權(quán)日:2014年8月29日
【發(fā)明者】陳圖騰, 張義, 程德保, 曹繼豐 申請人:中國南方電網(wǎng)有限責任公司超高壓輸電公司昆明局