[發明專利]基于微分進化算法和BP神經網絡的避雷器均壓環優化法

有效

• 申請號: 201410437237.6
• 申請日: 2014-08-29
• 公開（公告）號: CN104200096B
• 公開（公告）日: 2018-11-13
• 發明（設計）人: 陳圖騰;張義;程德保;曹繼豐
• 申請（專利權）人: 中國南方電網有限責任公司超高壓輸電公司昆明局
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/02
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魯力

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，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u_max和均壓環表面最大場強E_max為因變量，其中以u_max為目標函數，E_max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min f(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)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x_j,max和x_j,min間隨機產生：微分進化算法的操作包括變異操作、交叉操作及選擇操作；

其中，

操作一，變異操作具體方法是：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x_i而言，微分進化算法通過變異操作生成變異向量v_i

式中，是父代種群中隨機選擇的三個不同個體，且有r₁≠r₂≠r₃≠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v_i和目標向量x_i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u_i＝[u_i,1,u_i,2,…,u_i,D]：

式中，rand是[0,1]之間的隨機數；CR為交叉因子，是范圍在[0,1]內的常數，CR取值越大，發生交叉的概率就越大；rand_j是[1,D]范圍內的隨機整數，確保u_i至少要從v_i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u_i適應度值優于目標向量個體x_i適應度值時，目標向量才會接納u_i，即x_i更新取值為u_i；否則x_i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：

min f＝min u_max＝min f(Φ_i,r_i,d_i)；

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1中已經進行了說明；

對進行罰函數處理，u_max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＝u_max+f_penalty 式六

則待求min u_max優化問題轉換為求取最優個體適應度值：

min fitness＝min(u_max+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z₁,z₂,…,z₉，縮放因子F的選取范圍為[0.5,0.9]；交叉因子CR選擇范圍為[0.3,0.9]，選取的參數設置如下：

SP＝10；MG＝30；D＝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u_max和E_max，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。