CN102646213A - 基于混沌粒子群算法的接地网腐蚀诊断系统的检测方法 - Google Patents

Abstract

本发明公开一种基于混沌粒子群算法的接地网腐蚀诊断系统的检测方法，包括以下几个步骤：S1建立腐蚀诊断数学模型；S2建立分块诊断数学模型，并转化为多目标优化问题；S3将多目标优化问题的解看成一个粒子，形成初始种群；S4计算适应度；S5种群分类；并确定每个粒子的属性；S6对于标准粒子，直接更新其速度与位置，并计算适应度；S7对于混沌粒子进行混沌映射变换，更新速度位置，计算适应度；S8对于观察粒子，同时进行标准变换和混沌映射变换并计算适应度；S9根据新的适应度来更新个体最优和群体最优；S10判断是否满足终止条件，若满足则输出结果，否则返回S5。

Description

基于混沌粒子群算法的接地网腐蚀诊断系统的检测方法

技术领域

本发明涉及一种基于混沌粒子群算法的接地网腐蚀诊断系统的检测方法，属于电力信息技术领域。

背景技术

电气工程建造伊始，电气装置的接地系统就与电气装置的一、二次回路和电气设备不可分割地相互依存。随着大容量、远距离的高压、超高压和特高压电网的相继出现，系统接地短路电流愈来愈大，发变电站接地网上的电位变得越来越高。无疑，这对保障人身和一次设备以及抗干扰能力较低的电子监控装置安全的发变电站的接地系统提出来更高和更新的要求。发变电站的接地系统是维护电力系统安全可靠运行、保障运行人员和电气设备安全的根本保障和重要措施。随着电力系统的发展，接地短路电流不断增大，接地网的问题越来越突出。然而，对于地网故障点的测量手段非常原始，在接地工程竣工后对施工中的地网漏焊和虚焊也缺少有效的检查验收手段。以用工频大电流法测工频接地电阻的方法为例，其测量过程中面临许多难点，一是要停电，二是要大电流源，三是测量工作十分复杂。另外这种方法只对存在断点的情况敏感，而无法反映腐蚀情况。因此，目前工程上一般都是在发现地网接地电阻不合格或发生地网引起的事故后，通过大面积开挖查找接地网断点和腐蚀段，这种方法带有盲目性、工作量极大，还影响电力系统的运行。

发明内容

为了克服现有技术的缺陷，本发明提出了一种基于混沌粒子群算法的接地网腐蚀诊断系统的检测方法，其可以在不停电和不对地网开挖的情况下，通过测量接地引线之间的电阻，对地网导体的断点和腐蚀进行检测，可操作性较高。

本发明的发明构思是：近年来，人们对接地网的腐蚀诊断研究的还不够。本发明建立了分块诊断方程组，并将其视为多目标优化问题，采用动态混沌粒子群算法进行求解。得到了一种新的简单可靠的地网诊断方法，可以在不停电和不对地网开挖的情况下，通过测量接地引线之间的电阻，对地网导体的断点和腐蚀进行检测，可操作性较高。

本发明解决技术问题所采取的技术方案是：

一种基于混沌粒子群算法的接地网腐蚀诊断系统的检测方法，包括以下步骤：

S1：建立腐蚀诊断的数学模型；

S2：建立分块诊断数学模型，并转化为多目标优化问题；

S3：将多目标优化问题的解看成一个粒子，形成初始种群；

S4：计算适应度；

S5：种群分类；并确定每个粒子的属性；

S6：对于标准粒子，自动更新其速度与位置，并计算适应度；

S7：对于混沌粒子进行混沌映射变换，更新速度位置，并进行适应度计算；

S8：对于观察粒子，同时进行标准变换和混沌映射变换并计算适应度；

S9：根据新的适应度来更新个体最优值和群体最优值；

S10：判断是否满足终止条件，若满足则输出结果，否则返回S5。

较佳地，所述步骤2进一步包括：

根据接地网特性，将复杂非规则的接地网拓扑结构，进行分块，保留主体矩形网络；而将接地网延伸拓扑部分，分割成独立的小型规则网络；步骤S1建立的数学模型转变为分块诊断模型，减少了诊断方程未知量个数，降低诊断方程组的病态程度；每个子模块视为一个独立的运算单元，将分块诊断模型看作是一个多目标优化问题；

分块诊断的数学模型如式(2)所示，式(3)为作为多目标优化问题的数学模型：

$\left\{\begin{array}{c}{f}_r(R_{11},R_{12},....,R_{1k})=I_1\\ f_r(R_{21},R_{22},....,R_{2k})=I_2\\ ......\\ f_r(R_{n1},R_{n2},...,R_{\mathrm{nk}})=I_n\\ f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......{,R}_{n+1,m-k\×n})=I_{n+1}\\ R_{\mathrm{ij}}=f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......,R_{n+1,m-k\×n})\\ f(I_1,I_2,...I_n,I_{n+1})=I_s\end{array}\right.---\left(2\right)$

$\left\{\begin{array}{c}{g}_1=\min (f_r(R_{11},R_{12},....,R_{1k})-I_1)\\ g_2=\min (f_r(R_{21},R_{22},....,R_{2k})-I_2)\\ ......\\ g_n=\min (f_r(R_{n1},R_{n2},...,R_{\mathrm{nk}})-I_n)\\ g_{n+1}=\min (f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......,R_{n+1,m-k\×n})-I_{n+1})\\ g_{n+2}=\min \left(R_{\mathrm{ij}}-f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......,R_{n+1,m-k\×n})\right)\\ g_{n+3}=\min (f(I_1,I_2,...I_n,I_{n+1})-I_s)\end{array}\right.---\left(3\right)$

上式中，R₁₁...R_1k是分块网络1中的各支路电阻，...，R_n1...R_nk是分块网络n中的各支路电阻，R_n+1，1...R_n+1，m-k×n是主网络的各支路的电阻；I₁是分块网络1中的各支路电流，...，I_n是分块网络n中的各支路电流，I_n+1是主网络的各支路的电流；I_s是电流源电流。

较佳地，所述步骤S3中，粒子可表示为如式(4)所示：

x＝[x₁，x₂，...，x_b]^T    (4)

上式中，x_i表示支路i的电阻值。

较佳地，所述步骤S4进一步包括：

S41：设定种群规模，随机产生全部粒子及其自身的初始位置和初始速度，计算每个粒子当前位置的适应度，得到个体最优值和群体最优值；

其中，个体最优值是指每个粒子的适应度最优值，群体最优值是指整个粒子群体的适应度最优值；

适应度函数为式(5)：

f＝(f_r(R₁₁，R₁₂，...，R_1k)-I₁)+(f_r(R₂₁，R₂₂，...，R_2k)-I₂)+...

+(f_r(R_n1，R_n2，...，R_nk)-I_n)+(f_r(R_n+1，1，R_n+1，2，......，R_n+1，m-k×n)-I_n+1)+    (5)

(R_ij-f_r(R_n+1，1，R_n+1，2，......，R_n+1，m-k×n))+(f(I₁，I₂，...I_n，I_n+1)-I_s)

上式中，R₁₁...R_1k是分块网络1中的各支路电阻，...，R_n1...R_nk是分块网络n中的各支路电阻，R_n+1，1...R_n+1，m-k×n是主网络的各支路的电阻；I₁是分块网络1中的各支路电流，...，I_n是分块网络n中的各支路电流，I_n+1是主网络的各支路的电流；I_s是电流源电流；

S42：计算整个种群适应度的f_avg，f_above以及f_below：

对所有粒子的当前适应度求和，取平均值，记为f_avg；再将高于该适应度的粒子作为一个新群体，将它们的适应度在取平均值，记为f_above；低于f_avg的粒子适应的取平均值，记为f_below；然后将适应度高于f_above的粒子，视为标准粒子，将适应度低于f_below的粒子，视为混沌粒子，其余粒子视为观察粒子；数学表达式为式(6)～(8)：

$f_{\mathrm{avg}}=\frac{1}{n}\underset{i=1}{\stackrel{n}{\mathrm{\Σ}}}{f}_i---\left(6\right)$

$f_{\mathrm{above}}=\frac{1}{n_{\mathrm{above}}}\underset{j=1}{\overset{n_{\mathrm{above}}}{\mathrm{\Σ}}}{f}_j---\left(7\right)$

$f_{\mathrm{below}}=\frac{1}{n_{\mathrm{below}}}\underset{k=1}{\overset{n_{\mathrm{below}}}{\mathrm{\Σ}}}{f}_k---\left(8\right)$

上式中，n是种群规模，n_above是适应度高于f_avg的粒子数量，n_below是适应度低于f_avg的粒子数量。

较佳地，所述步骤S5进一步包括：

根据步骤S42所述的评判标准将种群分类；并确定每个粒子的属性，即标准粒子，混沌粒子和观察粒子。

较佳地，所述步骤S6进一步包括：对于标准粒子，根据式(9)与(10)自动更新其速度与位置，并计算适应度；

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id(t)-x_id(t))+c₂r₂(p_gd(t)-x_id(t))    (9)

x_id(t+1)＝x_id(t)+v_id(t+1)i＝1，2，...，n，d＝1，2，...，D    (10)

上式中v_id(t)是粒子i在第t次迭代中在d维度下的速度；x_id(t)是粒子i在第t次迭代中在d维度下的位置；r₁和r₂是在区间[0，1]上的保持群体多样性的随机数；c₁和c₂是加速系数，又称学习因子，用以帮助调节粒子速度和位置；ω是惯性因子；i＝1，2，...，n是粒子个数；d＝1，2，...，D；k是迭代次数。

较佳地，所述步骤S7进一步包括：S7：对于混沌粒子进行混沌映射变换，更新速度位置，并进行适应度计算。

通过式(11)进行混沌变换：

x_i+1＝μx_i(1-x_i)    (11)

上式中，当μ∈[3.57，4]，x_i∈(0，1)且

时，得到混沌现象，此时的x_i会遍历空间(0，1)。

较佳地，所述步骤S8进一步包括：对于观察粒子，同时进行标准变换和混沌映射变换并计算适应度；同样通过式(9)～(11)进行相应的计算。

较佳地，步骤S9中，当个体的当前适应度高于个体历史最优值则用新的适应度代替个体最优值，否则不予替换；同理，对于群体最优值亦是如此。

较佳地，步骤S10中，该方法有两个终止条件：(1)设定迭代次数k，当迭代次数达到看时则就满足终止条件，输出结果；(2)前后两次群体最优值之差的绝对值小于10^-6时满足终止条件，输出结果。

与现有技术相比，本发明的有益效果如下：

第一，建立了分块诊断方程组，有效的降低方程组的病态程度。

第二，可以在不停电和不对地网开挖的情况下对地网导体的断点和腐蚀进行检测。

第三，该方法的求解精度较高。

第四，增强了对种群初始化的鲁棒性。

第五，结构简单、计算量小、可操作性较高。

附图说明

图1是本发明一种基于混沌粒子群算法的接地网腐蚀诊断系统的检测方法的流程图；

图2是变电站接地网模拟图。

具体实施方式

参看图1，一种基于混沌粒子群算法的接地网腐蚀诊断系统的检测方法，包括以下步骤：

S1：建立腐蚀诊断的数学模型。

腐蚀诊断的数学模型如式(1)所示：

$\left\{\begin{array}{c}{\mathrm{\ΔR}}_{\mathrm{ij}\left(1\right)}=\underset{k=1}{\overset{b}{\mathrm{\Σ}}}{\mathrm{\ΔR}}_k{I^{\′}}_{k\left(1\right)}{I}_{k\left(1\right)}/{I_0}^2\\ {\mathrm{\ΔR}}_{\mathrm{ij}\left(2\right)}=\underset{k=1}{\overset{b}{\mathrm{\Σ}}}{\mathrm{\ΔR}}_k{I^{\′}}_{k\left(2\right)}{I}_{k\left(2\right)}/{I_0}^2\\ ......\\ {\mathrm{\ΔR}}_{\mathrm{ij}\left(m\right)}=\underset{k=1}{\overset{b}{\mathrm{\Σ}}}{\mathrm{\ΔR}}_k{I^{\′}}_{k\left(m\right)}{I}_{k\left(m\right)}/{I_0}^2\end{array}\right\}---\left(1\right)$

上式中，R_ij为任意两侧两点间的电阻值；R_k为支路电阻；I₀为i，j端的第b+1条支路的电流；I_k为腐蚀前接地网的第k条支路的电流；I_k′为腐蚀后接地网的第k条支路的电流。

S2：建立分块诊断数学模型，原问题则转化为多目标优化问题。

根据接地网特性，将复杂非规则的接地网拓扑结构，进行分块，保留主体矩形网络；而将接地网延伸拓扑部分，分割成独立的小型规则网络；步骤S1建立的数学模型转变为分块诊断模型，减少了诊断方程未知量个数，降低诊断方程组的病态程度；每个子模块视为一个独立的运算单元，将分块诊断模型看作是一个多目标优化问题；

分块诊断的数学模型如式(2)所示，式(3)为作为多目标优化问题的数学模型：

$\left\{\begin{array}{c}{f}_r(R_{11},R_{12},....,R_{1k})=I_1\\ f_r(R_{21},R_{22},....,R_{2k})=I_2\\ ......\\ f_r(R_{n1},R_{n2},...,R_{\mathrm{nk}})=I_n\\ f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......{,R}_{n+1,m-k\×n})=I_{n+1}\\ R_{\mathrm{ij}}=f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......,R_{n+1,m-k\×n})\\ f(I_1,I_2,...I_n,I_{n+1})=I_s\end{array}\right.---\left(2\right)$

$\left\{\begin{array}{c}{g}_1=\min (f_r(R_{11},R_{12},....,R_{1k})-I_1)\\ g_2=\min (f_r(R_{21},R_{22},....,R_{2k})-I_2)\\ ......\\ g_n=\min (f_r(R_{n1},R_{n2},...,R_{\mathrm{nk}})-I_n)\\ g_{n+1}=\min (f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......,R_{n+1,m-k\×n})-I_{n+1})\\ g_{n+2}=\min \left(R_{\mathrm{ij}}-f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......,R_{n+1,m-k\×n})\right)\\ g_{n+3}=\min (f(I_1,I_2,...I_n,I_{n+1})-I_s)\end{array}\right.---\left(3\right)$

上式中，R₁₁...R_1k是分块网络1中的各支路电阻，...，R_n1...R_nk是分块网络n中的各支路电阻，R_n+1，1...R_n+1，m-k×n是主网络的各支路的电阻；I₁是分块网络1中的各支路电流，...，I_n是分块网络n中的各支路电流，I_n+1是主网络的各支路的电流；I_s是电流源电流。

S3：多目标优化问题的解看成一个粒子，形成初始种群，粒子可表示为如式(4)所示：

x＝[x₁，x₂，...，x_b]^T    (4)

上式中，x_i表示支路i的电阻值。

S4：计算适应度，其进一步包括：

S41：设定种群规模，随机产生全部粒子及其自身的初始位置和初始速度，计算每个粒子当前位置的适应度，得到个体最优值和群体最优值。

其中，个体最优值是指每个粒子的适应度最优值，群体最优值是指整个粒子群体的适应度最优值。

设定种群的大小为20，用随机函数产生粒子的初始位置和初始速度。用适应度函数计算粒子当前位置的适应度，即可得到个体最优值和群体最优值。适应度函数为式(5)：

f＝(f_r(R₁₁，R₁₂，...，R_1k)-I₁)+(f_r(R₂₁，R₂₂，...，R_2k)-I₂)+...

+(f_r(R_n1，R_n2，...，R_nk)-I_n)+(f_r(R_n+1，1，R_n+1，2，......，R_n+1，m-k×n)-I_n+1)+    (5)

(R_ij-f_r(R_n+1，1，R_n+1，2，......，R_n+1，m-k×n))+(f(I₁，I₂，...I_n，I_n+1)-I_s)

上式中，R₁₁...R_1k是分块网络1中的各支路电阻，...，R_n1...R_nk是分块网络n中的各支路电阻，R_n+1，1...R_n+1，m-k×n是主网络的各支路的电阻；I₁是分块网络1中的各支路电流，...，I_n是分块网络n中的各支路电流，I_n+1是主网络的各支路的电流；I_s是电流源电流。

S42：计算整个种群适应度的f_avg，f_above以及f_below。

对所有粒子的当前适应度求和，取平均值，记为f_avg。再将高于该适应度的粒子作为一个新群体，将它们的适应度在取平均值，记为f_above。低于f_avg的粒子适应的取平均值，记为f_below。然后将适应度高于f_above的粒子，视为标准粒子，将适应度低于f_below的粒子，视为混沌粒子，其余粒子视为观察粒子。数学表达式为式(6)～(8)：

$f_{\mathrm{avg}}=\frac{1}{n}\underset{i=1}{\stackrel{n}{\mathrm{\Σ}}}{f}_i---\left(6\right)$

$f_{\mathrm{above}}=\frac{1}{n_{\mathrm{above}}}\underset{j=1}{\overset{n_{\mathrm{above}}}{\mathrm{\Σ}}}{f}_j---\left(7\right)$

$f_{\mathrm{below}}=\frac{1}{n_{\mathrm{below}}}\underset{k=1}{\overset{n_{\mathrm{below}}}{\mathrm{\Σ}}}{f}_k---\left(8\right)$

上式中，n是种群规模，n_above是适应度高于f_avg的粒子数量，n_below是适应度低于f_avg的粒子数量。

S5：根据步骤S42所述的评判标准将种群分类；并确定每个粒子的属性，即标准粒子，混沌粒子和观察粒子。

S6：对于标准粒子，根据式(9)与(10)自动更新其速度与位置，并计算适应度。

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id(t)-x_id(t))+c₂r₂(p_gd(t)-x_id(t))    (9)

x_id(t+1)＝x_id(t)+v_id(t+1)i＝1，2，…，n，d＝1，2，…，D    (10)

上式中v_id(t)是粒子i在第t次迭代中在d维度下的速度；x_id(t)是粒子i在第t次迭代中在d维度下的位置；r₁和r₂是在区间[0，1]上的保持群体多样性的随机数；c₁和c₂是加速系数，又称学习因子，用以帮助调节粒子速度和位置；ω是惯性因子；i＝1，2，...，n是粒子个数；d＝1，2，...，D；k是迭代次数。

S7：对于混沌粒子进行混沌映射变换，更新速度位置，并进行适应度计算。

通过式(11)进行混沌变换：

x_i+1＝μx_i(1-x_i)    (11)

上式中，当μ∈[3.57，4]，x_i∈(0，1)且

时，得到混沌现象，此时的x_i会遍历空间(0，1)。

S8：对于观察粒子，同时进行标准变换和混沌映射变换并计算适应度。同样通过式(9)～(11)进行相应的计算。

S9：根据新的适应度来更新个体最优值和群体最优值。

当个体的当前适应度高于个体历史最优值则用新的适应度代替个体最优值，否则不予替换；同理，对于群体最优值亦是如此。

S10：判断是否满足终止条件，若满足则输出结果，否则返回S5。

该方法有两个终止条件：(1)设定迭代次数k，当迭代次数达到看时则就满足终止条件，输出结果；(2)前后两次群体最优值之差的绝对值小于10^-6时满足终止条件，输出结果。

以某变电站地网结构图为例，该电站接地网拓扑结构如图2所示，水平接地体由60×6的扁钢搭建而成，其中共有47条支路，29个节点，其中有内部9个为可及节点，用编号1-9来表示，沿2号点所在水平位置，将原网络分块，分成3×3的子模块和6×4主网络，利用9个可及节点，分别加激励，测量端口电阻，并记录分离位置的数据。利用电路仿真软件，模拟次接地网结构，并模拟不同接地引线位置提供的不同测量数据，并应用动态混沌粒子群算法配合分块诊断方法求解，结果如表1所示。

表1中编号为对应支路编号，标称值为接地网设计初的标准电阻值，实际值为接地网腐蚀后的实际值，诊断值为运算处理后得出的诊断结果(单位均为Ω)，倍数为诊断值相比标称值的增长变化情况，即腐蚀情况。从上表中可以看出，无论是在重度腐蚀位置，如编号为7，19，29，40的支路位置，还是轻度腐蚀位置，如编号为21，26，36，46的支路位置，该算法表现出了良好的诊断能力。

表1  诊断数据表

本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种基于混沌粒子群算法的接地网腐蚀诊断系统的检测方法，其特征在于，包括以下步骤：

S1：建立腐蚀诊断的数学模型；

S2：建立分块诊断数学模型，并转化为多目标优化问题；

S3：将多目标优化问题的解看成一个粒子，形成初始种群；

S4：计算适应度；

S5：种群分类；并确定每个粒子的属性；

S6：对于标准粒子，自动更新其速度与位置，并计算适应度；

S7：对于混沌粒子进行混沌映射变换，更新速度位置，并进行适应度计算；

S8：对于观察粒子，同时进行标准变换和混沌映射变换并计算适应度；

S9：根据新的适应度来更新个体最优值和群体最优值；

S10：判断是否满足终止条件，若满足则输出结果，否则返回S5。

2.根据权利要求1所述的方法，其特征在于，所述步骤2进一步包括：

根据接地网特性，将复杂非规则的接地网拓扑结构，进行分块，保留主体矩形网络；而将接地网延伸拓扑部分，分割成独立的小型规则网络；步骤S1建立的数学模型转变为分块诊断模型，减少了诊断方程未知量个数，降低诊断方程组的病态程度；每个子模块视为一个独立的运算单元，将分块诊断模型看作是一个多目标优化问题；

分块诊断的数学模型如式(2)所示，式(3)为作为多目标优化问题的数学模型：

$\left\{\begin{array}{c}{f}_r(R_{11},R_{12},....,R_{1k})=I_1\\ f_r(R_{21},R_{22},....,R_{2k})=I_2\\ ......\\ f_r(R_{n1},R_{n2},...,R_{\mathrm{nk}})=I_n\\ f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......{,R}_{n+1,m-k\×n})=I_{n+1}\\ R_{\mathrm{ij}}=f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......,R_{n+1,m-k\×n})\\ f(I_1,I_2,...I_n,I_{n+1})=I_s\end{array}\right.---\left(2\right)$

$\left\{\begin{array}{c}{g}_1=\min (f_r(R_{11},R_{12},....,R_{1k})-I_1)\\ g_2=\min (f_r(R_{21},R_{22},....,R_{2k})-I_2)\\ ......\\ g_n=\min (f_r(R_{n1},R_{n2},...,R_{\mathrm{nk}})-I_n)\\ g_{n+1}=\min (f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......,R_{n+1,m-k\×n})-I_{n+1})\\ g_{n+2}=\min \left(R_{\mathrm{ij}}-f_r(R_{n+\mathrm{1,1}},R_{n+\mathrm{1,2}},......,R_{n+1,m-k\×n})\right)\\ g_{n+3}=\min (f(I_1,I_2,...I_n,I_{n+1})-I_s)\end{array}\right.---\left(3\right)$

上式中，R₁₁...R_1k是分块网络1中的各支路电阻，...，R_n1...R_nk是分块网络n中的各支路电阻，R_n+1，1...R_n+1，m-k×n是主网络的各支路的电阻；I₁是分块网络1中的各支路电流，...，I_n是分块网络n中的各支路电流，I_n+1是主网络的各支路的电流；I_s是电流源电流。

3.根据权利要求2所述的方法，其特征在于，所述步骤S3中，粒子可表示为如式(4)所示：

x＝[x₁，x₂，...，x_b]^T    (4)

上式中，x_i表示支路i的电阻值。

4.根据权利要求3所述的方法，其特征在于，所述步骤S4进一步包括：

S41：设定种群规模，随机产生全部粒子及其自身的初始位置和初始速度，计算每个粒子当前位置的适应度，得到个体最优值和群体最优值；

其中，个体最优值是指每个粒子的适应度最优值，群体最优值是指整个粒子群体的适应度最优值；

适应度函数为式(5)：

f＝(f_r(R₁₁，R₁₂，...，R_1k)-I₁)+(f_r(R₂₁，R₂₂，...，R_2k)-I₂)+...

+(f_r(R_n1，R_n2，...，R_nk)-I_n)+(f_r(R_n+1，1，R_n+1，2，......，R_n+1，m-k×n)-I_n+1)+    (5)

(R_ij-f_r(R_n+1，1，R_n+1，2，......，R_n+1，m-k×n))+(f(I₁，I₂，...I_n，I_n+1)-I_s)

上式中，R₁₁...R_1k是分块网络1中的各支路电阻，...，R_n1...R_nk是分块网络n中的各支路电阻，R_n+1，1...R_n+1，m-k×n是主网络的各支路的电阻；I₁是分块网络1中的各支路电流，...，I_n是分块网络n中的各支路电流，I_n+1是主网络的各支路的电流；I_s是电流源电流；

S42：计算整个种群适应度的f_avg，f_above以及f_below：

对所有粒子的当前适应度求和，取平均值，记为f_avg；再将高于该适应度的粒子作为一个新群体，将它们的适应度在取平均值，记为f_above；低于f_avg的粒子适应的取平均值，记为f_below；然后将适应度高于f_above的粒子，视为标准粒子，将适应度低于f_below的粒子，视为混沌粒子，其余粒子视为观察粒子；数学表达式为式(6)～(8)：

$f_{\mathrm{avg}}=\frac{1}{n}\underset{i=1}{\stackrel{n}{\mathrm{\Σ}}}{f}_i---\left(6\right)$

$f_{\mathrm{above}}=\frac{1}{n_{\mathrm{above}}}\underset{j=1}{\overset{n_{\mathrm{above}}}{\mathrm{\Σ}}}{f}_j---\left(7\right)$

$f_{\mathrm{below}}=\frac{1}{n_{\mathrm{below}}}\underset{k=1}{\overset{n_{\mathrm{below}}}{\mathrm{\Σ}}}{f}_k---\left(8\right)$

上式中，n是种群规模，n_above是适应度高于f_avg的粒子数量，n_below是适应度低于f_avg的粒子数量。

5.根据权利要求4所述的方法，其特征在于，所述步骤S5进一步包括：

根据步骤S42所述的评判标准将种群分类；并确定每个粒子的属性，即标准粒子，混沌粒子和观察粒子。

6.根据权利要求5所述的方法，其特征在于，所述步骤S6进一步包括：对于标准粒子，根据式(9)与(10)自动更新其速度与位置，并计算适应度；

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id(t)-x_id(t))+c₂r₂(p_gd(t)-x_id(t))    (9)

x_id(t+1)＝x_id(t)+v_id(t+1)i＝1，2，…，n，d＝1，2，…，D    (10)

上式中v_id(t)是粒子i在第t次迭代中在d维度下的速度；x_id(t)是粒子i在第t次迭代中在d维度下的位置；r₁和r₂是在区间[0，1]上的保持群体多样性的随机数；c₁和c₂是加速系数，又称学习因子，用以帮助调节粒子速度和位置；ω是惯性因子；i＝1，2，...，n是粒子个数；d＝1，2，...，D；k是迭代次数。

7.根据权利要求5或6所述的方法，其特征在于，所述步骤S7进一步包括：S7：对于混沌粒子进行混沌映射变换，更新速度位置，并进行适应度计算。

通过式(11)进行混沌变换：

x_i+1＝μx_i(1-x_i)    (11)

上式中，当μ∈[3.57，4]，x_i∈(0，1)且

时，得到混沌现象，此时的x_i会遍历空间(0，1)。

8.根据权利要求7所述的方法，其特征在于，所述步骤S8进一步包括：对于观察粒子，同时进行标准变换和混沌映射变换并计算适应度；同样通过式(9)～(11)进行相应的计算。

9.根据权利要求8所述的方法，其特征在于，步骤S9中，当个体的当前适应度高于个体历史最优值则用新的适应度代替个体最优值，否则不予替换；同理，对于群体最优值亦是如此。

10.根据权利要求9所述的方法，其特征在于，步骤S10中，该方法有两个终止条件：(1)设定迭代次数k，当迭代次数达到看时则就满足终止条件，输出结果；(2)前后两次群体最优值之差的绝对值小于10^-6时满足终止条件，输出结果。

Images