CN111709552A - 一种快速获取输电线路复合绝缘子临界污闪电压方法 - Google Patents
一种快速获取输电线路复合绝缘子临界污闪电压方法 Download PDFInfo
- Publication number
- CN111709552A CN111709552A CN202010414615.4A CN202010414615A CN111709552A CN 111709552 A CN111709552 A CN 111709552A CN 202010414615 A CN202010414615 A CN 202010414615A CN 111709552 A CN111709552 A CN 111709552A
- Authority
- CN
- China
- Prior art keywords
- composite insulator
- pollution flashover
- algorithm
- migration
- transmission line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000002131 composite material Substances 0.000 title claims abstract description 48
- 230000005540 biological transmission Effects 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000011160 research Methods 0.000 claims abstract description 7
- 238000013508 migration Methods 0.000 claims description 46
- 230000005012 migration Effects 0.000 claims description 46
- 230000035772 mutation Effects 0.000 claims description 33
- 230000000739 chaotic effect Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 20
- 238000005291 chaos (dynamical) Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- 238000011423 initialization method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 19
- 150000003839 salts Chemical class 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 18
- 238000009413 insulation Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000009422 external insulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种快速获取输电线路复合绝缘子临界污闪电压方法,首先选定接触网常用的多种复合绝缘子作为研究对象,建立快速获取输电线路复合绝缘子临界闪络电压的方法模型;所述方法模型的架构基于改进生物地理学算法的优化BP神经网络。本发明通过人工污秽试验取得大量试验数据,利用CS‑BBO算法优化BP神经网络的方法对接触网复合绝缘子临界污闪电压、等值盐密及绝缘子自身参数之间关系进行建模。建立复合绝缘子临界污闪电压预测模型,实现了对接触网复合绝缘子临界污闪电压预测方法的初步探索。通过复合绝缘子临界污闪电压预测模型得出的预测值可作为污闪试验的参考数据,能够有效降低污闪试验的工作量,提高接触网复合绝缘子污闪试验研究的效率。
Description
技术领域
本发明涉及一种快速获取输电线路复合绝缘子临界污闪电压方法,属于输电线路运维技术领域。
背景技术
目前,我国对电能的需求量急剧上升,也对电能质量提出了更高的标准。输电线路绝缘子可靠的运行是要在大气过电压、内部过电压和长期运行电压下才能实现。然而随着市场经济的增长和社会工业化进程的加快,大气污染、雾霾等环境问题的渐渐突出,导致污闪事故的发生率呈上升趋势,线路绝缘子污闪事故时有发生。据相关人员统计,目前在电网事故次数总数中,由污秽而引起的绝缘闪络事故的发生次数已占第二位,仅仅次于雷害事故,但是污闪事故导致的损失却是雷害事故的10倍左右,对电力系统供电的可靠性产生了严重影响,也造成了巨大的经济损失。
绝缘子表面长期暴露在外界自然环境中,随着运行时间的增长,灰尘会逐步沉积形成污秽层。雨天等湿润环境下污秽层不可避免地受潮,在绝缘子的表面形成导电层,容易造成局部电弧,发展成为沿面闪络,即污闪。
50%耐受电压为绝缘子发生污闪的临界条件,表示绝缘子在特定染污程度以及环境条件下的临界污秽闪络耐压值,是人工污秽试验的重要试验项目之一。其值表示绝缘子在承受此电压时处于临界闪络状态,是一个评价绝缘子的污秽耐压性能的重要指标。
利用50%耐受电压梯度可以进一步分析绝缘子的闪络特性。低压输电线路及高压输电线路而言,50%闪络电压都是进行绝缘配合的重要参数,用以对工程的绝缘设计提供指导。因此需要进一步探索更为简便快速的临界闪络电压获取方法。
发明内容
本发明所要解决的技术问题是提供一种快速获取输电线路复合绝缘子临界污闪电压方法,能够更加准确地获取复合绝缘子临界污闪电压,模型输出值作为污闪试验的参考,可以降低污闪试验工作量,同时为输电线路绝缘子的结构优化和选型提供一种新的思路与方法。
为解决上述问题,本发明所采取的技术方案是:
一种快速获取输电线路复合绝缘子临界污闪电压方法,首先选定接触网常用的多种复合绝缘子作为研究对象,建立快速获取输电线路复合绝缘子临界闪络电压的方法模型;
所述方法模型的架构基于改进生物地理学算法的优化 BP 神经网络。
作为本发明的进一步改进,
所述生物地理学算法通过建立栖息地物种数量与迁入率和迁出率的迁移模型,依靠相邻个体的迁移和个别个体的突变,从而达到寻求目标函数全局最优解的目的;
在生物地理学中,个体对应生物地理学数学模型中的栖息地;个体的变量对应模型中适应度指数变量SIV;个体的适应度对应模型中栖息地适应度指数HSI;优秀个体对应模型中HSI较高的栖息地;
所述生物地理学算法包括初始化、迁移操作和变异操作等 3 个步骤。
作为本发明的进一步改进,
将混沌理论引入到生物地理学算法中,提出一种基于混沌理论的生物地理学优化算法,
所述生物地理学算法的改进包括初始化方法的变化、迁移策略的调整、变异策略的调整和最终解确定方法的变化。
作为本发明的进一步改进,
初始化方法的变化:生物地理学算法的种群初始化方法为整数编码,在基于混沌理论的生物地理学优化算法中构建混沌初始化,利用实数编码和分段 logistic 混沌映射生成初始栖息地 SIV。
作为本发明的进一步改进,
所述迁移策略的调整:生物地理学算法采用的是离散迁移机制,对迁移机制引入方向性的扰动,采用混合迁移策略使迁移替代具有趋向性,增强了局部搜索能力。
作为本发明的进一步改进,
变异策略的调整:引入退化混沌变异算子来模拟进化过程,即在变异的过程中根据进化的不同阶段设置不同的变异率,通过变异算子控制变异行为。
作为本发明的进一步改进,
最终解确定方法的变化:首先利用生物地理学算法得到一组解集,在这组解的基础上进行混沌迭代搜素,生成一组新的解集;计算并比较这两组解集的HSI,HSI最优对应的那个解集即为最终解集。
作为本发明的进一步改进,
利用基于混沌理论的生物地理学优化算法作为学习算法来优化BP神经网络的权值和阈值,来弥补BP神经网络算法易陷入局部最优的缺陷。
作为本发明的进一步改进,
基于混沌理论的生物地理学优化算法作为学习算法来优化BP神经网络的流程为:
S1,混沌初始化BP神经网络的参数,确定网络结构,设定网络输入层、输出层和隐含层神经元个数;
S2,初始化CS-BBO算法的最大种群数量Smax,最大迁移率Imax,Emax,最大变异率mmax,栖息地个数NP参数;
S3,在栖息地适应度向量与BP神经网络权值、阈值之间完成映射,求出每个个体的适应度值并映射给每个物种,当适应度函数J达到最小或达到最大迭代次数时,输出最优解,否则进行步骤S4;
S4,计算每个栖息地的迁入、迁出率,运用混合迁移策略执行迁移操作,对群体执行基于退化混沌变异算子的变异操作来更新物种,对得到的新物种群体进行最终的混沌搜索,重新计算各个栖息地的适应度值,保留最优解;
S5,判断是否满足停止条件,若满足条件则停止,输出最优解,否则返回到步骤S3进行下一次迭代。
S6,将基于混沌理论的生物地理学优化算法优化BP神经网络后得到的优化初值作为BP神经网络的初始权值和阈值,对网络进行训练,检验网络泛化能力,得到最佳网络模型。
作为本发明的进一步改进,
多种复合绝缘子为接触网常用的11种复合绝缘子。
采用上述技术方案所产生的有益效果在于:
1)通过人工污秽试验取得大量试验数据,利用CS-BBO算法优化BP神经网络的方法对接触网复合绝缘子临界污闪电压、等值盐密及绝缘子自身参数之间关系进行建模。建立复合绝缘子临界污闪电压预测模型,实现了对接触网复合绝缘子临界污闪电压预测方法的初步探索,为评估接触网线路的可靠性以及对新建线路外绝缘的选型和维护提供了一条新的思路。
2)接触网复合绝缘子种类繁多,对其进行临界污闪电压的试验研究花费的人力和物力很大,经济性不佳。通过复合绝缘子临界污闪电压预测模型得出的预测值可作为污闪试验的参考数据,能够有效降低污闪试验的工作量,提高接触网复合绝缘子污闪试验研究的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是CS-BBO 算法优化 BP 神经网络的流程图;
图2是生物地理学种群迁移简易模型;
图3是人工 BP 神经网络示意图;
图4是CS-BBO 算法和 BBO 算法分别优化 BP 神经网络的训练结果;
图5是11 种复合绝缘子试品参数。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。
因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外。
一种快速获取输电线路复合绝缘子临界污闪电压方法,首先选定接触网常用的多种复合绝缘子作为研究对象,建立快速获取输电线路复合绝缘子临界闪络电压的方法模型;
所述方法模型的架构基于改进生物地理学算法的优化 BP 神经网络。
作为本发明的进一步改进,
所述生物地理学算法通过建立栖息地物种数量与迁入率和迁出率的迁移模型,依靠相邻个体的迁移和个别个体的突变,从而达到寻求目标函数全局最优解的目的;
在生物地理学中,个体对应生物地理学数学模型中的栖息地;个体的变量对应模型中适应度指数变量SIV;个体的适应度对应模型中栖息地适应度指数HSI;优秀个体对应模型中HSI较高的栖息地;所述生物地理学算法,即BBO算法,BBO算法的简易迁移率模型如图2所示。
所述生物地理学算法包括初始化、迁移操作和变异操作等 3 个步骤。
作为本发明的进一步改进,
将混沌理论引入到生物地理学算法中,提出一种基于混沌理论的生物地理学优化算法,
所述生物地理学算法的改进包括初始化方法的变化、迁移策略的调整、变异策略的调整和最终解确定方法的变化。
作为本发明的进一步改进,
初始化方法的变化:生物地理学算法的种群初始化方法为整数编码,在基于混沌理论的生物地理学优化算法中构建混沌初始化,利用实数编码和分段 logistic 混沌映射生成初始栖息地 SIV。
作为本发明的进一步改进,
所述迁移策略的调整:生物地理学算法采用的是离散迁移机制,对迁移机制引入方向性的扰动,采用混合迁移策略使迁移替代具有趋向性,增强了局部搜索能力。
作为本发明的进一步改进,
变异策略的调整:引入退化混沌变异算子来模拟进化过程,即在变异的过程中根据进化的不同阶段设置不同的变异率,通过变异算子控制变异行为。
作为本发明的进一步改进,
最终解确定方法的变化:首先利用生物地理学算法得到一组解集,在这组解的基础上进行混沌迭代搜素,生成一组新的解集;计算并比较这两组解集的HSI,HSI最优对应的那个解集即为最终解集。
作为本发明的进一步改进,
利用基于混沌理论的生物地理学优化算法作为学习算法来优化BP神经网络的权值和阈值,来弥补BP神经网络算法易陷入局部最优的缺陷。
BP神经网络是一种依据误差逆传播进行训练的多层前馈网络,学习过程中有信号的正向传播与误差的反向传播,若正向传播计算的输出与期望的输出存在误差,则误差信号进行反向传播,通过调整权值与阈值,直到输出满意的结果。其网络模型包括:输入层、隐含层和输出层。多输入单输出3层BP神经网络结构如图3所示。
作为本发明的进一步改进,
如图1所示,基于混沌理论的生物地理学优化算法作为学习算法来优化BP神经网络,即CS-BBO 算法优化 BP 神经网络的流程为:
S1,混沌初始化BP神经网络的参数,确定网络结构,设定网络输入层、输出层和隐含层神经元个数;
S2,初始化CS-BBO算法的最大种群数量Smax,最大迁移率Imax,Emax,最大变异率mmax,栖息地个数NP参数;
S3,在栖息地适应度向量与BP神经网络权值、阈值之间完成映射,求出每个个体的适应度值并映射给每个物种,当适应度函数J达到最小或达到最大迭代次数时,输出最优解,否则进行步骤S4;
S4,计算每个栖息地的迁入、迁出率,运用混合迁移策略执行迁移操作,对群体执行基于退化混沌变异算子的变异操作来更新物种,对得到的新物种群体进行最终的混沌搜索,重新计算各个栖息地的适应度值,保留最优解;
S5,判断是否满足停止条件,若满足条件则停止,输出最优解,否则返回到步骤S3进行下一次迭代。
S6,将基于混沌理论的生物地理学优化算法优化BP神经网络后得到的优化初值作为BP神经网络的初始权值和阈值,对网络进行训练,检验网络泛化能力,得到最佳网络模型。
基于混沌理论的生物地理学优化算法,即CS-BBO算法,CS-BBO 算法和 BBO 算法分别优化 BP 神经网络的训练结果如图4所示。
结果分析,用训练好的 BP 神经网络预测复合绝缘子的临界污闪电压,测试样本的试验结果与预测结果对比如图4所示,快速获取输电线路复合绝缘子临界闪络电压的方法模型,即BBO-BP神经网络的预测结果与试验结果基本一致,最大误差为 8.80%,最小误差为 0.75%,其误差均小于 9%,能够满足现场应用的需要。
作为本发明的进一步改进,
多种复合绝缘子为接触网常用的11种复合绝缘子,如图5所示为11 种复合绝缘子试品参数。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;作为本领域技术人员对本发明的多个技术方案进行组合是显而易见的。而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种快速获取输电线路复合绝缘子临界污闪电压方法,其特征在于:首先选定接触网常用的多种复合绝缘子作为研究对象,建立快速获取输电线路复合绝缘子临界闪络电压的方法模型;
所述方法模型的架构基于改进生物地理学算法的优化 BP 神经网络。
2.根据权利要求1所述的一种快速获取输电线路复合绝缘子临界污闪电压方法,其特征在于:所述生物地理学算法通过建立栖息地物种数量与迁入率和迁出率的迁移模型,依靠相邻个体的迁移和个别个体的突变,从而达到寻求目标函数全局最优解的目的;
在生物地理学中,个体对应生物地理学数学模型中的栖息地;个体的变量对应模型中适应度指数变量SIV;个体的适应度对应模型中栖息地适应度指数HSI;优秀个体对应模型中HSI较高的栖息地;
所述生物地理学算法包括初始化、迁移操作和变异操作3个步骤。
3.根据权利要求2所述的一种快速获取输电线路复合绝缘子临界污闪电压方法,其特征在于:将混沌理论引入到生物地理学算法中,提出一种基于混沌理论的生物地理学优化算法,
所述生物地理学算法的改进包括初始化方法的变化、迁移策略的调整、变异策略的调整和最终解确定方法的变化。
4.根据权利要求3所述的一种快速获取输电线路复合绝缘子临界污闪电压方法,其特征在于:初始化方法的变化:生物地理学算法的种群初始化方法为整数编码,在基于混沌理论的生物地理学优化算法中构建混沌初始化,利用实数编码和分段 logistic 混沌映射生成初始栖息地 SIV。
5.根据权利要求4所述的一种快速获取输电线路复合绝缘子临界污闪电压方法,其特征在于:所述迁移策略的调整:生物地理学算法采用的是离散迁移机制,对迁移机制引入方向性的扰动,采用混合迁移策略使迁移替代具有趋向性,增强了局部搜索能力。
6.根据权利要求5所述的一种快速获取输电线路复合绝缘子临界污闪电压方法,其特征在于:变异策略的调整:引入退化混沌变异算子来模拟进化过程,即在变异的过程中根据进化的不同阶段设置不同的变异率,通过变异算子控制变异行为。
7.根据权利要求6所述的一种快速获取输电线路复合绝缘子临界污闪电压方法,其特征在于:最终解确定方法的变化:首先利用生物地理学算法得到一组解集,在这组解的基础上进行混沌迭代搜素,生成一组新的解集;计算并比较这两组解集的HSI,HSI最优对应的那个解集即为最终解集。
8.根据权利要求7所述的一种快速获取输电线路复合绝缘子临界污闪电压方法,其特征在于:利用基于混沌理论的生物地理学优化算法作为学习算法来优化BP神经网络的权值和阈值,来弥补BP神经网络算法易陷入局部最优的缺陷。
9.根据权利要求8所述的一种快速获取输电线路复合绝缘子临界污闪电压方法,其特征在于:基于混沌理论的生物地理学优化算法作为学习算法来优化BP神经网络的流程为:
S1,混沌初始化BP神经网络的参数,确定网络结构,设定网络输入层、输出层和隐含层神经元个数;
S2,初始化CS-BBO算法的最大种群数量Smax,最大迁移率Imax,Emax,最大变异率mmax,栖息地个数NP参数;
S3,在栖息地适应度向量与BP神经网络权值、阈值之间完成映射,求出每个个体的适应度值并映射给每个物种,当适应度函数J达到最小或达到最大迭代次数时,输出最优解,否则进行步骤S4;
S4,计算每个栖息地的迁入、迁出率,运用混合迁移策略执行迁移操作,对群体执行基于退化混沌变异算子的变异操作来更新物种,对得到的新物种群体进行最终的混沌搜索,重新计算各个栖息地的适应度值,保留最优解;
S5,判断是否满足停止条件,若满足条件则停止,输出最优解,否则返回到步骤S3进行下一次迭代;
S6,将基于混沌理论的生物地理学优化算法优化BP神经网络后得到的优化初值作为BP神经网络的初始权值和阈值,对网络进行训练,检验网络泛化能力,得到最佳网络模型。
10.根据权利要求1所述的一种快速获取输电线路复合绝缘子临界污闪电压方法,其特征在于:多种复合绝缘子为接触网常用的11种复合绝缘子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414615.4A CN111709552A (zh) | 2020-05-15 | 2020-05-15 | 一种快速获取输电线路复合绝缘子临界污闪电压方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414615.4A CN111709552A (zh) | 2020-05-15 | 2020-05-15 | 一种快速获取输电线路复合绝缘子临界污闪电压方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709552A true CN111709552A (zh) | 2020-09-25 |
Family
ID=72537874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414615.4A Pending CN111709552A (zh) | 2020-05-15 | 2020-05-15 | 一种快速获取输电线路复合绝缘子临界污闪电压方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709552A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113295700A (zh) * | 2021-05-11 | 2021-08-24 | 国网安徽省电力有限公司信息通信分公司 | 一种基于物联网的输电线路外绝缘状态监测方法及系统 |
-
2020
- 2020-05-15 CN CN202010414615.4A patent/CN111709552A/zh active Pending
Non-Patent Citations (2)
Title |
---|
王思华,曹丽明,高毓辰,李富明: "一种快速获取输电线路复合绝缘子临界污闪电压方法" * |
王思华等人: "接触网复合绝缘子污闪电压预测方法研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113295700A (zh) * | 2021-05-11 | 2021-08-24 | 国网安徽省电力有限公司信息通信分公司 | 一种基于物联网的输电线路外绝缘状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480775B (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
CN112464566B (zh) | 一种基于遗传算法及bp神经网络的变压器油温预测方法 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN110083951B (zh) | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 | |
CN112488395A (zh) | 一种配电网线损预测方法及系统 | |
CN104200096B (zh) | 基于微分进化算法和bp神经网络的避雷器均压环优化法 | |
CN105138717A (zh) | 一种动态变异粒子群优化神经网络的变压器状态评估方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
CN106815635A (zh) | 一种绝缘子表面等值附盐密度的预测系统及方法 | |
CN112329979A (zh) | 一种基于自适应深度残差网络的超短期风电功率预测方法 | |
CN111860947B (zh) | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN104502410A (zh) | 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 | |
CN111709552A (zh) | 一种快速获取输电线路复合绝缘子临界污闪电压方法 | |
CN111723516A (zh) | 基于自适应dnn替代模型的多目标海水入侵管理模型 | |
CN107688862B (zh) | 基于ba-grnn的绝缘子等值盐密积累速率预测方法 | |
CN105426959B (zh) | 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
Wang et al. | A genetic-algorithm-based two-stage learning scheme for neural networks | |
Zhang et al. | Regression prediction of material grinding particle size based on improved sparrow search algorithm to optimize BP neural network | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN116629625A (zh) | 一种基于神经网络模型的电网线损预测方法 | |
CN113850006A (zh) | 一种基于深度学习的复合绝缘子均压环结构设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |