CN112763868B - 一种基于免疫粒子群的局部放电源定位方法和系统 - Google Patents

Abstract

本申请公开了一种基于免疫粒子群的局部放电源定位方法和系统，构建变压器的空间模型，构造速度因子和相对传播因子矩阵，充分反映变压器内部的电磁波传播情况；根据空间中随机分布的粒子，计算粒子与已知电磁传感器的坐标差作为真实距离，然后通过累计功率能量曲线以及模型结构计算得到放电源与电磁传感器之间的距离差作为估计距离，其次将真实距离与估计距离之差作为适应度函数，最后通过算法在三维空间中迭代搜索，其算法的最优粒子即为定位位置。解决了现有的局部放电源定位方法的定位精度依赖于传感器的位置，存在局限性的技术问题。

Description

一种基于免疫粒子群的局部放电源定位方法和系统

技术领域

本申请涉及局部放电检测技术领域，尤其涉及一种基于免疫粒子群的局部放电源定位方法和系统。

背景技术

局部放电(Partial Discharge，PD)是高压电气设备绝缘劣化的早期迹象，因此局部放电检测可以作为设备绝缘状态评估的有效手段。电力设备的运行状态直接影响着整个电网的稳定运行，局部放电不仅是绝缘故障产生的重要原因，也是绝缘劣化程度的主要评估手段，因此对于现场的电力设备，获得局部放电的具体位置将有助于提高电网运行效率的安全性。

目前的局部放电源定位是根据接受到的波形到达时间差法(TDOA)、根据到达方向角法(DOA)、根据信号往返时间法(ROTF)定位，以及根据接收到的信号幅度(RSSI)法来定位，但是，由于现场存在噪声例如电磁干扰或环境噪声，而以上现有的方法的局部放电源定位精度与电磁传感器的位置密切相关，定位精度依赖于电磁传感器的位置，存在局限性。

发明内容

本申请提供了一种基于免疫粒子群的局部放电源定位方法和系统，用于解决现有的局部放电源定位方法的定位精度依赖于电磁传感器的位置，存在局限性的技术问题。

有鉴于此，本申请第一方面提供了一种基于免疫粒子群的局部放电源定位方法，包括：

在变压器内部放入4个以上的电磁传感器，记录各个电磁传感器的坐标信息；

获取各个电磁传感器在变压器发生局部放电时接收到局部放电信号的时间；

建立变压器空间模型，获得变压器内部节点的相对传播因子矩阵；

通过累积能量曲线获得局部放电信号到达各个电磁传感器的时间差，采用最小二乘法求得局部放电信号到达各个电磁传感器的真实距离；

基于费马定理，通过免疫粒子群算法计算局部放电信号与电磁传感器的最短距离，得到估计距离；

将真实距离与估计距离之差作为免疫粒子群算法的适应度函数；

通过免疫粒子群算法寻找最优解，得到局部放电源定位位置。

可选地，通过免疫粒子群算法寻找最优解，得到局部放电源定位位置，包括：

初始化粒子群算法参数，并设置最大迭代次数；

根据适应度函数计算当前粒子的适应度，更新粒子位置；

若迭代次数达到最大迭代次数或适应度达到最佳适应度，则结束寻优，输出最优解，否则，将适应度在预置阈值以上的抗体存入记忆库中作为免疫记忆细胞，加入新的粒子种群，对于适应度小于预置阈值的粒子，更新粒子速度和粒子位置，将更新步长在预设范围内的粒子加入新的免疫记忆细胞所在的新的粒子种群，否则再次迭代寻找最优粒子，返回计算粒子的适应度；

计算新的粒子种群中每个粒子的选择概率，筛选选择概率在概率阈值以上的粒子，组成新的抗体群；

从新的抗体群中接种疫苗，获取选择适应度最大的两个可行解进行交叉和变异操作，更新种群，计算种群中的粒子适应度，若适应度大于最佳适应度，则接受最优定位解，否则返回判断迭代次数的步骤。

可选地，相对传播因子的计算公式为：

其中，μ_winding为电磁波在变压器绕组中传播的衰减系数，w为油隙宽度，d为变压器空间模型的网格边长。

可选地，局部放电信号到达各个电磁传感器的真实距离为：

其中，(x,y,z)为局部放电源的坐标，(x_i,y_i,z_i)为第i个电磁传感器的坐标。

可选地，计算新的粒子种群中每个粒子的选择概率的计算公式为：

其中，i＝1，2，…，n，x_i为第i个粒子，F(x_i)为第i个粒子的适应度函数值，p(x_i)为第i个粒子的选择概率。

可选地，适应度函数为：

F(x_i)＝1/cost(x_i)

其中，x_i为第i个粒子，cost(x_i)为损失函数，

为通过免疫粒子群算法求解得出的第i个粒子到第m个电磁互感器之间的估计距离，

为局部放电源到第m个电磁传感器之间电磁波传播的真实距离，N_s为变压器内部的电磁传感器数量，

为第i个粒子的位置更新速度，(i_Pi，j_Pi，k_Pi)代表第i个粒子的坐标，(i_gbest，j_gbest，k_gbest)为第i个粒子的历史最优坐标。

可选地，更新粒子位置的速度方程为：

其中，其中，

为第i个粒子的位置更新速度，

代表第i个粒子的坐标，(i_gbest，j_gbest，k_gbest)为第i个粒子的历史最优坐标。

可选地，粒子更新步长的计算公式为：

其中，cost(g_best)为全局最优粒子的损失函数，K为小于1的正因子。

本申请第二方面提供了一种基于免疫粒子群的局部放电源定位系统，包括：

电磁传感器坐标信息获取单元，用于获取变压器内部的电磁传感器的坐标信息，其中，变压器内部放入4个以上的电磁传感器；

信号接收时间获取单元，用于获取各个电磁传感器在变压器发生局部放电时接收到局部放电信号的时间；

建模单元，用于建立变压器空间模型，获得变压器内部节点的相对传播因子矩阵；

真实距离计算单元，用于通过累积能量曲线获得局部放电信号到达各个电磁传感器的时间差，采用最小二乘法求得局部放电信号到达各个电磁传感器的真实距离；

估计距离计算单元，用于基于费马定理，通过免疫粒子群算法计算局部放电信号与电磁传感器的最短距离，得到估计距离；

适应度函数单元，用于将真实距离与估计距离之差作为免疫粒子群算法的适应度函数；

免疫粒子群寻优单元，用于通过免疫粒子群算法寻找最优解，得到局部放电源定位位置。

可选地，免疫粒子群寻优单元具体用于：

初始化粒子群算法参数，并设置最大迭代次数；

根据适应度函数计算当前粒子的适应度，更新粒子位置；

若迭代次数达到最大迭代次数或适应度达到最佳适应度，则结束寻优，输出最优解，否则，将适应度在预置阈值以上的抗体存入记忆库中作为免疫记忆细胞，加入新的粒子种群，对于适应度小于预置阈值的粒子，更新粒子速度和粒子位置，将更新步长在预设范围内的粒子加入新的免疫记忆细胞所在的新的粒子种群，否则再次迭代寻找最优粒子，返回计算粒子的适应度；

计算新的粒子种群中每个粒子的选择概率，筛选选择概率在概率阈值以上的粒子，组成新的抗体群；

从新的抗体群中接种疫苗，获取选择适应度最大的两个可行解进行交叉和变异操作，更新种群，计算种群中的粒子适应度，若适应度大于最佳适应度，则接受最优定位解，否则返回判断迭代次数的步骤。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中提供了一种基于免疫粒子群的局部放电源定位方法，包括：在变压器内部放入4个以上的电磁传感器，记录各个电磁传感器的坐标信息；获取各个电磁传感器在变压器发生局部放电时接收到局部放电信号的时间；建立变压器空间模型，获得变压器内部节点的相对传播因子矩阵；通过累积能量曲线获得局部放电信号到达各个电磁传感器的时间差，采用最小二乘法求得局部放电信号到达各个电磁传感器的真实距离；基于费马定理，通过免疫粒子群算法计算局部放电信号与电磁传感器的最短距离，得到估计距离；将真实距离与估计距离之差作为免疫粒子群算法的适应度函数；通过免疫粒子群算法寻找最优解，得到局部放电源定位位置。

本申请提供的基于免疫粒子群的局部放电源定位方法，构建变压器的空间模型，构造速度因子和相对传播因子矩阵，充分反映变压器内部的电磁波传播情况；根据空间中随机分布的粒子，计算粒子与已知电磁传感器的坐标差作为真实距离，然后通过累计功率能量曲线以及模型结构计算得到放电源与电磁传感器之间的距离差作为估计距离，其次将真实距离与估计距离之差作为适应度函数，最后通过算法在三维空间中迭代搜索，其算法的最优粒子即为定位位置。利用免疫算法对粒子群算法进行改进，提高寻优能力，扩大解的搜索空间，提高算法的收敛速度；利用对信号到达时间差算法的优化提高到达时间准确度，进而提高放电源定位精度，对电磁传感器的位置没有要求，解决了现有的局部放电源定位方法的定位精度依赖于传感器的位置，存在局限性的技术问题。

附图说明

为了更清楚的说明本发明实施例或现有技术中的技术方案，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的介绍，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相关的附图。

图1为本申请实施例中提供的一种基于免疫粒子群的局部放电源定位方法的流程示意图；

图2为本申请实施例中提供的一种基于免疫粒子群的局部放电源定位方法的另一个流程示意图；

图3为本申请实施例中的变压器空间模型示意图；

图4为本申请实施例中的变压器空间模型框架的俯视图；

图5为本申请实施例中提供的一种基于免疫粒子群的局部放电源定位系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做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。

实施例1

为了便于理解，请参阅图1，本申请提供了一种基于免疫粒子群的局部放电源定位方法的一个实施例，包括：

步骤101、在变压器内部放入4个以上的电磁传感器，记录各个电磁传感器的坐标信息。

需要说明的是，本申请实施例中，在变压器内部随机放入4个以上的电磁传感器(或者用天线替代)，电磁传感器的数量用N_s表示，并记录各个电磁传感器的空间坐标信息(i_m,j_m,k_m)。

步骤102、获取各个电磁传感器在变压器发生局部放电时接收到局部放电信号的时间。

需要说明的是，利用电磁传感器在发生局部放电时接收到的电磁波信号，通过阈值法和累计能量法结合，识别局部放电信号的拐点，得到接收局部放电信号的时间，阈值法和累计能量法结合能够更好的减少噪声干扰的影响。

步骤103、建立变压器空间模型，获得变压器内部节点的相对传播因子矩阵。

需要说明的是，建立变压器空间模型，可以将变压器内部体积以边长d＝10mm为网格，然后变压器内部各个节点的坐标可以表示为(i*10,j*10,k*10)，即最终可由(i,j,k)分别表示各个节点，获得独立的相对传播因子三维矩阵。

步骤104、通过累积能量曲线获得局部放电信号到达各个电磁传感器的时间差，采用最小二乘法求得局部放电信号到达各个电磁传感器的真实距离。

需要说明的是，正常无局部放电现象发生时，电磁传感器接收到的信号电压应是变化幅度很小，累积能量曲线应表现为一条上升较为平缓的曲线；而当有局部放电现象发生时，放电源向外辐射，传感器接收到这个信号的时候将会有一个明显的拐点，该拐点即被看作是信号源到达不同传感器的首个时间。累积功率能量曲线由下式得到：

其中，v_i表示i时刻传感器接收到的电压信号幅值。

在实际情况中，噪声会对传感器采集到的信号具有干扰作用，有时会混淆局部放电信号的起始时间，因此，在累积能量的基础上设置阈值，将使能量累积曲线高于阈值的第一个信号点作为到达时间。

根据时差定位原理，根据各个传感器设定的坐标信息与其接收到局放源信号的首波时间，建立非线性方程组，求解局放源坐标，由下式得到：

其中，(x，y，z)表示局放源P的坐标，(x_i，y_i，z_i)表示传感器S_i的坐标，T为局放源信号传播到传感器S₁的时间间隔，v_oil为节点i在油中的速度，τ_i表示传感器S_i-1与传感器S_i接收到局放源信号的首波时间之差，i＝1，2，...，n。通过高斯牛顿法求解以上非线性方程组，建立误差函数：

f_i(P，T)＝(x-x_i)²+(y-y_i)²+(z-z_i)²-[v_oil(T+τ_i)]²

通过以下流程进行迭代求解使得误差函数达到最小。

(1)给定局放源信号坐标初始值P₀(x₀，y₀，z₀)，P₀可由下式得到：

则T₀初始值可由下式得到：

(2)对于第k次迭代，设定一个增量ΔP(Δx，Δy，Δz)，求出当前的雅可比矩阵

和误差

(3)求解增量方程，得到ΔP；

(4)若ΔP小于设定阈值，则停止迭代，否则令P_k+1＝P_k+ΔP，返回(2)继续迭代。

通过以上流程得到局放源坐标P(x，y，z)，计算求得局放源信号到达传感器S_i之间的真实距离

为减少计算量，忽略铁芯绕组等，直接将变压器内部各节点与传感器的位置坐标作差，得到直线距离，粗略的将其与d_e作比较，留下N个误差较小的节点作为初始粒子群。

步骤105、基于费马定理，通过免疫粒子群算法计算局部放电信号与电磁传感器的最短距离，得到估计距离。

需要说明的是，由于电磁波的传播特性，在不经过铁芯等金属障碍物的情况下，信号以近直线的方式传播，但电磁波经金属障碍物绕射后，依照费马最短波程原理，传感器接收到的超高频电磁波主要为绕组表面的爬行波，而完全贴合绕组表面的节点不太容易实现，故而选择避开电磁波无法传播的区域中最短的路径作为变压器中各节点到传感器的估计距离：

其中，f表示变压器内部各节点的传播矩阵，m＝2，3…N，表示第m个节点，l表示这条路径的长度，

表示变压器各节点到达传感器的最短距离，即传感器最早接收到电磁波时的距离。

将当前粒子群体的适应度值以及整个粒子群搜索到的最优位置(i_gbest，j_gbest，k_gbest)作为免疫记忆粒子存入记忆库中，判断是否满足结束条件，若满足结束条件，则停止运行并输出结果，否则，继续。

步骤106、将真实距离与估计距离之差作为免疫粒子群算法的适应度函数。

需要说明的是，适应度函数可以表示为F(x_i)＝1/cost(x_i)，其中，x_i为第i个粒子，cost(x_i)为损失函数，

为通过免疫粒子算法求解得出的第i个粒子到第m个传感器之间的估计距离，

为放电源到第m个传感器之间电磁波传播的真实距离，N_s为变压器内部的电磁传感器的数量。

步骤107、通过免疫粒子群算法寻找最优解，得到局部放电源定位位置。

需要说明的是，基于免疫粒子群算法在剔除一部分电磁波无法传输的节点后，更简化更准确的找到最佳定位源。

本申请实施例提供的基于免疫粒子群的局部放电源定位方法，构建变压器的空间模型，构造速度因子和相对传播因子矩阵，充分反映变压器内部的电磁波传播情况；根据空间中随机分布的粒子，计算粒子与已知电磁传感器的坐标差作为真实距离，然后通过累计功率能量曲线以及模型结构计算得到放电源与电磁传感器之间的距离差作为估计距离，其次将真实距离与估计距离之差作为适应度函数，最后通过算法在三维空间中迭代搜索，其算法的最优粒子即为定位位置。利用免疫算法对粒子群算法进行改进，提高寻优能力，扩大解的搜索空间，提高算法的收敛速度；利用对信号到达时间差算法的优化提高到达时间准确度，进而提高放电源定位精度，对电磁传感器的位置没有要求，解决了现有的局部放电源定位方法的定位精度依赖于电磁传感器的位置，存在局限性的技术问题。

需要说明的是，本申请实施例中的方法不限于应用在信号到达时间差算法中，还可用于电磁法EM中，在应用电磁法EM时，需要将损失函数中令时间误差最小更换为令电场强度误差最小即可。

实施例2

为了便于理解，请参阅图2至图4，本申请实施例中提供了一种基于免疫粒子群的局部放电源定位方法的另一个实施例，包括：

在变压器内部随机放入N_s个电磁传感器，并记录各个电磁传感器的坐标信息，以图4中放置的局部放放电源和电磁传感器的位置为例，将阈值法和累计能量法结合，得到信号到达时间。

建立变压器空间模型，如图3和图4所示，将其内部体积以边长d＝10mm划分为网格，然后变压器内部各个节点的坐标可表示为(i*10,j*10,k*10)，即最终可由(i,j,k)分别表示各个节点的位置坐标。

相对传播因子是衡量材料传输电磁波能量能力的一个指标，定义为与节点(i,j,k)处所用材料的衰减成反比。由于油占据了变压器油箱容积的绝大部分，而且大部分电磁波传播路径都在油中，在此假设油的相对传播系数为1，而电磁波不能通过导体传播，因此铁芯和铜盘的相对传播因子被设置为0，另一方面，径向油隙和孔允许电磁能量通过绕组传输。因此，如果w是油隙宽度(绕组宽度)，则位于油隙处的节点的相对传播因子计算公式为：

其中，μ_winding为电磁波在绕组中传播的衰减系数。判断只有当f不为0时，该节点才有可能作为粒子运动更新的方向。根据传播矩阵，选择每个立方体内部不在铁芯或绕组空间中的点，并将其视为可能的局部放电位置。

在此方法中，第一代粒子将会在空间中随机分布，设置粒子群为N，最大迭代次数为Miter，粒子的初始位置为(x,y,z)，初始速度为(v_x,v_y,v_z)。在该算法中粒子的位置始终会受到变压器模型坐标系范围的约束。

目标函数为获得变压器内放电源的位置，因此来设置适应度函数，计算当前粒子的适应度值，适应度值在本算法中也称为亲和度，即为可行解的匹配程度，将适应度值按从大到小排列，将亲和度较大的M个抗体存入记忆库中作为免疫细胞，即将M个可行的定位位置作为定位搜索过程中的最优解；当达到预设的最大迭代次数时或者达到最佳的适应度值时，结束计算。

损失函数以及适应度函数分别设置为：

F(x_i)＝1/cost(x_i)

通过粒子群找到的可行解到第i个电磁传感器之间的传输路径经过的粒子的过程中，一共经历的时间差，和第i个电磁传感器测量到的时间差，当它们越接近时，保留该可行解。

粒子在搜索空间中的初始位置对于减少求解问题所需的时间非常重要。其中损失函数值越小越好，适应度函数值越大越好。

根据时差定位原理，根据各个传感器设定的坐标信息与其接收到局放源信号的首波时间，建立非线性方程组，求解局放源坐标，由下式得到：

其中，(x,y,z)表示局放源P的坐标，(x_i,y_i,z_i)表示传感器S_i的坐标，T为局放源信号传播到传感器S₁的时间间隔，v_oil为节点i在油中的速度，τ_i表示传感器S_i-1与传感器S_i接收到局放源信号的首波时间之差，i＝2,…,n。通过高斯牛顿法求解以上非线性方程组，建立误差函数：

f_i(P,T)＝(x-x_i)²+(y-y_i)²+(z-z_i)²-(v_oilT+τ_i)²

通过以下流程进行迭代求解使得误差函数达到最小。

(2)给定局放源信号坐标初始值P₀(x₀,y₀,z₀)，P₀可由下式得到：

则T₀初始值可由下式得到：

(2)对于第k次迭代，设定一个增量ΔP(Δx,Δy,Δz)，求出当前的雅可比矩阵

和误差

(3)求解增量方程，得到ΔP；

(3)若ΔP小于设定阈值，则停止迭代，否则令P_k+1＝P_k+ΔP，返回(2)继续迭代。

通过以上流程得到局放源坐标P(x,y,z)，计算求得局放源信号到达传感器S_i之间的真实距离

其中，f表示变压器内部各节点的传播矩阵，m＝2，3...N，表示第m个节点，

表示变压器各节点到达传感器的距离，将其最短距离看作为传感器最早接收到电磁波时的距离。

当未达到预设的最大迭代次数时且未达到最佳的适应度值时，更新第i个粒子位置，更新粒子位置的速度方程为：

其中(i_gbest,j_gbest,k_gbest)是全局最优解的定位位置，而

代表第i个粒子当前的位置。

为了防止粒子的非常快或非常慢的运动，其运动长度被限制在最大和最小范围内。施加这些限制是因为这样一个事实：一方面，粒子的很长的运动长度会削弱对空间的有效搜索，另一方面，很短的运动长度会减慢粒子的收敛速度。第i个粒子的运动长度(即更新步长)为：

其中cost(x_i)和cost(g_best)分别是第i个粒子和全局最佳粒子的代价(即损失函数)，K是一个值小于1的正因子。当其他粒子改变它们的位置朝向最佳粒子时，全局最佳粒子周围的点被检查以获得更好的解决方案，从而迫使算法探索更广的区域。如果找到一个损失值更低的点，最好的粒子将被替换。调整粒子位置后，它们的代价是再次计算并选择最佳粒子。迭代这个过程，直到最佳粒子的代价函数低于预定义的错误标准，或者直到迭代次数超过允许的最大值。

根据以下公式计算得到的粒子种群中每个粒子的选择概率：

其中，i＝1,2，…，n，x_i表示第i个粒子，F(x_i)表示第i个粒子的亲和度函数值；P(x_i)表示第i个粒子的选择概率；根据所述选择概率的大小，选择出概率最大的n个粒子组成新的抗体群。

从获得的抗体群中接种疫苗获取选择适应度值最大的两个可行解进行交叉操作，保存其交集。计算其适应度值，若其适应度值小于最佳的适应度值，则接受该最优定位解，否则放弃，保留原值，返回判断迭代次数是否达到最大迭代次数。

实施例3

为了便于理解，请参阅图5，本申请中提供了一种基于免疫粒子群的局部放电源定位系统的实施例，包括：

电磁传感器坐标信息获取单元，用于获取变压器内部的电磁传感器的坐标信息，其中，变压器内部放入4个以上的电磁传感器；

信号接收时间获取单元，用于获取各个电磁传感器在变压器发生局部放电时接收到局部放电信号的时间；

建模单元，用于建立变压器空间模型，获得变压器内部节点的相对传播因子矩阵；

真实距离计算单元，用于通过累积能量曲线获得局部放电信号到达各个电磁传感器的时间差，采用最小二乘法求得局部放电信号到达各个电磁传感器的真实距离；

估计距离计算单元，用于基于费马定理，通过免疫粒子群算法计算局部放电信号与电磁传感器的最短距离，得到估计距离；

适应度函数单元，用于将真实距离与估计距离之差作为免疫粒子群算法的适应度函数；

免疫粒子群寻优单元，用于通过免疫粒子群算法寻找最优解，得到局部放电源定位位置。

进一步地，免疫粒子群寻优单元具体用于：

初始化粒子群算法参数，并设置最大迭代次数；

根据适应度函数计算当前粒子的适应度，更新粒子位置；

若迭代次数达到最大迭代次数或适应度达到最佳适应度，则结束寻优，输出最优解，否则，将适应度在预置阈值以上的抗体存入记忆库中作为免疫记忆细胞，加入新的粒子种群，对于适应度小于预置阈值的粒子，更新粒子速度和粒子位置，将更新步长在预设范围内的粒子加入新的免疫记忆细胞所在的新的粒子种群，否则再次迭代寻找最优粒子，返回计算粒子的适应度；

计算新的粒子种群中每个粒子的选择概率，筛选选择概率在概率阈值以上的粒子，组成新的抗体群；

从新的抗体群中接种疫苗，获取选择适应度最大的两个可行解进行交叉和变异操作，更新种群，计算种群中的粒子适应度，若适应度大于最佳适应度，则接受最优定位解，否则返回判断迭代次数的步骤。

本申请实施例中提供的基于免疫粒子群的局部放电源定位系统，用于执行前述实施例1或实施例2中的基于免疫粒子群的局部放电源定位方法，能够取得与实施例1和实施例2中的方法相同的技术效果，在此不再进行赘述。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各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；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种基于免疫粒子群的局部放电源定位方法，其特征在于，包括：

在变压器内部放入4个以上的电磁传感器，记录各个电磁传感器的坐标信息；

获取各个电磁传感器在变压器发生局部放电时接收到局部放电信号的时间；

建立变压器空间模型，获得变压器内部节点的相对传播因子矩阵；

通过累积能量曲线获得局部放电信号到达各个电磁传感器的时间差，采用最小二乘法求得局部放电信号到达各个电磁传感器的真实距离；

基于费马定理，通过免疫粒子群算法计算局部放电信号与电磁传感器的最短距离，得到估计距离；

将真实距离与估计距离之差作为免疫粒子群算法的适应度函数；

通过免疫粒子群算法寻找最优解，得到局部放电源定位位置；

通过免疫粒子群算法寻找最优解，得到局部放电源定位位置，包括：

初始化粒子群算法参数，并设置最大迭代次数；

根据适应度函数计算当前粒子的适应度，更新粒子位置；

若迭代次数达到最大迭代次数或适应度达到最佳适应度，则结束寻优，输出最优解，否则，将适应度在预置阈值以上的抗体存入记忆库中作为免疫记忆细胞，加入新的粒子种群，对于适应度小于预置阈值的粒子，更新粒子速度和粒子位置，将更新步长在预设范围内的粒子加入新的免疫记忆细胞所在的新的粒子种群，否则再次迭代寻找最优粒子，返回计算粒子的适应度；

计算新的粒子种群中每个粒子的选择概率，筛选选择概率在概率阈值以上的粒子，组成新的抗体群；

从新的抗体群中接种疫苗，获取选择适应度最大的两个可行解进行交叉和变异操作，更新种群，计算种群中的粒子适应度，若适应度大于最佳适应度，则接受最优定位解，否则返回判断迭代次数的步骤。

2.根据权利要求1所述的基于免疫粒子群的局部放电源定位方法，其特征在于，相对传播因子的计算公式为：

其中，μ_winding为电磁波在变压器绕组中传播的衰减系数，w为油隙宽度，d为变压器空间模型的网格边长。

3.根据权利要求2所述的基于免疫粒子群的局部放电源定位方法，其特征在于，局部放电信号到达各个电磁传感器的真实距离为：

其中，(x,y,z)为局部放电源的坐标，(x_i,y_i,z_i)为第i个电磁传感器的坐标。

4.根据权利要求3所述的基于免疫粒子群的局部放电源定位方法，其特征在于，计算新的粒子种群中每个粒子的选择概率的计算公式为：

其中，i＝1,2，…，n，x_i为第i个粒子，F(x_i)为第i个粒子的适应度函数值，p(x_i)为第i个粒子的选择概率。

5.根据权利要求4所述的基于免疫粒子群的局部放电源定位方法，其特征在于，适应度函数为：

F(x_i)＝1/cost(x_i)

其中，x_i为第i个粒子，cost(x_i)为损失函数，

为通过免疫粒子群算法求解得出的第i个粒子到第m个电磁互感器之间的估计距离，

为局部放电源到第m个电磁传感器之间电磁波传播的真实距离，N_s为变压器内部的电磁传感器数量。

6.根据权利要求5所述的基于免疫粒子群的局部放电源定位方法，其特征在于，更新粒子位置的速度方程为：

其中，

为第i个粒子的位置更新速度，

代表第i个粒子的坐标，(i_gbest，j_gbest，k_gbest)为第i个粒子的历史最优坐标。

7.根据权利要求6所述的基于免疫粒子群的局部放电源定位方法，其特征在于，粒子更新步长的计算公式为：

其中，cost(g_best)为全局最优粒子的损失函数，K为小于1的正因子。

8.一种基于免疫粒子群的局部放电源定位系统，其特征在于，包括：

电磁传感器坐标信息获取单元，用于获取变压器内部的电磁传感器的坐标信息，其中，变压器内部放入4个以上的电磁传感器；

信号接收时间获取单元，用于获取各个电磁传感器在变压器发生局部放电时接收到局部放电信号的时间；

建模单元，用于建立变压器空间模型，获得变压器内部节点的相对传播因子矩阵；

真实距离计算单元，用于通过累积能量曲线获得局部放电信号到达各个电磁传感器的时间差，采用最小二乘法求得局部放电信号到达各个电磁传感器的真实距离；

估计距离计算单元，用于基于费马定理，通过免疫粒子群算法计算局部放电信号与电磁传感器的最短距离，得到估计距离；

适应度函数单元，用于将真实距离与估计距离之差作为免疫粒子群算法的适应度函数；

免疫粒子群寻优单元，用于通过免疫粒子群算法寻找最优解，得到局部放电源定位位置；

免疫粒子群寻优单元具体用于：

初始化粒子群算法参数，并设置最大迭代次数；

根据适应度函数计算当前粒子的适应度，更新粒子位置；

若迭代次数达到最大迭代次数或适应度达到最佳适应度，则结束寻优，输出最优解，否则，将适应度在预置阈值以上的抗体存入记忆库中作为免疫记忆细胞，加入新的粒子种群，对于适应度小于预置阈值的粒子，更新粒子速度和粒子位置，将更新步长在预设范围内的粒子加入新的免疫记忆细胞所在的新的粒子种群，否则再次迭代寻找最优粒子，返回计算粒子的适应度；

计算新的粒子种群中每个粒子的选择概率，筛选选择概率在概率阈值以上的粒子，组成新的抗体群；

从新的抗体群中接种疫苗，获取选择适应度最大的两个可行解进行交叉和变异操作，更新种群，计算种群中的粒子适应度，若适应度大于最佳适应度，则接受最优定位解，否则返回判断迭代次数的步骤。

Images