CN112926245B - 一种基于混和遗传-田口算法的避雷器均压环设计方法 - Google Patents
一种基于混和遗传-田口算法的避雷器均压环设计方法 Download PDFInfo
- Publication number
- CN112926245B CN112926245B CN202110203916.7A CN202110203916A CN112926245B CN 112926245 B CN112926245 B CN 112926245B CN 202110203916 A CN202110203916 A CN 202110203916A CN 112926245 B CN112926245 B CN 112926245B
- Authority
- CN
- China
- Prior art keywords
- population
- population data
- data
- optimized
- grading ring
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Thermistors And Varistors (AREA)
Abstract
本发明提供一种基于混和遗传‑田口算法的避雷器均压环设计方法,初始化避雷器均压环的待优化参数,生成初始种群表;对初始种群数据分别进行交叉操作和变异操作;求出交叉后的种群数据和变异后的种群数据的自适应度;按照自适应度从小到大的顺序排列种群数据;对自适应度最小的种群数据进行进一步的局部优化,得到田口优化种群;田口优化种群的自适应度是否小于最小自适应度,如果是则更新最小自适应度为该值并保存对应的种群数据到单次迭代种群,重复设定的迭代次数后选出最优避雷器均压环参数。本发明利用了遗传算法搜索范围广的特点,又结合了田口方法进行了进一步的局部优化,在保证搜索广度的同时提高了收敛速度。
Description
技术领域
本发明涉及工业设计领域,具体涉及一种基于混和遗传-田口算法的避雷器均压环设计方法。
背景技术
避雷器作为高压输电系统中的重要元件,起着防止雷电冲击和操作过电压冲击的重要作用。由于氧化锌型避雷器的分布电容的影响,其阀片所承受的电压呈现不均匀分布,具体表现为高压端阀片所承受的电压比低压端的高,长期的电压分布不均将影响避雷器的寿命,严重时还会引发发热甚至爆炸。设置好参数匹配的均压环,可以有效的缓解避雷器阀片电压分布不均匀的问题。
目前,对于避雷器均压环的设计大多采用自身经验结合有限元仿真软件进行设计。一方面不同型号的避雷器其非线性程度有所不同,设计经验可能有所差别,对设计人员的要求较高;另一方面,由于避雷器仿真不断修改需要重复劳动,比较花费设计人员时间。目前,现有技术中有些论文和专利也有不少利用遗传算法结合有限元二次开发设计避雷器均压环。但是,单纯的全局搜索或局部搜索方法在优化的过程中都存在一定的局限性。
发明内容
本发明的目的是提供一种基于混和遗传-田口算法的避雷器均压环设计方法,可以解决现有技术中的单纯的全局搜索或局部搜索方法在优化的过程中都存在局限性的问题。
本发明的目的是通过以下技术方案实现的:
一种基于混和遗传-田口算法的避雷器均压环设计方法,包括以下步骤:
步骤1、初始化避雷器均压环的待优化参数、适应度函数和约束条件;
步骤2、设置种群参数,生成初始种群表;
步骤3、对初始种群数据中的一部分种群数据进行交叉操作,得到交叉后的种群数据;
步骤4、对初始种群数据中的其余种群数据进行变异操作,得到变异后的种群数据;
步骤5、利用有限元软件求取交叉后的种群数据和变异后的种群数据的自适应度;并舍弃均压环局部场强最大值大于设定值的种群数据,重复步骤3,随机生成一个种群数据代替均压环局部场强最大值大于设定值的种群数据;
步骤6、按照自适应度从小到大的顺序排列种群数据;将排列第一的最优种群数据存入单次迭代种群o;初始化自适应度最小的种群数据k,使k=o,其自适应度Qmin为最小自适应度;
步骤7、采用田口算法对自适应度最小的种群数据进行进一步的局部优化,得到田口优化种群;
步骤8、结合有限元仿真判断田口优化种群的自适应度是否小于最小自适应度Qmin,如果是则更新最小自适应度Qmin为该值并保存对应的种群数据到单次迭代种群o,并用对应的种群数据替换步骤6中排列第一的最优种群数据,重复步骤3至步骤8共b次;
步骤9、将最终单次迭代种群o中保存的参数作为设计后的避雷器均压环参数,对应的自适应度作为均压环避雷器的性能指标。
进一步的,所述的待优化参数包括第一均压环半径Φ1、第二均压环半径Φ2、第一均压环罩入深度H1、第二均压环罩入深度H2、第一均压环和第二均压环的钢管横截面半径r。
进一步的,以避雷器阀片承受电压不均匀度最小为适应度函数,以局部场强最大值小于设定值为约束条件。
进一步的,所述的种群参数包括种群数量a和迭代次数b,所述的种群数量为偶数。
进一步的,所述步骤2中生成初始种群表的方法为:
步骤201、按顺序给待优化参数编码;
步骤202、分别设置每一个待优化参数的数值区间;
步骤203、在每一个待优化参数的数值区间内随机选择一个数,所有待优化参数的数字按编码顺序组合在一起,生成一个初始种群数据;重新随机选择数据,共生成a个初始种群数据;并判断不同初始种群数据中的同一个待优化参数是否相同,如果是,则重新选择,直至同一个待优化参数在每个初始种群数据中都不相同。
进一步的,对初始种群数据进行交叉操作的方法为:
确定交叉的概率pc,根据初始种群数据个数和交叉的概率,确定要进行交叉操作的父代种群数据的个数,并将交叉操作的父代种群数据两两一组;在编码的最大值和最小值之间随机产生一个数字ci作为每组种群数据的交叉位置点,对交叉位置点之后的待优化参数进行种群与种群之间的位置互换的操作。
进一步的,对初始种群数据中的其余种群数据进行变异操作的方法为:
选取初始种群数据中除了交叉操作的种群数据外的其余种群数据作为变异操作的父代数据;在编码的最大值和最小值之间随机产生一个数字dj作为每个种群数据的变异位置,并在变异位置所在的待优化参数的数值区间内,改变该待优化参数的数值。
进一步的,所述的自适应度的计算公式如下:
Q为自适应度值,Vi为第i个电阻片的实际承担的电压值,Umax为避雷器高压法兰施加的电位值,n为避雷器阀片片数。
进一步的,所述步骤7包括:
步骤701、设定参数变化幅度△i,产生三组实验因子o-△i,o和o+△i;
步骤702、通过查找5因素3水平的正交表组建正交实验表,并依次进行有限元仿真分析,得到其自适应度值;
步骤703、统计单个待优化参数对避雷器性能指标的影响,优选出最终的田口优化种群。
进一步的,所述的设定值为2.2MV/m。
本发明利用了全局搜索算法(遗传算法)搜索范围广的特点,又结合了工业局部设计方法(田口方法)进行了进一步的局部优化,在保证搜索广度的同时提高了收敛速度。不需要设计人员具备更多的专业知识和经验,就可以设计出满足条件的较优解,对避雷器均压环参数设计和优化具有较大的指导意义,大大减小了设计人员的设计任务量,提高了产品的质量,尤其对于设计非标准型号的避雷器均压环具有更重要的意义。
附图说明
图1是本发明实施例提供的基于混和遗传田口算法的避雷器均压环智能设计流程图;
图2是避雷器主要优化参数结构示意图;
图3是分别采用混和遗传田口算法和遗传算法得到的迭代对比图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
本发明的一种基于混和遗传-田口算法的避雷器均压环设计方法,包括以下步骤:
步骤1、初始化避雷器均压环的待优化参数、适应度函数和约束条件。
本实施例中,待优化参数包括第一均压环(半径较大的均压环)半径Φ1、第二均压环(半径较小的均压环)半径Φ2、第一均压环罩入深度H1、第二均压环罩入深度H2、第一均压环和第二均压环的钢管横截面半径r,共5个待优化参数。待优化参数的个数及参数名称不能作为对本发明的限制。
以避雷器阀片承受电压不均匀度最小为适应度函数,以局部场强最大值小于设定值为约束条件。在本实施例中,设定值优选为2.2MV/m。设定值的具体数值不应作为对本发明的限制。所述的避雷器为500kV氧化锌型避雷器。
步骤2、设置种群参数,根据待优化参数生成初始种群表。
进一步的,生成初始种群表的方法为:
步骤201、按顺序给待优化参数编码。
种群是由待优化参数组成的数据群。种群参数包括种群数量和迭代次数。设置种群数量为a(a为偶数)、迭代次数为b次。按顺序给待优化参数编码。例如,本实施例中顺序可以为:第一均压环和第二均压环的钢管横截面半径r为编码1,第二均压环半径Φ2为编码2,第二均压环罩入深度H2为编码3,第一均压环半径Φ1为编码4,第一均压环罩入深度H1为编码5。待优化参数的编码顺序不应作为对本发明的限制。
步骤202、分别设置每一个待优化参数的数值区间。
例如,设置钢管横截面半径40mm≤r≤55mm,第二均压环半径400mm≤φ2≤650mm,第二均压环罩入深度400mm≤H2≤650mm,第一均压环半径900mm≤φ1≤1300mm,第一均压环罩入深度1300mm≤H2≤2000mm。
步骤203、在每一种待优化参数的数值区间内随机选择一个数,所有待优化参数的数字按编码顺序组合在一起,生成一个初始种群数据。重新随机选择数据,共生成a个初始种群数据。并判断不同个初始种群数据中的同一个待优化参数是否相同,如果是,则重新选择,直至同一个待优化参数在每个初始种群数据中都不相同。
以上述数值区间为基础,设定a=10,随机生成10组初始种群数据如表1所示:
编码1 | 编码2 | 编码3 | 编码4 | 编码5 | |
种群1 | 50 | 465 | 487 | 1129 | 1722 |
种群2 | 52 | 532 | 400 | 950 | 1350 |
种群3 | 54 | 632 | 431 | 1003 | 1564 |
种群4 | 41 | 575 | 632 | 938 | 1876 |
种群5 | 53 | 529 | 583 | 1036 | 1435 |
种群6 | 48 | 451 | 573 | 1274 | 1589 |
种群7 | 51 | 527 | 451 | 1276 | 1914 |
种群8 | 43 | 483 | 558 | 1250 | 1394 |
种群9 | 54 | 558 | 647 | 1205 | 1325 |
种群10 | 53 | 402 | 579 | 1117 | 1318 |
表1
步骤3、对初始种群数据中的一部分种群数据进行交叉操作,得到交叉后的种群数据。
进一步的,对初始种群数据进行交叉操作的方法为:
确定交叉的概率pc(0≤pc≤1),根据初始种群数据个数和交叉的概率,确定要进行交叉操作的父代种群数据的个数,并将交叉操作的父代种群数据两两一组。在编码的最大值和最小值之间随机产生一个数字ci作为每组种群数据的交叉位置点,对交叉位置点之后的参数进行种群与种群之间的位置互换的操作。
例如,确定交叉的概率为0.6,确定要进行交叉操作的父代种群数据的个数10*0.6=6个,并在表1中取前6个两两一组,共3组。在编码1-5之间随机产生三个随机数字ci(i为进行交叉操作的种群数据组的序号,i=1,2,3)作为交叉的位置点。其中第一组种群数据的交叉位置点c1=2,第二组种群数据的交叉位置点c2=3,第三组种群数据的交叉位置点c3=1,进行交叉操作,得到交叉后的种群数据如表2所示:
参数1 | 参数2 | 参数3 | 参数4 | 参数5 | |
种群1 | 50 | 465 | 400 | 950 | 1350 |
种群2 | 52 | 532 | 487 | 1129 | 1722 |
种群3 | 54 | 632 | 431 | 938 | 1876 |
种群4 | 41 | 575 | 632 | 1003 | 1564 |
种群5 | 53 | 451 | 573 | 1274 | 1589 |
种群6 | 48 | 529 | 583 | 1036 | 1435 |
表2
步骤4、对初始种群数据中的其余种群数据进行变异操作,得到变异后的种群数据。
进一步的,对初始种群数据中的其余种群数据进行变异操作的方法为:
选取初始种群数据中除了交叉操作的种群数据外的其余种群数据作为变异操作的父代数据。在编码的最大值和最小值之间随机产生一个数字dj作为每个种群数据的变异位置,并在变异位置所在的待优化参数的数值区间内,改变该待优化参数的数值,即为变异操作。
表1中,前6个初始种群数据进行了交叉操作,因此选择后4个初始种群数据进行变异操作,确定要进行变异操作的父代数据的个数为10-6=4。在编码1-5之间随机产生4个随机数字dj(j为进行交叉操作的种群数据的序号,j=1,2,3,4)作为变异的位置点。其中,种群数据7的序号为1,变异位置为编码4的待优化参数,所以d1=4;种群数据8的序号为2,变异位置为编码3的待优化参数,所以d2=3;种群数据9的序号为3,变异位置为编码5的待优化参数,所以d3=5;种群数据10的序号为4,变异位置为编码1的待优化参数,所以d4=1。在上述变异位置处进行变异操作,得到变异后的种群数据如表3所示:
变量1 | 变量2 | 变量3 | 变量4 | 变量5 | |
种群7 | 51 | 527 | 451 | 987 | 1914 |
种群8 | 43 | 483 | 549 | 1250 | 1394 |
种群9 | 54 | 558 | 647 | 1205 | 1497 |
种群10 | 55 | 402 | 579 | 1117 | 1318 |
表3
步骤5、利用有限元软件求取交叉后的种群数据和变异后的种群数据的自适应度,并舍弃均压环局部场强最大值大于设定值的种群数据,重复步骤3,随机生成一个种群数据代替均压环局部场强最大值大于设定值的种群数据。
优选的,设定值为2.2MV/m。
利用有限元仿真软件搭建要求解的避雷器模型,采用脚本方式编程控制均压环的设计和仿真,利用仿真软件依次求取交叉操作后种群数据的承受电压不均匀度的最大值作为交叉后种群数据的适应度函数值。同时要校验仿真中是否存在均压环局部场强最大值大于2.2MV/m的情况。如果存在,将该组数据舍弃,并重复步骤3,随机生成该组种群数据。
利用有限元软件依次求取表2和表3中的种群数据的承受电压不均匀度的最大值作为该种群的自适应度。自适应度的计算公式如下:
其中,Q为自适应度值(避雷器阀片电压承担率最大值),Vi为第i个电阻片的实际承担的电压值,Umax为避雷器高压法兰施加的电位值,n为避雷器阀片片数。如果阀片电压均匀分布,Q应该等于1,Q越接近于1,则电压分布越均匀。
同时要校验仿真结果中均压环是否存在局部场强最大值大于2.2MV/m的情况。如果存在,将该种群数据舍弃,并重复步骤3,重新生成该种群数据。得到种群数据的自适应度值如表4所示:
表4
步骤6、按照自适应度从小到大的顺序排列种群数据。将排列第一的最优种群数据存入单次迭代种群o。初始化自适应度最小的种群数据k,使k=o,其自适应度Qmin为最小自适应度。
按照自适应度从小到大的顺序排列种群数据如表5所示。将排列第一的最优种群数据存入单次迭代种群o=[54,632,431,938,1876]。初始化自适应度最小的种群数据k,另k=o,即k=[54,632,431,938,1876],其自适应度为Qmin=1.096。
序号 | 种群 | 变量1 | 变量2 | 变量3 | 变量4 | 变量5 | 自适应度值 |
1 | 种群3 | 54 | 632 | 431 | 938 | 1876 | 1.096 |
2 | 种群9 | 54 | 558 | 647 | 1205 | 1497 | 1.104 |
3 | 种群5 | 53 | 451 | 573 | 1274 | 1589 | 1.117 |
4 | 种群2 | 52 | 532 | 487 | 1129 | 1722 | 1.118 |
5 | 种群7 | 51 | 527 | 451 | 987 | 1914 | 1.120 |
6 | 种群4 | 41 | 575 | 632 | 1003 | 1564 | 1.141 |
7 | 种群6 | 48 | 529 | 583 | 1036 | 1435 | 1.145 |
8 | 种群10 | 55 | 402 | 579 | 1117 | 1318 | 1.163 |
9 | 种群8 | 43 | 483 | 549 | 1250 | 1394 | 1.184 |
10 | 种群1 | 50 | 465 | 400 | 950 | 1350 | 1.188 |
表5
步骤7、采用田口算法对自适应度最小的种群数据进行进一步的局部优化,得到田口优化种群。
进一步的,步骤7包括:
步骤701、设定参数变化幅度△i(i=1,2,3,4,5),产生三组实验因子o-△i,o和o+△i。
设定参数变化幅度△1=1,△2=10,△3=10,△4=10,△5=10;产生三组实验因子o-△i,o和o+△i,如下表所示:
因子1 | 因子2 | 因子3 | 因子4 | 因子5 | |
水平1 | 53 | 622 | 421 | 928 | 1866 |
水平2 | 54 | 632 | 431 | 938 | 1876 |
水平3 | 55 | 642 | 441 | 948 | 1886 |
表6
步骤702、通过查找5因素3水平的正交表组建正交实验表,并依次进行有限元仿真分析,得到其自适应度值。
正交试验表如表7所示:
表7
步骤703、统计单个待优化参数对避雷器性能指标的影响,优选出最终的田口优化种群。
求取田口优化种群:为了统计单个待优化参数对避雷器均压环性能指标的影响,需要求解该待优化参数状态下自适应度值的平均数,得到性能指标平均值,性能指标平均值的计算公式如下:
表8
根据表8可知,田口优化种群为:因子1选水平3(55),因子2选水平3(642),因子3选水平3(441),因子4选水平1(928),因子5选水平3(1886),因此田口优化后种群为[55,642,441,928,1886]。
步骤8、结合有限元仿真判断田口优化种群的自适应度是否小于Qmin,如果是则更新Qmin为该值并保存对应的种群数据到单次迭代种群o,并用对应的种群数据替换步骤6中排列第一的最优种群数据,重复步骤3至步骤8共b次。
将田口优化后种群[55,642,441,928,1886]代入有限元软件进行仿真,得到其自适应度值1.086,同时校验仿真结果中均压环不存在局部场强最大值大于2.2MV/m的情况,满足条件。将田口优化后种群[55,642,441,928,1886]替换步骤6中序号1的种群,得到更新后种群。
步骤9、将最终单次迭代种群o中保存的参数作为设计后的避雷器均压环参数,对应的自适应度作为均压环避雷器的性能指标。
本发明的原理在于通过有限元软件二次开发,将步骤1至9程序化实现智能设计,遗传算法擅长全局搜索,田口法擅长局部寻优,通过将遗传算法和田口法相结合,进一步降低对均压环初始尺寸的要求并加快收敛速度,从而得到更接近最优解的设计结果。
图3展示了分别采用本发明方法和单纯采用遗传算法优化的迭代次数图,从图中可以看出,在同样的迭代次数下,本发明的方法能够跳出局部最优解从而找到更优解,具有优化避雷器均压环性能的优势。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或彼此可通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于混和遗传-田口算法的避雷器均压环设计方法,其特征在于,包括以下步骤:
步骤1、初始化避雷器均压环的待优化参数、适应度函数和约束条件,以避雷器阀片承受电压不均匀度最小为适应度函数,以局部场强最大值小于设定值为约束条件;
步骤2、设置种群参数,生成初始种群表;
步骤3、对初始种群数据中的一部分种群数据进行交叉操作,得到交叉后的种群数据;
步骤4、对初始种群数据中的其余种群数据进行变异操作,得到变异后的种群数据;
步骤5、利用有限元软件求取交叉后的种群数据和变异后的种群数据的自适应度,所述自适应度的计算公式为其中:Q为自适应度值,Vi为第i个电阻片的实际承担的电压值,Umax为避雷器高压法兰施加的电位值,n为避雷器阀片片数;并舍弃均压环局部场强最大值大于设定值的种群数据,重复步骤3,随机生成一个种群数据代替均压环局部场强最大值大于设定值的种群数据;
步骤6、按照自适应度从小到大的顺序排列种群数据;将排列第一的最优种群数据存入单次迭代种群o;初始化自适应度最小的种群数据k,使k=o,其自适应度Qmin为最小自适应度;
步骤7、采用田口算法对自适应度最小的种群数据进行进一步的局部优化,得到田口优化种群;
步骤8、结合有限元仿真判断田口优化种群的自适应度是否小于最小自适应度Qmin,如果是则更新最小自适应度Qmin为该值并保存对应的种群数据到单次迭代种群o,并用对应的种群数据替换步骤6中排列第一的最优种群数据,重复步骤3至步骤8共b次;
步骤9、将最终单次迭代种群o中保存的参数作为设计后的避雷器均压环参数,对应的自适应度作为均压环避雷器的性能指标。
2.根据权利要求1所述的基于混和遗传-田口算法的避雷器均压环设计方法,其特征在于,所述的待优化参数包括第一均压环半径Φ1、第二均压环半径Φ2、第一均压环罩入深度H1、第二均压环罩入深度H2、第一均压环和第二均压环的钢管横截面半径r。
3.根据权利要求1所述的基于混和遗传-田口算法的避雷器均压环设计方法,其特征在于,所述的种群参数包括种群数量a和迭代次数b,所述的种群数量为偶数。
4.根据权利要求1所述的基于混和遗传-田口算法的避雷器均压环设计方法,其特征在于,所述步骤2中生成初始种群表的方法为:
步骤201、按顺序给待优化参数编码;
步骤202、分别设置每一个待优化参数的数值区间;
步骤203、在每一个待优化参数的数值区间内随机选择一个数,所有待优化参数的数字按编码顺序组合在一起,生成一个初始种群数据;重新随机选择数据,共生成a个初始种群数据;并判断不同初始种群数据中的同一个待优化参数是否相同,如果是,则重新选择,直至同一个待优化参数在每个初始种群数据中都不相同。
5.根据权利要求1所述的基于混和遗传-田口算法的避雷器均压环设计方法,其特征在于,对初始种群数据进行交叉操作的方法为:
确定交叉的概率pc,根据初始种群数据个数和交叉的概率,确定要进行交叉操作的父代种群数据的个数,并将交叉操作的父代种群数据两两一组;在编码的最大值和最小值之间随机产生一个数字ci作为每组种群数据的交叉位置点,对交叉位置点之后的待优化参数进行种群与种群之间的位置互换的操作。
6.根据权利要求1所述的基于混和遗传-田口算法的避雷器均压环设计方法,其特征在于,对初始种群数据中的其余种群数据进行变异操作的方法为:
选取初始种群数据中除了交叉操作的种群数据外的其余种群数据作为变异操作的父代数据;在编码的最大值和最小值之间随机产生一个数字dj作为每个种群数据的变异位置,并在变异位置所在的待优化参数的数值区间内,改变该待优化参数的数值。
7.根据权利要求1所述的基于混和遗传-田口算法的避雷器均压环设计方法,其特征在于,所述步骤6包括:
步骤601、设定参数变化幅度△i,产生三组实验因子o-△i,o和o+△i;
步骤602、通过查找5因素3水平的正交表组建正交实验表,并依次进行有限元仿真分析,得到其自适应度值;
步骤603、统计单个待优化参数对避雷器性能指标的影响,优选出最终的田口优化种群。
8.根据权利要求1所述的基于混和遗传-田口算法的避雷器均压环设计方法,其特征在于,所述的设定值为2.2MV/m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110203916.7A CN112926245B (zh) | 2021-02-23 | 2021-02-23 | 一种基于混和遗传-田口算法的避雷器均压环设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110203916.7A CN112926245B (zh) | 2021-02-23 | 2021-02-23 | 一种基于混和遗传-田口算法的避雷器均压环设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926245A CN112926245A (zh) | 2021-06-08 |
CN112926245B true CN112926245B (zh) | 2022-12-16 |
Family
ID=76170654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110203916.7A Active CN112926245B (zh) | 2021-02-23 | 2021-02-23 | 一种基于混和遗传-田口算法的避雷器均压环设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926245B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272756B (zh) * | 2023-11-14 | 2024-07-02 | 江苏勇龙电气有限公司 | 一种gil组合式超高压套管用均压环的设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945045A (zh) * | 2017-11-29 | 2018-04-20 | 沈阳工业大学 | 一种基于粒子群遗传算法的再制造装配过程的选配方法 |
CN110930182A (zh) * | 2019-11-08 | 2020-03-27 | 中国农业大学 | 基于改进粒子群优化算法的客户分类方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913122A (zh) * | 2015-09-09 | 2016-08-31 | 广东技术师范学院 | 基于混合田口遗传算法的精车轴套表面残余应力预测方法 |
CN108846472A (zh) * | 2018-06-05 | 2018-11-20 | 北京航空航天大学 | 一种自适应遗传粒子群混合算法的优化方法 |
CA3128957A1 (en) * | 2019-03-04 | 2020-03-03 | Bhaskar Bhattacharyya | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
-
2021
- 2021-02-23 CN CN202110203916.7A patent/CN112926245B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945045A (zh) * | 2017-11-29 | 2018-04-20 | 沈阳工业大学 | 一种基于粒子群遗传算法的再制造装配过程的选配方法 |
CN110930182A (zh) * | 2019-11-08 | 2020-03-27 | 中国农业大学 | 基于改进粒子群优化算法的客户分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112926245A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110838590B (zh) | 一种质子交换膜燃料电池气体供应控制系统及方法 | |
CN112926245B (zh) | 一种基于混和遗传-田口算法的避雷器均压环设计方法 | |
CN101118611A (zh) | 基于遗传算法的业务过程模型资源配置优化方法 | |
CN112686474B (zh) | 一种基于改进的水波优化算法的可并行装配线平衡方法 | |
CN108108883B (zh) | 一种基于聚类算法的车辆调度网络弹性简化方法 | |
CN108053032A (zh) | 一种基于遗传算法的数据模型训练样本的选取方法 | |
CN110826798A (zh) | 一种储能系统定容选址方法 | |
CN116258078A (zh) | 大规模水库群多目标防洪优化方法及装置 | |
Aman et al. | Discrete evolutionary programming to solve network reconfiguration problem | |
CN117910639A (zh) | 一种配电网可靠性优化方法及系统 | |
CN114264912B (zh) | 一种基于改进Jaya算法的多源配电网故障定位方法 | |
CN115526393B (zh) | 一种基于变电工程关键影响因素筛选的造价预测方法 | |
CN116304198A (zh) | 一种基于图团体检测和改进遗传的保护定值整定优化方法 | |
Jalili et al. | Application of taboo search and genetic algorithm in planning and optimization of UMTS radio networks | |
CN104103022A (zh) | 一种10kV配电线路无功补偿多目标优化配置方法 | |
CN107994572A (zh) | 一种配电网可靠性提升措施适用性量化分析方法 | |
CN112488474B (zh) | 一种能源互联网综合能耗模型及参数辨识方法 | |
CN113919721A (zh) | 一种可靠性与经济性相协调的分布式电源多目标规划方法 | |
Bin et al. | A genetic clustering method based on variable length string | |
CN117543048B (zh) | 一种质子交换膜燃料电池的阴极流场结构设计方法及系统 | |
CN116050936A (zh) | 一种基于双编码遗传聚类的动力电池定制化配组方法 | |
CN114565241B (zh) | 一种计及碳成本的电-气综合能源系统调度方法及装置 | |
Hoffmann et al. | Applying genetic algorithms to the information sets search problem | |
CN117353330A (zh) | 基于磁控变压器的配电网无功优化方法及系统 | |
CN112366725A (zh) | 配电网用静止无功发生器容量及安装位置选择方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |