CN116028871A - 采用改进海洋捕食者算法优化svm的gis设备pd类型判定方法 - Google Patents
采用改进海洋捕食者算法优化svm的gis设备pd类型判定方法 Download PDFInfo
- Publication number
- CN116028871A CN116028871A CN202211260293.8A CN202211260293A CN116028871A CN 116028871 A CN116028871 A CN 116028871A CN 202211260293 A CN202211260293 A CN 202211260293A CN 116028871 A CN116028871 A CN 116028871A
- Authority
- CN
- China
- Prior art keywords
- prey
- predator
- algorithm
- subgroup
- iteration
- 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
- 244000062645 predators Species 0.000 title claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 32
- 230000002441 reversible effect Effects 0.000 claims abstract description 21
- 208000015756 familial Alzheimer disease Diseases 0.000 claims abstract description 18
- 235000019162 flavin adenine dinucleotide Nutrition 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 230000000739 chaotic effect Effects 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 230000003094 perturbing effect Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000005653 Brownian motion process Effects 0.000 claims description 3
- 244000062662 apex predator Species 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004587 chromatography analysis Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000009413 insulation Methods 0.000 description 7
- 229910018503 SF6 Inorganic materials 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 4
- 229960000909 sulfur hexafluoride Drugs 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 241001334134 Rugopharynx epsilon Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及GIS设备PD类型判定技术领域，具体公开了一种采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法。一方面，针对原始海洋捕食者算法的初始种群是随机产生的，可能导致初始种群个体位置分布不均匀，降低种群多样性从而影响寻优速度的问题，引入混沌映射策略和反向学习机制提升初始种群质量；另一方面，针对原始海洋捕食者算法存在容易陷入局部最优和收敛速度慢等缺陷，提出一种多子群扰动的思路。对经FADs效应扰动后的海洋捕食者的猎物种群根据适应度函数值将种群平均分成两个子群，对于适应度函数值较高的子群按自适应柯西变异进行扰动，另一子群进行类差分演化，生成多子群扰动解，带入下一次迭代。
Description
技术领域
本发明涉及气体绝缘组合电气设备PD故障类型识别技术领域，尤其涉及一种采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法。
背景技术
气体绝缘组合电器(Gas Insulated Switchgear，GIS)是指全部或者部分采用六氟化硫(SF6)气体作为绝缘介质的金属封闭式设备。这些设备包括隔离开关、断路器、接地开关、母线、互感器、连接件、避雷器和出线终端等，它们全部被封装金属腔体中，腔体内部充有绝缘性能和灭弧性能优异的SF6气体作为绝缘和灭弧介质，因此气体绝缘组合电器也被称作SF6全封闭组合电器。GIS设备自20世纪中期工业化应用后，已被大量应用于输变电系统中，它在高压和超高压电网中被大量采用，在特高压领域的应用也越来越多。GIS内部不可避免的存在着各种绝缘缺陷，这些缺陷畸变了其周围的电场，在某些部位，电场被大大增强，以致超过了绝缘介质的击穿场强，从而导致PD(局部放电)发生，PD长期发展就可能会导致严重的绝缘故障。一方面PD是绝缘劣化的征兆，通过检测PD可以得知GIS的绝缘状况，从而为GIS的检修提供参考依据，预防和阻止严重事故的发生，同时PD也是导致绝缘劣化的重要原因，必须予以重视，检测GIS中的PD，对保证GIS的安全可靠运行具有重要的现实意义。
常用的气体绝缘组合电气设备PD类型识别方法有决策树、神经网络和支持向量机等。基于决策树原理构造的识别器内部结构明确，通过决策树分类可以清楚的看到模式识别的整个过程，便于更好的理解输入量与输出量之间的关系，但在对复杂对象的识别中，决策树识别的能力不如神经网络和支持向量机。支持向量机作为一种智能识别算法，可以建立高度非线性的分类平面，相比传统识别算法可以大大提升识别正确率，且这种识别计算量较大，适合基于计算机的自动化识别。原始海洋捕食者算法的初始种群是随机产生的，可能导致初始种群个体位置分布不均匀，降低种群多样性从而影响寻优速度。且原始海洋捕食者算法存在容易陷入局部最优和收敛速度慢等缺陷。
发明内容
本发明提供一种采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，解决的技术问题在于：原始海洋捕食者算法初始种群是随机产生的，可能导致初始种群个体位置分布不均匀，降低种群多样性从而影响寻优速度；原始海洋捕食者算法存在容易陷入局部最优和收敛速度慢等缺陷。
为解决以上技术问题，本发明提供采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，包括步骤：
S1、获取样本数据，并对所述样本数据进行预处理得到样本集合；
S2、改进原生态海洋捕食者算法得到改进海洋捕食者算法；所述改进海洋捕食者算法步骤包括：
S21、基于混沌映射策略和反向学习机制生成初始种群；
S22、根据所述初始种群构建初始猎物矩阵和精英捕食者矩阵；
S23、根据当前迭代次数判定个体迭代的方式，对所述初始猎物矩阵和精英捕食者矩阵进行迭代并执行迭代优化；
S24、应用FADs效应对海洋捕食者的猎物种群进行扰动；
S25、对经过FADs效应扰动后的海洋捕食者的猎物种群按适应度函数值平均分成两个子群，对于适应度函数值较高的子群按自适应柯西变异进行扰动，另一子群进行类差分演化，生成多子群扰动解，带入下一次迭代；
S26、依照算法时序架构先后完成高速比、等速比和低速比阶段的迭代；
S27、当迭代次数达到最大迭代次数时，输出SVM训练模型最优参数组合，否则继续执行迭代；
S3、基于所述样本合集中的训练集，通过所述改进海洋捕食者算法对SVM模型中的参数进行组合优化，得到训练模型；
S4、基于所述训练模型对所述样本合集中的测试集进行PD故障类别识别。
进一步地，对于初始种群，其第i个个体组成为：
X(i)＝[Xi，1，Xi，2，...，Xi，j，...，Xi，d]，
其中，i＝1，2...n，n表示种群规模，j＝1，2...d，d指的是一个解向量的维数即求解变量的个数，Xi，j代表所求变量即支持向量机的c、g参数，c代表惩罚因子，g代表核函数参数；
所述步骤S21具体包括步骤：
S211、基于tent映射遍历初始空间形成预初始种群，其第i个个体表示为：
X1(i)＝[X1 i，1，X1 i，2，...，X1 i，j，...，X1 i，d]，i＝1，2，...，n；
S212、引入反向学习机制，生成一个与预初始总群对应的反向总群，其第i个个体表示为：
S213、在预初始总群及其对应的反向总群中选取适应度函数值较高的n个个体构成初始种群。
进一步地，所述步骤S211具体包括步骤：
S2111、基于tent映射产生混沌粒子序列：
其中：i＝1，2，...，n，n表示种群规模，j＝1，2，...，d，d表示空间维数，即控制变量的个数，xi，j表示所产生的混沌粒子序列；
S2112、将混沌粒子序列映射到搜索空间，得到预初始种群中第i个个体的第j维取值为：
X1 i，j＝lbj+(ubj-lbj)xi，j，
其中，ubj和lbj为Xi，j搜索的上界和下界，即优化参数c、g的上下限；
S2113、得到基于tent映射遍历初始空间形成的预初始种群，其第i个个体为：
X1(i)＝[X1 i，1，X1 i，2，...，X1 i，j，...，X1 i，d]，i＝1，2，...，n。
进一步地，在所述步骤S212所引入的反向学习机制的反向学习中，预初始种群的第i个个体X1(i)＝[X1 i，1，X1 i，2，...，X1 i，j，...，X1 i，d]的反向解
由下式给出：
其中，lb、ub是由lbj和ubj构成的行向量，lb是一个二维行向量，对应c、g取值的下限，ub也是一个二维行向量，对应c、g取值的上限。
进一步地，在所述步骤S22中，所述初始猎物矩阵(Prey)和精英捕食者矩阵(Elite)分别表示为：
其中，XI为d维的顶级捕食者向量，该向量被复制n次构建精英捕食者矩阵，Pi表示当前迭代次数下第i只猎物个体，Ei表示当前迭代次数下第i只精英捕食者个体。
进一步地，所述步骤S23具体包括步骤：
S231、在
的迭代初期即高速比阶段，按照下式进行迭代：
其中，R是取值范围为[0，1]中均匀分布的随机数向量，P＝0.5，si是移动步长，RB是一个正态分布的布朗运动随机向量，
表示按元素进行乘法的过程，Pinew表示Pi通过迭代后得到的新值，iter为当前迭代次数，Max_iter为最大迭代次数；
S232、在
的迭代中期即等速比阶段，按照下式进行迭代：
其中，RL是遵循Lévy分布的随机向量，CF是海洋捕食者自适应的参数；
S233、在
的迭代后期即低速比阶段，按照下式进行迭代：
进一步地，在所述步骤S25中，适应度函数值排名为n/2到排名最大的分为一个子群，记为：prey.q，对子群prey.q按自适应柯西变异进行扰动；适应度函数值最小到排名n/2的分为一个子群，记为：prey.h，对子群prey.h进行类差分演化；
对子群prey.q按自适应柯西变异进行扰动，具体包括步骤：
A1、计算出子群prey.q中每一列的平均数，即prey.q子群中n/2个个体的c和g的平均值avgp(1，j)；
A2、将子群prey.q中每一个元素prey.q(i，j)与该列所对应的列平均数avgp(1，j)作差并取绝对值得到r(f，j)，并且计算出r(i，j)中每一列的最大值保存在Rmax(i，j)中；
A3、用一个与相对迭代数和相对距离相关的新变量Xm(i，j)代替标准柯西分布函数中的自变量，以便将标准柯西分布变成自适应柯西分布Xm(i，j)由下式计算：
其中，λ是常数，Iter为当前迭代次数，Max_iter为最大迭代次数，
称为相对迭代次数，r(i，j)/Rmax(i，j)称为相对距离；
A4、将Xm(i，j)带入标准柯西分布函数
得自适应柯西变异公式：
根据自适应柯西变异公式可知：在迭代初期，个体性能较差，变异值较大可造成足够的扰动，扩大解空间；随着迭代次数的增加，变异值逐渐减小，从而保证问题平滑收敛到最优值。同时，自适应变异在群体极值趋于一致时将获得较大的变异值，增强算法的搜索能力；而在群体搜索空间足够大时，减少变异值以避免优值的动荡，加快算法收敛速度。
A5、按下式对猎物矩阵进行更新：
Pi(i，j)＝prey.q(i，j)+(-1+2*R)*avgp(1，j)*F(Xm(i，j))，
i＝1，2...n/2，j＝1，2...d，
其中，Pi(i，j)表示对prey.q(i，j)进行扰动后得到的个体，R∈[0，1]是均匀分布的随机数。
进一步地，对子群prey.h进行类差分演化，具体包括步骤：
B1、计算出子群prey.h中每一列的平均数，即子群prey.h中n/2个个体的c和g的平均值avghp(1，j)：
B2、按照下式对子群prey.h中每一个元素prey.h(i，j)进行变异操作，得到变异子群U(i，j)：
U(i，j)＝prey.h(i，j)*R(-0.5，0.5)+avghp(1，j)，
其中，R(-0.5，0.5)表示(-0.5，0.5)中均匀分布的随机数；
B3、按下式对猎物矩阵进行更新：
其中，f1(i)和f2(i)分别对应的是子群prey.h变异前和变异后的适应度函数值。
进一步地，在所述步骤S24中，FADs效应的数学模型如下所示：
其中，r为[0，1]中均匀均匀分布随机数；Pi表示当前迭代次数下第i只猎物个体，Pinew表示对Pi进行扰动后得到的新值。下标r1和r2表示猎物矩阵不相同的随机索引；FADs表示FADs影响优化过程的概率，取0.2；U为包含0和1的二进制向量。
进一步地，在所述步骤S1中，对所述样本数据进行预处理，具体为：
仿照变压器油色谱分析中三比值法的思路，选择3个浓度比值c1、c2、c3作为特征量对特征量进行归一化处理后形成样本集合，其中c1表示SOF2与SO2F2的浓度比值，c2表示CF4与CO2的浓度比值，c3表示SOF2、SO2F2的浓度和与CF4、CO2的浓度和之间的比值。
本发明提供的一种采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法。一方面，针对原始海洋捕食者算法的初始种群是随机产生的，可能导致初始种群个体位置分布不均匀，降低种群多样性从而影响寻优速度的问题，引入混沌映射策略和反向学习机制提升初始种群质量；另一方面，针对原始海洋捕食者算法存在容易陷入局部最优和收敛速度慢等缺陷，提出一种多子群扰动的思路。对经FADs效应扰动后的海洋捕食者的猎物种群根据适应度函数值将种群平均分成两个子群，对于适应度函数值较高的子群按自适应柯西变异进行扰动，另一子群进行类差分演化，生成多子群扰动解，带入下一次迭代。
整体而言，本发明提出的一种采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，可以提升气体绝缘组合电气设备PD故障类型的识别效率与分类精度，保障现代化电力系统的安全性与可靠性。
附图说明
图1是本发明实施例提供的采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法的流程图；
图2是本发明实施例提供的改进海洋捕食者算法优化支持向量机的流程示意图；
图3是本发明实施例提供的粒子群优化算法优化支持向量机预测结果图，其中(a)为测试集真实类别与预测类别的对比图，(b)为适应度曲线图；
图4是本发明实施例提供的原始海洋捕食者算法优化支持向量机预测结果图，其中(a)为测试集真实类别与预测类别的对比图，(b)为适应度曲线图；
图5是本发明实施例提供的改进海洋捕食者算法优化支持向量机预测结果图，其中(a)为测试集真实类别与预测类别的对比图，(b)为适应度曲线图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
本发明实施例提供一种采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，如图1所示，在本实施例中，包括步骤S1～S4。
S1、获取样本数据，并对样本数据进行预处理得到样本集合；
S2、改进原生态海洋捕食者算法得到改进海洋捕食者算法；
S3、基于样本合集中的训练集，通过改进海洋捕食者算法对SVM模型中的参数进行组合优化，得到训练模型；
S4、基于训练模型对样本合集中的测试集进行PD故障类别识别。
在步骤S1中，对于本实施例选取SF6在四种不同的绝缘缺陷引起的PD下的分解特征组分含量作为样本数据，分解特征组分包括：SO2F2、SOF2、CF4、CO2。每种缺陷下采集32组数据，共得到4种PD下128组分解特征组分含量数据作为样本数据，将其中64组用于分类器训练，另外64组用于测试分类器性能，数据集的构成如下表1所示：
表1.训练和测试样本
对样本数据进行预处理，具体为：
仿照变压器油色谱分析中三比值法的思路，选择3个浓度比值c1、c2、c3作为特征量对特征量进行归一化处理后形成样本集合，其中c1表示SOF2与SO2F2的浓度比值，c2表示CF4与CO2的浓度比值，c3表示SOF2、SO2F2的浓度和与CF4、CO2的浓度和之间的比值。对于步骤S2，改进海洋捕食者算法步骤包括步骤S21～步骤S27。
S21、基于混沌映射策略和反向学习机制生成初始种群。
对于初始种群，其第i个个体组成为X(i)＝[Xi，1，Xi，2，...，Xi，j，...，Xi，d]，i＝1，2...n，n表示种群规模，j＝1，2...d，d指的是一个解向量的维数即求解变量的个数，Xi，j代表所求变量即支持向量机的c、g参数，c代表惩罚因子，g代表核函数参数。
步骤S21具体包括步骤S211～S213：
S211、基于tent映射遍历初始空间形成预初始种群，其第i个个体表示为：
X1(i)＝[X1 i，1，X1 i，2，...，X1 i，j，...，X1 i，d]，i＝1，2，...，n。
步骤S211具体包括步骤S2111～S2113：
S2111、基于tent映射产生混沌粒子序列：
其中：i＝1，2，...，n，n表示种群规模；j＝1，2，...，d，d表示空间维数，即控制变量的个数；xi，j表示所产生的混沌粒子序列；
S2112、将混沌粒子序列映射到搜索空间，得到预初始种群中第i个个体的第j维取值为：
X1 i，j＝lbj+(ubj-lbj)xi，j，
其中，ubj和lbj为Xi，j搜索的上界和下界，即优化参数c或g的上下限；
S2113、得到基于tent映射遍历初始空间形成的预初始种群，其第i个个体为：
X1(i)＝[X1 i，1，X1 i，2，...，X1 i，j，...，x1 i，d]，i＝1，2，...，n。
S212、引入反向学习机制，生成一个与预初始总群对应的反向总群，其第i个个体表示为：
S213、在预初始总群及其对应的反向总群中选取适应度函数值较高的n个个体构成初始种群。其中，适应度函数取模型对训练数据进行3折交叉验证返回的平均识别率。
S22、根据初始种群构建初始猎物矩阵和精英捕食者矩阵。
在步骤S22中，初始猎物矩阵(Prey)和精英捕食者矩阵(Elite)分别表示为：
其中，XI为d维的顶级捕食者向量，该向量被复制n次构建精英捕食者矩阵，Pi表示当前迭代次数下第i只猎物个体，Ei表示当前迭代次数下第i只精英捕食者个体。
S23、根据当前迭代次数判定个体迭代的方式，对猎物矩阵和精英捕食者矩阵进行迭代并执行迭代优化。
步骤S23具体包括步骤S231～S233：
S231、在
的迭代初期即高速比阶段，按照下式进行迭代：
其中，R是取值范围为[0，1]中均匀分布的随机数向量，常数P＝0.5，si是移动步长，RB是一个正态分布的布朗运动随机向量，
表示按元素进行乘法的过程，Pinew表示Pi通过迭代后得到的新值，iter为当前迭代次数，Max_iter为最大迭代次数；
S232、在
的迭代中期即等速比阶段，按照下式进行迭代：
其中，RL是遵循Lévy分布的随机向量，CF是海洋捕食者自适应的参数；
S233、在
的迭代后期即低速比阶段，按照下式进行迭代：
S24、应用FADs效应对海洋捕食者的猎物种群进行扰动。
在所述步骤S24中，FADs效应的数学模型如下所示：
其中，r为[0，1]中均匀分布的随机数；Pinew表示对Pi进行扰动后得到的新值。下标r1和r2表示猎物矩阵不相同的随机索引；FADs表示FADs影响优化过程的概率，取0.2；U为包含0和1的二进制向量。
S25、对经过FADs效应扰动后的海洋捕食者的猎物种群按适应度函数值平均分成两个子群，对于适应度函数值较高的子群按自适应柯西变异进行扰动，另一子群进行类差分演化，生成多子群扰动解，带入下一次迭代。
在步骤S25中，适应度函数值排名为n/2到排名最大的分为一个子群，记为：prey.q，对子群prey.q按自适应柯西变异进行扰动；适应度函数值最小到排名n/2的分为一个子群，记为：prey.h，对子群prey.h进行类差分演化；
对子群prey.q按自适应柯西变异进行扰动，具体包括步骤：
A1、计算出子群prey.q中每一列的平均数，即prey.q子群中n/2个个体的c和g的平均值avgp(1，j)：
A2、将子群prey.q中每一个元素prey.q(i，j)与该列所对应的列平均数avgp(1，j)作差并取绝对值(abs函数)得到r(i，j)，并且计算出r(i，j)中每一列的最大值(max函数)保存在Rmax(i，j)中：
A3、用一个与相对迭代数和相对距离相关的新变量Xm(i，j)代替标准柯西分布函数中的自变量，以便将标准柯西分布变成自适应柯西分布，Xm(i，j)由下式计算：
其中，λ是常数，取为9，Iter为当前迭代次数，Max_iter为最大迭代次数，
称为相对迭代次数，r(i，j)/Rmax(i，j)称为相对距离；
A4、将Xm(i，j)带入标准柯西分布函数
得自适应柯西变异公式：
根据自适应柯西变异公式可知：在迭代初期，个体性能较差，变异值较大可造成足够的扰动，扩大解空间；随着迭代次数的增加，变异值逐渐减小，从而保证问题平滑收敛到最优值。同时，自适应变异在群体极值趋于一致时将获得较大的变异值，增强算法的搜索能力；而在群体搜索空间足够大时，减少变异值以避免优值的动荡，加快算法收敛速度。
A5、按下式对猎物矩阵进行更新：
Pi(i，j)＝prey.q(i，j)+(-1+2*R)*avgp(1，j)*F(Xm(i，j))，
i＝1，2...n/2，j＝1，2...d，
其中，Pi(i，j)表示对prey.q(i，j)进行扰动后得到的个体，R∈[0，1]是均匀分布的随机数。
对子群prey.h进行类差分演化，具体包括步骤：
B1、计算出子群prey.h中每一列的平均数，即子群prey.h中n/2个个体的c和g的平均值avghp(1，j)：
B2、按照下式对子群prey.h中每一个元素prey.h(i，j)进行变异操作，得到变异子群U(i，j)：
U(i，j)＝prey.h(i，j)*R(-0.5，0.5)+avghp(1，j)，
其中，R(-0.5，0.5)表示(-0.5，0.5)中均匀分布的随机数；
B3、按下式对猎物矩阵进行更新：
其中，f1(i)和f2(i)分别对应的是子群prey.h变异前和变异后的适应度函数值。
S26、依照算法时序架构先后完成高速比、等速比和低速比阶段的迭代；
S27、当迭代次数达到最大迭代次数时，输出SVM训练模型最优参数组合，否则继续执行迭代。
在步骤S3中，模型参数设置如下：
利用训练集对构建的模型进行训练时，采用k-fold交叉验证来衡量分类器的性能，根据样本的大小，本文取k＝3，即适应度函数取3折交叉验证返回的平均识别率。训练分类器时，利用优化算法对支持向量机的惩罚因子c和核函数参数g进行优化，c的搜索范围取(0.1，100)，g的搜索范围取(0.01，100)。粒子群优化算法中，惯性因子w＝1，加速度因子c1、c2分别取1.6和1.5，种群规模(种群数量)n＝30，迭代次数t＝90；海洋捕食者算法和改进改进海洋捕食者算法中，FADs＝0.2，P＝0.5，种群规模(种群数量)n＝30，迭代次数t＝90。
在步骤S4中，实验结果如附图3、附图4、附图5：其中附图3(a)、附图4(a)、附图5(a)分别为使用粒子群优化算法、海洋捕食者算法和改进海洋捕食者算法优化支持向量机参数时模型对测试样本的识别结果图；附图3(b)、附图4(b)、附图5(b)分别为使用粒子群优化优化算法、海洋捕食者算法和改进海洋捕食者算法优化支持向量机参数时模型的适应度曲线图(实线表示最佳适应度曲线，虚线表示当前迭代次数下所有粒子的平均适应度曲线)。
实验结果分析：
由附图3(a)、附图4(a)、附图5(a)可知，分别使用粒子群优化算法，海洋捕食者算法和改进的海洋捕食者算法优化支持向量机的参数c和g时，对应的模型预测准确率分别为：90.625％、92.1875％和93.75％，结果表明改进海洋捕食者算法对支持向量机参数的优化效果最为显著；由附图3(b)、附图4(b)、附图5(b)可知，使用改进海洋捕食者算法对支持向量机参数进行优化时的适应度曲线最佳，在提升寻优精度的同时提高了优化算法的收敛性。表明本文提出的改进海洋捕食者算法优化支持向量机参数构建分类器的方法是可行的。
综上，本发明实施例提供的一种采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法。一方面，针对原始海洋捕食者算法的初始种群是随机产生的，可能导致初始种群个体位置分布不均匀，降低种群多样性从而影响寻优速度的问题，引入混沌映射策略和反向学习机制提升初始种群质量；另一方面，针对原始海洋捕食者算法存在容易陷入局部最优和收敛速度慢等缺陷，提出一种多子群扰动的思路。对经FADs效应扰动后的海洋捕食者的猎物种群根据适应度函数值将种群平均分成两个子群，对于适应度函数值较高的子群按自适应柯西变异进行扰动，另一子群进行类差分演化，生成多子群扰动解，带入下一次迭代。
整体而言，本发明提出的一种采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，可以提升气体绝缘组合电气设备PD故障类型的识别效率与分类精度，保障现代化电力系统的安全性与可靠性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，其特征在于，包括步骤：
S1、获取样本数据，并对所述样本数据进行预处理得到样本集合；
S2、改进原生态海洋捕食者算法得到改进海洋捕食者算法；所述改进海洋捕食者算法步骤包括：
S21、基于混沌映射策略和反向学习机制生成初始种群；
S22、根据所述初始种群构建初始猎物矩阵和精英捕食者矩阵；
S23、根据当前迭代次数判定个体迭代的方式，对所述初始猎物矩阵和精英捕食者矩阵进行迭代并执行迭代优化；
S24、应用FADs效应对海洋捕食者的猎物种群进行扰动；
S25、对经过FADs效应扰动后的海洋捕食者的猎物种群按适应度函数值平均分成两个子群，对于适应度函数值较高的子群按自适应柯西变异进行扰动，另一子群进行类差分演化，生成多子群扰动解，带入下一次迭代；
S26、依照算法时序架构先后完成高速比、等速比和低速比阶段的迭代；
S27、当迭代次数达到最大迭代次数时，输出SVM训练模型最优参数组合，否则继续执行迭代；
S3、基于所述样本合集中的训练集，通过所述改进海洋捕食者算法对SVM模型中的参数进行组合优化，得到训练模型；
S4、基于所述训练模型对所述样本合集中的测试集进行PD故障类别识别。
2.根据权利要求1所述的采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，其特征在于：
对于初始种群，其第i个个体组成为X(i)＝[Xi，1，Xi，2，...，Xi，j，...，Xi，d]，i＝1，2...n，n表示种群规模，j＝1，2...d，d指的是一个解向量的维数即求解变量的个数，Xi，j代表所求变量即支持向量机的c、g参数，c代表惩罚因子，g代表核函数参数；
所述步骤S21具体包括步骤：
S211、基于tent映射遍历初始空间形成预初始种群，其第i个个体表示为：
X1(i)＝[X1 i，1，X1 i，2，...，X1 i，j，...，X1 i，d]，i＝1，2，...，n；
S212、引入反向学习机制，生成一个与预初始总群对应的反向总群，其第i个个体表示为：
S213、在预初始总群及其对应的反向总群中选取适应度函数值较高的n个个体构成初始种群。
3.根据权利要求2所述的采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，其特征在于，所述步骤S211具体包括步骤：
S2111、基于tent映射产生混沌粒子序列：
其中：i＝1，2，...，n，n表示种群规模；j＝1，2，...，d，d表示空间维数，即控制变量的个数；xi，j表示所产生的混沌粒子序列；
S2112、将混沌粒子序列映射到搜索空间，得到预初始种群中第i个个体的第j维取值为：
x1 i，j＝lbj+(ubj-lbj)xi，j，
其中，ubj和lbj为Xi，j搜索的上界和下界，即优化参数c或g的上下限；
S2113、得到基于tent映射遍历初始空间形成的预初始种群，其第i个个体为：
X1(i)＝[X1 i，1，X1 i，2，...，X1 i，j，...，X1 i，d]，i＝1，2，...，n。
4.根据权利要求3所述的采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，其特征在于：在所述步骤S212所引入的反向学习机制的反向学习中，预初始种群的第i个个体X1(i)＝[X1 i，1，X1 i，2，...，X1 i，j，...，X1 i，d]的反向解
由下式给出：
其中，lb、ub是由lbj和ubj构成的行向量，lb是一个二维行向量，对应c、g取值的下限，ub也是一个二维行向量，对应c、g取值的上限。
5.根据权利要求4所述的采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，其特征在于，在所述步骤S22中，所述初始猎物矩阵Prey和精英捕食者矩阵Elite分别表示为：
其中，XI为d维的顶级捕食者向量，该向量被复制n次构建精英捕食者矩阵，Pi表示当前迭代次数下第i只猎物个体，Ei表示当前迭代次数下第i只精英捕食者个体。
6.根据权利要求5所述的采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，其特征在于，所述步骤S23具体包括步骤：
S231、在
的迭代初期即高速比阶段，按照下式进行迭代：
其中，R是取值范围为[0，1]中均匀分布的随机数向量，P＝0.5，si是移动步长，RB是一个正态分布的布朗运动随机向量，
表示按元素进行乘法的过程，Pinew表示Pi通过迭代后得到的新值，iter为当前迭代次数，Max_iter为最大迭代次数；
S232、在
的迭代中期即等速比阶段，按照下式进行迭代：
其中，RL是遵循Lévy分布的随机向量，CF是海洋捕食者自适应的参数；
S233、在
的迭代后期即低速比阶段，按照下式进行迭代：
7.根据权利要求6所述的采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，其特征在于，在所述步骤S25中，适应度函数值排名为n/2到排名最大的分为一个子群，记为：prey.q，对子群prey.q按自适应柯西变异进行扰动；适应度函数值最小到排名n/2的分为一个子群，记为：prey.h，对子群prey.h进行类差分演化；
对子群prey.q按自适应柯西变异进行扰动，具体包括步骤：
A1、计算出子群prey.q中每一列的平均数，即prey.q子群中n/2个个体的c和g的平均值avgp(1，j)；
A2、将子群prey.q中每一个元素prey.q(i，j)与该列所对应的列平均数avgp(1，j)作差并取绝对值得到r(i，j)，并且计算出r(i，j)中每一列的最大值保存在Rmax(i，j)中；
A3、用一个与相对迭代数和相对距离相关的新变量Xm(i，j)代替标准柯西分布函数中的自变量，以便将标准柯西分布变成自适应柯西分布，Xm(i，j)由下式计算：
其中，λ是常数，Iter为当前迭代次数，Max_iter为最大迭代次数，
称为相对迭代次数，r(i，j)/Rmax(i，j)称为相对距离；
A4、将Xm(i，j)带入标准柯西分布函数
得自适应柯西变异公式：
A5、按下式对猎物矩阵进行更新：
Pi(i，j)＝prey.q(i，j)+(-1+2*R)*avgp(1，j)*F(Xm(i，j))，
i＝1，2...n/2，j＝1，2...d，
其中，Pi(i，j)表示对prey.q(i，j)进行扰动后得到的个体，R∈[0，1]是均匀分布的随机数。
8.根据权利要求7所述的采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，其特征在于，对子群prey.h进行类差分演化，具体包括步骤：
B1、计算出子群prey.h中每一列的平均数，即子群prey.h中n/2个个体的c和g的平均值avghp(1，j)：
B2、按照下式对子群prey.h中每一个元素prey.h(i，j)进行变异操作，得到变异子群U(i，j)：
U(i，j)＝prey.h(i，j)*R(-0.5，0.5)+avghp(1，j)，
其中，R(-0.5，0.5)表示(-0.5，0.5)中均匀分布的随机数；
B3、按下式对猎物矩阵进行更新：
其中，f1(i)和f2(i)分别对应的是子群prey.h变异前和变异后的适应度函数值。
9.根据权利要求8所述的采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，其特征在于，在所述步骤S24中，FADs效应的数学模型如下所示：
其中，Pinew表示对Pi进行扰动后得到的新值，r为[0，1]中均匀分布的随机数；下标r1和r2表示猎物矩阵不相同的随机索引；FADs表示FADs影响优化过程的概率，取0.2；U为包含0和1的二进制向量。
10.根据权利要求1所述的采用改进海洋捕食者算法优化SVM的GIS设备PD类型判定方法，其特征在于，在所述步骤S1中，对所述样本数据进行预处理，具体为：
仿照变压器油色谱分析中三比值法的思路，选择3个浓度比值c1、c2、c3作为特征量对特征量进行归一化处理后形成样本集合，其中c1表示SOF2与SO2F2的浓度比值，c2表示CF4与CO2的浓度比值，c3表示SOF2、SO2F2的浓度和与CF4、CO2的浓度和之间的比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211260293.8A CN116028871A (zh) | 2022-10-14 | 2022-10-14 | 采用改进海洋捕食者算法优化svm的gis设备pd类型判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211260293.8A CN116028871A (zh) | 2022-10-14 | 2022-10-14 | 采用改进海洋捕食者算法优化svm的gis设备pd类型判定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116028871A true CN116028871A (zh) | 2023-04-28 |
Family
ID=86071231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211260293.8A Pending CN116028871A (zh) | 2022-10-14 | 2022-10-14 | 采用改进海洋捕食者算法优化svm的gis设备pd类型判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116028871A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562331A (zh) * | 2023-05-19 | 2023-08-08 | 石家庄铁道大学 | 一种改进爬行动物搜索算法优化svm的方法及其应用 |
| CN118244779A (zh) * | 2024-05-30 | 2024-06-25 | 中国铁建电气化局集团第二工程有限公司 | 一种基于增强黏菌算法对接触网无人机路径规划的方法 |
-
2022
- 2022-10-14 CN CN202211260293.8A patent/CN116028871A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562331A (zh) * | 2023-05-19 | 2023-08-08 | 石家庄铁道大学 | 一种改进爬行动物搜索算法优化svm的方法及其应用 |
| CN116562331B (zh) * | 2023-05-19 | 2023-11-21 | 石家庄铁道大学 | 一种改进爬行动物搜索算法优化svm的方法及其应用 |
| CN118244779A (zh) * | 2024-05-30 | 2024-06-25 | 中国铁建电气化局集团第二工程有限公司 | 一种基于增强黏菌算法对接触网无人机路径规划的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116028871A (zh) | 采用改进海洋捕食者算法优化svm的gis设备pd类型判定方法 | |
| CN111082401B (zh) | 基于自学习机制的配电网故障恢复方法 | |
| Yang et al. | Thinning of convolutional neural network with mixed pruning | |
| CN112564107A (zh) | 一种电力系统暂态稳定评估方法 | |
| CN110868414A (zh) | 一种基于多投票技术的工控网络入侵检测方法及系统 | |
| CN113627597A (zh) | 一种基于通用扰动的对抗样本生成方法及系统 | |
| CN117349614A (zh) | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 | |
| CN116662802A (zh) | 基于北方苍鹰算法优化svm的gis设备pd类型判定方法及系统 | |
| CN114660375A (zh) | 一种电力设备故障的辨识方法 | |
| CN114626487A (zh) | 基于随机森林分类算法的线变关系校核方法 | |
| CN114548498A (zh) | 一种架空输电线路局部区域的风速预测方法及系统 | |
| CN109116224A (zh) | 低压框架断路器故障诊断方法、装置及计算设备 | |
| CN114157552B (zh) | 一种基于孪生时序图网络的配网故障检测方法 | |
| CN113205182B (zh) | 一种基于稀疏剪枝方法的实时电力负荷预测系统 | |
| CN110245805A (zh) | 一种风功率的预测方法、装置及电子设备 | |
| CN114077819B (zh) | 故障电弧检测模型构建方法、装置、设备及存储介质 | |
| CN115600153A (zh) | 一种多维电力感知信息特征融合方法 | |
| CN115659851A (zh) | 一种电缆终端头的温升评价方法及装置 | |
| CN112651628A (zh) | 一种基于胶囊神经网络的电力系统暂态稳定评估方法 | |
| Cui et al. | On-load Tap Changer Fault Diagnosis Based on Improved Whale Algorithm Optimized LSTM Neural Network | |
| Liu et al. | Fault diagnosis of power transformer based on tree ensemble model | |
| CN112051040A (zh) | 一种有载分接开关机械故障智能识别方法 | |
| CN112465195A (zh) | 考虑高比例分布式光伏接入的母线负荷预测方法及系统 | |
| CN112331274A (zh) | 基于相重构和神经网络的变压器油中溶解气体预测方法 | |
| CN113435113B (zh) | 一种电力系统暂态稳定评估方法及装置 |
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 |