CN116127858A - 基于改进沙猫算法优化的gis设备温升预测方法及系统 - Google Patents
基于改进沙猫算法优化的gis设备温升预测方法及系统 Download PDFInfo
- Publication number
- CN116127858A CN116127858A CN202310391836.8A CN202310391836A CN116127858A CN 116127858 A CN116127858 A CN 116127858A CN 202310391836 A CN202310391836 A CN 202310391836A CN 116127858 A CN116127858 A CN 116127858A
- Authority
- CN
- China
- Prior art keywords
- gis equipment
- temperature rise
- cat
- sand
- rise prediction
- 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.)
- Granted
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进沙猫算法优化的GIS设备温升预测方法及系统,该方法通过收集GIS设备的历史多维运行状态参量和实测的GIS设备的温升数据来构造初始样本数据集,对构造完成的初始样本数据集进行归一化处理;将BP神经网络的原始阈值和原始权重作为改进沙猫算法的初始种群位置进行寻优,获取BP神经网络的最优阈值和最优权重;训练BP神经网络得到GIS设备温升预测模型,根据实时采集的多维运行状态参量用GIS设备温升预测模型进行GIS设备的温升预测。本发明采用改进沙猫算法优化的BP神经网络进行GIS设备的温升预测,能够实时准确的输出GIS设备内部的温升情况。
Description
技术领域
本发明属于电力设备监测技术领域,具体涉及一种基于改进沙猫算法优化的GIS设备温升预测方法及系统。
背景技术
GIS设备的全称是气体绝缘金属密封组合开关设备,是变电站、换流站、开关站等场所的常用设备,其将断路器母线隔离/接地开关、电流互感器、电压互感器、馈线隔离/接地开关、快速接地开关、电缆终端等设备都集合到一套设备中,且有的采用模块化的设计,能够很方便的进行优化设计和布置。除此之外,GIS设备还具有占地面积小、故障率低、维护方便、寿命长等优点,在长期的使用中收到了广泛好评,但是,GIS设备也存在着部分缺点,传统设备可以进行定期的维护检查并且可以带电检修,而GIS设备由于密封在金属空间里,并不能及时的发现其内部存在的问题,而且必须停电检修,由此会带来极大的麻烦。因此掌握其运行状态及潜在故障成为了亟需解决的问题。
在实际的工程运用中,一方面,由于设计的缺陷及安装工艺的问题常常会导致GIS设备的接触不良,另一方面,任何设备的使用都会老化,特别是电气设备老化以后电阻值会发生改变从而出现异常发热的问题,加之若存在微水超标或者局部放电的情况则会加剧设备的老化速度,最终由于异常发热引起一系列的故障,进一步影响设备的安全稳定运行。
目前,对于GIS设备的温升监测大致可以分为以下几类:
第一种,采用传感器进行接触式的测温,但是由于处在金属密封环境之中,若采用有线的方式进行数据传输则需要在GIS设备上进行开孔,此举会造成设备的密封性得不到保证造成安全隐患,而采用无线的方式进行信号传输则存在金属密封环境会影响信号的传输并且在强电磁环境中也会对数据的传输造成干扰。
第二种,采用人工巡检,通过观察设备表面的金属镀层以及定期的测量回路电阻进行设备的状态评估,但是不可能实现带电操作,这就需要停电检修,不能满足电网的经济运行指标以及影响到用户的用电。
第三种,该方案是目前较为先进的,采用红外热辐射测温技术,但是也需要在设备上进行开孔以安装传感器。
现有的技术虽然提出了很多对GIS设备的温度监测方案,但是受限于各种各样的缺陷,目前并没有取得很好的结果,特别是无法实现在不停电的情况下对设备进行温升故障检测。
发明内容
针对上述提到的问题,目前已有很多高校及科研机构的学者提出了多种多样的解决方案,但是效果并不显著,为了实际解决当前所面临的技术难题,本发明公开了基于改进沙猫算法优化的GIS设备温升预测方法及系统,本方法通过采集到的环境温湿度数据、材料的初始热参数以及GIS设备的电气量来构造初始样本数据集;将构造完成的数据集进行归一化处理以后使用BP神经网络进行温升的预测。
本发明依据的具体原理为:设备运行过程中会产生热量从而升温,而设备温度受到此刻的环境温度影响,环境温度高的时候设备温度升高会较快,反之会较慢,而湿度也是影响温升的一个重大影响因子;另一方面,设备产热后会传热到设备的表面,从而使布置在设备表面的传感器采集到,而GIS设备的圆筒半径指的是内部设备中心到圆筒表面的距离,在一个热源的周围,不同距离的温度都是不一样的,因此圆筒半径是一个重要参量。同样的,圆筒内充的SF6气体以及圆筒的金属材料的比热容、密度以及热传导率也是不一样的,这些因素都会影响到温度的扩散,所以将其作为主要的一些参量。最后,由于设备的温升会造成设备内部导体的电阻发生改变,而电阻一旦发生改变,电流电压必将随着发生变化。本发明将上述多种运行状态参量进行融合以后进行温升的预测。通过神经网络融合多种运行状态参量进行映射,寻找到运行状态参量和温升之间的映射关系,从而实现温升的准确预测。特别的,为了获取到更精确的温度预测值,针对BP神经网络权重和阈值难以准确获取的难点,本发明首次提出了采用改进沙猫算法优化BP神经网络的权重和阈值,经过改进沙猫算法优化阈值和权重以后的BP神经网络的温升预测会更加准确,能够满足GIS温升监测的需要。且该方案在不破坏GIS原本密封性的前提下便可以实现GIS设备的温升监测,能够及时的发现GIS所存在的故障隐患,减少故障的发生,对于保护电力设备以及提高其经济安全稳定运行的能力具有十分重要的意义。
本发明通过下述技术方案来实现。基于改进沙猫算法优化的GIS设备温升预测方法,包括以下步骤:
步骤1.收集GIS设备的历史多维运行状态参量和实测的GIS设备的温升数据来构造初始样本数据集,多维运行状态参量包括环境温湿度数据、GIS设备材料的初始热参数以及GIS设备的电气量三类; 环境温湿度数据包括设备运行场所的温度和设备运行场所湿度;GIS设备材料的初始热参数包括:GIS设备的圆筒半径、金属材料热传导率、材料密度、金属材料比热容、SF6气体比热容;GIS设备的电气量包括电流、电压、电阻;
步骤2.对构造完成的初始样本数据集进行归一化处理;
步骤3.搭建BP神经网络并确定BP神经网络的输入层、隐藏层、输出层的节点数;
步骤4.将BP神经网络的原始阈值和原始权重作为改进沙猫算法的初始种群位置进行寻优,获取BP神经网络的最优阈值和最优权重;
步骤5. 使用归一化处理所得数据对已经获取BP神经网络的最优阈值和最优权重的BP神经网络进行训练,得到GIS设备温升预测模型,根据实时采集的多维运行状态参量用GIS设备温升预测模型进行GIS设备的温升预测。
进一步优选,所述步骤4的具体过程为:
步骤4.1:将BP神经网络的原始阈值和原始权重作为沙猫种群的初始位置;
步骤4.2:搜索猎物:将沙猫算法的灵敏范围随着迭代过程的进行从2kHz非线性地降低为0;
式中:为沙猫的一般灵敏范围,为当前迭代次数,为最大迭代次数,SM为模拟沙猫听觉特征参数。
控制探索与开发阶段过渡的参数满足:,其中:为之间的随机数,是区间中的一个随机值;
为避免陷入局部最优, 每只沙猫的灵敏范围是不同的,定义为:
式中:为第i只沙猫的灵敏范围;此外,用于探索或利用阶段的操作,而用于导引参数以实现在阶段间转移控制;
当时,沙猫执行搜索任务,根据最优解位置和当前位置及其灵敏范围更新自己的位置;使得沙猫找到其他可能的最佳位置;
式中:为沙猫更新后的位置。
步骤4.3:引入莱维飞行从而增加动态全局搜索;
步骤4.4:增加基于柯西变异扰动最优解;
步骤4.5:判断最优解位置被扰动后的位置的适应度值是否比当前的最优解位置更好,如果最优解位置被扰动后的位置的适应度值比当前的最优解位置更好,则用最优解位置被扰动后的位置代替当前的最优解位置,输出最优解位置;否则返回步骤4.3进行下一次迭代。
进一步优选,沙猫种群是数组,沙猫种群定义如下:
式中:为沙猫种群矩阵,为沙猫种群的沙猫个体总数,d为沙猫的潜在位置总数,为第个沙猫的位置变量集合,为第个沙猫的第维的位置变量,每个位置变量都是一个浮点数,且每个位置变量必须位于上下边界之间。
进一步优选,动态全局搜索公式为:
式中:为步长,服从莱维分布,为当前迭代中的均值,即平均沙猫位置。
进一步优选,增加基于柯西变异扰动最优解的方式为:
式中:为最优解位置被扰动后的位置,为区间内满足柯西分布的随机相量。
进一步优选,步骤2按下式进行归一化处理:
式中,G表示初始样本数据集中的运行状态参量经过归一化以后处于[0,1]区间的值,是初始样本数据集中的运行状态参量最大值,是初始样本数据集中的运行状态参量最小值,表示初始样本数据集中的运行状态参量。
进一步优选,步骤3中,BP神经网络的输入层节点数等于输入向量的维数,输出层节点数与预测结果个数一致;隐藏层节点数按下式确定:,其中,Nh代表隐藏层节点数,Np代表输入层节点数,No代表输出层节点数,是[1,10]之间的常数。
本发明还提供一种基于改进沙猫算法优化的GIS设备温升预测系统,包括用于监测环境温湿度数据的温度传感器和湿度传感器,用于监测GIS设备的电气量的电流表、电压表、电阻计,温度传感器、湿度传感器、电流表、电压表、电阻计均通过通讯设备与GIS设备温升预测主机相连,GIS设备温升预测主机中设置环境温湿度数据存储模块、电气量存储模块和GIS设备材料的初始热参数存储模块,GIS设备材料的初始热参数通过手工录入,GIS设备温升预测主机中存储GIS设备温升预测模型,所述GIS设备温升预测模型按基于改进沙猫算法优化的GIS设备温升预测方法的步骤得到,GIS设备温升预测主机还包括用于显示温升数据的输出模块。
本发明的有益效果:GIS设备是输配电领域的重要核心设备,在发生故障时能够及时切断故障,保证不危害到电网核心设备,避免了引起更大范围停电的事故,深入研究GIS设备的温升预测方法能够提高其运维水平,实时监测潜在故障,能够对早起的故障征候做出准确的判断,对于维护电网安全稳定高效的运行具有十分重大的意义。相较于传统的温升监测方案,本发明不需要破坏其自身的密封性,并且不用安转内置式的传感器,使用多种运行状态参量的方式进行温升预测,在一定程度上提高了其预测的准确性。
本发明采用改进沙猫算法优化的BP神经网络进行GIS设备的温升预测,解决了BP神经网络的阈值和权重难以准确选取的问题,通过对多种参量的融合诊断,能够实时准确的输出GIS设备内部的温升情况,用于发现GIS设备的潜在故障,对运维检修具有及其重大的意义。
附图说明
图1是基于改进沙猫算法优化的GIS设备温升预测方法的流程图。
图2是改进沙猫算法寻优流程图。
图3是沙猫算法改进前后的收敛曲线对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,基于改进沙猫算法优化的GIS设备温升预测方法,包括以下步骤:步骤1.收集GIS设备的历史多维运行状态参量和实测的GIS设备的温升数据来构造初始样本数据集,多维运行状态参量包括环境温湿度数据、GIS设备材料的初始热参数以及GIS设备的电气量三类;环境温湿度数据包括设备运行场所的温度Gw和设备运行场所湿度Gs;GIS设备材料的初始热参数包括:GIS设备的圆筒半径Gr、金属材料热传导率Gc、材料密度Gm、金属材料比热容Gb、SF6气体比热容Gf;GIS设备的电气量包括电流I、电压U、电阻R;构造的初始样本数据集表示为:,T表示矩阵转置,P表示实测的GIS设备的温升数据。
步骤2.对构造完成的初始样本数据集进行归一化处理;为了使初始样本数据集中的多种运行状态参量符合BP神经网络的需求,按下式进行归一化处理:
式中,G表示初始样本数据集中的运行状态参量经过归一化以后处于[0,1]区间的值,是初始样本数据集中的运行状态参量最大值,是初始样本数据集中的运行状态参量最小值,表示初始样本数据集中的运行状态参量。
步骤3.搭建BP神经网络并确定BP神经网络的输入层、隐藏层、输出层的节点数;
步骤3.1:确定BP神经网络的输入层节点数。在搭建过程中,BP神经网络的输入层节点数等于输入向量的维数,在本发明中,输入向量的维数是所选取的初始样本数据集的维数,因此,BP神经网络的输入层节点数为10。
步骤3.2:确定BP神经网络的隐藏层节点数。输出层节点数与预测结果个数一致,本发明中的输出为GIS设备内部的温度值,因此输出层的节点数为1。
步骤3.3:确定BP神经网络的隐藏层的节点数。隐藏层节点数按下式确定:
式中,Nh代表隐藏层节点数,Np代表输入层节点数,No代表输出层节点数,是[1,10]之间的常数,经过计算本发明的隐藏层节点数确定为12。
步骤4.将BP神经网络的原始阈值和原始权重作为改进沙猫算法的初始种群位置进行寻优,获取BP神经网络的最优阈值和最优权重;改进沙猫算法加快了沙猫算法收敛速度和寻优精度的同时增加了其跳出局部最优解的能力,改进算法的收敛曲线如图3所示,收敛速度和精度均得到了提高。改进沙猫算法寻优流程如图2所示。
步骤5. 使用归一化处理所得数据对已经获取BP神经网络的最优阈值和最优权重的BP神经网络进行训练,得到GIS设备温升预测模型,根据实时采集的多维运行状态参量用GIS设备温升预测模型进行GIS设备的温升预测。
本实施例中,所述步骤4的具体过程为:
步骤4.1:将BP神经网络的原始阈值和原始权重作为沙猫种群的初始位置,在变量维度为的优化问题中,沙猫种群(即待求阈值和权重)是数组。沙猫种群定义如下:
式中:为沙猫种群矩阵,为沙猫种群的沙猫个体总数d为沙猫的潜在位置总数,为第个沙猫的位置变量集合,为第个沙猫的第维的位置变量,每个位置变量都是一个浮点数,且每个位置变量必须位于上下边界之间,为位置变量的下边界,为位置变量的上边界。
步骤4.2:搜索猎物
沙猫的猎物搜索机制依赖于低频噪声发射。沙猫(SCSO)算法模拟沙猫在低频探测方面的听觉能力,沙猫可以感知低于2kHz的低频,假设沙猫的灵敏范围从0到2kHz,为提高迭代初期的搜索速度和迭代后期的搜索精度,对沙猫算法进行改进,将灵敏范围随着迭代过程的进行从2kHz非线性地降低为0,以逐渐靠近猎物而不会丢失或跳过。因此为了搜索猎物,假设沙猫的灵敏范围为2kHz到0。
式中:为沙猫的一般灵敏范围,为当前迭代次数,为最大迭代次数,SM为模拟沙猫听觉特征参数,可假设其值为2。
控制探索与开发阶段过渡的最终参数和主要参数是,由于这种自适应策略,两个阶段的转换和可能性将更加平衡。
式中:为之间的随机数,是区间中的一个随机值。搜索空间在定义的边界之间随机初始化,在搜索步骤中,每个当前搜索代理的位置更新都是基于一个随机位置。这样,搜索代理就能够在搜索空间中探索新的空间。
为避免陷入局部最优, 每只沙猫的灵敏范围是不同的,定义为:
式中:为第i只沙猫的灵敏范围。此外,用于探索或利用阶段的操作,而用于导引参数以实现在这些阶段间转移控制。
当时,沙猫执行搜索任务,根据最优解位置和当前位置及其灵敏范围更新自己的位置;使得沙猫找到其他可能的最佳位置。
式中:为沙猫更新后的位置。该公式为算法在搜索区域找到新的局部最优提供了另一个机会。因此,获得的位置位于当前位置和猎物位置之间。此外,这是通过随机性实现的,而不是通过精确的方法。这样,算法中的搜索代理就有利于提高随机性。这使得算法操作成本低,效率高。
步骤4.3:引入莱维飞行从而增加动态全局搜索
为了增强搜索的周密性,消除局部最优解的消极影响,引入莱维飞行策略。
式中:为步长,服从莱维分布,为当前迭代中的均值,即平均沙猫位置。增加了平均沙猫位置,引导沙猫算法在搜索时综合考虑更为广泛的全局信息,不至于使沙猫算法过早地进行局部搜索而陷入局部最优。
步骤4.4:增加基于柯西变异扰动最优解
为解决算法易陷入局部最优这一缺点,引入柯西(Cauthy)变异算子增加种群的多样性,帮助沙猫算法在后期跳出局部最优,
式中:为最优解位置被扰动后的位置,为区间内满足柯西(Cauthy)分布的随机相量。经过柯西(Cauthy)变异后的沙猫个体具备了能够迅速逃离局部极值的特点,同时,柯西(Cauchy)分布的峰值较低,该特点能够缩短变异后的沙猫个体在邻域周围搜索的时间。
步骤4.5:判断最优解位置被扰动后的位置的适应度值是否比当前的最优解位置更好,如果最优解位置被扰动后的位置的适应度值比当前的最优解位置更好,则用最优解位置被扰动后的位置代替当前的最优解位置,输出最优解位置;否则返回步骤4.3进行下一次迭代。
本实施例步骤5的具体流程为:
步骤5.1:将经过改进沙猫算法优化后的最优阈值和权重放入到BP神经网络中,构造GIS设备温升预测模型;
步骤5.2:将采集到的多种监测量数据的归一化矩阵作为输入,将其输入到GIS设备温升预测模型进行温升预测;
步骤5.3:GIS设备温升预测模型通过多参量拟合出多参量和设备的温升之间的关系;
步骤5.4:输出当前的温升结果,与正常值进行对比判断当前的温升是否在正常范围。
本发明还提供一种基于改进沙猫算法优化的GIS设备温升预测系统,包括用于监测环境温湿度数据的温度传感器和湿度传感器,用于监测GIS设备的电气量的电流表、电压表、电阻计,温度传感器、湿度传感器、电流表、电压表、电阻计均通过通讯设备与GIS设备温升预测主机相连,GIS设备温升预测主机中设置环境温湿度数据存储模块、电气量存储模块和GIS设备材料的初始热参数存储模块,GIS设备材料的初始热参数通过手工录入,GIS设备温升预测主机中存储GIS设备温升预测模型,所述GIS设备温升预测模型按基于改进沙猫算法优化的GIS设备温升预测方法的步骤得到,GIS设备温升预测主机还包括用于显示温升数据的输出模块。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,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.基于改进沙猫算法优化的GIS设备温升预测方法,其特征是,包括以下步骤:
步骤1.收集GIS设备的历史多维运行状态参量和实测的GIS设备的温升数据来构造初始样本数据集,多维运行状态参量包括环境温湿度数据、GIS设备材料的初始热参数以及GIS设备的电气量三类;环境温湿度数据包括设备运行场所的温度和设备运行场所湿度;GIS设备材料的初始热参数包括:GIS设备的圆筒半径、金属材料热传导率、材料密度、金属材料比热容、SF6气体比热容;GIS设备的电气量包括电流、电压、电阻;
步骤2.对构造完成的初始样本数据集进行归一化处理;
步骤3.搭建BP神经网络并确定BP神经网络的输入层、隐藏层、输出层的节点数;
步骤4.将BP神经网络的原始阈值和原始权重作为改进沙猫算法的初始种群位置进行寻优,获取BP神经网络的最优阈值和最优权重;
步骤5. 使用归一化处理所得数据对已经获取BP神经网络的最优阈值和最优权重的BP神经网络进行训练,得到GIS设备温升预测模型,根据实时采集的多维运行状态参量用GIS设备温升预测模型进行GIS设备的温升预测。
2.根据权利要求1所述的基于改进沙猫算法优化的GIS设备温升预测方法,其特征是,所述步骤4的具体过程为:
步骤4.1:将BP神经网络的原始阈值和原始权重作为沙猫种群的初始位置;
步骤4.2:搜索猎物:将沙猫算法的灵敏范围随着迭代过程的进行从2kHz非线性地降低为0;
式中:为沙猫的一般灵敏范围, 为当前迭代次数,为最大迭代次数,SM为模拟沙猫听觉特征参数;
控制探索与开发阶段过渡的参数满足:,其中:为之间的随机数,是区间中的一个随机值;
为避免陷入局部最优, 每只沙猫的灵敏范围是不同的,定义为:
式中:为第i只沙猫的灵敏范围;此外,用于探索或利用阶段的操作,而用于导引参数以实现在阶段间转移控制;
当时,沙猫执行搜索任务,根据最优解位置和当前位置及其灵敏范围更新自己的位置;使得沙猫找到其他可能的最佳位置;
式中:为沙猫更新后的位置;
步骤4.3:引入莱维飞行从而增加动态全局搜索;
步骤4.4:增加基于柯西变异扰动最优解;
步骤4.5:判断最优解位置被扰动后的位置的适应度值是否比当前的最优解位置更好,如果最优解位置被扰动后的位置的适应度值比当前的最优解位置更好,则用最优解位置被扰动后的位置代替当前的最优解位置,输出最优解位置;否则返回步骤4.3进行下一次迭代。
3.根据权利要求2所述的基于改进沙猫算法优化的GIS设备温升预测方法,其特征是,沙猫种群是数组,沙猫种群定义如下:
式中:为沙猫种群矩阵,为沙猫种群的沙猫个体总数,d为沙猫的潜在位置总数,为第个沙猫的位置变量集合,为第个沙猫的第维的位置变量,每个位置变量都是一个浮点数,且每个位置变量必须位于上下边界之间。
4.根据权利要求2所述的基于改进沙猫算法优化的GIS设备温升预测方法,其特征是,动态全局搜索公式为:
式中:为步长,服从莱维分布, 为当前迭代中的均值,即平均沙猫位置。
5.根据权利要求4所述的基于改进沙猫算法优化的GIS设备温升预测方法,其特征是,增加基于柯西变异扰动最优解的方式为:
式中:为最优解位置被扰动后的位置,为区间内满足柯西分布的随机相量。
6.根据权利要求1所述的基于改进沙猫算法优化的GIS设备温升预测方法,其特征是,步骤2按下式进行归一化处理:
式中,G表示初始样本数据集中的运行状态参量经过归一化以后处于[0,1]区间的值,是初始样本数据集中的运行状态参量最大值,是初始样本数据集中的运行状态参量最小值,表示初始样本数据集中的运行状态参量。
7.根据权利要求1所述的基于改进沙猫算法优化的GIS设备温升预测方法,其特征是,步骤3中,BP神经网络的输入层节点数等于输入向量的维数,输出层节点数与预测结果个数一致;隐藏层节点数按下式确定:,其中,Nh代表隐藏层节点数,Np代表输入层节点数,No代表输出层节点数,是[1,10]之间的常数。
8.一种基于改进沙猫算法优化的GIS设备温升预测系统,其特征在于,包括用于监测环境温湿度数据的温度传感器和湿度传感器,用于监测GIS设备的电气量的电流表、电压表、电阻计,温度传感器、湿度传感器、电流表、电压表、电阻计均通过通讯设备与GIS设备温升预测主机相连,GIS设备温升预测主机中设置环境温湿度数据存储模块、电气量存储模块和GIS设备材料的初始热参数存储模块,GIS设备材料的初始热参数通过手工录入,GIS设备温升预测主机中存储GIS设备温升预测模型,所述GIS设备温升预测模型按权利要求1-7任意一项所述基于改进沙猫算法优化的GIS设备温升预测方法的步骤得到,GIS设备温升预测主机还包括用于显示温升数据的输出模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391836.8A CN116127858B (zh) | 2023-04-13 | 2023-04-13 | 基于改进沙猫算法优化的gis设备温升预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391836.8A CN116127858B (zh) | 2023-04-13 | 2023-04-13 | 基于改进沙猫算法优化的gis设备温升预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127858A true CN116127858A (zh) | 2023-05-16 |
CN116127858B CN116127858B (zh) | 2023-06-27 |
Family
ID=86312160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310391836.8A Active CN116127858B (zh) | 2023-04-13 | 2023-04-13 | 基于改进沙猫算法优化的gis设备温升预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127858B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430188A (zh) * | 2023-06-13 | 2023-07-14 | 南昌工程学院 | 基于改进白冠鸡优化算法的变压器故障声纹诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017124998B3 (de) * | 2017-10-25 | 2019-04-18 | LABOklin Labor für klinische Diagnostik GmbH & Co. KG | Verfahren und Vorrichtung zur Bestimmung der Blutgruppe einer Katze im AB-Blutgruppensystem |
CN112113667A (zh) * | 2020-09-21 | 2020-12-22 | 国网吉林省电力有限公司电力科学研究院 | 一种基于红外热像信息的电流互感器故障诊断方法 |
CN112464566A (zh) * | 2020-12-07 | 2021-03-09 | 广东电网有限责任公司佛山供电局 | 一种基于遗传算法及bp神经网络的变压器油温预测方法 |
CN112580855A (zh) * | 2020-11-27 | 2021-03-30 | 国网上海市电力公司 | 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法 |
US20220343042A1 (en) * | 2021-04-22 | 2022-10-27 | Kabushiki Kaisha Toshiba | Information processing device, information processing method, and computer program product |
CN115689070A (zh) * | 2023-01-03 | 2023-02-03 | 南昌工程学院 | 基于帝王蝶算法优化bp神经网络模型的能源预测方法 |
CN115954879A (zh) * | 2023-03-13 | 2023-04-11 | 南昌工程学院 | 基于ao算法优化pnn的配电网线变关系精准辨识方法 |
-
2023
- 2023-04-13 CN CN202310391836.8A patent/CN116127858B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017124998B3 (de) * | 2017-10-25 | 2019-04-18 | LABOklin Labor für klinische Diagnostik GmbH & Co. KG | Verfahren und Vorrichtung zur Bestimmung der Blutgruppe einer Katze im AB-Blutgruppensystem |
CN112113667A (zh) * | 2020-09-21 | 2020-12-22 | 国网吉林省电力有限公司电力科学研究院 | 一种基于红外热像信息的电流互感器故障诊断方法 |
CN112580855A (zh) * | 2020-11-27 | 2021-03-30 | 国网上海市电力公司 | 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法 |
CN112464566A (zh) * | 2020-12-07 | 2021-03-09 | 广东电网有限责任公司佛山供电局 | 一种基于遗传算法及bp神经网络的变压器油温预测方法 |
US20220343042A1 (en) * | 2021-04-22 | 2022-10-27 | Kabushiki Kaisha Toshiba | Information processing device, information processing method, and computer program product |
CN115689070A (zh) * | 2023-01-03 | 2023-02-03 | 南昌工程学院 | 基于帝王蝶算法优化bp神经网络模型的能源预测方法 |
CN115954879A (zh) * | 2023-03-13 | 2023-04-11 | 南昌工程学院 | 基于ao算法优化pnn的配电网线变关系精准辨识方法 |
Non-Patent Citations (2)
Title |
---|
M.C.TEIXEIRA等: "Artificial intelligence modeling of ultrasonic fatigue test to predict the temperature increase", 《INTERNATIONAL JOURNAL OF FATIGUE》 * |
郝羽: "动车组轴承温升趋势实时预测研究", 《知网》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430188A (zh) * | 2023-06-13 | 2023-07-14 | 南昌工程学院 | 基于改进白冠鸡优化算法的变压器故障声纹诊断方法 |
CN116430188B (zh) * | 2023-06-13 | 2023-08-29 | 南昌工程学院 | 基于改进白冠鸡优化算法的变压器故障声纹诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116127858B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zainuddin et al. | Review of thermal stress and condition monitoring technologies for overhead transmission lines: Issues and challenges | |
Li et al. | Condition monitoring and diagnosis of power equipment: review and prospective | |
Karimi et al. | Dynamic thermal rating of transmission lines: A review | |
CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
CN116127858B (zh) | 基于改进沙猫算法优化的gis设备温升预测方法及系统 | |
Illias et al. | Estimation of transformer parameters from nameplate data by imperialist competitive and gravitational search algorithms | |
CN103698033B (zh) | 一种具备自适应功能的变压器绕组热点温度预测评估系统 | |
CN107103184A (zh) | 一种高压电缆接头温度预测方法 | |
Stefenon et al. | Particle swarm optimization for design of insulators of distribution power system based on finite element method | |
AU2017209972B2 (en) | System and method for dynamically determining maximum electric current carrying capacities | |
Mitra et al. | Voltage sag assessment using type‐2 fuzzy system considering uncertainties in distribution system | |
Qiu et al. | Fault diagnosis for lithium-ion battery energy storage systems based on local outlier factor | |
CN114417669A (zh) | 一种基于数字孪生的变电设备故障监测预警方法与装置 | |
CN113514739A (zh) | 一种基于iwoa-bp算法的油纸绝缘老化评估方法 | |
Zhang et al. | Research on the application of Decision Tree and Random Forest Algorithm in the main transformer fault evaluation | |
Sun et al. | Contamination degree prediction of insulator surface based on exploratory factor analysis‐least square support vector machine combined model | |
CN113435073B (zh) | 一种gis母线外壳温度测点布置优化方法 | |
CN111668926B (zh) | 一种配网设备环网单元湿热气候服役微环境监测方法 | |
CN111551593A (zh) | 一种基于rbf-nn的绝缘子融冰含水率监测方法 | |
CN113255203B (zh) | 基于anfis的电气线路老化程度在线辨识系统及方法 | |
Ma et al. | Current transformer oil leak detection algorithm based on change detection and grayscale histogram double Gaussian fitting | |
Xiong et al. | Cost prediction on fabricated substation considering support vector machine via optimized quantum particle swarm optimization | |
CN111025090B (zh) | 一种基于泄漏电流差异系数的电缆寿命预测方法 | |
Burle et al. | Effect of ambient temperature variations on estimation of proximity of the voltage collapse point | |
CN116577698B (zh) | 一种基于电磁场分布的变电所接地故障监测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |