CN118013863A - 基于改进燕隼捕食算法的封闭母线温度故障监测方法 - Google Patents
基于改进燕隼捕食算法的封闭母线温度故障监测方法 Download PDFInfo
- Publication number
- CN118013863A CN118013863A CN202410417665.6A CN202410417665A CN118013863A CN 118013863 A CN118013863 A CN 118013863A CN 202410417665 A CN202410417665 A CN 202410417665A CN 118013863 A CN118013863 A CN 118013863A
- Authority
- CN
- China
- Prior art keywords
- population
- dovetail
- temperature
- yan
- sun
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 42
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000002028 premature Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 13
- 230000007774 longterm Effects 0.000 abstract description 5
- 238000009529 body temperature measurement Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
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
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明属于电力设备故障监测技术领域，具体涉及一种基于改进燕隼捕食算法的封闭母线温度故障监测方法，步骤包括设置封闭母线参数；设定温度阈值；初始化燕隼群体；设定燕隼种群的初始参数；以封闭母线在长时间运行时产生的热点为目标，建立目标函数；迭代更新燕隼种群的位置，寻找热点；在燕隼种群的迭代过程中，加入随机扰动；根据目标函数计算每个燕隼种群飞行时的发射频率和响应强度，引导燕隼种群的飞行轨迹；通过不断迭代，找到最佳位置及其对应的适应度值；对热点进行分析判断，确定其是否为潜在故障点。本发明能够对封闭母线内外部及时进行温度预测，且测量精度高、测量范围广，保障封闭母线长期安全运行。
Description
技术领域
本发明属于电力设备故障监测技术领域，具体涉及一种基于改进燕隼捕食算法的封闭母线温度故障监测方法。
背景技术
母线是电力设备中一种重要的输电和配电装置，负责将电能从发电机组传输到变电所或用户端，广泛应用于电力系统的能量传输和分配。传统的母线大多采用开放式结构，容易受环境影响，如潮湿、尘埃等会影响绝缘性能。为提高母线的可靠性和安全性，电力系统开始采用封闭式母线结构，即为封闭母线。
封闭母线采用全封闭的金属壳体设计，将母线完全包裹在内，隔离外界环境，能够有效保护母线。但封闭结构的同时也会使母线内部易产生热量累积。热量累积产生的高温会影响绝缘材料性能，增加绝缘故障风险。因此，需要对封闭母线进行实时测温并在出现异常时及时进行更换。
现有的封闭母线温度监测方法主要有热电偶测温法、红外测温法、热电阻测温法。热电偶法主要是使用热电偶作为传感器，直接接触封闭母线表面进行温度测量，此方法精度高，响应速度快。红外测温法是使用红外测温仪通过母线表面发射的红外线辐射来间接测量温度，此方法无接触测温，安装方便。热电阻测温法是使用热敏电阻作为传感器，安装在母线表面进行温度测量的一种简单方法，但是上述三种方法均存在一定的缺点和局限性。
热电偶测温法需要直接接触母线表面进行测温，在封闭环境下安装和维护比较不便，需要在多个位置安装热电偶传感器，增加了安装成本和难度；同时热电偶易受环境影响，长期使用后容易出现漂移现象，影响测量精度；接触点可能因温度变化产生热应力，影响接触质量和测量稳定性。
红外测温法测量范围受仪器视角限制，难以实现全面覆盖测量，需要多点测量才能覆盖整个母线；精度受温差的影响较大，难以实现高精度测量，同时母线表面材质和状态会影响红外辐射率，进而影响测量结果的准确性，而且周围环境温度和湿度变化也会影响测量，难以校准温差小时的测量误差。
热电阻测温需要直接接触母线表面进行测温，在封闭环境下安装和维护不方便，每个测温点需要单独布设热电阻和电路，成本较高，布线复杂度大；热电阻长期高温工作寿命短，定期需要更换，增加后期维护成本；热电阻容易受环境温度和湿度影响，需要定期校准以保证测量精度，热电阻数量限制了测量点的数量和分布，难以实现全面覆盖监测。
发明内容
根据以上现有技术中的不足，本发明提供了一种基于改进燕隼捕食算法的封闭母线温度故障监测方法，能够对封闭母线内外部及时进行温度预测，且测量精度高、测量范围广，保障封闭母线长期安全运行。
为达到以上目的，本发明提供了基于改进燕隼捕食算法的封闭母线温度故障监测方法，包括以下步骤：
S1、设置封闭母线参数，给定燕隼捕食算法中燕隼种群飞行时的空间范围，并通过安装在封闭母线内部的多个温度传感器获取封闭母线的原始温度数据；
S2、设定温度阈值，使此阈值为封闭母线承受的最大温度值，并获取每个温度传感器实时采集的温度数据；
S3、初始化燕隼群体，将获得的各个温度数据模拟成多个燕隼种群，作为燕隼捕食算法的输入量；
S4、设定燕隼种群的初始参数，包括种群大小、视觉范围、飞行速度、响应强度、发射频率、最大迭代次数；并给每个燕隼种群随机初始化一个起始的飞行位置、飞行方向和飞行速度；
S5、以封闭母线在长时间运行时产生的热点为目标，建立目标函数，燕隼捕食算法中，燕隼种群朝向热点飞行，追踪热点目标；
S6、迭代更新燕隼种群的位置，在每次迭代中，计算每个燕隼种群当前的目标函数值，即当前位置的温度与阈值温度的差值的绝对值；如果最大迭代次数下寻求的最优值接近封闭母线能承受的最大温度值，终止迭代；否则返回迭代过程，继续迭代寻找热点；
S7、在燕隼种群的迭代过程中，加入随机扰动，扰动燕隼种群的飞行方向和速度，使得燕隼种群朝向四周飞行，避免燕隼种群过早的获得局部最优值，从而扩大燕隼种群全局的搜索范围；随机扰动包括对燕隼种群的飞行位置、飞行速度以及飞行方向进行扰动；
S8、根据目标函数计算每个燕隼种群飞行时的发射频率和响应强度，引导燕隼种群的飞行轨迹，燕隼种群通过响应强度来不断感知周围的温度，根据温差来自行调整飞行方向，向封闭母线的高温处靠近；
S9、重复执行S3至S8，燕隼群体逐渐靠近热点，通过不断迭代，根据每个燕隼种群的当前位置、飞行速度和随机扰动更新各个燕隼种群的飞行位置，找到最佳位置及其对应的适应度值；检查更新后的燕隼种群位置是否满足设定的约束条件，若超出搜索空间范围，则进行修正，否则继续飞行；
S10、输出热点区域的坐标和对应的最大温差值，可视化显示封闭母线温度分布，标注出监测到的全部热点，统计并分析燕隼种群的聚集位置，得到封闭母线内部的温度分布和全部热点区域，对热点进行分析判断，确定其是否为潜在故障点。
发现潜在故障点后，可以及时提供故障维护。重复执行S1-S10，即可实时的监控与跟踪封闭母线内部的温度变化分布，进行实时故障监测。本发明中，加入随机扰动的燕隼捕食算法即为改进燕隼捕食算法。
所述的S1中，设置的封闭母线参数为封闭母线的长度和宽度，燕隼捕食算法中，通过燕隼种群的飞行搜索温度的热点，燕隼种群飞行时的空间范围（即为燕隼种群的搜索范围）设定为：
长度方向范围：0至封闭母线的总长度L；
宽度方向范围：0至W，W为在封闭母线周围设定的一个范围值，表示燕隼种群在封闭母线周围±W的宽度范围内搜索热点；
高度方向范围设置为0至0，代表燕隼种群只能在平面进行搜索。
所述的S3中，初始化燕隼群体的方法为，给定温度传感器的数量为N个，则燕隼群体包含N个燕隼种群，将每个燕隼种群赋予1至N的编号，为每个燕隼种群随机初始化其位置坐标（xN，yN），位置坐标表示该燕隼种群当前所处的位置，xN对应x方向，即为长度方向，yN对应y方向，即为宽度方向。
所述的S4中，设定的初始参数为：
种群大小：每个燕隼种群包含Y只燕隼，Y只燕隼作为种群集体行动（此处的燕隼只数可以理解为燕隼种群在搜索时种群自身的覆盖面积，燕隼只数越多，则燕隼种群自身的覆盖面积越大）；
视觉范围：燕隼种群在飞行过程中能看到的范围，设置为1至M单位距离；
飞行速度：设置x方向的飞行速度为vx，y方向的飞行速度为vy，设置范围均为-10至10单位/迭代；
响应强度：代表燕隼种群发出呼叫声的强度，接近热点时强度增加，强度范围设置为0至10，强度达到10代表燕隼种群到达热点；强度越高，越接近热点；
发射频率：设置燕隼种群发射呼叫声的频率下限为0至20kHz，燕隼种群发射呼叫声的频率上限为20至60kHz；
最大迭代次数：设置燕隼捕食算法的最大迭代次数为500次。
所述的S5中，建立目标函数的方法为：
S51、设定一个实际的热点位置坐标为（x`，y`）；
S52、计算每个燕隼种群的当前位置与该实际热点之间的距离：
（1）；
式中，da为第a个燕隼种群与实际热点（x`，y`）之间的距离；（xa，ya）为第a个燕隼种群的当前位置，a=1,2,…,N；
S53、距离的目标函数f1（x）表达式为：；通过燕隼种群的每次迭代对目标函数f1（x）进行优化，其中，Fa为每个燕隼种群到实际热点距离之和，即d1到dN的和。
所述的S6中，通过位置更新公式、速度更新公式以及频率更新公式，迭代更新燕隼种群的位置，过程为：
S61、燕隼种群位置更新公式为：
（2）；
式中，xn，yn表示燕隼种群迭代后的新位置，x0，y0表示燕隼种群当前所处的位置，vnx，vny表示燕隼种群迭代之后在x方向和y方向上的速度；
速度更新公式为：
（3）；
式中，vox，voy表示燕隼种群迭代之前在x方向和y方向上的速度，u为随机数，取值范围为[-5，5]，A为位置调整因子；
频率更新公式为：
（4）；
式中，fn为迭代后的频率，fo为迭代前的频率，q为频率调整因子，取值范围为[0，5]；
S62、针对燕隼种群所处位置和阈值温度的目标函数f2（x）表达式为：
（5）；
式中：T（x）表示燕隼种群当前位置的温度值，T（d）表示阈值温度；
S63、根据目标函数进行位置选择，如果迭代后的目标函数小于迭代前的目标函数，则保留新目标函数，否则保留旧目标函数；
S64、迭代终止条件为：若t≥Tmax或目标函数收敛，则终止迭代，否则继续执行燕隼种群的迭代，其中，t为当前迭代次数，Tmax为最大迭代次数。
所述的S7中，加入随机扰动，扩大燕隼种群的位置搜索范围的步骤为：
S71、加入飞行位置扰动：
S711、随机生成一个范围为[0,1]之间的随机数i，计算波动大小&：
（6）；
式中，&0为初始波动值，γ为衰减系数，e为指数常数；
S712、据随机数i和波动大小&，随机更新燕隼种群的飞行位置θ：
（7）；
式中，θnew、θold分别为扰动后、扰动前的燕隼种群飞行位置；U（-1，1）表示一个均匀分布在[-1,1]之间的随机数；
S713、根据θnew更新燕隼种群的位置：
（8）；
式中，xnew、xold分别为扰动后、扰动前的燕隼种群在x轴方向上的位置，vnew是燕隼种群扰动后的飞行速度，ynew、yold分别为扰动后、扰动前的燕隼种群在y轴方向上的位置；
S72、加入飞行速度扰动：
S721、设置飞行速度的扰动范围为[-5,5]m/s，生成扰动随机数p，p在设置的速度扰动范围内均匀分布；
S722、根据p计算扰动后的燕隼种群飞行速度v`，如果p大于0，则速度加快，；如果p小于0，则速度减慢，/>；
S723、进行边界判断，确保v`不小于零，否则返回S722重新扰动；
S724、用v`更新燕隼种群的飞行速度；
S73、加入飞行方向扰动：
S731、设置飞行方向扰动范围为[-1,1]度，生成一个随机数r，将r放置在方向扰动范围的周围；
S732、根据r计算扰动后的燕隼种群飞行速度；如果r大于0，则燕隼种群向左转，得到的新方向为/>；如果r小于0，则燕隼种群向右转，得到的新方向为；
S733、进行边界判断，如果大于360度，则将其取余；如果/>小于0度，则将其取余后再加360度；
S734、用更新燕隼种群的飞行方向。
加入上述扰动，可以使燕隼种群快速的找到最优的封闭母线高温处（热点），保障封闭母线安全，随机扰动还可以提高算法的鲁棒性和准确性，更好定位封闭母线内部真实热点分布。
所述的S8中，引导燕隼种群飞行轨迹，通过响应强度，感知周围温度分布的步骤为：
S81、计算燕隼种群从当前位置x到最近的热点位置x*的距离的绝对值s，；
S82、计算发射频率f，，其中fm是初始最大频率，k为控制参数；
S83、计算响应强度Q：，其中Q0是初始最大强度，β是控制参数；
S84、根据目标函数f1（x）更新燕隼种群的当前位置z，当迭代次数满足终止条件时，计算此时的发射频率f和响应强度Q；
S85、通过响应强度，感知燕隼种群周围的温度分布，方法为：
S851、设置初始目标温度T0，通过燕隼种群搜索满足T0的热点；
S852、燕隼种群在搜索过程中发出声波脉冲，发射频率f，声波在空气中传播，受到周围温度Te的影响，产生相位和幅度的变化；
S853、声波经目标反射传回，燕隼种群接受返回的声波信号，比较返回声波信号与发出声波信号的相位和幅度差异；
S854、根据声波信号的变化情况，计算周围温度Te，以及Te与目标温度T0的差值，根据/>调整响应强度Q，使得Q与/>成正比；
S855、重复S852至S854，燕隼种群感知周围温度并调整自身的方向与速度，朝向目标温度靠近，当趋近于0时，燕隼种群无限接近热点，结束搜索。
所述的S9中，每个燕隼种群根据当前视觉的观测结果以及感知结果进行移动，其中视觉观测结果即为燕隼种群距目标热点的距离，感知结果即为燕隼种群感知周围的温度分布；随后加入随机扰动，模拟视觉的误差，通过不断迭代，更新每个燕隼种群的位置，选择距离目标热点最近位置的燕隼种群作为最优结果，保留适应度最大的燕隼种群位置，输出最优位置和对应的最大适应度值（即为最优解），通过种群协作的方式，燕隼种群逐步靠近热点；其中，适应度值的计算通过进行；
检查更新后的燕隼种群位置是否满足给定的约束条件，即为当趋近于0时，燕隼种群无限接近热点，结束搜索，否则继续进行搜索；
若超出燕隼种群飞行时的空间范围，则进行修正，否则继续搜索；对每个燕隼种群的位置进行以下判断：
如果x坐标小于下限，则x坐标修正为下限值；如果x坐标大于上限，则x坐标修正为上限值；如果y坐标小于下限，则y坐标修正为下限值；如果y坐标大于上限，则y坐标修正为上限值；上限及下限即为长度方向范围和宽度方向范围的上下限，使用修正后的位置作为本次迭代的位置。
所述的S10中，对温度数据进行分析，找出移动到超过阈值温度的燕隼种群数量，阈值为最大温差的0.5至1；记录每一个热点区域的坐标以及对应的最大温差值，绘制母线温度分布图；以封闭母线长度为x轴，温度值为y轴，绘制出整条封闭母线的温度变化曲线；在温度分布图上标注出监测到的所有热点区域，在封闭母线上统计并分析燕隼种群的聚集位置，得到封闭母线内部的温度分布和全部热点区域，对热点进行分析判断，确定其是否为潜在故障点。
本发明的算法可以通过电子设备执行，电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，通过处理器执行程序实现上述的算法。
本发明所具有的有益效果是：
本发明能够利用少量温度传感器采集到的温度数据，实现封闭母线内部整体温度分布的监测和定位。采用的燕隼捕食算法使用虚拟燕隼群体进行分布式搜索，通过燕隼种群之间的合作和信息共享，能够快速定位到温度异常的热点区域。算法加入随机扰动进行改进后，每个燕隼种群的飞行方向不完全相同，能够避免局部最优，提高全局搜索能力。随着算法迭代次数增加，包含多个燕隼种群的燕隼群体会逐步靠近真实温度热点，监测精度不断提高。算法参数如燕隼种群数量、随机扰动幅度等可以进行调整，通过优化可以提高监测效率和准确率。算法模型可以建立在Matlab等工具中，实现简单，计算量小，实时监测能力强。算法结果可以直接用于封闭母线热点的定位和诊断，为故障预测和维护提供依据。算法具有一定的鲁棒性，即使部分温度传感器故障也不影响整体监测效果。算法思想简单，易于理解和应用扩展，如加入燕隼种群之间的信息交流可进一步提高效率。相比于其他监测温度的方法，本发明具有很好的实用性和优势。
附图说明
图1是本发明的流程原理图；
图2是本发明实施例中燕隼捕食算法搜索最优解的过程图；
图3是本发明实施例中燕隼捕食算法搜索到的最优解的位置图。
具体实施方式
下面结合附图对本发明的实施例做进一步描述：
如图1所示，基于改进燕隼捕食算法的封闭母线温度故障监测方法包括以下步骤：
S1、设置封闭母线参数，给定燕隼捕食算法中燕隼种群飞行时的空间范围，并通过安装在封闭母线内部的多个温度传感器获取封闭母线的原始温度数据；
S2、设定温度阈值，使此阈值为封闭母线承受的最大温度值，并获取每个温度传感器实时采集的温度数据；
S3、初始化燕隼群体，将获得的各个温度数据模拟成多个燕隼种群，作为燕隼捕食算法的输入量；
S4、设定燕隼种群的初始参数，包括种群大小、视觉范围、飞行速度、响应强度、发射频率、最大迭代次数；并给每个燕隼种群随机初始化一个起始的飞行位置、飞行方向和飞行速度；
S5、以封闭母线在长时间运行时产生的热点为目标，建立目标函数，燕隼捕食算法中，燕隼种群朝向热点飞行，追踪热点目标；
S6、迭代更新燕隼种群的位置，在每次迭代中，计算每个燕隼种群当前的目标函数值，即当前位置的温度与阈值温度的差值的绝对值；如果最大迭代次数下寻求的最优值接近封闭母线能承受的最大温度值，终止迭代；否则返回迭代过程，继续迭代寻找热点；
S7、在燕隼种群的迭代过程中，加入随机扰动，扰动燕隼种群的飞行方向和速度，使得燕隼种群朝向四周飞行，避免燕隼种群过早的获得局部最优值，从而扩大燕隼种群全局的搜索范围；随机扰动包括对燕隼种群的飞行位置、飞行速度以及飞行方向进行扰动；
S8、根据目标函数计算每个燕隼种群飞行时的发射频率和响应强度，引导燕隼种群的飞行轨迹，燕隼种群通过响应强度来不断感知周围的温度，根据温差来自行调整飞行方向，向封闭母线的高温处靠近；
S9、重复执行S3至S8，燕隼群体逐渐靠近热点，通过不断迭代，根据每个燕隼种群的当前位置、飞行速度和随机扰动更新各个燕隼种群的飞行位置，找到最佳位置及其对应的适应度值；检查更新后的燕隼种群位置是否满足设定的约束条件，若超出搜索空间范围，则进行修正，否则继续飞行；
S10、输出热点区域的坐标和对应的最大温差值，可视化显示封闭母线温度分布，标注出监测到的全部热点，统计并分析燕隼种群的聚集位置，得到封闭母线内部的温度分布和全部热点区域，对热点进行分析判断，确定其是否为潜在故障点。
S1中，设置的封闭母线参数为封闭母线的长度和宽度，燕隼捕食算法中，通过燕隼种群的飞行搜索温度的热点，燕隼种群飞行时的空间范围设定为：
长度方向范围：0至封闭母线的总长度L；L取值范围为20至50m，本实施例中L取值20m；
宽度方向范围：0至W，W为在封闭母线周围设定的一个范围值，表示燕隼种群在封闭母线周围±W的宽度范围内搜索热点；W取值范围为50至100mm，本实施例中W取值50mm；
高度方向范围设置为0至0，代表燕隼种群只能在平面进行搜索。
本实施例中，给定封闭母线材料为铜线，即为最常见的母线材料，根据其长度和宽度，设定封闭母线的长期最大工作温度阈值为40℃，短期最大峰值温度阈值为70℃。
S3中，初始化燕隼群体的方法为，给定温度传感器的数量为500个，则燕隼群体包含500个燕隼种群，将每个燕隼种群赋予1至500的编号，为每个燕隼种群随机初始化其位置坐标（xN，yN），位置坐标表示该燕隼种群当前所处的位置，xN对应x方向，即为长度方向，yN对应y方向，即为宽度方向。
S4中，设定的初始参数为：
种群大小：每个燕隼种群包含10只燕隼，10只燕隼作为种群集体行动；
视觉范围：燕隼种群在飞行过程中能看到的范围，设置为1至50单位距离；
飞行速度：设置x方向的飞行速度为vx，y方向的飞行速度为vy，设置范围均为-10至10单位/迭代；
响应强度：代表燕隼种群发出呼叫声的强度，接近热点时强度增加，强度范围设置为0至10，强度达到10代表燕隼种群到达热点；
发射频率：设置燕隼种群发射呼叫声的频率下限为0至20kHz，燕隼种群发射呼叫声的频率上限为20至60kHz；
最大迭代次数：设置燕隼捕食算法的最大迭代次数为500次。
S5中，建立目标函数的方法为：
S51、设定一个实际的热点位置坐标为（x`，y`）；
S52、计算每个燕隼种群的当前位置与该实际热点之间的距离：
（1）；
式中，da为第a个燕隼种群与实际热点（x`，y`）之间的距离；（xa，ya）为第a个燕隼种群的当前位置，a=1,2,…,N；
S53、距离的目标函数f1（x）表达式为：；通过燕隼种群的每次迭代对目标函数f1（x）进行优化，其中，Fa为每个燕隼种群到实际热点距离之和，即d1到dN的和。
S6中，通过位置更新公式、速度更新公式以及频率更新公式，迭代更新燕隼种群的位置，过程为：
S61、燕隼种群位置更新公式为：
（2）；
式中，xn，yn表示燕隼种群迭代后的新位置，x0，y0表示燕隼种群当前所处的位置，vnx，vny表示燕隼种群迭代之后在x方向和y方向上的速度；
速度更新公式为：
（3）；
式中，vox，voy表示燕隼种群迭代之前在x方向和y方向上的速度，u为随机数，取值范围为[-5，5]，A为位置调整因子；
频率更新公式为：
（4）；
式中，fn为迭代后的频率，fo为迭代前的频率，q为频率调整因子，取值范围为[0，5]；
S62、针对燕隼种群所处位置和阈值温度的目标函数f2（x）表达式为：
（5）；
式中：T（x）表示燕隼种群当前位置的温度值，T（d）表示阈值温度；设定当前燕隼种群位置为（x1,y1），则T（x）=x1+y1；
S63、根据目标函数进行位置选择，如果迭代后的目标函数小于迭代前的目标函数，则保留新目标函数，否则保留旧目标函数；
S64、迭代终止条件为：若t≥Tmax或目标函数收敛，则终止迭代，否则继续执行燕隼种群的迭代，其中，t为当前迭代次数，Tmax为最大迭代次数。
S7中，加入随机扰动，扩大燕隼种群的位置搜索范围的步骤为：
S71、加入飞行位置扰动：
S711、随机生成一个范围为[0,1]之间的随机数i，计算波动大小&：
（6）；
式中，&0为初始波动值，γ为衰减系数，e为指数常数；
S712、据随机数i和波动大小&，随机更新燕隼种群的飞行位置θ：
（7）；
式中，θnew、θold分别为扰动后、扰动前的燕隼种群飞行位置；U（-1，1）表示一个均匀分布在[-1,1]之间的随机数；
S713、根据θnew更新燕隼种群的位置：
（8）；
式中，xnew、xold分别为扰动后、扰动前的燕隼种群在x轴方向上的位置，vnew是燕隼种群扰动后的飞行速度，ynew、yold分别为扰动后、扰动前的燕隼种群在y轴方向上的位置；
S72、加入飞行速度扰动：
S721、设置飞行速度的扰动范围为[-5,5]m/s，生成扰动随机数p，p在设置的速度扰动范围内均匀分布；
S722、根据p计算扰动后的燕隼种群飞行速度v`，如果p大于0，则速度加快，；如果p小于0，则速度减慢，/>；
S723、进行边界判断，确保v`不小于零，否则返回S722重新扰动；
S724、用v`更新燕隼种群的飞行速度；
S73、加入飞行方向扰动：
S731、设置飞行方向扰动范围为[-1,1]度，生成一个随机数r，将r放置在方向扰动范围的周围；
S732、根据r计算扰动后的燕隼种群飞行速度；如果r大于0，则燕隼种群向左转，得到的新方向为/>；如果r小于0，则燕隼种群向右转，得到的新方向为；
S733、进行边界判断，如果大于360度，则将其取余；如果/>小于0度，则将其取余后再加360度；
S734、用更新燕隼种群的飞行方向。
S8中，引导燕隼种群飞行轨迹，通过响应强度，感知周围温度分布的步骤为：
S81、计算燕隼种群从当前位置x到最近的热点位置x*的距离的绝对值s，；
S82、计算发射频率f，，其中fm是初始最大频率，k为控制参数，取值0.001；
S83、计算响应强度Q：，其中Q0是初始最大强度，β是控制参数，取值1；
S84、根据目标函数f1（x）更新燕隼种群的当前位置z，当迭代次数满足终止条件时，计算此时的发射频率f和响应强度Q；
S85、通过响应强度，感知燕隼种群周围的温度分布，方法为：
S851、设置初始目标温度T0，通过燕隼种群搜索满足T0的热点；
S852、燕隼种群在搜索过程中发出声波脉冲，发射频率f，声波在空气中传播，受到周围温度Te的影响，产生相位和幅度的变化；
S853、声波经目标反射传回，燕隼种群接受返回的声波信号，比较返回声波信号与发出声波信号的相位和幅度差异；
S854、根据声波信号的变化情况，计算周围温度Te，以及Te与目标温度T0的差值，根据/>调整响应强度Q，使得Q与/>成正比；/>越大，表明环境温度偏低，响应强度Q增加；/>越小，表明环境温度接近目标，响应强度Q减小；
S855、重复S852至S854，燕隼种群感知周围温度并调整自身的方向与速度，朝向目标温度靠近，当趋近于0时，燕隼种群无限接近热点，结束搜索。
S9中，每个燕隼种群根据当前视觉的观测结果以及感知结果进行移动，其中视觉观测结果即为燕隼种群距目标热点的距离，感知结果即为燕隼种群感知周围的温度分布；随后加入随机扰动，模拟视觉的误差，通过不断迭代，更新每个燕隼种群的位置，选择距离目标热点最近位置的燕隼种群作为最优结果，保留适应度最大的燕隼种群位置，输出最优位置和对应的最大适应度值，通过种群协作的方式，燕隼种群逐步靠近热点；其中，适应度值的计算通过进行；
检查更新后的燕隼种群位置是否满足给定的约束条件，即为当趋近于0时，燕隼种群无限接近热点，结束搜索，否则继续进行搜索；
若超出燕隼种群飞行时的空间范围，则进行修正，否则继续搜索；对每个燕隼种群的位置进行以下判断：
如果x坐标小于下限，则x坐标修正为下限值；如果x坐标大于上限，则x坐标修正为上限值；如果y坐标小于下限，则y坐标修正为下限值；如果y坐标大于上限，则y坐标修正为上限值；上限及下限即为长度方向范围和宽度方向范围的上下限，使用修正后的位置作为本次迭代的位置。
图2为燕隼捕食算法搜索最优解的过程图，即为寻找最优解过程中的一个截图，图2中的每个黑点代表一个燕隼种群，燕隼种群向最优解处聚集，图3为最优解的位置图，图3中的黑点即为最优解的位置。图2和图3为获得一个最优解（热点区域）的过程，图2和图3中的x代表x方向，即为长度方向，y代表y方向，即为宽度方向，图2和图3中背景的曲线为运行软件自带，无实际含义。
S10中，对温度数据进行分析，找出移动到超过阈值温度的燕隼种群数量，阈值为最大温差的0.5至1；记录每一个热点区域的坐标（坐标即为具有x轴和y轴信息的具体位置）以及对应的最大温差值，绘制母线温度分布图；以封闭母线长度为x轴，温度值为y轴，绘制出整条封闭母线的温度变化曲线；在温度分布图上标注出监测到的所有热点区域（标注形式是在曲线上标注热点位置，将可能出现故障的点重点标注），在封闭母线上统计并分析燕隼种群的聚集位置，得到封闭母线内部的温度分布和全部热点区域，对热点进行分析判断，确定其是否为潜在故障点。
本实施例中，燕隼捕食算法采用的源代码如下：
%% Bat Algorithm Settings
Population_Size = 500;
Num_Movements = 500;
Dimension = 2;
Freq_Min = 0;
Freq_Max = 1;
Loudness = 0.5;
PulseRate = 0.5;
Gamma = 0.5;
Accuracy = 5;
End_Condition = true;
optimiser = "EggCrate";
[x_range, y_range] = Optimiser_Ranges(optimiser);
for i = 1:Population_Size
Population(i,1) = (x_range(2)-x_range(1)).*rand(1,1)+x_range(1);
Population(i,2) = (y_range(2)-y_range(1)).*rand(1,1)+y_range(1);
Fitness(i,1) = Optimisation_Function(Population(i,1),Population(i,2),optimiser,"Optimiser");
end
[Best, ind] = min(Fitness);
Bat_Loudness = ones(Population_Size,1);
Bat_PulseRate = zeros(Population_Size,1);
Bat_Frequency = zeros(Population_Size,Dimension);
Bat_Velocity = Bat_Frequency;
points = Population_Points(Population, optimiser, []);
tic
for movements = 1:Num_Movements
for bat = 1:Population_Size
Bat_Frequency(bat,:) = Freq_Min + (Freq_Max-Freq_Min)*rand(1,Dimension);
Bat_Velocity(bat,:) = (Population(ind,:) - Population(bat,:)).*Bat_Frequency(bat,:);
Position = Population(bat,:) + Bat_Velocity(bat,:);
if rand < Bat_PulseRate(bat,1)
Position = Position + mean(Bat_Loudness)*rand(1,Dimension);
end
Position = Population_Scaling(Position, x_range, y_range);
[Fitness_Value, Target] = Optimisation_Function(Position(1), Position(2), optimiser, "Optimiser");
if Fitness_Value < Fitness(bat,1)
Fitness(bat,1) = Fitness_Value;
Population(bat,:) = Position;
Bat_Loudness(bat,1) = Loudness*Bat_Loudness(bat,1);
Bat_PulseRate(bat,1) = PulseRate*(1-exp(-Gamma*movements));
if Fitness_Value < Best
ind = bat;
Best = Fitness_Value;
end
end
end
points = Population_Points(Population, optimiser, points);
end
t = toc;
fprintf("Simulation ended after %.4f seconds (Movements: %0.0f)\n",t,movements);
fprintf("Best Solution is: x = %.5f, y = %.5f with a Fitness of %.6f\n", Population(ind,1), Population(ind,2), Best);
本实施例中，燕隼捕食算法建立在Matlab中。
Claims (10)
1.基于改进燕隼捕食算法的封闭母线温度故障监测方法，其特征在于包括以下步骤：
S1、设置封闭母线参数，给定燕隼捕食算法中燕隼种群飞行时的空间范围，并通过安装在封闭母线内部的多个温度传感器获取封闭母线的原始温度数据；
S2、设定温度阈值，使此阈值为封闭母线承受的最大温度值，并获取每个温度传感器实时采集的温度数据；
S3、初始化燕隼群体，将获得的各个温度数据模拟成多个燕隼种群，作为燕隼捕食算法的输入量；
S4、设定燕隼种群的初始参数，包括种群大小、视觉范围、飞行速度、响应强度、发射频率、最大迭代次数；并给每个燕隼种群随机初始化一个起始的飞行位置、飞行方向和飞行速度；
S5、以封闭母线在长时间运行时产生的热点为目标，建立目标函数，燕隼捕食算法中，燕隼种群朝向热点飞行，追踪热点目标；
S6、迭代更新燕隼种群的位置，在每次迭代中，计算每个燕隼种群当前的目标函数值，即当前位置的温度与阈值温度的差值的绝对值；如果最大迭代次数下寻求的最优值接近封闭母线能承受的最大温度值，终止迭代；否则返回迭代过程，继续迭代寻找热点；
S7、在燕隼种群的迭代过程中，加入随机扰动，扰动燕隼种群的飞行方向和速度，使得燕隼种群朝向四周飞行，避免燕隼种群过早的获得局部最优值，从而扩大燕隼种群全局的搜索范围；随机扰动包括对燕隼种群的飞行位置、飞行速度以及飞行方向进行扰动；
S8、根据目标函数计算每个燕隼种群飞行时的发射频率和响应强度，引导燕隼种群的飞行轨迹，燕隼种群通过响应强度来不断感知周围的温度，根据温差来自行调整飞行方向，向封闭母线的高温处靠近；
S9、重复执行S3至S8，燕隼群体逐渐靠近热点，通过不断迭代，根据每个燕隼种群的当前位置、飞行速度和随机扰动更新各个燕隼种群的飞行位置，找到最佳位置及其对应的适应度值；检查更新后的燕隼种群位置是否满足设定的约束条件，若超出搜索空间范围，则进行修正，否则继续飞行；
S10、输出热点区域的坐标和对应的最大温差值，可视化显示封闭母线温度分布，标注出监测到的全部热点，统计并分析燕隼种群的聚集位置，得到封闭母线内部的温度分布和全部热点区域，对热点进行分析判断，确定其是否为潜在故障点。
2.根据权利要求1所述的基于改进燕隼捕食算法的封闭母线温度故障监测方法，其特征在于：所述的S1中，设置的封闭母线参数为封闭母线的长度和宽度，燕隼捕食算法中，通过燕隼种群的飞行搜索温度的热点，燕隼种群飞行时的空间范围设定为：
长度方向范围：0至封闭母线的总长度L；
宽度方向范围：0至W，W为在封闭母线周围设定的一个范围值，表示燕隼种群在封闭母线周围±W的宽度范围内搜索热点；
高度方向范围设置为0至0，代表燕隼种群只能在平面进行搜索。
3.根据权利要求2所述的基于改进燕隼捕食算法的封闭母线温度故障监测方法，其特征在于：所述的S3中，初始化燕隼群体的方法为，给定温度传感器的数量为N个，则燕隼群体包含N个燕隼种群，将每个燕隼种群赋予1至N的编号，为每个燕隼种群随机初始化其位置坐标（xN，yN），位置坐标表示该燕隼种群当前所处的位置，xN对应x方向，即为长度方向，yN对应y方向，即为宽度方向。
4.根据权利要求3所述的基于改进燕隼捕食算法的封闭母线温度故障监测方法，其特征在于：所述的S4中，设定的初始参数为：
种群大小：每个燕隼种群包含Y只燕隼，Y只燕隼作为种群集体行动；
视觉范围：燕隼种群在飞行过程中能看到的范围，设置为1至M单位距离；
飞行速度：设置x方向的飞行速度为vx，y方向的飞行速度为vy，设置范围均为-10至10单位/迭代；
响应强度：代表燕隼种群发出呼叫声的强度，接近热点时强度增加，强度范围设置为0至10，强度达到10代表燕隼种群到达热点；
发射频率：设置燕隼种群发射呼叫声的频率下限为0至20kHz，燕隼种群发射呼叫声的频率上限为20至60kHz；
最大迭代次数：设置燕隼捕食算法的最大迭代次数为500次。
5.根据权利要求4所述的基于改进燕隼捕食算法的封闭母线温度故障监测方法，其特征在于：所述的S5中，建立目标函数的方法为：
S51、设定一个实际的热点位置坐标为（x`，y`）；
S52、计算每个燕隼种群的当前位置与该实际热点之间的距离：
（1）；
式中，da为第a个燕隼种群与实际热点（x`，y`）之间的距离；（xa，ya）为第a个燕隼种群的当前位置，a=1,2,…,N；
S53、距离的目标函数f1（x）表达式为：；通过燕隼种群的每次迭代对目标函数f1（x）进行优化，其中，Fa为每个燕隼种群到实际热点距离之和，即d1到dN的和。
6.根据权利要求5所述的基于改进燕隼捕食算法的封闭母线温度故障监测方法，其特征在于：所述的S6中，通过位置更新公式、速度更新公式以及频率更新公式，迭代更新燕隼种群的位置，过程为：
S61、燕隼种群位置更新公式为：
（2）；
式中，xn，yn表示燕隼种群迭代后的新位置，x0，y0表示燕隼种群当前所处的位置，vnx，vny表示燕隼种群迭代之后在x方向和y方向上的速度；
速度更新公式为：
（3）；
式中，vox，voy表示燕隼种群迭代之前在x方向和y方向上的速度，u为随机数，取值范围为[-5，5]，A为位置调整因子；
频率更新公式为：
（4）；
式中，fn为迭代后的频率，fo为迭代前的频率，q为频率调整因子，取值范围为[0，5]；
S62、针对燕隼种群所处位置和阈值温度的目标函数f2（x）表达式为：
（5）；
式中：T（x）表示燕隼种群当前位置的温度值，T（d）表示阈值温度；
S63、根据目标函数进行位置选择，如果迭代后的目标函数小于迭代前的目标函数，则保留新目标函数，否则保留旧目标函数；
S64、迭代终止条件为：若t≥Tmax或目标函数收敛，则终止迭代，否则继续执行燕隼种群的迭代，其中，t为当前迭代次数，Tmax为最大迭代次数。
7.根据权利要求6所述的基于改进燕隼捕食算法的封闭母线温度故障监测方法，其特征在于：所述的S7中，加入随机扰动，扩大燕隼种群的位置搜索范围的步骤为：
S71、加入飞行位置扰动：
S711、随机生成一个范围为[0,1]之间的随机数i，计算波动大小&：
（6）；
式中，&0为初始波动值，γ为衰减系数，e为指数常数；
S712、据随机数i和波动大小&，随机更新燕隼种群的飞行位置θ：
（7）；
式中，θnew、θold分别为扰动后、扰动前的燕隼种群飞行位置；U（-1，1）表示一个均匀分布在[-1,1]之间的随机数；
S713、根据θnew更新燕隼种群的位置：
（8）；
式中，xnew、xold分别为扰动后、扰动前的燕隼种群在x轴方向上的位置，vnew是燕隼种群扰动后的飞行速度，ynew、yold分别为扰动后、扰动前的燕隼种群在y轴方向上的位置；
S72、加入飞行速度扰动：
S721、设置飞行速度的扰动范围为[-5,5]m/s，生成扰动随机数p，p在设置的速度扰动范围内均匀分布；
S722、根据p计算扰动后的燕隼种群飞行速度v`，如果p大于0，则速度加快，；如果p小于0，则速度减慢，/>；
S723、进行边界判断，确保v`不小于零，否则返回S722重新扰动；
S724、用v`更新燕隼种群的飞行速度；
S73、加入飞行方向扰动：
S731、设置飞行方向扰动范围为[-1,1]度，生成一个随机数r，将r放置在方向扰动范围的周围；
S732、根据r计算扰动后的燕隼种群飞行速度；如果r大于0，则燕隼种群向左转，得到的新方向为/>；如果r小于0，则燕隼种群向右转，得到的新方向为/>；
S733、进行边界判断，如果大于360度，则将其取余；如果/>小于0度，则将其取余后再加360度；
S734、用更新燕隼种群的飞行方向。
8.根据权利要求7所述的基于改进燕隼捕食算法的封闭母线温度故障监测方法，其特征在于：所述的S8中，引导燕隼种群飞行轨迹，通过响应强度，感知周围温度分布的步骤为：
S81、计算燕隼种群从当前位置x到最近的热点位置x*的距离的绝对值s，；
S82、计算发射频率f，，其中fm是初始最大频率，k为控制参数；
S83、计算响应强度Q：，其中Q0是初始最大强度，β是控制参数；
S84、根据目标函数f1（x）更新燕隼种群的当前位置z，当迭代次数满足终止条件时，计算此时的发射频率f和响应强度Q；
S85、通过响应强度，感知燕隼种群周围的温度分布，方法为：
S851、设置初始目标温度T0，通过燕隼种群搜索满足T0的热点；
S852、燕隼种群在搜索过程中发出声波脉冲，发射频率f，声波在空气中传播，受到周围温度Te的影响，产生相位和幅度的变化；
S853、声波经目标反射传回，燕隼种群接受返回的声波信号，比较返回声波信号与发出声波信号的相位和幅度差异；
S854、根据声波信号的变化情况，计算周围温度Te，以及Te与目标温度T0的差值，根据/>调整响应强度Q，使得Q与/>成正比；
S855、重复S852至S854，燕隼种群感知周围温度并调整自身的方向与速度，朝向目标温度靠近，当趋近于0时，燕隼种群无限接近热点，结束搜索。
9.根据权利要求8所述的基于改进燕隼捕食算法的封闭母线温度故障监测方法，其特征在于：所述的S9中，每个燕隼种群根据当前视觉的观测结果以及感知结果进行移动，其中视觉观测结果即为燕隼种群距目标热点的距离，感知结果即为燕隼种群感知周围的温度分布；随后加入随机扰动，模拟视觉的误差，通过不断迭代，更新每个燕隼种群的位置，选择距离目标热点最近位置的燕隼种群作为最优结果，保留适应度最大的燕隼种群位置，输出最优位置和对应的最大适应度值，通过种群协作的方式，燕隼种群逐步靠近热点；其中，适应度值的计算通过进行；
检查更新后的燕隼种群位置是否满足给定的约束条件，即为当趋近于0时，燕隼种群无限接近热点，结束搜索，否则继续进行搜索；
若超出燕隼种群飞行时的空间范围，则进行修正，否则继续搜索；对每个燕隼种群的位置进行以下判断：
如果x坐标小于下限，则x坐标修正为下限值；如果x坐标大于上限，则x坐标修正为上限值；如果y坐标小于下限，则y坐标修正为下限值；如果y坐标大于上限，则y坐标修正为上限值；上限及下限即为长度方向范围和宽度方向范围的上下限，使用修正后的位置作为本次迭代的位置。
10.根据权利要求9所述的基于改进燕隼捕食算法的封闭母线温度故障监测方法，其特征在于：所述的S10中，对温度数据进行分析，找出移动到超过阈值温度的燕隼种群数量，阈值为最大温差的0.5至1；记录每一个热点区域的坐标以及对应的最大温差值，绘制母线温度分布图；以封闭母线长度为x轴，温度值为y轴，绘制出整条封闭母线的温度变化曲线；在温度分布图上标注出监测到的所有热点区域，在封闭母线上统计并分析燕隼种群的聚集位置，得到封闭母线内部的温度分布和全部热点区域，对热点进行分析判断，确定其是否为潜在故障点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410417665.6A CN118013863B (zh) | 2024-04-09 | 2024-04-09 | 基于改进燕隼捕食算法的封闭母线温度故障监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410417665.6A CN118013863B (zh) | 2024-04-09 | 2024-04-09 | 基于改进燕隼捕食算法的封闭母线温度故障监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118013863A true CN118013863A (zh) | 2024-05-10 |
| CN118013863B CN118013863B (zh) | 2024-06-25 |
Family
ID=90948845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410417665.6A Active CN118013863B (zh) | 2024-04-09 | 2024-04-09 | 基于改进燕隼捕食算法的封闭母线温度故障监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118013863B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106972403A (zh) * | 2017-03-28 | 2017-07-21 | 河南工业职业技术学院 | 一种高压输电线路检修设备 |
| US20190082650A1 (en) * | 2016-03-10 | 2019-03-21 | Senecio Ltd. | Mission planner for the aerial release of mosquitoes |
| CN114091183A (zh) * | 2021-11-29 | 2022-02-25 | 青岛科技大学 | 基于Tri-Training和深度学习的电动汽车大功率直流充电设备故障诊断方法 |
| CN114330111A (zh) * | 2021-12-06 | 2022-04-12 | 江南大学 | 基于麻雀搜索算法和模拟电荷法的输电线电场计算方法 |
| CN115756925A (zh) * | 2022-11-19 | 2023-03-07 | 中国人民解放军陆军装甲兵学院 | 一种基于智能优化算法的车载网络故障诊断方法 |
-
2024
- 2024-04-09 CN CN202410417665.6A patent/CN118013863B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190082650A1 (en) * | 2016-03-10 | 2019-03-21 | Senecio Ltd. | Mission planner for the aerial release of mosquitoes |
| CN106972403A (zh) * | 2017-03-28 | 2017-07-21 | 河南工业职业技术学院 | 一种高压输电线路检修设备 |
| CN114091183A (zh) * | 2021-11-29 | 2022-02-25 | 青岛科技大学 | 基于Tri-Training和深度学习的电动汽车大功率直流充电设备故障诊断方法 |
| CN114330111A (zh) * | 2021-12-06 | 2022-04-12 | 江南大学 | 基于麻雀搜索算法和模拟电荷法的输电线电场计算方法 |
| CN115756925A (zh) * | 2022-11-19 | 2023-03-07 | 中国人民解放军陆军装甲兵学院 | 一种基于智能优化算法的车载网络故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| XINHENG WANG等: "A Combined Model Based on EOBL-CSSA-LSSVM for Power Load Forecasting", MDPI, vol. 13, no. 9, 27 August 2021 (2021-08-27) * |
| 库杨杨等: "基于ＳＣＡ⁃ＣＨＨＯ⁃ＥＬＭ 的短期电力负荷预测", 齐鲁工业大学学报, vol. 38, no. 1, 15 February 2024 (2024-02-15) * |
| 赵萍;许德刚;: "蝙蝠算法理论研究", 电子质量, no. 09, 20 September 2018 (2018-09-20) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118013863B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110908014B (zh) | 舞动精细化订正预报方法及系统 | |
| CN111046327B (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
| CN104915493B (zh) | 一种基于有限元模型的行波管内部温度软测量方法 | |
| CN111601270A (zh) | 一种无线传感器网络拓扑结构的物联网电力监测系统及方法 | |
| CN111929549A (zh) | 基于局部放电光学信号的gil局部放电源定位方法和系统 | |
| CN112131796B (zh) | 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法 | |
| CN118013863B (zh) | 基于改进燕隼捕食算法的封闭母线温度故障监测方法 | |
| Sambariya et al. | Model order reduction by integral squared error minimization using bat algorithm | |
| Shen et al. | Distributed particle swarm optimization for the planning of time-optimal and interference-free five-axis sweep scanning path | |
| CN112985692B (zh) | 一种融合多项式与学习模型的气压传感器误差标校方法 | |
| CN108519406B (zh) | 一种架空地线轴向的导体热阻和对流热阻的计算方法 | |
| CN114241266A (zh) | 一种光缆智能预警的处理方法及系统 | |
| CN117408108A (zh) | 一种基于有限元及实时监测的健康监测方法 | |
| Ming et al. | Study on the personnel localization algorithm of the underground mine based on rssi technology | |
| US20230152092A1 (en) | Systems and Methods for Generating a Phase-Resolved Ocean Wave Forecasts with Ensemble Based Data Assimilation | |
| Wu et al. | Optimal temperature and humidity control for autonomous control system based on PSO‐BP neural networks | |
| CN113591363B (zh) | 一种基于多频超声检测的变压器油介质损耗回归预测方法 | |
| CN115828688A (zh) | 一种基于高斯过程回归的数字孪生电缆温度预测方法 | |
| CN109656229A (zh) | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 | |
| CN117817673B (zh) | 晶圆搬运机械臂动态路径调整系统及方法 | |
| Chen | Partial Discharge Monitoring of Dry Distribution Transformer Based on Grid Search Scheme and Characteristic Analysis | |
| CN118149606B (zh) | 一种硅烷间歇炉及其加热控制方法 | |
| CN116734847B (zh) | 一种激光捷联惯组温度补偿方法 | |
| Liu et al. | An improved weighted centroid localisation algorithm for wireless sensor networks in coal mine underground | |
| Sun et al. | Gas Insulated Switchgear Partial Discharge Analysis Based on Optical Detection and Positioning |
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 |