[发明专利]基于微分进化算法和BP神经网络的避雷器均压环优化法

摘要

本发明涉及一种基于微分进化算法和BP神经网络的避雷器均压环优化。该方法是一种基于微分进化算法和BP神经网络的混合智能寻优算法。对于用于改善避雷器电阻片表面电场分布的均压环优化问题，该方法首先基于有限元仿真软件，结合微分进化算法对均压环的优化参数进行寻优计算，然后将寻优过程产生的计算数据作为BP神经网络的训练样本数据，通过神经网络拟合建立起优化自变量与因变量之间的多维非线性关系，用训练好的BP神经网络预测输出，并结合微分算法实现了进一步寻优计算。通过大量优化数据对比表明，该方法简单、执行效率高，鲁棒性好，数据挖掘充分，并且对电磁场逆问题有一定的通用性。

主权项

1.一种基于微分进化算法和BP神经网络的避雷器均压环优化法，其特征是，包括以下步骤：步骤1、基于金属氧化物避雷器进行参数化几何建模，模型包括法兰、瓷外套、氧化锌电阻片、铝垫片、绝缘杆、绝缘筒、均压环；参考设计的均压环从上至下依次编号为环一、环二及环三；其中以均压环管径Φ、环径r、罩入深度d为自变量，电阻片上的最大电压承担率umax和均压环表面最大场强Emax为因变量，其中以umax为目标函数，Emax小于起晕场强2.2kV/mm为约束条件；步骤2、结合有限元法对避雷器电场分布求解，利用微分进化算法，根据目标函数和约束条件进行寻优循环计算，得到微分进化算法优化结果以及寻优过程中的计算数据，具体包括以下子步骤：步骤2.1、定义待求优化问题为min f(x)，种群规模为SP，最大迭代次数为MG，搜索空间可行解的维度为D，向量X(t)表示进化到第t代的种群；首先在可解空间内随机产生初始种群其中用于表征第i个个体解；初始个体的各分向量在各自空间上下限x_j,max和x_j,min间随机产生：微分进化算法的操作包括变异操作、交叉操作及选择操作；其中，操作一，变异操作具体方法是：变异因子是由父代种群随机生成的线性差分向量，变异个体由父代个体和线性差分向量组合而成；对于父代种群的任一目标向量xi而言，微分进化算法通过变异操作生成变异向量vi式中，是父代种群中随机选择的三个不同个体，且有r₁≠r₂≠r₃≠i；F为缩放因子，是介于[0,2]间的常数，用于控制差分向量的影响；操作二，交叉操作具体方法是：微分进化算法通过变异向量vi和目标向量xi各维分量的随机重组来进行交叉操作，其目的是提高种群个体多样性，防止过早收敛；DE算法生成新的交叉向量ui＝[ui,1,ui,2,…,ui,D]：式中，rand是[0,1]之间的随机数；CR为交叉因子，是范围在[0,1]内的常数，CR取值越大，发生交叉的概率就越大；randj是[1,D]范围内的随机整数，确保ui至少要从vi中获取一个元素，以保证有新的个体生成，从而使得群体避免进化停滞；操作三，选择操作具体方法是：当且仅当新的向量个体ui适应度值优于目标向量个体xi适应度值时，目标向量才会接纳ui，即xi更新取值为ui；否则xi保留至下一代子个体，并在下一次迭代寻优中继续作为目标向量执行变异操作和交叉操作；微分进化算法的选择操作即为：对父代和子代候选个体进行一对一竞争选择，优胜劣汰，使得子代个体始终不劣于父代个体，从而使得种群始终向最优解方向进化寻优；建立基于微分进化算法的均压环优化数学模型：min f＝min umax＝min f(Φi,ri,di)；其中i为均压环编号，自变量、因变量、目标函数、约束条件在所述步骤1中已经进行了说明；对进行罚函数处理，u_max是一个无量纲单位，构造罚函数为：通过目标函数和罚函数，得到个体适应度值函数：fitness＝umax+f_penalty           式六则待求min umax优化问题转换为求取最优个体适应度值：min fitness＝min(umax+f_penalty)           式七步骤2.2、基于ANSYS平台，结合微分进化算法，对3个均压环共9个参数进行优化，9个优化自变量依次编号为z1,z2,…,z9，缩放因子F的选取范围为[0.5,0.9]；交叉因子CR选择范围为[0.3,0.9]，选取的参数设置如下：SP＝10；MG＝30；D＝9；           式八步骤3、基于步骤2随机在仿生算法寻优计算数据中选取智能算法的训练数据和测试数据：输入训练数据，利用人工智能算法学习和训练自变量数组和因变量数组，获得网络权值和阈值，训练函数采用BP学习算法，网络学习函数采取带动量项的BP学习规则，性能分析函数采用均方差新能分析函数；步骤4、对训练好人工智能算法，利用神经网络测试数据中的自变量带入到训练好的BP神经网络中得到相应因变量预测值，进行测试验证，并进行误差分析，从而得以验证优化自变量与因变量之间的多维非线性映射关系；步骤5、将所述步骤2.1中微分进化算法初始自变量参数和迭代过程中经变异操作和交叉操作得到的自变量参数输入所述步骤3中得到的BP神经网络，由BP神经网络得到预测输出因变量umax和Emax，进而计算所述步骤2.1中个体适应度值，通过迭代寻找最优个体适应度值，从而得到均压环参数的优化值。