[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

说明书

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。

技术领域

本发明属于电磁场逆问题研究领域，尤其是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法。

背景技术

现阶段研究电磁场逆问题的方法主要有试验测量方法，和基于有限元的数值计算方法。现有技术分别有：

1、结合试验测量和有限元计算分析了影响避雷器电位分布的多种因素；

2、结合试验测量和有限元计算分析了影响避雷器电位分布的多种因素；采用不同的边界处理方法解决了避雷器有限元计算的开域问题，计算并分析了影响电压承担率的各个因素，保证了有限元的优点和程序的通用性

随着人工智能技术在理论和应用方面的突破性发展，有限元结合人工智能技术在对电气设备的结构优化设计方面也得到广泛应用，如以下文献或以有限元法结合遗传算法，或结合粒子群算法，或结合神经网络进行寻优计算，均取得不错的效果。

常用的人工智能算法包括支持向量机、BP神经网络、人工神经网络等，常用的仿生算法包括微分进化算法、粒子群算法、蚁群算法等。与仿生算法相比，人工智能算法具有简单、灵活、有记忆性，能够进行合理预测等特点，人工智能算法计算时间基本上可以忽略不计，只需用少量的时间计算一些样本供训练和验证使用，大大缩短了优化过程的时间，但在全局收敛性方面较仿生算法差；仿生算法计算全局最优解受制于初始种群规模，且寻优迭代计算通常耗时较长，对计算机硬件要求较高。

为了适应寻优过程的需求，克服上述算法缺点，提出了混合智能算法的概念，并在工程领域有较多应用：基于对配电网中各个开关状态的网络重构问题优化研究，提出了结合遗传算法(GA)中的进化思想和粒子群算法(PSO)中的群体智能技术，提出了一种混合遗传粒子群优化算法(HGAPSO)解决配电网络重构问题，结合3个不同规模的IEEE测试网络的重构问题并做了多方面的比较，取得了令人满意的效果，体现出较GA和PSO更好的寻优性能。在寻优过程中，部分个体以PSO方法迭代，其它个体进行GA中的交叉和变异操作，整个群体信息共享，同时采用自适应参数机制和优胜劣汰的思想进化；基于对电力系统无功优化算法的深入研究，提出将免疫遗传算法与变尺度混沌优化算法进行结合，形成一种混合智能算法，从而解决了免疫遗传算法易陷于局部最优和在接近全局最优解时搜索速度减慢的缺点，通过对IEEE-30节点系统和内蒙古巴盟地区实际电网无功优化计算表明，结合混合智能算法的电力系统无功优化方法具有良好的理论价值和实用价值；基于多目标风电场接入的输电线路与电网的联合优化规划模型；针对目标权重未知、人工神经网络(artificialneural network，ANN)收敛困难、无法合理决策等问题，采用方差最大化决策和分类逼近理想解的排序方法technique for order preference by similarity to an idealsolution，TOPSIS)缩小最优解的范围，并在此基础上提出了随机模拟、神经元网络和非劣排序遗传算法II(non-dominated sorting genetic algorithm II，NSGA-II)相结合的混合智能算法；对增加风电场的改进IEEEGarver-6系统进行计算分析，结果表明该方法具有较高的决策效率和计算精度。

目前对于电磁场逆问题研究，多融合有限元法与单一智能算法进行寻优迭代计算，这些方法虽然很好的解决了某些电磁场逆问题中的开域问题，但迭代计算时间，全局收敛和最优解精度等方面的问题依然较为突出。

发明内容