[发明专利]基于混沌万有引力搜索的SVM的电厂设备状态监测方法

说明书

技术领域

本发明涉及一种电厂设备状态监测方法，尤其涉及一种基于混沌万有引力搜索的SVM的电厂设备状态监测方法。

背景技术

SVM(支持向量机)的性能与其相关参数的选取有很大关系，目前常用的SVM参数优化方法有蚁群优化算法、遗传算法、粒子群优化算法等。上述算法都在相应的领域证明了各自的有效性，但在寻优的过程中均会不同程度地陷入局部最优，因此探索新的群体智能算法优化SVM参数是有意义的。

2009年，伊朗克曼大学的教授Esmat Rashedi等提出一种新的启发式优化算法——万有引力搜索算法(Gravitational Search Algorithm，GSA)，研究发现，在对标准测试函数进行优化时，GSA的寻优精度和收敛速度都明显优于粒子群优化算法和遗传算法等优化算法。但是与其它智能优化算法一样，GSA也存在局部优化能力差的问题。

综上所述，现在需要发明一种算法既能优化寻优精度、收敛速度，又能解决存在局部优化能力差的问题。

发明内容

针对万有引力搜索算法在参数优化及应用方面存在局部优化能力差的问题，本发明研制一种基于混沌万有引力搜索的SVM的电厂设备状态监测方法。

为达到上述发明目的，本发明的混沌万有引力搜索算法，其特征在于，包括以下步骤：

第一步初始种群的产生

利用混沌序列产生初始种群的步骤如下：

a.产生一个D维的随机向量：

   (1)式中：且各分量之间有微小差别。

b.Logistic映射：将η₀作为迭代初始值，根据Logistic映射得到方程为：

ηi+1d=μηid(1-ηid)---(2)]]>

式中：μ＝4，i＝1,2,…N，d＝1,2,…,D。

c.将混沌运动的遍历范围映射到优化变量的搜索区间。

   (3)式中：max^d为取值上限，min^d为取值下限。

第二步对新种群的处理

将新种群按照适应度大小分成3个等级：好(A)、中(B)、差(C)，分别给予不同的操作。

a.群体A中每个粒子在其小邻域内，利用混沌序列产生p个新粒子，最后保留包括自身在内的p+1个粒子中适应度最好的粒子。该操作相当于在优秀粒子的小邻域内搜索更优秀的粒子。利用混沌序列产生小邻域内的粒子的步骤如下：

a.1利用公式(1)(2)得到p个混沌变量η_i。

a.2将混沌变量按公式(4)“放大”到一个以粒子当前位置为中心，以r为半径的区域上。这里取r＝0.005(max^d-min^d)，max^d为d维最大值，min^d为d维最小值。