特高压直流输电线路带电作业人员体表场强预测方法技术

技术编号:36541275 阅读:367 留言:0更新日期:2023-02-01 16:40
本发明专利技术提供了一种特高压直流输电线路带电作业人员体表场强预测方法,涉及特高压直流输电线路领域,本发明专利技术采用反向学习方法初始化种群,陷入局部最优的几率大大减少,加快了收敛速度。选择操作结合了精英保留策略和排序选择法的优点,同时采取小比例系数进行直接保留和淘汰,保证了进化过程的生物多样性和种群稳定性,避免了最优个体进化后消失。对交叉变异算子的改进,对劣质个体进行人工干预。引入一个四价函数对交叉变异算子进行平滑处理,保证了种群稳定性。最终实现带电作业人员在不同气象条件下的体表场强的准确预测,为人员进入等电位方式及路径选择、安全防护及评估提供指导作用。作用。作用。

【技术实现步骤摘要】
特高压直流输电线路带电作业人员体表场强预测方法


[0001]本专利技术属于特高压直流输电线路领域,具体涉及到一种特高压直流输电线路带电作业人员体表场强预测方法。

技术介绍

[0002]在特高压直流输电线路中,直流输电线路空间电荷分布不同会导致带电作业人员所处的合成电场不同,处于此合成电场的带电作业人员体表场强也随之不同。当气象条件不同时,导线表面起晕场强、离子迁移率、扩散率等参数均会发生变化,进而改变空间电荷分布,作业人员的体表场强随之发生变化。目前,主要通过实测或仿真的方式对带电作业人员的体表合成场强进行分析。现场带电作业时,通过实测的方式判断作业人员体表合成场强显然不具备操作性。另外,由于特高压直流输电线路传输距离长,所经过地区的气象条件千变万化,不同杆塔、不同季节、不同时间的气象条件均不相同,通过仿真的方式难以穷举各种气象条件,从而不可能根据现场带电作业时的实时气象条件得到作业人员的体表合成场强,仿真方式同样不具备可操作性。因此,目前的体表合成场强研究方法均无法获取现场实时气象条件下的作业人员体表合成场强,开展体表合成场强预测方法研究具有重要意义。
[0003]特高压直流输电线路带电作业人员的体表场强随气象条件变化而变化,同时人体对电场的感知程度因部位不同也会表现出差异。若带电作业人员存在尖端部位,局部场强值可能会畸变到原来的数倍,发生局部放电,严重时将导致跌落事故,危及带电作业人员的生命安全,影响线路的正常运行。因此,须考虑不同气象条件对不同身体部位的影响,构建如图1的输电线路带电作业人员体表场强有限元仿真模型示意图。
[0004]目前神经网络作为一种新的智能算法,具有自组织、自学习及极强的非线性数据处理能力,在预测算法中具有很大优势。但BP神经网络因随机初始化权值、阈值存在收敛速度慢,易陷入局部最优等问题。遗传算法是一种并行随机搜索最优化方法,可以对BP神经网络权值、阈值进行优化,具有全局搜索能力。已有一些学者对遗传算法优化BP神经网络的相关研究,但是还是存在进化失败、最优个体被破坏、种群的多样性被破坏导致寻优效果较差、陷入局部最优等缺点。
[0005]针对上述提到的现有技术的缺点,本专利技术提出了一种改进的遗传算法优化BP神经网络的算法(IGA

BP),建立了特高压直流输电线路带电作业人员的体表场强有限元仿真模型,并进行大规模仿真采集原始数据,然后将改进的遗传算法优化BP神经网络的模型用于带电作业人员在不同气象条件下的体表场强预测。最终实现带电作业人员在不同气象条件下的体表场强的准确预测,为人员进入等电位方式及路径选择、安全防护及评估提供指导作用。

技术实现思路

[0006]本专利技术提供了一种特高压直流输电线路带电作业人员体表场强预测方法,旨在解
决现有技术中均无法获取现场实时气象条件下的作业人员体表合成场强的问题。
[0007]为解决以上问题,本专利技术提供一种特高压直流输电线路带电作业人员体表场强预测方法,包括以下步骤:S1原始数据采集与处理:S11故障信号采集,通过COMSOL模型获得不同气象条件下带电作业人员不同身体部位的仿真数据;S12对采集到的数据进行归一化处理;S2改进遗传算法:包括S21改进初始化种群、S22改进的选择操作和S23交叉、变异算子的改进;S3将改进的遗传算法用于优化BP神经网络。
[0008]作为优选,S1所述的数据预处理具体如下:将采集到的数据集进行归一化处理至[0,1]区间内,并且分为训练集与测试集,采用常见的最大最小归一化法,其数学表达式为:
[0009]x
k
=(x
k

x
min
)/(x
max

x
min
)
ꢀꢀ
(1)
[0010]其中,x
min
为不同样本同一参量的最小数,x
max
为同一参量最大数。
[0011]作为优选,S2所述的改进初始化种群具体如下:
[0012]S211随机初始化种群,记为Z1;
[0013]S212生成反向种群,记为Z2;
[0014]S213将Z1与Z2按适应度排序,淘汰一半适应度差的个体,生成最终种群Z3;
[0015]S214将最终种群Z3用于遗传算法。
[0016]作为优选,S2所述的改进的选择操作具体如下:
[0017]对种群个体适应度进行排序,保留占比为t的优质个体部分,淘汰占比为t的劣质个体部分,引入的比例系数t选取范围为0~0.5;占比为t所对应个体数应最小为2,对剩余个体进行轮盘赌法选择,轮盘赌法的个体,每个个体i的选择概率pi的公式如下:
[0018]f
i
=k/F
i
ꢀꢀ
(2)
[0019][0020]式中,F
i
为个体i的适应度值,这里的公式针对于适应度越小越好的情况;k为系数;N是种群数目,t是占比系数。
[0021]作为优选,S2所述的交叉、变异算子的改进具体如下:对劣质个体进行大概率交叉、变异,引入人工干预,让其突破所拟定的交叉、变异概率的上限;同时,引入函数Pc
f
、Pv
f
,在迭代初期,让种群中的个体具有较大的交叉、变异概率,随着种群的进化,使其交叉、变异概率逐渐趋于稳定;
[0022]改进的交叉概率公式如下:
[0023][0024][0025]式中,Pc
max
是拟定的最大交叉概率,Pc
min
是拟定的最小交叉概率,Pc
b
是拟定的交叉概率变动范围,f
j
是个体j的适应度,f
avg
是当代种群的平均适应度,g是当前迭代次数,G
max
是最大进化次数;
[0026]变异概率公式如下:
[0027][0028][0029]式中,Pv
max
是拟定的最大变异概率,Pv
min
是拟定的最小变异概率,Pv
b
是拟定的变异概率变动范围,f
j
是个体j的适应度,f
avg
是当代种群的平均适应度,g是当前迭代次数,G
max
是最大进化次数。
[0030]作为优选,S3所述的具体步骤如下:
[0031]S31根据给定的训练样本数据建立BP神经网络,初始化权值、阈值;
[0032]S32对初始值进行编码,把训练样本的误差作为适应度值;
[0033]S33采用改进的初始化种群方法进行种群初始化,得到新种群;
[0034]S34利用S2提出的方法进行选择、交叉、变异;
[0035]S35计算适应度值判断是否达到设定的结束条件,满足进入S36,不满足转入S34;
[0036]S36将获得的最优权值和阈值赋给BP神经网络;
[0本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种特高压直流输电线路带电作业人员体表场强预测方法,其特征在于,包括以下步骤:S1原始数据采集与处理:S11故障信号采集,通过COMSOL模型获得不同气象条件下带电作业人员不同身体部位的仿真数据;S12对采集到的数据进行归一化处理;S2改进遗传算法:包括S21改进初始化种群、S22改进的选择操作和S23交叉、变异算子的改进;S3将改进的遗传算法用于优化BP神经网络。2.如权利1所述的一种特高压直流输电线路带电作业人员体表场强预测方法,其特征在于,S1所述的数据预处理具体如下:将采集到的数据集进行归一化处理至[0,1]区间内,并且分为训练集与测试集,采用常见的最大最小归一化法,其数学表达式为:x
k
=(x
k

x
min
)/(x
max

x
min
)
ꢀꢀꢀꢀ
(1)其中,x
min
为不同样本同一参量的最小数,x
max
为同一参量最大数。3.如权利1所述的一种特高压直流输电线路带电作业人员体表场强预测方法,其特征在于,S2所述的改进初始化种群具体如下:S211随机初始化种群,记为Z1;S212生成反向种群,记为Z2;S213将Z1与Z2按适应度排序,淘汰一半适应度差的个体,生成最终种群Z3;S214将最终种群Z3用于遗传算法。4.如权利3所述的一种特高压直流输电线路带电作业人员体表场强预测方法,其特征在于,S2所述的改进的选择操作具体如下:对种群个体适应度进行排序,保留占比为t的优质个体部分,淘汰占比为t的劣质个体部分,引入的比例系数t选取范围为0~0.5;占比为t所对应个体数应最小为2,对剩余个体进行轮盘赌法选择,轮盘赌法的个体,每个个体i的选择概率pi的公式如下:f
i
=k/F
i
ꢀꢀꢀꢀ
(2)式中,F
i
为个体i的适应度值,这里的公式针对于适应度...

【专利技术属性】
技术研发人员:张亚迪李俭陈钢周林孙文成彭宇辉张杰
申请(专利权)人:国家电网公司西南分部
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1