【技术实现步骤摘要】
本专利技术涉及避雷器阻性电流预测，尤其涉及一种基于vmd-elm-aefa的避雷器阻性电流预测方法。
技术介绍
1、避雷器是一种用于保护电力系统和设备免受雷电冲击的重要装置。在避雷器的工作中，阻性电流是一个重要参数，大规模电力系统的稳定性对电力供应的可靠性至关重要。雷电冲击可能导致电力系统的瞬时故障或停电，通过预测阻性电流，可以帮助系统运营商采取必要的措施，以维护系统的稳定性，减少故障和停电的风险。同时避雷器的主要作用之一是将雷电冲击引导到地面，以保护与电力系统相关的设备和线路免受损害。阻性电流是指在避雷器引导雷电冲击时的电流大小。通过预测阻性电流，可以确保避雷器足够强大，以应对各种雷电冲击，从而保护关键设备的安全运行。
2、目前常常采用机器学习以及神经网络的方法对避雷器的阻性电流预测进行研究，但是阻性电流通常是非线性、随机性特别强的序列，仅通过单一的模型无法达到对阻性电流精准预测。
技术实现思路
1、本专利技术解决的技术问题是：针对阻性电流非线性、随机性特别强的特点，本专利技术提出一种基于vmd-elm-aefa算法的避雷器数据分析方法，通过复合模型实现避雷器阻性电流的精准预测。
2、为解决上述技术问题，本专利技术提供如下技术方案：
3、首先，采将原始的避雷器阻性电流进行序列的分解，减少原始序列的复杂性和非线性，同时提取序列的有效信息。接着，对分解后的k个imf分量提取并将分量数据进行归一化处理，划分相应的训练集和测试集。然后，初始化aefa算
4、作为本专利技术所述的一种基于vmd-elm-aefa算法的避雷器数据分析方法的一种优选方案，其中：通过建立约束模型完成变分模态算法分解，首先通过引入拉格朗日因子和二次惩罚因子将原先的约束问题转变成非约束问题，随后通过一定的方法持续的更新各分解分量的带宽和中心频率，以此来寻找最优解，完成原始信号的分解。
5、作为本专利技术所述的一种基于vmd-elm-aefa算法的避雷器数据分析方法的一种优选方案，其中：假设存在n个训练样本(xi，ti)，通过网络的隐层节点数为l，则神经网络输出层各节点的输出为：
6、
7、其中，f(x)为激活函数,ωi＝[ω1,ω2,…ωn]为输入权重，βi为输出权重，bi为输入层和隐含层之间的偏置值。
8、当输出能够以零误差逼近任意n个样本，即：
9、
10、则上式可以表示为：
11、
12、式(2)可以转换为具体的矩阵形式：
13、h·β＝t (4)
14、
15、其中，t表示为期望输出，h为经激活函数激活后隐层节点的输出，β为隐含层和输出层间的权重。
16、作为本专利技术所述的一种基于vmd-elm-aefa算法的避雷器数据分析方法的一种优选方案，其中：为了使得样本上具有较好效果的β，需满足训练误差最小，可以将hβ的预测结果与真实的结果t求最小化平方差作为适应度函数，使得该目标函数最小的解就是最优解。即通过最小化近似平方差的方法对连接隐藏层和输出层的权重β进行计算，适应度函数如下：
17、min‖hβ-t‖2 (6)
18、可以推导得到(5)的最优解记作为：
19、β＝h-1·t (7)
20、作为本专利技术所述的一种基于vmd-elm-aefa算法的避雷器数据分析方法的一种优选方案，其中：假定带电粒子的种群数目为n，则在d维的搜索区域中，第i个粒子可表示为：
21、
22、其中，为第i个种群在d维空间中的位置。
23、在d维空间中，t时刻种群的位置更新如下所示：
24、
25、其中，代表第i个带电粒子在d维空间的位置，f(pi)以及f(xi)为目标函数值。
26、粒子j在当前时刻t作用在例子i上面的具体电力表示为：
27、
28、其中，qi(t)和qj(t)分别代表t时刻下第i个和第j个粒子的电荷，k(t)表示t时刻下的库伦常数，可表示为：
29、
30、其中k0和α分别表示常数和初始时刻值；iter和maxiter分别代表当前迭代次数和最大迭代次数；rij(t)表示粒子和粒子之间的欧几里得距离。
31、同时其他粒子作用在第i个粒子的电力公式计算如下：
32、
33、其中，rand为0-1范围内随机数，n为粒子数量，fi为第i个粒子上的合力。在t时刻下，第i个粒子电场的公式描述公式为：
34、
35、作为本专利技术所述的一种基于vmd-elm-aefa算法的避雷器数据分析方法的一种优选方案，其中：根据牛顿第二定律，t时刻下，第i个粒子的加速度可以表示为：
36、
37、其中，mi(t)表示第i个粒子在t时刻下的单位质量。
38、根据速度和位置更新公式对电荷粒子进行更新，具体表现形式为：
39、
40、
41、作为本专利技术所述的一种基于vmd-elm-aefa算法的避雷器数据分析方法的一种优选方案，其中：将以上模型预测得到各自分量的结果进行叠加得到最后阻性电流的预测结果。
42、与现有技术相比，本专利技术的有益效果：基于vmd-elm-aefa相结合的避雷器阻性电流预测模型来判断moa裂化趋势，变分模态分解(vmd)可以有效的提取阻性电流内在趋势，降低序列非线性，在阻性电流的实际与模型预测的结果中，与单一的模型和未分解的组合模型相比，实际的拟合优度以及模型的误差指标rmse、mae、mape均有明显提升，可以有效的实现对阻性电流的精准预测。
本文档来自技高网...【技术保护点】
1.一种基于VMD-ELM-AEFA的避雷器阻性电流预测方法，其特征在于：
2.如权利要求1所述的基于VMD-ELM-AEFA的避雷器阻性电流预测方法，其特征在于：所述用变分模态分解法将原始的避雷器阻性电流进行序列的分解，具体是：首先引入拉格朗日因子和二次惩罚因子将原先的约束问题转变成非约束问题，随后持续更新各分解分量的带宽和中心频率，寻找最优解，完成原始信号的序列分解。
3.如权利要求2所述的基于VMD-ELM-AEFA的避雷器阻性电流预测方法，其特征在于：
4.如权利要求1所述基于VMD-ELM-AEFA的避雷器阻性电流预测方法，其特征在于：所述初始化AEFA算法参数，包括电荷数量，上下边界，迭代次数；ELM模型参数包括隐层节点数，初始权值和阈值，随后将分解的IMF分量和余量同时采用AEFA算法对ELM模型进行寻优，找到最优的种群位置，并计算ELM模型最优的权值和阈值后重新代入模型中进行预测，得到各个分量的模型预测结果，具体如下：
【技术特征摘要】
1.一种基于vmd-elm-aefa的避雷器阻性电流预测方法，其特征在于：
2.如权利要求1所述的基于vmd-elm-aefa的避雷器阻性电流预测方法，其特征在于：所述用变分模态分解法将原始的避雷器阻性电流进行序列的分解，具体是：首先引入拉格朗日因子和二次惩罚因子将原先的约束问题转变成非约束问题，随后持续更新各分解分量的带宽和中心频率，寻找最优解，完成原始信号的序列分解。
3.如权利要求2所述的基于vmd-elm-...
【专利技术属性】
技术研发人员：罗毅，李东生，丁海波，马益鑫，曾博，李刚，朱朝平，常宽，张元月，庞伟生，杨振宇，魏中，李亮，陈凯，陈苹苹，庞磊，曹有锦，代珍山，郑高洁，许宝宏，柳强明，马明忠，刘一帆，朱锦伟，黄腾，李振兴，孙永柯，张雁君，
申请(专利权)人：国网青海省电力公司海北供电公司，
类型：发明
国别省市：
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。