【技术实现步骤摘要】
本专利技术涉及直流输电，具体涉及一种基于nsd神经网络的均压环参数优化方法。
技术介绍
1、直流电压比例国家标准装置(national standard device ofdc voltage ratio)是我国保存和复现直流电压比例量值的最高标准装置，是统一全国直流高电压比例量值的基本标尺。直流电压比例标准装置在设计和使用时的电场分布，既影响标准装置的绝缘安全，又影响标准装置的准确度，为了保证绝缘安全，需要降低标准装置的最大场强，同时为了减小由电晕放电引起的电晕电流，保证标准装置的准确度，需要优化测量电阻层附近的电场分布。
2、均压环可将高压均匀分布在物体周围，保证在环形各部位之间没有电位差，从而达到均压的效果。但由于直流高压发生器均压环的尺寸和位置参数与电场强度分布之间存在非线性关系，难以获得解析表达式，由此需要一种准确，快速的方法来找到标准装置均压环的最优参数设计。
3、传统的方法是基于仿真实验的方法通过正交设定均压环的不同参数，而后对比来获得电场分布最优时的均压环参数。此方法不仅费时费力，而且获得的“最优”均压环参数时的电场分布极大可能是在真正的最优参数附近，即精确度不够。
4、近年来，由于人工智能技术的广泛发展和应用，使得用人工智能的方法来预测均压环的最优参数成为可能。在相关技术中，公布号为cn112464562a的专利申请文献中公开了一种高压直流分压器均压环的模型结构参数优化方法，该方法通过获取均压环参数，通过均压环参数构建神经网络，所述神经网络包括输入层、隐藏层和输出层，所述均压
技术实现思路
1、本专利技术所要解决的技术问题在于如何快速准确的预测均压环最优参数。
2、本专利技术通过以下技术手段解决上述技术问题的：
3、提出了一种基于nsd神经网络的均压环参数优化方法，所述方法包括：
4、获取均压环的最优参数特征数据集；
5、利用所述最优参数特征数据集对预先构建的nsd神经网络模型进行训练和性能验证，得到验证好的nsd神经网络预测模型；
6、采用所述nsd神经网络预测模型计算设定的均压环参数区间内各参数下的标准装置表面最大场强度emax；
7、以均压环参数区间内标准装置表面最大场强度emax最小为适应度函数，采用混沌遗传算法对所述nsd神经网络预测模型输出的均压环参数进行寻优，确定最佳均压环参数。
8、进一步地，所述获取均压环的最优参数特征数据集，包括：
9、在仿真软件中，收集直流电压比例标准装置均压环在不同对地高度、内径、半径时标准装置的最大电场强度的数据，作为均压环最优参数特征数据；
10、对所述均压环最优参数特征数据进行归一化处理，并利用预处理后的标准化均压环最优参数特征数据构建所述最优参数特征数据集。
11、进一步地，所述nsd神经网络模型包括依次连接的输入层、隐藏层和输出层，所述输入层的输入为主均压环对应的对地高度、内径、半径以及辅均压环对应的对地高度、内径、半径；
12、所述隐藏层包括依次连接的神经元数量不同的若干子隐藏层，所述输出层输出为标准装置的表面最大电场强度。
13、进一步地，所述隐藏层包括八层子隐藏层，其中第一层子隐藏层包括1*128个神经元且接有sigmoid函数，第二层子隐藏层包括1*512个神经元且接有tanh函数，第三层子隐藏层包括1*1024个神经元且接有relu函数，第四层子隐藏层包括1*4096个神经元且接有relu函数，第五层子隐藏层包括1*8192个神经元且接有tanh函数，第六层子隐藏层包括1*2048个神经元且接有sigmoid函数，第七层子隐藏层包括1*256个神经元且接有sigmoid函数，第八层子隐藏层包括1*64个神经元且接有relu函数。
14、进一步地，所述输出层用于将第八层子隐藏层的1*64的神经元结构，利用tanh函数计算输出一个[0-1]之间的无单位向量；
15、将无单位向量进行反归一化处理得到标准装置的表面最大电场强度。
16、进一步地，在对所述nsd神经网络模型进行训练时，设定每一神经网络层的dropout概率；并在每轮迭代训练更新参数时采用梯度更新规则。
17、进一步地，在对所述nsd神经网络模型进行验证时，采用均方误差作为性能函数进行验证。
18、进一步地，所述均压环参数区间包括：
19、主均压环对应的半径l：1250mm～1400mm，内径r：400mm～500mm，对地高度h：7200mm～7350mm；
20、辅均压环对应的半径l：550mm～800mm，内径r：150mm～280mm，对地高度h：8150mm～8350mm。
21、进一步地，所述适应度函数为：
22、f(x)＝min(emax)
23、所述适应度函数的约束条件为：
24、
25、式中，l、r、h分别为主均压环对应的半径、内径及对地高度，l、r、h分别为辅均压环对应的半径、内径及对地高度。
26、进一步地，所述以均压环参数区间内标准装置表面最大场强度emax最小为适应度函数，采用混沌遗传算法对所述nsd神经网络预测模型输出的均压环参数进行寻优，确定最佳均压环参数，包括：
27、对均压环的优化参数进行实数编码，随机产生100个初始种群；
28、添加混沌因子，并进行混沌迭代、载波变换，具体为：
29、设置混沌移民比例为0.3，令迭代次数数值为0，混沌因子由表示，当前种群的最优解为n为优化变量分量个数，则混沌因子计算公式如下：
30、
31、其中，分别是第i个优化分量的上限数值和下限数值，取值区间为0～1；
32、以上述公式为基础得到初始混沌变量并进行混沌迭代，混沌迭代公式为：
33、
34、其中，k为迭代次数。
35、以上式为基础进行载波变换处理，得到混沌移民个体，表达公式为：
36、
37、其中，为混沌移民个体；
38、将适应度最低的个体替换掉，得到满足条件的新种群，并在新种群中以交叉概率本文档来自技高网...
【技术保护点】
1.一种基于NSD神经网络的均压环参数优化方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于NSD神经网络的均压环参数优化方法，其特征在于，所述获取均压环的最优参数特征数据集，包括：
3.如权利要求1所述的基于NSD神经网络的均压环参数优化方法，其特征在于，所述NSD神经网络模型包括依次连接的输入层、隐藏层和输出层，所述输入层的输入为主均压环对应的对地高度、内径、半径以及辅均压环对应的对地高度、内径、半径；
4.如权利要求3所述的基于NSD神经网络的均压环参数优化方法，其特征在于，所述隐藏层包括八层子隐藏层，其中第一层子隐藏层包括1*128个神经元且接有Sigmoid函数，第二层子隐藏层包括1*512个神经元且接有Tanh函数，第三层子隐藏层包括1*1024个神经元且接有ReLU函数，第四层子隐藏层包括1*4096个神经元且接有ReLU函数，第五层子隐藏层包括1*8192个神经元且接有Tanh函数，第六层子隐藏层包括1*2048个神经元且接有Sigmoid函数，第七层子隐藏层包括1*256个神经元且接有Sigmoid函数，第八层子隐藏
5.如权利要求4所述的基于NSD神经网络的均压环参数优化方法，其特征在于，所述输出层用于将第八层子隐藏层的1*64的神经元结构，利用Tanh函数计算输出一个[0-1]之间的无单位向量；
6.如权利要求1所述的基于NSD神经网络的均压环参数优化方法，其特征在于，在对所述NSD神经网络模型进行训练时，设定每一神经网络层的dropout概率；并在每轮迭代训练更新参数时采用梯度更新规则。
7.如权利要求1所述的基于NSD神经网络的均压环参数优化方法，其特征在于，在对所述NSD神经网络模型进行验证时，采用均方误差作为性能函数进行验证。
8.如权利要求1所述的基于NSD神经网络的均压环参数优化方法，其特征在于，所述均压环参数区间包括：
9.如权利要求1所述的基于NSD神经网络的均压环参数优化方法，其特征在于，所述适应度函数为：
10.如权利要求1所述的基于NSD神经网络的均压环参数优化方法，其特征在于，所述以均压环参数区间内标准装置表面最大场强度Emax最小为适应度函数，采用混沌遗传算法对所述NSD神经网络预测模型输出的均压环参数进行寻优，确定最佳均压环参数，包括：
...【技术特征摘要】
1.一种基于nsd神经网络的均压环参数优化方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于nsd神经网络的均压环参数优化方法，其特征在于，所述获取均压环的最优参数特征数据集，包括：
3.如权利要求1所述的基于nsd神经网络的均压环参数优化方法，其特征在于，所述nsd神经网络模型包括依次连接的输入层、隐藏层和输出层，所述输入层的输入为主均压环对应的对地高度、内径、半径以及辅均压环对应的对地高度、内径、半径；
4.如权利要求3所述的基于nsd神经网络的均压环参数优化方法，其特征在于，所述隐藏层包括八层子隐藏层，其中第一层子隐藏层包括1*128个神经元且接有sigmoid函数，第二层子隐藏层包括1*512个神经元且接有tanh函数，第三层子隐藏层包括1*1024个神经元且接有relu函数，第四层子隐藏层包括1*4096个神经元且接有relu函数，第五层子隐藏层包括1*8192个神经元且接有tanh函数，第六层子隐藏层包括1*2048个神经元且接有sigmoid函数，第七层子隐藏层包括1*256个神经元且接有sigmoid函数，第八层子隐藏层包括1*64个神经元且接有relu函数。
【专利技术属性】
技术研发人员：高寅，高燃，王超，黄丹，刘单华，任民，张宏生，冯欣，嵇爱琼，李双双，石杰，李民龙，韩谷静，
申请(专利权)人：国网安徽省电力有限公司营销服务中心，
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。