本發(fā)明專(zhuān)利技術(shù)提供了一種特高壓直流輸電線路帶電作業(yè)人員體表場(chǎng)強(qiáng)預(yù)測(cè)方法，涉及特高壓直流輸電線路領(lǐng)域，本發(fā)明專(zhuān)利技術(shù)采用反向?qū)W習(xí)方法初始化種群，陷入局部最優(yōu)的幾率大大減少，加快了收斂速度。選擇操作結(jié)合了精英保留策略和排序選擇法的優(yōu)點(diǎn)，同時(shí)采取小比例系數(shù)進(jìn)行直接保留和淘汰，保證了進(jìn)化過(guò)程的生物多樣性和種群穩(wěn)定性，避免了最優(yōu)個(gè)體進(jìn)化后消失。對(duì)交叉變異算子的改進(jìn)，對(duì)劣質(zhì)個(gè)體進(jìn)行人工干預(yù)。引入一個(gè)四價(jià)函數(shù)對(duì)交叉變異算子進(jìn)行平滑處理，保證了種群穩(wěn)定性。最終實(shí)現(xiàn)帶電作業(yè)人員在不同氣象條件下的體表場(chǎng)強(qiáng)的準(zhǔn)確預(yù)測(cè)，為人員進(jìn)入等電位方式及路徑選擇、安全防護(hù)及評(píng)估提供指導(dǎo)作用。作用。作用。
【技術(shù)實(shí)現(xiàn)步驟摘要】
特高壓直流輸電線路帶電作業(yè)人員體表場(chǎng)強(qiáng)預(yù)測(cè)方法
[0001]本專(zhuān)利技術(shù)屬于特高壓直流輸電線路領(lǐng)域，具體涉及到一種特高壓直流輸電線路帶電作業(yè)人員體表場(chǎng)強(qiáng)預(yù)測(cè)方法。
技術(shù)介紹
[0002]在特高壓直流輸電線路中，直流輸電線路空間電荷分布不同會(huì)導(dǎo)致帶電作業(yè)人員所處的合成電場(chǎng)不同，處于此合成電場(chǎng)的帶電作業(yè)人員體表場(chǎng)強(qiáng)也隨之不同。當(dāng)氣象條件不同時(shí)，導(dǎo)線表面起暈場(chǎng)強(qiáng)、離子遷移率、擴(kuò)散率等參數(shù)均會(huì)發(fā)生變化，進(jìn)而改變空間電荷分布，作業(yè)人員的體表場(chǎng)強(qiáng)隨之發(fā)生變化。目前，主要通過(guò)實(shí)測(cè)或仿真的方式對(duì)帶電作業(yè)人員的體表合成場(chǎng)強(qiáng)進(jìn)行分析。現(xiàn)場(chǎng)帶電作業(yè)時(shí)，通過(guò)實(shí)測(cè)的方式判斷作業(yè)人員體表合成場(chǎng)強(qiáng)顯然不具備操作性。另外，由于特高壓直流輸電線路傳輸距離長(zhǎng)，所經(jīng)過(guò)地區(qū)的氣象條件千變?nèi)f化，不同桿塔、不同季節(jié)、不同時(shí)間的氣象條件均不相同，通過(guò)仿真的方式難以窮舉各種氣象條件，從而不可能根據(jù)現(xiàn)場(chǎng)帶電作業(yè)時(shí)的實(shí)時(shí)氣象條件得到作業(yè)人員的體表合成場(chǎng)強(qiáng)，仿真方式同樣不具備可操作性。因此，目前的體表合成場(chǎng)強(qiáng)研究方法均無(wú)法獲取現(xiàn)場(chǎng)實(shí)時(shí)氣象條件下的作業(yè)人員體表合成場(chǎng)強(qiáng)，開(kāi)展體表合成場(chǎng)強(qiáng)預(yù)測(cè)方法研究具有重要意義。
[0003]特高壓直流輸電線路帶電作業(yè)人員的體表場(chǎng)強(qiáng)隨氣象條件變化而變化，同時(shí)人體對(duì)電場(chǎng)的感知程度因部位不同也會(huì)表現(xiàn)出差異。若帶電作業(yè)人員存在尖端部位，局部場(chǎng)強(qiáng)值可能會(huì)畸變到原來(lái)的數(shù)倍，發(fā)生局部放電，嚴(yán)重時(shí)將導(dǎo)致跌落事故，危及帶電作業(yè)人員的生命安全，影響線路的正常運(yùn)行。因此，須考慮不同氣象條件對(duì)不同身體部位的影響，構(gòu)建如圖1的輸電線路帶電作業(yè)人員體表場(chǎng)強(qiáng)有限元仿真模型示意圖。
[0004]目前神經(jīng)網(wǎng)絡(luò)作為一種新的智能算法，具有自組織、自學(xué)習(xí)及極強(qiáng)的非線性數(shù)據(jù)處理能力，在預(yù)測(cè)算法中具有很大優(yōu)勢(shì)。但BP神經(jīng)網(wǎng)絡(luò)因隨機(jī)初始化權(quán)值、閾值存在收斂速度慢，易陷入局部最優(yōu)等問(wèn)題。遺傳算法是一種并行隨機(jī)搜索最優(yōu)化方法，可以對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值進(jìn)行優(yōu)化，具有全局搜索能力。已有一些學(xué)者對(duì)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的相關(guān)研究，但是還是存在進(jìn)化失敗、最優(yōu)個(gè)體被破壞、種群的多樣性被破壞導(dǎo)致尋優(yōu)效果較差、陷入局部最優(yōu)等缺點(diǎn)。
[0005]針對(duì)上述提到的現(xiàn)有技術(shù)的缺點(diǎn)，本專(zhuān)利技術(shù)提出了一種改進(jìn)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法(IGA
?
BP)，建立了特高壓直流輸電線路帶電作業(yè)人員的體表場(chǎng)強(qiáng)有限元仿真模型，并進(jìn)行大規(guī)模仿真采集原始數(shù)據(jù)，然后將改進(jìn)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模型用于帶電作業(yè)人員在不同氣象條件下的體表場(chǎng)強(qiáng)預(yù)測(cè)。最終實(shí)現(xiàn)帶電作業(yè)人員在不同氣象條件下的體表場(chǎng)強(qiáng)的準(zhǔn)確預(yù)測(cè)，為人員進(jìn)入等電位方式及路徑選擇、安全防護(hù)及評(píng)估提供指導(dǎo)作用。
技術(shù)實(shí)現(xiàn)思路
[0006]本專(zhuān)利技術(shù)提供了一種特高壓直流輸電線路帶電作業(yè)人員體表場(chǎng)強(qiáng)預(yù)測(cè)方法，旨在解
決現(xiàn)有技術(shù)中均無(wú)法獲取現(xiàn)場(chǎng)實(shí)時(shí)氣象條件下的作業(yè)人員體表合成場(chǎng)強(qiáng)的問(wèn)題。
[0007]為解決以上問(wèn)題，本專(zhuān)利技術(shù)提供一種特高壓直流輸電線路帶電作業(yè)人員體表場(chǎng)強(qiáng)預(yù)測(cè)方法，包括以下步驟：S1原始數(shù)據(jù)采集與處理：S11故障信號(hào)采集，通過(guò)COMSOL模型獲得不同氣象條件下帶電作業(yè)人員不同身體部位的仿真數(shù)據(jù)；S12對(duì)采集到的數(shù)據(jù)進(jìn)行歸一化處理；S2改進(jìn)遺傳算法：包括S21改進(jìn)初始化種群、S22改進(jìn)的選擇操作和S23交叉、變異算子的改進(jìn)；S3將改進(jìn)的遺傳算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。
[0008]作為優(yōu)選，S1所述的數(shù)據(jù)預(yù)處理具體如下：將采集到的數(shù)據(jù)集進(jìn)行歸一化處理至[0,1]區(qū)間內(nèi)，并且分為訓(xùn)練集與測(cè)試集，采用常見(jiàn)的最大最小歸一化法，其數(shù)學(xué)表達(dá)式為：
[0009]x
k
＝(x
k
?
x
min
)/(x
max
?
x
min
)
??
(1)
[0010]其中，x
min
為不同樣本同一參量的最小數(shù)，x
max
為同一參量最大數(shù)。
[0011]作為優(yōu)選，S2所述的改進(jìn)初始化種群具體如下：
[0012]S211隨機(jī)初始化種群，記為Z1；
[0013]S212生成反向種群，記為Z2；
[0014]S213將Z1與Z2按適應(yīng)度排序，淘汰一半適應(yīng)度差的個(gè)體，生成最終種群Z3；
[0015]S214將最終種群Z3用于遺傳算法。
[0016]作為優(yōu)選，S2所述的改進(jìn)的選擇操作具體如下：
[0017]對(duì)種群個(gè)體適應(yīng)度進(jìn)行排序，保留占比為t的優(yōu)質(zhì)個(gè)體部分，淘汰占比為t的劣質(zhì)個(gè)體部分，引入的比例系數(shù)t選取范圍為0～0.5；占比為t所對(duì)應(yīng)個(gè)體數(shù)應(yīng)最小為2，對(duì)剩余個(gè)體進(jìn)行輪盤(pán)賭法選擇，輪盤(pán)賭法的個(gè)體，每個(gè)個(gè)體i的選擇概率pi的公式如下：
[0018]f
i
＝k/F
i
??
(2)
[0019][0020]式中，F(xiàn)
i
為個(gè)體i的適應(yīng)度值，這里的公式針對(duì)于適應(yīng)度越小越好的情況；k為系數(shù)；N是種群數(shù)目，t是占比系數(shù)。
[0021]作為優(yōu)選，S2所述的交叉、變異算子的改進(jìn)具體如下：對(duì)劣質(zhì)個(gè)體進(jìn)行大概率交叉、變異，引入人工干預(yù)，讓其突破所擬定的交叉、變異概率的上限；同時(shí)，引入函數(shù)Pc
f
、Pv
f
，在迭代初期，讓種群中的個(gè)體具有較大的交叉、變異概率，隨著種群的進(jìn)化，使其交叉、變異概率逐漸趨于穩(wěn)定；
[0022]改進(jìn)的交叉概率公式如下：
[0023][0024][0025]式中，Pc
max
是擬定的最大交叉概率，Pc
min
是擬定的最小交叉概率，Pc
b
是擬定的交叉概率變動(dòng)范圍，f
j
是個(gè)體j的適應(yīng)度，f
avg
是當(dāng)代種群的平均適應(yīng)度，g是當(dāng)前迭代次數(shù)，G
max
是最大進(jìn)化次數(shù)；
[0026]變異概率公式如下：
[0027][0028][0029]式中，Pv
max
是擬定的最大變異概率，Pv
min
是擬定的最小變異概率，Pv
b
是擬定的變異概率變動(dòng)范圍，f
j
是個(gè)體j的適應(yīng)度，f
avg
是當(dāng)代種群的平均適應(yīng)度，g是當(dāng)前迭代次數(shù)，G
max
是最大進(jìn)化次數(shù)。
[0030]作為優(yōu)選，S3所述的具體步驟如下：
[0031]S31根據(jù)給定的訓(xùn)練樣本數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)，初始化權(quán)值、閾值；
[0032]S32對(duì)初始值進(jìn)行編碼，把訓(xùn)練樣本的誤差作為適應(yīng)度值；
[0033]S33采用改進(jìn)的初始化種群方法進(jìn)行種群初始化，得到新種群；
[0034]S34利用S2提出的方法進(jìn)行選擇、交叉、變異；
[0035]S35計(jì)算適應(yīng)度值判斷是否達(dá)到設(shè)定的結(jié)束條件，滿(mǎn)足進(jìn)入S36，不滿(mǎn)足轉(zhuǎn)入S34；
[0036]S36將獲得的最優(yōu)權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)；
[0本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
【技術(shù)特征摘要】
1.一種特高壓直流輸電線路帶電作業(yè)人員體表場(chǎng)強(qiáng)預(yù)測(cè)方法，其特征在于，包括以下步驟：S1原始數(shù)據(jù)采集與處理：S11故障信號(hào)采集，通過(guò)COMSOL模型獲得不同氣象條件下帶電作業(yè)人員不同身體部位的仿真數(shù)據(jù)；S12對(duì)采集到的數(shù)據(jù)進(jìn)行歸一化處理；S2改進(jìn)遺傳算法：包括S21改進(jìn)初始化種群、S22改進(jìn)的選擇操作和S23交叉、變異算子的改進(jìn)；S3將改進(jìn)的遺傳算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。2.如權(quán)利1所述的一種特高壓直流輸電線路帶電作業(yè)人員體表場(chǎng)強(qiáng)預(yù)測(cè)方法，其特征在于，S1所述的數(shù)據(jù)預(yù)處理具體如下：將采集到的數(shù)據(jù)集進(jìn)行歸一化處理至[0,1]區(qū)間內(nèi)，并且分為訓(xùn)練集與測(cè)試集，采用常見(jiàn)的最大最小歸一化法，其數(shù)學(xué)表達(dá)式為：x
k
＝(x
k
?
x
min
)/(x
max
?
x
min
)
????
(1)其中，x
min
為不同樣本同一參量的最小數(shù)，x
max
為同一參量最大數(shù)。3.如權(quán)利1所述的一種特高壓直流輸電線路帶電作業(yè)人員體表場(chǎng)強(qiáng)預(yù)測(cè)方法，其特征在于，S2所述的改進(jìn)初始化種群具體如下：S211隨機(jī)初始化種群，記為Z1；S212生成反向種群，記為Z2；S213將Z1與Z2按適應(yīng)度排序，淘汰一半適應(yīng)度差的個(gè)體，生成最終種群Z3；S214將最終種群Z3用于遺傳算法。4.如權(quán)利3所述的一種特高壓直流輸電線路帶電作業(yè)人員體表場(chǎng)強(qiáng)預(yù)測(cè)方法，其特征在于，S2所述的改進(jìn)的選擇操作具體如下：對(duì)種群個(gè)體適應(yīng)度進(jìn)行排序，保留占比為t的優(yōu)質(zhì)個(gè)體部分，淘汰占比為t的劣質(zhì)個(gè)體部分，引入的比例系數(shù)t選取范圍為0～0.5；占比為t所對(duì)應(yīng)個(gè)體數(shù)應(yīng)最小為2，對(duì)剩余個(gè)體進(jìn)行輪盤(pán)賭法選擇，輪盤(pán)賭法的個(gè)體，每個(gè)個(gè)體i的選擇概率pi的公式如下：f
i
＝k/F
i
????
(2)式中，F(xiàn)
i
為個(gè)體i的適應(yīng)度值，這里的公式針對(duì)于適應(yīng)度...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：張亞迪，李儉，陳鋼，周林，孫文成，彭宇輝，張杰，
申請(qǐng)(專(zhuān)利權(quán))人：國(guó)家電網(wǎng)公司西南分部，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。