基于改进狼群算法的变压器混合极化模型参数辨识方法技术

本发明专利技术涉及一种基于改进狼群算法的变压器混合极化模型参数辨识方法，包括以下步骤：对狼群算法进行改进，引入自适应步长，狼群每次移动的步长由狼群当前位置和头狼位置决定；令改进的狼群算法中狼群位置为混合极化模型的模型参数辨识值，构建基于模型参数辨识值和实测值的狼群捕猎函数；进行狼群狩猎活动，初始化狼群位置，基于狼群捕猎函数产生头狼，并进行狼群的探寻行为、狼群的号召行为和狼群的捕猎行为；根据“强者为王”的机制更新头狼的位置，并根据“弱肉强食”的机制对狼群进行更新换代；重复上述狼群狩猎活动进行狼群的迭代更新，达到迭代终止条件后，输出当前头狼的位置为最优的混合极化模型的模型参数辨识值。为最优的混合极化模型的模型参数辨识值。为最优的混合极化模型的模型参数辨识值。

【技术实现步骤摘要】
基于改进狼群算法的变压器混合极化模型参数辨识方法


[0001]本专利技术涉及一种基于改进狼群算法的变压器混合极化模型参数辨识方法，属于变压器等效电路模型参数辨识


技术介绍

[0002]变压器油纸绝缘系统由绝缘油、绝缘纸板等不同介电常数的绝缘介质所构成，其微观介电响应十分复杂，主要包括偶极子转向极化反应与界面极化反应。以多条RC串联支路并联来模拟绝缘介质极化过程的扩展德拜电路模型虽然考虑了电介质的偶极子转向极化，但忽略了随绝缘老化而逐渐突显的界面极化反应，因此无法较好的贴合实际油纸绝缘系统的弛豫响应过程。
[0003]混合极化模型是一种基于扩展德拜模型的改进模型，引入界面极化等效支路来反映油纸绝缘系统的界面极化特性，其继承了扩展德拜模型对油纸绝缘电导与极化微观基理解释，更补充阐述了复杂界面极化现象。由于引入了麦克斯韦支路，使得该模型更为复杂，在参数辨识上存在一定难度。传统混合极化模型参数辨识采用粒子群算法，但由于算法局限性，该算法在后期存在学习对象单一，容易陷入局部最优，使得辨识精度不高。

技术实现思路

[0004]为了解决上述现有技术中存在的问题，本专利技术提出了一种基于改进狼群算法的变压器混合极化模型参数辨识方法，利用改进狼群算法的寻优多样化，避免了狼群过早集中于同一方向，在避免陷入局部最优的同时，多方寻优增强种族多样性。
[0005]本专利技术的技术方案如下：
[0006]一方面，本专利技术提供一种基于改进狼群算法的变压器混合极化模型参数辨识方法，所述混合极化模型在扩展德拜模型的基础上引入麦克斯韦界面极化支路；该方法包括以下步骤：
[0007]对狼群算法进行改进，引入自适应步长，狼群每次移动的步长由狼群当前位置和头狼位置决定；
[0008]令改进的狼群算法中狼群位置为混合极化模型的模型参数辨识值，构建基于模型参数辨识值和模型参数实测值的狼群捕猎函数；
[0009]进行狼群狩猎活动，初始化狼群位置，基于狼群捕猎函数产生头狼，并进行狼群的探寻行为、狼群的号召行为和狼群的捕猎行为；根据“强者为王”的机制更新头狼的位置，并根据“弱肉强食”的机制对狼群进行更新换代；
[0010]重复上述狼群狩猎活动进行狼群的迭代更新，设置迭代终止条件，判断是否达到预设的优化精度或最大迭代次数，达到迭代终止条件后，输出当前头狼的位置为最优的混合极化模型的模型参数辨识值。
[0011]作为优选实施方式，在进行狼群狩猎活动步骤中：
[0012]初始化狼群位置X，根据混合极化模型的模型参数计算公式以及狼群捕猎函数计
算狼群中每匹狼的个体捕猎函数，并按照个体捕猎函数从大到小进行排序；
[0013]选取个体捕猎函数最好的狼作为头狼，记头狼的位置为Xd，头狼的个体捕猎函数记为Pd；
[0014]选取除头狼外，个体捕猎函数最好的N匹狼为探狼，进行狼群的探寻行为；所有探狼以步长h1向n方向移动一步，记下探狼移动后的个体捕猎函数Pi；若Pi大于Pd，则将对应探狼替换为新的头狼，即令Pd＝Pi，若Pi小于Pd，则探狼返回原位置，第j次移动后，探狼的位置为：
[0015][0016]选取除头狼与探狼外的M匹狼作为猛狼，进行狼群的号召行为；所有猛狼以步长h2向头狼方向移动，经过k+1次迭代后，第i匹猛狼在d维空间所处位置为：
[0017][0018]号召过程中，若一猛狼的个体捕猎函数Pi大于头狼的个体捕猎函数Pd，此时该猛狼会转化为头狼发起号召，即令Pd＝Pi；若猛狼的个体捕猎函数Pi小于头狼的个体捕猎函数Pd，则猛狼继续向头狼方向移动，直至距离小于d：
[0019][0020]其中，w为距离判定因子；
[0021]所有的探狼与猛狼联合进行狼群的捕猎行为，以步长h3对头狼所在位置进行围捕；对于k代狼群围捕行动为：
[0022]x
ik+1
＝x
ik
+λ
×
h3×
|X
ik
‑
X
dk
|；
[0023]其中，λ为[
‑
1,1]内的随机数。
[0024]作为优选实施方式，所述步长h1、h2和h3为所述自适应步长，其计算公式为：
[0025]h
k
＝rand
×
norm(X
i
‑
X
d
)；
[0026]其中，rand为[0,1]内的随机数，norm为求矩阵范数；Xi为第i匹狼的当前位置，Xd为头狼的位置。
[0027]另一方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如本专利技术任一实施例所述的变压器混合极化模型参数辨识方法。
[0028]再一方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本专利技术任一实施例所述的变压器混合极化模型参数辨识方法。
[0029]本专利技术具有如下有益效果：
[0030]1、本专利技术一种基于改进狼群算法的变压器混合极化模型参数辨识方法，利用改进狼群算法的寻优多样化，避免了狼群过早集中于同一方向，在避免陷入局部最优的同时，多方寻优增强种族多样性。
[0031]2、本专利技术一种基于改进狼群算法的变压器混合极化模型参数辨识方法，在传统狼群算法中引入了自适应步长，在算法早期步长较大搜索范围广，算法后期步长小搜索更精细，在提升寻优速度，同时也有利于搜索全局最优。
附图说明
[0032]图1为本专利技术一实施例的流程图；
[0033]图2为本专利技术实施例中麦克斯韦界面极化支路的结构示意图；
[0034]图3为本专利技术实施例中混合极化模型的结构示意图；
[0035]图4为本专利技术实施例中介损值测试谱线与辨识参数拟合谱线示例图；
[0036]图5为本专利技术实施例中复电容虚部测试谱线与辨识参数拟合谱线示例图；
[0037]图6为本专利技术实施例中复电容实部测试谱线与辨识参数拟合谱线示例图。
具体实施方式
[0038]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0039]应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
[0040]应当理解，在本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0041]术语“包括”和“包含”指示所描述特征、整体、步骤、操本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进狼群算法的变压器混合极化模型参数辨识方法，所述混合极化模型在扩展德拜模型的基础上引入麦克斯韦界面极化支路；其特征在于，该方法包括以下步骤：对狼群算法进行改进，引入自适应步长，狼群每次移动的步长由狼群当前位置和头狼位置决定；令改进的狼群算法中狼群位置为混合极化模型的模型参数辨识值，构建基于模型参数辨识值和模型参数实测值的狼群捕猎函数；进行狼群狩猎活动，初始化狼群位置，基于狼群捕猎函数产生头狼，并进行狼群的探寻行为、狼群的号召行为和狼群的捕猎行为；根据“强者为王”的机制更新头狼的位置，并根据“弱肉强食”的机制对狼群进行更新换代；重复上述狼群狩猎活动进行狼群的迭代更新，设置迭代终止条件，判断是否达到预设的优化精度或最大迭代次数，达到迭代终止条件后，输出当前头狼的位置为最优的混合极化模型的模型参数辨识值。2.根据权利要求1所述的一种基于改进狼群算法的变压器混合极化模型参数辨识方法，其特征在于，在进行狼群狩猎活动步骤中：初始化狼群位置X，根据混合极化模型的模型参数计算公式以及狼群捕猎函数计算狼群中每匹狼的个体捕猎函数，并按照个体捕猎函数从大到小进行排序；选取个体捕猎函数最好的狼作为头狼，记头狼的位置为Xd，头狼的个体捕猎函数记为Pd；选取除头狼外，个体捕猎函数最好的N匹狼为探狼，进行狼群的探寻行为；所有探狼以步长h1向n方向移动一步，记下探狼移动后的个体捕猎函数Pi；若Pi大于Pd，则将对应探狼替换为新的头狼，即令Pd＝Pi，若Pi小于Pd，则探狼返回原位置，第j次移动后，探狼的位置为：选取除头狼与探狼外的M匹狼作为猛狼，进行狼群的号召行为；所有猛狼以步长h2向头狼方向移动，经过k+1次迭代...

【专利技术属性】
技术研发人员：林明星，郑宇，林翊乾，陈扩松，潘亦斌，李语菲，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：