基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法及系统技术方案

本发明专利技术涉及GIS设备PD类型识别技术领域，具体公开了一种基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法及系统，一方面，针对原始北方苍鹰优化算法的初始种群是随机产生的，可能导致初始种群个体位置分布不均匀，降低种群多样性从而影响寻优速度的问题，引入混沌映射策略提升初始种群质量；另一方面，在算法的开发阶段引入非线性收缩因子CF替换原始北方苍鹰优化算法中的线性收缩因子R，加快算法的寻优速度；最后，针对原始北方苍鹰优化算法在寻优过程中容易陷入局部最优的问题，引入平面镜反射成像学习策略，提升算法跳出局部最优的能力。应用本发明专利技术，可以显著提升GIS设备PD故障类型的识别效率与分类精度，保障现代化电力系统的安全性与可靠性。统的安全性与可靠性。统的安全性与可靠性。

【技术实现步骤摘要】
基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法及系统


[0001]本专利技术涉及GIS设备PD类型识别
，尤其涉及一种基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法及系统。

技术介绍

[0002]气体绝缘组合电器(Gas Insulated Switchgear，GIS)是指全部或者部分采用六氟化硫(SF6)气体作为绝缘介质的金属封闭式设备。这些设备包括隔离开关、断路器、接地开关、母线、互感器、连接件、避雷器和出线终端等，它们全部被封装金属腔体中，腔体内部充有绝缘性能和灭弧性能优异的SF6气体作为绝缘和灭弧介质，因此气体绝缘组合电器也被称作SF6全封闭组合电器。GIS设备自20世纪中期工业化应用后，已被大量应用于输变电系统中，它在高压和超高压电网中被大量采用，在特高压领域的应用也越来越多。GIS内部不可避免地存在着各种绝缘缺陷，这些缺陷畸变了其周围的电场，在某些部位，电场被大大增强，以致超过了绝缘介质的击穿场强，从而导致发生局部放电(Partial Discharge，PD),长期发展就可能会导致严重的绝缘故障。一方面PD是绝缘劣化的征兆，通过检测PD可以得知GIS的绝缘状况，从而为GIS的检修提供参考依据，预防和阻止严重事故的发生，同时PD也是导致绝缘劣化的重要原因，必须予以重视，检测GIS中的PD，对保证GIS的安全可靠运行具有重要的现实意义。
[0003]常用的气体绝缘组合电气设备PD类型识别方法有决策树、神经网络和支持向量机等。基于决策树原理构造的识别器内部结构明确，通过决策树分类可以清楚地看到模式识别的整个过程，便于更好地理解输入量与输出量之间的关系，但在对复杂对象的识别中，决策树识别的能力不如神经网络和支持向量机。而神经网络方法往往建立在大数据拟合的基础上，在小样本下难以拟合出最优解，支持向量机(Support vector machine,SVM)在小样本下拟合效果更好。支持向量机作为一种智能识别算法，可以建立高度非线性的分类平面，相比传统识别算法可以大大提升识别正确率，且这种识别计算量较大，适合基于计算机的自动化识别。
[0004]近年来，各种智能优化算法被提出，基于这些智能优化算法的GIS设备PD类型诊断方法也由此而生。这些诊断方法与传统方法相比，虽在一定程度上提高了GIS设备PD类型的识别率，但同时这些模型都存在一定的缺陷。使用C4.5算法生成决策树构建的GIS设备PD类型诊断模型，该模型结构简单，识别过程的物理意义明确，但是其整体识别率较低，特别是当数据在各类缺陷的边界时，较容易出现错分现象。使用粒子群算法优化SVM构建的GIS设备PD类型诊断模型，该模型需要的训练数据少且有效提高了绝缘缺陷故障类型诊断的成功率，但在使用粒子群算法对SVM参数组合寻优时容易陷入局部最优问题。

技术实现思路

[0005]本专利技术提供基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法及系统，解决的技术问题在于：基于目前这些智能优化算法的GIS设备PD类型诊断方法，都存在一定的缺
陷，无法同时获得较高的识别效率和分类精度。
[0006]为解决以上技术问题，本专利技术提供基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法，其关键在于，包括步骤：
[0007]S1、获取样本数据，并对所述样本数据进行预处理得到样本集合；
[0008]S2、改进原始北方苍鹰优化算法得到改进北方苍鹰优化算法；具体包括步骤：
[0009]S21、基于混沌映射策略生成初始种群；
[0010]S22、按原始北方苍鹰优化算法的迭代方式进行勘探阶段的迭代寻优；
[0011]S23、在原始北方苍鹰优化算法的开发阶段引入非线性收缩因子CF替换原算法中的线性收缩因子R，按改进后的迭代公式进行开发阶段的迭代寻优；
[0012]S24、应用平面镜反射成像学习策略对北方苍鹰优化算法中的捕食者种群进行扰动；
[0013]S25、依照算法时序架构先后完成勘探、开发和扰动阶段的迭代，直至达到最大迭代次数；
[0014]S3、基于所述样本集合中的训练集，通过所述改进北方苍鹰优化算法对SVM模型中的参数进行组合优化，得到训练模型；
[0015]S4、基于所述训练模型对所述样本集合中的测试集进行PD故障类别识别。进一步地，对于初始种群，其第i个个体组成为X(i)＝[X
i，1
，X
i，2
，...，X
i，j
，...，X
i，d
]，i＝1，2...n，n表示种群规模，j＝1，2...d，d指的是一个解向量的维数即求解变量的个数，X
i，j
代表所求变量即支持向量机的c、g参数，c代表惩罚因子，g代表核函数参数；
[0016]所述步骤S21具体包括步骤：
[0017]S211、基于tent映射产生混沌粒子序列：
[0018][0019]其中：i＝1，2，...，n，n表示种群规模；j＝1，2，...，d，d表示空间维数，即控制变量的个数；x
i，j
表示所产生的混沌粒子序列；
[0020]S212、将混沌粒子序列映射到搜索空间，得到初始种群中第i个个体的第j维取值为：
[0021]X
i，j
＝lb
j
+(ub
j
‑
lb
j
)x
i，j
，
[0022]其中，ub
j
和lb
j
为X
i，j
搜索的上界和下界，即优化参数c或g的上下限；
[0023]S213、得到基于tent映射遍历初始空间形成的预初始种群，其第i个个体为：
[0024]X(i)＝[X
i，1
，X，...，X
i，j
，...，X
i，d
]，i＝1，2，...，n。
[0025]进一步地，在步骤S22中，按原始北方苍鹰优化算法的迭代方式进行勘探阶段的迭代寻优，勘探阶段的迭代公式如下：
[0026]P
i
＝X
k
，i＝1，2，
…
，n；k＝1，2，
…
，i
‑
1，i+1，...，n，
[0027][0028][0029]其中，X
k
为第k个北方苍鹰的位置，n为种群规模；P
i
为从北方苍鹰的猎物种群中随机挑选出的一个随机个体，P
i，j
为P
i
的第j维取值，为P
i
对应的适应度函数值；X
i
为勘探阶段迭代更新前第i个北方苍鹰的位置，X
i，j
为X
i
的第j维取值，F
i
为X
i
对应的适应度函数值；为第i个北方苍鹰经过勘探阶段迭代更新后的新位置，为的第j维取值，为对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法，其特征在于，包括步骤：S1、获取样本数据，并对所述样本数据进行预处理得到样本集合；S2、改进原始北方苍鹰优化算法得到改进北方苍鹰优化算法；具体包括步骤：S21、基于混沌映射策略生成初始种群；S22、按原始北方苍鹰优化算法的迭代方式进行勘探阶段的迭代寻优；S23、在原始北方苍鹰优化算法的开发阶段引入非线性收缩因子CF替换原算法中的线性收缩因子R，按改进后的迭代公式进行开发阶段的迭代寻优；S24、应用平面镜反射成像学习策略对北方苍鹰优化算法中的捕食者种群进行扰动；S25、依照算法时序架构先后完成勘探、开发和扰动阶段的迭代，直至达到最大迭代次数；S3、基于所述样本集合中的训练集，通过所述改进北方苍鹰优化算法对SVM模型中的参数进行组合优化，得到训练模型；S4、基于所述训练模型对所述样本集合中的测试集进行PD故障类别识别。2.根据权利要求1所述的基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法，其特征在于：对于初始种群，其第i个个体组成为X(i)＝[X
i,1
,X
i,2
,
…
,X
i,j
,
…
,X
i,d
]，i＝1,2
…
n，n表示种群规模，j＝1,2
…
d，d指的是一个解向量的维数即求解变量的个数，X
i,j
代表所求变量即支持向量机的c、g参数，c代表惩罚因子，g代表核函数参数；所述步骤S21具体包括步骤：S211、基于tent映射产生混沌粒子序列：其中：i＝1,2,
…
,n，n表示种群规模；j＝1,2,
…
,d，d表示空间维数，即控制变量的个数；x
i,j
表示所产生的混沌粒子序列；S212、将混沌粒子序列映射到搜索空间，得到初始种群中第i个个体的第j维取值为：X
i,j
＝lb
j
+(ub
j
‑
lb
j
)x
i,j
，其中，ub
j
和lb
j
为X
i,j
搜索的上界和下界，即优化参数c或g的上下限；S213、得到基于tent映射遍历初始空间形成的预初始种群，其第i个个体为：X(i)＝[X
i,1
,X,
…
,X
i,j
,
…
,X
i,d
],i＝1,2,
…
,n。3.根据权利要求2所述的基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法，其特征在于，在步骤S22中，按原始北方苍鹰优化算法的迭代方式进行勘探阶段的迭代寻优，勘探阶段的迭代公式如下：P
i
＝X
k
,i＝1,2,
…
,n；k＝1,2,
…
,i
‑
1,i+1,
…
,n，
其中，X
k
为第k个北方苍鹰的位置，n为种群规模；P
i
为从北方苍鹰的猎物种群中随机挑选出的一个随机个体，P
i,j
为P
i
的第j维取值，为P
i
对应的适应度函数值；X
i
为勘探阶段迭代更新前第i个北方苍鹰的位置，X
i,j
为X
i
的第j维取值，F
i
为X
i
对应的适应度函数值；为第i个北方苍鹰经过勘探阶段迭代更新后的新位置，为的第j维取值，为对应的适应度函数值；r为[0,1]范围的随机数，I为1或2的随机整数。4.根据权利要求3所述的基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法，其特征在于，在步骤S23中，在原始北方苍鹰优化算法的开发阶段引入非线性收缩因子CF替换原算法中的线性收缩因子R，按改进后的迭代公式进行开发阶段的迭代寻优，开发阶段的迭代公式如下：公式如下：公式如下：其中，t为当前迭代次数；T为最大迭代次数；为第i个北方苍鹰经过开发阶段后的新位置；为第i个北方苍鹰经过开发阶段的第j维新值；为基于开发阶段更新后第i个北方苍鹰的猎物的适应度函数值，r为[0,1]范围的随机数，CF为非线性收缩因子。5.根据权利要求4所述的基于北方苍鹰算法优化SVM的GIS设备PD类型判定方法，其特征在于，步骤S24具体包括步骤：S241、随机生成n个服从标准柯西分布的随机数k
i
；S242、生成北方苍鹰优化算法中捕食者种群X的平面镜反射成像反向种群X
′
，其中北方苍鹰优化算法中捕食者种群的第i个个体X
i
的平面镜反射成像反向个体X
i
′
由下式给出：S243、在捕食者种群X和捕食者种群的平面镜反射成像反向种群X
′
中选取适应度函数值较高的n个个体构成新的捕食者种群，用于下一次的迭代寻优。6.基于北方苍鹰算法优化SVM的GIS设备PD类型判定系统，其特征在于：该系统包括样本处理模块、算法改进模块、训练模块、PD故障类别识别模块；所述样本处理模块用于获取样本数据，并对所述样本数据进行预处理得到样本集合；所述算法改进...

【专利技术属性】
技术研发人员：胡克林，张靖，张英，包金山，何宇，严儒井，王明伟，余鹏程，刘喆，
申请(专利权)人：贵州电网有限责任公司电力科学研究院，
类型：发明
国别省市：