基于改进狼群算法的变压器混合极化模型参数辨识方法与流程

1.本发明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领域。


背景技术：

2.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。
3.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。


技术实现要素：

4.为了解决上述现有技术中存在的问题，本发明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。
5.本发明的技术方案如下：
6.一方面，本发明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：
7.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；
8.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；
9.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；
10.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。
11.作为优选实施方式，在进行狼群狩猎活动步骤中：
12.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；
13.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；
14.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]hk
＝rand
×
norm(x
i-xd)；
[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，本发明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发明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，本发明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发明任一实施例所述的变压器混合极化模型参数辨识方法。
[0029]
本发明具有如下有益效果：
[0030]
1、本发明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、本发明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为本发明一实施例的流程图；
[0033]
图2为本发明实施例中麦克斯韦界面极化支路的结构示意图；
[0034]
图3为本发明实施例中混合极化模型的结构示意图；
[0035]
图4为本发明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为本发明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为本发明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]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[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，在本发明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发明。如在本发明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、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0042]
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0043]
实施例一：
[0044]
本实施例所述的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，麦克斯韦界面极化支路采用双层rc电容器表征其复杂界面极化，如图2所示，其中c1，c2代表介质等效电容，r1与r2代表电阻值。ε1、ε2与γ1、γ2分别代表不同绝缘介质的介电常数与电导率，d1、d2表示不同绝缘介质的厚度。
[0045]
在引入麦克斯韦界面极化支路后，混合极化模型如图3所示；
[0046]
设其中rc串联极化支路为n条，界面极化支路为n条，可得混合极化模型的端口等效导纳为：
[0047][0048]
带入复电容方程：
[0049][0050]
可得到复电容实部、复电容虚部公式为：
[0051][0052][0053]
介损公式为：
[0054][0055]
参见图1，本实施例提出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：
[0056]
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；传统狼群算法源于生物界狼群捕食搜索过程，生物界中狼群系统分为头狼、探狼与猛狼。头狼是整个狼群中最优能力的狼，是弱肉强食竞争下所选出的。头狼主要任务是根据狼群所得信息进行决策，指挥控制整个狼群。探狼是除头狼外，最为精锐的狼。在对猎物进行搜索时，探狼根据猎物所留下的气味进行决策搜索。猛狼是狼群系统重要组成部分，探狼在发现猎物后，会报告给头狼，头狼会召唤周围猛狼向头狼方向搜索，靠近猎物。成功捕猎获得食物后，狼群遵循优胜劣汰原则，根据狼群自身适应度分发食物，弱小的狼很快因为缺乏食物，逐步饿死。
[0057]
狼群算法具有寻优多样化、种族多样性高等优点，然而在探寻猎物、号召与捕猎过程中移动步长为固定值，局部搜索能力较差，算法后期容易陷入局部最优。基于此本文引入自适应步长，狼群每次移动步长由头狼位置与当前位置所决定。基于此算法初始阶段时，狼群搜索步长较大搜索范围广，算法后期，搜索步长变小搜索变得精准。
[0058]
令改进的狼群算法中狼群位置x为混合极化模型的模型参数辨识值，带入公式(3)-(5)可得辨识电容实部与虚部、介损值。对油纸绝缘样品进行fds测量后，可获得实测复电容实部、虚部与实测介损值。当辨识后计算值与实测值越接近时，则说明参数辨识效果越好，基于此可构造狼群捕猎函数p公式(6)。当参数辨识效果越好时，分母越小，此时狼群捕猎函数p越大。反之，参数辨识越差，分母越大，狼群捕猎函数p越小。
[0059]
[0060]
其中tanδ1(ω)、c1'(ω)和c1”(ω)代表ω频率点下的频域介电谱测试结果，tanδ(ω)、c'(ω)和c”(ω)代表ω频率点下的计算公式。
[0061]
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；
[0062]
根据“强者为王”的机制更新头狼的位置，“强者为王”的头狼产生机制为：随算法迭代次数的增加，会产生更为优秀的狼，此时头狼的位置可能发生变化。某狼的捕猎函数超过当前头狼时，就会立即取代原头狼成为新头狼。头狼的位置记为xd，头狼捕猎函数pd。头狼可以直接进入下一次迭代，不用执行狼群的探寻、号召与捕猎行为。
[0063]
根据“弱肉强食”的机制对狼群进行更新换代；“弱肉强食”的狼群更新机制为：淘汰个体捕猎函数最差的k匹狼，同时随机加入k匹新的狼；
[0064]
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。
[0065]
作为本实施例的优选实施方式：
[0066]
狼群的探寻行为具体为：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：
[0067][0068]
狼群的号召行为具体为：头狼号召附近的m匹猛狼，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：
[0069][0070]
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：
[0071][0072]
其中，w为距离判定因子；
[0073]
狼群的捕猎行为具体为：所有的探狼与猛狼联合捕猎，以捕猎前进步长h3对头狼所在位置进行围捕；对于k代狼群围捕行动为：
[0074]
x
ik 1
＝x
ik
λ
×
h3×
|x
ik-x
dk
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0075]
其中，λ为[-1,1]内的随机数。
[0076]
本实施例对狼群算法进行改进，将步长h1、h2和h3设定为不固定值的自适应步长，自适应步长根据每匹狼的位置和头狼位置决定：
[0077]hk
＝rand
×
norm(x
i-xd)
ꢀꢀ
(11)
[0078]
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。
[0079]
综上，本实施例基于改进狼群算法进行混合极化模型参数辨识的步骤具体如下：
[0080]
步骤一：初始化狼群位置x，带入公式(3)-(6)可得到狼群中每匹狼的个体捕猎函数记为p，并按照个体捕猎函数从大到小进行排序；
[0081]
步骤二：选取狼群中捕猎函数最好的狼为头狼，记头狼位置为xd，头狼的个体捕猎函数记为pd；
[0082]
步骤三：选取除头狼外，个体捕猎函数最好的n头狼作为探狼，按照公式(7)、公式(11)开始实行狼群的探寻行为，探狼达到最大探寻次数时结束；
[0083]
步骤四：选取除头狼与探狼外的m匹狼为猛狼，按照公式(8)、(9)、(11)实行狼群的号召行为，猛狼达到与头狼预设最小距离时结束狼群号召行为；
[0084]
步骤五：所有探狼与猛狼按照公式(10)-(11)进行狼群的捕猎行为，对参与捕猎行为的狼群进行位置更新。
[0085]
步骤六：按照“强者为王”的机制更新头狼的位置，同时根据“弱肉强食”的机制淘汰掉k匹捕猎函数最差的狼，并随机补充k匹狼。
[0086]
步骤七：依次循环，直至达到预设精度或最大迭代次数后，输出头狼位置为模型辨识参数。
[0087]
为了进一步验证本实施例提出的改进狼群算法对混合极化模型参数辨识的准确性的准确性及谱线的拟合程度，本文将辨识模型fds曲线与实测fds曲线进行拟合度分析，选取拟合度r2作为评估参数，构造下式：
[0088][0089]
式中：y
ck
表示第k个采样频率点下的频谱实测值；y
tk
表示第k个采样频率点下的频谱计算值；n为采样次数。
[0090]
由粒子群算法与本实施例提出的改进狼群算法分布进行模型参数辨识，辨识后参数拟合谱线如图4-6所示，拟合度r2如表1所示：
[0091]
表1：两种算法辨识参数谱线拟合度r2[0092] 改进狼群算法传统粒子群算法介损tan拟合度r20.870.46实部c拟合度r20.930.72虚部cc拟合度r20.910.54
[0093]
不难看出，本实施例提出的改进狼群算法对于混合极化模型参数的辨识能力大幅提升，且参数拟合谱线与实测谱线较为吻合。与传统粒子群算法相比，不仅能进行多方搜索，而且对于该模型具有较好的全局寻优效果。
[0094]
实施例二：
[0095]
本实施例提供一种电子设备，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发明任一实施例所述的变压器混合极化模型参数辨识方法。
[0096]
实施例三：
[0097]
本实施例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发明任一实施例所述的变压器混合极化模型参数辨识方法。
[0098]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。