一种量子变异多元宇宙优化的供电线路故障辨识方法

1.本发明涉及供电线路故障辨识领域，尤其涉及一种量子变异多元宇宙优化的供电线路故障辨识方法。


背景技术：

2.煤炭仍然是中国最重要的能源煤炭作为我国人民生产生活的主要消耗能源，其开采工作常伴随频繁的安全事故，其中煤矿供电线路是故障发生率最高的部分之一，这主要是受到外力、线路老化等影响；为了加快保护装置清除故障后恢复正常运行的速度，尽快确定故障位置是非常重要的；在矿用供电线路中，目视检查非常耗时，延误了故障线路的维修，另一方面，故障定位方法的准确性取决于数据采集和处理的质量，包括先前的故障检测和分类结果，故障分类时故障辨识的最后一步，也是最为重要的一步，常用的故障分类方法有随机森林、支持向量机、极限学习机、核极限学习机等；随机森林已经被证明在某些噪音较大的分类或回归问题上会过拟，对于有不同取值的属性的数据，取值划分较多的属性会对随机森林产生更大的影响，所以随机森林在这种数据上产出的属性权值是不可信的。支持向量机对大规模训练样本难以实施，支持向量机的空间消耗主要是存储训练样本和核矩阵，由于支持向量机是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。支持向量机解决多分类问题困难,经典的支持向量机算法只给出了两类分类的算法，而在实际应用中，一般要解决多类的分类问题。极限学习机是一种简单易用、有效的单隐层前馈神经网络学习算法。传统的神经网络学习算法需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。核极限学习机是基于极限学习机并结合核函数所提出的改进算法，核极限学习机能够在保留极限学习机优点的基础上提高模型的预测性能，与传统的训练方法相比，核极限学习机具有学习速率快、泛化性能好等优点。


技术实现要素：

3.为解决现有技术的不足，提供一种量子变异多元宇宙优化的供电线路故障辨识方法；
4.本发明所采取的技术方案是：
5.一种量子变异多元宇宙优化的供电线路故障辨识方法，包括以下步骤：
6.s1:收集输电线路故障电压信号；
7.s2:对故障电压信号进行变分模态分解；选取变分模态分解后的模态分量瞬时频率的均值，绘制标准化瞬时频率均值曲线，得到变分模态分解算法中最优的k值；
8.s3:利用vmd方法对故障电压信号进行分解，得到imf分量；再利用pe计算各个本征模态分量的多尺度熵值；
9.s4:将计算得到的各本征模态分量的排列列熵值组成特征向量；
10.s5:在标准多元宇宙优化算法中采用量子粒子群算法，引入粒子平均最优位置av(t)；引入柯西-高斯变异策略构建量子变异多元宇宙优化算法；
11.多元宇宙优化算法运行方式如式(1)所示：
[0012][0013]
其中，xj为目前最优宇宙的第j个变量ubj为第j个变量最大值，lbj为第j个変量最小值，为第i个宇宙的第j个变量,r2,r3,r4均为介于0和1的随机数；
[0014]
wep表示虫洞存在可能性系数，如式(2)所示：
[0015][0016]
其中，min为wep最小值；max为wep最大值；l为当前迭代次数；l为最大迭代次数；
[0017]
tdr表示旅程距离速率系数，如式(3)所示
[0018][0019]
其中，p定义了随迭代次数改变的探测速度,p值越高,局部探测速度越快,用时越短；
[0020]
将量子粒子群算法引入多元宇宙优化算法中，设定每一个粒子都具有量子行为，对于粒子i，其吸引势子表示为pi(p
i,1
,p
i,2
,
…
,p
i,n
)，考虑到粒子位置x
i,j
随时间变化由波函数描述其状态，则n维搜索空间基于δ势阱的量子粒子群算法中粒子进化方程如式(4)所示：
[0021][0022]
其中，p
i,j
表示吸引势子pi在j维的坐标，l
i,j
为特征搜索长度，u
i,j
～u(0,1)为均匀分布的随机数；在算法中引入粒子平均最优位置av(t)，表示所有粒子最优位置的平均值l
i,j
＝2γ
·
|avj(t)-x
i,j
(t)|，式(4)变更为如式(5)所示：
[0023][0024]
其中，γ表示收缩-扩张因子；
[0025]
采用柯西-高斯变异策略，选择当前适应度最好的个体进行变异，然后比较其变异前后的位置，选择最优的位置代入下一次迭代，如式(6)-(8)所示：
[0026]
[0027]
λ2gauss(0,σ2)]
ꢀꢀꢀ
(7)
[0028][0029]
其中，表示最优个体变异后的位置；σ2表示柯西-高斯变异策略的标准差；cauchy(0,σ2)是满足柯西分布的随机变量；gauss(0,σ2)是满足高斯分布的随机变量；和其中，t代表当前迭代次数，t
max
表示最大迭代次数；λ1、λ2是随迭代次数自适应调整的动态参数.在寻优过程中，λ1逐渐减小，λ2逐渐增大；
[0030]
s6:利用量子变异多元宇宙算法优化核极限学习机的正则化系数和核函数参数；
[0031]
s6.1:随机生成初始化位置，形成初始搜索种群；
[0032]
s6.2:为改进原生多元宇宙算法性能，引入量子粒子群算法，加快收敛速度；
[0033]
s6.3:采用柯西-高斯变异策略，选择当前适应度最好的个体进行变异，使算法跳出局部最优；
[0034]
s6.4:更新粒子个体及群体最优位置，检查算法是否达到最大迭代次数，若达到最大迭代次数，则输出最优核极限学习机参数；若不满足最大迭代次数，则返回步骤(2)，继续进行下一次迭代运算；
[0035]
s7:构建线路故障模态分解熵与量子变异多元宇宙优化核极限学习机预测分类模型，判别出输电线路短路故障类型。
[0036]
有益技术效果
[0037]
(1)引入量子粒子群算法，并在算法中引入粒子平均最优位置av(t)，使算法具有更好的收敛精度与速度。
[0038]
(2)采用柯西-高斯变异策略，解决传统多元宇宙优化算法迭代的后期，个体快速同化，出现局部最优停滞的情况。
[0039]
(3)采用一种量子变异多元宇宙优化的供电线路故障辨识方法对短路故障进行有效的辨识，从而为维修人员提供良好的故障数据信息，及时地将线路的短路故障切除，避免事故的扩大，保证电力系统的稳定运行。
附图说明
[0040]
图1为本发明实施例提供的一种量子变异多元宇宙优化的供电线路故障辨识方法流程图；
[0041]
图2为本发明实施例提供的一种量子变异多元宇宙优化算法执行流程图。
具体实施方式
[0042]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述；
[0043]
一种量子变异多元宇宙优化的供电线路故障辨识方法，如图1所示，包括以下步骤：
[0044]
s1:收集输电线路故障电压信号；
[0045]
s2:对故障电压信号进行变分模态分解；选取变分模态分解后的模态分量瞬时频
率的均值，绘制标准化瞬时频率均值曲线，得到变分模态分解算法中最优的k值；
[0046]
s3:利用vmd方法对故障电压信号进行分解，得到imf分量；再利用pe计算各个本征模态分量的多尺度熵值；
[0047]
s4:将计算得到的各本征模态分量的排列列熵值组成特征向量；
[0048]
s5:如在标准多元宇宙优化算法中采用量子粒子群算法，引入粒子平均最优位置av(t)；引入柯西-高斯变异策略构建量子变异多元宇宙优化算法，如图2所示；
[0049]
多元宇宙优化算法运行方式如式(1)所示：
[0050][0051]
其中，xj为目前最优宇宙的第j个变量ubj为第j个变量最大值，lbj为第j个変量最小值，为第i个宇宙的第j个变量,r2,r3,r4均为介于0和1的随机数；
[0052]
wep表示虫洞存在可能性系数，如式(2)所示：
[0053][0054]
其中，min为wep最小值；max为wep最大值；l为当前迭代次数；l为最大迭代次数；
[0055]
tdr表示旅程距离速率系数，如式(3)所示
[0056][0057]
其中，p定义了随迭代次数改变的探测速度,p值越高,局部探测速度越快,用时越短；
[0058]
将量子粒子群算法引入多元宇宙优化算法中，设定每一个粒子都具有量子行为，对于粒子i，其吸引势子表示为pi(p
i,1
,p
i,2
,
…
,p
i,n
)，考虑到粒子位置x
i,j
随时间变化由波函数描述其状态，则n维搜索空间基于δ势阱的量子粒子群算法中粒子进化方程如式(4)所示：
[0059][0060]
其中，p
i,j
表示吸引势子pi在j维的坐标，l
i,j
为特征搜索长度，u
i,j
～u(0,1)为均匀分布的随机数；在算法中引入粒子平均最优位置av(t)，表示所有粒子最优位置的平均值l
i,j
＝2γ
·
|avj(t)-x
i,j
(t)|，式(4)变更为如式(5)所示：
[0061][0062]
其中，γ表示收缩-扩张因子；
[0063]
采用柯西-高斯变异策略，选择当前适应度最好的个体进行变异，然后比较其变异
前后的位置，选择最优的位置代入下一次迭代，如式(6)-(8)所示：
[0064][0065]
λ2gauss(0,σ2)]
ꢀꢀꢀ
(7)
[0066][0067]
其中，表示最优个体变异后的位置；σ2表示柯西-高斯变异策略的标准差；cauchy(0,σ2)是满足柯西分布的随机变量；gauss(0,σ2)是满足高斯分布的随机变量；和其中，t代表当前迭代次数，t
max
表示最大迭代次数；λ1、λ2是随迭代次数自适应调整的动态参数.在寻优过程中，λ1逐渐减小，λ2逐渐增大；
[0068]
s6:利用量子变异多元宇宙算法优化核极限学习机的正则化系数和核函数参数；
[0069]
s6.1:随机生成初始化位置，形成初始搜索种群；
[0070]
s6.2:为改进原生多元宇宙算法性能，引入量子粒子群算法，加快收敛速度；
[0071]
s6.3:采用柯西-高斯变异策略，选择当前适应度最好的个体进行变异，使算法跳出局部最优；
[0072]
s6.4:更新粒子个体及群体最优位置，检查算法是否达到最大迭代次数，若达到最大迭代次数，则输出最优核极限学习机参数；若不满足最大迭代次数，则返回步骤(2)，继续进行下一次迭代运算；
[0073]
s7:构建线路故障模态分解熵与量子变异多元宇宙优化核极限学习机预测分类模型，判别出输电线路短路故障类型。
[0074]
本实施例中，为了验证在不同故障相角情况下采用对输电线路的几种典型短路故障进行有效的识别，因此选取输电线路在发生单相接地短路、两相短路、两相接地短路以及三相短路的短路故障电压数据；对于每种故障类型选取30组样本数据，共120组数据，并采集故障相角分别为0
°
、30
°
、45
°
、60
°
情况下的4种短路电压信号各1000个数据点，采样频率为10khz；利用vmd算法将故障电压信号分别分解为不同故障相角下不同频段的模态分量，然后再利用排列熵算法来提取各个模态分量的故障特征，构成一个数据样本，可以得到每种故障相角情况下的特征量样本为120个；在120个样本中选取40个作为训练样本，剩余80个样本作为测试样本，来对输电线路的4种典型短路故障在不同故障相角的条件下进行辨识，其最终的辨识结果如表1所示下面给出这4种短路故障类型的预测结果。
[0075]
表1 4种短路故障类型的预测结果
[0076][0077]
由表1中可以看出，提取到的80个故障特征量经过量子变异多元宇宙优化核极限学习机辨识模型后，在故障相角为0
°
时，单相接地短路中没有发生误判，两相短路中有1个发生误判，两相接地短路中有1个发生误判，三相短路中也有1个发生了误判，其中4种短路故障的辨识率依次达到了100％、95％、100％、95％，平均辨识精度也达到了96.25％；同样地，在故障相角分别为30
°
、45
°
、60
°
时，其平均识别精度也分别达到了97.5％、96.25％、97.5％，从而说明在不同故障相角的条件下，其故障的辨识率基本上不受到影响。