一种基于遗传与粒子群算法的雷电定位优化方法与流程

1.本发明涉及雷电定位技术领域，特别涉及一种基于遗传与粒子群算法的雷电定位优化方法。


背景技术：

2.从雷电定位原理来说，雷电探测站能接收到这些电磁波并记录其到达时间和到达方向。当多个探测站接收到雷电信号时，便可解算出雷电位置。为方便叙述，假设雷电发生在二维平面上，设其真实位置为x＝(x，y)；设探测站坐标为xi＝(xi，yi)，i＝1，2，
…
，n。则探测站测得的到达时间和到达方向可分别表示为：
[0003][0004][0005]
其中di＝||x-xi||，是从雷电位置到探测站的距离，当考虑在地球椭球面上对地闪进行定位时，应认为di是从雷电位置到探测站的大地线长度，上节定位模型中给出了适用于雷电定位系统的大地线长度计算公式，能以较高的精度计算出雷电波传播距离和到达方位角；t为雷电发生时间，c为光速；εi和ei分别为时间和方向测量的随机误差，可假设它们服从均值为零、方差分别为和的正态分布，实际应用中可取σ
t
＝1μs，σa＝1
°
。
[0006]
为消除上式中的未知参数t，可采用时差测量值进行雷电定位。
[0007][0008]
其中j＝2，3，
…
，n。每一个时差测量值在xy平面上定义一条双曲线，雷电位置即是这些双曲线的交点。前面介绍的雷电定位估计算法需要求解由观测方程组成的非线性方程组。但是在实际雷电定位计算过程中，海量的雷电探测原始数据中必然存在误差数据、或者不适合参与雷电定位的数据，并且在多站参与定位时，级数的近似算法仍会造成一定的计算误差，因此需引入新的方法对雷电定位计算方法进行优化。


技术实现要素：

[0009]
本发明实施例提供了一种基于遗传与粒子群算法的雷电定位优化方法，以至少解决相关技术中传统雷电电位方法造成误差而不够准确的技术问题。
[0010]
根据本发明实施例的一方面，提供了一种基于遗传与粒子群算法的雷电定位优化方法，包括：
[0011]
获取电力系统的一次雷电定位的原始数据，根据所述原始数据选择雷电定位计算解空间与适应函数；
[0012]
选择雷电定位计算的粒子群参数；
[0013]
将所述粒子群参数通过采用所述解空间和适应函数的粒子群算法进行处理得到初始种群；
[0014]
设定遗传算法参数；
[0015]
将所述初始种群通过采用所述遗传算法参数的遗传算法进行优化，得到雷电发生位置。
[0016]
可选地，选择雷电定位计算解空间包括：根据大地椭球计算公式计算得到(x0，y0)，以5km半径划定解空间范围为x∈[x
0-0.05，x0 0.05]，y∈[y
0-0.05，y0 0.05]。
[0017]
可选地，所述大地椭球采用wgs-84椭球坐标系。
[0018]
可选地，选择适应函数包括：
[0019]
使粒子群在xy二维空间内搜索目标，采用的适应函数
[0020][0021]
上式中，di(xm)为粒子的当前位置到第i个探测站的距离，t0为各站推导的雷电发生时间的平均值；
[0022][0023]
粒子的适应函数最小时，粒子位置即雷电位置的最大似然估计。
[0024]
可选地，当同时利用时间和方向信息进行定位时，采用的适应函数为：
[0025][0026]
可选地，在所述雷电定位计算的粒子群参数中，群体规模为20，最大迭代次数为1000。
[0027]
可选地，设定遗传算法参数包括：选择算子、设定交叉算子、设定变异算子以及雷击事故点计算。
[0028]
根据本发明实施例的另一方面，还提供了一种基于遗传与粒子群算法的雷电定位优化系统，包括：
[0029]
解空间与适应函数模块，用于获取电力系统的一次雷电定位的原始数据，根据所述原始数据选择雷电定位计算解空间与适应函数；
[0030]
粒子群参数模块，用于选择雷电定位计算的粒子群参数；
[0031]
初始种群模块，用于将所述粒子群参数通过采用所述解空间和适应函数的粒子群算法进行处理得到初始种群；
[0032]
遗传算法参数模块，用于设定遗传算法参数；和
[0033]
雷电发生位置模块，用于将所述初始种群通过采用所述遗传算法参数的遗传算法进行优化，得到雷电发生位置。
[0034]
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机
可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的基于遗传与粒子群算法的雷电定位优化方法。
[0035]
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的基于遗传与粒子群算法的雷电定位优化方法。
[0036]
与现有的技术相比，本发明具有如下有益效果：
[0037]
本发明实施例中，该方法先获取电力系统的一次雷电定位的原始数据，根据所述原始数据选择雷电定位计算解空间与适应函数；选择雷电定位计算的粒子群参数；将所述粒子群参数通过采用所述解空间和适应函数的粒子群算法进行处理得到初始种群；设定遗传算法参数；将所述初始种群通过采用所述遗传算法参数的遗传算法进行优化，得到雷电发生位置。采用粒子群算法使用简单，收敛速度快，但是容易早熟，陷入局部最优；而遗传算法则全局搜索能力强，但搜索速度慢.可以看出这两种算法之间有着很强互补性，将这两种基于群概念的算法结合对可雷电定位计算优化问题进行求解，从而得到一个整体性能更优的混合算法(ga-pso，简称gp)，避免陷入局部最优，从而计算得到的雷电发生位置跟为准确。
附图说明
[0038]
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1是根据本发明实施例的一种基于遗传与粒子群算法的雷电定位优化方法的流程图；
[0040]
图2是根据本发明实施例的遗传算法的流程图。
具体实施方式
[0041]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0042]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
[0043]
需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0044]
实施例1
[0045]
根据本发明实施例，提供了一种基于遗传与粒子群算法的雷电定位优化方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0046]
如图1是根据本发明实施例的一种基于遗传与粒子群算法的雷电定位优化方法的流程图，如图1所示，该方法包括如下步骤：
[0047]
步骤s10、获取电力系统的一次雷电定位的原始数据，根据所述原始数据选择雷电定位计算解空间与适应函数；
[0048]
作为一种可选的实施例，原始数据包括探测站位置与雷电信号的到达时间。
[0049]
根据大地椭球计算公式计算得到(x0，y0)，以5km半径划定解空间范围为x∈[x
0-0.05，x0 0.05]，y∈[y
0-0.05，y0 0.05]。在此解空间中随机生成解粒子，并通过pso算法进行搜索。每个粒子能估计它对应的适应函数值。假设粒子有记忆，能记录它搜索到的最佳适应函数值和最佳位置。
[0050]
其中，大地椭球采用wgs-84椭球坐标系。
[0051]
使粒子群在xy二维空间内搜索目标，本实施例采用一种新的适应函数
[0052][0053]
上式中，di(xm)为粒子的当前位置到第i个探测站的距离，t0为各站推导的雷电发生时间的平均值，其表达式为：
[0054][0055]
粒子的适应函数最小时，粒子位置即雷电位置的最大似然估计。
[0056]
因此，pso算法可达到最小二乘迭代计算收敛时的精度。本实施例采用符号χ2表示适应函数，是因为适应函数的最小值服从卡方分布χ2(n-3)，其中(n-3)为冗余测量值的数量；当无冗余测量值时，适应函数最小值为零。
[0057]
作为一种可选的实施例，当同时利用时间和方向信息进行定位时，可以采用适应函数：
[0058][0059]
步骤s20、选择雷电定位计算的粒子群参数。
[0060]
作为一种可选的实施例，选择雷电定位计算的粒子群参数包括以下步骤：
[0061]
记粒子总数为m，xm为粒子当前位置，m＝1，2，
…
，m，pm为粒子历史最优位置；记pg为粒子群当前的全局最优位置，则粒子每次迭代的更新方程为：
[0062][0063]
上式中，vm为粒子飞行速度，k为当前更新步数；ω为介于0.1～0.9之间的惯性因子，它可以降低粒子飞行速度，防止搜索发散；c1和c2为学习因子，分别表示粒子朝向该粒子自身最优位置和全局最优位置运动的加速度，因而又被称为加速因子，一般取c1＝c2＝2；r
m1
和r
m2
分别为d
×
d维的对角矩阵，每一个对角元素都是介于[0，1]之间的随机数。惯性因子由下式给出：
[0064][0065]
其中k
max
为总迭代次数，ω1＝0.9和ω2＝0.4分别为初始惯性因子和最终惯性因子，这样可使粒子群在初始搜索阶段具有较好的全局搜索能力，而在后期具有较好的局部搜索能力。对于雷电定位计算，经过实验，群体规模一般为20，最大迭代次数为1000。
[0066]
步骤s30、将所述粒子群参数通过采用所述解空间和适应函数的粒子群算法进行处理得到初始种群。
[0067]
步骤s40、设定遗传算法参数。
[0068]
作为一种可选的实施例，遗传算法的主要构造如图2所示，而且本发明仅对改进的部分进行说明，设定遗传算法参数包括：选择算子、设定交叉算子、设定变异算子以及雷击事故点计算，设定遗传算法参数为结合雷电定位基数按优化问题，对各算子的设计进行分析，具体包括：
[0069]
1)选择算子
[0070]
选择算子的设计采用比例选择和最优保存的混合策略。比例选择方对于一个种群大小为k，个体适应度为fi的种群，个体i被选中的概率该方法能保证具有最小适应度的个体被选中的概率最大。而在新种群生成之后，应用最优保存策略，即比较出新旧种群中的最小适应度个体，用该个体取代新种群中的最大适应度个体。比例选择方法能以概率选择的方式保证种群的质量和多样性，而最优保存策略则是保证遗传算法收敛的一个重要条件。
[0071]
2)交叉算子
[0072]
交叉算子的设计和实现与所研究的问题密切相关，一般要求既不要太多地破坏个体编码串中表示优良性状的优良模式，又要能够有效地产生出一些较好的新个体模式。交叉算子的设计包括两个方面的内容：确定交叉点的位置，基因交换的方法。本实施例中采用基本的单点交叉来实现这一算子，其方法为：先随机产生1个交叉位置，然后2个父染色体以交叉位置为界，互相交换交叉位置前段的染色体，从而生成2个新的子染色体。交叉操作的实施与否由交叉概率pc来决定，一般的取值范围是0.3～0.9，本实施例取为0.3。
[0073]
3)变异算子
[0074]
变异算子的设计包括两方面的内容：确定变异点的位置，变异位置处的基因替换方法。本实施例的变异算法如下：随机产生2个变异位置，然后交换这2个变异位置上的代码值。变异操作由变异概率pm决定是否进行，一般取为0.001～0.100.本实施例设为0.1。
[0075]
4)雷击事故点计算
[0076]
雷电定位系统可为电力线雷击事故查找与分析提供信息，地闪是电力线故障的主要原因，而地闪电磁波沿地球面表传播，因而其定位需在地球椭球面上进行。
[0077]
步骤s50、将所述初始种群通过采用所述遗传算法参数的遗传算法进行优化，得到雷电发生位置。
[0078]
粒子群算法使用简单，收敛速度快，但是容易早熟，陷入局部最优；而遗传算法则全局搜索能力强，但搜索速度慢。可以看出这两种算法之间有着很强互补性，将这两种基于群概念的算法结合对可雷电定位计算优化问题进行求解，从而得到一个整体性能更优的混合算法(ga-pso，简称gp)，上述的基于遗传与粒子群算法的雷电定位优化方法就是利用粒子群算法收敛速度快的特点进行前一阶段的优化，得到一定进化程度的初始种群，然后由遗传算法进行后一阶段的优化，避免陷入局部最优。
[0079]
实施例2
[0080]
根据本发明实施例1的方法进行验证，雷击事故定位原始数据如表1所示，
[0081]
表1雷击事故定位原始数据
[0082][0083]
某电力系统雷电探测网一次雷电定位的原始数据如表2所示，包括探测站位置与雷电信号到达时间。
[0084]
表2某电力系统雷电探测网一次雷电定位的原始数据
[0085][0086][0087]
通过表2可以看出，是针对某电力输电线路跳闸事故2011年8月27日，跳闸时间：15：52：29，b相故障，开关跳闸，重合失败，差动、距离i段保护动作。
[0088]
采用本发明方法计算该次雷电，以式(2)为适应函数。与平面相比，在椭球面上进行雷击点定位唯一不同的是电波传播距离的计算，此时di(xm)为粒子到探测站之间的大地线长度。计算采用wgs-84椭球坐标系。采用本发明方法计算出的雷电发生位置为(119.9234，30.1331)，而电力线雷两者相距267.87m。
[0089]
进行巡检，巡线结果：#2塔b(中)相耐张小号侧玻璃绝缘子有放电痕迹，有轻微灼伤。地形为山坡，性质为绕击，接地电阻为2.2ω。雷击点坐标：(119.921408333249，30.131419444614)。可见，通过本发明方法，能更准确的计算出雷电定位，从而方便巡检人员进行维护。
[0090]
实施例3
[0091]
根据本发明实施例的另一方面，还提供了一种基于遗传与粒子群算法的雷电定位优化系统，该系统包括：解空间与适应函数模块、粒子群参数模块、初始种群模块、遗传算法
参数模块和雷电发生位置模块，
[0092]
其中解空间与适应函数模块，用于获取电力系统的一次雷电定位的原始数据，根据所述原始数据选择雷电定位计算解空间与适应函数；
[0093]
粒子群参数模块，用于选择雷电定位计算的粒子群参数；
[0094]
初始种群模块，用于将所述粒子群参数通过采用所述解空间和适应函数的粒子群算法进行处理得到初始种群；
[0095]
遗传算法参数模块，用于设定遗传算法参数；
[0096]
雷电发生位置模块，用于将所述初始种群通过采用所述遗传算法参数的遗传算法进行优化，得到雷电发生位置。
[0097]
本发明不局限于以上的具体实施方式，以上仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
[0098]
实施例4，根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述中任意一项的基于遗传与粒子群算法的雷电定位优化方法。
[0099]
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述计算机可读存储介质包括存储的程序。
[0100]
可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：获取电力系统的一次雷电定位的原始数据，根据所述原始数据选择雷电定位计算解空间与适应函数；选择雷电定位计算的粒子群参数；将所述粒子群参数通过采用所述解空间和适应函数的粒子群算法进行处理得到初始种群；设定遗传算法参数；将所述初始种群通过采用所述遗传算法参数的遗传算法进行优化，得到雷电发生位置。
[0101]
实施例5
[0102]
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行上述中任意一项的基于遗传与粒子群算法的雷电定位优化方法。
[0103]
本发明实施例提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现基于遗传与粒子群算法的雷电定位优化方法的步骤。
[0104]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0105]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0106]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接可以是电性或其它的形式。
[0107]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0108]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0109]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0110]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。