本发明涉及一种高压断路器状态评估方法，尤其涉及一种基于改进混沌粒子群优化神经网络的高压断路器状态评估方法。
背景技术
高压断路器是电力系统中重要的开关电气设备，其运行状态极大地影响着电力系统的安全性和稳定性。因此，准确快速地对高压断路器进行状态评估对电力系统安全运行至关重要。
目前已有部分学者对高压断路器状态评估进行研究，并且取得一定研究成果。如基于振动信号极值点发生时刻和支持向量机的断路器状态评估方法,即以断路器分合闸线圈带电时刻为时间零点,以振动信号极大值点发生时刻为特征量,利用经粒子群优化的支持向量机建立断路器状态评估模型；如基于自适应神经模糊推理系统的高压断路器操作机构状态评估，在测试分析大量高压断路器操作机构动作特性的基础上，研究了操作机构分合闸线圈电流曲线、触头行程-时间曲线与机构状态之间的关系；基于操作机构的分合闸线圈电流曲线和触头行程-时间曲线，通过建立多级递阶anfis模型将2种特性融合起来以综合评估操作机构的运行状况；如基于支持向量机的高压断路器机械状态预测算法研究，利用预测出来的机械动作数据对高压断路器进行故障诊断，可以发现高压断路器潜在的问题，从而达到机械状态预测的目的。此外，还通过归一化、交叉验证、网格搜索等方法来确定算法参数和提高算法精度。高压断路器状态评估是多维度、多目标、多约束条件的复杂非线性优化问题，如何实现高压断路器状态准确快速评估仍然是目前亟待解决的问题。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种基于改进混沌粒子群优化神经网络的高压断路器状态评估方法。
为解决上述技术问题，本发明采用的技术方案是：一种基于改进混沌粒子群优化神经网络的高压断路器状态评估方法，包括以下步骤：
s1：高压断路器输入特征值与输出状态的选取；
s2：改进混沌粒子群优化神经网络算法参数设置；
s3：采用基于改进混沌粒子群优化神经网络(cpsobp)评估高压断路器状态评估，并通过与标准神经算法(bp)、粒子群优化神经网络(psobp)对比，证明算法的优越性，输出正确的高压断路器状态。
优选地，在步骤s1中：根据分闸、合闸动作线圈电流曲线提取输入特征值电流参数：i1、i2、i3；时间参数：t1、t2、t3、t4、t5。
优选地，在步骤s2中，所述改进混沌粒子群优化神经网络算法参数设置中的可变的惯性权重；惯性权重是粒子位置更新中代表历史数据的信息比重，较大的惯性权重可以增加粒子在全局的搜索能力，较小的惯性权重则有利于局部的寻优；所述惯性权重的计算公式如下：
优选地，在步骤s2中：所述改进混沌粒子群优化神经网络算法参数设置中的粒子群算法混沌化；为了增加pso算法初始化和迭代后期种群多样性，在粒子初始化和更新过程中引入混沌思想，增加算法的遍历性，从而避免算法陷于局部最优；在粒子更新过程中引入典型的logistic映射方程：
由于典型的logistic混沌系统对初值的依赖性比较强，将logistic映射与chebyshev映射相结合的组合混沌序列引入到粒子群算法的初始化过程中，以改善粒子分布的随机性和均匀性；
组合混沌序列映射方程为：
优选地，在步骤s3中，所述采用标准神经算法(bp)、粒子群优化神经网络(psobp)、基于改进混沌粒子群优化神经网络(cpsobp)评估高压断路器状态的评价标准；
评价标准：累积方差
式中：i＝1、2…n，n为常数，代表输出值个数；ti为目标输出值；ei为仿真输出值；fw为实验数据与目标数据的累计方差。
优选地，所述采用基于改进混沌粒子群优化神经网络(cpsobp)评估高压断路器状态的具体步骤如下：
s61：输入高压断路器数据，分类待训练及目标数据；
s62：初始化神经网络输入输出个数，设置隐含层节点数；
s63：初始化粒子群惯性变量、最大速度、种群数量、迭代次数等参数；
s64：种群初始化混沌处理，计算适应度并越限处理，记录pbest、gbest；
s65：更新惯性权重，更新粒子速度，最后更新粒子位置，计算适应度并更新pbest、gbest；
s66：过程混沌化，重复步骤s65直至满足终止条件；
s67；输出最优神经网络权值及阈值，输入测试数据，输出仿真结果。
与现有技术相比，本发明的有益效果是：
本发明利用可变惯性权重，前期加大惯性权重利于全局寻优，后期减少惯性权重利于局部寻优，有效避免寻优进入局部最优；本发明利用混沌理论，在粒子群初始化与更新过程中分别引入不同映射，增加来算法遍历性，增加粒子种群多样性，使算法运算效率极大提高，避免早熟，最终结果也更优；本发明结合神经网络非线性拟合能力强与改进混沌粒子群算法遍历性好、运算效率高等优点，提升效率的同时，也进一步提升非线性拟合能力。
附图说明
图1为本发明实施例的一个输出状态图；
图2为bp、psobp、cpsobp算法收敛对比图；
图3为bp、psobp、cpsobp算法结果对比图；
图4为基于改进混沌粒子群优化神经网络的高压断路器状态评估的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例
图1至图4为本发明的第一实施例，其中，图1是本发明的一个应用案例，从高压断路器分闸、合闸动作线圈电流曲线提取输入特征值电流参数：i1、i2、i3；时间参数：t1、t2、t3、t4、t5。图2、图3是图1中应用案例的应用结果分析，输入样本相同，输出结果相同的情况下，分别使用bp算法、psobp算法、cpsobp算法分别对样本及结果进行训练，其训练收敛结果如图2所示，前期三种算法收敛都非常迅速，中期bp算法收敛效果优于psobp算法，但是由于粒子群算法遍历性较好，最终psobp算法收敛效果优于bp算法。cpsobp算法由于前期和迭代过程都进行混沌化处理，避免进入局部最优，且得益于粒子群算法运算效率高，前中期便达到收敛，其收敛效果也是三种算法中最优。
在图3可知，准确率上cpsobp算法优于psobp算法，psobp算法优于bp算法，符合图2收敛对比图。从最优耗时角度看，bp算法基本与cpsobp算法相同，bp算法和cpsobp算法均优于psobp算法。这是因为psobp算法是在bp算法的基础上加入了粒子群算法，因此增加了运算时间，而cpsobp算法可以提高psobp算法运算寻优效率，因此大量缩减了psobp算法的最优耗时。
cpsobp算法既保证了运算效率，也提高了收敛效果，为高压断路器提供了一种既高效又省时的状态评估方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。