特高压直流输电线路带电作业人员体表场强预测方法与流程

1.本发明属于特高压直流输电线路领域，具体涉及到一种特高压直流输电线路带电作业人员体表场强预测方法。


背景技术：

2.在特高压直流输电线路中，直流输电线路空间电荷分布不同会导致带电作业人员所处的合成电场不同，处于此合成电场的带电作业人员体表场强也随之不同。当气象条件不同时，导线表面起晕场强、离子迁移率、扩散率等参数均会发生变化，进而改变空间电荷分布，作业人员的体表场强随之发生变化。目前，主要通过实测或仿真的方式对带电作业人员的体表合成场强进行分析。现场带电作业时，通过实测的方式判断作业人员体表合成场强显然不具备操作性。另外，由于特高压直流输电线路传输距离长，所经过地区的气象条件千变万化，不同杆塔、不同季节、不同时间的气象条件均不相同，通过仿真的方式难以穷举各种气象条件，从而不可能根据现场带电作业时的实时气象条件得到作业人员的体表合成场强，仿真方式同样不具备可操作性。因此，目前的体表合成场强研究方法均无法获取现场实时气象条件下的作业人员体表合成场强，开展体表合成场强预测方法研究具有重要意义。
3.特高压直流输电线路带电作业人员的体表场强随气象条件变化而变化，同时人体对电场的感知程度因部位不同也会表现出差异。若带电作业人员存在尖端部位，局部场强值可能会畸变到原来的数倍，发生局部放电，严重时将导致跌落事故，危及带电作业人员的生命安全，影响线路的正常运行。因此，须考虑不同气象条件对不同身体部位的影响，构建如图1的输电线路带电作业人员体表场强有限元仿真模型示意图。
4.目前神经网络作为一种新的智能算法，具有自组织、自学习及极强的非线性数据处理能力，在预测算法中具有很大优势。但bp神经网络因随机初始化权值、阈值存在收敛速度慢，易陷入局部最优等问题。遗传算法是一种并行随机搜索最优化方法，可以对bp神经网络权值、阈值进行优化，具有全局搜索能力。已有一些学者对遗传算法优化bp神经网络的相关研究，但是还是存在进化失败、最优个体被破坏、种群的多样性被破坏导致寻优效果较差、陷入局部最优等缺点。
5.针对上述提到的现有技术的缺点，本发明提出了一种改进的遗传算法优化bp神经网络的算法(iga-bp)，建立了特高压直流输电线路带电作业人员的体表场强有限元仿真模型，并进行大规模仿真采集原始数据，然后将改进的遗传算法优化bp神经网络的模型用于带电作业人员在不同气象条件下的体表场强预测。最终实现带电作业人员在不同气象条件下的体表场强的准确预测，为人员进入等电位方式及路径选择、安全防护及评估提供指导作用。


技术实现要素：

6.本发明提供了一种特高压直流输电线路带电作业人员体表场强预测方法，旨在解
决现有技术中均无法获取现场实时气象条件下的作业人员体表合成场强的问题。
7.为解决以上问题，本发明提供一种特高压直流输电线路带电作业人员体表场强预测方法，包括以下步骤：s1原始数据采集与处理：s11故障信号采集，通过comsol模型获得不同气象条件下带电作业人员不同身体部位的仿真数据；s12对采集到的数据进行归一化处理；s2改进遗传算法：包括s21改进初始化种群、s22改进的选择操作和s23交叉、变异算子的改进；s3将改进的遗传算法用于优化bp神经网络。
8.作为优选，s1所述的数据预处理具体如下：将采集到的数据集进行归一化处理至[0,1]区间内，并且分为训练集与测试集，采用常见的最大最小归一化法，其数学表达式为：
[0009]
xk＝(x
k-x
min
)/(x
max-x
min
)
ꢀꢀ
(1)
[0010]
其中，x
min
为不同样本同一参量的最小数，x
max
为同一参量最大数。
[0011]
作为优选，s2所述的改进初始化种群具体如下：
[0012]
s211随机初始化种群，记为z1；
[0013]
s212生成反向种群，记为z2；
[0014]
s213将z1与z2按适应度排序，淘汰一半适应度差的个体，生成最终种群z3；
[0015]
s214将最终种群z3用于遗传算法。
[0016]
作为优选，s2所述的改进的选择操作具体如下：
[0017]
对种群个体适应度进行排序，保留占比为t的优质个体部分，淘汰占比为t的劣质个体部分，引入的比例系数t选取范围为0～0.5；占比为t所对应个体数应最小为2，对剩余个体进行轮盘赌法选择，轮盘赌法的个体，每个个体i的选择概率pi的公式如下：
[0018]fi
＝k/fiꢀꢀ
(2)
[0019][0020]
式中，fi为个体i的适应度值，这里的公式针对于适应度越小越好的情况；k为系数；n是种群数目，t是占比系数。
[0021]
作为优选，s2所述的交叉、变异算子的改进具体如下：对劣质个体进行大概率交叉、变异，引入人工干预，让其突破所拟定的交叉、变异概率的上限；同时，引入函数pcf、pvf，在迭代初期，让种群中的个体具有较大的交叉、变异概率，随着种群的进化，使其交叉、变异概率逐渐趋于稳定；
[0022]
改进的交叉概率公式如下：
[0023][0024]
[0025]
式中，pc
max
是拟定的最大交叉概率，pc
min
是拟定的最小交叉概率，pcb是拟定的交叉概率变动范围，fj是个体j的适应度，f
avg
是当代种群的平均适应度，g是当前迭代次数，g
max
是最大进化次数；
[0026]
变异概率公式如下：
[0027][0028][0029]
式中，pv
max
是拟定的最大变异概率，pv
min
是拟定的最小变异概率，pvb是拟定的变异概率变动范围，fj是个体j的适应度，f
avg
是当代种群的平均适应度，g是当前迭代次数，g
max
是最大进化次数。
[0030]
作为优选，s3所述的具体步骤如下：
[0031]
s31根据给定的训练样本数据建立bp神经网络，初始化权值、阈值；
[0032]
s32对初始值进行编码，把训练样本的误差作为适应度值；
[0033]
s33采用改进的初始化种群方法进行种群初始化，得到新种群；
[0034]
s34利用s2提出的方法进行选择、交叉、变异；
[0035]
s35计算适应度值判断是否达到设定的结束条件，满足进入s36，不满足转入s34；
[0036]
s36将获得的最优权值和阈值赋给bp神经网络；
[0037]
s37将样本数据输入赋予最优权值和阈值的bp神经网络进行训练，计算输出误差；
[0038]
s38根据误差调整权值、阈值；当满足所设定的结束条件时结束训练，如不满足，返回s37。
[0039]
本发明的有益效果如下：
[0040]
(1)本发明相比传统的bp神经网络和遗传算法优化bp神经网络，对初始值进行反向学习，通过准随机方式扩大了搜索范围，寻优能力更广。
[0041]
(2)本文所提的选择操作结合了精英保留策略和排序选择法。在种群进化过程汇总，直接保留的最优质部分和直接淘汰的最劣质部分的个体数相同，使种群数目保持一致，避免了最优个体的丢失以及最劣质个体对种群进化的干扰。选取较小的占比进行直接保留和淘汰，保证了进化过程中的生物多样性。
[0042]
(3)本文对交叉、变异算子的改进，在种群初期的大交叉、变异概率扩大了寻优范围，随着种群进化逐渐变小的交叉、变异算子保证了种群进化后期的稳定。而对逐渐淘汰的劣质个体，引入人工干预，让其突破交叉、变异概率上限，若劣质个体经过交叉变异后取得了较好效果则会被保留，反之则被淘汰。
附图说明
[0043]
图1为带电作业仿真模型示意图；
[0044]
图2为iga-bp算法流程图；
[0045]
图3为
±
800kv直流输电线路带电作业仿真模型示意图。
具体实施方式
[0046]
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做出创造性劳动的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。
[0047]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0048]
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
[0049]
本发明提出一种改进的遗传算法优化bp神经网络的算法，用于
±
800kv直流输电线路带电作业人员体表场强的预测。首先使用comsol搭建了
±
800kv直流输电线路带电作业人员的仿真模型，并对不同气象条件下带电作业人员的体表场强进行仿真；其次，提出了一种改进的遗传算法，该算法首先使用反向学习的方法初始化种群，然后通过最优保留策略和排序选择结合的基于比例系数的精英保留策略进行选择操作，再引入平滑因子和人工干预，对交叉、变异算子进行自适应调整；再次，将改进遗传算法应用于bp神经网络的权值和阈值的优化，获得了一种改进的遗传算法优化bp神经网络模型(iga-bp)；最后将iga-bp模型应用于
±
800kv直流输电线路带电作业人员的体表场强预测。
[0050]
本发明提出的方案主要是改进的遗传算法优化bp神经网络，实际使用中主要包括以下步骤：
[0051]
s1原始数据采集与处理
[0052]
s11故障信号采集。通过comsol模型获得不同气象条件下带电作业人员不同身体部位的仿真数据。
[0053]
s12数据预处理。将步骤(1)中采集到的数据集进行归一化处理至[0,1]区间内，目的在于取消各维数据间数量级差别，消除量纲；并且分为训练集与测试集。本发明采用常见的最大最小归一化法，其数学表达式为：
[0054]
xk＝(x
k-x
min
)/(x
max-x
min
)
ꢀꢀ
(1)
[0055]
其中，x
min
为不同样本同一参量的最小数，x
max
为同一参量最大数。
[0056]
s2改进遗传算法
[0057]
s21改进初始化种群
[0058]
传统的初始化种群往往采取随机初始化种群的方式，而种群的初始值对算法的收敛情况有较大影响。进化算法的计算时间与初始种群中个体与最优个体的距离有关，如果个体在最优值附近出生，那么这次计算中，种群的所有个体都会进行快速的收敛。纯随机生成的个体由于没有进行过估计，收敛速度是无法预知的。采用精英反向学习策略进行初始化种群，可以提高遗传算法收敛速度和寻优能力。
[0059]
具体步骤如下：
[0060]
s211随机初始化种群，记为z1；
[0061]
s212生成反向种群，记为z2；
[0062]
s213将z1与z2按适应度排序，淘汰一半适应度差的个体，生成
[0063]
最终种群z3；
[0064]
s214将最终种群用z3于遗传算法。
[0065]
s22改进的选择操作
[0066]
对种群个体适应度进行排序。保留占比为t的优质个体部分，淘汰占比为t的劣质个体部分(选用相同占比保持每次进化种群数目不变)，引入的比例系数t选取范围为0～0.5；占比为t所对应个体数应最小为2。对剩余个体进行轮盘赌法选择。轮盘赌法的个体，每个个体i的选择概率pi的公式如下：
[0067]fi
＝k/fi(2)
[0068][0069]
式中，fi为个体i的适应度值，这里的公式针对于适应度越小越好的情况；k为系数；n是种群数目，t是占比系数。
[0070]
s23交叉、变异算子的改进
[0071]
传统的交叉、变异操作中的交叉概率和变异概率以一个恒定值进行进化，这可能会导致“早熟”现象，同时也不利于种群多样性。文为了更好的获得优质个体，对劣质个体进行大概率交叉、变异，引入人工干预，让其突破我们所拟定的交叉、变异概率的上限。同时，引入函数pcf、pvf，在迭代初期，让种群中的个体具有较大的交叉、变异概率，随着种群的进化，使其交叉、变异概率逐渐趋于稳定。
[0072]
改进的交叉概率公式如下：
[0073][0074][0075]
式中，pc
max
是拟定的最大交叉概率，pc
min
是拟定的最小交叉概率，pcb是拟定的交叉概率变动范围，fj是个体j的适应度，f
avg
是当代种群的平均适应度，g是当前迭代次数，g
max
是最大进化次数。
[0076]
变异概率公式如下：
[0077]
[0078][0079]
式中，pv
max
是拟定的最大变异概率，pv
min
是拟定的最小变异概率，pvb是拟定的变异概率变动范围，fj是个体j的适应度，f
avg
是当代种群的平均适应度，g是当前迭代次数，g
max
是最大进化次数。
[0080]
s3改进的遗传算法优化bp神经网络
[0081]
将改进的遗传算法用于优化bp神经网络(iga-bp)，步骤如下：
[0082]
s31根据给定的训练样本数据建立bp神经网络，初始化权值、阈值；
[0083]
s32对初始值进行编码，把训练样本的误差作为适应度值；
[0084]
s33采用改进的初始化种群方法进行种群初始化，得到新种群；
[0085]
s34利用s2提出的方法进行选择、交叉、变异；
[0086]
s35计算适应度值判断是否达到设定的结束条件，满足进入步s36，不满足转入s34；
[0087]
s36将获得的最优权值和阈值赋给bp神经网络；
[0088]
s37将样本数据输入赋予最优权值和阈值的bp神经网络进行训练，计算输出误差；
[0089]
s38根据误差调整权值、阈值；当满足所设定的结束条件时结束训练，如不满足，返回s37。
[0090]
经过以上步骤，iga-bp模型搭建完成，其流程图如图2所示。
[0091]
实例分析：搭建如图3所示的
±
800kv直流输电线路带电作业模型，人员模型选择采用吊篮法进入等电位的坐姿，人员位置选取距离导线水平向左5m位置处。分析的气象条件包括压强、温度、相对湿度、以及风速。其中风速方向设定为横向风、迎风吹。仿真气象参数设置如表1所示。
[0092]
表1各因素变化范围
[0093][0094]
通过步骤1，对带电作业人员头部、胸部、手部、膝盖、脚部5个部位进行采集数据和预处理，每个部位得到1638组数据，按7：3划分训练集与测试集，每个部位的训练集样本数为1146，测试集样本数为492。
[0095]
表2不同方法预测结果对比
[0096][0097]
采用平均绝对百分比误差rape(mean absolute percentage error)进行模型预测精度评价。mape的计算公式如下：
[0098][0099]
式中，n是样本数量，y(i)是模型的仿真值，是模型的预测值。
[0100]
iga-bp算法对带电作业人员在不同气象条件下预测体表场强的平均绝对百分比误差在0.5％左右，具有较好的预测效果。表2是bp神经网络算法、基本遗传算法优化bp神经网络和和本文的iga-bp算法对带电作业人员在不同气象条件下预测体表场强的结果比对。分别对带电作业人员头部、胸部、手部、膝盖和脚部进行预测。经过对比分析，通过本文的方法优化bp神经网络的平均绝对百分比误差明显小于bp神经网络和传统遗传算法优化的bp神经网络，说明iga-bp算法具有较强的泛化能力，其预测结果更加精确。
[0101]
表3不同方法的神经网络训练性能比较
[0102][0103][0104]
表3为三种训练方法下的训练性能比较总结，可以看出采用bp神经网络算法达到训练精度要求需要上百次，采用本文方法的达到训练精度所需要的迭代次数最少。相对于bp算法和遗传算法优化bp神经网络算法来说，本文方法的收敛速度更快，解决了bp神经网
络后期容易陷入局部最优而影响收敛效率的问题。
[0105]
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。