基于改进沙猫算法的配电网电压暂降模式识别方法及设备与流程

本发明涉及基于改进沙猫算法的配电网电压暂降模式识别方法及设备，属于电力设备监测领域。

背景技术：

1、电力系统在发生输配电网故障或进行负荷投切、电机启停等动作时，不可避免地会出现短时扰动现象，造成电压暂降。电压暂降是指工频条件下电压有效值降低到0.1～0.9p.u之间、持续时间为0.5周波至1分钟的短时电压变动现象。约50％的电能质量经济损失为电压暂降所造成，在石化、化工、食品、制药、计算机和电子以及汽车制造业，每次电压暂降造成的经济损失可能在5000美元至2500000美元之间波动。

2、电压暂降评估主要有两种方法。一种是基于实测数据，另一种是以数学模拟为基础的随机预测评价分析方法。广泛使用的人工智能算法主要包括遗传算法、模糊理论、粒子群优化算法、帝国竞争算法等，但在使用智能算法时存在故障模型不完整、模型建立复杂、定位效率低,容易陷入局部最优等问题。其中，基于bp神经网络的暂降模式识别方法，收敛速度慢且收敛精度不高，现有技术大都利用网格搜索算法对网络参数进行优化，但是网格搜索算法搜索速度慢，优化效果不理想。因此需要一种收敛速度更快的暂降模式识别方法。

3、专利cn116226621a《一种基于沙丘猫群优化算法的电压暂降源信号降噪与识别的方法》引进沙丘猫群优化算法(scso)对电压暂降源信号的降噪与分类识别的方法进行优化。但收敛速度有待进一步提高。

技术实现思路

1、为了克服现有技术中存在的问题，本发明设计了基于改进沙猫算法的配电网电压暂降模式识别方法，通过改进沙猫算法优化对暂降模式识别模型的权重和阈值进行优化，解决了bp神经网络的阈值和权重难以准确选取的问题，提高bp神经网络算法收敛速度。

2、为了实现上述目的，本发明采用如下技术方案：

3、技术方案一

4、一种基于改进沙猫算法优化的配电网电压暂降模式识别分类方法，包括以下步骤：

5、s1、构建暂降模式识别模型；

6、s2、利用沙猫优化算法获取暂降模式识别模型参数，具体为：

7、s21、将暂降模式识别模型参数映射为个体位置；

8、s22、以暂降模式识别模型损失函数为适应度函数，计算适应度；根据适应度，判断当前解是否优于最优解；若优于最优解，则以当前解替代最优解；

9、s23、计算控制参数；根据控制参数判断执行步骤s24或s25；

10、s24、根据最优解位置、当前位置和灵敏范围，更新各个体位置；

11、s25、根据最优解位置、当前位置、灵敏范围和随机角度，更新各个体位置；

12、s26、迭代步骤s22-s25直至满足迭代结束条件；

13、s3、对暂降模式识别模型进行训练，利用完成训练的暂降模式识别模型进行暂降模式识别。

14、进一步地，所述步骤s24，以公式表达为：

15、

16、

17、式中，为灵敏范围基准值；rand(0,1)为(0,1)之间的随机数；为某个

18、体的灵敏范围；xbest为最优解；xi、x′i为个体更新前后的位置。

19、进一步地，所述步骤s25，以公式表达为：

20、

21、xrnd＝|rand(0,1)·xbest-xi|

22、式中，xbest为最优解；为某个体的灵敏范围；θ为随机角度；xi、xi为个体更新前后的位置；rand(0,1)为(0,1)之间的随机数。

23、进一步地，在步骤s24之后，优化个体位置，以公式表达为：

24、

25、

26、式中，r1为区间(0,1)内的随机数；ub、lb为变量上、下边界；k为动态调节参数；t为当前迭代次数；t为最大迭代次数；xi、x′i为优化前后的个体位置。

27、进一步地，在步骤s24之后，优化适应度最小的k个个体的位置，以公式表达为：

28、x'j＝xj-c·r2·(xav-xj) j＝1,2…k

29、

30、式中，xj、x'j为优化前后的个体位置；c为动态权衡因子；r2为区间(0,1)内的随机数；xav为本次迭代中所有个体位置的平均值；t为当前迭代次数。

31、技术方案二

32、一种基于改进沙猫算法优化的配电网电压暂降模式识别分类设备，包括处理器和用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现以下步骤：

33、s1、构建暂降模式识别模型；

34、s2、利用沙猫优化算法获取暂降模式识别模型参数，具体为：

35、s21、将暂降模式识别模型参数映射为个体位置；

36、s22、以暂降模式识别模型损失函数为适应度函数，计算适应度；根据适应度，判断当前解是否优于最优解；若优于最优解，则以当前解替代最优解；

37、s23、计算控制参数；根据控制参数判断执行步骤s24或s25；

38、s24、根据最优解位置、当前位置和灵敏范围，更新各个体位置；

39、s25、根据最优解位置、当前位置、灵敏范围和随机角度，更新各个体位置；

40、s26、迭代步骤s22-s25直至满足迭代结束条件；

41、s3、对暂降模式识别模型进行训练，利用完成训练的暂降模式识别模型进行暂降模式识别。

42、进一步地，所述步骤s24，以公式表达为：

43、

44、

45、式中，为灵敏范围基准值；rand(0,1)为(0,1)之间的随机数；为某个体的灵敏范围；xbest为最优解；xi、x′i为个体更新前后的位置。

46、进一步地，所述步骤s25，以公式表达为：

47、

48、xrnd＝|rand(0,1)·xbest-xi|

49、式中，xbest为最优解；为某个体的灵敏范围；θ为随机角度；xi、xi为个体更新前后的位置；rand(0,1)为(0,1)之间的随机数。

50、进一步地，在步骤s24之后，优化个体位置，以公式表达为：

51、

52、

53、式中，r1为区间(0,1)内的随机数；ub、lb为变量上、下边界；k为动态调节参数；t为当前迭代次数；t为最大迭代次数；xi、x′i为优化前后的个体位置。

54、进一步地，在步骤s24之后，优化适应度最小的k个个体的位置，以公式表达为：

55、x'j＝xj-c·r2·(xav-xj) j＝1,2…k

56、

57、式中，xj、x'j为优化前后的个体位置；c为动态权衡因子；r2为区间(0,1)内的随机数；xav为本次迭代中所有个体位置的平均值；t为当前迭代次数。

58、与现有技术相比本发明有以下特点和有益效果：

59、本发明通过改进沙猫算法优化对暂降模式识别模型的权重和阈值进行优化，解决了bp神经网络的阈值和权重难以准确选取的问题，提高bp神经网络算法收敛速度。

60、本发明构建位置优化公式，进一步动态优化个体位置，提高随机性，增强搜索周密性，消除局部最优解的消极影响。

61、本发明取适应度最低的k个沙猫个体进行引导，增加当前沙猫平均位置引导适应度低的沙猫个体进行全局寻优，加快收敛速度，避免遗漏部分较优的解。