具体计算过程如下：
[0043] 一、基于遗传神经网络算法的评价指标权重修正优化
[0044] 根据所构建电力推进系统可信度评估模型的特点，运用遗传神经网络算法对可信 度层次分析评估模型的指标权重进行修正优化。结合图4,遗传神经网络算法的计算步骤如 下：
[0045] 第一步：设某一参数u的变化范围为[U_，UniaJ，其中：U_为取值下限，Uniax为取值 上限。其编码后的值为a，编码长度为n，则编码精度δ和对应编码前的值U为：
[0047] 第二步：在确定指标权重时，输入训练样本，计算它的误差函数值，以误差平方和 倒数作为遗传算法的适应度。若误差越小，适应度越大，反之则适应度小，以此评价连接权 和阈值的优劣。选择适应度大的个体，直接遗传给下一代。由输出数据的均方误差和作为 适应度函数f(x):
[0049] 其中，N是输出层的节点总数，tp]表示第p个输入样本在第j个节点的实际数据， Ow表示第P个输入样本在第j个节点的网络实验数据。
[0050] 第三步：为了得到人工神经网络结构参数的初始最优值，利用遗传算法对适应度 函数不断地迭代，求目标函数F (X)的全局最小值：
[0052] 其中，C_为f(x)的最大估计值。通过选择、交叉、变异，重复计算输入指标实际测 量值的误差平方和倒数作为新的适应度，不断优化初始确定的一组权值和阈值，直到训练 的参考点误差满足实际输出数据的精度要求为止。可见，适应度大的个体，被选中的概率也 大。这样得到的神经网络的结构和参数都已经优化，由它的自学习能力，训练输入指标实际 测量值，保存所得到遗传-神经网络结构。
[0053] 第四步：计算此时人工神经网络的输入因素相对于输出因素之间的真实关系，也 就是输入因素对输出因素的决策权重，还需要对各神经元之间的权重加以分析处理，为此 利用以下几项指标来描述输入因素和输出因素之间的关系。
[0054] ①相关显著性系数：
[0060] 上述公式中：i为神经网络输入单元，i = 1…m ;j为神经网络输出单元，j = 1··· n ;k为神经网络的隐含单元，k = 1~Ρ ; ωΗ为输入层神经元i和隐含层神经元k之间的权 系数；《 ]k为输出层神经元j和隐含层神经元k之同的权系效。上面三个相关系数中绝对 影响系数S1,就是所要求的输入因素相对于输出因素的权重。
[0061] 二、基于粒子群算法的评估模型计算速率与精度优化
[0062] 根据所构建电力推进系统可信度评估模型的特点，运用粒子群算法对可信度评估 模型的计算速率和计算精度进行优化。结合图5,粒子群算法的计算过程如下：
[0063] 假设在一个D维的目标搜索空间中，有N个粒子组成一个群落，其中第i个粒子位 置表示为一个D维的向量，记为A i= (X xi2，…，xiD)，i = 1，2,…，N。
[0064] 第i个粒子的速度也是一个D维的向量，记为=Vi= (v vi2,…，viD)，i = 1，2, ...，N〇
[0065] 每个粒子在搜索时要考虑两个因素：
[0066] (1)自己搜索到的历史最优值 Pi，Pi= (p n, pi2···，piD)，i = 1，2···Ν。
[0067] (2)全部粒子搜索到的最优值pg，pg= (p gl, py，pgD)。
[0068] 第i个粒子迄今为止搜索到的最优位置称为个体极值，记为：
[0069] pbest= (p u，pi2，…，piD)，i = 1，2,…，N0
[0070] 整个粒子群迄今为止搜索到的最优位置为全局极值，记为：
[0071] gbest= (Pgi，Pg2,…，PgD)
[0072] 根据下面的公式分别更新粒子的速度V1和位置X 1;
[0075] 其中，Vld是粒子的速度，X ^是粒子的位置，w是惯性权重，c JP c 2是学习因子，r 1 和r2为[0,1]范围内的均勾随机数，p id是个体极值，p gd是全局极值。
[0076] 第一步：初始化粒子群，包括群体规模N，每个粒子的位置X1和速度V i
[0077] 第二步：计算每个粒子的适应度值Flt [i];
[0078] 第三步：对每个粒子，用它的适应度值Flt[i]和个体极值pbest⑴比较，如果 Flt[i]>pbest ⑴，则用 Flt[i]替换掉 pbest(i);
[0079] 第四步：对每个粒子，用它的适应度值Flt[i]和全局极值gbest比较，如果 Flt[i]>gbf；st⑴则用 Flt[i]替 gbf；st;
[0080] 第五步：根据公式（7)，⑶分别更新粒子的速度V1和位置x 1;
[0081] 第六步：如果满足结束条件（误差足够好或到达最大循环次数）退出，否则返回第 二步。
[0082] 三、基于Floyd-Warshall算法的评估模型结构简化
[0083] 针对所构建电力推进系统评估模型的复杂性，运用Floyd-Warshall算法对网络 拓扑评估模型进行网络流分析并调整评估模型中的节点和链路，对网络拓扑评估模型的结 构进行简化。Floyd-Warshall算法的计算过程如下：
[0084] Floyd-Warshall 算法是一种基于DP(Dynamic Programming)的最短路径算法。设 某图G中η个顶点的编号为1到η。令c[i，j，k]表示从i到j的最短路径的长度，其中k 表示该路径中的最大顶点，即c[i，j，k]这条最短路径所通过的中间顶点最大不超过k。因 此，如果G中包含边<i, j>，则c[i, j，0]=边<i, j>的长度；若i = j，则c[i, j，0] = 0 ;如 果G中不包含边<i，j>，则c[i，j，0] = + 〇〇。c[i，j，0]则是从i到j的最短路径的长度。
[0085] 第一步：对于任意的k>0,可以得到：中间顶点不超过k的i到j的最短路径有两 种可能：该路径含或不含中间顶点k。若不含，则该路径长度应为c [i，j，k-Ι]，否则长度为 c[i, k, k-l]+c[k, j, k-1] 〇
[0086] 第二步：c[i，j，k]取两者中的最小值，状态转移方程为：
[0087] c [i, j, k] = min {c [i, j, k~l], c [i, k, k~l] +c [k, j, k-1]}, k>0 (9)。
【主权项】
1. 一种电力推进系统仿真可信度评估模型综合优化方法，其特征在于：包括以下步 骤， 步骤一：根据电力推进系统本身的特点，按照系统级到单元级的顺序，将复杂系统分解 为若干个子系统； 步骤二：根据仿真系统的用户需求和影响系统仿真可信度的因素，将系统仿真的建立 过程为评价准则，自顶向下逐层对仿真系统各准则下的子系统进行分解，直至最小单元； 步骤三：通过对各子系统中单元级模型之间的关联方式和关联程度进行分析，对电力 推进系统进行拓扑建模； 步骤四：对电力推进系统进行潮流计算，采集电力推进系统各支路电压、相角、有功功 率和无功功率； 步骤五：针对所构建电力推进系统各方面的不同属性，采用相应的智能算法进行优化， 得到优化后的数据网络结构模型，即可信度评估优化模型； 步骤六：对相同工况下的实际系统进行数据采集，使用得到的可信度评估优化模型对 实际采集的数据进行测试分析，得到测试的准确度，即为仿真系统相对于实际系统的可信 度； 步骤七：给定该系统的可信度指标η，如果步骤六得到的可信度小于可信度指标η， 则对仿真系统的结构和参数进行调整，重新对电力推进系统进行拓扑建模，重复步骤三~ 步骤七；如果步骤六得到的可信度大于或等于可信度指标η，则可信度评估结束。2. 根据权利要求1所述的一种电力推进系统仿真可信度评估模型综合优化方法，其特 征在于：所述的针对所构建电力推进系统各方面的不同属性，采用相应的智能算法进行优 化的具体步骤为： (1) 针对所构建电力推进系统的指标权重属性，运用遗传神经网络算法对可信度评估 模型进行修正优化； (2) 针对所构建电力推进系统的计算速率和计算精度属性，运用粒子群算法对可信度 评估模型进行优化； (3) 针对所构建电力推进系统的节点和链路属性，运用Floyd-Warshal算法对网络拓 扑可信度评估模型进行网络流分析并调整该模型中的节点和链路，对网络拓扑可信度评估 模型的结构进行简化。
【专利摘要】本发明公开了一种电力推进系统仿真可信度评估模型综合优化方法。包括以下步骤，将电力推进系统分解为若干个子系统；将系统仿真的建立过程为评价准则，对仿真系统各准则下的子系统进行分解，直至最小单元；对电力推进系统进行拓扑建模；采集电力推进系统各支路电压、相角、有功功率和无功功率；针对电力推进系统的不同属性，采用相应的智能算法进行优化，得到可信度评估优化模型；对相同工况下的实际系统进行数据采集，使用可信度评估优化模型对实际采集的数据进行测试，得到可信度；如果可信度小于可信度指标η，则重新对电力推进系统进行拓扑建模；如果可信度大于或等于可信度指标η，则可信度评估结束。本发明具有高稳定性与高可靠性。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105260786
【申请号】CN201510566517
【发明人】李冰, 古国良, 智鹏飞, 朱婉璐, 陈美远, 刘文帅
【申请人】哈尔滨工程大学
【公开日】2016年1月20日
【申请日】2015年9月8日