[发明专利]基于混合蛙跳粒子群算法的扩展德拜模型参数辨识方法

说明书

本发明涉及一种基于混合蛙跳粒子群算法的扩展德拜模型参数辨识方法，包括以下步骤：建立扩展德拜模型，建立待辨识参数的计算公式并确定目标函数；初始化粒子群，得到对应扩展德拜模型n维解向量的n个粒子，根据待辨识参数的计算公式和目标函数计算每个粒子的自身适应度；引入蛙跳算法的差异性分组，根据每个粒子的自身适应度大小将n个粒子划分为m个族群；对每个族群进行迭代和寻优，达到迭代终止条件后，输出全局最优值的粒子所在位置为扩展德拜模型的模型辨识参数，在传统粒子群算法中加入蛙跳算法的差异性分组，避免了粒子群过早集中于同一方向，也增加同族群内粒子相互学习能力。

技术领域

本发明涉及一种基于混合蛙跳粒子群算法的扩展德拜模型参数辨识方法，属于变压器等效电路模型参数辨识技术领域。

背景技术

扩展德拜模型作为油纸绝缘系统经典等效电路模型，其模型参数对于分析油纸绝缘内部微观电介质反应具有重大意义。目前，扩展德拜模型模型参数辨识方法大多采用智能算法辨识。粒子群算法是基于鸟群觅食提出，鸟群在整个搜寻的过程中，通过相互传递各自位置的信息，从而使整个鸟群都能聚集在食物源周围。影响鸟类觅食方向影响因素主要有两个：一是当前所有鸟中距离食物最近鸟的位置，二是之前每只鸟自身离食物最近的位置。与蝗虫算法、鸡群算法等相比，粒子群算法具有搜索速度快，编程简单等优点，然而算法后期学习对象单一，容易陷入局部最优。

发明内容

为了解决上述现有技术中存在的问题，本发明提出了一种基于混合蛙跳粒子群算法的扩展德拜模型参数辨识方法，在传统粒子群算法中加入蛙跳算法的差异性分组，避免了粒子群过早集中于同一方向，也增加同族群内粒子相互学习能力。

本发明的技术方案如下：

一方面，本发明提供一种基于混合蛙跳粒子群算法的扩展德拜模型参数辨识方法，包括以下步骤：

建立扩展德拜模型，建立待辨识参数的计算公式并确定目标函数；

初始化粒子群，得到对应扩展德拜模型n维解向量的n个粒子，根据待辨识参数的计算公式和目标函数计算每个粒子的自身适应度；

引入蛙跳算法的差异性分组，根据每个粒子的自身适应度大小将n个粒子划分为m个族群；

对每个族群进行迭代和寻优，达到迭代终止条件后，输出全局最优值的粒子所在位置为扩展德拜模型的模型辨识参数。

作为优选实施方式，所述待辨识参数包括复电容实部C'、复电容虚部C″与介质损耗因数tanδ；

每个粒子的自身适应度P计算公式为：

其中tanδ1(ω)、C1'(ω)和C1″(ω)代表ω频率点下的频域介电谱测试值，tanδ(ω)、C'(ω)和C″(ω)代表ω频率点下根据待辨识参数的计算公式得到的计算式值。

作为优选实施方式，所述引入蛙跳算法的差异性分组，根据每个粒子的自身适应度大小将n个粒子划分为m个族群的步骤具体为：

定义粒子种群数量为：

n＝m*z；

其中，n为粒子种群数量，m为族群数，z为族群粒子数量；

计算每个粒子的自身适应度P，将所有粒子按照自身适应度P从大到小进行排序；

自身适应度P最大的第1个粒子分到第1个族群，第2个粒子分到第2个族群…,第m个粒子分到第m个族群,第m+1个粒子分到第1个族群，依次循环直到每个粒子均分到对应的族群中。

作为优选实施方式，所述对每个族群进行迭代和寻优，达到迭代终止条件后，输出全局最优值的粒子所在位置为扩展德拜模型的模型辨识参数的步骤具体为：