[发明专利]一种高压直流分压器均压环的模型结构参数优化方法

权利要求书

1.一种高压直流分压器均压环的模型结构参数优化方法，其特征在于，所述方法包括以下步骤：

S1：获取均压环参数，通过均压环参数构建神经网络，所述神经网络包括输入层、隐藏层和输出层，所述均压环参数包括均压环的环半径、均压环的管半径和均压环的高度，所述神经网络的输入层输入均压环参数，所述神经网络的输出层输出分压器表面电场强度和均压环表面电场强度；

S2：通过神经网络和SPRGA遗传算法结合，计算出最优输出，最优输出对应的均压环参数即为均压环参数最优解。

2.如权利要求1所述的高压直流分压器均压环的模型结构参数优化方法，其特征在于，所述通过神经网络和SPRGA遗传算法结合，计算出最优输出包括：

S21：通过神经网络，得到均压环参数与分压器表面电场强度、均压环表面电场强度之间的映射；

S22：基于遗传算法，将均压环参数与分压器表面电场强度、均压环表面电场强度之间的映射构建为遗传算法中的适应度，通过选择、交叉和变异，得到最优输出。

3.如权利要求2所述的高压直流分压器均压环的模型结构参数优化方法，其特征在于，所述通过神经网络，得到均压环参数与分压器表面电场强度、均压环表面电场强度之间的映射包括：

S211：将神经网络的隐藏层和输出层通过激活函数，将神经网络中的均压环参数映射到(0，1)的范围；

S212：对神经网络进行训练和学习，得到均压环参数与分压器表面电场强度、均压环表面电场强度之间的映射。

4.如权利要求3所述的高压直流分压器均压环的模型结构参数优化方法，其特征在于，所述对神经网络进行训练和学习，得到均压环参数与分压器表面电场强度、均压环表面电场强度之间的映射包括：

S2121：获取均压环参数的范围构成数据集，所述均压环参数的范围包括均压环的环半径范围、均压环的管半径范围和均压环的高度范围；

S2122：通过L-M法对数据集进行训练；

S2123：通过高压直流分压器模型对数据集进行仿真，将复合要求的数据倒入导入BP算法中进行学习，得到均压环参数与分压器表面电场强度、均压环表面电场强度之间的映射。

5.如权利要求2所述的高压直流分压器均压环的模型结构参数优化方法，其特征在于，所述基于遗传算法，将均压环参数与分压器表面电场强度、均压环表面电场强度之间的映射构建为遗传算法中的适应度，通过选择、交叉和变异，得到最优输出包括：

S221：构建均压环参数种群体M，初始化种群体M，所述均压环参数包括均压环的环半径、均压环的管半径和均压环的高度；

S222：将均压环参数与分压器表面电场强度、均压环表面电场强度之间的映射构建为遗传算法中的适应度，通过共享函数对个体适应度进行选择、交叉和变异，得到最优输出。

6.如权利要求5所述的高压直流分压器均压环的模型结构参数优化方法，其特征在于，所述构建均压环参数种群体M，初始化种群体M包括以下步骤：

S2211：构建高压直流分压器模型；

S2212：在高压直流分压器模型中获取均压环参数，所述均压环参数包括均压环的环半径、均压环的管半径和均压环的高度；

S2213：通过遗传算法的染色体中各个基因位表示均压环参数，得到均压环参数种群体M，设置遗传迭代次数为1，即对均压环参数群体进行初始化。

7.如权利要求6所述的高压直流分压器均压环的模型结构参数优化方法，其特征在于，所述将均压环参数与分压器表面电场强度、均压环表面电场强度之间的映射构建为遗传算法中的适应度，通过共享函数对个体适应度进行选择、交叉和变异，得到最优输出包括以下步骤：

S2221：通过精英保留，对均压环参数种群体M进行计算，得到留下的个体数量；

S2222：将均压环参数与分压器表面电场强度、均压环表面电场强度之间的映射构建为遗传算法中的适应度，通过共享函数对个体适应度进行选择、交叉和变异，按照轮盘赌法，得到个体被选择的概率；

S2223：将遗传概率最大的个体输出，即为最优输出。