電子網(wǎng)絡(luò)環(huán)境下故障數(shù)據(jù)粒子群融合搜索算法

宋定宇

(南陽(yáng)理工學(xué)院,河南 南陽(yáng) 473000)

0 引 言

由于電子網(wǎng)絡(luò)會(huì)出現(xiàn)的各種問(wèn)題，需要通過(guò)網(wǎng)絡(luò)運(yùn)維人員對(duì)此排查，準(zhǔn)確定位并給予解決[1-2]。許多電網(wǎng)方向的研究學(xué)者對(duì)電子網(wǎng)絡(luò)故障的研究取得了十分顯著的成果，朱蓉等[3]人提出了一種基于融合優(yōu)質(zhì)粒子分布的粒子群優(yōu)化算法，但其未設(shè)計(jì)加速因子，算法收斂速度慢。文獻(xiàn)[4]提出的粒子群運(yùn)動(dòng)特性下的神經(jīng)網(wǎng)絡(luò)目標(biāo)搜索算法，其主要缺點(diǎn)是粒子群極易停滯在局部極值點(diǎn)。文獻(xiàn)[5]針對(duì)現(xiàn)有粒子群人工神經(jīng)網(wǎng)絡(luò)存在誤差大、不易收斂等問(wèn)題，在粒子群動(dòng)態(tài)運(yùn)動(dòng)特性的基礎(chǔ)上，提出了一種神經(jīng)網(wǎng)絡(luò)目標(biāo)搜索算法，通過(guò)方向因子對(duì)傳統(tǒng)的粒子群算法進(jìn)行了改進(jìn)。提出了早熟判斷機(jī)制，以保證收斂效果，文獻(xiàn)[6]與之相似。

為了提升電子網(wǎng)絡(luò)故障數(shù)據(jù)的搜索效率和故障診斷率，本文提出電子網(wǎng)絡(luò)環(huán)境下故障數(shù)據(jù)粒子群融合搜索算法，在改進(jìn)PSO算法中設(shè)計(jì)加速因子，使得每個(gè)粒子快速集合到局部最優(yōu)解，以提高收斂速度。將模式搜索法與改進(jìn)PSO算法相融合，引導(dǎo)粒子群搜索最優(yōu)位置。

1 電子網(wǎng)絡(luò)環(huán)境下故障數(shù)據(jù)粒子群融合搜索算法

1.1 基于PSO的故障診斷方法

1.1.1 基本PSO算法

粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法是具有隨機(jī)性的優(yōu)化算法，初始時(shí)是一群隨機(jī)粒子(隨機(jī)待選解)，經(jīng)過(guò)數(shù)次迭代獲得最優(yōu)解[5]。在反復(fù)迭代過(guò)程中，粒子群的更新與迭代過(guò)程中的兩個(gè)最值有關(guān)。其一是粒子本身獲得最值，這是粒子極限最值；其二是在搜索群組最值，也就是群組最值(或粒子群區(qū)域最值)[6]。當(dāng)獲得粒子極限最值和群組最值時(shí)，粒子的自身更新速度與行動(dòng)軌跡公式為：

wij(u+1)=awij(u)+φ1j(u)[zij(u)-kij(u)]+

(1)

kij(u+1)=kij(u)+wij(u+1)

(2)

1.1.2 改進(jìn)的帶擾動(dòng)項(xiàng)PSO算法

通過(guò)在反復(fù)實(shí)驗(yàn)后驗(yàn)證公式(1)，其結(jié)果在既定范圍內(nèi)的群組最值基本恒定，上下浮動(dòng)不大，由公式(1)中αwij(u)確定粒子實(shí)時(shí)位置，同時(shí)推測(cè)出粒子群的運(yùn)動(dòng)同向，持續(xù)運(yùn)動(dòng)到區(qū)域極限位置[7]，粒子運(yùn)動(dòng)速度下降直至運(yùn)動(dòng)停止，此時(shí)粒子處于區(qū)域極限位置，為了防止這種情況出現(xiàn)，對(duì)PSO算法進(jìn)行優(yōu)化，在反復(fù)實(shí)驗(yàn)時(shí)增加速度進(jìn)化因子L。

在求解最小值時(shí)，令L為上次迭代的全局最優(yōu)解為目前迭代的全局最優(yōu)解，即：

(3)

式中，g(·)為合適度函數(shù)，通常L≥1，L越大代表進(jìn)化速度越快[8]。反復(fù)進(jìn)行迭代實(shí)驗(yàn)，搜索次數(shù)增大，若L一直等于1不無(wú)法獲得最佳解，此時(shí)，應(yīng)用PSO算法的粒子處于區(qū)域極限位置，是全局最值。根據(jù)以往的研究經(jīng)驗(yàn)，若L小于?(?∈[3,6])，粒子很可能正處于區(qū)域極限位置，即全局最值，為了避免這種情況，應(yīng)該改變粒子的初始位置，用來(lái)輔助實(shí)驗(yàn)的進(jìn)行，更新后重新確定粒子位置繼續(xù)搜索，從而提升整個(gè)粒子群在電子網(wǎng)絡(luò)下的故障檢測(cè)能力[9]。

改進(jìn)PSO算法每次迭代時(shí)都計(jì)算粒子的進(jìn)化速度，當(dāng)L小于?時(shí)，在速度更新方程中引入負(fù)擾動(dòng)項(xiàng)，用來(lái)改變粒子的運(yùn)動(dòng)方向，此時(shí)式(1)變?yōu)椋?/p>

(4)

借鑒文獻(xiàn)[11]的基本PSO收斂性研究結(jié)果，使得帶擾動(dòng)項(xiàng)的PSO改進(jìn)算法粒子群最終收斂于某平衡點(diǎn)，則有：

(5)

1.1.3 加速因子設(shè)計(jì)

在對(duì)算法進(jìn)行優(yōu)化的過(guò)中，需要分為很多階段，在初始階段，我們需要重點(diǎn)關(guān)注粒子本身的運(yùn)動(dòng)軌跡，以免產(chǎn)生所有粒子都集中到區(qū)域極限位置；在最終階段，應(yīng)該關(guān)注最優(yōu)粒子的軌跡，增大收斂速度[12]。故此，對(duì)于優(yōu)化算法的整個(gè)階段，d1應(yīng)逐漸減小，d2應(yīng)逐漸增大。優(yōu)化后計(jì)算加速因子公式如下：

(6)

(7)

式中，d1min、d1max、d2min、d2max代表加速因子取值范圍；迭代次數(shù)為1時(shí)，d1≈d1max，d2≈d2max；當(dāng)?shù)螖?shù)達(dá)到最大時(shí)，d1=d1max，d2=d2max，同時(shí)d1與d2呈冪函數(shù)形式非線性變化[13]。

1.2 初始步長(zhǎng)可伸縮的模式搜索法

1.2.1 模式搜索法

Hooke等人在1964年提出了模式搜索算法，模式搜索算法無(wú)需求導(dǎo)，適用于復(fù)雜函數(shù)的優(yōu)化中，能夠?yàn)槲覀兲峁┘夹g(shù)支撐[14]。因此將模式搜索法和改進(jìn)的PSO算法相結(jié)合，實(shí)現(xiàn)電子網(wǎng)絡(luò)環(huán)境下的故障數(shù)據(jù)搜索[15]。模式搜索法具體步驟如下：

(1)初始化：通過(guò)迭代計(jì)算，獲得最佳解，然后將這個(gè)最佳解作為初始迭代點(diǎn)。

設(shè)定初始步長(zhǎng)ζ>0，速度因子θ≥0，步長(zhǎng)遞減參數(shù)0<σ<1，精度參數(shù)ρ>0，搜索變量q1=z，循環(huán)次數(shù)s=1；

(2)搜索移動(dòng)：維數(shù)i=1,2,3,…,E，若f(qi+ζei)

(3)模式移動(dòng)：若f(qE+1)

(4)停止判斷：如果ζ<ρ，那么{kbest=k(s),輸出kbest，停止運(yùn)算}；否則{減少步長(zhǎng)ζ=σζ，轉(zhuǎn)(2)}。

1.2.2 初始步長(zhǎng)可伸縮的模式搜索法

模式搜索法主要解決的問(wèn)題。第一，為解決對(duì)起始位置十分敏感這一問(wèn)題，通過(guò)迭代計(jì)算，獲得最佳解，然后將這個(gè)最佳解作為初始位置；第二，為解決計(jì)算量過(guò)于龐大這一問(wèn)題，提出一種初始步長(zhǎng)伸縮算法。對(duì)于當(dāng)前模式的迭代次數(shù)count，令count=s，即反復(fù)搜索s次，其獲得結(jié)果沒有改變。對(duì)于模式搜索法中的初始步長(zhǎng)i來(lái)說(shuō)，當(dāng)i減小時(shí)，初始點(diǎn)變小，s減小計(jì)算次數(shù)減少，從而減小了計(jì)算次數(shù)，增加了計(jì)算效率。為了防止粒子恰好位于區(qū)域極位置，當(dāng)搜索次數(shù)s>3時(shí)，將初始步長(zhǎng)增大，擴(kuò)大搜索范圍。

通過(guò)以上步驟，能夠減少電子網(wǎng)絡(luò)環(huán)境下故障數(shù)據(jù)搜索的計(jì)算量。初始步長(zhǎng)ζ的生成過(guò)程如下所示：

ζorigin=0.3×zmax；

If(count==1‖(s>4)){s=0;ζ=ζorigin;}

Else{ζ=ζ/12(count-1);}

End

2 實(shí)驗(yàn)分析

本文所用實(shí)驗(yàn)平臺(tái)是Intel酷睿雙核i3處理器，主頻2.12 GHz，4 GB RAM的個(gè)人筆記本電腦，采用matlab和C混合編程。對(duì)于文中的數(shù)據(jù)粒子群融合搜索算法，為驗(yàn)證其各方面表現(xiàn)，采用三個(gè)對(duì)比實(shí)驗(yàn)進(jìn)行驗(yàn)證。

實(shí)驗(yàn)相關(guān)參數(shù)設(shè)置如下：

λmax=0.8，λmin=0.5，φ=0.2，m=3，d1min=1.37，d1max=2.64，d2min=0.6，d2max=2.38，停滯閾值threshold=12。

模式搜索參數(shù)設(shè)置如下：

初始步長(zhǎng)ζ=0.3zmax，速度因子θ=2，步長(zhǎng)遞減參數(shù)σ=0.8，精度參數(shù)ρ=11-6。

2.1 與同類算法結(jié)果的對(duì)比和分析

實(shí)驗(yàn)將本文算法與融合優(yōu)質(zhì)粒子分布的粒子群優(yōu)化算法(算法1)和粒子群運(yùn)動(dòng)特性下的神經(jīng)網(wǎng)絡(luò)目標(biāo)搜索算法(算法2)進(jìn)行比較，兩個(gè)對(duì)比算法均為粒子群算法，算法參數(shù)設(shè)置相似，實(shí)驗(yàn)所用算法和本文算法的條件相同，因此對(duì)照實(shí)驗(yàn)具有可信性。

算法1運(yùn)用10個(gè)測(cè)試函數(shù)，算法2運(yùn)用5個(gè)測(cè)試函數(shù)。實(shí)驗(yàn)比較三個(gè)算法共用的測(cè)試函數(shù)最優(yōu)值的均值。算法1的種群規(guī)模是35，維數(shù)是35；算法2的分別是25和30；本文算法的種群規(guī)模是25，維數(shù)是30。算法1的迭代次數(shù)范圍是105-2×105，算法2則為1500，本文算法僅為150，對(duì)比結(jié)果如表1所示。

表1 三個(gè)算法測(cè)試結(jié)果對(duì)比

由表1可知，算法1在Gosenbrock和Destigom兩個(gè)函數(shù)上收斂到了已知最優(yōu)解0，本文算法在Lcheak、Gosenbrock和Destigom三個(gè)函數(shù)上收斂到了已知最優(yōu)解0，同時(shí)本文算法在其他函數(shù)上更加接近已知最優(yōu)解。另外，本文算法的迭代次數(shù)也遠(yuǎn)遠(yuǎn)少于另外兩個(gè)算法，與算法2相比，針對(duì)其中4個(gè)函數(shù)，本文算法在解的精度上更優(yōu)。

2.2 誤差分析

實(shí)驗(yàn)應(yīng)用采用神經(jīng)網(wǎng)絡(luò)方式對(duì)電子網(wǎng)絡(luò)環(huán)境下的故障建立學(xué)習(xí)算法模型。神經(jīng)網(wǎng)絡(luò)由三部分構(gòu)成，分別是輸入層、輸出層、隱含層，輸入與輸出部分都分為12個(gè)單元，因此需要擁有與之對(duì)應(yīng)的故障模式向量和二值故障編碼。在故障檢測(cè)過(guò)程中對(duì)隱含單元進(jìn)行檢測(cè)，將初始節(jié)點(diǎn)數(shù)設(shè)置為15，采用300組樣本完成訓(xùn)練，同時(shí)采用相應(yīng)的故障向量與二值故障編碼。本文算法的主要參數(shù)為：d1=d2=2.5；amax=0.90；amin=0.03；ed=0.4；?=4；最大迭代次數(shù)為3000；粒子數(shù)量為50。訓(xùn)練結(jié)束后故障向量和編碼的對(duì)應(yīng)關(guān)系儲(chǔ)存在電子網(wǎng)絡(luò)中。

在實(shí)驗(yàn)中引入反向傳播(Back Propagation, BP)算法和自動(dòng)方位搜尋器(Automatic Direction Finder,ADF)算法，在相同的電子網(wǎng)絡(luò)中建立故障對(duì)應(yīng)關(guān)系，與文中算法比對(duì)。這兩個(gè)算法的最大迭代次數(shù)為5000，運(yùn)用TRAINBP函數(shù)訓(xùn)練網(wǎng)絡(luò)。三種算法的誤差曲線如圖1所示。

圖1 三種算法的誤差曲線

本文算法在電子網(wǎng)絡(luò)環(huán)境下的訓(xùn)練誤差在1450次迭代后達(dá)到0.15，而BP算法的訓(xùn)練誤差在5000次迭代后達(dá)到1.85，ADF算法的訓(xùn)練誤差在5000次迭代后達(dá)到0.95。由此可見，本文算法的誤差顯著低于其他兩種算法，能夠滿足電子網(wǎng)絡(luò)環(huán)境下故障診斷實(shí)時(shí)性的要求。

2.3 收斂速度分析

為驗(yàn)證本文算法的收斂速度，以BP算法和ADF算法作為對(duì)比，圖2 為三個(gè)算法在迭代過(guò)程中搜索到極值點(diǎn)的個(gè)數(shù)。

圖2 三種算法迭代過(guò)程中搜索到極值點(diǎn)個(gè)數(shù)

由圖2可知，本文算法在迭代后期依舊能夠搜索到較多的極值點(diǎn)，當(dāng)?shù)螖?shù)為6時(shí)，搜索到的極值點(diǎn)個(gè)數(shù)為340，搜索并未停止，這說(shuō)明本文算法具有較強(qiáng)的全局搜索能力。而另外兩個(gè)算法在迭代次數(shù)為6時(shí)搜索到的極值個(gè)數(shù)分別為140、190，明顯低于本文算法。因此，本文算法在相同迭代次數(shù)的條件下，能夠搜索更多極值點(diǎn)，具有較高的搜索性能。

圖3為三個(gè)算法收斂速度對(duì)比，由該圖可以看出，本文算法在第3次迭代時(shí)即搜索到全部極值點(diǎn)，而另外兩個(gè)算法分別在第4.5次和第6次迭代時(shí)搜索到全部極值點(diǎn)。

圖3 三種算法收斂速度對(duì)比

圖3可以看出對(duì)于本文算法最開始階段，反復(fù)迭代搜索后獲得多個(gè)極值，隨著搜索次數(shù)的增加，極值出現(xiàn)的次數(shù)減少，搜索速率下降，因?yàn)樵诤笃谒阉鞯降臉O值與初期極值同峰，說(shuō)明后期的迭代搜索是重復(fù)搜索，同時(shí)由于峰值點(diǎn)相同時(shí)，精度更高的極值會(huì)替代精度低的極值，提升了搜索精度，本文算法的收斂速度較快。

3 結(jié) 語(yǔ)

為快速準(zhǔn)確地檢測(cè)和定位電子網(wǎng)絡(luò)環(huán)境中的故障狀態(tài)，提出一種改進(jìn)帶擾動(dòng)項(xiàng)的PSO算法，結(jié)合初始步長(zhǎng)可伸縮的模式搜索法，構(gòu)成故障數(shù)據(jù)粒子群融合搜索算法。且所提算法具有較低的誤差、較高的收斂速度，為未來(lái)的電子網(wǎng)絡(luò)環(huán)境下故障搜索技術(shù)提供了一定的研究依據(jù)。