广西师范大学学报（自然科学版） ›› 2023, Vol. 41 ›› Issue (3): 53-66.doi: 10.16088/j.issn.1001-6600.2022061901

• 研究论文 • 上一篇    下一篇

基于MWOA-Elman神经网络的接地网瞬变电磁缺陷识别

韩欣月1,2, 邓长征1,2*, 付添1,2, 夏鹏雨1,2, 刘旋1,2   

  1. 1.三峡大学 电气与新能源学院, 湖北 宜昌 443002;
    2.三峡大学新能源微电网湖北省协同创新中心, 湖北 宜昌 443002
  • 收稿日期:2022-06-19 修回日期:2022-08-11 出版日期:2023-05-25 发布日期:2023-06-01
  • 通讯作者: 邓长征(1980—), 男, 湖北宜昌人, 三峡大学副教授, 博士。E-mail: ctgu715@126.com
  • 基金资助:
    国家自然科学基金(51877122); 湖北省教育厅科学技术研究计划中青年人才项目(Q20151205)

Transient Electromagnetic Defect Identification of Grounding Grid Based on MWOA-Elman Neural Network

HAN Xinyue1,2, DENG Changzheng1,2*, FU Tian1,2, XIA Pengyu1,2, LIU Xuan1,2   

  1. 1. College of Electrical and New Energy, China Three Gorges University, Yichang Hubei 443002, China;
    2. Hubei Provincial Collaboration Innovation Center for New Energy Microgrid, China Three Gorges University, Yichang Hubei 443002, China
  • Received:2022-06-19 Revised:2022-08-11 Online:2023-05-25 Published:2023-06-01

PDF (PC)

9

摘要： 为改进当前瞬变电磁探测系统的局限,提高接地网缺陷识别的效率与精度,提出一种MWOA-Elman神经网络,完成数据由采样到成像的转化过程,快速实现视电阻率成像,精准识别接地网的不同缺陷。首先,通过理论计算完成接地网瞬变场参数样本集,构造Elman神经网络的单映射关系。其次,围绕收敛因子、自适应权重与阈值对鲸鱼算法进行改进,用改进鲸鱼算法(modified whale optimization algorithm,MWOA)优化Elman神经网络的权值和阈值。测试结果表明,MWOA-Elman神经网络在第854步收敛,4项误差指标MAE、MSE、RMSE、MAPE分别为0.103 51、0.040 09、0.126 64和0.333 52%,接地网缺陷识别精度为99.678%,识别效率与精度均优于其他模型。最后,通过分析3×3接地网3种典型缺陷位置的成像结果,验证了MWOA-Elman神经网络应用于接地网缺陷识别的有效性,为嵌入瞬变电磁探测系统的智能算法提供参考。

关键词: 接地网缺陷, 瞬变场参数, 视电阻率成像, Elman神经网络, 改进鲸鱼算法

Abstract: In order to improve the limitations of the current transient electromagnetic detection system and improve the efficiency and accuracy of ground grid defect identification, a MWOA-Elman neural network is proposed to complete the transformation process from sampling to imaging, quickly realize the apparent resistivity imaging, and accurately identify different defects of the ground grid. Firstly, the transient field parameter sample set of grounding grid is completed through theoretical calculation, and the single mapping relation of Elman neural network is constructed. Secondly, the modified Whale algorithm is improved around convergence factor, adaptive weight and threshold, and the weight and threshold of Elman neural network are optimized by modified whale optimization algorithm (MWOA). The test results show that the MWOA-Elman neural network converges at the 854 step, and the four error indexes MAE, MSE, RMSE, MAPE are 0.103 51, 0.040 09, 0.126 64 and 0.333 52%, respectively. The identification accuracy of grounding grid defects is 99.678%, and the identification efficiency and accuracy are better than that of other models. Finally, the imaging results of three typical defect locations of 3×3 grounding grid can verify the effectiveness of MWOA-Elman neural network applied to defect identification of grounding grid, and provide reference for intelligent algorithm embedded in transient electromagnetic detection system.

Key words: ground grid defect, transient field parameters, apparent resistivity imaging, elman neural network, modified whale optimization algorithm

中图分类号:  TP391.41;TM862;TP183

[1] DAWALIBI F. Electromagnetic fields generated by overhead and buried short conductors part 1-single conductor[J]. IEEE Transactions on Power Delivery, 1986, 1(4): 105-111. DOI: 10.1109/TPWRD.1986.4308036.
[2] 张树亮, 刘东亮, 徐洪福, 等. 基于磁场分布特性的接地网腐蚀断点检测方法研究[J]. 电瓷避雷器, 2021(1): 51-55,62. DOI: 10.16188/j.isa.1003-8337.2021.01.008.
[3] 付志红, 余慈拱, 侯兴哲, 等. 瞬变电磁法视电阻率成像的接地网断点诊断方法[J]. 电工技术学报, 2014, 29(9): 253-259. DOI: 10.19595/j.cnki.1000-6753.tces.2014.09.036.
[4] 余慈拱. 电力接地网缺陷的瞬变电磁成像诊断方法研究[D]. 重庆:重庆大学, 2017.
[5] YU C G, FU Z H, WU G L et al. Configuration detection of substation grounding grid using transient electromagnetic method[J]. IEEE Transactions on Industrial Electronics, 2017, 64(8): 6475-6483. DOI: 10.1109/TIE.2017.2682033.
[6] 栾卉, 徐畅, 刘南南, 等. 基于COMSOL Multiphysics的瞬变电磁法接地网故障诊断仿真研究[J]. 实验室研究与探索, 2017, 36(1): 108-111. DOI: 103969/j.issn.1006-7167.2017.01.026.
[7] 陈广. 基于神经网络的瞬变电磁快速成像方法研究[D]. 重庆:重庆大学, 2014.
[8] 秦善强, 付志红, 朱学贵, 等. 遗传神经网络的瞬变电磁视电阻率求解算法[J]. 电工技术学报, 2017, 32(12): 146-154,250. DOI: 10.19595/j.cnki.1000-6753.tces.2017.12.015.
[9] 秦善强. 瞬变电磁法的神经网络快速成像及其在接地网检测中的应用[D]. 重庆: 重庆大学, 2019.
[10] QIN S Q, WANG Y, XU Z Y, et al. Fast resistivity imaging of transient electromagnetic using ANN[J]. IEEE Geoscience and Remote Sensing Letters, 2019,16(9):1373-1377. DOI: 10.1109/LGRS.2019.2900992.
[11] 张娜, 任强, 刘广忱, 等. 基于VMD-GWO-ELMAN的光伏功率短期预测方法[J]. 中国电力, 2022, 55(5): 57-65.
[12] 王明馨,郑瑛楠,邓卓夫.基于BFA-Elman的电力负荷可靠性预测系统设计[J].电子设计工程,2022,30(6):118-121,126. DOI: 10.14022/j.issn1674-6236.2022.06.026.
[13] 包满.基于Elman神经网络模型的短期电力负荷预测模型[J].电子设计工程,2022,30(1):121-126. DOI: 10.14022/j.issn1674-6236.2022.01.026.
[14] 段巍, 韩旭, 马良玉, 等. 基于Elman神经网络的风力机风轮子系统故障预警[J]. 太阳能学报, 2021, 42(12): 157-162. DOI: 10.19912/j.0254-0096.tynxb.2019-1427.
[15] 赵俊浩, 吴杰康, 张文杰, 等. 基于布谷鸟-Elman算法的光伏发电预测[J]. 电力工程技术, 2020, 39(2): 81-88. DOI: 10.12158/j.2096-3203.2020.02.012.
[16] 张莹, 苏建徽, 汪海宁, 等. 基于改进磷虾群算法优化Elman神经网络的PEMFC电堆建模[J]. 电测与仪表, 2021,58(3): 23-27. DOI: 10.19753/j.issn1001-1390.2021.03.004.
[17] 武泽权, 牟永敏. 一种改进的鲸鱼优化算法[J]. 计算机应用研究, 2020, 37(12): 3618-3621. DOI: 10.19734/j.issn.1001-3695.2019.09.0536.
[18] 徐航, 张达敏, 王依柔, 等. 混合策略改进鲸鱼优化算法[J]. 计算机工程与设计, 2020, 41(12): 3397-3404. DOI: 10.16208/j.issn1000-7024.2020.12.15.
[19] 汤安迪, 韩统, 徐登武, 等. 混沌多精英鲸鱼优化算法[J]. 北京航空航天大学学报, 2021, 47(7): 1481-1494. DOI: 10.13700/j.bh.1001-5965.2020.0585.
[20] 徐正玉, 付能翼, 周洁, 等. 瞬变电磁法非线性优化反演算法对比[J]. 吉林大学学报(地球科学版), 2022, 52(3): 744-753. DOI: 10.13278/j.cnki.jjuese.20210253.
[21] 何一鸣, 薛国强, 赵炀. 基于量子行为粒子群算法的航空瞬变电磁拟二维反演技术[J]. 地球科学与环境学报, 2020, 42(6): 722-730. DOI: 10.19814/j.jese.2020.09007.
[22] 王仕兴, 易国财, 王绪本, 等. 基于分段二分搜索算法的半航空瞬变电磁电导率深度快速成像方法研究[J]. 地球物理学进展, 2021, 36(3): 1317-1324. DOI: 10.6038/pg2021EE0304.
[23] 王培培. 地下金属物体探测及成像系统设计[D]. 成都: 成都理工大学, 2014.
[24] 吴牧阳. 接地网腐蚀的瞬变电磁诊断方法研究[D]. 重庆: 重庆大学, 2019.
[25] 王若冰. 基于改进LeNet-5网络的瞬变电磁法接地网腐蚀程度识别方法研究[D]. 长春: 吉林大学, 2020.
[26] 白登海, MEJU M A, 卢健, 等. 时间域瞬变电磁法中心方式全程视电阻率的数值计算[J]. 地球物理学报, 2003,46(5): 697-704. DOI: 10.3321/j.issn:0001-5733.2003.05.018.
[27] NABIGHIAN M N. Quasi-static transient response of a conducting half-space; an approximate representation[J]. Geophysics, 1979, 44(10): 1700-1705. DOI: 10.11090/1.1440931.
[28] MIRJALILI S, LEWIS A. The whale optimization algorithm[J]. Advances in Engineering Software, 2016, 95:51-67. DOI: 10.1016/j.advengsoft.2016.01.008.
[1] 梁镇锋, 夏海英. 一种面向无人机航拍图像的快速拼接算法[J]. 广西师范大学学报（自然科学版）, 2023, 41(3): 41-52.
[2] 钱有为, 何富运, 韦燕, 冯慧玲, 胡聪. 基于双编码路径融合和双向ConvLSTM的神经元图像分割[J]. 广西师范大学学报（自然科学版）, 2023, 41(3): 67-79.
[3] 李洋, 苟刚. 基于改进YOLOX的轻量型垃圾分类检测方法[J]. 广西师范大学学报（自然科学版）, 2023, 41(3): 80-90.
[4] 王鲁娜, 杜洪波, 朱立军. 基于流形正则的堆叠胶囊自编码器优化算法[J]. 广西师范大学学报（自然科学版）, 2023, 41(2): 76-85.
[5] 魏明军, 周太宇, 纪占林, 张鑫楠. 基于YOLOv3的公共场所口罩佩戴检测方法[J]. 广西师范大学学报（自然科学版）, 2023, 41(1): 76-86.
[6] 牛学德, 高丙朋, 任荣荣, 徐明明. 基于轻量级CNN的作物病虫害识别及安卓端应用[J]. 广西师范大学学报（自然科学版）, 2022, 40(6): 59-68.
[7] 于梦竹, 唐振军. 基于手工特征的视频哈希研究综述[J]. 广西师范大学学报（自然科学版）, 2022, 40(5): 72-89.
[8] 梁启花, 胡现韬, 钟必能, 于枫, 李先贤. 基于孪生网络的目标跟踪算法研究进展[J]. 广西师范大学学报（自然科学版）, 2022, 40(5): 90-103.
[9] 李志欣, 苏强. 基于知识辅助的图像描述生成[J]. 广西师范大学学报（自然科学版）, 2022, 40(5): 418-432.
[10] 万黎明, 张小乾, 刘知贵, 宋林, 周莹, 李理. 基于高效通道注意力的UNet肺结节CT图像分割[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 66-75.
[11] 张萍, 徐巧枝. 基于多感受野与分组混合注意力机制的肺结节分割研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 76-87.
[12] 李永杰, 周桂红, 刘博. 基于YOLOv3模型的人脸检测与头部姿态估计融合算法[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 95-103.
[13] 陈文康, 陆声链, 刘冰浩, 李帼, 刘晓宇, 陈明. 基于改进YOLOv4的果园柑橘检测方法研究[J]. 广西师范大学学报（自然科学版）, 2021, 39(5): 134-146.
[14] 张伟彬, 吴军, 易见兵. 基于RFB网络的特征融合管制物品检测算法研究[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 34-46.
[15] 张灿龙, 李燕茹, 李志欣, 王智文. 基于核相关滤波与特征融合的分块跟踪算法[J]. 广西师范大学学报（自然科学版）, 2020, 38(5): 12-23.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 吴竹, 田漫漫, 谭琪明, 陈震, 王秋萍, 何珺. HPLC-RID测定银蓝通络口服液中银杏内酯含量[J]. 广西师范大学学报（自然科学版）, 2017, 35(2): 87 -92 .
[2] 宋俊, 韩啸宇, 黄宇, 黄廷磊, 付琨. 一种面向实体的演化式多文档摘要生成方法[J]. 广西师范大学学报（自然科学版）, 2015, 33(2): 36 -41 .
[3] 徐久成, 李晓艳, 李双群, 张灵均. 基于相容粒的多层次纹理特征图像检索方法[J]. 广西师范大学学报（自然科学版）, 2011, 29(1): 186 -187 .
[4] 冉浩, 周善义. 中国蚁科昆虫名录——蚁型亚科群(膜翅目:蚁科)(Ⅰ)[J]. 广西师范大学学报（自然科学版）, 2011, 29(3): 65 -73 .
[5] 刘静, 边迅. 直翅目昆虫线粒体基因组的特征及应用[J]. 广西师范大学学报（自然科学版）, 2021, 39(1): 17 -28 .
[6] 徐国良. 广东7种蕨类植物新记录[J]. 广西师范大学学报（自然科学版）, 2021, 39(1): 114 -118 .
[7] 王素, 范意兴, 郭嘉丰, 张儒清, 程学旗. 基于样本难度的神经机器翻译动态学习方法[J]. 广西师范大学学报（自然科学版）, 2021, 39(2): 13 -20 .
[8] 闫莎. 一类三种群捕食者-食饵交错扩散模型的整体解[J]. 广西师范大学学报（自然科学版）, 2021, 39(2): 125 -131 .
[9] 陈文康, 陆声链, 刘冰浩, 李帼, 刘晓宇, 陈明. 基于改进YOLOv4的果园柑橘检测方法研究[J]. 广西师范大学学报（自然科学版）, 2021, 39(5): 134 -146 .
[10] 谢冬林, 邓国和. 随机利率跳扩散模型下幂型乘积远期生效期权定价[J]. 广西师范大学学报（自然科学版）, 2021, 39(5): 158 -172 .
版权所有 © 广西师范大学学报（自然科学版）编辑部
地址：广西桂林市三里店育才路15号　邮编：541004
电话：0773-5857325　E-mail: gxsdzkb@mailbox.gxnu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发