基于多梯度下降蜂群算法的封闭母线温度故障监测方法

1.本发明属于电力设备故障监测技术领域，具体涉及一种基于多梯度下降蜂群算法的封闭母线温度故障监测方法。


背景技术：

2.封闭母线是电力设备中一种重要的输电和配电装置，广泛应用于电力系统的能量传输和分配。它是由金属板（钢板或铝板）为保护外壳，导电排、绝缘材料及有关附件组成的母线系统。在实际传输过程中，母线的各个节点会在电流的作用下产生磁场，进而产生大量的热，热量的产生不仅取决于母线电流的大小，同时还受环境温度变化的影响。因此针对于封闭母线各个节点温度变化率的监测便显得尤为重要。其电流变化率与环境温度变化率便成为了影响温度变化率的两个主要指标。
3.目前，针对于封闭母线温度故障监测的方法主要有以下几种：红外线温度传感器监测。红外线温度传感器是一种能够通过捕捉物体辐射出的红外线能量来测量物体表面温度的传感器。它利用红外线辐射与物体表面温度之间的关系，通过测量红外线的强度来间接地推断出物体的温度。在使用红外线温度传感器进行封闭母线温度监测时，应该确保传感器与被测物体之间没有遮挡物和干扰源，以确保准确的温度测量和故障检测。
4.电力变送器监测。电力变送器是一种用于测量和传输电气信号的设备。它可以将封闭母线的温度信号转换为电气信号，以便进行监测和处理。紧接着，电力变送器将转化的电气信号进行放大、滤波和线性化等处理，以确保信号的准确性和稳定性。这些处理可根据具体的应用需求进行灵活调整。如果检测到封闭母线温度异常，将触发相应的报警或保护措施。
5.目前关于封闭母线温度故障监测相关的技术普遍缺乏多目标统一性、温度故障监测机制单一、无最优记忆参与等问题，这样会使得当不同的影响因素同时作用时，发生信息错乱、温度测量不准确、监测效率低等情况。
6.现有专利中，cn110319951a公开了一种封闭母线的温度监测系统及方法，其在封闭母线内设置包含多段测温光纤的光纤线路，光发射接收装置向光纤线路发射入射光；温度获取装置根据经测温光纤对入射光进行反射和透射后的出射光谱确定封闭母线的温度数据；温度监测装置接收温度数据，实现对封闭母线多监测点、全方位的温度监控。
7.该专利中，通过入射光和包含测温光纤的光纤线路来进行封闭母线的温度检测和监控，需要额外设置温度监测装置、温度获取装置、光发射接收装置、多段测温光纤的光纤线路等，容易被干扰源影响，温度故障监测机制单一，且需要定期进行设备的维护保养。
8.本发明为了提高封闭母线温度故障监测的效率和精度，考虑将蜂群算法运用到封闭母线温度故障监测过程中，人工蜂群算法属于群智能算法的一种，其受启发于蜜蜂的寻蜜和采蜜过程，相比于常见的启发式算法，它的优点在于其使用了较少的控制参数，并且鲁棒性强，在每次迭代过程中都会进行全局和局部的最优解搜索，因此能够找到最优解的概
率大大增加。
9.但是现有的人工蜂群算法在多目标的情况下，容易陷入局部最优解，因此需要对人工蜂群算法进行改进后才能使用。


技术实现要素：

10.根据以上现有技术中的不足，本发明提供了一种有效提高了封闭母线温度故障监测的效率和精度，缩短了时间成本，提高了电力系统安全系数的基于多梯度下降蜂群算法的封闭母线温度故障监测方法。
11.为达到以上目的，本发明提供了基于多梯度下降蜂群算法的封闭母线温度故障监测方法，包括以下步骤：s1、将多梯度下降算法的多目标优化过程与人工蜂群算法结合，建立多梯度下降蜂群算法模型；
12.可以实现蜂群多元化搜索机制的最优记忆，从而克服局部最优解的弊端，达到多目标并行优化的目的。
13.s2、采集封闭母线的环境温度及电流测试样本，进行特征提取及多目标优化，依据s1中的多梯度下降蜂群算法模型，建立温度电流多梯度下降蜂群数学模型；s3、通过建立的温度电流多梯度下降蜂群数学模型，寻找最优蜜源搜索方向，并进一步得到封闭母线环境温度与电流变化率的最优解，最优解的位置最有可能成为封闭母线温度故障点。
14.多梯度下降蜂群算法模型是基于人工蜂群算法在面临侦察蜂搜索机制单一，没有最优记忆参与，容易导致局部最优解问题的基础上，通过建立多梯度模型，改进侦察蜂寻蜜机制，以多变量最大梯度来加快蜜源最优解获取的速率。多梯度下降蜂群算法模型将蜂群种类划分为三类：侦察蜂、观察蜂、采蜜蜂。算法中蜜蜂个体相当于一个个优化算法的执行单元，蜜蜂之间通过一定的信息交流和交互，形成一个个小群体，不断地互相传递信息，选择跳跃点，并不断更新自身的位置。
15.所述的s1中，建立多梯度下降蜂群算法模型的步骤为：s11、多梯度下降蜂群算法模型的蜂群种类为侦察蜂、观察蜂和采蜜蜂，定义目标问题的解空间为m维，侦察蜂、观察蜂、采蜜蜂数量分别为n、w、q，侦察蜂在每一周期随机寻找新蜜源信息满足以下公式：；式中，n为侦察蜂数量，n=1，2，3，
……
，n，m为目标问题解空间维数，m=1，2，3，
……
，m，为当侦察蜂数量为n时，新生成m维的可能解，为当侦察蜂数量为n时，原来的m维解空间，的定义为侦察蜂数量为n时，新生成在m维落在区间[-1，1]的随机数，k为定义的空间系数，k≠n；s12、在侦察蜂将蜜源信息反馈给观察蜂后，观察蜂从蜜源中根据概率选择其中一个蜜源，定义侦察蜂获得的蜜源集合为，该蜜源由于侦察蜂的搜索机制单一，可能为局部最优解，其选择概率为：
；式中，为第w个观察蜂所接收上一级采蜜蜂可能解的适应值，为第w个观察蜂的选择概率；s13、采蜜蜂根据观察蜂的选择概率和相关蜜源信息，选择最优的适应度取值，即中的最优解，，上一周期蜜源信息设为，当蜜源信息与相比相对优越时，更新最优蜜源信息，否则，丢弃，采蜜蜂变为侦察蜂，并在当前蜜源邻域内继续展开搜索，搜索公式变为：；式中，为采蜜蜂数量为q时，新生成的m维的可能解，、分别为采蜜蜂为数量为q时，过去及现在m维的下界和上界，r代表区间[0，1]上的随机数，k≠q；s14、根据多梯度策略优化侦察蜂采蜜机制，形成最优记忆，并确定最优蜜源搜索方向，使得采蜜蜂能够获得最优蜜源，因此建立多目标参量采蜜优化系统：；式中，为最优蜜源解，为第i个输入蜜源信息参量（可以理解为实际应用中的输出变量）；s15、设定最优蜜源搜索方向为，依据多梯度下降，使得满足：；；式中，为侦察蜂搜索完蜜源之后，邻域的蜜源信息距离；s16、为得到一个最优蜜源搜索方向，并使每次搜索完新蜜源后所有搜索方向都朝着最优蜜源搜索方向去更新信息，将α等效为搜索步长，s15中的公式转化为：；不断地迭代搜索，可以得到问题的pareto最优解：；s17、如存在一个最优蜜源搜索方向使得，同时满足，则此时为多目标问题的最优解；如找不到最优蜜源搜索方向，那么pareto最优解不存在，此时上一蜜源为最优蜜源。
[0016]
所述的多梯度下降蜂群算法模型的建立，即通过多梯度下降在蜜源信息采集建立一个最优记忆机制，通过以下公式来表示该过程：；式中，为无最优记忆参与下的蜂群数据，为最优记忆参与下的蜂群数据，γ为最优记忆输入数据，β为最优蜜源的自适应函数值。
[0017]
所述的s2中，建立温度电流多梯度下降蜂群数学模型的步骤为：s21、设置封闭母线的铝合金所接触的环境温度采集集合为：；电流采集集合为：；样本数据最高温度为，最低温度为，最大电流为，最小电流为；s22、对温度和电流集合、进行特征提取，进行信息筛选，设定类别参数，初始中心点，，，，对每个样本数据进行筛选：；；式中，为第i个温度参数，、为温度和电流并行优化参数（即为第1、2类并行优化参数），、、、分别为环境温度和母线电流最高、最低温度；s23、通过特征提取进行数据筛选后，设定提取后的温度集合为：；电流集合为：；建立温度-电流参量采蜜优化系统：；；式中，、为温度电流最优蜜源解，、为第i个输入温度电流信息参量；s24、最大化、，使得二者的最小值都会小于0，最优温度搜索方向和最优电流搜索方向能够使得二者同时达到下降的目的，即建立的最优蜜源搜索方向变为：
；进一步的，将其转换为：；通过确定温度电流梯度变化率呈现最大时最优蜜源搜索方向的值，使得：；；此时为封闭母线环境温度与电流变化率的最优解；s25、最优蜜源搜索方向的确定，需通过对偶规则将双参量梯度进行归一化处理。如果温度电流梯度没有归一化，那么最小梯度元素将会受到家族中小范数梯度的影响，因此存在该优化梯度是否可以平衡良好的多参数梯度下降问题。故设置双参数搜索步长：；令，，均在所定义的r区间[0，1]中；为第i类搜索步长，为第j类并行优化参数；则温度电流并行优化参数满足：；；式中，为第i类并行优化参数，、为第个输入温度和电流信息参量。
[0018]
所述的s3中，寻找最优解的步骤为：根据s2中建立的温度电流多梯度下降蜂群数学模型，确定最优蜜源搜索，进而确定封闭母线环境温度与电流变化率的最优解，模型如下：
；式中，、、、分别为温度电流最优蜜源解、输入优化后参量的均值和方差，为侦察蜂搜索完蜜源之后，邻域的蜜源信息距离，为侦察蜂数量为n时，优化后输入参量维度为时，新生成的温度可能解，为侦察蜂数量为n时，优化后输入参量维度为时，新生成的电流可能解，、、、为温度和电流在n个侦察蜂，维度时过去和现在的上下边界；通过该数学模型，最优蜜源搜索方向的值得到确定，并进一步得到封闭母线环境温度与电流变化率的最优解。
[0019]
综上所述，通过采集温度和电流样本进行初步筛选和优化，并根据多梯度蜂群算法建立了相关的数学模型。该模型确定了最优蜜源搜索方向、建立了最优记忆机制、以特征缩放方式不断将所有温度电流优化参量缩放到大致相同范围，最后使所有参量朝着一个下降速度最快的方向共同更新，进而得到温度和电流多梯度变化率最大的点，即最优蜜源。因此，本发明所建立的温度电流多梯度下降蜂群数学模型可以有效的解决封闭母线温度故障问题，是一套可行方案。
[0020]
所述的s3中，对得到的最优解通过matlab进行仿真验证。
[0021]
借助matlab与传统监测方法对比仿真发现，本发明在模拟寻找温度和电流多变量混合变化率最优解后，在该解的影响下封闭母线管壁温度变化率更快，达到安全温度阈值上限所需要的时间成本更小，验证了该模型在封闭母线温度故障监测领域的优越性。
[0022]
本发明的算法可以通过电子设备执行，电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，通过处理器执行程序实现上述的算法。
[0023]
本发明所具有的有益效果是：本发明通过对传统的人工蜂群算法加以改进并应用到封闭母线温度故障监测中，通过将封闭母线电流和环境温度作为输入参量，设置蜜源信息集合，对数据进行初步筛选和优化。建立温度电流多梯度下降蜂群数学模型，实现对电流和温度双参数的并行优化，通过寻找满足条件的最优蜜源搜索方向来确定温度和电流混合变化率呈现最大时的最优解。最后通过与传统方法进行模拟仿真对比，在该最优解的影响下封闭母线管壁温度变化率更快，达到安全温度阈值上限所需要的时间成本更小，那么此时呈现混合变化率最优解
的位置最有可能成为封闭母线温度故障点，从而有效解决封闭母线温度故障问题，是一套可行方案。
[0024]
仿真结果可以验证本方法有效提高了封闭母线温度故障监测的效率和精度，缩短了时间成本，使得在相对较短的时间内，以最快速度监测故障，提高了系统的安全系数。
附图说明
[0025]
图1是温度电流多梯度下降蜂群算法处理模型示意图；图2是蜂群采蜜机制原理图；图3和图4是不同角度下封闭母线槽温度分布示意图；图5是封闭母线管壁温度与影响参数关系图；图6是环境温度和母线电流变化模拟曲线；图7是双矢量梯度下降确定搜索方向的示意图；图8是不同监测方法所得到的混合变化率对温度变化速度影响的仿真图。
具体实施方式
[0026]
下面结合附图对本发明的实施例做进一步描述：图1是根据原理流程所建立的温度电流多梯度下降蜂群算法处理模型。该模型首先采集封闭母线环境温度与母线电流样本并进行优化筛选，通过验证集和控制集与所建立的多梯度蜂群算法模型建立联系，并寻找最优蜜源搜索方向，进一步确定混合变化率的值，从而确定封闭母线温度故障位置。
[0027]
基于多梯度下降蜂群算法的封闭母线温度故障监测方法包括以下步骤：s1、将多梯度下降算法的多目标优化过程与人工蜂群算法结合，建立多梯度下降蜂群算法模型；s2、采集封闭母线的环境温度及电流测试样本，进行特征提取及多目标优化，依据s1中的多梯度下降蜂群算法模型，建立温度电流多梯度下降蜂群数学模型；s3、通过建立的温度电流多梯度下降蜂群数学模型，寻找最优蜜源搜索方向，并进一步得到封闭母线环境温度与电流变化率的最优解，最优解的位置最有可能成为封闭母线温度故障点。
[0028]
对得到的最优解通过matlab进行仿真验证，借助matlab与传统监测方法对比仿真发现，本发明在模拟寻找温度和电流多变量混合变化率最优解后，在该解的影响下封闭母线管壁温度变化率更快，达到安全温度阈值上限所需要的时间成本更小，验证了该模型在封闭母线温度故障监测领域的优越性。
[0029]
s1中，建立多梯度下降蜂群算法模型的步骤为：图2给出了多梯度下降蜂群算法模型在处理信息时的原理示意图。观察蜂、侦察蜂、采蜜蜂是如何完成信息采集及信息处理交换的。算法中蜜蜂个体相当于一个个优化算法的执行单元，蜜蜂之间通过一定的信息交流和交互，形成一个个小群体，不断地互相传递信息，选择跳跃点，并不断更新自身的位置。
[0030]
s11、多梯度下降蜂群算法模型的蜂群种类为侦察蜂、观察蜂和采蜜蜂，定义目标
问题的解空间为m维，侦察蜂、观察蜂、采蜜蜂数量分别为n、w、q，侦察蜂在每一周期随机寻找新蜜源信息满足以下公式：；式中，n为侦察蜂数量，n=1，2，3，
……
，n，m为目标问题解空间维数，m=1，2，3，
……
，m，为当侦察蜂数量为n时，新生成m维的可能解，为当侦察蜂数量为n时，原来的m维解空间，的定义为侦察蜂数量为n时，新生成在m维落在区间[-1，1]的随机数，k为定义的空间系数，k≠n；s12、在侦察蜂将蜜源信息反馈给观察蜂后，观察蜂从蜜源中根据概率选择其中一个蜜源，定义侦察蜂获得的蜜源集合为，该蜜源由于侦察蜂的搜索机制单一，可能为局部最优解，其选择概率为：；式中，为第w个观察蜂所接收上一级采蜜蜂可能解的适应值，为第w个观察蜂的选择概率；s13、采蜜蜂根据观察蜂的选择概率和相关蜜源信息，选择最优的适应度取值，即中的最优解，，上一周期蜜源信息设为，当蜜源信息与相比相对优越时，更新最优蜜源信息，否则，丢弃，采蜜蜂变为侦察蜂，并在当前蜜源邻域内继续展开搜索，搜索公式变为：；式中，为采蜜蜂数量为q时，新生成的m维的可能解，、分别为采蜜蜂为数量为q时，过去及现在m维的下界和上界，r代表区间[0，1]上的随机数，k≠q；s14、建立多目标参量采蜜优化系统：；式中，为最优蜜源解，为第i个输入蜜源信息参量；s15、设定最优蜜源搜索方向为，依据多梯度下降，使得满足：；；式中，为侦察蜂搜索完蜜源之后，邻域的蜜源信息距离；s16、为得到一个最优蜜源搜索方向，并使每次搜索完新蜜源后所有搜索方向都朝着最优蜜源搜索方向去更新信息，将α等效为搜索步长，s15中的公式转化为：；
不断地迭代搜索，可以得到问题的pareto最优解：；s17、如存在一个最优蜜源搜索方向使得，同时满足，则此时为多目标问题的最优解；如找不到最优蜜源搜索方向，那么pareto最优解不存在，此时上一蜜源为最优蜜源。
[0031]
多梯度下降蜂群算法模型的建立，即通过多梯度下降在蜜源信息采集建立一个最优记忆机制，通过以下公式来表示该过程：；式中，为无最优记忆参与下的蜂群数据，为最优记忆参与下的蜂群数据，γ为最优记忆输入数据，β为最优蜜源的自适应函数值。
[0032]
图3和图4展现了不同角度下封闭母线槽内外温度分布图。通过温度分布图可知，封闭母线温度以母线为轴心由内向外呈现温度逐渐降低的趋势。
[0033]
图5表明影响封闭母线槽内外温度变化的主要参数为环境温度、母线电流。通过散点图变化趋势关系，可以看出，槽内外温度与两个主要参数呈现近似线性增长关系。
[0034]
s2中，建立温度电流多梯度下降蜂群数学模型的步骤为：s21、设置封闭母线的铝合金所接触的环境温度采集集合为：；电流采集集合为：；样本数据最高温度为，最低温度为，最大电流为，最小电流为；s22、对温度和电流集合、进行特征提取，进行信息筛选，设定类别参数，初始中心点，，，，对每个样本数据进行筛选：；；式中，为第i个温度参数，、为温度和电流并行优化参数，、、、分别为环境温度和母线电流最高、最低温度；s23、通过特征提取进行数据筛选后，设定提取后的温度集合为：；电流集合为：
；建立温度-电流参量采蜜优化系统：；；式中，、为温度电流最优蜜源解，、为第i个输入温度电流信息参量；将环境温度和母线电流看作两个不同的矢量进行梯度下降计算，当二者处于不同位置时所折合的最优蜜源搜索方向的确定方式也是不同的，图7展现了不同角度矢量针对于的多梯度下降关系与计算方法。
[0035]
已知影响封闭母线槽温度变化最主要的两个参数，并通过采蜜原理采集了环境温度和母线电流的样本。紧接着就是模拟参数变化幅度，其变化曲线如图6所示。目前最主要的任务就是根据模拟曲线，找到两个参数的混合变化率呈现最大时的位置，即多梯度下降最优解。
[0036]
s24、最大化、，使得二者的最小值都会小于0，最优温度搜索方向和最优电流搜索方向能够使得二者同时达到下降的目的，即建立的最优蜜源搜索方向变为：；进一步的，将其转换为：；通过确定温度电流梯度变化率呈现最大时最优蜜源搜索方向的值，使得：；；此时为封闭母线环境温度与电流变化率的最优解；s25、最优蜜源搜索方向的确定，需通过对偶规则将双参量梯度进行归一化处理。如果温度电流梯度没有归一化，那么最小梯度元素将会受到家族中小范数梯度的影响，因此存在该优化梯度是否可以平衡良好的多参数梯度下降问题。故设置双参数搜索步长：；令，，均在所定义的r区间[0，1]中；为第i类搜索步长，为第j类并行优化参数；则温度电流并行优化参数满足：
；；式中，为第i类并行优化参数，、为第个输入温度和电流信息参量。
[0037]
图8模拟了由多梯度下降蜂群算法所得到的最优混合变化率相对于其他传统算法所得到的解，对于改变封闭母线温度变化速度的仿真对比图。这里封闭母线温度上限阈值设置为900℃。
[0038]
s3中，寻找最优解的步骤为：根据s2中建立的温度电流多梯度下降蜂群数学模型，确定最优蜜源搜索，进而确定封闭母线环境温度与电流变化率的最优解，模型如下：；式中，、、、分别为温度电流最优蜜源解、输入优化后参量的均值和方差，为侦察蜂搜索完蜜源之后，邻域的蜜源信息距离，为侦察蜂数量为n时，优化后输入参量维度为时，新生成的温度可能解，为侦察蜂数量为n时，优化后输入参量维度为时，新生成的电流可能解，、、、为温度和电流在n个侦察蜂，维度时过去和现在的上下边界；通过该数学模型，最优蜜源搜索方向的值得到确定，并进一步得到封闭母线环境温度与电流变化率的最优解。

技术特征：
1.基于多梯度下降蜂群算法的封闭母线温度故障监测方法，其特征在于包括以下步骤：s1、将多梯度下降算法的多目标优化过程与人工蜂群算法结合，建立多梯度下降蜂群算法模型；s2、采集封闭母线的环境温度及电流测试样本，进行特征提取及多目标优化，依据s1中的多梯度下降蜂群算法模型，建立温度电流多梯度下降蜂群数学模型；s3、通过建立的温度电流多梯度下降蜂群数学模型，寻找最优蜜源搜索方向，并进一步得到封闭母线环境温度与电流变化率的最优解，最优解的位置最有可能成为封闭母线温度故障点。2.根据权利要求1所述的基于多梯度下降蜂群算法的封闭母线温度故障监测方法，其特征在于：所述的s1中，建立多梯度下降蜂群算法模型的步骤为：s11、多梯度下降蜂群算法模型的蜂群种类为侦察蜂、观察蜂和采蜜蜂，定义目标问题的解空间为m维，侦察蜂、观察蜂、采蜜蜂数量分别为n、w、q，侦察蜂在每一周期随机寻找新蜜源信息满足以下公式：；式中，n为侦察蜂数量，n=1，2，3，
……
，n，m为目标问题解空间维数，m=1，2，3，
……
，m，为当侦察蜂数量为n时，新生成m维的可能解，为当侦察蜂数量为n时，原来的m维解空间，的定义为侦察蜂数量为n时，新生成在m维落在区间[-1，1]的随机数，k为定义的空间系数，k≠n；s12、在侦察蜂将蜜源信息反馈给观察蜂后，观察蜂从蜜源中根据概率选择其中一个蜜源，定义侦察蜂获得的蜜源集合为，该蜜源由于侦察蜂的搜索机制单一，可能为局部最优解，其选择概率为：；式中，为第w个观察蜂所接收上一级采蜜蜂可能解的适应值，为第w个观察蜂的选择概率；s13、采蜜蜂根据观察蜂的选择概率和相关蜜源信息，选择最优的适应度取值，即中的最优解，，上一周期蜜源信息设为，当蜜源信息与相比相对优越时，更新最优蜜源信息，否则，丢弃，采蜜蜂变为侦察蜂，并在当前蜜源邻域内继续展开搜索，搜索公式变为：；式中，为采蜜蜂数量为q时，新生成的m维的可能解，、分别为采蜜蜂为数量为q时，过去及现在m维的下界和上界，r代表区间[0，1]上的随机数，k≠q；s14、建立多目标参量采蜜优化系统：；
式中，为最优蜜源解，为第i个输入蜜源信息参量；s15、设定最优蜜源搜索方向为，依据多梯度下降，使得满足：；；式中，为侦察蜂搜索完蜜源之后，邻域的蜜源信息距离；s16、为得到一个最优蜜源搜索方向，并使每次搜索完新蜜源后所有搜索方向都朝着最优蜜源搜索方向去更新信息，将α等效为搜索步长，s15中的公式转化为：；不断地迭代搜索，可以得到问题的pareto最优解：；s17、如存在一个最优蜜源搜索方向使得，同时满足，则此时为多目标问题的最优解；如找不到最优蜜源搜索方向，那么pareto最优解不存在，此时上一蜜源为最优蜜源。3.根据权利要求2所述的基于多梯度下降蜂群算法的封闭母线温度故障监测方法，其特征在于：所述的多梯度下降蜂群算法模型的建立，即通过多梯度下降在蜜源信息采集建立一个最优记忆机制，通过以下公式来表示该过程：；式中，为无最优记忆参与下的蜂群数据，为最优记忆参与下的蜂群数据，γ为最优记忆输入数据，β为最优蜜源的自适应函数值。4.根据权利要求2所述的基于多梯度下降蜂群算法的封闭母线温度故障监测方法，其特征在于：所述的s2中，建立温度电流多梯度下降蜂群数学模型的步骤为：s21、设置封闭母线的铝合金所接触的环境温度采集集合为：；电流采集集合为：；样本数据最高温度为，最低温度为，最大电流为，最小电流为；s22、对温度和电流集合、进行特征提取，进行信息筛选，设定类别参数，初始中心点，，，，对每个样本数据进行筛选：
；；式中，为第i个温度参数，、为温度和电流并行优化参数，、、、分别为环境温度和母线电流最高、最低温度；s23、通过特征提取进行数据筛选后，设定提取后的温度集合为：；电流集合为：；建立温度-电流参量采蜜优化系统：；；式中，、为温度电流最优蜜源解，、为第i个输入温度电流信息参量；s24、最大化、，使得二者的最小值都会小于0，最优温度搜索方向和最优电流搜索方向能够使得二者同时达到下降的目的，即建立的最优蜜源搜索方向变为：；进一步的，将其转换为：；通过确定温度电流梯度变化率呈现最大时最优蜜源搜索方向的值，使得：；；此时为封闭母线环境温度与电流变化率的最优解；s25、设置双参数搜索步长：；令，，均在所定义的r区间[0，1]中；为第i类搜索步长，为第j类并行优化参数；则温度电流并行优化参数满足：
；；式中，为第i类并行优化参数，、为第个输入温度和电流信息参量。5.根据权利要求4所述的基于多梯度下降蜂群算法的封闭母线温度故障监测方法，其特征在于：所述的s3中，寻找最优解的步骤为：根据s2中建立的温度电流多梯度下降蜂群数学模型，确定最优蜜源搜索，进而确定封闭母线环境温度与电流变化率的最优解，模型如下：；式中，、、、分别为温度电流最优蜜源解、输入优化后参量的均值和方差，为侦察蜂搜索完蜜源之后，邻域的蜜源信息距离，为侦察蜂数量为n时，优化后输入参量维度为时，新生成的温度可能解，为侦察蜂数量为n时，优化后输入参量维度为时，新生成的电流可能解，、、、为温度和电流在n个侦察蜂，维度时过去和现在的上下边界；通过该数学模型，最优蜜源搜索方向的值得到确定，并进一步得到封闭母线环境温度与电流变化率的最优解。6.根据权利要求1所述的基于多梯度下降蜂群算法的封闭母线温度故障监测方法，其特征在于：所述的s3中，对得到的最优解通过matlab进行仿真验证。

技术总结
本发明属于电力设备故障监测技术领域，具体涉及一种基于多梯度下降蜂群算法的封闭母线温度故障监测方法，包括以下步骤：S1、将多梯度下降算法的多目标优化过程与人工蜂群算法结合，建立多梯度下降蜂群算法模型；S2、采集封闭母线的环境温度及电流测试样本，进行特征提取及多目标优化，依据S1中的多梯度下降蜂群算法模型，建立温度电流多梯度下降蜂群数学模型；S3、通过建立的温度电流多梯度下降蜂群数学模型，寻找最优蜜源搜索方向，并进一步得到封闭母线环境温度与电流变化率的最优解，最优解的位置最有可能成为封闭母线温度故障点。本发明有效提高了封闭母线温度故障监测的效率和精度，缩短了时间成本，提高了电力系统安全系数。系数。系数。


技术研发人员：王佐勋 崔传宇 隋金雪 郭长坤
受保护的技术使用者：山东工商学院
技术研发日：2023.09.08
技术公布日：2023/10/15