本發明涉及傳感器優化布置領域，具體涉及一種基于蜣螂優化算法的輸電桿塔傳感器布局方法。

背景技術：

1、隨著新型電力系統建設的迅速發展，架空輸電線路作為電力負荷中心之間相互聯絡的長距離電能輸送通道，其重要性不可小視，一旦發生異常情況影響電能輸送，將會造成巨大的經濟損失，同時直接影響電網安全可靠性。近年來華南地區持續性的強降雨天氣頻發，雨水無法及時排泄，位于山坡上的桿塔基礎滑坡隱患頻發，同時輸電桿塔整體或局部振動會導致桿塔材料疲勞破壞、螺栓孔撕裂、節點螺栓松動甚至脫落，降低鐵塔承載性能，輕則導致鐵塔局部損壞，重則導致鐵塔整體傾覆，嚴重影響電力系統安全運行。滑坡不僅在山區和丘陵地區頻發，而且隨著氣候變化和人類活動的加劇，其發生頻率和強度也有所增加，此外，運維人員往往對基礎滑坡的預防及處理經驗較少，難以進行有效地判斷與防控。如何經濟高效地對鐵塔進行狀態監測和維護成為了一個亟待解決的問題，同時極端天氣事件頻發和復雜多變的自然環境也為鐵塔的狀態監測和安全評估帶來了更多挑戰。對輸電桿塔進行振動監測是研究桿塔結構狀態特性的重要方法之一，而桿塔振動監測需要解決的問題中首當其沖的便是傳感器優化布置，為減小成本，提高監測效率，需研究如何尋找輸電桿塔上傳感器安裝的合理位置、如何以盡量少數的傳感器測得更多有效的結構狀態信息。因此，對輸電桿塔進行傳感器優化布置研究，探究其傳感器布置點位和傳感器數量問題有重要的工程意義(王劍..輸電鐵塔振動監測傳感器優化布置與結構狀態參數分析[d].華北電力大學(北京),2017)。

2、從數學上看，傳感器優化布置是一個統計最優實驗設計問題。已有的方法主要包括有效獨立法、模態動能法、有效獨立驅動點殘差法是結構動力學領域解決該類問題的經典算法，它們具有嚴格的理論基礎和良好的計算穩定性，但是對網格劃分依賴度較高，且易忽略輸電桿塔的空間結構特性。遺傳算法、粒子群算法等啟發式算法通過模擬某些自然或人類社會行為以迭代地尋求最優解，因其較好的魯棒性和適用性而廣泛應用于解決各類復雜問題，但它們的解存在一定的不穩定性。現有技術中，在進行傳感器優化布置任務時采用了粒子群算法進行優化任務(基于粒子群算法的加速度傳感器布置方法、裝置、介質(cn116522710a))，然而粒子群算法傾向于迅速向全局最優解靠近，這種方式在問題的搜索空間存在多個局部最優解時可能導致收斂于局部最優。因此，粒子群算法通常需要引入其他機制(如變異操作)來增強跳出局部最優的能力。同時，粒子群算法的性能依賴于多個參數(如慣性權重、認知系數和社會系數)之間的平衡，這些參數的調優往往是一個復雜的過程，尤其對于不同類型的問題，往往需要重新調節。

技術實現思路

1、本發明的目的在于提出一種基于蜣螂優化算法的輸電桿塔傳感器布局方法，以解決如何在保證計算效率的前提下，如何有效提高布置效果同時降低輸電桿塔狀態監測成本問題。

2、本發明基于輸電桿塔的加速度傳感器優化布置的問題，以蜣螂優化算法(dungbeetle?optimizer?algorithm，dbo)為基本理論工具，提出一種基于蜣螂優化算法的輸電桿塔傳感器布局方法，在保證計算效率的前提下，能夠有效提高布置效果，降低輸電桿塔狀態監測成本，解決傳統方法難以處理復雜約束、計算效率差以及不適用動態系統等問題。

3、本發明的目的至少通過如下技術方案之一實現。

4、一種基于蜣螂優化算法的輸電桿塔傳感器布局方法，包括如下步驟：

5、s1、建立輸電桿塔有限元模型；

6、s2、對輸電桿塔有限元模型進行模態分析，得到輸電桿塔有限元模型各模態階數對應的模態振型向量；

7、s3、基于fisher信息矩陣2-范數法計算隨模態階數變化的roc值，并選取模態階數；

8、s4、根據選取的模態階數下的模態振型向量，利用蜣螂優化算法分別對不同數量的傳感器進行優化布置；

9、s5、對比不同數量傳感器的布置效果，確定傳感器數目同時給出傳感器布置方案。

10、進一步地，步驟s1中，在有限元分析技術軟件ansys的workbench模塊中，1對輸電桿塔進行1：1比例建模，四根塔腳采用固定約束，塔頭施加輸電線荷載，從而得到輸電桿塔有限元模型。

11、進一步地，步驟s2中，輸電桿塔中所有用于設置傳感器的位置都定義為節點，通過ansys軟件的apdl對輸電桿塔的有限元模型進行模態分析，從而得到各階模態下各節點對應的模態振型向量，所述模態振型向量用于表征輸電桿塔中各節點的模態信息，進而得到各階模態對應的模態振型向量。

12、進一步地，步驟s3中，第i階模態的fisher信息矩陣qi的表達式為：

13、

14、式中，φi表示第i階模態的模態振型向量，具體如下：

15、φi＝[φi1,φi2,...,φin,...,φin]t

16、其中，φin為第i階模態下第n個節點對應的模態振型向量，n為輸電桿塔中包括的節點數量；

17、第i階模態的2-范數變化率(rate?of?change，roc)roci通過下式計算：

18、

19、式中，qi表示第i階模態的fisher信息矩陣，||qi||2表示qi的2-范數；隨著模態階數i的增加，roci值將會發生變化，當roci值小于0.1時，可以認為前i階模態振型向量已經可以基本覆蓋全部模態信息，接下來針對前i階模態進行分析即可。

20、進一步地，步驟s4中，包括如下步驟：

21、s4.1、執行參數初始化：

22、根據不同數量的傳感器分別設置不同的維度參數d，維度參數d的數值與傳感器數量一致，從而充分表征加速度傳感器，便于后續步驟對蜣螂種群信息進行初始化；

23、s4.2、執行種群初始化；

24、s4.3、迭代執行蜣螂優化算法，更新每個蜣螂的位置，達到最大迭代次數，輸出當前維度參數d對應的全局最優解及其適應度值；

25、s4.4、每完成對應的傳感器數量的全局最優解計算后，修改傳感器數量，并根據傳感器數量更改維度參數d，返回重新執行步驟s4.2，直至完成所有傳感器數量對應的全局最優解計算。

26、進一步地，步驟s4.1中，參數初始化具體如下：

27、設置維度、最大迭代次數、種群數量、滾球蜣螂占比、育雛蜣螂占比、偷竊蜣螂占比、參考歷史權重、參考最優位置權重以及縮放因子、搜索上下界；

28、進一步地，步驟s4.2中，種群初始化，具體如下：

29、在搜索上下界內隨機初始化每個蜣螂個體，每個蜣螂個體對應一個布置方案，即每個蜣螂個體隨機選擇d個節點作為初始位置，d為維度參數，然后根據每個蜣螂個體對應的布置方案中包括的節點對應的模態振型向量計算mac矩陣，再利用mac矩陣中絕對值最大的元素計算每個蜣螂個體各個初始位置的適應度值并排序，得到當前的全局最佳位置、全局最差位置和每個蜣螂各自的局部最佳位置；其中，全局最佳位置是指在整個種群中找到的最佳解即適應度值最高的位置，全局最差位置是指在整個種群中找到的最差解即適應度值最低的位置，每個蜣螂各自的局部最佳位置是指每個蜣螂個體所經歷過的所有位置中的最佳解。

30、進一步地，基于模態保證準則計算每個蜣螂對應的適應度；模態保證準則指的是相關技術中的通過模態振型向量確定mac模態矩陣，從而確定最優位置的方法；所述適應度用于指導對輸電桿塔的傳感器優化布置，整個傳感器優化布置模型朝著布置效果最高的目標進行優化；mac矩陣的計算方法如下：

31、

32、其中，macij為mac模態矩陣中第i行、第j列的對應值；分別表示對應具體布置方案的第i、j階模態的模態振型向量，具體如下：

33、

34、其中，為對應具體布置方案的第i階模態下第m個節點對應的模態振型向量，n為該具體布置方案中包括的節點數量，根據具體布置方案中包括的節點對應的模態振型向量重新編碼得到；

35、適應度f的計算方法如下：

36、f＝1-max(|macij|)/c,i≠j；

37、其中，|macij|為mac模態矩陣中第i行、第j列的對應值的絕對值，c為常數。

38、進一步地，步驟s4.3中，每個蜣螂種群分為滾球蜣螂、育雛蜣螂、小型蜣螂、偷竊蜣螂，每種蜣螂的位置更新方法均不同(xue,jiankai,shen,et?al.dung?beetle?optimizer:a?new?meta-heuristic?algorithm?for?global?optimization[j].the?journal?ofsupercomputing,2023,79(7):7305-7336.)；

39、在蜣螂優化算法的迭代過程中，每只蜣螂都會根據其當前位置計算適應度函數值，并記錄自身最優的適應度和位置，自身的最佳適應度為局部最佳適應度；如果當前位置的適應度優于之前記錄的局部最佳適應度，則更新當前位置為當前的局部最佳位置；

40、滾球蜣螂的位置更新可以通過下式計算：

41、

42、其中，t表示迭代次數，xa(t)表示第t次迭代時第a只滾球蜣螂的位置信息；k∈{0,1}，將滾球行為分為有障礙模式與無障礙模式，k＝1時表示無障礙模式，k＝0時表示有障礙模式；b為一個定值，b∈(0,1)；β為一個定值，β∈(0,0.2)；α是自然系數，取1或-1，α＝-1表示偏離原方向，α＝1表示無偏差；θ是[0,π]范圍內的均勻分布中的隨機生成數，表示滾球蜣螂的偏轉角；xw是當前的全局最差位置，全局最差位置是指在整個種群中找到的最差解；

43、育雛蜣螂的位置更新可以通過下式計算：

44、

45、其中，x*為當前的局部最佳位置。對于每只蜣螂而言，當前的局部最佳位置會根據其適應度值進行更新；lb、ub分別表示搜索下界與搜索上界，lb*和ub*分別為產卵區下限和上界；r＝1-t/tmax，tmax表示最大迭代次數；bq(t)為第t次迭代時第q個卵球的位置信息，b1和b2分別表示大小為1×d的兩個獨立隨機向量，d表示維度信息；

46、小型蜣螂的位置更新可以通過下式計算：

47、

48、其中，xb表示當前的全局最佳受食位置，即當前的全局最佳位置，全局最佳位置是指在整個種群中找到的最佳解；lbb和ubb分別為最優覓食區域的下界和上界；xa(t)表示第t次迭代時第a只小型蜣螂的位置信息，c1表示一個服從正態分布的隨機數，c2表示屬于(0,1)的隨機向量；

49、偷竊蜣螂的位置更新可以通過下式計算：

50、tv(t+1)＝xb+s×g×(|tv(t)-x*|+|tv(t)-xb|)；

51、其中，tv(t)表示第v個偷竊蜣螂在第t次迭代時的位置信息；g是一個大小為1×d維的隨機向量，服從于正態分布；s表示恒定值；

52、每一次迭代計算后，判斷每個蜣螂的位置是否超出邊界，若超出邊界則將當前蜣螂位置重置為邊界值，然后通過比較所有蜣螂個體的適應度，選擇適應度值最高的蜣螂個體所在的位置更新為當前的全局最佳位置；選擇適應度值最低的蜣螂個體所在的位置更新為當前的全局最差位置；每個蜣螂個體更新各自對應的局部最佳位置；

53、重復更新每個蜣螂的位置直至達到最大迭代次數，當達到預定的最大迭代次數后，輸出當前維度參數d對應的全局最優解即最后一次迭代計算是得到的全局最佳位置及其適應度值。

54、進一步地，步驟s5中，比較每個維度下的蜣螂優化算法運行得出的全局最優解對應的適應度值適應度值fmax，根據公式maxmac＝1-fmax計算得到每個維度的全局最優解對應的布置效果值maxmac；

55、選擇在布置效果值maxmac小于0.25的前提下傳感器個數最少的傳感器布置方案作為最優的布置方案。

56、本發明技術方案帶來的有益效果具體如下：

57、(1)理論創新方面。本發明首次提出基于蜣螂優化算法的傳感器優化布置方法，所提方法通過模擬蜣螂的自然行為進行最優化求解，有效解決了其他算法適應性差、全局搜索能力低等問題，在保證適應度值優秀的同時實現模型的高效求解；

58、(2)社會經濟效益方面。本發明能夠高效地求解輸電桿塔傳感器優化布置問題，為電網的輸電桿塔狀態監測提供了一種科學、系統的決策支持工具，有利于節約監測成本，避免數據收集冗余問題，從而帶來良好的社會經濟效益。

59、相比與現有技術，本發明的優點在于：

60、本發明針對傳感器優化布置問題，提出了一種基于蜣螂優化算法的布置方法，所研究的內容與實際需求密切相關，其重要意義不言而喻。與現有的傳感器優化布置方法相比，本發明主要具有以下優點：本發明從蜣螂優化算法出發，采用概率模型來描述目標函數的不確定性，通過動態采樣和更新模型的方式進行優化，能夠更好地在全局范圍內找到最優布置方案，避免陷入局部最優；不需要目標函數具有特定的形式，且可以更容易地通過設計多目標優化策略來同時考慮多目標，特別適合動態系統或目標函數難以描述的復雜場景。