基于MWOA-Elman神经网络的接地网瞬变电磁缺陷识别.pdf

第 41 卷 第 3 期2023 年 5 月 广西师范大学学报(自然科学版)Journal of Guangxi Normal University(Natural Science Edition)Vol.41 No.3May 2023DOI:10.16088/j.issn.1001-6600.2022061901http:韩欣月,邓长征,付添,等.基于 MWOA-Elman 神经网络的接地网瞬变电磁缺陷识别J.广西师范大学学报(自然科学版),2023,41(3):53-66.HAN X Y,DENG C Z,FU T,et al.Transient electromagnetic defect identification of grounding grid based on MWOA-Elman neuralnetwork J.Journal of Guangxi Normal University(Natural Science Edition),2023,41(3):53-66.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(1.三峡大学 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)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 33 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;改进鲸鱼算法中图分类号:TP391.41;TM862;TP183 文献标志码:A 文章编号:1001-6600(2023)03-0053-14变电站接地网是保证电力系统安全可靠运行的基础设施,但施工时焊接不良以及土壤、短路电流的侵蚀都可能使接地网产生不同程度的缺陷,威胁设备与操作人员的安全。目前最常见的接地网缺陷识别技术是注入式电磁法,Dawalibi1首次通过对接地网注入电流并测量地表磁场来诊断接地网故障,张树亮等2开发了用磁场分布特性诊断接地网断点的设备并进行实际工程测试。但是注入式电磁法难以保证注入点附近磁场的均匀分布,且使用时必须要求变电站停运,造成不必要的经济损失。因此,研究无接触、不停运的接地网缺陷识别方法是当前亟需解决的难题。近年来,用于探测地下异常体的瞬变电磁法(transient electromagnetic methods,TEM)逐渐被应用于接地网探测,其装置在发射、接收信号时与接地网没有电路连接,因此不需要变电站停运。文献3-5将瞬变电磁法探测对象集中于电力接地网,通过 Ansoft Maxwell 软件仿真与野外实验验证了瞬变电磁法诊断接地网的可行性。栾卉等6用 COMSOL Multiphysics 软件模拟接地网的瞬变电磁响应,并结合视电阻率断面图分析接地网的腐蚀情况。然而,用瞬变电磁法诊断接地网时求解瞬变场参数的数值迭代过程过于复杂,不利于处理大量现场实测数据。针对求解瞬变场参数的复杂过程,文献7-10将 BP 神经网络应用于瞬变电磁成像,并成功识别接地网异常点。然而,BP 神经网络在求解瞬变场参数的效率与精度上仍存在不足,文献7用 BP 神经网络来求解视电阻率,尝试不同训练方法都存在误差突变量级大的问题,其中弹性梯度下降法甚至超过 100%,突变量级最小的列文伯格-马夸特法也在 1.8%,影响瞬变电磁系统对接地网的探测。本文采用的 Elman 神经网络在隐含层增加一个承接层,记忆隐含层前一时刻的输出,具有动态反馈性,在计算能力及网络稳定性上均优于 BP 神经网络11-14,利于瞬变场参数的求解。针对 Elman 神经网络的初始权值和阈值由随机数产生的缺陷,研究者常采用智能算法对 Elman 神经收稿日期:2022-06-19 修回日期:2022-08-11基金项目: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)通信作者:邓长征(1980),男,湖北宜昌人,三峡大学副教授,博士。E-mail:广西师范大学学报(自然科学版),2023,41(3)网络的权值和阈值进行优化15-16。鲸鱼算法是一种新型的群体智能算法,在解决多种实际工程问题中表现出较快的收敛速度与较强搜索能力,但其存在过早收敛,易陷入局部最优的不足。针对此问题,武泽权等17通过准反向学习方法初始化种群并引入随机差分变异策略;徐航等18提出一种混合反向学习策略,提高了鲸鱼算法跳出局部最优的能力;汤安迪等19引入多精英搜索策略来提高算法的开发能力和探索能力。本文设计非线性收敛因子来平衡鲸鱼算法的全局搜索与局部开发,提出自适应权重与阈值来使算法及时跳出局部最优,并用改进鲸鱼算法优化 Elman 神经网络的权值与阈值。当前研究中嵌入瞬变电磁探测系统的数据处理方法对于智能算法的研究较少,传统线性迭代方法存在数据转化效率低下、反演结果易陷入局部最小值、对初始模型依赖度大与计算成本过高的问题20-22,从而导致缺陷辨识不清晰。结合瞬变电磁法探测接地网采样数据量庞大、理论计算样本集为单一变量的特点,本文提出一种改进鲸鱼算法优化 Elman 神经网络,有针对性地改进数据转化过程,高效求解瞬变场参数,实现视电阻率成像,精准识别接地网的 3 种典型缺陷,为嵌入瞬变电磁探测系统中的智能算法提供参考。1 瞬变电磁法探测接地网1.1 瞬变电磁法瞬变电磁法源于法拉第电磁感应定律,该方法对高阻介质中的低阻体较为敏感,接地网材料的电阻率远低于土壤,符合探测特点,原理如图 1 所示。其探测系统一般采用发射线圈与接收线圈同点的中心回线装置,在发射线圈中施加电流激励后,会在空间中形成一次磁场,电流关断后接地网导体中被激发出二次感应涡流,由此产生的二次磁场被接收线圈所采集。中心回线在探测区域上方不断移动,通过分析多点采集的二次场信号可以判断电阻率空间分布,探测异常介质接地网的情况23-25。图 1 瞬变电磁法探测接地网原理Fig.1 Principle of TEM to dtect grounding grid1.2 视电阻率成像视电阻率是将计算均匀区域电阻率的方法用于非均匀区域所得的电阻率,计算过程如下26。瞬变电磁中心回线装置接收的二次磁场为Bz=I02a3ue-u2+1-32u2()erf(u),(1)式中:I 为发射电流;a 为发射线圈半径;0为真空磁导率(近似为 410-7H/m)。误差函数 erf(u)和瞬变场参数 u 为:erf(u)=2u0e-t2dt,(2)45http:u=a20t。(3)式中:为均匀半空间电阻率;t 为电流关断后的延迟时间。构造非线性方程f(u)=3ue-u2+1-32u2()erf(u)-2aBzI0=0,(4)通过求解式(4)可以得到瞬变场参数 u,从而计算关联采样时间的视电阻率,即=a204tu2。(5)根据烟圈理论27,计算层间视电阻率 r与对应的视深度 hr。首先用电流环等效瞬变电磁响应,将向地下扩散的电流环比作发射线圈吹出的“烟圈”,烟圈的垂向深度 Dr为Dr=4t0,(6)层间视电阻率 r为r=4ti+1i+1-tiiti+1-ti()2ti+1+ti2(),(7)式中:ti+1和 ti表示 2 个连续的采样时刻;i+1和 i分别是 ti+1和 ti2 个时刻的视电阻率。视深度 hr为hr=0.441Di+1+Di2()。(8)用视电阻率与视深度输入 surfer 制图软件绘制电阻率-深度剖面图,反映接地网拓扑结构与缺陷情况。1.3 接地网瞬变电磁缺陷识别关键环节实际应用中是将智能算法与 surfer 制图软件嵌入接地网的瞬变电磁探测系统,实现数据的采样、转化与成像为一体,接地网瞬变电磁缺陷识别的关键环节如图 2 所示。其中,数据转化环节为缺陷识别的难点,一般用数值迭代求解式(4),将采样磁场转化为瞬变场参数,但该方法涉及对反问题的求解,不适合处理大量采样数据,严重影响成像的效率与精度。近年来常用 BP 神经网络避免对反问题的求解,但 BP 神经网络在求解瞬变场参数的效率与精度上仍存在不足,本文采用改进鲸鱼优化的 Elman 神经网络代替 BP神经网络完成数据转化过程。图 2 关键环节Fig.2 Key link2 MWOA-Elman 神经网络2.1 单映射 Elman 神经网络结构设计Elman 神经网络是一种典型的动态递归神经网络,包括输入层、隐含层、承接层与输出层,正向输入样55广西师范大学学报(自然科学版),2023,41(3)本并逐层输出,未达到期望输出则转为反向传播,通过调整各神经元的权值使误差最小,其动态反馈性符合接地网缺陷识别对即时成像的要求。为构造 Elman 神经网络所需的映射关系,令式(4)的2aBzI0为接地网瞬变电磁接收装置采集的二次磁场 Bz的核函数 Q(u),则Q(u)=3ue-u2+1-32u2()erf(u)。(9)针对探测接地网的电阻率范围、瞬变电磁装置参数与探测土壤的物理特性,计算瞬变场参数 u 的范围8-9为0.001,200,以 0.01 等间隔采样确定 20 000 组 u,根据式(9)的单映射关系计算出对应 Q(u),从而确定关于瞬变电磁法探测接地网的 20 000 组Q(u),u作为样本集,用于 Elman 神经网络的训练与测试,其中训练集与测试集之比为 4 1。选取均方误差为目标函数,确定最佳隐含层神经元数量为 8,相应的均方误差为 1.548 410-6,构造以核函数 Q(u)为输入,以瞬变场参数 u 为输出的单映射 Elman 神经网络,结构如图 3 所示,可实现由接收线圈实测磁场到视电阻率的快速转化。3-BZ2(u)D 1D 1,u*K(r#h 1K 8图 3 Elman 神经网络结构Fig.3 Structure diagram of Elman neural networkElman 神经网络训练过程中的初始权值和阈值由随机数产生,不利于网络结构的稳定性,且调整权值所用的梯度下降法容易陷入局部最优,计算的瞬变场参数存在较大误差,从而影响接地网缺陷识别的精度。2.2 改进的鲸鱼算法鲸鱼算法(whale optimization algorithm,WOA)是 Mirjalili28在 2016 年提出的受座头鲸社会行为启发的元启发式算法,引入包含收缩包围与螺旋更新 2 种机制的气泡网狩猎策略进行局部搜索,并结合座头鲸随机游动捕食的特点进行全局搜索。1)收缩包围。X(t+1)=X(t)-AD,(10)式中:D=|CX(t)-X(t)|为距离,t 为当前迭代的次数;X(t)为个体位置向量;X(t)为局部最优解;A和 C 分别为系数向量。A=2ar1-a,C=2r2,(11)a=2-2tNmaxgen。(12)式中:r1、r2为服从0,1分布的随机向量;a 为随迭代次数增加由 2 递减到 0 的收敛因子;Nmaxgen为最大迭代次数。65http:2)螺旋更新。X(t+1)=X(t)+D1eblcos(2l),(13)式中:D1=|X(t)-X(t)|;b 为用于限定对数螺旋形状的常数;l 为-1,1的随机数。3)搜索猎物。X(t+1)=Xrand-ADrand,|A|1。(14)式中:Drand=|CXrand-X(t)|;Xrand是随机获得的当前最优解。鲸鱼算法的搜索机制全面,能够弥补 Elman 神经网络在全局性上的不足,提高模型的稳定性与预测精度,但全局搜索与局部开发的不平衡与易陷入局部最优的问题还未完全解决。本文从收敛因子与自适应策略 2 个方面对 WOA 进行改进,得到改进的鲸鱼算法(modified whale optimization algorithm,MWOA)。2.2.1 非线性收敛因子原始鲸鱼算法对收敛因子 a 为线性变化,在调节全局搜索能力和局部开发能力上有欠缺,本文提出一种非线性收敛因子a=(2-2t/Nmaxgen)(1-(t/Nmaxgen)3)。(15)式中:Nmaxgen为最大迭代次数;t 为当前迭代次数。2.2.2 自适应策略为更好解决鲸鱼算法在不同迭代时期出现的全局与局部搜索不平衡的问题,引入粒子群的自适应权重。=(start-end)(1-(t/Nmaxgen)r)+end。(16)式中:t 为当前迭代次数,由 0 向最大迭代次数 Nmaxgen变化;权重 随迭代次数的增加而非线性递减;t 为 0和 Nmaxgen时,权重分别为 start和 end,二者一般取 0.9 和 0.4;r 为控制权重变化的平滑因子。在迭代初期权重较大,鲸鱼有较大搜索步长,更有利于全局搜索。随着迭代次数的增加,权重逐渐减小,鲸鱼算法采用较小权重在最优解邻域内进行螺旋搜索,避免陷入局部最优。自适应权重不断随迭代次数动态调整,搜索空间由全局向局部转化,提高了鲸鱼算法搜索猎物的灵活性,有效平衡不同迭代时期的寻优方式。在原始鲸鱼算法中,生成随机算子 p 与概率阈值 0.5 比较来选择狩猎方式,容易随迭代次数的增加而陷入局部最优,本文引入自适应阈值 p1。p1=1-lg(1+9t/Nmaxgen)。(17)改进以上两点后的位置更新公式如式(18)(20),式(18)、(19)为局部搜索,式(20)为全局搜索。X(t+1)=X(t)-AD,|A|1,pp1,(18)X(t+1)=X(t)+D1eblcos(2l),pp1,(19)X(t+1)=Xrand-ADrand,|A|1,pp1。(20)2.3 MWOA-Elman 神经网络MWOA-Elman 神经网络的训练步骤如下:Step1 输入Q(u),u训练样本集并归一化;Step2 初始化 Elman 神经网络的权值和阈值;Step3 选取均方误差作为目标函数,设置算法终止准则;Step4 计算鲸鱼个体适应度,更新座头鲸位置;Step5 计算非线性收敛因子 a,更新自适应权重 与阈值 p1;Step6 生成随机算子选择狩猎机制,更新鲸鱼位置;Step7 判断是否满足终止准则,是则输出最优权值和阈值,否则重复执行 Step4;Step8 将最优权值和阈值赋给 Elman 神经网络,模型达到预测条件。接地网瞬变电磁缺陷识别过程主要分为数据采样、数据转化与数据成像,其中数据转化为缺陷识别过程中的难点,MWOA-Elman 神经网络在接地网缺陷识别中的应用如图 4 所示。训练好的 MWOA-Elman 神经网络可以快速地将接收线圈采样数据批量转化为瞬变场参数,提高接地网缺陷识别的精度与效率。75广西师范大学学报(自然科学版),2023,41(3)DD,*-4+K-2u-Elman.3444UKE=Elman8UDMWOA0QQEUQ4(15)0L3 aU(16)(17)7EF 7EKp1pp1(19)4(20)K24(18)(4*K0 p4DK$B3 YNYNNY|A|*K(#_0FMWOA-Elman.3442u=2aBzIu0图 4 MWOA-Elman 神经网络在接地网缺陷识别中的应用Fig.4 Application of MWOA-Elman neural network in defect identification of grounding grid2.4 仿真分析针对瞬变电磁法探测接地网的Q(u),u样本集,在 Matlab2018 环境下仿真预测瞬变场参数。设定训练目标均方误差值为 10-5,BP、GA-BP、Elman、WOA-BP、MWOA-Elman 神经网络的收敛性能曲线如图 5所示,分别在第 1 499、915、1 156、989、854 步收敛到目标精度。对比于原始 BP 神经网络和 Elman 神经网络,不论是经遗传、鲸鱼还是改进鲸鱼算法优化后,网络的收敛性能都得到大幅提升。鲸鱼算法对神经网络的优化效果略强于遗传算法,原因是遗传算法侧重于全局搜索但易陷入局部最优。经过非线性收敛因子与自适应策略的改进后,鲸鱼算法更能平衡全局与局部的关系,提高收敛性能,因此 MWOA-Elman 神经网络所需收敛步数最少,收敛性能最佳,从而提高了瞬变场参数的预测效率。85http:图 5 收敛性能对比Fig.5 Convergence performance comparison将文献7-8的算法应用于本文场景中作为对比,5 种神经网络预测瞬变场参数的误差指标见表 1。其中,平均绝对误差 MAE 可以反映预测值误差的实际情况,均方误差 MSE 和均方误差根 RMSE 表征模型拟合实验数据的能力,平均绝对百分比误差 MAPE 能体现预测值偏离真实值的程度。与文献7算法对比可知,Elman 神经网络比 BP 神经网络增加了承接层,通过承接层的延迟与存储,将隐含层的输入输出自联,令其对历史状态的数据非常敏感,因此误差低于 BP 神经网络。WOA-BP 神经网络与文献8算法对比可知,鲸鱼算法对神经网络的优化效果强于遗传算法,因为遗传算法的局部搜索能力较弱,往往只能得到次优解而不是最优解。本文提出的 MWOA-Elman 神经网络的 4 项误差指标均为最小,对瞬变场参数的预测能力最高,验证了非线性收敛因子与自适应策略改进鲸鱼算法的可行性及其对 Elman 神经网络的预测能力有显著的优化效果。表 1 瞬变场参数预测误差Tab.1 Prediction error transient field parameters算法MAEMSERMSEMAPE/%BP 神经网络70.779 990.956 830.978 181.118 20GA-BP 神经网络80.253 860.099 450.315 361.868 29Elman 神经网络0.434 610.289 60.538 141.071 70WOA-BP 神经网络0.244 210.100 340.316 760.433 36MWOA-Elman 神经网络0.103 510.040 090.126 640.333 52随机抽取 30 个样本点,对比分析 5 种神经网络的抽样预测情况,如图 6 所示。测试集的整体预测误差见图 7。BP、GA-BP、Elman、WOA-BP 神经网络的绝对误差范围分别为-3.5,1.5、-1.3,0.7、-2,0.9、-1.3,0.5,MWOA-Elman 神经网络的绝对误差范围为-0.5,0.25,剔除散点后集中在0.25 之间,波动幅度最小。瞬变场参数的预测精度 如式(21)所示。=1-X预测-X实际X实际()100%。(21)5 种神经网络针对接地网瞬变场参数的预测精度范围与测试集的平均精度见表 2,定义该平均精度为接地网缺陷识别精度。在不经优化的情况下,Elman 神经网络的预测精度优于文献7的 BP 神经网络,95广西师范大学学报(自然科学版),2023,41(3)图 6 抽样误差分析Fig.6 Sampling error analysis 图 7 整体误差分析Fig.7 Global error analysis但精度范围跨度大,WOA-BP 神经网络的预测精度优于文献8的 GA-BP 神经网络,且精度跨度小,说明鲸鱼算法比遗传算法更适合搭配神经网络进行预测。本文提出的 MWOA-Elman 神经网络针对瞬变场参数的预测精度范围为 69.811%100%,精度跨度范围最小,且将接地网缺陷识别的精度提升至 99.678%。表 2 瞬变场参数预测精度Tab.2 Prediction accuracy of transient field parameters%算法最小精度最大精度平均精度BP 神经网络751.02110098.882GA-BP 神经网络829.09910099.372Elman 神经网络33.01910098.928WOA-BP 神经网络53.20410099.567MWOA-Elman 神经网络69.81110099.678综上所述,通过 MWOA-Elman 神经网络对接地网瞬变电磁样本集的训练与测试,证明改进的鲸鱼算法对 Elman 神经网络的收敛性能与预测能力有显著的优化效果,从而提升了接地网缺陷识别中数据转化的精度与效率。不同于数据采样环节,MWOA-Elman 神经网络改进的数据转化环节不受现场接地网的工况、环境、瞬变电磁探测装置参数等因素的影响,因此改进算法具有普适性,适用于常见接地网的探测。3 接地网缺陷识别对变电站的分层土壤进行实际测试,用实测土壤参数建立瞬变电磁法探测 33 接地网的仿真模型,采用有限元网格剖分方法分析计算,进行数据采样。通过 MWOA-Elman 神经网络预测瞬变场参数,绘制视电阻率平面图像,识别接地网 3 种典型缺陷,可以验证 MWOA-Elman 神经网络应用于接地网缺陷识别的有效性。3.1 变电站分层土壤电阻率实际测试由于变电站多为分层土壤结构,为更符合变电站实际情况,在湖北武汉某变电站进行土壤电阻率测定实验,采用温纳四极法测量视在电阻值见表 3,用 CDEGS 软件反演出土壤电阻率参数见表 4,以此建立接06http:地网模型。表 3 温纳四极法测量结果Tab.3 Wenner quadrupole measurement results探针间距/m视在电阻值/电流极深度/cm电压极深度/cm0.2121.24220.542.56331.021.12561.518.32862.015.231564.07.893066.06.5645910.03.2360915.02.5675920.02.21859表 4 反演得到的土壤电阻率参数Tab.4 Soil resistivity parameters obtained by inversion土壤分层电阻率/(m)厚度/m顶层145.291.99底层251.39Inf注:Inf 表示无穷大。3.2 建立接地网仿真模型用 COMSOL Multiphysics 软件建立接地网模型,按表 5 设置模型参数,几何构建如图 8(a)所示,有限元网格剖分如图 8(b)所示。表 5 仿真模型参数Tab.5 Simulation model parameters材料属性相对介电常数电导率/(Sm-1)相对磁导率空气110-61顶层土壤16.88310-31底层土壤13.97810-31接地网(扁钢)14.0321067.5103线圈(铜)15.9981071上层空间模拟空气,下层空间模拟双层土壤,33 接地网单网格边长 2 m,埋于地下 0.8 m 处。探测接地网采用瞬变电磁中心回线系统,在地上 0.1 m 处移动采样,发射线圈半径 0.3 m,接收线圈半径 0.1 m。3.3 MWOA-Elman 神经网络视电阻率成像中心回线装置在地上不断移动采集二次磁场,探测路径共设 7 条测线,沿每条测线布置 13 个测试点,如图 9 所示。各个测点的信号转化为核函数 Q(u),输入到 MWOA-Elman 神经网络,批量输出瞬变场参数 u,根据式(5)(8)计算视电阻率与视深度,每条测线均可绘制电阻率-深度剖面图,若取同一视深度,7 条测线结合可以绘制视电阻率平面图,本文选取视电阻率平面图来识别接地网缺陷。16广西师范大学学报(自然科学版),2023,41(3)图 8 接地网仿真模型Fig.8 Simulation model of grounding grid图 9 中心回线装置探测路径Fig.9 Center loop device probe path接地网完好时,BP 神经网络与 MWOA-Elman神经网络的成像效果如图 10 所示。回线位于网格中心时,主要与小网格耦合,视电阻率最低;回线位于内部扁钢时,主要耦合网格为“日”字形网格,中心视电阻率高于小网格中心;回线位于中心交叉点时,主要耦合网格为“田”字形网格,中心视电阻率高于内部扁钢;回线位于外侧扁钢时,无网格进行耦合,涡流最小,视电阻率高于内部区域。相较于 BP 神经网络,MWOA-Elman 神经网络有更高的精度,成像效果清晰,在接地网的工况与环境更复杂时作用会更加显著。结合前文对各神经网络的定量分析与对比,从成像质量的角度再次验证了 MWOA-Elman 神经网络的准确性。图 10 接地网完好视电阻率平面图Fig.10 Plan of apparent resistivity of intact grounding grid26http:3.4 接地网缺陷识别案例接地网发生缺陷的主要原因是导体在土壤与杂散电流的侵蚀作用下变细,逐渐发展为断点。本文针对接地网结构的 3 种典型位置布排缺陷点,分别为图 8 标注的内部扁钢(BF)、外部扁钢(IM)与扁钢交叉点(K)。通过 MWOA-Elman 神经网络将 7 条测线的采样磁场批量转化为瞬变场参数,导入 Matlab 中计算视电阻率,surfer 软件绘制视电阻率平面图。1)内部扁钢出现缺陷。以扁钢 BF 为例,内部扁钢腐蚀变细 50%和缺失的情况如图 11 所示。扁钢 BF 所在的 2 个网格内部涡流减小,视电阻率升高,可以判断缺陷网格为 ABFE 和 BCGF,并根据两侧视电阻率升高幅度基本一致推测缺陷扁钢为 BF。扁钢 BF 缺失后,主要耦合网格变化为日字形网格 ACGE,其中心出现最低点。图 11 内部扁钢出现缺陷Fig.11 Internal flat steel defective2)外部扁钢出现缺陷。以扁钢 IM 为例,外部扁钢腐蚀变细 50%和缺失的情况如图 12 所示。扁钢 IM 所在网格内部涡流减小,视电阻率升高,可以判断缺陷网格为 IGNM,并根据 IM 侧视电阻率升高幅度更大判断缺陷扁钢为 IM,扁钢 IM 缺失情况同理。图 12 外部扁钢出现缺陷Fig.12 External flat steel defective36广西师范大学学报(自然科学版),2023,41(3)3)扁钢交叉点出现缺陷。以交叉点 K 为例,扁钢交叉点腐蚀变细 50%和缺失的情况如图 13 所示。网格 FGKJ、GHLK、JKON、KLPO 视电阻率升高,可判断缺陷网格为 FHPN,K 为缺陷处。扁钢 K 缺失后,“田”字形网格 FHPN 的中心点成为新的视电阻率最低点。图 13 扁钢交叉点出现缺陷Fig.13 Defect at flat steel junction以上案例验证了 MWOA-Elman 神经网络应用于接地网瞬变电磁缺陷识别的有效性,根据视电阻率平面图像可以精确定位接地网缺陷。4 结语针对瞬变电磁法识别接地网缺陷过程中的局限,本文利用非线性收敛因子、自适应权重与阈值改进鲸鱼算法,提出 MWOA-Elman 神经网络并应用于采样到成像的数据转化过程,仿真结果表明:本文所提网络对比于 BP、GA-BP、Elman、WOA-BP 神经网络有更高的收敛性能与预测能力,测试样本绝对误差保持在0.25 之间,预测精度达 99.678%,提高了接地网缺陷识别的效率与精度。最后,以 33 接地网的 3 种典型缺陷为例,验证了 MWOA-Elman 神经网络应用于瞬变电磁领域的可行性与精准识别接地网不同缺陷的能力。本文研究可应用于大型变电站接地网瞬变电磁成像缺陷识别,为嵌入瞬变电磁探测系统的智能算法提供参考。参 考 文 献1 DAWALIBI F.Electromagnetic fields generated by overhead and buried short conductors part 1-single conductorJ.IEEETransactions on Power Delivery,1986,1(4):105-111.DOI:10.1109/TP WRD.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/ki.1000-6753.tces.2014.09.036.46http: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,2017.5YU C G,FU Z H,WU G L et al.Configuration detection of substation grounding grid using transient electromagneticmethodJ.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/ki.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,2019.10QIN S Q,WANG Y,XU Z Y,et al.Fast resistivity imaging of transient electromagnetic using ANNJ.IEEE Geoscienceand 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/ki.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:0001-5733.2003.05.018.27NABIGHIAN M N.Quasi-static transient response of a conducting half-space;an approximate representationJ.Geophysics,1979,44(10):1700-1705.DOI:10.11090/1.1440931.28MIRJALILI S,LEWIS A.The whale optimization algorithmJ.Advances in Engineering Software,2016,95:51-67.DOI:10.1016/j.advengsoft.2016.01.008.56广西师范大学学报(自然科学版),2023,41(3)Transient Electromagnetic Defect Identification of Grounding GridBased on MWOA-Elman Neural NetworkHAN Xinyue1,2,DENG Changzheng1,2,FU Tian1,2,XIA Pengyu1,2,LIU Xuan1,2(1.College of Electrical and New Energy,China Three Gorges University,Yichang Hubei 443002,China;2.Hubei Provincial Collaboration Innovation Center for New Energy Microgri