本發(fā)明涉及電力設(shè)備檢測(cè)，具體涉及一種gis局部放電最優(yōu)位置匹配方法、系統(tǒng)及工控機(jī)。

背景技術(shù)：

1、隨著高壓氣體絕緣開關(guān)設(shè)備（gas?insulated?switchgear，gis）的廣泛應(yīng)用，其引起的絕緣老化、器件松動(dòng)等導(dǎo)致設(shè)備故障頻發(fā)，已嚴(yán)重威脅各級(jí)變電站的安全運(yùn)行。由于gis設(shè)備是全封閉的結(jié)構(gòu)，當(dāng)其出現(xiàn)故障問題時(shí)，影響區(qū)域極大，維修成本較高。在gis設(shè)備中，局部放電是一種常見的故障現(xiàn)象，會(huì)導(dǎo)致設(shè)備的性能下降、損壞甚至引發(fā)事故，準(zhǔn)確快速地定位gis內(nèi)部局部放電信號(hào)對(duì)于設(shè)備的健康狀態(tài)監(jiān)測(cè)和故障診斷至關(guān)重要。

2、相關(guān)技術(shù)中，一般基于gis內(nèi)部高頻率電磁波信號(hào)（ultra?high?frequency，uhf）進(jìn)行放電檢測(cè)，比如公布號(hào)為cn116662826a的專利申請(qǐng)文獻(xiàn)中采用kelm模型將實(shí)測(cè)特高頻信號(hào)指紋與局部放電定位指紋庫(kù)進(jìn)行比對(duì)，以實(shí)現(xiàn)對(duì)局部放電源進(jìn)行定位；該方案通過事先對(duì)不同位置、不同類型的局部放電信號(hào)提取特征形成指紋庫(kù)，并訓(xùn)練kelm模型，進(jìn)而將實(shí)測(cè)的uhf信號(hào)指紋輸入至訓(xùn)練好的kelm模型以期實(shí)現(xiàn)局部放電的定位，但是該模型依賴于高質(zhì)量的局部放電，同時(shí)沒有進(jìn)行迭代優(yōu)化過程，在電力設(shè)備運(yùn)行環(huán)境復(fù)雜的情況下，會(huì)影響定位的準(zhǔn)確性。公布號(hào)為cn117706306a的專利申請(qǐng)文獻(xiàn)中采用基于電磁時(shí)間反演的局部放電定位技術(shù)實(shí)現(xiàn)對(duì)局部放電源的定位；該方案通過特高頻傳感器采集局部放電產(chǎn)生的特高頻電磁波脈沖信號(hào)，對(duì)所述脈沖信號(hào)進(jìn)行時(shí)間反轉(zhuǎn)運(yùn)算，并注入gis三維電磁場(chǎng)模型中，獲得內(nèi)部電場(chǎng)強(qiáng)度隨時(shí)間的分布變化情況，基于電場(chǎng)強(qiáng)度分布情況，判斷局部放電位置，但是電磁波在傳播過程中受到設(shè)備結(jié)構(gòu)、材料特性、環(huán)境條件等多種因素的影響以及會(huì)遇到反射、折射等多路徑效應(yīng)，這些變化可能影響時(shí)間反演過程中的信號(hào)匯聚效果。公布號(hào)為cn114660448a的專利申請(qǐng)文獻(xiàn)采用基于人群搜索算法所優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)，將仿真指紋與實(shí)驗(yàn)測(cè)得的局部放電指紋庫(kù)進(jìn)行模式匹配，得到相應(yīng)的局放源空間坐標(biāo)；通過采集局部放電產(chǎn)生的局放仿真信號(hào)，構(gòu)建局放定位仿真指紋庫(kù)，將仿真指紋進(jìn)行歸一化處理，提取其特征參數(shù)作為訓(xùn)練、測(cè)試樣本的數(shù)據(jù)集，基于模糊神經(jīng)網(wǎng)絡(luò)理論構(gòu)建匹配模型，在訓(xùn)練過程中采用人群搜索算法修正權(quán)重，將訓(xùn)練、測(cè)試樣本作為輸入，訓(xùn)練構(gòu)造的模糊神經(jīng)網(wǎng)絡(luò)匹配模型，fnn模型結(jié)構(gòu)復(fù)雜，規(guī)則數(shù)目多，可能導(dǎo)致模型解釋性差，不易理解和維護(hù)，csa和fnn的性能依賴于初始參數(shù)的選擇和調(diào)優(yōu)，參數(shù)選擇不當(dāng)可能導(dǎo)致優(yōu)化過程收斂慢或陷入局部最優(yōu)。

3、在博士論文“基于多蟻群算法的電力變壓器故障定位方法研究，魏魯原，中國(guó)礦業(yè)大學(xué)”中提出了一種適用于故障樹搜尋的改進(jìn)蟻群算法，在變壓器故障檢測(cè)過程中，一種檢測(cè)方法能檢測(cè)幾種故障類型，一種故障類型也可采用幾種檢測(cè)方法，用蟻群算法實(shí)現(xiàn)故障搜尋時(shí)把不同的檢測(cè)方法與蟻群的多種類對(duì)應(yīng)起來，螞蟻根據(jù)信息素濃度和啟發(fā)式規(guī)則選擇路徑，根據(jù)故障樹的結(jié)構(gòu)和節(jié)點(diǎn)狀態(tài)調(diào)整信息素的更新策略，以實(shí)現(xiàn)更準(zhǔn)確的故障定位。但故障樹本身非常復(fù)雜，節(jié)點(diǎn)之間的邏輯關(guān)系和狀態(tài)轉(zhuǎn)移需要精確的建模和分析，增加了算法的實(shí)現(xiàn)和調(diào)試難度。碩士論文“智能局部放電巡檢系統(tǒng)的研發(fā)，李寧，河北工業(yè)大學(xué)”中提出利用a*算法與蟻群算法結(jié)合的改進(jìn)算法解決變電站局部放電巡檢的路徑規(guī)劃問題，通過智能巡檢小車對(duì)變電站局部放電進(jìn)行定位，利用蟻群算法解決巡檢小車的路徑規(guī)劃問題，減少了重復(fù)路徑的出現(xiàn)，使巡檢小車在一定范圍的代價(jià)下能夠檢測(cè)到更多的設(shè)備和線路，通過選用rfid射頻技術(shù)作為主要技術(shù)手段，分析信號(hào)損耗模型，采用最小二乘法獲得基于rssi的測(cè)距函數(shù)并利用三邊定位法獲得巡檢小車的定位信息。

4、綜上，上述相關(guān)技術(shù)在利用uhf信號(hào)進(jìn)行放電檢測(cè)時(shí)，uhf信號(hào)在gis的復(fù)雜拓?fù)浣Y(jié)構(gòu)中多次反射不同傳播路徑會(huì)對(duì)定位精確性產(chǎn)生影響，多徑效應(yīng)會(huì)導(dǎo)致信號(hào)到達(dá)uhf傳感器的時(shí)間延遲不同，從而引入定位誤差，使得定位系統(tǒng)無法準(zhǔn)確識(shí)別放電源位置。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于如何實(shí)現(xiàn)局部放電信號(hào)的高精度定位。

2、本發(fā)明通過以下技術(shù)手段解決上述技術(shù)問題的：

3、一方面，本發(fā)明提出了一種gis局部放電最優(yōu)位置匹配方法，所述方法包括：

4、基于gis局部放電的時(shí)域全波形數(shù)據(jù)對(duì)局部放電源進(jìn)行粗定位，得到局部放電源的初步放電強(qiáng)度以及初步放電位置；

5、將局部放電源的初步放電強(qiáng)度以及初步放電位置注入到仿真器中進(jìn)行仿真增強(qiáng)計(jì)算，得到局部放電源的仿真增強(qiáng)結(jié)果，所述仿真增強(qiáng)結(jié)果包括仿真放電位置和仿真放電強(qiáng)度；

6、將通過實(shí)時(shí)采集的所述時(shí)域全波形數(shù)據(jù)計(jì)算得到的實(shí)測(cè)放電強(qiáng)度與所述仿真增強(qiáng)結(jié)果進(jìn)行迭代搜索，得到局部放電源的實(shí)際放電位置。

7、進(jìn)一步地，所述基于gis局部放電的時(shí)域全波形數(shù)據(jù)對(duì)局部放電源進(jìn)行粗定位，得到局部放電源的初步放電強(qiáng)度以及初步放電位置，包括：

8、基于gis局部放電的時(shí)域全波形數(shù)據(jù)，計(jì)算局部放電源的初步放電位置，公式表示為：

9、

10、

11、式中，表示第個(gè)傳感器到局部放電源的距離，表示電磁波在當(dāng)前傳播介質(zhì)中的傳播速度，表示局部放電信號(hào)傳播至參考傳感器所需要的時(shí)間，表示局部放電信號(hào)傳播至參考傳感器和傳播至傳感器的時(shí)間差，第個(gè)uhf傳感器的坐標(biāo)為，；

12、基于gis局部放電的時(shí)域全波形數(shù)據(jù)，計(jì)算局部放電源的初步放電強(qiáng)度。

13、進(jìn)一步地，所述將局部放電源的初步放電強(qiáng)度以及初步放電位置注入到仿真器中進(jìn)行仿真計(jì)算，得到局部放電源的仿真結(jié)果，包括：

14、將局部放電源的初步放電強(qiáng)度以及初步放電位置注入到仿真器中，模擬gis設(shè)備的局部放電現(xiàn)象；

15、利用仿真器進(jìn)行仿真增強(qiáng)計(jì)算，得出局部放電源的仿真放電位置和仿真放電強(qiáng)度。

16、進(jìn)一步地，所述將通過實(shí)時(shí)采集的所述時(shí)域全波形數(shù)據(jù)計(jì)算得到的實(shí)測(cè)放電強(qiáng)度與所述仿真增強(qiáng)結(jié)果進(jìn)行迭代搜索，得到局部放電源的實(shí)際放電位置，包括：

17、根據(jù)每個(gè)時(shí)刻的仿真放電位置和仿真放電強(qiáng)度，利用馬爾可夫決策模型重構(gòu)蟻群算法以局部放電源的初步放電位置為中心探索局部放電源實(shí)際放電位置的過程所對(duì)應(yīng)的狀態(tài)轉(zhuǎn)移模型；

18、使用基于圖神經(jīng)網(wǎng)絡(luò)的啟發(fā)式學(xué)習(xí)器生成啟發(fā)式度量，將所述狀態(tài)轉(zhuǎn)移模型轉(zhuǎn)換為受啟發(fā)式度量影響且需圖遍歷的位置探索模型；

19、使用神經(jīng)引導(dǎo)擾動(dòng)交錯(cuò)的局部搜索算法對(duì)所述位置探索模型進(jìn)行迭代搜索，得到局部放電源的實(shí)際放電位置。

20、進(jìn)一步地，所述根據(jù)每個(gè)時(shí)刻的仿真放電位置和仿真放電強(qiáng)度，利用馬爾可夫決策模型重構(gòu)蟻群算法以局部放電源的初步放電位置為中心探索局部放電源實(shí)際放電位置的過程所對(duì)應(yīng)的狀態(tài)轉(zhuǎn)移模型，包括：

21、根據(jù)每個(gè)時(shí)刻的仿真放電位置和仿真放電強(qiáng)度，構(gòu)建在仿真器中探索局部放電源實(shí)際放電位置時(shí)對(duì)應(yīng)的狀態(tài)空間：

22、

23、

24、式中：表示在仿真器中第個(gè)時(shí)刻探索到局部放電源節(jié)點(diǎn)對(duì)應(yīng)的狀態(tài)，表示第個(gè)時(shí)刻的仿真放電位置，表示第個(gè)時(shí)刻的仿真放電強(qiáng)度，表示將基于gis局部放電的時(shí)域全波形數(shù)據(jù)得到的局部放電源的初步放電強(qiáng)度以及初步放電位置作為初始狀態(tài)，表示探索周期，；

25、構(gòu)建在仿真器中探索局部放電源實(shí)際放電位置時(shí)對(duì)應(yīng)的動(dòng)作空間：

26、

27、式中：表示第個(gè)時(shí)刻的動(dòng)作，以貪心策略為標(biāo)準(zhǔn)選擇動(dòng)作；

28、重構(gòu)蟻群算法以局部放電源的初步放電位置為中心探索局部放電源實(shí)際放電位置的過程所對(duì)應(yīng)的狀態(tài)轉(zhuǎn)移模型為：

29、

30、式中：表示在動(dòng)作下由節(jié)點(diǎn)到節(jié)點(diǎn)轉(zhuǎn)移的概率，表示在仿真器中第個(gè)時(shí)刻探索到局部放電源節(jié)點(diǎn)處對(duì)應(yīng)的狀態(tài)，表示由節(jié)點(diǎn)轉(zhuǎn)移到節(jié)點(diǎn)對(duì)應(yīng)的信息素濃度，表示由節(jié)點(diǎn)轉(zhuǎn)移到節(jié)點(diǎn)對(duì)應(yīng)的啟發(fā)函數(shù)，表示由節(jié)點(diǎn)轉(zhuǎn)移到包含在中的節(jié)點(diǎn)對(duì)應(yīng)的信息素濃度，表示由節(jié)點(diǎn)轉(zhuǎn)移到包含在中的節(jié)點(diǎn)對(duì)應(yīng)的啟發(fā)函數(shù)，與分別表示信息素濃度與啟發(fā)函數(shù)的權(quán)重，表示允許在下一時(shí)刻選擇的非均勻網(wǎng)格局部放電源節(jié)點(diǎn)集合。

31、進(jìn)一步地，由節(jié)點(diǎn)到節(jié)點(diǎn)轉(zhuǎn)移的獎(jiǎng)勵(lì)函數(shù)為，表示第個(gè)時(shí)刻通過傳感器采集的時(shí)域全波形處理得到的實(shí)測(cè)放電強(qiáng)度，表示第個(gè)時(shí)刻仿真得到的局部放電強(qiáng)度。

32、進(jìn)一步地，所述使用基于圖神經(jīng)網(wǎng)絡(luò)的啟發(fā)式學(xué)習(xí)器生成啟發(fā)式度量，將所述狀態(tài)轉(zhuǎn)移模型轉(zhuǎn)換為受啟發(fā)式度量影響且需圖遍歷的位置探索模型，包括：

33、將圖神經(jīng)網(wǎng)絡(luò)第層的由第個(gè)節(jié)點(diǎn)與第個(gè)節(jié)點(diǎn)連接的邊緣特征映射到啟發(fā)式度量；

34、將所述狀態(tài)轉(zhuǎn)移模型轉(zhuǎn)換為受啟發(fā)式度量影響且需步圖遍歷的位置探索模型為：

35、

36、式中：表示位置探索模型，表示在仿真器中第個(gè)時(shí)刻探索到局部放電源節(jié)點(diǎn)對(duì)應(yīng)的狀態(tài)，表示在仿真器中第個(gè)時(shí)刻探索到局部放電源節(jié)點(diǎn)對(duì)應(yīng)的狀態(tài)，表示探索周期，。

37、進(jìn)一步地，所述圖神經(jīng)網(wǎng)絡(luò)第層的傳播特性為：

38、

39、

40、式中：表示第層的第個(gè)節(jié)點(diǎn)的特征，表示第層的第個(gè)節(jié)點(diǎn)的特征，表示第層的第個(gè)節(jié)點(diǎn)的特征，表示第層的由第個(gè)節(jié)點(diǎn)與第個(gè)節(jié)點(diǎn)連接的邊緣特征，表示第層的由第個(gè)節(jié)點(diǎn)與第個(gè)節(jié)點(diǎn)連接的邊緣特征，、、、以及表示第層的可學(xué)習(xí)參數(shù)，表示激活函數(shù)，表示批量歸一化處理，表示對(duì)第個(gè)節(jié)點(diǎn)的鄰域進(jìn)行聚合計(jì)算，表示第個(gè)節(jié)點(diǎn)的鄰域，表示函數(shù)，表示哈達(dá)瑪積，。

41、進(jìn)一步地，在所述使用基于圖神經(jīng)網(wǎng)絡(luò)的啟發(fā)式學(xué)習(xí)器生成啟發(fā)式度量，將所述狀態(tài)轉(zhuǎn)移模型轉(zhuǎn)換為受啟發(fā)式度量影響且需圖遍歷的位置探索模型之前，所述方法還包括：

42、采用梯度策略對(duì)基于圖神經(jīng)網(wǎng)絡(luò)的啟發(fā)式學(xué)習(xí)器進(jìn)行訓(xùn)練，訓(xùn)練過程中采用的目標(biāo)函數(shù)為：

43、

44、式中：表示使用神經(jīng)引導(dǎo)擾動(dòng)交錯(cuò)的局部搜索算法探索局部放電源實(shí)際放電位置對(duì)應(yīng)的目標(biāo)函數(shù)，表示平衡與的參數(shù)，表示在啟發(fā)式度量影響下探索局部放電源實(shí)際放電位置的期望值，表示探索局部放電源實(shí)際放電位置時(shí)對(duì)應(yīng)的狀態(tài)空間；

45、其中，所述目標(biāo)函數(shù)的梯度為，公式表示為：

46、

47、式中：表示直接探索局部放電源實(shí)際放電位置的平均目標(biāo)值，表示使用神經(jīng)引導(dǎo)擾動(dòng)交錯(cuò)的局部搜索算法探索局部放電源實(shí)際放電位置的平均目標(biāo)值，表示在啟發(fā)式度量影響下探索局部放電源實(shí)際放電位置的梯度；

48、當(dāng)達(dá)到最大迭代次數(shù)或者未達(dá)到最大迭代次數(shù)但目標(biāo)函數(shù)時(shí)，訓(xùn)練結(jié)束，其中，表示目標(biāo)函數(shù)對(duì)應(yīng)的最小閾值。

49、進(jìn)一步地，所述使用神經(jīng)引導(dǎo)擾動(dòng)交錯(cuò)的局部搜索算法對(duì)所述位置探索模型進(jìn)行迭代搜索，得到局部放電源的實(shí)際放電位置，包括：

50、采用局部搜索算法對(duì)所述位置探索模型進(jìn)行迭代搜索，獲得局部最優(yōu)解；

51、對(duì)當(dāng)前次迭代搜索獲得局部最優(yōu)解進(jìn)行神經(jīng)引導(dǎo)擾動(dòng)，通過神經(jīng)引導(dǎo)擾動(dòng)交錯(cuò)的局部搜索得到當(dāng)前次迭代局部放電源實(shí)際放電位置的最優(yōu)探索方案；

52、在所有局部放電源節(jié)點(diǎn)全部選擇后，更新各個(gè)局部放電源節(jié)點(diǎn)之間的信息素濃度；

53、在迭代搜索達(dá)到迭代收斂條件時(shí)，確定局部放電源實(shí)際放電位置的最優(yōu)探索方案，并基于所述最優(yōu)探索方案實(shí)現(xiàn)局部放電源的實(shí)際放電位置匹配。

54、進(jìn)一步地，所述采用局部搜索算法對(duì)所述位置探索模型進(jìn)行迭代搜索，獲得局部最優(yōu)解，局部最優(yōu)解的公式表示為：

55、

56、

57、式中：表示目標(biāo)函數(shù)，表示局部搜索算子，表示探索局部放電源實(shí)際放電位置時(shí)對(duì)應(yīng)的狀態(tài)空間，表示在局部搜索算子下對(duì)放電位置進(jìn)行局部搜索，表示第個(gè)時(shí)刻通過傳感器采集的時(shí)域全波形處理得到的實(shí)測(cè)放電強(qiáng)度，表示第個(gè)時(shí)刻仿真得到的局部放電強(qiáng)度，表示探索周期，。

58、進(jìn)一步地，所述對(duì)當(dāng)前次迭代搜索獲得局部最優(yōu)解進(jìn)行神經(jīng)引導(dǎo)擾動(dòng)，通過神經(jīng)引導(dǎo)擾動(dòng)交錯(cuò)的局部搜索得到當(dāng)前次迭代局部放電源實(shí)際放電位置的最優(yōu)探索方案，公式表示為：

59、

60、式中：表示經(jīng)過對(duì)局部最優(yōu)解進(jìn)行神經(jīng)引導(dǎo)擾動(dòng)獲得的當(dāng)前次迭代局部放電源實(shí)際放電位置的最優(yōu)探索方案，為局部最優(yōu)解；表示擾動(dòng)的移動(dòng)次數(shù)，表示啟發(fā)式度量。

61、進(jìn)一步地，所述信息素濃度的更新公式表示為：

62、

63、式中：表示更新系數(shù)，表示第個(gè)探索周期內(nèi)的信息素濃度，表示第個(gè)探索周期內(nèi)的信息素濃度，表示第個(gè)探索周期到第個(gè)探索周期中信息素濃度的改變量。

64、進(jìn)一步地，所述仿真器為gis三維仿真模塊，且所述仿真器劃分為非均勻網(wǎng)格。

65、進(jìn)一步地，在所述將通過實(shí)時(shí)采集的所述時(shí)域全波形數(shù)據(jù)計(jì)算得到的實(shí)測(cè)放電強(qiáng)度與所述仿真增強(qiáng)結(jié)果進(jìn)行迭代搜索，得到局部放電源的實(shí)際放電位置之后，所述方法還包括：

66、基于所述局部放電源的實(shí)際放電位置，進(jìn)行預(yù)警。

67、此外，本發(fā)明還提出了一種gis局部放電最優(yōu)位置匹配系統(tǒng)，所述系統(tǒng)包括：

68、粗定位模塊，用于基于gis局部放電的時(shí)域全波形數(shù)據(jù)對(duì)局部放電源進(jìn)行粗定位，得到局部放電源的初步放電強(qiáng)度以及初步放電位置；

69、仿真模塊，用于將局部放電源的初步放電強(qiáng)度以及初步放電位置注入到仿真器中進(jìn)行仿真增強(qiáng)計(jì)算，得到局部放電源的仿真增強(qiáng)結(jié)果，所述仿真增強(qiáng)結(jié)果包括仿真放電位置和仿真放電強(qiáng)度；

70、迭代搜索模塊，用于將通過實(shí)時(shí)采集的所述時(shí)域全波形數(shù)據(jù)計(jì)算得到的實(shí)測(cè)放電強(qiáng)度與所述仿真增強(qiáng)結(jié)果進(jìn)行迭代搜索，得到局部放電源的實(shí)際放電位置。

71、此外，本發(fā)明還提出了一種工控機(jī)，所述工控機(jī)包括存儲(chǔ)器、處理器；其中，所述處理器通過讀取所述存儲(chǔ)器中存儲(chǔ)的可執(zhí)行程序代碼來運(yùn)行與所述可執(zhí)行程序代碼對(duì)應(yīng)的程序，以用于實(shí)現(xiàn)如上所述的gis局部放電最優(yōu)位置匹配方法。

72、此外，本發(fā)明還提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上所述的gis局部放電最優(yōu)位置匹配方法。

73、此外，本發(fā)明還提出了一種多結(jié)構(gòu)適配的gis場(chǎng)-電融合實(shí)時(shí)狀態(tài)感知與預(yù)警系統(tǒng)，包括信號(hào)同步采集與測(cè)量嵌入式裝置和如上所述的工控機(jī)，所述工控機(jī)與信號(hào)同步采集與測(cè)量嵌入式裝置連接，所述信號(hào)同步采集與測(cè)量嵌入式裝置用于采集gis局部放電的時(shí)域全波形數(shù)據(jù)，所述工控機(jī)用于搜索gis局部放電源的實(shí)際放電位置。

74、本發(fā)明的優(yōu)點(diǎn)在于：

75、（1）本發(fā)明首先基于gis局部放電的時(shí)域全波形數(shù)據(jù)對(duì)局部放電源進(jìn)行粗定位，得到局部放電源的初步放電強(qiáng)度以及初步放電位置，將局部放電源的初步放電強(qiáng)度以及初步放電位置注入到仿真器中，用于模擬gis設(shè)備的局放現(xiàn)象并進(jìn)行仿真計(jì)算，得出局部放電位置和局部放電強(qiáng)度變化的仿真結(jié)果，然后基于分析仿真計(jì)算結(jié)果，比較通過gis局部放電的時(shí)域全波形數(shù)據(jù)得到的實(shí)測(cè)放電強(qiáng)度與仿真結(jié)果的差異，不斷迭代優(yōu)化，直到實(shí)測(cè)值與仿真值相差最小，實(shí)現(xiàn)gis局部放電最優(yōu)位置匹配。

76、（2）本發(fā)明以初步計(jì)算的局部放電源為中心，提出其鄰域內(nèi)測(cè)量值最優(yōu)匹配的啟發(fā)式快速迭代搜索算法，把放電源最優(yōu)匹配位置的快速迭代搜索問題輸入圖神經(jīng)網(wǎng)絡(luò)，得到其啟發(fā)式度量，作為專家設(shè)計(jì)啟發(fā)式的代替，并基于此進(jìn)行蟻群算法迭代，蟻群算法框架下對(duì)構(gòu)造出來的解進(jìn)行局部搜索會(huì)得到更好的解，深度蟻群算法使用圖神經(jīng)網(wǎng)絡(luò)來生成啟發(fā)式度量，減少對(duì)專家知識(shí)的需求；并結(jié)合概率局部搜索，在這里使用神經(jīng)引導(dǎo)擾動(dòng)交錯(cuò)的局部搜索方法會(huì)實(shí)現(xiàn)更好的性能，以保證高效求解，實(shí)現(xiàn)放電源最優(yōu)匹配位置的快速迭代搜索。

77、本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。