基于MPA优化PNN的电能质量扰动识别方法仿真.pdf

107第40 卷第6 期2023年6 月机真计仿算文章编号：10 0 6-9348（2 0 2 3)0 6-0 10 7-0 7基于MPA优化PNN的电能质量扰动识别方法仿真陈一镖，倪陈义，陈浩?，李彬彬（1.温州大学机电工程学院，浙江温州32 50 35；2.常州大学计算机与人工智能学院，江苏常州2 1316 4；3.浙江亿德科技有限公司，浙江温州32 50 0 0）摘要：电能质量扰动的识别精度直接影响着电网电能质量的治理手段及方法。为了解决复杂电网环境下的复合电能质量扰动识别问题，提出了一种基于改进小波阈值法消噪和海洋捕食者算法优化概率神经网络（MPA-PNN）的电能质量扰动识别方法。首先采用改进小波阈值法对8 种典型的电能质量扰动信号进行消噪处理，并利用小波变换对消噪完成的信号进行多尺度分解，以其中3个区分度较为明显的维度能量构成输人特征向量，最后利用MPA优化PNN的平滑参数，完成电能质量扰动信号识别模型的训练。仿真结果表明，与单一PNN、改进小波阈值法-PNN、改进小波阈值法-GA-PNN等方法进行比较，改进小波阈值法-MPA-PNN方法可以有效降低噪声影响，在识别精度及模型优化速度方面均有一定的提升。关键词：电能质量扰动；小波变换；海洋捕食者算法；概率神经网络中图分类号：TP391文献标识码：BSimulation of Power Quality Disturbance IdentificationMethod Based on MPA Optimized PNNCHEN Yi-biao,NI Chen-yi,CHEN Hao,LI Bin-bin3(1.College of Mechanical and Electrical Engineering,Wenzhou University,Wenzhou Zhejiang 325035,China;2.School of Computer and Artificial Intelligence,Changzhou University,Changzhou Jiangsu 213164,China;3.Zhejiang Yide Technology Co.,Ltd,Wenzhou Zhejiang 325000,China)ABSTRACT:The identification accuracy of power quality disturbances has a significant impact on the power qualitymanagement in the power grid.In order to solve the problem of identifying composite power quality disturbance in acomplex power grid,this paper proposes an identification method of power quality disturbance based on improvedwavelet threshold method and marine predator algorithm optimized probabilistic neural network(MPA-PNN).Firstly,the improved wavelet thresholding method was used to denoise eight typical power quality disturbance signals,and decomposed signals were decomposed at multiple scales using wavelet transform.The input feature vector,whichconsists of the three most distinctive energy dimensions,was used to train the identification model,optimizing smoot-hing parameter o by MPA method.The simulation results show that,compared with single PNN,improved waveletthresholding-PNN,and improved wavelet thresholding-GA-PNN,the improved wavelet thresholding-MPA-PNNmethod can effectively reduce the influence of noise and has an improvement in identification accuracy and model op-timization speed.KEYWORDS:Powerqualityddisturbance;Wavelet transform;Marine predator alalgorithm;Probabilisticneural networks基金项目：（温州市科技局项目（ZG2019019）；温州市科技局项目(ZC2020015)收稿日期：2 0 2 1-0 9-2 7 修回日期：2 0 2 1-11-131081引言随着科学技术迅速的发展，电子设备的应用领域日益广泛,特别是大功率、非线性、不对称性负载的使用,导致电能质量扰动（PowerQualityDisturbances，PQ D s）的发生频率上升1，进而引起电子设备不能正常工作或故障发生。对PQDs进行准确的识别和分类是治理电能质量问题的重要前提。目前，电能质量扰动识别的过程存在噪声影响大、分类精度差、效率不高等问题。因此，如何在噪声环境下，准确提取特征，并准确识别不同类型PQDs仍然是电能质量研究领域的研究热点。目前PQDs识别的过程主要包括预处理、特征值提取和扰动识别三个步骤。预处理通常采用小波阈值法2.3 和奇异值分解（SingularValue Decomposition,SVD）3 等方法实现；特征值提取的方法有快速傅里叶变换（FastFourierTransform，FFT）、小波变换（WaveletTransform，W T）4)和S变换（S-Transform,ST）等；扰动识别与分类方法主要包括BP神经网络（BackPropagation，BP）5 和概率神经网络（ProbabilisticNeuralNetworks,PNN）6 等。上述方法在电能质量扰动识别领域都取得了较好的识别结果，但是仍存在各自的缺点。WT能对信号进行多层分解，并采用值法2 进行噪声的去除，可以在去除噪声的同时保留突变信号，但小波函数、分解的层数和阈值函数的选择直接影响消噪的效果。BP神经网络5 学习和自适应能力强，可以对扰动信号进行识别，但其运行速度慢且易出现局部最优解。PNN神经网络6.7 运行速度快，但其平滑参数的选择对扰动识别准确度影响较大（8 基于以上分析，为了解决在不同类型扰动信号下，小波阈值法消噪效果不稳定和PNN中平滑参数选取不准确等问题，从而提高小波阈值消噪能力和PNN识别准确度，本文采用改进小波阈值法和海洋捕食者算法（MarinePredatorsAlgorithm，M PA）9 优化PNN的方法建立扰动信号识别模型。首先采用改进小波阈值法对电能信号进行预处理，然后通过WT进行多尺度分解，提取各层高频和低频能量，构成的特征向量F,并提取其中3个较为明显的维度能量值构成输人特征向量F,最后将输人特征向量F，输人到PNN,并利用MPA优化PNN的平滑参数，从而进行电能质量扰动信号识别模型的训练和测试，如图1所示。仿真表明，本方法具有一定的消除噪声能力，可以准确提取不同扰动信号特征值，且在增强神经网络的识别能力、提升电能质量扰动信号识别精度和减少模型优化时间等方面均具有一定的效果。2电能信号预处理电能信号在接收、传输和处理的过程中都会受到噪声的干扰。若不进行电能信号预处理，则不同类型PQDs的特征会被噪声所淹没，从而影响电能质量扰动信号的识别准确度。WT具有时频变换的特点，能够很好消除电能质量扰动电能质量扰动信号输入构建训练和测试样小波阈值法本改进小波阁值法的信号参数进行自动选择概率神经网络模型海洋捕食者预处理搭建1参数优化-1N-优化概率神判断RMSE值海洋捕食者优化概经的信号识1率神经网络Y别L电能质量扰动类型小波变换的小波变换1输出信号特征提取1111提取3个维度能量1构成输人特征向量-图1电能质量扰动识别基本流程图信号中的噪声，其主要方法有小波包和阈值法2 。本文对小波阈值法进行改进，使其对不同类型的电能质量扰动信号均有较好的消噪效果。首先选取小波基函数和分解层数对PQDs信号进行离散小波分解1Jx(t)p(t)dt=Jr(t)(t)dt+fe(t)p(t)dt(1)2式中：x(t)为含噪声的扰动电能信号,f(t)为扰动电能信号，8(t)为噪声信号，(t)为小波尺度函数。小波系数表达式如下所示w;=u;+U;(2)式中：w；为含噪声扰动电能信号的第i层小波系数，u,为扰动电能信号的第i层小波系数，为噪声的第i层小波系数。然后选取软硬阈值和阈值入对小波系数进行消噪处理，其中硬阈值如式（3)所示、软阈值如式（4)所示，阈值入如式(5)所示1W;I入(3)01w;1入(sgn(w.)(Iw;/-)|w;入(4)0Iw;I入入=8 V2nN(5)式中：N为信号采集个数，8 为噪声标准差，w是阈值法处理后的第i层小波系数。最后对消噪后小波系数w，进行重构，得到消噪信号x(t）。若均方根误差（RootMean SquareError,RMSE）小于0.01或取得最小值，则消噪完成，否则重新选择小波基函数、分解层数、软硬阈值、阈值入，直到上述条件成立。RMSE计算公式如下所示RMSE(6)N7=13电能信号特征提取与扰动识别不同电能信号扰动识别是电能质量治理关键步骤，其中电能信号扰动识别是根据电能信号特征向量进行电能扰动109类型的判断。但是，电能信号具有不规则性和平稳性的特点，对其准确提取特征较为困难，并且扰动识别方法需要较快的速度和准确的识别精度。因此，本文选取小波变换和神经网络的方法对电能信号进行特征提取和扰动识别。3.1特征提取小波变换4 具有时频局部分析和多分辨分析能力，特别适用于电能突变和不平稳信号的处理。因此，本文采用小波变换的多分辨分析方法准确提取不同种类电能质量扰动的特征。多分辨分析通过低通和高通滤波器，将预处理后的信号x(t)分解成低频部分b.(t)和高频部分a;(t）。预处理扰动信号x（t）的多分辨分析如下所示(t)=Na.(t)n(t)+2Nbb(t)(t)(7)ki=1k式中：n(t)为尺度函数,(t)为小波系数函数。多分辨分析得到各个尺度的能量信息如下F,=Z I a(t)12(8)Fu=Z 1 b:(t)12n式中：F。为高频能量特征值，Fb为第i层维度的低频能量特征值。对特征值进行归一化，构成特征向量F,如下所示F一FB1Fb2一FB2一FF.-FAF=BiNNNN(9)式中：F为正常电能信号的高频能量特征值，FB为正常电能信号第i层维度的低频能量特征值。选取特征向量F中3个不同扰动区别度较大的维度能量，从而构成输人特征向量F。3.2扰动识别目前主流的识别方法为神经网络，通过训练样本搭建网络结构，将输人量与输出量构成映射的关系，具有分类精度高、鲁棒性和适应性强等优点【10 。本文采用PNN方法进行扰动识别，具有结构简单、训练速度快等自身特点。PNN是一种以径向基函数网络（Radial Basis Function，RBF)为基础融合密度函数估计和贝叶斯决策理论的前馈神经网络，由输入层、模式层、求和层和输出层等4层网络结构组成。将训练样本的输入特征向量输人，传递给网络，确定神经元个数，并进行训练，其中概率密度函数估值为11(X-Xa.)T(X-Xa.)f.(X)exp(2m)Ph2gP20?m(10)式中：X为进行判断的扰动信号样本，X为第i个信号训练向量；P为扰动信号样本维数；m为扰动信号样本数目；为平滑参数。PNN中平滑参数通常凭借人为经验设定。平滑参数将限制概率神经网络的分类精度，若平滑参数取值太小，概率神经网络将构成最邻近分类器；若平滑参数取值太大，概率神经网络将构成线性分类器。目前，神经网络的参数优化方法包括遗传算法（GeneticAlgorithm,GA）【4 和海洋捕食者算法（MarinePredatorsAlgorithm，M PA）等优化算法，从而提高神经网络的识别精度。其中，MPA相较于GA具有较强的单目标搜索算能力,且具有较高的优化效率。因此，本文选取MPA优化PNN网络的平滑参数，快速、准确的建立扰动识别模型MPA9是一种通过模拟海洋生物Lvy运动与Brownian运动选择最佳捕食策略的启发式优化算法。首先随机生成最小平滑参数min到最大平滑参数max之内的D个种群，平滑参数构成猎物矩阵Lw，优化平滑参数时，以PNN网络的识别精度误差为适应度函数，识别误差最低时为高适应度，对应种群为最佳平滑参数,并构成精英矩阵Jy。其次根据当前迭代次数Md与最大迭代次数Zd将捕食过程分为三个阶段，猎物与捕食者采用不同的运动方式，以寻找全局最优解。在第一阶段时,MdZd/3,捕食者进行勘探寻找猎物，猎物矩阵采用Brownian进行自我更新，其表达式为(Yd,=B?(Yy-BLw,)(11)Lw;=Lw;+CR?Yd,式中：Lw，表示Lw集合中第i个平滑参数，Y d，为移动步长向量，B为正态分布的随机Brownian运动向量，为克罗内克积(Kroneckerproduct）,C为常数0.5,R为0-1内的随机值向量。在第二阶段时，Zd/3Md2Zd/3,猎物进行Levy运动，精英矩阵采用Leuy运动进行更新，其表达式为(Yd,=L?(Jy:-L?Lw,)(12)Lw,=Lw;+CR?Yd,式中：Jy表示Jy中第i个平滑参数，L 为Lvy分布的随机向量。同时，捕食者采用Brownian运动进行勘察策略，精英矩阵采用Brownian运动对猎物矩阵进行更新，且自动调节移动步长Cf，其表达式如下所示MdMdCf=(1Zd(13)Zd(Yd,=B?(B?Jy:-Lw,)(14)Lw,=Jy;+C.CfYd;在第三阶段时,Zd/3MdFADs(16)式中:U为0 或1构成的向量,jE0,1中的随机值,FADs=0.2，j1和j2是猎物矩阵中随机下标量。3.3实现步骤根据改进小波阈值的消噪、小波变换的特征提取和MPA优化PNN的扰动识别等方法构建电能质量扰动识别模型，如图2 所示，其具体步骤如下：步骤1：初始化改进小波阈值法中小波基函数、分解层数、软硬阈值函数、入阈值参数，小波分解中小波基函数、分解层数、种群个数D、适应度函数、扰动样本维度P、平滑参数的搜索空间、最大迭代次数Zd、鱼类聚集装置FADs。步骤2：根据数学模型建立不同类型电能质量扰动信号，并且输人到改进小波阈值法中。步骤3：选择小波基函数和分解层数，根据式（1）对电能质量扰动信号进行分解，得到各层小波系数w；。步骤4：选择软硬阅值和入阈值对各层小波系数w，进行预处理，得到预处理完成的小波系数w。步骤5：由预处理小波系数w，重构电能质量扰动信号x（t），完成信号预处理。步骤6：判断RMSE值是否小于0.0 1或取得最小值，若小于0.0 1或取得最小值时进行步骤7，否则跳转到步骤3，循环执行步骤3-6。步骤7：选择db5为小波基、10 的分解层数对预处理完成的信号小波分解，构成特征向量F。步骤8：提取不同类型特征向量F中3个区分度明显的维度能量构成输入特征向量F1。步骤9：输人特征向量F，分为训练样本和测试样本输入PNN网路。步骤10：根据输入层、模式层、求和层、输出层搭建PNN网络。步骤11：根据种群计算适应度，从而构建精英矩阵和猎物矩阵。步骤12：根据送代次数对种群进行多阶段优化，并运用鱼类聚集装置FADs避免局部最优解，保存最佳平滑参数步骤13：判断是否达到最大迭代次数，若未达到则跳转到步骤12，循环执行步骤12-14直到达到最大迭代次数。步骤14：输出全局最优平滑参数MPA，构建优化完成的MPA-PNN模型步骤15：输入测试样本的电能质量扰动信号，输出扰动种类，并与真实扰动类型比对。参数初始化电能质量扰动信号输人选择小波基和分层建立概率神经网络次数进行小波分解得到各层小波系数wi计算适应度函数，构建猎物矩阵和精选择软硬阈值函数英矩阵和入阈值对小波系数wi处理得到小波进行第一、第二、系数wi第三阶段优化小波系数wi进行鱼类聚集装置和海重构洋记忆保存支NN判断RMSE值小于0.0 1判断是否达到最大送代次数或取得最小值YY选取db5为小波最佳平滑参数的概基，对预处理信号率神经网络进行10 层分解电能质量扰动信号构成输人特征向量识别输出构成训练样本和测试样本图2改进小波阈值法-MPA-PNN的流程图4仿真与结果分析4.1优仿真根据实际扰动信号特征和文献2,11 中的数学模型，建立电压暂升（D1）、电压暂降（D2）、电压中断（D3）、电压闪变（D 4）、谐波（D5）共5种单一电能质量扰动信号，如表1所示，并构建复合电能质量扰动信号谐波+电压暂升（D6）、谐波+电压中断(D7）、谐波+电压暂降（D8）共3种。每个类型的电能质量扰动信号随机生成12 0 组数据，8 种类型共9 6 0组数据，其中8 0 0 组为训练样本，16 0 组为测试样本。生成信号的采样频率为5kHz，即单个周期包含12 8 个采样点，每个扰动信号由10 个周期波形构成，并叠加一定量的信信噪比(Signal Noise Ratio,SNR)表1单单一电能质量扰动信号模型类型数学模型参数电压暂升(1+xA/sin(wot)0.10.9电压暂降11-xA/sin(wot)0.10.9电压中断(1-xA/sin(wot)0.91电压闪变1+sin(2mt)sin(wot)0.10.2谐波sin(wot)+B0.05;0.3A=u(t-t,)-u(t-t2);B=,sin(3wot)+,sin(5wot)+;sin(7wot)111通过改进小波阅值法对用于训练的8 0 0 组原始信号消噪处理，得到预处理信号。分别对原始信号和预处理信号进行小波变换的多分辨分析，获得特征向量F，提取区分度较大的第三、六、八层维度能量构成输人特征向量Fi。2 0 d B下，未经消噪和消噪后的能量分布如图3所示。0.24D10.1D2D3LD40口D50.3品D6口D70.2口品D8D0.10-0.050.10.05第六层维度(a)未使用改进小波阈值法0.10.05D184D2口0品D38口口8D4-0.05D5品D60.1D70.05D8-0.9-10-0.6-0.7-0.8第六层维度(b)使用改进小波阅值法图3输入特征向量F在2 0 dB下的能量分布对于未经消噪和消噪后两种类型，不同扰动类型输人特征向量F，的能量在三维坐标中均有明显分布聚集。图3(a)为未经消噪的输人特征向量分布,其中D2与D3的界限重叠，甚至D7与D8的界限出现了明显混合，不利于电能质量扰动的准确识别。图3(b)为使用改进小波阈值法后的输人特征向量分布，其中D2与D3之间出现清晰的分界，仅在D6与D1界线及D7与D8界线出现局部重叠。因此，改进小波阅值法可以有效消除噪声，提高不同类型特征向量的区分度，从而提升识别精度。将经消噪的8 0 0 组数据输人特征向量F，输人到海洋捕食者优化的概率神经网络，并设置平滑参数为目标函数，搜索空间为0,1,Zd=20,D=5,FADs=0.2,C=0.5,训练得到扰动识别模型，利用其余16 0 组数据进行扰动识别测试，得到不同平滑参数的适应度。MPA对PNN进行参数优化的送代过程如图4所示，0.250.20.150.10.05005101520送代次数图4MPA优化选代图第1-6 次迭代为MPA优化的第一阶段，PNN的识别误差从0.2 13急剧下降到0.0 31；第7-13次迭代为MPA优化的第二阶段，识别误差下降到0.0 19并趋于稳定；第14-2 0次送代为MPA优化的第三阶段，识别误差稳定于0.0 19。因此，MPA对PNN的优化完成，且识别准确度保持在98%以上。图5为2 0 dB信噪比下，8 种电能质量扰动信号（共16 0组数据）采用改进小波阈值法-MPA-PNN方法的识别测试结果，识别精度为98.13%。D8实际类型D7预测类型D6D5D4D3D2D1040801201608种电能质量扰动数目图5在2 0 dB下改进小波阅值法-MPA-PNN分类图不同信噪比下，8 种电能质量扰动类型的识别精度如表2所示。在无信噪比下，不同类型的识别精度均为10 0%，30dB和2 0 dB信噪比下的总体识别精度分别为99.38%和98.13%。但当信噪比达到10 dB强度时，识别精度下降到74.38%，此时，D6、D 7、D 8 中波动较小的谐波信号被过强噪声覆盖，改进小波阅值法消噪时把谐波信号当成噪声一起消除，因此高噪音下消噪后的输人特征向量并不能很好的反映扰动的类型，导致识别结果出现偏差。112表2改进小波阐值法-MPA-PNN方法在不同信噪比下8 种电能质量扰动的识别精度（%）SNR/dB类型102030无D190100100100D280100100100D385100100100D495100100100D570100100100D6658595100D755100100100D855100100100总体74.3898.1399.381004.2结果分析在不同信噪比情况下，分别进行单一PNN（平滑参数为0.0 3）、改进小波阈值法-PNN、改进小波阈值法-GA-PNN、改进小波阈值法-MPA-PNN四种方法的训练及测试，总体测试识别精度结果如图6 所示。其中改进小波值法-MPA-PNN的扰动识别精度最高，改进小波阈值法-GA-PNN方法和改进小波阅值法-PNN方法次之，单一PNN的精度最差。当信噪比为2 0 dB、30 d B或无噪声时，改进小波值法-MPA-PNN的识别精度稳定在98%以上，均高于其它三种方法。因此，相对于上述其它识别算法，本文采用的改进小波阅值法-MPA-PNN组合有效提高电能质量扰动信号的识别精度。1009590公8580-O-单一PNNA一改进小波阈值法-PNN75*一改进小波阈值法-GA-NN70改进小波阈值法-MPA-PNN65102030无SNR/dB图6四种识别方法在不同信噪比下识别精度图（%）对比单一PNN及改进小波阈值法-PNN方法，改进小波值法对电能质量扰动信号具有消噪作用，增大了不同电能质量种类之间的区分度，识别准确度有明显的提高；对比改进小波阈值法-MPA-PNN和改进小波阈值法-GA-PNN方法，MPA优化后的PNN网络具有更强的识别能力。改进小波阈值法-GA-PNN、改进小波阈值法-MPA-PNN在低信噪比时的识别准确度都在90%以上，都具有一定的实用价值。在相同送代次数和种群大小下比较GA和MPA对PNN优化的速度，不同信噪比强度下的优化时间如表3所示。表3基于GA与MPA不同优化方法下优化所用时间对比(s)训练样训练时间/s识别方法本数/个10dB20dB 30dB无改进小波阈值法-GA-PNN80017.116.9 17.0 16.9改进小波阈值法-MPA-PNN80012.913.012.813.1在不同信噪比下，改进小波阈值法-MPA-PNN模型的训练时间约为13s，小于改进小波阈值法-GA-PNN约为17s，时间缩短百分之2 3.5%。因此，MPA优化方法可以在更短的时间内获得更高识别精度的平滑参数，即在搜索效率及能力方面，MPA方法均优于GA，更加适用于电能质量扰动识别网络的搭建。5总结针对电能质量扰动分类问题，本文提出一种基于改进小波阈值法消噪和MPA-PNN的电能质量扰动信号识别方法。采用改进小波阈值法对8 种电能质量扰动信号进行消噪处理，并结合WT方法提取区分度最明显的第3、6、8 个维度能量构成输人特征向量F，最终采用MPA方法对PNN网络进行优化，得到电能质量扰动信号识别模型。仿真结果得到改进小波阈值法-MPA-PNN在不同的信噪比下具有一定消噪性及较高的识别精度，在电力工程中具有一定的实用价值。与单一PNN、改进小波阈值法-PNN、改进小波阈值法-GA-PNN方法相比，该方法的识别精度显著提升，分别最高提升15.6%，10%和5.6%。在模型优化时间方面，MPA方法优化PNN网络的时间为13s，仅为比GA方法的7 6.5%，对于建立大区域、长时间跨度的扰动识别模型具有明确的实际意义。参考文献：1 Luo A,Xu Q,Ma F,et al.Overview of power quality analysis andcontrol technology for the smart grid J.Journal of Modern PowerSystems and Clean Energy,2016,4(1):1-9.2徐长宝，古庭赞，高云鹏，等.基于改进小波阈值函数和变分模态分解的电能质量扰动检测【J.湖南大学学报（自然科学版),2 0 2 0,47(6):7 7-8 6.3古庭赞，高云鹏，吴聪，等.基于改进小波阈值函数和奇异值分解的电能质量扰动检测J.电测与仪表，2 0 2 0,57（2 1）：111-118.4李波，曹敏，李仕林，等.基于WT和GA-SVM的电能质量扰动识别方法J.电力电子技术，2 0 2 0,54(3）：52-55.5何巨龙，王根平，刘丹，等.基于提升小波和改进BP神经网络的配电网系统电能质量扰动定位与检测J.电力系统保护与控制,2 0 17,45(10):6 9-7 6.6Chen Z M,Li M S,Ji T Y,et al.Power quality disturbance identifi-cation using morphological pattern spectrum and probabilisticneural network C.2015 IEEE Power&Energy Society General113上接第6 5页）Meeting.IEEE,2015:1-5.IEEE 1159-2009.7公茂法，侯林源，梁龙金，等，王宁.基于小波包和PNN的电能质量扰动定位与分类J.工矿自动化，2 0 16,4 2（5）：4 0-4 4.8覃星福，龚仁喜.基于广义S变换与PSO-PNN的电能质量扰动识别J.电力系统保护与控制，2 0 16,4 4(15）：10-17.9Faramarzi A,Heidarinejad M,Mirjalili S,et al.Marine predators al-gorithm;a nature-inspired MetaheuristicJ.Expert Systems withApplications,2020,152(152).10Sahani M,Dash P K.Automatic power quality events recognitionbased on Hilbert Huang transform and weighted bidirectional ex-treme learning machine J.IEEE Transactions on Industrial In-formatics,2018,14(9):3849-3858.11Jaekel B W.Electromagnetic environments Phenomena,classifica-tion,compatibility and immunity levels C.Eurocon,Eurocon 09从上述表1、2、3的仿真分析可以看出，优化过程中体面比与阻力呈现相反优化增量关系，故在实际应用中应根据实际需求分配权重因子，此外，本文考虑实际优化设计的三个关键变量，最大截面直径、长细比和飞艇长度，分别有侧重地提出优化方案，从优化结果来看，改进算法在飞艇优化中是可行的。5乡结论本文结合传统飞艇优化设计过程中单一考虑阻力因素的问题，首先引人体面比，构建优化函数数学模型，构建优化流程框架，其次针对传统最优值求解的复合形法进行改进，依照双向同步探索思维，提出最优值求解的改进算法，并将其应用至飞艇外形优化设计中，运用Matlab进行函数的计算和仿真，通过仿真分析验证了算法的可行性。参考文献：1 Anthony Colozza,James LDolce.High-Altitude,Long-EnduranceAirships for Coastal SurveillanceR.NASA PTM-2005-21347,2005.2王全保，陈吉安，段登平，付功义.平流层飞艇外形的设计优化J.计算机仿真，2 0 10,2 7(9)：4 4-4 7.3杨燕初，王生，顾逸东，李英堂。基于遗传算法的临近空间飞艇多学科优化设计J.计算机仿真，2 0 12,2 9（4）：4 9-53.4秦何军，程志航，曾友兵飞艇气动外形的工程优化设计方法C.沈阳：第六届中国航空学会青年科技论坛，2 0 14：10 9-113.5张超，席懿.重载飞艇低阻囊体外形优化J.科学技术创新，2016(15):49.IEEE.2009.作者简介陈一镖（19 9 2-），男（汉族），浙江省温州人，博士研究生，讲师，硕士研究生导师，主要研究领域为电能质量扰动检测技术。倪陈义（19 9 6-），男（汉族），浙江省温州人，硕士研究生，主要研究领域为电能质量扰动检测技术。陈浩（19 9 8-），男（汉族），浙江省温州人，硕士研究生，主要研究领域为群体智能优化算法。李彬彬（19 8 9-），男（汉族），浙江省温州人，工程师，主要研究领域为光伏逆变器控制、有源滤波器产品控制算法实现。6刘惟信.机械最优化设计M.北京.清华大学出版社.19 9 4.9.7Nelder J A,Mead R.A simplex method for function minimizationJ.Computer J.1965,(7):308-313.8马昌凤.最优化方法及Matlab程序设计M北京.科学出版社.2 0 10.9杨晋.无约束优化问题的再改进单纯形法J.太原重型机械学院学报.19 9 0(11):2 6-31.10李庆高.非线性约束极值问题的改进单纯形法J.经济数学.1990:58-62.11杨燕初，王生，顾逸东，李英堂，苗景刚.临近空间飞艇外形优化设计与仿真J.中国空间科学技术,2 0 11（5）：7 6-8 3.12Khoury G A,Gillett J D.Airship Technology M.Cambridge U-niversity Press,1999.13安伟刚，李为吉，王海峰.某型飞艇外形多目标优化设计及其决策J.西北工业大学学报，2 0 0 7,2 5（6）：7 8 9-7 9 3.作者简介曹胜鸿（19 9 8-），男（汉族），河北省三河市人，硕士研究生，主要研究领域为飞行器结构设计，CAD/CAE。杨燕初（19 8 1-），男（汉族），河南省郑州市人，研究员，博士研究生导师，主要研究领域为浮空飞行器总体与结构。张天晓（19 9 7-），男（汉族），河北省石家庄市人，硕士研究生，主要研究领域为飞行器结构设计，浮空器装备设计与制造。张航悦（19 9 4-），男（汉族），四川南充人，博士研究生，主要研究领域为飞行动力学仿真。