融合GWO算法与BP神经网络的小电流接地选线装置研究.pdfVIP

行业应用与交流《自动化技术与应用》2025年第44卷第5期

IndustrialApplicationsandCommunications

DOI:10.20033/j.1003-7241.(2025)05-0155-05.

融合GWO算法与BP神经网络的小电流接地选线装置研究

周宣

(安徽中烟工业有限责任公司滁州卷烟厂，安徽滁州239000)

摘要：为降低配电网络的布线成本以及平均电阻，研究首先利用灰狼优化算法解决小电流接地选线问题，并通过反向传播神经网络

解决传统灰狼优化算法容易陷人局部最优解的缺陷，采用分层自适应学习速率来加速算法的收敛速率，设计一种新的融合灰

狼优化算法与反向传播神经网络的小电流接地选线模型。实验结果表明，研究提出的算法在多种同类算法中展现出了最快

的收敛速度，当运行时间达到0.265s时，其F1值开始趋于收敛，并最终稳定在97.52%的高水平。研究所提出的接地选线模

型具有准确率高、成本控制好、电阻减小程度大等优点，配电网络提供了一种高效、准确的选线策略。

关键词：GWO算法BP神经网络；接地选线装置

中图分类号：TP183文献标识码：A文章编号：1003-7241(2025)05-0155-05

ResearchonSmallCurrentGroundingLineSelectionDevice

CombiningGWOAlgorithmandBPNeuralNetwork

ZHoUXuan

(ChuzhouCigaretteFactoryofTobaccoAnhuiIndustrialCo.,Ltd.,Chuzhou239000China)

Abstract:Inordertoreducethewiringcostandaverageresistanceofthedistributionnetwork,thestudyfirstusesthegreywolfoptimiza-

tionalgorithmtosolvetheproblemofsmallcurrentgroundinglineselection,andsolvestheproblemoftraditionalgreywolfopti-

mizationalgorithmseasilyfallingintolocaloptimathroughbackpropagationneuralnetworks.Thealgorithmadoptsahierarchi-

caladaptivelearningratetoacceleratetheconvergencerate.Finally,anewlowcurrentgroundinglineselectionmodelcombining

greywolfoptimizationalgorithmandbackpropagationneuralnetworkisdesigned.Theexperimentalresultsshowthatthepro-

posedalgorithmexhibitsthefastestconvergencespeedamongvarioussimilaralgorithms.Whentherunningtimereaches0.265

seconds,itsF1valuebeginstoconvergeandeventuallystabilize