CN112686404A

CN112686404A - 一种基于配电网故障抢修的协同优化方法

Info

Publication number: CN112686404A
Application number: CN202011602253.8A
Authority: CN
Inventors: 华朝锋; 许影; 陈丹丹
Original assignee: Nanjing Housheng Yuanda Technology Co ltd
Current assignee: Beijing Huaqing Future Energy Technology Research Institute Co ltd; Beijing Huaqing Zhihui Energy Technology Co ltd; Shandong Huake Information Technology Co ltd
Priority date: 2020-12-29
Filing date: 2020-12-29
Publication date: 2021-04-20
Anticipated expiration: 2040-12-29
Also published as: CN112686404B

Abstract

本发明公开了一种基于配电网故障抢修的协同优化方法，包括，采集配电网故障的抢修资源数据进行特征提取，分别获得训练样本数据、测试样本数据和对应故障抢修类别数据；利用所述训练样本数据与分类平面距离构建基于加权最小二乘支持向量机的训练模型；对所述训练模型进行训练，利用滤波因子控制弱分类器生成识别错误率，直至无法找到满足条件的弱分类器时停止训练，输出故障抢修识别模型；将所述测试样本数据导入所述故障抢修识别模型内，若正确识别实际故障抢修类型，则完成优化；利用优化后的所述故障抢修识别模型识别配电网故障抢修资源数据并输出优化识别结果。本发明方法提高了故障抢修分类准确率和可靠性。

Description

一种基于配电网故障抢修的协同优化方法

技术领域

本发明涉及配电网故障抢修资源、加权优化的技术领域，尤其涉及一种基于配电网故障抢修的协同优化方法。

背景技术

自然灾害会对电力***造成破坏，台风带来的10级以上飓风及其吹起的其它异物，会引起倒杆、断线、永久性短路、变压器受碰撞损毁等严重故障；洪水会令电力杆塔基础松动，诱发倒杆事故，并引发变电站进水、停运等严重事故；冰雪灾害会使导线、杆塔覆冰，使电力杆塔因自重垮塌，并通过电线牵连附近的变电设备，致其损坏；地震等地质灾害会摧毁包括杆塔、变电所在内的各种电力建筑，甚至完全摧毁灾区的供电网络。

在制定灾害条件下的配电网故障抢修策略时，应注意两点：一、灾害条件下，故障数量庞大，导致优化问题的规模较大；二、灾害条件下的抢修，容易出现突发状况，导致优化问题中，故障、外界环境等初始参数更新频繁，这要求优化算法进行频繁的反复运算，以及时更新抢修策略。

与现代智能优化算法相比，传统优化算法历史悠久，且具有严谨的理论基础，只要问题适用该类算法，就能保证求出最优解，但其只适用于可行解空间连续的优化问题，当涉及的优化问题为组合优化问题，即对数字的排列组合进行优化，对该类问题，传统优化算法几乎无能为力。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于配电网故障抢修的协同优化方法，能够解决现有针对配网故障抢修优化算法无法对数字排列组合进行优化的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，采集配电网故障的抢修资源数据进行特征提取，分别获得训练样本数据、测试样本数据和对应故障抢修类别数据；利用所述训练样本数据与分类平面距离构建基于加权最小二乘支持向量机的训练模型；对所述训练模型进行训练，利用滤波因子控制弱分类器生成识别错误率，直至无法找到满足条件的弱分类器时停止训练，输出故障抢修识别模型；将所述测试样本数据导入所述故障抢修识别模型内，若正确识别实际故障抢修类型，则完成优化；利用优化后的所述故障抢修识别模型识别配电网故障抢修资源数据并输出优化识别结果。

作为本发明所述的基于配电网故障抢修的协同优化方法的一种优选方案，其中：所述特征提取包括，定义配电网故障固体粒子的初始状态为i，能量为E_i，温度为T_i，对所述初始状态做一随机扰动，得到新状态j，其对应能量状态为E_j；若E_j<E_i，则所述新状态为重要状态，并予以接受，否则，依照固体处于所述新状态的几率，判断是否接受所述新状态；所述固体处于状态i和j的概率比值公式为

其中,E_i、E_j分别为第i、j种状态时分子所具有的能量，T为开氏温度，k_b为玻尔兹曼常数。

作为本发明所述的基于配电网故障抢修的协同优化方法的一种优选方案，其中：所述加权最小二乘支持向量机利用划分的三种类型对相同的所述训练样本数据得到不同的分类结果，包括，

其中，v_i：样本的权重，c₁、c₂：参数，d_i：第i个样本与分类平面之间的距离。

作为本发明所述的基于配电网故障抢修的协同优化方法的一种优选方案，其中：所述训练模型基于所述训练样本数据与所述分类平面距离将所述训练样本数据划分为所述三种类型，包括，A型数据、B型数据和C型数据；所述A型数据包括，被赋予较大的权重和距离较小的样本数据；所述B型数据包括，被赋予中等大小权重和距离中等的所述样本数据；所述C型数据包括，被赋予最小权重和距离最大的所述样本数据。

作为本发明所述的基于配电网故障抢修的协同优化方法的一种优选方案，其中：所述滤波因子包括，将当前所述弱分类器生成的所述识别错误率与第一个弱分类器的所述识别错误率的比值定义为所述滤波因子；当第二次分类时，同时满足所述识别错误率小于0.5且小于所述第一个弱分类器与所述滤波因子乘积条件，则生成新的所述弱分类器；重复生成所述弱分类器的分类步骤，直至无法找到所述满足条件的所述弱分类器，停止分类；所述弱分类器在分类时对所述训练样本数据分别生成分类意见；整合所有生成的所述弱分类器的所述分类意见，分别标记为相同分类意见和不同分类意见。

作为本发明所述的基于配电网故障抢修的协同优化方法的一种优选方案，其中：训练所述训练模型包括，对所述训练模型分别输入带标签的训练样本{(x₁,y₁),…,(x_N,y_N)}、加权LSSVM中的惩罚因子C、核宽参数初始值σ_ini、搜索步长σ_step、最小值σ_min、滤波因子k和权重模型参数c₁、c₂；初始化输入的数值，训练样本初始权重

加权LSSVM初始权重

所述训练模型进行迭代处理，迭代次数t＝1、2、…、T；迭代完成，输出所述故障抢修识别模型，

其中，x_i：所述训练样本数据，y_i：训练样本标签，h_t：所述弱分类器，α_t：权重。

作为本发明所述的基于配电网故障抢修的协同优化方法的一种优选方案，其中：所述迭代处理包括，利用加权LSSVM在当前样本权重分布下对所述训练样本数据进行分类，得到所述弱分类器；所述训练模型计算所述弱分类器的所述识别错误率，

其中，ε_t：所述识别错误率，ω_i ^t：当前样本权重分布。

作为本发明所述的基于配电网故障抢修的协同优化方法的一种优选方案，其中：若正确识别实际故障抢修类型，则完成优化，形成的目标函数包括，

其中，t_i是从开始执行抢修计划起第i号故障恢复供电的时间，数学优化以最小化该函数值为目标，ω_i表示第i号负荷节点的重要程度系数，根据其负荷等级直接确定，P_i表示第i号负荷节点消耗有功功率的平均值，配电网的***功能函数F(t)随时间的变化来表示韧性。

作为本发明所述的基于配电网故障抢修的协同优化方法的一种优选方案，其中：输出所述抢修优化识别结果包括，

R_real(t)＝R*inc(t)

其中，R是路程时间矩阵，inc(t)是路程增加系数，R为固定值，而inc(t)为动态参数，以小时为单位变化，其为正实数。

本发明的有益效果：本发明方法通过采用距离权重更新模型，根据样本与分类平面之间的距离对样本权重进行三种类型的划分和更新，利用过滤因子对弱分类器的生成进行控制，使得既有少量分类差异又有大量分类共识的一系列弱分类器生成，本发明方法增强了鲁棒性，提高了故障抢修分类准确率和可靠性，针对配网故障抢修资源优化算法，增加了其广泛适用性和实用性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例所述的基于配电网故障抢修的协同优化方法的流程示意图；

图2为本发明一个实施例所述的基于配电网故障抢修的协同优化方法的训练样本数据与平面分类距离示意图；

图3为本发明一个实施例所述的基于配电网故障抢修的协同优化方法的电网结构与故障分布示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1和图2，为本发明的第一个实施例，提供了一种基于配电网故障抢修的协同优化方法，包括：

S1：采集配电网故障的抢修资源数据进行特征提取，分别获得训练样本数据、测试样本数据和对应故障抢修类别数据。其中需要说明的是，特征提取包括：

定义配电网故障固体粒子的初始状态为i，能量为E_i，温度为T_i，对初始状态做一随机扰动，得到新状态j，其对应能量状态为E_j；

若E_j<E_i，则新状态为重要状态，并予以接受，否则，依照固体处于新状态的几率，判断是否接受新状态；

固体处于状态i和j的概率比值公式为

S2：利用训练样本数据与分类平面距离构建基于加权最小二乘支持向量机的训练模型。本步骤需要说明的是，训练模型基于训练样本数据与分类平面距离将训练样本数据划分为三种类型，包括：

A型数据、B型数据和C型数据；

A型数据包括，被赋予较大的权重和距离较小的样本数据；

B型数据包括，被赋予中等大小权重和距离中等的样本数据；

C型数据包括，被赋予最小权重和距离最大的样本数据；

加权最小二乘支持向量机利用划分的三种类型对相同的训练样本数据得到不同的分类结果，包括，

S3：对训练模型进行训练，利用滤波因子控制弱分类器生成识别错误率，直至无法找到满足条件的弱分类器时停止训练，输出故障抢修识别模型。训练模型包括：

对训练模型分别输入带标签的训练样本{(x₁,y₁),…,(x_N,y_N)}、加权LSSVM中的惩罚因子C、核宽参数初始值σ_ini、搜索步长σ_step、最小值σ_min、滤波因子k和权重模型参数c₁、c₂；

初始化输入的数值，训练样本初始权重

加权LSSVM初始权重

训练模型进行迭代处理，迭代次数t＝1、2、…、T；

迭代完成，输出故障抢修识别模型，

其中，x_i：训练样本数据，y_i：训练样本标签，h_t：弱分类器，α_t：权重。

进一步的，滤波因子包括：

将当前弱分类器生成的识别错误率与第一个弱分类器的识别错误率的比值定义为滤波因子；

当第二次分类时，同时满足识别错误率小于0.5且小于第一个弱分类器与滤波因子乘积条件，则生成新的弱分类器；

重复生成弱分类器的分类步骤，直至无法找到满足条件的弱分类器，停止分类；

弱分类器在分类时对训练样本数据分别生成分类意见；

整合所有生成的弱分类器的分类意见，分别标记为相同分类意见和不同分类意见。

具体的，迭代处理包括：

利用加权LSSVM在当前样本权重分布下对训练样本数据进行分类，得到弱分类器；

训练模型计算弱分类器的识别错误率，

其中，ε_t：识别错误率，ω_i ^t：当前样本权重分布。

S4：将测试样本数据导入故障抢修识别模型内，若正确识别实际故障抢修类型，则完成优化。其中还需说明的是，若正确识别实际故障抢修类型，则完成优化，形成的目标函数包括：

S5：利用优化后的故障抢修识别模型识别配电网故障抢修资源数据并输出优化识别结果。本步骤还需要说明的是，输出抢修优化识别结果包括：

R_real(t)＝R*inc(t)

参照图2，本发明方法充分利用了样本与分类平面之间的距离信息，其中，圆点和方块分别代表两类不同的数据，分类问题中产生的分类平面划分两类不同的数据，样本到分类平面的垂直距离定义为样本到分类平面的距离，样本到分类平面的距离越大，则认为该样本被正确区分的难度越大，需要的权重越大，而本发明方法对弱分类器之间关联性明确提出了过滤因子的限制条件，在增加AdaBoost算法中弱分类器的多样性的同时控制弱分类器之间的差异性，具有更高的识别分类准确率和较强的鲁棒性。

优选的，本发明方法通过采用距离权重更新模型，根据样本与分类平面之间的距离对样本权重进行三种类型的划分和更新，利用过滤因子对弱分类器的生成进行控制，使得既有少量分类差异又有大量分类共识的一系列弱分类器生成，本发明方法增强了鲁棒性，提高了故障抢修分类准确率和可靠性，针对配网故障抢修资源优化算法，增加了其广泛适用性和实用性。

实施例2

为了更好地对本发明方法中的技术效果加以验证说明，本实施例选择以传统的模拟退火算法、遗传算法、蚁群算法与本发明方法进行对比测试，以科学论证的手段对比实验结果，验证本发明方法所具有的真实效果。

参照图3,发生于负荷节点之间的故障为线路故障，发生在负荷节点上的故障为负荷节点自身的故障，不影响线路运行，其包含1个源节点、32个负荷节点、10处故障、5支抢修队伍，5支抢修队伍中，包括线路抢修班2个、电缆抢修班1个、大型工程车辆2个；定义队伍的出发点只有一个，设定各处故障的效能折损系数k＝0.64，抢修队伍允许抢修的最低效能系数a_min＝0.3。

利用SAA、GA、COA及本发明方法分别求解该故障问题，并对各自的求解结果进行比较，参与比较的四种算法的参数如下：

(1)模拟退火算法(SAA)：初始温度t₀＝10³⁰，最终温度t_min＝10^-30，L_k＝1，α＝0.9(迭代计算1312次)；

(2)遗传算法(GA)：种群数量20，基因交叉概率70％，基因变异概率10％，迭代计算300次；

(3)蚁群算法(COA)：蚁群个体数量20，信息素下降系数0.9975，上升系数1.0025，迭代计算500次；

(4)本发明方法(距离加权LSSVM)：过滤因子＝外界环境动态影响因素距离加权值，采用小波包变换对所有故障抢修数据进行6层分解，提取第6层前16维小波包系数(记为E₆ ⁱ)。

四种算法的基本原理都是随机搜索，因此当迭代次数不是无穷多时，其最终的优化结果会有波动，为了能体现出各自的实际性能，采用进行多次独立重复试验后，利用统计方法分析数据的研究思路，利用四种算法各进行500次独立重复的优化计算，比较的指标包括程序平均运行时间、最终优化目标函数均值、寻优率、1/10000优化解率、5/10000优化解率5项，其中，寻优率指算法搜索到优化问题实际最优解的概率，表征算法搜索最优解的能力；1/10000(5/10000)优化解率表明算法求出该优化问题前1/10000(5/10000)最优解的概率，该值越高，算法的稳定性越强。

表1：500次独立重复试验结果数据比较表。

参照表1，相较于三种传统算法，本发明方法在运行速度、稳定性、寻优能力上都有优势，这验证了距离加权弱分类器算法优势的分析与推测，也证明了与其它常见的基于群体的智能算法相比，本发明方法更适用于解决灾害条件下的配电网故障抢修策略优化问题。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。