CN106940525B - 基于免疫应答机制的配电网优化与风险控制系统和方法 - Google Patents

Abstract

本发明提供一种基于免疫应答机制的配电网优化与风险控制系统和方法，模拟了人体细胞的免疫应答机制，在配电网中建立了具有识别、记忆、匹配、学习、维护等功能的优化和风险控制系统，该系统能够将配电网运行经验和控制策略以有效知识的形式储存，当辨识出系统处于非优状态或风险状态需要进行控制时，可将目标状态和样本库中的样本进行快速比对，若样本库中存在与目标状态相同或相似的样本，借鉴样本的控制策略快速生成目标状态的控制策略；系统模拟了人体内免疫细胞抵御外侵抗原的过程，为配电网建立了人工免疫力。

Description

基于免疫应答机制的配电网优化与风险控制系统和方法

技术领域

本发明涉及电力系统运行分析技术领域，具体涉及一种基于免疫应答机制的配电网优化与风险控制系统和方法。

背景技术

智能配电网是电网的重要组成部分，随着近年来用户对电能质量的要求日益提高，配电网整体性能的提高己经成为电力行业可持续和健康发展的重要内容。配电自动化、通信等技术的快速发展，为配电网的智能运行提供了强大的技术支撑，配电网将向着更加自动化、信息化和智能化的方向发展。但是目前配电网多处于事后处理的状态，即重视故障发生后的快速诊断和隔离，较为忽视对运行状态的优化以及对运行风险的预防控制。而恰恰这些非优或风险状态导致了一部分故障的发生，因此对这些状态进行及时可靠的控制将大大提高配电网的免疫力，提高安全运行水平。

近年来人工免疫系统以其较强的自适应性、多样性、学习、识别和记忆等特点，引起了国内外研究人员的广泛兴趣。其免疫机理所包含的丰富思想为工程问题的解决提供了新的契机，应用领域也逐渐扩展到模式识别、智能优化、数据挖掘、机器人学、自动控制和故障诊断等诸多领域。配电网作为一个复杂的系统，同样需要一个类似人体免疫的系统完善其抵御风险的功能。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于免疫应答机制的配电网优化与风险控制系统和方法，基于人体免疫系统中免疫应答机制提出配电网优化和风险控制方法和系统，并构建相应模块，模拟细胞的识别、分化和效应过程，通过知识库匹配、学习、维护等功能形成配电网的免疫力，为配电网快速优化和风险控制提供控制策略。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种基于免疫应答机制的配电网优化与风险控制系统，所述系统包括识别模块、分化模块和效应模块；所述识别模块将配电网的非优状态或风险状态传递给分化模块，所述分化模块根据配电网的非优状态或风险状态生成针对非优状态或风险状态的控制策略，并将生成的控制策略传递给效应模块，所述效应模块下发控制指令给控制策略中的相关设备，并监测控制策略实施后的效果。

所述识别模块包括数据采集模块和评估模块；

所述数据采集模块从不同的数据平台上采集配电网运行数据，并完成配电网运行特性的提取，同时将配电网运行数据和配电网运行特性传递给评估模块；

所述评估模块根据配电网的运行数据和运行特性对配电网进行运行状态和风险评估，若评估结果表明配电网现处于非优状态或风险状态，则将评估结果传递给分化模块。

所述分化模块包括样本匹配模块和控制策略生成模块；

所述样本匹配模块将接收到的运行变量和评估结果与样本库内已有样本进行比对，分析样本库内是否存在相同或相似样本，然后将分析结果和配电网运行特性传递给控制策略生成模块；

所述控制策略生成模块根据分析结果和配电网运行特性，生成相应的控制策略，并对控制策略进行可行性校验后传递给效应模块。

所述效应模块包括实施模块和样本库维护模块；

所述实施模块接收到生成模块传递的控制策略后，把相应的控制指令下发给相关设备，完成控制策略的实施；

所述样本库维护模块记录控制策略的实施过程，并将实施过程中的样本添加到样本库中，若样本库中样本数量超过样本库容量，则对样本库进行更新和维护。

所述相关设备包括有载调压变压器、无功补偿设备和连络开关。

采用基于免疫应答机制的配电网优化与风险控制系统完成基于免疫应答机制的配电网优化与风险控制方法，所述方法包括以下步骤：

步骤1：识别模块中的评估模块对配电网进行运行状态和风险评估，针对得到的评估结果，将配电网现处于的非优状态或风险状态视为目标状态，采用分层检索方式在样本库中搜寻样本库中是否存在与目标状态相同或相似的样本，得到分析结果；

步骤2：根据分析结果、配电网运行特性以及目标状态类型，生成相应的控制策略；

步骤3：进行控制策略的实施，并对样本库进行更新和维护。

所述步骤1中，样本库中的样本按照六元组形式存储，该六元组形式表示为：

K＝[T,B,S_pre,C_pre,C_post,S_post]

其中，K为样本库中的样本，T为目标状态类型，B为目标状态的调控变量，S_pre为控制策略实施前表征目标状态的特征变量，C_pre为控制策略实施前表征目标状态的调控变量，C_post为控制策略，S_post为控制策略实施后表征目标状态的特征变量。

所述步骤1包括以下步骤：

步骤1-1：进行目标状态的匹配，在样本库中搜寻存在与目标状态相同或相似的样本，形成第一层分类结果，获取样本的六元组形式中的T，B，C_pre和S_pre；

步骤1-2：采用灰色关联分析法进行特征变量的匹配，得到分类结果，特征变量经过匹配后的矩阵S表示为：

其中，S'₀为目标状态特征变量向量，且S'₀＝S_pre；n为样本库中样本数量，S'₁...S'_n为样本库内各个样本特征变量向量，m为特征变量数量，s'₀(m)为目标状态第m维特征变量，s'_n(m)为样本库中第n个样本的第m维特征变量；

对特征变量经过匹配后的矩阵S中第k行、第j+1列元素s'_j(k)进行归一化处理，有：

其中，j＝0,1,…n，k＝1,2,…m；s_j(k)为s'_j(k)经过归一化后样本库中第j个样本的第k维特征变量，s'_max(k)为第k个特征变量最大值，s'_min(k)为第k个特征变量最小值；

则目标状态与样本库中样本之间的关联度γ(S₀,S_j)表示为：

其中，S₀为S'₀经过归一化后的目标状态特征变量向量，S_j为S'_j经过归一化后样本库中样本特征变量向量，w_k为第k个特征变量的权重，s₀(k)为s'₀(k)经过归一化后的目标状态第k维特征变量，s_j(k)为s'_j(k)经过归一化后样本库中第j个样本第k维特征变量；γ(s₀(k),s_j(k))为s₀(k)和s_j(k)之间的关联度，其表示为：

其中，

为两极最小差，

为两极最大差；ρ为分辨系数，其取值在0和1之间；

若存在

表明样本库中不存在与目标状态相同或相似的样本；

若存在

表明样本库中存在与目标状态相同或相似的样本；

其中，γ₀为目标状态与样本库中样本之间的关联度阈值。

所述步骤2包括以下步骤：

步骤2-1：分析目标状态类型：

目标状态类型包括具体设备类目标状态和综合运行协调类目标状态；

步骤2-2：针对具体设备类目标状态，通过人机交互校验的方式，并根据分析结果以及配电网运行特性生成相应的控制策略；

步骤2-3：针对综合运行协调类目标状态，采用最优潮流优化模型，并根据分析结果以及配电网运行特性生成相应的控制策略。

所述步骤2-3中，最优潮流优化模型包括目标函数和约束条件，目标函数表示为：

min f(u,C)

其中，u为状态变量，C为控制变量，f(u,C)为优化目标；

约束条件表示为：

st:h(u,C)＝0

g(u,C)≤0

其中，h(u,C)为平衡约束函数，g(u,C)为不平衡约束函数，h(u,C)＝0为平衡约束条件，g(u,C)≤0为不平衡约束条件；

采用粒子群优化算法求解最优潮流优化模型时，需要对粒子进行初始化，有：

C_f＝{c_f1,c_f2,…c_fD}

其中，C_f为第f维粒子向量，f＝1,2,…l，l为粒子维数，D为控制变量维数，c_fD为第f维粒子对应的第D维控制变量；

当样本库中存在与目标状态相同或相似的样本时，存在以下两种情况：

1)样本库中样本数量大于等于粒子维数，则将目标状态与样本库中样本之间的关联度γ(S₀,S_j)从大到小排序，形成前l维样本对应的控制策略集合C_{post_l}，并采用样本对应的控制策略对粒子初始化，此时有：

(C_f＝C_post,f)&(C_post,f∈C_{post_l})

其中，C_post,f为C_{post_l}中第f维控制策略；

2)样本库中样本数量小于粒子维数，则采用样本对应的控制策略对粒子初始化后，对剩余粒子进行基本初始化。

所述步骤3中，分析样本库中样本数量是否超过样本库容量，若样本库中样本数量未超过样本库容量，则样本库更新维护完毕；若样本库中样本数量超过样本库容量，则对样本库中样本进行筛选，具体有：

考虑到S_pre中包含表征目标状态严重程度的评估指标s(1)，首先按照s(1)升序的顺序将样本库中所有样本排序，然后定义特征变量距离，设d_j为样本库中第j个样本的特征变量距离，分为以下两种情况：

1)j＝2,…,n-1时，有：

其中s″_j-1(k)为按照s(1)升序的顺序将样本库中所有样本排序后第j-1个样本的第k维特征变量，s″_j+1(k)按照s(1)升序的顺序将样本库中所有样本排序后第j+1个样本的第k维特征变量，

2)j＝1或j＝n时，样本库中样本处于按照s(1)升序的顺序将样本库中所有样本排序后的边界，此时有：

d_j＝∞

当样本库各个样本的特征变量距离确定后，需删除样本库中特征变量距离最小的样本，至此完成样本库更新维护。

与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：

本发明模拟了人体细胞的免疫应答机制，在配电网中建立了具有识别、记忆、匹配、学习、维护等功能的优化和风险控制系统，该系统能够将配电网运行经验和控制策略以有效知识的形式储存，当辨识出系统处于非优状态或风险状态需要进行控制时，可将目标状态和样本库中的样本进行快速比对，若样本库中存在与目标状态相同或相似的样本，借鉴样本的控制策略快速生成目标状态的控制策略；系统模拟了人体内免疫细胞抵御外侵抗原的过程，为配电网建立了人工免疫力。

附图说明

图1是本发明实施例中基于免疫应答机制的配电网优化与风险控制系统结构图；

图2是本发明实施例中基于免疫应答机制的配电网优化与风险控制方法流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明提供一种基于免疫应答机制的配电网优化与风险控制系统，如图1，所述系统包括识别模块、分化模块和效应模块；所述识别模块将配电网的非优状态或风险状态传递给分化模块，所述分化模块根据配电网的非优状态或风险状态生成针对非优状态或风险状态的控制策略，并将生成的控制策略传递给效应模块，所述效应模块下发控制指令给控制策略中的相关设备，并监测控制策略实施后的效果。

所述识别模块包括数据采集模块和评估模块；

所述数据采集模块从不同的数据平台上采集配电网运行数据，并完成配电网运行特性的提取，同时将配电网运行数据和配电网运行特性传递给评估模块；

所述评估模块根据配电网的运行数据和运行特性对配电网进行运行状态和风险评估，若评估结果表明配电网现处于非优状态或风险状态，则将评估结果传递给分化模块。

所述分化模块包括样本匹配模块和控制策略生成模块；

所述样本匹配模块将接收到的运行变量和评估结果与样本库内已有样本进行比对，分析样本库内是否存在相同或相似样本，然后将分析结果和配电网运行特性传递给控制策略生成模块；

所述控制策略生成模块根据分析结果和配电网运行特性，生成相应的控制策略，并对控制策略进行可行性校验后传递给效应模块。

所述效应模块包括实施模块和样本库维护模块；

所述实施模块接收到生成模块传递的控制策略后，把相应的控制指令下发给相关设备，完成控制策略的实施；

所述样本库维护模块记录控制策略的实施过程，并将实施过程中的样本添加到样本库中，若样本库中样本数量超过样本库容量，则对样本库进行更新和维护。

所述相关设备包括有载调压变压器、无功补偿设备和连络开关。

如图2，采用基于免疫应答机制的配电网优化与风险控制系统完成基于免疫应答机制的配电网优化与风险控制方法，所述方法包括以下步骤：

步骤1：识别模块中的评估模块对配电网进行运行状态和风险评估，针对得到的评估结果，将配电网现处于的非优状态或风险状态视为目标状态，采用分层检索方式在样本库中搜寻样本库中是否存在与目标状态相同或相似的样本，得到分析结果；

步骤2：根据分析结果、配电网运行特性以及目标状态类型，生成相应的控制策略；

步骤3：进行控制策略的实施，并对样本库进行更新和维护。

所述步骤1中，样本库中的样本按照六元组形式存储，该六元组形式表示为：

K＝[T,B,S_pre,C_pre,C_post,S_post]

其中，K为样本库中的样本，T为目标状态类型，B为目标状态的调控变量，S_pre为控制策略实施前表征目标状态的特征变量，C_pre为控制策略实施前表征目标状态的调控变量，C_post为控制策略，S_post为控制策略实施后表征目标状态的特征变量。

所述步骤1包括以下步骤：

步骤1-1：进行目标状态的匹配，在样本库中搜寻存在与目标状态相同或相似的样本，形成第一层分类结果，获取样本的六元组形式中的T，B，C_pre和S_pre；

步骤1-2：采用灰色关联分析法进行特征变量的匹配，得到分类结果，特征变量经过匹配后的矩阵S表示为：

其中，S'₀为目标状态特征变量向量，且S'₀＝S_pre；n为样本库中样本数量，S'₁...S'_n为样本库内各个样本特征变量向量，m为特征变量数量，s'₀(m)为目标状态第m维特征变量，s'_n(m)为样本库中第n个样本的第m维特征变量；

对特征变量经过匹配后的矩阵S中第k行、第j+1列元素s'_j(k)进行归一化处理，有：

其中，j＝0,1,...n，k＝1,2,...m；s_j(k)为s'_j(k)经过归一化后样本库中第j个样本的第k维特征变量，s'_max(k)为第k个特征变量最大值，s'_min(k)为第k个特征变量最小值；

则目标状态与样本库中样本之间的关联度γ(S₀,S_j)表示为：

其中，S₀为S'₀经过归一化后的目标状态特征变量向量，S_j为S'_j经过归一化后样本库中样本特征变量向量，w_k为第k个特征变量的权重，s₀(k)为s'₀(k)经过归一化后的目标状态第k维特征变量，s_j(k)为s'_j(k)经过归一化后样本库中第j个样本第k维特征变量；γ(s₀(k),s_j(k))为s₀(k)和s_j(k)之间的关联度，其表示为：

其中，

为两极最小差，

为两极最大差；ρ为分辨系数，其取值在0和1之间；

若存在

表明样本库中不存在与目标状态相同或相似的样本；

若存在

表明样本库中存在与目标状态相同或相似的样本；

其中，γ₀为目标状态与样本库中样本之间的关联度阈值。

所述步骤2包括以下步骤：

步骤2-1：分析目标状态类型：

目标状态类型包括具体设备类目标状态和综合运行协调类目标状态；

步骤2-2：针对具体设备类目标状态，通过人机交互校验的方式，并根据分析结果以及配电网运行特性生成相应的控制策略；

步骤2-3：针对综合运行协调类目标状态，采用最优潮流优化模型，并根据分析结果以及配电网运行特性生成相应的控制策略。

所述步骤2-3中，最优潮流优化模型包括目标函数和约束条件，目标函数表示为：

min f(u,C)

其中，u为状态变量，C为控制变量，f(u,C)为优化目标；

约束条件表示为：

st:h(u,C)＝0

g(u,C)≤0

其中，h(u,C)为平衡约束函数，g(u,C)为不平衡约束函数，h(u,C)＝0为平衡约束条件，g(u,C)≤0为不平衡约束条件；

采用粒子群优化算法求解最优潮流优化模型时，需要对粒子进行初始化，有：

C_f＝{c_f1,c_f2,…c_fD}

其中，C_f为第f维粒子向量，f＝1,2,...l，l为粒子维数，D为控制变量维数，c_fD为第f维粒子对应的第D维控制变量；

当样本库中存在与目标状态相同或相似的样本时，存在以下两种情况：

1)样本库中样本数量大于等于粒子维数，则将目标状态与样本库中样本之间的关联度γ(S₀,S_j)从大到小排序，形成前l维样本对应的控制策略集合C_{post_l}，并采用样本对应的控制策略对粒子初始化，此时有：

(C_f＝C_post,f)&(C_post,f∈C_{post_l})

其中，C_post,f为C_{post_l}中第f维控制策略；

2)样本库中样本数量小于粒子维数，则采用样本对应的控制策略对粒子初始化后，对剩余粒子进行基本初始化。

所述步骤3中，分析样本库中样本数量是否超过样本库容量，若样本库中样本数量未超过样本库容量，则样本库更新维护完毕；若样本库中样本数量超过样本库容量，则对样本库中样本进行筛选，具体有：

考虑到S_pre中包含表征目标状态严重程度的评估指标s(1)，首先按照s(1)升序的顺序将样本库中所有样本排序，然后定义特征变量距离，设d_j为样本库中第j个样本的特征变量距离，分为以下两种情况：

1)j＝2,...,n-1时，有：

其中s″_j-1(k)为按照s(1)升序的顺序将样本库中所有样本排序后第j-1个样本的第k维特征变量，s″_j+1(k)按照s(1)升序的顺序将样本库中所有样本排序后第j+1个样本的第k维特征变量，

2)j＝1或j＝n时，样本库中样本处于按照s(1)升序的顺序将样本库中所有样本排序后的边界，此时有：

d_j＝∞

当样本库各个样本的特征变量距离确定后，需删除样本库中特征变量距离最小的样本，至此完成样本库更新维护。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (5)

1.采用基于免疫应答机制的配电网优化与风险控制系统完成基于免疫应答机制的配电网优化与风险控制方法，其特征在于：所述方法包括以下步骤：

步骤1：识别模块中的评估模块对配电网进行运行状态和风险评估，针对得到的评估结果，将配电网现处于的非优状态或风险状态视为目标状态，采用分层检索方式在样本库中搜寻样本库中是否存在与目标状态相同或相似的样本，得到分析结果；

步骤2：根据分析结果、配电网运行特性以及目标状态类型，生成相应的控制策略；

步骤3：进行控制策略的实施，并对样本库进行更新和维护；

所述步骤2包括以下步骤：

步骤2-1：分析目标状态类型：

目标状态类型包括具体设备类目标状态和综合运行协调类目标状态；

步骤2-2：针对具体设备类目标状态，通过人机交互校验的方式，并根据分析结果以及配电网运行特性生成相应的控制策略；

步骤2-3：针对综合运行协调类目标状态，采用最优潮流优化模型，并根据分析结果以及配电网运行特性生成相应的控制策略；

所述基于免疫应答机制的配电网优化与风险控制系统包括识别模块、分化模块和效应模块；所述识别模块将配电网的非优状态或风险状态传递给分化模块，所述分化模块根据配电网的非优状态或风险状态生成针对非优状态或风险状态的控制策略，并将生成的控制策略传递给效应模块，所述效应模块下发控制指令给控制策略中的相关设备，并监测控制策略实施后的效果；

所述识别模块包括数据采集模块和评估模块；

所述数据采集模块从不同的数据平台上采集配电网运行数据，并完成配电网运行特性的提取，同时将配电网运行数据和配电网运行特性传递给评估模块；

所述评估模块根据配电网的运行数据和运行特性对配电网进行运行状态和风险评估，若评估结果表明配电网现处于非优状态或风险状态，则将评估结果传递给分化模块；

所述分化模块包括样本匹配模块和控制策略生成模块；

所述样本匹配模块将接收到的运行变量和评估结果与样本库内已有样本进行比对，分析样本库内是否存在相同或相似样本，然后将分析结果和配电网运行特性传递给控制策略生成模块；

所述控制策略生成模块根据分析结果和配电网运行特性，生成相应的控制策略，并对控制策略进行可行性校验后传递给效应模块；

所述效应模块包括实施模块和样本库维护模块；

所述实施模块接收到控制策略生成模块传递的控制策略后，把相应的控制指令下发给相关设备，完成控制策略的实施；

所述样本库维护模块记录控制策略的实施过程，并将实施过程中的样本添加到样本库中，若样本库中样本数量超过样本库容量，则对样本库进行更新和维护；

所述相关设备包括有载调压变压器、无功补偿设备和连络开关。

2.根据权利要求1所述的基于免疫应答机制的配电网优化与风险控制方法，其特征在于：所述步骤1中，样本库中的样本按照六元组形式存储，该六元组形式表示为：

K＝[T,B,S_pre,C_pre,C_post,S_post]

其中，K为样本库中的样本，T为目标状态类型，B为目标状态的调控变量，S_pre为控制策略实施前表征目标状态的特征变量，C_pre为控制策略实施前表征目标状态的调控变量，C_post为控制策略，S_post为控制策略实施后表征目标状态的特征变量。

3.根据权利要求2所述的基于免疫应答机制的配电网优化与风险控制方法，其特征在于：所述步骤1包括以下步骤：

步骤1-1：进行目标状态的匹配，在样本库中搜寻存在与目标状态相同或相似的样本，形成第一层分类结果，获取样本的六元组形式中的T，B，C_pre和S_pre；

步骤1-2：采用灰色关联分析法进行特征变量的匹配，得到分类结果，特征变量经过匹配后的矩阵S表示为：

其中，S'₀为目标状态特征变量向量，且S'₀＝S_pre；n为样本库中样本数量，S'₁...S'_n为样本库内各个样本特征变量向量，m为特征变量数量，s'₀(m)为目标状态第m维特征变量，s'_n(m)为样本库中第n个样本的第m维特征变量；

对特征变量经过匹配后的矩阵S中第k行、第j+1列元素s'_j(k)进行归一化处理，有：

其中，j＝0,1,...n，k＝1,2,...m；s_j(k)为s'_j(k)经过归一化后样本库中第j个样本的第k维特征变量，s'_max(k)为第k个特征变量最大值，s'_min(k)为第k个特征变量最小值；

则目标状态与样本库中样本之间的关联度γ(S₀,S_j)表示为：

其中，S₀为S'₀经过归一化后的目标状态特征变量向量，S_j为S'_j经过归一化后样本库中样本特征变量向量，w_k为第k个特征变量的权重，s₀(k)为s'₀(k)经过归一化后的目标状态第k维特征变量，s_j(k)为s'_j(k)经过归一化后样本库中第j个样本的第k维特征变量；γ(s₀(k),s_j(k))为s₀(k)和s_j(k)之间的关联度，其表示为：

其中，

为两极最小差，

为两极最大差；ρ为分辨系数，其取值在0和1之间；

若存在

表明样本库中不存在与目标状态相同或相似的样本；

若存在

表明样本库中存在与目标状态相同或相似的样本；

其中，γ₀为目标状态与样本库中样本之间的关联度阈值。

4.根据权利要求1所述的基于免疫应答机制的配电网优化与风险控制方法，其特征在于：所述步骤2-3中，最优潮流优化模型包括目标函数和约束条件，目标函数表示为：

min f(u,C)

其中，u为状态变量，C为控制变量，f(u,C)为优化目标；

约束条件表示为：

st:h(u,C)＝0

g(u,C)≤0

其中，h(u,C)为平衡约束函数，g(u,C)为不平衡约束函数，h(u,C)＝0为平衡约束条件，g(u,C)≤0为不平衡约束条件；

采用粒子群优化算法求解最优潮流优化模型时，需要对粒子进行初始化，有：

C_f＝{c_f1,c_f2,…c_fD}

其中，C_f为第f维粒子向量，f＝1,2,...l，l为粒子维数，D为控制变量维数，c_fD为第f维粒子对应的第D维控制变量；

当样本库中存在与目标状态相同或相似的样本时，存在以下两种情况：

1)样本库中样本数量大于等于粒子维数，则将目标状态与样本库中样本之间的关联度γ(S₀,S_j)从大到小排序，形成前l维样本对应的控制策略集合C_{post_l}，并采用样本对应的控制策略对粒子初始化，此时有：

(C_f＝C_post,f)&(C_post,f∈C_{post_l})

其中，C_post,f为C_{post_l}中第f维控制策略；

2)样本库中样本数量小于粒子维数，则采用样本对应的控制策略对粒子初始化后，对剩余粒子进行基本初始化。

5.根据权利要求1所述的基于免疫应答机制的配电网优化与风险控制方法，其特征在于：所述步骤3中，分析样本库中样本数量是否超过样本库容量，若样本库中样本数量未超过样本库容量，则样本库更新维护完毕；若样本库中样本数量超过样本库容量，则对样本库中样本进行筛选，具体有：

考虑到S_pre中包含表征目标状态严重程度的评估指标s(1)，首先按照s(1)升序的顺序将样本库中所有样本排序，然后定义特征变量距离，设d_j为样本库中第j个样本的特征变量距离，分为以下两种情况：

1)j＝2,...,n-1时，有：

其中s″_j-1(k)为按照s(1)升序的顺序将样本库中所有样本排序后第j-1个样本的第k维特征变量，s″_j+1(k)按照s(1)升序的顺序将样本库中所有样本排序后第j+1个样本的第k维特征变量；

2)j＝1或j＝n时，样本库中样本处于按照s(1)升序的顺序将样本库中所有样本排序后的边界，此时有：

d_j＝∞

当样本库各个样本的特征变量距离确定后，需删除样本库中特征变量距离最小的样本，至此完成样本库更新维护。

Images