CN112132283B

CN112132283B - 一种基于遗传算法的非信号注入式户变拓扑关系识别方法

Info

Publication number: CN112132283B
Application number: CN202011126513.9A
Authority: CN
Inventors: 徐文; 孙大璟; 唐明群; 葛善虎; 高尚源
Original assignee: Jiangsu Denang Electric Power Design Consulting Co ltd; Jiangsu Qihou Intelligent Electrical Equipment Co ltd
Current assignee: Jiangsu Denang Electric Power Design Consulting Co ltd; Jiangsu Qihou Intelligent Electrical Equipment Co ltd
Priority date: 2020-10-20
Filing date: 2020-10-20
Publication date: 2024-04-05
Anticipated expiration: 2040-10-20
Also published as: CN112132283A

Abstract

本发明公开一种基于遗传算法的非信号注入式户变拓扑关系识别方法，包括：依据电气量数据信息，获得经过数据清洗、筛选后的有效数据，返回存贮列表TValidDataSet，根据有效数据，随机产生M×N初始化染色体种群数据矩阵Pop_data；进入循环过程：调用适应度函数；进入遗传算法的选择函数、交叉函数、变异函数调用，得到更新后的NewPopdata，含有Pop_num条较优选择结果的染色体；设置早熟条件，进入遗传算法的重置函数调用；得到最终的NewPopdata，通过映射关系，获得每一个户表对应每一行的判别结果。本发明能利用现有的用采系统数据解决低压台区拓扑识别的问题，即无需安装其它设备系。

Description

一种基于遗传算法的非信号注入式户变拓扑关系识别方法

技术领域

本发明涉及配电网拓扑识别技术领域，具体涉及一种基于遗传算法的非信号注入式户变拓扑关系识别方法。

背景技术

目前低压台区户-变拓扑关系的辨别，传统的主要有以下几种方式：

一、巡线法：对于台区用户供电为架空线方式，传统的巡线法就是以用户表箱的下火线出线为起点，沿着下火线上溯巡线，直至配电变压器的出线端，沿途绘制布线图、记录设备的铭牌参数、编号。此方法的特点是：工作量大，效率低，一旦用户改线或增容后，又得重新巡线。

二、拉闸法：通过对配电变压器低压出线拉闸断电，在用户侧检验是否失电，一旦失电表明该用户即属于该变压器出线供电，若未失电，则表明不属于该变压器出线供电范围，以此类推。此方法的特点是：需要停电，引起用户不满，且依然存在一旦用户改线或增容后，又得重新来过的问题。

三、信号注入法：在配电变压器侧安装发送主机，在用户侧安装接收终端，利用供电线路注入特殊信号(如：脉冲信号、载波信号等)，通过主机发送与终端检测识别的相互配合，来判断出用户的供电属性。此方法的特点是：依然需要现场操作，工作量大，也同样存在一旦用户改线或增容后，又得重新来过的问题。

低压配电台区管辖范围含有大量的一、二次设备，其中一次设备包括：变压器、熔断器、框架或塑壳断路器、JP柜、电容器、线路、换相开关、空开、电缆分接箱和隔离开关等；二次设备涉及到：保护、测控装置、PT/CT、电表、故障指示器、集中器和配变监测装置等。上述设备种类繁多，由不同厂家生产，台区终端之间、以及台区与主站之间的信息交互与通信也成为迫切需要解决的问题。

目前的台区低压配电拓扑的识别是基于侵入式方式实现，需要人工参与，工作繁琐，时间长，且无法做到自动更新与识别，迫切需要能有一种自适应的台区低压配电网拓扑识别方法来解决上述问题。

与此同时，低压台区的用采系统已经在全国范围内得到了广泛的应用，系统采集了配变台区低压侧出线多功能表、辖区户表的电能量数据，包括：电压、电流、有功、无功及电度量等；虽然数据采集的方式、通信模式、管理架构等略有不同，但这些海量数据的日积月累，无疑为大数据智能分析提供了可能。

发明内容

发明目的：本发明目的在于针对现有技术的不足，提供一种基于遗传算法的非信号注入式户变拓扑关系识别方法，以用采系统采集的台区数据为样本，搭建符合低压配电台区性质的台区模型，以基尔霍夫定律为基础，依据低压台区正常状态下的有功功率的关系，运用人工神经网络算法、遗传算法等人工智能优化推理算法，从大量的分析样本中找搜索最优的拓扑连接关系，并通过实际进行验证。

技术方案：本发明所述的基于单边优化算法与遗传算法协作的低压配电网拓扑识别方法，采用如下步骤：(1)依据电气量数据信息，获得经过数据清洗、筛选后的有效数据，返回存贮列表TValidDataSet，每个合格样本均包括配变侧汇总电气量、各配电台区电气量、各用户户表电气量，存贮列表TValidDataSet中m_tzone表示台区数、m_tnum表示合格的用户户表个数、Tvalidcount_num表示合格的数据样本数，根据存贮列表TValidDataSet数据得到配变侧电气量矩阵E_1-t[i][j]和户表级单相电气量矩阵E_φ[i][j]；

(2)根据有效数据，随机产生M×N初始化染色体种群数据矩阵Pop_data，M为构造的染色体初始种群的个数，N为每条染色体的长度,N＝m_tzone*m_tnum，按照m_tnum，Pop_num随机生成Pop_data[]；

(3)进入循环过程：

(4)调用适应度函数，返回配变侧与每条染色体中对应户表之间的接近程度ΔE，将ΔE转换成每条染色体中衡量接近程度高低的Fitness；

(5)进入遗传算法的选择函数、交叉函数、变异函数调用，得到更新后的NewPopdata，含有Pop_num条较优选择结果的染色体；

(6)设置早熟条件，进入遗传算法的重置函数调用，若早熟条件成立，则进入(2)步，否则继续循环过程；

(7)得到最终的NewPopdata，通过映射关系，获得每一个户表对应Best_Pop[m_tnum][m_tzone+3]每一行的判别结果；Best_Pop[m_tnum][m_tzone+3]第0位代表户表号；第1位＝1/2/3/.../m_tzone，分别表示属于第一台区，第二台区，...，第m_tzone台区；第2位表示判别的可信度＝0/1，分别表示不可信/可信；第m_tzone位分别表示族群中属于判断各个台区的个数。

进一步地，所述电气量数据为电压、电流、有功、无功及电度量中任一种，所述数据清洗方法包括剔除全0户表集、剔除弱值户表集、在有效户表集中剔除无效时刻样本空间集。

进一步地，对清洗后的数据进行筛选包括获取台区变压器出线侧的电气量数据有p_{总_变}，获取用户侧电表采样的数据有p_{总_户}，获取配电变压器出线的P_总-变和对应同采样时刻的户表P累加并计算误差ΔP，设置参数ε，当ΔP≤ε，保留这一时刻配变及用户电表采样数据，加入到有效数据样本集中，否则放弃，ε与有效时刻的数量K满足：

ε≤10％,K≥300；

ε≤15％,K≥400；

ε≤20％,K≥600；

ε≤25％,K≥1200；

ε≤35％,K≥2000。

进一步地，所述按照m_tnum，Pop_num随机生成Pop_data[]过程为

(1)初始置染色体种群

(2)i＝0；i++；i≤(M-1)；

(3)j＝0；j++；j≤(N-1)；

(4)取随机整数1≤t_num≤N-1，当t_num在Pop_data[i，j]中第i条基因为唯一，则：Pop_data[i，j]＝[i，t_num]；

(5)返回(3)；

(6)返回(4)；

(7)生产随机的染色体种群；

进一步地，所述适应度函数构造过程如下：

计算各个台区配变P总的变化率ΔE_1-t[i][j]和用户户表P变化率ΔE_φ[i][j]，按照有效基因码m_tnum对Pop_data做处理，超过m_tnum基因码置零，不超过则保留，得到

Pop_data_Z[x][y][z]矩阵：

x＝0，1，2，…，m_tzone；y＝0，1，2，…，Pop_num-1；z＝0，1，2，…，m_tnum-1

初始化：E_1-1-φ＝0；

将Pop_data_Z[x][y][z]中对应的每一行非零t_num作为有效户表，并且将t_num作为E_φ[i][j]的索引行，再将对应索引行对应的列的采样点做累加，得到第一个至第m_tzone台区转换矩阵E_1-1-φ，

得到各台区对应的用户变化率矩阵：

ΔE_1-1-φ[i][j]＝(E_1-1-φ[i][j+1]-E_1-1-φ[i][j])/E_1-1-φ[i][j+1]

i＝0,1,2,…,m_tzone-1；j＝0,1,2,…,TValidcount_num-2；

计算第一个台区配变变化率与对应行户表变化率取绝对值后的累积和值ΔE₁，ΔE₂，…，ΔE_{m_tzone}；

计算配变与每条染色体中对应户表之间的接近程度ΔE＝ΔE₁+ΔE₂+…+ΔE_{m_tzone}；

计算Fit[p]＝ΔE₁[p],p＝1,2,…Pop_num-1，Fit_max＝max(Fit[p])，

Fitness[P]＝Fit_max-Fit[P],P＝1,2,…,Pop_num-1。

进一步地，所述选择函数构造方法包括

Fitness归一化处理：

P_fitness[j]＝Fitness[j]/Sumfit_ness，j＝0，1，…Pop_num-1；

按照P_fitness[j]由大到小的顺序分别对应的5条较大染色体放到排位前五的染色体保存Fit_max5[w]数组；

随机选取ms，ms∈[0,1]值，满足条件：

ms≤max(P_fitness[j]),j＝0,1,2,…,Pop_num-1。

进一步地，所述交叉函数为：选取运算随机数c_rand∈(0，1)和交叉概率因子pc、pc∈(0.8，1)，如果满足c_rand≥pc，则该两组染色体不进行交叉操作，该染色体组保持原基因不变；如果满足c_rand＜pc，则该染色体组进行交叉操作。

进一步地，所述变异函数为：

(1)判别是否需要变异操作：当随机数count_rand≥pm，count_rand∈(0，1)此次变异不操作，当count_rand＜pm，才继续下一步操作；

(2)选取随机整数t₁_rand≤Poplenge-1，且向下取整，当t₁_1＝0表示A相所属基因，当t₁_1＝1表示B相所属基因，当t₁_1＝2表示C相所属基因，将t₁_rand位基因的数值放在变量t_temple_1中；

(3)同上述步骤，取第二个随机数t₂_rand≤Poplenge-1，t₂_rand≠t₁_rand，且向下取整，当t₂_1＝0表示A相所属基因，当t₂_1＝1表示B相所属基因，当t₂_1＝2表示C相所属基因，将t₂_rand位基因的数值放在变量t_temple_2中；

(4)判别过程：

(4.1)如果t_temple_1+t_temple_2＝0，则待交换的基因位属于无效位，不进行变异操作，返回到(3)步继续随机选择；

(4.2)如果t_temple_1+t_temple_2≠0且t₁_1≠t₂_1，则将不同相区域内的待交换的基因位数值进行交换位置，存到对应的数组，并结束这条染色体变异操作。

进一步地，在循环体执行到不超过一半次数时累计值超过预制的重选率，将通过重选机制重新进行遗传算法的计算：将每个台区的Pop_data_Z[][][]基因值由大到小排序；统计出相同基因值的最大条数，记为num。

有益效果：与现有技术相比，本发明的优点在于：基于电气特性的人工智能算法具有一定的普适性，可将该原理和方法推广到输、变、配电领域中，为电网大数据分析和人工智能的深层次应用打下基础，可在电力泛在物联网领域得到广泛应用，带来可观的社会与经济效益。如下所列：

1、能利用现有的用采系统数据解决低压台区拓扑识别的问题，即无需安装其它设备，也不用派人现场去实测与勘查，仅此一点，就为节省了大笔的经费，同时也大大提高了效率，提升了运行管理水平。

2、台区的户-变拓扑关系智能识别算法的成功应用，是人工智能技术在泛在电力物联网领域中的一个重大突破，为台区低压停电、故障报警提供精细化管理手段，能够精确到户，定位到相，为故障检修和排查提供依据。

3、能有效监测台区运行工况，为低压三相不平衡的监测、分析和治理，提供更加可靠的依据和手段。

4、根据户表采集数据，对于用户负荷特性的深层次分析，为负荷动态运行特性的跟踪，提供辅助参考。

5、对于可能存在的异常运行情况，如：偷电行为、负荷突变或长期不运行等，具有提示告警功能。

附图说明

图1是用采系统的结构示意图；

图2是本发明的功能框图；

图3是本发明中方法实现流程图；

图4是本发明中总控函数的流程图；

图5是NewPopData[]的流程图；

图6是具体台区判别流程图；

图7为10次台区判断的统计分析流程图；

图8是染色体组待交叉示意图；

图9是i染色体交叉到i+1染色体的交叉规则示意图；

图10是i+1染色体交叉到i染色体的交叉规则示意图。

具体实施方式

下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

本发明以实际运行的用采系统采集的台区数据为样本，搭建符合低压配电台区性质的台区模型，以基尔霍夫定律为基础，依据低压台区正常状态下的有功功率的关系，运用人工神经网络算法、遗传算法等人工智能优化推理算法，从大量的分析样本中找搜索最优的拓扑连接关系，并通过实际进行验证。

主要的技术路线包括以下两个方式：

1)神经网络

以配电侧输出及用户侧实际使用的有功数据信息，在空间上是已经具备了网络拓扑结构，将用户的时刻点所消耗的实际有功作为神经网络的权值进行存储，利用从初始状态到稳定吸引子的运行过程来实现对信息的联想存取的。算法求解过程以V矩阵状态表示神经元状态，则共有(n×m)×m个神经元，对应(n×m)×m个用户表箱。由于每个用户表箱只能连接在某一个电缆分支箱下，因此V矩阵的每行中，只能出现0或1，其中1表示有连接关系，0表示没有连接关系。

2)遗传算法

遗传算法(genetic algorithm，GA)是一种进化算法，是通过把问题参数编码为染色体，再利用迭代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息，最终生成符合优化目标的染色体。利用GA算法来求解台区拓扑结构的思路：染色体的基因位置对应台区内的所有可接入位置，基因的值为所接入用户表箱的编号，以KCL计算的有功功率变化趋势的差值来构建适应度函数，再经过选择、交叉以及变异操作来迭代寻优。

本发明以用采系统积累的大量数据为基础，采用人工智能的遗传算法(GA)，自动推理出台区低压拓扑连接关系，自动生成户-变拓扑关系，并且是非信号注入式的实现方式。

如图1所示的用采系统，包括：

(1)低压侧：指的是低压用户智能设备，包括：居民用户的户表、漏保、低压电容器、SVG/SVC等自动化设备；采样的信息包括：电压、电流、有功、无功及电度量等；可采用多种通信方式与台区集中器通信，如：LORA\宽带载波\RS485\网络\窄带载波等；采样的时间间隔，根据通信方式及需求的不同，可以做到1点/5分钟、1点/15分钟、1点/60分钟及1点/天不等。

(2)台区侧：指的是台区采集集中器、配变低压出线多功能电表等自动化设备等；采样的信息包括：电压、电流、有功、无功及电度量等；一般采用无线公网的方式与主站通信。

(3)主站侧：指的是用采系统的主站系统，用于采集与管理上传的数据，进行分析与管理。

本发明将在主站系统侧安装一套低压台区拓扑智能分析软件，通过正向物理隔离设备读取用采系统存贮的历史数据，采取人工智能算法进行分析，判断推理出相关台区的户-变、户-相拓扑关系，并按基于IEC 61850标准定义的统一台区信息接入模型，进行图-模展示。功能结构如图2所示。

本发明安装一套低压台区拓扑智能分析软件，通过采集的数据信息，采取人工智能算法进行分析，判断推理出相关台区的户-相拓扑关系，进行图-模一体化展示。

一、基于电气量趋向性自适应调整的数据选取、数据清洗及数据筛选的方法

为提高算法的收敛稳定性及判别精度，需要对采集的现有有功功率的数据进行特殊处理，独特性处理主要体现在以下几个方面。

1、数据选取方法：

在电气量的多维度数据(电流、电压、无功功率，电能量)中，本发明以有功功率为例作为数据样本的研究对象，一方面是该数据的变化率特性较其它数据更适合遗传算法的识别，精度优于其它数据5％～10％。

2、数据清洗方法：

主要采用三种预处理处理方式：

第一，剔除全0户表集：对于采样值为0的样本，表明此用户在同源数据的周期内未用电，将该用户剔除。

第二，剔除弱值户表集：对于采样值超过1/3为0或整周期内数据值相对较小，将该用户剔除。

第三，在有效户表集中剔除无效时刻样本空间集：在多个时刻样本空间中，若存在某个户表的某个时刻无示数，则将对应的所有有效户表对应的该时刻数据全部剔除。

3、数据筛选方法：

具体筛选步骤如下(以电功率P为研究内容)：

(1)台区变压器出线侧的电气量数据有p_{总_变}，一般是1点/15分钟等。

(2)用户侧电表采样的数据有p_{总_户}，用户侧电表一般是单相表，由于不知道具体的采集相，所以一般是只有p_{总_户}等有数据，代表是单相数据。

(3)取配电变压器出线的p_{总_变}，和对应同采样时刻的户表累加

计算误差：Δp＝Abs((P_{总_变}-P_{总_户}/P_{总_变})×100％)，设置参数ε，当Δp≤ε，保留这一时刻配变及用户电表采样数据，加入到有效数据样本集中；否则，则认为是“坏”数据，不纳入有效计算时刻数据。

(4)基于上一步ε，一旦数据起始时间段确定后，ε一旦数值确定后，筛选后的时刻点数据的量随之确定。由于后续的智能推理算法对于参与计算的有效时刻点的数据量是有要求的，所以在这里需要将ε采用自适应的选取模式，即有效时刻点的数据量K需要满足：K的取值与ε有关，主要分以下几个档：

ε≤10％,K≥300；

ε≤15％,K≥400；

ε≤20％,K≥600；

ε≤25％,K≥1200；

ε≤35％,K≥2000；

随着自动调整ε的控制精度，数据量K满足的条件也不一样，一旦满足数据准备条件就可以启动智能识别系统。经过处理的数据样本，消除了数据突变毛刺，对“坏”数据进行剔除处理，有效地消除采样异常点对算法收敛性的影响，处理后的样本数据就可以运用到智能推理计算中。

二、基于电气节点样本映射的随机种群构造方法

m_tzone是台区数，m_tnum表示删选后合格的用户户表个数，Tvalidcount_num表示满足上述要求的数据样本数，返回一张存贮列表存贮TValidDataSet：

分解，可得到配变侧有功矩阵配：

配变有功矩阵：

E_1-t[i][j]＝TValidDataSet[i+1][j]

i＝0，1，2，…，m_tzone；

j＝0，1，2，…，TValidcount_num-1

户表级的单相有功矩阵：

E_φ[i][j]＝TValidDataSet[m][j]

i＝0，1，2，…，m_tnum；

j＝0，1，2，…，TValidcount_num-1；

m＝m_tzone，m_tzone+1，…，m_tzone+m_tnum；

随机产生M×N初始化染色体串结构数据矩阵，每个串结构数据称为一个染色体，M个染色体构成了一个种群：

其中,M为构造的染色体条数，N为每条染色体的长度

1、具体的构造方式为：M为构造的染色体初始种群的个数，一般取值M＝100,N为每条染色体的长度，N＝m_tzone*m_tnum，m_tzone是参与运算的台区数目，m_tnum是总的用户户表数。

唯一性运算过程：

1)初始置染色体种群

2)i＝0；i++；i≤(M-1)//*种群中每条染色体均要循环到

3)j＝0；j++；j≤(N-1)//*每条染色体的每个基因都要置数；

4)取随机整数1≤t_num≤N-1，当t_num在Pop_data[i，j]中第i条基因为唯一(每条染色体非零值不重复)，则：Pop_data[i，j]＝[i，t_num]；

5)返回3)；

6)返回4)；

7)生产随机的染色体种群

每一个户表能够在每条染色体中都能找到唯一对应的归属位置，而且位置开始是随机产生的，最后经过GA算法迭代后，将最终落位对应多台区的某个特定台区划分位置上，该方法巧妙地将户表与台区的关系通过随机数的产生染色体唯一确定。

三、基于电气量趋向性偏差适应度函数的构造方法

染色体的适应度函数构建是编码过程中最重要的一环，适应度表明个体或解的优劣性。不同的问题，适应度函数的定义方式不同。

依据前述编码方式，每条染色体长度为m_tzone*m_tmun，即表示可划分m_tzone个m_tnum长度的台区对应长度，每个m_tnum长度顺位基因表示了m_tnum个户表与该台区的一一对应关系。按照分区内基因位上的用户编号对每个分区的用户求功率，再与采集到的已知各分区总功率求差得到每个分区的功率误差，记为err。因为本研究为寻求err＝0时的染色体，而适应度的值与染色体的优质程度成正比，所以构造适应度函数fitness＝max(err)-err，这样使得适应度函数的值与趋向性偏差的进化方向保持一致。适应度函数的构造过程如下：

1、各个台区配变P总的变化率ΔE_1-t[][]：

为配变侧各台区有功，

其中i＝0，1，2，…，m_tzone-1；j＝0,1,2,...,TValidcount_num-1；

2、用户户表P变化率ΔE_φ[][]:

户表级的有功矩阵：

其中i＝0,1,2,..m_tnum-1；j＝0,1,2,....,TValidcount_num-1；

m＝m_tzone，m_tzone+1，…，m_tzone+m_tnum

1.得到：Pop_data_Z[x][y][z]矩阵：

由于随机产生的种群为：

由于Pop_data的长度是由N＝Poplenge＝m_tzone×m_tnum构成，Pop_data矩阵中可以划分成m_tzone个各自对应m_tzone台区的m_tnum用户的预留位置。现将Pop_data对应按照有效基因码m_tnum做处理，超过m_tnum基因码置零，不超过则保留。

ifb_ij≤m_tnum,c_ij＝b_ij，else c_ij＝0，

i∈[1,Pop_num],j∈[1,TValidcount_num]

2.得到：E_1-1-φ转换矩阵过程如下：

其中i＝0,1,2,..m_tnum-1；j＝0,1,2,....,TValidcount_num-1；

m＝m_tzone，m_tzone+1，…，m_tzone+m_tnum

初始化：E_1-1-φ＝0

将Pop_data_Z[x][y][z]中对应的每一行非零t_num作为有效户表，并且将t_num作为E_φ[]的索引行，再将对应索引行对应的列的采样点做累加。

第一个台区：

第二个台区：

第m_tzone台区：

3.将矩阵的后一项减去前面一项差值再除以后面一项，可以得到各台区对应的用户变化率矩阵(较之前转换矩阵缩了一维)：

ΔE_1-1-φ[i][j]＝(E_1-1-φ[i][j+1]-E_1-1-φ[i][j])/E_1-1-φ[i][j+1]

i＝0,1,2,…,m_tzone-1；j＝0,1,2,…,TValidcount_num-2；

4.计算ΔE₁，ΔE₂，…，ΔE_{m_tzone}：

针对ΔE₁而言，是由Pop_num个数值组成的一维数组，每一个数值分别是第一个台区配变变化率与对应行户表变化率取绝对值后的累积和值，计算公式为：

A是乘法因子，一般A＝1,m∈[0,Pop_num-1],ABS表示取绝对值

针对ΔE₂而言，是由Pop_num个数值组成的一维数组，每一个数值分别是第二个台区配变变化率与对应行户表变化率取绝对值后的累积和值，计算公式为：

A是乘法因子，一般A＝1,m∈[0,Pop_num-1]

………………………

针对ΔE_{m_tzone}而言，是由Pop_num个数值组成的一维数组，每一个数值分别是第m_tzone配变变化率与对应行户表变化率取绝对值后的累积和值，计算公式为：

A是乘法因子，一般A＝1,m∈[0,Pop_num-1]

5.计算ΔE：

ΔE反映了配变与每条染色体中对应户表之间的接近程度，值越小越接近真实值，计算公式如下：

ΔE＝ΔE₁+ΔE₂+…+ΔE_{m_tzone}

6.将ΔE转换成每条染色体中衡量接近程度高低的Fitness：

取Fit[p]＝ΔE[p],p＝1,2,…Pop_num-1

计算Fit_max最大值：Fit_max＝max(Fit[p])

Fitness[P]＝Fit_max-Fit[P],P＝1,2,…,Pop_num-1

Fitness与ΔE转换关系使得后续每条染色体中对应的Fitness值越大，说明对应的染色体组越接近配变的实际真实值。

四、基于“精英”优选机制的选择函数构造方法

根据适应度Fitness的计算结果，对种群中的染色体进行一次“精英”策略筛选。“精英”策略是基于适应度构造概率区间，适应度较大者则有较大概率被多次选中作为下一代种群的成员，淘汰适应度较小的染色体，具体步骤如下：

1归一化处理过程：

Fitness归一化处理过程：

P_fitness[j]＝Fitness[j]/Sumfit_ness，j＝0，1，…Pop_num-1

2排位前五的染色体保存：

按照P_fitness[j]由大到小的顺序分别对应的5条较大染色体放到Fit_max5[w]数组中，w＝0，1，2，3，4，j＝0，1，2，…，Pop_num-1；

3“精英”策略筛选构造方法：

将Pop_data按P_fitness[j],j＝0,1,2,…,Pop_num-1从小到大排序，顺序后对应得到

D_Popdata[m][n]，m＝0，1，2…，Pop_num-1；n＝0，1，2，…，Poplenge-1；

随机选取ms，ms∈[0,1]值，为了满足每一次选取成功有效，所以将随机选取的范围缩小，满足条件：ms≤max(P_fitness[j]),j＝0,1,2,…,Pop_num-1，一共选取Pop_num次。

如果当概率ms在j和j+1染色体之间，选择D_Popdata对应的j+1染色体，即：

P_fitness[j]≤ms≤P_fitness[j+1]，j＝0，1，2，…，Pop_num-1；

将选择D_Popdata对应的j+1染色体保存到NewPopdata，经过Pop_num次ms选择后，生成了新的数组NewPopdata，含有Pop_num条较优选择结果的染色体。

查找NewPopdata中是否包含Fit_max5[w]，w＝0，1，2，3，4，若没有包含，还需要计算NewPopdata的P_fitness[j],j＝0,1,2,…,Pop_num-1，将P_fitness最小对应染色体样本由之前未出现在Fit_max5[w]，w＝0，1，2，3，4染色体样本替代，从而有效保存了之前5条较优的染色体，并淘汰了较小的P_fitness值的染色体。

五、基于电气量数据的染色体组交叉算子构造方法

基于新的数组NewPopdata，含有Pop_num条染色体，将相邻的两条染色体作为一组待交叉的染色体组，依次两两组合，一共能够组成向下取整的染色体组。

下面取第i，i＝0，1，2，…，Pop_num-2条染色体与第i+1，i＝0，1，2，…，Pop_num-2条染色体进行两两交叉操作：

(1)对待交叉的两组染色体做交叉操作之前，都要随机选取的运算随机数c_rand∈(0，1)，如果满足c_rand≥pc(pc是交叉概率因子，一般取值pc∈(0.8，1)使得绝大多数染色体能够满足交叉运算的条件)，则该两组染色体不进行交叉操作，该染色体组保持原基因不变。

(2)如果满足c_rand＜pc，则该染色体组进行交叉操作，具体步骤如下：

取两个随机整数：

t₁，t₂，且t₁＜t₂，t₁∈(0，Poplenge-1)，t₂∈(0，Poplenge-1)

Poplenge＝m_tzone*m_tnum

将第i条的[t₁，t₂]段的基因与第i+1条的[t₁，t₂]基因按照如下规则进行交叉操作：

假设父代i和i+1染色体为，如图8所示，其中框选出来为对应的[t₁，t₂]段待交叉的部分：

如图9所示，那么i染色体交叉到i+1染色体生成的子一代染色体为规则:

1)将i染色体对应[t₁，t₂]位置基因完全继承对应位置的子一代；

2)找出i+1染色体与i染色体[t₁，t₂]段相同的基因位且框选出来；

3)将i+1染色体与i染色体[t₁，t₂]段不相同的基因位依次按顺序插入空缺位置；

如图10所示，同理可得i+1染色体交叉到i染色体生成的另外一条子一代染色。

六、基于电气量的染色体带边界变异算子构造方法

本研究的变异是以满足变异概率因子pm，(pm≤10％)随机改变染色体的某个基因位，随机选择一个用户，把该用户对应的基因交换至随机选择的另一个位置，即随机改变了某一户的接入位置，基因位改变的位置是有前置条件：因为落在同区域内(每个台区都有对应的区域)，所以达不到变异的效果，所以在选择对应位置的时候还是有基础的前置条件设计要求。

将Pop_num条染色体做相同如下规则的操作。

针对单条染色体做变异操作如下：

1)判别收否需要变异操作：当随机数count_rand≥pm，count_rand∈(0，1)此次变异不操作；当count_rand＜pm，才继续下一步操作。

2)选取随机整数t₁_rand≤Poplenge-1，且向下取整，当t₁_1＝0表示第一台区所属基因；当t₁_1＝1表示第二台区所属基因；当t₁_1＝2表示第三台区所属基因，...，当t₁_1＝m_tzone-1表示第m_tzone台区所属基因。将t₁_rand位基因的数值放在变量t_temple_1中；

3)同理上述步骤，取第二个随机数t₂_rand≤Poplenge-1，t₂_rand≠t₁_rand，且向下取整，当t₂_1＝0表示第一台区所属基因；当t₂_1＝1表示第二台区所属基因；当t₂_1＝2表示第三所属基因，...，当t₁_1＝m_tzone-1表示第m_tzone台区所属基因。将t₂_rand位基因的数值放在变量t_temple_2中；

4)判别过程：

4.1)如果t_temple_1+t_temple_2＝0，则待交换的基因位属于无效位，不进行变异操作，返回到3)步继续随机选择；

4.2)如果t_temple_1+t_temple_2≠0且t₁_1≠t₂_1，则将不同相区域内的待交换的基因位数值进行交换位置，存到对应的数组，并结束这条染色体变异操作。

七、基于电气量种群的防“早熟”重选机制构造方法

考虑到“早熟”情况而造成的判断精度下降的可能，即对于特殊情况下进入局部收敛点而终止循环条件，在循环体执行较短时间内(低于2500次)，累计值超过预制的重选率pw，将通过重选机制重新进行遗传算法的计算。

具体的构造方法：

1、找出Pop_data_Z[0][][]中相同数字的基因组成的最多染色体条数，主要操作是两步：

1.1)将Pop_data_Z[0][][]中基因值由大到小排序；

1.2)统计出相同基因值的最大条数，记为num_0

2、找出Pop_data_Z[1][][]中相同数字的基因组成的最多染色体条数，主要操作是两步：

1.3)将Pop_data_Z[1][][]进行由大到小排序；

1.4)统计出相同基因值的最大条数，记为num_1；

………………………

3、找出Pop_data_Z[m_tzone-1][][]中相同数字的基因组成的最多染色体条数，主要操作是两步：

1.5)将Pop_data_Z[m_tzone-1][][]进行由大到小排序；

1.6)统计出相同基因值的最大条数，记为num_m_tnum-1；

判别依据：

设定总循环的次数为T(一般情况下T≥5000)，在循环体执行不超过2500次条件下，满足(num_0+num_1+…+num_m_tzone-1)/m_tzone*Pop_num≥pw，其中pw∈[0.8,1]取值，则重启重选机制，即从随机函数重新随机选择开始，重做遗传算法。

八、一种基于遗传算法的非信号注入式户变拓扑关系流程

总控流程设计：

1)预置参数T＝10000，pc＝0.8，pm＝0.1，pw＝0.8，Pop_num＝100

2)依据电气量数据信息，经过数据清洗后获得相关数据内容，包括：

E_1-t[],E_φ[][],m_tnum，TValidcount_num

3)初始化Pop_data，按照m_tnum，Pop_num随机生成Pop_data[]；

4)进入T＝10000循环过程

5)调用适应度函数模块，返回Fit_ness，ΔE

6)进入遗传算法的选择函数调用，得到

NewPopdata,Fit_max5，MBest_pop[]＝max(Fit_max5)

7)进入遗传算法的交叉函数调用，得到更新后的NewPopdata；

8)当T＝500，调用进入遗传算法的重置函数调用，若早熟条件成立，则进入3)步，否则继续往下执行；

9)返回4)

10)得到最终的NewPopdata，再通过下面的确定的映射关系，获得Best_Pop，具体判别如下：

11)每一个户表对应Best_Pop[m_tnum][m_tzone+3]每一行的判别结果，包括第0位代表户表号；第1位＝1/2/3/.../m_tzone,分别表示属于第一台区，第二台区，...，第m_tzone台区；第2位表示判别的可信度＝0/1，分别表示不可信/可信；第m_tzone位分别表示族群中属于判断各个台区的个数。

实验仿真数据：

1、台区编号：173、178、205分别对应户表判别的1、2、3

2、户表总数：150

3、跑测合格采样点数：1778

4、10000次循环中E₁和最小值:58637.4144

5、精度判别：正确判对144，正确率144/150＝96％

[1,1,1,1,2,1,1,1,1,1,1,1,1,1,1,1,1,3,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2,1,2,2,2,2,2,3,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,2,3,3,3,3,3,3,3,3,3,1,3,3,3,3,3,2,3,3,3,3,3,3,3,3,3,3,3,3,3,3]

在上述的实验中，存在误判的情况，具体列支如下：

1)178台区对应2的台区有一个用户错判173台区对应1的情况。

2)205台区对应3的台区有一个用户错判173台区对应1的情况。

3)173台区对应1的台区有一个用户错判178台区对应2的情况。

4)205台区对应3的台区有一个用户错判178台区对应2的情况。

5)173台区对应1的台区有一个用户错判205台区对应3的情况。

6)178台区对应2的台区有一个用户错判205台区对应3的情况。

基于电气特性的人工智能算法具有一定的普适性，可将该原理和方法推广到输、变、配电领域中，为电网大数据分析和人工智能的深层次应用打下基础，可在电力泛在物联网领域得到广泛应用，带来可观的社会与经济效益。如下所列：

1、能利用现有的用采系统数据解决低压台区拓扑识别的问题，即无需安装其它设备，也不用派人现场去实测与勘查，仅此一点，就为节省了大笔的经费。同时也大大提高了效率，提升了运行管理水平。

如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims

1.一种基于遗传算法的非信号注入式户变拓扑关系识别方法，其特征在于，采用如下步骤：

(1)依据电气量数据信息，获得经过数据清洗、筛选后的有效数据，返回存贮列表TValidDataSet，每个合格样本均包括配变侧汇总电气量、各配电台区电气量、各用户户表电气量，存贮列表TValidDataSet中m_tzone表示台区数、m_tnum表示合格的用户户表个数、Tvalidcount_num表示合格的数据样本数，根据存贮列表TValidDataSet数据得到配变侧电气量矩阵E_1-t[i][j]和户表级单相电气量矩阵E_φ[i][j]；

(2)根据有效数据，随机产生M×N初始化染色体种群数据矩阵Pop_data，M为构造的染色体初始种群的个数，N为每条染色体的长度,N＝m_tzone*m_tnum，按照m_tnum，Pop_num随机生成Pop_data[]，

(2-1)初始置染色体种群

(2-2)i＝0；i++；i≤(M-1)，

(2-3)j＝0；j++；j≤(N-1)，

(2-4)取随机整数1≤t_num≤N-1，当t_num在Pop_data[i，j]中第i条基因为唯一，则：Pop_data[i，j]＝[i，t_num]，

(2-5)返回(2-3)，

(2-6)返回(2-4)，

(2-7)生成随机的染色体种群，

b_ij≠b_ik,j∈[1,N],k∈[1,N],i∈[1,M]；

(3)进入循环过程：

所述适应度函数构造过程如下：

计算各个台区配变P总的变化率ΔE_1-t[i][j]和用户户表P变化率ΔE_φ[i][j]，按照有效基因码m_tnum对Pop_data做处理，超过m_tnum基因码置零，不超过则保留，

得到Pop_data_Z[x][y][z]矩阵：

初始化：E_1-1-φ＝0；

得到各台区对应的用户变化率矩阵：

i＝0,1,2,…,m_tzone-1；j＝0,1,2,…,TValidcount_num-2；

计算Fit[p]＝ΔE₁[p],p＝1,2,…Pop_num-1，Fit_max＝max(Fit[p])，

Fitness[P]＝Fit_max-Fit[P],P＝1,2,…,Pop_num-1；

(5)进入遗传算法的选择函数、交叉函数、变异函数调用，得到更新后的NewPopdata，含有Pop_num条选择结果的染色体；

所述选择函数构造方法包括

Fitness归一化处理：

P_fitness[j]＝Fitness[j]/Sumfit_ness，j＝0，1，…Pop_num-1；

按照P_fitness[j]由大到小的顺序分别对应的5条染色体放到排位前五的染色体保存Fit_max5[w]数组；

随机选取ms，ms∈[0,1]值，满足条件：

ms≤max(P_fitness[j]),j＝0,1,2,…,Pop_num-1；

所述交叉函数为：选取运算随机数c_rand∈(0，1)和交叉概率因子pc、pc∈(0.8，1)，如果满足c_rand≥pc，则该两组染色体不进行交叉操作，该染色体组保持原基因不变；如果满足c_rand＜pc，则该染色体组进行交叉操作；

所述变异函数为：

(4)判别过程：

(4.1)如果t_temple_1+t_temple_2＝0，则待交换的基因位属于无效位，不进行变异操作，返回到3)步继续随机选择；

(4.2)如果t_temple_1+t_temple_2≠0且t₁_1≠t₂_1，则将不同相区域内的待交换的基因位数值进行交换位置，存到对应的数组，并结束这条染色体变异操作；

2.根据权利要求1所述的一种基于遗传算法的非信号注入式户变拓扑关系识别方法，其特征在于：所述电气量数据为电压、电流、有功、无功及电度量中任一种，所述数据清洗方法包括剔除全0户表集、剔除弱值户表集、在有效户表集中剔除无效时刻样本空间集。

3.根据权利要求2所述的一种基于遗传算法的非信号注入式户变拓扑关系识别方法，其特征在于：对清洗后的数据进行筛选包括获取台区变压器出线侧的电气量数据有p_{总_变}，获取用户侧电表采样的数据有p_{总_户}，获取配电变压器出线的P_总-变和对应同采样时刻的户表P累加并计算误差ΔP，设置参数ε，当ΔP≤ε，保留这一时刻配变及用户电表采样数据，加入到有效数据样本集中，否则放弃，ε与有效时刻的数量K满足：

ε≤10％,K≥300；

ε≤15％,K≥400；

ε≤20％,K≥600；

ε≤25％,K≥1200；

ε≤35％,K≥2000。

4.根据权利要求1所述的一种基于遗传算法的非信号注入式户变拓扑关系识别方法，其特征在于：在循环体执行到不超过一半次数时累计值超过预制的重选率，将通过重选机制重新进行遗传算法的计算：将每个台区的Pop_data_Z[][][]基因值由大到小排序；统计出相同基因值的最大条数，记为num。