CN112241812B - 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 - Google Patents
基于单边优化与遗传算法协作的低压配电网拓扑识别方法 Download PDFInfo
- Publication number
- CN112241812B CN112241812B CN202011126505.4A CN202011126505A CN112241812B CN 112241812 B CN112241812 B CN 112241812B CN 202011126505 A CN202011126505 A CN 202011126505A CN 112241812 B CN112241812 B CN 112241812B
- Authority
- CN
- China
- Prior art keywords
- discrimination
- data
- genetic algorithm
- user
- attribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002068 genetic effect Effects 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 21
- 239000000243 solution Substances 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
Abstract
本发明公开基于单边优化与遗传算法协作的低压配电网拓扑识别方法，包括：读取配电台区配变和用户电表的电气量数据并进行筛选和剔除；确定以电气量为约束的能量函数；在网络拓扑的局部最优解基础上，采用遗传算法计算全局最优解；基于单边优化的构造方法进行多断面数据样本验证校核；验证正确性，在验证正确的情况下，输出低压配电网拓扑连接关系。本发明实现了自动推理出台区低压拓扑连接关系。
Description
技术领域
本发明涉及配电网拓扑识别技术领域，具体涉及基于单边优化与遗传算法协作的低压配电网拓扑识别方法。
背景技术
目前低压台区户-变拓扑关系的辨别，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。
目前的台区低压配电拓扑的识别还是依赖人工查线或侵入式安装设备的实现方式，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。
发明内容
发明目的：本发明目的在于针对现有技术的不足，提供基于单边优化与遗传算法协作的低压配电网拓扑识别方法，自动推理出台区低压拓扑连接关系。
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)读取配电台区配变和用户电表的电气量数据，进行筛选与剔除；(2)确定以电气量为约束的能量函数；(3)运用神经网络，得到网络拓扑的初始解；(4)在初始解基础上，采用遗传算法计算全局最优解；(5)基于单边优化的构造方法进行多断面数据样本概率统计优化；(6)输出低压配电网拓扑连接关系。
进一步地，所述步骤(3)中采用V矩阵状态表示神经元状态，(n*m)*m个神经元对应(n*m)*m个用户表箱；在V矩阵的每行中，1表示用户表箱连接在某一电缆分支箱下，0表示没有连接关系。
进一步地，所述步骤(4)遗传算法中染色体的基因位置对应配电台区内的所有能接入位置，基因的值为所接入用户表箱的编号，以基尔霍夫定律计算电度量、电流、有功功率中任一种变化趋势的差值来构建适应度函数，再经过选择函数、交叉函数、变异函数、重选函数、总函数来迭代寻优计算全局最优解。
进一步地，基于N次遗传算法计算结果，将每次计算的误差测量值ΔE1与历史ΔE1比较，若当前次ΔE1比历史ΔE1值小，保留当前次值为最优，否则舍弃当前次值，最后保留最优的一次ΔE1；
ΔE1的计算是由下面公式推导而来：
ΔE1-t[i][j]＝(E1-t[i][j+1]-E1-t[i][j])/E1-t[i][j+1]；
i＝0,1,2,…,m_tzone-1；j＝0,1,2,…,TValidcount_num-2；
m_tzone表示台区数目，TValidcount_num表示参与运算的时刻点数；
其中ΔE1-t是各个台区配变P总的变化率；
ΔE1-1-φ[i][j]＝(E1-1-φ[i][j+1]-E1-1-φ[i][j])/E1-1-φ[i][j+1]
i＝0,1,2,…,m_tzone-1；j＝0,1,2,…,TValidcount_num-2；
其中，ΔE1-1-φ是用户侧的变化率，E1-1-φ是用户侧的可逆矩阵；
ΔE1是由Pop_num个数值组成的一维数组：
ΔE1＝min{ΔE1[m]}，A是乘法因子，A＝1,m∈[0,Pop_num-1]。
进一步地，所述多断面数据样本包括同源数据和不同源数据，同源数据是指在算法运行前预设周期长度，一次性载入整个周期长度获得的的数据信息，该数据信息和长度是固定不变的；不同源数据是指在不同周期内获得的同源数据信息的集合体。
进一步地，采用同源数据进行户-变拓扑判别，包括如下步骤：
基于N次遗传算法的计算结果，获得N个误差测量值ΔE1，将ΔE1按大小排序，剔除较大ΔE1值对应的判别结果，对剩下的判别结果做概率统计；
将判别结果进行户表归属台区归类，统计每个户表归属台区的次数，将判别次数最多的作为户表归属台区的事件判别结果，建立归属关系，且以归属该台区的判别次数作为权重；
将该权重的判别结果作为最优ΔE1单次样本空间纠正判别基础条件，在判别次数达到预期设定阈值时，改变最优单次ΔE1对应的判别结果，否则保留最优单次ΔE1对应的判别结果。
进一步地，采用同源数据进行户-相拓扑判别，包括如下步骤：
基于N次遗传算法的计算结果，获得N个误差测量值ΔE1，将ΔE1按大小排序，剔除较大的ΔE1值对应的判别结果，对剩下的判别结果做概率统计；
将判别结果进行户表归属A/B/C相归类，统计每个户表归属A/B/C的次数，将判别次数最多作为户表归属A/B/C的事件判别结果，建立归属关系，且以归属该A/B/C的判别次数作为权重；
将该判别结果作为最优ΔE1单次样本空间纠正判别基础条件，在判别次数达到预期设定阈值时，改变最优单次ΔE1对应的判别结果，否则保留最优单次ΔE1对应的判别结果。
进一步地，采用不同源数据进行户-相或户-变拓扑判别，包括如下步骤：在计算过程中若加载一确定的同源数据，按照同源数据的方法执行运算，保留最终的一次判别结果，然后再加载其它数据源，直到跑完所有的不同源数据，最后分别将不同源数据的每次计算结果再做新一轮概率次数统计，将对应最大概率的判别结果的确属关系作为最终判别结果。
进一步地，所述同源数据剔除较大ΔE1值后保留不大于10次的计算结果；所述判别次数预期设定阈值的设置为：两个台区不低于8次默认为正确判别，三个台区不低于7次默认为正确判别，超过三个台区不低于5次默认为正确判别。
进一步地，所述不同源数据剔除较大ΔE1值后保留不大于20次的计算结果。
有益效果：与现有技术相比，本发明的优点在于：本发明以系统积累的大量数据为基础，采用多种智能算法协商机制设计方法，自动推理出台区低压拓扑连接关系，采用多源单边优化算法算法和遗传算法有机相结合的方式解决户-变/户-相“硬判”的造成误判情况，进一步提升判别精度，最后生成正确的户-线-变/户-相拓扑关系。
本发明提供的方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。包括：
1、综合运用基于概率统计的单边优化算法和遗传算法，可以提升判别精度10％～18％，通过实际跑测数据，有效户-变/户-相拓扑关系的判别精准度不低于99％，满足实际商用需求。
2、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。
3、台区的户-表、户-相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。
4、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。
5、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。
6、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是本发明的多种智能算法协商机制流程图；
图2是基于异构有功功率数据的单边优化算法和遗传算法的户-变拓扑总流程；
图3是基于异构有功功率数据的单边优化算法和遗传算法的户-相拓扑总流程。
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。
一、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流程
本发明以实际运行的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电压、电流、有功、无功等电气量相关联的关系，综合运用人工神经网络算法、单边优化算法、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。
1、多种智能算法协商机制设计方法
本发明提出综合运用神经网络、单边优化算法、遗传算法相结合的协商机制，既能加快算法收敛速度，又能寻找全局最优，判断拓扑连接关系，如图1所示：
(1)读取台区配变和用户电表的有功、电变量数据；
(2)确定以电变量、电流、有功功率等电气量为约束的能量函数；
(3)运用神经网络得到网络拓扑最初解；
(4)在最初解得到的网络拓扑基础上，采用GA算法计算全局最优解；
(5)基于单边优化的构造方法进行多断面数据样本概率统计优化；
(6)输出低压配电网拓扑连接关系。
2、神经网络
以配电变压器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。
3、遗传算法
遗传算法(genetic algorithm，GA)是一种进化算法，通过选择、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(基尔霍夫定律)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。
4、基于单边优化的构造方法
基于若干次(以20次为例)遗传计算结果，将每次计算的误差测量值ΔE1与历史ΔE1比较，若当前次ΔE1比历史ΔE1值还小，保留当前次值为最优，否则舍弃当前次值，最后保留最优的一次，ΔE1越小，说明相识度越高，判别的户表归属台区或A/B/C相正确率也相应比较高，对应染色体判别属于局部最优，也有可能是全局最优，确保了该次对应的户-变/户-相判别精度较高。ΔE1的计算是由下面公式推导而来：
ΔE1-t[i][j]＝(E1-t[i][j+1]-E1-t[i][j])/E1-t[i][j+1]
i＝0,1,2,…,m_tzone-1；j＝0,1,2,…,TValidcount_num-2；
m_tzone表示台区数目，TValidcount_num表示参与运算的时刻点数；
其中ΔE1-t是各个台区配变P总的变化率；
ΔE1-1-φ[i][j]＝(E1-1-φ[i][j+1]-E1-1-φ[i][j])/E1-1-φ[i][j+1]
i＝0,1,2,…,m_tzone-1；j＝0,1,2,…,TValidcount_num-2；
其中，ΔE1-1-φ是用户侧的变化率，E1-1-φ是用户侧的可逆矩阵；
ΔE1＝min{ΔEn[m]}，A＝1,m∈[0,Pop_num-1]；。
二、不同历史数据断面样本空间综合截取方法
为提高算法的收敛稳定性及判别精度，需要对采集的现有电气量的数据进行必要的独特性处理，独特性处理主要体现在以下方面：数据源分为同源数据和不同源数据，所谓同源数据就是指在算法运行前一次性载入的一个整周期的数据信息，然后按照数据筛选原则获得的数据信息，该数据长度和信息是固定不变的，一个整周期的长度是事先设置的，比如两个月、三个月、半年或整年，主要考虑到算法计算的数据量而定。
不同数据源数据主要是指在不同周期内按照筛选原则获得的同源数据信息的集合体，根据需要，一般不同源数据集选择不低于10组的同源数据。同源数据与不同源数据只是在时间形态和选择规则上有变化，但从数据的连贯性趋势上又是基本一致的。
基于异构数据断面内外循环优化方法：针对同数据源内循环进行运算，按照上述框架结构进行若干次(本方案24次，可设定。下同)AI算法计算。在概率统计之前，将ΔE1计算结果由大到小进行排序，剔除较大的若干次(本方案4次，可设定，下同)ΔE1对应的判别结果。然后再将剩下的每次判别结果做概率统计分析，分成两类情况：
情况一：如图2所示，针对户-变拓扑判别，将剩余的(本方案20次)判别结果做归类，即将每一个户表归属台区进行分类，最后统计剩余次数中(本方案20次)每一个户表归属各台区的次数，将最多的判别次数作为户表归属对应台区的大概率发生事件判别结果，建立确切的归属关系，且以归属该台区的判别次数作为权重；接下来，将大概率带权重的判别结果作为最优ΔE1单次样本空间纠正判别基础条件，特别地，在权重没有达到预期设定阈值时(阈值一般默认设置不低于6次)，将不改变最优ΔE1单次对应判别结果，达到预期设定阈值时，将改变最优ΔE1单次对应的结果。通过优胜劣汰的选取，基于同数据源内循环和干扰次数(本方案4次)剔除相结合方式，可以较大幅度提升判别精度，其精度提升空间主要来源于踢出单次运算结果在边界区域“硬判”造成的误判，通过概率统计方式可以有效进行纠偏。对比分析可知，综合判别可以将原来同数据源单次运算精度提升6％～10％百分点。
情况二：如图3所示，针对户-相拓扑判别，将剩余的(本方案20次)判别结果做归类，即将每一个户表归属A/B/C相进行分类，最后统计剩余次数中(本方案20次)每一个户表归属A/B/C三相中各项的次数，将最多的判别次数作为户表归属对应A/B/C的大概率发生事件判别结果，建立确切的归属关系，且携带归属A/B/C的判别次数作为权重，接下来，将大概率带权重的判别结果作为最优ΔE1单次样本空间纠正判别基础条件，特别地，在权重没有达到预期设定阈值时(阈值一般默认设置不低于6次)，将不改变最优ΔE1单次对应判别结果，达到预期设定阈值时，将改变最优ΔE1单次对应的结果。通过优胜劣汰的选取，基于同数据源内循环和干扰次数(本方案4次)剔除相结合方式，可以较大幅度提升判别精度，其精度提升空间主要来源于踢出单次运算结果在边界区域“硬判”造成的误判，通过概率统计方式可以有效进行纠偏。对比分析可知，综合判别可以将原来同数据源单次运算精度提升6％～10％百分点。
针对不同源的数据(本方案不低于10数据源)外循环的情况，无论户-变/户-相判别，一旦加载某一确定同数据源，就按照同数据源的机制执行跑测运算，保留最终的一次判别结果。然后再加载其它数据源，直到最后跑完所有设定的不同源数据。最后分别再将不同数据源的每次跑测结果再做新一轮概率次数统计(统计次数方式相同)，将对应最大概率的判别结果的确属关系作为最终判别结果。通过多维度不同数据源的统计分析，可以有效改善单一数据源个别户表由于样本空间有限导致误判情况，从而进一步提升判别精度，精度提升5％～12％百分点。
实验仿真数据：
户表总数：150；
台区编号：173、178、205分别对应户表判别的1、2、3；
数据类型为有功功率；
跑测合格20次不同数据源采样点数：1576，1400，1389，1356，1445，1345，1587，1586，1450，1384，1336，1455，1241，1507，1536，1405，1367，1566，1434，1575；
10000次循环中ΔE1和最小值：57677.4948；
20次不同数据源统计结果：[1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，2，2，2，2，2，2，2，2，2，1，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，2，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3]。
单独任何一组的数据源用于遗传算法迭代后，虽然能得到局部最优解，但由于户表与台变之间，或户表与A/B/C相序之间在随机函数中有明确的界限划分，最后生成的种群中，每条染色体或多或少较其它染色体存在区域错位的现象，最终造成配电台区户-变/户-相拓扑关系的误判；该现象与遗传算法逼近的理论不冲突，是由于人为设定严格界限区域所导致，误判率在2％～8％左右。
在上述的结果中，经过纠偏机制，只存在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，判对数149个，正确率149/150＝99.33％；经过20次统计后，误判的情况基本能够被纠正过来，精度提升到99％，满足商用。
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 (4)
1.基于单边优化与遗传算法协作的低压配电网拓扑识别方法，其特征在于，采用如下步骤：
（1）读取配电台区配变和用户电表的电气量数据，进行筛选与剔除；
（2）确定以电气量为约束的能量函数；
（3）运用神经网络，得到网络拓扑的初始解；
（4）在初始解基础上，采用遗传算法计算全局最优解；
（5）基于单边优化的构造方法进行多断面数据样本概率统计优化；
（6）输出低压配电网拓扑连接关系；
所述步骤（3）中采用V矩阵状态表示神经元状态，（n*m）*m个神经元对应（n*m）*m个用户表箱；在V 矩阵的每行中，1表示用户表箱连接在某一电缆分支箱下，0表示没有连接关系；
所述步骤（4）遗传算法中染色体的基因位置对应配电台区内的所有能接入位置，基因的值为所接入用户表箱的编号，以基尔霍夫定律计算电度量、电流、有功功率中任一种变化趋势的差值来构建适应度函数，再经过选择函数、交叉函数、变异函数、重选函数、总函数来迭代寻优计算全局最优解；
基于N次遗传算法计算结果，将每次计算的误差测量值 ，与历史/>比较，若当前次比历史/>值小，保留当前次值为最优，否则舍弃当前次值，最后保留最优的一次/>；
的计算是由下面公式推导而来：
；
表示台区数目，/> 表示参与运算的时刻点数；
其中，是各个台区配变/>总的变化率，ABS表示取绝对值；
；
其中，是用户侧的变化率，/>是用户侧的可逆矩阵；
是由/>个数值组成的一维数组：
，/>是乘法因子，/>，/>；
所述多断面数据样本包括同源数据和不同源数据，同源数据是指在算法运行前预设周期长度，一次性载入整个周期长度获得的的数据信息，该数据信息和长度是固定不变的；不同源数据是指在不同周期内获得的同源数据信息的集合体。
2.根据权利要求1所述的基于单边优化与遗传算法协作的低压配电网拓扑识别方法，其特征在于：采用同源数据进行户-变拓扑判别，包括如下步骤：
基于N次遗传算法的计算结果，获得N个误差测量值，将按大小排序，设定需剔除的大值次数，按照设定次数剔除值对应的判别结果，对剩下的判别结果做概率统计；
将判别结果进行户表归属台区归类，统计每个户表归属台区的次数，将判别次数最多的作为户表归属台区的事件判别结果，建立归属关系，且以归属该台区的判别次数作为权重；
将该权重的判别结果作为最优单次样本空间纠正判别基础条件，在判别次数达到预期设定阈值时，改变最优单次对应的判别结果，否则保留最优单次对应的判别结果；
所述同源数据剔除较大值后保留不大于10次的计算结果；所述判别次数预期设定阈值的设置为：两个台区不低于8次默认为正确判别，三个台区不低于7次默认为正确判别，超过三个台区不低于5次默认为正确判别。
3.根据权利要求1所述的基于单边优化与遗传算法协作的低压配电网拓扑识别方法，其特征在于：采用同源数据进行户-相拓扑判别，包括如下步骤：
基于N次遗传算法的计算结果，获得N个误差测量值，将按大小排序，剔设定需剔除的大值次数，按照设定次数剔除值对应的判别结果，对剩下的判别结果做概率统计；
将判别结果进行户表归属相归类，统计每个户表归属的次数，将判别次数最多作为户表归属的事件判别结果，建立归属关系，且以归属该的判别次数作为权重；
将该判别结果作为最优单次样本空间纠正判别基础条件，在判别次数达到预期设定阈值时，改变最优单次对应的判别结果，否则保留最优单次对应的判别结果；
所述不同源数据剔除较大值后保留不大于20次的计算结果；所述判别次数预期设定阈值的设置为：两个台区不低于16次默认为正确判别，三个台区不低于12次默认为正确判别，超过三个台区不低于10次默认为正确判别。
4.根据权利要求2或3所述的基于单边优化与遗传算法协作的低压配电网拓扑识别方法，其特征在于：采用不同源数据进行户-相或户-变拓扑判别，包括如下步骤：在计算过程中若加载一确定的同源数据，按照同源数据的方法执行运算，保留最终的一次判别结果，然后再加载其它数据源，直到跑完所有的不同源数据，最后分别将不同源数据的每次计算结果再做新一轮概率次数统计，将对应最大概率的判别结果的确属关系作为最终判别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011126505.4A CN112241812B (zh) | 2020-10-20 | 2020-10-20 | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011126505.4A CN112241812B (zh) | 2020-10-20 | 2020-10-20 | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112241812A CN112241812A (zh) | 2021-01-19 |
| CN112241812B true CN112241812B (zh) | 2023-10-03 |
Family
ID=74169326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011126505.4A Active CN112241812B (zh) | 2020-10-20 | 2020-10-20 | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241812B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114297811B (zh) * | 2021-12-31 | 2023-09-12 | 烟台东方威思顿电气有限公司 | 基于约束多目标优化的低压台区拓扑识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217252A (zh) * | 2014-08-29 | 2014-12-17 | 国网安徽省电力公司 | 基于遗传算法的输电网潮流图自动布局优化算法及系统 |
| CN107066709A (zh) * | 2017-03-29 | 2017-08-18 | 西安电子科技大学 | 基于多智能体遗传算法的电力运输网络拓扑结构设计方法 |
| CN111628494A (zh) * | 2020-05-11 | 2020-09-04 | 国网浙江省电力有限公司电力科学研究院 | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 |
| CN111654392A (zh) * | 2020-05-11 | 2020-09-11 | 国网浙江省电力有限公司电力科学研究院 | 基于互信息的低压配电网拓扑识别方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3449923B2 (ja) * | 1998-06-02 | 2003-09-22 | 富士通株式会社 | ネットワークトポロジー設計装置及びネットワークトポロジー設計方法並びにネットワークトポロジー設計プログラムを記録した記録媒体 |
-
2020
- 2020-10-20 CN CN202011126505.4A patent/CN112241812B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217252A (zh) * | 2014-08-29 | 2014-12-17 | 国网安徽省电力公司 | 基于遗传算法的输电网潮流图自动布局优化算法及系统 |
| CN107066709A (zh) * | 2017-03-29 | 2017-08-18 | 西安电子科技大学 | 基于多智能体遗传算法的电力运输网络拓扑结构设计方法 |
| CN111628494A (zh) * | 2020-05-11 | 2020-09-04 | 国网浙江省电力有限公司电力科学研究院 | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 |
| CN111654392A (zh) * | 2020-05-11 | 2020-09-11 | 国网浙江省电力有限公司电力科学研究院 | 基于互信息的低压配电网拓扑识别方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| GA-BP network based battery SOC prediction for quasi anti-damage power supply;Wang Ya-jun, et al;Electric Machines and Control;第14卷(第6期);第61-65页 * |
| 基于三维时空特性的低压配电网拓扑识别方法;邹时容 ，等;电网与清洁能源;第35卷(第9期);第34-42页 * |
| 基于遗传算法优化BP神经网络的线损计算研究;刘亚丽，等;计算机应用与软件;第36卷(第3期);第71-75页 * |
| 混洗蛙跳算法的改进研究;魏立新，等;控制工程;第23卷(第2期);第167-172页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112241812A (zh) | 2021-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
| CN107274105B (zh) | 基于线性判别分析的多属性决策树电网稳定裕度评估方法 | |
| CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN112149967B (zh) | 基于复杂系统理论的电力通信网脆弱性评估方法和系统 | |
| CN111262243B (zh) | 一种园区配电系统运行方式智能辨识以及优化方法 | |
| CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
| CN111652479A (zh) | 一种针对电力系统动态安全评估的数据驱动方法 | |
| Chang et al. | Feature extraction of non-intrusive load-monitoring system using genetic algorithm in smart meters | |
| CN112132283A (zh) | 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 | |
| Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
| CN115618249A (zh) | 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法 | |
| Wang et al. | Data-driven prediction method for characteristics of voltage sag based on fuzzy time series | |
| CN112241812B (zh) | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 | |
| CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN116307844A (zh) | 一种低压台区线损评估分析方法 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
| Liu et al. | Analysis and prediction of power distribution network loss based on machine learning | |
| CN109447490B (zh) | 一种基于用户地址的户变关系异常判别方法 | |
| CN113298296A (zh) | 一种自下而上的输电变电站日前负荷概率预测方法 | |
| Meena et al. | A comparative analysis of sizing and siting of distributed generation using evolutionary techniques | |
| Zhao et al. | Operation and Maintenance Management and Decision Analysis in Distribution Network Based on Big Data Mining | |
| Lingang et al. | Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |