CN112561129B - 一种基于配电线路故障信息的抢修物资调配方法 - Google Patents
一种基于配电线路故障信息的抢修物资调配方法 Download PDFInfo
- Publication number
- CN112561129B CN112561129B CN202011360970.4A CN202011360970A CN112561129B CN 112561129 B CN112561129 B CN 112561129B CN 202011360970 A CN202011360970 A CN 202011360970A CN 112561129 B CN112561129 B CN 112561129B
- Authority
- CN
- China
- Prior art keywords
- fault information
- distribution line
- fault
- weight
- distribution
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 117
- 239000000463 material Substances 0.000 title claims abstract description 81
- 230000008439 repair process Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 11
- 241000544061 Cuculus canorus Species 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 7
- 235000005770 birds nest Nutrition 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 235000005765 wild carrot Nutrition 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000012447 hatching Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000002789 length control Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种基于配电线路故障信息的抢修物资调配方法,不但可以有效的降低配电线路故障时所需抢修响应时间,通过采用改进K‑means均值聚类融合故障信息对以往配电线路故障进行聚类,面对故障信息时可以迅速作出判别,判断故障类型和呈现所需的抢修人员和物资等;处于故障类型级别大情况下,还可以克服现有粒子群算法存在的权重容易陷入局部最优解问题,提高算法的训练速度,快速求解并提供最优物资调配策略。对于提高区域配电线路故障抢修效率、优化抢修物资调配结构和提高区域供电可靠性具有重要意义。
Description
技术领域
本发明智能配电网数据挖掘处理技术领域,更具体地,涉及一种基于配电线路故障信息的抢修物资调配方法。
背景技术
电网在发生故障时的恢复效率取决于电网的破坏程度及其恢复能力的匹配水平,而电网的恢复能力则取决于资源储备、抢修环境和抢修指挥决策能力等。在这些问题中,资源的储备及其调度处于关键地位。系统储备的资源是系统高效率恢复的基本保障。而在资源储备一定的条件下,资源的合理调配将起到至关重要的作用。
在实际电力工程中,当电网面临大面积、长时间的攻击(如恶劣天气和地质灾害等)而发生电网发生故障时,电网各抢修点的抢修任务繁重,抢修物资也不可避免的出现匮乏的情况,而对于本地出资点实时资源不足的资源调配,决策人员一般根据工程经验进行人工资源调配。当调配的资源种类多、数量大且抢修点较多,即可行的方案较多时,很难在短时间内作出最优的决策,从而延长了维修准备时间,进而延误了电网故障的恢复时间。
中国专利CN108957246A,公开日为2018.12.07,公开了一种基于粒子群的配电网故障定位方法,没有很好的整合各个信息,且其计算步骤繁琐,计算量大。
发明内容
本发明为克服上述现有技术中的至少一个缺陷,提供一种基于配电线路故障信息的抢修物资调配方法,有效提高资源调配效率。
为解决上述技术问题,本发明采用的技术方案是:一种基于配电线路故障信息的抢修物资调配方法,包括以下步骤:
S1.选取所在区域配电线路故障信息历史数据,并对记录的历史数据进行预处理和归一化;
S2.故障信息融合:配电线路故障影响因素繁多,相关故障信息表现各异,对故障信息进行一定的融合;采用K-means聚类算法对配电线路故障事故进行聚类,融合现有的故障信息,并针对K-means聚类算法中距离计算的问题,提出改进的K-means聚类算法;
S3.故障所需物资调配分析:针对不同的故障类型及所在区域的物资情况,进行分析以便后续选取对应的调配策略;布谷鸟算法作为一种启发式搜索算法,具有较强的寻优能力,其本身存在步长调节系数,并满足重尾的稳定分布,使得搜索寻优的效率大为提升;
S4.针对传统粒子群算法权重和阈值容易出现局部最优解情况,借由布谷鸟算法对粒子群算法的权重和阈值进行优化寻求最优权重和阈值;
S5.采用经布谷鸟优化后的粒子群算法对聚类后的每个类别进行Pareto最优解求解;粒子群算法是一种进化计算技术,群体智能化算法,通过模拟鸟群的捕食行为实现求解多目标优化模型。针对初始随机化粒子群算法的权值和阈值容易造成网络收敛速度慢、陷入局部极小值等问题,采用布谷鸟搜索算法优化粒子群算法的权值和阈值,获得最优的权值和阈值使预测模型评估结果更准确;
S6.判断待分析配电线路故障的所属类别:将选取的每个类别的数据带入布谷鸟优化后的粒子群算法中,训练求得不同类别的所需的抢修物资及人员,以确定Pareto最优解,获得发生的故障类型级别大情况的最优物资调配策略;
S7.提供物资调配策略:根据故障所需物资调配分析及步骤S6所求的最优解,提供对应的调配策略。
本发明考虑了不同配电线路故障存在不同的物资需求形式,且各区域的物资并不一定能够满足所在区域的抢修要求。因而,为降低配电线路故障时响应时间,提高抢修效率,通过对所在区域的配电线路故障信息历史数据进行分析,将配电线路故障划分为k个类别,对不同类别分别构建多目标优化模型,并采用粒子群算法对优化模型进行Pareto最优解求解,实现对不同类别的配电线路故障提高相应的物资调配策略。首先选取所在区域配电线路故障信息历史数据,并对记录的历史数据进行预处理和归一化;然后针对K-means均值算法中距离计算问题的不足,提出来一种新的距离计算方法,对选取的所在区域配电线路故障信息历史数据利用改进的K-means均值算法进行聚类;接着针对传统粒子群算法权重和阈值容易出现局部最优解情况,借由布谷鸟算法对粒子群算法的权重和阈值进行优化寻求最优权重和阈值,采用经布谷鸟优化后的粒子群算法对聚类后的每个类别进行Pareto最优解求解;最后将各配电线路故障信息的历史数据带入多目标优化模型中训练,并对选取的待分析配电线路故障进行判断,确定选取的待分析配电线路故障所属类别,为配电线路故障提供有效的物资调配策略。
进一步的,所述的步骤S1具体包括:采集所在区域分析配电线路故障信息历史数据,随机选取特定数值的配电线路故障事故作为训练集,剩余的配电线路故障事故作为为测试集;对于收集的历史数据,为确保所在区域的配电线路故障信息数据可以有效的进行聚类,将所有历史数据进行归一化,对于缺少或者错误的数据利用平均插值法进行处理。
进一步的,归一化处理的公式具体为:
进一步的,在所述的步骤S1中选取的历史数据中,将故障类型分为接地故障、短路故障和超负荷故障。
进一步的,所述的步骤S2中,改进的K-means均值聚类具体步骤如下:
S21.利用熵权法计算每个配电线路故障信息的权值;计算公式为:
式中,ωi为第i个故障信息的权值;Ei为第i个故障信息的熵值,n为选取的故障信息个数;
S22.将选取的配电线路故障信息数据作为输入,从中任意选择k个样本作为聚类中心,此时的聚类数目为k个;
S23.计算每个对象到聚类中心的距离,根据最小距离划分每个对象数据所属类别;传统的距离计算没有考虑聚类过程中每个配电线路故障信息其本身权重的影响,提出来一种新的考虑配电线路故障信息权值的距离计算方法,计算公式为:
式中,Xi为样本中某个故障信息X的第i个时间点的数值;Xj为某个聚类中心的数值,j=1,...,k;ωi为第i个故障信息的权值,n为选取的故障信息的个数;
S24.重新计算步骤S23中所确定的k个类别内所有样本的均值,并将得到的均值作为新的聚类中心;
S25.重复步骤S23和步骤S24,直到每个聚类不再发生变化为止;此时得到的k个类别将作为最终的输入。
进一步的,所述的步骤S3中,配电线路故障类型多样,不同故障类型所需抢修人员与物资不尽相同,且配电故障所在区域根据故障类型不一定具有对应的和足够的的抢修人员和物资,因而针对故障类型不同,配电线路故障后的抢修物资调配策略主要有以下两种:若发生的故障类型级别小(技术难度、工作量等),所在区域最近的工作站点有足够的工作人员与物资,此时由最近的站点负责抢修,无需外调物资,抢修时间和抢修效率得到了保证;若发生的故障类型级别大(技术难度、工作量等),所在区域最近的工作站点需求的工作人员与物资不足,此时需对其他站点的物资进行调配,以尽快恢复供电,需从多方面考虑调配物资的成本及抢修时间和抢修效率等问题,通过构建多目标优化模型,并采用粒子群算法寻求Pareto最优解以提供合理有效的物资调配策略。
进一步的,所述的步骤S5中,布谷鸟算法优化粒子群算法具体包括以下步骤:
S51.布谷鸟寻优需满足以下三个规则:1)对整个世界序列来说每只布谷鸟每次只下一个蛋,并随机的选取一个宿主进行孵化;2)最好的宿主中的那只布谷鸟蛋可以保存到下一代;3)宿主的总数保持不变;
S52.布谷鸟标准化公式:
S53.优化权重和阈值。
进一步的,所述的步骤S53中,优化权重和阈值具体包括以下步骤:
S51.布谷鸟算法中Levy随机数的产生方法的计算公式为:
式中,β=C为固定值;ζ为概率分布,α为关系系数,u和v为标准正态分布的参数;
S52.权重和阈值产生的计算公式为:、
式中,u=0,nin=C,C为固定值,根据样本数量决定;
S53.布谷鸟优化权重和阈值的计算公式为:
式中,ωi+1为更新后的权值;ωi为初始权重值,ζ为概率分布,Xi为初始鸟巢的位置距离,Xbest为最优鸟巢的位置距离,u和v为标准正态分布的参数,β=C为固定值。
进一步的,概率分布ζ的计算公式为:
式中,β=C为固定值;Γ为Γ分布。
进一步的,所述的S7步骤中,若故障类型级别小情况下,物资调配策略为由最近站点提供抢修服务;若故障类型为级别大情况下,则根据步骤S6所求的最优解进行物资调配。
与现有技术相比,有益效果是:本发明提供的一种基于配电线路故障信息的抢修物资调配方法,不但可以有效的降低配电线路故障时所需抢修响应时间,通过采用改进K-means均值聚类融合故障信息对以往配电线路故障进行聚类,面对故障信息时可以迅速作出判别,判断故障类型和呈现所需的抢修人员和物资等;处于故障类型级别大情况下,还可以克服现有粒子群算法存在的权重容易陷入局部最优解问题,提高算法的训练速度,快速求解并提供最优物资调配策略。对于提高区域配电线路故障抢修效率、优化抢修物资调配结构和提高区域供电可靠性具有重要意义。
附图说明
图1是本发明方法流程图。
图2是本发明实施例的详细步骤流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本发明的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本发明的限制。
如图1和图2所示,一种基于配电线路故障信息的抢修物资调配方法,包括以下步骤:
步骤1:选取所在区域配电线路故障信息历史数据,并对记录的历史数据进行预处理和归一化;采集所在区域分析配电线路故障信息历史数据,配电线路故障事故100起,故障类型为3类,具体为接地故障、短路故障和超负荷故障。随机选取80起配电线路故障事故作为训练集,剩余20起配电线路故障事故作为为测试集。对于收集的历史数据,为确保所在区域的配电线路故障信息数据可以有效的进行聚类,将所有历史数据进行归一化,对于缺少或者错误的数据利用平均插值法进行处理。其中归一化方法为:
某区域各配电线路故障信息历史数据矩阵为:
式中,m为每个配电线路故障信息数据值;n为某区域配电线路故障信息个数。
步骤2:故障信息融合:配电线路故障影响因素繁多,相关故障信息表现各异,对故障信息进行一定的融合;故障信息繁多,不同故障类型对应的故障信息不尽相同,有必要融合现有的故障信息,及时判断故障类型和所需物资情况,同时针对K-means均值聚类中各个数据对象到距离中心的距离计算问题,提出来一种新的距离计算方式,新方法考虑不同配电线路故障信息的权值。改进K-means均值聚类具体步骤如下;
S21.利用熵权法计算每个配电线路故障信息的权值;计算公式为:
式中,ωi为第i个故障信息的权值;Ei为第i个故障信息的熵值,n为选取的故障信息个数;
S22.将选取的配电线路故障信息数据作为输入,从中任意选择k个样本作为聚类中心,此时的聚类数目为k个;
S23.计算每个对象到聚类中心的距离,根据最小距离划分每个对象数据所属类别;传统的距离计算没有考虑聚类过程中每个配电线路故障信息其本身权重的影响,提出来一种新的考虑配电线路故障信息权值的距离计算方法,计算公式为:
式中,Xi为样本中某个故障信息X的第i个时间点的数值;Xj为某个聚类中心的数值,j=1,...,k;ωi为第i个故障信息的权值,n为选取的故障信息的个数;
S24.重新计算步骤S23中所确定的k个类别内所有样本的均值,并将得到的均值作为新的聚类中心;
S25.重复步骤S23和步骤S24,直到每个聚类不再发生变化为止;此时得到的k个类别将作为最终的输入。
步骤3:故障所需物资调配分析:针对不同的故障类型及所在区域的物资情况,进行分析以便后续选取对应的调配策略;配电线路故障类型多样,不同故障类型所需抢修人员与物资不尽相同,且配电故障所在区域根据故障类型不一定具有对应的和足够的的抢修人员和物资,因而针对故障类型不同,配电线路故障后的抢修物资调配策略主要有以下两种;若发生的故障类型级别小,所在区域最近的工作站点有足够的工作人员与物资,此时由最近的站点负责抢修,无需外调物资,抢修时间和抢修效率得到了保证;若发生的故障类型级别大,所在区域最近的工作站点需求的工作人员与物资不足,此时需对其他站点的物资进行调配,以尽快恢复供电,需从多方面考虑调配物资的成本及抢修时间和抢修效率等问题,通过构建多目标优化模型,并采用粒子群算法寻求Pareto最优解以提供合理有效的物资调配策略。
步骤4:针对传统粒子群算法权重和阈值容易出现局部最优解情况,借由布谷鸟算法对粒子群算法的权重和阈值进行优化寻求最优权重和阈值;采用经布谷鸟优化后的粒子群算法对聚类后的每个类别进行Pareto最优解求解;
针对故障类型级别大发生时,就近站点人员物资不足,通过构建多目标优化模型合理、经济的调配周边物资,利用粒子群算法求解优化模型以提供最优物资调配策略。粒子群算法的权重和阈值是随机确定的,存在容易陷入局部最优解的情况。布谷鸟算法作为一种启发式搜索算法,具有较强的寻优能力,其本身存在步长调节系数,并满足重尾的稳定分布,使得搜索寻优的效率大为提升。具体步骤如下:
S51.布谷鸟寻优需满足以下三个规则:1)对整个世界序列来说每只布谷鸟每次只下一个蛋,并随机的选取一个宿主进行孵化;2)最好的宿主中的那只布谷鸟蛋可以保存到下一代;3)宿主的总数保持不变;
S52.布谷鸟标准化公式:
S53.优化权重和阈值。优化权重和阈值具体包括以下步骤:
S531.布谷鸟算法中Levy随机数的产生方法的计算公式为:
式中,β=C为固定值;ζ为概率分布,α为关系系数,u和v为标准正态分布的参数;
S532.权重和阈值产生的计算公式为:、
式中,u=0,nin=C,C为固定值,根据样本数量决定;
S533.布谷鸟优化权重和阈值的计算公式为:
式中,ωi+1为更新后的权值;ωi为初始权重值,ζ为概率分布,Xi为初始鸟巢的位置距离,Xbest为最优鸟巢的位置距离,u和v为标准正态分布的参数,β=C为固定值。
其中,概率分布ζ的计算公式为:
式中,β=C为固定值;Γ为Γ分布。
步骤5.判断待分析配电线路故障的所属类别:将选取的每个类别的数据带入布谷鸟优化后的粒子群算法中,训练求得不同类别的所需的抢修物资及人员,以确定Pareto最优解,获得发生的故障类型级别大情况的最优物资调配策略;提供物资调配策略。
将训练集的配电线路故障信息历史数据通过步骤1进行归一化整理;利用步骤2对选取的配电线路故障信息历史数据采用改进的K-means均值聚类算法进行聚类,以融合现有的故障信息;利用步骤3对配电线路故障情况进行分析,判断故障类型是否需要调配物资,最近站点是否能够自给自足等,若属于发生的故障类型级别小情况,物资调配策略为由附近站点提供抢修服务,若属于发生的故障类型级别大情况,物资调配策略为构建多目标优化模型,并经由步骤4求取最优解;通过步骤4将每个类别的数据样本带入布谷鸟优化后的粒子群算法中,训练求得不同类别的所需的抢修物资及人员,采用粒子群算法对选取的待分析配电线路故障进行运算以确定Pareto最优解,获得发生的故障类型级别大情况的最优物资调配策略。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于配电线路故障信息的抢修物资调配方法,其特征在于,包括以下步骤:
S1.选取所在区域配电线路故障信息历史数据,并对记录的历史数据进行预处理和归一化;所述的步骤S1具体包括:采集所在区域分析配电线路故障信息历史数据,随机选取特定数值的配电线路故障事故作为训练集,剩余的配电线路故障事故作为测试集;对于收集的历史数据,为确保所在区域的配电线路故障信息数据能够有效的进行聚类,将所有历史数据进行归一化,对于缺少或者错误的数据利用平均插值法进行处理;
S2.故障信息融合:配电线路故障影响因素繁多,相关故障信息表现各异,对故障信息进行一定的融合;采用K-means聚类算法对配电线路故障事故进行聚类,融合现有的故障信息,并针对K-means聚类算法中距离计算的问题,提出改进的K-means聚类算法;所述的步骤S2中,改进的K-means均值聚类具体步骤如下:
S21.利用熵权法计算每个配电线路故障信息的权值;计算公式为:
式中,ωi为第i个故障信息的权值;Ei为第i个故障信息的熵值,n为选取的故障信息个数;
S22.将选取的配电线路故障信息数据作为输入,从中任意选择k个样本作为聚类中心,此时的聚类数目为k个;
S23.计算每个对象到聚类中心的距离,根据最小距离划分每个对象数据所属类别;传统的距离计算没有考虑聚类过程中每个配电线路故障信息其本身权重的影响,提出来一种新的考虑配电线路故障信息权值的距离计算方法,计算公式为:
式中,Xi为样本中某个故障信息X的第i个时间点的数值;Xj为某个聚类中心的数值,j=1,...,k;ωi为第i个故障信息的权值,n为选取的故障信息的个数;
S24.重新计算步骤S23中所确定的k个类别内所有样本的均值,并将得到的均值作为新的聚类中心;
S25.重复步骤S23和步骤S24,直到每个聚类不再发生变化为止;此时得到的k个类别将作为最终的输入;
S3.故障所需物资调配分析:针对不同的故障类型及所在区域的物资情况,进行分析以便后续选取对应的调配策略;
S4.针对传统粒子群算法权重和阈值容易出现局部最优解情况,借由布谷鸟算法对粒子群算法的权重和阈值进行优化寻求最优权重和阈值;
S5.采用经布谷鸟优化后的粒子群算法对聚类后的每个类别进行Pareto最优解求解;
S6.判断待分析配电线路故障的所属类别:将选取的每个类别的数据带入布谷鸟优化后的粒子群算法中,训练求得不同类别的所需的抢修物资及人员,以确定Pareto最优解,获得发生的故障类型级别大小情况的最优物资调配策略;
S7.提供物资调配策略:根据故障所需物资调配分析及步骤S6所求的最优解,提供对应的调配策略。
3.根据权利要求1所述的基于配电线路故障信息的抢修物资调配方法,其特征在于,在所述的步骤S1中选取的历史数据中,将故障类型分为接地故障、短路故障和超负荷故障。
4.根据权利要求1所述的基于配电线路故障信息的抢修物资调配方法,其特征在于,所述的步骤S3中,若发生的故障类型级别小,所在区域最近的工作站点有足够的工作人员与物资,此时由最近的站点负责抢修,无需外调物资,抢修时间和抢修效率得到了保证;若发生的故障类型级别大,所在区域最近的工作站点需求的工作人员与物资不足,此时需对其他站点的物资进行调配,以尽快恢复供电,需从多方面考虑调配物资的成本及抢修时间和抢修效率,通过构建多目标优化模型,并采用粒子群算法寻求Pareto最优解以提供合理有效的物资调配策略。
8.根据权利要求6 所述的基于配电线路故障信息的抢修物资调配方法,其特征在于,所述的S7步骤中,若故障类型级别小情况下,物资调配策略为由最近站点提供抢修服务;若故障类型为级别大情况下,则根据步骤S6所求的最优解进行物资调配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011360970.4A CN112561129B (zh) | 2020-11-27 | 2020-11-27 | 一种基于配电线路故障信息的抢修物资调配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011360970.4A CN112561129B (zh) | 2020-11-27 | 2020-11-27 | 一种基于配电线路故障信息的抢修物资调配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561129A CN112561129A (zh) | 2021-03-26 |
CN112561129B true CN112561129B (zh) | 2022-09-02 |
Family
ID=75046508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011360970.4A Active CN112561129B (zh) | 2020-11-27 | 2020-11-27 | 一种基于配电线路故障信息的抢修物资调配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561129B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419140B (zh) * | 2021-08-06 | 2023-01-24 | 广东电网有限责任公司 | 一种考虑人机物协同的配网线路故障诊断方法及装置 |
CN113837690B (zh) * | 2021-09-18 | 2024-01-23 | 国网冀北电力有限公司电力科学研究院 | 一种六氟化硫气体管控方法、装置、存储介质与系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005222138A (ja) * | 2004-02-03 | 2005-08-18 | National Institute Of Advanced Industrial & Technology | k−means法を用いるクラスタ分析装置、クラスタ分析方法、クラスタ分析プログラム、及びそのプログラムを記録した記録媒体 |
CN104898021A (zh) * | 2015-05-25 | 2015-09-09 | 昆明理工大学 | 一种基于k-means聚类分析的配电网故障选线方法 |
CN109284672A (zh) * | 2018-08-03 | 2019-01-29 | 金陵科技学院 | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 |
CN109871975A (zh) * | 2018-11-28 | 2019-06-11 | 国网浙江省电力有限公司台州供电公司 | 基于数据挖掘的故障抢修处理时长预测方法 |
JP2019121052A (ja) * | 2017-12-28 | 2019-07-22 | 日立建機株式会社 | 点検支援システム |
CN110245842A (zh) * | 2019-05-24 | 2019-09-17 | 电子科技大学 | 一种面向设备突发大故障的生产线风险调度方法 |
CN110969262A (zh) * | 2019-12-03 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器故障诊断方法 |
-
2020
- 2020-11-27 CN CN202011360970.4A patent/CN112561129B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005222138A (ja) * | 2004-02-03 | 2005-08-18 | National Institute Of Advanced Industrial & Technology | k−means法を用いるクラスタ分析装置、クラスタ分析方法、クラスタ分析プログラム、及びそのプログラムを記録した記録媒体 |
CN104898021A (zh) * | 2015-05-25 | 2015-09-09 | 昆明理工大学 | 一种基于k-means聚类分析的配电网故障选线方法 |
JP2019121052A (ja) * | 2017-12-28 | 2019-07-22 | 日立建機株式会社 | 点検支援システム |
CN109284672A (zh) * | 2018-08-03 | 2019-01-29 | 金陵科技学院 | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 |
CN109871975A (zh) * | 2018-11-28 | 2019-06-11 | 国网浙江省电力有限公司台州供电公司 | 基于数据挖掘的故障抢修处理时长预测方法 |
CN110245842A (zh) * | 2019-05-24 | 2019-09-17 | 电子科技大学 | 一种面向设备突发大故障的生产线风险调度方法 |
CN110969262A (zh) * | 2019-12-03 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
Mechanical fault diagnosis method for OLTC based on MPE and K-means++ algorithm;Yong Zhang 等;《2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》;20181216;第1252-1256页 * |
Mechanical Fault Diagnosis of On-load Tap Changer of Power Transformer by Clustering Algorithm;Peilong Chen 等;《2018 IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC)》;20181209;第60-64页 * |
配电网物资配送中心选址及物资配送研究;杨二丽;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20170215;第1-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112561129A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561129B (zh) | 一种基于配电线路故障信息的抢修物资调配方法 | |
CN110705873B (zh) | 一种配电网运行状态画像分析方法 | |
CN109872003B (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN106447107B (zh) | 一种基于飞机结构健康监控的维修方法 | |
CN111539566A (zh) | 一种考虑灾前预调度的配电网多故障抢修恢复方法及系统 | |
CN111130898B (zh) | 基于业务特征和节点可靠性的电力通信网故障恢复方法 | |
CN105320559A (zh) | 一种云计算系统的调度方法和装置 | |
CN104616210A (zh) | 一种智能配电网大数据融合重构与交互方法 | |
CN111709582B (zh) | 一种无人机边缘计算资源动态优化方法、系统及存储介质 | |
CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
CN114158102B (zh) | 面向馈线自动化实时控制的无线异构通信网络切换方法 | |
CN106779096A (zh) | 配电网报修态势主动预警系统 | |
CN105574600A (zh) | 一种面向电网通信业务的通信风险预警与风险规避方法 | |
CN115034510A (zh) | 适用于台风场景的电网安全风险全过程闭环管控优化方法及装置 | |
CN109242150A (zh) | 一种电网可靠性预测方法 | |
CN111126672A (zh) | 一种基于分类决策树的高压架空输电线路台风灾害预测方法 | |
Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
CN113526272B (zh) | 电梯群控系统和电梯群控设备 | |
CN113884807B (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
CN109359810A (zh) | 一种基于多策略均衡的电力通信传输网运行状态评估方法 | |
Yang et al. | Optimal resource allocation to enhance power grid resilience against hurricanes | |
CN113569961B (zh) | 一种电网节点分类方法及计算机可读介质 | |
CN113902346B (zh) | 一种电力抢修队伍的智能调拨方法 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
Weiwei et al. | Fault processing algorithm of power backbone communication networks based on artificial intelligence and state perception |
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 |