CN115954879B - 基于ao算法优化pnn的配电网线变关系精准辨识方法 - Google Patents
基于ao算法优化pnn的配电网线变关系精准辨识方法 Download PDFInfo
- Publication number
- CN115954879B CN115954879B CN202310234155.0A CN202310234155A CN115954879B CN 115954879 B CN115954879 B CN 115954879B CN 202310234155 A CN202310234155 A CN 202310234155A CN 115954879 B CN115954879 B CN 115954879B
- Authority
- CN
- China
- Prior art keywords
- matrix
- correlation coefficient
- voltage
- power distribution
- pnn
- 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 199
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000009466 transformation Effects 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 143
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012847 principal component analysis method Methods 0.000 claims abstract 2
- 238000009499 grossing Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000009189 diving Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000003672 processing method Methods 0.000 abstract 1
- 241000272184 Falconiformes Species 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 102100022825 Disintegrin and metalloproteinase domain-containing protein 22 Human genes 0.000 description 1
- 102100022818 Disintegrin and metalloproteinase domain-containing protein 23 Human genes 0.000 description 1
- 101000756722 Homo sapiens Disintegrin and metalloproteinase domain-containing protein 22 Proteins 0.000 description 1
- 101000756727 Homo sapiens Disintegrin and metalloproteinase domain-containing protein 23 Proteins 0.000 description 1
- 101000581326 Homo sapiens Mediator of DNA damage checkpoint protein 1 Proteins 0.000 description 1
- 101150047074 LY86 gene Proteins 0.000 description 1
- 101150067401 Ly96 gene Proteins 0.000 description 1
- 102100033485 Lymphocyte antigen 86 Human genes 0.000 description 1
- 102100033446 Lymphocyte antigen 96 Human genes 0.000 description 1
- -1 MD4 Proteins 0.000 description 1
- 102100027643 Mediator of DNA damage checkpoint protein 1 Human genes 0.000 description 1
- 101100400841 Nicotiana tabacum MD1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于配电网线变关系辨识技术领域，公开了一种基于AO算法优化PNN的配电网线变关系精准辨识方法，提取线路下所有配变的三相电压数据并经过预处理后获取所有配变的电压矩阵；进行皮尔逊相关系数计算以获取配变间的电压相关性系数矩阵以及配变和线路之间的电压相关性系数矩阵；将三个矩阵合并组成配电网特征矩阵；使用核主成分分析法对归集后的配电网特征矩阵降维，得到降维后的配电网特征矩阵；使用AO算法优化PNN网络；最后使用优化后的PNN网络对降维后的特征矩阵进行处理以辨识发生线变关系错误的具体配变。本发明解决了常见的基于数据处理方法的辨识阈值难以确定的问题。
Description
技术领域
本发明属于配电网线变关系辨识技术领域，具体涉及一种基于AO算法优化PNN的配电网线变关系精准辨识方法。
背景技术
随着经济的快速发展，用户对能源的依赖程度越来越高，而电能作为不可替代的能源越来越凸显了其重要性，电网公司为了满足用户对电能的需求并且提高供电可靠性对配电网进行了大范围的改造，使得配电网的复杂度越来越高。
例如，在实际运用中，为了快速的改切负荷以及对停电区域的快速恢复送电，电网公司经常在配电网中安装大量的联络开关、断路器、环网柜等设备，当有需要时，只需对这些设备进行操作便可实现负荷改切以及恢复送电，但是由于在实际操作中，工作人员可能未及时将操作记录到GIS系统中，导致配电网实际运行的线变关系与GIS系统中的线变关系不一致。
目前对于配电网的线变关系识别主要采用有基于硬件的方式和基于数据驱动的方式。基于硬件的方式需要在配电网中安装大量的硬件设备，这种方式需要投入大量的财力去安装设备，而基于数据驱动的方式目前主要采用的是基于电压相关性的方式进行判断，这种方式的辨识阈值难以确定，导致辨识准确性难以得到保证。
发明内容
针对配电网目前的拓扑混乱，线变关系不清晰的难点，大量的专家学者提出了众多的方案进行辨识，但是所获得的方式并不能完美的解决所面临的难题，为了彻底解决这一难点，提升电网公司的运行服务质量。因此，本发明提出了一种基于AO（天鹰）算法优化PNN（概率神经网络）的配电网线变关系精准辨识方法，本方法通过提取配变的每日配变三相电压采样数据生成电压矩阵，首先通过电压值计算出配变之间的电压相关性矩阵以及配变和线路之间的相关性矩阵，其次将三个矩阵组合成为原始特征矩阵以后使用核主成分分析法（KPCA）进行降维获取新的特征矩阵，接着使用AO算法优化PNN网络，最后将新的特征矩阵作为输入优化后的PNN网络获取辨识结果。
本发明通过以下技术方案来实现。一种基于AO算法优化PNN的配电网线变关系精准辨识方法，包括以下步骤：
步骤1：提取线路下所有配变的三相电压数据并经过预处理后获取所有配变的电压矩阵；
步骤2：进行皮尔逊相关系数计算以获取配变间的电压相关性系数矩阵以及配变和线路之间的电压相关性系数矩阵；将配变间的电压相关性系数矩阵、配变和线路之间的电压相关性系数矩阵以及电压矩阵进行处理后合并组成配电网特征矩阵；
步骤3：使用核主成分分析法（KPCA）对归集后的配电网特征矩阵降维，得到降维后的配电网特征矩阵；
步骤4：使用AO算法优化PNN网络，使PNN网络的平滑因子的选取达到最优值；
步骤5：将实时监测的电压矩阵按步骤2和步骤3处理得到的降维后的配电网特征矩阵，送入到使用AO算法优化后的PNN网络进行分析以辨识发生线变关系错误的配变。
进一步优选，步骤4的具体过程如下：
步骤4.1：输入层，使用降维后的配电网特征矩阵作为PNN网络输入层的输入矩阵；
步骤4.2：模式层，计算输入矩阵和训练集之间的关系输出为：
式中，E表示输入矩阵，也是待识别样本，Wq表示第一、二层之间的权值，表示平滑因子；
步骤4.3：求和层，将配变为正确或者错误的概率进行累加；
步骤4.4：输出层，输出每个神经元对应的配变的正确或者错误结论，表示为：
式中，为输入矩阵E对应的输出，p为输入矩阵E的维数，Emq为第m台配变的第q个训练向量，M为待分类的样本数目；
步骤4.5：使用AO算法优化PNN网络参数，选用均方根误差函数作为适应度函数进行计算：
式中，Ad为适应度函数，sq为PNN网络输出的第q个预测值，tq为第q个实际值；Q为预测值数量；
步骤4.6：初始化天鹰种群的位置，天鹰种群的初始位置为：
其中，，Lo,v为第o个种群的第v只天鹰的位置，O为种群中天鹰的数量，Dim为待解决问题的维数，rand为在[0,1]内随机选取的一个数，UBv为待解决问题的上界，LBv为待解决问题的下界；
步骤4.7：更新天鹰位置，采用天鹰算法的垂直俯冲攻击、盘旋攻击、低空飞行和陆地行走捕食四种方法进行计算以实现位置的更新；
步骤4.8：再次使用适应度函数计算，判断是否满足适应度需求或者达到最大迭代次数，若不满足则返回步骤4.6，若满足则结束；
步骤4.9：输出满足条件的天鹰位置，通过解码以后得到最优平滑因子，天鹰的位置会随着AO算法的运行而不断进行迭代更新，直到满足所需条件；
步骤4.10：将使用AO算法得到的最优平滑因子送入到PNN网络进行计算。
进一步优选，步骤2的具体过程为：
步骤2.1：计算地理信息系统中保存的同一条线路下所有配变之间的皮尔逊相关系数组成配变间的电压相关性系数矩阵；
步骤2.2：计算所有配变和所属线路的皮尔逊相关系数，采用皮尔逊相关系数公式计算，组建配变和线路之间的电压相关性系数矩阵；
步骤2.3：分别将电压矩阵、配变间的电压相关性系数矩阵以及配变和线路之间的电压相关性系数矩阵进行归一化；
步骤2.4：将归一化后的电压矩阵、配变间的电压相关性系数矩阵以及配变间的电压相关性系数矩阵组合成原始配电网特征矩阵；将原始配电网特征矩阵的数据以配变为单位重新归集形成各台配变的特征矩阵，得到归集后的配电网特征矩阵。
进一步优选，步骤3的具体过程为：
步骤3.1：针对归集后的配电网特征矩阵，计算核矩阵，并将其中心化得到中心化核矩阵；
步骤3.2：计算中心化核矩阵的特征值和特征向量；
步骤3.3：将中心化核矩阵的特征值，并进行降序排序，取中心化核矩阵的前r个特征值和对应的特征向量；
步骤3.4：利用核矩阵和中心化核矩阵的前r个的特征值和对应的特征向量计算降维结果；
步骤3.5：对降维结果计算主成分累计贡献率；当前P个降维结果的主成分累计贡献率大于设定百分比时，选取前P个降维结果的特征值及特征向量组建成为降维后的配电网特征矩阵。
具体地，所述电压矩阵为：
式中，n表示每日的电压采样次数，m表示同一条线路下所辖配变数量，Vm,n表示配变m第n次采样的电压。
具体地，配变之间的皮尔逊相关系数计算方式为：
式中，ρA,B为配变A和配变B的皮尔逊相关系数，cov(A,B)是配变A和配变B的协方差，δA、δB分别是配变A和配变B的标准差，ai、bi分别为配变A和配变B第i次采样的电压向量。
具体地，所述配变间的电压相关性系数矩阵为：
式中，ρm,1是第1台配变和第m台配变的皮尔逊相关系数，ρ1,m是第m台配变和第1台配变的皮尔逊相关系数；ρ2,1是第1台配变和第2台配变的皮尔逊相关系数，ρ1,2是第2台配变和第1台配变的皮尔逊相关系数；ρ2,m是第m台配变和第2台配变的皮尔逊相关系数，ρm,2是第2台配变和第m台配变的皮尔逊相关系数。
配变和线路之间的电压相关性系数矩阵为；ρl,n为第l条线路和第n台配变的相关系数，T为转置。
本发明使用了核主成分分析法（KPCA）对采集到的非线性数据组合成的原始特征矩阵进行降维，在保留最大特征的基础下运用了PNN（概率神经网络）对配变的正确与否进行分析，在运用过程中，针对PNN的平滑因子难以确定的技术难题创新性的提出了一种使用AO（天鹰）算法来选取最优值的方案，将降维后的特征矩阵送入到经优化的PNN网络以实现配电网线变关系的精准辨识。
附图说明
图1是本发明的方法流程图。
图2是一条线路的线路拓扑图。
具体实施方式
下面结合附图和实施例对本发明进一步详细阐明。
参照图1，一种基于AO算法优化PNN的配电网线变关系精准辨识方法，包括以下步骤：
步骤1：提取线路下所有配变的三相电压数据并经过预处理后获取所有配变的电压矩阵；
步骤1.1：从配电网运行调度中心的生产管理系统（PMS系统）、数据采集与监视控制系统（SCADA系统）以及地理信息系统（GIS）中导出所需的配变的每日96次采样的电压数据如表1以及图2所示的线路拓扑图，图2中ZT1、ZT2、ZT3、YS1、YS2、YS3、TZ1、TZ2、TZ3、MDC1、MDC2、MDC3、MD1、MD2、MD3、MD4、ML5、ML6、ML7、ML8、GD1为各配变的配变名称；表1中，u1表示第1次采样的电压，u2表示第2次采样的电压，u3表示第3次采样的电压，u95表示第95次采样的电压，u96表示第96次采样的电压。
表1 一条线路下变压器日电压采样数据，单位：伏
步骤1.2：采用数学方法对数据进行处理，包括：缺失值填补、异常值替换、电压干扰装置检测、零采样值删除以及三相电压归一化等，将线路下的所有配变的预处理完的电压数据处理成电压矩阵：
式中，n表示每日的电压采样次数，m表示同一条线路下所辖配变数量，Vm,n表示配变m第n次采样的电压；
步骤2：进行皮尔逊相关系数计算以获取配变间的电压相关性系数矩阵以及配变和线路之间的电压相关性系数矩阵。将配变间的电压相关性系数矩阵、配变和线路之间的电压相关性系数矩阵以及电压矩阵进行处理后合并组成配电网特征矩阵；
步骤2.1：计算地理信息系统中保存的同一条线路下所有配变之间的皮尔逊相关系数组成配变间的电压相关性系数矩阵；
式中，ρA,B为配变A和配变B的皮尔逊相关系数，cov(A,B)是配变A和配变B的协方差，δA、δB分别是配变A和配变B的标准差，ai、bi分别为配变A和配变B第i次采样的电压向量。通过计算出皮尔逊相关系数以后可以组建配变间的电压相关性系数矩阵：
式中，ρm,1是第1台配变和第m台配变的皮尔逊相关系数，ρ1,m是第m台配变和第1台配变的皮尔逊相关系数；ρ2,1是第1台配变和第2台配变的皮尔逊相关系数，ρ1,2是第2台配变和第1台配变的皮尔逊相关系数；ρ2,m是第m台配变和第2台配变的皮尔逊相关系数，ρm,2是第2台配变和第m台配变的皮尔逊相关系数，在本实施例中，所获得的配变间的相关系数矩阵为：
步骤2.2：计算所有配变和所属线路的皮尔逊相关系数，采用皮尔逊相关系数公式计算，组建配变和线路之间的电压相关性系数矩阵；ρl,n为第l条线路和第n台配变的相关系数，T为转置，本实施例中所获得的的配变和线路的相关系数矩阵为：
步骤2.3：分别将电压矩阵、配变间的电压相关性系数矩阵以及配变和线路之间的电压相关性系数矩阵进行归一化；
式中，gj是第j台配变归一化后的数据，Gj为三个矩阵（电压矩阵、配变间的电压相关性系数矩阵以及配变和线路之间的电压相关性系数矩阵）中的第j台配变的特征向量，，/>分别为第j台配变的特征向量中的最小值和最大值。
步骤2.4：将归一化后的电压矩阵、配变间的电压相关性系数矩阵以及配变和线路之间的电压相关性系数矩阵组合成原始配电网特征矩阵；
其中，X为归一化后的原始特征矩阵，为归一化后的电压矩阵，xρ为归一化后的配变间的相关系数矩阵，xρl为归一化后的配变和线路的相关系数矩阵；将原始配电网特征矩阵的数据以配变为单位重新归集形成各台配变的特征矩阵，得到归集后的配电网特征矩阵：
式中，T表示转置，x1、x2、xm分别为第1、2、m台配变的特征矩阵，表示配电网特征矩阵的维数为m×n；
步骤3：使用核主成分分析法（KPCA）对归集后的配电网特征矩阵降维，得到降维后的配电网特征矩阵，降维后的配电网特征矩阵最大程度保留了原始的特征。
步骤3.1：针对归集后的配电网特征矩阵，计算核矩阵/>，并将其中心化得到中心化核矩阵/>；
式中，a为核参数，xi为第i台配变的特征矩阵，xj为第j台配变的特征矩阵，i,j=1,2,3…M ，M为配变数量；
式中，是元素为1/M的M*M矩阵；
步骤3.2：计算中心化核矩阵的特征值和特征向量；
步骤3.3：将中心化核矩阵的特征值，并进行降序排序，取中心化核矩阵的前r个特征值和对应的特征向量u1,u2,…,ur，hr为中心化核矩阵的第r个特征值，ur为中心化核矩阵的第r个特征值；
步骤3.4：利用核矩阵和中心化核矩阵的前r个的特征值和对应的特征向量计算降维结果ZN*r；
步骤3.5：对降维结果计算主成分累计贡献率C；
当前P个降维结果的主成分累计贡献率C大于85%时，选取前P个降维结果的特征值及特征向量组建成为降维后的配电网特征矩阵。
步骤4：使用AO算法优化PNN网络，使PNN网络的平滑因子的选取达到最优值，更适应本发明中的线变关系精准辨识的实际需要。
步骤4.1：输入层，使用降维后的配电网特征矩阵作为PNN网络输入层的输入矩阵；
步骤4.2：模式层，计算输入矩阵和训练集之间的关系输出为：
式中，E表示输入矩阵，也是待识别样本，Wq表示第一、二层之间的权值，表示平滑因子；
步骤4.3：求和层，将配变为正确或者错误的概率进行累加；
步骤4.4：输出层，输出每个神经元对应的配变的正确或者错误结论，表示为：
式中，为输入矩阵E对应的输出，p为输入矩阵E的维数，Emq为第m台配变的第q个训练向量，M为待分类的样本数目。
步骤4.5：针对PNN网络的平滑因子难以选取到最优值的难点，使用AO算法优化PNN网络参数，选用均方根误差函数作为适应度函数进行计算：
式中，Ad为适应度函数，sq为PNN网络输出的第q个预测值，tq为第q个实际值；Q为预测值数量；
步骤4.6：初始化天鹰种群的位置，天鹰种群的初始位置为：
其中，
式中，Lo,v为第o个种群的第v只天鹰的位置（本发明指PNN网络的平滑因子），O为种群中天鹰的数量，Dim为待解决问题的维数，rand为在[0,1]内随机选取的一个数，UBv为待解决问题的上界，LBv为待解决问题的下界；
步骤4.7：更新天鹰位置，采用天鹰算法的四种方法进行计算以实现位置的更新，分别是：①垂直俯冲攻击；②盘旋攻击；③低空飞行；④陆地行走捕食；
步骤4.8：再次使用适应度函数计算，判断是否满足适应度需求或者达到最大迭代次数，若不满足则返回步骤4.6，若满足则结束；
步骤4.9：输出满足条件的天鹰位置，通过解码以后得到最优平滑因子。值得注意的是，在这步中，天鹰的位置会随着AO算法的运行而不断进行迭代更新，直到满足所需条件。
步骤4.10：将使用AO算法得到的最优平滑因子送入到PNN网络进行计算。
步骤5：将实时监测的电压矩阵按步骤2和步骤3处理得到的降维后的配电网特征矩阵，送入到使用AO算法优化后的PNN网络进行分析以辨识发生线变关系错误的配变，得到表2所示的PNN输出结果。
表2 PNN输出结果
在本实施例中，在地理信息系统中所有的配变均是使用的MLX线进行供电的，经过使用本发明方法进行分析识别以后，发现PNN网络的输出结果中GD、ML系列、MD系列的配变和MLX线下的配变并不属于同一集群，判断其已经出现了线变关系错误，后经过实际的现场确认发现两条线路连接处的断路器已经断开，GD、ML系列、MD系列的配变实际上是有35kVGC变电站进行供电，与地理信息系统的记录不符造成了线变关系的错误，最终通过本发明所提方法成功辨识出了所有的错误配变。
对于线变关系的辨识事实上是一种分类问题，分类的结果只有正确和错误，若使用原始特征矩阵需要巨大的计算量，并且原始特征矩阵中的数值并不在同一量纲，经过数据的归一化及降维以后才能使其可用，最后，由于人工选取的PNN网络平滑因子并不能取到最优值，所以提出了AO算法改进PNN网络，最终使得改进的PNN网络的平滑因子/>达到最优，使用AO算法优化PNN网络获取到每台配变的正确得分和错误得分，对得分进行分析以辨识发生线变关系错误的配变。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种基于AO算法优化PNN的配电网线变关系精准辨识方法，其特征在于，包括以下步骤：
步骤1：提取线路下所有配变的三相电压数据并经过预处理后获取所有配变的电压矩阵；
步骤2：进行皮尔逊相关系数计算以获取配变间的电压相关性系数矩阵以及配变和线路之间的电压相关性系数矩阵；将配变间的电压相关性系数矩阵、配变和线路之间的电压相关性系数矩阵以及电压矩阵进行处理后合并组成配电网特征矩阵；
步骤3：使用核主成分分析法对归集后的配电网特征矩阵降维，得到降维后的配电网特征矩阵；
步骤4：使用AO算法优化PNN网络，使PNN网络的平滑因子的选取达到最优值；
步骤5：将实时监测的电压矩阵按步骤2和步骤3处理得到的降维后的配电网特征矩阵，送入到使用AO算法优化后的PNN网络进行分析以辨识发生线变关系错误的配变。
2.根据权利要求1所述的基于AO算法优化PNN的配电网线变关系精准辨识方法，其特征在于，步骤4的具体过程如下：
步骤4.1：输入层，使用降维后的配电网特征矩阵作为PNN网络输入层的输入矩阵；
步骤4.2：模式层，计算输入矩阵和训练集之间的关系输出为：
式中，E表示输入矩阵，也是待识别样本，Wq表示第一、二层之间的权值，表示平滑因子；
步骤4.3：求和层，将配变为正确或者错误的概率进行累加；
步骤4.4：输出层，输出每个神经元对应的配变的正确或者错误结论，表示为：
式中，为输入矩阵E对应的输出，p为输入矩阵E的维数，Emq为第m台配变的第q个训练向量，M为待分类的样本数目；
步骤4.5：使用AO算法优化PNN网络参数，选用均方根误差函数作为适应度函数进行计算：
式中，Ad为适应度函数，sq为PNN网络输出的第q个预测值，tq为第q个实际值；Q为预测值数量；
步骤4.6：初始化天鹰种群的位置，天鹰种群的初始位置为：
其中，，Lo,v为第o个种群的第v只天鹰的位置，O为种群中天鹰的数量，Dim为待解决问题的维数，rand为在[0,1]内随机选取的一个数，UBv为待解决问题的上界，LBv为待解决问题的下界；
步骤4.7：更新天鹰位置，采用天鹰算法的垂直俯冲攻击、盘旋攻击、低空飞行和陆地行走捕食四种方法进行计算以实现位置的更新；
步骤4.8：再次使用适应度函数计算，判断是否满足适应度需求或者达到最大迭代次数，若不满足则返回步骤4.6，若满足则结束；
步骤4.9：输出满足条件的天鹰位置，通过解码以后得到最优平滑因子，天鹰的位置会随着AO算法的运行而不断进行迭代更新，直到满足所需条件；
步骤4.10：将使用AO算法得到的最优平滑因子送入到PNN网络进行计算。
3.根据权利要求1所述的基于AO算法优化PNN的配电网线变关系精准辨识方法，其特征在于，步骤2的具体过程为：
步骤2.1：计算地理信息系统中保存的同一条线路下所有配变之间的皮尔逊相关系数组成配变间的电压相关性系数矩阵；
步骤2.2：计算所有配变和所属线路的皮尔逊相关系数，采用皮尔逊相关系数公式计算，组建配变和线路之间的电压相关性系数矩阵；
步骤2.3：分别将电压矩阵、配变间的电压相关性系数矩阵以及配变和线路之间的电压相关性系数矩阵进行归一化；
步骤2.4：将归一化后的电压矩阵、配变间的电压相关性系数矩阵以及配变间的电压相关性系数矩阵组合成原始配电网特征矩阵；将原始配电网特征矩阵的数据以配变为单位重新归集形成各台配变的特征矩阵，得到归集后的配电网特征矩阵。
4.根据权利要求1所述的基于AO算法优化PNN的配电网线变关系精准辨识方法，其特征在于，步骤3的具体过程为：
步骤3.1：针对归集后的配电网特征矩阵，计算核矩阵，并将其中心化得到中心化核矩阵；
步骤3.2：计算中心化核矩阵的特征值和特征向量；
步骤3.3：将中心化核矩阵的特征值，并进行降序排序，取中心化核矩阵的前r个特征值和对应的特征向量；
步骤3.4：利用核矩阵和中心化核矩阵的前r个的特征值和对应的特征向量计算降维结果；
步骤3.5：对降维结果计算主成分累计贡献率；当前P个降维结果的主成分累计贡献率大于设定百分比时，选取前P个降维结果的特征值及特征向量组建成为降维后的配电网特征矩阵。
5.根据权利要求1所述的基于AO算法优化PNN的配电网线变关系精准辨识方法，其特征在于，所述电压矩阵为：
式中，n表示每日的电压采样次数，m表示同一条线路下所辖配变数量，Vm,n表示配变m第n次采样的电压。
6.根据权利要求3所述的基于AO算法优化PNN的配电网线变关系精准辨识方法，其特征在于，配变之间的皮尔逊相关系数计算方式为：
式中，ρA,B为配变A和配变B的皮尔逊相关系数，cov(A,B)是配变A和配变B的协方差，δA、δB分别是配变A和配变B的标准差，ai、bi分别为配变A和配变B第i次采样的电压向量。
7.根据权利要求3所述的基于AO算法优化PNN的配电网线变关系精准辨识方法，其特征在于，所述配变间的电压相关性系数矩阵为：
式中，ρm,1是第1台配变和第m台配变的皮尔逊相关系数，ρ1,m是第m台配变和第1台配变的皮尔逊相关系数；ρ2,1是第1台配变和第2台配变的皮尔逊相关系数，ρ1,2是第2台配变和第1台配变的皮尔逊相关系数；ρ2,m是第m台配变和第2台配变的皮尔逊相关系数，ρm,2是第2台配变和第m台配变的皮尔逊相关系数。
8.根据权利要求3所述的基于AO算法优化PNN的配电网线变关系精准辨识方法，其特征在于，配变和线路之间的电压相关性系数矩阵为；ρl,n为第l条线路和第n台配变的相关系数，T为转置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310234155.0A CN115954879B (zh) | 2023-03-13 | 2023-03-13 | 基于ao算法优化pnn的配电网线变关系精准辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310234155.0A CN115954879B (zh) | 2023-03-13 | 2023-03-13 | 基于ao算法优化pnn的配电网线变关系精准辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115954879A CN115954879A (zh) | 2023-04-11 |
| CN115954879B true CN115954879B (zh) | 2023-10-27 |
Family
ID=87297833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310234155.0A Active CN115954879B (zh) | 2023-03-13 | 2023-03-13 | 基于ao算法优化pnn的配电网线变关系精准辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115954879B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116127858B (zh) * | 2023-04-13 | 2023-06-27 | 南昌工程学院 | 基于改进沙猫算法优化的gis设备温升预测方法及系统 |
| CN116203365B (zh) * | 2023-05-05 | 2023-07-18 | 南昌工程学院 | 基于野马算法优化pnn的gis设备局部放电检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111505433A (zh) * | 2020-04-10 | 2020-08-07 | 国网浙江余姚市供电有限公司 | 一种低压台区户变关系纠错及相位识别方法 |
| CN112098772A (zh) * | 2020-08-17 | 2020-12-18 | 国网安徽省电力有限公司铜陵供电公司 | 一种配电网线变关系异常识别判定方法 |
| CN112668173A (zh) * | 2020-12-24 | 2021-04-16 | 国网江西省电力有限公司电力科学研究院 | 一种基于偏态分布计算10kV线路拓扑关系阈值的方法 |
| CN115377976A (zh) * | 2022-10-25 | 2022-11-22 | 四川中电启明星信息技术有限公司 | 一种基于皮尔逊相关系数的配网线变关系识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537844B (zh) * | 2021-09-15 | 2021-12-17 | 山东大学 | 基于随机矩阵的区域能源互联网负荷行为分析方法及系统 |
-
2023
- 2023-03-13 CN CN202310234155.0A patent/CN115954879B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111505433A (zh) * | 2020-04-10 | 2020-08-07 | 国网浙江余姚市供电有限公司 | 一种低压台区户变关系纠错及相位识别方法 |
| CN112098772A (zh) * | 2020-08-17 | 2020-12-18 | 国网安徽省电力有限公司铜陵供电公司 | 一种配电网线变关系异常识别判定方法 |
| CN112668173A (zh) * | 2020-12-24 | 2021-04-16 | 国网江西省电力有限公司电力科学研究院 | 一种基于偏态分布计算10kV线路拓扑关系阈值的方法 |
| CN115377976A (zh) * | 2022-10-25 | 2022-11-22 | 四川中电启明星信息技术有限公司 | 一种基于皮尔逊相关系数的配网线变关系识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| The transformer fault diagnosis combing KPCA with PNN;C. Dai, Z. Liu and Y. Cui;《2014 International Joint Conference on Neural Networks (IJCNN)》;第1314-1319页 * |
| 基于DGA和AO-PNN的变压器故障诊断方法研究;张晓虎 等;《电工技术》;第66-69页 * |
| 基于大数据挖掘技术的输变电设备故障诊断方法;胡军 等;《高电压技术》;第43卷(第11期);第3690-3697页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115954879A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115954879B (zh) | 基于ao算法优化pnn的配电网线变关系精准辨识方法 | |
| CN110995475B (zh) | 一种基于迁移学习的电力通信网故障检测方法 | |
| CN110263172A (zh) | 一种电网监控告警信息事件化自主识别方法 | |
| CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
| CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
| CN109102157A (zh) | 一种基于深度学习的银行工单派单方法及系统 | |
| CN113391239B (zh) | 一种基于边缘计算的互感器异常监测方法与系统 | |
| CN111476299A (zh) | 一种改进型卷积神经网络及基于其的电网智能告警系统 | |
| CN116502160A (zh) | 一种电量数据自动采集系统 | |
| CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
| CN111881961A (zh) | 基于数据挖掘的配电网故障风险等级预测方法 | |
| CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
| CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
| CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
| CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
| CN112924813B (zh) | 基于电气数据的配电网短路故障监控方法及装置 | |
| CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
| CN117389967A (zh) | 一种变电设备多维故障信息提取处理和诊断方法及系统 | |
| CN116755000A (zh) | 一种变压器故障快速识别装置及方法 | |
| CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
| CN110232409A (zh) | 一种配网跳闸故障类型自动识别方法 | |
| CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
| CN114024308A (zh) | 一种配电网台户关系辨识方法和系统 | |
| CN112052277A (zh) | 一种基于大数据的电压暂降严重度评估方法及设备 |
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 |