一种基于萤火虫算法优化的SVM的配电网拓扑辨识制造技术

本发明专利技术公开了一种基于萤火虫算法优化的SVM的配电网拓扑辨识，本专利采用利用SCADA采集不同拓扑结构下多种负荷水平的断面电压幅值量测数据和相应的拓扑标签，组成训练数据集。再对训练数据集进行归一化处理，之后用GSO同时进行特征选择和SVM参数的优化，筛选出对配电网拓扑辨识最有效的部分节点电压幅值量测，这些节点电压幅值量测构成最优特征子集，优化后的SVM参数进行构建最优拓扑辨识模型，具有辨识度效率高且精准的特点本发明专利技术的有益效果：具有辨识度效率高且精准的特点。具有辨识度效率高且精准的特点。具有辨识度效率高且精准的特点。

【技术实现步骤摘要】
一种基于萤火虫算法优化的SVM的配电网拓扑辨识


[0001]本专利技术涉及配电网
，具体是一种基于萤火虫算法优化的SVM的配电网拓扑辨识。

技术介绍

[0002]电网拓扑辨识的任务是针对给定的开关信息的变化，将用节点描述的物理模型转化为用母线描述的数学模型，将原始的物理节点转化为考虑开关状态后的拓扑节点。
[0003]电网分为输电网和配电网。输电网的数据采集与监控配置已经相当完善，调度人员能够方便的获取输电网的拓扑结构，还能够通过状态估计等方法来识别拓扑错误。随着配电网智能化推进，配电网中的分布式电源不断增多，配电网中开关数量多且状态变化频繁，目前配电网的监测设备有限，使得调度人员不易掌握线路的实时状态。
[0004]电网拓扑辨识作为电力系统各高级应用的基础，为潮流计算、状态估计等在线分析应用提供初始数学模型。传统的拓扑分析算法在大规模智能电网的背景下存在计算量大、计算效率和准确率低等问题。所以针对智能配电网开发计算速度快、准确度高的电网拓扑辨识算法具有很强的现实意义。
[0005]配电网拓扑辨识方法主要有两大类。第一类是基于配电网网络参数和结构的数值优化方法。比如基于混合整数二次规划(Mixed IntegerQuadratic Programming,MIQP)的配电网拓扑辨识方法，将最小化测量残差的加权平方和作为拓扑辨识模型的目标函数，只适用于辐射状配电网。比如利用微型同步相量量测单元(Micro
‑
synchronous Phasor Measurement Unit,μPMU)获取节点注入功率的多次采样值，计算基于节点注入功率量测的电压偏差的方差，将其作为线路的权重，采用Kruskal算法构造方差最小的最小生成树，相应的结构即为配电网的运行拓扑，搜索效率低下。第二类是基于数据驱动的方法。比如对智能电表量测的电压曲线进行相关分析，结合电压幅值的比较，确定配电网的拓扑连接关系。比如利用配电馈线的数个连续的电压量测构造趋势向量，与预先构造的对应各种拓扑变化的趋势向量库进行比较，判断状态发生变化的开关，该方法只能用于检测一个开关状态的变化。比如采用轻量梯度提升机(Light Gradient Boosting Machine,LightGBM)筛选出对配电网拓扑辨识最有效的量测特征，采用深度神经网络(Deep Neural Networks,DNN)进行配电网拓扑辨识，其特征选择方法没有考虑所选特征间的相关性，会选出冗余特征，且DNN的超参数采用网格搜索确定，搜索效率较低。

技术实现思路

[0006]本专利技术的目的在于提供一种基于萤火虫算法优化的SVM的配电网拓扑辨识，以解决上述
技术介绍
中提出的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种基于萤火虫算法优化的SVM的配电网拓扑辨识，其特征在于，包括以下步骤：
[0008]步骤一：构建训练数据集，首先利用数据采集与监控系统采集不同拓扑结构下多
种负荷水平的断面电压幅值测量数据和对应的拓扑标签，组成训练数据集。
[0009]步骤二：针对配电网的某一节点进行归一化处理，测量得到某一节点上的电压幅值的最大值和最小值，利用归一处理前的节点电压幅值减去最小的电压幅值得到数值A，然后利用训练数据集中最大值减去最小值得到数值B，最后利用数值A除以数值B即可得到节点规划后的电压幅值。
[0010]步骤三：确定SVM中的核函数参数σ和惩罚因子C的取值区间，以及迭代结束条件。
[0011]步骤四：将带入SVM的算法中，然后不断进行模型训练，从而验证算法模型，结合预测的结果对不断调整SVM算法中的核函数参数和惩罚因子，最后得到预测结果最优的训练模型。
[0012]作为本专利技术进一步的方案：所述步骤三中，具体可分为以下步骤：
[0013]S3
‑
1：初始化各参数，萤火虫初始种群的规模n、光强吸收系数γ、最大吸引度β0、步长因子α及最大迭代次数等参数，n只萤火虫的位置是随机生成的其中每一只萤火虫的位置都是与一个二维向量(c,g)一一对应，其中σ代表的是在和函数中的分布宽度大小；
[0014]S3
‑
2：随机初始化萤火虫的位置，不断的进行迭代，计算萤火虫的目标函数值作为各自最大荧光亮度I0；
[0015]S3
‑
3：计算种群中各个体的最大荧光亮度和各自的吸引度值；
[0016]S3
‑
4：根据步骤S3
‑
3计算出来的荧光亮度和吸引度来更新个体位置，即向荧光亮度比自己更亮的个体移动；
[0017]S3
‑
5：重新计算各个体的荧光亮度和吸引度，再更新萤火虫的位置；
[0018]S3
‑
6：判断是否达到最大迭代次数或精度；
[0019]S3
‑
7：输出全局极值点和最优个体值。
[0020]作为本专利技术进一步的方案：在步骤三中，迭代结束条件达到时，迭代停止，此时可以发现光强度最大的萤火虫，从而找到二维向量(c,g)的最优值
[0021]作为本专利技术进一步的方案：在步骤二中，进行数据归一化处理的同时还利用GSO同时进行特征选择和SVN参数的优化，筛选处配电网拓扑辨识最有效的部分节点电压幅值量测，优化后的SVM参数即可构建最优的拓扑辨识模型。
[0022]与现有技术相比，本专利技术的有益效果是：本专利采用利用SCADA采集不同拓扑结构下多种负荷水平的断面电压幅值量测数据和相应的拓扑标签，组成训练数据集。再对训练数据集进行归一化处理，之后用GSO同时进行特征选择和SVM参数的优化，筛选出对配电网拓扑辨识最有效的部分节点电压幅值量测，这些节点电压幅值量测构成最优特征子集，优化后的SVM参数进行构建最优拓扑辨识模型，具有辨识度效率高且精准的特点。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领
域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1为本专利技术配电网拓扑辨识总体流程图；
[0025]图2为本专利技术数据归一化具体流程图。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]请参阅图1
‑
2，本专利技术实施例中，一种基于萤火虫算法优化的SVM的配电网拓扑辨识，其特征在于，包括以下步骤：
[0028]步骤一：构建训练数据集，首先利用数据采集与监控系统采集不同拓扑结构下多种负荷水平的断面电压幅值测量数据和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于萤火虫算法优化的SVM的配电网拓扑辨识，其特征在于，包括以下步骤：步骤一：构建训练数据集，首先利用数据采集与监控系统采集不同拓扑结构下多种负荷水平的断面电压幅值测量数据和对应的拓扑标签，组成训练数据集；步骤二：针对配电网的某一节点进行归一化处理，测量得到某一节点上的电压幅值的最大值和最小值，利用归一处理前的节点电压幅值减去最小的电压幅值得到数值A，然后利用训练数据集中最大值减去最小值得到数值B，最后利用数值A除以数值B即可得到节点规划后的电压幅值；步骤三：确定SVM中的核函数参数σ和惩罚因子C的取值区间，以及迭代结束条件；步骤四：将带入SVM的算法中，然后不断进行模型训练，从而验证算法模型，结合预测的结果对不断调整SVM算法中的核函数参数和惩罚因子，最后得到预测结果最优的训练模型。2.根据权利要求1所述的一种基于萤火虫算法优化的SVM的配电网拓扑辨识，其特征在于：所述步骤三中，具体可分为以下步骤：S3
‑
1：初始化各参数，萤火虫初始种群的规模n、光强吸收系数γ、最大吸引度β0、步长因子α及最大迭代次数等参数，n只萤火虫的位置是随机生成的其中每一只萤火虫的位置都是与一个二维向量(c,g)一一对应，其中σ代表的是在和函数中的分布...

【专利技术属性】
技术研发人员：卞海红，王德邻，郭正阳，王西蒙，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：