基于改进萤火虫算法优化制造技术

基于改进萤火虫算法优化

【技术实现步骤摘要】
基于改进萤火虫算法优化RBF神经网络的配电网运行状态预测方法


[0001]本专利技术涉及配电网运行状态预测
，具体涉及一种基于改进萤火虫算法优化
RBF
神经网络的配电网运行状态预测方法
。

技术介绍

[0002]近年来，随着我国智能电网技术的发展，配电智能化成为发展中的新趋势
。
其中，提前并较为准确预测出配电网的运行状态对实现配电网的安全运行起到至关重要的作用
。
由于我国配电网分布广泛，线路环境复杂，设备老化损坏，智能化程度低等缺陷均会导致配电网的运行状态发生变化，会进一步导致配电网的潮流分布发生变化，因此，可通过各节点的状态变化量的变化情况来凸显配电网的运行状态
。
[0003]现有技术中的文献
[1]:“于涛
,
刁守斌
,
祝永刚
,
等
.
基于态势感知的智能配电网运行状态评估
[J].
山东电力技术
,2020,47(02):13
‑
19.”，该文献通过最小二乘支持向量机算法对配电网数据进行了预测分析，该文献仅通过单一的智能算法对已有的数据进行建模预测
。
由于没有与先进的调参算法进行配合使用，其模型参数只适用于已有的数据，后续数据不断扩充时该模型可能无法达到准确的预测
。
[0004]现有技术中的文献
[2]:“刘继军
,
白玉新
,
赫英凤
.
现代机器学习算法的船舶配电网运行状态评估
[J].
舰船科学技术
,2021,43(20):106
‑
108.”,
该文献利用数据挖掘和现机器学习算法对配电网运行状态进行了预测，由于无具体调参的智能算法，使得参数的取值具有随机性，可能使预测算法陷入局部最优的陷阱中
。

技术实现思路

[0005]针对现有技术对预测配电网运行状态时存在的问题，本专利技术提供一种基于改进萤火虫算法优化
RBF
神经网络的配电网运行状态预测方法，通过改进后的萤火虫算法
IFA
寻找
RBF
神经网络的最优超参数以构建配电网运行状态预测模型，根据配电网某节点处的影响参量和误差参量进行建模，通过预测出的短期误差参量，实现对配电网的短期状态评估
。
[0006]本专利技术采取的技术方案为：
[0007]基于改进萤火虫算法优化
RBF
神经网络的配电网运行状态预测方法，包括以下步骤：
[0008]步骤1：采集某配电网节点的某节点运行数据，包括有功
、
无功
、
电压数据；
[0009]步骤2：将步骤1中采集的数据进行归一化处理，将处理后的数据划分为训练集
、
验证集
、
测试集；
[0010]步骤3：基于改进后的萤火虫算法寻找
RBF
神经网络算法的最优超参数，构建配电网运行状态预测模型；
[0011]步骤4：将步骤2中所划分好的训练集输入到步骤3中的配电网运行状态预测模型中进行训练，测试集作为模型的输入，用平均绝对误差和均方根误差作为预测评估指标；
[0012]步骤5：将电压数据作为预测标签，电压预测值与实际各节点电压变化量进行比较，如果电压差值量小于阈值时，认为配电网运行状态正常；如果电压差值量大于阈值，则配电网运行状态不稳定
。
[0013]所述步骤1中，将节点有功数据和无功数据作为输入模型的特征参量，将电压数据作为模型输出的标签参量
。
[0014]所述步骤2中，将数据进行归一化处理具体如下式1所示
。
[0015][0016]其中：
X
为归一化后的结果；
x
表示原始的每一列数据；
x
min
表示为原始每一列数据的最小值；
x
max
则表示为每一列数据的最大值；取归一化后的
6000
条正常数据，以7：3的比例划分出训练集
、
测试集，将剩余处理好的
800
条正常数据和
800
异常数据作为验证集
。
[0017]所述步骤3包括以下步骤：
[0018]步骤
3.1、
初始化改进后的萤火虫算法
IFA
的参数：
[0019]对初始吸引度
、
光强吸收系数
、
步长因子
、
迭代次数等基本参数进行初始化
。
[0020]初始吸引度
、
光强吸收系数
、
步长因子
、
迭代次数等基本参数的初始化是由人为随机给定，后续输入数据后经过迭代得到最优的参数，在此，给出初始的参数取值，初始吸引度为
0.1
，光强吸收系数为
1.1
，步长因子为
0.3
，迭代次数设置为
100。
[0021]步骤
3.2、
萤火虫位置的初始化：
[0022]将随机生成的
RBF
神经网络算法的学习率
、
迭代次数
、
隐藏层节点数和输出层节点数等参数作为萤火虫算法
IFA
的初始位置
。
[0023]步骤
3.3、
通过划分好的训练集对基于萤火虫算法
IFA
优化下的
RBF
神经网络算法进行建模；其中所涉及的具体公式如下：
[0024]改进的萤火虫算法公式，如下：
[0025]萤火虫的亮度为：
[0026][0027]其中：
I
为光强度，
I0为初始光强度，
γ
是光强吸收系数，
r
ij
为萤火虫空间位置欧氏距离
。
[0028]吸引度为：
[0029]β
＝
β0e
‑
γ
m
[0030]其中：
β
为萤火虫吸引度，
β0为萤火虫初始吸引度，
γ
是光强吸收系数，
m
为常数，通常取为
2。
[0031]萤火虫之间相互吸引的数学描述如下：
[0032]x
i
(t+1)
＝
x
i
(t)+
β
(x
j
(t)
‑
x
i
(t))+
αε
i
[0033]其中：
x
i
(t+1)
为萤火虫
x...

【技术保护点】

【技术特征摘要】
1.
基于改进萤火虫算法优化
RBF
神经网络的配电网运行状态预测方法，其特征在于包括以下步骤：步骤1：采集某配电网节点的各节点运行数据；步骤2：将步骤1中采集的数据进行归一化处理，将处理后的数据划分为训练集
、
验证集
、
测试集；步骤3：基于改进后的萤火虫算法寻找
RBF
神经网络算法的最优超参数，构建配电网运行状态预测模型；步骤4：将步骤2中所划分好的训练集输入到步骤3中的配电网运行状态预测模型中进行训练，测试集作为模型的输入，用平均绝对误差和均方根误差作为预测评估指标；步骤5：将电压数据作为预测标签，电压预测值与实际各节点电压变化量进行比较，如果电压差值量小于阈值时，认为配电网运行状态正常；如果电压差值量大于阈值，则配电网运行状态不稳定
。2.
根据权利要求1中所述基于改进萤火虫算法优化
RBF
神经网络的配电网运行状态预测方法，其特征在于：所述步骤1中，将节点有功数据和无功数据作为输入模型的特征参量，将电压数据作为模型输出的标签参量
。3.
根据权利要求1中所述基于改进萤火虫算法优化
RBF
神经网络的配电网运行状态预测方法，其特征在于：所述步骤2中，将数据进行归一化处理具体如下式
(1)
所示；其中：
X
为归一化后的结果；
x
表示原始的每一列数据；
x
min
表示为原始每一列数据的最小值；
x
max
则表示为每一列数据的最大值
。4.
根据权利要求1中所述基于改进萤火虫算法优化
RBF
神经网络的配电网运行状态预测方法，其特征在于：所述步骤3包括以下步骤：步骤
3.1、
初始化改进后的萤火虫算法
IFA
的参数：对初始吸引度
、
光强吸收系数
、
步长因子
、
迭代次数基本参数进行初始化；步骤
3.2、
萤火虫位置的初始化：将随机生成的
RBF
神经网络算法的学习率
、
迭代次数
、
隐藏层节点数和输出层节点数参数作为萤火虫算法
IFA
的初始位置；步骤
3.3、
通过划分好的训练集对基于萤火虫算法
IFA
优化下的
RBF
神经网络算法进行建模；其中所涉及的具体公式如下：改进的萤火虫算法公式，如下：萤火虫的亮度为：其中：
I
为光强度，
I0为初始光强度，
γ
是光强吸收系数，
ri
j
为萤火虫空间位置欧氏距离；吸引度为：
β
＝
β0e
‑
γ
m
其中：
β
为萤火虫吸引度，
β0为萤火虫初始吸引度，
γ
是光强吸收系数，
m
为常数，萤火虫
之间相互吸引的数学描述如下：
x
i
(t+1)
＝
x
i
(t)+
β
(x
j
(t)
‑
x
i
(t))+
αε
i
其中：
x
i
(t+1)
为萤火虫
x
i
第
t+1
次移动后的位置；
x
i
(t)
为萤火虫
x
i
第
t
次移动后的位置；
x
j
(t)
为萤火虫
x
j
第
t
次移动后的位置；
α
为步长因子，为
[0,1]
的常数；
ε
i
为服从正态分布的随机数；
β
为
x
j
对
x
i
的吸引度；由上式可知，萤火虫的个体之间的吸引度会伴随着距离的减小而增大，导致在移动过程中由于移动距离的过大而造成寻优结果无法收敛到最优位置的问题；因此，在上式的基础上加入如下式所示的惯性递减权重，以提高算法后期的收敛速度和寻优精度；
w
＝
w
max
‑
(w
max
‑
w
...

【专利技术属性】
技术研发人员：李振华，魏寅孔，赵晟兵，向楠，黄悦华，张磊，李振兴，徐艳春，张文婷，程紫娟，
申请(专利权)人：三峡大学，
类型：发明
国别省市：