本發(fā)明涉及電力電氣技術(shù)領(lǐng)域，具體涉及一種配電網(wǎng)停電時(shí)間自動(dòng)識(shí)別模型構(gòu)造方法。

背景技術(shù)：

隨著現(xiàn)代科技和國(guó)民經(jīng)濟(jì)的快速發(fā)展，如今各行各業(yè)的運(yùn)作，尤其是大規(guī)模工業(yè)企業(yè)的正常運(yùn)行都離不開(kāi)電能(電力系統(tǒng))，在某種程度上也促使客戶(hù)對(duì)配電網(wǎng)的電力供應(yīng)提出更高的要求，如實(shí)時(shí)供電能力等。由于配電網(wǎng)是一種復(fù)雜網(wǎng)絡(luò)系統(tǒng)，存在脆弱性以及電力系統(tǒng)元件老化等自然因素，大范圍停電事故或停電事件也時(shí)有發(fā)生，供電的中斷可能給大客戶(hù)帶來(lái)巨大的損失。因此，在停電事故或停電事件發(fā)生后盡快復(fù)電以減小對(duì)客戶(hù)造成的危害，準(zhǔn)確、實(shí)時(shí)地對(duì)配電網(wǎng)的停電時(shí)間進(jìn)行智能監(jiān)控和自動(dòng)識(shí)別，并根據(jù)分析分析結(jié)果實(shí)施恰當(dāng)?shù)默F(xiàn)場(chǎng)應(yīng)急處置方案就顯得非常重要。

配電網(wǎng)停電主要分為預(yù)安排停電(包括計(jì)劃停電、臨時(shí)停電、限電)和故障停電(包括內(nèi)部故障停電、外部故障停電)，而計(jì)劃停電是有正式計(jì)劃安排的停電。配電網(wǎng)計(jì)劃停電的管理是供電企業(yè)的一項(xiàng)重要業(yè)務(wù)，關(guān)系到電網(wǎng)的安全可靠運(yùn)行以及供電企業(yè)的經(jīng)濟(jì)效益和社會(huì)效益。

目前， 多數(shù)基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)識(shí)別模型，通常采用多輸入/多輸出結(jié)構(gòu)，即用一個(gè)復(fù)雜神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建進(jìn)行多種診斷的模型；神經(jīng)網(wǎng)絡(luò)多采用三層BP（ BackPropagation）神經(jīng)網(wǎng)絡(luò)或三層徑向基（ RBF，Radial Basis Function）神經(jīng)網(wǎng)絡(luò)。 RBF神經(jīng)網(wǎng)絡(luò)與 BP 神經(jīng)網(wǎng)絡(luò)都是非線性多層前向網(wǎng)絡(luò)，它們都屬于通用逼近器。三層神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成。

由于RBF神經(jīng)網(wǎng)絡(luò)隱含層單元的轉(zhuǎn)移函數(shù)是關(guān)于中心對(duì)稱(chēng)的徑向基函數(shù)（如高斯函 數(shù)），這樣三層靜態(tài) RBF 前饋神經(jīng)網(wǎng)絡(luò)的隱含層單元數(shù)可以根據(jù)研究的具體問(wèn)題，在訓(xùn)練階段自適應(yīng)地調(diào)整，使得網(wǎng)絡(luò)的適用性更好。對(duì) RBF 神經(jīng)網(wǎng)絡(luò)通常采用最近鄰聚類(lèi)方式訓(xùn)練網(wǎng)絡(luò)，這樣網(wǎng)絡(luò)隱含層單元的分配就僅與訓(xùn)練樣本的分布及隱含層單元的寬度有關(guān)，與執(zhí)行的任務(wù)無(wú)關(guān)。 在隱含層單元分配的基礎(chǔ)上，輸入與輸出之間的映射關(guān)系，通過(guò)調(diào)整隱含層單元和輸出單元之間的權(quán)值來(lái)實(shí)現(xiàn)。

粒子群算法，也稱(chēng)粒子群優(yōu)化算法（Particle Swarm Optimization），縮寫(xiě)為 PSO， 是一種新的進(jìn)化算法(Evolutionary Algorithm - EA)。它和模擬退火算法相似，也是從隨機(jī)解出發(fā)，通過(guò)迭代尋找最優(yōu)解，也是通過(guò)適應(yīng)度來(lái)評(píng)價(jià)解的品質(zhì)，但它比遺傳算法規(guī)則更為簡(jiǎn)單，它沒(méi)有遺傳算法的“交叉”(Crossover) 和“變異”(Mutation) 操作，它通過(guò)追隨當(dāng)前搜索到的最優(yōu)值來(lái)尋找全局最優(yōu)。這種算法以其實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)被廣泛應(yīng)用于工業(yè)設(shè)計(jì)中，并且在解決實(shí)際問(wèn)題中展示了其優(yōu)越性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的主要目的是構(gòu)建基于改進(jìn)RBFNN的配電網(wǎng)停電時(shí)間自動(dòng)識(shí)別模型，并利用基于遺傳思想的PSO算法對(duì)模型進(jìn)行優(yōu)化，使模型更加適用于實(shí)際數(shù)據(jù)，從而提高對(duì)停電時(shí)間識(shí)別的準(zhǔn)確性和有效性。

為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種配電網(wǎng)停電時(shí)間自動(dòng)識(shí)別模型構(gòu)造方法，其特征在于，包括以下步驟：

S1：采集配電網(wǎng)實(shí)際生產(chǎn)過(guò)程中與停電時(shí)間相關(guān)的數(shù)據(jù)，并將采集到的數(shù)據(jù)進(jìn)行篩選、轉(zhuǎn)化為適于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)據(jù)；

S2：構(gòu)建配電網(wǎng)停電時(shí)間綜合評(píng)價(jià)指標(biāo)體系，即根據(jù)配電網(wǎng)停電時(shí)間的類(lèi)別對(duì)所述樣本數(shù)據(jù)進(jìn)行分類(lèi)，得到每一停電時(shí)間類(lèi)別對(duì)應(yīng)的樣本數(shù)據(jù)集；

S3：根據(jù)所述指標(biāo)體系構(gòu)建配電網(wǎng)停電時(shí)間自動(dòng)識(shí)別模型；

S4：優(yōu)化所述自動(dòng)識(shí)別模型；

S5：測(cè)試所述自動(dòng)識(shí)別模型。

優(yōu)選的，步驟S1中所述數(shù)據(jù)包括計(jì)劃停電、停電告警和計(jì)量點(diǎn)負(fù)荷數(shù)據(jù)。

優(yōu)選的，步驟S1中所述數(shù)據(jù)包括實(shí)時(shí)數(shù)據(jù)、歷史數(shù)據(jù)、狀態(tài)量和統(tǒng)計(jì)量。

優(yōu)選的，所述實(shí)時(shí)數(shù)據(jù)由配電網(wǎng)主站中的數(shù)據(jù)采集模塊主動(dòng)推送。

優(yōu)選的，所述歷史數(shù)據(jù)包括每15分鐘電壓和電流、每15分鐘有功功率和無(wú)功功率、每15分鐘功率因數(shù)、每15分鐘變壓器油溫度、每15分鐘頻率和整點(diǎn)有功電量和無(wú)功電量。

優(yōu)選的，所述狀態(tài)量包括開(kāi)關(guān)的狀態(tài)、事故跳閘的信號(hào)、保護(hù)動(dòng)作的信號(hào)和異常信號(hào)、有載調(diào)壓變壓器分接頭位置開(kāi)關(guān)的儲(chǔ)能信號(hào)、通道的狀態(tài)信號(hào)、終端狀態(tài)信號(hào)和蓄電池狀態(tài)。

優(yōu)選的，步驟S2中所述停電時(shí)間分為四類(lèi)，即計(jì)劃停電時(shí)間、停掉告警時(shí)間、停電發(fā)生時(shí)間和停電持續(xù)時(shí)間。

優(yōu)選的，所述步驟S3的具體方法為：

S31：確定自動(dòng)識(shí)別模型的結(jié)構(gòu)；

首先根據(jù)停電時(shí)間種類(lèi)的個(gè)數(shù)來(lái)確定構(gòu)成所述自動(dòng)識(shí)別模型的子模型個(gè)數(shù)；每個(gè)子模型是一個(gè)多輸入—單輸出的模型，即每個(gè)子模型具有多個(gè)輸入端和單個(gè)輸出端，且各個(gè)子模型的輸入端個(gè)數(shù)相同；將各個(gè)子模型的輸入端并聯(lián)連接即構(gòu)成所述自動(dòng)識(shí)別模型，所有子模型的輸出端個(gè)數(shù)即構(gòu)成所述自動(dòng)識(shí)別模型的輸出端個(gè)數(shù)，亦即，子模型的個(gè)數(shù)就是所述自動(dòng)識(shí)別模型的輸出端個(gè)數(shù)；所述的子模型是由一個(gè)多輸入—單輸出三層神經(jīng)網(wǎng)絡(luò)構(gòu)成；所述的神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)個(gè)數(shù)對(duì)應(yīng)子模型的輸入端個(gè)數(shù)，輸出層節(jié)點(diǎn)個(gè)數(shù)為1，對(duì)應(yīng)子模型的輸出端個(gè)數(shù)，每一個(gè)子模型用來(lái)表示配電網(wǎng)的一種停電狀態(tài)；

S32：確定所述自動(dòng)識(shí)別模型的輸入端個(gè)數(shù)；

設(shè)子模型有 m 個(gè)輸入端，亦即所述自動(dòng)識(shí)別模型有 m 個(gè)輸入端，設(shè) m 個(gè)輸入端的輸入信號(hào)構(gòu)成一個(gè)輸入向量X，表示如下：X＝ (X₁X₂…X_m)

式中，X_i 為子模型的第 i 個(gè)輸入信號(hào)，i=1,2,…,m；

S33：確定所述自動(dòng)識(shí)別模型的輸出端個(gè)數(shù)；

設(shè)所述自動(dòng)識(shí)別模型由 n 個(gè)子模型構(gòu)成，則其輸出向量Y由其所包含的所有子模型的輸出信號(hào)構(gòu)成，即：Y=(y₁y₂…y_n) ；

式中， y_j 為自動(dòng)識(shí)別模型的第 j 個(gè)輸出信號(hào)，也就是第 j 個(gè)子模型的輸出信號(hào)， j=1,2,…,n，每一個(gè)子模型的輸出端個(gè)數(shù)固定為 1，表示配電網(wǎng)的一種停電狀態(tài)；

S34：確定子模型的隱含節(jié)點(diǎn)數(shù)；

先用缺省值 2 或 4 作為子模型的隱含節(jié)點(diǎn)數(shù)，最終根據(jù)優(yōu)化結(jié)果來(lái)調(diào)整子模型的隱含節(jié)點(diǎn)數(shù)。

優(yōu)選的，所述步驟S4中的優(yōu)化是基于遺傳思想改進(jìn)PSO算法進(jìn)行的，具體步驟為：

S41：初始化，包括給進(jìn)化方程中的各參數(shù)賦初值，產(chǎn)生初始種群，確定擾動(dòng)參數(shù)和變異概率；

S42：使用進(jìn)化方程使種群進(jìn)化，保留當(dāng)前最優(yōu)個(gè)體；

S43：給經(jīng)過(guò)進(jìn)化的種群按適應(yīng)度的優(yōu)劣進(jìn)行排序，選出種群中較好的那一半，將這一半加入擾動(dòng)后把較差的那一半覆蓋掉；

S44：變異，種群中每個(gè)個(gè)體中的每一維以一個(gè)較低的概率隨機(jī)地變異；

S45：檢查終止條件，包括是否達(dá)到最大迭代次數(shù)、全局最優(yōu)位值是否滿(mǎn)足最小界限，如果滿(mǎn)足條件則迭代終止，否則返回S42。

優(yōu)選的，所述步驟S5的具體方法為：

S51：準(zhǔn)備測(cè)試樣本集并對(duì)配電網(wǎng)進(jìn)行測(cè)試；

用不同于訓(xùn)練樣本集的包含所有子模型對(duì)應(yīng)的樣本構(gòu)成測(cè)試樣本集，根據(jù)測(cè)試樣本集中的樣本順序，對(duì)配電網(wǎng)進(jìn)行實(shí)際測(cè)試，得到對(duì)應(yīng)的配電網(wǎng)停電狀態(tài)實(shí)測(cè)結(jié)果表；

S52：測(cè)試所述自動(dòng)識(shí)別模型的性能；

向所述自動(dòng)識(shí)別模型依次連續(xù)輸入測(cè)試樣本集中的樣本，記錄模型的輸出結(jié)果，得到模型的判斷結(jié)果表，將S51中所得的實(shí)測(cè)結(jié)果表與所述模型判斷結(jié)果表進(jìn)行對(duì)比，如果所述模型判斷結(jié)果與實(shí)測(cè)結(jié)果的匹配度大于 80%，即認(rèn)為滿(mǎn)足要求，則所述自動(dòng)識(shí)別模型便可投入使用。

和現(xiàn)有技術(shù)相比，本發(fā)明產(chǎn)生的有益效果在于：本發(fā)明構(gòu)建基于改進(jìn)RBFNN的配電網(wǎng)停電時(shí)間自動(dòng)識(shí)別模型，利用基于遺傳思想的PSO算法對(duì)模型參數(shù)進(jìn)行優(yōu)化，使模型更加適用于實(shí)際數(shù)據(jù)，提高了對(duì)停電時(shí)間識(shí)別的準(zhǔn)確性和有效性；該模型能夠?qū)ε潆娋W(wǎng)實(shí)時(shí)運(yùn)行狀態(tài)的參數(shù)進(jìn)行估計(jì)和修正，模型具有計(jì)算誤差小和計(jì)算精度高的特點(diǎn)。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其它的附圖，其中 ：

圖1是本發(fā)明配電網(wǎng)停電時(shí)間指標(biāo)體系結(jié)構(gòu)示意圖；

圖2是本發(fā)明構(gòu)建的自動(dòng)識(shí)別模型結(jié)構(gòu)示意圖；

圖3是本發(fā)明自動(dòng)識(shí)別模型計(jì)算的誤差波動(dòng)示意圖；

圖4(a) 是利用基本PSO算法優(yōu)化本發(fā)明自動(dòng)識(shí)別模型的迭代收斂效果圖；

圖4(b) 是利用改進(jìn)PSO算法優(yōu)化本發(fā)明自動(dòng)識(shí)別模型的迭代收斂效果圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诎l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

一種配電網(wǎng)停電時(shí)間自動(dòng)識(shí)別模型構(gòu)造方法，包括以下步驟：

S1：采集配電網(wǎng)實(shí)際生產(chǎn)過(guò)程中與停電時(shí)間相關(guān)的數(shù)據(jù)，并將采集到的數(shù)據(jù)進(jìn)行篩選、轉(zhuǎn)化為適于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)據(jù)。

對(duì)配電網(wǎng)采集的數(shù)據(jù)包括計(jì)劃停電、停電告警和計(jì)量點(diǎn)負(fù)荷數(shù)據(jù)等。大多數(shù)配電網(wǎng)自動(dòng)化系統(tǒng)都采用分層分布式體系結(jié)構(gòu)，系統(tǒng)主要有三部分組成：主站層、配網(wǎng)子站層和配網(wǎng)測(cè)控終端設(shè)備層。其中配網(wǎng)主站主要實(shí)現(xiàn)配電網(wǎng)系統(tǒng)的實(shí)時(shí)監(jiān)控和管理，包括配網(wǎng)SCADA功能，各種數(shù)據(jù)信息的采集、傳輸、加工和控制操作、事件報(bào)告等基本功能。建模中采用的實(shí)時(shí)數(shù)據(jù)主要來(lái)源于配網(wǎng)主站中的數(shù)據(jù)采集模塊，采集的數(shù)據(jù)分為實(shí)時(shí)數(shù)據(jù)、歷史數(shù)據(jù)、狀態(tài)量和統(tǒng)計(jì)量等。

歷史數(shù)據(jù)，包括每15分鐘電壓和電流、每15分鐘有功功率和無(wú)功功率、每15分鐘功率因數(shù)、每15分鐘變壓器油溫度、每15分鐘頻率和整點(diǎn)有功電量和無(wú)功電量；

狀態(tài)量，包括開(kāi)關(guān)的狀態(tài)、事故跳閘的信號(hào)、保護(hù)動(dòng)作的信號(hào)和異常信號(hào)、有載調(diào)壓變壓器分接頭位置開(kāi)關(guān)的儲(chǔ)能信號(hào)、通道的狀態(tài)信號(hào)終端狀態(tài)信號(hào)、蓄電池狀態(tài)等。

S2：構(gòu)建配電網(wǎng)停電時(shí)間綜合評(píng)價(jià)指標(biāo)體系，即根據(jù)配電網(wǎng)停電時(shí)間的類(lèi)別對(duì)所述樣本數(shù)據(jù)進(jìn)行分類(lèi)，得到每一停電時(shí)間類(lèi)別對(duì)應(yīng)的樣本數(shù)據(jù)集。

配電網(wǎng)停電時(shí)間指標(biāo)體系的構(gòu)建是一個(gè)系統(tǒng)工程。需要考慮停電時(shí)間的性質(zhì)等因素，建立合理的停電時(shí)間綜合評(píng)價(jià)指標(biāo)體系?；谥笜?biāo)體系的統(tǒng)一性和合理性，將停電時(shí)間分為計(jì)劃停電時(shí)間、停掉告警時(shí)間、停電發(fā)生時(shí)間和停電持續(xù)時(shí)間4個(gè)二級(jí)指標(biāo)。如圖1所示。

S3：構(gòu)建配電網(wǎng)停電時(shí)間自動(dòng)識(shí)別模型。

S31：確定自動(dòng)識(shí)別模型的結(jié)構(gòu)

首先根據(jù)停電時(shí)間種類(lèi)的個(gè)數(shù)來(lái)確定構(gòu)成所述自動(dòng)識(shí)別模型的子模型個(gè)數(shù)；每個(gè)子模型是一個(gè)多輸入—單輸出的模型，即每個(gè)子模型具有多個(gè)輸入端和單個(gè)輸出端，且各個(gè)子模型的輸入端個(gè)數(shù)相同；將各個(gè)子模型的輸入端并聯(lián)連接即構(gòu)成了由 n 個(gè)子模型構(gòu)成的配電網(wǎng)停電時(shí)間自動(dòng)識(shí)別模型。模型的輸入由各子模型輸入并聯(lián)構(gòu)成，模型的輸出由所有子模型的輸出構(gòu)成，也就是說(shuō)，子模型的個(gè)數(shù)也就是模型的輸出個(gè)數(shù)。所述的子模型是由一個(gè)多輸入—單輸出三層神經(jīng)網(wǎng)絡(luò)構(gòu)成；神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)個(gè)數(shù)對(duì)應(yīng)子模型的輸入端個(gè)數(shù)，輸出層節(jié)點(diǎn)個(gè)數(shù)為1，對(duì)應(yīng)子模型的輸出端個(gè)數(shù)，每一個(gè)子模型用來(lái)表示配電網(wǎng)的一種停電狀態(tài)；

S32：確定所述自動(dòng)識(shí)別模型的輸入端個(gè)數(shù)

設(shè)子模型有 m 個(gè)輸入端，亦即所述自動(dòng)識(shí)別模型有 m 個(gè)輸入端，設(shè) m 個(gè)輸入端的輸入信號(hào)構(gòu)成一個(gè)輸入向量X，表示如下：X＝ (X₁X₂…X_m)

式中，X_i 為子模型的第 i 個(gè)輸入信號(hào)，i=1,2,…,m；

S33：確定所述自動(dòng)識(shí)別模型的輸出端個(gè)數(shù)

設(shè)所述自動(dòng)識(shí)別模型由 n 個(gè)子模型構(gòu)成，則其輸出向量Y由其所包含的所有子模型的輸出信號(hào)構(gòu)成，即：Y=(y₁y₂…y_n)

式中， y_j 為自動(dòng)識(shí)別模型的第 j 個(gè)輸出信號(hào)，也就是第 j 個(gè)子模型的輸出信號(hào)， j=1,2,…,n，每一個(gè)子模型的輸出端個(gè)數(shù)固定為 1，表示配電網(wǎng)的一種停電狀態(tài)；

S34：確定子模型的隱含節(jié)點(diǎn)數(shù)

為簡(jiǎn)單起見(jiàn)，先用缺省值 2 或 4 作為子模型的隱含節(jié)點(diǎn)數(shù)，最終根據(jù)優(yōu)化結(jié)果來(lái)調(diào)整子模型的隱含節(jié)點(diǎn)數(shù)。

在本實(shí)施例中，由于RBF網(wǎng)絡(luò)的性能特點(diǎn)是隱藏單元轉(zhuǎn)移函數(shù)的徑向性質(zhì)，該函數(shù)僅取決于輸入X與每一個(gè)隱藏單元中心的以(正定矩陣)度量的距離

其中，是非負(fù)單調(diào)函數(shù)。如果不考慮對(duì)角線和高斯基函數(shù)，那么轉(zhuǎn)移函數(shù)可表達(dá)為

其中，為第 隱含層的徑向。

通過(guò)配電網(wǎng)停電發(fā)生的時(shí)間和停電持續(xù)的時(shí)間，利用徑向神經(jīng)網(wǎng)絡(luò)模型對(duì)配電網(wǎng)停電時(shí)間區(qū)間進(jìn)行非線性逼近，以網(wǎng)絡(luò)模型的形式表達(dá)出來(lái)。RBFNN有更好的函數(shù)非線性逼近能力和學(xué)習(xí)速度，而且可以保證該方法的靈活性和通用性。由于配電網(wǎng)停電時(shí)間受4個(gè)指標(biāo)因素計(jì)劃停電時(shí)間、停掉告警時(shí)間、停電發(fā)生時(shí)間和停電持續(xù)時(shí)間的影響，因此RBFNN模型的輸入輸出關(guān)系為

其中，分別對(duì)應(yīng)配電網(wǎng)計(jì)劃停電時(shí)間、停掉告警時(shí)間、停電發(fā)生時(shí)間和停電持續(xù)時(shí)間，4個(gè)變量一起構(gòu)成了RBFNN模型的輔助變量，由此可得圖2所示的自動(dòng)識(shí)別模型結(jié)構(gòu)示意圖。

由圖2可知，由于隱含層采用高斯函數(shù)，輸出層采用線性函數(shù)?？紤]了輸出層的權(quán)重系數(shù)，則其輸入輸出映射關(guān)系為

其中，為該隱含層節(jié)點(diǎn)到輸出的權(quán)重；是第個(gè)節(jié)點(diǎn)高斯函數(shù)的中心向量；是第個(gè)隱含層節(jié)點(diǎn)的標(biāo)準(zhǔn)化常數(shù)。

S4：優(yōu)化所述自動(dòng)識(shí)別模型。

其優(yōu)化方法是基于遺傳思想改進(jìn)PSO算法進(jìn)行的，具體步驟為：

S41：初始化，包括給進(jìn)化方程中的各參數(shù)賦初值，產(chǎn)生初始種群，確定擾動(dòng)參數(shù)和變異概率；

S42：使用進(jìn)化方程使種群進(jìn)化，保留當(dāng)前最優(yōu)個(gè)體；

S43：給經(jīng)過(guò)進(jìn)化的種群按適應(yīng)度的優(yōu)劣進(jìn)行排序，選出種群中較好的那一半，將這一半加入擾動(dòng)后把較差的那一半覆蓋掉；

S44：變異，種群中每個(gè)個(gè)體中的每一維以一個(gè)較低的概率隨機(jī)地變異；

S45：檢查終止條件，包括是否達(dá)到最大迭代次數(shù)、全局最優(yōu)位值是否滿(mǎn)足最小界限，如果滿(mǎn)足條件則迭代終止，否則返回S42。

S5：測(cè)試所述自動(dòng)識(shí)別模型。

其具體方法為：

S51：準(zhǔn)備測(cè)試樣本集并對(duì)配電網(wǎng)進(jìn)行測(cè)試

用不同于訓(xùn)練樣本集的包含所有子模型對(duì)應(yīng)的樣本構(gòu)成測(cè)試樣本集，根據(jù)測(cè)試樣本集中的樣本順序，對(duì)配電網(wǎng)進(jìn)行實(shí)際測(cè)試，得到對(duì)應(yīng)的配電網(wǎng)停電狀態(tài)實(shí)測(cè)結(jié)果表；

S52：測(cè)試所述自動(dòng)識(shí)別模型的性能

向所述自動(dòng)識(shí)別模型依次連續(xù)輸入測(cè)試樣本集中的樣本，記錄模型的輸出結(jié)果，得到模型的判斷結(jié)果表，將S51中所得的實(shí)測(cè)結(jié)果表與所述模型判斷結(jié)果表進(jìn)行對(duì)比，如果所述模型判斷結(jié)果與實(shí)測(cè)結(jié)果的匹配度大于 80%，即認(rèn)為滿(mǎn)足要求，則所述自動(dòng)識(shí)別模型便可投入使用。

在本實(shí)施例中，為了評(píng)估模型的配電網(wǎng)停電時(shí)間自動(dòng)識(shí)別性能，驗(yàn)證模型算法的有效性，即基于改進(jìn)PSO算法和RBFNN算法的數(shù)學(xué)模型。針對(duì)實(shí)際計(jì)劃停電、停電告警和計(jì)量點(diǎn)負(fù)荷數(shù)據(jù)進(jìn)行模型驗(yàn)證和比較研究。模型計(jì)算的誤差分析效果圖如圖3所示。

模型計(jì)算過(guò)程中迭代的次數(shù)設(shè)為1000，利用基本PSO算法和改進(jìn)PSO算法對(duì)模型進(jìn)行分別進(jìn)行優(yōu)化，分別得到的迭代效果如圖4(a)和圖4(b)所示。從圖中可以看出，基于遺傳算法改進(jìn)的PSO算法對(duì)RBFNN模型具有更快的收斂速度和優(yōu)化性能，對(duì)配電網(wǎng)停電時(shí)間的自動(dòng)識(shí)別更具有適用性。

對(duì)已建好的自動(dòng)識(shí)別模型進(jìn)行計(jì)算和停電時(shí)間的自動(dòng)識(shí)別，得到輸出結(jié)果，輸出結(jié)果中1表示停電，0表示未停電。表1是利用所建立的模型基于計(jì)量點(diǎn)前200個(gè)樣本得到的同一時(shí)間區(qū)間自動(dòng)識(shí)別結(jié)果，從模型識(shí)別的結(jié)果可以看出，模型計(jì)算的準(zhǔn)確率為94.12%。

表1

本發(fā)明將改進(jìn)RBFNN模型運(yùn)用于配電網(wǎng)停電時(shí)間的自動(dòng)識(shí)別中，并把基于遺傳思想的改進(jìn)PSO算法引入RBFNN模型中，使模型有更強(qiáng)的非線性逼近能力。同時(shí)也克服了基本PSO模型出現(xiàn)的易于陷入局部最優(yōu)極值的缺點(diǎn)。本發(fā)明提出的模型能夠?qū)τ?jì)劃停電、停電告警以及計(jì)量點(diǎn)的負(fù)荷停電數(shù)據(jù)進(jìn)行自動(dòng)識(shí)別和診斷，可應(yīng)用于配電網(wǎng)現(xiàn)場(chǎng)停電應(yīng)急方案等危機(jī)處理情形中。模型誤差較小，精度較高，擬合效果更好。

以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。