技术领域
[0001] 本发明涉及配电网自动化技术领域，尤其涉及一种配电自动化终端一体化智能检测方法。
相关背景技术
[0002] 智能配电网作为建设坚强智能电网六大环节之一，已成为共识,配电自动化终端作为智能配电网的重要组成部分，主要实现中压配电网中开闭所、配电变压器、环网柜、柱上分段开关等重要设备的监视与控制，同时与配电自动化主站通信，提供配电网运行控制及管理的数据信息，并执行相关控制指令，配电自动化终端的性能及可靠性直接影响到整个系统的有效运行,现有的配电网检测方法已经无法满足现代化智能配电网的复杂运维需求。
[0003] 公开号为CN106204326A的中国专利公开了一种配电系统的配电终端IED设备检测方法，包括：对配电管理系统的实际业务场景进行抽象化处理，并进行对应的仿真业务场景建模；对仿真业务场景建模得到的第一模型进行实例化，获取对应的仿真业务场景实例；对待测的配电终端IED设备进行信息建模，得到第二模型，并对第二模型进行静态结构测试；对第二模型进行实例化，获取对应的IED设备信息模型实例；根据仿真业务场景实例对IED设备信息模型实例进行测试，获取IED设备的检测结果，建立虚拟的仿真业务场景模拟配电管理系统实际环境，检查IED信息模型在其中的运行情况，以检测出IED设备是否符合要求，降低了IED设备的检测难度，提高了检测效率；但该专利的仿真场景模型容易收到数据干扰造成模型的不准确，从而导致检测数据的不准确。
具体实施方式
[0030] 下面结合附图对本发明的具体实施方式作进一步说明：
[0031] 见图1，是本发明的方法流程图。本发明一种配电自动化终端一体化智能检测方法，包括如下步骤：
[0032] 1)采集配电设备运行时的环境参数数据和对应的电力参数数据，对数据进行预处理；
[0033] 不同特征通常具有不同的单位和范围，例如，一个特征的值可能在0到100之间，而另一个特征的值可能在0到1之间。如果不对这些特征进行归一化处理，某些特征的影响可能会被放大，而其他特征的影响可能会被忽略，通过归一化处理，消除这些量纲差异，确保每个特征都有相似的重要性，快模型的收敛速度，因为不同特征的值范围相似，模型在更新权重时更容易找到全局最小值；
[0034] 采集配电柜、开关设备、变压器、电源等设备运行时的温度、湿度和气压等环境参数数据和对应的电压、电流、功率等电力参数数据，将采集到的所有数据集通过最小‑最大缩放进行归一化处理，公式如下：
[0035]
[0036] 其中，x是原始特征值，x*是归一化后的值，xmin、xmax分别是采集的数据集中最小值和最大值。
[0037] 2)通过K均值算法对预处理后的天气数据向量集进行聚类，聚类出k个类别，分别对k个类别包含的数据集进行训练，具体包括如下步骤：
[0038] (1)从天气数据集即采集的温度、湿度、气压、噪声数据向量中任意挑选出k个数据向量样本点赋值给初始化的聚类中心u1、u2、...、ui、uk；
[0039] (2)计算数据样本中的每个点xi与每个样本中心的距离，挑选出其中最小的距离所对应的类，公式如下：
[0040]
[0041] 其中，d(xi,uj)为xi与uj之间的距离，n为样本个数，j为聚类中心数；
[0042] (3)将整个样本数据中的每一个xi归类到对应的uj中，重新计算样本中心点uj，公式如下：
[0043]
[0044] 其中，m为对应类簇的样本个数；
[0045] (4)重复步骤(2)‑(3)，直到达到准则函数收敛为止。在这里准则函数取为直到聚类中心不再发生变化为止，
[0046]
[0047] 其中，uj、u'j为整个样本数据点归类前后的样本中心点，ε为设定的阈值，用于判断聚类中心是否发生了足够小的变化，如果变化小于ε，则认为已经收敛。
[0048] 3)将聚类后的多类簇数据集用于鲸鱼优化算法优化径向基函数网络WOA‑RBFN模型的训练，建立每个类簇所对应的配电自动化终端一体化智能检测模型，见图2，具体包括如下步骤：
[0049] (1)初始化：初始化一群鲸鱼群体，其中每条鲸鱼代表一个径向基函数网络RBFN参数向量，包括径向基函数网络RBFN第i个基函数中心Ci、宽度σi和隐藏层与输出层连接权值Wi，设定初始参数范围和算法参数；
[0050] 其中，RBFN网络的输入为X2∈Rn＝{x1,...,xp}，则隐藏层单元的输出表示为[0051] Zi＝Ri(||X‑Ci||) (5)
[0052] 其中，Ri径向基函数，通常取n维高斯函数，表示为：
[0053]
[0054] 其中，X为n维输入向量，n为4，4维输入向量是测得的天气数据：温度、湿度、气压、噪声，Ci、σi分别为第i个基函数中心和宽度，||X‑Ci||为X‑Ci的欧式范数，输出单元的输出Y为：
[0055]
[0056] 其中，Wi为隐藏层与输出层连接权值，Y输出的Y为需要预测的设备的电压、电流、功率等电力参数数据；
[0057] (2)计算适应度：根据径向基函数网络RBFN的性能指标，包括均方误差、交叉验证误差，计算每条鲸鱼的适应度，适应度越好表示参数配置越接近最优解；
[0058] (3)包围阶段：计算每条鲸鱼与最优鲸鱼的距离，并更新鲸鱼位置，包围公式如下：
[0059] D＝|CX'(t)‑X(t)| (8)
[0060] X(t+1)＝X'(t)‑AD (9)
[0061] 其中，t为迭代次数，X(t)为当前鲸鱼的位置，X'(t)为目前最好的鲸鱼位置，A、C为表示系数，D为当前鲸鱼位置X(t)与最好鲸鱼位置X'(t)之间的距离，X(t+1)为下一迭代时鲸鱼的位置，即在包围阶段之后鲸鱼的新位置；
[0062] C＝2r1 (10)
[0063] A＝2ar2‑a (11)
[0064]
[0065] 其中，r1和r2是(0，1)中的随机数，这些随机数引入了随机性，以帮助算法在搜索空间中进行多样性的探索，以更好地找到潜在的最优解，a是一个用于控制系数A的参数，它表示每次地带中动态调整参数A的值，以在算法的执行过程中实现控制和调节，a的值从2到0线性下降，t表示当前的选代次数，T为最大迭代次数；
[0066] (4)攻击阶段：模拟鲸鱼攻击猎物的行为，更新鲸鱼的位置；
[0067] 根据座头鲸的狩猎行为，它是以螺旋运动游向猎物，故狩猎行为的数学模型如下：
[0068] X(t+1)＝Dpebl cos(2πl)+X'(t) (13)
[0069] 其中，Dp＝X'(t)‑X(t)为鲸鱼和猎物之间的距离，X'(t)为目前为止最好的位置，b是常熟，用来定义螺线的形状，l是(‑1，1)中的随机数，鲸鱼以螺旋形状游向猎物的同时还要收缩包围圈，因此，在这种同步行为模型中，假设有pi的概率选择收缩包围机制和1‑pi的概率选择螺旋模型来更新鲸鱼的位置，其数学模型如下：
[0070]
[0071] 攻击猎物时，在数学模型上靠近猎物设定了减小a的值，这样A的波动范围也随a下降，在选代过程中当a的值从2到0下降时，A是在[‑a,a]内的随机值，当A的值在[‑1,1]内时，鱼的下一个位置可以是它现在的位置和猎物的位置之间的任意位置，算法设定当A<1时，鲸鱼向猎物发起攻击；
[0072] (5)搜索阶段：进行搜索猎物的行为，更新鲸鱼的位置；
[0073] 在搜索猎物时，其数学模型如下：
[0074] D＝|C*Xrand‑X(t)| (15)
[0075] X(t+1)＝Xrand‑AD (16)
[0076] 其中，Xrand是随机选择的鲸鱼位置向量，算法设定当A≥1时，随机选择一个搜索代理，根据随机选择的鲸鱼位置来更新其他鲸鱼的位置，迫使鲸鱼偏离猎物，借此找到一个更合适的猎物，这样可以加强算法的勘探能力使WOA算法能够进行全局搜索，WOA的算法步骤如下所示:
[0077] 步骤1：初始化参数:即鱼种群规模大小SN，最大选代次数T；
[0078] 步骤2：算法初始化鲸鱼种群的位置；
[0079] 步骤3：计算每一头鲸鱼相应的适应度值，根据适应度值的大小排序。
[0080] 步骤4：计算出SN个个体适应度值的大小，找出适应度值最小的个体位置作为最优位置。
[0081] 步骤5：更新下一代的位置。
[0082] 步骤6：若达到终止条件，则输出最优个体，即算法找到的最优解，否则，返回步骤4；
[0083] (6)更新最优解：在每次迭代后，更新全局最优解，即更新损失函数最小时对应的对应的参数Ci、σi、Wi配置；
[0084] (7)迭代：重复执行包围、攻击和搜索阶段，直到达到设定的迭代次数或达到停止条件；
[0085] (8)结果输出：输出最优的参数配置，即最优的径向基函数网络RBFN的参数Ci、σi、Wi在得到最优的RBFN的参数Ci、σi、Wi后，将其带入径向基函数网络RBFN中进行重新训练，最后得出基于鲸鱼优化算法WOA优化径向基函数网络RBFN的配电自动化终端一体化的智能检测模型。
[0086] 以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
