基于门控循环单元与超启发式算法的三相不平衡优化方法与流程

1.本发明涉及台区三相不平衡优化技术领域，尤其涉及一种基于改进门控循环单元预测与超启发式算法的三相不平衡优化方法。


背景技术：

2.科学技术的发展使人们对“电”的需求也日趋增长，配电网负荷类型越来越复杂，三相不平衡、无功功率不足及谐波等问题日益凸显，深度学习和启发式算法广泛应用于该问题的求解，并使问题得到了有效解决。
3.三相不平衡电路不仅会影响电器的使用寿命，还会影响通信系统的通信质量，现有的研究中主要通过深度学习和启发式算法对低压台区用户进行有效识别，或是利用深度学习预测负荷后，利用预测数据采用启发式算法对三相不平衡电路进行优化。然而不同的启发式算法的搜索策略不同，每次运行的结果也会有差距，现有的研究中也仅通过单一的启发式算法对问题进行求解，无法找到更有效的启发式算法。
4.因此，提出一种基于改进门控循环单元预测与超启发式算法的三相不平衡优化方法。


技术实现要素：

5.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
6.鉴于上述存在的问题，提出了本发明。
7.因此，本发明解决的技术问题是：负荷预测结果与实际情况存在误差，求解效率低，供电时长不稳定以及台区相序调整不足等问题。
8.为解决上述技术问题，本发明提供如下技术方案：基于门控循环单元与超启发式算法的三相不平衡优化方法，包括：
9.获取台区电路数据和资源数据，基于所述数据构建三相不平衡电路优化模型；
10.基于tent混沌映射策略产生初始种群，并利用精英选择策略和差分进化算子改进算数优化算法，进而获取准确的预测结果；
11.基于所述预测结果，利用强化学习思想和贪心机制丰富超启发式算法选择策略，使得在问题域的低层启发式算法智能选取启发式算法进行优化，进而求解所述三相不平衡电路优化模型。
12.作为本发明所述的基于门控循环单元与超启发式算法的三相不平衡优化方法的一种优选方案，其中：所述构建三相不平衡电路优化模型，包括：
13.以三相不平衡度、换相频次和各支路损耗为目标构建三相不平衡电路优化模型。
14.作为本发明所述的基于门控循环单元与超启发式算法的三相不平衡优化方法的一种优选方案，其中：所述构建三想不平衡电路优化模型，还包括：
15.设台区有q条支路，m个负荷，i∈{1，2，3}表示相序，1，2，3分别表示u、v、w相电路，表示支路q在i相的电流，rq表示支路q的阻抗，σq表示支路q的三相不平衡度，t表示换相周期，fm表示负荷m在周期t内的换相频次，表示支路q的中性线电流，表示支路q在中性线的损耗，表示负荷m在支路q的i相电流表示相位最小满意维续时间。
16.支路q的中性线电流计算公式为：
[0017][0018]
其中，i∈{1，2，3}表示相序，表示支路q在i相的电流；
[0019]
支路q的中性线电流与负荷m在支路q的i相电流密切相关：
[0020][0021]
其中，其中，表示负荷m在支路q的i相电流表示相位最小满意维续时间；
[0022]
用支路q三相电流中的最大值与平均值之差与平均值的比值表示支路q的三相不平衡度σq，计算公式如下：
[0023][0024]
其中，表示支路q在u相的电流，表示支路q在v相的电流，表示支路q在w相的电流；
[0025]
支路中性线上的损耗为电阻与对应中性线电流平方的积，因此支路q在中性线的损耗为：
[0026][0027]
其中，rq表示支路q的阻抗，表示支路q的中性线电流；
[0028]
根据换相周期，计算一天内每个负荷m的换相次数t：
[0029][0030]
其中，t表示换相周期；
[0031]
通过对比t-1和t时刻的相位是否相同判断负荷m是否换相，因此负荷换相次数计算公式为：
[0032][0033]
其中，
[0034]
根据层次分析法确定目标权重后，构建目标函数：
[0035][0036]
其中，q表示支路标号，q表示支路数量，m表示负荷标号，m表示负荷数量，λ1、λ2、λ3分别表示三相不平衡度、中心线路损耗和换相次数在目标函数中的占比λ1 λ2 λ3＝1，σq表示支路q的三相不平衡度，表示支路q在中性线的损耗，fm表示负荷换相次数。
[0037]
作为本发明所述的基于门控循环单元与超启发式算法的三相不平衡优化方法的一种优选方案，其中：所述基于tent混沌映射策略产生初始种群，包括：
[0038]
初始化算术优化算法参数，引入tent混沌映射策略生成初始种群并不断更新初始种群；将初始种群与更新后的种群合并后，计算适应度函数值并更新加速度系数moa和概率系数mop；基于随机数r1与加速度系数moa的关系，判断进入探索阶段还是开发阶段；
[0039]
用于更新初始种群的公式表示为：
[0040][0041]
其中，xn 1表示第n 1代种群，xn表示第n代种群；
[0042]
用于计算适应度函数值的适应度函数计算公式表示为：
[0043][0044]
其中，fit代表适应度函数值nd为测试数据个数，fi为第i个测试数据的真实值，为第i个测试数据的预测值；
[0045]
更新加速度系数moa的公式表示为：
[0046][0047]
其中，n表示迭代次数、max_iter表示最大迭代次数、min表示加速函数的最小值、max表示加速函数的最大值；
[0048]
更新概率系数mop的公式表示为：
[0049][0050]
其中，n表示迭代次数，max_iter表示最大迭代次数，α表示敏感参数。
[0051]
作为本发明所述的基于门控循环单元与超启发式算法的三相不平衡优化方法的一种优选方案，其中：所述基于随机数r1与加速度系数moa的关系，判断进入探索阶段还是开发阶段，包括：
[0052]
r1＞moa时进入探索阶段，产生随机数r2，根据如下公式更新位置：
[0053][0054]
其中，μ是调整搜索过程的控制参数，值为0.499，ε为极小值，x
n 1
表示第n 1代种群，xn表示第n代种群，mop表示概率系数，ub种群上界，lb种群下界；
[0055]
当r1≤moa时进入开发阶段，产生随机数r3，根据如下公式更新位置：
[0056][0057]
其中，μ是调整搜索过程的控制参数，值为0.499，ε为极小值，x
n 1
表示第n 1代种群，xn表示第n代种群，mop表示概率系数，ub种群上界，lb种群下界。
[0058]
作为本发明所述的基于门控循环单元与超启发式算法的三相不平衡优化方法的一种优选方案，其中：所述利用精英选择策略和差分进化算子改进算数优化算法，包括：
[0059]
根据精英选择策略寻找初始种群与新种群中适应度最好的个体，而后利用差分进化算子对初始种群与新种群进行选择、交叉和变异操作。
[0060]
作为本发明所述的基于门控循环单元与超启发式算法的三相不平衡优化方法的一种优选方案，其中：所述选择、交叉和变异操作，包括：
[0061]
经过探索阶段或开发阶段生成新个体x
n 1
后，计算新个体的适应度函数值，生成新个体集合y＝[x
n 1
，xn]，并依据适应度函数值重新为y内的元素进行排序令y＝[y1，y2，...，yn]。找到y中适应度最好的个体y
α
，同时在剩余个体中随机选择3个个体ya、yb和yc，其对应的适应度函数值分别为fita、fitb和fitc，同时fita＜fitb＜fitc；
[0062]
产生变异向量：
[0063]hn
＝ya f(y
b-yc)
ꢀꢀ
(17)
[0064]
其中，f表示缩放因子，一般取值范围为[0，2]；
[0065]
缩放因子f的计算公式表示为：
[0066][0067]
其中，f
l
＝0.1，fu＝0.9，fita、fitb和fitc分别为个体ya、yb和yc的适应度函数值；
[0068]
对y中除y
∝
的其余个体按照以下公式进行交叉操作：
[0069][0070]
其中，cr是属于[0，1]之间交叉概率，与当前种群适应度函数的均值最大值f
max
和最小值f
min
相关，一般cr
l
＝0.1，cru＝0.6，具体公式如下：
[0071][0072]
其中，fi为第i个测试数据的真实值；为当前种群适应度函数的均值；f
max
为适应度函数最大值，f
min
为适应度函数最小值。
[0073]
作为本发明所述的基于门控循环单元与超启发式算法的三相不平衡优化方法的一种优选方案，其中：所述利用强化学习思想和贪心机制丰富超启发式算法选择策略，包括：
[0074]
判断数据集是否充足，若数据集充足，则采用强化学习思想，根据早期积累的有效信息选择优化效果最优的低级别启发式算法；若数据集不充足，则采用贪心机制挑选能够最大化改进当前解的低层启发式算法构造新算法。
[0075]
作为本发明所述的基于门控循环单元与超启发式算法的三相不平衡优化方法的一种优选方案，其中：所述判断数据集是否充足，包括：
[0076]
计算强化学习需要的最少样本集ne，当样本集数量大于等于ne时，采用强化学习方法；计算公式表示为：
[0077][0078]
其中，ne表示强化学习需要的最少样本数，表示样本集的复杂度，一般
[0079]
作为本发明所述的基于门控循环单元与超启发式算法的三相不平衡优化方法的一种优选方案，其中：所述求解三相不平衡电路优化模型，包括：
[0080]
根据metropolis接受准则判断是否接收产生的新个体，若接受则更新个体并进入判断是否达到终止计算条件；
[0081]
若不接受，则返回判断是否接收的步骤；
[0082]
若达到终止计算的条件则输出并记录优化结果，否则返回选择策略步骤。
[0083]
本发明的有益效果：本发明所述方法采用改进算数优化算法优化门控循环单元初始参数，以增加预测精度，使台区负荷预测结果更符合实际情况；利用超启发式算法问题域中的各类启发式算法根据所建模型对三相不平衡电路进行优化，通过控制域的选择策略和解的接受策略，充分利用问题域中的启发式算法，并基于强化学习思想不断训练各启发式算法的相关参数，提升求解速度，以增加供电时长稳定性，解决台区相序调整不足等问题。
附图说明
[0084]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0085]
图1为本发明一个实施例提供的基于门控循环单元与超启发式算法的三相不平衡优化方法的整体流程图；
[0086]
图2为本发明第一个实施例提供的基于门控循环单元与超启发式算法的三相不平衡优化方法中改进算数优化算法的流程图；
[0087]
图3为本发明第二个实施例提供的基于贪心策略和强化学习思想的超启发式算法框架图；
[0088]
图4为本发明第二个实施例提供的基于门控循环单元与超启发式算法的三相不平衡优化方法在不同任务数下的负载平衡率对比；
[0089]
图5为本发明第二个实施例提供的u相母线负荷预测值预测算法对比图。
具体实施方式
[0090]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
[0091]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0092]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0093]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0094]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0095]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0096]
实施例1
[0097]
参照图1～4，为本发明的一个实施例，提供了基于门控循环单元与超启发式算法的三相不平衡优化方法，包括：
[0098]
s1：获取台区电路数据和资源数据，基于所述数据构建三相不平衡电路优化模型；
[0099]
应说明的是，所述台区电路数据包含台区内电路的连接方式、负荷数量、支路数量、支路与负荷间的关系、每个负荷在不同支路的相位、电流等；所述资源数据包含台区内不同时期的负荷。
[0100]
进一步的，基于所述台区电路数据和资源数据，构建以三相不平衡度、换相频次和各支路损耗为目标的三相不平衡优化模型；
[0101]
更进一步的，设台区有q条支路，m个负荷，i∈{1，2，3}表示相序，1，2，3分别表示u、v、w相电路，表示支路q在i相的电流，rq表示支路q的阻抗，σq表示支路q的三相不平衡度，t表示换相周期，fm表示负荷m在周期t内的换相频次，表示支路q的中性线电流，表示支路q在中性线的损耗，表示负荷m在支路q的i相电流表示相位最小满意维续时间。
[0102]
支路q的中性线电流计算公式为：
[0103][0104]
支路q的中性线电流与负荷m在支路q的i相电流密切相关：
[0105][0106]
其中，
[0107]
用支路q三相电流中的最大值与平均值之差与平均值的比值表示支路q的三相不平衡度σq，计算公式如下：
[0108][0109]
支路中性线上的损耗为电阻与对应中性线电流平方的积，因此支路q在中性线的损耗为：
[0110][0111]
根据换相周期，计算一天内每个负荷m的换相次数t：
[0112][0113]
通过对比t-1和t时刻的相位是否相同判断负荷m是否换相，因此负荷换相次数计算公式为：
[0114][0115]
其中，
[0116]
根据层次分析法(analytic hierarchy process，ahp)确定目标权重后，构建目标函数：
[0117][0118]
s2：基于tent混沌映射策略产生初始种群，并利用精英选择策略和差分进化算子改进算数优化算法(improved arithmetic optimization algorithm，iaoa)，进而获取准确的预测结果；
[0119]
进一步的，输入原始数据，并基于变分模态分解(vmd)技术将其分解为一组有限的基于原始信号的各频率分量imf；
[0120]
更进一步的，确定种群数量为n，维度为dim的搜索空间，同时输入moa和mop，随机生成种群，并按照以下公式更新初始种群：
[0121][0122]
其中，
[0123]
更进一步的，将gru训练过程中的均方误差作为适应度函数计算公式用于计算适应度函数值，公式表示为：
[0124][0125]
其中，fit代表适应度函数值nd为测试数据个数，fi为第i个测试数据的真实值，为第i个测试数据的预测值。
[0126]
更进一步的，适应度函数值计算完成以后，根据迭代次数n、最大迭代次数max_iter、加速函数的最小值min和最大值max，更新加速系数(math optimizer accelerated，moa)，其中，加速函数的最小值min一般为0.2、加速函数的最大值max一般为1，更新moa计算公式表示为：
[0127][0128]
根据迭代次数n、最大迭代次数max_iter、敏感参数
∝
更新概率系数(mathoptimizer probability，mop)，更新mop计算公式表示为：
[0129][0130]
更进一步的，根据随机数r1与moa的关系，判断进入探索阶段还是开发阶段；判断标准为：当r1＞moa时进入探索阶段，产生随机数r2，μ是调整搜索过程的控制参数，值为0.499，ε为极小值，根据如下公式更新位置：
[0131][0132]
当r1≤moa时进入开发阶段，产生随机数r3，根据如下公式更新位置：
[0133][0134]
更进一步的，经过探索阶段或开发阶段生成新个体x
n 1
后，计算新个体的适应度函数值，生成新个体集合y＝[x
n 1
，xn]，并依据适应度函数值重新为y内的元素进行排序令y＝[y1，y2，...，yn]。基于精英选择策略寻找y中适应度最好的个体y
α
，同时随机选择3个个体ya、yb和yc，其对应的适应度函数值分别为fita、fitb和fitc，同时fita＜fitb＜fitc。
[0135]
更进一步的，利用差分进化算子对初始种群与新种群进行选择、交叉和变异操作；其中，产生变异向量表示为：
[0136]hn
＝ya f(y
b-yc)
ꢀꢀ
(17)
[0137]
其中，f表示缩放因子，一般取值范围为[0，2]，ya、yb和yc表示时随机选择的3个个
体；
[0138]
缩放因子f的计算公式为：
[0139][0140]
其中，f
l
＝0.1，fu＝0.9，fita、fitb和fitc分别为随机选择的3个个体ya、yb和yc的适应度函数值；
[0141]
对y中的个体按照以下公式进行交叉操作：
[0142][0143]
其中，cr是属于[o，1]之间交叉概率，与当前种群适应度函数的均值最大值fit
max
和最小值fit
min
相关，一般cr
l
＝0.1，cru＝0.6，具体公式如下：
[0144][0145]
更进一步的，对比新个体中最差个体与个体y
α
的适应度函数值，若个体y
α
的适应度函数值小于最差个体对应的适应度函数值，则用y
∝
替换最差个体，否则不执行替换操作。
[0146]
更进一步的，判断迭代次数是否满足大于最大迭代次数的条件，若满足则退出循环，若不满足则返回计算适应度函数的步骤。
[0147]
更进一步的，通过iaoa设置gru初始权重对gru进行改进后，再利用改进的gru对imf进行预测，并输出预测结果；
[0148]
更进一步的，通过改进gru对各imf的预测结果进行汇总，生成原始负荷序列的整体预测结果；
[0149]
s3：基于所述预测结果，利用强化学习思想和贪心机制丰富超启发式算法选择策略，使得在问题域的低层启发式算法智能选取启发式算法进行优化，进而求解所述三相不平衡电路优化模型。
[0150]
进一步的，随机初始化种群，利用低层启发式算法对优化问题进行求解；
[0151]
应说明的是，其中低层启发式算法包含求解三相不平衡问题的传统算法以及近三年内的先进算法。
[0152]
更进一步的，判断数据集是否充足，并基于判断结果进行策略选择；
[0153]
强化学习需要的最少样本数ne计算公式表示为：
[0154][0155]
通过公式(21)计算强化学习需要的最少样本集ne，当样本集数量大于等于ne时，可采用强化学习方法。
[0156]
否则采用贪心机制即挑选能够最大化改进当前解的低层启发式算法构造新算法；
[0157]
更进一步的，根据metropolis接受准则判断是否接收产生的新个体,具体的判断标准为：
[0158][0159]
其中，f(x
new
)表示新种群的适应度函数值，f(x
current
)表示未更新个体前的适应的函数值，t表示当前温度；
[0160]
同时由公式(9)可知超启发式算法的适应度函数计算公式为：
[0161][0162]
其中，q表示支路标号，q表示支路数量，m表示负荷标号，m表示负荷数量，λ1、λ2、λ3分别表示三相不平衡度、中心线路损耗和换相次数在目标函数中的占比λ1 λ2 λ3＝1，σq表示支路q的三相不平衡度，表示支路q在中性线的损耗，fm表示负荷换相次数。
[0163]
随机产生[0,1]的随机数r4，当r4≤p则接收x
new
；否则不接收，此时返回到是否接收的步骤进行重新判断。
[0164]
应说明的是，采用metropolis接受准则可以让下一代种群保持优良的适应度。
[0165]
更进一步的，若接受新个体后，则判断是否满足终止计算条件，满足时输出并记录优化结果，不满足时，则返回数据集是否充足的步骤进行重新判断。
[0166]
应说明的是，满足终止计算条件的标准为：已达到最大迭代次数。
[0167]
实施例2
[0168]
参照图5，为本发明的一个实施例，提供了基于门控循环单元与超启发式算法的三相不平衡优化方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
[0169]
输入2021年6月2日00:00时刻的数据作为相序优化算法的起始点。算法首先调用改进gru预测算法(iaoa-gru)得到台区0:00-06:00的预测负荷值，同时与传统的gur算法进行对比。母线预测负荷以u相为例展示，预测结果如图5所示，各时刻负荷预测数据如表1所示。
[0170]
表1各算法负荷预测值
[0171]
[0172][0173]
根据负荷预测结果，利用本发明提出的超启发式算法进行三相不平衡电路优化，优化结果如表2所示。
[0174]
表2优化结果相关指标
[0175]
时间三相不平衡度换相次数0:200.06823:450.0551
[0176]
通过上述优化结果可知本发明所述方法能够提升台区用户负荷预测精度，使仿真更贴切实际工业环境，并有效降低电路三相不平衡度和换相次数，增加电路稳定性。
[0177]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。