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

技术特征：
1.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，其特征在于，包括：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；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；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。2.如权利要求1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，其特征在于：所述构建三相不平衡电路优化模型，包括：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。3.如权利要求1或2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，其特征在于：所述构建三想不平衡电路优化模型，还包括：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，r
q
表示支路q的阻抗，σ
q
表示支路q的三相不平衡度，t表示换相周期，f
m
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t
κ
表示相位最小满意维续时间。支路q的中性线电流计算公式为：其中，i∈{1,2,3}表示相序，表示支路q在i相的电流；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：其中，其中，表示负荷m在支路q的i相电流t
κ
表示相位最小满意维续时间；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σ
q
，计算公式如下：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；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：其中，r
q
表示支路q的阻抗，表示支路q的中性线电流；根据换相周期，计算一天内每个负荷m的换相次数t：其中，t表示换相周期；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：其中，根据层次分析法确定目标权重后，构建目标函数：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，σ
q
表示支路q的三相不平衡度，表示支路q在中性线的损耗，f
m
表示负荷换相次数。4.如权利要求3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，其特征在于：所述基于tent混沌映射策略产生初始种群，包括：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；用于更新初始种群的公式表示为：其中，x
n 1
表示第n 1代种群，x
n
表示第n代种群；用于计算适应度函数值的适应度函数计算公式表示为：
其中，fit代表适应度函数值n
d
为测试数据个数，f
i
为第i个测试数据的真实值，为第i个测试数据的预测值；更新加速度系数moa的公式表示为：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；更新概率系数mop的公式表示为：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。5.如权利要求4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，其特征在于：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：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：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，x
n
表示第n代种群，mop表示概率系数，ub种群上界，lb种群下界；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：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，x
n
表示第n代种群，mop表示概率系数，ub种群上界，lb种群下界。6.如权利要求5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，其特征在于：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：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。7.如权利要求6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，其特征在于：所述选择、交叉和变异操作，包括：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
,x
n
]，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,...,y
n
]。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y
a
、y
b
和y
c
，其对应的适应度函数值分别为fit
a
、fit
b
和fit
c
，同时fit
a
<fit
b
<fit
c
；产生变异向量：h
n
＝y
a
f(y
b-y
c
)
ꢀꢀꢀꢀꢀ
(17)
其中，f表示缩放因子，一般取值范围为[0,2]；缩放因子f的计算公式表示为：其中，f
l
＝0.1,f
u
＝0.9,fit
a
、fit
b
和fit
c
分别为个体y
a
、y
b
和y
c
的适应度函数值；对y中除y
α
的其余个体按照以下公式进行交叉操作：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，cr
u
＝0.6，具体公式如下：其中，f
i
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。8.如权利要求6或7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，其特征在于：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：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。9.如权利要求8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，其特征在于：所述判断数据集是否充足，包括：计算强化学习需要的最少样本集n
e
，当样本集数量大于等于n
e
时，采用强化学习方法；计算公式表示为：其中，n
e
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10.如权利要求9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，其特征在于：所述求解三相不平衡电路优化模型，包括：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；若不接受，则返回判断是否接收的步骤；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。

技术总结
本发明公开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，其特征在于，包括：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；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；基于预测结果，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，进而求解三相不平衡电路优化模型。本发明通过改进算数优化算法来提升门控循环单元的预测精度，实现不同时期台区负荷的精准预测，同时通过利用强化学习思想和贪心机制，丰富超启发式算法的选择策略，进而提升三相不平衡电路的优化效果。平衡电路的优化效果。平衡电路的优化效果。


技术研发人员：杨晓华 代盛国 杨子阳 杨茗 任建宇 茶建华 李家浩 吴凯松 慕磊
受保护的技术使用者：云南电网有限责任公司
技术研发日：2022.06.30
技术公布日：2022/11/18