[發明專利]一種超高壓輸電電場極限學習機預測多目標優化屏蔽方法

在審

• 申請號: 201710173222.7
• 申請日: 2017-03-22
• 公開（公告）號: CN106951995A
• 公開（公告）日: 2017-07-14
• 發明（設計）人: 彭春華;姜磊;孫惠娟
• 申請（專利權）人: 華東交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 南昌市平凡知識產權代理事務所36122
• 代理人: 姚伯川

技術領域

本發明涉及一種超高壓輸電電場極限學習機預測多目標優化屏蔽方法，屬超高壓輸電技術領域。

背景技術

隨著我國高壓輸電工程的快速發展，高壓輸電線路工頻電場引起的環境問題也日益突出。為使工頻電場環境符合限值，可采取提高輸電線架設高度、采用緊湊型輸電方式、優化分裂導線布局等措施，但工程造價和施工難度較高，而采用屏蔽線或屏蔽網等輔助屏蔽措施則更為經濟和靈活，能實現良好的屏蔽效果。現有研究多集中于對屏蔽線條數、線間距和位置等因素單獨作用對屏蔽效果的影響，并未深入研究屏蔽線條數、線間距和位置等多種因素綜合影響下的屏蔽效果，難以得出具體屏蔽方案，同時也未考慮屏蔽方案的經濟性。為此，有必要建立上述多種影響因素與屏蔽效果的關系，并利用經濟指標對屏蔽方案做出決策，避免盲目施工，并提高屏蔽措施的性價比。

由于屏蔽方式及其架設位置與評價屏蔽效果的工頻畸變電場和屏蔽范圍之間是一種多維非線性映射關系，難以直接用數學函數描述，因此不能直接建立數學模型進行尋優。若通過常規的枚舉法得到一系列可行的屏蔽線架設方案，再采用有限元逐一建模求解各方案的工頻畸變電場和屏蔽范圍，最后通過相互比較找出最優屏蔽方案，雖然方法簡單，但會由于可選方案數量龐大，不僅極為耗時而且難以得到真正的最優方案，因此并不現實。而通過智能學習算法構造多維非線性映射關系預測模型則能很好地解決該類問題，如有研究將支持向量機(Support Vector Machine,SVM)算法應用于中長期負荷預測。然而，SVM雖具有很強的非線性識別能力，但也存在泛化能力弱、學習速度慢和易陷入局部最優等缺點。而極限學習機(Extreme Learning Machine,ELM)算法因其只需設置網絡的隱含節點個數，在算法執行過程中不需要調整網絡的輸入權值以及隱含的偏置，相比于SVM具有學習速度更快，泛化性能更好等優點。極限學習機的預測性能可由擬合誤差與泛化能力兩方面評價。傳統ELM由于只考慮擬合誤差最小，易導致過擬合現象。若要依據屏蔽線架設參數與屏蔽效果之間的映射數據基于ELM建立屏蔽效果預測模型，還應進一步提高ELM的泛化能力。

基于屏蔽效果預測模型，以屏蔽效果最優和屏蔽成本最低為綜合目標，可構建超高壓輸電電場多目標優化屏蔽模型。在對優化模型求解方面，經典優化方法雖然較為簡單明確，但一般是基于局部信息求導而不可避免陷入局部極值，且難以求解多目標優化問題。超高壓輸電電場多目標優化屏蔽模型是一個復雜的非線性混合整數規劃問題，不滿足經典優化算法目標函數連續、可導等條件，經典優化算法已不再適用。現代智能進化方法在全局尋優能力、多目標優化和適應性方面則體現出明顯優勢。然而，智能進化方法在解決復雜問題時，普遍存在尋優深度與尋優速度的矛盾，以及種群內各個體在進化后期相似度會越來越高而導致進化趨于停滯的現象，這種問題至今沒能得到較好的解決，已成為目前各類智能進化方法發展的瓶頸。對于復雜的超高壓輸電電場多目標優化屏蔽問題，智能進化方法的上述缺陷將會導致尋優不徹底而陷入早熟。因此，必須提出一種全新的高性能多目標優化方法，在保證尋優速度的同時實現全局深度尋優，以突破智能進化方法后期個體多樣性不足的瓶頸。

發明內容

本發明的目的是，為了解決超高壓輸電工程所面臨的電場環境超標和環境治理成本過高的問題，提高屏蔽效能和避免盲目施工，提出一種超高壓輸電電場極限學習機預測多目標優化屏蔽方法，以屏蔽效果最優和屏蔽成本最低為綜合目標對鄰近民居的超高壓輸電線路畸變電場的屏蔽方案進行多目標優化，以便合理優化屏蔽線架設參數，得到成本盡量低而屏蔽效果盡量好的最優屏蔽方案。

本發明的技術方案是，一種超高壓輸電電場極限學習機預測多目標優化屏蔽方法，所述方法包括綜合屏蔽范圍和室內最大畸變場強的屏蔽效果量化評估方法；基于有限元仿真計算和加權正則化極限學習機的超高壓架空輸電線工頻畸變電場屏蔽效果預測方法；以及融合多目標分子微分進化和加權正則化極限學習機預測的超高壓輸電電場屏蔽多目標優化模型求解算法。