基于改進蟻群算法的輸變電工程數據分析方法研究

劉宏志，楊曉營，王艷梅，張燦

（國網山東電力公司經濟技術研究院，山東濟南 250021）

隨著我國經濟的快速發展及居民生活水平的提升，社會生產生活對于電力的需求與日俱增，電網也隨之進入大建設時期[1-2]。而輸變電工程作為電網的重要支撐項目，其具有建設過程復雜、周期長且投資金額較大等特點[3]。由于該工程在建設過程中所產生的造價、質量管控與流程管理等數據眾多，因此如何合理有效地分析、管控其工程數據成為了亟待解決的問題[4-5]。

針對海量工程數據的分析處理，目前已取得了一定的研究成果，如遺傳算法、神經網絡等[6-7]。但大部分方法存在對輸變電工程多源多類型數據考慮不全面的問題，尤其在工程造價管控方面，難以實現各部門數據的共享且管控效率較低。為此，該文基于改進蟻群算法提出了一種輸變電工程分析管控方法，將智能化處理后的數據輸入改進蟻群算法進行分析，并根據優化方案進行工程管控。

1 改進蟻群算法

1.1 蟻群算法

蟻群算法(Ant Colony Optimization，ACO)主要根據兩條規則來進行搜索，即確定螞蟻下一個位置方向的移動規則與信息素更新規則[8-9]。在信息素的引導下，蟻群的解朝著最優方向發展，蟻群算法的搜索過程如圖1 所示。

圖1 蟻群算法的搜索過程

首先，在蟻群搜索過程中信息素按比例揮發，表示為：

式中，τab(t)表示邊緣(a,b)上時間t內的信息素，ρ為信息素的揮發系數。

然后，當螞蟻k在時間t內通過(a,b)時，信息素更新如下：

式中，τ0為信息素初值。

式中，Jk(r) 表示螞蟻k在時間t時需要訪問的一組站點；α和β則分別表示τ與啟發因子γ的比例。

最終，在每個搜索迭代后，均會根據信息素的變化更新最佳路徑Lbest(t)及最差路徑Lworst(t)，數學表達式如下：

式中，Q為(a,b)間的信息素總量。

1.2 改進蟻群算法的架構設計

由于傳統的蟻群算法易陷入局部最優，而主要影響螞蟻路徑選擇的因素是信息素的大小與路徑的長度。因此，可通過改變兩個因素對螞蟻路徑選擇的影響比例來改進蟻群算法[10]。其中，通過狀態轉移概率及規則能夠實現對信息素的優化，并進一步增強蟻群算法搜索全局最優解的能力。

1）狀態轉移概率優化

通過調整信息素對路徑選擇的影響比例，將螞蟻的路徑選擇轉化為信息素的比例計算。狀態轉移概率計算如下：

式中，N為位置數；ε為隨機數，取值范圍為(0,1)。其中，ε越小，路徑長度的影響越大；而ε越大，則信息素影響也越大。因此，螞蟻的路徑選擇概率可通過權重的比例來反映。即當信息素權重較大時，螞蟻主要根據信息素選擇路徑；而當路徑長度權重較大時，螞蟻則主要根據路徑長度進行路徑選擇[11]。通常而言，信息素是決定螞蟻路徑選擇的一個因素，且ε設置為0.90。

2）利用狀態轉移規則

通過基于最大最小螞蟻系統(Max Min Ant System，MMAS)細化信息素的上下限來優化狀態轉移規則，有利于提高路徑選擇的準確性及魯棒性。狀態轉換規則定義如下：

式中，p和p0分別為當前轉移概率與轉移概率閾值。

當p≤p0時，規則按照原始狀態轉移；當p0＜時，選擇S1；當時，選擇S2，其信息素量最大的位置；而在其他情況下，則選擇S3，此為無效點。

改進的蟻群算法通過優化信息素，幫助螞蟻選擇更合理的路徑。由于信息素的精確上下限，該改進算法能夠更準確地選擇相應的狀態規則，并更有效地搜索全局最優解。

2 工程數據分析管控方法

由于輸變電工程復雜，且人工處理精度較低，因此將改進蟻群算法應用到工程數據中進行智能化分析，以實現更為理想的數據管控效果。

2.1 工程數據智能化處理

數據智能化處理的過程包含數據標準化預處理、數據綜合校驗及數據集成分析處理共三個環節，具體如圖2 所示。

圖2 數據智能化處理過程

1）數據標準化預處理：輸變電工程數據根據施工過程包含預研、工程啟動、招標與施工等階段的數據，各類數據文件繁多，且格式、計量單位等不同，因此有必要進行標準化處理?？蓴U展標記語言(Extensible Markup Language，XML)是一種數據元[12]，文中即采用XML 標準化輸變電工程數據。

2）數據綜合校驗：在數據標準化后可能存在數據缺失等情況，因此需按照預先設定的規范進行包括完整性、正確性、邏輯性等方面的校驗，以確保工程數據的質量。

3）數據集成分析：該文采用中間件技術，把來自于多種數據源的信息轉換為XML 元數據。然后再將校驗過的數據按照規則進行集成并存儲，最終實現數據共享。

2.2 基于改進蟻群算法的數據分析方法

將智能化處理后的數據輸入改進蟻群算法進行分析，根據分析結果采取相應的管控措施。工程數據分析管控的整體流程如圖3 所示。

圖3 工程數據分析管控的整體流程

在基于改進蟻群算法的工程數據分析管控流程中，首先進行參數初始化，設定最大迭代次數等。然后根據尋優規則搜索路徑，并計算適應度值。再將每只螞蟻的移動路徑與最優解進行比較：若移動后適應能力比之前更強，則應移動螞蟻，且將相應的結果轉化為信息素增量，以更新蟻群算法的信息素矩陣[13-14]；否則，螞蟻將停留在原始位置，并保持此最優解。然后，螞蟻持續搜索，直至找到全局最優解，即適應度值最理想對應的數據分析結果。由于輸變電工程數據繁雜，以工程造價為例，適應度值為全過程造價，全局優化目標為工程造價最小化。

3 實驗結果與分析

實驗中，以山東省某市的220 kV 電壓等級的輸變電工程為例，基于Matlab 仿真平臺對所提方法進行分析。此外，改進蟻群算法的參數設置為：蟻群數目為50，α=1，β=4，ρ=0.1，最大迭代次數為400 次。

3.1 改進蟻群算法收斂性分析

為了論證改進蟻群算法的優越性，將其與傳統蟻群算法進行對比，二者的迭代收斂曲線如圖4所示[15-16]。

圖4 算法迭代曲線對比

從圖中可明顯看出，改進蟻群算法的收斂次數更少，大約為85 次，且適應度值更小。而傳統蟻群算法在迭代90 次之后適應度趨于穩定，但仍存在一定的波動，且適應度值較大，優化效果也不佳。因此，改進蟻群算法通過信息素與距離的優化能夠顯著加快收斂速度，并獲取全局最優解以提升目標優化結果。

3.2 工程造價管控結果

將所提方法用于輸變電工程造價數據分析，其輸電、變電等工程的費用如圖5 所示。

圖5 輸變電工程造價管控結果

由圖5 可知，相比于工程造價測試值，經所提方法處理后的工程造價顯著減少，以12 月的工期為例，其造價降低了約50 萬元。所提方法通過改進蟻群算法獲得全局最優解，即造價最小化的管控方案。且全面分析了輸電、變電等各個階段的工程費用，因此管控效果顯著，并降低了電網建設成本。

4 結束語

基于改進蟻群算法，該文提出了一種輸變電工程數據分析管控技術方案，通過改變信息素與距離這兩個因素對螞蟻路徑選擇的影響比例，從而改進蟻群算法。并將其用于分析智能化處理后的輸變電工程數據，從而實現工程造價管控?；谏綎|某市220 kV 輸變電工程數據的實驗結果表明，改進蟻群算法在迭代次數約為85 時實現收斂，且管控后的工程造價降低了約50 萬元。該方法在保證管控效率的同時，還降低了工程費用。隨著深度學習網絡的快速發展，其為電網數據處理提供了一個新的研究方向。因此，在接下來的研究中將重點探索深度學習網絡在電網工程數據分析中的應用。