基于烟花算法计算莱文斯坦距离权重的虚端子自动连接方法

2023-11-17李腾吕飞鹏王星宇张海洋

电测与仪表 2023年11期

李腾,吕飞鹏,王星宇,张海洋

(四川大学电气工程学院,成都 610000)

0 引言

传统变电站微机保护装置各个开关量、跳合闸出口都一一对应电缆连接的具体端子。数字化变电站采用GOOSE(generic object oriented substation event)技术后,各保护装置之间的信息交互、跳合闸出口均是基于网络传输的数字信号,在一根光纤内可以同时传输多路数字信号,为了更直观的理解GOOSE、SV(sampled value)信号,虚端子的概念被提出[1-3]。目前设计院主要采用设计员通过设备厂家提供的能力描述文件(IED capability description,ICD)得到IED虚端子信息,并手动制作成虚端子表来实现IED之间的互联的方法,然而虚端子数量大、相似度高,导致了设计时工作量大、效率低且易出错,所以虚端子自动连接技术可以提高设计的工作效率和可靠性[4]。

目前虚端子自动连接的研究文献较少,文献[5]提出了基于关键字符匹配的虚端子自动关联方法,但此方法选取关键字符的工作需要人工完成,效率不高。文献[6]提出了基于距离权重向量优化模型的虚端子自动连接方法,此方法运用粒子群算法计算权重,运算速度慢,容易陷入局部最优。本文运用烟花算法计算出最佳权重,计算速度快,准确率高,从而实现高效虚端子自动匹配连接。

1 虚端子的类型和命名格式

通过通信网络模式,虚端子可以分为GOOSE虚端子和SV虚端子。通过输入、输出方式,虚端子可以分为输入虚端子和输出虚端子。因此虚端子的类型可分为:GOOSE输入虚端子、SV输入虚端子、GOOSE输出虚端子和SV输出虚端子。

IEC 61850标准[7]采用面向对象建模的方法将数据结构分为物理设备(physical device,PD)、逻辑设备(logical device,LD)、逻辑节点(lgical node,LN)、数据对象(data object,DO)、数据属性(data attribute,DA)。从而使得模型里的每一个对象都具有唯一的数据索引[8-9]。

每个虚端子都有中文描述,用来描述此虚端子代表信号的含义。按照国内IEC 61850实施规范的要求,GOOSE发送和接收的数据均应采用数据属性DA,因此内部引用地址应级联到DA一级,其格式为“LD/LN.DO.DA”[10]。SV虚端子与GOOSE虚端子类似。

目前智能变电站均按照IEC 61850协议面向对象进行建模,但并没有明确定义如何建模,即没有明确物理设备、逻辑设备和逻辑节点间的具体包含关系。因此,国家电网有限公司2010年发布了《IEC 61850工程继电保护应用模型》,细化了模型具体划分和命名规则,进一步对厂商的虚端子实现进行规范[11]。但目前国内智能变电站仍处于发展阶段,规范中对具体实施留有一定的自由度,导致了不同生产厂家设计的虚端子有一定的差异、模型内部也有所差异。虚端子的设计与命名并没有完全统一。

综上所述,基于国家电网公司和IEC 61850的规范,各个设备生产厂商所生产的虚端子仍有一定的差异性,不能够直接比对现实虚端子进行匹配,因此需要更加智能的虚端子匹配方法。

2 基于莱文斯坦距离相似度模型

根据虚端子命名特点,本文运用莱文斯坦距离来计算虚端子之间的相似度。最终选出最大相似度的虚连接作为匹配结果。

2.1 莱文斯坦距离相似度定义

莱文斯坦距离,又称Levenshtein距离,是编辑距离的一种,1965年由俄罗斯科学家弗拉基米尔·莱文斯坦提出。具体是指两个字符串之间,由一个转成另一个所需要的最少操作次数。可行编辑操作包括:

1)将一个字符替换为另一个字符;

2)插入一个字符;

3)删除一个字符。

当两个字符串的莱文斯坦距离越小,说明两个字符串的相似度越高[12]。本文用D(a,b)来表示字符串a和b的距离。定义为:

I={E1,E2,…,Ek,…,Em}

式中I为智能变电站中所有的虚连接;Ek为此智能变电站中第k个IED设备;Em为此智能变电站一共有m个IED设备。

其中Ek可以表示如下:

Ek={L1,L2,…,Lk,…Ln}

式中Lk为Ek这个IED设备中的第k个虚连接;Ln为Ek这个IED设备中一共有n个虚连接。其中Lk可以表示为:

任意两个字符串Li、Lj的相似度可以表示为:

(1)

式中,D(Li,Lj)为虚连接Li和Lj的莱文斯坦距离行向量,可表示为:

W为权重向量,可表示为:

距离权重表示虚端子每个属性占总体重要性的比重,权重值可以通过与已连接的同类IED虚连接进行训练得到。

2.2 匹配模型

根据实际智能变电站IED连接方式可知,IED输出虚端子和输入虚端子一一对应,将所有的虚端子分为输出虚端子和输入虚端子两部分,仅对输入虚端子进行匹配,当输入虚端子匹配完成也代表着输出虚端子匹配完成。

将同类IED已知虚端子连接数据分为训练集T和匹配集M。设匹配集M中虚端子连接对数为m,则M可表示为:

M={L1,L2,…Lm}

将P中的虚端子连接与M中的虚端子连接两两进行对比计算,得到P中与M相似度最大的虚连接,如下:

(2)

由此可以得到输入虚端子Vki对应的虚连接为Lki。同理,P中其余所有输入虚端子的虚连接也能一一找出。

3 基于烟花算法的距离权重向量计算

本文运用莱文斯坦距离来计算两个虚连接的相似程度。由于两个虚端子不同属性的莱文斯坦距离对莱文斯坦相似度的程度不同,并且同类IED设备的虚端子相似度非常大,所以提出权重向量作为待匹配IED的优化参数。运用烟花算法对权重向量目标函数进行求解,得到最优权重向量。

3.1 距离权重向量优化模型

设IED训练集中同类IED有N个,任意选取其中一个IED设备作为待匹配的IED,剩下N-1个IED设备作为匹配集。通过烟花算法生成权重向量W=[w1,w2,…,w10]T和前文的匹配模型得到待匹配集的输入虚端子和输出虚端子的连接情况,记为Jp(W)。匹配完成后的任意一个虚连接记为Lk(W)。由于训练集的虚端子连接信息由已连接IED设备中提取出来,所以可看作为全正确连接,记为JA。定义函数f(Lk(W))满足如下:

(3)

即f(Lk(W))为在给定距离权重下训练匹配得到的虚连接结果与样本虚连接对比。最终使在所求的距离权重下达到正确的虚连接数达到最大,所以目标函数G(W)还需满足以下优化模型:

maxG(W)=G(w1,w2,…,w10)=

(4)

3.2 烟花算法求解方案

本文采用烟花算法来求解距离权重向量优化模型。烟花算法(fireworks algorithm,FWA)是一种灵感来自于夜空中烟花爆炸的群体智能算法[13-16]。烟花算法具有很强的局部爆发性,同时烟花种群能在全局搜索和局部搜索能力达到一个平衡,使得寻优效率非常高。烟花算法具体流程图如图1所示。

图1 烟花算法流程图

本文将目标函数的解W=[w1,w2,…,w10]设置为烟花算法中一个10维烟花的位置X=[x1,x2,…,x10]。具体步骤如下:

1)初始化种群:初始化对象包括烟花数目(N=100)、烟花位置维度(D=10)、变异火花数(M=5)、爆炸数目(En=6)、爆炸半径(Er=5)、爆炸数目限制因子(a=0.3,b=0.6)和迭代次数T=100。

2)爆炸算子:在烟花算法中,烟花Xi爆炸产生的火花的个数为Eni,表示如下:

(5)

式中,m为常数;Yworst为目前种群中最差适应度值;f(Xi)为烟花Xi的适应度值;ε为一个极小的正常数,避免除以零的操作[17]。同时,为了防止火花数目过多或过少,需要对其进行修正,修正如下:

式中,round(·)为取整函数;a和b为给定的限制因子。

烟花Xi爆炸范围半径为Eri,表示如下:

(6)

式中,Gau(·)为高斯函数。

当爆炸或变异产生的爆炸算子或变异算子超出最大范围时,需要对其进行位置的映射,映射规则如下:

(7)

4)选择策略:烟花算法采用的是保留精英策略,适应度最好的烟花保留到下一代,剩下的个体采用轮盘赌的方法进行选取[18]。选取的概率为p,表示如下:

(8)

(9)

式中,R(Xi)为个体Xi与其他个体的距离总和;d(Xi,Xj)为个体Xi与个体Xj的欧式距离;K为算子爆炸和变异产生的火花总数。

5)终止条件:设置一个最大的迭代次数,当迭代完成后,得到的距离权重向量即为选取的IED距离权重向量。

为了使实验结果根据一般性,可以随机选取多个同类IED进行多次实验,将多个距离权重向量的平均值作为最终的向量。

结合上文,虚端子自动匹配模型的全部流程如图2所示。

图2 自动匹配流程图

4 算例验证与分析

文中通过python程序提取了10个不同智能变电站SCD文件中的虚端子信息。为了使算例结果更具有一般性,本次算例选取220 kV母线测控装置的虚端子信息进行匹配。根据上述方法,随机选取其中一个作为待匹配IED,其余IED虚连接作为样本虚连接数据。将样本虚连接数据分为训练集和匹配集进行训练,算出最终距离权重向量。

通过烟花算法对优化模型求解,最终得到距离权重为:

整个训练花费时间约为2.5 h,虽然比人工连接一个IED虚端子花费时间多,但是当样本选择适当时,此时计算出的距离权重向量可以用在以后类似的IED虚端子连接上。因此,更应该关注的是虚端子的匹配时间。本次选取的待匹配IED输入虚端子和输出虚端子均为65个,全部匹配完毕耗时2 s,准确率达到了百分之百。对比人工手动进行虚端子连接,效率有所提高,得出本文提出的虚端子自动连接方法是可行的。部分自动匹配结果如表1所示。