做配電網(wǎng)故障定位研究的同學十有八九會遇到這樣一個尷尬的節(jié)點FTU把故障信息傳上來了調(diào)度主站也確定了“故障就在這條饋線上”但具體是哪個分段開關(guān)和哪個分段開關(guān)之間的區(qū)段出了問題光靠人工看曲線、翻錄波效率低不說還容易出錯。傳統(tǒng)矩陣算法在這個問題上存在多解、誤判且容錯性比較差于是很多人自然想到把配電網(wǎng)故障定位處理成一個0/1組合優(yōu)化問題再用智能算法去搜解。粒子群算法因為實現(xiàn)簡單、收斂快、不依賴梯度信息在這個場景里的出鏡率相當高。這篇博文就把我復(fù)現(xiàn)“基于改進粒子群算法的配電網(wǎng)故障定位”時的建模思路、算法改動和Matlab代碼細節(jié)全部梳理出來順便把那些沒人寫在論文里的坑也一起說了。這篇內(nèi)容適合三類人看一類是正在做畢業(yè)設(shè)計或課程設(shè)計需要快速復(fù)現(xiàn)一個可運行算例的電氣專業(yè)學生另一類是剛開始接觸配電網(wǎng)故障定位但對智能優(yōu)化算法還不太熟的工程師還有一類就是單純想知道“論文里那些改進粒子群到底改了個啥”的算法愛好者。不管你是哪一類這篇文章的目標是一致的讓你看完之后自己能把代碼寫出來。1. 先建模再調(diào)參配電網(wǎng)故障定位到底在優(yōu)化什么做智能優(yōu)化類課題最容易犯的錯就是把重心全部放在算法改進上而忽略了最前面的“問題建?！?。配電網(wǎng)故障定位這個方向尤其如此因為前面模型建得越準確后面算法每進一步的價值就越明顯。你要是直接把粒子群扔進去盲搜搜出來的結(jié)果大概率自己都不敢信。1.1 區(qū)段定位 vs 故障測距你的優(yōu)化目標是什么配電網(wǎng)故障定位可以粗略分成兩條技術(shù)路線第一種是故障測距也就是利用行波或阻抗特征計算出故障點到測量端的物理距離輸出結(jié)果是一個帶單位的數(shù)字比如“2.3公里處”。這種方法在輸電網(wǎng)和電纜線路里表現(xiàn)不錯但在分支多、負荷T接密集的中壓配電網(wǎng)里測距結(jié)果會受負荷電流、過渡電阻、網(wǎng)絡(luò)拓撲變化的影響誤差可能被拉到很大。第二種是區(qū)段定位它的輸出不是距離而是一個具體的“區(qū)段編號”。配電網(wǎng)被分段開關(guān)、聯(lián)絡(luò)開關(guān)、環(huán)網(wǎng)柜天然劃分成若干區(qū)段區(qū)段定位要做的就是判斷“故障發(fā)生在哪一個或哪幾個區(qū)段之間”。這種定位結(jié)果對調(diào)度員來說非常直觀可以直接指導(dǎo)隔離操作也是目前配網(wǎng)自動化系統(tǒng)里更主流的落地形式。本文所說的“故障定位”默認就是第二種。它適合用0/1變量來描述假設(shè)配電網(wǎng)被劃分成N個區(qū)段用N維0/1向量X表示各區(qū)段狀態(tài)X(i)1代表第i個區(qū)段故障X(i)0代表正常?；诟倪M粒子群算法的定位研究本質(zhì)上就是通過優(yōu)化方法去找到一組最可能的X讓它能解釋現(xiàn)場FTU傳回來的故障信息。明白這一點再往下看才不會迷路。1.2 開關(guān)函數(shù)和目標函數(shù)10行代碼能講清楚的核心要把“找故障區(qū)段”變成“解優(yōu)化問題”必須定義兩個函數(shù)一個是開關(guān)函數(shù)用于根據(jù)假定的X計算每個FTU“理論上應(yīng)該上報什么”另一個是目標函數(shù)用于量化理論值和實際觀測值之間的差距。先解釋開關(guān)函數(shù)。假設(shè)某條輻射狀配電網(wǎng)饋線上安裝了M個FTU每個FTU位于某個分段開關(guān)或聯(lián)絡(luò)開關(guān)節(jié)點處。發(fā)生故障后如果該FTU到電源點的上游路徑中存在故障區(qū)段正常情況下它就能檢測到故障電流上報1如果沒有就上報0。用集合語言說對第k個FTU它的上游區(qū)段集合是集合U_k那么它的理論上報值f_k(X)定義為[ f_k(X) \begin{cases} 1 \text{如果 } \bigcup_{i \in U_k} X(i) \neq \emptyset \ 0 \text{如果 } \bigcup_{i \in U_k} X(i) \emptyset \end{cases} ]說白了只要第k個FTU往電源方向看過去的路徑上有任何一個區(qū)段被標記為故障這個FTU就應(yīng)該報1。這段邏輯在Matlab里可以用矩陣乘法實現(xiàn)構(gòu)造一個M乘N的拓撲關(guān)聯(lián)矩陣AA(k,i)1表示區(qū)段i在第k個FTU的上游路徑上那么理論輸出就是A乘以X的布爾結(jié)果。目標函數(shù)則可以寫成兩部分相加[ J(X) \sum_{k1}^{M} (I_k - f_k(X))^2 \alpha \sum_{i1}^{N} X(i) ]其中I_k是第k個FTU的實際上報值第一部分衡量“理論計算值”和“實際觀測值”的偏差第二部分是一個最小故障數(shù)懲罰項系數(shù)α用來平衡兩部分的重要性。為什么要加第二部分因為在某些網(wǎng)絡(luò)末端FTU數(shù)量不足或信息不完整時如果不做約束優(yōu)化算法可能在找到一組能解釋觀測值的解之外還找到一組把所有區(qū)段都置1的“笨解”。加入懲罰項后算法會傾向于輸出能解釋故障信息且故障區(qū)段數(shù)量更少的解。1.3 多解和畸變這個優(yōu)化問題真正的難處如果一個配電網(wǎng)故障定位問題完美、無噪聲、FTU全覆蓋那直接用解析法就可能解決甚至不需要智能算法?，F(xiàn)實的問題在于配電網(wǎng)饋線上FTU的安裝密度不可能無限高尤其是一些末端分支可能沒有監(jiān)測設(shè)備這就是所謂的“弱可觀”。弱可觀會帶來一個經(jīng)典麻煩——多解。假設(shè)某條線路末端有3個無FTU的分支區(qū)段故障發(fā)生時主饋線上的FTU都能看到過流但末端到底斷了哪個分支信息上沒有任何區(qū)分度。此時算法輸出任何一個候選區(qū)段都有可能是“數(shù)學上正確”的但物理上只有一個真的。更麻煩的是FTU本身也可能由于電磁干擾、通信誤碼等原因出現(xiàn)漏報或誤報也就是觀測向量里有噪聲畸變。這時候簡單的矩陣算法很容易被某個錯誤的畸變點帶偏導(dǎo)致定位結(jié)果完全錯誤。因此做基于改進粒子群算法的故障定位不能只停留在“標準PSO能不能收斂”的層面還要考慮容錯性和候選解集。這也是為什么本課題值得用改進算法去做而不是拿傳統(tǒng)方法套一下就算完。2. 從標準粒子群到“能用在配網(wǎng)里”的粒子群粒子群算法是一個很經(jīng)典但也很“基礎(chǔ)”的優(yōu)化工具。說它經(jīng)典是因為它結(jié)構(gòu)簡潔全局搜索能力在多數(shù)組合優(yōu)化問題上都有一戰(zhàn)之力說它基礎(chǔ)是因為在0/1離散空間、帶噪聲和多解的問題上標準PSO經(jīng)常會表現(xiàn)出水土不服。2.1 速度-位置迭代公式到底在叫什么標準PSO的更新公式是每個搞優(yōu)化的人都繞不開的兩行[ v_{i}(t1) w v_{i}(t) c_1 r_1 (pbest_i - x_i(t)) c_2 r_2 (gbest - x_i(t)) ][ x_{i}(t1) x_{i}(t) v_{i}(t) ]解釋起來不難每個粒子就是一只“鳥”它下一時刻的速度由三部分決定自己是原來的速度慣性w、飛向自己歷史最優(yōu)位置pbest的趨勢以及飛向整個群體最優(yōu)位置gbest的趨勢。c1和c2叫學習因子r1和r2是[0,1]均勻隨機數(shù)。在連續(xù)優(yōu)化問題里位置x_i就是實數(shù)向量v_i直接作為增量加到位置上。但如果要解決配電網(wǎng)故障定位這種0/1問題x_i的每個分量只能取0或1速度公式就不能直接用了。這時最常用的做法是引入sigmoid映射把速度值轉(zhuǎn)成該維度取1的概率[ S(v) \frac{1}{1e^{-v}} ]位置更新時生成一個[0,1]之間的隨機數(shù)r如果r S(v)則該維度取1否則取0。這個處理本身沒有問題問題是標準PSO的速度更新邏輯照顧不到這種離散空間的特殊需求比如速度過大時S(v)會逼近1或者0粒子幾乎失去翻轉(zhuǎn)能力搜索就變成了“僵尸模式”。2.2 配網(wǎng)定位場景下必須正視的三個短板標準PSO在這個課題里至少有三個地方需要正視。第一個短板是更新機制與二進制空間不匹配。速度公式里的三個向量方向在連續(xù)空間里都有明確的“幾何意義”但到了0/1空間位置只能翻轉(zhuǎn)或者不翻轉(zhuǎn)速度的“方向”被sigmoid映射扭曲了。實測中如果不對速度做限制粒子很容易在一個固定狀態(tài)上卡住很久尤其當v值絕對值超過4以后sigmoid概率小于0.018或大于0.982后續(xù)更新基本相當于拋一個嚴重偏置的硬幣。第二個短板是早熟收斂。配電網(wǎng)故障定位的目標函數(shù)其實并不平滑存在不少局部極值尤其是當FTU信息出現(xiàn)畸變時一個錯誤位就可能把整個適應(yīng)度曲面“抬高”。標準PSO一旦讓較多粒子聚集到某個局部最優(yōu)附近全局最優(yōu)gbest的變化就會很慢甚至完全停滯。很多文獻里說“PSO收斂快”那是在理想連續(xù)函數(shù)上在實際離散問題和含噪觀測下收斂快未必是好事更快也可能意味著更早掉進坑里。第三個短板是輸出方式過于單薄。標準PSO最后只輸出gbest也就是整個種群找到的最優(yōu)解?？膳潆娋W(wǎng)故障定位天然可能存在多個等效解gbest雖然目標函數(shù)值相同但不一定是物理上真正的那個故障區(qū)段。如果在算法層面不維護候選解集合只在最后打印一個結(jié)果處理多解和容錯的能力就很差。這個問題在實際工程中尤其要重視。3. 改進策略怎么落地四種立即可用的寫法很多相關(guān)文獻都會提“改進粒子群”但怎么改、為什么要這么改、改完之后會不會引入新的問題這些細節(jié)才是真正拉開差距的地方。我在復(fù)現(xiàn)時自己動手實現(xiàn)過幾類改進下面挑出我認為最實用、最容易寫進代碼里的四種按從簡單到復(fù)雜的順序講。3.1 限制vmax防止sigmoid飽和把搜索變成“僵尸”對二進制粒子群來說vmax不只是一個“速度上限”它的本質(zhì)是控制“位置翻轉(zhuǎn)概率的自由度”。如果放任v無限增長S(v)會快速飽和到接近0或1粒子就很難從當前狀態(tài)中逃逸分布也會慢慢固化。我建議將vmax設(shè)置在3到5之間具體做法是每次速度更新后執(zhí)行一次截斷vMax 4; v max(min(v, vMax), -vMax);這個改動很小但它能保證每個維度還有足夠的概率去嘗試翻轉(zhuǎn)。也可以進一步做“速度動態(tài)衰減”迭代初期vmax大、粒子探索充分迭代后期vmax減小、粒子專注于局部精細搜索。實測下來這個簡單操作比很多復(fù)雜的改進都更能穩(wěn)定結(jié)果建議先試。3.2 慣性權(quán)重不只隨迭代線性降要隨種群狀態(tài)變慣性權(quán)重w是平衡全局搜索和局部搜索的關(guān)鍵參數(shù)。w大粒子喜歡保持原有速度到處飛適合早期探索w小粒子容易被群體最優(yōu)吸引過去適合后期開發(fā)。很多論文采用線性遞減策略寫作w w_max - (w_max - w_min) * t / T思路很直接但問題是這個“遞減”只跟代數(shù)有關(guān)沒考慮種群當前的真實狀態(tài)。如果算法跑了10代就已經(jīng)聚集到一個錯誤區(qū)域此時線性遞減會讓w變得很小群體更難跳出來反過來如果種群還非常分散卻因為代數(shù)已經(jīng)到后期而必須減小w也會錯失探索機會。我采用的改進思路是用種群適應(yīng)度方差來判斷“聚集程度”。方差大說明粒子彼此差異大應(yīng)該保持較大的w去探索方差小說明大家扎堆了需要減小w并配合變異。實現(xiàn)上可以這樣寫favg mean(fit); sigma2 mean((fit - favg).^2); sigmaNorm sigma2 / (favg^2 1e-6); if sigmaNorm 0.1 w 0.4; % 種群太聚集加強局部搜索 else w 0.4 0.5 * min(1, sigmaNorm); % 種群分散時保持探索 end這里的關(guān)鍵是讓算法根據(jù)自身狀態(tài)自適應(yīng)地調(diào)整行為而不是機械地按代數(shù)變化。3.3 變異與災(zāi)變早熟后的最后手段改進PSO里加入變異操作思路是從遺傳算法借鑒來的。每次位置更新后隨機選擇一部分粒子以概率p_mut對它們的某幾個維度進行翻轉(zhuǎn)。例如if rand p_mut m randi(D); X(i, m) 1 - X(i, m); end這個翻轉(zhuǎn)看似簡單實際作用很大。因為二進制粒子群主要靠隨機數(shù)和速度驅(qū)動相位翻轉(zhuǎn)一旦速度飽和翻轉(zhuǎn)機會就很少變異提供了一種“硬擾動”的通道能讓粒子和群體有機會跳出局部最優(yōu)。變異概率不宜過大。我試過p_mut取0.05到0.1左右表現(xiàn)比較穩(wěn)定取0.2以上時算法會出現(xiàn)明顯的抖動收斂曲線容易像心電圖一樣不穩(wěn)定。另外一種是“災(zāi)變”也就是當全局最優(yōu)gbest連續(xù)15到20代都沒有更新時主動重置種群中的大部分粒子只保留當前gbest和少量pbest信息相當于讓鳥群重新起飛。3.4 候選解集多解定位問題里最值得加的模塊這一條幾乎不會出現(xiàn)在標準算法描述里但對配電網(wǎng)故障定位來說它比單純把算法收斂曲線調(diào)漂亮更重要。簡單來說gbest只有一個但定位問題的解空間可能存在多個目標函數(shù)值相同或接近的候選解。工程上需要的是把這些候選解都找出來幫現(xiàn)場人員縮小排查范圍而不是自信滿滿地甩出一個可能錯誤的編號。我在代碼里維護一個固定長度的候選解池每當某個粒子的適應(yīng)度優(yōu)于當前池中最差候選時就把它放進去剔除重復(fù)解再按適應(yīng)度排序。迭代結(jié)束后輸出池中所有目標函數(shù)值達到閾值要求的候選區(qū)段集合。實際算例中當一個末端FTU信息不足造成多解時候選解池通常會給出2到3個位置相近的區(qū)段這些區(qū)段往往覆蓋了真實故障所在的范圍。4. Matlab關(guān)鍵代碼解析從數(shù)據(jù)結(jié)構(gòu)到主循環(huán)一步步來Matlab之所以適合做這個課題是因為矩陣運算寫起來非常順手。配電網(wǎng)故障定位里那些“路徑”“上游”“或邏輯”本質(zhì)上全是矩陣操作用Matlab實現(xiàn)可以省掉大量循環(huán)。下面從數(shù)據(jù)結(jié)構(gòu)開始講代碼。4.1 拓撲關(guān)聯(lián)矩陣A是地基寫代碼的第一步不是寫粒子群而是建立拓撲關(guān)聯(lián)矩陣A。建議先畫一個簡單的輻射狀配網(wǎng)圖明確哪些區(qū)段在哪些FTU的上游。舉個例子一條主饋線上有5個FTU電源從左側(cè)注入?yún)^(qū)段從左到右分布A矩陣會是一個下三角結(jié)構(gòu)% A的行對應(yīng)FTU編號列對應(yīng)區(qū)段編號 % A(k,i)1表示第i個區(qū)段在第k個FTU向上游看時處于其路徑上 A [1 1 1 1 1 1; 0 1 1 1 1 1; 0 0 1 0 0 1; 0 0 0 1 0 0; 0 0 0 0 1 0];這個矩陣的具體內(nèi)容完全由你的網(wǎng)絡(luò)拓撲決定不能憑空套用。建立時有個技巧先從電源點出發(fā)對每個FTU從它所在節(jié)點向電源方向回溯經(jīng)過的所有區(qū)段都記為1。這個過程用圖論里的深度優(yōu)先遍歷實現(xiàn)最穩(wěn)但如果是固定算例手工填寫也可以。A矩陣的對錯直接決定后續(xù)所有結(jié)果的正確性。我建議寫完A矩陣后先不要跑算法而是構(gòu)造一組已知故障狀態(tài)X_true手工算出理論上的FTU上報值再和代碼計算結(jié)果對比。4.2 適應(yīng)度函數(shù)只有幾行卻決定成敗適應(yīng)度函數(shù)是整個尋優(yōu)過程的“指揮棒”它的寫法可以直接影響求解效果。下面是核心代碼function J faultFit(x, Iobs, A, alpha) % x: 1 x N 的二值行向量表示各區(qū)段是否故障 % Iobs: 1 x M 的實際FTU觀測向量 % A: M x N 拓撲關(guān)聯(lián)矩陣 % alpha: 最小故障數(shù)懲罰項的權(quán)重 f double(A * x(:) 0); % 根據(jù)假想故障狀態(tài)計算理論FTU信號 J sum((Iobs(:) - f).^2) alpha * sum(x); % 誤差平方和 故障區(qū)段懲罰 end解釋一下A * x(:)得到的是一個M維列向量第k個元素表示第k個FTU上游路徑中存在多少候選故障區(qū)段。理論上只要大于0該FTU就應(yīng)該報1所以后面加一個 0 判斷再轉(zhuǎn)成double就是把“數(shù)量統(tǒng)計”轉(zhuǎn)換成了“開關(guān)邏輯”。alpha的取值不能拍腦袋。我常用的范圍是0.5左右但更嚴謹?shù)姆绞绞亲鲆粋€小的靈敏度測試取alpha從0.1到1.0看在已知故障場景下定位正確率的變化選擇一個既能抑制多余解又不至于把真實多點故障吞掉的權(quán)重。4.3 改進粒子群主循環(huán)怎么組織主循環(huán)的結(jié)構(gòu)可以先按“初始化和迭代”兩個階段來拆。初始化階段需要定義種群規(guī)模Np、最大迭代次數(shù)MaxT、加速度系數(shù)c1和c2、慣性權(quán)重上下限、變異概率等。一個建議參數(shù)組合是參數(shù)建議取值說明Np40-80區(qū)段數(shù)多時可適當增加MaxT80-150配電網(wǎng)區(qū)段定位問題通常不需要太大c1 / c21.8 / 1.8先用常見對稱配置vMax4避免sigmoid飽和p_mut0.05-0.1變異概率alpha0.5需結(jié)合算例微調(diào)初始化時要注意故障區(qū)段本身是稀疏的正常運行狀態(tài)下絕大多數(shù)區(qū)段都是0所以不要用完全均勻隨機的方式初始化那樣初代里全是大量1會增加很多無效搜索?？梢杂闷〉母怕孰S機生成0/1向量讓初代粒子大多保持稀疏狀態(tài)。主循環(huán)代碼骨架如下Np 60; D size(A,2); MaxT 100; c1 1.8; c2 1.8; vMax 4; p_mut 0.08; alpha 0.5; X double(rand(Np, D) 0.1); % 稀疏初始化 V zeros(Np, D); pbest X; pbestFit inf(Np, 1); bestFit inf; gbest X(1, :); for t 1:MaxT fit zeros(Np, 1); for i 1:Np fit(i) faultFit(X(i, :), Iobs, A, alpha); if fit(i) pbestFit(i) pbestFit(i) fit(i); pbest(i, :) X(i, :); end end [gbestFit, gidx] min(fit); if gbestFit bestFit bestFit gbestFit; gbest X(gidx, :); end % 根據(jù)種群適應(yīng)度方差自適應(yīng)調(diào)整慣性權(quán)重 favg mean(fit); sigma2 mean((fit - favg).^2); sigmaNorm sigma2 / (favg^2 1e-6); if sigmaNorm 0.1 w 0.4; else w 0.4 0.5 * min(1, sigmaNorm); end for i 1:Np V(i, :) w * V(i, :) ... c1 * rand(1, D) .* (pbest(i, :) - X(i, :)) ... c2 * rand(1, D) .* (gbest - X(i, :)); V max(min(V, vMax), -vMax); S 1 ./ (1 exp(-V(i, :))); X(i, :) double(rand(1, D) S); if rand p_mut m randi(D); X(i, m) 1 - X(i, m); end end end這段代碼剔除了數(shù)據(jù)讀入和結(jié)果顯示只保留算法內(nèi)核。你在自己復(fù)現(xiàn)時需要在開頭定義A和Iobs循環(huán)結(jié)束后再增加候選解提取和結(jié)果打印邏輯。運行后最直觀的檢查指標有兩個一是bestFit是否能在有限迭代內(nèi)降到0或接近0二是gbest中為1的位置是否和預(yù)設(shè)的故障區(qū)段一致。4.4 算例設(shè)計單點故障、FTU誤報、末端弱可觀任何算法都要靠算例說話。只跑一個單點故障且數(shù)據(jù)無畸變的場景證明不了算法的本事因為這個甚至不需要智能算法。我建議設(shè)計三個由淺入深的實驗場景一單點故障無畸變。選一個區(qū)段置為故障按拓撲算出理論FTU上報值把結(jié)果的每一維都作為Iobs送入算法。這個場景用來驗證代碼正確性理論上標準PSO能很快收斂到0。如果這個場景都跑不對一定是拓撲矩陣或者適應(yīng)度函數(shù)寫錯了。場景二單點故障加FTU誤報。在Iobs的任意一個位上做取反操作模擬某個FTU漏報或誤報。此時目標函數(shù)不再為零但正確故障區(qū)段對應(yīng)的適應(yīng)度應(yīng)該是全局最低之一。這個場景可以直觀對比改進PSO和標準PSO的成功率差異。場景三末端弱可觀多解。去掉某個末端分支FTU的信息或者在拓撲里讓某幾個末端區(qū)段在A矩陣中對應(yīng)相同的觀測模式人為構(gòu)造多解場景。然后觀察改進算法能否同時輸出多個候選區(qū)段而不是只給一個武斷的結(jié)論。這三個場景遞進設(shè)計的好處是能分級定位問題場景一通不過說明建模有bug場景二通不過說明算法容錯性不足場景三通不過則說明候選解集模塊沒起作用。5. 復(fù)現(xiàn)中踩過的坑和排查技巧這個方向看似代碼量不大但我在復(fù)現(xiàn)時踩過的坑并不少。很多問題看起來是“算法不收斂”實際上根因可能是一個數(shù)據(jù)方向定義錯了或者某個矩陣行列搞反了。5.1 定位結(jié)果在鏡像位置先檢查A矩陣方向最典型的問題是設(shè)定故障區(qū)段在第5段算法輸出結(jié)果卻穩(wěn)定指向前面的第2段或第3段而且適應(yīng)度還很低。這種“鏡像錯位”通常不是因為算法問題而是A矩陣把“上游”和“下游”定義反了。排查方法很簡單用已知的X_true手動計算A * X_true然后看得到的f和實際應(yīng)該上報的Iobs是否一致。如果不一致說明A矩陣需要轉(zhuǎn)置或者行與列的對應(yīng)關(guān)系需要調(diào)整。不要急著調(diào)粒子群參數(shù)先把這個基礎(chǔ)問題解決掉。5.2 迭代結(jié)果每次不同如何判斷是正常波動還是發(fā)散粒子群算法帶隨機性每次運行得到不同結(jié)果是正常的。但如果多次運行的結(jié)果很不穩(wěn)定有時候3代收斂有時候80代還找不到合理結(jié)果那就要觀察種群多樣性是否過早消失了。我習慣的方法是連續(xù)運行20次統(tǒng)計每次的收斂代數(shù)、最終適應(yīng)度和定位結(jié)果三種信息。如果成功率低于80%優(yōu)先考慮增加Np、降低p_mut、調(diào)節(jié)vMax是否合適如果發(fā)現(xiàn)gbest在前期快速停滯則要提高變異概率或者在災(zāi)變機制里加入隨機重置。收斂慢不代表不好關(guān)鍵要看能否在預(yù)算內(nèi)穩(wěn)定找到最優(yōu)解。5.3 FTU末端信息不足導(dǎo)致多解怎么辦多解問題不是單靠調(diào)節(jié)PSO參數(shù)就能消除的因為信息本身的辨別度就不夠。這種情況下需要兩條腿走路第一在算法層面維護候選解池把目標函數(shù)值相同或非常接近的解都列出來第二在結(jié)果解釋層面把候選集里的公共區(qū)段提取出來比如兩個候選解都包含區(qū)段3那區(qū)段3附近就是人工排查的重點區(qū)域。千萬不要為了“好看”強行加一個很大的懲罰項把所有候選都壓到只剩一個。那樣看似輸出唯一實際上可能把真實故障區(qū)段給壓掉了。5.4 參數(shù)速查與推薦調(diào)試順序如果第一次跑出來效果不理想可以按照下面的順序排查現(xiàn)象優(yōu)先檢查項調(diào)整思路單點故障都定位錯A矩陣方向、Iobs定義先用手推驗證適應(yīng)度函數(shù)收斂代數(shù)偏大Np偏小、vMax過大適當增大Np限制vMax為4多次運行結(jié)果不穩(wěn)p_mut太小、w變化不合理調(diào)大p_mut到0.08左右有多解但只輸出1個候選解池沒實現(xiàn)增加候選解維護邏輯最終適應(yīng)度不為0但結(jié)果正確考慮畸變或懲罰項過大降低alpha重新測試我個人的經(jīng)驗是從最簡參數(shù)開始代碼能跑通后再逐步加入慣性權(quán)重自適應(yīng)、變異等改進。每加一個模塊就重新跑三場景算例看結(jié)果是否真的變好。不要一次把所有改進都堆上去否則出了問題你根本搞不清楚是哪一步導(dǎo)致的。6. 想深入研究這篇參考論文方向怎么挖標題里掛了“參考文獻”說明這個方向還有很多可以繼續(xù)學習的內(nèi)容。作為博主我也想順便給想更進一步的同學指一條信息檢索的路線。6.1 從故障定位到改進PSO的檢索路徑建議用“配電網(wǎng)故障區(qū)段定位”作為主檢索詞再疊加“FTU”“開關(guān)函數(shù)”“二進制粒子群”等關(guān)鍵詞去搜索核心期刊論文和學位論文。如果閱讀英文文獻可以用distribution network fault location、fault section estimation、binary particle swarm optimization這類關(guān)鍵詞組合。Matlab代碼的細節(jié)通常不會直接出現(xiàn)在論文正文里更多是在論文的流程圖和公式里體現(xiàn)。把論文里的開關(guān)函數(shù)式子和實際網(wǎng)絡(luò)拓撲對應(yīng)上再轉(zhuǎn)成自己的Matlab代碼是非常好的學習方法。閱讀順序上建議先看這個領(lǐng)域的基礎(chǔ)綜述性文章搞懂幾種主流方法各自的假設(shè)條件和短板接著看使用粒子群但對目標函數(shù)構(gòu)造比較細致的論文最后再看那些專門討論改進策略的論文。你會發(fā)現(xiàn)很多新論文其實是在“懲罰項構(gòu)造”和“算法跳出局部最優(yōu)”這兩個方向上做文章。6.2 我調(diào)這個模型一年后的個人體感最后說點個人的體會。這個課題最容易被低估的部分不是粒子群算法本身而是如何把配電網(wǎng)的物理約束轉(zhuǎn)換成可計算的數(shù)學模型。很多人把大量精力花在堆改進策略上結(jié)果模型本身有缺陷算法再花哨也救不回來。反過來如果你能先把A矩陣、開關(guān)函數(shù)、目標函數(shù)弄得非常嚴謹哪怕算法只做一點微小的改進效果都會非常明顯。我自己的調(diào)試順序一般是先固定已知場景跑通再加噪聲畸變測試容錯性再設(shè)計弱可觀場景研究多解最后再去比較不同改進策略的效果。這個順序反過來會非常痛苦。一開始可能很枯燥但越到后面越能看到改進粒子群的價值。如果你也在復(fù)現(xiàn)這個方向希望上面的細節(jié)能幫你少走幾天的彎路。