基于改进蚁群算法的输变电工程数据分析方法研究

刘宏志，杨晓营，王艳梅，张灿

（国网山东电力公司经济技术研究院，山东济南 250021）

随着我国经济的快速发展及居民生活水平的提升，社会生产生活对于电力的需求与日俱增，电网也随之进入大建设时期[1-2]。而输变电工程作为电网的重要支撑项目，其具有建设过程复杂、周期长且投资金额较大等特点[3]。由于该工程在建设过程中所产生的造价、质量管控与流程管理等数据众多，因此如何合理有效地分析、管控其工程数据成为了亟待解决的问题[4-5]。

针对海量工程数据的分析处理，目前已取得了一定的研究成果，如遗传算法、神经网络等[6-7]。但大部分方法存在对输变电工程多源多类型数据考虑不全面的问题，尤其在工程造价管控方面，难以实现各部门数据的共享且管控效率较低。为此，该文基于改进蚁群算法提出了一种输变电工程分析管控方法，将智能化处理后的数据输入改进蚁群算法进行分析，并根据优化方案进行工程管控。

1 改进蚁群算法

1.1 蚁群算法

蚁群算法(Ant Colony Optimization，ACO)主要根据两条规则来进行搜索，即确定蚂蚁下一个位置方向的移动规则与信息素更新规则[8-9]。在信息素的引导下，蚁群的解朝着最优方向发展，蚁群算法的搜索过程如图1 所示。

图1 蚁群算法的搜索过程

首先，在蚁群搜索过程中信息素按比例挥发，表示为：

式中，τab(t)表示边缘(a,b)上时间t内的信息素，ρ为信息素的挥发系数。

然后，当蚂蚁k在时间t内通过(a,b)时，信息素更新如下：

式中，τ0为信息素初值。

式中，Jk(r) 表示蚂蚁k在时间t时需要访问的一组站点；α和β则分别表示τ与启发因子γ的比例。

最终，在每个搜索迭代后，均会根据信息素的变化更新最佳路径Lbest(t)及最差路径Lworst(t)，数学表达式如下：

式中，Q为(a,b)间的信息素总量。

1.2 改进蚁群算法的架构设计

由于传统的蚁群算法易陷入局部最优，而主要影响蚂蚁路径选择的因素是信息素的大小与路径的长度。因此，可通过改变两个因素对蚂蚁路径选择的影响比例来改进蚁群算法[10]。其中，通过状态转移概率及规则能够实现对信息素的优化，并进一步增强蚁群算法搜索全局最优解的能力。

1）状态转移概率优化

通过调整信息素对路径选择的影响比例，将蚂蚁的路径选择转化为信息素的比例计算。状态转移概率计算如下：

式中，N为位置数；ε为随机数，取值范围为(0,1)。其中，ε越小，路径长度的影响越大；而ε越大，则信息素影响也越大。因此，蚂蚁的路径选择概率可通过权重的比例来反映。即当信息素权重较大时，蚂蚁主要根据信息素选择路径；而当路径长度权重较大时，蚂蚁则主要根据路径长度进行路径选择[11]。通常而言，信息素是决定蚂蚁路径选择的一个因素，且ε设置为0.90。

2）利用状态转移规则

通过基于最大最小蚂蚁系统(Max Min Ant System，MMAS)细化信息素的上下限来优化状态转移规则，有利于提高路径选择的准确性及鲁棒性。状态转换规则定义如下：

式中，p和p0分别为当前转移概率与转移概率阈值。

当p≤p0时，规则按照原始状态转移；当p0＜时，选择S1；当时，选择S2，其信息素量最大的位置；而在其他情况下，则选择S3，此为无效点。

改进的蚁群算法通过优化信息素，帮助蚂蚁选择更合理的路径。由于信息素的精确上下限，该改进算法能够更准确地选择相应的状态规则，并更有效地搜索全局最优解。

2 工程数据分析管控方法

由于输变电工程复杂，且人工处理精度较低，因此将改进蚁群算法应用到工程数据中进行智能化分析，以实现更为理想的数据管控效果。

2.1 工程数据智能化处理

数据智能化处理的过程包含数据标准化预处理、数据综合校验及数据集成分析处理共三个环节，具体如图2 所示。

图2 数据智能化处理过程

1）数据标准化预处理：输变电工程数据根据施工过程包含预研、工程启动、招标与施工等阶段的数据，各类数据文件繁多，且格式、计量单位等不同，因此有必要进行标准化处理。可扩展标记语言(Extensible Markup Language，XML)是一种数据元[12]，文中即采用XML 标准化输变电工程数据。

2）数据综合校验：在数据标准化后可能存在数据缺失等情况，因此需按照预先设定的规范进行包括完整性、正确性、逻辑性等方面的校验，以确保工程数据的质量。

3）数据集成分析：该文采用中间件技术，把来自于多种数据源的信息转换为XML 元数据。然后再将校验过的数据按照规则进行集成并存储，最终实现数据共享。

2.2 基于改进蚁群算法的数据分析方法

将智能化处理后的数据输入改进蚁群算法进行分析，根据分析结果采取相应的管控措施。工程数据分析管控的整体流程如图3 所示。

图3 工程数据分析管控的整体流程

在基于改进蚁群算法的工程数据分析管控流程中，首先进行参数初始化，设定最大迭代次数等。然后根据寻优规则搜索路径，并计算适应度值。再将每只蚂蚁的移动路径与最优解进行比较：若移动后适应能力比之前更强，则应移动蚂蚁，且将相应的结果转化为信息素增量，以更新蚁群算法的信息素矩阵[13-14]；否则，蚂蚁将停留在原始位置，并保持此最优解。然后，蚂蚁持续搜索，直至找到全局最优解，即适应度值最理想对应的数据分析结果。由于输变电工程数据繁杂，以工程造价为例，适应度值为全过程造价，全局优化目标为工程造价最小化。

3 实验结果与分析

实验中，以山东省某市的220 kV 电压等级的输变电工程为例，基于Matlab 仿真平台对所提方法进行分析。此外，改进蚁群算法的参数设置为：蚁群数目为50，α=1，β=4，ρ=0.1，最大迭代次数为400 次。

3.1 改进蚁群算法收敛性分析

为了论证改进蚁群算法的优越性，将其与传统蚁群算法进行对比，二者的迭代收敛曲线如图4所示[15-16]。

图4 算法迭代曲线对比

从图中可明显看出，改进蚁群算法的收敛次数更少，大约为85 次，且适应度值更小。而传统蚁群算法在迭代90 次之后适应度趋于稳定，但仍存在一定的波动，且适应度值较大，优化效果也不佳。因此，改进蚁群算法通过信息素与距离的优化能够显著加快收敛速度，并获取全局最优解以提升目标优化结果。

3.2 工程造价管控结果

将所提方法用于输变电工程造价数据分析，其输电、变电等工程的费用如图5 所示。

图5 输变电工程造价管控结果

由图5 可知，相比于工程造价测试值，经所提方法处理后的工程造价显著减少，以12 月的工期为例，其造价降低了约50 万元。所提方法通过改进蚁群算法获得全局最优解，即造价最小化的管控方案。且全面分析了输电、变电等各个阶段的工程费用，因此管控效果显著，并降低了电网建设成本。

4 结束语

基于改进蚁群算法，该文提出了一种输变电工程数据分析管控技术方案，通过改变信息素与距离这两个因素对蚂蚁路径选择的影响比例，从而改进蚁群算法。并将其用于分析智能化处理后的输变电工程数据，从而实现工程造价管控。基于山东某市220 kV 输变电工程数据的实验结果表明，改进蚁群算法在迭代次数约为85 时实现收敛，且管控后的工程造价降低了约50 万元。该方法在保证管控效率的同时，还降低了工程费用。随着深度学习网络的快速发展，其为电网数据处理提供了一个新的研究方向。因此，在接下来的研究中将重点探索深度学习网络在电网工程数据分析中的应用。