CN104036329B - 一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法 - Google Patents

Abstract

本发明公开了一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法。协调Agent负责整个优化重构的调度，在考虑含分布式光伏电源发电的不确定性的基础上优化配电网运行性能，重构原理是根据重构执行判断模块的RBF神经网络功率预测结果，每次负荷变动达到触发阈值时进行重构，每次重构由一个管理Agent负责，每个管理代理都采用多智能体和粒子群引导的最短路径算法进行静态重构，将粒子视为网格中的Agent，每个粒子Agent不仅仅与其邻域中的粒子Agent进行相互学习和竞争，还与当前最优的粒子Agent进行信息交换，从而加快信息传递速度，提高了算法的收敛速度。

Description

一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构 方法

技术领域

本发明属于电力系统智能电网优化技术领域，具体涉及一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法。

背景技术

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。现今能够用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

多智能体系统是多个智能体组成的集合，它的目标是将大而复杂的系统建设成小的、彼此互相通信和协调的，易于管理的系统。它的研究涉及智能体的知识、目标、技能、规划以及如何使智能体采取协调行动解决问题等。研究者主要研究智能体之间的交互通信、协调合作、冲突消解等方面，强调多个智能体之间的紧密群体合作，而非个体能力的自治和发挥，主要说明如何分析、设计和集成多个智能体构成相互协作的系统。人类智能的本质是一种社会性智能，人类绝大部分活动都涉及多个人构成的社会团体，大型复杂问题的求解需要多个专业人员或组织协调完成。

RBF神经网络即径向基函数(Radical Basis Function)神经网络。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。

最短路径问题是图论研究中的一个经典算法问题，旨在寻找图(由结点和路径组成的)中两结点之间的最短路径。算法具体的形式包括：

确定起点的最短路径问题：即已知起始结点，求最短路径的问题。

确定终点的最短路径问题：与确定起点的问题相反，该问题是已知终结结点，求最短路径的问题。在无向图中该问题与确定起点的问题完全等同，在有向图中该问题等同于把所有路径方向反转的确定起点的问题。

确定起点终点的最短路径问题：即已知起点和终点，求两结点之间的最短路 径。

全局最短路径问题：求图中所有的最短路径。于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。Dijkstra算法能得出最短路径的最优解。

粒子群算法，也称粒子群优化算法(Particle Swarm Optimization)，缩写为PSO，是近年来发展起来的一种新的进化算法(Evolutionary Algorithm-EA)。PSO算法属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。

分布式发电(Distributed Generation,DG)是位于用户附近，所发电能就地利用，以10千伏及以下电压等级接入电网，且单个并网点总装机容量不超过6兆瓦的发电项目，包括太阳能、天然气、生物质能、风能、地热能、海洋能、资源综合利用发电等类型，根据使用技术的不同，可分为热电冷联产发电、内燃机组发电、燃气轮机发电、小型水力发电、风力发电、太阳能光伏发电、燃料电池等；根据所使用的能源类型，DG可分为化石能源(煤炭、石油、天然气)发电与可再生能源(风力、太阳能、潮汐、生物质、小水电等)发电两种形式。

电力系统中的PQ节点这类节点的有功功率P和无功功率Q是给定的，节点电压和相位(V，δ)是待求量，通常变电所都是这一类型的节点，由于没有发电设备，故其发电功率为零，在一些情况下，系统中某些发电厂送出的功率在一定时间内为固定时，该发电厂也作为PQ节点，因此，电力系统中绝大多数节点属于这一类型。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法，本发明解决其技术问题所采用的技术方案如下：

基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法包括以下步骤：

1)根据RBF神经网络对光伏电源和负荷功率的预测结果，求取电源和负荷功率的匹配度，结合匹配度判断是否达到优化重构触发条件；

2)若判断结果是未达到重构触发条件，返回步骤1)进行下一次判断；

3)匹配度达到优化重构触发条件，由协调Agent分配新的管理Agent，此新的管理Agent的优化计算模块执行多智能体和粒子群引导的最短路径算法进行静态重构；

4)管理Agent的解集准备模块进行解集准备，并将备选解集上报协调Agent的最优解确定模块；

5)最优解确定模块确定本次重构的最优解；

6)返回步骤1)进行下一次优化重构触发判断；

所述的多智能体由协调Agent、管理Agent和粒子Agent构成；所述的协调 Agent是整个优化重构的调度中心，由重构执行判断模块、管理代理交互模块和最优解确定模块组成；所述的管理Agent由优化计算模块、解集准备模块、前驱代理交互模块和协调代理交互模块组成。

所述的步骤1)包括以下几个步骤：

步骤1、RBF神经网络功率预测：

使用RBF神经网络预测含光伏微源主动配电网中的负荷总功率和分布式光伏电源总功率，计算分布式光伏电源总功率和负荷总功率的比值，这个比值代表分布式电源发电和负荷用电的匹配度；

步骤2、判断匹配度是否达到重构条件：

根据求得的匹配度，与上次重构对应的匹配度进行比较，若是第一次重构，则将第一次重构的匹配度与1进行比较，根据两次匹配度的差值的绝对值判断是否达到预先设定的阈值；

步骤3、重构消息发送：

若判断结果是两次匹配度的差值的绝对值未超过阈值，忽略本次重构请求并进行下一次判断，若判断结果是达到阈值，重构执行判断模块分配一个新的管理Agent并由此管理Agent执行一次新的重构。

所述的RBF神经网络的隐含层基函数是高斯核函数：

式中，X＝[x₁,x₂,...,x_n]为n维输入向量；c_j为第j个基函数的中心，j＝1,2,...,p；σ_j为第j个神经元的标准化常数，即高斯基函数的方差；n、p分别为输入层和隐含层的神经元的个数；

RBF神经网络输入输出之间的关系表达式为：

式中，m为输出层神经元的个数；y_i为输出层第i个神经元的输出值，i＝1,2,...,m；w_j,i为隐含层第j个神经元和输出层第i个神经元之间的连接权值。

所述的步骤3)由优化计算模块负责，优化计算模块采用多智能体和粒子群引导的最短路径算法进行静态重构，每个管理Agent的优化计算模块负责一个粒子Agent群体，粒子Agent的生存环境为一个环形网格，网格规模为L_SIZE×L_SIZE，L_SIZE为大于1的整数，粒子Agent在网格中的位置由其所在的行列号确定，在智能体网格的空间中第i行第j列的粒子Agent为L_ij，每个粒子Agent代表粒子群算法中的一个粒子，粒子的位置由位置向量表示，位置向量的维数就是电网闭合所有联络开关对应的结构所包含的总边数，位置向量的各个维度的数值代表电网结构各个边的权值；步骤3)具体包括以下几个步骤：

步骤1、初始化智能体网格：

闭合所有优化的电网结构的所有联络开关，前驱代理交互模块获取上次优化重构的最优解的对应的初始电网结构并将其作为第一个粒子Agent的初始结构，随机初始化剩余L_SIZE×L_SIZE-1个粒子Agent所有边的权值；

步骤2、Dijkstra算法生成每个粒子Agent的最短路径：

对于每个粒子Agent通过最短路径算法中的Dijkstra算法生成到电网电源点 路径最短的拓扑结构，Dijkstra算法的具体步骤如下：

2.1)将电网的连接大电网的电源点作为起点v_s，在运算过程中，每一步都给一个新的点v_j进行标号，标号分为两部分，其中标号中的第二个数值表示从起点v_s到该点的最短距离P(v_j)，第一个数值表示从起点到该点的最短路线上的前一个点，用λ(v_j)表示从v_s到v_j的最短路线上v_j的前一个点的下标，用S_i表示进行到第i步时，已经被标号的点的集合；

2.2)给起点v_s标号(0,0)，并令S₀＝{v_s}，标号中的第二个数值P(v_s)＝0，表示从起点到该点的最短距离为0；起点标号中的第一个数值设为0；

寻找从v_s发出的所有边，求出这些边的权与P(v_s)之和的最小值，即：

其中j为从起点v_s发出的所有边的终点的下标，对以上最小值所对应的点进行标号，并确定S₁；

2.3)继续探寻从已标号的点出发、终点为未标号点的边，求出已标号点的P值与相应边的权之和，对其中最小值所对应的点进行标号，并确定S₂；

2.4)继续以上步骤，直到找不到从已标号点出发、终点为未标号点的边时，就得到了从起点v_s到各个点的最短距离；

步骤3、潮流计算：

对于步骤2得到的L_SIZE×L_SIZE个配电网拓扑进行潮流计算，潮流计算均采用电力系统中的牛顿拉夫逊潮流计算方法，在潮流计算中，将分布式电源作为负的负荷，当成PQ节点来处理；

步骤4、计算每个粒子Agent的适应值：

根据潮流计算获得的每个粒子Agent代表的电网拓扑所对应的网络损耗，网络损耗的计算公式如下：

式中：N_b为网络中支路总数；P_i和Q_i为流过支路b_i的有功功率和无功功率；R_i为支路b_i的支路电阻；U_i为支路b_i的首端电压；k_i为开关的状态变量，0表示打开，1表示闭合；

采用下式计算每个粒子Agent的适应值：

式中：f_i'为正态概率密度函数；f为目标函数值；μ和σ分别为所有粒子Agent对应潮流计算网络损耗的数学期望和方差；

步骤5、粒子Agent竞争操作：

对L_SIZE×L_SIZE智能体网格中第i行第j列的智能体L_ij，设定AgentL_ij感知范围为a，则能与AgentL_ij发生竞争作用的网格中的所有粒子Agent构成AgentL_ij的邻域，邻域中的所有AgentL_m,n为：

L_m,n,i-a≤m≤i+a,j-a≤n≤j+a

采用如下公式对于序号进行调整：

粒子Agent的存活条件为：

f_i'(L_ij)≥f_i'(L_m,n,max)

每个智能体L_ij均通过与其邻域中的所有智能体比较适应值完成竞争操作，若其适应值大于其邻域中最大适应值的智能体L_m,n,max则此智能体存活，否则采用粒子群算法修正该粒子Agent的速度和位置，将得到的新的粒子Agent代替原来的粒子Agent，粒子群算法的修正公式为：

v_i,j(t+1)＝w_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

式中：w为惯性权重；c₁和c₂为正的学习因子；r₁和r₂为0到1之间的随机数，粒子群算法d维搜索空间中的第i个粒子的d维位置表达式为Xⁱ＝(x_i,1,x_i,2,...,x_i,d)，d维速度表达式为Vⁱ＝(v_i,1,v_i,2,...,v_i,d)，粒子自身找到的最优解为Pⁱ＝(p_i,1,p_i,2,...,p_i,d)，整个种群找到的最优解为P^g＝(p_g,1,p_g,2,...,p_g,d)；

步骤6：判断是否达到收敛条件或者超过预设的最大迭代次数，若是则进入步骤7，否则返回步骤2；

步骤7：输出最后一次迭代存活的粒子Agent的集合作为初始最优解集。

所述的步骤4)具体步骤如下：

步骤1、获取前一次重构的最优解：

获得前一次优化重构的最优解，对比最优解集中的每个解对应的电网结构和前一次重构的最优电网结构，得到最优解集中的所有解所需的开关变动次数，当最优解集中的所有解无法满足开关操作限制条件时，将前一次优化重构的最优解作为当次重构的最优解；

步骤2、解集形成：

将网络损耗最小的解作为解集中的第一个解，剩下的作为剩余解集合进行排序，排序方法为：

对每个剩余解求取其相对于网络损耗最小解的网络损耗增加量与开关次数减少量的比值，定义为单位开关损耗：

式中：η为单位开关损耗，W为每个剩余解相对于网络损耗最小解的网络损耗增加量，K为每个剩余解相对于网损最小解的开关减少次数；

所有剩余解按照η从小到大的顺序排列，放在网络损耗最优解后面，共同形成最优解集，上报给协调Agent的最优解确定模块。

所述的步骤5)包括以下几个步骤：

步骤1、电网结构变换所需开关次数计算：

根据负责当前重构的管理Agent上报的最优解集，判断从上一次重构的最优解对应的电网结构变换到当前重构最优解对应的电网结构所需的联络开关和 分段开关总动作次数；

步骤2、开关动作次数越限判断：

将开关总动作次数和预先设定的相邻两次重构的最大允许开关次数进行比较；

步骤3、最优解替换判断：

若判断结果是开关次数未越限，则终止判断过程，当前最优解就是本次重构的最优解；若判断结果是开关次数越限，则首先判断管理Agent上报的最优解集中是否还有其他解，若还有其他解，则将管理Agent上报的最优解集中的下一个解作为当前最优解，返回步骤1重新执行判断过程，若已经没有其他解，则终止判断过程，并将前驱代理交互模块获取的上次重构的最优解作为当次重构的最优解，保持两次重构的电网结构一致。

所述的管理代理交互模块负责接收管理Agent发送的信息，并向管理Agent发送指令。

所述的协调代理交互模块负责和前一次重构的管理Agent进行通信，获取前一次重构的最优解，重构时将前一时段的最优解加入到迭代初始种群中，并且如果最优解集所有解开关次数均越限，将前一次重构的最优解作为当次重构的最优解，电网结构保持不变，开关完全不动作。

所述的协调代理交互模块负责和协调Agent进行通信，获取协调Agent指令并向协调Agent提交最优解集。

本发明的有益效果如下：采用多种改进的人工智能方法对于求解进行优化，在考虑含分布式光伏电源发电的不确定性的基础上优化配电网运行性能，重构原理是根据重构执行判断模块的RBF神经网络功率预测结果，采用基于事件的重构触发机制，每次负荷变动达到触发阈值时进行重构，每次重构由一个管理Agent负责，每个管理代理都采用多智能体和粒子群引导的最短路径算法进行静态重构，粒子群算法自身不适合处理离散优化问题，最短路算法又存在盲目搜索和路径权重难以确定的问题，所以将二者结合起来可以扬长避短，粒子群引导的最短路算法既可以获得粒子群优化效果，又可以指导最短路算法按照优化目标函数的方向生成最优结构，同时最短路算法避免了单独采用粒子群算法产生的大量的不可行解以及采用二进制粒子群仿生学意义不明显的弊端。另外，将粒子视为网格中的Agent，每个粒子Agent不仅仅与其邻域中的粒子Agent进行相互学习和竞争，还与当前最优的粒子Agent进行信息交换，从而加快信息传递速度，提高了算法的收敛速度。

附图说明

图1为多智能体集中式体系结构图；

图2为本发明多智能体系统架构图；

图3为美国PG&E69节点配电系统结构图；

图4为加入DG后的美国PG&E69节点配电系统结构图；

图5为RBF神经网络结构图；

图6为典型日的光伏电源总功率和负荷总功率比值曲线；

图7为每一次触发重构阈值后进行重构的流程图；

图8为算例一允许0次开关动作时各时段状态；

图9为算例一允许1次开关动作时各时段状态；

图10为算例一允许2次以上开关动作时各时段状态；

图11为算例一重构前后损耗对比曲线；

图12为算例二允许3次以上开关动作时7时重构对应的电网最优拓扑结构；

图13为算例二允许3次以上开关动作时9时重构对应的电网最优拓扑结构；

图14为算例二允许3次以上开关动作时12时重构对应的电网最优拓扑结构；

图15为算例二允许3次以上开关动作时17时重构对应的电网最优拓扑结构；

图16为算例二允许3次以上开关动作时20时重构对应的电网最优拓扑结构。

具体实施方式

下面参照附图并结合实施例对本发明方法进行详细描述。但本发明不局限于所给出的实施例。

图1是本发明采用的多智能体集中式体系结构图，说明了协调Agent、管理Agent和粒子Agent三种Agent之间的关系，图2是本发明的多智能体系统架构图。

算例1：美国PG&E69节点测试系统

图3是算例1配电系统结构图，配电网选用美国PG&E69节点配电系统，配电网有68条支路、5条联络开关支路、1个电源网络首端基准电压12.66kV、三相功率基准值取10MVA、网络总负荷3802.19+j2694.60kVA。在美国PG&E69节点配电系统中加入六个分布式电源(DG)，容量均为50kW，图4为加入DG后形成的新的配电系统结构图。

重构过程包括以下步骤：

使用RBF神经网络预测主动配电网中的负荷总功率和分布式电源总功率，RBF神经网络结构图如图5所示，然后计算分布式电源的总功率和负荷总功率的比值，这个比值代表分布式电源发电和负荷用电的匹配度，据此判断匹配度是否达到重构条件：根据求得的匹配度，与上次重构对应的匹配度进行比较，根据两次匹配度的差值的绝对值判断是否达到预先设定的阈值，设定阈值的依据是：如果需要电网网络损耗尽可能的小，则将阈值设定的比较小，这样负荷变化比较小就可以触发一次重构；如果对于电网结构变化带来的不利影响比较敏感，则将阈值设定为一个较大的值，这样在负荷累计变化比较大的情况下才会触发一次重构。以某个典型日为例，根据RBF神经网络预测得到的该典型日的光伏电源总功率和负荷总功率比值曲线如图6所示，所述的RBF神经网络的隐含层基函数是高斯核函数：

式中，X＝[x₁,x₂,...,x_n]为n维输入向量；c_j为第j个基函数的中心，j＝1,2,...,p；σ_j为第j个神经元的标准化常数，即高斯基函数的方差；n、p分别为输入层和隐含层的神经元的个数；

RBF神经网络输入输出之间的关系表达式为：

式中，m为输出层神经元的个数；y_i为输出层第i个神经元的输出值，i＝1,2,...,m；w_j,i为隐含层第j个神经元和输出层第i个神经元之间的连接权值；

设置匹配度阈值为0.2，根据图6可以判断在此典型日的7、9、12、17、20时需要进行重构。则在此典型日的7、9、12、17、20时达到阈值，向协调Agent发送消息，分配一个新的管理Agent并执行一次新的重构，其他时间匹配度的差值的绝对值若未超过阈值，不发送消息。

所述的每一次新的重构的流程图如图7所示；

所述的优化计算模块负责每次多智能体和粒子群引导的最短路径算法进行静态重构，每个管理Agent负责一个粒子Agent群体，粒子Agent的生存环境为一个环形网格，称为智能体网格，其规模为L_SIZE×L_SIZE，L_SIZE为大于1的整数，粒子Agent在网格中的位置由其行列号确定，在智能体网格的空间中第i行第j列的粒子Agent为L_ij，每个粒子Agent的位置由位置向量表示，位置向量的维数就是电网闭合所有联络开关对应的结构所包含的总边数，位置向量的各个维度的数值代表各个边的权值；优化计算具体方法包括以下几个步骤：

步骤1、初始化智能体网格：

闭合所有联络开关，本算例指定维度L_SIZE为4，L_SIZE取的越大计算量越大，种群数量(智能体个数)越大，同样的迭代次数中得到最优解的可能性越大，粒子群的种群规模为L_SIZE×L_SIZE＝4×4＝16，以上次重构的最优解的对应的初始电网结构作为第一个粒子Agent的初始结构，随机初始化剩余L_SIZE×L_SIZE-1＝15个粒子Agent所有边的权值，所有的粒子Agent处于规模为16的网格环境中，每个智能体的位置由位置向量表示，位置向量的维数就是电网的边数73，位置向量的各个维度的数值代表最小生成树对应边的权值。

步骤2、Dijkstra算法生成每个粒子Agent的最短路径：

对于每个粒子Agent通过最短路径算法中的Dijkstra算法生成到电网电源点路径最短的拓扑结构，Dijkstra算法的具体步骤如下：

1)将电网的连接大电网的电源点作为起点v_s，在运算过程中，每一步都给一个新的点v_j进行标号，标号分为两部分，其中标号中的第二个数值表示从起点v_s到该点的最短距离P(v_j)，第一个数值表示从起点到该点的最短路线上的前一个点，用λ(v_j)表示从v_s到v_j的最短路线上v_j的前一个点的下标，用S_i表示进行到第i步时，已经被标号的点的集合。

2)给起点v_s标号(0,0)，并令S₀＝{v_s}，标号中的第二个数值P(v_s)＝0，表示从起点到该点的最短距离为0；起点标号中的第一个数值设为0；

寻找从v_s发出的所有边，求出这些边的权与P(v_s)之和的最小值，即：

其中j为从起点v_s发出的所有边的终点的下标，对以上最小值所对应的点进行标号，并确定S₁。

3)继续探寻从已标号的点出发、终点为未标号点的边，求出已标号点的P值 与相应边的权之和，对其中最小值所对应的点进行标号，并确定S₂。

4)继续以上步骤，直到找不到从已标号点出发、终点为未标号点的边时，就得到了从起点v_s到各个点的最短距离。

步骤3、潮流计算：

对于步骤2得到的L_SIZE×L_SIZE个配电网拓扑进行潮流计算，潮流计算均采用电力系统中的牛顿拉夫逊潮流计算方法，在潮流计算中，将分布式电源作为负的负荷，当成PQ节点来处理；

步骤4、计算每个粒子Agent的适应值：

根据潮流计算获得的每个粒子Agent代表的电网拓扑所对应的网络损耗，网络损耗的计算公式如下：

式中：N_b为网络中支路总数；P_i和Q_i为流过支路b_i的有功功率和无功功率；R_i为支路b_i的支路电阻；U_i为支路b_i的首端电压；k_i为开关的状态变量，0表示打开，1表示闭合。

采用下式计算每个粒子Agent的适应值：

式中：f_i'为正态概率密度函数；f为目标函数值；μ和σ分别为所有粒子Agent对应潮流计算网络损耗的数学期望和方差；

步骤5、粒子Agent竞争操作：

对L_SIZE×L_SIZE智能体网格中第i行第j列的智能体L_ij，设定AgentL_ij感知范围为1，则能与AgentL_ij发生竞争作用的网格中的所有粒子Agent构成AgentL_ij的邻域，邻域中的所有AgentL_m,n为：

L_m,n,i-1≤m≤i+1,j-1≤n≤j+1

因为智能体网格是环形的，所以采用如下公式对于序号进行调整：

粒子Agent的存活条件为：

f_i'(L_ij)≥f_i'(L_m,n,max)

每个智能体L_ij均通过与其邻域中的所有智能体比较适应值完成竞争操作，若其适应值大于其邻域中最大适应值的智能体L_m,n,max则此智能体存活，否则采用粒子群算法修正该粒子Agent的速度和位置，将得到的新的粒子Agent代替原来的粒子Agent，粒子群算法的修正公式为：

v_i,j(t+1)＝w_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

式中：w为惯性权重；c₁和c₂为正的学习因子；r₁和r₂为0到1之间的随机数，粒子群算法d维搜索空间中的第i个粒子的d维位置表达式为Xⁱ＝(x_i,1,x_i,2,...,x_i,d)，d维速度表达式为Vⁱ＝(v_i,1,v_i,2,...,v_i,d)，粒子自身找到的最优解 为Pⁱ＝(p_i,1,p_i,2,...,p_i,d)，整个种群找到的最优解为P^g＝(p_g,1,p_g,2,...,p_g,d)；

步骤6：判断是否达到收敛条件或者超过预设的最大迭代次数，若是则进入步骤7，否则返回步骤2；

步骤7：输出最后一次迭代存活的粒子Agent的集合作为初始最优解集；

然后由所述的解集准备模块负责解集准备，具体步骤如下：

步骤1、获取前一次重构的最优解：

获得前一次优化重构的最优解，用来计算最优解集中的所有解所需的开关变动次数，以及当最优解集中的所有解无法满足开关操作限制条件时将前一次优化重构的最优解作为当次重构的最优解；

步骤2、解集形成：

将网络损耗最小的解作为解集中的第一个解，剩下的作为剩余解集合进行排序，排序方法为：

对每个剩余解求取其相对于网络损耗最小解的网络损耗增加量与开关次数减少量的比值，定义为单位开关损耗：

式中：η为单位开关损耗，W为每个剩余解相对于网络损耗最小解的网络损耗增加量，K为每个剩余解相对于网损最小解的开关减少次数；

所有剩余解按照η从小到大的顺序排列，放在网络损耗最优解后面，共同形成最优解集，上报给协调Agent进行决策；

所述的协调代理交互模块负责和前一次重构的管理Agent进行通信，获取前一次重构的最优解，重构时将前一时段的最优解加入到迭代初始种群中，并且如果最优解集所有解开关次数均越限，将前一次重构的最优解作为当次重构的最优解，电网结构保持不变，开关完全不动作；

所述的协调代理交互模块负责和协调Agent进行通信，获取协调Agent指令并向协调Agent提交最优解集；

所述的管理代理交互模块负责接收管理Agent发送的信息，并向管理Agent发送指令：

所述的最优解确定模块负责确定每次重构的最优解，具体方法包括以下几个步骤：

步骤1、电网结构变换所需开关次数计算：

根据负责当前重构的管理Agent上报的最优解集，判断从上一次重构的最优解对应的电网结构变换到当前重构最优解对应的电网结构所需的联络开关和分段开关总动作次数；

步骤2、开关动作次数越限判断：

将开关总动作次数和预先设定的相邻两次重构的最大允许开关次数进行比较；

步骤3、最优解替换判断：

若判断结果是未越限，则终止判断过程，当前最优解就是本次重构的最优解；若判断结果是开关次数越限，则首先判断管理Agent上报的最优解集中是 否还有其他解，若还有其他解，则将管理Agent上报的最优解集中的下一个解作为当前最优解，返回步骤1重新执行判断过程，若已经没有其他解，则终止判断过程，并将上次重构的最优解作为当次重构的最优解，保持两次重构的电网结构一致；

若将相邻两次重构的最大允许开关次数分别设置成0、1和2，则应用本发明方法得到重构后各时段状态分别如图8、9、10所示，图8、9、10中的开关状态1为模型本身状态，即开关39-48、27-54、15-69、13-20、11-66断开，其余均闭合，若一次开关都不允许动作，则五次重构均放弃最优解，开关状态保持初始状态，如图8所示。开关状态2为39-48、27-54、50-51、13-20、11-66断开，其余均闭合；开关状态3为39-48、50-51、12-13、13-20、11-66断开，其余均闭合；开关状态4为39-48、50-51、14-15、13-20、11-66断开，其余均闭合。从图9可以看出，当允许的开关变化次数足够时，7时到12时的最优结构相同，但是8显示当相邻两次开关变化限制为1时，在7时的重构协调Agent放弃开关变化两次的最优解，选择开关变化一次的代表状态2的次优解，继而在9时重构时再次经过一次开关变化过渡到状态3的最优解。对应图8、9、10得到的三种情况下重构前后损耗对比如图11所示，图11中曲线A、B、C分别对应图8、9、10，从图中可以看出，在经过重构的各个时段上，降损效果十分显著。但是同时还可以发现，本算例限制开关次数之后对于重构结果影响较小，只影响7:00-9:00之间的状态，所以在开关操作较为敏感的场合，完全可以将开关次数限制到一个较小的值。

算例2：IEEE33节点测试系统

在IEEE33节点测试系统上重新运行本发明的算法，IEEE33节点测试系统模型中有32条支路、5条联络开关支路、1个电源网络首端基准电压12.66kV、三相功率准值取10MVA、网络总负荷5084.26+j2547.32kVA。DG接入位置分别为5、12、20、23、30，对应光伏阵列数量分别为光伏阵列分别为3、3、2、1、6、5套，其他条件与算例1完全相同，在典型日的7、9、12、17、20时需要进行重构。则在此典型日的7、9、12、17、20时达到阈值，向协调Agent发送消息，分配一个新的管理Agent并执行一次新的重构，其他时间匹配度的差值的绝对值若未超过阈值，不发送消息。改变相邻两次重构的最大允许开关变动次数，仿真结果如表1所示。

表1：

允许开关动作次数大于等于三次的情况下，使用MATLAB软件作出7、9、12、17、20时对应的最优拓扑结构分别如图12-16所示。

Claims (9)

1.一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法，其特征在于,包括以下步骤：

1)根据RBF神经网络对光伏电源和负荷功率的预测结果，求取电源和负荷功率的匹配度，结合匹配度判断是否达到优化重构触发条件；

2)若判断结果是未达到重构触发条件，返回步骤1)进行下一次判断；

3)匹配度达到优化重构触发条件，由协调Agent分配新的管理Agent，此新的管理Agent的优化计算模块执行多智能体和粒子群引导的最短路径算法进行静态重构；

4)管理Agent的解集准备模块进行解集准备，并将备选解集上报协调Agent的最优解确定模块；

5)最优解确定模块确定本次重构的最优解；

6)返回步骤1)进行下一次优化重构触发判断；

所述的多智能体由协调Agent、管理Agent和粒子Agent构成；所述的协调Agent是整个优化重构的调度中心，由重构执行判断模块、管理代理交互模块和最优解确定模块组成；所述的管理Agent由优化计算模块、解集准备模块、前驱代理交互模块和协调代理交互模块组成。

2.根据权利要求1所述的一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法，其特征在于，所述的步骤1)包括以下几个步骤：

步骤1、RBF神经网络功率预测：

使用RBF神经网络预测含光伏微源主动配电网中的负荷总功率和分布式光伏电源总功率，计算分布式光伏电源总功率和负荷总功率的比值，这个比值代表分布式电源发电和负荷用电的匹配度；

步骤2、判断匹配度是否达到重构条件：

根据求得的匹配度，与上次重构对应的匹配度进行比较，若是第一次重构，则将第一次重构的匹配度与1进行比较，根据两次匹配度的差值的绝对值判断是否达到预先设定的阈值；

步骤3、重构消息发送：

若判断结果是两次匹配度的差值的绝对值未超过阈值，忽略本次重构请求并进行下一次判断，若判断结果是达到阈值，重构执行判断模块分配一个新的管理Agent并由此管理Agent执行一次新的重构。

3.根据权利要求2所述的一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法，其特征在于所述的RBF神经网络的隐含层基函数是高斯核函数：

$R_j(X-c_j)=\exp (-||X-c_j|{|}^2/2{\mathrm{\σ}}_j^2)$

式中，X＝[x₁,x₂,...,x_n]为n维输入向量；c_j为第j个基函数的中心，j＝1,2,...,p；σ_j为第j个神经元的标准化常数，即高斯基函数的方差；n、p分别为输入层和隐含层的神经元的个数；

RBF神经网络输入输出之间的关系表达式为：

$y_i=\underset{j=1}{\overset{p}{\Σ}}{w}_{j,i}\exp (-||X-c_j|{|}^2/2{\mathrm{\σ}}_j^2)$

式中，m为输出层神经元的个数；y_i为输出层第i个神经元的输出值，i＝1,2,...,m；w_j,i为隐含层第j个神经元和输出层第i个神经元之间的连接权值。

4.根据权利要求1所述的一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法，其特征在于，所述的步骤3)由优化计算模块负责，优化计算模块采用多智能体和粒子群引导的最短路径算法进行静态重构，每个管理Agent的优化计算模块负责一个粒子Agent群体，粒子Agent的生存环境为一个环形网格，网格规模为L_SIZE×L_SIZE，L_SIZE为大于1的整数，粒子Agent在网格中的位置由其所在的行列号确定，在智能体网格的空间中第i行第j列的粒子Agent为L_ij，每个粒子Agent代表粒子群算法中的一个粒子，粒子的位置由位置向量表示，位置向量的维数就是电网闭合所有联络开关对应的结构所包含的总边数，位置向量的各个维度的数值代表电网结构各个边的权值；步骤3)具体包括以下几个步骤：

步骤1、初始化智能体网格：

闭合所有优化的电网结构的所有联络开关，前驱代理交互模块获取上次优化重构的最优解的对应的初始电网结构并将其作为第一个粒子Agent的初始结构，随机初始化剩余L_SIZE×L_SIZE-1个粒子Agent所有边的权值；

步骤2、Dijkstra算法生成每个粒子Agent的最短路径：

对于每个粒子Agent通过最短路径算法中的Dijkstra算法生成到电网电源点路径最短的拓扑结构，Dijkstra算法的具体步骤如下：

2.1)将电网的连接大电网的电源点作为起点v_s，在运算过程中，每一步都给一个新的点v_j进行标号，标号分为两部分，其中标号中的第二个数值表示从起点v_s到该点的最短距离P(v_j)，第一个数值表示从起点到该点的最短路线上的前一个点，用λ(v_j)表示从v_s到v_j的最短路线上v_j的前一个点的下标，用S_i表示进行到第i步时，已经被标号的点的集合；

2.2)给起点v_s标号(0,0)，并令S₀＝{v_s}，标号中的第二个数值P(v_s)＝0，表示从起点到该点的最短距离为0；起点标号中的第一个数值设为0；

寻找从v_s发出的所有边，求出这些边的权与P(v_s)之和的最小值，即：

$\underset{j}{\min }\{P\left(v_s\right)+{\mathrm{\ω}}_{sj}\}$

其中j为从起点v_s发出的所有边的终点的下标，对以上最小值所对应的点进行标号，并确定S₁；

2.3)继续探寻从已标号的点出发、终点为未标号点的边，求出已标号点的P值与相应边的权之和，对其中最小值所对应的点进行标号，并确定S₂；

2.4)继续以上步骤，直到找不到从已标号点出发、终点为未标号点的边时，就得到了从起点v_s到各个点的最短距离；

步骤3、潮流计算：

对于步骤2得到的L_SIZE×L_SIZE个配电网拓扑进行潮流计算，潮流计算均采用电力系统中的牛顿拉夫逊潮流计算方法，在潮流计算中，将分布式电源作为负的负荷，当成PQ节点来处理；

步骤4、计算每个粒子Agent的适应值：

根据潮流计算获得的每个粒子Agent代表的电网拓扑所对应的网络损耗，网络损耗的计算公式如下：

$\min f=\underset{i=1}{\overset{N_b}{\Σ}}{k}_i{R}_i\frac{(P_i^2+Q_i^2)}{U_i^2}$

式中：N_b为网络中支路总数；P_i和Q_i为流过支路b_i的有功功率和无功功率；R_i为支路b_i的支路电阻；U_i为支路b_i的首端电压；k_i为开关的状态变量，0表示打开，1表示闭合；

采用下式计算每个粒子Agent的适应值：

$f_i^{\′}=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{{(f-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2})$

式中：f_i'为正态概率密度函数；f为目标函数值；μ和σ分别为所有粒子Agent对应潮流计算网络损耗的数学期望和方差；

步骤5、粒子Agent竞争操作：

对L_SIZE×L_SIZE智能体网格中第i行第j列的智能体L_ij，设定Agent L_ij感知范围为a，则能与Agent L_ij发生竞争作用的网格中的所有粒子Agent构成Agent L_ij的邻域，邻域中的所有Agent L_m,n为：

L_m,n,i-a≤m≤i+a,j-a≤n≤j+a

采用如下公式对于序号进行调整：

$m=\left\{\begin{array}{c}m+L_{SIZE},m<1\\ m-L_{SIZE},m>L_{SIZE}\end{array}\right.,n=\left\{\begin{array}{c}n+L_{SIZE},n<1\\ n-L_{SIZE},n>L_{SIZE}\end{array}\right.,$

粒子Agent的存活条件为：

f_i'(L_ij)≥f_i'(L_m,n,max)

每个智能体L_ij均通过与其邻域中的所有智能体比较适应值完成竞争操作，若其适应值大于等于其邻域中最大适应值的智能体L_m,n,max则此智能体存活，否则采用粒子群算法修正该粒子Agent的速度和位置，将得到的新的粒子Agent代替原来的粒子Agent，粒子群算法的修正公式为：

v_i,j(t+1)＝w_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

式中：w为惯性权重；c₁和c₂为正的学习因子；r₁和r₂为0到1之间的随机数，粒子群算法d维搜索空间中的第i个粒子的d维位置表达式为Xⁱ＝(x_i,1,x_i,2,...,x_i,d)，d维速度表达式为Vⁱ＝(v_i,1,v_i,2,...,v_i,d)，粒子自身找到的最优解为Pⁱ＝(p_i,1,p_i,2,...,p_i,d)，整个种群找到的最优解为P^g＝(p_g,1,p_g,2,...,p_g,d)；

步骤6：判断是否达到收敛条件或者超过预设的最大迭代次数，若是则进入步骤7，否则返回步骤2；

步骤7：输出最后一次迭代存活的粒子Agent的集合作为初始最优解集。

5.根据权利要求1所述的一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法，其特征在于，所述的步骤4)具体步骤如下：

步骤1、获取前一次重构的最优解：

获得前一次优化重构的最优解，对比最优解集中的每个解对应的电网结构和前一次重构的最优电网结构，得到最优解集中的所有解所需的开关变动次数，当最优解集中的所有解无法满足开关操作限制条件时，将前一次优化重构的最优解作为当次重构的最优解；

步骤2、解集形成：

将网络损耗最小的解作为解集中的第一个解，剩下的作为剩余解集合进行排序，排序方法为：

对每个剩余解求取其相对于网络损耗最小解的网络损耗增加量与开关次数减少量的比值，定义为单位开关损耗：

$\mathrm{\&eta;}=\frac{W}{K}$

式中：η为单位开关损耗，W为每个剩余解相对于网络损耗最小解的网络损耗增加量，K为每个剩余解相对于网损最小解的开关减少次数；

所有剩余解按照η从小到大的顺序排列，放在网络损耗最优解后面，共同形成最优解集，上报给协调Agent的最优解确定模块。

6.根据权利要求1所述的一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法，其特征在于，所述的步骤5)包括以下几个步骤：

步骤1、电网结构变换所需开关次数计算：

根据负责当前重构的管理Agent上报的最优解集，判断从上一次重构的最优解对应的电网结构变换到当前重构最优解对应的电网结构所需的联络开关和分段开关总动作次数；

步骤2、开关动作次数越限判断：

将开关总动作次数和预先设定的相邻两次重构的最大允许开关次数进行比较；

步骤3、最优解替换判断：

若判断结果是开关次数未越限，则终止判断过程，当前最优解就是本次重构的最优解；若判断结果是开关次数越限，则首先判断管理Agent上报的最优解集中是否还有其他解，若还有其他解，则将管理Agent上报的最优解集中的下一个解作为当前最优解，返回步骤1重新执行判断过程，若已经没有其他解，则终止判断过程，并将前驱代理交互模块获取的上次重构的最优解作为当次重构的最优解，保持两次重构的电网结构一致。

7.根据权利要求1所述的一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法，其特征在于，所述的管理代理交互模块负责接收管理Agent发送的信息，并向管理Agent发送指令。

8.根据权利要求1所述的一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法，其特征在于，所述的协调代理交互模块负责和前一次重构的管理Agent进行通信，获取前一次重构的最优解，重构时将前一时段的最优解加入到迭代初始种群中，并且如果最优解集所有解开关次数均越限，将前一次重构的最优解作为当次重构的最优解，电网结构保持不变，开关完全不动作。

9.根据权利要求1所述的一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法，其特征在于，所述的协调代理交互模块负责和协调Agent进行通信，获取协调Agent指令并向协调Agent提交最优解集。