CN107706907A - 一种配电网络重构方法和装置 - Google Patents
一种配电网络重构方法和装置 Download PDFInfo
- Publication number
- CN107706907A CN107706907A CN201610647015.6A CN201610647015A CN107706907A CN 107706907 A CN107706907 A CN 107706907A CN 201610647015 A CN201610647015 A CN 201610647015A CN 107706907 A CN107706907 A CN 107706907A
- Authority
- CN
- China
- Prior art keywords
- population
- distribution network
- network system
- chromatin state
- maximum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 93
- 108010077544 Chromatin Proteins 0.000 claims abstract description 48
- 210000003483 chromatin Anatomy 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims description 32
- 230000004075 alteration Effects 0.000 claims description 11
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 229910002056 binary alloy Inorganic materials 0.000 claims 2
- 230000005611 electricity Effects 0.000 claims 2
- 230000006870 function Effects 0.000 description 27
- 238000005457 optimization Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 241000555745 Sciuridae Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 230000035876 healing Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种配电网络重构方法和装置，获取配电网系统的原始数据和算法参数，确定最大种群数量值；根据配电网系统的编码方式，随机产生种群的染色体状态，其中，每一个种群的染色体状态对应于一种开关状态；判断种群的可行性，并进行修正使得可行种群数量等于所述最大种群数量；根据所述算法参数选择种群中最优种群，根据所述最优种群的染色体状态，确定配电网系统的重构操作结果。
Description
技术领域
本发明涉及电子技术领域的配电网络重构技术，尤其涉及一种配电网络重构方法和装置。
背景技术
配电网的自愈技术是智能配电网的关键技术之一，也是未来智能配电网发展的重要环节。配电网自愈恢复是一个多约束、多目标、非线性的优化组合问题。随着分布式电源大量接入配电网，其分散性、不稳定性、间歇性等特点加大了配电网故障后自愈恢复的难度，对配电网系统运行稳定性、经济性以及供电可靠性等方面具有一定的负面影响。其中，配电网的重构技术作为自愈技术的关键，正受到人们广泛的关注。
现有技术中，通常通过启发式搜索方法和智能优化方法进行配电网的重构，但是，该方法均存在一定的局限性，例如，启发式搜索方法为先搜索、后调整的两步式优化方法，调整的规则通常人为制定，由于人工经验的局限性，启发式规则的制定往往较难且不全面，易使最终的优化结果陷入局部最优，算法缺乏广泛的适用性；基于改进Prim算法的配电网恢复算法难以保障孤岛的功率差额最小，不能发挥DG的最大优势等。
发明内容
为解决上述技术问题，本发明实施例提供一种配电网络重构方法和装置，提高智能优化算法的效率，降低算法寻优过程中不可行解的数量，使其满足配电网故障恢复模型的各类约束条件。
本发明的技术方案是这样实现的：
本发明实施例提供一种配电网络重构方法，所述方法包括：
获取配电网系统的原始数据和算法参数，确定最大种群数量值；
根据配电网系统的编码方式，随机产生种群的染色体状态，其中，每一个种群的染色体状态对应于一种开关状态；
判断种群的可行性，并进行修正使得可行种群数量等于所述最大种群数量；
根据所述算法参数选择种群中最优种群，根据所述最优种群的染色体状态，确定配电网系统的重构操作结果。
进一步地，所述配电网系统的原始数据包括线路的电阻、电抗、线路长度、开关线路序号以及节点之间的连接状态。
进一步地，所述判断种群的可行性，并进行修正使得可行种群数量等于所述最大种群数量，包括：
判断种群的染色体状态所对应的配电网状是否为辐射状网络；
若为辐射状网络，则确定辐射状网络对应的染色体状态的种群为可行种群；
若为环状网络，则确定环状网络对应的染色体状态的种群为不可行种群，对不可行种群再随机产生所述不可行种群的染色体状态，直至可行种群数量等于所述最大种群数量。
进一步地，所述算法参数包括：种群适应度函数、最大种群规模、最大迭代次数、交叉率以及变异率。
进一步地，所述配电网系统的编码方式为二进制编码，1表示配电网系统中的开关闭合，0表示配电网系统中的开关断开。
本发明实施例提供一种配电网络重构装置，所述装置包括：获取单元，确定单元、处理单元、判断单元，其中，
所述获取单元，用于获取配电网系统的原始数据和算法参数；
所述确定单元，用于确定最大种群数量值；
所述处理单元，用于根据配电网系统的编码方式，随机产生种群的染色体状态，其中，每一个种群的染色体状态对应于一种开关状态；
所述判断单元，用于判断种群的可行性，并进行修正使得可行种群数量等于所述最大种群数量；
所述处理单元，还用于根据所述算法参数选择种群中最优种群；
所述确定单元，还用于根据所述最优种群的染色体状态，确定配电网系统的重构操作结果。
进一步地，所述配电网系统的原始数据包括线路的电阻、电抗、线路长度、开关线路序号以及节点之间的连接状态。
进一步地，所述判断单元，用于判断种群的染色体状态所对应的配电网状是否为辐射状网络；
所述确定单元，还用于若为辐射状网络，则确定辐射状网络对应的染色体状态的种群为可行种群；还用于若为环状网络，则确定环状网络对应的染色体状态的种群为不可行种群，对不可行种群再随机产生所述不可行种群的染色体状态，直至可行种群数量等于所述最大种群数量。
进一步地，所述算法参数包括：种群适应度函数、最大种群规模、最大迭代次数、交叉率以及变异率。
进一步地，所述配电网系统的编码方式为二进制编码，1表示配电网系统中的开关闭合，0表示配电网系统中的开关断开。
本发明实施例提供了一种配电网络重构方法和装置，获取配电网系统的原始数据和算法参数，确定最大种群数量值；根据配电网系统的编码方式，随机产生种群的染色体状态，其中，每一个种群的染色体状态对应于一种开关状态；判断种群的可行性，并进行修正使得可行种群数量等于所述最大种群数量；根据所述算法参数选择种群中最优种群，根据所述最优种群的染色体状态，确定配电网系统的重构操作结果。本发明实施例提供的配电网络重构方法和装置，可适用于绝大多数的智能优化算法，无须制定繁琐的启发式规则。利用量子遗传算法其优越的优化特性，实现目标函数的最优。既可提高智能优化算法的效率，降低算法寻优过程中不可行解的数量，使其满足配电网故障恢复模型的各类约束条件。
附图说明
图1为本发明实施例提供的配电网络重构方法流程是示意图；
图2为本发明实施例提供的IEEE-16节点配电网系统示例图；
图3为本发明实施例提供的IEEE-16节点配电网系统重构前后的电压趋势图；
图4为本发明实施例提供的配电网络重构装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明实施例提供一种配电网络重构方法，主要基于遗传算法，其中遗传算法(GA，Genetic Algorithm)的主要遗传操作有选择(selection)、交叉(crossover)和变异(mutation)这三个基本操作。
如图1所示，所述方法可以包括：
步骤101、获取配电网系统的原始数据和算法参数，确定最大种群数量值。
其中，配电网系统的原始数据包括线路的电阻、电抗、线路长度、开关线路序号以及节点之间的连接情况；同时，根据GA算法的经验推荐参数，确定最大种群数量值。
算法参数主要包括：种群适应度函数、最大种群规模N、最大迭代次数MaxGen、交叉率Pc以及变异率Pm。
步骤102、根据配电网系统的编码方式，随机产生种群的染色体状态。
具体的，配电网络中开关的编码方式采用二进制编码。即1表示开关闭合，0表示开关断开，所述开关状态对应遗传算法中的染色体各个基因的数值。因此，联络开关和分段开关的数目决定了染色体的长度，即联络开关与分段开关数量的总和为染色体长度。为减少内存空间，提高运行效率，可以对一些开关编码进行特殊处理：与电源点相连的开关应一直处于闭合状态，若断开将导致无法正常供电；未形成环网的支路开关也应一直处于闭合状态，若断开将导致形成孤岛效应。对于这些处于常闭状态的开关，编码是可以不予考虑。这样简化处理后，可以缩短染色体的长度，减小内存在用空间，提高可行解所占比例，加快计算速度。
因此，在算法开始，随机产生各个种群的染色体状态，即每个种群个体随机产生与开关总数相同的二进制码，对于染色体中基因的数值，从而形成各个种群的染色体状态。其中，每一个种群的染色体状态对应于一种开关状态，即配电网状态。
步骤103、判断种群的可行性，并进行修正使得可行种群数量等于最大种群数量。
所述判断种群的可行性，并进行修正使得可行种群数量等于所述最大种群数量，包括：
判断种群的染色体状态所对应的配电网状是否为辐射状网络；
若为辐射状网络，则确定辐射状网络对应的染色体状态的种群为可行种群；
若为环状网络，则确定环状网络对应的染色体状态的种群为不可行种群，对不可行种群再随机产生所述不可行种群的染色体状态，直至可行种群数量等于所述最大种群数量。
具体的，根据各个种群的染色体状态所对应的配电网状态，判断是否呈辐射状。若为辐射状网络，则记该种群为可行种群个体；若为环网则即为不可行种群个体。对不可行种群个体再随机产生其染色体状态，直至可行种群个体数量等于最大种群数量。
步骤104、计算种群的适应度。
具体的，用GA求解优化问题需要确定适应度函数，适应度函数值的大小用来评价个体的优劣，值越大个体越好，反之，值越小则个体越差。因此，GA要求个体的适应度值必须为非负数。然而，在解决优化问题是的目标函数可能为求取最小值，变号虽可以将求解最小值问题转化为求解最大值问题，但可能导致适应度函数出现负值情况。因此，必须通过适当的变换将目标函数转化成适应度函数。配电网的重构为求解最小值问题，因此，本文只介绍对于求最小值问题时，如何将目标函数转化为适应度函数的方法。
对于有约束条件的目标函数f(x)与适应度函数F(x)的转换关系如下所示：
F(x)＝K/(Cff(x)+CgR) (1)
其中，K为放大系数；Cf为目标函数的权因子；Cg为罚因子；R为违反约束条件的惩罚项。
本发明实施例以网损最小作为求解结构优化问题目标函数，其表达式如公式2所示。
其中，i是配电网的支路编号；N为支路总数；X为N维的控制变量，是结构优化问题的解，xi为X的元素，表示支路i的开关状态(1为闭合该支路，0为断开该支路)；Ri表示支路i的电阻值；Pi，Qi分别表示从支路i首端节点流出的有功功率和无功功率；Ui表示支路i首端节点的电压幅值。
约束条件包括：潮流方程约束、节点电压约束、支路传输容量限制、支路传输容量限制，具体如下所述。
潮流方程约束，如下所示：
AP＝D (3)
其中，A表示节点与支路的关联矩阵；P为馈线潮流；D为负荷需求向量。
节点电压约束，如下所示：
Uimin≤Ui≤Uimax(i＝0,1,2,…,n) (4)
其中，Ui为节点电压幅值；Uimin和Uimax分别为节点电压的下限值和上限值。
支路传输容量限制，如下所示：
Pj≤Pjmax(j＝0,1,2,…,n) (5)
其中，Pj为支路j上流过的有功功率；Pjmax为支路j上允许流过的有功功率的上限值。
其中，潮流方程等式约束条件可通过基于支路功率的前推回代法潮流计算来实现；辐射状拓扑结构约束条件配电网辐射状判定流程来满足；而对于节点电压约束和支路传输容量限制等条件，则通过引入罚函数的概念来实现。因此，考虑约束条件后的增广目标函数为：
minΛ(x)＝Cff(x)+Cg(Ui—Un)2 (6)
其中，Λ(x)为目标函数f(x)的增广函数；Cf为目标函数的权因子；Cg为电压罚因子；Ui为节点i的电压幅值；Un为节点i的电压基准值，设定为平均额定电压。
可见，根据各个种群的状态，通过潮流计算，按目标函数(6)确定种群的适应度函数。
步骤105、选择种群中最优种群。
具体的，选择种群中适应度函数最小的种群作为最优种群。
步骤106、通过交叉、选择和变异，更新种群的状态。
其中，选择操作具体实现如下所述：
上式中，fi表示个体i的适应度值，N为个体总数。
转轮法，也可称为轮盘赌选择法，转轮法的具体操作过程包括：先求取目前解群中所有个体适应度值的总和S；然后产生一个[0，S]区间内均匀分布的随机数s，将满足式2的第k个个体加入所要选择的个体集。不断重复上述过程，直至得到所需的个体总数。
并且
在选择过程中，由于其随机性，使得适应度值很低的个体也可能被选中，虽然会影响GA的作用效果，但在进化过程中，随着代数的增加，这种偶然性是微不足道的。
其中，交叉操作具体实现如下：
本发明采用一点交叉(Single-Point Crossover)。其具体操作可分为两步：首先，按照转轮法随机选取两个父代个体；然后进行交叉，产生一对新的子代个体。
具体过程包括：先在区间[1，L-1](L为染色体长度)上随机选取一个整数作为其交叉位置，在该位置上，将染色体分为前后两部分，互换尾部基因，作为新的子代个体。
其中，变异操作具体如下所述：
变异是模拟生物进化过程中的基因突变现象，起到增加种群多样性的作用。它是以较小的概率(变异率)随机选取个体一位或多位基因进行翻转操作，即1变为0，0变为1。若某一代群体的所有个体的某位数字均为1，则无论如何选择、交叉都不可能出现0，即该位0这个信息在遗传过程中丢失了，而这只能通过变异操作将其恢复。变异率取值较小，因此，出现新个体的概率也较小，但个体较为稳定，收敛性能好。当变异率增大时，出现新个体的概率增大，优秀个体产生的概率也随之增大。但如果变异率取值过大，将导致优秀个体未被保留就被破坏，是收敛性能变差。
选择、交叉和变异操作是GA的3个基本操作。选择体现了适者生存、不适者淘汰的进化思想，而其中的优秀个体则通过交叉和变异操作来产生，三者相辅相成，从而得到最优解。
步骤107、判断算法的迭代次数和种群的收敛程度，若满足收敛精度要求或达到最大迭代次数，则进入步骤108；否则回到步骤104。
步骤108、输出最终的结果。
根据最优个体的染色体状态，确定配电网的最终重构操作结果。
示例性的，如图2所示，IEEE-16节点配电网系统为例对本发明实施例提供的方法进行验证。该网架结构有16条支路，3个联络开关，额定电压为10KV，1、2、3节点为电源点，其电压幅值为10.5KV。
在VC++6.0平台上，利用C++语言编写本发明方法的算法程序，以图3所示的IEEE-16节点配电网系统为例进行验证，根据GA算法的经验数据，取染色体长度为16，交叉率为0.85，变异率为0.05，初始种群个体为100，最大代数为60，潮流计算的收敛精度为0.0001。
网络重构前、网络重构后的潮流计算的结果分别如表1、表2所示，并将重构前后的网损和最低节点电压进行比较记录在表3。
表1重构前潮流计算结果
表2重构后潮流计算结果
表3IEEE-16节点配电系统的重构前后结果比较
从上述表格3的数据可以看出，重构前断开支路4、8、15，此时，有功损耗为1577.19KW，电压幅值最低的节点为第7节点，其最低节点电压值为0.9185。将本发明方法运用到该系统的结构优化上，计算得出的结果表明，网损降低至957.52KW，最低节点电压升到0.9503，此时，断开支路7、11、16。比较重构前后的数据，网损降低了39.3％，最低节点电压提升了3.46％。从图3所示的重构前后电压变化趋势可以得出，重构后的电压稳定性能更好。从而可以看出，本发明方法能够实现功率的优化分布，并起到降低网损、提高供电质量的作用。
本发明实施例提供一种配电网络重构装置20，如图4所示，所述装置20包括：获取单元201，确定单元202、处理单元203、判断单元204，其中，
所述获取单元201，用于获取配电网系统的原始数据和算法参数；
所述确定单元202，用于确定最大种群数量值；
所述处理单元203，用于根据配电网系统的编码方式，随机产生种群的染色体状态，其中，每一个种群的染色体状态对应于一种开关状态；
所述判断单元204，用于判断种群的可行性，并进行修正使得可行种群数量等于所述最大种群数量；
所述处理单元203，还用于根据所述算法参数选择种群中最优种群；
所述确定单元202，还用于根据所述最优种群的染色体状态，确定配电网系统的重构操作结果。
进一步地，所述配电网系统的原始数据包括线路的电阻、电抗、线路长度、开关线路序号以及节点之间的连接状态。
进一步地，所述判断单元204，用于判断种群的染色体状态所对应的配电网状是否为辐射状网络；
所述确定单元202，还用于若为辐射状网络，则确定辐射状网络对应的染色体状态的种群为可行种群；还用于若为环状网络，则确定环状网络对应的染色体状态的种群为不可行种群，对不可行种群再随机产生所述不可行种群的染色体状态，直至可行种群数量等于所述最大种群数量。
进一步地，所述算法参数包括：种群适应度函数、最大种群规模、最大迭代次数、交叉率以及变异率。
进一步地，所述配电网系统的编码方式为二进制编码，1表示配电网系统中的开关闭合，0表示配电网系统中的开关断开。
本发明实施例提供的配电网络重构装置，可适用于绝大多数的智能优化算法，无须制定繁琐的启发式规则。利用量子遗传算法其优越的优化特性，实现目标函数的最优。既可提高智能优化算法的效率，降低算法寻优过程中不可行解的数量，使其满足配电网故障恢复模型的各类约束条件。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (10)
1.一种配电网络重构方法，其特征在于，所述方法包括：
获取配电网系统的原始数据和算法参数，确定最大种群数量值；
根据配电网系统的编码方式，随机产生种群的染色体状态，其中，每一个种群的染色体状态对应于一种开关状态；
判断种群的可行性，并进行修正使得可行种群数量等于所述最大种群数量；
根据所述算法参数选择种群中最优种群，根据所述最优种群的染色体状态，确定配电网系统的重构操作结果。
2.根据权利要求1所述的方法，其特征在于，所述配电网系统的原始数据包括线路的电阻、电抗、线路长度、开关线路序号以及节点之间的连接状态。
3.根据权利要求1所述的方法，其特征在于，所述判断种群的可行性，并进行修正使得可行种群数量等于所述最大种群数量，包括：
判断种群的染色体状态所对应的配电网状是否为辐射状网络；
若为辐射状网络，则确定辐射状网络对应的染色体状态的种群为可行种群；
若为环状网络，则确定环状网络对应的染色体状态的种群为不可行种群，对不可行种群再随机产生所述不可行种群的染色体状态，直至可行种群数量等于所述最大种群数量。
4.根据权利要求1所述的方法，其特征在于，所述算法参数包括：种群适应度函数、最大种群规模、最大迭代次数、交叉率以及变异率。
5.根据权利要求1所述的方法，其特征在于，所述配电网系统的编码方式为二进制编码，1表示配电网系统中的开关闭合，0表示配电网系统中的开关断开。
6.一种配电网络重构装置，其特征在于，所述装置包括：获取单元，确定单元、处理单元、判断单元，其中，
所述获取单元，用于获取配电网系统的原始数据和算法参数；
所述确定单元，用于确定最大种群数量值；
所述处理单元，用于根据配电网系统的编码方式，随机产生种群的染色体状态，其中，每一个种群的染色体状态对应于一种开关状态；
所述判断单元，用于判断种群的可行性，并进行修正使得可行种群数量等于所述最大种群数量；
所述处理单元，还用于根据所述算法参数选择种群中最优种群；
所述确定单元，还用于根据所述最优种群的染色体状态，确定配电网系统的重构操作结果。
7.根据权利要求6所述的装置，其特征在于，所述配电网系统的原始数据包括线路的电阻、电抗、线路长度、开关线路序号以及节点之间的连接状态。
8.根据权利要求6所述的装置，其特征在于，
所述判断单元，用于判断种群的染色体状态所对应的配电网状是否为辐射状网络；
所述确定单元，还用于若为辐射状网络，则确定辐射状网络对应的染色体状态的种群为可行种群；还用于若为环状网络，则确定环状网络对应的染色体状态的种群为不可行种群，对不可行种群再随机产生所述不可行种群的染色体状态，直至可行种群数量等于所述最大种群数量。
9.根据权利要求6所述的装置，其特征在于，所述算法参数包括：种群适应度函数、最大种群规模、最大迭代次数、交叉率以及变异率。
10.根据权利要求6所述的装置，其特征在于，所述配电网系统的编码方式为二进制编码，1表示配电网系统中的开关闭合，0表示配电网系统中的开关断开。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610647015.6A CN107706907A (zh) | 2016-08-09 | 2016-08-09 | 一种配电网络重构方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610647015.6A CN107706907A (zh) | 2016-08-09 | 2016-08-09 | 一种配电网络重构方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107706907A true CN107706907A (zh) | 2018-02-16 |
Family
ID=61168814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610647015.6A Pending CN107706907A (zh) | 2016-08-09 | 2016-08-09 | 一种配电网络重构方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107706907A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334950A (zh) * | 2018-04-17 | 2018-07-27 | 国网冀北电力有限公司唐山供电公司 | 一种应用单亲遗传算法的配电网络重构方法 |
| CN108931693A (zh) * | 2018-07-13 | 2018-12-04 | 广东电网有限责任公司 | 一种近电告警器中调节电阻的优化方法、mcu和近电告警器 |
| CN110932270A (zh) * | 2019-12-12 | 2020-03-27 | 南方电网科学研究院有限责任公司 | 一种包含柔性开关的配电网故障恢复方法和装置 |
| CN114039331A (zh) * | 2021-10-27 | 2022-02-11 | 成都交大许继电气有限责任公司 | 一种牵引网智能重构自愈方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104332995A (zh) * | 2014-11-14 | 2015-02-04 | 南京工程学院 | 基于改进粒子群算法的配电网重构优化方法 |
| CN104362624A (zh) * | 2014-11-14 | 2015-02-18 | 华北电力大学 | 含分布式电源配电网故障的主网与孤岛恢复同步算法 |
-
2016
- 2016-08-09 CN CN201610647015.6A patent/CN107706907A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104332995A (zh) * | 2014-11-14 | 2015-02-04 | 南京工程学院 | 基于改进粒子群算法的配电网重构优化方法 |
| CN104362624A (zh) * | 2014-11-14 | 2015-02-18 | 华北电力大学 | 含分布式电源配电网故障的主网与孤岛恢复同步算法 |
Non-Patent Citations (1)
| Title |
|---|
| 任志强: "基于改进遗传算法的配电网络重构研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334950A (zh) * | 2018-04-17 | 2018-07-27 | 国网冀北电力有限公司唐山供电公司 | 一种应用单亲遗传算法的配电网络重构方法 |
| CN108931693A (zh) * | 2018-07-13 | 2018-12-04 | 广东电网有限责任公司 | 一种近电告警器中调节电阻的优化方法、mcu和近电告警器 |
| CN110932270A (zh) * | 2019-12-12 | 2020-03-27 | 南方电网科学研究院有限责任公司 | 一种包含柔性开关的配电网故障恢复方法和装置 |
| CN114039331A (zh) * | 2021-10-27 | 2022-02-11 | 成都交大许继电气有限责任公司 | 一种牵引网智能重构自愈方法及系统 |
| CN114039331B (zh) * | 2021-10-27 | 2023-07-21 | 成都交大许继电气有限责任公司 | 一种牵引网智能重构自愈方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nguyen et al. | Multi-objective electric distribution network reconfiguration solution using runner-root algorithm | |
| Kavousi-Fard et al. | Multi-objective probabilistic distribution feeder reconfiguration considering wind power plants | |
| Miranda et al. | Differential evolutionary particle swarm optimization (DEEPSO): a successful hybrid | |
| CN102945296B (zh) | 一种需求响应视角下的配电网不确定性重构建模方法 | |
| CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
| CN103440521B (zh) | 一种适用于配电网的编码和遗传算法及在配网重构中的应用 | |
| CN107706907A (zh) | 一种配电网络重构方法和装置 | |
| CN106033887A (zh) | 一种基于改进pso-de混合算法的配电网重构方法 | |
| CN105098762A (zh) | 一种含分布式电源配电网的孤岛划分方法 | |
| CN108182498A (zh) | 配电网故障恢复性重构方法 | |
| CN109038545B (zh) | 一种基于差分进化入侵杂草算法的配电网重构方法 | |
| CN104866921B (zh) | 一种基于安全域的配电系统网络重构方法 | |
| CN105305442B (zh) | 基于量子遗传算法的多目标智能配电网自愈恢复方法 | |
| CN105896528A (zh) | 基于隔离小生境遗传算法的配电网重构方法 | |
| CN107994582A (zh) | 含分布式电源的配电网重构方法和系统 | |
| CN108832615A (zh) | 一种基于改进二进制粒子群算法的配电网重构方法及系统 | |
| CN109217284A (zh) | 一种基于免疫二进制粒子群算法的配电网重构方法 | |
| CN112994099B (zh) | 一种高比例分布式光伏并网消纳能力分析方法 | |
| Mahdavi et al. | Transmission expansion planning considering network adequacy and investment cost limitation using genetic algorithm | |
| Rathore et al. | Artificial Bee Colony Algorithm based static transmission expansion planning | |
| CN110932270B (zh) | 一种包含柔性开关的配电网故障恢复方法和装置 | |
| CN117650533B (zh) | 基于图网络大数据模型的电力系统潮流分析方法及装置 | |
| Hong et al. | Genetic algorithm based network reconfiguration for loss minimization in distribution systems | |
| CN108334950A (zh) | 一种应用单亲遗传算法的配电网络重构方法 | |
| Ganesan et al. | Regular paper distribution system reconfiguration for loss reduction using genetic algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 310012 building A01, 1600 yuhangtang Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: CHINA MOBILE (HANGZHOU) INFORMATION TECHNOLOGY Co.,Ltd. Applicant after: China Mobile Communications Corp. Address before: 310012, No. 14, building three, Chang Torch Hotel, No. 259, Wensanlu Road, Xihu District, Zhejiang, Hangzhou Applicant before: CHINA MOBILE (HANGZHOU) INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: China Mobile Communications Corp. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |