CN108449208B - 一种针对分布式能源分层复杂网络优化方法 - Google Patents

一种针对分布式能源分层复杂网络优化方法 Download PDF

Info

Publication number
CN108449208B
CN108449208B CN201810222624.6A CN201810222624A CN108449208B CN 108449208 B CN108449208 B CN 108449208B CN 201810222624 A CN201810222624 A CN 201810222624A CN 108449208 B CN108449208 B CN 108449208B
Authority
CN
China
Prior art keywords
network
node
nodes
energy
hierarchical
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.)
Active
Application number
CN201810222624.6A
Other languages
English (en)
Other versions
CN108449208A (zh
Inventor
穆献中
孙喆人
胡广文
吴玉锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201810222624.6A priority Critical patent/CN108449208B/zh
Publication of CN108449208A publication Critical patent/CN108449208A/zh
Application granted granted Critical
Publication of CN108449208B publication Critical patent/CN108449208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0833—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network energy consumption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明针对当前分布式能源建设和替代集中式能源供给网络背景下，现有的网络优化模型方法不能兼顾网络衍生性、结构稳定性等需求，致使实用性低问题，本发明公开一种针对分布式能源分层复杂网络优化方法，通过通用的网络路径优化技术以解决上述问题，实现分布式能源建设过程中集中式能源利用率可控、提高能源供给系统整体能源利用率、同时满足网络实施运行成本最优。

Description

一种针对分布式能源分层复杂网络优化方法
技术领域
本发明涉及一种网络路径优化技术领域，尤其涉及一种针对分布式能源分层复杂网络优化方法，针对分布式能源与集中式能源替代过程中分层复杂网络的动态路径优化过程进行设计。
背景技术
化石燃料作为能源供给资源代替农耕时代的柴薪推动世界经济迅速的增长，但近年来，能源危机和环境问题已经逐渐成为制约世界经济前进最主要的问题，而传统能源供给过程是造成这些问题的重要原因之一。传统能源供给以煤炭等化石燃料资源为主，多以集中式能源生产传输形式连接能源供需两端，煤炭等化石燃料是不可再生能源，并且在燃烧过程中会造成大量的固、液、气污染物，是导致全球气候变暖、酸雨等环境问题的重要因素，同时，集中式能源生产方式能源利用率底、传输过程导致大量的能源损耗都不利于可持续发展。为了从根本上解决传统能源供给方式中存在的问题，分布式能源系统（Distributed Energy System，DES）应运而生，即建设在用户附近，可使用多种能源并按照用户需求提供电、热、冷等多种形式能源的系统。相比较于传统集中式供能系统，这种系统可以有效的实现能源梯级利用，能够很大程度降低能源传输过程的损耗，并且可以利用天然气、风、水、光、生物质等多种清洁能源，有效减少能源生产端的环境负外部性。传统集中式发电站能量的终端利用率仅为30%~47%，而分布式能源系统可以达到80%以上（蒋润花，分布式能源系统研究[D]，中国科学院研究生院（工程热物理研究所），2009），并且还具有设备容量小、建设周期短、环保性能好、占地面积小等等其他的优势（刘爱国,张士杰,肖云汉，带蓄能装置的分布式热电冷联产系统优化配置[J]，热力发电,2010,39(06):14-20）、（薛梅,董华， 天然气热电冷联供系统的效益分析[J]，煤气与热力,2003,(05):309-311）。近年来，分布式能源越来越多的受到了发展中国家的关注，我国分布式能源起步较晚但发展迅速，加之政策的支持，分布式能源已经成为未来能源供给结构改革的重点。
在分布式能源替代集中式能源供给网络并且优化网络中节点、路径和流量以提升网络传输性能和能源利用率的整体规划过程中仍然存在很多的困难。以往对于分布式能源网络的优化多以单目标为主，目标选择多以成本（陈云，分布式电冷热多联供系统的优化配置与经济运行[D]，长沙理工大学, 2013）、用户收益（刘殿海，杨勇平，杨昆，等，分布式发电优化配置研究[J]，工程热物理学报, 2006, 27(s1):9-12）等。但随着环境问题、能源消耗问题日渐引起人们的注意，在优化过程中单一的仅仅以经济性为目标已经不能满足实际的需求，因而越来越多研究选择采用将能源消耗、环保性能、经济性等多指标一同作为多目标（马琴， 区域型联合循环分布式联供系统优化设计的研究[D]， 华北电力大学, 2013）来进行整体的规划。在分布式网络优化求解算法方面，目前主要有线性规划或混合整型线性规划（Li H, Fu L, Geng K, et al， Energy utilization evaluation of CCHP systems[J]， Energy & Buildings, 2006, 38(3):253-257）、混合整型非线性规划（Li C Z, ShiY M, Huang X H， Sensitivity analysis of energy demands on performance of CCHPsystem[J]， Energy Conversion & Management, 2008, 49(12):3491-3497）、随机优化、遗传算法（Wang J J, Jing Y Y, Zhang C F， Optimization of capacity andoperation for CCHP system by genetic algorithm[J]， Applied Energy, 2010, 87(4):1325-1335）优化、粒子群算法（Wang L, Singh C， Stochastic combined heat andpower dispatch based on multi-objective particle swarm optimization[J]，International Journal of Electrical Power & Energy Systems, 2008, 30(3):226-234）优化以及多目标优化法。这些算法尽管具有一定的参考价值，但由于缺乏恰当的分层节点表达形式和分层节点与其他节点逻辑路径计算方法，因此对于复杂的分层网络路径选择性能欠佳。
经过对现有技术、方法梳理分析认为,基于一般网络路径优化算法在分布式能源网络规划应用的局限性主要体现在：
1.以单一指标为目标的优化方法已经不再能满足当前社会对于能源、环境、经济、社会影响等多方面的综合要求，优化的结果在满足单指标最优的情况下往往不能很好的兼顾其实际指标需求，实践可行性不高；
2.以多目标规划方法为代表的一类优化算法，尽管在目标设计上直观性很强，但仅适用于节点数目不多，网络结构简单的一般网络，对于复杂网络存在计算效率低下、计算精度不高、难以求解等问题；
3.以遗传算法、粒子群算法为代表的智能优化算法能够较好的解决较为复杂的网络优化问题，但是其对于网络节点的性质不能很好的描述，对于不同等级的网络节点不能很好的区分，导致所求最优解与实际最优解之间可能出现偏差；
4.综合考虑现有的网络优化方法，共同的不足在于在优化的过程中对于网络结构和集中式能源替代率的考虑不够充分。能源供给网络属于特殊的网络，其对于运行期间的稳定性，以及网络整体鲁棒性都有很高的要求，对于网络抗冲击性能的考虑不足会导致优化方法的实用性降低。分布式能源对于集中式能源的替代仍然处于研究和实践的初步阶段，分布式能源与传统集中式能源结合使用是目前较多采用的策略，因此不考虑集中式能源替代率也会降低方法的实用性。
综上所述，在能源供给形式转换的背景下，分布式能源网络优化和算法方面，以往的方法缺乏系统性和实用性，需要开发一种专门的算法技术。
需要注意到的是，随着近年能源供给网络的高速发展，网络节点、路径呈指数型增长，网络规模不断扩张，复杂程度不断增加，极大地增加了网络优化的难度，与此同时，城市化进程的不断推进导致能源需求量随之不断增加，网络社团性逐渐提高，加之能源供给网络的特殊性，使得完全打破既有能源供给网络几乎成为不可能。基于此，在不完全打破既有网络空间结构的前提下，扩展传输网络维度，改变网络逻辑结构以实现集中式能源利用率可控、提高网络性能是目前较为可行的解决思路。运用分层复杂网络方法的思想正是在这一背景下提出的。
分层复杂网络泛指一类节点众多、流量庞大的网络群体，其区别于一般复杂网络的一个重要特征是网络中的节点存在逻辑分层，即部分节点与其他节点不处于同一逻辑层级。这些节点相较于其他节点一般具有更高的流量通行优先级和更大的吞吐量，与一般的网络枢纽不同的是，这些节点只与少部分其他节点联通且具备分配低层级节点流量的权限。分层复杂网络的优势在于可以通过设置部分低层级网络节点与高层及网络节点的连通性提高网络流量同时降低网络路径长度，并降低网络先天路径约束与流量约束的干扰。目前分层复杂网络多见于电力、通讯、物流等领域，且在电力运输网络、信息传输平台、地下物流系统等一类网络系统已经进行了一些应用。
采用分层复杂网络的思路进行分布式能源网络的优化，其主要的优势体现在以下几点：（1）将能源供给复杂网络分层、分区域进行网络优化设计，符合目前网络社团化的现状，极大的简化了网络优化过程的复杂程度；（2）针对分布式能源替代集中式能源的背景，分层复杂网络方法通过整体的网络设计过程可以实现集中式能源利用率的可控，便于整体规划和政策的部署；（3）分层复杂网络节点间有明显的逻辑分层，有利于故障的排查和分析，对于重要节点的侧重维护能够有效防止大范围故障的发生；（4）对于不同层级的网络优化过程可以依照不同的优化目标选择不同的优化方法，如下级网络可以侧重于提高能源的利用率，二顶层网络可以则侧重于网络的衍生性能。
结合以上技术背景，本发明提出了一种具体的针对于分布式能源分层复杂网络优化过程中，依照不同的层级目标的一套整体设计算法技术。
发明内容
本发明针对当前分布式能源建设和替代集中式能源供给网络背景下，现有的网络优化模型方法不能兼顾网络衍生性、结构稳定性等需求，致使实用性低等问题，基于分层复杂网络方法设计提出一种新的优化算法技术，旨在通过提出一种通用的网络路径优化技术以解决上述问题，实现分布式能源建设过程中集中式能源利用率可控、提高能源供给系统整体能源利用率、同时满足网络实施运行成本最优。
本发明方法是基于复杂网络中平面节点的空间分布和联通关系，通过增设新的分布式能源节点，使能源供给网络分层，在保证能源供给网络稳定性的同时完成分布式能源网络的架设。主要包含以下内容：
Figure DEST_PATH_IMAGE001
节点选择和分类。针对网络中各原始节点（即能源需求用户节点）之间的距离和 能源需求量及各节点间的能源交互量，在原始节点分布情况及目标需求（如保证分布式能 源机组供应能值、部分节点集中式能源使用率降低到指定值）基础上将原始节点分为几类， 每一类中包含数个原始节点，确定新节点类的几何中心为二级节点。本发明在不影响用户 正常能源使用的前提下，大幅度减少网络中节点数目，提高网络系统的运行效率。
Figure 216045DEST_PATH_IMAGE002
网络分级设计。本发明在上述已经确定的二级节点群的基础上再次分类，此次 分类不在减少节点数目，而是在二级节点群中划分一级节点管辖区域范围，将二级节点划 分为不同的节点群落。区域划分策略可以参照二级节点设置方法，使用集中式能源使用率 为目标进行分类。考虑到实际具体情况，也可以使用行政区域进行节点区域划分。每个二级 节点区域中会选出一个一级节点，跨区域的二级节点不能直接连接，只能通过一级节点才 能连通。一级节点之间可以直接连接，也可以通过另一个一级节点相互连通。由此，建立分 级网络，通过进一步优化各级节点网络连接结构，可以降低网络流量负载和进一步减少整 体集中式能源使用率，提高能源网络传输效率。另外，需要说明的是，在本发明中仅以设置 一、二级节点来解释算法策略，在实际应用中可以依照本网络分级策略设置更多的层级，但 是要保证节点同级并在同一上级节点管辖区域范围内才可以相连，最高级节点之间可以相 互连接。
Figure 100002_DEST_PATH_IMAGE003
下级网络路径设计。在上述已经分在同一级节点管辖区域范围之内的二级节点 群，根据其分布情况进行网络路径优化连接。首先根据线路损耗设置一个线路距离，当两个 节点间的距离小于这个距离时则设置为联通状态，这样就得到一个初始的网络连接状态。 根据各个二级节点间的能量交互情况，可以得到一个复杂网络模型。首先根据设定的集中 式能源使用率进行第一次线性规划求解，可以得到一组集中式能源使用率小于设定值的解 空间。其次对于得到的解空间，结合不同种类的线路架设的传输成本、建造成本和折旧成本 计算每个解的总成本，以成本最小为条件进行第二次线性规划求解，输出最终的最优连接 解。本方法能够保证将集中式能源利用率控制在设定值以下的情况下得到成本最小的最优 连接。
Figure 627435DEST_PATH_IMAGE004
上级节点设置及设计。在以完成的一个区域二级节点路径连接网络中，选取度 中心性最高的节点为一级节点位置。所有一级节点再相互连接，网络路径最优连接可重复 上述的方法得到。实际网络建设过程中，所有的中层网络路径连接均可重复上述连接策略 得到，但为保证网络的衍生性能，加之顶层网络一般节点数目较少，可以使用BA无标度网络 衍生的策略进行网络路径设计。
附图说明
图1为区域及节点设计原图；
图2a、图2b为下层网络初始化示意图，其中，图2a为被划分的某一区域示意图，图2b为该区域节点网络初始化示意图；
图3a、图3b、图3c 为下层网络路径优化示意图，其中，图3a、图3b、图3c分别为满足集中式能源利用率条件的各种不同网络连接形态示意图；
图4 为最优区域网络连接及上级节点选择示意图；
图5为顶层网络连接步骤示意图；
图6 分层复杂网络连通示意图；
图7为本发明技术实施流程图。
具体实施方式
下面结合图7对本发明技术进行实施，并给出详细的实施方式和具体操作说明，实施步骤如下：
步骤一：网络准备与预处理
根据研究目标，对拟优化网络进行数据准备和预处理。本发明基于已有未分层网络进行分层节点设置和路径优化，需首先对目标网络进行准备、描述和预处理。准备内容包括目标网络节点信息、各节点之间流量和各路径允许通过最大流量。预处理内容包括清洗、筛查以及完备性检验等。
步骤二：确定网络优化目标
针对本分布式能源分层复杂网络设计需求，本算法目标在于通过在现有能源网络结构基础上增设分布式能源分层节点，降低集中式能源使用率，同时尽可能降低网络中节点间联通路径长度，实现网络最大流、最短路径的优化目标。需要具体解决的问题包括：分层数和节点的选择；各层网络的路径优化设计；网络性能测试及优化。
步骤三：下级节点设置&区域划分
网络优化整体区域及底层节点原始示意图如图1所示。综合考虑网络中节点位置与路径联通性，将网络节点按照其重要程度做评分，评分的依据为其与最近分层节点的距离以及其流量的综合考量，并建立评分模型如下：
Figure 268632DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE007
为节点
Figure 672937DEST_PATH_IMAGE008
的综合评分，
Figure 100002_DEST_PATH_IMAGE009
为节点
Figure 614348DEST_PATH_IMAGE008
与分层节点
Figure 665481DEST_PATH_IMAGE010
的距离，
Figure 100002_DEST_PATH_IMAGE011
表示节点
Figure 13548DEST_PATH_IMAGE008
流向分层节点
Figure 503435DEST_PATH_IMAGE010
的流量占分层节点
Figure 768194DEST_PATH_IMAGE010
总流量占比。为保证距离
Figure 318124DEST_PATH_IMAGE009
与
Figure 933914DEST_PATH_IMAGE011
处于同一数量级，需 对距离进行同样处理，即将
Figure 680022DEST_PATH_IMAGE009
与网络中最长路径距离进行作比，并赋予相应权重。在赋予 权重时认为，当节点
Figure 127183DEST_PATH_IMAGE008
距离分层节点
Figure 520119DEST_PATH_IMAGE010
较近时，距离因子
Figure 685521DEST_PATH_IMAGE012
起决定作用；而当节点
Figure 454894DEST_PATH_IMAGE008
距离分层 节点
Figure 225403DEST_PATH_IMAGE010
较远时，距离因子
Figure 851557DEST_PATH_IMAGE012
所起作用甚微。流量因子
Figure 100002_DEST_PATH_IMAGE013
在一定范围内，根据距离
Figure 458250DEST_PATH_IMAGE012
的增加 而增加，到一定距离时达到最大值，尔后逐步下降，直至距离
Figure 31314DEST_PATH_IMAGE012
最大时失效。
在完成对各节点评分后，应初步确定分层节点的大致位置，其基本思想为：
Figure 187488DEST_PATH_IMAGE014
分层 节点应尽量与周边节点联通；
Figure 100002_DEST_PATH_IMAGE015
分层节点应优先选取节点密集或能源流量需求较大的空 间；
Figure 656647DEST_PATH_IMAGE003
满足部分节点对于集中式能源使用率的要求。具体算法描述如下：
input：
所有节点的坐标；
任意两个节点之间的能源流通量；
每个节点当前的集中式能源使用率；
部分节点目标集中式能源使用率；
下级节点最大能源供应量。
output:
重新分类后的节点分类（包括：节点坐标、节点能源流量）
program：
从一个点出发，
找出距离该点距离d以内的节点集合，并对这些节点按距离排序
从距离最远点开始判断：
点集能否满足条件
总流量小于分布式能源机组的供应量
节点是否需要满足集中式能源使用率降低到目标值条件
如果不满足：
将该节点剔除从点集
按照距离由远及近继续判断
直到满足上述条件
节点集合则是一个新的节点类
对还未完成分类的节点继续实行上述步骤
遍历完所有的点
结束
考虑到分层节点的流量传输也是存在上限的，即对于局部节点要求集中式能源使用率降低到指定值，但流量上限高于分层节点传输负载上限的情况，解决思路有两种：一是增设分布式能源分层节点；二是同过下一步网络优化进一步降低节点的集中式能源使用率。显然对于第一种情况只需按照之前算法在此执行即可；对于第二种情况从目前研究进展来看，从网络整体优化的过程很难得到一个针对某个节点的规划方案。本算法按照各节点到分层节点的距离远近，逐步剔除最远的点，直到规划成功，退出循环。
该程序的线性规划部分运用循环算法，可对对每节点临近的可能分层节点位置进行测算，以确定分层节点的数量。
步骤四：下级网络初始化
在下级区域网络路径优化之前，需要进行网络初始化操作，本步骤中需要完成的目标是对于上一步骤中确定的已经被分为不同类的不同二级节点进行初始网络的建立。首先依照线路损耗基本原理计算最大线路长度：
Figure DEST_PATH_IMAGE017
其中，
Figure 983592DEST_PATH_IMAGE018
为预设的最大线路损耗功率；
Figure 100002_DEST_PATH_IMAGE019
为线路额定电流；
Figure 625926DEST_PATH_IMAGE020
为线路电阻；
Figure 100002_DEST_PATH_IMAGE021
为20 摄氏度下线路的电阻率，Ω/km；L为最大线路长度。通过预设最大线路损耗功率，可以计算 出最大的线路长度L。
对于单个区域中的所有二级节点，网络初始化算法描述如下：
input：
一个区域中的二级节点坐标；
最大线路长度L。
output:
初始化网络连通矩阵。
program：
从一个点出发
计算与剩余未连接节点之间的距离d
当d小于L时：
标记连接两个节点
更新连通矩阵
遍历所有节点
结束
对于不同区域中的所有二级节点，循环上述算法，可以得到所有区域的初始化网络连通结构。算法示意图如图2a、图2b所示，特别的，设坐标系原点为假设的集中式能源供给节点，图中绿色虚线表示每个节点分别与集中式能源相连。
步骤五：下级网络路径优化&上级节点选择
每个下级区域网络优化过程中，都将集中式能源供给节点纳入网络系统，仅考虑 其与网络中节点间的能源流动，不考虑其与其他节点间的网络连接情况。设坐标系原点为 集中式能源供给节点，定义为节点1，则和剩余的n个节点可以构成为一个n+1个节点的网 络，网络的初始化过程已在上一步中完成。定义变量
Figure 105449DEST_PATH_IMAGE022
为节点i的能源流入流出值：
Figure 542246DEST_PATH_IMAGE024
其中
Figure 100002_DEST_PATH_IMAGE025
表示节点i的能源生产量；
Figure 857952DEST_PATH_IMAGE026
表示节点i的能源需求量。则当
Figure 835136DEST_PATH_IMAGE022
＞0，表示节 点i能源产量大于能源需求量，对外可以输出能源；当
Figure 903586DEST_PATH_IMAGE022
＜0，表示节点i能源产量小于能源 需求量，需要从其他节点或者集中式能源节点处获取能源；当
Figure 308022DEST_PATH_IMAGE022
=0，表示节点i能源产量等 于能源需求量。
定义变量Ti,j表示节点i与节点j之间的能源流动量，其中i,j=1,…,（n+1）且i≠j。 定义标志系数mi,j表示节点i和节点j之间是否能够发生能源的流动关系，比如，当i和j之间 的距离小于网络初始化过程中设置的最大线路长度L，并且
Figure 360292DEST_PATH_IMAGE022
＞0、
Figure 100002_DEST_PATH_IMAGE027
＜0或
Figure 78849DEST_PATH_IMAGE022
＜0、
Figure 516653DEST_PATH_IMAGE027
＞0时， 节点i和节点j之间可以发生能源流动，则设置mi,j分别为1和-1，代表了能源流动的方向，其 他情况下则设置为0，代表不能发生能源流动。综上则可以将某一个节点i的
Figure 91991DEST_PATH_IMAGE022
表示为：
Figure 100002_DEST_PATH_IMAGE029
将
Figure 631556DEST_PATH_IMAGE022
的计算公式展开可以得到方程组：
Figure 100002_DEST_PATH_IMAGE031
至此网络基础模型建立完成，为满足设计要求的集中式能源利用率降低到设定值以及成本最小两个条件，本算法中使用两次线性规划算法来获取满足条件的最优路径。首先，由于模型建立过程中将集中式能源固定作为节点1已经纳入了网络，因而优化后网络的集中式能源使用量与集中式能源利用率之间的关系可以用如下公式表达：
Figure 100002_DEST_PATH_IMAGE033
式子左边表示优化后网络中集中式能源节点1的能源供给量之和，式子右边h表示 集中式能源利用率，
Figure 622646DEST_PATH_IMAGE034
表示网络未优化之前集中式能源供给量。定义集中式能源利用率设 定值为
Figure 100002_DEST_PATH_IMAGE035
，则第一次线性规划目标函数为：
Figure DEST_PATH_IMAGE037
经过第一次求解过程之后可以得到所有能够满足集中式能源利用率低于设定值
Figure 885262DEST_PATH_IMAGE035
的网络连接状态解空间，如图3a、图3b、图3c所示。解空间中的每一个可行解均可以依照 如下公式计算其线路建设成本：
Figure DEST_PATH_IMAGE039
式中
Figure 834764DEST_PATH_IMAGE040
表示总成本，
Figure DEST_PATH_IMAGE041
表示每公里线路成本单价，
Figure 861626DEST_PATH_IMAGE042
表示不同解中不同类型网络 线路总长度。使用冒泡法进行第二次线性规划求解，则可得到解空间中的建设成本最小的 解，即为最终求得的最优网络连接解。
依照上述算法过程求解单个下级节点区域中网络最优连接结构的算法伪代码描述如下：
input：
一个区域中的二级节点坐标
任意节点的能源需求量与供给量；
每个节点当前的集中式能源使用量；
目标集中式能源使用率；
网络模型初始化连接状态；
output:
单区域下级网络最优连解状态
program：
从一个节点开始
遍历初始网络中所有节点，
录入所有节点间的能源流动量
Figure DEST_PATH_IMAGE043
及节点间能源流动方向标志量
Figure 436832DEST_PATH_IMAGE044
建立网络能源流动量矩阵和标志量矩阵
载入数学运算模块
建立网络模型
以集中式能源使用率小于等于设定值为目标进行线性规划求解
输出满足条件的网络连接状态解空间
从解空间中一个解开始
计算第一个网络解的成本，设置标志位为1
计算下一个网络解的成本，与标志位解进行比较
若成本小于标志位，则更换标志位到更小的解
遍历所有解空间的解
输出成本最小的网络解连接状态
输出最小成本
结束
在下级网络优化完成之后，还需要在网络中选择上级节点的位置，本算法采用对于网络中节点重要度进行排序，选择重要度最高的节点作为上级节点。能源网络中节点的重要度主要由节点的度，也即节点与其他节点的连接关系，以及节点的能源流动量两个指标来确定。通过分析网络中不同节点的度以及能源流动量，则可以选择出网络中重要度最高的节点为上级节点，如图4所示。
具体的算法如下：
input：
单区域下级网络最优连解状态
output:
上级节点位置
program：
从一个节点开始
计算节点的度，设置标志位
计算下一个节点的度，判断与标志位节点度的大小
若大于，则设置标志位，同时取消之前节点的标志位
若等于，则同时设置标志位
遍历所有节点
若标志位数量大于1
从一个节点开始
计算带有标志位的节点的能源流入流出总量
计算下一个节点的能源流入流出总量，与前一个判断大小
若大于，则取消前一个节点的标志位
若小于，则取消当前节点标志位
遍历所有节点
输出最终节点坐标
结束
依照上述算法可以完成对于任意非顶层网络的结构优化过程，对于任意层的网络都可以重复上述过程获取当前层网络的最优结构，并选出上级节点的位置。
步骤六：顶层网络路径设计
当所有下级网络均优化完成后，为保证网络整体的衍生性，也即便于未来与新的网络进行连接，顶层网络的设计采用新的更为方便新节点加入的方法进行规划。
算法设计思路是对于每一个顶层节点，按照周围同级节点到其距离，由近到远将其他节点纳入到网络线路中。根据BA无标度网络的生成方法及性质，相互间能源流量最大的两个节点首先连接，而当网络中已有节点数目超过2个的时候，将新加入的点通过连接成本和线路承载量为约束条件，判断其最优的连接方式，可能出现的连接情况如图5所示。
具体的，从普通节点2至分层节点有两种连接方法。对于第一种连接，普通节点2到分层节点的路径长度为其到普通节点1与普通节点1到分层节点路径长度之和；对于第二种连接，其路径长度计算仅由与临近分层节点空间关系相关，而不与其他节点相关。以上为两个节点的情况，当节点数目更多时，以此类推。最终的优化结果如图6所示。
其伪代码如下：
input:
所有顶层节点的坐标；
节点的流通量
不同种类的线路的建设成本
线路传输成本
output:
顶层节点的连通矩阵
顶层网络最小成本
program：
连通矩阵初始为一个n维零矩阵（n为节点总数）
最小成本初始为0
从中心节点出发
对中心节点覆盖区域中所有的二级节点排序
连接相互流量最大的两个节点
对下一个节点：
计算该节点可与已经存在连通图上的每一个节点的距离，由此计算其新 增成本：对于已经存在于连通图上的路径，不计算其建造成本，只计算线路传输成本；对该 连接新增的路径需计算其建造成本和传输成本
对所有新增成本进行排序，选择成本最低的连接方式
更新连通矩阵
更新最小成本
重复上述步骤
直到遍历完所有的节点
输出：顶层网络连通矩阵和最小成本
基于以上释义和计算步骤，根据实际计算结果和可控的集中式能源使用率设定，实现分布式能源分层流量复杂网络分层节点选择、路径设计和网络优化。

Claims (2)

1.一种针对分布式能源分层复杂网络优化方法，其特征在于，包括以下步骤：
步骤一：下级节点设置和区域划分
综合考虑网络中节点位置与路径联通性，将网络节点按照其重要程度做评分，评分的依据为其与最近分层节点的距离以及其流量的综合考量，并建立评分模型如下：
Figure 956487DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为节点
Figure 590862DEST_PATH_IMAGE004
的综合评分，
Figure DEST_PATH_IMAGE005
为节点
Figure 64569DEST_PATH_IMAGE004
与分层节点
Figure 768082DEST_PATH_IMAGE006
的距离，
Figure DEST_PATH_IMAGE007
表示节点
Figure 985437DEST_PATH_IMAGE004
流向 分层节点
Figure 474318DEST_PATH_IMAGE006
的流量占分层节点
Figure 181243DEST_PATH_IMAGE006
总流量占比，为保证距离
Figure 372053DEST_PATH_IMAGE005
与
Figure 612673DEST_PATH_IMAGE007
处于同一数量级，需对距 离进行同样处理，即将
Figure 939749DEST_PATH_IMAGE005
与网络中最长路径距离进行作比，并赋予相应权重，在赋予权重 时认为，当节点
Figure 489679DEST_PATH_IMAGE004
距离分层节点
Figure 167785DEST_PATH_IMAGE006
较近时，距离因子
Figure 539992DEST_PATH_IMAGE008
起决定作用；而当节点
Figure 987153DEST_PATH_IMAGE004
距离分层节点
Figure 442406DEST_PATH_IMAGE006
较远时，距离因子
Figure 607808DEST_PATH_IMAGE008
所起作用甚微，流量因子
Figure DEST_PATH_IMAGE009
在一定范围内，根据距离
Figure 705077DEST_PATH_IMAGE008
的增加而增 加，到一定距离时达到最大值，尔后逐步下降，直至距离
Figure 272324DEST_PATH_IMAGE008
最大时失效；
在完成对各节点评分后，应初步确定分层节点的大致位置，其基本思想为：分层节点应尽量与周边节点联通；分层节点应优先选取节点密集或能源流量需求较大的空间；满足部分节点对于集中式能源使用率的要求；
步骤二：下级网络初始化
在下级区域网络路径优化之前，需要进行网络初始化操作，需要完成的目标是对于上一步骤中确定的已经被分为不同类的不同二级节点进行初始网络的建立，首先依照线路损耗基本原理计算最大线路长度：
Figure DEST_PATH_IMAGE011
其中，
Figure 180369DEST_PATH_IMAGE012
为预设的最大线路损耗功率；
Figure DEST_PATH_IMAGE013
为线路额定电流；
Figure 98646DEST_PATH_IMAGE014
为线路电阻；
Figure DEST_PATH_IMAGE015
为20摄氏 度下线路的电阻率，L为最大线路长度，通过预设最大线路损耗功率，可以计算出最大的线 路长度L；
对于不同区域中的所有二级节点，循环网络初始化算法，得到所有区域的初始化网络连通结构；
步骤三：下级网络路径优化和上级节点选择
每个下级区域网络优化过程中，都将集中式能源供给节点纳入网络系统，设坐标系原 点为集中式能源供给节点，定义为节点1，则和剩余的n个节点可以构成为一个n+1个节点的 网络，网络的初始化过程已在上一步中完成，定义变量
Figure 999606DEST_PATH_IMAGE016
为节点i的能源流入流出值：
Figure 155781DEST_PATH_IMAGE018
其中
Figure DEST_PATH_IMAGE019
表示节点i的能源生产量；
Figure 500306DEST_PATH_IMAGE020
表示节点i的能源需求量；则当
Figure 374721DEST_PATH_IMAGE016
＞0，表示节点i 能源产量大于能源需求量，对外可以输出能源；当
Figure 813792DEST_PATH_IMAGE016
＜0，表示节点i能源产量小于能源需求 量，需要从其他节点或者集中式能源节点处获取能源；当
Figure 90053DEST_PATH_IMAGE016
=0，表示节点i能源产量等于能 源需求量，
定义变量Ti,j表示节点i与节点j之间的能源流动量，其中i,j=1,…,（n+1）且i≠j；定义 标志系数mi,j表示节点i和节点j之间是否能够发生能源的流动关系，当i和j之间的距离小 于网络初始化过程中设置的最大线路长度L，并且
Figure 323588DEST_PATH_IMAGE016
＞0、
Figure DEST_PATH_IMAGE021
＜0或
Figure 967190DEST_PATH_IMAGE016
＜0、
Figure 944373DEST_PATH_IMAGE021
＞0时，节点i和 节点j之间可以发生能源流动，则设置mi,j分别为1和-1，代表了能源流动的方向，其他情况 下则设置为0，代表不能发生能源流动；综上则可以将某一个节点i的
Figure 75140DEST_PATH_IMAGE016
表示为：
Figure DEST_PATH_IMAGE023
将
Figure 745156DEST_PATH_IMAGE016
的计算公式展开可以得到方程组：
Figure DEST_PATH_IMAGE025
至此网络基础模型建立完成，为满足设计要求的集中式能源利用率降低到设定值以及成本最小两个条件，使用两次线性规划算法来获取满足条件的最优路径；首先，由于模型建立过程中将集中式能源固定作为节点1已经纳入了网络，因而优化后网络的集中式能源使用量与集中式能源利用率之间的关系可以用如下公式表达：
Figure DEST_PATH_IMAGE027
式子左边表示优化后网络中集中式能源节点1的能源供给量之和，式子右边h表示集中 式能源利用率，
Figure 876054DEST_PATH_IMAGE028
表示网络未优化之前集中式能源供给量，定义集中式能源利用率设定值 为
Figure DEST_PATH_IMAGE029
，则第一次线性规划目标函数为：
Figure DEST_PATH_IMAGE031
经过第一次求解过程之后可以得到所有能够满足集中式能源利用率低于设定值
Figure 188087DEST_PATH_IMAGE029
的 网络连接状态解空间；解空间中的每一个可行解均可以依照如下公式计算其线路建设成 本：
Figure DEST_PATH_IMAGE033
式中
Figure 704519DEST_PATH_IMAGE034
表示总成本，
Figure DEST_PATH_IMAGE035
表示每公里线路成本单价，
Figure 296168DEST_PATH_IMAGE036
表示不同解中不同类型网络线路 总长度；使用冒泡法进行第二次线性规划求解，则可得到解空间中的建设成本最小的解，即 为最终求得的最优网络连接解；
在下级网络优化完成之后，还需要在网络中选择上级节点的位置，采用对于网络中节点重要度进行排序，选择重要度最高的节点作为上级节点；能源网络中节点的重要度主要由节点的度，也即节点与其他节点的连接关系，以及节点的能源流动量两个指标来确定；通过分析网络中不同节点的度以及能源流动量，则可以选择出网络中重要度最高的节点为上级节点，
通过上述过程，可以完成对于任意非顶层网络的结构优化过程，对于任意层的网络都可以重复上述过程获取当前层网络的最优结构，并选出上级节点的位置；
步骤四：顶层网络路径设计
对于每一个顶层节点，按照周围同级节点到其距离，由近到远将其他节点纳入到网络线路中；根据BA无标度网络的生成方法及性质，相互间能源流量最大的两个节点首先连接，而当网络中已有节点数目超过2个的时候，将新加入的点通过连接成本和线路承载量为约束条件，判断其最优的连接方式。
2.如权利要求1所述的针对分布式能源分层复杂网络优化方法，其特征在于，步骤四具体为：从普通节点2至分层节点有两种连接方法；对于第一种连接，普通节点2到分层节点的路径长度为其到普通节点1与普通节点1到分层节点路径长度之和；对于第二种连接，其路径长度计算仅与临近分层节点空间关系相关，而不与其他节点相关；以上为两个节点的情况，当节点数目更多时，以此类推。
CN201810222624.6A 2018-03-19 2018-03-19 一种针对分布式能源分层复杂网络优化方法 Active CN108449208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810222624.6A CN108449208B (zh) 2018-03-19 2018-03-19 一种针对分布式能源分层复杂网络优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810222624.6A CN108449208B (zh) 2018-03-19 2018-03-19 一种针对分布式能源分层复杂网络优化方法

Publications (2)

Publication Number Publication Date
CN108449208A CN108449208A (zh) 2018-08-24
CN108449208B true CN108449208B (zh) 2021-04-23

Family

ID=63194891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810222624.6A Active CN108449208B (zh) 2018-03-19 2018-03-19 一种针对分布式能源分层复杂网络优化方法

Country Status (1)

Country Link
CN (1) CN108449208B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115190020B (zh) * 2022-05-23 2023-09-26 清华大学 一种区域网络抗毁性优化方法和装置
CN117650571B (zh) * 2024-01-30 2024-04-09 深圳亿网云科技有限公司 一种基于层级构造的分布式智能能源体系构建方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101437273A (zh) * 2008-12-24 2009-05-20 北京科技大学 一种基于跨层设计的分布式认知无线电网络路由方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7277414B2 (en) * 2001-08-03 2007-10-02 Honeywell International Inc. Energy aware network management
US9801114B2 (en) * 2011-11-11 2017-10-24 Stmicroelectronics, Inc. System and method for an energy efficient network adaptor with security provisions
CN104301389A (zh) * 2014-09-19 2015-01-21 华侨大学 一种云计算系统的能效监控和管理方法与系统
CN105006827A (zh) * 2015-08-13 2015-10-28 南京南瑞继保电气有限公司 新能源电站三层分布式agc功率控制方法及系统
CN105281372B (zh) * 2015-10-09 2016-08-24 南京邮电大学 面向分布式能源的多目标多主体分布式博弈优化方法
CN105337872B (zh) * 2015-11-18 2018-05-04 东北大学 一种基于能效优先的控制层面网络划分方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101437273A (zh) * 2008-12-24 2009-05-20 北京科技大学 一种基于跨层设计的分布式认知无线电网络路由方法

Also Published As

Publication number Publication date
CN108449208A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108053037B (zh) 一种基于两网融合的配电网抢修策略制定方法及装置
CN106503839B (zh) 一种海上风电场环形集电网络分层规划方法
CN105809279B (zh) 一种基于多目标量子混合蛙跳算法的水资源优化调度方法
CN107220731A (zh) 一种物流配送路径规划方法
CN105098762A (zh) 一种含分布式电源配电网的孤岛划分方法
CN112085280A (zh) 一种考虑地理因素的输电通道路径优化方法
CN107958424A (zh) 一种基于改进引力搜索算法的电力系统经济调度策略
CN109978404A (zh) 计及不确定性因素与场景削减的输电通道扩展规划方法
CN108449208B (zh) 一种针对分布式能源分层复杂网络优化方法
CN102802163B (zh) 一种基于混合整数规划的无线传感网拓扑构建方法
CN108256969A (zh) 一种公共自行车租赁点调度区域划分方法
CN109886446A (zh) 基于改进混沌粒子群算法的电力系统动态经济调度方法
CN117151482A (zh) 一种基于多目标优化的应急物资调度和路径规划方法
CN116223973A (zh) 基于改进灰狼优化算法的分布式配电网故障定位方法
Yinghui et al. Evolutionary dynamics analysis of complex network with fusion nodes and overlap edges
CN110189230A (zh) 一种动态分区的解析化模型的构建方法
Zhu Research on Maximum Return Evaluation of Human Resource Allocation Based on Multi-Objective Optimization.
Zhou et al. Population mobility network and spatial accessibility based on peer-to-peer interactive energy management
CN114329783A (zh) 一种多目标电动汽车充电网络规划方法
CN110365006B (zh) 一种基于nwbbo算法的电网分区方法
Chen et al. Grouping-Based Optimal Design of Collector System Topology for a Large-Scale Offshore Wind Farm by Improved Simulated Annealing
CN113488990A (zh) 基于改进的蝙蝠算法的微电网优化调度方法
Dong et al. Planning for Network Expansion Based on Prim Algorithm and Reinforcement Learning
CN103136313A (zh) 基于迭代求解策略的随机寻优方法
CN111683376B (zh) 一种大田协同灌溉通信网络节点优化部署方法

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
GR01 Patent grant
GR01 Patent grant