CN108683189B - 基于高维多目标演化算法的配电网重构方法、装置及设备 - Google Patents
基于高维多目标演化算法的配电网重构方法、装置及设备 Download PDFInfo
- Publication number
- CN108683189B CN108683189B CN201810651543.8A CN201810651543A CN108683189B CN 108683189 B CN108683189 B CN 108683189B CN 201810651543 A CN201810651543 A CN 201810651543A CN 108683189 B CN108683189 B CN 108683189B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- target
- solution
- quality
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 41
- 108090000623 proteins and genes Proteins 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000013138 pruning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
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
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于高维多目标演化算法的配电网重构方法,首先确定与配电网对应的配电网多目标重构模型,然后,利用高维多目标演化算法对配电网多目标重构模型进行求解得到多个优质解,最后以预定义规则从各优质解中选取最优解。因此,采用本方案,在一次优化时能够得到满足配电网多目标重构模型的多个优质解,最后从多个优质解中再选取最优解,如此,在单次优化中得到多个优质解从而可以为决策者提供了多个预选方案,以便决策者进一步从多个优质解中确定能满足配电网重构模型的最优重构方案。提高了对整个配电网进行重构的效率。此外,本发明还公开了一种基于高维多目标演化算法的配电网重构装置及设备,效果如上。
Description
技术领域
本发明涉及电网技术领域,特别涉及基于高维多目标演化算法的配电网重构方法、装置及设备。
背景技术
随着“智能电网”的进一步规划与发展。配电网重构越来越需要综合考虑多个配电网指标的优化,对于涉及接入设备越来越多和线路越来越复杂的配电网来说,配电网的重构模型也越来越复杂。
因此对于如此复杂的配电网重构模型进行求解,采用传统的方法对配电网重构模型进行求解,每次优化只能得到一个优质解,如此,若该优质解对应的配电网的重构方案并不能满足决策者的要求时,则需要再次对该配电网重构模型进行优化,直到得到的优质解能满足决策者的要求为止,如此,会降低对整个配电网进行重构的效率会以及浪费决策者的时间。
因此,如何提高对整个配电网进行重构的效率是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于公开基于高维多目标演化算法的配电网重构方法、装置及设备,提高了对整个配电网进行重构的效率。
为实现上述目的,本发明实施例公开了如下技术方案:
第一,本发明实施例公开了一种基于高维多目标演化算法的配电网重构方法,包括:
确定与配电网对应的配电网多目标重构模型;
利用高维多目标演化算法对所述配电网多目标重构模型进行求解得到多个优质解;
以预定义规则从各所述优质解中选取最优解。
优选的,所述确定与配电网对应的配电网多目标重构模型包括:
确定与所述配电网对应的优化目标函数和约束条件;
根据所述优化目标函数和所述约束条件确定所述配电网多目标重构模型;
其中,所述优化目标函数包括:与所述配电网对应的最小有功网损;
与所述配电网对应的最小电压偏移和与所述配电网对应的最小开关操作次数;
所述约束条件包括:所述配电网中负载节点的电压约束、所述配电网中支路负载约束和所述配电网的网络拓扑约束。
优选的,所述利用高维多目标演化算法对所述配电网多目标重构模型进行求解得到多个优质解包括:
对所述配电网多目标重构模型进行初始化得到初始种群;
对所述初始种群中的个体进行交叉和变异以得到子代种群;
将所述子代种群与所述初始种群进行合并得到新一代种群;
从所述新一代种群中选取目标解并加入到下一代种群,直到得到与所述配电网多目标重构模型对应的多个优质解。
优选的,所述对所述配电网多目标重构模型进行初始化得到初始种群包括:
对所述配电网中的联络开关和与所述联络开关对应的分段开关进行混合编码;
从经所述混合编码后的联络开关和经所述混合编码后的与所述联络开关对应的分段开关中,选取满足所述配电网多目标重构模型的联络开关和与满足所述配电网多目标重构模型的联络开关对应的分段开关;
将满足所述配电网多目标重构模型的联络开关的开关状态和与满足所述配电网多目标重构模型的联络开关对应的分段开关的开关状态作为个体以构成所述初始种群。
优选的,所述对所述配电网中的联络开关和与所述联络开关对应的分段开关进行混合编码包括:
对所述配电网中的联络开关进行二进制编码,并将经所述二进制编码后的联络开关作为第一基因;
对与所述配电网中的联络开关对应的分段开关进行整数编码,并将经所述整数编码后的分段开关作为第二基因。
优选的,所述对所述初始种群中的个体进行交叉和变异以得到子代种群包括:
预先设定交叉概率和变异概率;
随机产生与所述初始种群中的每个个体对应的第一随机数和第二随机数;
判断所述第一随机数是否小于所述交叉概率;
若小于所述交叉概率,则从所述初始种群中选取任意一个解,判断所述第二随机数是否小于所述变异概率;
若小于所述变异概率,则对任意一个所述解进行变异;
将变异后的任意一个所述解对应的第一基因的数值作为新解的第一基因的数值,和任意一个所述解对应的第二基因的数值作为所述新解的第二基因的数值;
若大于所述交叉概率,则将所述第一随机数作为所述新解;
将得到的所述新解作为新的个体以组成所述子代种群。
优选的,所述以预定义规则从各所述优质解中选取最优解包括:
确定各所述优质解与每个优化目标函数对应的目标方程的最大值和最小值;
根据各所述优质解的各最大值和各所述优质解的各最小值确定与各所述优质解对应的最大值点和最小值点;
对与所述最大值点和所述最小值点对应的各所述目标方程组成的目标向量进行归一化;
将经过所述归一化的目标向量对应的目标值进行累加得到累加目标值;
从各所述累加目标值中选取最小目标值,并将所述最小目标值对应的优质解作为所述最优解。
优选的,所述以预定义规则从各所述优质解中选取最优解包括:
从各所述优质解中选取满足与所述配电网对应的最小有功网损的优质解作为所述最优解。
第二,本发明公开了一种基于高维多目标演化算法的配电网重构装置,包括:
配电网多目标重构模型确定模块,用于确定与配电网对应的配电网多目标重构模型;
优质解求解模块,用于利用高维多目标演化算法对所述配电网多目标重构模型进行求解得到多个优质解;
最优解选取模块,用于以预定义规则从各所述优质解中选取最优解。
第三,本发明公开了一种基于高维多目标演化算法的配电网重构设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序以实现如以上任一项所述的基于高维多目标演化算法的配电网重构方法的步骤。
可见,本发明公开的一种基于高维多目标演化算法的配电网重构方法,首先确定与配电网对应的配电网多目标重构模型,然后,利用高维多目标演化算法对配电网多目标重构模型进行求解得到多个优质解,最后以预定义规则从各优质解中选取最优解。因此,采用本方案,在一次优化时能够得到满足配电网多目标重构模型的多个优质解,最后从多个优质解中再选取最优解,如此,在单次优化中得到多个优质解从而可以为决策者提供了多个预选方案,以便决策者进一步从多个优质解中确定能满足配电网重构模型的最优重构方案。提高了对整个配电网进行重构的效率。此外,本发明还公开了一种基于高维多目标演化算法的配电网重构装置及设备,效果如上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开了一种基于高维多目标演化算法的配电网重构方法流程示意图;
图2为本发明实施例公开的一种配电网的网络结构示意图;
图3为本发明实施例公开的一种混合编码结构示意图;
图4为本发明实施例公开的一种基于高维多目标演化算法的配电网重构装置结构示意图;
图5为本发明实施例公开的一种基于高维多目标演化算法的配电网重构设备结构示意图;
图6为本发明实施例公开的一种配电网重构前后各节点电压值的比较曲线图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于高维多目标演化算法的配电网重构方法、装置及设备,提高了对整个配电网进行重构的效率。
请参见图1,图1为本发明实施例公开了一种基于高维多目标演化算法的配电网重构方法流程示意图,该方法包括:
S101、确定与配电网对应的配电网多目标重构模型。
具体的,本实施例中,配电网多目标重构模型为利用最优潮流方法建立的模型,也就是说,配电网多目标重构模型需满足最优潮流控制方程。此外,该重构模型具有多个优化目标函数以及多个约束条件(包括等式约束(潮流方程约束)和不等式约束)。
其中,作为优选的实施例,步骤S101包括:
确定与配电网对应的优化目标函数和约束条件。
根据优化目标函数和约束条件确定配电网多目标重构模型。
其中,优化目标函数包括:与配电网对应的最小有功网损,与配电网对应的最小电压偏移以及与配电网对应的最小开关操作次数;约束条件包括:配电网中负载节点的电压约束、配电网中支路负载约束以及配电网网络拓扑约束。
下面举一个例子对本实施例提到的配电网的结构进行说明。请参见图2,图2为本发明实施例公开的一种配电网的网络结构示意图;其中,带圆圈的数字表示的是配电网中节点的编号,不带圆圈的数字表示的是每个边(支路) 的编号,如图2所示,该配电网中包括33个节点,包括37条支路;带圆圈的数字1表示的是:配电网中的电源节点(也就是为整个配电网供电的电源),剩下的每个节点(带圆圈的数字2-33)则是表示的是各个供电区域。
图2中的每条边代表一条支路,在每一条支路上会装设一个开关(该开关用来控制配电网的通电电路的闭合/断开,表示是否通过电源节点处的电源给对应的供电区域进行供电)。因此可以简单地认为一条边(支路)对应一个开关。图2所示的配电网中一共有37条支路,也即是37个开关。
配电网中一般会装设两种开关:即分段开关和联络开关。图2中编号为 1-32的边对应的是32个分段开关,编号为33-37的边对应的是5个联络开关。
配电网一般具有闭环设计、开环运行的特点。因此,在初始时,5个联络开关全部处于断开状态(图2中用虚线表示),所有分段开关处于闭合状态 (图2中用实线表示)。
由一个联络开关和若干个分段开关组成的回路称为基本环。如图2所示,包括环1、环2、环3、环4以及环5共5个基本环。需要说明的是,本实施例中,图2仅仅是对配电网的网络结构的其中一个例子的形式进行说明,但并不代表配电网的结构只限于这种结构。此外,配电网的网络结构也可以参见现有技术,本发明实施例在此不再赘述。
结合配电网的网络结构,下面对本实施例的优化目标函数进行说明:
具体的,本实施例中,与配电网对应的最小有功网损为:
配电网重构的最直接的目的是降低有功网损,因此,可以采用下式对配电网的最小有功网损(第一个优化目标函数)进行表示:
其中,Nbr为配电网中的支路总数,Pk表示的是第k条支路的末端节点的有功功率,Qk表示的是第k条支路的末端节点的无功功率。Rk为第k条支路上的电阻;Vk为第k条支路的末端节点的电压。配电网中的节点指的是电源节点和各个供电区域对应的节点。
与配电网对应的最小电压偏移为:
配电网对应的最小电压偏移主要用于衡量配电网的电能质量,电压偏移一般是基于配电网各节点电压与标准电压之间的差值来计算,根据配电网自身特点,通过对配电网中最小的节点电压值进行最大化来达到电压偏移最小化。因此,配电网重构模型的第二个优化目标函数的过程如下:
其中,Nbus为配电网中的节点总数;Vj为第j个节点的电压。为了统一数学模型,我们通过添加负号把这个优化目标函数转换为最小化的形式:
与配电网对应的最小开关操作次数为:
对配电网进行重构主要是改变配电网中开关(包括分段开关和联络开关) 的开合状态,而开关的断开和闭合都会对开关的寿命产生影响。因此,尽可能的减少对网络中开关操作次数能够延长开关的使用寿命,另一方面也能节省开关操作所需的人力和时间。因此,本方案把开关操作总次数最小化作为配电网多目标重构模型的第三个优化目标函数,本发明实施例中的开关操作总次数最小化可以用下式表示:
其中,Ns为配电网中的可用开关的总数;isl为开关l在配电网重构之前的状态(isl的值为1时表示开关处于闭合状态,isl的值为0时表示开关处于断开状态);sl为开关l在配电网重构之后的状态。
下面对本发明实施例中的约束条件进行说明:
首先,约束条件包括等式约束和不等式约束,对于等式约束,即满足潮流方程,对于不等式约束,包括配电网中负载节点的电压约束、配电网中支路负载约束以及配电网网络拓扑约束。
第一、对于等式约束(潮流方程),可以采用下式进行表示:
g(x)=0
其中,x指的是配电网中的决策变量,其包括第一部分的控制变量:即开关状态变量(表示配电网中各个开关(联络开关或分段开关)的闭合状态);第二部分是由控制变量决定的一组状态变量,包括节点的有功功率、节点的无功功率、节点的电压等运行参数。
第二、对于配电网负载节点的电压约束,可以采用下式表示:
Vmin≤Vj≤Vmax,j=1,2,…,Nbus
其中,Vmax和Vmin分别为配电网负载节点处的电压值的最大值和最小值, Nbus为配电网中的负载节点的总数,对于负载节点处的电压值的最大值和最小值可以根据配电网的实际情况进行确定,对于最大值和最小值的具体数值,本发明实施例并不作限定。
第三、对于配电网中支路负载约束,可以采用下式进行表示:
第四、对于配电网中的配电网网络拓扑约束:
配电网一般为闭环设计、开环运行(可参见现有技术),为了保证配电网能够正常运行,重构后的配电网网络拓扑必须为放射状,并且在网络中不能存在环路和“孤岛”现象(可参见现有技术),基于此,配电网的多目标重构模型可以采用下式表示:
min F(x)=(f1(x),f2(x),f3(x))T
s.t.x∈Ω
其中,用Ω表示决策向量x的可行域(即满足本发明实施例中的上述约束条件的取值空间)。f1(x)表示的是第一个优化目标函数(配电网的最小有功网损)对应的目标方程,f2(x)表示的是第二个优化目标函数(与所述配电网对应的最小电压偏移)对应的目标方程,f3(x)表示的是第三个优化目标函数(与所述配电网对应的最小开关操作次数)对应的目标方程。
需要说明的是,对于配电网的重构模型,还可以采用对配电网中其他的参数进行优化,本发明实施例并不限定于以上提到的优化目标函数和约束条件。
S102、利用高维多目标演化算法对配电网多目标重构模型进行求解得到多个优质解。
具体的,本实施例中,高维多目标演化算法为现有技术中的算法,已有的高维多目标演化算法,诸如NSGA-III、MOEA/DD、VaEA等算法,在求解复杂多目标优化问题时具有优良的性能表现,另一方面,把高维多目标演化算法应用于求解配电网多目标重构问题,能够对多目标同时进行优化,相对于现有技术中先把配电网重构问题建模为单目标优化模型,然后对单一目标进行优化的方式,采用高维多目标演化算法得到的解会更优质。也就是说,对于涉及接入设备越来越多和线路越来越复杂的配电网来说,高维多目标演化算法能够在考虑多个不同优化目标的前提下对其多目标重构模型进行更有效的求解。在本发明实施例中,采用高维多目标演化算法中的NSGA-III (NSGA-III的算法框架和算法原理可参见现有技术)对本发明实施例的配电网多目标重构模型进行说明,
其中,作为优选的实施例,步骤S102包括:
对配电网多目标重构模型进行初始化得到初始种群;
将初始种群中的个体进行交叉和变异以得到子代种群;
将子代种群与初始种群进行合并得到新一代种群;
从新一代种群中选取目标解并加入下一代种群,直到得到与配电网多目标重构模型对应的多个优质解。
具体的,本实施例中,将配电网的系统数据输入后,对配电网的多目标重构模型进行初始化以得到该模型的初始种群,其中,初始种群中的每一个个体对应的是该模型的一个解,对于配电网来说,配电网的一个解对应的是配电网中的每个开关(联络开关和分段开关)的状态。从另一方面来讲,该个体定义了一种网络拓扑;
配电网的初始种群的产生可以分为两个阶段,第一个阶段是对配电网中的所有的开关(包括联络开关和分段开关)进行混合编码,第二个阶段从混合编码后的开关状态中选取所有能满足配电网多目标重构模型的解作为初始种群中的个体。关于此部分,将在下面的实施例进行详细说明,本发明实施例在此暂不作赘述。
对于从新一代种群中选取目标解,本发明实施例中采用非支配排序方法 DDA-NS进行非支配排序,其主要原理是:假设将新一代种群的规模为2N的种群Rt=Pt∪Qt分为多个不同的非支配等级。其次,从NSGA-III算法的过程(可参见现有技术)描述可以知道:在非支配排序之后的修剪环节(即从新一代种群中选出N个体进入下一代种群)中,我们只需要前面l个层(F1,F2,…,Fl),而从第l+1层开始及之后的所有层中的个体都是直接丢弃的。因此,考虑到计算效率,不需要在非支配排序环节中计算出所有的非支配前沿,只需要计算出那些在后续的修剪环节中要用到的非支配前沿(即F1,F2,…,Fl)。如果采用 DDA-NS方法,根据l要满足的条件(当l=1时|Fl≥N;否则l满足且),即对新一代种群中已分配的个体(即已经分配到某一个非支配前沿的个体)的数目进行统计,当已分配的个体数目达到2N时循环停止,而采用本发明实施例修改之后的DDA-NS称为l层非支配排序,记为DDA-NSl。则是把循环的终止条件改为了新一代种群中已分配的个体数目达到N循环就终止,这样就可以只计算出前面必要的l个非支配前沿。减少了计算量提高了计算效率。如此,便可以从规模为2N的新一代种群中选取N个目标解。
S103、以预定义规则从各优质解中选取最优解。
具体的,本实施例中,在利用以上算法求解出多个优质解时,此时需要从多个优质解中确定出最优的解以满足本发明中的配电网多目标重构模型。关于此部分,本发明主要提供了两种选取方案,其一是计算各个优质解在每个优化目标函数上的目标值,其二是将满足第三个优化目标函数的优质解作为最优解。关于此部分内容,本发明实施例将在后文作详细的说明,在此暂不作赘述。
可见,本发明实施例公开的一种基于高维多目标演化算法的配电网重构方法,首先确定与配电网对应的配电网多目标重构模型,然后,利用高维多目标演化算法对配电网多目标重构模型进行求解得到多个优质解,最后以预定义规则从各优质解中选取最优解。因此,采用本方案,在一次优化时能够得到满足配电网多目标重构模型的多个优质解,最后从多个优质解中再选取最优解,如此,在单次优化中得到多个优质解从而为决策者提供了多个预选方案,以进一步从多个优质解中确定能满足配电网重构模型的最优重构方案。提高了对整个配电网进行重构的效率。
基于以上实施例,作为优选的实施例,对配电网多目标重构模型进行初始化得到初始种群包括:
对配电网中的联络开关和与联络开关对应的分段开关进行混合编码。
从经混合编码后的联络开关和经混合编码后的与联络开关对应的分段开关中,选取满足配电网多目标重构模型的联络开关和与满足配电网多目标重构模型的联络开关对应的分段开关。
将满足配电网多目标重构模型的联络开关的开关状态和与满足配电网多目标重构模型的联络开关对应的分段开关的开关状态作为个体以构成初始种群。
其中,本实施例中,作为优选的实施例,对配电网中的联络开关和与联络开关对应的分段开关进行混合编码包括:
对配电网中的联络开关进行二进制编码,并将经二进制编码后的联络开关作为第一基因。
对与所述配电网中的联络开关对应的分段开关进行整数编码,并将经整数编码后的分段开关作为第二基因。
具体的,本实施例中,配电网多目标重构模型的每个解是配电网中每个开关处于断开或闭合的状态,因此,初始种群中的每个个体也就定义了一种网络拓扑。基于此,本实施例下面对初始种群的过程进行详细阐述:
首先是混合编码部分,具体如下:
本发明实施例的混合编码是基于基本环的混合型编码方案对配电网进行编码,该混合型编码主要包括两部分,第一部分是对配电网中的联络开关进行二进制编码,第二部分是对配电网中的分段开关进行整数编码;对于第一部分,其主要是利用二进制数0和1来编码配电网中所有联络开关的开合状态,对于第二部分,其主要是用整数编码配电网中的分段开关的开合状态,从上文中的记载,联络开关和分段开关是具有对应关系的,因此,此处的编码也具有对应关系,即对联络开关进行二进制编码,对与联络开关对应的分段开关进行整数编码。
下面结合实例对混合编码进行说明:
假设一个配电网具有n个联络开关,由上文的记载,该配电网的基本环的数目也为n。将联络开关作为个体的第一基因位,将分段开关作为个体的第二基因位;因此,混合编码则具有2n个基因,包括n个二进制数加上n个整数。在某种网络拓扑下的配电网的混合编码形式如图3,图3为本发明实施例公开的一种混合编码结构示意图,在图3中,用bi表示第i(1≤i≤n)个联络开关, bi的取值范围是0或1;用ri(1≤i≤n)表示配电网中的支路号的整数,ri的取值范围是第i个基本环中包含的支路号。其中bi和ri是成对存在的,当bi为1时,表示第i个联络开关处于闭合状态,且第i个基本环中对应的支路号ri的分段开关处于断开状态;当bi为0时,则表示第i个联络开关处于断开状态,且第i个基本环中对应支路号ri的分段开关处于闭合状态。
由图2和上述表述,混合编码只考虑了配电网中的联络开关和基本环,这是因为配电网多目标重构本质是互换联络开关和基本环内分段开关的开合状态的过程,在多目标配电网重构中,需要考虑配电网中哪些联络开关要闭合,还要考虑相对应的那个基本环内的哪个分段开关要断开,才能保证重构之后的网络拓扑是放射状,而对于没有包含任何一个基本环内的分段开关来说,它必须处于闭合状态,否则会使得网络拓扑出现孤岛现象,所以在编码的时候可以不需要考虑非基本环内的开关。如此,只对配电网的关键决定因素(配电网中的联络开关和基本环)进行编码并求解,不仅减少了计算量、计算效率也显著提高。
其次,是从编码后的联络开关和编码开关中确定满足本发明实施例中的配电网多目标重构模型的所有可行解(作为初始种群中的个体),过程如下:传统的产生初始种群的方法是:随机产生一个有N个个体的初始种群。本发明实施例产生N个个体的初始种群所采取的方案是:
首先,从混合编码后的联络开关和与联络开关对应的分段开关中选取第一个个体(作为配电网多目标重构模型的第一个可行解),然后以选出来的第一个个体为基础,对配电网中的联络开关bi以相同的概率将其随机化为0 或1,对于每个分段开关ri以相同概率随机从第i个基本环中所包含的支路号中选择一个值作为ri的值,采用此方法获得的个体先经过潮流计算(潮流计算的过程可参见现有技术,本发明实施例不再赘述)来验证是否为可行解,如果不是可行解,再按照上述的方法再生成解,直至产生N-1个可行解。
其中,初始种群中的每个个体包括两个基因位即第一基因位和第二基因位,第一基因是联络开关,第二基因为分段开关,每个个体包括第一基因位对应的联络开关的开合状态和第二基因位对应的分段开关的开合状态。
如此,采用本发明实施例提供的方案产生初始种群,保证初始种群中的每个解都是可行解,从而在后续的迭代过程中,简化最优解的求解过程,降低对最优解进行求解的计算量。
基于上述实施例,作为优选的实施例,对初始种群中的个体进行交叉和变异以得到子代种群包括:
预先设定交叉概率和变异概率。
随机产生与初始种群中的每个个体对应的第一随机数和第二随机数。
判断第一随机数是否小于交叉概率。
若小于交叉概率,则从初始种群中选取任意一个解,判断第二随机数是否小于变异概率。
若小于变异概率,则对任意一个解进行变异。
将变异后的任意一个解对应的第一基因的数值作为新解的第一基因的数值,和任意一个解对应的第二基因的数值作为新解的第二基因的数值。
若大于交叉概率,则将第一随机数作为新解的第一基因的数值和将第二随机数作为新解的第二基因的数值。
将得到的所述新解作为新的个体以组成子代种群。
具体的,本实施例中,交叉概率的取值一般取较大的值,而变异概率的取值一般取较小的值。关于交叉概率和变异概率的取值可根据实际应用情况进行确定,本发明实施例在此暂不作限定。对于新解的产生的过程,本发明实施例以下面的例子进行说明:
首先,本发明实施例设定交叉概率pc,和变异概率pm;首先是对初始种群中的每个个体的基因位(bi或ri),首先是产生一个在[0,1]内的随机数rand1 (第一随机数),如果rand1小于pc,则从初始种群pt中随机选取一个解,取出这个解的编码中相对应的基因位的值作为新解编码中的基因位的值,如将选取出的这个解的编码中的第一基因对应的值作为新解编码中第一基因位的值,将选取出的这个解的编码中的第二基因对应的值作为新解编码中的第二基因位的值。如果rand1不小于pc,则将随机产生的随机数rand1作为新解的第一基因位和第二基因位。此外,为了促进新解的多样性,当rand1小于pc时,则再次随机产生[0,1]内的随机数rand2(第二随机数),如果rand2小于pm,则对从初始种群pt中选取出的解的位置进行扰动量为1的扰动,即进行变异。对混合编码中的每个基因位都应用上述规则可构成新解。
需要说明的是,本实施例中,对于bi基因位和ri基因位随机产生的随机数本发明实施例均称为第一随机数和第二随机数,即第一随机数和第二随机数中包括bi基因位的随机数和ri基因位的随机数。
此外,为了更贴合演化算法的进化规律,本发明实施例对变异概率进行如下自适应变化:
基于上述实施例,作为优选的实施例,S103包括:
确定各优质解与每个优化目标函数对应的目标方程的最大值和最小值;
根据各优质解的各最大值和各优质解的各最小值确定与各优质解对应的最大值点和最小值点;
对与最大值点和最小值点对应的各目标方程组成的目标向量进行归一化;
将经过归一化的目标向量对应的目标值进行累加得到累加目标值。
从各累加目标值中选取最小目标值对应的优质解作为最优解。
具体的,本实施例中,在得到的多个优质解中(非支配解集)涉及到非支配排序环节,本发明实施例中对非支配排序环节进行如下说明:
首先,本发明实施例中采用非支配排序方法DDA-NS进行非支配排序,其主要原理是:把规模为2N的种群Rt=Pt∪Qt分为多个不同的非支配等级。其次,从NSGA-III算法的过程(可参见现有技术)描述可以知道:在非支配排序之后的修剪环节(即从新一代种群中选出N个个体进入下一代种群)中,我们只需要前面l个层(F1,F2,…,Fl),而从第l+1层开始及之后的所有层中的个体都是直接丢弃的。因此,考虑到计算效率,不需要在非支配排序环节中计算出所有的非支配前沿,只需要计算出那些在后续的修剪环节中要用到的非支配前沿(即F1,F2,…,Fl)。如果采用DDA-NS方法,根据l要满足的条件(当l=1 时|Fl|≥N;否则l满足且),即对新一代种群中已分配的个体(即已经分配到某一个非支配前沿的个体)的数目进行统计,当已分配的个体数目达到2N时循环停止,而采用本发明实施例修改之后的DDA-NS称为l层非支配排序,记为DDA-NSl。则是把循环的终止条件改为了新一代种群中已分配的个体数目达到N循环就终止,这样就可以只计算出前面必要的l个非支配前沿。减少了计算量提高了计算效率。
其次,本发明实施例对从多个优质解中选取最优解(第一种选取方案) 的过程进行说明:
对于NSGA-III算法最终输出的最后一代种群中的非支配解集,这个非支配解集由多个优质解组成,因此,从多个优质解中如何选取最优解对配电网的重构也至关重要。
对于最终得到的多个优质解组成的非支配解集NDSet,先取出该解集中所有的个体在每个目标函数对应的目标方程的最大值和最小值。分别构成该个体的最大值点和最小值点然后,基于最大值点和最小值点,对NDSet中所有个体的目标向量进行min-max归一化。其中,目标向量F(x)可以采用下式表示:
F(x)=(f1(x),f2(x),f3(x))T
其中,f1(x)表示的是本发明实施例中的第一个优化目标函数对应的目标方程,f2(x)表示的是本发明实施例中第二个优化目标函数对应的目标方程, f3(x)表示的是本发明实施例中第三个优化目标函数对应的目标方程,x表示的是本发明实施例中的优质解。
对目标向量F(x)归一化后可以用下式表示:
其中,
为了衡量NDSet解集中的个体的质量,把x经过归一化的各个目标值进行累加作为判断指标,将目标值进行累加可以采用下式表示:
其中,I(x)的值越小,表示个体的质量越好。因此,通过计算NDSet解集中各个个体(多个优质解)的指标值,将其中最小的指标值(最小目标值) 对应的个体作为最优解。
因此,采用本方案,从多个优质解中选取最优解,从而使得配电网多目标重构模型的重构方案更加优质。
基于上述实施例,作为优选的实施例,以预定义规则从各优质解中选取满足条件的优质解作为最优解包括:
从各优质解中选取满足与配电网对应的最小有功网损的优质解作为最优解(第二种选取方案)。
具体的,本实施例中,由于配电网重构最主要的目的是使配电网的有功网损最小,因此,直接从NDSet解集(包括多个优质解)中选取满足最小有功网损的优质解作为最优解。
为了方便后面实际应用场景的说明,分别把采取第一种选取方案和第二种选取方案记为NSGA-III-DNRC1和NSGA-III-DNRC2。
因此,采用本方案,从多个优质解中选取最优解,从而使得配电网多目标重构模型的重构方案更加优质。同时避免了传统方法中一次优化只能得到一个优质解而引起的重构效率低的问题。
请参见图4,图4为本发明实施例公开的一种基于高维多目标演化算法的配电网重构装置结构示意图,包括:
配电网多目标重构模型确定模块401,用于确定与配电网对应的配电网多目标重构模型;
优质解求解模块402,用于利用高维多目标演化算法对所述配电网多目标重构模型进行求解得到多个优质解;
最优解选取模块403,用于以预定义规则从各所述优质解中选取满足条件的优质解作为最优解。
可见,本发明公开的一种基于高维多目标演化算法的配电网重构装置,首先确定与配电网对应的配电网多目标重构模型,然后,利用高维多目标演化算法对配电网多目标重构模型进行求解得到多个优质解,最后以预定义规则从各优质解中选取最优解。因此,采用本方案,在一次优化时能够得到满足配电网多目标重构模型的多个优质解,最后从多个优质解中再选取最优解,如此,在单次优化中得到多个优质解从而为决策者提供了多个预选方案,以进一步从多个优质解中确定能满足配电网重构模型的最优重构方案。提高了对整个配电网进行重构的效率。
请参见图5,图5为本发明实施例公开的一种基于高维多目标演化算法的配电网重构设备结构示意图,包括:
存储器501,用于存储计算机程序;
处理器502,用于执行所述存储器中存储的计算机程序以实现以上任一项提到的基于高维多目标演化算法的配电网重构的步骤。
需要说明的是,本发明实施例公开的一种基于高维多目标演化算法的配电网重构设备具有如上任意一个实施例所有的技术效果,在此不再赘述。
为了更好地理解本方案,本发明实施例将结合实际应用场景对本发明的技术方案进行进一步的介绍,同时,来表明采用本发明中的技术方案所取得的技术效果,具体如下:
本发明实施例中设置NSGA-III算法的终止准则设置为运行26代,种群规模设为N=91。其他参数的取值为:
为验证本发明实施例中技术方案的有效性,以本发明实施例图2中的配电网结构为例进行说明,该配电网共有33个节点(图中用带圆圈的数字表示节点编号),37条支路(图中用不带圆圈的数字表示支路编号,一条支路对应一个开关),32个分段开关(编号为1-32),5个联络开关(编号为33-37),基准电压为12.66kV。处于初始状态的配电网系统的网损为202.67kW,初始时5个联络开关全部处于断开状态(图中用虚线表示),所有分段开关处于闭合状态(图中用实线表示)。
请参见图6,图6为本发明实施例公开的一种配电网重构前后各节点电压值的比较曲线图;图6展示了33节点配电网络系统重构前和经过本发明实施例提出技术方案重构之后的各个节点的电压值,实线和虚线分别表示配电网络系统重构前后的情况。可以发现,在标准电压设为1的情况下,发明实施例提出的技术方案明显地提高了大多数节点的电压值(也即缩小了节点电压与标准电压之间的差值),最小的节点电压由0.9131(对应节点18)增加到了0.9374(对应节点33)。这也说明了本发明实施例提出的技术方案具备能够最小化电压偏移和提高电能质量的能力。
此外,为了验证采用高维多目标演化算法作为底层优化技术的优势,把本发明实施例提出的技术方案中所采用的混合型编码方案分别与蚁群(ACO) 算法和改进的和声搜索(IHSA)算法进行结合,并用它们来对33节点的配电网系统的网损进行优化。它们的实验结果被用于与本发明实施例提出的选取方案NSGA-III-DNRC1、NSGA-III-DNRC2的实验结果进行对比,具体结果如表1所示。表1记录了30次重复运行过程中所获得的网损的平均值和最好值 (最小网损),并记录了与网损最好值相对应的节点电压情况、开关操作总次数以及所断开的开关。从表1可以看出,NSGA-III-DNRC2算法所获得的网损最优,NSGA-III-DNRC1算法次之。这可说明,在相同的编码方案下,采用高维多目标演化算法作为底层优化技术能够更好地对配电网系统进行重构。
表1不同算法所获得的配电网重构结果
进一步为了更好地验证本发明实施例提出的技术方案的性能,选取了两种启发式方法、三种单目标的算法(GA、ITS、HSA)和两种多目标演化算法(MHBMO、MODNRC)来对图2中的33节点配电网系统进行重构。注意到MHBMO和MODNRC算法求解的配电网多目标重构模型与本案所建立的多目标重构模型是不一样的。因此,为了能够进行一个公平的比较,从这两种算法各自所获得的非支配解集中选择具有最小网损值的那个个体作为最优解。各个算法所涉及的参数取值,都参考了它们各自的原文献所建议的取值。所有算法所获得的最好结果(包括网损值和网损节省率)如表2所示。可以看到,在总共9种重构算法中,本发明实施例提出的NSGA-III-DNRC2排名第一,本发明实施例提出的NSGA-III-DNRC1排名第三,本发明实施例提出的技术方案所获得的网损最优值优于大多数对比算法所获得的网损最优值。这说明本发明实施例提出的技术方案用于求解配电网多目标重构问题时具有更优良的性能表现。
表2不同算法所获得的配电网重构结果
总的来说,本发明实施例提出的技术方案能够有效地求解所建立的配电网多目标重构模型,并且能够为决策者提供多种重构方案。相比于其他对比算法,本案提出的算法能够更好地降低配电网系统的有功网损,在求解配电网重构问题时具有更为优良的性能表现。
以上对本申请所公开的一种基于高维多目标演化算法的配电网重构方法、装置及设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (7)
1.一种基于高维多目标演化算法的配电网重构方法,其特征在于,包括:
确定与配电网对应的配电网多目标重构模型;
利用高维多目标演化算法对所述配电网多目标重构模型进行求解得到多个优质解;
以预定义规则从各所述优质解中选取最优解;
其中,所述利用高维多目标演化算法对所述配电网多目标重构模型进行求解得到多个优质解包括:
对所述配电网多目标重构模型进行初始化得到初始种群;
对所述初始种群中的个体进行交叉和变异以得到子代种群;
将所述子代种群与所述初始种群进行合并得到新一代种群;
从所述新一代种群中选取目标解并加入到下一代种群,直到得到与所述配电网多目标重构模型对应的多个优质解;
所述以预定义规则从各所述优质解中选取最优解包括:
确定各所述优质解与每个优化目标函数对应的目标方程的最大值和最小值;
根据各所述优质解的各最大值和各所述优质解的各最小值确定与各所述优质解对应的最大值点和最小值点;
对与所述最大值点和所述最小值点对应的各所述目标方程组成的目标向量进行归一化;
将经过所述归一化的目标向量对应的目标值进行累加得到累加目标值;
从各所述累加目标值中选取最小目标值,并将所述最小目标值对应的优质解作为所述最优解;
或,所述以预定义规则从各所述优质解中选取最优解包括:
从各所述优质解中选取满足与所述配电网对应的最小有功网损的优质解作为所述最优解。
2.根据权利要求1所述的基于高维多目标演化算法的配电网重构方法,其特征在于,所述确定与配电网对应的配电网多目标重构模型包括:
确定与所述配电网对应的优化目标函数和约束条件;
根据所述优化目标函数和所述约束条件确定所述配电网多目标重构模型;
其中,所述优化目标函数包括:与所述配电网对应的最小有功网损、与所述配电网对应的最小电压偏移和与所述配电网对应的最小开关操作次数;
所述约束条件包括:所述配电网中负载节点的电压约束、所述配电网中支路负载约束和所述配电网的网络拓扑约束。
3.根据权利要求1所述的基于高维多目标演化算法的配电网重构方法,其特征在于,所述对所述配电网多目标重构模型进行初始化得到初始种群包括:
对所述配电网中的联络开关和与所述联络开关对应的分段开关进行混合编码;
从经所述混合编码后的联络开关和经所述混合编码后的与所述联络开关对应的分段开关中,选取满足所述配电网多目标重构模型的联络开关和与满足所述配电网多目标重构模型的联络开关对应的分段开关;
将满足所述配电网多目标重构模型的联络开关的开关状态和与满足所述配电网多目标重构模型的联络开关对应的分段开关的开关状态作为个体以构成所述初始种群。
4.根据权利要求3所述的基于高维多目标演化算法的配电网重构方法,其特征在于,所述对所述配电网中的联络开关和与所述联络开关对应的分段开关进行混合编码包括:
对所述配电网中的联络开关进行二进制编码,并将经所述二进制编码后的联络开关作为第一基因;
对与所述配电网中的联络开关对应的分段开关进行整数编码,并将经所述整数编码后的分段开关作为第二基因。
5.根据权利要求4所述的基于高维多目标演化算法的配电网重构方法,其特征在于,所述对所述初始种群中的个体进行交叉和变异以得到子代种群包括:
预先设定交叉概率和变异概率;
随机产生与所述初始种群中的每个个体对应的第一随机数和第二随机数;
判断所述第一随机数是否小于所述交叉概率;
若小于所述交叉概率,则从所述初始种群中选取任意一个解,判断所述第二随机数是否小于所述变异概率;
若小于所述变异概率,则对任意一个所述解进行变异;
将变异后的任意一个所述解对应的第一基因的数值作为新解的第一基因的数值,和任意一个所述解对应的第二基因的数值作为所述新解的第二基因的数值;
若大于所述交叉概率,则将所述第一随机数作为所述新解;
将得到的所述新解作为新的个体以组成所述子代种群。
6.一种基于高维多目标演化算法的配电网重构装置,其特征在于,包括:
配电网多目标重构模型确定模块,用于确定与配电网对应的配电网多目标重构模型;
优质解求解模块,用于利用高维多目标演化算法对所述配电网多目标重构模型进行求解得到多个优质解;
最优解选取模块,用于以预定义规则从各所述优质解中选取最优解;
其中,其中,所述利用高维多目标演化算法对所述配电网多目标重构模型进行求解得到多个优质解包括:
对所述配电网多目标重构模型进行初始化得到初始种群;
对所述初始种群中的个体进行交叉和变异以得到子代种群;
将所述子代种群与所述初始种群进行合并得到新一代种群;
从所述新一代种群中选取目标解并加入到下一代种群,直到得到与所述配电网多目标重构模型对应的多个优质解;
所述以预定义规则从各所述优质解中选取最优解包括:
确定各所述优质解与每个优化目标函数对应的目标方程的最大值和最小值;
根据各所述优质解的各最大值和各所述优质解的各最小值确定与各所述优质解对应的最大值点和最小值点;
对与所述最大值点和所述最小值点对应的各所述目标方程组成的目标向量进行归一化;
将经过所述归一化的目标向量对应的目标值进行累加得到累加目标值;
从各所述累加目标值中选取最小目标值,并将所述最小目标值对应的优质解作为所述最优解;
或,所述以预定义规则从各所述优质解中选取最优解包括:
从各所述优质解中选取满足与所述配电网对应的最小有功网损的优质解作为所述最优解。
7.一种基于高维多目标演化算法的配电网重构设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序以实现如权利要求1至5任一项所述的基于高维多目标演化算法的配电网重构方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810651543.8A CN108683189B (zh) | 2018-06-22 | 2018-06-22 | 基于高维多目标演化算法的配电网重构方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810651543.8A CN108683189B (zh) | 2018-06-22 | 2018-06-22 | 基于高维多目标演化算法的配电网重构方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108683189A CN108683189A (zh) | 2018-10-19 |
CN108683189B true CN108683189B (zh) | 2020-02-07 |
Family
ID=63811814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810651543.8A Active CN108683189B (zh) | 2018-06-22 | 2018-06-22 | 基于高维多目标演化算法的配电网重构方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108683189B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110571791B (zh) * | 2019-07-29 | 2022-05-10 | 西南交通大学 | 一种新能源接入下的输电网规划的优化配置方法 |
CN111553071B (zh) * | 2020-04-26 | 2022-10-14 | 大连理工大学 | 一种基于随机嵌入辅助模型的高维多目标演化优化方法 |
CN112949211A (zh) * | 2021-04-09 | 2021-06-11 | 南方科技大学 | 发动机模型的优化方法、装置、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134104A (zh) * | 2014-08-15 | 2014-11-05 | 国家电网公司 | 一种基于多目标优化的配电网络重构优化方法 |
CN105634117A (zh) * | 2014-10-28 | 2016-06-01 | 南京理工大学 | 一种基于多目标的智能配电网重构方法 |
-
2018
- 2018-06-22 CN CN201810651543.8A patent/CN108683189B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134104A (zh) * | 2014-08-15 | 2014-11-05 | 国家电网公司 | 一种基于多目标优化的配电网络重构优化方法 |
CN105634117A (zh) * | 2014-10-28 | 2016-06-01 | 南京理工大学 | 一种基于多目标的智能配电网重构方法 |
Non-Patent Citations (1)
Title |
---|
Network Reconfiguration of Distribution System Using Fuzzy Preferences Multi-Objective Approach;Hongbin Sun等;《 2010 2nd International Asia Conference on Informatics in Control, Automation and Robotics (CAR 2010)》;20100429;第93-96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108683189A (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mishra et al. | A comprehensive review on power distribution network reconfiguration | |
Li et al. | A harmony search variant and a useful constraint handling method for the dynamic economic emission dispatch problems considering transmission loss | |
de Macêdo Braz et al. | Distribution network reconfiguration using genetic algorithms with sequential encoding: Subtractive and additive approaches | |
CN111342461B (zh) | 一种考虑网架动态重构的配电网优化调度方法及系统 | |
CN108683189B (zh) | 基于高维多目标演化算法的配电网重构方法、装置及设备 | |
Olamaei et al. | Distribution feeder reconfiguration for loss minimization based on modified honey bee mating optimization algorithm | |
CN113036772B (zh) | 一种基于深度强化学习的配电网拓扑电压调节方法 | |
CN112039069A (zh) | 一种配电网储能与柔性开关的双层协同规划方法及系统 | |
Leonori et al. | An optimized microgrid energy management system based on FIS-MO-GA paradigm | |
CN108154249B (zh) | 一种馈线终端优化配置方法及装置 | |
Gholizadeh et al. | A comparative study of reinforcement learning algorithms for distribution network reconfiguration with deep Q-learning-based action sampling | |
Victoire et al. | A tabu search based hybrid optimization approach for a fuzzy modelled unit commitment problem | |
CN112202168A (zh) | 多目标协调优化的多元电网超前控制供电方法及其系统 | |
CN110245799B (zh) | 考虑负荷柔性需求的配电网架结构过渡的多目标规划方法 | |
CN115940294A (zh) | 多级电网实时调度策略调整方法、系统、设备及存储介质 | |
Hong et al. | Genetic algorithm based network reconfiguration for loss minimization in distribution systems | |
CN112436506A (zh) | 基于遗传算法的配电网拓扑重构方法 | |
Abbasy et al. | Ant colony optimization-based approach to optimal reactive power dispatch: A comparison of various ant systems | |
CN117335384A (zh) | 一种基于蚁群算法的配电网故障恢复重构方法 | |
CN110380407B (zh) | 一种考虑农业电排灌负荷的配电网运行优化方法 | |
CN111832836A (zh) | 一种计及负荷用电特性的配电网重构方法及系统 | |
CN115511386B (zh) | 基于多目标混合非洲秃鹫优化算法的多能系统调度方法 | |
CN111146815B (zh) | 一种智能配电网分布式发电规划配置方法 | |
CN116995644A (zh) | 一种基于ibpao-sa算法的高比例新能源配电网故障恢复的方法 | |
CN111105025A (zh) | 基于数据驱动启发式优化的城市高压配电网阻塞管理方法 |
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 |