CN110798351A - 基于pso及蚁群-遗传算法的电网故障探测点部署方法 - Google Patents
基于pso及蚁群-遗传算法的电网故障探测点部署方法 Download PDFInfo
- Publication number
- CN110798351A CN110798351A CN201911041157.8A CN201911041157A CN110798351A CN 110798351 A CN110798351 A CN 110798351A CN 201911041157 A CN201911041157 A CN 201911041157A CN 110798351 A CN110798351 A CN 110798351A
- Authority
- CN
- China
- Prior art keywords
- node
- deployment
- detection
- power grid
- nodes
- 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.)
- Granted
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
- H04L41/12—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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于PSO及蚁群‑遗传算法的电网故障探测点部署方法,属电网探测点部署技术领域。本发明利用无向图对电网各节点及网络拓扑进行建模;再构建电网中探测点监测各节点的能耗成本模型;在电网的无向图模型中使用PSO算法结合节点能耗成本模型选取探测部署节点;利用蚁群‑遗传算法寻找与探测部署节点最近的非探测部署节点,使得任一非探测部署节点到探测部署节点的路径最优,得到探测部署节点到非探测部署节点的最短路径,使得选取的探测部署节点全局能耗最低。本发明降低了探测点在监测故障过程中的能量消耗成本,并且通过蚁群‑遗传算法对探测点的监测路径进行寻优,提高了探测点监测过程中的信息传递效率。
Description
技术领域
本发明涉及基于PSO及蚁群-遗传算法的电网故障探测点部署方法,属于电网探测点部署技术领域。
背景技术
电网是经济社会发展的重要基础产业,是国家能源产业链的重要环节。电网主要包含变电、输电和配电三个单元。而在城市中的配电网主要由配电变电所、高压配电线路、配电变压器、低压配电线路以及相应的保护设备组成。当电网中的这些设备出点故障,若不能及时发现并处理,可能会引发连锁故障乃至大面积的停电,从而造成不可挽回的损失,因此电网的故障检测尤为重要。而由于电网结构复杂并且设备较多,如果对电网中的每个设备都部署一个探测点来进行监测,所造成的成本消耗过高。基于此,将电网视为一个网络整体,将设备视为网络中的节点,选取合适的节点来部署探测点使得整个网络中的节点都能够被覆盖的情况下减少探测节点的部署个数,能够有效的减少部署费用和成本。
近些年来,一般将电网故障的探测点部署问题映射为最小集合覆盖问题,其经典的求解方法是贪婪算法以及遗传算法等,但由于贪婪算法在对探测点部署问题进行求解时,总是做出在当前看来的最好选择,只能达到的是某种意义上的局部最优解。而遗传算法在探测点部署问题的求解过程中,由于对新空间的探索能力有限也容易收敛到局部最优解,并且当涉及到大量个体的计算时,耗时较长。而在现有公开的专利中,大多只考虑了如何对探测节点进行选取从而达到以小的部署数量达到大的部署范围的效果,但是在实际使用过程中,探测点发送接收数据的过程中所产生的能耗问题是在部署期间就需要考虑到的重要问题,而对于这一问题的思考与解决的方案,更是少之又少。由此可知,在电网故障检测的探测点部署的过程中,如何设计一种算法,既能尽可能的达到全局最优,又能均衡部署代价,同时也将未来实际使用的过程产生的能耗尽可能的减少,是我们需要迫切解决的一个问题。
发明内容
本发明提供了基于PSO及蚁群-遗传算法的电网故障探测点部署方法,以用于进行电网故障探测点的部署,部署的故障探测点能量消耗成本低、传输效率高。
本发明的技术方案是:基于PSO及蚁群-遗传算法的电网故障探测点部署方法,所述方法的具体步骤如下:
Step1、根据电网系统中电网的结构,获取电网各节点以及网络拓扑的连接方式,并利用无向图G(V,E)对电网各节点及网络拓扑进行建模;
其中,V=(v1,v2,…,vm)表示电网节点集合,E=(e1,e2,…,en)表示节点之间的路径的集合,m=|V|和n=|E|分别表示节点和路径的数量;
Step2、使用Etr和Ers分别表示电网中的任意一节点s到距离为d的另一节点t发送和接收N字节数据的能耗成本,则电网中探测点监测各节点的能耗成本模型表示为:
Ers=N×Eelec
Step3、根据Step1中得到的电网结构的无向图模型,在电网的无向图模型中使用PSO算法结合节点能耗成本模型选取探测部署节点;
Step4、利用蚁群-遗传算法寻找与探测部署节点最近的非探测部署节点,使得任一非探测部署节点到探测部署节点的路径最优,得到探测部署节点到非探测部署节点的最短路径,使得选取的探测部署节点全局能耗最低。
进一步地,所述Step3中使用PSO算法结合能耗成本模型选取探测部署节点的具体步骤如下:
Step3.1、初始化PSO算法中的各个参数;记无向图G中的节点总数为m,边的总数为n;从无向图的m个节点中随机选取k个节点作为初始的探测部署节点;设算法迭代的总次数为Tmax,惯性权重的最大值为最小值为初始化学习因子为C1和C2,适应度函数为:F=D1f1+D2f2,根据节点能耗成本模型初始化适应度函数的权重系数为D1和D2,所需的粒子速度范围为[Vmin,Vmax];其中,f1,f2分别表示为D1和D2分配的比重,f1+f2=1;
Step3.2、根据初始化的适应度函数的权重系数,计算出这k个节点各自的适应度值F={F1,F2,F3,…,Fk};
Step3.3、通过迭代更新每个探测部署节点的速度和位置,找到整个无向图G中的最优探测部署节点,当迭代次数达到上限时,停止迭代;其中,在迭代过程中,如果找到了最优探测部署节点,则此节点为当前最优探测部署节点,如果没找到继续迭代,若迭代次数达到所设定的上限时,则之前的最优探测部署节点为当前的最优探测部署节点。
进一步地,所述Step4中利用蚁群-遗传算法寻找与探测部署节点最近的非探测部署节点,使得任一非探测部署节点到探测部署节点的路径最优的具体步骤如下:
Step4.1、初始化蚁群-遗传算法的相关参数;假设Step3中获取的探测部署节点为y个,则记通过PSO算法所得到的探测部署节点集合为P=(p1,p2,…,py);设任一非探测部署节点s到探测部署节点t的路径为Ls,t,路径长度为ds,t,任意相邻节点 i和j之间的距离为di,j;
Step4.2、使用蚁群算法算出无向图中所有边的信息素浓度;
其中nij(t)为启发函数,表示蚂蚁从节点i选择到节点j的路径的期望;allowk表示蚂蚁u所经过的节点的集合;a为信息素重要程度因子;b为启发函数因子;
当蚂蚁走遍所有节点后,各个节点连接路径上的信息素浓度为
cij(t+1)=(1-ρ)+cij(t)+Δcij
Step4.3、对无向图模型中待选取的路径节点选取初始解集作为蚁群-遗传算法的种群P(t),作为初始解,其规模为S;
Step4.4、对解集进行编码;其中,选取节点入该路径编码为1,不选取节点入该路径编码为0,得到每一条染色体解都是一组二进制数,此染色体中的基因排列顺序即为各顶点在此路径中出现的先后顺序,染色体的长度为该路径中顶点的个数;
Step4.5、评价解集,用蚁群-遗传算法的适应度函数和Step4.2中各路径上的信息素浓度值来评价得到的每一个解,得出此解所对应蚁群-遗传算法适应度函数的值,如果得出此解所对应蚁群-遗传算法适应度函数的值最大,且信息素浓度值cij(t+1) 为当前最大,则输出最优解;否则进行Step4.6;
Step4.6、通过选择算子、交叉算子和变异算子,进化出下一代解集P(t+1);;
Step4.7、循环执行Step4.5,直至得到全局的最优解。
进一步地,所述Step3.1的适应度函数的权重系数为D1和D2,具体为:
探测部署节点与非探测部署节点之间的距离应尽可能小,则适应度函数的权重系数D1能表示为:
根据Step2中能耗成本模型,用Sk表示第k个探测部署节点可监测的非探测部署节点的数量,无向图中第k个探测部署节点发送和接收每字节的总能耗为:
由此定义适应度函数的权重系数D2表示为:
本发明的有益效果是:
1、本发明对电网进行无向图建模,使用PSO算法选取电网中适合部署探测点的节点,再使用蚁群-遗传算法求取每个非探测节点到探测部署节点的最优路径,使得探测部署代价尽可能小的同时扩大了探测点部署的覆盖范围;
2、本发明还引进了电网探测点监测过程的能耗成本模型对PSO算法的适应度函数进行改进,降低了探测点在监测过程中的能量消耗成本;
3、本发明还通过蚁群-遗传算法对探测部署节点的监测路径进行寻优,能够找到探测部署节点在监测过程中的最短路径,提高了探测部署节点监测过程中的信息传递效率并且能够进一步的降低能耗;
4、本发明可以提高探测点部署的精确度和可靠性,可使能耗成本小和传递效率较高的节点优先被选择,同时尽可能的达到均衡部署代价和覆盖范围的效果。
附图说明
图1为本发明中的流程图;
图2为本发明实施例2中的无向图;
图3为本发明实施例2中获取了探测部署节点的无向图;
具体实施方式
实施例1:如图1所示,基于PSO及蚁群-遗传算法的电网故障探测点部署方法,所述方法的具体步骤如下:
Step1、根据电网系统中电网的结构,获取电网各节点以及网络拓扑的连接方式,并利用无向图G(V,E)对电网各节点及网络拓扑进行建模;
其中,V=(v1,v2,…,vm)表示电网节点集合,E=(e1,e2,…,en)表示节点之间的路径的集合,m=|V|和n=|E|分别表示节点和路径的数量;
Step2、使用Etr和Ers分别表示电网中的任意一节点s到距离为d的另一节点t发送和接收N字节数据的能耗成本,则电网中探测点监测各节点的能耗成本模型表示为:
Ers=N×Eelec
Step3、根据Step1中得到的电网结构的无向图模型,在电网的无向图模型中使用PSO算法结合节点能耗成本模型选取探测部署节点;
Step4、利用蚁群-遗传算法寻找与探测部署节点最近的非探测部署节点,使得任一非探测部署节点到探测部署节点的路径最优,得到探测部署节点到非探测部署节点的最短路径,使得选取的探测部署节点全局能耗最低。
进一步地,所述Step3中使用PSO算法结合能耗成本模型选取探测部署节点的具体步骤如下:
Step3.1、初始化PSO算法中的各个参数;记无向图G中的节点总数为m,边的总数为n;从无向图的m个节点中随机选取k个节点作为初始的探测部署节点;设算法迭代的总次数为Tmax,惯性权重的最大值为最小值为初始化学习因子为C1和C2,适应度函数为:F=D1f1+D2f2,根据节点能耗成本模型初始化适应度函数的权重系数为D1和D2,所需的粒子速度范围为[Vmin,Vmax];其中,f1,f2分别表示为D1和D2分配的比重,f1+f2=1;
进一步地,所述Step3.1的适应度函数的权重系数为D1和D2,具体为:
考虑到探测节点的信息传输效率问题,探测部署节点与非探测部署节点之间的距离应尽可能小,则适应度函数的权重系数D1能表示为:
电网故障检测的探测点部署的过程中,探测的能耗成本也是不可忽略的一个问题,根据Step2中能耗成本模型,用Sk表示第k个探测部署节点可监测的非探测部署节点的数量,无向图中第k个探测部署节点发送和接收每字节的总能耗为:
由此定义适应度函数的权重系数D2表示为:
Step3.2、根据初始化的适应度函数的权重系数,计算出这k个节点各自的适应度值F={F1,F2,F3,…,Fk};
Step3.3、通过迭代更新每个探测部署节点的速度和位置,找到整个无向图G中的最优探测部署节点,当迭代次数达到上限时,停止迭代;其中,在迭代过程中,如果找到了最优探测部署节点,则此节点为当前最优探测部署节点,如果没找到继续迭代,若迭代次数达到所设定的上限时,则之前的最优探测部署节点为当前的最优探测部署节点。
进一步地,所述Step4中利用蚁群-遗传算法寻找与探测部署节点最近的非探测部署节点,使得任一非探测部署节点到探测部署节点的路径最优的具体步骤如下:
Step4.1、初始化蚁群-遗传算法的相关参数;假设Step3中获取的探测部署节点为y个,则记通过PSO算法所得到的探测部署节点集合为P=(p1,p2,…,py);设任一非探测部署节点s到探测部署节点t的路径为Ls,t,路径长度为ds,t,任意相邻节点 i和j之间的距离为di,j;
Step4.2、使用蚁群算法算出无向图中所有边的信息素浓度;
其中nij(t)为启发函数,表示蚂蚁从节点i选择到节点j的路径的期望;allowk表示蚂蚁u所经过的节点的集合;a为信息素重要程度因子;b为启发函数因子;
当蚂蚁走遍所有节点后,各个节点连接路径上的信息素浓度为
cij(t+1)=(1-ρ)+cij(t)+Δcij
Step4.3、对无向图模型中待选取的路径节点选取初始解集作为蚁群-遗传算法的种群P(t),作为初始解,其规模为S;
Step4.4、对解集进行编码;其中,选取节点入该路径编码为1,不选取节点入该路径编码为0,得到每一条染色体解都是一组二进制数,此染色体中的基因排列顺序即为各顶点在此路径中出现的先后顺序,染色体的长度为该路径中顶点的个数;
Step4.5、评价解集,用蚁群-遗传算法的适应度函数和Step4.2中各路径上的信息素浓度值来评价得到的每一个解,得出此解所对应蚁群-遗传算法适应度函数的值,如果得出此解所对应蚁群-遗传算法适应度函数的值最大,且信息素浓度值cij(t+1) 为当前最大,则输出最优解;否则进行Step4.6;
Step4.6、通过选择算子、交叉算子和变异算子,进化出下一代解集P(t+1);;
Step4.7、循环执行Step4.5,直至得到全局的最优解。
实施例2:如图1-3所示,基于PSO及蚁群-遗传算法的电网故障探测点部署方法,所述方法的具体步骤如下:
Step1、根据电网系统中电网的结构,获取电网各节点以及网络拓扑的连接方式,并利用无向图G(V,E)对电网各节点及网络拓扑进行建模;
其中,V=(v1,v2,…,vm)表示电网节点集合,E=(e1,e2,…,en)表示节点之间的路径的集合,m=|V|和n=|E|分别表示节点和路径的数量;
假设从电网获取的无向图G有8个顶点和9条边,如图2所示;
Step2、使用Etr和Ers分别表示电网中的任意一节点s到距离为d的另一节点t发送和接收N字节数据的能耗成本,则电网中探测点监测各节点的能耗成本模型表示为:
Ers=N×Eelec
其中Eelec表示每接收或发送1字节数据所需的能耗成本,d0为距离界限, εfs、εmf表示分别表示在不同情况下电网能耗成本模型的传输放大系数;具体的:Eelec=50*103,εfs=10,εmf=0.13,N=1;则可以得出d0=8.775;可以求出每个节点到其他节点的最低能耗值如下表1所示(*105),其中,表中默认某节点到自身的能耗值为0:
表1
本发明引入了电网的能耗成本模型,考虑到了现有解决电网探测点部署问题的技术中,鲜有考虑的能耗成本,尽可能的降低了在实际监测过程中探测部署节点的能耗。
Step3、根据Step1中得到的电网结构的无向图模型,在电网的无向图模型中使用PSO算法结合节点能耗成本模型选取探测部署节点;
Step3.1、初始化PSO算法中的各个参数;无向图G中的节点总数为8,边的总数为9;设算法迭代的总次数为100,惯性权重的最大值为1、最小值为0,初始化学习因子为C1=C2=2,PSO算法的适应度函数为:F=D1f1+D2f2,根据节点能耗成本模型初始化适应度函数的权重系数为D1和D2,所需的粒子速度范围为[0,60];其中, f1,f2分别表示为D1和D2分配的比重,f1=0.7,f2=0.3;
进一步地,所述Step3.1的适应度函数的权重系数为D1和D2,具体为:
考虑到探测节点的信息传输效率问题,探测部署节点与非探测部署节点之间的距离应尽可能小,则适应度函数的权重系数D1能表示为:
电网故障检测的探测点部署的过程中,探测的能耗成本也是不可忽略的一个问题,根据Step2中能耗成本模型,用Sk表示第k个探测部署节点可监测的非探测部署节点的数量,无向图中第k个探测部署节点发送和接收每字节的总能耗为:
由此定义适应度函数的权重系数D2表示为:
从无向图的8个节点中随机选取节点1,2,3个节点作为初始的探测部署节点;
Step3.2、根据初始化的适应度函数的权重系数,计算出这k个节点各自的适应度值F={F1,F2,F3};F1=1890419.36,F2=3090156.66,F3=2640391.91;
Step3.3、通过迭代,最终得到的最优解集合为{1,3,7},其对应的适应度函数分别为F1=1890419.36,F3=2640391.91,F7=2340220.66。如图3所示为本实施例获取了探测部署节点的无向图,其中,有阴影背景的节点1、3、7即为获取的探测部署节点,图上边旁边的数值为边的权值;
本发明使用PSO算法选取探测部署节点的过程中,结合了Step2的能耗成本模型,能够更精确地选择出需要部署探测点的节点;
Step4、利用蚁群-遗传算法寻找与探测部署节点最近的非探测部署节点,使得任一非探测部署节点到探测部署节点的路径最优,得到探测部署节点到非探测部署节点的最短路径,使得选取的探测部署节点全局能耗最低。
Step4.1、初始化蚁群-遗传算法的相关参数;Step3中获取的探测部署节点为3个,则记通过PSO算法所得到的探测部署节点集合为P=(p1,p2,p3);设任一非探测部署节点s到探测部署节点t的路径为Ls,t,路径长度为ds,t,任意相邻节点i和j之间的距离为di,j,即可理解为边的权值,如图2、图3中边旁边的数值即为边的权值,路径长度是从s到t经过的边的总长;
Step4.2、使用蚁群算法算出无向图中所有边的信息素浓度;
其中nij(t)为启发函数,表示蚂蚁从节点i选择到节点j的路径的期望;allowk表示蚂蚁u所经过的节点的集合;信息素重要程度因子a=0.5,启发函数因子b=5,信息素挥发因子ρ=0.2;
当蚂蚁走遍所有节点后,各个节点连接路径上的信息素浓度为
cij(t+1)=(1-ρ)+cij(t)+Δcij
其中,为第u只蚂蚁在节点i与节点j连接路径上释放信息素而增加的信息素浓度;Δcij为所有蚂蚁在节点i与节点j之间的路径上释放信息素而增加的信息素浓度;
Step4.3、对无向图模型中待选取的路径节点选取初始解集作为蚁群-遗传算法的种群P(t),作为初始解,其规模为S=8;
Step4.4、对解集进行编码;其中,选取节点入该路径编码为1,不选取节点入该路径编码为0,得到每一条染色体解都是一组二进制数,此染色体中的基因排列顺序即为各顶点在此路径中出现的先后顺序,染色体的长度为该路径中顶点的个数;
Step4.5、评价解集,用蚁群-遗传算法的适应度函数和Step4.2中各路径上的信息素浓度值来评价得到的每一个解,得出此解所对应蚁群-遗传算法适应度函数的值,如果得出此解所对应蚁群-遗传算法适应度函数的值最大,且信息素浓度值cij(t+1) 为当前最大,则输出最优解;否则进行Step4.6;电网故障探测点部署问题应使路径长度尽可能小,所述Step4.5中的蚁群-遗传算法的适应度函数可以为:适应度函数中选用了无向图中非探测部署节点到探测部署节点的路径长度,那么蚁群- 遗传算法就结合了边的权值,因为边的权值就是任意相邻节点i和j之间的距离di,j,路径长度是从s到t经过的边的总长;
Step4.6、通过选择算子、交叉算子和变异算子,进化出下一代解集P(t+1);;
Step4.7、循环执行Step4.5,直至得到全局的最优解。
上述通过蚁群-遗传算法迭代,最终得到探测部署节点到非探测部署节点的最优路径,使得选取的探测部署节点全局能耗最低,结果如下表2所示:
表2
本发明通过蚁群算法改进遗传算法,并且与具体无向图边的权值相结合,能够寻优得到各探测部署节点在监测过程中到非探测部署节点的最短路径,从而避免了探测部署节点对非部署节点的重复监测,并且进一步的节省了能耗。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.基于PSO及蚁群-遗传算法的电网故障探测点部署方法,其特征在于:所述方法的具体步骤如下:
Step1、根据电网系统中电网的结构,获取电网各节点以及网络拓扑的连接方式,并利用无向图G(V,E)对电网各节点及网络拓扑进行建模;
其中,V=(v1,v2,…,vm)表示电网节点集合,E=(e1,e2,…,en)表示节点之间的路径的集合,m=|V|和n=|E|分别表示节点和路径的数量;
Step2、使用Etr和Ers分别表示电网中的任意一节点s到距离为d的另一节点t发送和接收N字节数据的能耗成本,则电网中探测点监测各节点的能耗成本模型表示为:
Ers=N×Eelec
Step3、根据Step1中得到的电网结构的无向图模型,在电网的无向图模型中使用PSO算法结合节点能耗成本模型选取探测部署节点;
Step4、利用蚁群-遗传算法寻找与探测部署节点最近的非探测部署节点,使得任一非探测部署节点到探测部署节点的路径最优,得到探测部署节点到非探测部署节点的最短路径,使得选取的探测部署节点全局能耗最低。
2.根据权利要求1所述的基于PSO及蚁群-遗传算法的电网故障探测点部署方法,其特征在于:所述Step3中使用PSO算法结合能耗成本模型选取探测部署节点的具体步骤如下:
Step3.1、初始化PSO算法中的各个参数;记无向图G中的节点总数为m,边的总数为n;从无向图的m个节点中随机选取k个节点作为初始的探测部署节点;设算法迭代的总次数为Tmax,惯性权重的最大值为最小值为初始化学习因子为C1和C2,适应度函数为:F=D1f1+D2f2,根据节点能耗成本模型初始化适应度函数的权重系数为D1和D2,所需的粒子速度范围为[Vmin,Vmax];其中,f1,f2分别表示为D1和D2分配的比重,f1+f2=1;
Step3.2、根据初始化的适应度函数的权重系数,计算出这k个节点各自的适应度值F={F1,F2,F3,…,Fk};
Step3.3、通过迭代更新每个探测部署节点的速度和位置,找到整个无向图G中的最优探测部署节点,当迭代次数达到上限时,停止迭代;其中,在迭代过程中,如果找到了最优探测部署节点,则此节点为当前最优探测部署节点,如果没找到继续迭代,若迭代次数达到所设定的上限时,则之前的最优探测部署节点为当前的最优探测部署节点。
3.根据权利要求1所述的基于PSO及蚁群-遗传算法的电网故障探测点部署方法,其特征在于:所述Step4中利用蚁群-遗传算法寻找与探测部署节点最近的非探测部署节点,使得任一非探测部署节点到探测部署节点的路径最优的具体步骤如下:
Step4.1、初始化蚁群-遗传算法的相关参数;假设Step3中获取的探测部署节点为y个,则记通过PSO算法所得到的探测部署节点集合为P=(p1,p2,…,py);设任一非探测部署节点s到探测部署节点t的路径为Ls,t,路径长度为ds,t,任意相邻节点i和j之间的距离为di,j;
Step4.2、使用蚁群算法算出无向图中所有边的信息素浓度;
其中nij(t)为启发函数,表示蚂蚁从节点i选择到节点j的路径的期望;allowk表示蚂蚁u所经过的节点的集合;a为信息素重要程度因子;b为启发函数因子;
当蚂蚁走遍所有节点后,各个节点连接路径上的信息素浓度为cij(t+1)=(1-ρ)+cij(t)+Δcij
Step4.3、对无向图模型中待选取的路径节点选取初始解集作为蚁群-遗传算法的种群P(t),作为初始解,其规模为S;
Step4.4、对解集进行编码;
Step4.5、评价解集,用蚁群-遗传算法的适应度函数和Step4.2中各路径上的信息素浓度值来评价得到的每一个解,得出此解所对应蚁群-遗传算法适应度函数的值,如果得出此解所对应蚁群-遗传算法适应度函数的值最大,且信息素浓度值cij(t+1)为当前最大,则输出最优解;否则进行Step4.6;
Step4.6、通过选择算子、交叉算子和变异算子,进化出下一代解集P(t+1);;
Step4.7、循环执行Step4.5,直至得到全局的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041157.8A CN110798351B (zh) | 2019-10-30 | 2019-10-30 | 基于pso及蚁群-遗传算法的电网故障探测点部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041157.8A CN110798351B (zh) | 2019-10-30 | 2019-10-30 | 基于pso及蚁群-遗传算法的电网故障探测点部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110798351A true CN110798351A (zh) | 2020-02-14 |
CN110798351B CN110798351B (zh) | 2022-07-29 |
Family
ID=69441947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911041157.8A Active CN110798351B (zh) | 2019-10-30 | 2019-10-30 | 基于pso及蚁群-遗传算法的电网故障探测点部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110798351B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314157A (zh) * | 2020-03-23 | 2020-06-19 | 中北大学 | 一种水质监测机器人集群通信网络节点高效部署方法 |
CN113673922A (zh) * | 2021-07-09 | 2021-11-19 | 合肥工业大学 | 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统 |
CN114125711A (zh) * | 2021-11-22 | 2022-03-01 | 中国科学院软件研究所 | 一种基于局部搜索算法的室内无线设备部署方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103118373A (zh) * | 2013-01-24 | 2013-05-22 | 北京理工大学 | 一种无线传感器网络低能耗覆盖优化算法 |
CN104869060A (zh) * | 2015-05-18 | 2015-08-26 | 南京邮电大学 | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 |
CN105527965A (zh) * | 2016-01-04 | 2016-04-27 | 江苏理工学院 | 基于遗传蚁群算法的路径规划方法及系统 |
CN106209618A (zh) * | 2016-07-27 | 2016-12-07 | 国网辽宁省电力有限公司 | 一种提高智能配用电能效的通信混合组网方法及系统 |
CN106208023A (zh) * | 2016-09-13 | 2016-12-07 | 国家电网公司 | 一种基于金属接地原理的单相弧光过电压限制装置 |
CN106684869A (zh) * | 2017-03-17 | 2017-05-17 | 燕山大学 | 一种考虑内外博弈的主动配电网故障恢复策略 |
CN107196328A (zh) * | 2017-05-03 | 2017-09-22 | 国家电网公司 | 一种配电网光储联合系统接入点薄弱性指数预测方法 |
CN107426212A (zh) * | 2017-07-25 | 2017-12-01 | 西安电子科技大学 | 一种认知无线网络中基于代理的入侵检测方法 |
-
2019
- 2019-10-30 CN CN201911041157.8A patent/CN110798351B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103118373A (zh) * | 2013-01-24 | 2013-05-22 | 北京理工大学 | 一种无线传感器网络低能耗覆盖优化算法 |
CN104869060A (zh) * | 2015-05-18 | 2015-08-26 | 南京邮电大学 | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 |
CN105527965A (zh) * | 2016-01-04 | 2016-04-27 | 江苏理工学院 | 基于遗传蚁群算法的路径规划方法及系统 |
CN106209618A (zh) * | 2016-07-27 | 2016-12-07 | 国网辽宁省电力有限公司 | 一种提高智能配用电能效的通信混合组网方法及系统 |
CN106208023A (zh) * | 2016-09-13 | 2016-12-07 | 国家电网公司 | 一种基于金属接地原理的单相弧光过电压限制装置 |
CN106684869A (zh) * | 2017-03-17 | 2017-05-17 | 燕山大学 | 一种考虑内外博弈的主动配电网故障恢复策略 |
CN107196328A (zh) * | 2017-05-03 | 2017-09-22 | 国家电网公司 | 一种配电网光储联合系统接入点薄弱性指数预测方法 |
CN107426212A (zh) * | 2017-07-25 | 2017-12-01 | 西安电子科技大学 | 一种认知无线网络中基于代理的入侵检测方法 |
Non-Patent Citations (1)
Title |
---|
杨钧凯: "基于粒子群—蚁群混合算法的DG选址与定容研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314157A (zh) * | 2020-03-23 | 2020-06-19 | 中北大学 | 一种水质监测机器人集群通信网络节点高效部署方法 |
CN113673922A (zh) * | 2021-07-09 | 2021-11-19 | 合肥工业大学 | 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统 |
CN114125711A (zh) * | 2021-11-22 | 2022-03-01 | 中国科学院软件研究所 | 一种基于局部搜索算法的室内无线设备部署方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110798351B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110798351B (zh) | 基于pso及蚁群-遗传算法的电网故障探测点部署方法 | |
CN113394880B (zh) | 基于区块链使能的智能电网电力故障检测与安全传输方法 | |
CN109936136B (zh) | 一种配电网接线线路的规划方法、装置及设备 | |
CN112491096A (zh) | 一种用于生成电网仿真分析算例的方法及系统 | |
CN105162654A (zh) | 一种基于局部社团信息的链路预测方法 | |
CN116973694B (zh) | 配电网故障诊断优化方法及系统 | |
CN106951615B (zh) | 基于密母算法的电力运输网络拓扑结构设计方法 | |
CN103595652B (zh) | 一种电力通信网络中QoS能效的分级方法 | |
CN108539802A (zh) | 一种交直流混联大电网的优化方法 | |
CN110231542B (zh) | 一种输电线路分布式故障监测终端的配置方法及系统 | |
Cheena et al. | Emperor penguin optimised self-healing strategy for WSN based smart grids | |
CN109873406B (zh) | 一种电力系统薄弱线路辨识方法 | |
CN117277392A (zh) | 一种面向配电系统弹性提升的应急资源优化配置方法 | |
CN107657798A (zh) | 一种风电机组状态智能监测系统 | |
CN113379005A (zh) | 一种电网电力设备能源智能管理系统及方法 | |
CN103260179A (zh) | 基于ZigBee的QPSO自校正定位方法 | |
CN111083577B (zh) | 一种电力通信拓扑结构优化方法 | |
CN116527562A (zh) | 一种面向屋顶光伏电站并网的路由方法、系统、装置及介质 | |
CN103944748A (zh) | 基于遗传算法的网络关键节点的自相似流量生成简化方法 | |
CN114037363B (zh) | 一种基于协同智能优化算法的多平台任务分配方法 | |
CN116578111A (zh) | 一种燃气管线巡检数据采集的无人机飞行控制方法及系统 | |
CN115809585A (zh) | 平衡wee关系的径流式水电站生态流量确定方法和系统 | |
Nowak et al. | Properties of advanced metering infrastructure networks' topologies | |
CN115586402A (zh) | 配电网故障诊断与处理方法 | |
CN114465351A (zh) | 一种低压配电网拓扑结构的生成方法及系统 |
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 |