CN111144608A - 一种基于蚁群算法的配电网网架优化规划方法 - Google Patents

Abstract

本发明为一种基于蚁群算法的配电网网架优化规划方法，包括：首先将规划区域内n条可行待选线路从l到n编号；求出每条待选线路的转换概率P_i ^k；在迭代过程中,蚂蚁每次从这n个元素中按每个元素的转换概率选取一个元素；对于每只蚂蚁最终形成一个线路集,该线路集形成一个规划方案；当一次循环完成后,从所有蚂蚁形成的规划方案中选择具有最小目标函数值的规划方案,并与当前保存的最优方案进行比较；如果新方案比当前保存的最优方案还要好,那么用新方案，否则维持当前最优方案。重复直至达到最大迭代次数，在保证新能源消纳盈亏平衡点的同时，配电网架的优化结果可以达到网架线路铺设距离的最短、线路的年综合费用和过负荷惩罚费用之和最小。

Description

一种基于蚁群算法的配电网网架优化规划方法

技术领域

本发明属于配电网网架技术领域，具体地而言为一种基于蚁群算法的配电网网架优化规划方法。

背景技术

新能源是能源转型发展的重要力量，积极消纳新能源是贯彻能源生产和消费革命战略，建设清洁低碳、安全高效的现代能源体系的有力抓手，也是加快生态文明建设的关键环节。

目前，我国的能源战略形势发生了重大和深刻变化，为了解决社会经济发展过程中能源生产和能源消费产生的负外部性，以低碳和绿色能源的发展为重点、以能源技术革命为先导的能源转型，正如火如荼地展开。新能源作为一种清洁持续的能源，新能源发电正在能源结构转型中将发挥重要作用。新能源消纳工作作为可再生能源发展的首要条件，是影响配电网规划有效与否的重要条件。为了提高新能源的消纳水平并实现资源的有效配置，需要综合考虑新能源消纳对配电网的影响，为配电网网架的优化提供优化依据和规划方向。

发明内容

本发明所要解决的技术问题在于提供一种基于蚁群算法的配电网网架优化规划方法，在保证新能源消纳盈亏平衡点的同时，配电网架的优化结果可以达到网架线路铺设距离的最短、线路的年综合费用和过负荷惩罚费用之和最小。

本发明是这样实现的，

一种基于蚁群算法的配电网网架优化规划算法，该方法包括：

首先将规划区域内n条可行待选线路从l到n编号；

求出每条待选线路的转换概率P_i ^k；

在迭代过程中，蚂蚁每次从这n个元素中按每个元素的转换概率选取一个元素；

对于每只蚂蚁，该过程同时重复的次数为nodenum-subnum-oldlinenum，其中nodenum为节点数目，subnum为变电站数目，oldlinenum为老线路数目，最终每只蚂蚁形成一个线路集，该线路集形成一个规划方案；

当一次循环完成后，从所有蚂蚁形成的规划方案中选择具有最小目标函数值的规划方案，并与当前保存的最优方案进行比较；

如果新方案比当前保存的最优方案还要好，那么用新方案，否则维持当前最优方案。重复上述过程直至达到最大迭代次数。

进一步地，该方法还包括：

(1)每个元素的初始信息素是相等的，设信息素τ_i(0)＝C(i＝1，2，……n)，其中C为常数，在寻优过程中，其信息素τ_i将随着蚁群过后留下的激素量的变化而变化；

(2)计算未被加入tabu表的待选线路的转换概率

根据各待选线路的转换概率

从上述线路中选取一条线路，采用基于前推回代的配电网潮流计算方法来求取负荷潮流，以确定其过负荷惩罚值，并计算每只蚂蚁所形成的规划方案的目标函数值；

(3)如果在步骤(2)中找到的规划方案的目标函数值比f_min小，用该值替换f_min，并记下该规划方案；否则转向步骤(4)；

(4)计算信息素增量

并计算Δτ_i(t，t+n)和计算τ_i(t+n)；

(5)令迭代次数N＝N+1.若N＜N_max，则清空所有的tabu表，转向步骤(2)，否则输出最好的规划方案，停止。

进一步地，所述步骤(2)中用式(2)计算未被加入tabu表的待选线路的转换概率

式中，allowedL_k为蚂蚁k还没有访问过的元素集，若i和l不属于allowedL_k，那么转换概率

为0。α和β分别表示蚂蚁在运动过程中所积累的信息及启发式因子在蚂蚁选择元素中所起的不同作用；β_i表示选择元素i的期望程度，且其数值定义为待选线路i的长度或投资的倒数。

进一步地，采用式(1)的数学模型计算每只蚂蚁所形成的规划方案的目标函数值：

数学模型可用下式表达：

式中X为N维决策矢量，代表问题的解；X_i是矢量X的元素，当待选线路i被选中时X_i＝1，否则X_i＝0，C_1i＝γ_i+α_i，γ_i是投资回收率，α_i是设备折旧维修率；C_2i是电价单位为元、kW·h；ΔP_i是线路i的有功损耗，单位是kW；τ_maxi是相应的年最大损耗时间，单位为h；A₁是过负荷惩罚系数；L是网络的过负荷的部分，其数值通过网络的负荷潮流求得。

进一步地，利用式(5)计算信息素增量

并用式(4)计算Δτ_i(t，t+n)，然后用式(3)计算τ_i(t+n)：

式(3)表示为：完成一次迭代后，每条待选线路的信息素被更新为：

τ_i(t+n)＝θτ_i(t)+Δτ_i(t，t+n) (3)

i＝1，2，…，n

式中θ是一系数，1-θ是时刻t到t+n之间各线路上信息素的蒸发系数；m为蚂蚁数目；

是时刻t到t+n之间蚂蚁k释放在待选线路i上的信息量，表达式如下：

若蚂蚁k未选中元素i，则

Q为一常数，fk(X)为蚂蚁k所得规划方案的目标函数值。

本发明与现有技术相比，有益效果在于：

(1)本方法能确保新能源具有合理的消纳比例，新能源往往具有较高的投资成本，因此新能源每年需要保证一定的发电利用小时数才能收回投资成本，即新能源的盈亏平衡点，本发明方法对新能源的消纳幅度至少需要达到新能源利用小时数的盈亏平衡点，并保证新能源的运行具有一定的利润空间。

(2)本方法在满足新能源利用小时数的同时，能够保持系统最优的运行格局，即不因为消纳新能源而产生大量切负荷、线路过载或常规机组出力受限、频繁调节导致成本急剧上升等不良运行状态；即系统在消纳新能源的同时，运行点并不偏离最优运行点太远，或超过系统的安全边界。

(3)本发明能够通过电力规划改善系统的薄弱环节，使系统达到新能源消纳的要求。

附图说明

图1为本发明方法优化配电网架结果图；

图2为本发明方法优化配电网架的平均距离和最短距离。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

本发明实施例公开的一种基于蚁群算法的配电网网架优化规划算法，该方法包括：

首先将规划区域内n条可行待选线路从1到n编号；

求出每条待选线路的转换概率P_i ^k；

在迭代过程中，蚂蚁每次从这n个元素中按每个元素的转换概率选取一个元素；

对于每只蚂蚁，该过程同时重复的次数为nodenum-subnum-oldlinenum，其中nodenum为节点数目，subnum为变电站数目，oldlinenum为老线路数目，最终每只蚂蚁形成一个线路集，该线路集形成一个规划方案；

当一次循环完成后，从所有蚂蚁形成的规划方案中选择具有最小目标函数值的规划方案，并与当前保存的最优方案进行比较；

如果新方案比当前保存的最优方案还要好，那么用新方案，否则维持当前最优方案。重复上述过程直至达到最大迭代次数。

具体的，(1)每个元素的初始信息素是相等的，设信息素τ_i(0)＝C(i＝1，2，……n)，其中C为常数，在寻优过程中，其信息素τ_i将随着蚁群过后留下的激素量的变化而变化；

(2)计算未被加入tabu表的待选线路的转换概率

根据各待选线路的转换概率

从上述线路中选取一条线路，采用基于前推回代的配电网潮流计算方法来求取负荷潮流，以确定其过负荷惩罚值，并计算每只蚂蚁所形成的规划方案的目标函数值；

(3)如果在步骤(2)中找到的规划方案的目标函数值比f_min小，用该值替换f_min，并记下该规划方案；否则转向步骤(4)；

(4)计算信息素增量

并计算Δτ_i(t，t+n)和计算τ_i(t+n)；

(5)令迭代次数N＝N+1.若N＜N_max，则清空所有的tabu表，转向步骤(2)，否则输出最好的规划方案，停止。

其中，每个元素的初始信息素是相等的，设信息素τ_i(0)＝C(i＝1，2，……n)，其中C为常数。在寻优过程中，其信息素τ_i将随着蚁群过后留下的激素量的变化而变化。

蚂蚁k在运动过程中是根据各个元素的转换概率来决定选取哪一个元素的，转换概率P_i ^k(t)表述如下：

式中，allowedL_k为蚂蚁k还没有访问过的元素集，若i和l不属于allowedL_k，那么转换概率P_i ^k(t)为0。α和β分别表示蚂蚁在运动过程中所积累的信息及启发式因子在蚂蚁选择元素中所起的不同作用；β_i表示选择元素i的期望程度，且其数值定义为待选线路i的长度或投资的倒数。

完成一次迭代后，每条待选线路的信息素被更新为：

τ_i(t+n)＝θτ_i(t)+Δτ_i(t，t+n) (3)

i＝1，2，...，n

式中θ是一系数，1-θ是时刻t到t+n之间各线路上信息素的蒸发系数；m为蚂蚁数目；

是时刻t到t+n之间蚂蚁k释放在待选线路i上的信息量，表达式如下：

式中若蚂蚁k未选中元素i，则

Q为一常数，f_k(X)为蚂蚁k所得规划方案的目标函数值，可由式(1)计算而得。

上述步骤(2)中用式(2)计算未被加入tabu表的待选线路的转换概率

式中，allowedL_k为蚂蚁k还没有访问过的元素集，若i和l不属于allowedL_k，那么转换概率

为0。α和β分别表示蚂蚁在运动过程中所积累的信息及启发式因子在蚂蚁选择元素中所起的不同作用；β_i表示选择元素i的期望程度，且其数值定义为待选线路i的长度或投资的倒数。

进一步地，采用式(1)的数学模型计算每只蚂蚁所形成的规划方案的目标函数值：

数学模型可用下式表达：

式中X为N维决策矢量，代表问题的解；X_i是矢量X的元素，当待选线路i被选中时X_i＝1，否则X_i＝0，C_1i＝γ_i+α_i，γ_i是投资回收率，α_i是设备折旧维修率；C_2i是电价单位为元、kW·h；ΔP_i是线路i的有功损耗，单位是kW；τ_maxi是相应的年最大损耗时间，单位为h；A₁是过负荷惩罚系数；L是网络的过负荷的部分，其数值通过网络的负荷潮流求得。

进一步地，利用式(5)计算信息素增量

并用式(4)计算Δτ_i(t，t+n)，然后用式(3)计算τ_i(t+n)：

式(3)表示为：完成一次迭代后，每条待选线路的信息素被更新为：

τ_i(t+n)＝θτ_i(t)+Δτ_i(t，t+n) (3)

i＝1，2，…，n

式中θ是一系数，1-θ是时刻t到t+n之间各线路上信息素的蒸发系数；m为蚂蚁数目；

是时刻t到t+n之间蚂蚁k释放在待选线路i上的信息量，表达式如下：

若蚂蚁k未选中元素i，则

Q为一常数，f_k(X)为蚂蚁k所得规划方案的目标函数值。

根据本溪市供电公司提供的基础数据信息，本报告以66千伏及以上变电站的数据信息为基础，进行配电网架的优化。本溪市共有87座变电站，其中500kV变电站2个，220kV变电站17个，66kV变电站68个，其相应的坐标位置如表1所示。

本发明利用蚁群算法进行配电网架的优化，利用Matlab软件运行之后，其优化方案如图1所示。

表1负荷点坐标位置

从图1可以看出，在保证新能源消纳盈亏平衡点的同时，配电网架的优化结果可以达到网架线路铺设距离的最短、线路的年综合费用和过负荷惩罚费用之和最小。

Claims (5)

1.一种基于蚁群算法的配电网网架优化规划算法，其特征在于，该方法包括：

首先将规划区域内n条可行待选线路从l到n编号；

求出每条待选线路的转换概率

在迭代过程中,蚂蚁每次从这n个元素中按每个元素的转换概率选取一个元素；

对于每只蚂蚁,该过程同时重复的次数为nodenum-subnum-oldlinenum，其中nodenum为节点数目,subnum为变电站数目,oldlinenum为老线路数目，最终每只蚂蚁形成一个线路集,该线路集形成一个规划方案；

当一次循环完成后,从所有蚂蚁形成的规划方案中选择具有最小目标函数值的规划方案,并与当前保存的最优方案进行比较；

如果新方案比当前保存的最优方案还要好,那么用新方案，否则维持当前最优方案。重复上述过程直至达到最大迭代次数。

2.按照权利要求1所述的方法，其特征在于，该方法还包括：

(1)每个元素的初始信息素是相等的，设信息素τ_i(0)＝C(i＝1，2，......n),其中C为常数，在寻优过程中,其信息素τ_i将随着蚁群过后留下的激素量的变化而变化；

(2)计算未被加入tabu表的待选线路的转换概率

根据各待选线路的转换概率

从上述线路中选取一条线路，采用基于前推回代的配电网潮流计算方法来求取负荷潮流，以确定其过负荷惩罚值，并计算每只蚂蚁所形成的规划方案的目标函数值；

(3)如果在步骤(2)中找到的规划方案的目标函数值比f_min小，用该值替换f_min，并记下该规划方案；否则转向步骤(4)；

(4)计算信息素增量

并计算Δτ_i(t，t+n)和计算τ_i(t，t+n)；

(5)令迭代次数N＝N+1.若N＜N_max，则清空所有的tabu表，转向步骤(2)，否则输出最好的规划方案，停止。

3.按照权利要求2所述的方法，其特征在于，所述步骤(2)中用式(2)计算未被加入tabu表的待选线路的转换概率

式中，allowedL_k为蚂蚁k还没有访问过的元素集，若i和l不属于allowedL_k，转换概率

为0，α和β分别表示蚂蚁在运动过程中所积累的信息及启发式因子在蚂蚁选择元素中所起的不同作用；β_i表示选择元素i的期望程度，且其数值定义为待选线路i的长度或投资的倒数。

4.按照权利要求2所述的方法，其特征在于，采用式(1)的数学模型计算每只蚂蚁所形成的规划方案的目标函数值：

数学模型可用下式表达：

式中X为N维决策矢量，代表问题的解；X_i是矢量X的元素，当待选线路i被选中时X_i＝1，否则X_i＝0，C_1i＝γ_i+α_i,γ_i是投资回收率,α_i是设备折旧维修率；C_2i是电价单位为元、kW·h；ΔP_i是线路i的有功损耗，单位是kW；τ_maxi是相应的年最大损耗时间，单位为h；A₁是过负荷惩罚系数；L是网络的过负荷的部分,其数值通过网络的负荷潮流求得。

5.按照权利要求2所述的方法，其特征在于，

利用式(5)计算信息素增量

并用式(4)计算Δτ_i(t，t+n)，然后用式(3)计算τ_i(t+n)：

式(3)表示为：完成一次迭代后，每条待选线路的信息素被更新为：

τ_i(t+n)＝θτ_i(t)+Δτ_i(t，t+n) (3)

i=1，2，…，n

式中θ是一系数，1-θ是时刻t到t+n之间各线路上信息素的蒸发系数；m为蚂蚁数目；

是时刻t到t+n之间蚂蚁k释放在待选线路i上的信息量，表达式如下：

若蚂蚁k未选中元素i，则

Q为一常数，f_k(X)为蚂蚁k所得规划方案的目标函数值。

Images