CN111598399B - 基于分布式计算平台的超大规模输电网络扩展规划方法 - Google Patents
基于分布式计算平台的超大规模输电网络扩展规划方法 Download PDFInfo
- Publication number
- CN111598399B CN111598399B CN202010305527.0A CN202010305527A CN111598399B CN 111598399 B CN111598399 B CN 111598399B CN 202010305527 A CN202010305527 A CN 202010305527A CN 111598399 B CN111598399 B CN 111598399B
- Authority
- CN
- China
- Prior art keywords
- fitness value
- particle
- task
- value
- particles
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000005540 biological transmission Effects 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 158
- 230000008569 process Effects 0.000 claims description 21
- 230000005284 excitation Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000000243 solution Substances 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000012790 confirmation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于分布式计算平台的超大规模输电网络扩展规划方法，具体为：首先，初始化，用以将电网规划问题转化为具体的数学模型；其次，粗粒度推测并行，包括基于分布式计算平台并发执行确定任务和推测任务；最后，规划结果输出。通过建立数学模型，将电网规划方案的投资总额抽象化为目标函数，经过不断的迭代运算，将探索输电网络划分方案的问题转化为求解一维向量在目标函数中最优解的数学问题，利用自动并行化求解最优目标函数，最终求得的最优解为最佳电网规划方案的投资总额，而该解所对应的一维向量表示最优的电网划分方案。通过分布式计算平台和推测并行策略的结合，该方法大幅度提高了超大规模输电网络扩展规划的效率。
Description
技术领域
本发明属于输电网络技术领域，具体涉及一种基于分布式计算平台的超大规模输电网络扩展规划方法。
背景技术
输电网扩展规划是一种为降低配电网网损，提高电网经济效益的所采用的常用方法，该方法主要通过综合考虑电源发展以及电力系统的负荷情况，对输电网络的主要网架进行规划，从而使网架中的电压质量、输送容量和供电可靠性达到国家标准的要求。然而，随着输电网络的不断扩展，网络越来越大，其复杂性也越来越高，进而导致大型输电网络在规划中诸如产生目标与约束复杂、多极值、高维、多目标等复杂问题。从而使采用传统数学方法求解大型输电网络扩展规划变得越来越困难。
输电网络扩展规划是一个复杂的大规模组合优化问题，具有动态性和非线性等一系列特点，然而传统的规划方法(例如启发式方法、线性规划法、动态规划法、遗传算法、人工神经网络、蚁群方法等)一般对目标和约束函数有很高的要求，且求解过程复杂，因此，越来越多的启发式群体智能优化方法被越来越多的用以解决这类大规模复杂工程优化问题。其中，粒子群方法被引入到输电网络扩展规划问题中。粒子群方法是一种基于简单生物群体协作行为的优化方法，该方法克服了传统规划方法中存在的诸如变量优化不连续等问题，具有收敛速度快、鲁棒性好等特点，已经被广泛用于函数优化、工作调度、路径规划、信号处理、图像分割、电子商务竞价、神经网络训练、模糊系统控制以及其他遗传算法等多个工程应用领域。
但是，传统粒子群方法在面对复杂问题求解，特别是数据量特别大的问题时，往往需要多轮迭代才能完成计算，这是因为在粒子群方法中，每轮循环的粒子信息更新必须根据上一轮计算提供的个体最优信息和全局最优信息进行。这种严格的依赖使相邻连续循环的执行只能串行执行，而这种迭代的串行执行亦无法通过其他并行手段缩短，因此，利用传统粒子群方法处理大规模或超大规模输电网络规划问题时，需要更长的时间和更多的迭代计算才能完成，使得输电网络规划方法的耗时变得更长。
随着电网规模的进一步扩大，电网规划过程中需要处理的数据量也在成规模的增长，目前涉及超大规模数据量的传统问题已经被越来越多的移植到大数据或分布式计算平台解决从而提升处理效率，但由于传统粒子群方法无法通过增加计算资源的方式缩短其过长的迭代链，因此在需要大量循环迭代的群体智能方法中，传统粒子群方法规划输电网络的方式无法通过使用分布式大数据计算平台或者增加计算节点提升问题解决的效率，这使得传统粒子群优化方法已经不能满足处理超大规模输电网络规划问题时的效率需求。
发明内容
本发明的目的在于提供基于分布式计算平台的超大规模输电网络扩展规划方法，提高了超大规模输电网络扩展规划的效率。
本发明所采用的技术方案是，基于分布式计算平台的超大规模输电网络扩展规划方法，具体按照以下步骤实施：
S1，初始化：将电网规划问题转化为具体的数学模型，进行参数设定并输入每个粒子的初始化信息，初始化信息包括每个粒子的速度信息、位置信息、个体最优适应度值、个体最优适应度值的位置、全局最优适应度值以及全局最优适应度值的位置；
S2，粗粒度推测并行：基于分布式计算平台并发执行确定任务和推测任务，其中确定任务是基于当前粒子的位置和速度计算的，推测任务是根据拓扑结构生成推测粒子信息，针对种群中更新的n个粒子分别生成的n个非推测任务；
S3：规划结果输出。
本发明的特点还在于，
步骤S1中，数学模型为电网规划优化的适应度函数，如式(1)所示；
式(1)中，f(x)为新建路线的投资总额，即适应度值，网络连通时f(x)由3部分组成：网络投资，其中Ai为支路i的投资(万元/回)，xi为走廊i上新架线回数；网损，其中t为系统等效运行时间(小时/年)，B为网损电价(万元/度)，ei为走廊i上的已有支路数，Ii为线路i上电流(kA)，ri为线路电阻(Ω)，m为允许架线的走廊数；过负荷的惩罚项，是加到目标函数上的过负荷约束条件，p是电网节点的有功注入功率向量，pi max为线路i上允许的最大有功潮流，U为惩罚因子；网络不连通时直接给f(x)赋予一罚值W，罚值W为惩罚因子U的10倍。
步骤S2中，具体步骤如下：
S201，主任务执行：更新粒子速度vt和位置xt分别如式(2)及式(3)所示；
vt+1＝fix(ωvt+c1rand1()(Pbt-xt)+c2rand2()(Gbt-xt)) (2)
xt+1＝xt+vt+1 (3)
式(2)及式(3)中，fix()是取整函数，非负惯性权重ω表示上一轮迭代的粒子速度对当前粒子速度的影响；c1和c2为加速度常数，分别调节向个体最优适应度值Pbt的所在位置和全局最优适应度值Gbt的所在位置方向飞行的最大步长；rand1()和rand2()为均匀分布于[0,1]之间的随机数，用以增加子飞行的随机性；
S202，值预测：根据拓扑结构生成推测粒子信息，用以生成供推测任务独立执行的输入值；
具体步骤为：粒子的初始化以及根据当前解空间拓扑结构和粒子飞行轨迹，推测有可能下一轮飞行中粒子可能出现的点，进而生成推测粒子的信息；
S203，确定任务执行，即每个任务将根据当前粒子的位置和速度，计算粒子所表示的网络的潮流，再计算粒子的各自投资，根据潮流结果计算网损及过负荷惩罚值，进而求出各粒子的适应度值f(x)，在适应度值计算结束后，更新局部最优适应度值及其位置和个体最优适应度值及其位置；
S204，推测激发：用以激发推测任务，设置顺序激发策略，对并发参数进行设置，以保证确定任务和推测任务可以并发地在分布式计算上执行，包括参数设置和推测任务激发策略的选择，以及激发相应推测任务；
S205，推测并行：在收到推测粒子信息后，将预测值作为输入提供给推测任务，供推测任务同时执行；
S206：结果选择，即推测匹配验证，选择预测正确的粒子；
S207：结果更新，在步骤S206选择出正确的推测任务所对应的执行结果后，对该执行结果的粒子局部最优适应度值进行更新；
SQ：判断是否达到迭代条件，即判断是否达到最大迭代次数，或者已经得到最优解，如果是，则进入下一步骤，如果否，则返回继续进行下一轮迭代运算循环；循环终止的条件包括：达到最大迭代次数Tmax；计算精度达到所设置的值ε；所求最优解最大停滞步数Δt满足最小适应度阈值。
步骤S203中，具体步骤如下：
步骤S2031：在判断连通性的基础上，根据粒子位置结果计算各自投资，再依据潮流结果计算网损及过负荷惩罚值，进而求出各粒子的适应度值；潮流结果的计算遵照公式(4)进行：
P1＝B1θ (4)
式(4)中，P1指的是各支路有功功率潮流所构成的向量，B1为各支路导纳组成的对角矩阵，θ指的是各支路两端相角差向量；
步骤2032，局部比较：根据粒子的拓扑，对每一个粒子进行局部比较，更新其个体最优适应度值Pbest和局部最优适应度值Nbest；首先更新个体最优适应度值Pbest，Pbest的更新依赖于粒子本轮的适应度值f(x)是否比上一轮的Pbest值更优；接着更新局部最优适应度值Nbest，Nbest的更新依赖于粒子的左右邻居和自己本轮位置的适应度值f(x)三者间的最优适应度值是否比上一轮的Nbest更优，在更新Pbest和Nbest的基础上，更新个体最优适应度值的位置PbestPos和局部最优适应度值的位置NbestPos，完成确定任务的全过程，得到的结果即为第t+1轮迭代的粒子信息。
步骤S205中，具体步骤如下：
S2051，计算适应度值：在判断连通性的基础上，根据粒子位置结果计算各自投资，再依据潮流结果计算网损及过负荷惩罚值，进而利用公式(1)求出各粒子的适应度值f(x)；
S2052，粒子内部比较：更新个体最优适应度值Pbest和个体最优适应度值的位置PbestPos，个体最优适应度值Pbest的更新依赖于当前粒子的所述适应度值f(x)是否比上一轮的更优，略优的则为新的个体最优适应度值。
步骤S207中，具体步骤如下：
S2071：更新新一轮的局部最优适应度值Nbest，将正确推测结果中的Nbest与当前确定任务执行结束后的结果中的Nbest比对，选出更优的Nbest赋予正确的推测结果；
S2072：得到新一轮个体最优适应度值Pbest和全局最优适应度值Nbest更新后的粒子信息，整合正确的推测结果的速度、位置、个体最优适应度值、局部最优适应度值、个体最优适应度值的位置以及局部最优适应度值的位置，形成推测执行的输出。
本发明的有益效果是，
通过建立数学模型，将输电规划网络的架线方案抽象化为一维向量，将电网规划方案的投资总额抽象化为目标函数，经过不断的迭代运算，将探索输电网络划分方案的问题转化为求解一维向量在目标函数中最优解的数学问题，并将求解一维向量在目标函数中的最优解这一过程中所涉及到的迭代运算作为潜在并行域，将相邻的迭代运算划分成可以并发执行的单元，通过忽略相邻迭代间的控制依赖，为相邻的迭代运算的并发执行提供基础，最终求得的最优解为最佳电网规划方案的投资总额，而该解所对应的一维向量表示最优的电网划分方案。通过分布式计算平台和推测并行策略的结合，大幅度提高了超大规模输电网络扩展规划的效率。
附图说明
图1是本发明基于分布式计算平台的超大规模输电网络扩展规划方法的框架图；
图2是本发明基于分布式计算平台的超大规模输电网络扩展规划方法的流程图；
图3是本发明基于分布式计算平台的超大规模输电网络扩展规划方法中的非推测任务执行流程图；
图4是本发明基于分布式计算平台的超大规模输电网络扩展规划方法中的推测任务执行流程图；
图5是本发明基于分布式计算平台的超大规模输电网络扩展规划方法中的结果更新流程图；
图6是本发明实施例提供的一种基于分布式计算平台的超大规模输电网络扩展规划方法中的粒子位置移动示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于分布式计算平台的超大规模输电网络扩展规划方法，如图1及图2所示，具体按照以下步骤实施：
S1，初始化：将电网规划问题转化为具体的数学模型，进行参数设定并输入每个粒子的初始化信息，初始化信息包括每个粒子的速度信息、位置信息、个体最优适应度值、个体最优适应度值的位置、全局最优适应度值以及全局最优适应度值的位置；
数学模型为电网规划优化的适应度函数，如式(1)所示；
式(1)中，f(x)为新建路线的投资总额，即适应度值，网络连通时f(x)由3部分组成：(1)网络投资，其中Ai为支路i的投资(万元/回)，xi为走廊i上新架线回数；(2)网损，其中t为系统等效运行时间(小时/年)，B为网损电价(万元/度)，ei为走廊i上的已有支路数，Ii为线路i上电流(kA)，ri为线路电阻(Ω)，m为允许架线的走廊数；(3)过负荷的惩罚项，加到目标函数上的过负荷约束条件，p是电网节点的有功注入功率向量，pi max为线路i上允许的最大有功潮流，U为惩罚因子；网络不连通时直接给f(x)赋予一罚值W，罚值W为惩罚因子U的10倍；
初始化过程中：每个粒子的位置矢量xi＝(xi1,xi2,L,xim)代表待规划网络的一个架线方案，其中xi为从0到线路走廊所能架设线路回数上限之间的整数，m表示xi的维数，即为系统中可以增加线路的走廊数；而粒子的速度矢量vi＝(vi1,vi2,L,vim)代表各支路上新建路回数的变化值，在每次迭代中都要对xim和vim做取整处理，最后再确定粒子维数m和粒子总数量n；
S2，粗粒度推测并行：包括基于分布式计算平台并发执行确定任务和推测任务，其中确定任务是基于当前粒子的位置和速度计算的，推测任务是根据拓扑结构生成推测粒子信息，针对种群中更新的n个粒子分别生成的n个非推测任务；
分布式计算平台为Apache Spark大数据计算平台、Apache Hadoop大数据计算平台、Apache Storm大数据计算平台、Apache Tez大数据计算平台中的任意一个；
具体步骤如下：
S201，主任务执行：更新粒子速度vt和位置xt分别如式(2)及式(3)所示；
vt+1＝fix(ωvt+c1rand1()(Pbt-xt)+c2rand2()(Gbt-xt)) (2)
xt+1＝xt+vt+1 (3)
式(2)及式(3)中，fix()是取整函数，非负惯性权重ω表示上一轮迭代的粒子速度对当前粒子速度的影响；c1和c2为加速度常数，分别调节向个体最优适应度值Pbt的所在位置和全局最优适应度值Gbt的所在位置方向飞行的最大步长；rand1()和rand2()为均匀分布于[0,1]之间的随机数，用以增加子飞行的随机性；
除此之外，由于为了保持适应度值计算时和目标规划网络的一致性，对于速度的更新需要进行取整操作。在更新速度信息后，可以对位置信息加以更新，更新方式如图6所示，即让粒子飞行。可以看出，新一轮的粒子位置是结合本轮粒子位置、个体最优适应度值的位置和全局最优适应度值的位置三者信息之后得到的。
S202，值预测：根据拓扑结构生成推测粒子信息，用以生成供推测任务独立执行的输入值；
具体步骤为：粒子的初始化以及根据当前解空间拓扑结构和粒子飞行轨迹，推测有可能下一轮飞行中粒子可能出现的点，进而生成推测粒子的信息；
推测粒子的信息的生成过程如下：首先，预测出PbestPos和NbestPos，再结合预测结果和粒子当前位置，通过公式(2)和(3)计算推测粒子的速度和位置信息，最后将上述内容全部打包作为推测粒子的信息，作为后续推测任务的输入值。
Pbest表示个体最优适应度值；Gbest表示全局最优适应度值；Nbest表示局部最优适应度值；PbestPos表示粒子保存的个体最优适应度值的位置；NbestPos表示粒子保存的局部最优适应度值的位置；
对于推测粒子的PbestPos和NbestPos的预测方法主要参考种群例子与其邻居粒子间的拓扑结构，利用推测并行思想，对推测粒子的PbestPos和NbestPos进行预测。在粒子的更新过程中，拓扑结构对粒子更新产生的影响最大。通常地，种群中粒子与其邻居粒子间的通信连接方式称为拓扑结构，而不同拓扑结构代表不同的信息传递方式和种群多样性，通过控制探测和开发能力，继而对划分方法的性能产生巨大影响。在本方法中以环状拓扑为例进行说明，在环状拓扑结构中，每个粒子仅有左右两个邻居节点。而在具有n个粒子的环状拓扑中，编号为i的粒子的邻居节点分别是：i-1，i(粒子本身)和i+1，仅仅与左右邻居通信并交换信息，当粒子数目较多时，通信开销会大幅减小。在环拓扑中，全连接拓扑中的全局最优适应度值Gbest演变为局部最优适应度值Nbest，表示粒子与邻居通信后得到的局部的最优适应度值，为了方便表述，在本申请中，Nbest和Gbest表示的意义相同。
因此，在环形拓扑中，将按照如下方法预测推测粒子的PbestPos和NbestPos：每轮迭代计算中，个体最优适应度值的位置以及局部最优适应度值的位置分为更新和不更新两种情况，而如果更新，则更新的信息来源按照环形拓扑，将有可能来自左右邻居或其自己。总而言之，个体最优适应度值和局部最优适应度值的位置更新可能的组合情况可分为以下表1列举的七种情况。其中，L表示更新来源于左邻居；对应的R表示更新来源于右邻居；S表示更新来源于粒子自己；(-)表示没有更新的情况；PbestPos表示粒子保存的个体最优适应度值的位置；NbestPos表示粒子保存的局部最优适应度值的位置。比如，对于其中的第四种情况(S,-)，表示粒子的个体最优适应度值Pbest被当前位置的适应度值更新，相应的，此时个体最优适应度值的位置PbestPos也要被当前位置所替代；而局部最优适应度值Nbest并未被左右邻居或粒子自己更新，因此与上一轮的局部最优适应度值保持一致，相应的，局部最优适应度值的位置NbestPos所代表的位置同样不变。在此基础上，步骤S202对种群中的每个粒子，根据粒子当前位置、预测的PbestPos和NbestPos、利用公式(2)和公式(3)生成推测粒子的位置和速度信息，在计算完7种推测情况对应的推测粒子位置和速度信息后，将通过计算得出的速度位置信息、预测的PbestPos和NbestPos进行组合，最终针对种群中的每个粒子，分别生成7个对应的推测粒子，作为下轮的推测迭代运算的输入值。
表1 两邻居的环拓扑最优值更新情况
S203，在分布式计算平台上并发运行非推测任务(也称确定任务)和推测任务确定任务执行，即每个任务将根据当前粒子的位置和速度，计算粒子所表示的网络的潮流，再计算粒子的各自投资，根据潮流结果计算网损及过负荷惩罚值，进而求出各粒子的适应度值f(x)，在适应度值计算结束后，更新局部最优适应度值及其位置和个体最优适应度值及其位置；
如图3所示，具体步骤如下：
步骤S2031：在判断连通性的基础上，根据粒子位置结果计算各自投资，再依据潮流结果计算网损及过负荷惩罚值，进而利用公式(1)求出各粒子的适应度值(即该方案新建路线的投资总额)；潮流结果的计算遵照公式(4)进行：
P1＝B1θ (4)
式(4)中，P1指的是各支路有功功率潮流所构成的向量，B1为各支路导纳组成的对角矩阵，θ指的是各支路两端相角差向量；
步骤2032，局部比较：根据粒子的拓扑，对每一个粒子进行局部比较，更新其个体最优适应度值Pbest和局部最优适应度值Nbest；首先更新个体最优适应度值Pbest，Pbest的更新依赖于粒子本轮的适应度值f(x)是否比上一轮的Pbest值更优；接着更新局部最优适应度值Nbest，Nbest的更新依赖于粒子的左右邻居和自己本轮位置的适应度值f(x)三者间的最优适应度值是否比上一轮的Nbest更优，在更新Pbest和Nbest的基础上，更新个体最优适应度值的位置PbestPos和局部最优适应度值的位置NbestPos，完成确定任务的全过程，得到的结果即为第t+1轮迭代的粒子信息，如公式(5)所示；
式(5)中，It+1为第t+1轮迭代的粒子信息；f(xt)是第t轮的适应度值；
是第t轮左邻居的适应度值；
是第t轮右邻居的适应度值；f(Pbt-1)是第t-1轮的个体最优位置所对应的适应度值；f(Nbt-1)是第t-1轮的局部最优位置所对应的适应度值；
由式(5)可知，粒子新一轮的信息更新情况仅取决于公式中的五个参数的大小，而公式(2)和公式(3)中新一轮粒子速度和位置更新仅需要具体的位置和速度信息。因此，对于第t轮迭代而言，当Pbest和Nbest分别确定之后，利用公式(2)和公式(3)进行计算，则t+1轮的位置信息xt+1和速度信息vt+1也可以确定，尽管表达式中有随机数，但对于特定粒子具体的轮次，这些数字均是确定的。那么第t+1轮的评估函数值f(xt+1)也可以通过计算得到。最后，在更新Pbest和Nbest的基础上，更新个体最优适应度值的位置PbestPos和局部最优适应度值的位置NbestPos，完成确定任务的全过程，得到的结果即为第t+1轮迭代的粒子信息。
S204，推测激发：用以激发推测任务，设置顺序激发策略，对并发参数进行设置，以保证确定任务和推测任务可以并发地在分布式计算上执行，包括参数设置和推测任务激发策略的选择，以及激发相应推测任务；
首先是设置激发策略，在本方法中推测任务为当前迭代计算的后续计算，因此将激发策略选择为顺序激发策略，在该策略的作用下，将严格按照源程序执行过程中所存在的语义顺序进行激发，推测任务的激发时间和推测级别存在对应关系。在确定激发策略的基础上，对并发参数进行设置，以保证推测任务和非推测任务可以并发在Apache Spark上执行，在本方法中采用的是YARN模式作为资源调度和任务分配模式，在该模式下，程序可以以FIFO(First In First Out)或FAIR两种模式执行。具体地，本方法选择以FIFO方式并行运行，在该模式下，本优化方法在执行过程中会尽可能利用集群中所提供的全部计算资源。除此以外，还需要设置其他关键参数：参考一般调优策略，Spark.task.cpus限制了并行过程中，每个task所使用的CPU核心数目，在本方法中被设置为1；Spark.executor.memory控制任务的内存用量，在本方法中被设置为8G；最后是Spark.locality.wait参数，该参数指定了数据本地性降级的等待时间，在本方法中被设置为3000ms。通过对上述参数的设置，完成对系统资源的调配和对任务调度的控制，为并行优化任务提供基础。
在上述参数设置完成后，对推测任务进行激发，并将推测任务和非推测任务发送到集群当中，以便推测任务和非推测任务的并发执行。值得注意的是根据表1的拓扑关系，预测值的数量是当前任务数量的7倍，因此假设当前种群中粒子数目为n，则预测值的数量为7n，相对应的，在并发任务中，非推测任务的数量为n，激发的推测任务数量为7n，在集群中并发工作的任务数总共为8n。
S205，推测并行：在收到推测粒子信息后，将预测值作为输入提供给推测任务，供推测任务同时执行，如图4所示；
具体步骤如下：
S2051，计算适应度值：在判断连通性的基础上，根据粒子位置结果计算各自投资，再依据潮流结果计算网损及过负荷惩罚值，进而利用公式(1)求出各粒子的适应度值f(x)；
S2052，粒子内部比较：更新个体最优适应度值Pbest和个体最优适应度值的位置PbestPos，个体最优适应度值Pbest的更新依赖于当前粒子的所述适应度值f(x)是否比上一轮的更优，略优的则为新的个体最优适应度值；
其进行的过程与非推测任务步骤S2031到步骤S2032的过程类似，每一个推测粒子所对应的任务也分为判断连通性、计算网络潮流、计算网损、计算过负荷惩罚值，求出粒子适应度等过程。当计算完成后，参照步骤S2032的过程，调整个体最优适应度值Pbest和Pbestpos，完成步骤S2051到步骤S2052的全过程。
当推测任务步骤S2051到步骤S2052执行结束后，会进行短暂的数据同步，等待非推测任务步骤S2031到步骤S2032执行完成，这是因为推测任务由于不需要对Nbest进行更新，因此计算会快于非推测任务的计算。
其中步骤S203与步骤S204、步骤S205在分布式计算集群中并发进行。
S206：结果选择，即推测匹配验证，选择预测正确的粒子；
具体为：在推测任务和确定任务同时执行完成后，首先取得确定任务的结果中粒子位置信息x，然后用该位置信息x与推测任务的输入值中的粒子位置x进行逐一对比，选出推测任务的输入粒子中位置信息x与确定任务执行结果中的粒子位置信息x相同的预测值。那么该预测值所对应的任务为正确的推测任务，相应的，该推测任务的执行结果也为正确的推测执行结果，最终，将正确的推测执行结果呈交给下一步骤。
S207：结果更新，在步骤S206选择出正确的推测任务所对应的执行结果后，对该执行结果的粒子局部最优适应度值进行更新，如图5所示，具体步骤如下：
S2071：更新新一轮的局部最优适应度值Nbest，将正确推测结果中的Nbest与当前确定任务执行结束后的结果中的Nbest比对，选出更优的Nbest赋予正确的推测结果；
S2072：得到新一轮个体最优适应度值Pbest和全局最优适应度值Nbest更新后的粒子信息，整合正确的推测结果的速度、位置、个体最优适应度值、局部最优适应度值、个体最优适应度值的位置以及局部最优适应度值的位置，形成推测执行的输出。
SQ：判断是否达到迭代条件，判断是否达到最大迭代次数，或者已经得到最优解，如果是，则进入下一步骤，如果否，则返回继续进行下一轮迭代运算循环；循环终止的条件包括：
(1)达到最大迭代次数Tmax；
(2)计算精度达到所设置的值ε；
(3)所求最优解最大停滞步数Δt满足最小适应度阈值，
在步骤SQ中，任意一个条件达到满足，都会进入步骤S3的划分结果输出，否则将重新进入步骤S201继续执行。
S3：规划结果输出。
本发明基于分布式计算平台的超大规模输电网络扩展规划方法，通过建立数学模型，将输电规划网络的架线方案抽象化为一维向量，将电网规划方案的投资总额抽象化为目标函数，经过不断的迭代运算，将探索输电网络划分方案的问题转化为求解一维向量在目标函数中最优解的数学问题，最终求得的最优解为最佳电网规划方案的投资总额，而该解所对应的一维向量表示最优的电网划分方案。
在求解过程中，结合拓扑结构和迭代运算过程中最优解的变化规律，提出针对并发单元输入值的预测方法，通过该预测方法，可以预测供后继迭代运算执行的输入值，使后继迭代运算可以在未获得当前迭代的运算结果的情况下独立执行，为当前迭代运算和后继迭代运算的同时执行提供输入数据支持。
遵照语义顺序设置推测任务激发策略，在此基础上，根据推测任务和非规则任务的对应数量关系，动态调整分布式计算平台的各项参数，包括任务分配模式、推测任务所使用的的CPU核心数、内存用量、以及数据本地性降级的等待时间。通过这些参数和推测任务激发策略的共同作用，为并发单元在分布式计算平台上的同时执行提供资源调度保障。
在推测并行过程结束后，用本轮迭代计算的结果，挑选出值预测过程中生成的与本轮迭代执行结果相同的预测值，将该预测值作为正确的推测任务，同时选定正确推测任务所对应的执行结果当作正确的推测执行结果。通过将该执行结果作为输出返回，达到在一轮迭代运算的时间内完成两轮迭代运算过程的目的，从而缩短迭代运算时间，提高求函数最优解的效率。
Claims (5)
1.基于分布式计算平台的超大规模输电网络扩展规划方法，其特征在于，具体按照以下步骤实施：
S1，初始化：将电网规划问题转化为具体的数学模型，进行参数设定并输入每个粒子的初始化信息，初始化信息包括每个粒子的速度信息、位置信息、个体最优适应度值、个体最优适应度值的位置、全局最优适应度值以及全局最优适应度值的位置；
数学模型为电网规划优化的适应度函数，如式(1)所示；
式(1)中，f(x)为新建路线的投资总额，即适应度值，网络连通时f(x)由3部分组成：网络投资，其中Ai为支路i的投资(万元/回)，xi为走廊i上新架线回数；网损，其中t为系统等效运行时间(小时/年)，B为网损电价(万元/度)，ei为走廊i上的已有支路数，Ii为线路i上电流(kA)，ri为线路电阻(Ω)，m为允许架线的走廊数；过负荷的惩罚项，是加到目标函数上的过负荷约束条件，p是电网节点的有功注入功率向量，pi max为线路i上允许的最大有功潮流，U为惩罚因子；网络不连通时直接给f(x)赋予一罚值W，罚值W为惩罚因子U的10倍；
S2，粗粒度推测并行：基于分布式计算平台并发执行确定任务和推测任务，其中确定任务是基于当前粒子的位置和速度计算的，推测任务是根据拓扑结构生成推测粒子信息，针对种群中更新的n个粒子分别生成的n个非推测任务；
S3：规划结果输出。
2.根据权利要求1所述的基于分布式计算平台的超大规模输电网络扩展规划方法，其特征在于，所述步骤S2中，具体步骤如下：
S201，主任务执行：更新粒子速度vt和位置xt分别如式(2)及式(3)所示；
vt+1＝fix(ωvt+c1rand1()(Pbt-xt)+c2rand2()(Gbt-xt)) (2)
xt+1＝xt+vt+1 (3)
式(2)及式(3)中，fix()是取整函数，非负惯性权重ω表示上一轮迭代的粒子速度对当前粒子速度的影响；c1和c2为加速度常数，分别调节向个体最优适应度值Pbt的所在位置和全局最优适应度值Gbt的所在位置方向飞行的最大步长；rand1()和rand2()为均匀分布于[0,1]之间的随机数，用以增加子飞行的随机性；
S202，值预测：根据拓扑结构生成推测粒子信息，用以生成供推测任务独立执行的输入值；
具体步骤为：粒子的初始化以及根据当前解空间拓扑结构和粒子飞行轨迹，推测有可能下一轮飞行中粒子可能出现的点，进而生成推测粒子的信息；
S203，确定任务执行，即每个任务将根据当前粒子的位置和速度，计算粒子所表示的网络的潮流，再计算粒子的各自投资，根据潮流结果计算网损及过负荷惩罚值，进而求出各粒子的适应度值f(x)，在适应度值计算结束后，更新局部最优适应度值及其位置和个体最优适应度值及其位置；
S204，推测激发：用以激发推测任务，设置顺序激发策略，对并发参数进行设置，以保证确定任务和推测任务可以并发地在分布式计算上执行，包括参数设置和推测任务激发策略的选择，以及激发相应推测任务；
S205，推测并行：在收到推测粒子信息后，将预测值作为输入提供给推测任务，供推测任务同时执行；
S206：结果选择，即推测匹配验证，选择预测正确的粒子；
S207：结果更新，在步骤S206选择出正确的推测任务所对应的执行结果后，对该执行结果的粒子局部最优适应度值进行更新；
SQ：判断是否达到迭代条件，即判断是否达到最大迭代次数，或者已经得到最优解，如果是，则进入下一步骤，如果否，则返回继续进行下一轮迭代运算循环；循环终止的条件包括：达到最大迭代次数Tmax；计算精度达到所设置的值ε；所求最优解最大停滞步数Δt满足最小适应度阈值。
3.根据权利要求2所述的基于分布式计算平台的超大规模输电网络扩展规划方法，其特征在于，所述步骤S203中，具体步骤如下：
步骤S2031：在判断连通性的基础上，根据粒子位置结果计算各自投资，再依据潮流结果计算网损及过负荷惩罚值，进而求出各粒子的适应度值；潮流结果的计算遵照公式(4)进行：
Pl＝Blθ (4)
式(4)中，Pl指的是各支路有功功率潮流所构成的向量，Bl为各支路导纳组成的对角矩阵，θ指的是各支路两端相角差向量；
步骤2032，局部比较：根据粒子的拓扑，对每一个粒子进行局部比较，更新其个体最优适应度值Pbest和局部最优适应度值Nbest；首先更新个体最优适应度值Pbest，Pbest的更新依赖于粒子本轮的适应度值f(x)是否比上一轮的Pbest值更优；接着更新局部最优适应度值Nbest，Nbest的更新依赖于粒子的左右邻居和自己本轮位置的适应度值f(x)三者间的最优适应度值是否比上一轮的Nbest更优，在更新Pbest和Nbest的基础上，更新个体最优适应度值的位置PbestPos和局部最优适应度值的位置NbestPos，完成确定任务的全过程，得到的结果即为第t+1轮迭代的粒子信息。
4.根据权利要求3所述的基于分布式计算平台的超大规模输电网络扩展规划方法，其特征在于，所述步骤S205中，具体步骤如下：
S2051，计算适应度值：在判断连通性的基础上，根据粒子位置结果计算各自投资，再依据潮流结果计算网损及过负荷惩罚值，进而利用公式(1)求出各粒子的适应度值f(x)；
S2052，粒子内部比较：更新个体最优适应度值Pbest和个体最优适应度值的位置PbestPos，个体最优适应度值Pbest的更新依赖于当前粒子的所述适应度值f(x)是否比上一轮的更优，略优的则为新的个体最优适应度值。
5.根据权利要求4所述的基于分布式计算平台的超大规模输电网络扩展规划方法，其特征在于，所述步骤S207中，具体步骤如下：
S2071：更新新一轮的局部最优适应度值Nbest，将正确推测结果中的Nbest与当前确定任务执行结束后的结果中的Nbest比对，选出更优的Nbest赋予正确的推测结果；
S2072：得到新一轮个体最优适应度值Pbest和全局最优适应度值Nbest更新后的粒子信息，整合正确的推测结果的速度、位置、个体最优适应度值、局部最优适应度值、个体最优适应度值的位置以及局部最优适应度值的位置，形成推测执行的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010305527.0A CN111598399B (zh) | 2020-04-17 | 2020-04-17 | 基于分布式计算平台的超大规模输电网络扩展规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010305527.0A CN111598399B (zh) | 2020-04-17 | 2020-04-17 | 基于分布式计算平台的超大规模输电网络扩展规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598399A CN111598399A (zh) | 2020-08-28 |
| CN111598399B true CN111598399B (zh) | 2023-04-28 |
Family
ID=72181467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010305527.0A Active CN111598399B (zh) | 2020-04-17 | 2020-04-17 | 基于分布式计算平台的超大规模输电网络扩展规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598399B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0749014A1 (fr) * | 1995-06-14 | 1996-12-18 | Commissariat A L'energie Atomique | Procédé de reconstruction d'un champ dense de caractéristiques associées à un phénomène physique |
| AU2001281113A1 (en) * | 2000-08-07 | 2002-05-16 | Nektar Therapeutics | Inhaleable spray dried 4-helix bundle protein powders having minimized aggregation |
| JP2006155271A (ja) * | 2004-11-30 | 2006-06-15 | Toshiba Corp | 超臨界水酸化反応シミュレーション方法およびプログラム |
| CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
| CN106815657A (zh) * | 2017-01-05 | 2017-06-09 | 国网福建省电力有限公司 | 一种考虑时序性和可靠性的配电网双层规划方法 |
| CN107743147A (zh) * | 2017-11-06 | 2018-02-27 | 柏域信息科技（上海）有限公司 | 基于全局优化的动态云存储sdn控制器配置方法及装置 |
| CN109508499A (zh) * | 2018-11-15 | 2019-03-22 | 国网江苏省电力有限公司经济技术研究院 | 多时段多场景分布式电源最优接入位置与容量研究方法 |
| CN110635478A (zh) * | 2019-10-23 | 2019-12-31 | 西南交通大学 | 一种基于单目标的新能源接入下的输电网规划的优化方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI283182B (en) * | 2000-08-07 | 2007-07-01 | Nektar Therapeutics | Inhalable spray dried 4-helix bundle protein powders having minimized aggregation |
| US20190114819A1 (en) * | 2017-10-13 | 2019-04-18 | Microsoft Technology Licensing, Llc | Dimensional content surface rendering |
-
2020
- 2020-04-17 CN CN202010305527.0A patent/CN111598399B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0749014A1 (fr) * | 1995-06-14 | 1996-12-18 | Commissariat A L'energie Atomique | Procédé de reconstruction d'un champ dense de caractéristiques associées à un phénomène physique |
| AU2001281113A1 (en) * | 2000-08-07 | 2002-05-16 | Nektar Therapeutics | Inhaleable spray dried 4-helix bundle protein powders having minimized aggregation |
| JP2006155271A (ja) * | 2004-11-30 | 2006-06-15 | Toshiba Corp | 超臨界水酸化反応シミュレーション方法およびプログラム |
| CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
| CN106815657A (zh) * | 2017-01-05 | 2017-06-09 | 国网福建省电力有限公司 | 一种考虑时序性和可靠性的配电网双层规划方法 |
| CN107743147A (zh) * | 2017-11-06 | 2018-02-27 | 柏域信息科技（上海）有限公司 | 基于全局优化的动态云存储sdn控制器配置方法及装置 |
| CN109508499A (zh) * | 2018-11-15 | 2019-03-22 | 国网江苏省电力有限公司经济技术研究院 | 多时段多场景分布式电源最优接入位置与容量研究方法 |
| CN110635478A (zh) * | 2019-10-23 | 2019-12-31 | 西南交通大学 | 一种基于单目标的新能源接入下的输电网规划的优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 唐佳 ; 王丹 ; 贾宏杰 ; 张逸 ; 熊军 ; 黄仁乐 ; .基于元模型辅助粒子群算法的主动配电网最优经济运行.电力系统自动化.2018,(第04期),全文. * |
| 朱丹妮 ; 张军 ; 钟辉煌 ; 高景明 ; 白珍 ; .Current loss of magnetically insulated coaxial diode with cathode negative ion.Chinese Physics B.2018,(第02期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598399A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Ant colony optimization for traveling salesman problem based on parameters optimization | |
| Zhu et al. | An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints | |
| Gao et al. | Pareto-based grouping discrete harmony search algorithm for multi-objective flexible job shop scheduling | |
| CN113742089B (zh) | 异构资源中神经网络计算任务的分配方法、装置和设备 | |
| Subramoney et al. | Multi-swarm PSO algorithm for static workflow scheduling in cloud-fog environments | |
| CN108399105B (zh) | 一种基于改进头脑风暴算法的软硬件划分方法 | |
| CN113487029A (zh) | 一种可移植的神经网络分布式并行策略搜索方法 | |
| Qin et al. | Hybrid collaborative multi-objective fruit fly optimization algorithm for scheduling workflow in cloud environment | |
| Mansour et al. | Allocating data to multicomputer nodes by physical optimization algorithms for loosely synchronous computations | |
| Pérez et al. | Parallel/distributed implementation of cellular training for generative adversarial neural networks | |
| CN111598399B (zh) | 基于分布式计算平台的超大规模输电网络扩展规划方法 | |
| CN116706917A (zh) | 基于快速交替方向乘子法的智慧园区协同调控方法及系统 | |
| Jia et al. | An improved particle swarm optimization for multi-objective flexible job-shop scheduling problem | |
| Zhao et al. | Reliable dnn partitioning for uav swarm | |
| Said et al. | Parallel enhanced hybrid evolutionary algorithm for continuous function optimization | |
| Ye et al. | Weight-Specific-Decoder Attention Model to Solve Multiobjective Combinatorial Optimization Problems | |
| Jin et al. | Pattern learning based parallel ant colony optimization | |
| CN115564374A (zh) | 协同多任务重分配方法、装置、设备及可读存储介质 | |
| CN115220818A (zh) | 基于深度强化学习的实时依赖型任务卸载方法 | |
| CN115080225A (zh) | 一种单源最短路径计算方法与系统 | |
| Li et al. | Co-evolutionary and Elite learning-based bi-objective Poor and Rich Optimization algorithm for scheduling multiple workflows in the cloud | |
| Miao et al. | Multi-Robot Task Allocation Using Multimodal Multi-Objective Evolutionary Algorithm Based on Deep Reinforcement Learning | |
| Wang et al. | Double elite co-evolutionary genetic algorithm | |
| Lu et al. | Non-integrated algorithm based on EDA and Tabu Search for test task scheduling problem | |
| Zhao et al. | A Levy Flight-Based Offloading Path Decision Scheme in VANET |
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 |