CN112100907A - 一种基于分布式纵横交叉算法的电网最优潮流问题解决方法 - Google Patents

一种基于分布式纵横交叉算法的电网最优潮流问题解决方法 Download PDF

Info

Publication number
CN112100907A
CN112100907A CN202010858774.3A CN202010858774A CN112100907A CN 112100907 A CN112100907 A CN 112100907A CN 202010858774 A CN202010858774 A CN 202010858774A CN 112100907 A CN112100907 A CN 112100907A
Authority
CN
China
Prior art keywords
individual
agent
algorithm
distributed
power grid
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.)
Pending
Application number
CN202010858774.3A
Other languages
English (en)
Inventor
孟安波
曾琮
陈德
周天民
殷豪
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.)
Guangdong University of Technology
Original Assignee
Guangdong 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010858774.3A priority Critical patent/CN112100907A/zh
Publication of CN112100907A publication Critical patent/CN112100907A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于分布式纵横交叉算法的电网最优潮流问题解决方法，本方法用局域网计算机群系统作为纵横交叉算法的分布式计算环境，针对纵横交叉算法的并行计算的优势，基于多智能体系统的交互性和移动性，实现种群纵横交叉操作与适应度计算的高度并行性。原始纵横交叉算法种群每一次演化都是通过横向交叉和纵向交叉交替产生新种群，然后根据贪婪原则保留个体当前最优值，有利于减少通信开销，从而提高计算效率，同时为增强纵横交叉算法分布式并行计算的灵活性提供了可能。结合纵横交叉算法非全局控制的特点和多智能体系统分布式的优势，开发出基于纵横交叉算法的多智能体并行计算平台。

Description

一种基于分布式纵横交叉算法的电网最优潮流问题解决方法
技术领域
本发明涉及一种电网最优潮流问题解决方法，尤其是指一种基于分布式纵横交叉算法的电网最优潮流问题解决方法。
背景技术
随着祖国的快速发展，电网规模极速扩张，给电网公司的调控带来了巨大的挑战。在近二十年中群智能优化算法由于其结构简单且对目标函数和约束条件没有过多的限制成为了求解电网最优潮流问题的一个研究热点，但是由于群智能优化方法在求解此类问题时存在着计算量大，速度慢的问题，所以构造并行计算是提高其计算效率的有效途径。但由于大多数群智能优化算法如粒子群算法(PSO)、引力搜索算法(GSA)、灰狼算法(GWO)等个体更新往往依赖于种群中最优个体的获取，在分布式的计算模式中不同计算机由于算力的不同存在计算效率上的差距，因此在等待数据汇总的这一过程中会引起并行效率下降的问题。
发明内容
本发明的目的在于针对上述智能优化算法寻优时间较长的问题，提供一种基于分布式纵横交叉算法的电网最优潮流问题解决方法。本发明提出适于纵横交叉算法非全局控制特点的并行计算方法，获得分布式计算环境下完全并行化的种群更新迭代框架与计算机制，实现灵活高效的多智能体纵横交叉算法分布式优化系统，从而解决大规模电网优化调度问题面临的计算时间瓶颈问题。
本发明的目的可采用以下技术方案来达到：
一种基于分布式纵横交叉算法的电网最优潮流问题解决方法，包括以下步骤：
S1、在计算机群中启动Jade，通过无线路由器相连接搭建分布式的计算环境，所有从节点机根据主节点的域名进行注册组成计算平台；
S2、在主节点机启动主Agent，主Agent生产出个体Agent后，个体Agent 通过智能体迁移功能移动至相应的计算机中并分别输入电力网络模型的原始数据；
S3、当个体Agent迁移成功后开始进行寻优操作；所有个体随机向另一个个体发送数据请求，待收到回复后个体开始交叉操作；
S4、每当个体的交叉操作完成一次后向主Agent发送信息，传递当前的个体最优值信息；随后检查是否有其他的个体向自己发来请求信息，若有则回复，没有则跳过；
S5、再次随机向一个个体发送数据请求开始下一代计算；
S6、若结束条件不满足则返回至S3；若结束条件满足则所有个体Agent自动死亡，主Agent输出最终结果。
所述步骤S3包括以下步骤：
S31、个体Agent在种群中随机选中另一个个体Agent，向其发送请求语句，随机进入循环等待；
S32、在收到返回的信息后开始横向交叉操作，其中横向交叉为不同种群同一维度间的交叉，更新公式如下：
MShc(i1，d)＝r1·X(i1，d)+(1-r1)·X(i2，d)+c1·(X(i1，d)-X(i2，d)) (3)
其中r1和r2是在[0，1]之间的随机数，c1和c2为拓展因子；MShc(i1，：)和MShc(i2，：)分别是父代种群X(i1，：)和X(i2，：)经交叉操作产生的中庸解；
S33、中庸解产生后随机运行潮流计算求解整个电网的潮流数据，计算出适应度；
S34、产生的中庸解MShc(i，：)将会与父代解X(i，：)执行竞争算子，当中庸解优于父代时即可替代父代，否则被遗弃；
S35、在横向交叉后，即在个体内部执行纵向交叉，纵向交叉为同一个体不同维度间的交叉操作，更新公式如下：
MSvc(i，d1)＝r·X(i，d1)+(1-r)·X(i，d2) (4)
其中r是在[0，1]之间的随机数，d是个体中的维度；
S36、中庸解产生后随机运行潮流计算求解整个电网的潮流数据，计算出适应度；
S37、与横向交叉一样执行竞争算子。
在所述步骤S1中，通过无线路由器搭建分布式环境，再启动Jade从节点机根据主节点机的域名组成计算平台。
在所述步骤S2中，所有个体Agent都由主Agent产生，并自动迁移至相应的计算机中。
所述步骤S2中的原始数据包括支路参数、节点参数及发电机参数。
在所述步骤S4中，个体Agent在一次迭代结束后会检测是否有其它个体发来数据请求信息。
实施本发明，具有如下有益效果：
本发明采用局域网计算机群系统作为纵横交叉算法的分布式计算环境，在此环境下，针对纵横交叉算法的并行计算的优势，基于多智能体系统的交互性和移动性，实现种群纵横交叉操作与适应度计算的高度并行性。原始纵横交叉算法种群每一次演化都是通过横向交叉和纵向交叉交替产生新种群，然后根据贪婪原则保留个体当前最优值，与其它群体智能优化算法相比显著的优势是：纵横交叉算法两个算子都不需要收集当前种群个体适应度用以指导种群进化，因此，在考虑纵横交叉算法分布式并行计算框架时无需设置集中器，有利于减少通信开销，从而提高计算效率，同时为增强纵横交叉算法分布式并行计算的灵活性提供了可能。结合纵横交叉算法非全局控制的特点和多智能体系统分布式的优势，开发出基于纵横交叉算法的多智能体并行计算平台。
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是本发明基于分布式纵横交叉算法的电网最优潮流问题解决方法的流程框图。
图2是本发明基于分布式纵横交叉算法的电网最优潮流问题解决方法的个体寻优过程的流程框图。
图3是本发明与其它算法收敛曲线对比图。
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。
实施例
参照图1和图2，本实施例涉及一种基于分布式纵横交叉算法的电网最优潮流问题解决方法，包括以下步骤：
S1、在计算机群中启动Jade，通过无线路由器相连接搭建分布式的计算环境，所有从节点机根据主节点的域名进行注册组成计算平台；在该步骤中，通过无线路由器搭建分布式环境，再启动Jade从节点机根据主节点机的域名组成计算平台。
S2、在主节点机启动主Agent，主Agent生产出个体Agent后，个体Agent 通过智能体迁移功能移动至相应的计算机中并分别输入电力网络模型的原始数据；在该步骤中，所有个体Agent都由主Agent产生，并自动迁移至相应的计算机中。所述原始数据包括支路参数、节点参数及发电机参数。
S3、当个体Agent迁移成功后开始进行寻优操作；所有个体随机向另一个个体发送数据请求，待收到回复后个体开始交叉操作；具体的步骤如下：
S31、个体Agent在种群中随机选中另一个个体Agent，向其发送请求语句，随机进入循环等待；
S32、在收到返回的信息后开始横向交叉操作，其中横向交叉为不同种群同一维度间的交叉，更新公式如下：
MShc(i1，d)＝r1·X(i1，d)+(1-r1)·X(i2，d)+c1·(X(i1，d)-X(i2，d)) (5)
其中r1和r2是在[0,1]之间的随机数,c1和c2为拓展因子；MShc(i1，：)和MShc(i2，:)分别是父代种群X(i1，：)和X(i2，：)经交叉操作产生的中庸解；
S33、中庸解产生后随机运行潮流计算求解整个电网的潮流数据，计算出适应度；
S34、产生的中庸解MShc(i，：)将会与父代解X(i，：)执行竞争算子，当中庸解优于父代时即可替代父代，否则被遗弃；
S35、在横向交叉后，即在个体内部执行纵向交叉，纵向交叉为同一个体不同维度间的交叉操作，更新公式如下：
MSvc(i，d1)＝r·X(i，d1)+(1-r)·X(i，d2) (6)
其中r是在[0,1]之间的随机数，d是个体中的维度；
S36、中庸解产生后随机运行潮流计算求解整个电网的潮流数据，计算出适应度；
S37、与横向交叉一样执行竞争算子。
S4、每当个体的交叉操作完成一次后向主Agent发送信息，传递当前的个体最优值信息；随后检查是否有其他的个体向自己发来请求信息，若有则回复，没有则跳过；在该步骤中，个体Agent在一次迭代结束后会检测是否有其它个体发来数据请求信息。
S5、再次随机向一个个体发送数据请求开始下一代计算；
S6、若结束条件不满足则返回至S3；若结束条件满足则所有个体Agent自动死亡，主Agent输出最终结果。
在本实施中，具体以计算群为4台计算机为例，其算法过程如下：
步骤1：启动四台计算机同时启动Jade，通过无线路由器相连接搭建分布式计算环境，选定一台计算器作为主节点机，所有从节点机根据主节点的域名进行注册组成计算平台。
步骤2：在主节点机启动主Agent，主Agent生产出40个个体Agent后，个体Agent会通过智能体迁移功能移动至相应的计算机中，最终4台机器均有10 个Agent。
步骤3：输入IEEE-118节点网络模型的原始数据，包括支路参数、节点参数及发电机参数。
步骤4：个体Agent迁移成功后即开始进行寻优操作。所有个体都会随机向另一个个体(可在同一计算机内或跨计算机)发送数据请求，随即进入循环等待。
步骤5：当收到返回的信息后即开始横向交叉操作。其中横向交叉为不同种群同一维度间的交叉，更新公式如下：
MShc(i1，d)＝r1·X(i1，d)+(1-r1)·X(i2，d)+c1·(X(i1，d)-X(i2，d)) (7)
其中r1和r2是在[0，1]之间的随机数，c1和c2为拓展因子。MShc(i1，：)和MShc(i2，：)分别是父代种群X(i1，：)和X(i2，：)经交叉操作产生的中庸解。
步骤6：中庸解产生后随即运行牛顿拉夫逊法解潮流计算求解整个电网的潮流数据，以发电成本最低为例求解公式如下：
Figure RE-GDA0002745677370000061
式中ai、bi和ci为耗量系数，PGi为发电机有功出力。在求得发电成本后还需要计算惩罚项，公式如下：
Figure RE-GDA0002745677370000062
其中λPG、λV和λQG分别为发电机有功出力惩罚系数、节点电压惩罚系数和发电机无功出力惩罚系数；Nd和Ng分别为负荷节点个数和发电机数量。最终适应度函数为以上两项相加：
Figure RE-GDA0002745677370000063
步骤7：产生的中庸解MShc(i，：)将会与父代解X(i，：)执行竞争算子，当中庸解优于父代时即可替代父代，否则被遗弃。
步骤8：在横向交叉后，即在个体内部执行纵向交叉，纵向交叉为同一个体不同维度间的交叉操作，更新公式如下：
MSvc(i，d1)＝r·X(i，d1)+(1-r)·X(i，d2) (11)
其中r是在[0，1]之间的随机数，d是个体中的维度。
步骤9：中庸解产生后随机运行牛顿拉夫逊算法解潮流计算求解整个电网的潮流数据，计算适应度的步骤与步骤6。
步骤10：与横向交叉一样执行竞争算子。
步骤11：每当个体的交叉操作完成一次后就会向主Agent发送信息，传递当前的个体最优值信息。随后检查是否有其他的个体向自己发来请求信息，若有则回复当前数据，没有则跳过。
步骤12：再次随机向一个个体发送数据请求以开始下一代计算。
步骤13：若终止条件不满足则返回至步骤5；若终止条件满足则所有个体 Agent自动死亡，主Agent输出最终结果。
同样的，以单台机器、两台机器、三台机器和四台机器为例作对比实验，得到的结果是：纵横交叉算法在单台机器中与多台机器中运行其性质没有改变，所以其优化结果不会有差别，其差别的地方在于达到相同结果所需的时间，具体如下所示：
CSO单台机器测试，总迭代次数设为3000次连续无重复的独立运行20次取平均列于表1。
表1：CSO单台机器测试
算法 最小值 平均值 最大值 平均时间(s) 迭代次数
CSO 129681 129709 129730 3442 3000
取平均值120709$/h设为将终止条件，然后比较单台机器与多台机器情况下的运行时间列于表2。由表可知，当机器数量增加时，时间缩短明显。
表2：多台机器运行对比
算法 台数 结果 时间(s)
CSO 1 129709 3442
CSO 2 129709 2409
CSO 3 129709 1347
CSO 4 129709 870
将CSO算法寻优获得的最优值与其它同类算法PSO、GSA和GWO进行比较列于表3，收敛曲线对比如图3所示。
表3：不同算法间的对比
Figure RE-GDA0002745677370000071
Figure RE-GDA0002745677370000081
综上所述，本方法采用局域网计算机群系统作为纵横交叉算法的分布式计算环境，在此环境下，针对纵横交叉算法的并行计算的优势，基于多智能体系统的交互性和移动性，实现种群纵横交叉操作与适应度计算的高度并行性。原始纵横交叉算法种群每一次演化都是通过横向交叉和纵向交叉交替产生新种群，然后根据贪婪原则保留个体当前最优值，与其它群体智能优化算法相比显著的优势是：纵横交叉算法两个算子都不需要收集当前种群个体适应度用以指导种群进化，因此，在考虑纵横交叉算法分布式并行计算框架时无需设置集中器，有利于减少通信开销，从而提高计算效率，同时为增强纵横交叉算法分布式并行计算的灵活性提供了可能。结合纵横交叉算法非全局控制的特点和多智能体系统分布式的优势，开发出基于纵横交叉算法的多智能体并行计算平台。具体研究思路如下：
无中心控制的纵横交叉算法并行计算是纵横交叉算法的直接并行化方案，将每个个体直接映射到单个智能体，通过移动智能体将种群中所有个体智能体部署到不同的节点机上。在执行纵横交叉算法并行计算时，每个智能体可采用完全独立且异步的方式执行横向交叉、纵向交叉和适应度计算，其中横向交叉并行计算可通过与其它随机选择的智能体交换个体解编码信息实现；纵向交叉并行计算则是在每个智能体内部通过交换个体当前解不同维的信息实现；纵向或横向交叉产生的新解，其适应度评价的并行计算可通过电网模型仿真实现。上述模型中的主节点机在纵横交叉算法演化过程中并不执行全局性操作，所有从节点机完全自主独立并行执行纵横交叉算子和适应度计算。主节点机的作用是充当智能体工厂，生产具有移动属性的个体智能体，并派遣到分布式环境下的空闲节点，从而动态构建纵横交叉算法的进化环境。所有个体智能体通过一定的准则(如适应度方差、演化代数等)判断是否结束生命周期，每个个体智能体由于采用异步独立运行不需要设计复杂的同步机制，其执行可能存在差异，因此，每个个体智能体将最优解上报给控制智能体的时间可能会存在不同，当控制智能体获取种群中所有个体的最优值，通过识别种群的最佳个体即可输出问题的全局最优解。此方式可实现纵横交叉算法算子和适应度计算的完全并行性，对于适应度评价时间开销过大的大规模电网最优潮流问题可提高计算效率。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (6)

1.一种基于分布式纵横交叉算法的电网最优潮流问题解决方法，其特征在于，包括以下步骤：
S1、在计算机群中启动Jade，通过无线路由器相连接搭建分布式的计算环境，所有从节点机根据主节点的域名进行注册组成计算平台；
S2、在主节点机启动主Agent，主Agent生产出个体Agent后，个体Agent通过智能体迁移功能移动至相应的计算机中并分别输入电力网络模型的原始数据；
S3、当个体Agent迁移成功后开始进行寻优操作；所有个体随机向另一个个体发送数据请求，待收到回复后个体开始交叉操作；
S4、每当个体的交叉操作完成一次后向主Agent发送信息，传递当前的个体最优值信息；随后检查是否有其他的个体向自己发来请求信息，若有则回复，没有则跳过；
S5、再次随机向一个个体发送数据请求开始下一代计算；
S6、若结束条件不满足则返回至S3；若结束条件满足则所有个体Agent自动死亡，主Agent输出最终结果。
2.根据权利要求9所述的一种基于分布式纵横交叉算法的电网最优潮流问题解决方法，其特征在于，所述步骤S3包括以下步骤：
S31、个体Agent在种群中随机选中另一个个体Agent，向其发送请求语句，随机进入循环等待；
S32、在收到返回的信息后开始横向交叉操作，其中横向交叉为不同种群同一维度间的交叉，更新公式如下：
MShc(i1，d)＝r1·X(i1，d)+(1-r1)·X(i2，d)+c1·(X(i1，d)-X(i2，d)) (1)
其中r1和r2是在[0，1]之间的随机数，c1和c2为拓展因子；MShc(i1，：)和MShc(i2，：)分别是父代种群X(i1，：)和X(i2，：)经交叉操作产生的中庸解；
S33、中庸解产生后随机运行潮流计算求解整个电网的潮流数据，计算出适应度；
S34、产生的中庸解MShc(i，：)将会与父代解X(i，：)执行竞争算子，当中庸解优于父代时即可替代父代，否则被遗弃；
S35、在横向交叉后，即在个体内部执行纵向交叉，纵向交叉为同一个体不同维度间的交叉操作，更新公式如下：
MSvc(i，d1)＝r·X(i，d1)+(l-r)·X(i，d2) (2)
其中r是在[0，1]之间的随机数，d是个体中的维度；
S36、中庸解产生后随机运行潮流计算求解整个电网的潮流数据，计算出适应度；
S37、与横向交叉一样执行竞争算子。
3.根据权利要求9所述的一种基于分布式纵横交叉算法的电网最优潮流问题解决方法，其特征在于，在所述步骤S1中，通过无线路由器搭建分布式环境，再启动Jade从节点机根据主节点机的域名组成计算平台。
4.根据权利要求9所述的一种基于分布式纵横交叉算法的电网最优潮流问题解决方法，其特征在于，在所述步骤S2中，所有个体Agent都由主Agent产生，并自动迁移至相应的计算机中。
5.根据权利要求9所述的一种基于分布式纵横交叉算法的电网最优潮流问题解决方法，其特征在于，所述步骤S2中的原始数据包括支路参数、节点参数及发电机参数。
6.根据权利要求9所述的一种基于分布式纵横交叉算法的电网最优潮流问题解决方法，其特征在于，在所述步骤S4中，个体Agent在一次迭代结束后会检测是否有其它个体发来数据请求信息。
CN202010858774.3A 2020-08-24 2020-08-24 一种基于分布式纵横交叉算法的电网最优潮流问题解决方法 Pending CN112100907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010858774.3A CN112100907A (zh) 2020-08-24 2020-08-24 一种基于分布式纵横交叉算法的电网最优潮流问题解决方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010858774.3A CN112100907A (zh) 2020-08-24 2020-08-24 一种基于分布式纵横交叉算法的电网最优潮流问题解决方法

Publications (1)

Publication Number Publication Date
CN112100907A true CN112100907A (zh) 2020-12-18

Family

ID=73754228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010858774.3A Pending CN112100907A (zh) 2020-08-24 2020-08-24 一种基于分布式纵横交叉算法的电网最优潮流问题解决方法

Country Status (1)

Country Link
CN (1) CN112100907A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818588A (zh) * 2021-01-08 2021-05-18 南方电网科学研究院有限责任公司 一种电力系统的最优潮流计算方法、装置及存储介质
CN113254195A (zh) * 2021-04-12 2021-08-13 清华大学深圳国际研究生院 电力优化运行方法、终端设备及计算机可读存储介质
CN114331111A (zh) * 2021-12-27 2022-04-12 广东工业大学 一种多区域静态经济调度解耦降维求解方法
CN114784784A (zh) * 2022-03-31 2022-07-22 广东工业大学 一种基于纵横交叉算法的直流微电网稳定性趋优控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710281A (zh) * 2009-12-11 2010-05-19 西安电子科技大学 基于Agent的动态集成开发平台系统和方法
CN104239961A (zh) * 2014-07-16 2014-12-24 广东工业大学 一种基于纵横交叉算法的电力系统经济调度优化方法
CN104348173A (zh) * 2014-09-15 2015-02-11 广东电网公司揭阳供电局 一种基于改进cso算法的电力系统无功优化方法
CN104992009A (zh) * 2015-06-24 2015-10-21 天津大学 基于多代理系统的主动配电网分布式电压控制方法
CN109143093A (zh) * 2018-06-29 2019-01-04 广东工业大学 基于纵横交叉优化神经网络的电池soc估算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710281A (zh) * 2009-12-11 2010-05-19 西安电子科技大学 基于Agent的动态集成开发平台系统和方法
CN104239961A (zh) * 2014-07-16 2014-12-24 广东工业大学 一种基于纵横交叉算法的电力系统经济调度优化方法
CN104348173A (zh) * 2014-09-15 2015-02-11 广东电网公司揭阳供电局 一种基于改进cso算法的电力系统无功优化方法
CN104992009A (zh) * 2015-06-24 2015-10-21 天津大学 基于多代理系统的主动配电网分布式电压控制方法
CN109143093A (zh) * 2018-06-29 2019-01-04 广东工业大学 基于纵横交叉优化神经网络的电池soc估算方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
刘烨: "基于多代理系统的配电网潮流计算研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 07, 15 July 2014 (2014-07-15), pages 042 - 554 *
卢海明等: "含分布式电源的地区电网无功优化研究", 山东电力技术, vol. 44, no. 3, 25 March 2017 (2017-03-25), pages 26 - 30 *
周尚谋: "基于多智能体纵横交叉算法的电力系统无功优化研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 10, 15 October 2016 (2016-10-15), pages 042 - 144 *
束洪春, 唐岚, 董俊: "多Agent技术在电力系统中的应用展望", 电网技术, no. 06, 5 June 2005 (2005-06-05), pages 27 - 31 *
陈志祥: "分布式多代理体系结构供应链协同技术研究", 计算机集成制造系统-CIMS, no. 02, 25 February 2005 (2005-02-25), pages 212 - 219 *
黄海涛等: "基于改进纵横交叉算法的多目标无功优化", 宁夏电力, no. 6, 28 December 2016 (2016-12-28), pages 19 - 26 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818588A (zh) * 2021-01-08 2021-05-18 南方电网科学研究院有限责任公司 一种电力系统的最优潮流计算方法、装置及存储介质
CN113254195A (zh) * 2021-04-12 2021-08-13 清华大学深圳国际研究生院 电力优化运行方法、终端设备及计算机可读存储介质
CN113254195B (zh) * 2021-04-12 2022-12-27 清华大学深圳国际研究生院 电力优化运行方法、终端设备及计算机可读存储介质
CN114331111A (zh) * 2021-12-27 2022-04-12 广东工业大学 一种多区域静态经济调度解耦降维求解方法
CN114331111B (zh) * 2021-12-27 2022-10-18 广东工业大学 一种多区域静态经济调度解耦降维求解方法
CN114784784A (zh) * 2022-03-31 2022-07-22 广东工业大学 一种基于纵横交叉算法的直流微电网稳定性趋优控制方法
CN114784784B (zh) * 2022-03-31 2022-11-22 广东工业大学 一种基于纵横交叉算法的直流微电网稳定性趋优控制方法

Similar Documents

Publication Publication Date Title
CN112100907A (zh) 一种基于分布式纵横交叉算法的电网最优潮流问题解决方法
Cui et al. A novel offloading scheduling method for mobile application in mobile edge computing
Khan et al. Distributed algorithms for constructing approximate minimum spanning trees in wireless sensor networks
CN102855153B (zh) 面向片式多核处理器的流编译优化方法
Ribeiro et al. Reactive tabu search with path-relinking for the Steiner problem in graphs
CN103080900A (zh) 并行化自动控制程序的方法及编译器
CN109241633B (zh) 基于遗传算法的流体机械并行仿真程序进程映射方法
Wu et al. A deadline-aware estimation of distribution algorithm for resource scheduling in fog computing systems
Liu et al. Parallel simulation environment for mobile wireless networks
CN104317646A (zh) 基于OpenFlow框架下云数据中心虚拟机调度方法
CN107911300A (zh) 基于鲸鱼算法的组播路由优化方法及其在Spark平台上的应用
Bhatelé et al. Benefits of topology aware mapping for mesh interconnects
Lastovetsky et al. An accurate communication model of a heterogeneous cluster based on a switch-enabled ethernet network
Bakhshi et al. Formal analysis techniques for gossiping protocols
CN101477168B (zh) 电力系统暂态稳定并行化测试系统及其测试方法
Lin et al. Task scheduling algorithm based on Pre-allocation strategy in cloud computing
CN106780747B (zh) 一种快速分割cfd计算网格的方法
CN116777670A (zh) 一种配电网理论线损分层并行计算方法、系统和终端
Wang et al. Toward performant and energy-efficient queries in three-tier wireless sensor networks
CN109388733B (zh) 一种面向图数据处理引擎的优化方法
CN105956937A (zh) 电力系统小干扰稳定分析的数据中心求解方法
Kazemeyni et al. Formal modeling and validation of a power-efficient grouping protocol for WSNs
CN117217002B (zh) 一种基于多步长的电磁暂态并行仿真方法和系统
Hou et al. Reliable Routing of Time-Triggered Traffic in Time Sensitive Networks
CN109861304A (zh) 一种考虑通信时变时滞的微电网经济调度方法

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