CN112365195A - 基于Spark分布式改进粒子群算法的配电网故障后重构方法 - Google Patents

基于Spark分布式改进粒子群算法的配电网故障后重构方法 Download PDF

Info

Publication number
CN112365195A
CN112365195A CN202011407978.1A CN202011407978A CN112365195A CN 112365195 A CN112365195 A CN 112365195A CN 202011407978 A CN202011407978 A CN 202011407978A CN 112365195 A CN112365195 A CN 112365195A
Authority
CN
China
Prior art keywords
population
distribution network
power distribution
particle swarm
steps
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
CN202011407978.1A
Other languages
English (en)
Inventor
高旭
刘成龙
赵炜
赵建斌
辛锐
曹明
郑涛
刘少帅
王尧
赵继生
张冬亚
李丹
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.)
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Hebei Electric Power Co Ltd
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 State Grid Corp of China SGCC, Information and Telecommunication Branch of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011407978.1A priority Critical patent/CN112365195A/zh
Publication of CN112365195A publication Critical patent/CN112365195A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于Spark分布式改进粒子群算法的配电网故障后重构方法，包括以下步骤：S1：将维度设置为
Figure DDA0002817146170000011
维；S2：使用DIPSO算法产生种群；S3：将种群中的个体通过上述编码码映射到开关上的排列组合数空间上；S4：计算失电区域值，并且将该值作为个体的适应度；S5：根据适应度更新最优解，然后继续下一次迭代，直到所有迭代次数达到总迭代次数。本发明针对配网故障后重构后网损最小为目标，建立配电网故障后重构模型。使用改进后的粒子群算法与Spark大数据分布式计算框架结合，充分利用分布式集群计算资源，使得算法并行搜索能力，以提升算法的搜索速度。

Description

基于Spark分布式改进粒子群算法的配电网故障后重构方法
技术领域
本发明涉及微电网优化领域，尤其涉及一种基于Spark分布式改进粒子群算法的配电网故障后重构方法。
背景技术
随着城市发展，城市规模越来越大，配网规模也越来越大，此时在大规模电网中出现配网故障，而配网故障后重构是最优化问题。
考虑到故障后需要减少影响范围，因此故障后重构时，优先保证为尽可能多的用户恢复供电，同时考虑负荷的重要程度，若不能恢复所有非故障停电区用户的供电，则优先恢复重要负荷。
粒子群算法作为一种启发式算法，在搜索速度方面存在固有缺陷，不能在大规模优化问题上应用。
分布式计算指的是将一个需要庞大计算能力才能解决的问题，分割成很多子任务，进而分配给多台计算机进行并行处理，最后将计算结果汇总得到最终结果。与集中式计算相比，分布式计算不但能大幅提升运行速度，还具有价格相对低廉、维护方便等优点。
Spark是由加州大学伯克利分校的AMLab实验室于2009年研发的一款基于内存的分布式计算框架，之后又推出了SparkSQL、SparkStreaming、MLLib和GraphX等组件，形成了批处理、流式计算、机器学习和图计算的大数据处理一站式解决平台。Spark在MapReduce的基础上进行了大量改进和优化，性能得到大幅提升。
弹性分布式数据集RDD是Spark中的核心概念，它是一种分布于各个计算节点、存储于内存中的只读型数据集。用户将外部数据加载到内存中生成RDD；再经过一系列转换操作(transformation)，每次转换都会生成一个新的RDD；最后执行动作操作(action)，对RDD进行计算并返回结果，从而实现应用程序的功能。
与MapReduce将中间结果保存到硬盘不同，RDD能够保存在内存中，数据在多个RDD中进行传递操作，避免了磁盘的IO开销和序列化、反序列化开销，提升了效率。RDD可以长期保存在内存中不被回收，重复使用时不需要重新创建。RDD也是可序列化的，在运算过程中如果出现内存不足，RDD可以自动存储于磁盘上，确保内存足够继续运算。
RDD还具有良好的容错性，RDD的一系列转换操作会被Spark进行记录，形成相互间的血缘(lineage)关系；在RDD的某个分区或者部分数据丢失的情况下，可以通过寻亲来找回数据。
发明内容
为了解决现有算法进行配网重构会出现算法搜索空间暴增，使得算法搜索效果差的问题；有效提高传统粒子群算法的搜索效率，本发明提出一种分布式的改进粒子群算法(DistributedImprovedParticleSwarmOptimization，DIPSO)，对传统粒子群算法进行改进，使其适应Spark分布式计算框架的特点，从而充分利用分布式集群的计算资源，提高算法的搜索效果。
本发明采用以下技术方案：一种基于Spark分布式改进粒子群算法的配电网故障后重构方法，其包括以下步骤：
S0：建立配电网模型；
S1：将维度设置为
Figure BDA0002817146150000021
维，NS为配电网开关总数；
S2：使用DIPSO算法产生种群；
S3：将种群中的个体通过上述编码码映射到开关上的排列组合数空间上；
S4：计算失电区域值，并且将该值作为个体的适应度；
S5：根据适应度更新最优解，然后继续下一次迭代，直到所有迭代次数达到总迭代次数。
在本发明一实施例中，建立配电网的模型包括以下步骤：首先将所研究的配电网分成若干个区域，每个区域中只包含支路和母线、不包含开关；用二进制位表示配网的开关状态，1表示开关处于闭合状态，0表示开关处于开状态，二进制位的长度为网络中开关的数量，每32位设为DIPSO中的一个个体的一个维度，使得个体中每个维度的数据类型都是32位整型变量。
在本发明一实施例中，步骤S2包括以下步骤：
Step1：进行参数初始化；
Step2：根据全局或局部搜索阶段，对粒子群进行不同的随机初始化，全局搜索的种群随机初始化步骤中使用公式如下：
Xi＝rand*(ub-lb)+lbwherel←(1:N)(2)
其中，Xi为粒子第i个个体的位置，
lb和ub为粒子位置Xi的上下界，
rand为(0,1)的平均随机数，
N种群中个体数量；
Step3：对粒子群的位置和速度进行更新；
Step4：如果种群中的个体适应度小于个体历史最优适应度，则将当前个体作为历史最优个体，当前个体适应度作为历史最优个体适应度；
Step5：如果种群中的个体适应度小于种群历史最优适应度，则更新当前个体作为种群历史最优个体，当前个体的适应度为种群历史最优个体适应度；
Step6：计算种群多样性；
Step7：如果前后两代种群多样性的差值小于G＝0.001则重新初始化种群；
Step8：当达到指定的最优值更新次数或迭代次数结束循环。
在本发明一实施例中，参数初始化包括：对分布式计算的并行度p进行设置，并行度的作用是要按照数据数量的上下界将其分割为p组数据，每组数据生成Spark的一个RDD，代表一个例子种群，之后在各RDD中分别对各个种群进行计算。
在本发明一实施例中，局部搜索的种群随机初始化步骤中使用公式如下：
Xi＝gaussian_rand*β+Xi *wherei←(1:N) (3)
其中，Xi为粒子第i个维度的位置，
β为搜索到的已知最优适应度，
gaussian_rand为均值为0，方差为1的高斯分布随机数，
Xi *为搜索到的已知最优个体，
N种群中个体数量。
在本发明一实施例中，局部搜索阶段中若最优值连续n次没有更新，则令最大更新次数在原有基础上加2。
在本发明一实施例中，Step3：对粒子群的位置和速度进行更新包括以下步骤：新的位置和速度按照如下公式计算：
w＝(1-t/I)*0.5+0.4 (4)
Vi t+1＝w*Vi t+(Xi t-Xi *)*rand1*1.49+(Xi t-X*)*rand2*1.49 (5)
Xi t+1＝Xi t+Vi t+1 (6)
其中，w为历史速度权重因子，
t为种群计算的当前迭代次数，
I为预设的最大迭代次数，
Vi t为种群中的个体i的速度，
rand1为均值为0，方差为1的高斯分布随机数，
rand2为均值为0，方差为1的高斯分布随机数，
Xi t为个体i在t代的位置。
在本发明一实施例中，Step2中局部搜索阶段占总迭代次数的80％，当前迭代次数达到或者超过总迭代次数的20％开始局部搜索阶段。
在本发明一实施例中，Step6中通过公式(7)计算种群多样性；
Figure BDA0002817146150000041
其中Xavg为种群所有个体的中心位置，
u为种群的欧式距离，代表种群多样性。
在本发明一实施例中，种群初始化公式如下：
μ＝(X*-lb)/(ub-lb)(8)
θ＝(1-t/I)*Max(μ，1-μ)(9)
Xi＝lb+(ub-lb)*(gaussian_rand*θ+μ)(10)
其中，μ为高斯分布均值，θ为高斯分布方差，Max(μ，1-μ)表示括号内两个参数中的最大值。
在本发明一实施例中，S4中根据公式
Figure BDA0002817146150000042
计算失电区域值，并且将该值作为个体的适应度；其中
Figure BDA0002817146150000043
为开关状态向量即
Figure BDA0002817146150000044
SWi，SWj，SWk＝1表示开关闭合、负荷供电；SWi，SWj，SWk＝0表示开关断开、负荷卸载；N1、N2、N3分别表示一级、二级、三级负荷的个数；Lg1i表示一级负荷的大小，i＝1，2，...N1；Lg2j表示二级负荷的大小，j＝1，2，...N2；Lg2k表示三级负荷的大小，k＝1，2，...N3；λ1、λ2、λ3分别表示一级、二级、三级负荷的权重系数。
与现有技术相比，本发明针对配网故障后重构后网损最小为目标，建立配电网故障后重构模型。使用改进后的粒子群算法与Spark大数据分布式计算框架结合，充分利用分布式集群计算资源，使得算法并行搜索能力，以提升算法的搜索速度。
附图说明
图1为本发明一实施例的种群计算流程图。
图2为本发明一实施例的总体层面流程图。
图3位本发明一实施例配电网示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实例的附图，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。
本发明提供一种基于Spark分布式改进粒子群算法的配电网故障后重构方法。对传统粒子群算法进行改进，使其适应Spark分布式计算框架的特点，从而充分利用分布式集群的计算资源，提高算法的搜索效果。将该基于Spark分布式改进粒子群算法应用于配网故障后重构，以使配网故障后重构后网损最小。
本发明采用以下技术方案实现，一种基于Spark分布式改进粒子群算法的配电网故障后重构方法，其包括以下步骤：
S0：建立配电网模型；
S1：将维度设置为
Figure BDA0002817146150000051
维，NS为配电网开关总数；
S2：使用DIPSO算法产生种群；
S3：将种群中的个体通过上述编码码映射到开关上的排列组合数空间上；
S4：计算失电区域值，并且将该值作为个体的适应度；
S5：根据适应度更新最优解，然后继续下一次迭代，直到所有迭代次数达到总迭代次数。
首先需要对配电网进行建模。在本发明一实施例中，可以将所研究的配电网分成若干个区域,每个区域中只包含支路和母线、不包含开关。这样原始配电网就可以用区域和开关组成的图来表示。用二进制位表示配网的开关状态，1表示开关处于闭合状态,0表示开关处于开状态。二进制位的长度为网络中开关的数量。
每32位设为DIPSO中的一个个体的一个维度，使得个体中每个维度的数据类型都是32位整型变量。
在本发明一实施例中，可以根据公式(1)计算失电区域值。
Figure BDA0002817146150000061
其中
Figure BDA0002817146150000062
为开关状态向量即
Figure BDA0002817146150000063
SWi，SWj，SWk＝1表示开关闭合、负荷供电；
SWi，SWj，SWk＝0表示开关断开、负荷卸载；
N1、N2、N3分别表示一级、二级、三级负荷的个数；
Lg1i表示一级负荷的大小，i＝1，2，...N1；
Lg2j表示二级负荷的大小，j＝1，2，...N2；
Lg2k表示三级负荷的大小，k＝1，2，...N3；
λ1、λ2、λ3分别表示一级、二级、三级负荷的权重系数。
粒子群算法作为一种启发式算法，在搜索速度方面存在固有缺陷，不能在大规模优化问题上应用。为了有效提高传统粒子群算法的搜索效率，本文提出一种分布式的改进粒子群算(Distributed Improved Particle Swarm Optimization,DIPSO)，对传统粒子群算法进行改进，使其适应Spark分布式计算框架的特点，从而充分利用分布式集群的计算资源，提高算法的搜索效果。
即步骤S2是本发明的关键步骤。
以下详细阐述分布式改进粒子群算法的流程和步骤。
在参数初始化阶段，需要对分布式计算的并行度p进行设置，并行度的作用是要按照数据数量的上下界将其分割为p组数据，每组数据生成Spark的一个RDD，代表一个例子种群，之后在各RDD中分别对各个种群进行计算。
种群计算是算法对解空间进行具体的搜索的过程，在Spark中是不可分割的最小计算步骤。
较佳的，可以将每次计算的迭代次数设置为“总迭代次数*0.8/p/5”。
在本发明具体实施例中将种群大小设为10。
具体步骤及流程如下：
Step1：进行参数初始化；
Step2：根据全局或局部搜索阶段，对粒子群进行不同的随机初始化。
在本发明一实施例中，全局搜索的种群随机初始化步骤中使用公式如下：
Xi＝rand*(ub-lb)+lb where l←(1:N) (2)
其中，Xi为粒子第i个个体的位置，
lb和ub为粒子位置Xi的上下界，
rand为(0,1)的平均随机数，
N种群中个体数量。
无论什么阶段算法搜索到到最优解定义为算法开始运行到当前时刻搜索到的所有解的适应度值最小的那个解。算法从随机初始化后，产生的第一批种群，就开始进行比较找到该种群中适应度最小的那个解，此时种群计算的最优解产生了。第一批种群计算过后，进行信息交互后，多个种群计算中的最优解既是当前算法的最优解。
在本发明一实施例中，局部搜索阶段占总迭代次数的80％，当前迭代次数达到或者超过总迭代次数的20％开始局部搜索阶段。
进一步的，局部搜索的种群随机初始化步骤中使用公式如下：
Xi＝gaussian_rand*β+Xi *where i←(1:N) (3)
其中，Xi为粒子第i个维度的位置，
β为搜索到的已知最优适应度，
gaussian_rand为均值为0，方差为1的高斯分布随机数，
Xi *为搜索到的已知最优个体，
N种群中个体数量。
Step3：对粒子群的位置和速度进行更新。
在本发明一实施例中，新的位置和速度按照如下公式计算：
w＝(1-t/I)*0.5+0.4 (4)
Vi t+1＝w*Vi t+(Xi t-Xi *)*rand1*1.49+(Xi t-X*)*rand2*1.49 (5)
Xi t+1＝Xi t+Vi t+1 (6)
其中，w为历史速度权重因子，
t为种群计算的当前迭代次数，
I为预设的最大迭代次数，Vi t为种群中的个体i的速度，
rand1为均值为0，方差为1的高斯分布随机数，
rand2为均值为0，方差为1的高斯分布随机数，
Xi t为个体i在t代的位置；
Step4：更新个体历史最优值。
如果种群中的个体适应度小于个体历史最优适应度，则将当前个体作为历史最优个体，当前个体适应度作为历史最优个体适应度。
Step5：更新种群历史最优值。
如果种群中的个体适应度小于种群历史最优适应度，则更新当前个体作为种群历史最优个体，当前个体的适应度为种群历史最优个体适应度。
Step6：计算种群多样性。
Figure BDA0002817146150000081
其中，Xavg为种群所有个体的中心位置，
u为种群的欧式距离，通过种群的欧式距离来代表种群多样性。
Step7：如果前后两代种群多样性的差值小于G＝0.001则重新初始化种群。较佳的，初始化公式如下：
μ＝(X*-lb)/(ub-lb)(8)
θ＝(1-t/I)*Max(μ，1-μ)(9)
Xi＝lb+(ub-lb)*(gaussian_rand*θ+μ)(10)
其中，μ为高斯分布均值，
θ为高斯分布方差，
Max(μ，1-μ)表示括号内两个参数中的最大值。
通过上述步骤Step7，实现了种群的随机初始化。
Step8：检查是否达到循环结束条件，即达到指定的“最优值更新次数”或“迭代次数”。
本发明的种群计算流程图如图1所示。
在总体层面上，算法分为全局搜索和局部搜索两个阶段。
在本发明一具体实施例中，全局搜索阶段占总迭代次数的20％，且限制种群计算的更新次数。局部搜索阶段占总迭代次数的80％。
较佳的，可以将局部搜索阶段的最大最优值更新次数u的初始值设置为15。若最优值连续n次没有更新，则令最大更新次数在原有基础上加2。
较佳的，n为5。
在总体层面上，各RDD完成各自种群的迭代计算之后，需要进行各种群间的信息交互，即找出全部种群上一次迭代计算时产生结果中的最优解；如果该解比当前全部种群的最优解还好，则更新当前最优解，并且将最优解继续传递到下一次的各个种群的迭代计算中。
本发明的种群汇总信息交互流程图如图2所示。
在本发明的一具体实施例中，简单配电网如图3所示。正常运行方式下联络开关S6、S9、S11、S13处于打开状态，其他开关闭合。
设故障点在母线2、3之间的线路上，故障区内的负荷为9.26MW。由于故障，导致开关S2跳开，故障区域和非故障区域如图3所示。这里S9为自动遥控开关，S13为手动开关。
考虑到故障后需要减少影响范围，因此故障后重构时,优先保证为尽可能多的用户恢复供电,同时考虑负荷的重要程度,若不能恢复所有非故障停电区用户的供电,则优先恢复重要负荷。因此选择闭合S9，打开S13。整个算法耗时5.6s。重构后网路损耗为42.932MW。
通过本发明提供的配电网故障后重构方法得到的结果如表1所示。
表1简单故障配网故障恢复
Figure BDA0002817146150000091
使用改进后的粒子群算法与Spark大数据分布式计算框架结合，充分利用分布式集群计算资源，使得算法并行搜索能力，具有较快的搜索速度。可以有效解决现有算法进行配网重构会出现算法搜索空间暴增，使得算法搜索效果差的问题。
上述实施例仅供说明本发明之用，本技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变化，因此，所有等同的技术方案也应该属于本发明的范畴。

Claims (10)

1.一种基于Spark分布式改进粒子群算法的配电网故障后重构方法，其特征在于：包括以下步骤：
S0：建立配电网模型；
S1：将维度设置为
Figure FDA0002817146140000011
维，NS为配电网开关总数；
S2：使用DIPSO算法产生种群；
S3：将种群中的个体通过上述编码码映射到开关上的排列组合数空间上；
S4：计算失电区域值，并且将该值作为个体的适应度；
S5：根据适应度更新最优解，然后继续下一次迭代，直到所有迭代次数达到总迭代次数。
2.根据权利要求1所述的基于Spark分布式改进粒子群算法的配电网故障后重构方法，其特征在于：建立配电网的模型包括以下步骤：首先将所研究的配电网分成若干个区域，每个区域中只包含支路和母线、不包含开关；用二进制位表示配网的开关状态，1表示开关处于闭合状态，0表示开关处于开状态，二进制位的长度为网络中开关的数量，每32位设为DIPSO中的一个个体的一个维度，使得个体中每个维度的数据类型都是32位整型变量。
3.根据权利要求1所述的基于Spark分布式改进粒子群算法的配电网故障后重构方法，其特征在于：步骤S2包括以下步骤：Step1：进行参数初始化；
Step2：根据全局或局部搜索阶段，对粒子群进行不同的随机初始化；
Step3：对粒子群的位置和速度进行更新；
Step4：寻找历史最优个体适应度；
Step5：寻找为种群历史最优个体适应度；
Step6：计算种群多样性；
Step7：如果前后两代种群多样性的差值小于G＝0.001则重新初始化种群；
Step8：当达到指定的最优值更新次数或迭代次数结束循环。
4.根据权利要求3所述的基于Spark分布式改进粒子群算法的配电网故障后重构方法，其特征在于：参数初始化包括：对分布式计算的并行度p进行设置，并行度的作用是要按照数据数量的上下界将其分割为p组数据，每组数据生成Spark的一个RDD，代表一个例子种群，之后在各RDD中分别对各个种群进行计算。
5.根据权利要求3所述的基于Spark分布式改进粒子群算法的配电网故障后重构方法，其特征在于：全局搜索的种群随机初始化步骤中使用公式如下：
Xi＝rand*(ub-lb)+lbwherel←(1:N) (2)
其中，Xi为粒子第i个个体的位置，lb和ub为粒子位置Xi的上下界，rand为(0,1)的平均随机数，N种群中个体数量。
6.根据权利要求3所述的基于Spark分布式改进粒子群算法的配电网故障后重构方法，其特征在于：局部搜索的种群随机初始化步骤中使用公式如下：
Xi＝gaussian_rand*β+Xi *wherei←(1:N) (3)
其中，Xi为粒子第i个维度的位置，β为搜索到的已知最优适应度，gaussian_rand为均值为0，方差为1的高斯分布随机数，Xi *为搜索到的已知最优个体，N种群中个体数量。
7.根据权利要求3所述的基于Spark分布式改进粒子群算法的配电网故障后重构方法，其特征在于：Step2中局部搜索阶段占总迭代次数的80％，当前迭代次数达到或者超过总迭代次数的20％开始局部搜索阶段。
8.根据权利要求7所述的基于Spark分布式改进粒子群算法的配电网故障后重构方法，其特征在于：局部搜索阶段中若最优值连续n次没有更新，则令最大更新次数在原有基础上加2。
9.根据权利要求3所述的基于Spark分布式改进粒子群算法的配电网故障后重构方法，其特征在于：Step3：对粒子群的位置和速度进行更新包括以下步骤：
新的位置和速度按照如下公式计算：
w＝(1-t/I)*0.5+0.4 (4)
Figure FDA0002817146140000021
Figure FDA0002817146140000022
其中，w为历史速度权重因子，t为种群计算的当前迭代次数，I为预设的最大迭代次数，Vi t为种群中的个体i的速度，rand1为均值为0，方差为1的高斯分布随机数，rand2为均值为0，方差为1的高斯分布随机数，Xi t为个体i在t代的位置。
10.根据权利要求3所述的基于Spark分布式改进粒子群算法的配电网故障后重构方法，其特征在于：Step6中通过公式(7)计算种群多样性；
Figure FDA0002817146140000031
其中Xavg为种群所有个体的中心位置，u为种群的欧式距离，代表种群多样性。
CN202011407978.1A 2020-12-03 2020-12-03 基于Spark分布式改进粒子群算法的配电网故障后重构方法 Pending CN112365195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011407978.1A CN112365195A (zh) 2020-12-03 2020-12-03 基于Spark分布式改进粒子群算法的配电网故障后重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011407978.1A CN112365195A (zh) 2020-12-03 2020-12-03 基于Spark分布式改进粒子群算法的配电网故障后重构方法

Publications (1)

Publication Number Publication Date
CN112365195A true CN112365195A (zh) 2021-02-12

Family

ID=74535956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011407978.1A Pending CN112365195A (zh) 2020-12-03 2020-12-03 基于Spark分布式改进粒子群算法的配电网故障后重构方法

Country Status (1)

Country Link
CN (1) CN112365195A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106300344A (zh) * 2016-09-07 2017-01-04 南京工程学院 一种基于改进二进制粒子群优化算法的配电网重构方法
CN108537369A (zh) * 2018-03-21 2018-09-14 华南理工大学 基于局部搜索的改进粒子群配电网重构算法
CN109004643A (zh) * 2018-07-24 2018-12-14 南京师范大学 基于改进粒子群算法的配电网重构优化方法
CN109818373A (zh) * 2019-04-02 2019-05-28 国网黑龙江省电力有限公司电力科学研究院 含高渗透分布式电源配电网的故障恢复性重构方法
CN110350510A (zh) * 2019-05-23 2019-10-18 国网河南省电力公司郑州供电公司 一种考虑故障影响度的配电网供电恢复方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106300344A (zh) * 2016-09-07 2017-01-04 南京工程学院 一种基于改进二进制粒子群优化算法的配电网重构方法
CN108537369A (zh) * 2018-03-21 2018-09-14 华南理工大学 基于局部搜索的改进粒子群配电网重构算法
CN109004643A (zh) * 2018-07-24 2018-12-14 南京师范大学 基于改进粒子群算法的配电网重构优化方法
CN109818373A (zh) * 2019-04-02 2019-05-28 国网黑龙江省电力有限公司电力科学研究院 含高渗透分布式电源配电网的故障恢复性重构方法
CN110350510A (zh) * 2019-05-23 2019-10-18 国网河南省电力公司郑州供电公司 一种考虑故障影响度的配电网供电恢复方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HIROYUKI MORI: "An advanced fireworks algorithm for distribution network reconfigurations", 《2017 IEEE POWER & ENERGY SOCIETY GENERAL MEETING》 *
楚玉华: "基于改进粒子群算法的船舶电力系统网络重构", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
王鹏: "基于多目标优化的配电网故障恢复重构研究", 《电脑编程技巧与维护》 *
程磊生: "基于ＲDD的分布式粒子群优化算法", 《小型微型计算机系统》 *

Similar Documents

Publication Publication Date Title
Miranda et al. Differential evolutionary particle swarm optimization (DEEPSO): a successful hybrid
Wang et al. Determination of power distribution network configuration using non-revisiting genetic algorithm
CN107994582B (zh) 含分布式电源的配电网重构方法和系统
CN108182498A (zh) 配电网故障恢复性重构方法
Ma et al. Reconfiguration of distribution networks with distributed generation using a dual hybrid particle swarm optimization algorithm
CN114050607B (zh) 配电网重构数字模型的构建系统
Karimianfard et al. An initial-point strategy for optimizing distribution system reconfiguration
CN114865625A (zh) 一种包含微网的配电网故障恢复方法
Dolatdar et al. A new distribution network reconfiguration approach using a tree model
Mori et al. A parallel tabu search based approach to optimal network reconfigurations for service restoration in distribution systems
Juan et al. Optimization of fuzzy rule based on adaptive genetic algorithm and ant colony algorithm
CN112464545B (zh) 海上风电场电缆及变电站的布局方法、系统、设备及介质
CN112365195A (zh) 基于Spark分布式改进粒子群算法的配电网故障后重构方法
CN108537369A (zh) 基于局部搜索的改进粒子群配电网重构算法
CN115764859A (zh) 一种多能耦合配电网故障恢复方法、系统、设备及介质
CN113239622B (zh) 一种直流配网的故障恢复重构方法
CN111786382B (zh) 一种考虑加权潮流熵的配电网负荷恢复量计算方法
CN114167216A (zh) 基于改进蝠鲼觅食优化算法的复杂配电网故障定位方法
Calhau et al. A electric network reconfiguration strategy with case-based reasoning for the smart grid
CN110061494B (zh) 一种考虑dg出力不确定性的三相不平衡配电网重构方法
CN114169117A (zh) 一种基于改进粒子群算法的输电网扩展规划方法
CN112381333A (zh) 一种基于分布式改进蝙蝠算法的微电网优化方法
Kong3d et al. Parallel Seagull Optimization Algorithm for Application in Distribution Network Reactive power optimization
CN115986744B (zh) 一种含共享储能的配电网潮流优化方法
Chunyi et al. Static distribution network reconfiguration based on an improved particle swarm optimization algorithm

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210212