CN112711895A - 一种基于时段划分及改进粒子群算法的配电网重构方法 - Google Patents

一种基于时段划分及改进粒子群算法的配电网重构方法 Download PDF

Info

Publication number
CN112711895A
CN112711895A CN202011617642.8A CN202011617642A CN112711895A CN 112711895 A CN112711895 A CN 112711895A CN 202011617642 A CN202011617642 A CN 202011617642A CN 112711895 A CN112711895 A CN 112711895A
Authority
CN
China
Prior art keywords
particle
speed
representing
iteration
dimensional space
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
Application number
CN202011617642.8A
Other languages
English (en)
Other versions
CN112711895B (zh
Inventor
吴磊
高桂革
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202011617642.8A priority Critical patent/CN112711895B/zh
Publication of CN112711895A publication Critical patent/CN112711895A/zh
Application granted granted Critical
Publication of CN112711895B publication Critical patent/CN112711895B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06N3/004—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]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明涉及一种基于时段划分及改进粒子群算法的配电网重构方法，包括以下步骤：建立配电网重构模型；对负荷曲线进行时段划分；选择一个时段，获取该时段前一个时段的最优解，构建初始粒子群；计算各个粒子的适应度，更新粒子的个体历史极值和种群历史极值，若粒子群收敛，则输出最优解，否则，基于前一个时段的最优解，更新各个粒子的速度和位置，继续迭代；最后按照各个时段的最优解进行配电网重构。与现有技术相比，本发明将负荷曲线划分为多个时段，分别使用改进的二进制粒子群算法求解每个时段的最优重构方案，考虑到相邻时段的相关性，在对一个时段进行求解时引入了前一个时段的最优解，可以加快粒子群算法的前期求解速度。

Description

一种基于时段划分及改进粒子群算法的配电网重构方法
技术领域
本发明涉及配电网重构技术领域，尤其是涉及一种基于时段划分及改进粒子群算法的配电网重构方法。
背景技术
随着社会经济的飞速发展，电力系统的稳定性与运行经济性亦随之显得愈发重要。配电网承担着连接输、用电环节的重要作用，存在少量常开联络开关和大量常闭分段开关，在配电网运行时，不同的运行状态对应不同的开关组合方式，而不同的开关组合方式会导致系统潮流分布的变化，进而网络损耗、电压偏移、供电可靠性等也可能因此发生变化，故产生了配电网优化重构的问题，即在对应的源荷状态下，必定存在着一种运行方式，可以使得系统运行指标达到最优。
中国专利CN201610807136.2公开了一种基于改进二进制粒子群优化算法的配电网重构方法，如果在一段时间的迭代过程中粒子的适配值没有发生改变，则随机生成一个新的位置，使得搜索继续进行，避免陷入局部最优。但是，该方法研究的是基于某一时间断面上的配电网静态重构，对于运行较长时间段的、具有变化性的配电网而言，由于主动配电网中DG出力的时变性和系统负荷功率的不确定性，各个时刻对应的最优网架结构可能不同，实际意义有所欠缺。
现有的动态重构将负荷曲线划分为多个时段，认为同一个时段内配电网是相似的，再分别对每个时段的配电网进行静态重构，找到一个综合指标最优的开关组合方式，在每个时段内分别使用该时段的最优开关组合方式完成配电网重构。随着考虑到不同时段的系统负荷，但是没有考虑到相邻时段之间配电网的结构相似性、负荷曲线的时序性，计算量比较大。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于时段划分及改进粒子群算法的配电网重构方法，将负荷曲线划分为多个时段，分别使用改进的二进制粒子群算法求解每个时段的最优重构方案，考虑到相邻时段的相关性，在对一个时段进行求解时引入了前一个时段的最优解，可以加快粒子群算法的前期求解速度。
本发明的目的可以通过以下技术方案来实现：
一种基于时段划分及改进粒子群算法的配电网重构方法，包括以下步骤：
S1：建立配电网重构模型，以网络损耗最小、电压偏移指数最小、运行成本最低、三相不平衡电流最小、电压稳定、负荷均衡中的一个或多个为目标函数，以电压约束、功率约束、DG出力约束、潮流约束、网络拓扑约束、支路容量约束中的一个或多个为约束条件；
S2：对负荷曲线进行时段划分，得到Q(Q>1)个时段{T1、T2、…、Tq、…、TQ}，Q个时段的最优解均初始化为零，一个时段的最优解即该时段下配电网的最优重构方案；
S3：选择一个时段Tq，获取时段Tq的前一个时段Tq-1的最优解
Figure BDA0002872970210000021
生成N(N>1)种配电网重构方案，构建初始粒子群
Figure BDA0002872970210000022
其中，
Figure BDA0002872970210000023
表示第0次迭代时粒子i的位置，
Figure BDA0002872970210000024
Figure BDA0002872970210000025
表示第0次迭代时粒子i在第d维空间的位置，
Figure BDA0002872970210000026
的取值为0或1，D的大小即配电网重构方案中的开关的数量，粒子的不同位置表示不同的配电网重构方案，迭代次数k＝0，预设置的最大迭代次数记为K；
S4：基于目标函数和约束条件，计算当前粒子群中各个粒子的适应度，更新各个粒子的个体历史极值和粒子群的种群历史极值，若粒子群收敛，则执行步骤S6，否则，执行步骤S5；
S5：基于前一个时段Tq-1的最优解
Figure BDA0002872970210000027
更新粒子群中各个粒子的速度，基于速度映射函数更新粒子群中各个粒子的位置，迭代次数k加1，重复步骤S4；
S6：将取得种群历史极值的粒子作为时段Tq的最优解，重复步骤S3，直至得到所有时段的最优解；
S7：按照各个时段的最优解进行配电网重构。
进一步的，所述步骤S1中，目标函数具体为：
F＝α1F1+α2F2+α3F3+α4F4+α5F5+α6F6
α1+α2+α3+α4+α5+α6＝1
式中，F1、F2、F3、F4、F5、F6分别表示网络损耗最小目标函数、电压偏移指数最小目标函数、运行成本最低目标函数、三相不平衡电流最小目标函数、电压稳定目标函数、负荷均衡目标函数，α1、α2、α3、α4、α5、α6分别表示各个目标函数的优化权重系数。
进一步的，所述步骤S1中，DG出力约束包括风电场出力约束、蓄电池出力约束和太阳能电池组出力约束，其中，风电场出力约束具体为：
Figure BDA0002872970210000031
式中，PW.j表示第j台风机的发电功率，PWL.max表示风场最大发电功率，M表示风机的数量；
蓄电池出力约束具体为：
Figure BDA0002872970210000032
式中，PFL.min表示蓄电池最小输出功率，PF.j表示第j台蓄电池的输出功率，PFL.max表示蓄电池最大输出功率，M表示蓄电池的数量；
太阳能电池组出力约束具体为：
Figure BDA0002872970210000033
式中，PML.min表示太阳能电池最小输出功率，PM.j表示第j台太阳能电池的输出功率，PML.max表示太阳能电池最大输出功率，M表示太阳能电池的数量。
进一步的，所述步骤S2中，使用模糊C均值聚类算法对负荷曲线进行时段划分。
进一步的，所述步骤S3中，通过Logistic混沌映射，生成N(N>1)种配电网重构方案，构建初始粒子群。
进一步的，所述步骤S3中，依次选择时段T1、T2、…、Tq、…、TQ，选择时段T1时，前一个时段的最优解为
Figure BDA0002872970210000034
其中，
Figure BDA0002872970210000035
均等于0。
进一步的，所述步骤S4中，粒子群收敛具体为：迭代次数k等于预设置的最大迭代次数K、或种群历史极值达到预设置的优化阈值、或种群历史极值在Mp(Mp>1)次迭代中变化误差小于预设置的误差阈值。
进一步的，所述步骤S5中，速度更新具体为：获取当前迭代次数k、各个粒子在当前迭代时的速度
Figure BDA0002872970210000041
和位置
Figure BDA0002872970210000042
各个粒子在之前k次迭代过程中取得个体历史极值时的位置pbesti、粒子群在之前k次迭代过程中取得种群历史极值的粒子的位置gbest，根据速度更新公式，更新各个粒子的速度，速度更新公式具体为：
Figure BDA0002872970210000043
式中，
Figure BDA0002872970210000044
表示粒子i更新后的在第d维空间的速度，也是粒子i在第k+1次迭代时在第d维空间的速度；
Figure BDA0002872970210000045
表示当前迭代时粒子i在第d维空间的速度；λ表示外部学习因子；
Figure BDA0002872970210000046
表示取得时段Tq-1最优解的粒子在第d维空间的位置；c1和c2表示内部学习因子；r1和r2为介于(0，1)之间的随机数；pbesti_d表示粒子i取得个体历史极值时在第d维空间的位置；
Figure BDA0002872970210000047
表示当前迭代时粒子i在第d维空间的位置；gbestd表示取得种群历史极值的粒子在第d维空间的位置，ω表示惯性因子，公式为：
Figure BDA0002872970210000048
式中，ωmax表示初始最大惯性因子，ωmin表示当迭代次数k＝K时的惯性因子，K表示预设置的最大迭代次数。
进一步的，所述步骤S5中，速度更新具体为：获取当前迭代次数k、各个粒子在当前迭代时的速度
Figure BDA0002872970210000049
和位置
Figure BDA00028729702100000410
各个粒子在之前k次迭代过程中取得个体历史极值时的位置pbesti、粒子群在之前k次迭代过程中取得种群历史极值的粒子的位置gbest，根据速度更新公式，更新各个粒子的速度，速度更新公式具体为：
Figure BDA00028729702100000411
式中，
Figure BDA00028729702100000412
表示粒子i更新后的在第d维空间的速度，也是粒子i在第k+1次迭代时在第d维空间的速度；
Figure BDA00028729702100000413
表示当前迭代时粒子i在第d维空间的速度；λ表示外部学习因子；
Figure BDA00028729702100000414
表示取得时段Tq-1最优解的粒子在第d维空间的位置；c1和c2表示内部学习因子；r1和r2为介于(0，1)之间的随机数；pbesti_d表示粒子i取得个体历史极值时在第d维空间的位置；
Figure BDA00028729702100000415
表示当前迭代时粒子i在第d维空间的位置；gbestd表示取得种群历史极值的粒子在第d维空间的位置，ω表示惯性因子，公式为：
Figure BDA00028729702100000416
式中，ωmax表示初始最大惯性因子，ωmin表示当迭代次数k＝K时的惯性因子，K表示预设置的最大迭代次数。
进一步的，所述步骤S5中，位置更新具体为：获取当前迭代次数k、各个粒子在当前迭代时的位置
Figure BDA0002872970210000051
各个粒子更新后的速度
Figure BDA0002872970210000052
根据位置更新公式，更新各个粒子的位置，位置更新公式具体为：
Figure BDA0002872970210000053
式中，
Figure BDA0002872970210000054
表示粒子i更新后的在第d维空间的位置，也是第k+1次迭代时粒子i在第d维空间的位置；
Figure BDA0002872970210000055
表示当前迭代时粒子i在第d维空间的位置；
Figure BDA0002872970210000056
表示粒子i更新后的在第d维空间的速度，也是粒子i在第k+1次迭代时在第d维空间的速度；r表示介于(0，1)之间的随机数，s(*)表示速度映射函数，公式具体为：
Figure BDA0002872970210000057
式中，π为圆周率。
与现有技术相比，本发明具有以下有益效果：
(1)将负荷曲线划分为多个时段，分别使用改进的二进制粒子群算法求解每个时段的最优重构方案，考虑到相邻时段的相关性，在对一个时段进行求解时引入了前一个时段的最优解，可以加快粒子群算法的前期求解速度。
(2)对粒子群算法中的速度更新和位置更新做了改进，速度更新考虑到前一个时段的最优解，收敛速度更快，位置更新改进了速度映射函数，可以进一步收敛趋向稳定的粒子，增强了粒子群算法后期的局部搜索能力。
(3)通过Logistic混沌映射构建初始粒子群，利用其非周期性和遍历性的特点，使得初始粒子群的粒子均匀分布。
附图说明
图1为实施例中配电网重构方法的流程图；
图2为BPSO算法中速度映射函数的函数图像；
图3为实施例中速度映射函数的函数图像。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：
一种基于时段划分及改进粒子群算法的配电网重构方法，如图1所示，包括以下步骤：
S1：建立配电网重构模型，以网络损耗最小、电压偏移指数最小、运行成本最低、三相不平衡电流最小、电压稳定、负荷均衡中的一个或多个为目标函数，以电压约束、功率约束、DG出力约束、潮流约束、网络拓扑约束、支路容量约束中的一个或多个为约束条件；
最终得到的目标函数具体为：
F＝α1F1+α2F2+α3F3+α4F4+α5F5+α6F6
α1+α2+α3+α4+α5+α6＝1
式中，F1、F2、F3、F4、F5、F6分别表示网络损耗最小目标函数、电压偏移指数最小目标函数、运行成本最低目标函数、三相不平衡电流最小目标函数、电压稳定目标函数、负荷均衡目标函数，α1、α2、α3、α4、α5、α6分别表示各个目标函数的优化权重系数。
DG出力约束包括风电场出力约束、蓄电池出力约束和太阳能电池组出力约束，其中，风电场出力约束具体为：
Figure BDA0002872970210000061
式中，PW.j表示第j台风机的发电功率，PWL.max表示风场最大发电功率，M表示风机的数量；
蓄电池出力约束具体为：
Figure BDA0002872970210000062
式中，PFL.min表示蓄电池最小输出功率，PF.j表示第j台蓄电池的输出功率，PFL.max表示蓄电池最大输出功率，M表示蓄电池的数量；
太阳能电池组出力约束具体为：
Figure BDA0002872970210000063
式中，PML.min表示太阳能电池最小输出功率，PM.j表示第j台太阳能电池的输出功率，PML.max表示太阳能电池最大输出功率，M表示太阳能电池的数量。
DG出力具有不确定性，本实施例使用威布尔分布(Weibull)对风速变化进行拟合分析，进而模拟风电场出力；光照强度近似服从Beta分布，进而模拟太阳能电池组出力。
目标函数和约束的选取可以根据需要增加或删减，如使用负载均衡为目标函数，以电压约束、网络拓扑约束、支路容量约束为约束条件，或者以经济性为目标函数，以功率约束、DG出力约束、网络拓扑约束为约束条件等。配电网重构模型的具体公式等均为现有技术中常用的配电网重构数学模型，不再赘述。
S2：对负荷曲线进行时段划分，得到Q(Q>1)个时段{T1、T2、…、Tq、…、TQ}，Q个时段的最优解均初始化为零，一个时段的最优解即该时段下配电网的最优重构方案；本实施例中，使用模糊C均值聚类算法对负荷曲线进行时段划分。
S3：选择一个时段Tq，获取时段Tq的前一个时段Tq-1的最优解
Figure BDA0002872970210000071
生成N(N>1)种配电网重构方案，构建初始粒子群
Figure BDA0002872970210000072
其中，
Figure BDA0002872970210000073
表示第0次迭代时粒子i的位置，
Figure BDA0002872970210000074
Figure BDA0002872970210000075
表示第0次迭代时粒子i在第d维空间的位置，
Figure BDA0002872970210000076
的取值为0或1，D的大小即配电网重构方案中的开关的数量，粒子的不同位置表示不同的配电网重构方案，迭代次数k＝0，预设置的最大迭代次数记为K。
如配电网中有10个开关，粒子群中的一个粒子的位置可以为{1001100101}，“1”表示开关的状态为开，“0”表示开关的状态为关，第1个“1”也就是粒子在第1维的位置为1。
本实施例中，通过Logistic混沌映射，生成N(N>1)种配电网重构方案，构建初始粒子群，利用其非周期性和遍历性的特点，使得初始粒子群的N个粒子均匀分布在解空间中。
在求解时，依次选择时段T1、T2、…、Tq、…、TQ，选择时段T1时，前一个时段的最优解为
Figure BDA0002872970210000077
其中，
Figure BDA0002872970210000078
均等于0。
S4：基于目标函数和约束条件，计算当前粒子群中各个粒子的适应度，更新各个粒子的个体历史极值和粒子群的种群历史极值，若粒子群收敛，则执行步骤S6，否则，执行步骤S5；粒子群收敛具体为：迭代次数k等于预设置的最大迭代次数K、或种群历史极值达到预设置的优化阈值、或种群历史极值在Mp(Mp>1)次迭代中变化误差小于预设置的误差阈值。
S5：基于前一个时段Tq-1的最优解
Figure BDA0002872970210000079
更新粒子群中各个粒子的速度，基于速度映射函数更新粒子群中各个粒子的位置，迭代次数k加1，重复步骤S4。
现有的二进制粒子群算法BPSO中，速度更新公式为：
Figure BDA0002872970210000081
没有考虑到当前时段与之前时段的相关性，前期要经过较长时间的迭代。
本实施例中，在第k次迭代时，根据粒子在第k次迭代时的速度、粒子的个体历史极值、种群历史极值和前一时段的最优解更新速度，速度更新具体为：获取当前迭代次数k、各个粒子在当前迭代时的速度
Figure BDA0002872970210000082
和位置
Figure BDA0002872970210000083
各个粒子在之前k次迭代过程中取得个体历史极值时的位置pbesti、粒子群在之前k次迭代过程中取得种群历史极值的粒子的位置gbest，根据速度更新公式，更新各个粒子的速度，速度更新公式具体为：
Figure BDA0002872970210000084
式中，
Figure BDA0002872970210000085
表示粒子i更新后的在第d维空间的速度，也是粒子i在第k+1次迭代时在第d维空间的速度；
Figure BDA0002872970210000086
表示当前迭代时粒子i在第d维空间的速度；λ表示外部学习因子；
Figure BDA0002872970210000087
表示取得时段Tq-1最优解的粒子在第d维空间的位置；c1和c2表示内部学习因子；r1和r2为介于(0，1)之间的随机数；pbesti_d表示粒子i取得个体历史极值时在第d维空间的位置；
Figure BDA0002872970210000088
表示当前迭代时粒子i在第d维空间的位置；gbestd表示取得种群历史极值的粒子在第d维空间的位置，ω表示惯性因子，公式为：
Figure BDA0002872970210000089
式中，ωmax表示初始最大惯性因子，ωmin表示当迭代次数k＝K时的惯性因子，K表示预设置的最大迭代次数。
在其他实施方式中，也可以改变速度更新公式，只要在速度更新时考虑到前一个时段的最优解即可，如速度更新公式也可以为：
Figure BDA00028729702100000810
现有的二进制粒子群算法BPSO中，位置更新公式为：
Figure BDA00028729702100000811
Figure BDA00028729702100000812
速度映射函数的图像如图2所示，可以看出，
Figure BDA00028729702100000813
越大，
Figure BDA00028729702100000814
取1的概率越大，而
Figure BDA00028729702100000815
的大小是由粒子未更新前的速度
Figure BDA00028729702100000816
取得个体历史极值时的位置pbesti、取得种群历史极值的粒子的位置gbest确定的，当
Figure BDA0002872970210000091
趋于0时，表示粒子的未被更新的当前位置
Figure BDA0002872970210000092
与最优解最接近，然而，根据图2，此时
Figure BDA0002872970210000093
趋于0.5，即粒子有一半的概率会在位置更新时改变位置，显然与算法收敛至最优解的目标相悖。
现有的位置更新公式虽然保证了BPSO有较强的全局随机搜索能力，但是在后期，即接近最优解的时候，缺乏局部深度探索能力。
本实施例中，位置更新具体为：获取当前迭代次数k、各个粒子在当前迭代时的位置
Figure BDA0002872970210000094
各个粒子更新后的速度
Figure BDA0002872970210000095
根据位置更新公式，更新各个粒子的位置，位置更新公式具体为：
Figure BDA0002872970210000096
式中，
Figure BDA0002872970210000097
表示粒子i更新后的在第d维空间的位置，也是第k+1次迭代时粒子i在第d维空间的位置；
Figure BDA0002872970210000098
表示当前迭代时粒子i在第d维空间的位置；
Figure BDA0002872970210000099
表示粒子i更新后的在第d维空间的速度，也是粒子i在第k+1次迭代时在第d维空间的速度；r表示介于(0，1)之间的随机数，s(*)表示速度映射函数，公式具体为：
Figure BDA00028729702100000910
式中，π为圆周率。
如图3所示，本申请改进了速度映射函数，在此映射函数下，当
Figure BDA00028729702100000911
趋于0时，表示粒子的未被更新的当前位置
Figure BDA00028729702100000912
与最优解最接近，此时
Figure BDA00028729702100000913
趋于0，即粒子在位置更新时更大概率趋向保持当前位置不变，以免错失最优解。同时，在粒子的速度较大或者较小时，即粒子的当前位置远离最优解，此时
Figure BDA00028729702100000914
较大，粒子更大概率在位置更新时改变位置，从而向最优解靠近。
S6：将取得种群历史极值的粒子作为时段Tq的最优解，重复步骤S3，直至得到所有时段的最优解；
S7：按照各个时段的最优解进行配电网重构。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于时段划分及改进粒子群算法的配电网重构方法，其特征在于，包括以下步骤：
S1：建立配电网重构模型，以网络损耗最小、电压偏移指数最小、运行成本最低、三相不平衡电流最小、电压稳定、负荷均衡中的一个或多个为目标函数，以电压约束、功率约束、DG出力约束、潮流约束、网络拓扑约束、支路容量约束中的一个或多个为约束条件；
S2：对负荷曲线进行时段划分，得到Q(Q>1)个时段{T1、T2、…、Tq、…、TQ}，Q个时段的最优解均初始化为零，一个时段的最优解即该时段下配电网的最优重构方案；
S3：选择一个时段Tq，获取时段Tq的前一个时段Tq-1的最优解
Figure FDA0002872970200000011
生成N(N>1)种配电网重构方案，构建初始粒子群
Figure FDA0002872970200000012
其中，
Figure FDA0002872970200000013
表示第0次迭代时粒子i的位置，
Figure FDA0002872970200000014
Figure FDA0002872970200000015
表示第0次迭代时粒子i在第d维空间的位置，
Figure FDA0002872970200000016
的取值为0或1，D的大小即配电网重构方案中的开关的数量，粒子的不同位置表示不同的配电网重构方案，迭代次数k＝0，预设置的最大迭代次数记为K；
S4：基于目标函数和约束条件，计算当前粒子群中各个粒子的适应度，更新各个粒子的个体历史极值和粒子群的种群历史极值，若粒子群收敛，则执行步骤S6，否则，执行步骤S5；
S5：基于前一个时段Tq-1的最优解
Figure FDA0002872970200000017
更新粒子群中各个粒子的速度，基于速度映射函数更新粒子群中各个粒子的位置，迭代次数k加1，重复步骤S4；
S6：将取得种群历史极值的粒子作为时段Tq的最优解，重复步骤S3，直至得到所有时段的最优解；
S7：按照各个时段的最优解进行配电网重构。
2.根据权利要求1所述的一种基于时段划分及改进粒子群算法的配电网重构方法，其特征在于，所述步骤S1中，目标函数具体为：
F＝α1F1+α2F2+α3F3+α4F4+α5F5+α6F6
α1+α2+α3+α4+α5+α6＝1
式中，F1、F2、F3、F4、F5、F6分别表示网络损耗最小目标函数、电压偏移指数最小目标函数、运行成本最低目标函数、三相不平衡电流最小目标函数、电压稳定目标函数、负荷均衡目标函数，α1、α2、α3、α4、α5、α6分别表示各个目标函数的优化权重系数。
3.根据权利要求1所述的一种基于时段划分及改进粒子群算法的配电网重构方法，其特征在于，所述步骤S1中，DG出力约束包括风电场出力约束、蓄电池出力约束和太阳能电池组出力约束，其中，风电场出力约束具体为：
Figure FDA0002872970200000021
式中，PW.j表示第j台风机的发电功率，PWL.max表示风场最大发电功率，M表示风机的数量；
蓄电池出力约束具体为：
Figure FDA0002872970200000022
式中，PFL.min表示蓄电池最小输出功率，PF.j表示第j台蓄电池的输出功率，PFL.max表示蓄电池最大输出功率，M表示蓄电池的数量；
太阳能电池组出力约束具体为：
Figure FDA0002872970200000023
式中，PML.min表示太阳能电池最小输出功率，PM.j表示第j台太阳能电池的输出功率，PML.max表示太阳能电池最大输出功率，M表示太阳能电池的数量。
4.根据权利要求1所述的一种基于时段划分及改进粒子群算法的配电网重构方法，其特征在于，所述步骤S2中，使用模糊C均值聚类算法对负荷曲线进行时段划分。
5.根据权利要求1所述的一种基于时段划分及改进粒子群算法的配电网重构方法，其特征在于，所述步骤S3中，通过Logistic混沌映射，生成N(N>1)种配电网重构方案，构建初始粒子群。
6.根据权利要求1所述的一种基于时段划分及改进粒子群算法的配电网重构方法，其特征在于，所述步骤S3中，依次选择时段T1、T2、…、Tq、…、TQ，选择时段T1时，前一个时段的最优解为
Figure FDA0002872970200000024
其中，
Figure FDA0002872970200000025
均等于0。
7.根据权利要求1所述的一种基于时段划分及改进粒子群算法的配电网重构方法，其特征在于，所述步骤S4中，粒子群收敛具体为：迭代次数k等于预设置的最大迭代次数K、或种群历史极值达到预设置的优化阈值、或种群历史极值在Mp(Mp>1)次迭代中变化误差小于预设置的误差阈值。
8.根据权利要求1所述的一种基于时段划分及改进粒子群算法的配电网重构方法，其特征在于，所述步骤S5中，速度更新具体为：获取当前迭代次数k、各个粒子在当前迭代时的速度
Figure FDA0002872970200000031
和位置
Figure FDA0002872970200000032
各个粒子在之前k次迭代过程中取得个体历史极值时的位置pbesti、粒子群在之前k次迭代过程中取得种群历史极值的粒子的位置gbest，根据速度更新公式，更新各个粒子的速度，速度更新公式具体为：
Figure FDA0002872970200000033
式中，
Figure FDA0002872970200000034
表示粒子i更新后的在第d维空间的速度，也是粒子i在第k+1次迭代时在第d维空间的速度；
Figure FDA0002872970200000035
表示当前迭代时粒子i在第d维空间的速度；λ表示外部学习因子；
Figure FDA0002872970200000036
表示取得时段Tq-1最优解的粒子在第d维空间的位置；c1和c2表示内部学习因子；r1和r2为介于(0，1)之间的随机数；pbesti_d表示粒子i取得个体历史极值时在第d维空间的位置；
Figure FDA0002872970200000037
表示当前迭代时粒子i在第d维空间的位置；gbestd表示取得种群历史极值的粒子在第d维空间的位置，ω表示惯性因子，公式为：
Figure FDA0002872970200000038
式中，ωmax表示初始最大惯性因子，ωmin表示当迭代次数k＝K时的惯性因子，K表示预设置的最大迭代次数。
9.根据权利要求1所述的一种基于时段划分及改进粒子群算法的配电网重构方法，其特征在于，所述步骤S5中，速度更新具体为：获取当前迭代次数k、各个粒子在当前迭代时的速度
Figure FDA0002872970200000039
和位置
Figure FDA00028729702000000310
各个粒子在之前k次迭代过程中取得个体历史极值时的位置pbesti、粒子群在之前k次迭代过程中取得种群历史极值的粒子的位置gbest，根据速度更新公式，更新各个粒子的速度，速度更新公式具体为：
Figure FDA00028729702000000311
式中，
Figure FDA00028729702000000312
表示粒子i更新后的在第d维空间的速度，也是粒子i在第k+1次迭代时在第d维空间的速度；
Figure FDA00028729702000000313
表示当前迭代时粒子i在第d维空间的速度；λ表示外部学习因子；
Figure FDA00028729702000000314
表示取得时段Tq-1最优解的粒子在第d维空间的位置；c1和c2表示内部学习因子；r1和r2为介于(0，1)之间的随机数；pbesti_d表示粒子i取得个体历史极值时在第d维空间的位置；
Figure FDA0002872970200000041
表示当前迭代时粒子i在第d维空间的位置；gbestd表示取得种群历史极值的粒子在第d维空间的位置，ω表示惯性因子，公式为：
Figure FDA0002872970200000042
式中，ωmax表示初始最大惯性因子，ωmin表示当迭代次数k＝K时的惯性因子，K表示预设置的最大迭代次数。
10.根据权利要求1所述的一种基于时段划分及改进粒子群算法的配电网重构方法，其特征在于，所述步骤S5中，位置更新具体为：获取当前迭代次数k、各个粒子在当前迭代时的位置
Figure FDA0002872970200000043
各个粒子更新后的速度
Figure FDA0002872970200000044
根据位置更新公式，更新各个粒子的位置，位置更新公式具体为：
Figure FDA0002872970200000045
式中，
Figure FDA0002872970200000046
表示粒子i更新后的在第d维空间的位置，也是第k+1次迭代时粒子i在第d维空间的位置；
Figure FDA0002872970200000047
表示当前迭代时粒子i在第d维空间的位置；
Figure FDA0002872970200000048
表示粒子i更新后的在第d维空间的速度，也是粒子i在第k+1次迭代时在第d维空间的速度；r表示介于(0，1)之间的随机数，s(*)表示速度映射函数，公式具体为：
Figure FDA0002872970200000049
式中，π为圆周率。
CN202011617642.8A 2020-12-30 2020-12-30 一种基于时段划分及改进粒子群算法的配电网重构方法 Active CN112711895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011617642.8A CN112711895B (zh) 2020-12-30 2020-12-30 一种基于时段划分及改进粒子群算法的配电网重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011617642.8A CN112711895B (zh) 2020-12-30 2020-12-30 一种基于时段划分及改进粒子群算法的配电网重构方法

Publications (2)

Publication Number Publication Date
CN112711895A true CN112711895A (zh) 2021-04-27
CN112711895B CN112711895B (zh) 2022-08-23

Family

ID=75547488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011617642.8A Active CN112711895B (zh) 2020-12-30 2020-12-30 一种基于时段划分及改进粒子群算法的配电网重构方法

Country Status (1)

Country Link
CN (1) CN112711895B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113872192A (zh) * 2021-09-26 2021-12-31 国网电力科学研究院武汉能效测评有限公司 医院电网负荷优化控制系统及控制方法
CN115833116A (zh) * 2023-02-06 2023-03-21 广东电网有限责任公司东莞供电局 一种基于多目标优化的配电网重构优化方法
CN116911579A (zh) * 2023-09-14 2023-10-20 国网江苏省电力有限公司常州供电分公司 配电台区的调度方法及装置
CN117613902A (zh) * 2024-01-19 2024-02-27 北京智芯微电子科技有限公司 基于智慧开关的配网优化运行方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036329A (zh) * 2014-05-16 2014-09-10 浙江大学 一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法
US20160179118A1 (en) * 2013-08-30 2016-06-23 Accenture Global Services Limited System for real time power grid distribution network control
CN105958486A (zh) * 2016-06-15 2016-09-21 华北电力大学 考虑分布式电源出力曲线的配电网多时段动态故障恢复方法
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
CN106355511A (zh) * 2015-07-22 2017-01-25 国网浙江省电力公司台州供电公司 考虑新能源与电动汽车接入的主动配电网重构方法
CN107808200A (zh) * 2017-09-29 2018-03-16 中国南方电网有限责任公司电网技术研究中心 配电网短时检修计划优化方法和装置
CN108615068A (zh) * 2018-03-24 2018-10-02 西安电子科技大学 一种混沌扰动与自适应惯性权重的粒子群优化方法
CN109361237A (zh) * 2018-11-30 2019-02-19 国家电网公司西南分部 基于改进混合粒子群算法的微电网容量优化配置方法
CN111342458A (zh) * 2020-03-25 2020-06-26 四川大学 一种基于有序优化算法的配电网两级重构的方法和装置
CN111654045A (zh) * 2020-04-08 2020-09-11 国网浙江省电力有限公司 一种电力现货市场下储能系统充放电优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160179118A1 (en) * 2013-08-30 2016-06-23 Accenture Global Services Limited System for real time power grid distribution network control
CN104036329A (zh) * 2014-05-16 2014-09-10 浙江大学 一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法
CN106355511A (zh) * 2015-07-22 2017-01-25 国网浙江省电力公司台州供电公司 考虑新能源与电动汽车接入的主动配电网重构方法
CN105958486A (zh) * 2016-06-15 2016-09-21 华北电力大学 考虑分布式电源出力曲线的配电网多时段动态故障恢复方法
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
CN107808200A (zh) * 2017-09-29 2018-03-16 中国南方电网有限责任公司电网技术研究中心 配电网短时检修计划优化方法和装置
CN108615068A (zh) * 2018-03-24 2018-10-02 西安电子科技大学 一种混沌扰动与自适应惯性权重的粒子群优化方法
CN109361237A (zh) * 2018-11-30 2019-02-19 国家电网公司西南分部 基于改进混合粒子群算法的微电网容量优化配置方法
CN111342458A (zh) * 2020-03-25 2020-06-26 四川大学 一种基于有序优化算法的配电网两级重构的方法和装置
CN111654045A (zh) * 2020-04-08 2020-09-11 国网浙江省电力有限公司 一种电力现货市场下储能系统充放电优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIE WANG ET AL.: "Dynamic Reconfiguration of Multiobjective Distribution Networks Considering DG and EVs Based on a Novel LDBAS Algorithm", 《DIGITAL OBJECT IDENTIFIER》 *
徐慧敏等: "含分布式电源和电动汽车的配电网动态重构研究综述", 《新能源系统与设备》 *
董跃哲: "含可再生能源的电力系统无功优化研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113872192A (zh) * 2021-09-26 2021-12-31 国网电力科学研究院武汉能效测评有限公司 医院电网负荷优化控制系统及控制方法
CN113872192B (zh) * 2021-09-26 2024-03-12 国网电力科学研究院武汉能效测评有限公司 医院电网负荷优化控制系统及控制方法
CN115833116A (zh) * 2023-02-06 2023-03-21 广东电网有限责任公司东莞供电局 一种基于多目标优化的配电网重构优化方法
CN116911579A (zh) * 2023-09-14 2023-10-20 国网江苏省电力有限公司常州供电分公司 配电台区的调度方法及装置
CN116911579B (zh) * 2023-09-14 2023-12-08 国网江苏省电力有限公司常州供电分公司 配电台区的调度方法及装置
CN117613902A (zh) * 2024-01-19 2024-02-27 北京智芯微电子科技有限公司 基于智慧开关的配网优化运行方法及装置
CN117613902B (zh) * 2024-01-19 2024-05-28 北京智芯微电子科技有限公司 基于智慧开关的配网优化运行方法及装置

Also Published As

Publication number Publication date
CN112711895B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN112711895B (zh) 一种基于时段划分及改进粒子群算法的配电网重构方法
CN112132427A (zh) 一种考虑用户侧多种资源接入的电网多层规划方法
CN108365608B (zh) 一种区域能源互联网不确定优化调度方法及系统
CN110070292B (zh) 基于交叉变异鲸鱼优化算法的微网经济调度方法
Zheng et al. Advanced optimizer for maximum power point tracking of photovoltaic systems in smart grid: A roadmap towards clean energy technologies
CN108471143A (zh) 基于正负反馈粒子群算法的微电网多能源调度优化方法
CN113285490B (zh) 电力系统调度方法、装置、计算机设备和存储介质
CN106684913B (zh) 一种基于多代理的储能电站跟踪发电计划控制系统和方法
CN111144641A (zh) 一种基于改进粒子群算法的微电网优化调度方法
CN112990538A (zh) 一种山地光伏电站集电线路确定方法、装置及设备
CN114400712A (zh) 一种基于改进二阶粒子群算法的微电网群优化调度方法
CN116191544A (zh) 一种基于改进K-means算法的分布式发电集群划分方法
Liu et al. A multi-objective evolutionary algorithm based on membrane systems
CN113723807B (zh) 一种储能与信息系统双层协同规划方法、装置及介质
CN114784831A (zh) 一种基于移动储能的主动配电网多目标无功优化方法
CN111401659A (zh) 一种基于案例推理的超短期或短期光伏发电功率预测方法
Chen et al. A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification
CN112330042A (zh) 基于自适应模糊c均值聚类场景划分的配电网重构方法
CN116796911A (zh) 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及系统
CN116667369A (zh) 一种基于图卷积神经网络的分布式光伏电压控制方法
CN116191421A (zh) 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法
CN116520084A (zh) 一种含源配电网故障定位方法、装置及存储介质
CN112234599B (zh) 一种多元复杂城市电网超前动态自适应分区方法及其系统
CN114580298A (zh) 一种基于rbf-isbo的微电网优化调度方法及系统
CN114825348A (zh) 一种计及风光不确定性的配电网双层优化调度方法

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
GR01 Patent grant
GR01 Patent grant