一种基于改进粒子群算法的配网重构方法
【技术领域】
[0001] 本发明涉及一种重构方法，具体涉及一种基于改进粒子群算法的配网重构方法。
【背景技术】
[0002] 配电网络重构又称配电网络组态，或配电网络馈线组态、配电网络馈线重构。配 电网络重构就是通过改变分段开关、联络开关的组合状态，以改变网络的拓扑结构和用户 的供电路径。传统的配电网重构目的主要有降低网损、消除过载、平衡负荷、提高电压质量 等。
[0003] 粒子群算法，也称粒子群优化算法（Particle Swarm Optimization)，缩写为 PS0,是近年来发展起来的一种新的进化算法（Evolutionary Algorithm-EA)。PSO算法属 于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它 也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的"交 叉"（Crossover)和"变异"（Mutation)操作，它通过追随当前搜索到的最优值来寻找全局 最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实 际问题中展示了其优越性。粒子群算法是一种并行算法。
【发明内容】
[0004] 本发明提供一种基于改进粒子群算法的配网重构方法，在满足配电网各种运行约 束条件的前提下，通过网络重构减小系统网损；从而提高了计算效率和寻优能力，快速有效 地获取系统最优结构。
[0005] 本发明的目的是采用下述技术方案实现的：
[0006] -种基于改进粒子群算法的配网重构方法，所述方法包括：
[0007] (1)建立以网损最小化为目标的配电网重构模型；
[0008] (2)构建场景库，用于存放粒子；所述场景库中的每个粒子对应一个配电网重构 丰旲型；
[0009] (3)随机生成粒子群，采用编码方式对各粒子进行定位；
[0010] (4)计算各粒子的适应度，更新各粒子的位置和速度；
[0011] (5)优化场景库；若达到结束条件则更新结束，否则返回步骤（4)。
[0012] 优选的，所述步骤（1)中，以网损最小化为目标的配电网重构模型为：
CN 105117517 A 说明书 2/5 页
[0022] 其中，式⑴为优化目标，式⑵和式⑶为潮流约束；式⑷为节点电压约束；式 (5)为线路电流约束；式（6)和式（7)共同构成网络的辐射型约束；其中，Nc为闭合支路集 合，Pkllciss为支路k的有功损耗，P k、QdP V ^别为支路k首端有功、无功功率和电压幅值； 巧和4分别为节点i处配网注入的有功功率，分布式电源注入有功功率和负荷有功 功率，奪和4分别为节点i处配网注入的无功功率、分布式电源注入无功功率和负 荷无功功率；Viniin和Viniax分别为节点i处的电压幅值，电压幅值下限和电压幅值上限；I k为支路k经过的电流，Ik _为支路k电流上限；Nbus为网络节点数，N linJ%网络支路数;A为 网络的邻接矩阵，E为Nbus阶单位矩阵。
[0023] 优选的，所述步骤（3)中采用编码方式对各粒子进行定位包括；闭合所有联络线 开关，获取与联络线开关数量相等的最小环，每个最小环对应编码的一个维度；并对每个最 小环内的开关进行编号；所述编号为配网重构的可行解对应的编码在该维度上的数值；
[0024] 若随机生成的粒子群不满足约束条件，则重新生成。
[0025] 优选的，所述步骤（4)中的粒子适用度为该粒子对应的网络结构中网损的相反 数；适用度越大则粒子越优。
[0026] 优选的，所述步骤（4)中更新各粒子的位置和速度包括：
[0027] V = w · v+cl · cor+c2 · rand · (pbest-present)+c3 · rand · (gbest-present) (8)
[0028] present = present+v (9)
[0029] 其中，v为粒子速度，w为惯性权重，cor为场景库中适用度对于粒子各维度的皮尔 森相关系数，present为当前粒子的位置，pbest为个体粒子最优值，gbest为粒子群的全局 最优值；rand为介于（0, 1)之间的随机数；cl、c2和c3皆为学习因子。
[0030] 进一步地，所述皮尔森相关系数表达式如下式所示：
[0032] 式（10)中，G和L分别为维度为T的两个向量；G为场景库中由所有粒子适应度构 成的函数向量，L为所有粒子位置在各个维度上的值构成的向量；
[0033] 粒子更新过程中，若出现不满足约束条件（2)-(7)的粒子，则根据式（8)和式（9) 重新生成该粒子的速度和位置。
[0034] 优选的，所述步骤（5)中优化场景库包括，若所述各粒子的当前位置在场景库中 没有出现，则将该粒子当前位置以及相应适应度添加至场景库；
[0035] 将各粒子的适应度与该粒子的历史最优值作比较，若优于历史最优值，则将其作 为个体最优值；
[0036] 将各粒子的个体最优值与全局最优值进行比较，若优于全局最优值，则更新全局 最优值，包括位置和速度。
[0037] 与现有技术相比，本发明达到的有益效果是：
[0038] 现有粒子群算法为一种基于群体迭代的优化算法，在运算过程中，会产生大量场 景和计算结果，其中绝大部分场景为中间过程，之后不再被利用，从而造成信息和计算的浪 费。而本发明提供方法集合了历史计算中出现的所有场景构建场景库，运用大数据和统计 学的思想指导粒子进化，提高了计算的利用度，减小计算总量，从而有效提高了工作效率。
[0039] 在满足配电网各种运行约束条件的前提下，通过网络重构减小系统网损；从而提 高了计算效率和寻优能力，快速有效地获取系统最优结构。
【附图说明】
[0040] 图1为本发明提供的基于改进粒子群算法的配网重构方法流程图；
[0041] 图2为本发明实施例的IEEE 33节点配网结构示意图；
[0042] 图3为本发明提供的迭代次数达到100次的最优网络结构示意图；
[0043] 图4为本发明提供的重构前后收敛曲线的对比图。
【具体实施方式】
[0044] 下面结合附图对本发明的【具体实施方式】做进一步的详细说明。
[0045] 如图1所示，一种基于改进粒子群算法的配网重构方法，所述方法包括：
[0046] (1)建立以网损最小化为目标的配电网重构模型；
[0047] 所述步骤⑴中，以网损最小化为目标的配电网重构模型为：
CN 105117517 A 说明书 4/5 页
[0057] 其中，式⑴为优化目标，式⑵和式⑶为潮流约束；式⑷为节点电压约束；式 (5)为线路电流约束；式（6)和式（7)共同构成网络的辐射型约束；其中，Nc为闭合支路集 合，Pkllciss为支路k的有功损耗，P k、QdP V ^别为支路k首端有功、无功功率和电压幅值； \ ZT和片分别为节点i处配网注入的有功功率，分布式电源注入有功功率和负荷有功 功率，切《'^和试分别为节点i处配网注入的无功功率、分布式电源注入无功功率和负 荷无功功率；Viniin和Viniax分别为节点i处的电压幅值，电压幅值下限和电压幅值上限；I k为支路k经过的电流，Ik _为支路k电流上限；Nbus为网络节点数，N linJ%网络支路数;A为 网络的邻接矩阵，E为Nbus阶单位矩阵。
[0058] (2)构建场景库，用于存放粒子；所述场景库中的每个粒子对应一个配电网重构 丰旲型；
[0059] (3)随机生成粒子群，采用编码方式对各粒子进行定位；所述步骤（3)中采用编码 方式对各粒子进行定位包括；闭合所有联络线开关，获取与联络线开关数量相等的最小环， 每个最小环对应编码的一个维度；