一种基于图卷积网络的能源互联网优化重构方法及系统与流程

1.本发明书涉及能源互联网优化重构与紧急频率调节技术领域，尤其一种基于图卷积网络的能源互联网优化重构方法及系统。


背景技术：

2.分布式可再生能源发电已高比例接入电网，致使传统配电网已逐渐演变成为新形态的“有源”配电网。大规模分布式可再生能源不断接入配电网，使得大电网传统机组容量日趋下降，导致电网调控资源与备用容量匮乏，对配电系统安稳运行的支撑能力不足。同时，在能源生产、传输、转化、消费、存储等各个环节中，电、热、冷、气等多种能源的耦合与依存关系日益加深，构成了新型电力系统为主体的能源互联网。随着能源互联网中配电、供气、供热等多种供能网络的耦合互联不断加深，配电网面临的安全性威胁愈发多元化。为了保障能源互联网中关键用户的不间断供电，可采用基于网络优化重构的方法。能源互联网优化重构方法通过改变网络中馈线上开关的状态改善潮流，为此在可控资源调节能力不足的情况下，可以基于网络拓扑重构，实现能源互联网的紧急频率控制。
3.考虑到传统启发式算法在解决大规模能源互联网重构问题时，需要在搜索空间内通过大量迭代来搜索最优解，容易陷入局部最优，且求解过程耗时。为此传统的求解方法在应对紧急频率控制问题时存在一定的局限性。


技术实现要素：

4.发明目的：本发明的目的在于，提供一种基于图卷积网络的能源互联网优化重构方法及系统，提高重构优化的计算速度与全局收敛能力，在应对大功率缺额的较短的时间尺度的要求时，能够在保证经济性最优的同时实现快速有功支撑。
5.技术方案：本发明提供的基于图卷积网络的能源互联网优化重构方法，包含以下步骤：
6.s1：基于重要负荷失电率最小化的目标函数，构建大功率缺额下的能源互联网优化模型；
7.s2：基于图卷积神经网络算法构建以重要负荷失电率为经济性评价指标的经济成本评估网络；
8.s3：基于能源互联网优化模型及经济成本评估网络，构建考虑重要负荷失电率指标约束的能源互联网优化重构模型；
9.s4：对能源互联网优化重构模型采用水循环算法求解得到最优解，完成能源互联网的网络优化重构。
10.进一步的，步骤s1中，能源互联网优化模型公式如下：
[0011][0012]
其中，f为重要负荷失电率，ε为重要负荷的可控比例，ωi为节点i处的重要负荷削
减的比例，εωip
li
表示在节点i处根据ε可削减的重要负荷量。
[0013]
进一步的，步骤s1中，该能源互联网优化模型具有以下约束条件：
[0014]
1.1)功率平衡约束：
[0015][0016][0017][0018]
其中，p
dgi
为节点i处分布式电源输出的有功功率，q
dgi
为节点i处分布式电源输出的无功功率；p
li
为节点i处负荷消耗的有功功率，q
li
为节点i处负荷消耗的无功功率；g
ij
为支路ij的电导，b
ij
为支路ij的电纳，θ
ij
为节点i和节点j的电压的相角差，m是与节点相连的支路数；
[0019]
1.2)网络辐射性约束：
[0020][0021]
其中，l
ij
为支路ij的辐射，n为网络节点数，e为网络支路的集合；
[0022]
1.3)电压上下限约束：
[0023]ui,min
≤ui≤u
i,max
[0024]
其中，ui为节点i的电压，u
i,min
为节点i的电压下限，u
i,max
为节点i的上限；
[0025]
1.4)支路容量约束：
[0026]sijmin
≤s
ij
≤s
ijmax
[0027]
其中，s
ij
为支路ij的容量，s
ijmin
为支路ij容量的下限，s
ijmax
为支路ij容量的上限；
[0028]
1.5)dg功率约束：
[0029][0030]
其中，p
dgmin
为节点i处分布式电源输出的有功功率的下限，p
dgmax
为节点i处分布式电源输出的有功功率的上限，q
dgmin
为节点i处分布式电源输出的无功功率的下限，q
dgmax
为节点i处分布式电源输出的无功功率的上限。
[0031]
进一步的，步骤s2包含以下步骤：
[0032]
2.1)将重要负荷失电率作为经济性评价指标，该经济性评价指标定义为lpsp，则：
[0033][0034]
其中：
[0035]
f(t)＝load(t)-e
max
(t)
[0036]emax
(t)＝e
pv
(t)+e
wt
(t)+η(e
bess
(t)-e
bess,min
)
[0037]
式中，f(t)为切负荷最小总电量；load(t)为负荷总电量；e
max
(t)为分布式电源最大发电量；e
pv
(t)为光伏发电量；e
wt
(t)为风机发电量；e
bess
(t)为电动汽车电池的能量状态；e
bess,min
为电池最小电量；η为充放电效率；
[0038]
2.2)基于图卷积神经网络建立网络拓扑和负荷削减量的映射关系，得到各网络拓扑的重要负荷失电率指标。
[0039]
进一步的，步骤s2中，图卷积神经网络的训练过程包含以下步骤：
[0040]
2.2.1)采用规范化处理将节点特征的各个分量映射到区间[0,1]，假设节点特征向量为x，则：
[0041][0042]
其中，xj为规范化前第i个节点的特征分量，为规范化后第i个节点的特征分量,j∈[1,m]；x
min
为节点特征所有分量中的最小值，x
max
为节点特征所有分量中的最大值；
[0043]
将处理之后的数据样本按比例随机分成训练集、验证集和测试集，其中训练集和验证集用来确定gcn的各种超参数以及权重，测试集评估训练后gcn模型的性能；
[0044]
2.2.2)将处理后的数据初始化，包括初始化权重和偏置；
[0045]
2.2.3)训练gcn模型，经过前向传播计算得到预测值与真实值的损失函数，并利用反向传播算法更新gcn的权重和偏置，多次迭代后，满足终止条件，则保存gnc模型；
[0046]
2.2.4)将测试集的数据输入已经保存的gcn模型中，获得各网络拓扑的重要负荷失电率指标。
[0047]
进一步的，步骤s3中，基于能源互联网优化模型公式及相应的约束条件，设定为最大容许的负荷削减量，构建能源互联网优化重构模型。
[0048]
进一步的，步骤s4中水循环算法包含以下步骤：
[0049]
4.1)降雨过程生成初始种群，对初始种群进行初始化，该初始种群分类为溪流、河流、海洋；
[0050]
4.2)基于成本函数对初始化后种群进行适应度评估；
[0051]
4.3)确定降雨过程中的雨滴流向河流和海洋的强度，更新溪流、河流位置；
[0052]
4.4)判断是否满足蒸发条件，若满足蒸发条件则形成新的降雨；
[0053]
4.5)判断算法是否满足终止条件，若满足，则输出结果作为最优解；否则重复执行4.3)至4.4)。
[0054]
本发明对应提供一种图卷积网络的能源互联网优化重构系统，包含构建能源互联网优化模型模块、构建经济成本评估网络模块、构建能源互联网优化重构模型模块、水循环算法模块；
[0055]
构建能源互联网优化模型模块用以基于重要负荷失电率最小化的目标函数，构建大功率缺额下的能源互联网优化模型；
[0056]
构建经济成本评估网络模块用以基于图卷积神经网络算法构建以重要负荷失电率为经济性评价指标的经济成本评估网络；
[0057]
构建能源互联网优化重构模型模块用以基于能源互联网优化模型及经济成本评估网络，构建考虑重要负荷失电率指标约束的能源互联网优化重构模型；
[0058]
水循环算法模块用以对能源互联网优化重构模型采用水循环算法求解得到最优解，完成能源互联网的网络优化重构。
[0059]
有益效果：本发明与现有技术相比，其显著特点是，采用图卷积网络的能源互联网优化重构方法，基于经济性指标的约束有效减小了候选拓扑的数量，实现较短时间内计算出所有选定拓扑的潮流，获得最优解；完成能源互联网网络优化重构的同时，提高了重构优化的计算速度与全局收敛能力，在应对大功率缺额的较短的时间尺度的要求时，能够在保证经济性最优的情况下实现快速有功功率的支撑，保障了系统的安全经济运行。
附图说明
[0060]
图1是本发明的流程示意图。
具体实施方式
[0061]
下面结合附图及具体实施例对本发明做进一步的详细说明。
[0062]
实施例1
[0063]
本发明提供的一种基于图卷积网络的能源互联网优化重构方法，请参阅图1所示，包含以下步骤：
[0064]
s1：基于重要负荷失电率最小化的目标函数，构建大功率缺额下的能源互联网优化模型。
[0065]
能源互联网优化模型公式如下：
[0066][0067]
其中，f为重要负荷失电率，ε为重要负荷的可控比例，ωi为节点i处的重要负荷削减的比例，εωip
li
表示在节点i处根据ε可削减的重要负荷量。
[0068]
该能源互联网优化模型具有以下约束条件：
[0069]
1.1)功率平衡约束：
[0070][0071][0072][0073]
其中，p
dgi
为节点i处分布式电源输出的有功功率，q
dgi
为节点i处分布式电源输出的无功功率；p
li
为节点i处负荷消耗的有功功率，q
li
为节点i处负荷消耗的无功功率；g
ij
为支路ij的电导，b
ij
为支路ij的电纳，θ
ij
为节点i和节点j的电压的相角差，m是与节点相连的支路数；
[0074]
1.2)网络辐射性约束：
[0075]
[0076]
其中，l
ij
为支路ij的辐射，n为网络节点数，e为网络支路的集合；
[0077]
1.3)电压上下限约束：
[0078][0079]
其中，ui为节点i的电压，u
i,min
为节点i的电压下限，u
i,max
为节点i的上限；
[0080]
1.4)支路容量约束：
[0081]sijmin
≤s
ij
≤s
ijmax
(7)
[0082]
其中，s
ij
为支路ij的容量，s
ijmin
为支路ij容量的下限，s
ijmax
为支路ij容量的上限；
[0083]
1.5)dg功率约束：
[0084][0085]
其中，p
dgmin
为节点i处分布式电源输出的有功功率的下限，p
dgmax
为节点i处分布式电源输出的有功功率的上限，q
dgmin
为节点i处分布式电源输出的无功功率的下限，q
dgmax
为节点i处分布式电源输出的无功功率的上限。
[0086]
通过将重要负荷失电率最小化作为目标函数，并提出一般的考虑功率平衡、电压、支路容量和dg输出功率的不等式约束，可以实现传统的能源互联网优化重构问题，实现功率缺额情况下的有功支撑。
[0087]
s2：基于图卷积神经网络算法构建以重要负荷失电率为经济性评价指标的经济成本评估网络。
[0088]
2.1)为了量化能源互联网的经济性，将重要负荷失电率作为经济性评价指标，该经济性评价指标定义为lpsp，lpsp的值越小，能源互联网系统的经济性就越好，则：
[0089][0090]
其中：
[0091]
f(t)＝load(t)-e
max
(t)
ꢀꢀꢀ
(10)
[0092]emax
(t)＝e
pv
(t)+e
wt
(t)+η(e
bess
(t)-e
bess,min
)
ꢀꢀꢀ
(11)
[0093]
式中，f(t)为切负荷最小总电量；load(t)为负荷总电量；e
max
(t)为分布式电源最大发电量；e
pv
(t)为光伏发电量；e
wt
(t)为风机发电量；e
bess
(t)为电动汽车电池的能量状态；e
bess,min
为电池最小电量；η为充放电效率。
[0094]
2.2)根据能源互联网中负荷和分布式电源的出力情况，基于图卷积神经网络建立网络拓扑和负荷削减量的映射关系，得到各网络拓扑的负荷失电率指标。
[0095]
图卷积神经网络的输入包括：能源互联网各节点的有功、无功数据和功率调节量及节点邻接矩阵a，图卷积层的具体运算表达式为：
[0096]hl
＝σ(l
symhl-1wl
)
ꢀꢀꢀ
(12)
[0097]
其中，h
l
为第l个图卷积层输出的隐藏特征矩阵，h0＝x；l
sym
为图的对称归一化拉普拉斯矩阵，其中in为n
×
n的单位矩阵，为添加自连边后图的
邻接矩阵，d为图的度矩阵；w
l
为gcn第l层的可训练的权重矩阵；σ(
·
)为激活函数。
[0098]
图卷积神经网络的训练过程包含以下步骤：
[0099]
2.2.1)采用规范化处理将节点特征的各个分量映射到区间[0,1]，假设节点特征向量为x，则：
[0100][0101]
其中，xj为规范化前第i个节点的特征分量，为规范化后第i个节点的特征分量,j∈[1,m]；x
min
为节点特征所有分量中的最小值，x
max
为节点特征所有分量中的最大值；
[0102]
将处理之后的数据样本按比例随机分成训练集、验证集和测试集，其中训练集和验证集用来确定gcn的各种超参数以及权重，测试集评估训练后gcn模型的性能。
[0103]
2.2.2)将处理后的数据初始化，包括初始化权重和偏置。
[0104]
2.2.3)训练gcn模型，经过前向传播计算得到预测值与真实值的损失函数，均方误差为利用反向传播算法更新gcn的权重和偏置，多次迭代后，满足终止条件，该终止条件为达到迭代次数或损失函数值小于一定的阈值，此时表明gcn学习到了数据间的映射规律，则保存gnc模型。
[0105]
2.2.4)将测试集的数据输入已经保存的gcn模型中，获得各网络拓扑的重要负荷失电率指标。
[0106]
s3：基于能源互联网优化模型及经济成本评估网络，构建考虑重要负荷失电率指标约束的能源互联网优化重构模型。
[0107]
基于能源互联网优化模型公式及相应的约束条件，设定为最大容许的负荷削减量；通过考虑重要负荷失电率指标约束可以有效减少候选拓扑的数量。
[0108]
由于基于图卷积神经网络的评估网络是离线训练，在线决策的，为此基于训练好的图卷积神经网络可以很短时间内计算出所有拓扑的相应经济性指标，在此基础上通过各项约束获得最优解，实现能源互联网更迅速、有效的有功支撑。
[0109]
s4：对能源互联网优化重构模型采用水循环算法求解得到最优解，完成能源互联网的网络优化重构。该水循环算法包含以下步骤：
[0110]
4.1)降雨过程生成初始种群，对初始种群进行初始化，该初始种群分类为溪流、河流、海洋。
[0111]
将初始种群表示为一个n
pop
×
d的矩阵
[0112][0113]
其中，n
pop
为随机生成的种群大小，d为控制变量的数量。
[0114]
4.2)基于成本函数对初始化后种群进行适应度评估，即对每个种群根据它们的成本函数进行评估。
[0115]fi
＝f(x
i,1
,x
i,2
,x
i,3
,...,x
i,d
)
ꢀꢀꢀ
(15)
[0116]
其中，fi为第i个种群的适应度，i＝1,2,...,n
pop
。
[0117]
4.3)确定降雨过程中的雨滴流向河流和海洋的强度，更新溪流、河流位置。
[0118]
径流过程更新了溪流和河流，使它们流向海洋。溪流流向河流和海洋的流量由公式(16)和(17)定义，河流流向海洋的流量由公式(18)给出。
[0119][0120][0121][0122]
其中，iter为迭代的次数，rand是一个0至1之间的随机数，c为1至2之间的位置更新系数；公式(16)、(17)、(18)表明，如果溪流的位置比河流的位置好，则位置会相应调换，同样的过程也会重复到海洋和河流。
[0123]
4.4)判断是否满足蒸发条件，若满足蒸发条件则形成新的降雨。
[0124]
为了避免wca的局部收敛，考虑了蒸发的概念，即海水蒸发的水通过降雨返回到景观中。雨水形成一条新的溪流，再次流向河流或海洋。该评估过程保证了算法，避免了解陷入局部极小值。蒸发过程的触发条件为：
[0125][0126][0127]
其中，d
max
为一个接近于0且随着迭代次数递减的参数。
[0128]
当满足降雨条件时，会发生降雨过程产生新个体，降雨的方式有两种：
[0129]
a:在问题空间随机产生新个体，增加种群多样性
[0130][0131]
b:在海洋附近降雨，在最优值附近寻优
[0132][0133]
其中，ub为空间的上限，lb为空间的下限；μ为海域搜索范围，μ的值越小，搜索范围越小，通常取0.1。
[0134]
4.5)判断算法是否满足终止条件，该终止条件为达到迭代次数或损失函数值小于一定的阈值，若满足，则输出结果作为最优解；否则重复执行4.3)至4.4),由此得到基于优化目标的最优解，并根据得到的最优拓扑对能源互联网进行重构。
[0135]
实施例2
[0136]
对应实施例1的基于图卷积网络的能源互联网优化重构方法，本实施例对应提供一种基于图卷积网络的能源互联网优化重构系统，请参阅图1所示，包含构建能源互联网优化模型模块、构建经济成本评估网络模块、构建能源互联网优化重构模型模块、水循环算法模块；
[0137]
构建能源互联网优化模型模块用以基于重要负荷失电率最小化的目标函数，构建大功率缺额下的能源互联网优化模型。
[0138]
能源互联网优化模型公式如下：
[0139][0140]
其中，f为重要负荷失电率，ε为重要负荷的可控比例，ωi为节点i处的重要负荷削减的比例，εωip
li
表示在节点i处根据ε可削减的重要负荷量。
[0141]
该能源互联网优化模型具有以下约束条件：
[0142]
1.1)功率平衡约束：
[0143][0144][0145][0146]
其中，p
dgi
为节点i处分布式电源输出的有功功率，q
dgi
为节点i处分布式电源输出的无功功率；p
li
为节点i处负荷消耗的有功功率，q
li
为节点i处负荷消耗的无功功率；g
ij
为支路ij的电导，b
ij
为支路ij的电纳，θ
ij
为节点i和节点j的电压的相角差，m是与节点相连的支路数；
[0147]
1.2)网络辐射性约束：
[0148][0149]
其中，l
ij
为支路ij的辐射，n为网络节点数，e为网络支路的集合；
[0150]
1.3)电压上下限约束：
[0151][0152]
其中，ui为节点i的电压，u
i,min
为节点i的电压下限，u
i,max
为节点i的上限；
[0153]
1.4)支路容量约束：
[0154]sijmin
≤s
ij
≤s
ijmax
(7)
[0155]
其中，s
ij
为支路ij的容量，s
ijmin
为支路ij容量的下限，s
ijmax
为支路ij容量的上限；
[0156]
1.5)dg功率约束：
[0157][0158]
其中，p
dgmin
为节点i处分布式电源输出的有功功率的下限，p
dgmax
为节点i处分布式电源输出的有功功率的上限，q
dgmin
为节点i处分布式电源输出的无功功率的下限，q
dgmax
为节点i处分布式电源输出的无功功率的上限。
[0159]
通过将重要负荷失电率最小化作为目标函数，并提出一般的考虑功率平衡、电压、支路容量和dg输出功率的不等式约束，可以实现传统的能源互联网优化重构问题，实现功率缺额情况下的有功支撑。
[0160]
构建经济成本评估网络模块用以基于图卷积神经网络算法构建以重要负荷失电
率为经济性评价指标的经济成本评估网络。
[0161]
该构建经济成本评估网络模块包含定义经济性评价指标单元、图卷积训练单元；
[0162]
经济性评价指标单元用以量化能源互联网的经济性，将重要负荷失电率作为经济性评价指标，该经济性评价指标定义为lpsp，lpsp的值越小，实现能源互联网系统的经济性就越好，则：
[0163][0164]
其中：
[0165]
f(t)＝load(t)-e
max
(t)
ꢀꢀꢀ
(10)
[0166]emax
(t)＝e
pv
(t)+e
wt
(t)+η(e
bess
(t)-e
bess,min
)
ꢀꢀꢀ
(11)
[0167]
式中，f(t)为切负荷最小总电量；load(t)为负荷总电量；e
max
(t)为分布式电源最大发电量；e
pv
(t)为光伏发电量；e
wt
(t)为风机发电量；e
bess
(t)为电动汽车电池的能量状态；e
bess,min
为电池最小电量；η为充放电效率。
[0168]
图卷积训练单元用以根据能源互联网优化中负荷和分布式电源的出力情况，基于图卷积神经网络建立网络拓扑和负荷削减量的映射关系，得到各网络拓扑的负荷失电率指标。
[0169]
图卷积神经网络的输入包括：能源互联网各节点的有功、无功数据和功率调节量及节点邻接矩阵a，图卷积层的具体运算表达式为：
[0170]hl
＝σ(l
symhl-1wl
)
ꢀꢀꢀ
(12)
[0171]
其中，h
l
为第l个图卷积层输出的隐藏特征矩阵，h0＝x；l
sym
为图的对称归一化拉普拉斯矩阵，其中in为n
×
n的单位矩阵，为添加自连边后图的邻接矩阵，d为图的度矩阵；w
l
为gcn第l层的可训练的权重矩阵；σ(
·
)为激活函数。
[0172]
该图卷积训练单元具体包含映射部分、初始化部分、训练gcn部分、输入部分；
[0173]
映射部分用以采用规范化处理将节点特征的各个分量映射到区间[0,1]，假设节点特征向量为x，则：
[0174][0175]
其中，xj为规范化前第i个节点的特征分量，为规范化后第i个节点的特征分量,j∈[1,m]；x
min
为节点特征所有分量中的最小值，x
max
为节点特征所有分量中的最大值；
[0176]
将处理之后的数据样本按比例随机分成训练集、验证集和测试集，其中训练集和验证集用来确定gcn的各种超参数以及权重，测试集评估训练后gcn模型的性能。
[0177]
初始化部分用以将处理后的数据初始化，包括初始化权重和偏置。
[0178]
训练gcn部分用以训练gcn模型，经过前向传播计算得到预测值与真实值的损失函数，均方误差为利用反向传播算法更新gcn的权重和偏置，多次迭代后，满足终止条件，该终止条件为达到迭代次数或损失函数值小于一定的阈值，此时表明gcn学习到
了数据间的映射规律，则保存gnc模型。
[0179]
输入部分用以将测试集的数据输入已经保存的gcn模型中，获得各网络拓扑的重要负荷失电率指标。
[0180]
能源互联网优化重构模型模块中，基于能源互联网优化模型及经济成本评估网络，构建考虑重要负荷失电率指标约束的能源互联网优化重构模型。
[0181]
基于能源互联网优化模型公式及约束条件，设定束条件，设定为最大容许的负荷削减量；通过考虑重要负荷失电率指标约束可以有效减少候选拓扑的数量。
[0182]
由于基于图卷积神经网络的评估网络是离线训练，在线决策的，为此基于训练好的图卷积神经网络可以很短时间内计算出所有拓扑的相应经济性指标，在此基础上通过各项约束获得最优解，实现能源互联网更迅速、有效的有功支撑。
[0183]
水循环算法模块用以对能源互联网优化重构模型采用水循环算法求解得到最优解，完成能源互联网的网络优化重构。
[0184]
水循环算法包含初始化单元、适应度评估单元、更新单元、判断蒸发单元、判断算法单元；
[0185]
初始化单元用以降雨过程生成初始种群，对初始种群进行初始化，该初始种群分类为溪流、河流、海洋。
[0186]
将初始种群表示为一个n
pop
×
d的矩阵
[0187][0188]
其中，n
pop
为随机生成的种群大小，d为控制变量的数量。
[0189]
适应度评估单元用以基于成本函数对初始化后种群进行适应度评估，即对每个种群根据它们的成本函数进行评估。
[0190]fi
＝f(x
i,1
,x
i,2
,x
i,3
,...,x
i,d
)
ꢀꢀꢀ
(15)
[0191]
其中，fi为第i个种群的适应度，i＝1,2,...,n
pop
。
[0192]
更新单元用以确定降雨过程中的雨滴流向河流和海洋的强度，更新溪流、河流位置。
[0193]
径流过程更新了溪流和河流，使它们流向海洋。溪流流向河流和海洋的流量由公式(16)和(17)定义，河流流向海洋的流量由公式(18)给出。
[0194][0195][0196][0197]
其中，iter为迭代的次数，rand是一个0至1之间的随机数，c为1至2之间的位置更新系数；公式(16)、(17)、(18)表明，如果溪流的位置比河流的位置好，则位置会相应调换，同样的过程也会重复到海洋和河流。
[0198]
判断蒸发单元用以判断是否满足蒸发条件，若满足蒸发条件则形成新的降雨。
[0199]
为了避免wca的局部收敛，考虑了蒸发的概念，即海水蒸发的水通过降雨返回到景观中。雨水形成一条新的溪流，再次流向河流或海洋。该评估过程保证了算法，避免了解陷入局部极小值。蒸发过程的触发条件为：
[0200][0201][0202]
其中，d
max
为一个接近于0且随着迭代次数递减的参数。
[0203]
当满足降雨条件时，会发生降雨过程产生新个体，降雨的方式有两种：
[0204]
a:在问题空间随机产生新个体，增加种群多样性
[0205][0206]
b:在海洋附近降雨，在最优值附近寻优
[0207][0208]
其中，ub为空间的上限，lb为空间的下限；μ为海域搜索范围，μ的值越小，搜索范围越小，通常取0.1。
[0209]
判断算法单元用以判断算法是否满足终止条件，该终止条件为达到迭代次数或损失函数值小于一定的阈值，若满足，则输出结果作为最优解；否则重复执行更新单元至判断蒸发单元，由此得到基于优化目标的最优解，并根据得到的最优拓扑对能源互联网进行优化重构。
[0210]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0211]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0212]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0213]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0214]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。