基于改进粒子群算法的配电网重构优化方法
【专利摘要】本发明公开了一种基于改进粒子群算法的配电网重构优化方法，包括：配电网络简化并进行粒子群编码；粒子群解码，计算每个粒子对应的适应度函数；随机初始化粒子群，对每一粒子随机赋予一个可行解；对每个粒子所对应的简化网络进行拓扑检查，直至全部粒子符合配电网拓扑要求；对每个粒子通过算法迭代进行位置更新，并进行简化网络拓扑检查；计算每个粒子更新位置后的适应度值：如果粒子i的适应值优于此前个体极值位置Pi对应的适应值，则将其位置赋值给Pi；如果当前极值位置Pi的适应值优于此前全局极值位置Pg的适应值，则将其位置赋值给Pg，直到达到预设最大迭代次数，Pg即为最优解。本发明方法具有快速、高效的全局寻优能力。
【专利说明】基于改进粒子群算法的配电网重构优化方法
【技术领域】
[0001] 本发明涉及一种基于改进粒子群算法的配电网重构优化方法。
【背景技术】
[0002] 配电网系统具有闭环系统，开环运行的特点。配电网重构是优化配电系统运行的 有效手段，它主要通过切换联络开关和分段开关的开合状态来改变网络拓扑结构，以改变 网络中的潮流流动。在正常的运行条件下，根据运行情况进行开关操作以调整网络结构，一 方面能够平衡负荷，消除过载，提高供电电压质量；另一方面，能够提高系统运行的经济性。
[0003]配电网重构是在保证配电网呈现辐射状结构、满足馈线热容、节点压降和变压器 容量等条件的前提下，使配电网某一指标或者多重指标最佳的配电网运行方式。由于配电 网结构复杂，存在着大量的分段开关和联络开关，因此配电网重构是一个复杂的多目标高 维数非线性混合优化问题。
[0004]目前的求解算法大致可分为以下几类：1)传统数学优化算法：即直接利用现有的 数学优化原理进行配电网重构。随维数的增加，该方法将面临"组合爆炸"问题，难以实际应 用；2)启发式方法，主要有最优流模式法和支路交换法，由于结合了配电网重构问题的物 理特性，计算速度有了很大提高，但重构结果与打开开关的顺序或网络中开关的初始状态 有关，每一次优化计算只搜索了整个解空间的一部分子空间，缺乏数学意义上的全局最优 性；3)人工智能算法，如模拟退火法、遗传算法、禁忌算法等，这些方法中的某些参数随着 网络规模等因素的变化而变化，难以确定，并且存在收敛速度慢，容易出现大量不可行解， 不成熟收敛等问题。
【发明内容】
[0005]本发明的目的在于克服现有技术中的不足，提供一种基于改进粒子群算法的配电 网重构优化方法，能够提高重构优化的全局寻优能力，解决配电网重构中出现大量不可行 解的技术问题。
[0006]为达到上述目的，本发明所采用的技术方案是：基于改进粒子群算法的配电网重 构优化方法，包括如下步骤：
[0007] 步骤一：配电网络简化并进行粒子群编码；
[0008] 步骤二：粒子群解码，并通过配电网潮流计算求得每个粒子对应的适应度函数 fitness；
[0009] 步骤三：设定改进粒子群算法参数，包括粒子群规模为N、学习因子C1和C2、最大迭 代次数k;
[0010] 步骤四：随机初始化粒子群，对于种群中的每一粒子Xi在搜索空间中随机赋予一 个可行解，其中i= 1，2···，Ν;
[0011] 步骤五：对每个粒子所对应的简化网络进行拓扑检查，直至全部粒子符合配电网 拓扑要求，采用基于广度优先树搜索的配电网拓扑分析；
[0012] 步骤六：计算每个粒子的适应度值，设定每个粒子的当前位置为其个体极值位置 Pi,取全局极值位置Pg为当前群体最优适应值对应的位置；
[0013] 步骤七：对每个粒子通过算法迭代进行位置更新，并进行简化网络拓扑检查；
[0014] 步骤八：计算每个粒子更新位置后的适应度值：如果粒子i的适应值优于此前个 体极值位置Pi对应的适应值，则将其位置赋值给Pi ;如果当前极值位置Pi的适应值优于此 前全局极值位置Pg的适应值，则将其位置赋值给Pg;
[0015] 步骤八：进入下一次迭代过程，直到达到预设最大迭代次数k;
[0016] 步骤九：粒子解码并输出结果：Pg即为最优解，对其解码可得重构优化后的网络开 关状态，最优目标函数值为fitness(Pg)。
[0017] 步骤七所述的算法迭代中，第k+Ι次迭代时，粒子i的更新公式为：
[0018] xf+1=xf+[C1 (pf - xf) +c2(^-xl)]0Κβ)
[0019] 其中，?为点对点乘法；L(i3)为莱维飞行的随机搜索路径 [0020] 其中，L(i3)计算方法如下： -^
[0021] S=7W M
[0022] 式中：s为莱维飞行跳跃步长；参数β取值范围为0〈β〈2,参数μ、V为正态分 布随机数，服从下式的正态分布：
【权利要求】
1. 基于改进粒子群算法的配电网重构优化方法，其特征在于：包括如下步骤： 步骤一：配电网络简化并进行粒子群编码； 步骤二：粒子群解码，并通过配电网潮流计算求得每个粒子对应的适应度函数 fitness ； 步骤三：设定改进粒子群算法参数，包括粒子群规模为N、学习因子C1和C2、最大迭代次 数k 步骤四：随机初始化粒子群，对于种群中的每一粒子Xi在搜索空间中随机赋予一个可 行解，其中i = 1，2…，N; 步骤五：对每个粒子所对应的简化网络进行拓扑检查，直至全部粒子符合配电网拓扑 要求，采用基于广度优先树搜索的配电网拓扑分析； 步骤六：计算每个粒子的适应度值，设定每个粒子的当前位置为其个体极值位置Pi，取 全局极值位置Pg为当前群体最优适应值对应的位置； 步骤七：对每个粒子通过算法迭代进行位置更新，并进行简化网络拓扑检查； 步骤八：计算每个粒子更新位置后的适应度值：如果粒子i的适应值优于此前个体极 值位置Pi对应的适应值，则将其位置赋值给Pi ;如果当前极值位置Pi的适应值优于此前全 局极值位置Pg的适应值，则将其位置赋值给Pg ; 步骤八：进入下一次迭代过程，直到达到预设最大迭代次数k ; 步骤九：粒子解码并输出结果：Pg即为最优解，对其解码可得重构优化后的网络开关状 态，最优目标函数值为fitness (Pg)。
2. 根据权利要求1所述的基于改进粒子群算法的配电网重构优化方法，其特征在于：步骤七所述的算法迭代中，第k+1次迭代时，粒子i的更新公式为： x；i+1 = xf + [Cl(pf - A-f) +C2(Pig-Xki )3 ? L(P) 其中，?为点对点乘法；L(P)为莱维飞行的随机搜索路径 其中，L(P)计算方法如下：
式中：s为莱维飞行跳跃步长；参数0取值范围为0〈 0〈2,参数ii、V为正态分布随 机数，服从下式的正态分布：
3. 根据权利要求1所述的基于改进粒子群算法的配电网重构优化方法，其特征在于：步骤五的具体操作步骤如下： S5-1 :初始化节点信息列表Node，分别存放节点编号、属层和遍历；初始化支路信息列 表Branch,分别存放支路首端节点编号、末端节点编号、遍历和开关状态； S5-2 :将Node和&'anch列表中的遍历置0、Node中的属层置I ; S5-3 :确定根节点，从根节点开始，由Branch列表逐个搜索与之相连的节点，即开关状 态为1的节点，将搜索到的节点属层加1，将搜索过的节点和支路的遍历加1 ; S5-4 :从属层为2的节点开始，逐个搜索与之相连的节点，将搜索到的节点属层加1，将 搜索过的节点和支路的遍历加1 ; S5-5 :重复第S54步，直到所有闭合支路遍历均为1时，完成了整个网络的拓扑分析； S5-6 :检查所有节点遍历是否均为1，当所有节点遍历均为1时，表示满足辐射状拓扑 结构要求；否则，表示不满足配电网拓扑要求。
4. 根据权利要求1所述的基于改进粒子群算法的配电网重构优化方法，其特征在于：适应度函数fitness的公式如下：
式中，Hnrtltjss为网损率；Pnrtltjss为网络损耗；PlM(U为负荷节点i的有功功率；N为全网 负荷节点数；RL为第ij支路电阻；VL为第ij支路末端的电压幅值；kh表示该支路是否 断开，如果断开则为〇,闭合为I ;PL和QL分别为流过第ij支路的有功和无功功率。
5. 根据权利要求1所述的基于改进粒子群算法的配电网重构优化方法，其特征在于：步骤一的具体操作步骤如下： Sl-I :编码不考虑不在环路上的支路； S1-2 :解环效果一样的支路合并成一个支路组，称之为广义支路； S1-3 :用一个粒子代表网络中的一条广义支路，粒子的大小代表这条广义支路对应的 原始网络中的支路编号。
【文档编号】H02J3/00GK104332995SQ201410649037
【公开日】2015年2月4日 申请日期:2014年11月14日 优先权日:2014年11月14日
【发明者】何小栋, 张强, 左智勇 申请人:南京工程学院