阅读说明：本技术 考虑ieee节点系统环路数量的粒子群算法的配电网重构方法 (Power distribution network reconstruction method based on particle swarm algorithm considering loop quantity of IEEE (institute of Electrical and electronics Engineers) node system ) 是由 王迎春 侯艳权 王义春 李维 赵俊涛 王文琦 于 2021-09-18 设计创作，主要内容包括：考虑IEEE节点系统环路数量的粒子群算法的配电网重构方法,属于电力系统领域。本发明是为了解决基于优化算法的配电网重构方法不能兼顾搜索效率和目标最优的问题。本发明基于粒子群算法进行配电网重构的过程包括以下步骤：步骤1,初始化参数：步骤2,随机生成初始群体；步骤3,评估每个粒子,并计算电力系统潮流；步骤4,更新粒子；步骤5,更新pbest；步骤6,更新gbest；步骤7,判断t是否达到最大迭代次数T,如果达到则输出gbest,程序结束；否则转步骤4。本发明主要采用粒子算法对配电网进行重构。(A power distribution network reconstruction method based on a particle swarm algorithm considering the loop number of an IEEE node system belongs to the field of power systems. The invention aims to solve the problem that the power distribution network reconstruction method based on the optimization algorithm cannot give consideration to both the search efficiency and the target optimization. The process of reconstructing the power distribution network based on the particle swarm algorithm comprises the following steps: step 1, initializing parameters: step 2, randomly generating an initial population; step 3, evaluating each particle and calculating the power flow of the power system; step 4, updating the particles; step 5, updating pbest; step 6, updating the gbest; step 7, judging whether T reaches the maximum iteration time T, if so, outputting gbest, and ending the program; otherwise, turning to step 4. The invention mainly adopts a particle algorithm to reconstruct the power distribution network.)

考虑IEEE节点系统环路数量的粒子群算法的配电网重构方法

技术领域

本发明属于电力系统领域，尤其涉及一种配电网重构方法。

背景技术

配电网网络重构是配电管理系统的重要研究内容，它通过开关状态的变化来形成满足优化目标的新网络结构，使网络负荷分布更加合理，传统网络重构多以有功网损最小为目标，并且考虑更多的可靠性因素，配电网重构是一个多目标、多约束的复杂非线性规划问题，为提高配电网运行的可靠性和经济性，网络重构的传统方法有分支定界法和单纯型法等，传统数学优化法虽然可以得到不依赖于配电网初始结构的全局最优解，但其只适用于简单结构的配电网，对于结构较复杂的配电网计算时间过长、效率低下。近年来，随着人工智能算法的广泛应用，人们将人工智能方法应用到配电网重构中，取得了不错的效果。例如，人工神经网络、模拟退火法、遗传算法(Genetic Algorithm，GA)、粒子群算法(ParticleSwarm Optimization，PSO)等；采用遗传算法来求解配电网重构模型，遗传算法虽然具有良好的全局并行处理能力，搜索效率较高，但其局部搜索能力较差，易陷入局部最优解的缺陷；将粒子群算法应用于配电网重构模型的求解，粒子群算法具有优良的局部搜索能力，但其全局搜索能力较差，算法收敛困难，都不能兼顾搜索效率和目标最优的问题。

发明内容

本发明需要解决的技术问题是基于优化算法的配电网重构方法不能兼顾搜索效率和目标最优的问题；进而提供一种考虑IEEE节点系统环路数量的粒子群算法的配电网重构方法。

本发明为解决上述技术问题采用的技术方案是：

所述的考虑IEEE节点系统环路数量的粒子群算法的配电网重构方法，包括以下步骤：

基于配电网重构的约束条件，以重构后的配电网网损最小为目标函数，基于粒子群算法进行配电网重构；所述的配电网网损目标如下：

其中，L为配电网支路总数，k_i为支路i的状态变量，取值为0或1，0代表支路断开，1代表支路闭合，R_i为支路i的电阻；P_i、Q_i分别为支路i的有功功率和无功功率，为支路i末端的节点电压；

基于粒子群算法进行配电网重构的过程包括以下步骤：

步骤1，初始化参数：设置最大迭代次数T、粒子群规模为M、粒子的最大速度、加速因子c₁、c₂，初始化粒子维度为支路的状态组成；位置信息为电网重构的整个搜索空间，重构的网络需要满足连通、无环、无孤岛，在速度区间和搜索空间上随机初始化速度和位置，每个粒子随机初始化一个飞翔速度；

步骤2，随机生成初始群体：对各粒子随机生成初始位置和速度；

步骤3，评估每个粒子，并计算电力系统潮流：

根据目标函数计算粒子的适应度；并采用前推回代法计算电力系统潮流；

步骤4，更新粒子，分别更新粒子速度和更新粒子位置；

步骤5，更新pbest：将更新后的新粒子的适应度与各自的pbest适应度作比较，若优于pbest，则将优于pbest的新粒子的位置作为各自新的pbest；否则pbest不变，迭代次数t＝t+1，转步骤7；

步骤6，更新gbest：将pbest中适应度最高的pbest与gbest适应度作比较，若优于gbest，则将优于gbest的适应度最高的pbest的位置作为新的gbest；否则，gbest不变，迭代次数t＝t+1；

步骤7，判断t是否达到最大迭代次数T，如果达到则输出gbest，程序结束；否则转步骤4。

进一步的，配电网重构的约束条件包括节点电压约束、支路功率约束以及分布式电源的配电网重构的潮流约束；具体的约束条件采用电网既有约束即可，电网既有约束是指在现有技术中的约束条件下，每个电厂结合各配电网的实际情况对约束条件进行具体的约束。

进一步的，步骤3中，根据粒子的适应度找到各粒子的当前个体极值pbest，并找到整个粒子群的当前全集最优解gbest。

进一步的，步骤4中，更新粒子速度和更新粒子位置；具体方式如下：

更新粒子速度：

更新粒子位置：

其中，ω^t为惯性权重，为第i个粒子经过第t次迭代后在第d维上的速度；为第i个粒子经过第t次迭代后在第d维上的位置；rand、Rand表示区间[0,1]上的随机数；

惯性权重ω按照下式进行取值：

ω^t＝ω₁-(ω₁-ω₂)(T-t)/T

其中，ω^t为第t次迭代后的惯性权重，ω₁为初始惯性权重，ω₂为迭代至最大进化代数时的惯性权重。

本发明与现有技术相比产生的有益效果是：

本发明中ω^t的调整方法可以有效的保证更新粒子速度，并兼顾全局的寻优效果。本发明在粒子速度更新时还设置加速因子c₂＝[(n-1)/n]*c₁，这样能够尽量保持当前个体极值pbest的加速快一些，而整个粒子群的当前全集最优解gbest加速慢一些，针对于IEEE节点系统可以有效的基于环路数量的控制粒子速度对于全局的影响状态，可以在兼顾搜索效率的同时保证目标最优。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案：

考虑IEEE节点系统环路数量的基于粒子群算法的配电网重构方法，包括以下步骤：

基于配电网重构的约束条件，以重构后的配电网网损最小为目标函数，基于粒子群算法进行配电网重构；所述的配电网网损目标如下：

其中，L为配电网支路总数，k_i为支路i的状态变量，取值为0或1，0代表支路断开，1代表支路闭合，R_i为支路i的电阻；P_i、Q_i分别为支路i的有功功率和无功功率，为支路i末端的节点电压；

配电网重构的约束条件包括节点电压约束、支路功率约束以及分布式电源的配电网重构的潮流约束；具体的约束条件采用电网既有约束即可，电网既有约束是指在现有技术中的约束条件下，每个电厂结合各配电网的实际情况对约束条件进行具体的约束。

基于粒子群算法进行配电网重构的过程包括以下步骤：

步骤1，初始化参数：

设置最大迭代次数T、粒子群规模为M、粒子的最大速度、加速因子c₁、c₂，初始化粒子维度为支路的状态组成；位置信息为电网重构的整个搜索空间，重构的网络需要满足连通、无环、无孤岛，在速度区间和搜索空间上随机初始化速度和位置，每个粒子随机初始化一个飞翔速度；

本实施方式中初始化最大迭代次数T为50，粒子数群规模M为30，粒子维度为37，加速因子c₂＝[(n-1)/n]*c₁，n为IEEE节点系统中的环路数量；c₁＝2；

步骤2，随机生成初始群体：

随机选择生成30个粒子，对各粒子随机生成初始位置和速度；

步骤3，评估每个粒子，并计算电力系统潮流：

根据目标函数计算粒子的适应度；并采用前推回代法计算电力系统潮流；

根据粒子的适应度找到各粒子的当前个体极值pbest，并找到整个粒子群的当前全集最优解gbest；

步骤4，更新粒子：

更新粒子速度：

更新粒子位置：

其中，ω^t为惯性权重，为第i个粒子经过第t次迭代后在第d维上的速度；为第i个粒子经过第t次迭代后在第d维上的位置；rand、Rand表示区间[0,1]上的随机数；

惯性权重ω按照下式进行取值：

ω^t＝ω₁-(ω₁-ω₂)(T-t)/T

其中，ω^t为第t次迭代后的惯性权重，ω₁为初始惯性权重，ω₂为迭代至最大进化代数时的惯性权重；

本发明中ω^t的调整方法可以有效的保证更新粒子速度，并兼顾全局的寻优效果。本发明在粒子速度更新时还设置加速因子c₂＝[(n-1)/n]*c₁，这样能够尽量保持当前个体极值pbest的加速快一些，而整个粒子群的当前全集最优解gbest加速慢一些，针对于IEEE节点系统可以有效的基于环路数量的控制粒子速度对于全局的影响状态，可以在兼顾搜索效率的同时保证目标最优。

步骤5，更新pbest：将更新后的新粒子的适应度与各自的pbest适应度作比较，若优于pbest，则将优于pbest的新粒子的位置作为各自新的pbest；否则pbest不变，迭代次数t＝t+1，转步骤7；

步骤6，更新gbest：将pbest中适应度最高的pbest与gbest适应度作比较，若优于gbest，则将优于gbest的适应度最高的pbest的位置作为新的gbest；否则，gbest不变，迭代次数t＝t+1；

步骤7，判断t是否达到最大迭代次数T，如果达到则输出gbest，程序结束；否则转步骤4。