并對(duì)每個(gè)最小環(huán)內(nèi)的開(kāi)關(guān)進(jìn)行編號(hào)；所述編號(hào)為配網(wǎng)重 構(gòu)的可行解對(duì)應(yīng)的編碼在該維度上的數(shù)值；
[0060] 若隨機(jī)生成的粒子群不滿足約束條件，則重新生成。
[0061] 本實(shí)施例中，選取IEEE 33節(jié)點(diǎn)作為配網(wǎng)算例；
[0062] 當(dāng)IEEE 33節(jié)點(diǎn)所有聯(lián)絡(luò)開(kāi)關(guān)閉合時(shí)，出現(xiàn)5個(gè)最小環(huán)，如圖2所示。每個(gè)粒子即 為一個(gè)5維向量，第i維向量上的數(shù)值代表了第i個(gè)最小換開(kāi)斷編號(hào)為該數(shù)值的開(kāi)關(guān)。這 種編碼方式保證了約束條件(6)的成立，在檢驗(yàn)網(wǎng)絡(luò)輻射型的過(guò)程中，只需檢驗(yàn)約束（7)。 在初始化的過(guò)程中，若隨機(jī)生成的粒子不滿足其他約束條件，則重新生成該粒子。
[0063] (4)計(jì)算各粒子的適應(yīng)度，更新各粒子的位置和速度；所述步驟（4)中的粒子適用 度為該粒子對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)中網(wǎng)損的相反數(shù)；適用度越大則粒子越優(yōu)。
[0064] 所述步驟（4)中更新各粒子的位置和速度包括：
[0065] V = w · v+cl · cor+c2 · rand · (pbest-present)+c3 · rand · (gbest-present) (8)
[0066] present = present+v (9)
[0067] 其中，v為粒子速度，w為慣性權(quán)重，cor為場(chǎng)景庫(kù)中適用度對(duì)于粒子各維度的皮爾 森相關(guān)系數(shù)，present為當(dāng)前粒子的位置，pbest為個(gè)體粒子最優(yōu)值，gbest為粒子群的全局 最優(yōu)值；rand為介于（0, 1)之間的隨機(jī)數(shù)；cl、c2和c3皆為學(xué)習(xí)因子。
[0068] 所述皮爾森相關(guān)系數(shù)表達(dá)式如下式所示：
[0070] 式（10)中，G和L分別為維度為T(mén)的兩個(gè)向量；G為場(chǎng)景庫(kù)中由所有粒子適應(yīng)度構(gòu) 成的函數(shù)向量，L為所有粒子位置在各個(gè)維度上的值構(gòu)成的向量；
[0071] 粒子更新過(guò)程中，若出現(xiàn)不滿足約束條件（2)-(7)的粒子，則根據(jù)式（8)和式（9) 重新生成該粒子的速度和位置。
[0072] (5)優(yōu)化場(chǎng)景庫(kù)；若達(dá)到結(jié)束條件則更新結(jié)束，否則返回步驟（4)。
[0073] 實(shí)施例為：若迭代次數(shù)達(dá)到100次，則優(yōu)化結(jié)束；否則回到步驟（4)。
[0074] 所述步驟（5)中優(yōu)化場(chǎng)景庫(kù)包括，若所述各粒子的當(dāng)前位置在場(chǎng)景庫(kù)中沒(méi)有出 現(xiàn)，則將該粒子當(dāng)前位置以及相應(yīng)適應(yīng)度添加至場(chǎng)景庫(kù)；
[0075] 將各粒子的適應(yīng)度與該粒子的歷史最優(yōu)值作比較，若優(yōu)于歷史最優(yōu)值，則將其作 為個(gè)體最優(yōu)值；
[0076] 將各粒子的個(gè)體最優(yōu)值與全局最優(yōu)值進(jìn)行比較，若優(yōu)于全局最優(yōu)值，則更新全局 最優(yōu)值，包括位置和速度。
[0077] 經(jīng)過(guò)優(yōu)化，得到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。分別將該優(yōu)化過(guò)程與采用改進(jìn)前的粒 子群優(yōu)化運(yùn)行20次，每次進(jìn)行100輪迭代，將迭代過(guò)程中的目標(biāo)函數(shù)取平均值，獲得收斂曲 線的比較如圖4所示。改進(jìn)前后的粒子群優(yōu)化在求解配網(wǎng)重構(gòu)問(wèn)題中表現(xiàn)出的性能的比較 如下表所示：
[0078] 重構(gòu)前后不同結(jié)構(gòu)運(yùn)行狀況對(duì)比
[0080] 從表中可以看出，改進(jìn)后的粒子群算法在解決IEEE-33節(jié)點(diǎn)系統(tǒng)重構(gòu)問(wèn)題中，尋 優(yōu)能力和收斂性得到一定提升，尋優(yōu)時(shí)間變短，計(jì)算效率得到大大提高。
[0081] 最后應(yīng)當(dāng)說(shuō)明的是：以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案而非對(duì)其限制，盡 管參照上述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：依然 可以對(duì)本發(fā)明的【具體實(shí)施方式】進(jìn)行修改或者等同替換，而未脫離本發(fā)明精神和范圍的任何 修改或者等同替換，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。
【主權(quán)項(xiàng)】
1. 一種基于改進(jìn)粒子群算法的配網(wǎng)重構(gòu)方法，其特征在于，所述方法包括： (1) 建立以網(wǎng)損最小化為目標(biāo)的配電網(wǎng)重構(gòu)模型； (2) 構(gòu)建場(chǎng)景庫(kù)，用于存放粒子；所述場(chǎng)景庫(kù)中的每個(gè)粒子對(duì)應(yīng)一個(gè)配電網(wǎng)重構(gòu)模型； (3) 隨機(jī)生成粒子群，采用編碼方式對(duì)各粒子進(jìn)行定位； (4) 計(jì)算各粒子的適應(yīng)度，更新各粒子的位置和速度； (5) 優(yōu)化場(chǎng)景庫(kù)；若達(dá)到結(jié)束條件則更新結(jié)束，否則返回步驟（4)。2. 如權(quán)利要求1所述的方法，其特征在于，所述步驟（1)中，以網(wǎng)損最小化為目標(biāo)的配 電網(wǎng)重構(gòu)模型為： 7=1其中，式⑴為優(yōu)化目標(biāo)，式⑵和式⑶為潮流約束；式⑷為節(jié)點(diǎn)電壓約束；式 (5)為線路電流約束；式（6)和式（7)共同構(gòu)成網(wǎng)絡(luò)的輻射型約束；其中，Nc為閉合支路集 合，PiUm為支路k的有功損耗，Pk、QjPV及別為支路k首端有功、無(wú)功功率和電壓幅值； /T' 6和片分別為節(jié)點(diǎn)i處配網(wǎng)注入的有功功率，分布式電源注入有功功率和負(fù)荷有功 功率，釔和g分別為節(jié)點(diǎn)i處配網(wǎng)注入的無(wú)功功率、分布式電源注入無(wú)功功率和負(fù) 荷無(wú)功功率；和Viniax分別為節(jié)點(diǎn)i處的電壓幅值，電壓幅值下限和電壓幅值上限；Ik 為支路k經(jīng)過(guò)的電流，Ik_為支路k電流上限；Nbus為網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，Nlira為網(wǎng)絡(luò)支路數(shù);A'為 網(wǎng)絡(luò)的鄰接矩陣，E為NBus階單位矩陣。3. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟（3)中采用編碼方式對(duì)各粒子 進(jìn)行定位包括；閉合所有聯(lián)絡(luò)線開(kāi)關(guān)，獲取與聯(lián)絡(luò)線開(kāi)關(guān)數(shù)量相等的最小環(huán)，每個(gè)最小環(huán)對(duì) 應(yīng)編碼的一個(gè)維度；并對(duì)每個(gè)最小環(huán)內(nèi)的開(kāi)關(guān)進(jìn)行編號(hào)；所述編號(hào)為配網(wǎng)重構(gòu)的可行解對(duì) 應(yīng)的編碼在該維度上的數(shù)值； 若隨機(jī)生成的粒子群不滿足約束條件，則重新生成。4. 如權(quán)利要求1所述的方法，其特征在于，所述步驟（4)中的粒子適用度為該粒子對(duì)應(yīng) 的網(wǎng)絡(luò)結(jié)構(gòu)中網(wǎng)損的相反數(shù)；適用度越大則粒子越優(yōu)。5. 如權(quán)利要求1所述的方法，其特征在于，所述步驟（4)中更新各粒子的位置和速度包 括： v=w?v+cl?cor+c2 ?rand? (pbest-present)+c3 ?rand? (gbest-present) (8) present=present+v (9) 其中，v為粒子速度，w為慣性權(quán)重，cor為場(chǎng)景庫(kù)中適用度對(duì)于粒子各維度的皮爾森相 關(guān)系數(shù)，present為當(dāng)前粒子的位置，pbest為個(gè)體粒子最優(yōu)值，gbest為粒子群的全局最優(yōu) 值；rand為介于（0，1)之間的隨機(jī)數(shù)；cl、c2和c3皆為學(xué)習(xí)因子。6. 如權(quán)利要求5所述的方法，其特征在于，所述皮爾森相關(guān)系數(shù)表達(dá)式如下式所示：式（10)中，G和L分別為維度為T(mén)的兩個(gè)向量；G為場(chǎng)景庫(kù)中由所有粒子適應(yīng)度構(gòu)成的 函數(shù)向量，L為所有粒子位置在各個(gè)維度上的值構(gòu)成的向量； 粒子更新過(guò)程中，若出現(xiàn)不滿足約束條件（2)-(7)的粒子，則根據(jù)式（8)和式（9)重新 生成該粒子的速度和位置。7. 如權(quán)利要求1所述的方法，其特征在于，所述步驟（5)中優(yōu)化場(chǎng)景庫(kù)包括，若所述 各粒子的當(dāng)前位置在場(chǎng)景庫(kù)中沒(méi)有出現(xiàn)，則將該粒子當(dāng)前位置以及相應(yīng)適應(yīng)度添加至場(chǎng)景 庫(kù)； 將各粒子的適應(yīng)度與該粒子的歷史最優(yōu)值作比較，若優(yōu)于歷史最優(yōu)值，則將其作為個(gè) 體最優(yōu)值；將各粒子的個(gè)體最優(yōu)值與全局最優(yōu)值進(jìn)行比較，若優(yōu)于全局最優(yōu)值，則更新全局 最優(yōu)值，包括位置和速度。
【專利摘要】本發(fā)明公開(kāi)了一種基于改進(jìn)粒子群算法的配網(wǎng)重構(gòu)方法，包括：建立以網(wǎng)損最小化為目標(biāo)的配電網(wǎng)重構(gòu)模型；構(gòu)建場(chǎng)景庫(kù)，用于存放粒子；所述場(chǎng)景庫(kù)中的每個(gè)粒子對(duì)應(yīng)一個(gè)配電網(wǎng)重構(gòu)模型；隨機(jī)生成粒子群，采用編碼方式對(duì)各粒子進(jìn)行定位；計(jì)算各粒子的適應(yīng)度，更新各粒子的位置和速度；優(yōu)化場(chǎng)景庫(kù)；若達(dá)到結(jié)束條件則更新結(jié)束，否則返回步驟(4)；通過(guò)該粒子群優(yōu)化算法，提高了計(jì)算的利用度和算法尋優(yōu)能力，從而有效地解決了以減小網(wǎng)損為目標(biāo)的配網(wǎng)重構(gòu)問(wèn)題。
【IPC分類】G06N3/00, H02J3/00, G06F17/50
【公開(kāi)號(hào)】CN105117517
【申請(qǐng)?zhí)枴緾N201510450305
【發(fā)明人】劉科研, 何開(kāi)元, 賈東梨, 胡麗娟, 葉學(xué)順, 刁贏龍, 唐建崗, 朱俊澎, 宋杉, 顧偉, 聶穎惠
【申請(qǐng)人】中國(guó)電力科學(xué)研究院, 國(guó)家電網(wǎng)公司, 國(guó)網(wǎng)北京市電力公司
【公開(kāi)日】2015年12月2日
【申請(qǐng)日】2015年7月28日