一种基于改进PSO-DE混合算法的配电网重构方法技术

本发明专利技术提出一种基于改进的PSO-DE混合算法的配电网重构方法。将生成的初始群体平均分成两个种群，其中一个种群作为粒子群算法的种群，另一个种群作为差分进化算法的种群；对粒子群算法种群中的个体进行速度和位置的更新，对差分进化算法种群中的个体进行变异、杂交以及选择操作；对两个种群中的个体所对应的配电网络的潮流计算的结果获得一个多目标函数最优的二进制编码，然后根据编码得出最优网络。本发明专利技术不仅可以有效得到含分布式电源配电网重构的最优解，而且大大提高了收敛速度。

【技术实现步骤摘要】

本专利技术属于电力系统自动化领域，具体涉及一种基于改进的PSO-DE混合算法的配电网重构方法。
技术介绍
由于分布式电源有着经济、灵活、高效率等优点，分布式发电技术发展迅速而且逐步并入电网中运行。分布式电源接入配电网中，势必会对电网的正常运行造成一些影响。而现在配电网运行趋于自动化，配电网重构就是其重要内容之一。分布式电源接入配电网之后也将会配电网的重构造成影响，所以对含分布式电源的配电网进行重构有着重要的意义。配电网一般都为闭环结构设计，运行时为开环的状态。配电网中包含大量联络开关和分段开关，可以通过开关的断合来改变网络的结构。配电网重构即在保证整个网络为辐射状运行的前提下，同时还需要满足电压质量要求以及变压器容量的约束，通过改变联络线上的开关以及分段开关的开合状态来改变网络的拓扑结构，使其网损、负荷平衡指标或者电压质量指标处于最优。现有的配电网重构方法大多都有收敛速度慢、容易陷入局部最优解的缺点。
技术实现思路
本专利技术的目的在提出一种基于改进的PSO-DE混合算法的配电网重构方法，其以一种新型的、收敛速度快、能有效得到最优解的智能算法对含分布式电源的配电网进行重构，不仅可以有效得到含分布式电源配电网重构的最优解，而且大大提高了收敛速度为了解决上述技术问题，本专利技术提出一种基于改进的PSO-DE混合算法的配电网重构方法，包括以下步骤：步骤一、初始化并设置基本参数，基本参数包括：粒子群算法中的参数群体规模M、最大迭代次数Tmax、最大惯性因子wmax、最小惯性因子wmin、控制因子λ、加速因子c1和c2，差分进化算法中的参数最大缩放因子Fmax、最小缩放因子Fmin、变异概率上限CRmax以及变异概率下限CRmin；步骤二、生成初始混合种群，将生成的初始群体平均分成两个种群，其中一个种群
作为粒子群算法的种群，另一个种群作为差分进化算法的种群；步骤三、对粒子群算法种群中的个体进行速度和位置的更新，对差分进化算法种群中的个体进行变异、杂交以及选择操作；步骤四、分别判断两个种群中的个体所对应的配电网络是否为辐射状网络，若为辐射状网则继续进行步骤六，若不是辐射状网则返回步骤三；步骤五、对辐射状网络进行潮流计算，根据潮流计算的结果计算多目标函数，根据多目标函数获得适应值；步骤六、在两个种群中，选取适应值最大的个体作为混合种群中最佳个体；步骤七、判断是否达到最大迭代次数限制条件，若达到则停止搜索，输出最优个体以及个体对应的配电网络参数，否则返回步骤三。进一步，步骤三中，在对粒子群算法种群中的个体进行速度更新时所使用的惯性权重w如公式(1)所示： w = w min + ( w max - w min ) · exp [ - λ ( T T max ) 2 ] - - - ( 1 ) ]]>公式(1)中，λ为控制因子，T为迭代次数，Tmax为预先设置的最大迭代次数，wmax为最大惯性因子，wmin为最小惯性因子。进一步，步骤三中，进行变异操作时，对向量Xr1(g)的d′位进行变异操作，即1变为0，0变为1。进一步，步骤三中，在交叉操作的时，新生成的向量Ui(g+1)上当已经有N个位置产生0时，则将后面所有位置上的二进制编码都设置为1，停止交叉操作；当交叉操作完成后，新生成的Ui(g+1)上0的位数不足N时，则随机补齐成N个0。进一步，步骤五中，所述多目标函数如公式(2)所示：minf＝λ1f1+λ2f2+λ3f3 (2)公式(2)中，f1为配电网网损，f2为电压偏移指数，f3为开关操作代价；λ1,λ2,λ3分别为各项指标在总目标函数中所占比重。进一步，步骤六中，同时选取较优的M个个体形成新的混合种群作为下一次搜索的父代；所述较优的M个个体是按照适应值由大到小排列选取的个体。本专利技术与现有技术相比，其显著优点在于，本专利技术将现有的两种智能优化算法进行
合并，并且对混合算法中差分进化算法的交叉操作和选择操作进一步作了改进，提高了收敛速度和跳出局部最优解的能力；本专利技术通过对实际含分布式电源的配电网进行重构，证明了该算法在实际网络中也能够很好地运用；本专利技术对配电网进行多目标重构，不但可以保证配电网运行时有功网损最小，而且也可以保证负荷平衡指数最低，电压偏移量指数也最低，从而保证了电网处于最佳运行状态。附图说明图1是本专利技术方法简要流程图。图2是本专利技术方法详细流程图。图3是本专利技术试验中配电网诺简化图。图4是本专利技术方法与PSO算法的收敛对比如图。图5本专利技术方法与DE算法的收敛对比图。具体实施方式一般来说，对配电网进行重构时，需要先将配电网的结构准换为编码。本专利技术将配电网结构以二进制编码来表示，作为PSO算法(粒子群算法)以及DE算法(差分进化算法)中的粒子和个体，配电网每条支路上开关的开合状态直观地用二进制编码来表示，其中1表示支路闭合，0表示支路断开，整个网络的结构则用一个二进制编码来表示，编码的位数和配电网支路数目相等。通过本专利技术方法的计算获得一个多目标函数最优的二进制编码，然后根据编码得出最优网络。具体步骤如下：步骤一、初始化并设置基本参数，基本参数包括：PSO算法(粒子群算法)中的参数群体规模M、最大迭代次数Tmax、最大惯性因子wmax、最小惯性因子wmin、控制因子λ、加速因子c1和c2，DE算法(差分进化算法)中的参数最大缩放因子Fmax、最小缩放因子Fmin、变异概率上限CRmax以及变异概率下限CRmin；其中，群体规模M，即生成M个初始解所代表的个体；最大迭代次数Tmax，即迭代到该次数时退出迭代计算；最大惯性因子wmax，最小惯性因子wmin，惯性因子w的大小影响着本专利技术计算方法的整体收敛性，控制着前一次迭代速度对后一次迭代速度的影响，较大的惯性因子w可以加强PSO的全局搜索能力，而较小的惯性因子w可以加强PSO的局部搜索能力。控制因子λ，用于控制w和T变化曲线的平滑度的参数。加速因子c1和c2，分别表示了两个优化解的权重。最大缩放因子Fmax，最小缩放因子Fmin，较大的F能够使种群更加多样性，此时的全局搜索能力比较强；到了进化的后期时，F快速减小，收敛的速度可以加快并且此时局部搜索能力较强。变异概率上限CRmax，变异概率下限CRmin；较小变异概率CR能够使种群更加多样性，此时的全局搜索能力比较强；到了进化的后期时，变异概率CR逐渐变大，收敛的速度可以加快并且此时局部搜索能力较强。步骤二、初始种群生成模块，将初始生成的群体平均分成两个种群，其中一个种群作为粒子群算法的种群PSO-DE(PSO)，另一个种群作为差分进化算本文档来自技高网...

【技术保护点】
一种基于改进的PSO‑DE混合算法的配电网重构方法，其特征在于，包括以下步骤：步骤一、初始化并设置基本参数，基本参数包括：粒子群算法中的参数群体规模M、最大迭代次数Tmax、最大惯性因子wmax、最小惯性因子wmin、控制因子λ、加速因子c1和c2，差分进化算法中的参数最大缩放因子Fmax、最小缩放因子Fmin、变异概率上限CRmax以及变异概率下限CRmin；步骤二、生成初始混合种群，将生成的初始群体平均分成两个种群，其中一个种群作为粒子群算法的种群，另一个种群作为差分进化算法的种群；步骤三、对粒子群算法种群中的个体进行速度和位置的更新，对差分进化算法种群中的个体进行变异、杂交以及选择操作；步骤四、分别判断两个种群中的个体所对应的配电网络是否为辐射状网络，若为辐射状网则继续进行步骤六，若不是辐射状网则返回步骤三；步骤五、对辐射状网络进行潮流计算，根据潮流计算的结果计算多目标函数，根据多目标函数获得适应值；步骤六、在两个种群中，选取适应值最大的个体作为混合种群中最佳个体；步骤七、判断是否达到最大迭代次数限制条件，若达到则停止搜索，输出最优个体以及个体对应的配电网络参数，否则返回步骤三。

【技术特征摘要】
1.一种基于改进的PSO-DE混合算法的配电网重构方法，其特征在于，包括以下步骤：步骤一、初始化并设置基本参数，基本参数包括：粒子群算法中的参数群体规模M、最大迭代次数Tmax、最大惯性因子wmax、最小惯性因子wmin、控制因子λ、加速因子c1和c2，差分进化算法中的参数最大缩放因子Fmax、最小缩放因子Fmin、变异概率上限CRmax以及变异概率下限CRmin；步骤二、生成初始混合种群，将生成的初始群体平均分成两个种群，其中一个种群作为粒子群算法的种群，另一个种群作为差分进化算法的种群；步骤三、对粒子群算法种群中的个体进行速度和位置的更新，对差分进化算法种群中的个体进行变异、杂交以及选择操作；步骤四、分别判断两个种群中的个体所对应的配电网络是否为辐射状网络，若为辐射状网则继续进行步骤六，若不是辐射状网则返回步骤三；步骤五、对辐射状网络进行潮流计算，根据潮流计算的结果计算多目标函数，根据多目标函数获得适应值；步骤六、在两个种群中，选取适应值最大的个体作为混合种群中最佳个体；步骤七、判断是否达到最大迭代次数限制条件，若达到则停止搜索，输出最优个体以及个体对应的配电网络参数，否则返回步骤三。2.如权利要求1所述基于改进的PSO-DE混合算法的配电网重构方法，其特征在于，步骤三中，在对粒子群算法种群中的个体进行速度更新...

【专利技术属性】
技术研发人员：邵雯，张俊芳，林莎，史媛，褚智亮，毕月，许辉，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32