配电网络重构算法研究1

配电网运行优化算法研究配电网运行优化的总体内容介绍配电网运行优化前期准备工作本项目组的工作介绍本项目组的工作基础基于配电网运行规律的方法简介配电网运行优化前期准备工作配电网运行优化的算法简介本项目组在配电网运行优化中的总体思路负荷模式最优网络结构第一阶段负荷模式支持向量机多种结构模式第二阶段遗传算法最优网络结构粒子群遗传算法免疫遗传算法本项目组在配电网运行优化中的工作介绍基于粒子群遗传算法的配电网运行优化基于免疫遗传算法的配电网运行优化基于支持向量机的结构模式分类和识别基于负荷模式基于配电网运行规律的方法简介基于最优流模式按照时间先后分有两种方法:先后基于负荷模式的方法主要有：二次电流矩法。基于配电网运行规律的方法简介基于最优流模式的方法主要有：粒子群算法、遗传算法、免疫算法、支持向量机、人工神经网络等。基于配电网运行规律的方法简介基于负荷模式的方法二次电流矩法延伸基于配电网运行规律的方法简介基于最优流模式的方法延伸粒子群算法遗传算法免疫算法支持向量机人工神经网络基于负荷模式的方法介绍二次电流矩法理论背景：“负荷均衡程度反映辐射型配电网的优化程度”。辐射型配电网“闭环设计、开环运行”的结构特点减少无效编码和不可行解。配电网只有一个电源供给端，其功率传输具有从源节点经各中间节点指向各末端节点的单向流动性。基于负荷模式的方法介绍思路：二次电流矩定理：逆流路径的电功率损失等于该路径的二次电流矩。减小网络的线路功率损失，应该谋求二次电流矩的均衡，在此基础上，等效二次电流(负荷)与源节点应该尽量地接近。基于负荷模式的方法介绍二次电流矩法步骤：Step1.对任一个初始辐射状结构（支撑树），求出所有断开的联络开关的集合。计算集合中的任一开关两端点的二次电流矩，得到二次电流矩均衡度的实部；Step2.找到二次电流矩均衡度的实部最大的开关，将它闭合，形成一个圈；基于负荷模式的方法介绍二次电流矩法步骤：Step3.计算该圈中所有开关两端点的二次电流矩均衡度的实部；Step4.找到二次电流矩均衡度的实部最小的开关，将它打开，得到一个新的支撑树；Step5.重复Step1，直到达到规定次数。基于负荷模式的方法介绍二次电流矩法的优点：二次电流矩的概念清晰，计算简捷，物理意义清晰：二次电流矩等于相应逆流路径的网络功率损失；重构算法贴近实际，开关操作次数少，优化结果与已有文献相当，具有简捷实用性。基于负荷模式的方法介绍二次电流矩法的缺点：只能求出局部最优解；必须要单向流动性限制，还要找出节点的逆流路径，才能得到节点的二次电流矩；只谋求二次电流矩的均衡，未考虑让负荷与源节点尽量接近。基于基于最优流模式的方法介绍————粒子群算法粒子群算法的思想：粒子群算法（PSO）是近年来发展起来的一种新的进化算法。PSO算法从随机解出发，通过迭代寻找最优解，通过适应度来评价解的品质，它通过追随当前搜索到的最优值来寻找全局最优。该算法的优点是：实现容易、精度高、收敛快。基于基于最优流模式的方法介绍————粒子群算法根据原始配电网络生成其同胚图利用破圈法产生初始粒子群体，i=1j=1根据粒子j的信息确定网络结构计算网损值用网损值作为该粒子的适应度值j大于最大群体数？i大于最大进化代数？进行迭代操作，得到下一代群体结束j=j+1i=i+1YYNN基于基于最优流模式的方法介绍————粒子群算法粒子群算法的计算过程：Step1:输入网络信息、初始化粒子。Step2:初始解的生成和适应度值计算。Step3:判断是否达到终止条件，如果是，终止程序；否则，记录群体当前最好位置和每个粒子的位置作为粒子的最优位置。迭代次数i=i+1;基于基于最优流模式的方法介绍————粒子群算法粒子群算法的计算过程：Step4:更新每个粒子的速度和位置，然后用破圈法修正粒子位置，保证每个粒子都能生成辐射状网络。Step5:更新每个粒子自身当前的最优解；更新当前迭代的全局最优解，转到步骤3。基于基于最优流模式的方法介绍————粒子群算法粒子群算法的优点：为了避免陷入局部最优，对粒子群的迭代速度公式需要进行修正。为保证迭代的粒子仍是可行解且跳出局部最优，需要改进位置迭代公式。基于基于最优流模式的方法介绍————粒子群算法粒子群算法的缺点：采用二进制编码，造成编码过长。在粒子群的收索机理中没有结合配电网的特性，搜索效率低。加强搜索的效率，采用禁忌算法。基于基于最优流模式的方法介绍————粒子群算法粒子群算法的改进：•采用两阶段优化：首先，采用粒子群在简化图上确定打开开关待选集；其次，利用最优流算法确定最后的打开开关。•为了简化编码，引入等价开关集的概念，一个等价开关集对应一个维数。基于基于最优流模式的方法介绍————粒子群算法粒子群算法的改进：•在粒子群算法中，为了克服陷入局部最优，引入变异操作：对于每个粒子的最优位子，如果在迭代的一定次数内不变，则采用变异操作，跳出局部最优，并且将之视为禁忌搜索集合。基于基于最优流模式的方法介绍————遗传算法遗传算法介绍：遗传算法（GA）是借鉴生物界的进化规律演化而来的随机搜索方法，1975年首先由J.Holland教授提出，其主要特点是采用概率化的寻优方法，自动获取和指导优化的搜索空间，自适应地调整搜索方向。具有内在的隐并行性和更好的全局寻优能力。基于基于最优流模式的方法介绍————遗传算法初始化种群结束选择交叉变异新一代种群满足收敛？输出结果是否遗传算法流程图基于基于最优流模式的方法介绍————遗传算法遗传算法计算步骤：步骤1初始化群体。步骤2计算群体中个体的适应度。步骤3选择运算:将选择算子作用于群体。步骤4交叉运算和变异运算，得到下一代群体。步骤5判断终止条件。是，终止计算；否，转步骤2。基于基于最优流模式的方法介绍————遗传算法遗传算法的讨论：遗传算法较传统的搜索算法具有使用方便、鲁棒性强、便于并行处理等特点。理论上，在保留上一代最佳个体的前提下，遗传算法是全局收敛的。遗传算子为个体提供了进化机会，也无可避免地产生了退化的可能。在某些情况下，这种退化现象还相当明显。基于基于最优流模式的方法介绍————从遗传算法到免疫算法从遗传算法到免疫算法的原因：仅仅使用遗传算法或者以其为代表的进化算法，在模仿人类智能处理事物的能力方面还远远不足，必须更加深层次地挖掘与利用人类的智能资源。所以，研究者力图将生命科学中的免疫概念引入到工程实践领域，借助其中的有关知识与理论并将其与已有的一些智能算法有机地结合起来，以建立新的进化理论与算法，来提高算法的整体性能。基于基于最优流模式的方法介绍————免疫算法免疫算法的提出：将免疫概念及其理论应用于遗传算法，在保留原算法优良特性的前提下，力图有选择、有目的地利用待求问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象，这种算法称为免疫算法(IA)。基于基于最优流模式的方法介绍————免疫算法免疫算法的属性：抗原：指所有可能错误的基因，即非最佳个体的基因。抗体：根据疫苗修正某个个体的基因（接种疫苗：消除抗原在新个体产生时所带来的负面影响）所得到的新个体。基于基于最优流模式的方法介绍————免疫算法免疫算法的属性：免疫疫苗：根据进化环境或带求问题，所得到的对最佳个体基因的估计。免疫算子：免疫算子分两种类型：全免疫和目标免疫，其中，全免疫是指群体中每个个体在变异操作后，对其每一环节都进行一次免疫操作的免疫类型；目标免疫则指个体在进行变异操作后，经过一定判断，个体仅在作用点处发生免疫反应的一种类型。前者主要应用于个体进化的初始阶段；后者伴随群体进化的全部过程,也是免疫操作的一个常用算子。基于基于最优流模式的方法介绍————免疫算法免疫算法的属性：免疫调节：抗原与抗体、抗体与抗体之间的相互制约关系使免疫反应维持一定的强度，保证机体的免疫平衡。免疫记忆：记忆下能与抗原发生反应的抗体（记忆细胞），当同类抗原再次侵入时，相应的记忆细胞被激活而产生大量的抗体，缩短免疫反应时间。抗原识别：通过表达在抗原表面的表位和抗体分子表面的对位的化学基进行相互匹配选择完成识别，这种匹配过程也是一个不断对抗原学习的过程，最终能选择产生最适当的抗体与抗原结合而排除抗原。基于基于最优流模式的方法介绍————免疫算法免疫算法的流程图：将免疫概念及其理论应用于遗传算法，在保留原算法优良特性的前提下，力图有选择、有目的地利用待求问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象，这种算法称为免疫算法(IA)。网络重构是一个复杂的多目标非线性整数组合优化问题。配电网络重构算法总体分为：启发式方法(HeuristicAlgorithm)，包括支路交换法(BEM)、最优流模式(OFP)算法等；人工智能类算法，包括专家系统法(ES)、人工神经网络法(ANN)等；随机优化方法，包括模拟退火法(SA)、遗传算法(GA)、进化规化法(EP)等。从目前流行的算法中，挑选出主要三种典型的算法进行研究：改进二进制粒子群优化算法；遗传算法和粒子群算法的混合智能算法；二次电流矩法。网络重构是一个复杂的多目标非线性整数组合优化问题，配电网络重构算法总体分为：启发式方法(HeuristicAlgorithm)，包括支路交换法(BEM)．最优流模式(OFP)算法等；人工智能类算法，包括专家系统法(ES)和人工神经网络法(ANN)等；随机优化方法，包括模拟退火法(SA)，遗传算法(GA)，进化规化法(EP)等。目前配电网运行优化算法简介中国电机工程学报2005年第25卷第15期一种混合智能算法在配电网络重构中的应用刘自发，葛少云，余贻鑫天津大学电力与自动化工程学院算法的思想：如何避免遗传算法（GA）的无继承性，提高计算效率，以及如何避免粒子群优化算法（PSO）极易收敛于局部最优解，提高计算满意度，这是混合智能算法要解决的一个难题。混合智能算法在寻优过程中，采用部分个体以PSO方法迭代，其它个体进行GA中的交叉和变异操作，整个群体信息共享，同时采用自适应参数机制和优胜劣汰的思想进化。仿真实验表明，该方法在解决配电网络重构问题上结合了遗传算法（GA）和粒子群优化算法（PSO）两者的优点，体现出较GA和PSO更好的寻优性能。算法框图：初始化GA杰出个体选择策略输出结果满足收敛？结束YN初始化PSOGA进化PSO搜索混合智能算法步骤Step1:设置初始参数：设定GA种群数量NGA、PSO种群数Npso，使HGAPSO种群数量Nsum=NGA+Npso；设置遗传算法中的各种参数；设置粒子群算法中的各种参数。混合智能算法步骤Step2:随机初始化GA和PSO的种群。Step3:计算当前种群的适应度，并找出当前种群中适应度最高的解作为当前全局最优解。混合智能算法步骤Step4:根据Step3的计算结果，令适应度高的一半个体存活，淘汰其它适应度低的个体。Step5:Step4中存活的个体分别进行遗传进化和粒子群搜索。混合智能算法步骤Step6:如果满足收敛条件，则输出最终结果，如果不满足，则转到Step3。混合智能算法应用中的问题问题1：编码问题以网络中环路数量为染色体长度，环路开关号为染色体内容的编码方式。该编码方式可以产生大量的可行解，大大提高了算法的寻优效率。混合智能算法应用中的问题问题2：适应度函数的选择问题采用罚函数=网损+约束条件的惩罚项。该适应度函数得到的最优解可以保证是可行解。混合智能算法应用中的问题问题3：适应度函数的选择问题采用自适应的交叉率和变异率的调节策略。提高算法的搜索和收敛的性能。1111cmptftptft1.混合智能算法结合了遗传算法（GA）和粒子群优化算法（PSO）两者的优点，体现出较GA和PSO更好的寻优性能。2.采用自适应的交叉率和变异率的调节策略，提高了算法的搜索和收敛的性能。算法的优点：1.由于考虑最优解的可行性，适应度函数的构造过于复杂