配电网重构范文

配电网重构范文（精选10篇）

配电网重构 第1篇

想要提高一件系统的安全性与经济性, 就需要运用到配电网重构这一必要手段。配电网重构作为配电网络降低网损、平衡负荷、实现最佳运行方式的主要措施, 可以提高电压的质量, 使负荷达到平衡值, 将网损降至最低, 以便于达到最优效果。而对于配电网重构的研究, 也逐渐成为电力系统领域备受关注的一项研究项目。

1 为了更好的提高整个电网系统的安全性和经济性

配电网络重构技术的最优化自1975年提出至今, 出现了许多重要的研究成果。而现阶段, 传统的优化方法与人工智能算法, 是配电网重构最常使用的两种算法。传统优化方法简单直观, 具有实用化潜力, 但需进行多次潮流计算, 对于如何得到全局最优解, 仍是一个值得探讨的问题, 而人工智能算法能以较大的概率保证收敛到全局最优, 但计算量较大, 计算时间较长, 难以实时应用。

随着配电网络的大型化、复杂化和供电企业节能减排的需要及用户对供电质量的要求不断提高, 配电网重构仍需寻找一种更具有实用性和经济性的最优方法, 全面的解决存在于数值运算的速度、寻求最优化的效果的问题上。由此可见, 当前形势下对配网重构算法进行综合分析, 找出各算法的优缺点对促进配电网重构的进一步发展拥有着最为重要的现实的意义。

2 最优的传统方式

数学优化理论法、支路交换法以及最优流模式法等共同组成了配电网重构技术的优化方法, 而这些之所以称之为传统优化方法是相对于新兴出现的人工智能算法这些现代的配电网重构的优化方法来说的。

2.1 数学优化理论法

数学优化理论法是指直接而非间接地运用现阶段的最优化的数学原理, 对电力系统进行配网重构的一种传统的优化方法, 其中, 数学优化理论法分别由线性规划与非线性规划法、整数规划与分支定界等的最优化数学方法组合而成。

对于数学优化理论法, 可以说是一种较为成熟的配电网重构的优化方法, 它将不依附配电网初始结构作为前提的情况下同样可以得到优化解, 但存在计算时间较长以及在实际应用中存在的严重问题是:维数的逐步增加, 会促使“组合爆炸”的现象提前发生, 从这点可以看出, 数学优化理论法不适于复杂的大规模的电力系统的处理, 同时也不能保证得到全局最优解。

2.2 最优流模式法

最优流模式法为了简化复杂的问题, 其将开关组合问题转化为优化潮流的计算问题, 由于重构结构与初始网络状态无关联, 能够较为容易的收敛于最优解;但同时该算法也存在一定弊端, 在该算法的初始阶段, 就共同存在着多个环网, 这种情况会在求解最优潮流过程阶段, 二者互相产生影响, 并且开关的打开顺序也会对其结果产生极大的影响。为了避免这种现象的发生, 就需要在确定开关的打开顺序时, 对于配电潮流进行数次计算, 以确保正确的开关顺序, 以及不至于扩展成为多目标函数。

2.3 支路交换法

在采用支路交换这种优化方法时, 因为总是将每次运算的结果与辐射型的拓扑结构相对应, 并将配电网辐射型的运行状态与之相符合, 有这些作为前提条件, 只需正确的估算出支路交换引发的网损变化程度, 有利于配电网可以存在一种无需重新计算潮流或者是计算量较少的优点;然而, 最终收敛性依旧是取决于网络初始结构, 这项弊端的存在难以有效保证全局的最优化, 因此, 并不适用于大规模配电网的网络重构。

3 人工智能算法

与传统优化方法相比, 人工智能算法相较于具有复杂性的非线性规划的问题求解占有较大的利处, 不仅可以改正传统的配电网重构的优化技术一味地依附于数学运算的弊端, 还可以完善的解决某些运用传统的数学运算方法所不得解的问题, 而人工智能算法主要包含神经网络法与遗传法、蚁群算法与模拟退火算法等运算方法。

3.1 神经网络法

一种善于模拟人类神经系统传输、处理信息过程的人工智能技术, 将其称之为神经网络法。而将人工的神经网络法用于配电网重构中, 可较为直接地反映配电网中所存在的负荷模式, 与配电网中的最优结构二者之间高度的非线性的关系。

3.2 遗传法

遗传算法是一种适应性搜索方法, 其以自然基因选择机理为基础理论, 进而求解优化问题。在配电网重构过程中, 该算法将遗传过程和目标函数过程完整的相结合, 转变染色体编码, 并将其改为直接采用支路算法的一种开关状态;而后, 将由系统的网损所构成的适应度函数, 在对生物进化的繁殖、交叉、变异的过程中, 对其进行模拟操作, 并将各开关的状态尝试着进行改变, 从中寻找出网损最小的最优化的网络结构。

如若直接从该算法的理论上分析, 遗传算法存在许多优点, 不仅具备着以概率1的点收敛到全局最优点的收敛性, 还对其初始条件以及目标函数没有任何过度的要求。但其存在计算速度较慢、寻优时间过长的确定。

3.3 蚁群算法

蚁群算法是受到蚁群搜索食物过程的启发而提出的一种新型模拟进化算法。具有不依赖于各种初始参数、正反馈、分布式计算、易与其它算法相结合以及富于建设性贪婪启发式搜索的主要特点, 特别适合组合优化问题。但也存在搜索时间长、易陷入最优解的局部算法或是较早的结束运算等问题。

3.4 模拟退火算法

模拟退火法是由优化过程与融熔金属的物理退火过程的相似性而推导出来的。该算法的要点是:在合适的全局冷却的设计的过程中, 需要通过交换支路法所形成的一种网络结构, 计算出潮流以及网损的变化程度, 如若有新的网络结构存在较小的网损, 就需要将这种网络结构完整的保留下来, 不然将会按照一定的概率接收新的网络结构。

在一般的情况下, 运用模拟退火算法时, 通过较大的算法计算量, 可得到全局最优解或全局次优解, 然而, 当该算法存在对参数和退火方案具有较大的依赖性时, 需要进行多次潮流计算及网损估计及多层次、多领域大量的采用开关交换, 只有这样时才能将该算法更好的运用于配电网重构。

除了人工智能算法外, 其它的智能算法也会被广泛的应用于配电网络重构问题的研究中, 譬如模糊算法、专家系统、粒子群优化算法、禁忌算法等, 这些算法在配电网重构中都取得了不错的效果。

4 各种算法之间的比较

配电网重构问题, 是一种属于NP难问题, 它包含着具有较大规模、混合整数以及非线性的组合等优化问题。为了解决上述问题, 近年应运而生了混合算法这种将多种算法相结合的新的思路。混合算法采用不但可以求取更好的重构方案, 而且有效的缩短了形成方案的时间, 从而很好的克服了单个算法自身存在的固有缺点, 对于现有各种重构算法, 如何有效解决配电网重构的组合优化问题, 建立合理的数学模型仍需进行深入的研究;同时, 随着分布式电源的入网, 配电网发生了根本性的改变。因此, 在进行配电网重构时必须考虑分布式电源的影响, 需要综合运用现有算法或探索新算法, 寻找更为优化的方法, 以此来达到各目标的需求。

5 结论

传统优化算法计算量小, 计算速度快, 但配电网的初始结构将会对直接影响给出的配电网重构结果, 无法做到全局最优, 人工智能算法相比传统算法虽然可以取得更优的解, 但人工智能算法依旧存在着些许弊端, 譬如对于运算所计算的时间过长, 不易于将其应用于实际方法中;且配电网重构时的算法形式过于单一, 这将会造成很大的局限性, 因此, 应于配电网重构建设时所反映的实际情况相结合, 并将传统优化方法与人工智能算法二者有机地结合起来, 推动配电网重构向更好的方向发展。

参考文献

[1]A distribution short circuit analysis approach using hybrid compensation method[J].IEEE Trans on Power Systems, X.Zhang, F.Soudi, D.Shirmohammadi, C.S..Cheng.1995, 10 (6) :2053-2059.

[2]张栋, 张刘春, 傅正财.配电网络重构的快速交换支路算法[J].电网技术, 2005, 29 (09) :82-85.

[3]雷健生, 邓佑满, 张伯明.综合潮流模式及其在配电系统网络重构中的应用[J].中国电机工程学报, 2001, 21 (01) :57-62.

[4]Artificial Neural-Network Based Feeder Reconfiguration for Loss Reduction in Distribution Systems.IEEE Trans on Power Delivery, Kin H, Ko Y, Jung K H.1993, 8 (3) :1356~1366.

配电网概述 第2篇

配电网规划是地区总体规划和地区电网规划的重要组成部分，应与各项发展规划相互配合、同步实施，落实规划中所确定的线路走廊和地下通道、开关站、配电室及环网单元等供电设施用地。

配电网规划的编制，应从现有配电网入手，分析负荷增长的规律，解决电网的薄弱环节，优化电网结构，提高电网的供电能力和适应性；做到近期与远期相衔接，新建和改造相结合；在电网运行安全可靠和保证电能质量的前提下，达到配电网发展、技术领先、装备先进和经济合理的目标。

公用架空线路现阶段仍是配电网的重要组成部分，应充分发挥其作用。随着城市建设的不断发展，在有条件的地区可逐步发展电缆网络，电缆通道的建设宜与地区规划建设同步实施。

配电网规划应远近结合、适度超前、协调发展、标准统一，有明确的分期规划目标。应充分考虑市中心区、市区、城镇及农村等不同区域的负荷特点和供电可靠性要求，合理选择适合本地区特点的规范化网架结构，实施后能满足国民经济增长和人民生活水平提高对负荷增长的需求；运行灵活，有较强的负荷转移能力和适应性，具备一定的抵御各类事故和自然灾害的能力。

配电网设计、建设和改造应满足规范化、标准化设计要求，坚持安全可靠、经济实用、技术先进、减少维护的原则，积极稳妥采用成熟新技术、新设备、新工艺、新材料，禁止使用国家明令淘汰及不符合国家和行业标准的产品，确保电网的安全运行。1.1.1 中压配网结构

配电网应根据区域类别、地区负荷密度、性质和地区发展规划，选择相应的接线方式。配电网的网架结构宜简洁，并尽量减少结构种类，以利于配电自动化的实施。20、10kV架空线路宜采用环网接线开环运行方式，线路宜多分段、适度联络。20、10kV架空线路宜环网布置开环运行，一般采用柱上负荷开关将线路多分段、适度联络，见图A1（三分段、三联络），不具备多联络条件时，可采用线路末端联络方式，见图A2。根据区域内供电可靠性以及负荷发展的要求，逐步向网格式（四电源井字网架）（A3）或N供一备（A4）方式过渡。

图A1 20、10kV架空单侧电源多分段、多联络

图A2 20、10kV架空双侧电源多分段、单联络

出线母线1联络母线2出线分段分段出线联络母线4分段分段出线母线3

图A3：网格式（四电源＃字型）

图A4 ：N供一备模式中三供一备供电网络 20、10kV电缆线路接线方式一般为单环式、双射式和双环式。常用接线方式参见附录B，电缆通道采用管沟结合的方式。

（1）双射接线方式

自一座变电站或开关站的不同中压母线引出双回线路，形成双射接线方式；或自同一供电区域的不同变电站引出双回线路，形成双射接线方式，见图B1。有条件、必要时，可过渡到双环网接线方式，见图B3。高负荷密度地区可自不同20kV母线引出两回或三回线路，形成双射线和三射接线方式。

图B1 20、10kV电缆单侧电源双射式

（2）单环网接线方式

自同一供电区域两座变电站的中压母线（或一座变电站的不同中压母线）、或两座开关站的中压母线（或一座开关站的不同中压母线）馈出单回线路构成单环网，开环运行，见图B2。

图B2 20、10kV电缆双侧电源单环式

（3）双环网接线方式

自同一供电区域的两座变电站（或两座开关站）的不同中压母线各引出一回线路，构成双环网的接线方式，见图B3。

图B3 20、10kV电缆双侧电源双环式

（4）对射线接线方式

自不同方向电源的两座变电站（或开关站）的中压母线馈出单回线路组成对射线接线方式，一般由改造形成。见图B4。

图B4 20、10kV电缆双侧电源对射式（双射）

（1）一般电缆化区域宜采用单环接线方式，其电源优先取自不同变电站，不具备条件时可取自同站不同母线。单环网尚未形成时，可与现有架空线路暂时拉手。

（2）可靠性要求较高的电缆化区域，宜采用双射接线方式，其电源一般取自同站不同母线或不同变电站。根据需要和可能，电缆双射接线可逐步发展为双环接线和异站对射接线。1.1.2 线路选择

1、一般要求

（1）中压线路以架空线路为主，电缆线路为辅；按地方经济建设和城乡一体化发展进程的需要，逐步提高电缆线路比例。

（2）严格控制中压架空绝缘线路的使用--空旷地带不得使用中压架空绝缘线路；城镇区域使用中压架空绝缘线路的，应有防雷措施。

（3）中压线路以双回路架设为主，在主通道紧张的区域可考虑电缆敷设，特殊情况下可考虑主线路采用四回路架设，但在四回路主线路部分不宜接用户和配变。

2、中压线路的装机容量

每回10千伏线路装机容量控制在8000kVA-12000kVA之内—以民用照明为主的在12000kVA之内，以工厂企业为主的在8000kVA之内；每回20千伏线路装机容量控制在16000kVA-24000kVA之内—以民用照明为主的在24000kVA之内，以工厂企业为主的在16000kVA之内。

中压线路正常运方时，最高负荷电流控制在300A之内，对政治、文化、教育中心等重要场所的最高负荷电流宜控制在250A之内。事故抢修等异常运行方式，线路的载流量按安全电流控制--即按调度下达的线路限额电流控制。

3、中压线路的供电半径

市区每回10kV 线路供电半径（主干线）按1.5-2.0公里规划，10kV主干线路长度不得超过3.0公里。

农村每回10KV线路供电半径（主干线）按3.0～4.0公里规划，主干线不得超过5.0公里。

4、中压线路的线径

（1）中压配网导线种类、规格尽量简化，利于施工和运行管理；中压主干线新建、改造考虑长期发展（20年），避免重复建设。

（2）主线、支线

架空线采用钢芯铝绞线： 主干线 LGJ-240 支 线 LGJ-150 架空绝缘导线采用铝绞线：主干线 JKLYJ-240 支 线 JKLYJ-150 电缆线采用铜芯交联聚乙烯电缆（20千伏电缆绝缘等级为18/24千伏，10千伏电缆绝缘等级为8.7/15千伏）：

主干线 YJV22-400 主支线 YJV22-240

次支线 YJV22-70（3）末端线

10KV末端线是指到一、二台配变、且无可见发展的支线，可采用50平方导线；配变排线采用JKLYJ-50架空绝缘导线。

（4）上述线径选择均指公用配网，用户专变进线部分的线径选择应符合《35kV及以下客户端变电所建设标准》（DGJ32/J14-2005）的要求。

1.1.3 配电变压器

1、一般要求

（1）每个配变台区应有明确的供电区域。

（2）配变布点应符合“小容量、多布点、近户（短距离）”的原则，靠近负荷中心，变压器台架按最终容量一次建成。

（3）新装的变压器应采用S11型及以上的低损耗全密封变压器，现有的高损耗变压器应逐步更换为低损耗变压器。

（4）配变设计（含进线、配变本体、低压控制箱等）均采用典型设计。

2、配变型式的选择

（1）新建住宅区：严格控制箱式变供电方式，宜采用配电所方式。凡是采用配电所供电方式的，均为SC10型干式配变；农村自建归并住宅区，采用架空变供电方式的，均为S11型配变。

（2）改造住宅区：可采用箱式变供电方式，配变均采用S11型以上的配变。农村自建归并的住宅区，可采用架空变供电方式的，均为S11型配变或单相变。

3、配变容量的选择

（1）箱式变：500kVA及以下。（2）架空变：

容量控制在400kVA及以下，选定400kVA、200KVA、100KVA三种规格。

三相柱上变压器容量选择为100、200、400千伏安，不能满足需要时增装变压器，但柱上变压器台架及二次接线应按最终容量一次建成。

a）容量为400千伏安柱上配变用于市中心区、负荷密集的城市建设区、经济开发区以及城镇中心区等；

b）容量为200千伏安柱上配变用于市区、城镇、开发区、农村负荷密集地区等；

c）容量为100千伏安柱上配变用于负荷密度较低的农村地区等； 为防范柱上配电变压器的过载和输出电压偏低，变压器的最大电流不宜高于额定电流的80%，超过时应考虑新增布点或增容改造。

柱上配电变压器的中压引下线采用交联聚乙烯绝缘导线JKLYJ－50 mm2或电力电缆YJV22－3×70 mm2。低压出线电缆采用YJV22-0.6/1.0-4×240（200千伏安及以下使用单根，400千伏安使用双拼）。配变台架高、低压桩头应加装绝缘罩，无裸露带电部位。地处偏僻的变压器应采取必要的防盗措施。1.1.4 配电站

根据中压配电网的负荷需要，确定配电室设计的技术原则。如进出线数、占地面积、配变标准容量系列、装备水平等技术原则。

配电站用于集中居住区和低压负荷密度较高的商贸区，可以单独建设，亦可以结合开关站建设。新建居住区配电站应根据规划负荷水平配套建设，应靠近负荷点，按“小容量、多布点”的原则设置。

配电室一般配置双路电源、两台变压器，变压器单台容量不宜超过 1000千伏安。

配电站为终端方式配电装置，通常情况不设中压出线；配电所宜逐步制定通用设计，以便于设计、施工、维护。

配电站配变容量630、800、1000千伏安，配电站一般按2*800KVA干式变配置。

设备选择：

1、高压开关一般采用真空或SF6断路器和SF6负荷开关柜或全绝缘SF6充气式开关柜（630安/20千安）。主变出线回路采用负荷开关加熔断器组合柜（≦200安，20千安）。开关柜防护等级在IP4X及以上，具备“五防”闭锁功能。开关柜宜使用三工位负荷开关。每个独立的SF6气室配有SF6压力指示，并能实现低气压分合闸闭锁功能。2、0.4千伏开关柜采用抽屉式成套柜。进线总柜、母联柜配置电子控制的框架式空气断路器（操作寿命6000次，额定极限短路分断能力65千安），出线柜开关一般采用塑壳空气断路器（机械操作寿命7000次，额定极限短路分断能力50千安）。空气开关带速断和过流保护。0.4千伏母线采用单母线分段接线。

3、配电室宜采用SCB10型及以上包封绝缘干式变压器，不宜采用非包封绝缘产品。干变应节能环保、防潮、低损耗、低噪音，温控装置和冷却风机，带有金属外壳，采取减振措施。接线组别为Dyn11，容量为630、800、1000千伏安。1.1.5 开关站

开关站、开闭所是具有中压进出线的电力设施，设置于两座高压变电所之间的重要负荷区。开关站、开闭所作为变电所10（20）千伏母线的延伸，其主要作用是不同变电所或同一变电所不同母线的配电线路，进行联络和重要负荷的双电源供电。

开关站宜建于负荷中心区，一般配置双路电源，有条件时优先考虑来自不同方向的变电站；在变电站布点、通道等条件不具备时可取自同一座变电站的不同母线。用户较多或负荷较重的地区，亦可考虑建设或预留第三路电源。

电气主接线--开关站的接线宜简化，一般采取两路电缆进线、断路器柜单母线分段、设置母联。

10（20）千伏开关站、开闭所最大转供容量一般不超过10000（20000）KVA，规模不超过2进10出--每回电源带4-5回出线，每路出线容量控制为2000（4000）KVA。

设备选择--进线开关、母联开关选用SF6断路器或真空断路器（630A）；出线开关视供电区域的重要程度，一般选用负荷开关,也可选用SF6断路器、真空断路器（630安，短路电流水平：20千安/4秒。），主干线开关柜进、出线不设保护。开关柜防护等级在IP4X及以上，具备“五防”闭锁功能。开关柜宜使用三工位负荷开关。所有开关柜应配置带电指示器（带二次核相孔）和电缆故障指示器。每个独立的SF6气室配有SF6压力指示，并能实现低气压分合闸闭锁功能。1.1.6 环网柜

1、户外环网单元安装在受条件限制不能设置开关站和末端用户较集中的地区，用于电缆线路的分接负荷和分段、联络。

2、户外环网单元一般采取两路电缆进线、4 路电缆出线，两路电源具备防火间隔。计划双射接线末端向双环网发展或地区用户较多时，可采取 6 路电缆出线，高压开关采用SF6绝缘和开断的环网负荷开关柜和全绝缘充气柜，不采用产气和压气式负荷开关产品。每个独立的SF6气室配有SF6压力指示，并能实现低气压分合闸闭锁功能。

3、对于不适宜结合建筑物建设环网单元的，可采取在用户界外建设户外环网单元方式。1.1.7 电缆分支箱

用于电缆分支，不能用于电缆主网架节点，接入总容量不应超过2000千伏安。

配电网网络重构方法综述 第3篇

关键词：配电网；网络重构；故障恢复

中图分类号：TM711 文献标识码：A 文章编号：1009-2374（2013）29-0124-02

1 概述

配电网网络重构是指为了提高配网供电可靠性、经济性等目标而进行的对原有配电网络结构重新调整的这样一种过程。按调整的要求不同可以分为网络优化重构和故障恢复重构。

配电网络的网络结构模式有环状结构、树状结构，城市电网一般采用环状结构，农村电网多采用树状结构。树状结构因网络结构已经固定，不存在网络优化重构的情况。环状结构的配电馈线因开环点的变化而引起网络结构发生变化，从而使得网络结构优化重构成为可能。在配网正常运行情况下，因馈线各段负荷的变化，需要通过一定的算法来调整馈线的分段开关（即开环点），从而使得馈线负荷分配最佳，损耗最小等目的的配网运行方式调整，这就是配网优化重构。当馈线发生故障时，如何快速地隔离故障，恢复用户供电，这就是配电网络的故障恢复。

这些年来，随着国民经济的高速发展，配电网络也越来越复杂，因而，如何进行配网优化重构和故障恢复，成为电力学者一直研究的课题，很多算法应运而生。

2 配电网优化重构

近20年来，国内的配网发展很快。配网也越来越复杂，居民对供电可靠性的要求也越来越高，因此配电网的优化重构势在必行。但是，复杂的配网分段开关的数量已经很大，其组合数量更是惊人，通过简单的穷举算法尝试进行网络重构已经变得不可能。为此，必须研究合适的算法来解决复杂配电网络的优化重构问题。

在20世纪70年代，国外的学者率先提出了最优配电网络重构技术。此后，很多学者根据不同的配电网络提出自己的重构算法，并应用到实际的配电网络当中，取得了很好的效果。这些算法大多都是以网损最小为目标函数，归结起来，这些算法主要有三类：经典的优化算法、人工智能算法以及各类算法取长补短形成的新方法。

2.1 经典的优化算法

经典的优化算法研究出现在早期的配网优化重构研究中，这些算法奠定了配网优化重构的一些数学模型，后续算法都在这些基础上发展起来的。

启发式算法是最早提出的一种配网优化重构的方法，它是在没有考虑网络约束的情况下，采用启发式算法规则来考虑网损最小的配网优化重构，缺点是优化算法的计算时间长、费时。针对经典的启发式算法的一些缺点，又有学者提出了改进的启发式算法。如以功率损耗最小为目标函数的最优潮流模型算法，在计算配网各种开关状态下的潮流分布情况后通过改变开关状态考察网损变化量进而选出网损最小的开关状态的网损估算法。另外还有应用于网络优化重构的经典数学算法，就是线性或非线性规划法，其代表算法是单纯形法，参考文献[2]把这种算法应用于配电网络优化重构，叫做单环优化法，它的目标函数是网络有功损耗，潮流计算简单、效率高。

2.2 人工智能算法

配网网络重构算法其实就是一种在对配网进行重复潮流计算寻找目标值的搜索算法，因此近年来发展起来的一些人工智能算法都被学者应用到配网优化重构当中去，取得了一些研究成果。这些算法有很多，目标值也不一样。

人工神经网络法的目标值是实现有功网损最小，它根据每个配网区域负荷的不同，用人工神经网络估计输入配网的初始结构和负荷情况，然后训练得出系统的最优结构。模拟退火法应用于网络优化重构，目标函数可以自由选定，如网损最小、有功损耗最小等，然后采用随机搜索迭代过程来寻求最优值。遗传算法是一种模拟进化算法，它的目标值也是可以自由选定，它把配网的开关状态转化成二进制字符，类似于基因链，再模拟生物进化的过程，加入一些限定条件后，通过基因链之间的基因突变等操作并迭代进化，得到网络的最优结构。蚁群进化算法的灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法也是一种模拟进化算法，参考文献[3]通过取消蚁群算法常用的启发值和首支路选择随机化的方法，扩大搜索范围，使算法可以跳出局部最优化陷阱，改善搜索效果。

2.3 各类算法的混合

上述各种算法有其自身的优点也存在一些缺陷，因此部分学者将上述一些算法进行综合，取长补短，形成了一些新的改进算法，在配网网络重构上取得良好的研究成果。参考文献[4]将遗传算法和模拟退火法相结合起，解决了这两种算法求解时存在效率、可靠性及寻优能力不高的缺点。

2.4 其他算法

以上介绍的算法大多都以网损最小为目标值，其中有些细化了目标值，如仅考虑有功损耗最小等，但当考虑到配网的安全可靠运行时，则可靠性指标或者安全性指标可以被选做目标值进行网络优化重构。基于这些目标值的网络优化重构研究，另有其实际价值。

3 配电网故障恢复

配电网络故障恢复实际上是一个兼顾网损最小、可靠性最高等多目标的非线性最优寻解问题。对应的算法在网络优化重构中也都一一提到。最大的不同之处在于：目标函数的不同，以前单一的目标值，现在变为多目标最优的非线性问题。但在算法的考虑上都差不多，只是具体求解的变量不同、目标值不同而已。这些算法也对应地分为三大类：经典的优化算法、人工智能算法以及各类算法取长补短形成的新方法。

4 结语

随着经济的发展，居民对供电可靠性的要求越来越高，配网优化重构的目标也不仅仅只是考虑经济性的网损最低，而是要更多考虑可靠性指标，配网设备的投入、折旧等因数，使配网达到供电更加可靠、经济，而且投入更少等目标，在这些方面的综合考虑，目前还有待进一步深入研究。

参考文献

[1] A.Merlin，H.Back.Search for a Minimal-Loss

Operating Spanning Tree Configuration for an Unban

Power Distribution System.Proc. PSCC，Cambridge，

1975，6.

[2] Chiang Hsiao Dong，Rene Jean Jumeau. Optimal

network reconfiguration in distribution systems. Part

I：A new formulations and solution methodology.

IEEE Transaction on PWRD， 1990， 5（4）：

1902-1909.

[3] 黄健，张尧，李绮雯.蚁群算法在配电网重构的应用

[J].电力系统及其自动化学报，2007，19（4）：

59-63.

[4] 陈星莺，向兵，单渊达.基于遗传退火法的配网重构

技术[A].全国高校电力系统及其自动化专业第十四

基于负荷变化的配电网重构研究 第4篇

配电网络重构是配电网优化分析的重要任务之一[1,2,3]。实际配电系统中的负荷是动态随时间变化而变化的。基于单时间断面方式进行的静态重构只能应用于规划领域,很难胜任具有多个连续时间段落变化特点的运行领域。因此,研究一段时间内的网络重构问题,更符合实际情况。

文献[4]提出了虚拟负荷法在配电网动态优化中应用的思想,将时空分布的动态优化问题按时间分段等值为几个空间分布的静态优化问题。文献[5]提出了多时间段落的配电网络动态重构的思想和方法,以整个时段内节约的有功电量最大或电源供给的电量最小为优化目标,但算法没有指出重构次数与动态重构结果的关系,开关动作次数与重构次数的关系。

本文根据已有的研究成果,提出先按负荷曲线的单调性初步划分时段,然后按区间能量消耗指标的大小指导时段的合并,再用启发式算法对各个时段进行重构,从而形成最优的开关操作策略。

1 重构次数的确定

网络重构虽然可以降低网络损耗,但也需要一些成本,执行配电网重构一般须考虑到以下成本。

(1)开关操作损耗。由于开关的操作次数是有限的,因此重构成本必须考虑到开关设备的价格和开关操作频率对设备寿命的影响。

(2)由于开关操作及线路切换可能引起供电服务中断,造成停电损失等。停电损失包括停电用户的电费损失和由此增加的维修费用。不同的用户种类对停电频率及持续时间的敏感性是不同的,所以要区分用户种类,分别考虑。

文献[6]得出的重构所产生的效益和开关操作费用的关系如图1所示。一般来说,一段时间内的重构次数越多,降低的网损越大,经济效益越明显,但随着重构次数的增多,两次重构后的网络结构相同或差别不大,所产生的经济效益也会逐渐减小[6](如图1中曲线1)。另外,随着重构次数的增多,开关操作的数目必然增多,开关操作的费用增多(如图1中曲线2),如果考虑由开关操作引起的费用,必须使系统网损和开关操作费用的总费用最低。由此可见,在实际应用中时间段不能分得太细。文献[7]中,作者通过分析得出当时段数分别为1、2、3时,系统网损下降量比较明显,且开关操作次数不多,而当时段数大于4时,开关操作次数明显增多,但系统的网损下降量却并不明显。同时,网络结构调整带来的负面影响,如操作费用、开关设备不可靠动作、通信通道不畅通、对用户短暂停电等不利因素却在增加。

从图1可以看出,随着重构次数的增加,网损开始下降很快,但当达到一定次数后,逐渐趋于平缓;开关操作费用起初上升很快,达到一定次数后逐渐变慢;而综合效益曲线开始下降,在重构次数为3左右达到最小,然后逐渐上升。通过分析可知,当重构次数为3时综合费用最低。因此,本文给定3次作为1天的重构次数。一般地,单个开关在1天内允许操作次数也为3次左右。而在每个时段需要操作的是少数开关,故在1天内总的开关操作次数并不多,一般都能满足总开关操作次数的约束。因此,当给定3为重构次数时,动态重构问题可以不再考虑开关操作次数的约束,这使得问题得到大大简化。

2 最优重构时间间隔的确定

负荷曲线分段的关键是如何确定各段的起始和终止时间点。文献[8]先根据负荷预测曲线进行等时间间隔分段,这种方法虽然减少了开关操作次数,但按等时间间隔分段缺乏客观依据,同时阀值的大小对结果的影响较大。文献[9]提出根据负荷变化幅度的大小来划分时段,有些负荷虽然变化幅度很大,但持续时间并不长,从而造成总的重构效益并不明显。

综上分析,按照负荷变化幅度的大小来划分时段并不能很好的指导时段的划分,因此,本文提出按负荷曲线的单调性来划分时段,把同时处于上升期或下降期的时段划分在一起,各段的负荷用该段的平均值代替,从而把连续的负荷变化曲线转化成阶梯状曲线。由于在前面给定了动态重构的次数,而按上述时段划分方法得出的时段数可能大于该时段数,因此,需要采取一定的措施来融合已有的时段。

配电网动态重构的目的是为了降低网络的能量损耗,网络能量损耗的大小不仅与该时段的负荷大小有关,还与该时段的时间长短有关。一般情况下,配电网的负荷越大,时间越长,则网络能量损耗也越大。在有些时段,尽管时间较短,但网络的负荷很大,在此时段进行网络重构可以带来可观的收益,同时可以均衡负荷,降低线路过载的风险,减小事故的发生;而在另一些时段,尽管时间较长,但负荷较小,在此时段重构不会带来很大的收益,即使不重构也不会发生支路过载,即配电网在轻载时没有重构的必要。因此,应考虑各时段的长短和负荷大小的综合效应来选择时段的合并,为此,定义区间能量消耗指标ε如下:

式中:P为该时段的平均功率,ΔT为该时段的时长,则区间能量消耗指标ε反映了该时段能量消耗的情况,也反映了该时段能量的损耗情况。

一般情况下,能量消耗的越多则在网络上损耗的也越多,当选择在能量消耗多的时段进行重构时带来的收益也越大。同理,当合并能量消耗小的时段时并不会使收益减小很多。因此,本文提出按照ε的大小来指导时段的合并。当初步划分时段以后,把ε较小的时段合并到大的时段,直到时段总数满足重构次数为止。时段的划分步骤可以描述为:

(1)按照负荷曲线的单调性把整个时间周期分为n个时段。

(2)先求出各时段的平均功率;再分别求出各时段的区间能量消耗指标ε,然后把ε小的时段合并到与它相邻的时段(一般与ε接近的时段合并),直到时段数满足要求为止。

3 动态重构的求解步骤

配电网动态重构是一个集时间和空间为一体的,同时在时空范围内进行的寻优过程。在上述方法中,若只考虑单一时段,则算法转化为以能量损耗最小为目标的静态重构问题;若只考虑单一时间点,同时开关操作费用为0,则算法转化为以网损最小为目标的静态重构问题。根据配电网静态重构和动态重构的联系和区别,结合静态重构的基本理论和思想,可以得出动态重构算法。

本文从配电网重构的实际应用出发,把动态重构分解为最优时段数的确定和负荷曲线的分段方法两个问题,结合以往的研究成果并采用启发式算法进行配电网的动态重构。

3.1 动态重构算法的主要步骤

(1)读入配电网的原始数据,包括支路和负荷参数。

(2)根据最优重构时间间隔的确定原则对负荷曲线进行分段。先根据负荷曲线的单调性划分初步时段,然后计算每个时段的区间能量消耗指标,把该指标小的时段合并到相邻大的时段,使时间段数满足要求,并计算各时段的平均负荷。

(3)将重构的段标识t设置为1。

(4)第t时段内,应用网络和负荷参数对该段按照文献[10]的方法进行静态重构。先计算每个联络开关的功率矩不平衡度,然后对功率矩不平衡度最大的联络开关所在的环进行重构,直至找到最优的网络结构,最后再针对其它联络开关进行网络重构。

(5)判断段标识是否达到了步骤(1)中所分的最大值,如不是,则将标识加1返回步骤(4),否则统计整个时间周期的收益。

(6)输出动态重构的结果。

3.2 最优开关策略制定的基本原则

(1)总是先合上一个常开开关然后再打开一个常闭开关,以保证在开关操作过程中的连续供电。

(2)由于重构过程中不能出现暂时停电情况,所以最后得到的开关操作顺序可能是初始最优解的子集。

4 算例分析

本文采用IEEE33节点系统对算法进行了测试,系统基准电压取12.66 kV,有5个联络开关。将文献[11]中的数据作为峰荷对日负荷曲线进行模拟,负荷曲线如图2所示。

根据第2节的分析,将图2的负荷曲线按照单调性进行分段,其具体的分段情况如图2中的虚线所示,每段的时间范围如表1所示。

按照单调性,24 h内的负荷曲线共被分成了4段,每段的等值功率用该段功率最大值与最小值的平均值代替。由于时段数大于第1节确定的3段,因此,必须采用第2节提出的时段合并方法来指导时段的合并,使总的时段数为3。

由表1可知,ε2的值最小,故第2段应与相邻的第1段或第3段合并。由于第三段的平均功率与第二段最接近,故使第3段与第2段合并,最终的分段结果如表2所示。

按照表2的负荷曲线分段结果和求解步骤,本文给出了以网损电量最小为目标的IEEE33节点系统动态重构的结果如表3所示。(表中表2、3列表示闭合或打开两个节点之间的开关)。

从表3可以得出以下结论:

(1)在整个重构时间内开关总共动作了7次,单个开关最多动作了3次,总的开关动作次数和单个开关动作次数均在合理的范围内,验证了本文提出的负荷曲线分段方法的可行性。

(2)以降低网损电量为目标的配电网动态重构可以有效的减小网络损耗,降损率达30%。

5 结论

本文把动态重构问题分解为重构次数的确定和时间间隔的确定,使动态重构算法更具有实用性。结合配电网运行的实际情况和已有的研究成果,指出了确定配电网动态重构的次数要综合考虑重构带来的效益和所付出的成本,重构次数不宜过多,这样也使得重构算法本身就满足开关操作次数的约束,从而大大简化了动态重构的过程。针对负荷曲线划分的问题,本文提出了负荷曲线分段的启发式规则,并建立相应的指标来指导时段的合并。实际算例表明该算法运算速度快,能够有效降低网损,可以用于开关操作表的制定和配电自动化的日运行调度分析。

参考文献

[1]李飞,邱正美,马丽,等.配电网络重构算法综述[J].电网与清洁能源,2011,27(12):76-80.

[2]任怀溥,盛四清,王晓蔚.基于改进二进制粒子群优化算法的网络重构研究[J].电网与清洁能源,2011,27(8):40- 43.

[3]庄园,贺海,杨晓慧.含分布式电源优化调度的配电网络重构[J].电网与清洁能源,2012,28(11):13-18.

[4]邓佑满,张伯明.虚拟负荷法及其在配电网络动态优化中的应用[J].中国电机工程学报,1996,16(4):241-244.

[5]尹丽燕,于继来.多时间段落的配电网络动态重构[J].中国电机工程学报,2002,22(7):44-49.

[6]车仁飞.配电网潮流计算及重构算法的研究[D].济南:山东大学,2003.

[7]王征.基于负荷变化的配电网络重构[D].西安:西安理工大学,2003.

[8]刘健,徐精求,董海鹏.考虑负荷变化的配电网动态优化[J].继电器,2004,32(13):15-19.

[9]卫志农,王丹,常宝立,孙国强,鞠平.基于动态粒子群优化算法的配电网动态重构研究[J].中国电机工程学报, 2005,25(25):93-98.

[10]董家读,黄庆,黄彦全.辐射型配电网重构的功率矩法[J].电力系统保护与控制,2010,38(6):22-25.

配电网安全管理 第5篇

误区一：上头安排多，下面落实少。对于安全生产，企业领导认识高，压力大，抓得紧，但到了基层情况就大不一样了，普遍存在“能过就过，不能过应付着过”的现象，对于上面的安排回答是“点多、线长、面广”难以管理，更有甚者以“常在河边走，哪有不湿鞋”为自己开脱责任。

误区二：基础牢不牢心中没数。作为配电网的运行维护管理者——班站(乡镇供电所)来说，大有顾此失彼的趋向，工作不能统筹安排，营业抄、核、收关系到效益，是必须进行的例行工作，有硬性指标卡着，而设备巡视维护就成了走过程的事了，结果设备运行到底是啥状态，心里模模糊糊，除非有“报修”才不得不去处理，纵使发现缺陷还是一拖再拖。

误区三：口头喊的多，经常工作少。配电网安全责任人人有，安全责任书年年签，但基本都是形式上的东西，事后就丢在一边，出了问题，发生事故，就集中人员开会整顿，当初的安全保证书，背安全规程不知是怎样执行的，殊不知亡羊补牢为时已晚，不知道居安思危，不定期总结，造成管理上不连贯。针对以上种种误区，笔者认为要切实搞好配电网的安全，须尽早走出误区，在预防上下工夫，在防范上求实效。

——分工明确，抓落实。作为运行维护配电网的基层单位——乡镇供电所(配电班)应设线路维护工2－3人(包括工作负责人)，进行专门巡视维护本单位所辖配网设备，发现缺陷隐患及时汇报上级主管部门，并安排时间处理，作为上级主管部门除协调处理缺陷外，对整个工作过程安全进行监控，落实安全措施，形成闭环程序管理，另外，不定期抽查配网设备运行情况，抽查中发现的缺陷隐患限期处理。同时，要对维护单位和个人进行经济考核，严格兑现，使件件工作有落实结果，起码的安全措施不落空。

——杜绝违章，保安全。安全生产是一项复杂而又精密的系统工程，任何一个细小的环节出现问题，就会导致“千里之堤，溃于蚁穴”的严重后果。作为配网上每一个工作人员，哪怕是最简单的抄表工作，都必须具有忧患意识，有超前预防意识，来不得半点侥幸心理和乐观情绪，必须严格遵守各项规章制度，从我做起，从小事做起，从现在做起，从穿工作服、戴安全帽做起，不能出现任何违章，哪怕是一丝一毫，要居安思危，在查处违章上力避形式主义，严谨务实，切忌“自扫门前雪，莫管他人瓦上霜”。

——定期总结，找漏洞。安全管理不是一阵风，风有大有小，有紧有慢，而安全工作在时空上是连贯的，没有断层可言，这就要求我们在实际工作中不断地总结经验，寻找漏洞的根源所在，吸取教训。我们每周规定举行一次的安全活动是对的，目的就是让我们总结工作中的不足，分析研究下一步安全工作的重点，而在实际执行的过程中却走样了，“活动”变成记录。

基于模拟植物生长算法的配电网重构 第6篇

在电力系统中, 配电网是处于整个系统的末端, 是电源系统或输变电系统将电能提供给用电设备的重要设施。配电网重构就是在满足相应条件, 通过改变开关的闭合状态, 来优化配电的拓扑结构, 进而改善网络的潮流分布, 形成理想的潮流分布方式, 这样形成新的网络拓扑结构, 故而完成重构的要求。由于配电网重构就是通过对网络中开关的操作来实现的, 而配电网中开关操作的排列组合数目又非常巨大, 因此配电网重构可以看成是一个多目标、大规模非线性组合优化的问题。

模拟植物生长算法 (PGSA) 是利用植物的向光性, 用来形成配电网网络的拓扑结构, 来形成配电网的潮流分布。本文通过对33节点的配电网进行网损最小的重构方式, 得到了优于其他算法的结果。

一、模拟植物生长算法的基本原理

植物可以被看成是由大量的枝叶、树干、及树枝组成的庞大系统组织, 植物的整个生长过程, 就是以一种全局最优的方式尽可能长满生长空间的过程。应用植物的向光性原理来完成。

植物在整个生长的过程中都是以一种全局最优的方式尽可能的在生长空间中长满。植物在生长过程中总是向上和四周努力繁殖出更多的树枝, 新生长出的树枝中形态素会在系统环境中重新进行分配。然而当植物有一个以上的节时, 具体哪个生长点优先长出新枝取决于形态素浓度P。P值高的生长点优先生长。生物学以证明, 植物的形态素浓度并不是预先赋予到细胞中的, 是细胞根据其周围环境得到了它的位置信息并由植物的向光性特点来决定的。

设树干的长度M, 上面有K个初始生长点 (排除比树根差的点) SM= (SM1, SM2, …SMk)

每个生长点的形态素为PM= (PM1, PM2, …PMk) , 设树枝的单位长度为m (m

式中:x0为初始可行解 (树根, 即初始基点) , f (.) 为目标函数。每个生长点与树根的相对位置以及该位置所在的环境信息 (目标函数值) 共同来确定形态素浓度P, 同时这也是生长点形态素浓度与环境条件之间对应关系的真实反映, 与真实植物细胞的形态素浓度生成机理一致。因此, 树干和树枝上k+q个生长点都一一对应k+q个形态素浓度值, 每次产生新枝, 该浓度值都会变化。由上式可以推出, 因此k+l个生长点的形态素浓度构成可以描述为:在闭区间上[0, 1]上由计算机随机的产生任意数η, 找出η在[0, 1]闭区间所对应的生长点, 将这个生长点作为下一个循环的新基点, 同时η对应的生长点会优先长出新枝n, 随着新枝n的成熟后, 树干M和树枝m上的k和l生长点的形态素浓度也将会发生变化, 采用公式 (1) 反复计算, 直至没有新枝产生, 此时的树枝几位优化问题的最优解。

二、基于模拟植物生长算法的配电网重构

配电网中含有大量的常闭和常开开关, 配电网重构的主要目的就是通过改变配电线路中的开关运行状态来变换配电网运行结构。

2.1 配电网重构的目标函数

配电网的线损包括线路上导线的铜耗以及变压器的铁耗等, 通过配电网络重构的只可影响导线上的铜耗, 线损最小的目标可以表示为:

式中:i=1, 2, …, Nb, Nb为网络中的支路总数;Pi和Qi分别为流过支路bi的有功功率和无功功率;Ri为支路bi的支路电阻;Ui为支路bi的末端电压。

2.2 配电网重构的约束条件

(1) 配电网的潮流方程:网络重构必须满足潮流计算。

(2) 对于支路电流和节点电压的约束:

式中:i=1, 2, …, n, n为系统节点数;Ui, max和Ui, min分别为节点vi允许电压的上限和下限值;Ii, max为支路bi电流的上限。

(3) 供电线路的约束:配电网必须满足线路上负荷的要求, 而且不能有孤立节点 (即“孤岛”) 存在。

2.3 基于模拟植物生长算法的配电网重构的具体实现

将模拟植物生长算法应用在配电网重构中的步骤如下: (1) 输入系统运行状态时的拓扑参数和算法参数; (2) 对输入参数的系统进行初始状态的潮流计算; (3) 确定循环基点 (即树根) , 也就是控制变量值x0, 选择的原则要满足所有的约束条件; (4) 对新的生长点进行求解, 并判断时候再可行域内, 对新的生长点进行潮流计算; (5) 判断终止条件, 符合则计算结束, 否则将重新计算形态素浓度P。直至符合条件为止。输出结果。

三、算例分析

本文以IEEE33节点的系统为例, 应用模拟植物生长算法, 配电网系统需进行以网损最小为目标的配电网相关重构的仿真计算。该系统包括33个节点, 37条支路, 额定电压为12.66kv, 总负荷为3720kW+j2300kvar。系统中的五个联络开关为断开的, 其余分段开关处于闭合状态, 在相同条件下比较算法的优劣。采用Matlab进行仿真计算, 结果如表1所示。

四、结论

本文将模拟植物生长算法的理论应用在配电网重构的计算中, 通过分析和计算表明算法具有的优点:该算法原理简单易懂, 将目标函数和约束条件分开, 具有良好的寻优性, 并且通过结果验证了该模型的计算能力, 具有很好的推广应用价值。

参考文献

[1]武娜, 焦彦军, 于建涛.一种基于模拟植物生长算法的输电网故障诊断方法[J].电力科学与工程, 2009, 3 (25) :5-8.

[2]刘健, 毕鹏翔, 杨文宇, 等.配电网理论及应用[M].中国水利水电出版社, 2007.a

[3]毕鹏翔, 刘健, 刘春新, 等.配电网络重构的改进遗传算法[J].电力系统自动化, 2002, 26 (2) :57-61.

[4]冯怀玉.基于模拟植物生长算法的可用输电能力研究[D].东北电力大学, 2011.

基于极限学习机的配电网重构 第7篇

配电网重构是配电自动化系统的重要组成部分,是配电调度控制的重要依据,通过改变配电系统中的分段开关、联络开关的组合状态来改变网络拓扑,实现预定的目标。配电网重构的优化目标有:最小化系统有功功率损耗、负荷平衡、供电恢复或其中几项的组合[1]。配电网重构是一个有约束的多目标大规模非线性组合优化问题,通过重构可将负荷转移,以平衡负荷,消除变压器和线路过载,提高供电可靠性和电压质量,降低网损,提高配电网的经济性,是实现优质、可靠和经济运行的重要手段。

据统计,总发电量的5%~13%损耗在配电网络上[2],因此以最小化网损为目标的配电网重构具有重要的意义。目前关于减小网损的算法主要有启发式方法、数学优化理论和人工智能方法等。数学优化方法如分支定界法[3]、单回路优化法[4]等,可以得到不依赖于配电网初始结构的全局最优解,但属于“贪婪”搜索算法,计算时间很长,而且随着维数的增多将导致严重“组合爆炸”问题,不能处理复杂的大规模的电力系统。启发式方法有最优流模式法[5]和支路交换法[6]等,这些方法虽然加快了速度,但每次系统负荷改变都需要重新计算潮流搜索寻优,有时只能使系统达到次最优状态。人工智能方法主要有模拟退火法、神经网络法[1,7,8]、遗传算法、专家系统等[9]。文献[1,7-8]利用神经网络来描述负荷模式和最优网络结构之间的映射关系。神经网络利用其强大的非线性学习能力,通过对训练样本的学习,能够根据输入的负荷模式给出对应的最优网络结构类别,不需要进行潮流计算,可以在很短的时间得出结果。但它以经验风险最小化为原则,其精度取决于样本,因完整的样本难以获得,需要较长的时间来训练样本,容易出现过学习,难以保证泛化性能,且训练结果不稳定。

极限学习机ELM(Extreme Learning Machine)是2006年由新加坡南洋理工大学黄广斌教授提出的一种新的单隐含层前向神经网络SLFNs(Single-hidden Layer Feed-forward neural Networks)的学习机[9,10]。ELM保证网络具有结构简单、学习速度快的同时,利用Moore-Penrose广义逆求解网络权重,获得较小的权重范数,避免了基于梯度下降学习方法而产生的诸多问题,如局部极小迭代次数过多、性能指标及学习率的确定等,可获得良好的网络泛化性能。ELM可用以反映配电网负荷模式与配电网最优结构之间的非线性关系,已在多个领域得到了应用[11,12,13,14]。但是ELM仍是基于经验风险最小化原理,在样本数量有限情况下会导致过学习问题,而且训练结果不稳定。

本文结合统计学习理论中的结构风险最小化原则来改进ELM,提高其泛化能力,并将其应用于配电网重构,与ELM、BP神经网络和支持向量机SVM(Support Vector Machine)[15]等方法比较其性能。

1 ELM基本原理

研究证实,对于N个不同实例的有限集,一个最多只需要N个隐含层节点的具有非线性连续激励函数的SLFNs,就可以无误差地逼近这N个实例[16,17]。基于此,黄广斌提出的ELM算法如下。

给定N个学习样本矩阵(xi,yi),ELM对应连续的目标函数f(xi),向量xi=[xi1,xi2,…,xin]TRn,向量yi=[yi1,yi2,…,yim]TRm,i=1,2,…,N,且给定所构造网络的L个单隐含层节点和隐含层节点激励函数g(xi),则存在βi、wi和bi,使SLFNs能以0误差逼近这N个样本,则ELM模型由数学表示为:

应用于二分类的ELM数学模型为:

其中,j=1,2,…,N;网络输入权重向量wi=[wi1,wi2,…,win]T,表示输入节点与第i个隐含层节点连接权重;bi表示第i个隐含层节点的阈值;wi·xj表示向量wi和xj的内积,隐含层节点参数wi和bi随机在[-1,1]之间产生;网络输出权重向量βi=[βi1,βi2,…,βim]T,表示第i个隐含层节点与输出节点连接权重;i=1,2,…,L。

由矩阵来表示N个式(1)为:

由文献[11]定义,H为网络隐含层输出矩阵。由于L垲N,H为非方阵,当任意给定wi和bi时,由MoorePenrose广义逆定理,求得唯一解H-1,则β为:

由线性最小二范数与式(4),可获得矩阵H为:

其中,Y=[y1,y2,…,yN]。

由矩阵H及式(5)可得到解β,从而可确定ELM网络参数,完成ELM网络如图1所示。由图1可见,ELM网络参数(隐含层节点数L、激励函数g(x)和任意wi、bi,x泛指任意输入参数)只需一次设定,无需迭代调整,网络训练速度得到极大提高。

2 结构风险最小化的ELM

由统计学习理论知,实际风险包括经验风险和置信范围。在有限的样本下,置信范围越大,实际风险与经验风险之间的差别也越大,这就是机器学习会出现过学习的原因。神经网络学习应同时考虑经验风险和置信范围最小,从而使实际风险最小,此即结构风险最小化准则。数学约束优化模型可表示为:

其中,12‖β‖2表示结构风险最小化中由边缘距离最大化原则得到,γ是规则项常数,误差的平方和‖ε‖2代表拟合的精度。

将式(7)、(8)条件极值问题转化为Lagrange函数求解:

其中,α=[α1,α2,…,αN],αjRm(j=1,2,…,N)代表Lagrange乘子。

式(9)分别对β、ε和α求偏导,并令其为0,可得最小化条件:

由式(10)得:

其中,I为单元阵。

式(11)中只含有一个L×L(L垲N)矩阵的逆操作,所以计算β的速度非常快。

3 基于ELM的配电网模型重构

配电网络多采用辐射型、环式或网格式结构方式,正常运行时以开环方式运行,联络开关一般处于断开状态。网损最小的配电网络重构数学模型为:

其中,b为支路数;ki为开关i的状态变量,是0-1离散量,0代表打开,1代表闭合;ri为支路i的电阻;Pi、Qi为支路i末端流过的有功功率和无功功率;Ui为支路i末端的节点电压;等式(13)为潮流方程,K为控制变量,即网络开关状态变量,M为状态变量,包括P、Q、U等运行参数矢量;Ii和Iimax为支路i的电流和最大电流限值;Ujmin和Ujmax为节点电压Uj的下限和上限值。

以网损最小化为目标的配电网重构,由于开关很多,难以用常规的数学模型直接建立负荷与网损最小时的开关状态之间的关系。神经网络可以反映配电网负荷模式与最优结构之间的非线性关系,可以将配电网负荷模式作为输入、相应的网损最小时的开关状态作为输出。

对于一个配电网络,当每段负荷母线的负荷大小都为确定的负荷水平时就组成了一个负荷模式。若整个配电网有负荷母线n条,负荷划分为p个水平,假定每条母线负荷变化不受其他因素影响,那么负荷模式就有pn个。若配电网开关有m个,则ELM输入向量xi为n维,输出yi为m维。每一个输出分量与配电网中的一个开关相对应,用一组二进制数据来表示,0表示打开,1表示闭合。负荷水平可按表1划分,表中负荷值为占峰值的百分数。

从配电网全部的负荷模式中确定网损最小时的开关拓扑结构,然后随机选取一定数量分别作为训练集和测试集,对ELM网络进行训练和测试,将输出的开关状态与最优拓扑对比,验证网络的性能。具体重构流程如下。

a.根据配电网结构找出所有的负荷模式,选取一定数量的训练集(X,Y)和测试集(X′,Y′),X和X′代表输入的负荷模式集,Y和Y′代表输出的开关状态集。

b.选择ELM的隐含层节点数组合Ls,结构风险最小化规则项常数集合γs,激励函数g(x)选择RBF函数:

c.训练ELM,运用交叉验证法选取最优L和γ,得到ELM最优网络模型,若未达到要求,则改变集合Ls和γs,重新训练,直至达到要求。

d.保存最优ELM网络模型,在不改变配电网的情况下,根据当前负荷模式,可快速地输出网损最小时的开关组合状态。

4 实验仿真

ELM程序采用黄广斌教授个人主页上的ELM程序[18],将结构风险最小化的ELM在MATLAB7.0环境下进行编程仿真测试,实验电脑配置为Windows XP,Intel(R)Pentium(R)Dual 1.60 GHz,1 G内存。训练和测试的样本根据支路交换法原理[6]通过VC++6.0编程实现,得到各种负荷模式下的网损最小时的开关组合。支路交换法首先计算初始潮流和网损,利用潮流计算的结果将负荷用恒定电流表示,每次闭合两端电压差最大的联络开关形成一个环网,选择打开环网中一个分段开关,使配电网恢复为辐射网,从而实现负荷转移,达到负荷均衡和降低网损的目的。配电网重构的关键在于根据当前的负荷模式,找到合适的开关,改变网络结构,达到网损最小。

4.1 算例1

选取文献[7]中的12.66 k V的典型配电网三馈线试验网络,如图2所示,含有16个母线节点(B1,B2,…,B16),13个母线负荷分段开关(S1,S2,…,S13),初始断开的3个联络开关(T14,T15,T16)。网络参数如表2所示,表中负荷为接在母线末端的峰值负荷。该网络为环状结构,辐射状运行。

根据表1将负荷水平划分为7类,共有负荷模式713种,但ELM网络无法训练这么庞大的负荷模式。为克服此困难,由文献[7]知,表现出不同峰值时间的母线负荷具有不同的特征,如居民用电、商业用电、工业用电等,分别用1、2和3表示,并对算例1中的负荷类型进行分类,如表2所示。通常,类似的负荷特征具有相似的变化趋势,配电网络中不同的负荷类型只需要取其中一种就可反映整个配电网的变化情况。即使负荷具有混合类型特征,神经网络也能够识别。因此,将其类型特征考虑进去,对于母线负荷划分为p个水平的配电网,其负荷水平组合降为p3个。算例1中,其负荷水平组合为73=343种,且此组合与系统大小无关。仍由文献[7]知,实际中,通过基于负荷组合训练得到的大量系统最优拓扑结构是相似的,因此可以得到较少的系统统一的拓扑结构,并且远小于开关数量。

首先在73个负荷水平组合模式下,随机选择3 500个负荷组合,由支路交换法得到相应的最优拓扑结构。将其中3000个负荷模式和其相应的网损最小时的开关组合,作为ELM的训练集合,另外500个模式作为测试集合。ELM网络的输入为包含13个分量的向量,输出为16个分量组成的开关状态。激励函数选为RBF高斯核函数,隐含层节点数组合Ls=[5,10,15,20,30,35,50],规则项常数γs=[500,100,50,10,1,0.1,0.01],共有7×7=49种集合,采用循环程序将每一种组合代入到ELM中,进行交叉验证参数寻优。

经过实验,可得结构风险最小化的ELM最优参数组合为:L=62,γ=0.1,测试结果与支路交换法计算的结果差异14次,差异率为2.8%,满足实际要求。若将测试的结果与实际结果作比较,一致时为0,差异时为1,则实际结果和测试结果误差如图3所示。最后将出现差异的测试模式用PSASP程序进行网损计算分析,仅6个模式也即只有1.2%的模式比支路交换法得到的结果略大,其他模式结果与支路交换法接近或略小。因此,基于结构风险最小化的ELM比支路交换法重构的效率更高,错误率更低。

另外分别采用基于经验风险最小化的ELM、SVM和BP神经网络对上述配电网络进行重构,训练和测试样本不变,各种方法均在调试的最优情况下进行,性能比较结果如表3所示。可见,与SVM和BP神经网络相比,基于结构风险最小化的ELM不仅泛化性能更好,而且速度是它们的几十倍以上,适合于大规模实时控制;与基于经验风险最小化的ELM相比,其测试正确率大幅提高,速度也基本相当。

4.2 算例2

选取美国PG&E的69节点配电系统[19],如图4所示,需要重构的配电系统有73条支路,初始断开5个联络开关:T11-66、T13-20、T15-69、T27-54、T39-48(数据表示节点连接编号),构成树形配电网络,系统参数在此略去,详见文献[19]。

将负荷水平划分为7类,采用算例1中的压缩负荷模式的方法,同样先用支路交换法得到ELM的负荷模式学习样本3500个,分别选取其中2 000个和3 000个作为训练样本,另外均选取500个作为测试样本,并用基于经验风险最小化的ELM、SVM和BP神经网络来进行网损最小化重构比较,用以检验基于结构风险最小化的ELM重构性能。如表4所示,增加训练样本情况下,虽然各种方法都可以降低重构错误率,提高泛化性能,实现全局逼近最优,但SVM和BP神经网络训练时间则明显增加很多,而基于结构风险最小化的ELM训练时间只比基于经验风险最小化时稍长一点。

5 结论

本文将结构风险最小化准则应用于新型的ELM神经网络,根据负荷模式对配电网进行网损最小化重构,避免了使用传统的启发式方法每次负荷变化带来的繁复迭代寻优,并与SVM、BP神经网络和基于经验风险最小化的ELM的配电网重构效果进行比较,克服传统神经网络学习速度慢的问题,泛化性能更好,速度也与基于经验风险最小化的ELM基本相当。ELM随着训练样本的增加,重构效果更好,然而需要通过其他启发式方法获得大量且覆盖面广的学习样本作为支持,并且随着网络结构的改变而需要重新训练。

摘要：为使配电网重构有功功率损耗最小,提出一种基于极限学习机的神经网络重构模型来反映配电网负荷模式与开关状态之间的非线性关系。将配电网负荷模式作为输入、网损最小时的开关状态作为输出,利用所提模型网络结构简单、学习速度快的优势进行配电网重构。引入统计学习理论中的结构风险最小化准则来改进基于经验风险最小化的极限学习机,使经验风险和置信范围最小,从而使实际风险最小,减小期望误差。通过2个典型算例对配电网重构进行仿真研究,并对基于支持向量机、BP神经网络和基于经验风险最小化的极限学习机重构模型进行比较,结果表明所提模型在保持学习速度快的同时,泛化性能更高。

配电网重构 第8篇

配电网网络重构是配电网结构优化的一个有效手段。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。在正常运行条件下,根据运行情况进行开关操作以调整网络结构,消除过载提高供电质量,降低网损,提高系统经济性[1]。

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,使配电网的某一个或者多个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。目前的求解算法主要有以下几类:(1)传统数学优化算法[2],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,存在严重的“维数灾”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[3],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[4,5],如免疫算法、蚁群算法、粒子群优化算法等。这类方法适合寻找全局最优解,是求解大规模非线性整数规划问题比较好的方法。但这些方法中的某些参数难以准确给出,容易出现大量不可行解与不成熟收敛等问题。

本文以基本环路为控制变量集,将各基本环路中的开关编号作为其对应变量的取值集合,应用改进模拟植物生长算法(Improved Plant Growth Simulation Algorithm)求解配电网重构问题。采用断开、闭合、联闭、长闭4种状态来描述开关的运行方式,减小了算法搜索范围、提高了寻优的效率。文中最后给出了算例的仿真结果,结果表明本文的改进算法具有很好的优越性和可行性。

1 模拟植物生长算法原理及其改进

1.1 基本模拟植物生长算法

模拟植物生长算法是一种源于大自然的仿生类随机算法。植物未分化的细胞中均含有形态素。形态素的浓度决定了细胞是否生长,当存在多个待生长的树枝节点时,形态素浓度最大的节点将获得优先生长的机会。当新的生长点产生后,形态素浓度将根据新系统所在环境的改变而重新进行分配。

根据植物成长期的特征,下面从数学的角度对植物生长的向光性特点进行说明。

设树干M和树枝m上分别有k个和l个生长点(SM1,SM2,…,SMk)和(Sm1,Sm2,…,Sml)。每一个生长点上的形态素浓度分别为(PM1,PM2,…,PMk)和(Pm1,Pm2,…,Pml),则树干及树枝上各生长点形态素浓度值分别为[6]:

式中:x0为树根所在点(初始基点),f(x0)、f(Smj)、f(SMi)表示所在点的环境信息函数(目标函数),其取值越小表示对应点的环境条件越好,有利于新支的产生。式(1)和(2)的物理意义表明:各生长点形态素浓度的大小是由各点相对于树根的相对位置以及该位置的环境信息决定的,由式(1)和(2)可知:

因此k+l个生长点的形态素浓度构成如图1所示的状态空间图。系统不断产生位于[0,1]之间的随机数ξ,这些随机数就像不断向区间[0,1]上投掷的小球,小球落在(P1,P2,…,Pk+l)的某一个状态空间内,所对应的生长点(细胞)就得到优先生长的权利。在新枝生成后,长出新枝的原生长点被取消,新枝中的生长点将加入生长点集。同时所有生长点的形态素浓度将重新分配,其计算方法是在式(1)和(2)的基础上加上新枝上生长点的相关项,并删去长出新枝的原生长点的相关项。该过程反复进行,直至满足终止条件结束。

1.2 新生长点的生成

假设在算法迭代过程中某一次循环的基点为XB=(x10,x20,…,xn0),则新生长点的生成方程可表示为:

式中:i=1,2,…,n(n为变量的维数)。完成1次循环,即可形成2n个新的生长点。

1.3 模拟植物生长算法的改进

生长点集是生长点的集合。基本模拟植物生长算法在计算过程中将每次新产生的生长点都加入到生长点集内,随着算法迭代的进行,生长点集内生长点将会越来越多。在每次循环中都要对其进行比较、计算,降低了算法的效率。本文对此做了改进:生长点集内只保留以往的F个最优生长点和本次循环新产生的生长点,以减少生长点集内的生长点个数,缩短计算时间。改进后的生长点集内既有少量较优生长点又有本次循环新生成的生长点,保证了生长点的多样性避免了局部最优同时提高了寻优速度。

2 配电网网络重构的目标函数

配电网重构一般以降低配电网网损、改善电压质量、提高电压稳定性这些目标中的一个或几个为目标进行配电网络重构。本文以降低配电网网损作为目标,目标函数为:

式中:Ploss为系统有功网损,n为系统的支路数;Ri为支路的电阻;Pi、Qi和│Vi│为流过支路i的有功功率、无功功率以及支路i的末端电压幅值。

配电网重构应满足的约束条件有:

(1)潮流约束,Pi、Qi、Vi必须满足潮流方程f(Pi,Qi,Vi)=0的约束。

(2)节点电压和支路功率约束,Vi min≤Vi≤Vimax,Si≤Simax,Vimin、Vimax分别为节点i电压幅值的下限和上限;Simax为流过支路i的最大允许功率。

(3)网络的拓扑约束:配电网重构后的网络应为辐射状且无孤岛。

3 基于改进模拟植物生长算法的配电网重构

3.1 控制变量设计

为设计适合算法的控制变量,本文将各个基本环路作为变量集。具体操作是,先将配电网中所有分段开关闭合的同时断开所有联络开关,此时配电网呈辐射状。若闭合第i个联络开关,则将此时形成环路i,设xi为环路i的控制变量,xi是包含环路i中所有开关编号的整数集合。依次闭合第i+1,i+2个,…,直至全部联络开关,在此过程中需命名新形成环路的控制变量以及对开关编号。如此,可将整个配电网表示成以基本环路为变量集,各个环路中开关编号为对应变量取值的集合。此种设计方案度减少了变量的维数,提高了算法寻优的效率。以IEEE16节点系统为例如图2所示,图中联络开关(S15、S21和S26),其余均为分段开关。闭合全部分段开关,断开全部联络开关,图2中的配电网将形成一个开环网络,依次闭合联络开关S15、S21和S26后,则会出现三个基本环路。设x1、x2、x3分别表示环路1、环路2、环路3的控制变量集,由于只能以整数为单位的断开开关,故x1的集合为[1,6],对应开关S11、S12、S15、S19、S18和S16在环路l中的编号(编号是任意确定的)。同理,x2的集合为[1,5],对应开关S16、S17、S21、S24和S22在环路2中的编号。x3的集合为[1,7],对应开关S11、S13、S14、S26、S25、S23和S22在环路3中的编号。当控制变量取某个整数时即表示在该环路中对应编号的开关断开[7]。

3.2 开关状态描述

为满足配电网开环且连通的运行要求,在重构配电网的过程中,有些开关是必须长期闭合的;有些开关是相互关联的,断开某一个开关时,其它与之关联的开关必须闭合(称之为联闭),只有该断开的开关闭合后,这些与之关联的开关才能恢复为常态。本文将开关的状态描述为断开、闭合、常闭和联闭4种情况,分别以0、1、2和3表示。出现常闭和联闭状态的情况如下:

(l)不出现在任何环路上的支路开关以及与电源联接的开关必须长期闭合。在图2所示的配电网络中,开关S20、S11、S16和S22的状态必须是取2(也就是常闭状态)。

(2)处在同一支线上且分属于两个环路的开关是相互关联的。为避免同时断开两个相互关联的开关而出现孤立节点,断开相互关联开关的其中一个时,其它几个开关必须处在联闭状态。在图3所示的配电网络中,同时分属于环路2和环路3的开关S9、S10和S11是相互关联的。假若断开S9,必须将S10和S11同时设置为联闭状态。

结合上述开关状态描述,由于S11、S16和S22为常闭开关不用编号,图2所示配电网络的控制变量则表示为:x1的集合为[1,4],x2的集合为[1,3],x3的集合为[1,5]。

3.3 算法实现过程

采用上述改进模拟植物生长算法求解配电网重构优化问题的算法流程如下:

(1)输入基本数据,包括配电系统的节点电压和编号,开关初始状态和编号以及开关所属基本环路集合等。

(2)生成初始解。随机生成一个初始解X0。初始解即植物的根,也就是优先生长点XB的初值,令XB=X0。求解X0的目标函数值f(X0)。并令最优解Xmin=X0,其对应的目标函数值为fmin=f(X0)。

(3)生成新生长点。以优先生长点XB为基点,以1为步长产生2n个新生长点,将新生长点中满足条件的各可行解存入生长点集中。

(4)保存最优解。解出第(3)步中得到的各可行解目标函数值的最小者,若小于fmin则替换fmin及Xmin;否则保留fmin及Xmin。

(5)判断终止条件。采用最优解连续重复出现的次数N作为终止条件,若达到设计次数,计算结束;否则,将进行下一步。

(6)按式(1)和(2)计算生长点集内各生长点的形态素浓度。

(7)确定优先生长点及新生长点集。在[0,1]上产生一个随机数ξ,ξ将落入图1所示的形态素浓度状态空间的某一区间,该区间对应的待生长点即为下一个的优先生长点XB,并将该点从生长点集内删除。将生长点集内的各可行解按目标函数值从小到大排序,若可行解个数大于F则取前F个可行解构成新的生长点集;否则,保留原生长点集,转至步骤(3)。

4 算例分析

为验证本文所提方法的有效性,以IEEE16节点和IEEE33节点系统为例,用所提方法对测试系统进行了计算和比较分析。图2为IEEE16节点系统,支路S15、S21和S26上装有联络开关,其余均为分段开关。参数设置为:N=3,F=50;图3为IEEE33节点系统,支路S33、S34、S35、S36和S37上装有联络开关,其它均为分段开关。参数设置为:N=5,F=120。表1为2个测试系统重构前后结果比较。

由表1的结果可见,2个测试系统重构后的网络损耗均大大降低,IEEE16节点系统由重构前的511.47 k W下降到457.36 k W,而IEEE33节点系统由重构前的202.68 k W下降到139.53 k W,降损效果明显。对于IEEE16节点及IEEE33节点系统,本文算法得到的重构结果与参考文献[8]的重构结果相同,只是在网损上有些小的差别,对于IEEE16节点系统,本文重构后的网损为较参考文献[8]重构后的网损为大约小10 k W左右,微小的网损差别可能是由于计算方法不同所引起的。对IEEE33节点系统,由于其总负荷较IEEE16节点系统小很多,因此本文只比参考文献[8]的网损大约小2 k W。在算例的分析中,本文把几种算法的迭代次数进行了比较如表2所示。与相关文献中的算法相比,本文所提算法的迭代次数最少,显示了改进模拟植物生长算法在解决配电网重构问题上的优越性。

5 结语

配电网络重构是优化配电系统运行的重要手段,是配电网自动化研究的重要内容。将改进模拟植物生长法应用于配电网络重构。该方法简单且容易理解,同时降低了变量维数,有效减小了重构过程中的搜索范围,提高了计算速度。通过算例计算结果可见,改进模拟植物生长法的寻优性能明显优于其他算法,显示了方法的有效性和可行性。

参考文献

[1]刘健,毕鹏翔,杨文宇,程红丽.配电网理论及应用[M].北京:中国水利水电出社,2007.

[2]刘柏私,谢开贵,周家启.配电网重构的动态规划算法[J].中国电机工程学报,2005,25(9):29-34.

[3]毕鹏翔,刘健,张文元.配电网络重构的改进支路交换法[J].中国电机工程学报,2001,21(8):98-103.

[4]许立雄,吕林,刘俊勇.基于改进粒子群优化算法的配电网络重构[J].电力系统自动化,2006,30(7):27-30.

[5]姚李孝,任艳楠,费健安.基于蚁群算法的配电网网络重构[J].电力系统自动化学报,2007,19(6):35-39.

[6]杨丽徙,王锴,程杰.应用改进模拟植物生长算法求解无功优化问题[J].高电压技术,2009,35(3):694-697.

[7]王淳,程浩忠.基于模拟植物生长算法的配电网重构[J].中国电机工程学报,2009,27(19):50-55.

[8]葛少云,刘自发,余贻鑫.基于改进禁忌搜索的配电网重构[J].电网技术,2004,28(23):22-26.

配电网重构 第9篇

关键词：配电网重构,交叉,变异,早熟,禁忌搜索

0 引言

早在1975年,Merlin和Back就指出配电网重构是降低配电网网损的有效方法之一。因为配电网一般具有闭环设计开环运行的特点并且网路结构上设有分段开关和联络开关,在正常运行条件下可根据不同的负荷情况改变这些开关的开合状态,通过改变线路开关的状态来变换网络结构,以平衡各个馈线的负荷、消除过载、降低网损,从而优化配电系统的运行。网络重构是一个复杂的大规模非线性整数组合优化问题。20世纪80年代以来人们对网络重构进行了广泛的研究,大致提出了以下几种方法:(1)数学优化方法[1]。该算法直接利用现有的数学优化原理进行配网重构。包括线性规划、非线性规划、整数规划等。一般认为这样可以得到不依赖配电网初始结构的全局最优解,但证明该方法属于“贪婪”搜索算法,计算时间过长。(2)最优流算法[2],该方法将开关组合问题转化为优化潮流的计算问题,简化了问题。缺点是初始时闭合所有开关使网络中同时存在多个环,求最优流模式时各环之间电流互相影响,打开顺序对结果有较大影响;计算一次开关由合至关需要计算一次潮流,计算量较大。(3)支路交换算法[3]。该方法优点是可以快速确定降低网损的配网结构,通过启发式规则减少考虑的开关组合,可利用公式估算开关操作带来的网损变化,缺点是每次只能考虑一对开关的操作,不能保证全局最优,给出的配电网结果与初始结构有关。(4)人工智能算法[4]。如神经网路算法、遗传算法和禁忌搜索算法等。其中神经网络算法的缺点是约束条件的确定比较困难,且无法保证最后所得的解是全局最优解。遗传算法在操作中易产生不可行解且由于局部搜索能力较差易于发生早熟现象。禁忌搜索算法收敛速度较快,局部搜索能力强,但其收敛性与初值的选择有很大关系。

基于以上算法的特点遗传禁忌混合寻优策略被提了出来,本文在此基础上,结合配电网重构的实际问题,提出了基于遗传和禁忌混合算法的配电网重构方法。对IEEE69节点系统进行了重构,通过和禁忌搜索以及遗传算法的比较,证明该方法是可行的,有效的。

1 配电网重构问题的数学描述

配电网重构的目标函数有很多,本文以网损最小为目标函数,数学描述如下:

式中:Li为线路总数,ri、pi、Qi、Vi分别为支路电阻、有功功率、无功功率、以及各节点的电压幅值。同时,配电网重构还应满足如下的约束条件:

(1)电压约束:

式中:Vmax和Vmin分别为节点i电压有效值的上下限。

式中:Sjmax为第j条支路上允许传输功率最大值。

(3)重构后网络必须保证辐射状。

(4)重构后网络中不能存在孤岛。

2 混合算法的原理

2.1 遗传算法

遗传算法由Holland于1975年提出已经成功应用于很多复杂函数的优化问题。它的主要特点是对参数编码进行操作,而不是参数本身,同时对多个点的编码进行搜索,采用随机转换规则,而非确定性规则。缺点是进行局部搜索能力差,易于早熟。这是因为算法的变异概率太小,引入新染色体的机会少,如果变异概率取得大一些,会导致算法随机性过大,使搜索过程过于盲目[5]。

2.2 禁忌搜索算法

该算法是局部邻域搜索算法的推广,它的特点是在搜索过程中可以接受劣解,所以具有较强的“爬山能力”;新解不是在当前解的邻域中随机产生的,而是从中选取最好解,即最好解的产生概率远远大于其它解。缺点是对初始解有较强的依赖性,另外迭代搜索过程是把一个解移动到另一个解,降低了得到全局最优解的概率。

2.3 遗传禁忌混合算法(GATS)

为了使两者的缺点得到削弱优点得到保持遗传禁忌混合算法被提出来。最早引入这种思想的是Muhlenbein,他从一个很宽广的范围对遗传算法和禁忌搜索算法进行了分析和比较,指出了二者进行混合的可能性以及理论基础,但并未提出具体混合方法。Reeves把Tabu算法的思想引入到GA算法的交叉和变异中,并受到了很好的效果[6]。而后,GATS混合算法得到了广泛的应用。在GATS混合算法中由于GA算法的广域搜索能力较强一般是用GA进行全局搜索,使群体中的个体分布在解空间的大部分区域,由于TS算法的局部搜索能力较强,再从群体中每个个体开始用TS算法进行局部搜索,改善群体的质量。混合算法有效结合了GA并行的大范围搜索能力和TS的局部搜索能力,但主要的问题是普通的遗传禁忌混合算法常常面临着禁忌算法调用过多,算法搜索效率不高的问题。

文献[7]对此进行了改进,该文认为两种算法的结合的关键是在遗传算法出现早熟现象时通过禁忌算法跳出这种局部最优状态,但该方法在何时遗传算法趋向于早熟并调用禁忌算法的判断上过于简单,只是简单地定义遗传算法迭代10次时调用1次禁忌算法,这样会很盲目。本文提出用适应度的样本方差来进行判断早熟即:fsd

(1)编码的处理

在配电网重构中,通常采用开关作为变量集合。在解矢量中,元素取值0和1分别表示对应的开关是处在“打开”和“闭合”状态。这种方式简单明了,容易理解。本文也选用这种2进制编码方法,并采用按环进行编码的原则即把同一环路的开关放在一起。以下为对图1中的三馈线系统进行的编码,如下:

以上式(5)为算法中染色体的具体编码形式,式(4)是染色体中每位上的0或1所表示的开关号,在实际算法中并不使用,此处是做解释使用。

(2)选择

本文的选择操作依旧采用数学轮盘赌的方法按每个染色体的适应度进行。这种方法不但简单易行而且确保了染色体被选择的概率与其适应度成正比。

(3)交叉

若采用简单的一点或多点交叉策略必然极大的概率产生不可行解,因此本文采用文献[8]提出在交叉时选择交叉位一侧0位的个数相同的方法进行交叉操作。

(4)变异

根据配电网的辐射状要求文献[9]提出基于环路的变异方法,本文对其进行了相应的改进。在选中染色体某一位进行变异时,变异操作如果是将0变为1,文献[9]的处理是在该位后一个基因位由1变为0,考虑到要使搜索的范围变大本文改为在该环内其它基因位上随机地选取一位基因由1变为0;如变异操作是将1变为0,文献[9]中是把变异的基因位前的为0的一个位置变为1,本文考虑如果这个变异的基因位前的为0的基因位所表示的开关不在变异位所在的环路中,此时必将出现变异位所在的环路有两个打开的开关即出现不可行解。所以本文采用将该环内原来为0的基因位改为1。具体步骤如下:如我们对式(5)所表示的染色体进行变异,首先随机选择在环路1上进行变异,然后随机选择环路1中的某一位发生变异,我们选择在环路1的第2个基因位上发生变异,此时变异是由1变为0,然后再找到该环路中原为0的基因位将其改为1,此处环路1中原来为0的是第3个基因位,我们把它改为1。变异结果如下:

上文式(6)即为式(5)变异后的染色体。

(5)适应度函数

对于混合算法是一种在给定的解空间内不受约束的随机搜索算法,因此必须构造一个精确的适应度函数知道遗传算法的搜索方向向着最优解逼近。本文中适应度函数由目标函数和惩罚函数组成,定义如下:

式中:Ii、Vi、Imax、Vmax、Vmin分别为各阶层支路电流有效值、电压有效值、电流有效值上限、电压有效上下限。f为网损,β1、β2、β3、β4是惩罚因子,通常取较大的数以加大惩罚力度。当个体违反电压电流的约束条件时,由于惩罚因子取得比较大,其适应度值将非常低,从而容易在进化工程中被淘汰。式(8)为可行解的适应度求值公式,式(9)为不可行解的适应度公式。在遗传操作当中不可能完全避免不可行解出现更不能把不可行解一律删除重新操作,因为有时会出现不可行解在经过基因操作后变为可行解甚至最佳解的情况。鉴于这种情况本文采用罚函数的方法使不可行解按比较小的几率保留下来,这样可以使算法在一定程度上接受劣解。对于不可行解的判断本文采用传统的判据即在网络连通的条件下满足闭合支路数等于有效节点数减一这一准则[10]。

(6)禁忌移动操作及禁忌终止准则

禁忌搜索到的每一个新状态都是当前点在其邻域的移动操作产生的。因此移动和邻域设计非常关键,本文采用文献[11]中的方法即邻域解由集中性解和分散解组成的方法,这种方法即在按环对基因位进行精确的左右移动的同时还在这个基因位所在环随机产生新解,这个解就是所说的分散解。终止判据采用最优解联系保持不变的最大迭代次数。

(7)禁忌表、释放准则及禁忌算子中的适应度

禁忌表是禁忌算法的关键所在,禁忌表中允许存在的最大移动数目称禁忌表的规模。本文禁忌表的规模采用传统的n为网络规模,对禁忌表的更新采用传统的“先进先出”规则。之所以在TS算法中出现释放准则是因为Tabu表有可能限制一些可以导致最好解的“移动”。本文采用基于适应值的“释放准则”:如果一个移动作用于当前解后,可达到一个到目前为止最优的适应值,则认为该移动满足了“释放准则”。禁忌算子的适应度本文依旧采用上述式(7)、(8)、(9)。对于不可行解由于罚因子的存在会很快淘汰掉。

(8)遗传禁忌混合算法步骤

1)读入系统的网络节点参数、约束条件等原始数据,设置遗传算法和禁忌搜索的操作系数。

2)按环产生一组解即初始种群。

3)适应度计算,求出初始种群或禁忌搜索后的种群的适应度的方差值FSD。

4)判断是否满足遗传算法终止条件,即满足要求的迭代次数与否。如果不满足进入步骤5),否则进入步骤7)。

5)进行选择、交叉这两种基因操作。

6)计算此时即选择和交叉操作后的种群的适应度方差值fsd,如果fsd≥FSD/5则调用变异操作之后回到步骤3),如果fsd

7)停止运算,输出计算结果。

混合算法框图如图2。

3 计算实例与结果分析

本文对IEEE69节点网络进行了重构实验,因为混合算法和文献中的禁忌搜索算法都受到随机因素的影响,仅仅一次的运行结果不足以说明算法的优劣,故对两种算法都进行了多次运行取平均值进行比较。根据经验给出混合算法中参数设置如下:β1、β2、β3均取200,β4取400,遗传种群数量为50,交叉概率为0.9,变异概率为0.05,最大进化代数为100,禁忌邻域解个数为10,候选解个数取6,禁忌长度取6,最优保持代数取10。试验结果如表1。

另外本文算法针对IEEE69节点进行计算的平均迭代次数是11次比文献[12]的12次和文献[13]的15次在迭代次数上稍优,主要原因是混合算法结合了两种算法的优点,对初值限制变小,也改进了容易早熟的现象。

4 结论

(1)本文尝试用遗传和禁忌搜索混合算法进行配电网重构,实验证明该方法是可行的有效的。

(2)本文在前人研究的基础上提出了改进的基于环路的变异方法,该方法减少了不可行解的出现。

(3)本文初步提出了遗传算法的早熟判断方法,即通过每一代之间种群适应度方差的比较来判断算法是否出现早熟现象。

配电网重构 第10篇

配电网重构是降低网损[1]、平衡负荷[2]和安全运行的重要并行之有效的方法之一。配电网采用闭环设计, 开环运行, 各节点间有分段开关, 还有一部分联络开关, 因此可以通过开关的不同组合, 形成不同网络拓扑结构, 以此提高配电网的经济性、安全性和供电可靠性。

目前, 关于研究配电网重构的目标函数众多, 但大多数都是以单一目标[3,4]作为目标函数进行配电网重构, 而配电网重构是一个非线性多目标优化问题, 重构之后的结果不仅仅只在某个方面进行改善, 而应该是多个配电网指标都得到改善和提高。文献[5]中以网络损耗和负荷平衡为目的建立目标函数。然而通过加权将两个目标转化成一个目标函数求解, 这样会导致目标函数朝着某一特定方向求解, 降低解的空间, 而且权重系数的选取有较强的主观性, 缺乏客观依据。

本文对配电网多目标优化提出基于小生境思想的遗传算法[6], 结合Pareto最优解集的求解方法来寻找目标函数的最优解集。本文以有功网损、节点电压偏移量和负荷平衡指数这3个函数作为目标函数, 在各小生境中运用遗传算法, 交叉率和变异率采用自适应机制, 并行进化, 尽可能需找解空间中的局部最优解, 并通过Pa-reto最优解的选择, 最终寻找到全局的最优解集。

1多目标配电网重构的数学模型

本文提出了以减小网损、负荷均衡以及节点电压偏移量为综合考虑因素, 因此配电网重构的数学模型含减小网损、负荷均衡和供电可靠性三方面内容。以有功网络损耗为最小目标, 其数学表达式为:

式中:Li为代表线路总数;ri为代表支路i电阻值;Pi2, Qi2为代表支路i末端流过的有功和无功;Vi2为代表支路i末节点的节点电压;f1为代表网络的总有功损耗。

式 (1) 中, 电压和功率需要满足约束条件。

(1) 电压约束:

式中Vi max和Vi min分别为节点i电压有效值的最大和最小值。

(2) 支路功率约束

式中:Sj代表支路j上流过的功率;Sj max代表支路j上允许流过的最大功率。

以负荷均衡为目的的配电网重构中, 一般负荷平衡与否可以用负荷平衡指标来表示, 其表达式为:

式中:Li代表支路总数;Si表示支路i上通过的功率; Si max是表示Li条支路上通过的功率的最大值。

对于节点电压值, 越接近额定电压, 节点电压质量就越好, 因此, 在配电网中引入节点电压偏移量指数, 电压偏移量越小, 配电网越稳定, 其表达式为:

式中:n为配电网节点数;VN为节点i的额定电压值。

除了满足以上电气参数的约束外, 也要符合配电网络的网络拓扑结构要求, 即配电网中开关的开断要满足一下原则:网络图必须保持辐射状;不能出现环路和孤岛。

多目标配电网重构的数学模型为:

式中f1, f2, f3分别代表有功网损、负荷平衡指数和电压偏移量指数。

2基于小生境思想遗传算法

遗传算法 (Genetic Algorithm) 是模拟大自然生物进化的一种随机的概率优化方法, 通过大量的实践应用, 发现GA容易早熟, 陷入局部最优解, 因此, 如何保持种群的多样性, 是保证遗传算法能尽可能需找到全局最优解的关键。

对于多目标问题的最优化, 方法之一就是将多目标问题传化成单目标问题, 采用对目标函数加权的方式, 但是此方法也存在一些缺点:

(1) 各目标函数加权值的确定带有主观性;

(2) 各目标函数的单位往往不一致;

(3) 决策变量可能导致目标之间得到相互矛盾的结果。因此, 本文采用Pareto最优的方法来处理多目标优化问题。

2.1 Pareto最优概念

多目标优化问题可以表示成:

对于决策变量x1和x2, x1、x2∈ Rn, 对所有的目标函数都有fi (x1) < fi (x2) , i =1, 2, …, n, 并至少有一个目标函数满足fi (x1) < fi (x2) , i =1, 2, …, n, 则称决策变量x1支配x2, 记作x1> x2。对于决策变量x ∈ Rn, 且不存在另一决策变量y ∈ Rn, 使得y ≻ x , 即x是Rn中的非支配决策变量, 这样的决策变量就称为此多目标优化问题的Pareto最优解。Pareto最优解在多目标优化中往往不只一个, 是一个集合, 称为Pareto最优解集, 集合中的每个解都具有相同的重要性, 在优化问题上, 往往需要根据实际的情况需要, 根据不同的情况选择不同的Pa-reto最优解, 因此, 多目标寻优的关键在于找出尽可能多的Pareto最优解。

2.2初始种群生成和排序

配电网重构通过改变开关的组合状态来改变其网络结构, 从而实现优化网损、平衡负荷、提高配电网鲁棒性等目的。本文采用二进制表示开关状态, 0表示开关断开, 1代表开关闭合。由于配电网的编码要满足开环的特点, 因此编码对应的拓扑结构不能出现环路和孤岛, 本文采用文献[7]提出的编码方式, 即对基因进行分区处理。同一环路的开关放在编码放在基因的同一区内, 按照此编码方式随机生成2N个染色体, 每个染色体对应着不同的配电网开关组合状态。

本文多目标配电网重构是通过求解Pareto最优来寻求最优解, 而Pareto最优解集就是最染色体排序的过程。对每个染色体进行潮流计算, 计算出式 (7) 的各个目标f , 通过比较各染色体的优劣关系, 确定染色体的排序。排序的具体过程如下:

(1) 染色体集合S随机生成, S={x1, x2, ..., x (2N - 1) , x2N}, 设 ϕ 为非劣基因解集, i为染色体下标, i = 1 ;

(2) 在集合S中, 找一个染色体xj, j = i + 1 , 将染色体xi与xj进行比较, 如果xi< xj, 则跳到 (4) 。如果xi> xj, 则进入 (3) ;

(3) 将S中的所有染色体与xi进行比较, 如果都比较过了, 则将xi添加到非劣解集合 ϕ 中;

(4) 令i= i + 1 , 看下一个染色体是否是非劣解。

反复运行以上算法, 知道所有的染色体都得到比较排序, 则可以得到多个非劣解集, 同一个非劣解集中的染色体有相同的优越性, 不能互相比较。

2.3染色体的选择、交叉和变异

在Glodberg文中指出, 在小生境中, 父代 (Elder Generation) 和子代 (Filial Generation) 竞争选择机制 (EG-FG) 在进化算法中具有很强的选择性, 并且在种群进行交叉操作中, 能比较迅速的得到局部最优解[8]。

在自然界进化过程中, 在特定环境下生物往往与特征形状相似的生物聚集在一起, 生活繁衍, 即物以类聚, 此行为在生物进化过程中具有积极地意义。由于小生境环境的存在, 每个小生境环境中物种都具有其独特的优越性, 因此产生了自然界的生物多样性。

受到小生境思想的启发, 又结合EG-FG的竞争选择机制, 在改进的遗传算法中, 可以将2N个染色体经过排序后生成N个小生境。遗传算法的交叉和变异在本文中只在小生境环境中进行, 各个小生境同时进化。 在交叉和变异后, 采用EG-FG选择机制, 在此取父代和子代个体数均为2, 父代和子代4个染色体竞争, 其中两个优良染色体进入下一代。

运用小生境的思想, 可以在每个小生境环境中快速获取最优解, 也往往是局部的最优解, 但通过N个小生境的同时获取局部最优解, 就能在局部最优解中获取全局的Pareto最优解集, 再依据现实情况在Pareto最优解集中选择最合适的决策。

在交叉过程中, 软色体上基因不采用单点交叉, 而是对基因块交叉处理。变异则对某基因位操作。具体操作如下:

取小生境环境下两个染色体为:

染色体1:1011, 10111, 11110111

染色体2:1101, 11011, 10111111

将软色体分成3个基因块, 随机对某个基因块进行交叉操作, 在此取对第3个基因块进行交叉操作, 得到如下两个染色体:

染色体3:1011, 10111, 10111111

染色体4:1101, 11011, 11110111

在变异操作中, 若基因位是1, 在变异后, 将此基因块中另一个为0的基因位置1, 若基因位是0时, 则此基因块将形成环网, 因此需要在此基因块的其他位置随机将一基因位置0, 由此来保证配电网的辐射状态, 不出现环路和孤岛。

而对于复杂配电网络, 环路之间可能存在公共开关, 对公共开关的基因块进行交叉或者变异修正处理, 变成可行解。根据上述变异操作规则, 分别对染色体3的第5基因位和染色体6的第12位进行变异操作, 得到如下两个染色体:

染色体5:1011, 11101, 10111111

染色体6:1101, 11011, 11011111

将父代染色体1和染色体2与子代染色体5和染色体6, 进行竞争, 最优的两染色体进入下一代。由于采用多目标Pareto寻优, 向量不能比较大小, 以往通过适应度函数来确定交叉率和变异率不适用, 本文采用如下自适应规则, 既能保证小生境环境下种群多样性, 也能保证获得小生境下的最优, 其自适应规则如下:

式中:i代表当前进化的代数;Pc1和Pm1表示初始的交叉率和变异率;k1和k2为常量。

2.4重构过程

算法的流程图如图1所示。

3算例分析

本文采用美国PGE的69节点图, 如图2所示。图中有5个联络开关, 用虚线表示, 分别为11-66, 13-20, 15-69, 27-54, 39-48, 网络中的额定电压为12.66 k V。采用本文提到的方法, 对此配电网络进行重构优化, 以网损、负荷均衡指数和节点电压偏移指数为目标, 最终得到一组重构的优化方案, 优化方案中含有3条染色体, 即含有3个不同的配网拓扑结构, 对应3个不同的Pare-to最优解, 其结果如表1所示。

由表1可以看出, 采用本文方法寻优将可以得出一系列最优解供选择, 可以根据现实情况在最优解集中选择一组合适的方案。若以网损最优或节点偏移量指数最小时, 可以选择方案1;若要优先考虑支路安全, 则可选择负荷平衡指数最小的方案3;在着重考虑支路安全的情况下, 又考虑网络损耗的同时, 选择第2个方案比较合适。

4结语

配电网重构是保证配配电网安全稳定经济运行的重要手段, 本文将Pareto多目标寻优概念与小生境思想的遗传算法结合, 使配电网重构从单一目标优化向多目标优化转变, 求解结果将是一组解, 然后根据配电网的实际情况选择一个最合适的解, 让重构方案更具灵活性和现实意义。此外, 算法还能有效避免遗产算法早熟, 提高遗传算法的全局搜索能力和收敛速度。

参考文献

[1]KASHEM M A, JASMON G B, GANAPATHY V.A new approach of distribution system reconfiguration for loss minimization[J].Electric Power&Energy System, 2000, 22:269-276.

[2]AOKI K, KUWABARA H, SATOH T, et al.An efficient algorithm for load balancing of transformers and feeders[J].IEEE Trans on Power Delivery, 1998, 3 (4) :865-872.

[3]蒙文川, 邱家驹.基于免疫算法的配电网重构[J].中国电机工程学报, 2006, 26 (17) :57-61.

[4]勒晓凌, 赵建国.基于改进二进制粒子群优化算法的负荷均衡化配电网重构[J].电网技术, 2005, 29 (23) :40-43.

[5]刘莉, 姚玉斌, 陈学允, 等.进化规划在配电网络多目标重构中的应用[J].哈尔滨工业大学学报, 2000, 32 (1) :120-126.

[6]周明, 孙树栋.遗传算法原理及应用[M].北京:清华大学出版社, 2005.

[7]毕鹏翔, 刘健, 刘春新, 等.配电网络重构的改进遗传算法[J].电力系统自动化, 2002, 26 (2) :57-61.