CN104112165A - 基于多目标离散粒子群的智能配电网故障恢复方法 - Google Patents

Abstract

基于多目标离散粒子群智能优化算法的智能故障恢复方法，包括以下步骤1)初始化参数；2)初始化离散粒子群优化算法中的位置、速度，并根据智能配电网孤岛划分以及负荷恢复的算法，对每个粒子计算相对于多目标函数的各个适应度值fitness_k；3)基于适应度支配的概念，进行支配种群和非支配种群的归类；4)根据相应的更新规则，对支配种群中的粒子位置和速度进行更新；5)进行支配种群和非支配种群间的动态交换；6)检测是否达到最大迭代次数，若达到最大迭代次数，则跳转步骤(4)，否则进入步骤7)；7)输出最终的优化结果。

Description

基于多目标离散粒子群的智能配电网故障恢复方法

技术领域

本发明涉及一种含分布式发电配电故障恢复方法，特别是一种基于多目标离散粒子群的智能配电网故障恢复方法。 

背景技术

智能配电网是未来电网规划和建设的方向。“智能电网”指的是现代化的电力供应***，它能够监控、保护和自动优化其内部互联元件的运行，进而有效满足用户安全、可靠和多样性的供电需求。配电和用电的智能化是智能电网研究的重点，而未来智能化的配电网将是智能电网的主要组成部分。智能化的配电网要求从传统的被动式的配网向主动式转变，这种配网有利于接入分布式发电单元，实现供电侧和用户侧都能实时地参与的智能化运行。微电网这种新型的网络结构恰是实现主动式配电网的一种有效的方式，开发和延伸微电网的概念能够促进分布式电源与可再生能源的大规模接入，使传统电网向智能网络的过渡。 

配电网故障恢复指配电网故障发生后，通过确定最优的开关组合方案，实现恢复失电负荷最多、开关操作次数最少、网损最小等目标，同时满足恢复后配电网连通性、辐射状、馈线不过载等条件。配电网故障恢复是一个多目标、多约束的非线性优化问题，最终得到的解是一系列开关状态组合。传统的配电网故障恢复求解方法主要有启发式搜索方法和遗传算法、禁忌搜索算法、蚁群算法、多代理理论等智能 优化方法两类。启发式搜索方法将专家知识转化为相应的处理规则，但***的初始状态对搜索结果影响很大，算法的稳定性不够好。智能算法中遗传算法应用最为广泛，对优化问题无可导和连续性要求，只需一个适应性函数或性能指标，且具有全局收敛性，其主要缺点是“早熟收敛”问题和收敛速度难于满足实时控制的需要。粒子群优化算法作为一种新型的基于群体智能计算方法，在解决经典优化算法难以求解的诸如不连续、不可微的非线性病态优化问题和组合优化问题时显示出了强大的优势。与其他进化算法相比,它具有思想简单、容易实现、可调参数较少和应用效果明显等优点， 

尽管PSO算法有较好的收敛和精度，但是其计算时间仍然无法满足微配电网***对是实时性的要求，且算法参数的设置对算法性能影响较大 

发明内容

针对现有***故障恢复的研究，大多针对的是传统的配电网络，但是由于智能配电网***中各类分布式能源的引入，使得传统的配电网故障恢复算法不再符合新的要求，本发明提供一种能够适应新型智能配电网***的、效率较高的基于离散粒子群算法的智能配电网***故障恢复的方法。不同于以往的故障恢复方法，需要制定相应的故障恢复启发式规则，本发明内容无需相应的故障恢复规则，仅仅依靠智能优化算法对故障恢复这一多约束条件的问题进行求解；并且，本发明项目能够适用于目前分布式能源(DG)渗透率较高的智能配电网***。基于多目标离散粒子群优化算法(BPSO)的智能配电***的 故障恢复方法的流程图如图1所示。 

基于多目标离散粒子群智能优化算法的智能故障恢复方法，包括以下步骤 

1)初始化参数； 

2)初始化离散粒子群优化算法中的位置、速度，并根据智能配电网孤岛划分以及负荷恢复的算法，对每个粒子计算相对于多目标函数的各个适应度值fitness_k； 

3)基于适应度支配的概念，进行支配种群和非支配种群的归类； 

4)根据相应的更新规则，对支配种群中的粒子位置和速度进行更新； 

5)进行支配种群和非支配种群间的动态交换； 

6)检测是否达到最大迭代次数，若达到最大迭代次数，则跳转步骤(4)，否则进入步骤7)； 

7)输出最终的优化结果。 

为进一步的阐述本发明内容的创新性，更详细的步骤内容如下所述： 

步骤1，初始化参数。 

1-1)确定离散粒子群优化算法中的最大迭代次数、粒子数、维度数、学习因子、惯性权重的取值以及各类目标函数的计算公式和相应参数。本发明方法——基于离散粒子群智能配电网的故障恢复方法中包含了三个方面的目标函数： 

i)尽可能多的恢复失电负荷 

$\begin{array}{cc}\max & f_1=\underset{i\∈D}{\mathrm{\Σ}}{\mathrm{\λ}}_i{P}_i\end{array}---\left(1\right)$

其中，P_i表示失电负荷的大小；λ_i表示失电负荷i的权重系数，即表示负荷的优先等级；D代表整个***的负荷集合。 

ii)尽可能较少开关的操作次数： 

$\begin{array}{cc}\min & f_2=\underset{k\∈T_s}{\mathrm{\Σ}}{K}_k\end{array}---\left(2\right)$

其中，K_k表示开关的状态，1表示闭合，0表示打开；T_s表示整个开关的集合。 

iii)恢复后，整个***的网损尽可能的小： 

$\begin{array}{cc}\min & f_3=\underset{l\∈N_l}{\mathrm{\Σ}}{I}_l^2{R}_l\end{array}---\left(3\right)$

其中，f₃表示形成供电孤岛的有功功率损耗，I_l表示支路的电流，N_l表示整个***中的供电支路。 

本发明项目中故障恢复的约束条件主要包含 

1-2)在约束条件的可行域范围内， 

步骤2，离散粒子的位置和速度初始化。 

2-1)初始化离散粒子的位置值 

本发明项目中，各个粒子的位置值即为各类开关的状态值，1表示闭合，0表示打开。因此，在约束条件的范围内，随机定义各类粒子的位置值(即随机的开断各个开关以形成相应的孤岛)。本发明项目中的约束条件主要包括： 

i)节点的电压约束，即各个节点的电压应该保持在允许的范围内，介于电压容许的最大值和最小值之内。 

ii)支路的功率约束，即各条支路上的功率不应该超过其最大的 允许功率。 

iii)一类负荷不失电约束，即故障后所形成的各个孤岛内，负荷等级为一类的负荷必须保证不失电。 

vi)孤岛的容量约束，即各个孤岛内的总负荷和总损耗之和不能超过该孤岛内所有的DG发电总量。 

2-2)初始化离散粒子群的速度。 

随机对离散粒子群进行速度的初始化，并将速度的初始值限制在0到1之间。 

2-3)计算各个粒子的适应值。 

根据各类粒子随机后得到的位置值(即开关的闭合或打开状态)，输入到整个智能配电网***中，形成相应的孤岛，并对满足约束条件的孤岛进行潮流计算，得出相应的网络损耗。并根据这些得到的结果计算是目标函数(1)-(3)的值，得出各个粒子的适应度值fitness_k。 

步骤3，种群的归类。 

基于适应度支配的概念，将整个种群分为两个子群，分别为非支配子群P_set和支配子群NP_set。其中P_set子群中粒子的个数为n₁，NP_set中粒子的个数为n₂。 

步骤4，粒子位置和速度的更新。 

4-1)根据下面公式对粒子的速度值更新： 

${v_k}^{t+1}={v_k}^t+c_1(p_{\mathrm{best}}-x_k^t)=c_2(g_{\mathrm{best}}-x_k^t)---\left(4\right)$

其中，x_k表示粒子的位置值，v_k ^t表示粒子k在第t次迭代计算时的速度值，p_best表示每个粒子的历史最优值。g_best为随机在非支配子 群中选出的最优值。 

4-2)根据下面的公式对粒子的位置值更新： 

${x_k}^{t+1}=\left\{\begin{array}{c}1,\mathrm{if\; rand}\left(\right)<\mathrm{sig}\left({v_k}^{t+1}\right)\\ 0,\mathrm{else}\end{array}\right.---\left(5\right)$

其中， 

$\mathrm{sig}\left({v_k}^{t+1}\right)=\frac{1}{1+\exp (-v_k^{t+1})}---\left(6\right)$

步骤5，支配种群和非支配种群间的动态交换。 

对NP_set子群中的每个粒子与P_set子群中的每个粒子逐一进行比较，并进行相应的交换操作，以使得最终NP_set子群中的所有粒子为支配粒子，即适应值均占优于P_set子群中的粒子的适应值。并且，最后删除P_set子群和NP_set子群中重复的粒子。 

步骤6，方法的收敛性检验。 

检验整个离散粒子群优化算法是否达到最大的迭代次数，若达到迭代次数已经达到所设定的最大次数，则跳出迭代步骤，进入下一步骤(7)；若还未达到最大迭代次数，则回到步骤(4)。 

步骤7，输出最终的优化结果。 

根据最终所得到的结果，即粒子的状态值(开关状态值)，得出最终的孤岛方案和负荷恢复方案，并输出最终的三维帕累托最优曲面，以供操作者选择相应的开关操作量以及负荷恢复方案。 

本发明的优点是：在对智能配电网进行故障恢复时，不需要制定相应的故障恢复准则以进行人工的故障划分，仅仅需要知道网络的结构参数、各类负荷等级以及可供控制的开关数量，利用智能优化算法 -离散粒子群算法进行故障恢复方案的求解。并且，操作人员可以根据最终所得到的帕累托最优曲面以及实际环境中对各类目标函数的取舍以及偏向，进行最优方案的选择。本发明方法利用最新的智能优化算法，能够较快的得到故障恢复的最优方案，能够更好的满足实际智能配电网中的实时操作需求。 

附图说明

图1是本发明的流程图 

图2可适用于本法方法的智能配电网结构图 

图3本发明方法所得到的最终孤岛划分结果 

图4智能配电网的DG参数 

图5智能配电网的线路参数 

图6智能配电网的负荷参数 

图7最终的负荷恢复结果 

具体实施方式

参照附图 

基于多目标离散粒子群智能优化算法的智能故障恢复方法，包括如下步骤： 

步骤1，初始化参数。 

1-1)确定离散粒子群优化算法中的最大迭代次数、粒子数、维度数、学习因子、惯性权重的取值以及各类目标函数的计算公式和相应参数。本发明方法——基于离散粒子群智能配电网的故障恢复方法中包含了三个方面的目标函数： 

i)尽可能多的恢复失电负荷 

$\begin{array}{cc}\max & f_1=\underset{i\&Element;D}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_i{P}_i\end{array}---\left(1\right)$

其中，P_i表示失电负荷的大小；λ_i表示失电负荷i的权重系数，即表示负荷的优先等级；D代表整个***的负荷集合。 

ii)尽可能较少开关的操作次数： 

$\begin{array}{cc}\min & f_2=\underset{k\&Element;T_s}{\mathrm{\&Sigma;}}{K}_k\end{array}---\left(2\right)$

其中，K_k表示开关的状态，1表示闭合，0表示打开；T_s表示整个开关的集合。 

iii)恢复后，整个***的网损尽可能的小： 

$\begin{array}{cc}\min & f_3=\underset{l\&Element;N_l}{\mathrm{\&Sigma;}}{I}_l^2{R}_l\end{array}---\left(3\right)$

其中，f₃表示形成供电孤岛的有功功率损耗，I_l表示支路的电流，N_l表示整个***中的供电支路。 

本发明项目中故障恢复的约束条件主要包含 

1-2)在约束条件的可行域范围内， 

步骤2，离散粒子的位置和速度初始化。 

2-1)初始化离散粒子的位置值 

本发明项目中，各个粒子的位置值即为各类开关的状态值，1表示闭合，0表示打开。因此，在约束条件的范围内，随机定义各类粒子的位置值(即随机的开断各个开关以形成相应的孤岛)。本发明项目中的约束条件主要包括： 

i)节点的电压约束，即各个节点的电压应该保持在允许的范围内，介于电压容许的最大值和最小值之内。 

ii)支路的功率约束，即各条支路上的功率不应该超过其最大的允许功率。 

iii)一类负荷不失电约束，即故障后所形成的各个孤岛内，负荷等级为一类的负荷必须保证不失电。 

vi)孤岛的容量约束，即各个孤岛内的总负荷和总损耗之和不能超过该孤岛内所有的DG发电总量。 

2-2)初始化离散粒子群的速度。 

随机对离散粒子群进行速度的初始化，并将速度的初始值限制在0到1之间。 

2-3)计算各个粒子的适应值。 

根据各类粒子随机后得到的位置值(即开关的闭合或打开状态)，输入到整个智能配电网***中，形成相应的孤岛，并对满足约束条件的孤岛进行潮流计算，得出相应的网络损耗。并根据这些得到的结果计算是目标函数(1)-(3)的值，得出各个粒子的适应度值fitness_k。 

步骤3，种群的归类。 

基于适应度支配的概念，将整个种群分为两个子群，分别为非支配子群P_set和支配子群NP_set。其中P_set子群中粒子的个数为n₁，NP_set中粒子的个数为n₂。 

步骤4，粒子位置和速度的更新。 

4-1)根据下面公式对粒子的速度值更新： 

${v_k}^{t+1}={v_k}^t+c_1(p_{\mathrm{best}}-x_k^t)=c_2(g_{\mathrm{best}}-x_k^t)---\left(4\right)$

其中，x_k表示粒子的位置值，v_k ^t表示粒子k在第t次迭代计算时 的速度值，p_best表示每个粒子的历史最优值。g_best为随机在非支配子群中选出的最优值。 

4-2)根据下面的公式对粒子的位置值更新： 

${x_k}^{t+1}=\left\{\begin{array}{c}1,\mathrm{if\; rand}\left(\right)<\mathrm{sig}\left({v_k}^{t+1}\right)\\ 0,\mathrm{else}\end{array}\right.---\left(5\right)$

其中， 

$\mathrm{sig}\left({v_k}^{t+1}\right)=\frac{1}{1+\exp (-v_k^{t+1})}---\left(6\right)$

步骤5，支配种群和非支配种群间的动态交换。 

对NP_set子群中的每个粒子与P_set子群中的每个粒子逐一进行比较，并进行相应的交换操作，以使得最终NP_set子群中的所有粒子为支配粒子，即适应值均占优于P_set子群中的粒子的适应值。并且，最后删除P_set子群和NP_set子群中重复的粒子。 

步骤6，方法的收敛性检验。 

检验整个离散粒子群优化算法是否达到最大的迭代次数，若达到迭代次数已经达到所设定的最大次数，则跳出迭代步骤，进入下一步骤(7)；若还未达到最大迭代次数，则回到步骤(4)。 

步骤7，输出最终的优化结果。 

根据最终所得到的结果，即粒子的状态值(开关状态值)，得出最终的孤岛方案和负荷恢复方案，并输出最终的三维帕累托最优曲面，以供操作者选择相应的开关操作量以及负荷恢复方案。 

本发明的优点是：在对智能配电网进行故障恢复时，不需要制定相应的故障恢复准则以进行人工的故障划分，仅仅需要知道网络的结 构参数、各类负荷等级以及可供控制的开关数量，利用智能优化算法-离散粒子群算法进行故障恢复方案的求解。并且，操作人员可以根据最终所得到的帕累托最优曲面以及实际环境中对各类目标函数的取舍以及偏向，进行最优方案的选择。本发明方法利用最新的智能优化算法，能够较快的得到故障恢复的最优方案，能够更好的满足实际智能配电网中的实时操作需求。 

2、案例分析 

本项目以美国PG&E69节点配电***中为基础，并在其中引入分布式电源，原***的结构图见图2所示。智能配电网中所引入的分布式电源参数如图4所示。线路参数如图5所示。各类负荷的参数如图6所示。假设线路2-3处发生了三相接地故障，经故障隔离后，整个故障下游的***失电。 

利用本发明方法，可以得到整个智能配电网在2-3处发生故障后的孤岛划分方案，如图3所示。最终的负荷恢复结果如图7所示。可以看出，本发明方法所得出的智能配电网故障恢复方案，一类负荷的恢复率为100％，并且，最终所形成的各类孤岛的网损也较少，能够满足智能配电网故障后的负荷恢复要求。 

Claims (1)

1.基于多目标离散粒子群智能优化算法的智能故障恢复方法，包括以下步骤：

步骤1，初始化参数。

1.1确定离散粒子群优化算法中的最大迭代次数、粒子数、维度数、学习因子、惯性权重的取值以及各类目标函数的计算公式和相应参数,包含了三个方面的目标函数：

1.1.1尽可能多的恢复失电负荷

$\max f_1=\underset{i\&Element;D}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_i{P}_i---\left(1\right)$

其中，P_i表示失电负荷的大小；λ_i表示失电负荷i的权重系数，即表示负荷的优先等级；D代表整个***的负荷集合；

1.1.2尽可能较少开关的操作次数：

$\min f_2=\underset{k\&Element;T_s}{\mathrm{\&Sigma;}}{K}_k---\left(2\right)$

其中，K_k表示开关的状态，1表示闭合，0表示打开；T_s表示整个开关的集合；

1.1.3恢复后，整个***的网损尽可能的小：

$\min f_3=\underset{l\&Element;N_l}{\mathrm{\&Sigma;}}{I}_l^2{R}_l---\left(3\right)$

其中，f₃表示形成供电孤岛的有功功率损耗，I_l表示支路的电流，N_l表示整个***中的供电支路；R_l表示支路的阻抗参数。

步骤2，离散粒子的位置和速度初始化；

2.1初始化离散粒子的位置值

各个粒子的位置值即为各类开关的状态值，1表示闭合，0表示打开；因此，在约束条件的范围内，随机定义各类粒子的位置值，即随机的开断各个开关以形成相应的孤岛；约束条件主要包括：

2.1.1节点的电压约束，即各个节点的电压应该保持在允许的范围内，介于电压容许的最大值和最小值之内。

2.1.2支路的功率约束，即各条支路上的功率不应该超过其最大的允许功率。

2.1.3一类负荷不失电约束，即故障后所形成的各个孤岛内，负荷等级为一类的负荷必须保证不失电。

2.1.4孤岛的容量约束，即各个孤岛内的总负荷和总损耗之和不能超过该孤岛内所有的DG发电总量。

2.2初始化离散粒子群的速度；

随机对离散粒子群进行速度的初始化，并将速度的初始值限制在0到1之间；

2.3计算各个粒子的适应值；

根据各类粒子随机后得到的位置值，即开关的闭合或打开状态，输入到整个智能配电网***中，形成相应的孤岛，并对满足约束条件的孤岛进行潮流计算，得出相应的网络损耗。并根据这些得到的结果计算是目标函数(1)-(3)的值，得出各个粒子的适应度值fitness_k；

步骤3，种群的归类；

基于适应度支配的概念，将整个种群分为两个子群，分别为非支配子群P_set和支配子群NP_set；其中P_set子群中粒子的个数为n₁，NP_set中粒子的个数为n₂；

步骤4，粒子位置和速度的更新；

4.1根据下面公式对粒子的速度值更新：

${v_k}^{t+1}={v_k}^t+c_1(p_{\mathrm{best}}-x_k^t)+c_2(g_{\mathrm{best}}-x_k^t)---\left(4\right)$

其中，x_k表示粒子的位置值，v_k ^t表示粒子k在第t次迭代计算时的速度值，p_best表示每个粒子的历史最优值；g_best为随机在非支配子群中选出的最优值；

4.2根据下面的公式对粒子的位置值更新：

${x_k}^{t+1}=\left\{\begin{array}{c}1,\mathrm{ifrand}\left(\right)<\mathrm{sig}\left({v_k}^{t+1}\right)\\ 0,\mathrm{else}\end{array}\right.---\left(5\right)$

其中，

$\mathrm{sig}\left({v_k}^{t+1}\right)=\frac{1}{1+\exp (-v_k^{t+1})}---\left(6\right)$

步骤5，支配种群和非支配种群间的动态交换；

对NP_set子群中的每个粒子与P_set子群中的每个粒子逐一进行比较，并进行相应的交换操作，以使得最终NP_set子群中的所有粒子为支配粒子，即适应值均占优于P_set子群中的粒子的适应值；并且，最后删除P_set子群和NP_set子群中重复的粒子；

步骤6，方法的收敛性检验；

检验整个离散粒子群优化算法是否达到最大的迭代次数，若达到迭代次数已经达到所设定的最大次数，则跳出迭代步骤，进入下一步骤(7)；若还未达到最大迭代次数，则回到步骤(4)；

步骤7，输出最终的优化结果；

根据最终所得到的结果，即粒子的状态值(开关状态值)，得出最终的孤岛方案和负荷恢复方案，并输出最终的三维帕累托最优曲面，以供操作者选择相应的开关操作量以及负荷恢复方案。