CN108832615A - 一种基于改进二进制粒子群算法的配电网重构方法及*** - Google Patents

Abstract

本发明涉及一种基于改进二进制粒子群算法的配电网重构方法及***，采集配电网开关状态数据，并生成开关状态数据对应的配电网的拓扑结构；将配电网的拓扑结构设为粒子，采用基于步进方式的二进制粒子算法进行迭代计算，得到更新粒子的位置和速度；根据更新粒子的位置和速度，对所述配电网的拓扑结构进行重构。本发明对现有的二进制形式的粒子群优化算法加以改进，以保证配电网的辐射状结构，减少寻优搜索次数，增强全局寻优能力。

Description

一种基于改进二进制粒子群算法的配电网重构方法及***

技术领域

本发明涉及配电网重构技术领域，具体涉及一种基于改进二进制粒子群算法的配电网重构方法及***。

背景技术

当前应用于配电网重构的一些人工智能算法仍然存在着收敛速度慢以及陷入局部劣解的问题，并且对不可行解的处理方法也没有很好的效率。现有的改进粒子群算法往往将粒子群分为多组同时进行搜索，每组粒子进行若干次迭代后再重新进行分组，粒子的迭代方式在标准二进制粒子群上增加了对各小组最优粒子信息的利用，使各小组就利用不同的迭代公式进化，且粒子间可以进行选择交叉操作，保证了粒子间的差异性。首先，现有方法为避免算法早熟进行的一系列操作偏复杂，还会造成算法效率降低；其次，现有方法并未考虑迭代过程中粒子出现不满足辐射状约束的情况，这样会使迭代过程中每代均出现大量不可行粒子，大大延缓出现最优解的时间，使得迭代效率大大降低。

发明内容

为解决上述现有技术中并未考虑迭代过程中粒子出现不满足辐射状约束的情况，这样会使迭代过程中每代均出现大量不可行粒子，大大延缓出现最优解的时间，使得迭代效率大大降低的问题，本发明的目的在于提供一种基于改进二进制粒子群算法的配电网重构方法及***，对现有的二进制形式的粒子群优化算法加以改进，以保证配电网的辐射状结构，减少寻优搜索次数，增强全局寻优能力。

本发明的目的是采用下述技术方案实现的：

本发明提供一种基于改进二进制粒子群算法的配电网重构方法，其改进之处在于：

采集配电网开关状态数据，并生成开关状态数据对应的配电网的拓扑结构；

将配电网的拓扑结构设为粒子，采用基于步进方式的二进制粒子算法进行迭代计算，得到更新粒子的位置和速度；

根据更新粒子的位置和速度，对所述配电网的拓扑结构进行重构。

进一步地：所述采集配电网开关状态数据，并生成开关状态数据对应的配电网的拓扑结构，包括：

采集配电网开关状态数据；

根据配电网开关状态数据得出开关所在支路的状态；

根据所在支路状态得出配电网的拓扑结构。

进一步地：所述将配电网的拓扑结构设为粒子，采用基于步进方式的二进制粒子算法进行迭代计算，得到更新粒子的位置和速度，包括：

将每个配电网的拓扑结构设为粒子，并对所述粒子进行初始化，将配电网拓扑结构中的配电网开关状态赋值给粒子的位置；

计算初始化后的粒子对于目标函数的适应度；

比较粒子适应度与粒子个体最优值的适应度，如果当前粒子优于个体最优，则将当前粒子位置设置为个体最优值；并比较粒子适应度与迭代的粒子群体最优值的适应度，如果当前粒子优于群体最优，则将当前粒子位置设置为群体最优值；

根据更新后粒子的位置、个体最优值和群体最优值更新所述粒子的速度。

进一步地：所述更新所述粒子的位置表达式如下：

式中：为第k次迭代时第q个粒子第d维位置；为第k-1次迭代时第q个粒子第N维位置的速度；环路L为第q个粒子第d维位置为1时，第d个开关闭合形成的环路；b∈L为第b维属于开关闭合后形成的环路L；为环路L第k-1次迭代时所有维度的速度；为第k-1次迭代时第q个粒子第N维位置；

将更新后粒子的位置、个体最优值和群体最优值带入下述速度更新公式中对粒子的速度进行更新：

其中：是第k次迭代时第q个粒子的d维的速度；w为惯性权重；c₁，c₂分别为个体与全局的学习因子；r₁，r₁分别是[0,1]之间的随机数；是第k-1次迭代后第q个粒子d维的历史最优位置，是第k-1次迭代后粒子群d维的全局最优位置；是第k-1次迭代后第q个粒子d维的当前位置；c₃为随机学习因子；r₃是[0,1]之间的随机数；是第k-1次迭代后第i个粒子d维的历史最优位置，是第k-1次迭代后第j个粒子d维的历史最优位置，其中i，j为1到粒子总数间的随机数。

进一步地：所述设置改进二进制粒子算法的目标函数表示为：

式中：f表示配电网网损；K_ij代表节点i与节点j间支路上的开关状态变量，0表示打开，1表示闭合；R_ij表示节点i与节点j间支路的电阻值；P_ij与Q_ij为节点i与节点j间支路的支路有功功率和无功功率，将配电网拓扑设为粒子时，其中i，j为1到粒子总数间的随机数。

进一步地：所述目标函数还包括如下约束条件：

配电网潮流方程约束：

节点电压约束：

U_i,min≤U_i≤U_i,max

支路容量约束：

|P_ij|≤P_ij,max

支路电流约束：

|I_ij|≤I_ij,max

配电网辐射状约束；

重构后网络需保持辐射状，不能出现环路与孤岛；

式中：f表示配电网网损；K_ij代表节点i与节点j间支路上的开关状态变量，0表示打开，1表示闭合；R_ij表示节点i与节点j间支路的电阻值；P_ij与Q_ij为节点i与节点j间支路的支路有功功率和无功功率；P_i与Q_i为节点i的注入有功和无功功率；P_DGi与Q_DGi为节点i上分布式电源DG的有功和无功出力；P_Li与Q_Li为节点i上负荷的有功和无功需求；U_i与U_j分别为节点i与节点j的电压幅值；G_ij与B_ij分别为节点i与节点j间的网络电导和电纳；θ_ij为节点i与节点j间的相角差；U_i,min、U_i,max分别为节点i的节点电压幅值下限和上限；P_ij、P_ij,max分别为节点i与节点j间支路的支路功率及支路功率幅值上限；I_ij、I_ij,max分别为节点i与节点j间支路的支路电流及支路电流幅值上限。

进一步地：所述将每个配电网的拓扑结构设为粒子，并对所述粒子进行初始化，包括：

根据目标函数的辐射状约束和每个粒子对应的D维速度数据设置粒子种群规模、最大迭代次数、学习因子和惯性常数；所述粒子种群中的每个例子满足配电网辐射状约束；

根据粒子种群规模、最大迭代次数，学习因子和惯性常数生成粒子群迭代初始种群，根据粒子群迭代初始种群大小随机生成速度矩阵。

进一步地：所述计算初始化后的粒子对于目标函数的适应度，包括：

将所述每个粒子带入目标函数中，求出每个粒子的适应度。

进一步地：所述根据更新粒子的位置，对所述配电网的拓扑结构进行重构包括：

根据更新后粒子的位置，得出每个粒子对应的配电网开关状态集合；

根据所述每个配电网开关状态集合重构对应的配电网的拓扑结构。

本发明还提供一种应用于配电网重构的改进二进制粒子群***，其改进之处在于：

采集模块，用于采集配电网开关状态数据，并生成开关状态数据对应的配电网的拓扑结构；

更新模块，用于将配电网的拓扑结构设为粒子，采用基于步进方式的二进制粒子算法进行迭代计算，得到更新粒子的位置和速度；

重构模块，用于根据更新粒子的位置和速度，对所述配电网的拓扑结构进行重构。

进一步地：所述更新模块，包括：

初始化子模块，用于将每个配电网的拓扑结构设为粒子，并对所述粒子进行初始化，将配电网拓扑结构中的配电网开关状态赋值给粒子的位置；

计算子模块，用于计算初始化后的粒子对于目标函数的适应度；

比较子模块，用于比较粒子适应度与粒子个体最优值的适应度，如果当前粒子优于个体最优，则将当前粒子位置设置为个体最优值；

比较子模块，用于比较粒子适应度与迭代的粒子群体最优值的适应度，如果当前粒子优于群体最优，则将当前粒子位置设置为群体最优值；

更新子模块，用于根据更新后粒子的位置、个体最优值和群体最优值更新所述粒子的速度。

进一步地：所述初始化子模块，包括：

设置单元，用于根据目标函数的辐射状约束和每个粒子对应的D维速度数据设置粒子种群规模、最大迭代次数、学习因子和惯性常数；所述粒子种群中的每个粒子满足配电网辐射状约束；

生成单元，用于根据粒子种群规模、最大迭代次数，学习因子和惯性常数生成粒子群迭代初始种群，根据粒子群迭代初始种群大小随机生成速度矩阵。

进一步地：所述计算子模块，还用于将所述每个粒子带入目标函数中，求出每个粒子的适应度。

进一步地：还包括设置模块，用于设置改进二进制粒子算法的目标函数和约束条件。

进一步地：所述重构模块，包括：

获得子模块，用于根据更新后粒子的位置和速度，得出每个粒子对应的配电网开关状态集合；

重构子模块，用于根据所述每个配电网开关状态集合重构对应的配电网的拓扑结构。

与最接近的现有技术相比，本发明提供的技术方案具有的有益效果是：

本发明提供应用于配电网重构的改进二进制粒子群方法及***，采集配电网开关状态数据，并生成每个开关状态数据对应的配电网的拓扑结构；将每个配电网的拓扑结构设为粒子，采用基于步进方式的二进制粒子算法进行迭代计算，得到更新粒子的位置；根据更新粒子的位置，对所述配电网的拓扑结构进行重构。本发明对现有的二进制粒子群优化算法进行了改进，保证了迭代过程中不违反配电网的辐射状约束，并得到更新粒子的位置，以对配电网的拓扑结构进行重构，保证迭代过程中无不可行解生成，相对其它算法迭代过程中出现的大量不可行解，本发明可以大大加快寻优效率。

且本发明的技术方案中每个粒子均为有效粒子，大大减少了迭代次数。能够有效解决传统二进制粒子群全局收敛能力差的问题，计算速度快，收敛性好。

附图说明

图1是本发明提供的一种基于改进二进制粒子群算法的配电网重构方法的简易流程图；

图2是本发明提供的一种基于改进二进制粒子群算法的配电网重构方法的详细流程图；

图3是本发明提供的具体实施例的网络结构图；

图4是在图3基础上进行深度优先搜索，对支路进行命名之后的表示图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

实施例一、

本发明提供了一种基于改进二进制粒子群算法的配电网重构方法，流程图如图1所示，所述方法包括以下步骤：

采集配电网开关状态数据，并生成每个开关状态数据对应的配电网的拓扑结构；配电网的拓扑结构本质上就是配电网中各支路的断开与闭合状态的综合。开关的状态代表了开关所在支路的闭合与断开，因此可以根据开关的状态数据(0代表开关断开，1代表开关闭合)直接得出各支路的状态，从而得出配电网的拓扑结构。

所述采集配电网开关状态数据，并生成开关状态数据对应的配电网的拓扑结构，包括：

采集配电网开关状态数据，并生成开关状态数据对应的配电网的拓扑结构；

将配电网的拓扑结构设为粒子，采用基于步进方式的二进制粒子算法进行迭代计算，得到更新粒子的位置和速度；

根据更新粒子的位置和速度，对所述配电网的拓扑结构进行重构。

在所述将配电网的拓扑结构设为粒子，利用改进二进制粒子算法更新每个粒子的速度和位置之前，还包括：设置改进二进制粒子算法的目标函数和约束条件。

所述设置改进二进制粒子算法的目标函数表示为：

所述设置改进二进制粒子算法的约束条件包括：

配电网潮流方程约束：

节点电压约束：

U_i,min≤U_i≤U_i,max

支路容量约束：

|P_ij|≤P_ij,max

支路电流约束：

|I_ij|≤I_ij,max

配电网辐射状约束；

重构后网络需保持辐射状，不能出现环路与孤岛；

式中：f表示配电网网损；K_ij代表节点i与节点j间支路上的开关状态变量，0表示打开，1表示闭合；R_ij表示节点i与节点j间支路的电阻值；P_ij与Q_ij为节点i与节点j间支路的支路有功功率和无功功率；P_i与Q_i为节点i的注入有功和无功功率；P_DGi与Q_DGi为节点i上分布式电源DG的有功和无功出力；P_Li与Q_Li为节点i上负荷的有功和无功需求；U_i与U_j分别为节点i与节点j的电压幅值；G_ij与B_ij分别为节点i与节点j间的网络电导和电纳；θ_ij为节点i与节点j间的相角差；U_i,min、U_i,max分别为节点i的节点电压幅值下限和上限；P_ij、P_ij,max分别为节点i与节点j间支路的支路功率及支路功率幅值上限；I_ij、I_ij,max分别为节点i与节点j间支路的支路电流及支路电流幅值上限。将配电网拓扑设为粒子时，其中i，j为1到粒子总数间的随机数。

现以网损最小为目标对本发明进行描述，如图2所示，其包括以下步骤：

1)初始化：设置种群规模m，最大迭代次数、学习因子、惯性常数，生成粒子群迭代初始种群，根据粒子群大小随机生成速度矩阵；

2)评价粒子：对每一个粒子，评价其对于目标函数的适应度；

3)更新最优：比较粒子适应度与它的个体最优值pbest的适应度，如果当前粒子优于个体最优，则将当前粒子位置设置为个体最优值pbest。比较粒子适应度与它的群体最优值gbest的适应度，如果当前粒子优于群体最优，则将当前粒子位置设置为群体最优值gbest。

4)种群更新：更新粒子的速度和位置；

所述更新所述粒子的位置表达式如下：

式中：为第k次迭代时第q个粒子第d维位置；为第k-1次迭代时第q个粒子第N维位置的速度；环路L为第q个粒子第d维位置为1时，第d个开关闭合形成的环路；b∈L为第b维属于开关闭合后形成的环路L；为环路L第k-1次迭代时所有维度的速度；为第k-1次迭代时第q个粒子第N维位置；

将更新后粒子的位置、个体最优值和群体最优值带入下述速度更新公式中对粒子的速度进行更新：

其中：是第k次迭代时第q个粒子的d维的速度；w为惯性权重；c₁，c₂分别为个体与全局的学习因子；r₁，r₁分别是[0,1]之间的随机数；是第k-1次迭代后第q个粒子d维的历史最优位置，是第k-1次迭代后粒子群d维的全局最优位置；是第k-1次迭代后第q个粒子d维的当前位置；c₃为随机学习因子；r₃是[0,1]之间的随机数；是第k-1次迭代后第i个粒子d维的历史最优位置，是第k-1次迭代后第j个粒子d维的历史最优位置，其中i，j为1到粒子总数间的随机数。

5)停止条件：判断是否达到最大迭代值，若是，则退出运行，输出结果；否则返回步骤2)。

上述步骤1)中，初始化的方法为：

设置种群规模m，最大迭代次数、学习因子、惯性常数。将配电网拓扑结构中的配电网开关状态赋值给粒子的位置。

由于每个开关均处于闭合、断开中的一种状态，以0作为开关断开，1作为开关闭合，每个开关状态对应一维数据(0或1)。随机生成m个粒子，每个粒子有D维数据，由于发明要求，初始生成的m个粒子均需满足辐射状约束。每个粒子均对应随机生成粒子D维速度数据。

上述步骤2)中，评价粒子的方法为：

按照要求的目标设定相应的目标函数，将每个粒子带入目标函数式中为目标函数，并得出相应的值作为适应度，求出每个粒子的适应度并储存。

以图3为例，我们先通过深度优先搜索法对图3中的配电网各支路进行排序，得出结果如图4。图4中l_s代表了第s条支路，那么配电网的拓扑结构的数学表达就是矩阵[l₁,l₂,l₃,…,l₃₇]，l_s∈[0,1]，这也相当于是一个粒子。粒子中每个数均对应着相应K_ij的值，例如l₄对应了K₄₅的值，当l₄＝1，那么相应K₄₅＝1。

此时，当给定一个粒子，我们可以得出每个K_ij的值，R_ij是固定值，P_ij、Q_ij与U_i的值是根据粒子所对应拓扑结构得出的配电网潮流情况。将所有数据带入目标函数中即可得到目标函数值中，并得出相应的目标函数值，可以知道每个粒子均有其所对应的一个目标函数值作为适应度，求出每个粒子的适应度并储存。

上述步骤3)中，更新最优的方法为：

比较粒子适应度与它的个体最优值pbest的适应度，如果当前粒子优于个体最优，则将当前粒子位置设置为个体最优值pbest。比较粒子适应度与它的群体最优值gbest的适应度，如果当前粒子优于群体最优，则将当前粒子位置设置为群体最优值gbest。

个体最优是针对单个粒子而言的。粒子群算法中，随着迭代的进行，粒子是在不断进化的。而某个粒子在之前所有迭代过程中出现的最优情况(即某代中该粒子的目标函数值最小)即为该粒子的个体最优值。

例如，初始粒子共20个，我们这里研究第3个粒子的个体最优。假设当前已经迭代2次，那么我们比较第3个粒子的初始粒子值、第3个粒子经过1次迭代后与第3个粒子经过2次迭代后这3种粒子值时的目标函数值，取目标函数值最小的粒子值作为第3个粒子的个体最优值。假如第3个粒子经过1次迭代后的粒子值得出的目标函数值最小，那么第3个粒子经过1次迭代后的粒子值就是当前第3个粒子的个体最优。同理可以得出其他粒子的个体最优值。而群体最优值就是所有粒子在迭代过程中的最优值。

上述步骤4)中，种群更新的方法为：

首先根据式(2)对粒子的位置进行更新，继而将更新之后的粒子位置信息带入式(1)中对粒子的速度进行更新。

上述步骤5)中，判断停止条件的方法为：

判断是否达到最大迭代值，若是，则退出运行，输出结果；否则返回步骤2)，重新评价粒子，并更新粒子位置与速度。

根据更新粒子的位置和速度，对所述配电网的拓扑结构进行重构，包括：

根据更新后粒子的位置和速度，得出每个粒子对应的配电网开关状态集合；

根据所述每个配电网开关状态集合重构对应的配电网的拓扑结构。

实施例二

如图3所示，提供一种基于变阻抗和受控交流电压源的新能源电站模型结构图，该图为电力***仿真常用算例***结构图，图中每个黑色圆点代表了一个负荷节点，黑色圆点间的黑色实线代表了连接负荷节点的常闭支路，黑色圆点间的黑色虚线代表了连接负荷节点的常开支路，1号黑色节点左边的交叉双圆代表了联通上下级电网的配电变压器。本方法通过观察应用到该算例的实际结果证明方法的有效性，测试***选用IEEE标准33节点算例，包括37条支路，每条支路均装有开关，其中有32个分段开关(常闭)，5个联络开关(常开)。在本实施例中，种群中粒子数目为40，最大迭代次数为30，惯性常数ω＝1，学习因子c1＝2，c2＝1，c3＝2。

由于初始种群是随机产生的，故每次的迭代过程会略有不同，为检验算法的收敛性，本发明进行了50次运算，并将结果数据与传统二进制粒子群算法(BPSO)得出的数据进行对比，结果如表1所示。

表1寻优成功率对比

本发明除粒子速度和位置信息的更新外，并未涉及其它计算，潮流计算次数是衡量算法效率的良好指标，因此本发明以重构过程中潮流计算总数作为效率对比标准。在寻优成功率相近的情况下，潮流计算次数越少，则算法的寻优效率也就越高。表2列出了部分智能算法在寻优效率上的对比情况。

表2不同算法寻优效率对比

从表2可以得知，较传统BPSO算法而言，本发明算法潮流计算总数降低55％，效率提高了120％。观察表2中其余重构方法的潮流计算数可以看出，本发明算法具有明显优势。而且本发明在位置更新策略上进行改进，保证迭代过程中无不可行解生成，相对其它算法迭代过程中出现的大量不可行解，本发明可以大大加快寻优效率。

实施例三、

基于同样的发明构思，本发明还提供本发明还提供一种基于改进二进制粒子群算法的配电网重构***，包括：

采集模块，用于采集配电网开关状态数据，并生成开关状态数据对应的配电网的拓扑结构；

更新模块，用于将配电网的拓扑结构设为粒子，采用基于步进方式的二进制粒子算法进行迭代计算，得到更新粒子的位置和速度；

重构模块，用于根据更新粒子的位置和速度，对所述配电网的拓扑结构进行重构。

进一步地：所述更新模块，包括：

初始化子模块，用于将每个配电网的拓扑结构设为粒子，并对所述粒子进行初始化，将配电网拓扑结构中的配电网开关状态赋值给粒子的位置；

计算子模块，用于计算位置更新后的粒子对于目标函数的适应度；

比较子模块，用于比较粒子适应度与粒子个体最优值的适应度，如果当前粒子优于个体最优，则将当前粒子位置设置为个体最优值；

比较子模块，用于比较粒子适应度与迭代的粒子群体最优值的适应度，如果当前粒子优于群体最优，则将当前粒子位置设置为群体最优值；

更新子模块，用于根据更新后粒子的位置、个体最优值和群体最优值更新所述粒子的速度。

进一步地：所述初始化子模块，包括：

设置单元，用于根据目标函数的辐射状约束和每个粒子对应的D维速度数据设置粒子种群规模、最大迭代次数、学习因子和惯性常数；所述所述粒子种群中的每个例子满足配电网辐射状约束；

生成单元，用于根据粒子种群规模、最大迭代次数，学习因子和惯性常数生成粒子群迭代初始种群，根据粒子群迭代初始种群大小随机生成速度矩阵。

进一步地：所述计算子模块，还用于将所述每个粒子带入目标函数中，求出每个粒子的适应度。

进一步地：还包括设置模块，用于设置改进二进制粒子算法的目标函数和约束条件。

进一步地：所述重构模块，包括：

获得子模块，用于根据更新后粒子的位置和速度，得出每个粒子对应的配电网开关状态集合；

重构子模块，用于根据所述每个配电网开关状态集合重构对应的配电网的拓扑结构。

本发明提供一种针对配电网重构的改进二进制粒子群优化算法，对现有的二进制形式的粒子群优化算法加以改进，以保证配电网的辐射状结构，减少寻优搜索次数，增强全局寻优能力。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (13)

1.一种基于改进二进制粒子群算法的配电网重构方法，其特征在于：

采集配电网开关状态数据，并生成开关状态数据对应的配电网的拓扑结构；

将配电网的拓扑结构设为粒子，采用基于步进方式的二进制粒子算法进行迭代计算，得到更新粒子的位置和速度；

根据更新粒子的位置和速度，对所述配电网的拓扑结构进行重构。

2.如权利要求1所述的配电网重构方法，其特征在于：所述采集配电网开关状态数据，并生成开关状态数据对应的配电网的拓扑结构，包括：

采集配电网开关状态数据；

根据配电网开关状态数据得出开关所在支路的状态；

根据所在支路状态得出配电网的拓扑结构。

3.如权利要求1所述的配电网重构方法，其特征在于：所述将配电网的拓扑结构设为粒子，采用基于步进方式的二进制粒子算法进行迭代计算，得到更新粒子的位置和速度，包括：

将每个配电网的拓扑结构设为粒子，并对所述粒子进行初始化，将配电网拓扑结构中的配电网开关状态赋值给粒子的位置；

计算初始化后的粒子对于目标函数的适应度；

比较粒子适应度与粒子个体最优值的适应度，如果当前粒子优于个体最优，则将当前粒子位置设置为个体最优值；并比较粒子适应度与迭代的粒子群体最优值的适应度，如果当前粒子优于群体最优，则将当前粒子位置设置为群体最优值；

根据更新后粒子的位置、个体最优值和群体最优值更新所述粒子的速度。

4.如权利要求3所述的配电网重构方法，其特征在于：所述更新所述粒子的位置表达式如下：

式中：为第k次迭代时第q个粒子第d维位置；为第k-1次迭代时第q个粒子第N维位置的速度；环路L为第q个粒子第d维位置为1时，第d个开关闭合形成的环路；b∈L为第b维属于开关闭合后形成的环路L；为环路L第k-1次迭代时所有维度的速度；为第k-1次迭代时第q个粒子第N维位置；

将更新后粒子的位置、个体最优值和群体最优值带入下述速度更新公式中对粒子的速度进行更新：

其中：是第k次迭代时第q个粒子的d维的速度；w为惯性权重；c₁，c₂分别为个体与全局的学习因子；r₁，r₁分别是[0,1]之间的随机数；是第k-1次迭代后第q个粒子d维的历史最优位置，是第k-1次迭代后粒子群d维的全局最优位置；是第k-1次迭代后第q个粒子d维的当前位置；c₃为随机学习因子；r₃是[0,1]之间的随机数；是第k-1次迭代后第i个粒子d维的历史最优位置，是第k-1次迭代后第j个粒子d维的历史最优位置，其中i，j为1到粒子总数间的随机数。

5.如权利要求3所述的配电网重构方法，其特征在于：所述设置改进二进制粒子算法的目标函数表示为：

式中：f表示配电网网损；K_ij代表节点i与节点j间支路上的开关状态变量，0表示打开，1表示闭合；R_ij表示节点i与节点j间支路的电阻值；P_ij与Q_ij为节点i与节点j间支路的支路有功功率和无功功率，将配电网拓扑设为粒子时，其中i，j为1到粒子总数间的随机数。

6.如权利要求5所述的配电网重构方法，其特征在于：所述目标函数还包括如下约束条件：

配电网潮流方程约束：

节点电压约束：

U_i,min≤U_i≤U_i,max

支路容量约束：

|P_ij|≤P_ij,max

支路电流约束：

|I_ij|≤I_ij,max

配电网辐射状约束；

重构后网络需保持辐射状，不能出现环路与孤岛；

式中：f表示配电网网损；K_ij代表节点i与节点j间支路上的开关状态变量，0表示打开，1表示闭合；R_ij表示节点i与节点j间支路的电阻值；P_ij与Q_ij为节点i与节点j间支路的支路有功功率和无功功率；P_i与Q_i为节点i的注入有功和无功功率；P_DGi与Q_DGi为节点i上分布式电源DG的有功和无功出力；P_Li与Q_Li为节点i上负荷的有功和无功需求；U_i与U_j分别为节点i与节点j的电压幅值；G_ij与B_ij分别为节点i与节点j间的网络电导和电纳；θ_ij为节点i与节点j间的相角差；U_i,min、U_i,max分别为节点i的节点电压幅值下限和上限；P_ij、P_ij，max分别为节点i与节点j间支路的支路功率及支路功率幅值上限；I_ij、I_ij,max分别为节点i与节点j间支路的支路电流及支路电流幅值上限。

7.如权利要求6所述的配电网重构方法，其特征在于：所述将每个配电网的拓扑结构设为粒子，并对所述粒子进行初始化，包括：

根据目标函数的辐射状约束和每个粒子对应的D维速度数据设置粒子种群规模、最大迭代次数、学习因子和惯性常数；所述粒子种群中的每个粒子满足配电网辐射状约束；

根据粒子种群规模、最大迭代次数，学习因子和惯性常数生成粒子群迭代初始种群，根据粒子群迭代初始种群大小随机生成速度矩阵。

8.如权利要求6所述的配电网重构方法，其特征在于：所述计算初始化后的粒子对于目标函数的适应度，包括：

将所述每个粒子带入目标函数中，求出每个粒子的适应度。

9.如权利要求3所述的配电网重构方法，其特征在于：所述根据更新粒子的位置，对所述配电网的拓扑结构进行重构包括：

根据更新后粒子的位置，得出每个粒子对应的配电网开关状态集合；

根据所述每个配电网开关状态集合重构对应的配电网的拓扑结构。

10.一种基于改进二进制粒子群算法的配电网重构***，其特征在于：

采集模块，用于采集配电网开关状态数据，并生成开关状态数据对应的配电网的拓扑结构；

更新模块，用于将配电网的拓扑结构设为粒子，采用基于步进方式的二进制粒子算法进行迭代计算，得到更新粒子的位置和速度；

重构模块，用于根据更新粒子的位置和速度，对所述配电网的拓扑结构进行重构。

11.如权利要求10所述的配电网重构***，其特征在于：所述更新模块，包括：

初始化子模块，用于将每个配电网的拓扑结构设为粒子，并对所述粒子进行初始化，将配电网拓扑结构中的配电网开关状态赋值给粒子的位置；

计算子模块，用于计算初始化后的粒子对于目标函数的适应度；

比较子模块，用于比较粒子适应度与粒子个体最优值的适应度，如果当前粒子优于个体最优，则将当前粒子位置设置为个体最优值；

比较子模块，用于比较粒子适应度与迭代的粒子群体最优值的适应度，如果当前粒子优于群体最优，则将当前粒子位置设置为群体最优值；

更新子模块，用于根据更新后粒子的位置、个体最优值和群体最优值更新所述粒子的速度。

12.如权利要求11所述的配电网重构***，其特征在于：所述初始化子模块，包括：

设置单元，用于根据目标函数的辐射状约束和每个粒子对应的D维速度数据设置粒子种群规模、最大迭代次数、学习因子和惯性常数；所述所述粒子种群中的每个例子满足配电网辐射状约束；

生成单元，用于根据粒子种群规模、最大迭代次数，学习因子和惯性常数生成粒子群迭代初始种群，根据粒子群迭代初始种群大小随机生成速度矩阵。

13.如权利要求10所述的配电网重构***，其特征在于：所述重构模块，包括：

获得子模块，用于根据更新后粒子的位置和速度，得出每个粒子对应的配电网开关状态集合；

重构子模块，用于根据所述每个配电网开关状态集合重构对应的配电网的拓扑结构。