基于多目标粒子群算法的有源配电网集群划分方法及装置与流程

1.本发明涉及配电网技术领域，特别是基于多目标粒子群算法的有源配电网集群划分方法及装置。


背景技术：

2.配电网作为连接输电与用户的关键环节，其安全可靠运行对电力系统稳定以及用户体验的重要性不言而喻。当前的配电系统仍旧采取统一集中式的管理方式，面对高比例分布式电源接入的现状，这一管理方式弊端逐渐显现，因此有必要对含高比例分布式电源的配电系统采取集群式的管理方式，这也为处理大量分散的分布式电源提供了另一个新的研究方向。
3.目前，已有的配电网集群划分方法可以分为以下三类：聚类分析、复杂网络的社团发现以及优化方法；现有的集群划分方法多基于某个单一指标，针对系统规划、运行和控制中的某一过程进行划分，对于考虑运行控制的规划类集群划分缺乏系统的理论支撑和相应的综合性能指标，此外多目标的集群优化算法，一般是采用施加权重的方式将多目标转换为单目标，因此增加了人为主观因素影响集群划分结果不够客观的问题。


技术实现要素：

4.本发明以有源配电网为研究背景，计及集群内有功平衡度和后期的运行调度对电压控制的需求，以充分发挥集群自治能力为目标，建立了包含模块度指标、有功无功平衡度指标的配电网集群划分指标体系，并提出了一种改进的多目标粒子群算法，以获取集群划分的帕累托前沿，最终采用topsis多属性决策选取折中解。
5.基于多目标粒子群算法的有源配电网集群划分方法，包括如下步骤：
6.建立有源配电网集群划分指标体系；
7.根据建立的指标体系，采用多目标粒子群算法迭代寻优，获取配电网集群划分帕累托前沿；
8.根据topsis多属性决策法选取帕累托前沿的折中解，从而得到最终的有源配电网集群划分结果。
9.进一步的，所述指标体系包括模块度指标、有功平衡度指标、无功平衡度指标。
10.进一步的，所述模块度指标为:
[0011][0012]
式中：e
ij
为连接节点i和节点j的电气距离，为网络所有边权之和；表示所有与节点i相连的边权之和；当节点i和节点j在同一集群内时δ(i,j)＝
1，否则δ(i,j)＝0；
[0013]
无功平衡度指标为：
[0014][0015][0016]
式中：qi为集群i的无功平衡度；为无功平衡度指标；c为集群个数；q
sup
为集群内部无功功率供应的最大值，包括节点无功补偿装置提供的无功功率及部分逆变器所能提供的无功功率；q
need
为集群内部无功功率的需求值；
[0017]
有功平衡度指标为：
[0018][0019][0020]
式中：pi为集群i的有功平衡程度；p
clu
(t)i为集群i的净功率特性，基于各节点典型时变场景获得；t为典型时变场景的时间长度；为有功平衡度指标。
[0021]
进一步的，采用多目标粒子群算法迭代寻优，获取配电网集群划分帕累托前沿的方法，包括如下步骤：
[0022]
初始化种群：设置参数初始值，生成初始种群；
[0023]
计算粒子的适应度值：根据粒子编码生成的集群划分信息，计算目标函数值，保存为粒子的适应度值；
[0024]
构造pareto非劣解集：通过种群中各个粒子之间适应度值的排序比较，挑选出非支配的粒子保存到非劣解集中；
[0025]
采用网格法计算pareto非劣解集中粒子的密度信息：将目标空间，分为多个网格，单个网格的粒子数越少，则粒子密度值越小；
[0026]
裁剪pareto非劣解集：当非劣解集中粒子数目超过上限值时，根据粒子的密度信息排序并剔除部分粒子；
[0027]
更新惯性权重与变异概率；
[0028]
更新粒子速度与位置；
[0029]
判断是否达到收敛标准，若没达到，则跳转到计算粒子的适应度值步骤并继续运行，若达到，则输出最优pareto非劣解集。
[0030]
进一步的，更新惯性权重的方法为采用线性下降惯性权重：
[0031][0032]
式中，wmax、wmin分别为惯性权重的最大、最小值；it为迭代次数；itmax为最大迭代次数；
[0033]
更新变异概率的方法为采用自适应的变异概率：
[0034][0035]
式中，pm为自适应变异概率；mu为变异率。
[0036]
进一步的，采用如下式更新粒子速度：
[0037][0038]
式中，分别为第k代粒子速度、个体极值、粒子位置、群体极值，w为惯性权重，c1、c2为学习因子，rand为0～1的随机数，使用sigmoid函数将速度映射到[0,1]区间作为粒子下一步取值为1的概率：
[0039][0040]
采用如下更新粒子的位置：
[0041][0042]
式中，表示粒子位置为1的概率，则表示粒子位置为0的概率。
[0043]
进一步的，根据topsis多属性决策法选取帕累托前沿的折中解，包括如下步骤：
[0044]
构建多属性决策的评价体系，并进行标准化处理，形成标准化决策矩阵；
[0045]
确定主观权重，并得到各个指标对于总权重的相对主观权重，采用ewm法确定客观权重；
[0046]
获得各指标的组合权重；
[0047]
获得各方案的标准化加权决策矩阵；
[0048]
确定正理想解与负理想解，用欧几里得范数确定待评价方案与正、负理想解的距离；
[0049]
确定可行解对于理想解的相对贴近度，根据相对贴近度大小排序各待评价方案；
[0050]
在帕累托前沿中选择相对贴近度最大的可行解作为帕累托前沿的折中解，并输出作为有源配电网集群划分结果。
[0051]
基于多目标粒子群算法的有源配电网集群划分装置，包括：
[0052]
指标体系建立模块，用于建立有源配电网集群划分指标体系；
[0053]
配电网集群划分帕累托前沿获取模块，用于根据建立的指标体系，采用多目标粒子群算法迭代寻优，获取配电网集群划分帕累托前沿；
[0054]
有源配电网集群划分结果获取模块，用于根据topsis多属性决策法选取帕累托前沿的折中解，从而得到最终的有源配电网集群划分结果。
[0055]
一种计算设备，包括：
[0056]
一个或多个处理单元；
[0057]
存储单元，用于存储一个或多个程序，
[0058]
其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或
多个处理单元执行如上所述的基于多目标粒子群算法的有源配电网集群划分方法。
[0059]
一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述计算机程序被处理器执行时实现如上所述的基于多目标粒子群算法的有源配电网集群划分方法的步骤。
[0060]
本发明的优点和积极效果是：
[0061]
(1)、本发明提出的基于多目标粒子群算法的有源配电网集群划分方法克服了在施加权重时人为主观因素会影响划分结果的问题，使用该方法可以更为直观的反应出集群划分结果和目标函数之间的关系，能给出较为有效的集群划分结果，在工程上具有较高的实用价值；
[0062]
(2)、本发明采用的是多目标粒子群算法，该算法具有能够克服传统集群划分优化算法在执行过程中，人为主观因素对划分结果的影响，可以更为直观的反应出集群划分结果和目标函数之间的关系，能给出较为有效的集群划分结果；
[0063]
(3)、现有的集群划分方法多基于某个单一指标，针对系统规划、运行和控制中的某一过程进行划分，对于考虑运行控制的规划类集群划分缺乏系统的理论支撑和相应的综合性能指标，且部分方法存在人为主观因素影响集群划分结果的问题，而本发明基于多目标粒子群算法的配电网集群划分方法可以有效解决以上问题。
附图说明
[0064]
图1是本发明实施例中提供的配电网集群划分指标体系；
[0065]
图2是本发明实施例中提供的多目标粒子群算法迭代寻优，获取配电网集群划分帕累托前沿的方法流程图；
[0066]
图3是本发明实施例中提供的根据topsis多属性决策法选取帕累托前沿的折中解的方法流程图。
具体实施方式
[0067]
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068]
下面结合附图对本发明的实施例进行详细说明。
[0069]
如图1-3，基于多目标粒子群算法的有源配电网集群划分方法，包括如下步骤：
[0070]
建立有源配电网集群划分指标体系；
[0071]
根据建立的指标体系，采用多目标粒子群算法迭代寻优，获取配电网集群划分帕累托前沿；
[0072]
根据topsis多属性决策法选取帕累托前沿的折中解，从而得到最终的有源配电网集群划分结果。
[0073]
具体的，所述指标体系包括模块度指标、有功平衡度指标、无功平衡度指标；
[0074]
所述模块度指标为:
[0075][0076]
式中：e
ij
为连接节点i和节点j的电气距离，为网络所有边权之和；表示所有与节点i相连的边权之和；当节点i和节点j在同一集群内时δ(i,j)＝1，否则δ(i,j)＝0；
[0077]
无功平衡度指标为：
[0078][0079][0080]
式中：qi为集群i的无功平衡度；为无功平衡度指标；c为集群个数；q
sup
为集群内部无功功率供应的最大值，包括节点无功补偿装置提供的无功功率及部分逆变器所能提供的无功功率；q
need
为集群内部无功功率的需求值；
[0081]
有功平衡度指标为：
[0082][0083][0084]
式中：pi为集群i的有功平衡程度；p
clu
(t)i为集群i的净功率特性，基于各节点典型时变场景获得；t为典型时变场景的时间长度；为有功平衡度指标。
[0085]
具体分，采用多目标粒子群算法迭代寻优，获取配电网集群划分帕累托前沿的方法，包括如下步骤：
[0086]
初始化种群：设置参数初始值迭代次数为200代，粒子数为450，生成初始种群；
[0087]
计算粒子的适应度值：根据粒子编码生成的集群划分信息，计算目标函数值，保存为粒子的适应度值；
[0088]
构造pareto非劣解集：通过种群中各个粒子之间适应度值的排序比较，挑选出非支配的粒子保存到非劣解集中；
[0089]
采用网格法计算pareto非劣解集中粒子的密度信息：将目标空间，分为多个网格，单个网格的粒子数越少，则粒子密度值越小；
[0090]
裁剪pareto非劣解集：当非劣解集中粒子数目超过上限值时，根据粒子的密度信息排序并剔除部分粒子；需要说明的是，密度小的粒子，多样性好，被选择的概率大，剔除掉密度大的值，保持种群的多样性；
[0091]
更新惯性权重与变异概率；
[0092]
更新惯性权重的方法为采用线性下降惯性权重：
[0093][0094]
式中，wmax、wmin分别为惯性权重的最大、最小值；it为迭代次数；itmax为最大迭代次数；
[0095]
更新变异概率的方法为采用自适应的变异概率：
[0096][0097]
式中，pm为自适应变异概率；mu为变异率。
[0098]
更新粒子速度与位置；
[0099]
采用如下更新粒子速度：
[0100][0101]
式中，分别为第k代粒子速度、个体极值、粒子位置、群体极值，w为惯性权重，c1、c2为学习因子，rand为0～1的随机数，使用sigmoid函数将速度映射到[0,1]区间作为粒子下一步取值为1的概率：
[0102][0103]
采用如下更新粒子的位置：
[0104][0105]
式中，表示粒子位置为1的概率，则表示粒子位置为0的概率；即如果当前为1，则改变的概率为如果当前为0，则改变概率为
[0106]
判断是否达到收敛标准，若没达到，则跳转到计算粒子的适应度值并继续运行计算粒子的适应度，若达到，则输出最优pareto非劣解集。
[0107]
具体的，根据topsis多属性决策法选取帕累托前沿的折中解，包括如下步骤：
[0108]
构建多属性决策的评价体系，并进行标准化处理，形成标准化决策矩阵；在本实施例中，形成的标准化决策矩阵，其计算公式如下：
[0109][0110]
式中，z
ij
表示第i个待评价方案中第j个指标经标准化处理后的值；a
ij
表示第i个待评价方案中第j个指标的值；n＝10是方案的数目；m为方案的指标数；
[0111]
确定主观权重w'j＝0.82，并得到各个指标对于总权重的相对主观权重，采用ewm法确定客观权重为0.18，ewm是以各指标的熵来计算权重的，熵值的大小决定指标的离散程度，熵值越小，离散程度越大，说明该指标提供的有效信息越大，该指标的权重也应该越大，
客观权重的计算公式如下：
[0112][0113]
获得各指标的组合权重wj，其计算公式为：
[0114]
wj＝δw'j (1-δ)w
″jꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0115]
式中，δ表示主观权重在综合权重中所占的比重；
[0116]
获得各方案的标准化加权决策矩阵；
[0117]
确定正理想解与负理想解，其计算公式分别如式(14)与式(315)所示：
[0118][0119][0120]
式中，x

为正理想解；x-为负理想解；
[0121]
用欧几里得范数确定待评价方案与正、负理想解的距离，计算公式分别为：
[0122][0123][0124]
式中，分别为待评价方案与正、负理想解的距离；
[0125]
确定可行解对于理想解的相对贴近度该值越大说明可行解越接近正理想解，根据相对贴近度大小排序各待评价方案；
[0126]
其中
[0127]
在帕累托前沿中选择相对贴近度最大的可行解作为帕累托前沿的折中解，并输出以作为有源配电网集群划分结果。
[0128]
实施例2
[0129]
基于多目标粒子群算法的有源配电网集群划分装置，包括：
[0130]
指标体系建立模块，用于建立有源配电网集群划分指标体系；
[0131]
配电网集群划分帕累托前沿获取模块，用于根据建立的指标体系，采用多目标粒子群算法迭代寻优，获取配电网集群划分帕累托前沿；
[0132]
有源配电网集群划分结果获取模块，用于根据topsis多属性决策法选取帕累托前沿的折中解，从而得到最终的有源配电网集群划分结果。
[0133]
一种计算设备，包括：
[0134]
一个或多个处理单元；
[0135]
存储单元，用于存储一个或多个程序，
[0136]
其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或
多个处理单元执行本实施例中的基于多目标粒子群算法的有源配电网集群划分方法；需要说明的是，计算设备可包括但不仅限于处理单元、存储单元；本领域技术人员可以理解，计算设备包括处理单元、存储单元并不构成对计算设备的限定，可以包括更多的部件，或者组合某些部件，或者不同的部件，例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
[0137]
一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述计算机程序被处理器执行时实现本实施例中基于多目标粒子群算法的有源配电网集群划分方法的步骤；需要说明的是，可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合；可读介质上包含的程序可以用任何适当的介质传输，包括，但不限于无线、有线、光缆，rf等等，或者上述的任意合适的组合。例如，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java，c 等，还包括常规的过程式程序设计语言，诸如c语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行，或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0138]
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。