一种多场景配电网重构方法及其装置与流程

1.本发明涉及电力系统配电网规划与运行技术领域，尤其涉及一种多场景配电网重构方法及其装置。


背景技术：

2.配电网位于电力系统的末端，是连接电网与用户的重要环节。近年来，随着经济社会的高速发展、电力系统规模的迅速扩大，一方面，配电网承载的负荷越来越多，其在电力系统中的作用愈发关键；另一方面，配电网的结构也更加复杂，其调度与控制愈发困难。配电网通常闭环设计、开环运行，内部含有大量分段开关和联络开关，通过改变开关的开合状态即可改变配电网的拓扑结构，实现配电网的重构，从而改变配电网的潮流分布，进而实现降低运行成本与网络损耗、提升电能质量与供电可靠性等目标。
3.随着新型电力系统的迅速发展，配电网中接入了大量以风电、光伏等新能源为主的分布式电源(distributed generation，dg)，对配电网产生了诸多影响。首先，dg的接入使配电网的潮流由单向潮流变为双向潮流，潮流大小也会发生变化，从而影响了主要由潮流决定的网络损耗、电能质量等指标；其次，dg可以为配电网中的部分负荷直接供电，减轻了配电网的供电压力，且dg可以为电压调节提供一定的支撑作用，从而提升了配电网的供电可靠性；再次，新能源的出力具有强随机性，其接入可能会增加电压闪变与电涌的次数，从而导致保护装置的拒动或误动。
4.在对配电网重构的现有研究中，首先，现有研究大多仅将dg用其平均出力建模为发电机节点或恒功率节点，并未考虑dg出力的随机性，dg建模较为粗糙；其次，现有研究大多仅将降低网损、提高电能质量等作为重构目标，并未考虑重构产生的开关费用、dg的配置费用等因素，且无法根据不同场景灵活切换，重构目标单纯且不易切换；再次，现有研究大多未考虑在获得dg出力分布、判断重构解的有效性、判断dg出力样本的有效性、计算解的目标函数值、更新粒子的位置、计算粒子的跃变概率等步骤中未考虑计算过程的重复性与独立性，仅使用cpu串行实现，求解速度较低。因此，使用现有技术对含有dg的新型配电网进行重构的效果不甚理想，难以在较短时间内获得效果较好的重构方案。


技术实现要素：

5.本发明提供了一种多场景配电网重构方法及其装置，以解决现有技术中dg建模较为粗糙、重构目标单纯且不易切换、求解速度较低的技术问题。
6.为了解决上述技术问题，本发明实施例提供了一种多场景配电网重构方法，包括：
7.初始化配电网参数、场景参数和粒子群算法参数；所述粒子群算法参数为含概率跃变的二进制编码粒子群算法参数；
8.根据初始化的配电网参数，获取各分布式电源出力的分布函数和概率密度函数；
9.生成全部配电网的重构解，并筛选出有效重构解；
10.根据各分布式电源出力的分布函数和概率密度函数，以及初始化后的场景参数、
粒子群算法参数和所述有效重构解，采用含概率跃变的二进制编码粒子群算法求取最优重构解，进而得到多场景配电网重构方法。
11.作为优选方案，所述初始化配电网参数、场景参数和粒子群算法参数，具体为：
12.对所输入的配电网参数进行初始化；所述配电网参数包括：各节点的编号、额定电压和并联导纳，各支路的编号、所连节点和串联阻抗，各开关的所在支路和状态，各负荷的所在支点、有功功率和无功功率，各分布式电源的类型、设备参数、所在节点和历史运行数据集；
13.对所输入的场景参数进行初始化；所述场景参数包括权重参数和成本参数；
14.对所输入的粒子群算法参数进行初始化；所述粒子群算法参数包括种群大小、最大迭代数和学习因子。
15.作为优选方案，所述根据初始化的配电网参数，获取各分布式电源出力的分布函数和概率密度函数，具体为：
16.根据初始化的配电网参数，形成风速分布模型，并配合所构建的风电场的分段三次模型，采用蒙特卡洛法进行随机采样，从而对采样的结果进行拟合，得到风电场出力的分布函数，并采用数值微分法得到风电场出力概率密度函数；
17.根据初始化的配电网参数，形成光照强度分布模型，并配合所构建的光伏电站的分段二次模型，采用蒙特卡洛法进行随机采样，从而对采样的结果进行拟合，得到光伏电站出力的分布函数，并采用数值微分法得到光伏电站出力的概率密度函数。
18.作为优选方案，所述生成全部配电网的重构解，并筛选出有效重构解，具体为：
19.根据配电网的全部分段开关和联络开关的闭合状态，得到全部开关闭合、含有环路的配电网拓扑，并根据所述配电网拓扑，得到在所述配电网拓扑下的全部网孔和支路；
20.断开每个网孔中的一条支路，从而在每断开一条支路后，生成配电网一个的重构解，进而生成全部的重构解；
21.通过gpu并行化判断每个重构解的有效性，筛选出全部有效重构解。
22.作为优选方案，所述通过gpu并行化判断每个重构解的有效性，筛选出全部有效重构解，具体为：
23.通过gpu并行化判断每个重构解的有效性；其中，若重构解为辐射状拓扑，则投入运行的线路数等于节点数与连通子图数之差；若重构解中不包含孤岛，则全部连通子图中均包含电源；以使得在每一次通过gpu对重构解进行判断的过程中，根据根节点向下搜索至末端节点，并从末端节点开始逐个向上返回一级节点，来判断向上返回一级节点是否存在未访问的路径；若是，则沿未访问的路径出发至该未访问路径的末端节点；若否，则返回至上一级节点进行未访问路径的重写判断；直至向上返回至根节点，从而筛选出全部有效重构解。
24.作为优选方案，所述根据各分布式电源出力的分布函数和概率密度函数，以及初始化后的场景参数、粒子群算法参数和所述有效重构解，采用含概率跃变的二进制编码粒子群算法求取最优重构解，具体为：
25.根据配电网中各开关的状态，将各有效重构解进行二进制编码，形成各对应的二进制位置向量和二进制速度向量；
26.根据有效重构解的二进制位置向量和二进制速度向量，确定粒子群中各粒子的初
始位置，并随机生成粒子群中各粒子的初始速度；
27.通过gpu并行计算开始迭代，计算出迭代中粒子群的各粒子位置对应的解的目标函数值，并更新粒子群的各粒子的历史最优位置；其中，所述最优性条件为该粒子的位置对应的解的目标函数值最小；
28.通过gpu并行计算每次迭代中粒子群的各粒子跃变至其历史最优位置的跃变概率；
29.采用轮盘赌方法，使当前迭代中粒子群的各粒子按跃变概率跃变至各自的历史最优位置，直至产生首个跃变成功的粒子，记录其跃变成功后的位置；
30.通过gpu并行更新当前的迭代中粒子群的各粒子的位置；
31.若迭代次数达到预设最大值，则通过gpu并行计算出迭代中粒子群的各粒子位置对应的解的目标函数值，并将目标函数值最低的解作为全局最优解，从而停止迭代，且输出重构结果；否则，再进行一次迭代计算。
32.作为优选方案，所述计算出迭代中粒子群的各粒子位置对应的解的目标函数值，具体为：
33.通过支路追加法建立解的节点导纳矩阵；
34.基于各分布式电源出力的分布函数与概率密度函数，得到数个分布式电源出力样本；
35.筛选出有效分布式电源出力样本；
36.基于解的拓扑和节点导纳矩阵，求解出各分布式电源出力样本下的配电网潮流，并计算出各分布式电源出力样本下的总成本函数，进而计算出各分布式电源出力样本下的总成本函数的平均值，并将平均值作为解的目标函数值。
37.作为优选方案，所述各分布式电源出力样本下的总成本函数，包括：网损成本、电压偏移成本、开关费用和光伏电站配置成本。
38.作为优选方案，所述通过gpu并行更新当前的迭代中粒子群的各粒子的位置，具体为：
39.通过gpu并行计算，并更新第k次迭代中粒子群的各粒子的位置，粒子的更新公式为：
[0040][0041]
其中，round表示各分量四舍五入取整；xi(k)、xi(k 1)分别为粒子i在第k次迭代前、后的位置，vi(k)、vi(k 1)分别为粒子i在第k次迭代前、后的速度；pi(k)为粒子i在第k次迭代时的历史最优位置，xg(k)为粒子群在第k次迭代时的最优粒子的位置；c1、c2为学习因子，且0《c1《c2《2、l＝c1 c2；r1、r2为0至1之间的随机数。
[0042]
相应地，本发明还提供一种多场景配电网重构装置，包括：初始化模块、函数模块、有效重构模块和最优重构模块；
[0043]
所述初始化模块，用于初始化配电网参数、场景参数和粒子群算法参数；所述粒子
群算法参数为含概率跃变的二进制编码粒子群算法参数；
[0044]
所述函数模块，用于根据初始化的配电网参数，获取各分布式电源出力的分布函数和概率密度函数；
[0045]
所述有效重构模块，用于生成全部配电网的重构解，并筛选出有效重构解；
[0046]
所述最优重构模块，用于根据各分布式电源出力的分布函数和概率密度函数，以及初始化后的场景参数、粒子群算法参数和所述有效重构解，采用含概率跃变的二进制编码粒子群算法求取最优重构解，进而得到多场景配电网重构方法。
[0047]
作为优选方案，所述初始化配电网参数、场景参数和粒子群算法参数，具体为：
[0048]
对所输入的配电网参数进行初始化；所述配电网参数包括：各节点的编号、额定电压和并联导纳，各支路的编号、所连节点和串联阻抗，各开关的所在支路和状态，各负荷的所在支点、有功功率和无功功率，各分布式电源的类型、设备参数、所在节点和历史运行数据集；
[0049]
对所输入的场景参数进行初始化；所述场景参数包括权重参数和成本参数；
[0050]
对所输入的粒子群算法参数进行初始化；所述粒子群算法参数包括种群大小、最大迭代数和学习因子。
[0051]
作为优选方案，所述根据初始化的配电网参数，获取各分布式电源出力的分布函数和概率密度函数，具体为：
[0052]
根据初始化的配电网参数，形成风速分布模型，并配合所构建的风电场的分段三次模型，采用蒙特卡洛法进行随机采样，从而对采样的结果进行拟合，得到风电场出力的分布函数，并采用数值微分法得到风电场出力概率密度函数；
[0053]
根据初始化的配电网参数，形成光照强度分布模型，并配合所构建的光伏电站的分段二次模型，采用蒙特卡洛法进行随机采样，从而对采样的结果进行拟合，得到光伏电站出力的分布函数，并采用数值微分法得到光伏电站出力的概率密度函数。
[0054]
作为优选方案，所述生成全部配电网的重构解，并筛选出有效重构解，具体为：
[0055]
根据配电网的全部分段开关和联络开关的闭合状态，得到全部开关闭合、含有环路的配电网拓扑，并根据所述配电网拓扑，得到在所述配电网拓扑下的全部网孔和支路；
[0056]
断开每个网孔中的一条支路，从而在每断开一条支路后，生成配电网一个的重构解，进而生成全部的重构解；
[0057]
通过gpu并行化判断每个重构解的有效性，筛选出全部有效重构解。
[0058]
作为优选方案，所述通过gpu并行化判断每个重构解的有效性，筛选出全部有效重构解，具体为：
[0059]
通过gpu并行化判断每个重构解的有效性；其中，若重构解为辐射状拓扑，则投入运行的线路数等于节点数与连通子图数之差；若重构解中不包含孤岛，则全部连通子图中均包含电源；以使得在每一次通过gpu对重构解进行判断的过程中，根据根节点向下搜索至末端节点，并从末端节点开始逐个向上返回一级节点，来判断向上返回一级节点是否存在未访问的路径；若是，则沿未访问的路径出发至该未访问路径的末端节点；若否，则返回至上一级节点进行未访问路径的重写判断；直至向上返回至根节点，从而筛选出全部有效重构解。
[0060]
作为优选方案，所述根据各分布式电源出力的分布函数和概率密度函数，以及初
始化后的场景参数、粒子群算法参数和所述有效重构解，采用含概率跃变的二进制编码粒子群算法求取最优重构解，具体为：
[0061]
根据配电网中各开关的状态，将各有效重构解进行二进制编码，形成各对应的二进制位置向量和二进制速度向量；
[0062]
根据有效重构解的二进制位置向量和二进制速度向量，确定粒子群中各粒子的初始位置，并随机生成粒子群中各粒子的初始速度；
[0063]
通过gpu并行计算开始迭代，计算出迭代中粒子群的各粒子位置对应的解的目标函数值，并更新粒子群的各粒子的历史最优位置；其中，所述最优性条件为该粒子的位置对应的解的目标函数值最小；
[0064]
通过gpu并行计算每次迭代中粒子群的各粒子跃变至其历史最优位置的跃变概率；
[0065]
采用轮盘赌方法，使当前迭代中粒子群的各粒子按跃变概率跃变至各自的历史最优位置，直至产生首个跃变成功的粒子，记录其跃变成功后的位置；
[0066]
通过gpu并行更新当前的迭代中粒子群的各粒子的位置；
[0067]
若迭代次数达到预设最大值，则通过gpu并行计算出迭代中粒子群的各粒子位置对应的解的目标函数值，并将目标函数值最低的解作为全局最优解，从而停止迭代，且输出重构结果；否则，再进行一次迭代计算。
[0068]
作为优选方案，所述计算出迭代中粒子群的各粒子位置对应的解的目标函数值，具体为：
[0069]
通过支路追加法建立解的节点导纳矩阵；
[0070]
基于各分布式电源出力的分布函数与概率密度函数，得到数个分布式电源出力样本；
[0071]
筛选出有效分布式电源出力样本；
[0072]
基于解的拓扑和节点导纳矩阵，求解出各分布式电源出力样本下的配电网潮流，并计算出各分布式电源出力样本下的总成本函数，进而计算出各分布式电源出力样本下的总成本函数的平均值，并将平均值作为解的目标函数值。
[0073]
作为优选方案，所述各分布式电源出力样本下的总成本函数，包括：网损成本、电压偏移成本、开关费用和光伏电站配置成本。
[0074]
作为优选方案，所述通过gpu并行更新当前的迭代中粒子群的各粒子的位置，具体为：
[0075]
通过gpu并行计算，并更新第k次迭代中粒子群的各粒子的位置，粒子的更新公式为：
[0076][0077]
其中，round表示各分量四舍五入取整；xi(k)、xi(k 1)分别为粒子i在第k次迭代前、后的位置，vi(k)、vi(k 1)分别为粒子i在第k次迭代前、后的速度；pi(k)为粒子i在第k次迭代时的历史最优位置，xg(k)为粒子群在第k次迭代时的最优粒子的位置；c1、c2为学习因
子，且0《c1《c2《2、l＝c1 c2；r1、r2为0至1之间的随机数。
[0078]
相应地，本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上任一项所述的多场景配电网重构方法。
[0079]
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上任一项所述的多场景配电网重构方法。
[0080]
相比于现有技术，本发明实施例具有如下有益效果：
[0081]
本发明的技术方案通过初始化配电网参数、场景参数以及粒子群算法参数，从而获取各分布式电源出力的分布函数和概率密度函数，从而考虑了多场景下的优化需求，避免了现有技术中建模较为粗糙、重构目标单纯且不易切换的问题，并通过生成全部配电网的重构解来筛选出有效重构解，进而采用含概率跃变的二进制编码粒子群算法求取最优重构解，来得到并完成多场景下配电网的重构，进而提高了求解效率，充分考虑了获取dg出力分布、筛选有效重构解、筛选有效分布式电源出力样本、计算有效解的适应度函数、更新粒子的位置、计算粒子的跃变概率等步骤的重复性。
附图说明
[0082]
图1：为本发明实施例所提供的一种多场景配电网重构方法的步骤流程图；
[0083]
图2：为本发明实施例所提供的一种多场景配电网重构装置的结构示意图。
具体实施方式
[0084]
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
[0085]
实施例一
[0086]
请参照图1，为本发明实施例提供的本发明实施例提供了一种多场景配电网重构方法，包括以下步骤s101－s104：
[0087]
步骤s101：初始化配电网参数、场景参数和粒子群算法参数；所述粒子群算法参数为含概率跃变的二进制编码粒子群算法参数。
[0088]
作为本实施例的优选方案，所述初始化配电网参数、场景参数和粒子群算法参数，具体为：
[0089]
对所输入的配电网参数进行初始化；所述配电网参数包括：各节点的编号、额定电压和并联导纳，各支路的编号、所连节点和串联阻抗，各开关的所在支路和状态，各负荷的所在支点、有功功率和无功功率，各分布式电源的类型、设备参数、所在节点和历史运行数据集；对所输入的场景参数进行初始化；所述场景参数包括权重参数和成本参数；对所输入的粒子群算法参数进行初始化；所述粒子群算法参数包括种群大小、最大迭代数和学习因
子。
[0090]
需要说明的是，输入配电网参数，包括：各节点的编号、额定电压、并联导纳；各支路的编号、所连节点、串联阻抗；各开关的所在支路、状态；各负荷的所在节点、有功功率、无功功率；各dg的类型、设备参数、所在节点、历史运行数据集。
[0091]
进一步地，输入场景参数，包括：权重参数w
loss
、w
δu
、w
switch
、w
dg
及成本参数c
loss
、c
δu
、c
switch
、c
wt1
、c
wt2
、c
pv1
、c
pv2
；输入含概率跃变的二进制编码粒子群算法参数，包括：种群大小n0，最大迭代次数k
max
，学习因子c1、c2(0《c1《c2《2)。
[0092]
步骤s102：根据初始化的配电网参数，获取各分布式电源出力的分布函数和概率密度函数。
[0093]
作为本实施例的优选方案，所述根据初始化的配电网参数，获取各分布式电源出力的分布函数和概率密度函数，具体为：
[0094]
根据初始化的配电网参数，形成风速分布模型，并配合所构建的风电场的分段三次模型，采用蒙特卡洛法进行随机采样，从而对采样的结果进行拟合，得到风电场出力的分布函数，并采用数值微分法得到风电场出力概率密度函数；根据初始化的配电网参数，形成光照强度分布模型，并配合所构建的光伏电站的分段二次模型，采用蒙特卡洛法进行随机采样，从而对采样的结果进行拟合，得到光伏电站出力的分布函数，并采用数值微分法得到光伏电站出力的概率密度函数。
[0095]
需要说明的是，在本实施例中，对于各风电场，先根据历史运行数据集计算风速的均值vu和标准差v
σ
，形成风速的gumbel分布模型：
[0096][0097]
式中，v为实际风速，f(v)为风速的概率密度函数。
[0098]
再配合风电场的分段三次模型：
[0099][0100]
式中，v
ci
为切入风速，vn为额定风速，v
co
为切出风速，p
wtn
为风电场的额定出力，属于设备参数；pw为风电场的出力。
[0101]
采用蒙特卡洛法进行随机采样，并对采样结果拟合，即可得到风电场出力的分布函数f(p
wt
)，采用数值微分方法即得到其概率密度函数f(p
wt
)。
[0102]
进一步地，在本实施例中，对于各光伏电站，先根据历史运行数据集计算光照强度的均值θu和标准差θ
σ
，形成光照强度的beta分布模型：
[0103]
[0104]
式中，θ为光照强度，f(θ)为光照强度的概率密度函数。
[0105]
再配合光伏电站的分段二次模型：
[0106][0107]
式中，θ
gr
为当地平均光照强度，由历史运行数据集得到；θs为光照强度转折点，p
pvn
为光伏电站的额定出力，属于设备参数；p
pv
为光伏电站的出力。
[0108]
采用蒙特卡洛法进行随机采样，并对采样结果拟合，即可得到光伏电站出力的分布函数f(p
pv
)，采用数值微分方法即得到其概率密度函数f(p
pv
)。
[0109]
步骤s103：生成全部配电网的重构解，并筛选出有效重构解。
[0110]
作为本实施例的优选方案，所述生成全部配电网的重构解，并筛选出有效重构解，具体为：
[0111]
根据配电网的全部分段开关和联络开关的闭合状态，得到全部开关闭合、含有环路的配电网拓扑，并根据所述配电网拓扑，得到在所述配电网拓扑下的全部网孔和支路；断开每个网孔中的一条支路，从而在每断开一条支路后，生成配电网一个的重构解，进而生成全部的重构解；通过gpu并行化判断每个重构解的有效性，筛选出全部有效重构解。
[0112]
在本实施例中，将配电网的全部分段开关和联络开关闭合，形成全部开关闭合、含有环路的配电网拓扑，并找出此拓扑下的全部网孔及其组成支路，从而断开每个网孔中的一条支路，生成一个配电网重构解，随后逐条更改断开的支路，生成全部配电网重构解，并使用gpu并行化判断每个重构解的有效性。
[0113]
作为本实施例的优选方案，所述通过gpu并行化判断每个重构解的有效性，筛选出全部有效重构解，具体为：
[0114]
通过gpu并行化判断每个重构解的有效性；其中，若重构解为辐射状拓扑，则投入运行的线路数等于节点数与连通子图数之差；若重构解中不包含孤岛，则全部连通子图中均包含电源；以使得在每一次通过gpu对重构解进行判断的过程中，根据根节点向下搜索至末端节点，并从末端节点开始逐个向上返回一级节点，来判断向上返回一级节点是否存在未访问的路径；若是，则沿未访问的路径出发至该未访问路径的末端节点；若否，则返回至上一级节点进行未访问路径的重写判断；直至向上返回至根节点，从而筛选出全部有效重构解。
[0115]
在本实施例中，使用gpu并行化判断每个重构解的有效性，判断标准为：重构解为辐射状拓扑，即投入运行的线路数等于节点数与连通子图数之差；重构解中不包含孤岛，即全部连通子图中均包含电源。
[0116]
其中，在判断过程中，使用gpu对各重构解进行并行判断，每次判断采用深度优先搜索算法实现对拓扑的遍历，具体流程为：
[0117]
step1：从根节点出发，沿着一条路径向下搜索，直至到达不能继续前进的末端节
点。
[0118]
step2：返回上级节点，判断上级节点是否存在未访问过的路径。若是，则沿另一未访问过的路径出发直至到达末端节点；若否，则返回该节点的上级节点重复执行step2，直至返回根节点。
[0119]
至此，可筛选出全部有效重构解。
[0120]
步骤s104：根据各分布式电源出力的分布函数和概率密度函数，以及初始化后的场景参数、粒子群算法参数和所述有效重构解，采用含概率跃变的二进制编码粒子群算法求取最优重构解，进而得到多场景配电网重构方法。
[0121]
作为本实施例的优选方案，所述根据各分布式电源出力的分布函数和概率密度函数，以及初始化后的场景参数、粒子群算法参数和所述有效重构解，采用含概率跃变的二进制编码粒子群算法求取最优重构解，具体为：
[0122]
根据配电网中各开关的状态，将各有效重构解进行二进制编码，形成各对应的二进制位置向量和二进制速度向量；根据有效重构解的二进制位置向量和二进制速度向量，确定粒子群中各粒子的初始位置，并随机生成粒子群中各粒子的初始速度；通过gpu并行计算开始迭代，计算出迭代中粒子群的各粒子位置对应的解的目标函数值，并更新粒子群的各粒子的历史最优位置；其中，所述最优性条件为该粒子的位置对应的解的目标函数值最小；通过gpu并行计算每次迭代中粒子群的各粒子跃变至其历史最优位置的跃变概率；采用轮盘赌方法，使当前迭代中粒子群的各粒子按跃变概率跃变至各自的历史最优位置，直至产生首个跃变成功的粒子，记录其跃变成功后的位置；通过gpu并行更新当前的迭代中粒子群的各粒子的位置；若迭代次数达到预设最大值，则通过gpu并行计算出迭代中粒子群的各粒子位置对应的解的目标函数值，并将目标函数值最低的解作为全局最优解，从而停止迭代，且输出重构结果；否则，再进行一次迭代计算。
[0123]
在本实施例中，将各有效重构解按其中各开关的状态进行二进制编码，形成其二进制位置向量，记解s的二进制位置向量为x，二进制速度向量为v。随机选取n0个解从而确定粒子群中各粒子的初始位置{x1(1),x2(1),
…
,xn0(1)}，并随机生成粒子群中各粒子的初始速度置迭代次数k＝1。使用gpu并行计算第k次迭代中粒子群的各粒子的位置对应的解的目标函数值；使用gpu并行更新粒子群的各粒子的历史最优位置，最优性条件为该位置对应的解的目标函数值最小。记第k次迭代中粒子群的粒子i的历史最优位置为pi(k)。
[0124]
选取第k次迭代中粒子群的最优粒子，最优性条件为该粒子的位置对应的解的目标函数值最小。记第k次迭代中粒子群的最优粒子g(k)的位置xg(k)对应的解为sg(k)，即第k次迭代的局部最优解。使用gpu并行计算第k次迭代中粒子群的各粒子跃变至其历史最优位置的跃变概率，粒子i的跃变概率为：
[0125]
[0126]
采用轮盘赌方法，使第k次迭代中粒子群的各粒子按跃变概率跃变至各自的历史最优位置，直至产生首个跃变成功的粒子，将其跃变后的位置记为xg'(k)。
[0127]
作为本实施例的优选方案，所述通过gpu并行更新当前的迭代中粒子群的各粒子的位置，具体为：
[0128]
通过gpu并行计算，并更新第k次迭代中粒子群的各粒子的位置，粒子的更新公式为：
[0129][0130]
其中，round表示各分量四舍五入取整；xi(k)、xi(k 1)分别为粒子i在第k次迭代前、后的位置，vi(k)、vi(k 1)分别为粒子i在第k次迭代前、后的速度；pi(k)为粒子i在第k次迭代时的历史最优位置，xg(k)为粒子群在第k次迭代时的最优粒子的位置；c1、c2为学习因子，且0《c1《c2《2、l＝c1 c2；r1、r2为0至1之间的随机数。
[0131]
若k＝k
max
，则通过使用gpu并行计算当前第k＝k
max
次迭代中粒子群的各粒子的位置对应的解的目标函数值，来计算此时粒子群的各粒子的位置对应的解的目标函数值，将目标函数值最低的解作为全局最优解，并停止迭代，输出重构结果；否则，令k＝k 1，并转至使用gpu并行计算当前第k＝k 1次迭代中粒子群的各粒子的位置对应的解的目标函数值，继续迭代。
[0132]
作为本实施例的优选方案，所述计算出迭代中粒子群的各粒子位置对应的解的目标函数值，具体为：
[0133]
通过支路追加法建立解的节点导纳矩阵；基于各分布式电源出力的分布函数与概率密度函数，得到数个分布式电源出力样本；筛选出有效分布式电源出力样本；基于解的拓扑和节点导纳矩阵，求解出各分布式电源出力样本下的配电网潮流，并计算出各分布式电源出力样本下的总成本函数，进而计算出各分布式电源出力样本下的总成本函数的平均值，并将平均值作为解的目标函数值。
[0134]
需要说明的是，在本实施例中，粒子i的位置xi(k)对应的解si(k)的目标函数值c(si(k))的计算步骤如下：
[0135]
使用支路追加法建立解si(k)的节点导纳矩阵；基于dg出力的分布函数与概率密度函数，使用蒙特卡洛抽样取得数个dg出力样本；使用gpu并行筛选有效dg出力样本。若存在dg出力超出允许范围的样本，则剔除这些样本，并回到重新基于dg出力的分布函数与概率密度函数，使用蒙特卡洛抽样取得数个dg出力样本的步骤中，直至有效样本数不小于设定值；基于解si(k)的拓扑和节点导纳矩阵，使用gpu并行求解各dg出力样本下的配电网潮流。考虑到解具有辐射状拓扑，使用前推回代法进行潮流计算；使用gpu并行计算各dg出力样本下的总成本函数，计算式为：
[0136]
c＝w
losscloss
w
δucδu
w
switchcswitch
w
dg
(c
wt
c
pv
)
[0137]
式中，w
loss
、w
δu
、w
switch
、w
dg
分别为网损成本、电压偏移成本、开关费用、dg配置成本的权重参数，通过调节上述权重参数即可改变配电网重构的目标函数，从而满足不同场景
下的重构需求。c
loss
、c
δu
、c
switch
、c
wt
、c
pv
分别为网损成本、电压偏移成本、开关费用成本、风电场配置成本、光伏电站配置成本。
[0138]
作为本实施例的优选方案，所述各分布式电源出力样本下的总成本函数，包括：网损成本、电压偏移成本、开关费用和光伏电站配置成本。
[0139]
需要说明的是，网损成本c
loss
：
[0140][0141]
式中，c
loss
为配电网的单位电价，t
max
为配电网的运行时间，为总网损功率，其中ri、pi、qi、ui分别为支路i的电阻、首端注入有功功率、首端注入无功功率、首端电压，k
li
为支路i的状态0－1变量，0为断开，1为闭合。
[0142]
电压偏移成本c
δu
：
[0143][0144]
式中，c
δu
为电压偏移的等效电价，为节点电压偏移率的平方和，其中ui、u
in
分别为节点i的实际电压、额定电压。
[0145]
开关费用c
switch
：
[0146][0147]
式中，c
switch
为开关的单次动作成本，为开关动作次数，其中k
soi
、k
sni
分别为开关i的重构前、重构后状态0－1变量，0为断开，1为闭合。
[0148]
风电场配置成本c
wt
：
[0149][0150]
式中，c
wt1
、c
wt2
分别为风电场单位容量的并网成本、建设成本，p
wti
、p
wtin
分别为风电场i的实际出力和额定出力。
[0151]
光伏电站配置成本c
pv
：
[0152][0153]
式中，c
pv1
、c
pv2
分别为光伏电站单位容量的并网成本、建设成本，p
pvi
、p
pvin
分别为光伏电站i的实际出力和额定出力。
[0154]
在本实施例中，基于dg所在地的历史运行数据集，使用gumbel风速分布模型与风电机组分段三次模型刻画风电场出力，使用beta光照强度分布模型与光伏机组分段二次模
型刻画光伏电站出力，建立了考虑出力随机性的dg模型，同时通过综合考虑网损、电能质量等传统因素和开关费用、dg配置费用等实际因素，使用电压偏移指标衡量电能质量，使用开关次数衡量开关费用，归一化后形成了可基于场景需求调节权重系数的含权综合目标函数，进而考虑了获取dg出力分布、筛选有效重构解、筛选有效dg出力样本、计算有效解的适应度函数、更新粒子的位置、计算粒子的跃变概率等步骤的重复性，并采用gpu并行化实现上述步骤。
[0155]
可以理解的是，本实施例在dg建模方面，充分考虑了dg出力的随机性，使用统计方法建立了考虑出力随机性的dg模型，并通过优化目标函数方面，充分考虑了多场景下的优化需求，形成了可基于场景需求调节权重系数的含权综合目标函数，其次在算法实现方面，充分考虑了获取dg出力分布、筛选有效重构解、筛选有效dg出力样本、计算有效解的适应度函数、更新粒子的位置、计算粒子的跃变概率等步骤的重复性，采用gpu并行化实现本实施例中的求解步骤，有效提高了算法的求解速度。
[0156]
实施以上实施例，具有如下效果：
[0157]
本发明实施例相比于现有技术，通过初始化配电网参数、场景参数以及粒子群算法参数，从而获取各分布式电源出力的分布函数和概率密度函数，从而考虑了多场景下的优化需求，避免了现有技术中建模较为粗糙、重构目标单纯且不易切换的问题，并通过生成全部配电网的重构解来筛选出有效重构解，进而采用含概率跃变的二进制编码粒子群算法求取最优重构解，来得到并完成多场景下配电网的重构，进而提高了求解效率，充分考虑了获取dg出力分布、筛选有效重构解、筛选有效分布式电源出力样本、计算有效解的适应度函数、更新粒子的位置、计算粒子的跃变概率等步骤的重复性。
[0158]
实施例二
[0159]
请参阅图2，其为本发明所提供一种多场景配电网重构装置，包括：初始化模块201、函数模块202、有效重构模块203和最优重构模块204。
[0160]
所述初始化模块201，用于初始化配电网参数、场景参数和粒子群算法参数；所述粒子群算法参数为含概率跃变的二进制编码粒子群算法参数。
[0161]
所述函数模块202，用于根据初始化的配电网参数，获取各分布式电源出力的分布函数和概率密度函数。
[0162]
所述有效重构模块203，用于生成全部配电网的重构解，并筛选出有效重构解。
[0163]
所述最优重构模块204，用于根据各分布式电源出力的分布函数和概率密度函数，以及初始化后的场景参数、粒子群算法参数和所述有效重构解，采用含概率跃变的二进制编码粒子群算法求取最优重构解，进而得到多场景配电网重构方法。
[0164]
作为本实施例的优选方案，所述初始化配电网参数、场景参数和粒子群算法参数，具体为：
[0165]
对所输入的配电网参数进行初始化；所述配电网参数包括：各节点的编号、额定电压和并联导纳，各支路的编号、所连节点和串联阻抗，各开关的所在支路和状态，各负荷的所在支点、有功功率和无功功率，各分布式电源的类型、设备参数、所在节点和历史运行数据集；对所输入的场景参数进行初始化；所述场景参数包括权重参数和成本参数；对所输入的粒子群算法参数进行初始化；所述粒子群算法参数包括种群大小、最大迭代数和学习因子。
[0166]
作为本实施例的优选方案，所述根据初始化的配电网参数，获取各分布式电源出力的分布函数和概率密度函数，具体为：
[0167]
根据初始化的配电网参数，形成风速分布模型，并配合所构建的风电场的分段三次模型，采用蒙特卡洛法进行随机采样，从而对采样的结果进行拟合，得到风电场出力的分布函数，并采用数值微分法得到风电场出力概率密度函数；根据初始化的配电网参数，形成光照强度分布模型，并配合所构建的光伏电站的分段二次模型，采用蒙特卡洛法进行随机采样，从而对采样的结果进行拟合，得到光伏电站出力的分布函数，并采用数值微分法得到光伏电站出力的概率密度函数。
[0168]
作为本实施例的优选方案，所述生成全部配电网的重构解，并筛选出有效重构解，具体为：
[0169]
根据配电网的全部分段开关和联络开关的闭合状态，得到全部开关闭合、含有环路的配电网拓扑，并根据所述配电网拓扑，得到在所述配电网拓扑下的全部网孔和支路；断开每个网孔中的一条支路，从而在每断开一条支路后，生成配电网一个的重构解，进而生成全部的重构解；通过gpu并行化判断每个重构解的有效性，筛选出全部有效重构解。
[0170]
作为本实施例的优选方案，所述通过gpu并行化判断每个重构解的有效性，筛选出全部有效重构解，具体为：
[0171]
通过gpu并行化判断每个重构解的有效性；其中，若重构解为辐射状拓扑，则投入运行的线路数等于节点数与连通子图数之差；若重构解中不包含孤岛，则全部连通子图中均包含电源；以使得在每一次通过gpu对重构解进行判断的过程中，根据根节点向下搜索至末端节点，并从末端节点开始逐个向上返回一级节点，来判断向上返回一级节点是否存在未访问的路径；若是，则沿未访问的路径出发至该未访问路径的末端节点；若否，则返回至上一级节点进行未访问路径的重写判断；直至向上返回至根节点，从而筛选出全部有效重构解。
[0172]
作为本实施例的优选方案，所述根据各分布式电源出力的分布函数和概率密度函数，以及初始化后的场景参数、粒子群算法参数和所述有效重构解，采用含概率跃变的二进制编码粒子群算法求取最优重构解，具体为：
[0173]
根据配电网中各开关的状态，将各有效重构解进行二进制编码，形成各对应的二进制位置向量和二进制速度向量；根据有效重构解的二进制位置向量和二进制速度向量，确定粒子群中各粒子的初始位置，并随机生成粒子群中各粒子的初始速度；通过gpu并行计算开始迭代，计算出迭代中粒子群的各粒子位置对应的解的目标函数值，并更新粒子群的各粒子的历史最优位置；其中，所述最优性条件为该粒子的位置对应的解的目标函数值最小；通过gpu并行计算每次迭代中粒子群的各粒子跃变至其历史最优位置的跃变概率；采用轮盘赌方法，使当前迭代中粒子群的各粒子按跃变概率跃变至各自的历史最优位置，直至产生首个跃变成功的粒子，记录其跃变成功后的位置；通过gpu并行更新当前的迭代中粒子群的各粒子的位置；若迭代次数达到预设最大值，则通过gpu并行计算出迭代中粒子群的各粒子位置对应的解的目标函数值，并将目标函数值最低的解作为全局最优解，从而停止迭代，且输出重构结果；否则，再进行一次迭代计算。
[0174]
作为本实施例的优选方案，所述计算出迭代中粒子群的各粒子位置对应的解的目标函数值，具体为：
[0175]
通过支路追加法建立解的节点导纳矩阵；基于各分布式电源出力的分布函数与概率密度函数，得到数个分布式电源出力样本；筛选出有效分布式电源出力样本；基于解的拓扑和节点导纳矩阵，求解出各分布式电源出力样本下的配电网潮流，并计算出各分布式电源出力样本下的总成本函数，进而计算出各分布式电源出力样本下的总成本函数的平均值，并将平均值作为解的目标函数值。
[0176]
作为本实施例的优选方案，所述各分布式电源出力样本下的总成本函数，包括：网损成本、电压偏移成本、开关费用和光伏电站配置成本。
[0177]
作为本实施例的优选方案，所述通过gpu并行更新当前的迭代中粒子群的各粒子的位置，具体为：
[0178]
通过gpu并行计算，并更新第k次迭代中粒子群的各粒子的位置，粒子的更新公式为：
[0179][0180]
其中，round表示各分量四舍五入取整；xi(k)、xi(k 1)分别为粒子i在第k次迭代前、后的位置，vi(k)、vi(k 1)分别为粒子i在第k次迭代前、后的速度；pi(k)为粒子i在第k次迭代时的历史最优位置，xg(k)为粒子群在第k次迭代时的最优粒子的位置；c1、c2为学习因子，且0《c1《c2《2、l＝c1 c2；r1、r2为0至1之间的随机数。
[0181]
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0182]
实施以上实施例，具有如下效果：
[0183]
本发明实施例相比于现有技术，通过初始化配电网参数、场景参数以及粒子群算法参数，从而获取各分布式电源出力的分布函数和概率密度函数，从而考虑了多场景下的优化需求，避免了现有技术中建模较为粗糙、重构目标单纯且不易切换的问题，并通过生成全部配电网的重构解来筛选出有效重构解，进而采用含概率跃变的二进制编码粒子群算法求取最优重构解，来得到并完成多场景下配电网的重构，进而提高了求解效率，充分考虑了获取dg出力分布、筛选有效重构解、筛选有效分布式电源出力样本、计算有效解的适应度函数、更新粒子的位置、计算粒子的跃变概率等步骤的重复性。
[0184]
实施例三
[0185]
相应地，本发明还提供一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项实施例所述的多场景配电网重构方法。
[0186]
该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序、计算机指令。所述处理器执行所述计算机程序时实现上述实施例一中的各个步骤，例如图1所示的步骤s101至s104。或者，所述处理器执行所述计算机程序时实现上述装置实施例中各模块/单元的功能，例如有效重构模块203。
[0187]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多
个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述有效重构模块203，用于生成全部配电网的重构解，并筛选出有效重构解。
[0188]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0189]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
[0190]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0191]
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read－only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0192]
实施例四
[0193]
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设
备执行如上任意一项实施例所述的多场景配电网重构方法。
[0194]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。