论文部分内容阅读
摘 要 配电网络重构是通过改变分段开关的不同位置来实现的,目的有三:减少网损、平衡负荷和改善电压质量。本文介绍了混合粒子群算法,它能有效的解决配网重构算法简单、计算高效、执行性强和全局优化能力强的现实要求。最后,提出配电网重构不仅要继续研究搜索方法,还应重视负荷预测、潮流计算等相关问题的研究,充分利用人工智能等理论加快配电网重构的理论研究和实际应用。
关键词 配电网络重构,人工智能算法,组合优化,负荷预测,潮流计算
1 配电网络重构
配电网是最为紧密的部分,它连接着输电与用电两个部分。数据显示,配电系统消耗的有功占线路损耗的60%。配电网络重构的目的是寻找一个网络拓朴结构,在正常条件下达到最小有功损耗。配网重构的目的就是寻找一个辐射状网络,在满足电力系统各种条件的情况下达到系统有功损耗最小。实际上,配网重构可以看作是一个寻找最优树的问题。研究者发现,配网重构还有许多其它的优点,通过解决组合优化问题,它能减少有功损耗,平衡负荷,提高电压质量的优点。
当今配电网络重构的发展正在向多学科交融。最优配电网络重构技术最早是由Merlin和Back于1975年提出来的,之后提出了多种方法,如从早期的传统解析方法到启发式和随机优化技术,再到近期的人工智能技术。传统的解析优化方法有计算时间长的缺点,目前不能处理复杂的大规模的电力系统。最优流模式和支路交换法是两种最为经典的启发式方法。近年来,近全局寻优技术(如模拟退火算法[1],遗传算法,混沌二进制算法[2]等)作为许多工程问题的一种可能的解决方法已经引起了广泛关注。随着人工智能的迅速发展,新型算法已经在电力系统中得到了应用,比如改进的遗传算法,改进的模胡控制算法,改进的人工神经网络算法,它们都是混合算法。
在本文中,介绍了解决配网重构方法的发展,着重讨论了新算法在电力系统应用中的优点。最后,总结了配网重构的发展趁势。
2 模糊控制算法
自1965年L.A.扎德(Zadeh)提出了模糊集合的概念以来,模糊集合理论发展十分迅速,并在许多领域中获得了应用。模糊控制是模糊集合理论应用的一个重要方面,其主要是模仿人的控制经验而不需要有准确的控制对象模型。Debapriya Das[3]提出了基于模糊搜索多目标
的配网重构算法。图1中,通过实例仿真证明,提出的算法运用后,能大大提高负荷电流的平衡度。它也能减少联络开关的次数,因此,搜索空间减少了,计算时间也大大缩短了。
如果模胡控制算法能結合其它的随机和优化方法,它将弥补模胡控制算法计算时间长和收敛能力不足的缺点,也能提高模胡控制算法在配网重构实际的运用价值。
3 神经网络算法
神经网络(ANN)模拟了人脑的基本特性,通过样本的训练将输入与输出之间的非线性关系存储在神经元的权值[4],重构结果的精度依赖于提供的训练样本,并且需要大量的时间来完成对网络的训练,而且当配电系统网架结构和运行方式发生变化后,又需要重新训练,方便性较差,实际应用有困难。如用ANN算法对没有学习过的复杂网络进行重构,则结果将很不理想。浙江大学的金丽成[5]提出了基于CMAC神经网络的配网重构模型。图2中,配电网络的负荷模型(X)被看做是输入层,而最小有功损耗(F(X))下的开关状态看成是输出。借助于CMAC神经网络输入和输出之间的非线性映射关系和泛化能力,来建立变化的负荷水平与最优化网络拓扑之间的对应关系,模型可以快速地给出重构的结果,适合大型配电网使用。
基于神经网络的配网重构算法不需要潮流计算,因此它能快速得到优化结果,但是它的准确性决定于样本。但是能到完全样本是非常难的,并且需要长的训练时间。因此需要结合随机优化技术,随机优化方法可以从另外一个方向寻找最优值,避免不足之处。
4 遗传算法
现在遗传算法被广泛应用于电力系统中。遗传算法可以将支路的开关状态(0/1)直接用于染色体编码,通过模拟生物进化的繁殖/交叉/变异操作,尝试改变各开关状态,寻找网损最小的网络结构,而且容易收敛于最优解。因此遗传算法(GA)在配电网重构中运用方便,而且非常有效[6]。但是GA需要多步计算,比如生物进化繁殖,交叉,变异操作,因此需要花费大量计算时间。变异不能有效控制,计算结果很容易早熟,也就是说很容易收敛于局部最优解。
图3,是改进的GA算法的工作原理框图[7],实值基因和变异适应度在改进GA算法中得到运用,改进的算法能解决计算时间长的问题。上海交通大学欧阳武,程浩忠提出的基于随机生成树策略的配网重构遗传算法[8],引入了随机生成树策略,即根据支路序号的实数编码方式产生随机序列,再利用图论的“避圈法”产生对应的生成树,确保每个重构方案都是树状结构,使遗传进化在解空间内连续进行,表明方法求解迅速、简单有效。但是实际的配电网络更为复杂,对实际问题有一定的欠缺性。
综合考虑遗传算法的优缺点,可以发现需要保持种群的多样性,才能保证种群向多个方向寻找最优解,避免早熟。因此我们提出了遗传算法与另外一种人工智能算法结合,比如混合的粒子群算法(PSO)[9]、模糊算法。另外,要注意结合新的智能算法,比如人工鱼群算法[10],植物生长法[11]。
5 总结与展望
随着人工智能技术的不断发展,它们在配网重构---大规模非性线组合优化问题中得到了有效的运用。尤其是模糊控制,神经网络,遗传算法等经典智能技术。模糊控制不需要精确的数学模型,这样有利于实现配电网络重构的多目标规划。但它需要花费大量的计算时间,工程上存在一定的不足。相比之下,神经网络算法,不需要进行大量的潮流计算,因此它比较容易实现,但需要完整的样本及训练,在电力系统自动化没有完全实现的现状下,对配电网实时初值掌握有一定难度,限制了神经网络的发展。遗传算法,已经非常成熟,能够在全局范围内寻找最优值,是研究的最有价值的一种算法。但配网重构的开关组合的最优值与潮流计算,负荷状态等等因素有关,因此配网重构应该深入研究潮流计算的方法和负荷预测的准确性,关注新的智能技术的发展,这将成为配网重构发展的新方向。 参考文献:
[1] 游文霞,崔雷,李文武. 基于模拟退火粒子群算法的含DG配电网重构研究[J]. 三峡大学学报,2013,35(3): 45-49.
[2] 邓桂秀, 江修波. 基于混沌二进制粒子群算法的配电网重构[J].电力科学与工程, 2013,29 (9): 33-37.
[3] Das, D., A Fuzzy Multiobjective Approach for Network Reconfiguration of Distribution Systems[J].IEEE
TRANSACTIONS ON POWER DELIVERY, 2006. 21(1): p. 202-209.
[4] 沙志成,董霜,冀博.配电网络重构问题中人工智能方法的应用研究[J]. 山东电力技术, 2008, 162 (4):
47-52.
[5] 金丽成,邱家驹. 基于CMAC神经网络的配网重构模型[J].浙江大学学报,2004,38(6):784-788.
[6] Danhong, Z., W. Jie, K. Dejian, et al, “Enhanced genetic algorithm in electric network planning. Intelligent
Control and Automation”, Proceeding of the 3rd World Congress, 2000. vol 1, issue 6,pp.53-57.
[7] Radha, B, R.T.F.A. King, et al, “A Modified Genetic Algorithm for Optimal Electrical Distribution Network
Reconfiguration”. IEEE, 2008.
[8] 歐阳武,程浩忠,张秀彬. 基于随机生成树策略的配网重构遗传算法[J].高电压技术,2008,34(8):1726-1730.
[9] 牛东晓,顾曦华.遗传粒子群混合算法在配电网络重构多目标优化中的应用[J].华北电力技术,2007,9(1):1-7.
[10] 张秋亮,程晓荣, 王智慧.人工鱼群算法在配电网络重构中的应用研究[J]. 华东电力,2008, 36(5):31-34.
[11] Yong-Zhe, Y. and H. Jia-dong, “Reconfiguration of Distribution Network Based on Improved Plant
Growth Simulation Algorithm”, in 2009 Second International Conference on Intelligent Computation Technology
and Automation. 2009, pp. 387-391.
关键词 配电网络重构,人工智能算法,组合优化,负荷预测,潮流计算
1 配电网络重构
配电网是最为紧密的部分,它连接着输电与用电两个部分。数据显示,配电系统消耗的有功占线路损耗的60%。配电网络重构的目的是寻找一个网络拓朴结构,在正常条件下达到最小有功损耗。配网重构的目的就是寻找一个辐射状网络,在满足电力系统各种条件的情况下达到系统有功损耗最小。实际上,配网重构可以看作是一个寻找最优树的问题。研究者发现,配网重构还有许多其它的优点,通过解决组合优化问题,它能减少有功损耗,平衡负荷,提高电压质量的优点。
当今配电网络重构的发展正在向多学科交融。最优配电网络重构技术最早是由Merlin和Back于1975年提出来的,之后提出了多种方法,如从早期的传统解析方法到启发式和随机优化技术,再到近期的人工智能技术。传统的解析优化方法有计算时间长的缺点,目前不能处理复杂的大规模的电力系统。最优流模式和支路交换法是两种最为经典的启发式方法。近年来,近全局寻优技术(如模拟退火算法[1],遗传算法,混沌二进制算法[2]等)作为许多工程问题的一种可能的解决方法已经引起了广泛关注。随着人工智能的迅速发展,新型算法已经在电力系统中得到了应用,比如改进的遗传算法,改进的模胡控制算法,改进的人工神经网络算法,它们都是混合算法。
在本文中,介绍了解决配网重构方法的发展,着重讨论了新算法在电力系统应用中的优点。最后,总结了配网重构的发展趁势。
2 模糊控制算法
自1965年L.A.扎德(Zadeh)提出了模糊集合的概念以来,模糊集合理论发展十分迅速,并在许多领域中获得了应用。模糊控制是模糊集合理论应用的一个重要方面,其主要是模仿人的控制经验而不需要有准确的控制对象模型。Debapriya Das[3]提出了基于模糊搜索多目标
的配网重构算法。图1中,通过实例仿真证明,提出的算法运用后,能大大提高负荷电流的平衡度。它也能减少联络开关的次数,因此,搜索空间减少了,计算时间也大大缩短了。
如果模胡控制算法能結合其它的随机和优化方法,它将弥补模胡控制算法计算时间长和收敛能力不足的缺点,也能提高模胡控制算法在配网重构实际的运用价值。
3 神经网络算法
神经网络(ANN)模拟了人脑的基本特性,通过样本的训练将输入与输出之间的非线性关系存储在神经元的权值[4],重构结果的精度依赖于提供的训练样本,并且需要大量的时间来完成对网络的训练,而且当配电系统网架结构和运行方式发生变化后,又需要重新训练,方便性较差,实际应用有困难。如用ANN算法对没有学习过的复杂网络进行重构,则结果将很不理想。浙江大学的金丽成[5]提出了基于CMAC神经网络的配网重构模型。图2中,配电网络的负荷模型(X)被看做是输入层,而最小有功损耗(F(X))下的开关状态看成是输出。借助于CMAC神经网络输入和输出之间的非线性映射关系和泛化能力,来建立变化的负荷水平与最优化网络拓扑之间的对应关系,模型可以快速地给出重构的结果,适合大型配电网使用。
基于神经网络的配网重构算法不需要潮流计算,因此它能快速得到优化结果,但是它的准确性决定于样本。但是能到完全样本是非常难的,并且需要长的训练时间。因此需要结合随机优化技术,随机优化方法可以从另外一个方向寻找最优值,避免不足之处。
4 遗传算法
现在遗传算法被广泛应用于电力系统中。遗传算法可以将支路的开关状态(0/1)直接用于染色体编码,通过模拟生物进化的繁殖/交叉/变异操作,尝试改变各开关状态,寻找网损最小的网络结构,而且容易收敛于最优解。因此遗传算法(GA)在配电网重构中运用方便,而且非常有效[6]。但是GA需要多步计算,比如生物进化繁殖,交叉,变异操作,因此需要花费大量计算时间。变异不能有效控制,计算结果很容易早熟,也就是说很容易收敛于局部最优解。
图3,是改进的GA算法的工作原理框图[7],实值基因和变异适应度在改进GA算法中得到运用,改进的算法能解决计算时间长的问题。上海交通大学欧阳武,程浩忠提出的基于随机生成树策略的配网重构遗传算法[8],引入了随机生成树策略,即根据支路序号的实数编码方式产生随机序列,再利用图论的“避圈法”产生对应的生成树,确保每个重构方案都是树状结构,使遗传进化在解空间内连续进行,表明方法求解迅速、简单有效。但是实际的配电网络更为复杂,对实际问题有一定的欠缺性。
综合考虑遗传算法的优缺点,可以发现需要保持种群的多样性,才能保证种群向多个方向寻找最优解,避免早熟。因此我们提出了遗传算法与另外一种人工智能算法结合,比如混合的粒子群算法(PSO)[9]、模糊算法。另外,要注意结合新的智能算法,比如人工鱼群算法[10],植物生长法[11]。
5 总结与展望
随着人工智能技术的不断发展,它们在配网重构---大规模非性线组合优化问题中得到了有效的运用。尤其是模糊控制,神经网络,遗传算法等经典智能技术。模糊控制不需要精确的数学模型,这样有利于实现配电网络重构的多目标规划。但它需要花费大量的计算时间,工程上存在一定的不足。相比之下,神经网络算法,不需要进行大量的潮流计算,因此它比较容易实现,但需要完整的样本及训练,在电力系统自动化没有完全实现的现状下,对配电网实时初值掌握有一定难度,限制了神经网络的发展。遗传算法,已经非常成熟,能够在全局范围内寻找最优值,是研究的最有价值的一种算法。但配网重构的开关组合的最优值与潮流计算,负荷状态等等因素有关,因此配网重构应该深入研究潮流计算的方法和负荷预测的准确性,关注新的智能技术的发展,这将成为配网重构发展的新方向。 参考文献:
[1] 游文霞,崔雷,李文武. 基于模拟退火粒子群算法的含DG配电网重构研究[J]. 三峡大学学报,2013,35(3): 45-49.
[2] 邓桂秀, 江修波. 基于混沌二进制粒子群算法的配电网重构[J].电力科学与工程, 2013,29 (9): 33-37.
[3] Das, D., A Fuzzy Multiobjective Approach for Network Reconfiguration of Distribution Systems[J].IEEE
TRANSACTIONS ON POWER DELIVERY, 2006. 21(1): p. 202-209.
[4] 沙志成,董霜,冀博.配电网络重构问题中人工智能方法的应用研究[J]. 山东电力技术, 2008, 162 (4):
47-52.
[5] 金丽成,邱家驹. 基于CMAC神经网络的配网重构模型[J].浙江大学学报,2004,38(6):784-788.
[6] Danhong, Z., W. Jie, K. Dejian, et al, “Enhanced genetic algorithm in electric network planning. Intelligent
Control and Automation”, Proceeding of the 3rd World Congress, 2000. vol 1, issue 6,pp.53-57.
[7] Radha, B, R.T.F.A. King, et al, “A Modified Genetic Algorithm for Optimal Electrical Distribution Network
Reconfiguration”. IEEE, 2008.
[8] 歐阳武,程浩忠,张秀彬. 基于随机生成树策略的配网重构遗传算法[J].高电压技术,2008,34(8):1726-1730.
[9] 牛东晓,顾曦华.遗传粒子群混合算法在配电网络重构多目标优化中的应用[J].华北电力技术,2007,9(1):1-7.
[10] 张秋亮,程晓荣, 王智慧.人工鱼群算法在配电网络重构中的应用研究[J]. 华东电力,2008, 36(5):31-34.
[11] Yong-Zhe, Y. and H. Jia-dong, “Reconfiguration of Distribution Network Based on Improved Plant
Growth Simulation Algorithm”, in 2009 Second International Conference on Intelligent Computation Technology
and Automation. 2009, pp. 387-391.