基于深度优化狼群算法的线损最佳分段点设计方法及设备

摘要

本发明涉及一种基于深度优化狼群算法的线损最佳分段点设计方法及设备，所述方法包括以下步骤：1)获取实际的配电网结构信息和运行数据，以线路损耗为优化指标构建优化设计模型；2)以配电网的开关状态组合序列和可调功率作为种群个体，构建初始种群；3)对网络结构进行拓扑分析，利用深度优先搜索算法使得当前种群对应的配网系统满足辐射状约束；4)判断初始种群是否满足约束条件，若是，则执行步骤5)，若否，则返回步骤2)；5)利用改进狼群算法迭代更新种群，在每次迭代后均执行步骤3)，直至满足迭代结束条件；6)基于最优解实现配电网线损最佳分段点设计。与现有技术相比，本发明具有可靠性高、效率高等优点。

说明书

技术领域

本发明涉及一种配电网优化方法，尤其是涉及一种基于深度优化狼群算法的线损最佳分段点设计方法及设备。

背景技术

由于经济的迅速发展，城市电网的建设与升级明显滞后于用户对高质量电力供应的需求。配电网是城市电网设计中的重要一环，因为其复杂的结构、经常维护更新的需求，配电网改造升级建设的进度更加缓慢。由于城市电网现代化发展，配电网中电网容量不足、供电电压质量差、结构设计复杂合理性低、城市线损率高的问题得到了进一步放大，人民日益增长的需求与城市电网建设缓慢的矛盾进一步加剧。因此关于城市配电网经济性、可靠性等方面的研究得到了许多专家学者的关注。

相对于高压输电网络，城市配电网的电压等级低，又因为城市电网复杂、线路长等，使得配电网线损较大。线损率是综合反映电网规划设计、生产运行和经营管理水平的关键技术经济指标。

多联络配电网接线模式下，10kV配电网线路中的多个变电站线路的分断通过联络开关的开闭互通又组成新的配电线路，来对线路上的用户进行供电，具有联络率高、配网结构灵活和供电半径小的优点；手拉手、互供的线路越多，联络开关越多，当然可选择的运行方式就越多；但是，由于联络开关数量增多，多联络配电网接线存在运行方式及数据统计较为复杂的技术问题，目前缺乏对各线段负荷进行全面的分析，不一定能选择最优的联络开关开闭方式来切换线路的运行方式，容易造成电网非经济运行，从而导致线损增加。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可靠性高、效率高的基于深度优化狼群算法的线损最佳分段点设计方法及设备。

本发明的目的可以通过以下技术方案来实现：

一种基于深度优化狼群算法的线损最佳分段点设计方法，该方法包括以下步骤：

1)获取实际的配电网结构信息和运行数据，以线路损耗为优化指标构建优化设计模型；

2)以配电网的开关状态组合序列和可调功率作为种群个体，构建初始种群；

3)对网络结构进行拓扑分析，利用深度优先搜索算法使得当前种群对应的配网系统满足辐射状约束；

4)判断初始种群是否满足约束条件，若是，则执行步骤5)，若否，则返回步骤2)；

5)利用改进狼群算法迭代更新种群，在每次迭代后均执行步骤3)，直至满足迭代结束条件；

6)基于最优解实现配电网线损最佳分段点设计。

进一步地，所述优化设计模型的目标函数表示为：

式中，n为网络支路数，k

进一步地，所述利用深度优先搜索算法使得当前种群对应的配网系统满足辐射状约束具体为：

基于种群中的每一个解，采用深度优先搜索算法遍历识别网架结构中各开关状态，判断解类型，所述解类型包括环路解、含孤立支路解和辐射状解，保留辐射状解，打开环路解中的环路，新产生随机辐射状解取代含孤立支路的解。

进一步地，所述深度优先搜索算法的通路搜索由起始节点开始，若搜索到未被使用且与起始节点相邻接的节点，对节点进行进一步判断：

(1)若该节点是终点，则输出该路径到通路结构体，且回溯到起始节点；

(2)若节点不是终点，且在该条路径中未被使用过，将该节点设为起始节点；

根据上述2个递归条件进行搜索，直至遍历所有的节点。

进一步地，所述约束条件包括潮流等式约束、支路功率约束和节点电压约束。

进一步地，所述改进狼群算法中，狼群的围捕过程的数学形式表达为：

D＝|CX

X(t+1)＝X

式中，D为狼群与猎物的距离，A、C表示系数，X(t)为狼群迭代到第t次的位置，X

A＝2ar

C＝2r

式中，a为取值范围在[2,0]的系数，r

进一步地，所述改进狼群算法中，系数A的绝对值大于1时强迫狼群重新开始进行全局搜索。

进一步地，所述改进狼群算法中，将适应度最好的三个候选解作为α狼、β狼和δ狼，并在α狼视野范围内重复生成备选位置，与α狼进行比较更新当前最优解。

进一步地，所述备选位置表示为：

X

式中，i表示第i维数据，i＝0,1…n，n为解空间维度，X

本发明提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于深度优化狼群算法的线损最佳分段点设计方法的指令

与现有技术相比，本发明具有以下有益效果：

1、本发明以线路损耗为优化指标构建优化设计模型，实现配电网的优化重构设计，在计算最优解过程中，以狼群优化算法为框架，每次迭代后用深度优先搜索(DFS)处理解集，将其中的无效解转化为可行解，有效提高了求解效率。狼群算法(GWO)与深度优先搜索(DFS)结合后，既可以解决无效解造成的求解效率问题，又可增加狼群算法(GWO)的种群多样性，提高优化可靠性。

2、本发明应用深度优先狼群搜索算法实现线损最佳分段点的设计，能够为线损管理人员开展专业分析提供高效的技术平台，实现精准降损、联动降损、智慧降损。

3、本发明适合于大型城市电网。

附图说明

图1为本发明采用的狼群算法流程示意图；

图2为狼群个体位置更新示意图；

图3为IEEE33节点系统环网图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明提供一种基于深度优化狼群算法的线损最佳分段点设计方法，该方法包括以下步骤：

1)获取实际的配电网结构信息和运行数据，以线路损耗为优化指标构建优化设计模型；

2)以配电网的开关状态组合序列和可调功率作为种群个体，构建初始种群；

3)对网络结构进行拓扑分析，利用深度优先搜索算法使得当前种群对应的配网系统满足辐射状约束；

4)判断初始种群是否满足约束条件，若是，则执行步骤5)，若否，则返回步骤2)；

5)利用改进狼群算法迭代更新种群，在每次迭代后均执行步骤3)，直至满足迭代结束条件；

6)基于最优解实现配电网线损最佳分段点设计，实现配电网重构。

上述方法以狼群优化算法为框架，每次迭代后用深度优先搜索处理解集，狼群算法与深度优先搜索结合后，既可以解决无效解造成的求解效率问题，又可增加狼群算法的种群多样性，提高优化可靠性。

1、优化设计模型

配电网中有线缆、变压器等功率损耗元件，本方法在配电网重构中只考虑线路损耗，构建其优化设计模型的目标函数如下：

式中，n为网络支路数，k

优化设计模型的约束条件包括潮流等式约束、支路功率约束和节点电压约束。

(1)潮流等式约束

其中：G

B

P

Q

P

Q

θ——电压相差角。

(2)支路功率约束

S

其中：S

(3)节点电压约束

U

其中：U

U

2、深度优先搜索算法

深度优先搜索(Depth-First-Search)是沿着树的深度遍历树的节点，尽可能深的搜索树的分支。深度优先搜索的通路搜索由起点开始，若搜索到未被使用且与起始节点相邻接的节点，对节点进行进一步判断：

(1)若该节点是终点，则输出该路径到通路结构体，且回溯到起始节点；

(2)若节点不是终点，且在该条路径中未被使用过，将该节点设为起始节点；

根据上述2个递归条件进行搜索，直至遍历所有的节点。

上述优化设计模型的解由开关状态的组合序列和可调功率构成，其中不同的开关组合表示不同的网架结构。在种群初始化和每次种群更新后使用深度优先搜索算法，其功能为：

(1)基于种群中的每一个解，采用深度优先搜索算法遍历识别网架结构中各开关的状态，是打开还是闭合；

(2)判断网架结构的类型，即解类型，是环路解、含孤立支路解，还是辐射状解；

(3)保留辐射状解，打开环路解中的环路，新产生随机辐射状解取代含孤立支路的解。

3、改进狼群算法

狼群算法(GWO)的具体流程如图1所示。

首先狼群算法初始化搜索范围，设定狼群数量后，选出前三个适应度好的候选解设定为α狼、β狼、δ狼，由这三只狼决定猎物的搜索范围，剩余狼群结合它们与α狼、β狼、δ狼个体之间的距离分析来更新狼群位置。

(一)包围

狼群的围捕过程用数学形式可表达为：

其中：D——狼群与猎物的距离；

A、C——系数；

X(t)——狼群迭代到第t次的位置；

X

其中系数A、C的具体表达如下：

式中：a取值范围在[2,0]的系数，随迭代次数的增加线性减小；

r

(二)靠近

狼群算法中α狼、β狼、δ狼是算法设计初始的三个候选解，这三只狼的位置一般是距离猎物最近的几个范围，ω狼会根据与α狼、β狼、δ狼的距离信息不断更新自身位置，狼群间的距离更新以及整体的位置更新具体可用以下公式表达：

X(t+1)＝(X

其中：D

X

C

X——狼群基层成员的当前位置；

X

X(t+1)——表示ω狼经过一次迭代更新后的位置。

该数学公式很好的解释了α狼、β狼、δ狼在狼群在搜寻猎物时所占的权重，ω狼基本上是在α狼、β狼、δ狼确定最终位置后才开始移动，保证了狼群整体是不断向猎物的位置靠近的。狼群位置更替如图2所示。

(三)攻击

狼群不断接近猎物位置，当接近值达到临界后，狼群便会发动攻击使猎物死亡。在公式(6)中，系数a的线性变化模拟的就是狼群不断靠近猎物的过程，a的取值在[2,0]，系数a线性减小则系数A的取值范围会随之减小，那么换算出A的取值范围在[-4,4]变化。我们一般设定A的绝对值小于1时，陷入局部最优即狼群发动攻击。

狼群算法的初始化决定了α狼、β狼、δ狼的位置，是对猎物位置的可能性进行评估，由于狼群的位置是根据α狼、β狼、δ狼位置而进行改变的，所以一旦α狼、β狼、δ狼确定猎物位置后，整个狼群会不断向猎物靠近，得到的这个解就属于局部最优解，可能在整个配电网重构问题中还存在最优解，这里系数A的设定就是为了避免算法陷入局部最优。

A的绝对值大于1或小于1表示的是狼群与猎物的靠近和分离，当狼群陷入局部最优时，A的绝对值大于1强迫狼群重新开始进行全局搜索。由公式(6)可知C的取值范围在[0，2]，并且是随机生成。C>1表示猎物位置对狼群行进路线影响权重大，C<1表示猎物位置对狼群行进路线影响权重小。因此C的存在保证了算法在迭代过程遇到局部停滞时能跳出进行全局搜索，获得整体问题的最优解。

二进制的计算中只有0和1的存在，其思维适用于解决离散性组合优化问题。如何将狼群初始化位置在离散性空间中的位置，需要引入以下公式：

x

其中：z——α狼、β狼、δ狼；

dim——维度。

首先确定离散空间中的狼群初始位置，由公式(10、11)表示，然后根据适应度将狼群个体进行α、β、δ排序，选出α狼、β狼、δ狼。然后由α狼、β狼、δ狼的位置更替引导整个群体的位置更替，则引入以下公式将狼群的位置变化转换为离散性空间的数学表达：

X(t+1)＝round[(x

上述的α狼，在金字塔第一层，α狼是狼群最重要的狼，它决定了狼群生活、繁衍、捕猎等等行为。α狼是整个狼群的首领，因此α狼自身在各方面必须是最优秀的，狼群中头狼之下所有狼群个体都必须听从α狼的命令。但狼群的头狼并不是一直不变的，随着狼群的繁衍迭代，头狼的身体素质等各方面能力可能会下降，可能会失去引导整个狼群往更好方向发展的能力。因此，狼群迭代更新中可能会产生各方面素质比头狼更加优秀的个体，则会淘汰上一代的头狼，选举新的头狼领导狼群。

上述的β狼，在金字塔第第二层，β狼是狼群中权力仅次于α狼的个体，它主要是服从并协助头狼完成各项任务，同时还需要向下层等级的狼群传递信息并领导下层等级狼群完成任务。当狼群中因为意外情况失去头狼时，一般β狼会取代头狼的位置，成为狼群的新领导者。

上述的δ狼，在金字塔第三层，δ狼是狼群中权力排名第三的狼，δ狼需要听从α狼、β狼的命令同时还需维护其下层等级的狼群，属于狼群的中坚力量。

上述的ω狼，金字塔底层，ω狼是构成整个狼群的主要部分。ω狼属于狼群的基层单位，相对于前三层的狼群，ω狼基本上没有决策能力，在狼群的捕猎过程中，ω狼主要负责向上层狼群传递信息，协助上层狼群锁定猎物的具体位置，更好的提升狼群捕猎的效率。ω狼是完成捕猎任务的主要成员，没有这些狼就无法完成捕猎任务，因此ω狼是狼群中不可或缺的力量。

观察狼群围捕过程中可以发现，在围捕的最后阶段狼群围绕猎物不断移动，但代价函数的输出却在不再缩小，原因是狼群多样性缺失，α狼陷入局部最优。在进行配电网重构的过程中，为了避免算法陷入局部最优，我们对算法进行简单优化，增加α狼的主动搜索视野，使得α狼不再被动局限于狼群更新带来的优化，同时也具备局部搜索能力。

假设α狼具备看到β狼的视野，这样每次α狼、β狼、δ狼更新位置后α狼在视野范围寻找比当前位置更优的位置，并移动到更优位置，为了减少参数数量，假设α狼每次视野里局部寻优的次数与迭代次数相同，即程序会在α狼视野范围内重复生成备选位置，与α狼比较并生成最优解。

X

同时为了进一步降低难度，方便实现，用上式生成备选位置的第i维数据，因此α狼在第i维空间的视野范围为

[X

公式中：n为解空间维度。

为了验证算法的改进效果，我们选取了6个常用基准函数对原算法和改进后算法进行对比，从算法的最优值，标准差和均值等方面进行对比。表1为六个基准测试函数的基本信息，表2为实验结果记录。

表1基准测试函数的基本信息

表2实验结果记录

从表2可以看出，无论是均值，方差，还是最优值，精度都有所提高，对提升全局搜索能力有明显效果。

在狼群算法中，狼群的搜索猎物的最佳位置状态对应的是配电网重构中的最优开关状态组合，狼群维度表示支路开关数量。根据狼群算法原理，首先计算狼群个体适应度，选择配电网重构的几个候选解，对应的是狼群的三个最优决策者—α狼、β狼、δ狼，通过迭代搜索，狼群位置会不断接近猎物的真实位置即对应配电网重构的最优开关组合状态解。现在电力系统发展迅速，配电网规模在不断扩大，那么网络线路上的开关数量也在不断增多。开关数量的增多使配电网重构难度不断增加，狼群算法中狼群维度会不断扩大，计算时间大大增加，而且每一次的开关状态变化不一定能满足配电网的辐射状结构，因此狼群算法在进行搜索时获得的许多计算结果中必不可少会存在不可行解。这里就需要进行优化设计，本发明方法采用开关编码，环网分层，减小狼群维度，提高计算效率。

实施例

本实施例以IEEE33节点系统为例，如图3所示，33节点系统中有33个分段开关和5个联络开关，首先，不考虑网络结构的辐射状问题，将所有的联络开关闭合，整个拓扑结构会变成含有5个闭环的环路。在每个闭环中去断开一个分段开关，则闭环打开，整个环网打开，网络重新恢复为辐射状结构，这一次的操作称为进行了一次开关组合改变。将开关编码，以这次开关状态计算网络线损，得到一组解，然后重复操作将每一次操作得到的开关编号组合输出为重构问题的一组解，不同组解进行比对分析得到最优解。

本实施例中，环网的编号策略是从五个联络开关两端往上层节点搜索，直到两条线路相交到公共节点为止，则设定为一个闭环。以IEEE33节点系统网络结构为例，环网编号及环网中的开关编号如表3所示：

表3IEEE33节点系统网络环网开关编号

根据程序设计和上表的数据统计，将闭环中的开关编号转化为数学矩阵表示：

矩阵元素表示支路开关编号，已知IEEE33节点系统有37个支路开关，去除电源节点及其支路后，有36条环网支路。其中开关编号2～32表示为分段开关，开关编号33～37表示为联络开关。由于程序设计是从联络开关两端往上层节点搜索，所以5个联络开关就代表配电网环网中有5个闭环，最大的一个环由21条支路连接而成，所以矩阵规格为5×21，每一列对应每一个闭环，行元素则表示闭环中的支路开关编号。这样便可以把配电网的结构用十进制编码表示，方便软件的编程和计算。

上述方法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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。