基于改进神经网络算法的含分布式电源的配电网重构方法与流程

1.本发明涉及配电网优化技术领域，具体涉及基于改进神经网络算法的含分布式电源的配电网重构方法。


背景技术：

2.伴随国内经济和人们对电力需求的快速增长，位于电力网络系统的末端给电网客户供给电能的配电网，因为其建设的滞后，结构上的不合理、供电的可靠性较差等问题逐渐突显，所以供电用户所要求的高电能质量、高供电可靠性的要求很难达到。而配电网重构恰恰是作为对配电网络进行控制和运行的重要方法之一，更是配电管理环节中的重要组成内容，所以在当前配电网络环境下，进行网络重构研究很有必要。与此同时，随着系统中普通居民的用电比例日益上升，通过公共配电网的电力传输中的所带负荷与网络结构发生了很大变化，配电网络中由于线路上的损耗引起的系统损耗所占比例也越来越大，所以此类问题都已成为电力系统研究者越发重视的问题。针对这些问题，将dg接入配电系统，既可以合理优化系统运行的经济性，又可以增加更多的电能。但dg的接入使得配电网中的潮流具有双向性，dg并网会改变传统配电网的潮流分布，导致网络中各节点的负荷分布发生变化，dg并网点及容量的选择，对系统的运行特性有很大的影响，若配置不合理，不仅会增加系统运行有功损耗，对各母线电压水平造成影响，还会增加电网运行成本，因此，对含有dg的配电网进行优化很重要。
3.另一方面，随着人工智能技术的快速发展，以神经网络为代表的人工智能算法在电力领域的应用越来越广泛，因此，提出一种基于神经网络的配电网重构问题求解算法具有重要的现实意义。


技术实现要素：

4.本发明的目的是为克服现有技术的不足，为解决含分布式能源的配电网优化重构问题，提高配电网对dg的消纳能力，本发明提出基于改进神经网络算法的含分布式电源的配电网重构方法，包括如下步骤：
5.步骤1：以有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型；
6.步骤2：确定求解配电网重构问题的边界约束条件；
7.步骤3：对标准神经网络算法进行改进；
8.步骤4：基于改进神经网络算法对含分布式电源的配电网进行重构。
9.具体的，所述步骤1中，以有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型。含有dg的配电网重构问题可以定义为dg优化配置问题，在所有运行约束条件下最大限度地减少配电网中的有功功率损耗、提高电压稳定性指数。配电网中的有功损耗计算公式为：
[0010][0011]
式中，b为支路数；p
loss
为有功损耗；rk表示第k条支路的电阻；ik表示第k条支路的电流。
[0012]
电压稳定性指数的计算公式为：
[0013][0014]
式中，ovsi各个母线的电压稳定指数(除松弛节点外)，n表示节点数。vsi为电压稳定性指数，计算公式为：
[0015]
vsi
i+1
＝|v
i4
|-4(p
i+1
x
k-q
i+1rk
)-4(p
i+1rk
+q
i+1
xk)|v
i2
| (3)
[0016]
式中，xk表示第k条支路的电抗；vi表示节点i的电压；p
i+1
、q
i+1
表示节点i处的有功和无功。
[0017]
因此，总的目标函数可以写为：
[0018]
of＝min(w1·
of1+w2·
of2) (4)
[0019]
式中，w1、w2表示两个子目标函数的权重系数。
[0020]
具体的，所述步骤2，确定求解配电网重构问题的边界约束条件。配电网正常运行的约束条件包括功率平衡约束、节点电压约束、支路电流约束、dg容量约束以及dg渗透率约束，具体数学表达式为：
[0021]
1)对于辐射型配电网，功率平衡约束为：
[0022][0023]
式中，ps、qs为松弛节点处发电机发出的有功和无功；n
dg
为配电网接入dg的数量；p
dg,i
、q
dg,i
表示节点i处的dg发出的有功和无功。
[0024]
2)对于节点i，其节点电压上下限约束可以表示为：
[0025]vi,min
≤vi≤v
i,max (6)
[0026]
3)第k条支路支路电流的约束为：
[0027]
ik≤i
k,max (7)
[0028]
式中，i
k,max
为支路所允许的最大电流值。
[0029]
4)dg容量约束。dg接入配电网的有功功率与无功功率应是一个合适的有效值，约束可表示为：
[0030][0031]
式中，p
dg,min
、p
dg,max
分别表示dg发出的有功功率的最小值和最大值，q
dg,min
、q
dg,max
分别表示dg发出无功功率的最小值和最大值。
[0032]
5)多个dg并网需要更为先进的配电网控制技术，否则可能会因其波动性导致切除负荷、脱网并降低配电网的稳定性，但可通过限制dg的渗透水平来避免，选择dg的渗透率为配电网中总有功负荷需求的10％～60％。计算公式为：
[0033][0034]
具体的，所述步骤3，对标准神经网络算法进行改进。nna的主要步骤为：
[0035]
1)初始化nna参数，包括解、权重矩阵、偏置及最大迭代次数t
max
，每个迭代过程中解对应着一种配电网重构的可行方案，第t次迭代过程中的解x
t
、权重矩阵w
t
、偏置b
t
可以表示为：
[0036][0037][0038]bt
＝0.99
×bt-1 (12)
[0039]
式中，np表示种群数量；w为[0,1]间满足均匀分布的随机数，所有权重之和为1；b
t
、b
t+1
分别表示迭代次数为t、t+1时的偏置，该公式使得偏置自适应减少，可使解趋向于全局最优解，并避免在迭代过程中解在数值上的剧烈变化。
[0040]
2)计算适应度值，并不断更新解、权重和偏置项。通过对比偏置b与随机数rand的大小确定解的更新策略，当随机数rand小于偏置b时，更新公式为：
[0041][0042]
式中，
⊙
表示矩阵元素对应相乘。
[0043]
当rand大于b时，通过下式对解进行更新：
[0044][0045]
表示上一次迭代过程中得到的全局最优解，第表示第t次迭代时最优解对应的权重值。
[0046]
3)引入准对立学习改善算法的收敛速度和解的质量，xi的对立解可以表示为：
[0047][0048]
式中，ubi、lbi为第i个种群对应搜索空间的上下边界。
[0049]
进一步地，准对立解可以表示为：
[0050][0051]
利用准对立学习对种群进行初始化，从而创建初始种群和准对立种群，然后，计算适应度值，并将适应度函值最佳的解作为全局最优解。
[0052]
4)引入混沌序列对每次迭代过程中得到的最优解进行更新，从而增加算法的
搜索能力，并防止算法陷入局部最优，初始混沌值为：
[0053]
c0＝rand(0,1) (17)
[0054]
使用逻辑映射的混沌序列的可以表示为：
[0055]ct+1
＝μ
×ct
×
(1-c
t
) (18)
[0056]
式中，c
t
表示第t次迭代时的混沌变量，且c
t
∈(0,1)；μ为(0,4)之间的随机数。
[0057]
因此，引入混沌序列后，目标解可以表示为
[0058][0059]
式中，分别表示当前目标解和第t次混沌逻辑搜索时得到的新目标解；解；表示从当前种群中随机选择出来的个体；当对应的适应度值优于对应的适应度值时，被替代作为新的全局最优解。
[0060]
具体的，所述步骤4，基于改进神经网络算法对含分布式电源的配电网进行重构。主要包括以下具体步骤：
[0061]
1)获取求解配电网重构问题的初始潮流计算数据；
[0062]
2)创建配电网重构问题的初始种群，其中每个个体表示配电网重构问题的解向量，包括断开的支路开关编号s、dg接入位置l和容量大小p，解向量可以表示为：
[0063][0064]
式中，n
sw
表示支路开关数。
[0065]
上述三个变量的初始化计算公式可以写为：
[0066][0067]
3)利用准反向学习创建准对立种群qox，并计算x和qox的适应度值，得到初始全局最优解；
[0068]
4)创建初始权重矩阵，并对比偏置b与随机数rand的大小，通过对应更新策略不断更新解、权重和偏置项；
[0069]
5)引入混沌序列对最优解进行更新，并计算适应度值，判断当前迭代的适应度值是否最优；
[0070]
6)判断是否满足终止条件，若达到最大迭代次数或满足迭代精度要求，输出最优解向量，对应配电网最优重构结果，否则不断执行3)～5)直至满足算法终止条件。
[0071]
本发明与现有技术相比，具有以下的有益效果：
[0072]
本发明提出基于改进神经网络算法的含分布式电源的配电网重构方法，在标准算法中引入混沌序列和准反向学习策略，可以使标准方法具有更好的收敛特性，将其用于配电网重构问题求解，可以优化得到更小的有功损耗、更高的电压稳定性指数，并有效改善了各母线电压的水平分布，在多种负荷状态下进行配电网重构，该方法具有较好的稳定性。
附图说明
[0073]
附图1为本发明基于改进混沌神经网络算法的配电网重构问题求解流程；
[0074]
附图2为本发明实施例中ieee-33节点系统图；
[0075]
附图3为本发明实施例中50％负荷状态母线电压分布水平改善情况；
[0076]
附图4为本发明实施例中100％负荷状态母线电压分布水平改善情况；
[0077]
附图5为本发明实施例中150％负荷状态母线电压分布水平改善情况。
[0078]
附图6为本发明实施例中实施例中各个算法收敛特性对比图。
具体实施方式
[0079]
下面将利用实施例对所提方法进行有效性验证，并结合附图对本发明实施例中的技术方案进行清楚、完整地描述。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。
[0080]
如附图1预测流程，基于改进神经网络算法的含分布式电源的配电网重构方法，主要包括以下主要步骤：
[0081]
步骤1：以有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型；
[0082]
步骤2：确定求解配电网重构问题的边界约束条件；
[0083]
步骤3：对标准神经网络算法进行改进；
[0084]
步骤4：基于改进神经网络算法对含分布式电源的配电网进行重构。
[0085]
根据步骤1～4所述的具体步骤，利用ieee-33节点配电系统对所提方法进行算例分析验证，33节点配电系统如附图2所示，图中虚线表示联络开关位置，1～33位母线或节点编号，b1～b
37
为支路编号(其中b
33
～b
37
为联络开关所在位置支路编号)。同时，设置三种不同负荷状态以验证所提方法的稳定性，三种负荷状态依次为50％负荷状态(轻载)、100％负荷状态(满载)、150％负荷状态(重载)，初始状态下，联络开关打开。为了验证所提方法的优越性，将inna与鲸鱼优化算法(woa)、粒子群算法(pso)、nna进行对比，并设置种群数量为50，最大迭代次数为200，得到三种负荷状态下的优化结果如表1、2、3所示：
[0086]
表1轻载状态下的重构结果
[0087][0088]
表2满载状态下的重构结果
[0089][0090]
表3重载状态下的重构结果
[0091][0092]
从表中可以看出，与重构前相比，在三种不同负荷状况下利用inna对配电网进行重构，其有功功率损耗和ovsi得到了很好的改善，相比于其他几种算法，inna可得到更佳的计算指标值。将inna与nna、woa和pso得出的结果进行了比较，三种负荷状态下，inna产生的有功损耗、ovsi以及最低点电压提升情况均优于nna、woa和pso，同时通过对比dg接入总容量大小可知，利用inna进行优化配置，可以配置更多的dg容量，同时有功损耗降低、电压稳定性指数提高，同时提高了dg消纳率，对于配电网接入dg后进行就地消纳具有重要的意义，同时也说明了所提方法可以适应于求解各种负荷状态下的配电网重构问题，因此算法具有一定的稳定性。通过图3、4、5给出的配电网重构前、后三种负荷状态下电压分布可以直观看出，四种算法均改善了各个母线的电压分布，但所提改进方法稳定性更高，同时，以满载状态下配电网重构问题为例，以有功损耗的标幺值为适应度函数，图6给出了在该种状态下的四种算法的收敛对比曲线，从图中可以看出，所有算法中，inna具有最好的收敛精度，说明引入准对立反向学习以及混沌序列的加入，可以避免算法陷入局部最优，并能有效提高算法的收敛精度，从而提高了nna收敛特性。
[0093]
综上所述，充分验证了所提方法的有效性和优越性，该方法具有更好的收敛特性，可以优化得到更小的有功损耗，更高的电压稳定性指数，并有效改善了各母线电压的水平分布，在多种负荷状态下进行配电网重构，该方法均保持较好的稳定水平，因此，利用该方法在配电网重构问题的求解上具有明显优势。
[0094]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.基于改进神经网络算法的含分布式电源的配电网重构方法，其特征在于，包括以下步骤：步骤1：以有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型；步骤2：确定求解配电网重构问题的边界约束条件；步骤3：对标准神经网络算法进行改进；步骤4：基于改进神经网络算法对含分布式电源的配电网进行重构。2.根据权利要求1所述的基于改进神经网络算法的含分布式电源的配电网重构方法，其特征在于，所述步骤1：以有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型；含有dg的配电网重构问题可以定义为dg优化配置问题，在所有运行约束条件下最大限度地减少配电网中的有功功率损耗、提高电压稳定性指数；配电网中的有功损耗计算公式为：式中，b为支路数；p
loss
为有功损耗；r
k
表示第k条支路的电阻；i
k
表示第k条支路的电流；电压稳定性指数的计算公式为：式中，ovsi各个母线的电压稳定指数(除松弛节点外)，n表示节点数；vsi为电压稳定性指数，计算公式为：vsi
i+1
＝|v
i4
|-4(p
i+1
x
k-q
i+1
r
k
)-4(p
i+1
r
k
+q
i+1
x
k
)|v
i2
|式中，x
k
表示第k条支路的电抗；v
i
表示节点i的电压；p
i+1
、q
i+1
表示节点i处的有功和无功；因此，总的目标函数可以写为：of＝min(w1·
of1+w2·
of2)式中，w1、w2表示两个子目标函数的权重系数。3.根据权利要求1所述的基于改进神经网络算法的含分布式电源的配电网重构方法，其特征在于，所述步骤2：确定求解配电网重构问题的边界约束条件；配电网正常运行的约束条件包括功率平衡约束、节点电压约束、支路电流约束、dg容量约束以及dg渗透率约束，具体数学表达式为：1)对于辐射型配电网，功率平衡约束为：式中，p
s
、q
s
为松弛节点处发电机发出的有功和无功；n
dg
为配电网接入dg的数量；p
dg,i
、q
dg,i
表示节点i处的dg发出的有功和无功；2)对于节点i，其节点电压上下限约束可以表示为：
v
i,min
≤v
i
≤v
i,max
3)第k条支路支路电流的约束为：i
k
≤i
k,max
式中，i
k,max
为支路所允许的最大电流值；4)dg容量约束；dg接入配电网的有功功率与无功功率应是一个合适的有效值，约束可表示为：式中，p
dg,min
、p
dg,max
分别表示dg发出的有功功率的最小值和最大值，q
dg,min
、q
dg,max
分别表示dg发出无功功率的最小值和最大值；5)多个dg并网需要更为先进的配电网控制技术，否则可能会因其波动性导致切除负荷、脱网并降低配电网的稳定性，但可通过限制dg的渗透水平来避免，选择dg的渗透率为配电网中总有功负荷需求的10％～60％；计算公式为：4.根据权利要求1所述的基于改进神经网络算法的含分布式电源的配电网重构方法，其特征在于，所述步骤3：对标准神经网络算法进行改进；为进一步提高算法的收敛特性，对其进行改进，改进策略包括以下两个部分：1)引入准对立学习改善算法的收敛速度和解的质量，解x
i
的对立解可以表示为：式中，ub
i
、lb
i
为第i个种群对应搜索空间的上下边界；进一步地，准对立解可以表示为：利用准对立学习对种群进行初始化，从而创建初始种群和准对立种群，然后，计算适应度值，并将适应度函值最佳的解作为全局最优解；2)引入混沌序列对每次迭代过程中得到的最优解进行更新，从而增加算法的搜索能力，并防止算法陷入局部最优，初始混沌值为：c0＝rand(0,1)使用逻辑映射的混沌序列的可以表示为：c
t+1
＝μ
×
c
t
×
(1-c
t
)式中，c
t
表示第t次迭代时的混沌变量，且c
t
∈(0,1)；μ为(0,4)之间的随机数；因此，引入混沌序列后，目标解可以表示为式中，分别表示当前目标解和第t次混沌逻辑搜索时得到的新目标解；表示从当前种群中随机选择出来的个体；当对应的适应度值优于对应
的适应度值时，被替代作为新的全局最优解。5.根据权利要求1所述的基于改进神经网络算法的含分布式电源的配电网重构方法，其特征在于，所述步骤4：基于改进神经网络算法对含分布式电源的配电网进行重构；主要包括以下具体步骤：1)获取求解配电网重构问题的初始潮流计算数据；2)创建配电网重构问题的初始种群，其中每个个体表示配电网重构问题的解向量，包括断开的支路开关编号s、dg接入位置l和容量大小p，解向量可以表示为：式中，n
sw
表示支路开关编号；上述三个变量的初始化计算公式可以写为：3)利用准反向学习创建准对立种群qox，并计算x和qox的适应度值，得到初始全局最优解；4)创建初始权重矩阵，并对比偏置b与随机数rand的大小，通过对应更新策略不断更新解、权重和偏置项；5)引入混沌序列对最优解进行更新，并计算适应度值，判断当前迭代的适应度值是否最优；6)判断是否满足终止条件，若达到最大迭代次数或满足迭代精度要求，输出最优解向量，对应配电网最优重构结果，否则不断执行3)～5)直至满足算法终止条件。

技术总结
本发明涉及基于改进神经网络算法的含分布式电源的配电网重构方法：首先，以配电网运行有功损耗最小，电压稳定性指数最高为目标建立配电网重构的数学模型；然后，确定出求解配电网重构问题的边界约束条件；在此基础上，引入混沌序列和准反向学习策略对求解该问题的标准神经网络算法（neural network algorithm，NNA）进行改进；最后，基于改进算法（INNA）对含分布式电源（DG）的配电网进行重构，并通过软件仿真对比分析，验证所提方法的有效性与优越性。结果表明，该方法具有更好的收敛特性，可以优化得到更小的有功损耗、更高的电压稳定性指数，并有效改善了各母线电压的水平分布，在多种负荷状态下进行配电网重构，该方法均保持较好的稳定水平。法均保持较好的稳定水平。法均保持较好的稳定水平。


技术研发人员：李明明 赵智勇 王瑞琦 李卫军 郑秒 宋仁杰 赵毅
受保护的技术使用者：国网河南省电力公司驻马店供电公司
技术研发日：2023.06.29
技术公布日：2023/9/19