首页 / 专利库 / 人工智能 / 粒子群优化 / 一种基于自适应粒子群的无功优化方法

一种基于自适应粒子群的无功优化方法

阅读:131发布:2020-05-12

专利汇可以提供一种基于自适应粒子群的无功优化方法专利检索,专利查询,专利分析的服务。并且本 发明 提供一种基于自适应粒子群的无功优化方法,包括以下步骤:S1、输入初始数据,初始化 算法 参数,初始数据包括最大 迭代 次数;S2、随机产生N个粒子及每个粒子对应的初始速度与 位置 ;S3、应用随机潮流计算每个粒子的优化方案的网络有功损耗值与满意度函数,将迭代数据记为1;S4、根据自适应粒子群算法更新惯性权重与学习因子并根据其对粒子的速度与位置进行更新;S5、根据满意度函数对N个粒子的满意度重新进行计算,选取最大的满意度对应的粒子位置为最优位置;S6、当迭代次数未达到最大迭代次数时,重复执行步骤S4至S5,并将迭代次数加1,当迭代次数达到最大迭代次数时,停止迭代,输出当局最优位置,即为优化结果。,下面是一种基于自适应粒子群的无功优化方法专利的具体信息内容。

1.一种基于自适应粒子群的无功优化方法,其特征在于,包括以下步骤:
S1、输入初始数据,初始化算法参数,所述初始数据包括最大迭代次数;
S2、随机产生N个粒子及每个粒子对应的初始速度与位置
S3、应用随机潮流计算每个粒子的优化方案的网络有功损耗值、电压值与满意度函数,将迭代数据记为1;
S4、根据自适应粒子群算法更新惯性权重与学习因子,根据所述惯性权重与所述学习因子对粒子的速度与位置进行更新;
S5、根据所述满意度函数对N个粒子的满意度重新进行计算,得到N个新的满意度,选取最大的满意度对应的粒子位置为最优位置;
S6、当迭代次数未达到所述最大迭代次数时,重复执行步骤S4至S5,并将迭代次数加1,当迭代次数达到所述最大迭代次数时,停止迭代,输出当局最优位置,即为优化结果。
2.根据权利要求1所述的一种基于自适应粒子群的无功优化方法,其特征在于,所述步骤S1的初始数据包括电容器与配网数据。
3.根据权利要求1所述的一种基于自适应粒子群的无功优化方法,其特征在于,所述步骤S3的网络有功损耗值的计算公式为
其中,Ploss为配电网有功损耗;T为计算时间段(24h);N’为系统网络节点的个数;M为系统网络负荷与j节点直接相连的节点个数;Ui,t、Uj,t为t时段系统节点i的电压;Gij,t、Bij,t和θij,t分别为t时段系统支路i-j的电导、电纳和阻抗
4.根据权利要求3所述的一种基于自适应粒子群的无功优化方法,其特征在于,所述步骤S3的满意度函数为f=aλ1+bλ2,其中a、b为权重系数,λ1和λ2分别为分布式电源年投资效益系统网络有功损耗值的归一值。
5.根据权利要求4所述的一种基于自适应粒子群的无功优化方法,其特征在于,所述分布式电源年投资效益系统网络有功损耗值的归一值的计算公式为
其中,Cpsc,max和Ploss,min分别为单独以分布式电源投资效益和网络有功损耗值为单一优化目标时得到的分布式电源投资效益最大值和网络有功损耗值的最小值;Cpsc,min和Ploss,max为不进行优化时得到的分布式电源效益值和网络有功损耗值。
6.根据权利要求5所述的一种基于自适应粒子群的无功优化方法,其特征在于,所述分布式电源效益值的计算公式为 其中,Cpsc为分布式电源投资效益;Ctpf为分
布式电源年投资效益,包括售电收益和国家政策补贴;Cinv为分布式电源年投资成本,包括占地费用和运行维护费用。
7.根据权利要求1所述的一种基于自适应粒子群的无功优化方法,其特征在于,所述步骤S4的根据自适应粒子群算法更新惯性权重与学习因子的方法步骤如下:
A1、PSO算法的每次迭代过程中,确定种群粒子间最大的对角线距离,计算公式为L(t)=max||xi(t),xj(t)||2,其中,L(t)为xi(t)和xi(t)两粒子间的最大对角线距离;
A2、确定每个粒子在其方向矢量上的投影集合为y(t)=g(t)Tx(t),其中,y(t)为投影集合,g(t)为xi(t)和xi(t)两粒子间的方向矢量;
A3、将所述g(t)按照种群规模等分,并统计每个区间段内的粒子投影个数;
A4、计算每一次迭代种群分布熵,计算公式为si(t)=hi(t)/N, 其
中,hi(t)为每个区间段内的粒子投影个数;E(t)为分布熵;
A5、根据所述分布熵对每一次迭代的惯性权重与学习因子进行更新,更新公式为w(E(t))=1/(1+1.5e-2.6E(t)); 其中;ω(E(t))
为惯性权重;n、Nmax分别为迭代次数和最大迭代次数;c1,ini、c2,ini和c1,fin、c2,fin分别为学习因子c1、c2的初值和终值。

说明书全文

一种基于自适应粒子群的无功优化方法

技术领域

[0001] 本发明涉及电系统技术领域,具体涉及一种基于自适应粒子群的无功优化方法。

背景技术

[0002] 标准粒子群算法的主要控制参数有惯性权重和学习因子,由于学习因子采用固定值,惯性权重采用线性递减的更新策略设置过于简单,导致算法寻优速度慢、求解精度低,从而影响内嵌随机潮流的粒子群算法求解无功优化的精度与速度。

发明内容

[0003] 本发明的目的是提供一种基于自适应粒子群的无功优化方法,以自适应粒子群算法为主体,将随机潮流嵌入算法寻优,速度快,精度高。
[0004] 本发明提供了如下的技术方案:
[0005] 一种基于自适应粒子群的无功优化方法,包括以下步骤:
[0006] S1、输入初始数据,初始化算法参数,所述初始数据包括最大迭代次数;
[0007] S2、随机产生N个粒子及每个粒子对应的初始速度与位置
[0008] S3、应用随机潮流计算每个粒子的优化方案的网络有功损耗值、电压值与满意度函数,将迭代数据记为1;
[0009] S4、根据自适应粒子群算法更新惯性权重与学习因子,根据所述惯性权重与所述学习因子对粒子的速度与位置进行更新;
[0010] S5、根据所述满意度函数对N个粒子的满意度重新进行计算,得到N个新的满意度,选取最大的满意度对应的粒子位置为最优位置;
[0011] S6、当迭代次数未达到所述最大迭代次数时,重复执行步骤S4至S5,并将迭代次数加1,当迭代次数达到所述最大迭代次数时,停止迭代,输出当局最优位置,即为优化结果。
[0012] 优选的,所述步骤S1的初始数据包括电容器与配网数据。
[0013] 优选的,所述步骤S3的网络有功损耗值的计算公式为
[0014]
[0015] 其中,Ploss为配电网有功损耗;T为计算时间段(24h);N’为系统网络节点的个数;M为系统网络负荷与j节点直接相连的节点个数;Ui,t、Uj,t为t时段系统节点i的电压;Gij,t、Bij,t和θij,t分别为t时段系统支路i-j的电导、电纳和阻抗
[0016] 优选的,所述步骤S3的满意度函数为f=aλ1+bλ2,其中a、b为权重系数,λ1和λ2分别为分布式电源年投资效益系统网络有功损耗值的归一值。
[0017] 优选的,所述分布式电源年投资效益系统网络有功损耗值的归一值的计算公式为[0018]
[0019]
[0020] 其中,Cpsc,max和Ploss,min分别为单独以分布式电源投资效益和网络有功损耗值为单一优化目标时得到的分布式电源投资效益最大值和网络有功损耗值的最小值;Cpsc,min和Ploss,max为不进行优化时得到的分布式电源效益值和网络有功损耗值。
[0021] 优选的,所述分布式电源效益值的计算公式为 其中,Cpsc为分布式电源投资效益;Ctpf为分布式电源年投资效益,包括售电收益和国家政策补贴;Cinv为分布式电源年投资成本,包括占地费用和运行维护费用。
[0022] 优选的,所述步骤S4的根据自适应粒子群算法更新惯性权重与学习因子的方法步骤如下:
[0023] A1、PSO算法的每次迭代过程中,确定种群粒子间最大的对角线距离,计算公式为L(t)=max||xi(t),xj(t)||2,其中,L(t)为xi(t)和xi(t)两粒子间的最大对角线距离;
[0024] A2、确定每个粒子在其方向矢量上的投影集合为y(t)=g(t)Tx(t),其中,y(t)为投影集合,g(t)为xi(t)和xi(t)两粒子间的方向矢量;
[0025] A3、将所述g(t)按照种群规模等分,并统计每个区间段内的粒子投影个数;
[0026] A4、计算每一次迭代种群分布熵,计算公式为si(t)=hi(t)/N,其中,hi(t)为每个区间段内的粒子投影个数;E(t)为分布熵;
[0027] A5、根据所述分布熵对每一次迭代的惯性权重与学习因子进行更新,更新公式为w(E(t))=1/(1+1.5e-2.6E(t)); 其中;ω(E(t))为惯性权重;n、Nmax分别为迭代次数和最大迭代次数;c1,ini、c2,ini和c1,fin、c2,fin分别为学习因子c1、c2的初值和终值。
[0028] 本发明的有益效果是:采用基于分布熵的自适应惯性权重更新策略,均衡了算法全局与局部搜索性能,提高了算法搜索精度;以自适应粒子群算法为主体,将随机潮流嵌入算法寻优,速度快,精度高。附图说明
[0029] 附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
[0030] 图1是本发明原理框图

具体实施方式

[0031] 如图1所示,一种基于自适应粒子群的无功优化方法,包括以下步骤:
[0032] S1、输入初始数据(如电容器与配网数据),初始化算法参数,初始数据包括最大迭代次数Nmax;
[0033] S2、随机产生N个粒子及每个粒子对应的初始速度与位置;
[0034] S3、应用随机潮流计算每个粒子的优化方案的网络有功损耗值与满意度函数,将迭代数据记为1;
[0035] S4、根据自适应粒子群算法更新惯性权重与学习因子,根据惯性权重与学习因子对粒子的速度与位置进行更新;
[0036] S5、根据满意度函数对N个粒子的满意度重新进行计算,得到N个新的满意度,选取最大的满意度对应的粒子位置为最优位置;
[0037] S6、当迭代次数未达到最大迭代次数时,重复执行步骤S4至S5,并将迭代次数加1,当迭代次数达到最大迭代次数时,停止迭代,输出当局最优位置,即为优化结果。
[0038] 具体的,步骤S3的网络有功损耗值的计算公式为
[0039]
[0040] 其中,Ploss为配电网有功损耗;T为计算时间段(24h);N’为系统网络节点的个数;M为系统网络负荷与j节点直接相连的节点个数;Ui,t、Uj,t为t时段系统节点i的电压;Gij,t、Bij,t和θij,t分别为t时段系统支路i-j的电导、电纳和阻抗角。
[0041] 具体的,步骤S3的满意度函数为f=aλ1+bλ2,其中a、b为权重系数,λ1和λ2分别为分布式电源年投资效益系统网络有功损耗值的归一值。
[0042] 具体的,分布式电源年投资效益系统网络有功损耗值的归一值的计算公式为[0043]
[0044]
[0045] 其中,Cpsc,max和Ploss,min分别为单独以分布式电源投资效益和网络有功损耗值为单一优化目标时得到的分布式电源投资效益最大值和网络有功损耗值的最小值;Cpsc,min和Ploss,max为不进行优化时得到的分布式电源效益值和网络有功损耗值。
[0046] 具体的,分布式电源效益值的计算公式为 其中,Cpsc为分布式电源投资效益;Ctpf为分布式电源年投资效益,包括售电收益和国家政策补贴;Cinv为分布式电源年投资成本,包括占地费用和运行维护费用。
[0047] 具体的,步骤S4的根据自适应粒子群算法更新惯性权重与学习因子的方法步骤如下:
[0048] A1、PSO算法的每次迭代过程中,确定种群粒子间最大的对角线距离,计算公式为L(t)=max||xi(t),xj(t)||2,其中,L(t)为xi(t)和xi(t)两粒子间的最大对角线距离;
[0049] A2、确定每个粒子在其方向矢量上的投影集合为y(t)=g(t)Tx(t),其中,y(t)为投影集合,g(t)为xi(t)和xi(t)两粒子间的方向矢量;
[0050] A3、将g(t)按照种群规模等分,并统计每个区间段内的粒子投影个数;
[0051] A4、计算每一次迭代种群分布熵,计算公式为si(t)=hi(t)/N,其中,hi(t)为每个区间段内的粒子投影个数;E(t)为分布熵;
[0052] A5、根据分布熵对每一次迭代的惯性权重与学习因子进行更新,更新公式为w(E(t))=1/(1+1.5e-2.6E(t)); 其中;ω(E(t))为惯性权重;n、Nmax分别为迭代次数和最大迭代次数;c1,ini、c2,ini和c1,fin、c2,fin分别为学习因子c1、c2的初值和终值。
[0053] 本发明采用基于分布熵的自适应惯性权重更新策略,均衡了算法全局与局部搜索性能,提高了算法搜索精度;以自适应粒子群算法为主体,将随机潮流嵌入算法寻优,速度快,精度高,解决了标准粒子群算法的主要控制参数有惯性权重和学习因子,由于学习因子采用固定值,惯性权重采用线性递减的更新策略设置过于简单,导致算法寻优速度慢、求解精度低的问题。
[0054] 以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈