基于改进层次聚类和GL-APSO算法的配电网动态重构

doi:10.11959/j.issn.2096-6652.202243

智能科学与技术学报 ›› 2022, Vol. 4 ›› Issue (3): 410-417.doi: 10.11959/j.issn.2096-6652.202243

基于改进层次聚类和GL-APSO算法的配电网动态重构

王云¹, 王美蕴², 周健¹, 邹媛媛², 李少远²

¹ 国网上海市电力公司，上海 200125
² 上海交通大学电子信息与电气工程学院，上海 200240

修回日期:2022-01-29 出版日期:2022-09-15 发布日期:2022-09-01
作者简介:王云（1986- ），男，博士，国网上海市电力公司工程师，主要研究方向为配电自动化
王美蕴（1997- ），女，上海交通大学电子信息与电气工程学院工程师，主要研究方向为配电网优化
周健（1974- ），男，国网上海市电力公司高级工程师，主要研究方向为配电自动化
邹媛媛（1980- ），女，博士，上海交通大学电子信息与电气工程学院教授，主要研究方向为系统优化与控制
李少远（1965- ），男，博士，上海交通大学电子信息与电气工程学院教授，主要研究方向为系统优化与控制
基金资助:
国家自然科学基金资助项目(61833012)

Dynamic configuration of distribution network based on improved hierarchical clustering and GL-APSO algorithm

Yun WANG¹, Meiyun WANG², Jian ZHOU¹, Yuanyuan ZOU², Shaoyuan LI²

¹ State Grid Shanghai Municipal Electric Power Company, Shanghai 200125, China
² School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China

Revised:2022-01-29 Online:2022-09-15 Published:2022-09-01
Supported by:
The National Natural Science Foundation of China(61833012)

摘要/Abstract

摘要：

针对含分布式电源（DG）的配电网动态重构问题，提出考虑配电网负荷需求与 DG 出力动态变化的配电网动态重构方案。首先，基于不同时段的负荷特性与最优网络结构的综合相似性，提出了一种改进层次聚类的时段划分方法。在此基础上，提出了遗传学习自适应粒子群优化算法，实现以网络损耗最小为优化目标的动态重构优化计算。针对基本粒子群算法中缺乏速度动态调节、易陷入局部最优等问题，提出基于粒子个体最优位置的遗传学习方案增加搜索多样性，提高算法的全局搜索能力，并引入自适应惯性权值和加速系数以满足不同时期的寻优要求。最后，以IEEE 33节点配电系统为例进行仿真，验证了所提方法的有效性和优越性。

关键词: 配电网动态重构, 时段划分, 层次聚类, 遗传学习自适应粒子群算法

Abstract:

Aiming at the problem of dynamic reconfiguration of distribution network with distributed generation (DG), a dynamic distribution networks reconfiguration scheme considering the time-varying property of DG and distribution network load was proposed.Firstly, according to the comprehensive similarity between different periods based on both load characteristics and optimal network structure, an improved hierarchical clustering method was used to divide the reconstruction interval into segments.On this basis, the genetic learning adaptive particle swarm optimization algorithm was proposed to realize the dynamic reconstruction with minimum network loss.To tackle the shortcomings such as the lack of speed dynamic adjustment strategy and ease to fall into local optimum in basic particle swarm optimization algorithm, a genetic learning scheme based on the optimal position of individual particles was proposed to enhance diversity and improve global search ability.Adaptive inertia weight and acceleration coefficients were introduced to meet the optimization requirements of different periods.Finally, a simulation was carried out through the IEEE 33-bus distribution system as an example to verify the effectiveness and superiority of the proposed method.

Key words: distribution network dynamic reconfiguration, time division, hierarchical clustering, genetic learning adaptive particle swarm optimization algorithm

中图分类号:

TP273

王云, 王美蕴, 周健, 等. 基于改进层次聚类和GL-APSO算法的配电网动态重构[J]. 智能科学与技术学报, 2022, 4(3): 410-417.

Yun WANG, Meiyun WANG, Jian ZHOU, et al. Dynamic configuration of distribution network based on improved hierarchical clustering and GL-APSO algorithm[J]. Chinese Journal of Intelligent Science and Technology, 2022, 4(3): 410-417.

图/表 7

图1

图2

图3

图4

图5

表1

表2

参考文献 20

[1]	LEE C , LIU C , MEHROTRA S ,et al. Robust distribution network reconfiguration[J]. IEEE Transactions on Smart Grid, 2015,6(2): 836-842.
[2]	SHIRMOHAMMADI D , HONG H W . Reconfiguration of electric distribution networks for resistive line losses reduction[J]. IEEE Transactions on Power Delivery, 1989,4(2): 1492-1498.
[3]	GUO Z M , LI X L , GENG J C ,et al. Distribution network reconfiguration based on opposition learning genetic algorithm[C]// Proceedings of 2018 IEEE Innovative Smart Grid Technologies - Asia. Piscataway:IEEE Press, 2018: 345-349.
[4]	徐渊 . 改进粒子群算法在含分布式电源配电网优化重构中的应用[J]. 电测与仪表, 2021,58(3): 98-104.
	XU Y . Application of improved particle swarm optimization in distribution network reconfiguration with distributed generation[J]. Electrical Measurement ＆ Instrumentation, 2021,58(3): 98-104.
[5]	吴建旭, 于永进 . 基于改进和声搜索算法的多目标配电网重构优化[J]. 电力系统保护与控制, 2021,49(19): 78-86.
	WU J X , YU Y J . Multi-objective distribution network reconfiguration optimization based on an improved harmony searchalgorithm[J]. Power System Protection and Control, 2021,49(19): 78-86.
[6]	TYAGI A , VERMA A , BIJWE P R . Reconfiguration for loadabilitylimit enhancement of distribution systems[J]. IET Generation,Transmission ＆ Distribution, 2018,12(1): 88-93.
[7]	LANDEROS A , KOZIEL S , ABDEL-FATTAH M F , . Distribution network reconfiguration using feasibility-preserving evolutionary optimization[J]. Journal of Modern Power Systems and Clean Energy, 2019,7(3): 589-598.
[8]	徐泽, 杨伟, 张文强 ,等. 基于连锁环网与改进离散粒子群算法的多目标配电网重构[J]. 电力系统保护与控制, 2021,49(6): 114-123.
	XU Z , YANG W , ZHANG W Q ,et al. Multi-objective distribution network reconfiguration based on chain loops and improved binary particle swarm optimization[J]. Power System Protection and Control, 2021,49(6): 114-123.
[9]	杨胡萍, 彭云焰, 熊宁 . 配网动态重构的静态解法[J]. 电力系统保护与控制, 2009,37(8): 53-57.
	YANG H P , PENG Y Y , XIONG N . A static method for distribution network dynamic reconfiguration[J]. Power System Protection and Control, 2009,37(8): 53-57.
[10]	SHARIATKHAH M H , HAGHIFAM M R , SALEHI J ,et al. Duration based reconfiguration of electric distribution networks using dynamic programming and harmony search algorithm[J]. International Journal of Electrical Power ＆ Energy Systems, 2012,41(1): 1-10.
[11]	周洁洁, 阙凌燕, 王良毅 ,等. 采用改进最优模糊 C 均值聚类和改进和声搜索算法的配电网动态重构[J]. 机电工程, 2015,32(4): 531-536,543.
	ZHOU J J , QUE L Y , WANG L Y ,et al. Dynamic reconfiguration of distribution network based on improved optimal fuzzy C-means clustering and improved harmony search algorithm[J]. Journal of Mechanical ＆ Electrical Engineering, 2015,32(4): 531-536,543.
[12]	田书欣, 刘浪, 魏书荣 ,等. 基于改进灰狼优化算法的配电网动态重构[J]. 电力系统保护与控制, 2021,49(16): 1-11.
	TIAN S X , LIU L , WEI S R ,et al. Dynamic reconfiguration of a distribution network based on an improved grey wolf optimization algorithm[J]. Power System Protection and Control, 2021,49(16): 1-11.
[13]	董志辉, 林凌雪 . 基于改进模糊C均值聚类时段划分的配电网动态重构[J]. 电网技术, 2019,43(7): 2299-2305.
	DONG Z H , LIN L X . Dynamic reconfiguration of distribution network based on improved fuzzy C-means clustering of time division[J]. Power System Technology, 2019,43(7): 2299-2305.
[14]	王瑞峰, 王庆荣 . 基于改进双层聚类多目标优化的配电网动态重构[J]. 电力系统保护与控制, 2019,47(21): 92-99.
	WANG R F , WANG Q R . Multi-objective optimization of dynamic reconfiguration of distribution network based on improved Bilayer clustering[J]. Power System Protection and Control, 2019,47(21): 92-99.
[15]	AH KING R T F , RADHA B , RUGHOOPUTH H C S . A real-parameter genetic algorithm for optimal network reconfiguration[C]// Proceedings of IEEE International Conference on Industrial Technology. Piscataway:IEEE Press, 2003: 54-59.
[16]	GONG Y J , LI J J , ZHOU Y C ,et al. Genetic learning particle swarm optimization[J]. IEEE Transactions on Cybernetics, 2016,46(10): 2277-2290.
[17]	RATNAWEERA A , HALGAMUGE S K , WATSON H C . Self-organizing hierarchical particle swarm optimizer with time-varying acceleration coefficients[J]. IEEE Transactions on Evolutionary Computation, 2004,8(3): 240-255.
[18]	赵静翔, 牛焕娜, 王钰竹 . 基于信息熵时段划分的主动配电网动态重构[J]. 电网技术, 2017,41(2): 402-408.
	ZHAO J X , NIU H N , WANG Y Z . Dynamic reconfiguration of active distribution network based on information entropy of time intervals[J]. Power System Technology, 2017,41(2): 402-408.
[19]	梁杉, 毛弋, 刘小丽 ,等. 改进和声搜索算法用于配电网重构[J]. 电力系统及其自动化学报, 2017,29(3): 90-95.
	LIANG S , MAO Y , LIU X L ,et al. Improved harmony search algorithm for distribution network reconfiguration[J]. Proceedings of the CSU-EPSA, 2017,29(3): 90-95.
[20]	徐小琴, 王博, 赵红生 ,等. 基于布谷鸟搜索和模拟退火算法的两电压等级配网重构方法[J]. 电力系统保护与控制, 2020,48(11): 84-91.
	XU X Q , WANG B , ZHAO H S ,et al. Reconfiguration of two-voltage distribution network based on cuckoo search and simulated annealing algorithm[J]. Power System Protection and Control, 2020,48(11): 84-91.

方案	重构时段	断开开关号	开关操作次数/次	总网损/kW·h
方案1	无	33、34、35、36、37	0	1 459.9
方案2	各时段	各时段最优	42	977.6
方案3	0:00~4:00	33、35、37、14、32	12	989.7
	4:00~8:00	33、9、37、14、32
	8:00~12:00	7、9、37、14、17
	12:00~16:00	7、9、37、14、17
	16:00~20:00	6、9、37、14、32
	20:00~24:00	7、9、37、14、32
方案4	0:00~2:00	33、35、37、14、32	12	990.1
	2:00~3:00	33、35、37、14、32
	3:00~8:00	33、9、37、14、32
	8:00~15:00	7、9、37、14、17
	15:00~21:00	6、9、37、14、32
	21:00~24:00	33、9、37、14、32
方案5	0:00~4:00	33、35、37、14、32	12	983.9
	4:00~8:00	33、9、37、14、32
	8:00~10:00	7、9、37、14、17
	10:00~16:00	7、9、37、14、17
	16:00~22:00	6、9、37、14、32
	22:00~24:00	33、9、37、14、32

算法	最优解（网络损耗/kW）	平均迭代次数/次	潮流计算次数/次	寻优率
PSO	982.8	33	1 650	0.47
GL-PSO	982.8	16	2 400	0.81
PS-HS	982.8	25	1 500	0.68
SA-CS	982.8	28	1 680	0.89
GL-APSO	982.8	14	1 400	0.89

基于改进层次聚类和GL-APSO算法的配电网动态重构

Dynamic configuration of distribution network based on improved hierarchical clustering and GL-APSO algorithm

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 20

相关文章 9

Metrics

推荐阅读 0

[1]	赖文柱, 陈德旺, 何振峰, 邓新国, GIUSEPPE CARLO Marano. 地铁列车驾驶技术发展综述：从人工驾驶到智能无人驾驶[J]. 智能科学与技术学报, 2022, 4(3): 335-343.
[2]	马帅, 傅启明, 陈建平, 冯帆, 陆悠, 李铮伟, 裘舒年. 基于双池DQN的HVAC无模型优化控制方法[J]. 智能科学与技术学报, 2022, 4(3): 426-444.
[3]	廖泽华, 梁子钰, 周天民, 卢经纬, 魏庆来. 基于平行控制的离散非线性系统的事件触发近似最优控制[J]. 智能科学与技术学报, 2021, 3(4): 435-443.
[4]	刘莹莹, 王占山. 异构多智能体系统的输出同步：一个基于数据的强化学习方法[J]. 智能科学与技术学报, 2020, 2(4): 394-400.
[5]	权利敏,杨翠丽,乔俊飞. 基于CFNN的污水处理过程溶解氧浓度在线控制[J]. 智能科学与技术学报, 2020, 2(3): 261-267.
[6]	杜宏庆,陈德旺,黄允浒,朱凤华,李灵犀. 基于改进遗传算法与支持度的模糊系统优化建模方法[J]. 智能科学与技术学报, 2020, 2(2): 179-185.
[7]	李宪港,李强. 典型智能博弈系统技术分析及指控系统智能化发展展望[J]. 智能科学与技术学报, 2020, 2(1): 36-42.
[8]	陈德旺,蔡际杰,黄允浒. 面向可解释性人工智能与大数据的模糊系统发展展望[J]. 智能科学与技术学报, 2019, 1(4): 327-334.
[9]	孔凡国,李肇星,张健存,熊刚,TimoR.Nyberg. 四轴飞行器—倒立摆系统的控制算法研究[J]. 智能科学与技术学报, 2019, 1(2): 140-144.