基于离散量子粒子群算法的配电网重构

基于离散量子粒子群算法的配电网重构

ID:27829832

大小:62.00 KB

页数:8页

时间:2018-12-06

基于离散量子粒子群算法的配电网重构_第1页
基于离散量子粒子群算法的配电网重构_第2页
基于离散量子粒子群算法的配电网重构_第3页
基于离散量子粒子群算法的配电网重构_第4页
基于离散量子粒子群算法的配电网重构_第5页
资源描述:

《基于离散量子粒子群算法的配电网重构》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、基于离散量子粒子群算法的配电网重构(江苏省电力公司宿迁供电公司223800)摘要:木文利用了修正的离散量子粒子群优化算法(MQPSO)对配电网网络进行重构,算法在原有的二进制粒子群基础上改进了Sigmoid函数的简单映射关系,直接利用MQPSO实现了改进粒子群自身算法直接的映射关系,提高了算法的运算效率。此外,由于配电网自身的辐射状运行特点,木文利用节点优化3步骤对配电网络进行优化,使得粒子在初始化过程中避免了不可行解的出现。最后对IEEE单馈线33节点配电系统进行了优化计算,其结果与最优解吻合,同时还证明了MQPSO算法在处理离散问题的高效性。关键词:配电网重构MQP

2、SO算法节点优化ABSTRACT:!nthispaper,amodifieddiscretequantumparticleswarmoptimizationalgorithmisappliedintothepowerdistributionnetworkreconfiguration.BasedonthediscretebinaryofthePSO,thisalgorithmherewillimprovethesimplemappingofSigmoidfunction,andrealizethealgorithm'sdirectmappingitselfbyusing

3、theMPSOalgorithm,whichwillmakethealgorithmmuchefficient.Takingtheradialoperationofpowerdistributionnetworkintoconsideration,thispaperwilloptimizethepowerdistributionnetworkthrough3stepsofnodeoptimization,whichcanavoidthoseinfeasiblesolutionswhentheparticlesareinitialized.Attheendofthispa

4、per,IEEE33nodedistributionsystemistestedbyusingtheMDPSOalgorithmsndtheresultsaretallyagreedwiththebestsolutions,shouwingthattheMDPSOcanbeeffectivelyusedtothosediscreteproblems.KEYWORDS:Powerdistributionnetworkreconfiguration;MDPSOalgorithm;Nodeoptimization引言由于用电用户不断增多,各种电力设备的投入也随之增加,在配电网

5、中造成了大量的电能损耗。据统计,全国城网llOkV及以下配电网网损占总网损的60%,特别是10KV配电网的网损占了整个网损相当大的比例,配电网重构是降低网损的途径之一。目前,配电网重构算法有支路交换算法[1],最优流算法[2],模拟退火法⑶,遗传算法[4,5],蚁群算法⑹,粒子群算法[7・9]以及算法间混合形成的改进算法。本文所用的配电网重构优化算法是基于二进制修正的粒子群优化算法,算例表明该算法收敛速度快,避免了群局部收敛和兀余计算的缺陷,是一种高效的搜索算法。1配电网重构的数学模型配电网络重构主要是在满足合理供电的前提下,调整配电网络的拓扑结构,均衡各馈线负荷,使配

6、电网的网损降低,供电电压质量提高,以保证配电系统的稳定运行。本文仅以网损最低为目标展开讨论。其表达式可表示为:式中:为节点与支路关系的关联矩阵;为馈线潮流矢量;为负荷需求矢量。在实际中,配电网主要通过(1)和(4)来完成网络的重构,不等式约束条件则可以通过采用罚函数来转化成无约束条件,最终确定最优化结果。2PSO算法及其改进2.1PSO算法简介粒子群优化(PSO)算法基本思想就是模拟鸟群的捕食行为。在PSO算法中,每个优化问题的解都是搜索空间中的一只鸟,称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness),每个粒子还有一个速度决定他们飞行的方向

7、和距离,粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中,粒子通过学习两个“极值”来进行下一步的搜索。一个就是粒子本身所找到的最优解。这个解叫做个体极值Pbesti(d)。另一个极值是整个种群目前找到的最优解。这个极值是全局极值Gbest(d)o在找到这两个最优值吋,粒子根据这两个值来更新自己的速度向量和位置向量:式中:cl和c2是学习因子,通常cl=c2=2;>是在[0,1]之间均匀分布的随机数;为惯性权重,的取值范围[0,1],取线性权重时随着迭代次数线性减小。粒子

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。