基於混合人工智慧的主動配電網動態拓撲重構方法

2023-09-13 01:37:25 5

基於混合人工智慧的主動配電網動態拓撲重構方法
【專利摘要】本發明公開了一種基於混合人工智慧的主動配電網動態拓撲重構方法，採用多種改進的人工智慧方法對於求解進行優化，可以綜合各種算法的優越性，同時在結合各優化算法的過程中對各人工智慧算法本身進行改進，進一步提高算法的收斂性，避免陷入局部最優解等弊端，優化過程綜合了三種目標函數，兼顧了三種不同的優化目標，求得對應的Pareto最優解集，由於開關操作次數、供電量等指標的度量並不一致，為了建立統一的度量模型，將這些指標全部按照各自的折算關係換算成損失指標，最後提出動態層次分析法對Pareto最優解集中的解進行決策，得到代表著最優配電網結構的最優解。
【專利說明】基於混合人工智慧的主動配電網動態拓撲重構方法
【技術領域】
[0001]於電力系統智能電網優化【技術領域】，具體涉及一種基於混合人工智慧的主動配電網動態拓撲重構方法。
【背景技術】
[0002]人工智慧(Artificial Intelligence),英文縮寫為Al。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。現今能夠用來研究人工智慧的主要物質基礎以及能夠實現人工智慧技術平臺的機器就是計算機，人工智慧的發展歷史是和計算機科學技術的發展史聯繫在一起的。除了計算機科學以外，人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。人工智慧學科研究的主要內容包括:知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智慧機器人、自動程序設計等方面。
[0003]粒子群算法，也稱粒子群優化算法(Particle Swarm Optimization),縮寫為PS0,是近年來發展起來的一種新的進化算法(Evolutionary Algorithm_EA)。PSO算法屬於進化算法的一種，和遺傳算法相似，它也是從隨機解出發，通過迭代尋找最優解，它也是通過適應度來評價解的品質，但它比遺傳算法規則更為簡單，它沒有遺傳算法的「交叉」(Crossover)和「變異」(Mutation)操作，它通過追隨當前搜索到的最優值來尋找全局最優。這種算法以其實現容易、精度高、收斂快等優點引起了學術界的重視，並且在解決實際問題中展示了其優越性。
[0004]在非線性科學中，混沌現象指的是一種確定的但不可預測的運動狀態。它的外在表現和純粹的隨機運動很相似，即都不可預測。但和隨機運動不同的是，混沌運動在動力學上是確定的，它的不可預測性是來源於運動的不穩定性。或者說混沌系統對無限小的初值變動和微擾也具於敏感性，無論多小的擾動在長時間以後，也會使系統徹底偏離原來的演化方向。進一步研究表明，混沌是非線性動力系統的固有特性，是非線性系統普遍存在的現象。牛頓確定性理論能夠充分處理的多維線性系統，而線性系統大多是由非線性系統簡化來的。混沌現象是自然界中的普遍現象，天氣變化就是一個典型的混沌運動。混沌系統具有三個關鍵要素:一是對初始條件的敏感依賴性；二是臨界水平，這裡是非線性事件的發生點；三是分形維，它表明有序和無序的統一。混沌系統經常是自反饋系統，出來的東西會回去經過變換再出來，循環往復，任何初始值的微小差別都會按指數放大，因此導致系統內在地不可長期預測。
[0005]對於粒子群算法來說，由於初始化粒子的隨機性，某些粒子的位置及其歷史最優解接近群體的最優解時，這些粒子會因為它以前的速度和慣性因子不為零而遠離最佳位置而導致算法不收斂，當速度越來越小，接近於零時，種群多樣性就慢慢消失，粒子出現惰性，隨著迭代過程的進行，其它粒子將很快聚集到這些惰性粒子附近並停止移動，粒子出現停滯現象，導致算法的早熟，影響了算法的收斂性。為了避免早熟，提高算法的適應性，使粒子群能構跳出這種停滯狀態，將混沌思想引入到粒子群算法中，構成新的混沌粒子群算法，在演化的過程中，當某些粒子群出現停滯現象時，通過某個特定格式迭代產生混沌序列，然後通過載波的方式將混沌變量的值域放大到優化變量取值範圍，進行進一步的迭代，使算法收斂到全局最優點。
[0006]生成樹指的是連通圖G上的一個子圖，該子圖連通，無迴路且包含圖G的所有節點，稱為連通圖的極小連通子圖。一個連通圖可以有多棵不同的生成樹。最小生成樹是一個帶權連通圖，也有多可不同的生成樹。由於該圖是帶權圖，各邊的權值不一定相等，因此這些生成樹的各邊權值之和也不一定相同，其中權值最小的生成樹被稱為該帶權連通圖的最小生成樹。帶權圖的最小生成樹尤其被廣泛應用在解決工程技術及科學管理等各個領域的最優化問題中。求解最小生成樹可以採用普裡姆(Prim)算法，算法的基本思想是:從連通網絡N= {V，E}中的某一頂點uO出發，選擇與它關聯的具有最小權值的邊(u0，v)，將其頂點加入到生成樹的頂點集合U中。以後每一步從一個頂點在U中，而另一個頂點不在U中的各條邊中選擇權值最小的邊(U，V)，把它的頂點加入到集合U中。如此繼續下去，直到網絡中的所有頂點都加入到生成樹頂點集合U中為止。
[0007]多智能體系統是多個智能體組成的集合，它的目標是將大而複雜的系統建設成小的、彼此互相通信和協調的，易於管理的系統。它的研究涉及智能體的知識、目標、技能、規劃以及如何使智能體採取協調行動解決問題等。研究者主要研究智能體之間的交互通信、協調合作、衝突消解等方面，強調多個智能體之間的緊密群體合作，而非個體能力的自治和發揮，主要說明如何分析、設計和集成多個智能體構成相互協作的系統。人類智能的本質是一種社會性智能，人類絕大部分活動都涉及多個人構成的社會團體，大型複雜問題的求解需要多個專業人員或組織協調完成。
[0008]層次分析法(Analytic Hierarchy Process,簡稱ΑΗΡ)是將與決策總是有關的元素分解成目標、準則、方案等層次，在此基礎之上進行定性和定量分析的決策方法。層次分析法的特點是在對複雜的決策問題的本質、影響因素及其內在關係等進行深入分析的基礎上，利用較少的定量信息使決策的思維過程數學化，從而為多目標、多準則或無結構特性的複雜決策問題提供簡便的決策方法。尤其適合於對決策結果難於直接準確計量的場合。
[0009]分布式發電(Distributed Generation, DG)是位於用戶附近,所發電能就地利用，以10千伏及以下電壓等級接入電網，且單個併網點總裝機容量不超過6兆瓦的發電項目，包括太陽能、天然氣、生物質能、風能、地熱能、海洋能、資源綜合利用發電等類型，根據使用技術的不同，可分為熱電冷聯產發電、內燃機組發電、燃氣輪機發電、小型水力發電、風力發電、太陽能光伏發電、燃料電池等；根據所使用的能源類型，DG可分為化石能源(煤炭、石油、天然氣)發電與可再生能源(風力、太陽能、潮汐、生物質、小水電等)發電兩種形式。
[0010]在科學計算與工程領域中優化問題中，需要優化對象的目標往往不止一個，具有一個以上目標函數的問題是相當常見的。多目標優化問題在優化過程中，各個子目標往往是相互衝突的，一個子目標性能的改善可能會引起另一個子目標性能的降低，因此通常不存在使所有子目標函數同時達到最小的絕對最優解，只能在它們之間進行折衷和協調，求解它們不同於含單個目標的優化問題，其最終結果是一組折衷解集，即所謂的ParetO最優解集，自從1950年以來，相關研究人員已提出了許多方法並用於解決多目標優化問題(Mult1-objective Optimization Problems, MOP),在可行域中確定由決策變量組成的向量，使得一組相互衝突的目標函數值儘量同時達到極小。一個MOP由n個決策變量,m個約束條件和k個目標函數組成，這些目標函數可以是線性的，也可以是非線性的。MOP的評價函數F:X — ~(X是決策空間，'是目標函數空間)，MOP的解是使向量F(X)的各分量取得最小值的決策變量，其中X是空間X中一個n維的決策變量，把決策變量X = (Xl, X2,...xn)映射到向量y = (yi, y2, ? ? ? yk)。其數學表達式為:
【權利要求】
1.基於混合人工智慧的主動配電網動態拓撲重構方法，其特徵在於:包括以下步驟: (1)確定配電網的支路數目，支路數目作為生成樹的邊數，同時確定所有生成樹的邊與所有支路的對應順序； (2)產生粒子的初始種群，每個智能體代表一個粒子，所有智能體處於一個LsizeXLsize的網格環境中； (3)利用Prim算法生成每個智能體對應的最小生成樹； (4)對每個最小生成樹相同結構的配電網採用電力系統中的牛頓拉夫遜潮流計算方法進行潮流計算； (5)根據步驟(3)得到的最小生成樹結構和步驟(4)的潮流計算結果計算目標函數，得到每個智能體的對應於所有目標函數的能量，形成每個智能體的能量向量； (6)根據擂臺賽法則構造智能體種群的非支配集,即Pareto最優解集； (7)對不在Pareto最優解集中的智能體進行競爭操作，得到贏家智能體集合和輸家智能體集合； (8)對步驟(7)中得到的輸家智能體集合中的智能體採用混沌粒子群算法修改其位置向量; (9)判斷是否達到迭代次數，如果達到迭代次數，輸出最終的Pareto最優解集，否則返回步驟(3)繼續下一次迭代計算； (10)對步驟(9)中達到迭代次數後輸出的Pareto最優解集進行動態層次分析法分析，得到代表最優配電網拓撲結構的唯一`最優解。
2.根據權利要求1所述的基於混合人工智慧的主動配電網動態拓撲重構方法，其特徵在於所述的步驟(2)為:指定維度Lsize，Lsize為大於I的整數，粒子群的種群規模為LsizeXLsize，每個智能體代表一個種群，所有的智能體處於LsizeXLsize的網格環境中，每個智能體的位置由位置向量表示，位置向量的維數就是最小生成樹的邊數，位置向量的各個維度的數值代表最小生成樹對應邊的權值，智能體的位置向量的初始值採用隨機初始化的方法獲得。
3.根據權利要求1所述的基於混合人工智慧的主動配電網動態拓撲重構方法，其特徵在於所述的步驟(3)為:分別從每個智能體對應的配電網網絡結構中的任一頂點出發，選擇與它關聯的具有最小權值的邊，將頂點加入到生成樹的頂點集合U中，以後每一步從一個頂點在頂點集合U中而另一個頂點不在頂點集合U中的各條邊中選擇權值最小的邊，把它的頂點加入到頂點集合U中，如此繼續下去，直到網絡中的所有頂點都加入到生成樹頂點集合U中為止，根據得到的最小生成樹，對比配電網原始結構即可得到聯絡開關和分段開關的操作過程。
4.根據權利要求1所述的基於混合人工智慧的主動配電網動態拓撲重構方法，其特徵在於所述的步驟(4)為:利用Prim算法生成每個智能體對應的最小生成樹之後，對每個智能體對應的最小生成樹同樣結構的配電網採用電力系統中的牛頓拉夫遜潮流計算方法進行潮流計算，在潮流計算中，將分布式電源作為負的負荷，當成PQ節點來處理。
5.根據權利要求1所述的基於混合人工智慧的主動配電網動態拓撲重構方法，其特徵在於所述的步驟(5)為:對於每個智能體，計算目標函數值作為每個智能體能量，目標函數有三個，計算每個智能體對應於每個目標函數的能量，最終寫成向量形式得到三維能量向量，三個函數目標函數如下:
6.根據權利要求1所述的基於混合人工智慧的主動配電網動態拓撲重構方法，其特徵在於所述的步驟(6)為:A為智能體進化群體，B為構造集，開始時智能體進化群體A和構造集B相同，X為非支配集，初始時非支配集X為空，從構造集B中任取一個智能體X作為擂主，依次與構造集B中其它智能體y比較,如果智能體X支配智能體Y，則將智能體I從構造集B中清除,如果智能體y支配智能體X,則用智能體y代替智能體X成為新的擂主,一輪比較後，形成族，智能體X為族長，將智能體X併入非支配集X中，而族中個體是被智能體X所支配的，必須從構造集B中清除，重複這個過程直至構造集B變成空集，此時則構造出智能體種群的完整非支配集，也就是Pareto最優解集。
7.根據權利要求1所述的基於混合人工智慧的主動配電網動態拓撲重構方法，其特徵在於所述的步驟(7)為:對LsizeXLsize智能體網格中第i行第j列的智能體Lu，設定智能體Lij感知範圍為a，則能與智能體Lu發生競爭作用的網格中的所有智能體構成智能體Lij的鄰域，領域中的所有智能體L1^n為:
Lm n, i_a ^ m ^ i+a, j_a ^ n ^ j+a 採用如下公式對於序號進行調整:
8.根據權利要求1所述的基於混合人工智慧的主動配電網動態拓撲重構方法，其特徵在於所述的步驟(8)為: O計算目標函數三f3的函數值作為每個輸家智能體的適應度； 2)採用以下公式更新每個智能體的速度和位置:

9.根據權利要求1項所述的基於混合人工智慧的主動配電網動態拓撲重構方法，其特徵在於所述的步驟(10)為:在達到預設的迭代次數時，步驟(9)輸出最終的Pareto最優解集，對Pareto最優解集進行動態權重層次分析法分析，最終得到唯一的最優解，在Pareto最優解集中挑選最優解的動態權重層次分析法的具體步驟為: .1)建立層次結構模型 對於得到的Pareto最優解集中的每個智能體的三維能量向量，對三維能量向量的每一維分別進行排序，三維能量向量的第一維和第三維按照從小到大順序排序，三維能量向量第二維按照從大到小順序排序，分別得到每個智能體的三個維度對應的序號，得到每個智能體的三維序號向量，以每個智能體的三維序號向量作為行構成三維序號矩陣；查閱實時數據，若電網使用的開關的平均操作壽命為N、開關價格為P1、低電壓可導致損壞的設備價格為P2、實時電價為P3，設定I減去目標函數二 f2的函數值為低電壓持續一小時造成設備損壞的概率； . 2)構造準則層判斷矩陣 對於Pareto最優解集中的智能體,若能量向量為(A, B，C),以一小時為衡量範圍，則對應三個損耗M1、M2、M 3分別為P2X (1-B)、P3 X C，設定準則層判斷矩陣的各元素為

M對應維度的平均損耗的之比的倒數，得到準則層判斷矩陣X的九個元素xn，X12, X13, X21, X22,X23> X31> X32> X33 分力ll 為:
.1，M2』 /Ml』，M3』 /Ml』，Ml』 /M2』，1，Ml』 /M3』，M3』 /Ml』，M3』 /M2』，I ； 其中Ml』，M2』，M3』分別代表三個損耗的平均值； . 3)構造方案層判斷矩陣 Pareto最優解集中的智能體個數為Z，對三維序號矩陣的每一列分別構造出Z X Z的方案層判斷矩陣，方案層判斷矩陣的第i行第j列的元素為Pareto最優解集中第i個智能體與第j個智能體對應列的序號之比； .4)以步驟2)得到準則層判斷矩陣作為標準層次分析法的準則層判斷矩陣，以步驟3)得到的方案層判斷矩陣作為標準層次分析法的方案層判斷矩陣，採用標準層次分析法計算每個Pareto最優解集中的智能體對應的總權值，得到ZX I的總權值序列，取總權值最高的解對應的智能體作為最優解，對應的最小生成樹結構即為最優配電網結構。
【文檔編號】H02J3/00GK103701117SQ201310705852
【公開日】2014年4月2日 申請日期:2013年12月19日 優先權日:2013年12月19日
【發明者】楊強, 董如良, 顏文俊, 包哲靜 申請人:浙江大學