一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法
【專利摘要】本發(fā)明公開(kāi)了一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法。協(xié)調(diào)Agent負(fù)責(zé)整個(gè)優(yōu)化重構(gòu)的調(diào)度，在考慮含分布式光伏電源發(fā)電的不確定性的基礎(chǔ)上優(yōu)化配電網(wǎng)運(yùn)行性能，重構(gòu)原理是根據(jù)重構(gòu)執(zhí)行判斷模塊的RBF神經(jīng)網(wǎng)絡(luò)功率預(yù)測(cè)結(jié)果，每次負(fù)荷變動(dòng)達(dá)到觸發(fā)閾值時(shí)進(jìn)行重構(gòu)，每次重構(gòu)由一個(gè)管理Agent負(fù)責(zé)，每個(gè)管理代理都采用多智能體和粒子群引導(dǎo)的最短路徑算法進(jìn)行靜態(tài)重構(gòu)，將粒子視為網(wǎng)格中的Agent，每個(gè)粒子Agent不僅僅與其鄰域中的粒子Agent進(jìn)行相互學(xué)習(xí)和競(jìng)爭(zhēng)，還與當(dāng)前最優(yōu)的粒子Agent進(jìn)行信息交換，從而加快信息傳遞速度，提高了算法的收斂速度。
【專利說(shuō)明】—種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲?br> 構(gòu)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于電力系統(tǒng)智能電網(wǎng)優(yōu)化【技術(shù)領(lǐng)域】，具體涉及一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法。
【背景技術(shù)】
[0002]人工智能(Artificial Intelligence),英文縮寫為Al。它是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。現(xiàn)今能夠用來(lái)研究人工智能的主要物質(zhì)基礎(chǔ)以及能夠?qū)崿F(xiàn)人工智能技術(shù)平臺(tái)的機(jī)器就是計(jì)算機(jī)，人工智能的發(fā)展歷史是和計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展史聯(lián)系在一起的。除了計(jì)算機(jī)科學(xué)以外，人工智能還涉及信息論、控制論、自動(dòng)化、仿生學(xué)、生物學(xué)、心理學(xué)、數(shù)理邏輯、語(yǔ)言學(xué)、醫(yī)學(xué)和哲學(xué)等多門學(xué)科。人工智能學(xué)科研究的主要內(nèi)容包括:知識(shí)表示、自動(dòng)推理和搜索方法、機(jī)器學(xué)習(xí)和知識(shí)獲取、知識(shí)處理系統(tǒng)、自然語(yǔ)言理解、計(jì)算機(jī)視覺(jué)、智能機(jī)器人、自動(dòng)程序設(shè)計(jì)等方面。
[0003]多智能體系統(tǒng)是多個(gè)智能體組成的集合，它的目標(biāo)是將大而復(fù)雜的系統(tǒng)建設(shè)成小的、彼此互相通信和協(xié)調(diào)的，易于管理的系統(tǒng)。它的研究涉及智能體的知識(shí)、目標(biāo)、技能、規(guī)劃以及如何使智能體采取協(xié)調(diào)行動(dòng)解決問(wèn)題等。研究者主要研究智能體之間的交互通信、協(xié)調(diào)合作、沖突消解等方面，強(qiáng)調(diào)多個(gè)智能體之間的緊密群體合作，而非個(gè)體能力的自治和發(fā)揮，主要說(shuō)明如何分析、設(shè)計(jì)和集成多個(gè)智能體構(gòu)成相互協(xié)作的系統(tǒng)。人類智能的本質(zhì)是一種社會(huì)性智能，人類絕大部分活動(dòng)都涉及多個(gè)人構(gòu)成的社會(huì)團(tuán)體，大型復(fù)雜問(wèn)題的求解需要多個(gè)專業(yè)人員或組織協(xié)調(diào)完成。
[0004]RBF神經(jīng)網(wǎng)絡(luò)即徑向基函數(shù)(RadicalBasisFunct1n)神經(jīng)網(wǎng)絡(luò)。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種高效的前饋式神經(jīng)網(wǎng)絡(luò)，它具有其他前向網(wǎng)絡(luò)所不具有的最佳逼近性能和全局最優(yōu)特性，并且結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練速度快。同時(shí)，它也是一種可以廣泛應(yīng)用于模式識(shí)別、非線性函數(shù)逼近等領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型。
[0005]最短路徑問(wèn)題是圖論研究中的一個(gè)經(jīng)典算法問(wèn)題，旨在尋找圖(由結(jié)點(diǎn)和路徑組成的)中兩結(jié)點(diǎn)之間的最短路徑。算法具體的形式包括:
[0006]確定起點(diǎn)的最短路徑問(wèn)題:即已知起始結(jié)點(diǎn)，求最短路徑的問(wèn)題。
[0007]確定終點(diǎn)的最短路徑問(wèn)題:與確定起點(diǎn)的問(wèn)題相反,該問(wèn)題是已知終結(jié)結(jié)點(diǎn)，求最短路徑的問(wèn)題。在無(wú)向圖中該問(wèn)題與確定起點(diǎn)的問(wèn)題完全等同，在有向圖中該問(wèn)題等同于把所有路徑方向反轉(zhuǎn)的確定起點(diǎn)的問(wèn)題。
[0008]確定起點(diǎn)終點(diǎn)的最短路徑問(wèn)題:即已知起點(diǎn)和終點(diǎn)，求兩結(jié)點(diǎn)之間的最短路徑。
[0009]全局最短路徑問(wèn)題:求圖中所有的最短路徑。于計(jì)算一個(gè)節(jié)點(diǎn)到其他所有節(jié)點(diǎn)的最短路徑。主要特點(diǎn)是以起始點(diǎn)為中心向外層層擴(kuò)展，直到擴(kuò)展到終點(diǎn)為止。Dijkstra算法能得出最短路徑的最優(yōu)解。
[0010]粒子群算法，也稱粒子群優(yōu)化算法(Particle Swarm Optimizat1n),縮寫為PS0,是近年來(lái)發(fā)展起來(lái)的一種新的進(jìn)化算法(Evolut1nary Algorithm-EA)。PSO算法屬于進(jìn)化算法的一種，和遺傳算法相似，它也是從隨機(jī)解出發(fā)，通過(guò)迭代尋找最優(yōu)解，它也是通過(guò)適應(yīng)度來(lái)評(píng)價(jià)解的品質(zhì)，但它比遺傳算法規(guī)則更為簡(jiǎn)單，它沒(méi)有遺傳算法的“交叉”(Crossover)和“變異”(Mutat1n)操作，它通過(guò)追隨當(dāng)前搜索到的最優(yōu)值來(lái)尋找全局最優(yōu)。這種算法以其實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)引起了學(xué)術(shù)界的重視，并且在解決實(shí)際問(wèn)題中展示了其優(yōu)越性。
[0011]分布式發(fā)電(Distributed Generat1n, DG)是位于用戶附近,所發(fā)電能就地利用，以10千伏及以下電壓等級(jí)接入電網(wǎng)，且單個(gè)并網(wǎng)點(diǎn)總裝機(jī)容量不超過(guò)6兆瓦的發(fā)電項(xiàng)目，包括太陽(yáng)能、天然氣、生物質(zhì)能、風(fēng)能、地?zé)崮?、海洋能、資源綜合利用發(fā)電等類型，根據(jù)使用技術(shù)的不同，可分為熱電冷聯(lián)產(chǎn)發(fā)電、內(nèi)燃機(jī)組發(fā)電、燃?xì)廨啓C(jī)發(fā)電、小型水力發(fā)電、風(fēng)力發(fā)電、太陽(yáng)能光伏發(fā)電、燃料電池等；根據(jù)所使用的能源類型，DG可分為化石能源(煤炭、石油、天然氣)發(fā)電與可再生能源(風(fēng)力、太陽(yáng)能、潮汐、生物質(zhì)、小水電等)發(fā)電兩種形式。
[0012]電力系統(tǒng)中的PQ節(jié)點(diǎn)這類節(jié)點(diǎn)的有功功率P和無(wú)功功率Q是給定的，節(jié)點(diǎn)電壓和相位(V，δ)是待求量，通常變電所都是這一類型的節(jié)點(diǎn)，由于沒(méi)有發(fā)電設(shè)備，故其發(fā)電功率為零，在一些情況下，系統(tǒng)中某些發(fā)電廠送出的功率在一定時(shí)間內(nèi)為固定時(shí)，該發(fā)電廠也作為PQ節(jié)點(diǎn)，因此，電力系統(tǒng)中絕大多數(shù)節(jié)點(diǎn)屬于這一類型。

【發(fā)明內(nèi)容】

[0013]本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，提供一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法，本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案如下:
[0014]基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法包括以下步驟:
[0015]I)根據(jù)RBF神經(jīng)網(wǎng)絡(luò)對(duì)光伏電源和負(fù)荷功率的預(yù)測(cè)結(jié)果，求取電源和負(fù)荷功率的匹配度，結(jié)合匹配度判斷是否達(dá)到優(yōu)化重構(gòu)觸發(fā)條件；
[0016]2)若判斷結(jié)果是未達(dá)到重構(gòu)觸發(fā)條件，返回步驟I)進(jìn)行下一次判斷；
[0017]3)匹配度達(dá)到優(yōu)化重構(gòu)觸發(fā)條件，由協(xié)調(diào)Agent分配新的管理Agent，此新的管理Agent的優(yōu)化計(jì)算模塊執(zhí)行多智能體和粒子群引導(dǎo)的最短路徑算法進(jìn)行靜態(tài)重構(gòu)；
[0018]4)管理Agent的解集準(zhǔn)備模塊進(jìn)行解集準(zhǔn)備，并將備選解集上報(bào)協(xié)調(diào)Agent的最優(yōu)解確定模塊；
[0019]5)最優(yōu)解確定模塊確定本次重構(gòu)的最優(yōu)解；
[0020]6)返回步驟I)進(jìn)行下一次優(yōu)化重構(gòu)觸發(fā)判斷；
[0021]所述的多智能體由協(xié)調(diào)Agent、管理Agent和粒子Agent構(gòu)成；所述的協(xié)調(diào)Agent是整個(gè)優(yōu)化重構(gòu)的調(diào)度中心，由重構(gòu)執(zhí)行判斷模塊、管理代理交互模塊和最優(yōu)解確定模塊組成；所述的管理Agent由優(yōu)化計(jì)算模塊、解集準(zhǔn)備模塊、前驅(qū)代理交互模塊和協(xié)調(diào)代理交互模塊組成。
[0022]所述的步驟I)包括以下幾個(gè)步驟:
[0023]步驟1、RBF神經(jīng)網(wǎng)絡(luò)功率預(yù)測(cè):
[0024]使用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)含光伏微源主動(dòng)配電網(wǎng)中的負(fù)荷總功率和分布式光伏電源總功率，計(jì)算分布式光伏電源總功率和負(fù)荷總功率的比值，這個(gè)比值代表分布式電源發(fā)電和負(fù)荷用電的匹配度；
[0025]步驟2、判斷匹配度是否達(dá)到重構(gòu)條件:
[0026]根據(jù)求得的匹配度，與上次重構(gòu)對(duì)應(yīng)的匹配度進(jìn)行比較，若是第一次重構(gòu)，則將第一次重構(gòu)的匹配度與I進(jìn)行比較，根據(jù)兩次匹配度的差值的絕對(duì)值判斷是否達(dá)到預(yù)先設(shè)定的閾值；
[0027]步驟3、重構(gòu)消息發(fā)送:
[0028]若判斷結(jié)果是兩次匹配度的差值的絕對(duì)值未超過(guò)閾值，忽略本次重構(gòu)請(qǐng)求并進(jìn)行下一次判斷，若判斷結(jié)果是達(dá)到閾值，重構(gòu)執(zhí)行判斷模塊分配一個(gè)新的管理Agent并由此管理Agent執(zhí)行一次新的重構(gòu)。
[0029]所述的RBF神經(jīng)網(wǎng)絡(luò)的隱含層基函數(shù)是高斯核函數(shù):
[0030]
【權(quán)利要求】
1.一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法，其特征在于，包括以下步驟: 1)根據(jù)RBF神經(jīng)網(wǎng)絡(luò)對(duì)光伏電源和負(fù)荷功率的預(yù)測(cè)結(jié)果，求取電源和負(fù)荷功率的匹配度，結(jié)合匹配度判斷是否達(dá)到優(yōu)化重構(gòu)觸發(fā)條件； 2)若判斷結(jié)果是未達(dá)到重構(gòu)觸發(fā)條件，返回步驟I)進(jìn)行下一次判斷； 3)匹配度達(dá)到優(yōu)化重構(gòu)觸發(fā)條件，由協(xié)調(diào)Agent分配新的管理Agent，此新的管理Agent的優(yōu)化計(jì)算模塊執(zhí)行多智能體和粒子群引導(dǎo)的最短路徑算法進(jìn)行靜態(tài)重構(gòu)； 4)管理Agent的解集準(zhǔn)備模塊進(jìn)行解集準(zhǔn)備，并將備選解集上報(bào)協(xié)調(diào)Agent的最優(yōu)解確定模塊； 5)最優(yōu)解確定模塊確定本次重構(gòu)的最優(yōu)解； 6)返回步驟I)進(jìn)行下一次優(yōu)化重構(gòu)觸發(fā)判斷； 所述的多智能體由協(xié)調(diào)Agent、管理Agent和粒子Agent構(gòu)成；所述的協(xié)調(diào)Agent是整個(gè)優(yōu)化重構(gòu)的調(diào)度中心，由重構(gòu)執(zhí)行判斷模塊、管理代理交互模塊和最優(yōu)解確定模塊組成；所述的管理Agent由優(yōu)化計(jì)算模塊、解集準(zhǔn)備模塊、前驅(qū)代理交互模塊和協(xié)調(diào)代理交互模塊組成。
2.根據(jù)權(quán)利要求1所述的一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法，其特征在于，所述的步驟I)包括以下幾個(gè)步驟: 步驟1、RBF神經(jīng)網(wǎng)絡(luò)功率預(yù)測(cè): 使用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)含光伏微源主動(dòng)配電網(wǎng)中的負(fù)荷總功率和分布式光伏電源總功率，計(jì)算分布式光伏電源總功率和負(fù)荷總功率的比值，這個(gè)比值代表分布式電源發(fā)電和負(fù)荷用電的匹配度； 步驟2、判斷匹配度是否達(dá)到重構(gòu)條件: 根據(jù)求得的匹配度，與上次重構(gòu)對(duì)應(yīng)的匹配度進(jìn)行比較，若是第一次重構(gòu)，則將第一次重構(gòu)的匹配度與I進(jìn)行比較，根據(jù)兩次匹配度的差值的絕對(duì)值判斷是否達(dá)到預(yù)先設(shè)定的閾值； 步驟3、重構(gòu)消息發(fā)送: 若判斷結(jié)果是兩次匹配度的差值的絕對(duì)值未超過(guò)閾值，忽略本次重構(gòu)請(qǐng)求并進(jìn)行下一次判斷，若判斷結(jié)果是達(dá)到閾值，重構(gòu)執(zhí)行判斷模塊分配一個(gè)新的管理Agent并由此管理Agent執(zhí)行一次新的重構(gòu)。
3.根據(jù)權(quán)利要求2所述的一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法，其特征在于所述的RBF神經(jīng)網(wǎng)絡(luò)的隱含層基函數(shù)是高斯核函數(shù):
4.根據(jù)權(quán)利要求1所述的一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法，其特征在于，所述的步驟3)由優(yōu)化計(jì)算模塊負(fù)責(zé)，優(yōu)化計(jì)算模塊采用多智能體和粒子群引導(dǎo)的最短路徑算法進(jìn)行靜態(tài)重構(gòu)，每個(gè)管理Agent的優(yōu)化計(jì)算模塊負(fù)責(zé)一個(gè)粒子Agent群體，粒子Agent的生存環(huán)境為一個(gè)環(huán)形網(wǎng)格，網(wǎng)格規(guī)模為L(zhǎng)sizeXLsize, Lsize為大于I的整數(shù)，粒子Agent在網(wǎng)格中的位置由其所在的行列號(hào)確定，在智能體網(wǎng)格的空間中第i行第j列的粒子Agent為L(zhǎng)ij，每個(gè)粒子Agent代表粒子群算法中的一個(gè)粒子，粒子的位置由位置向量表示，位置向量的維數(shù)就是電網(wǎng)閉合所有聯(lián)絡(luò)開(kāi)關(guān)對(duì)應(yīng)的結(jié)構(gòu)所包含的總邊數(shù)，位置向量的各個(gè)維度的數(shù)值代表電網(wǎng)結(jié)構(gòu)各個(gè)邊的權(quán)值；步驟3)具體包括以下幾個(gè)步驟: 步驟1、初始化智能體網(wǎng)格: 閉合所有優(yōu)化的電網(wǎng)結(jié)構(gòu)的所有聯(lián)絡(luò)開(kāi)關(guān)，前驅(qū)代理交互模塊獲取上次優(yōu)化重構(gòu)的最優(yōu)解的對(duì)應(yīng)的初始電網(wǎng)結(jié)構(gòu)并將其作為第一個(gè)粒子Agent的初始結(jié)構(gòu)，隨機(jī)初始化剩余LsizeXLsize-1個(gè)粒子Agent所有邊的權(quán)值； 步驟2、Dijkstra算法生成每個(gè)粒子Agent的最短路徑: 對(duì)于每個(gè)粒子Agent通過(guò)最短路徑算法中的Dijkstra算法生成到電網(wǎng)電源點(diǎn)路徑最短的拓?fù)浣Y(jié)構(gòu)，Dijkstra算法的具體步驟如下: .2.1)將電網(wǎng)的連接大電網(wǎng)的電源點(diǎn)作為起點(diǎn)Vs，在運(yùn)算過(guò)程中，每一步都給一個(gè)新的點(diǎn)\進(jìn)行標(biāo)號(hào)，標(biāo)號(hào)分為兩部分，其中標(biāo)號(hào)中的第二個(gè)數(shù)值表示從起點(diǎn)Vs到該點(diǎn)的最短距離P(vP，第一個(gè)數(shù)值表示從起點(diǎn)到該點(diǎn)的最短路線上的前一個(gè)點(diǎn)，用λ (Vj)表示從'到'的最短路線上\的前一個(gè)點(diǎn)的下標(biāo)，用Si表示進(jìn)行到第i步時(shí)，已經(jīng)被標(biāo)號(hào)的點(diǎn)的集合； . 2.2)給起點(diǎn)Vs標(biāo)號(hào)(0,0)，并令S。= {vs},標(biāo)號(hào)中的第二個(gè)數(shù)值P(Vs) =0，表示從起點(diǎn)到該點(diǎn)的最短距離為O ;起點(diǎn)標(biāo)號(hào)中的第一個(gè)數(shù)值設(shè)為O ; 尋找從Vs發(fā)出的所有邊，求出這些邊的權(quán)與P(Vs)之和的最小值，即:
5.根據(jù)權(quán)利要求1所述的一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法，其特征在于，所述的步驟4)具體步驟如下: 步驟1、獲取前一次重構(gòu)的最優(yōu)解: 獲得前一次優(yōu)化重構(gòu)的最優(yōu)解，對(duì)比最優(yōu)解集中的每個(gè)解對(duì)應(yīng)的電網(wǎng)結(jié)構(gòu)和前一次重構(gòu)的最優(yōu)電網(wǎng)結(jié)構(gòu)，得到最優(yōu)解集中的所有解所需的開(kāi)關(guān)變動(dòng)次數(shù)，當(dāng)最優(yōu)解集中的所有解無(wú)法滿足開(kāi)關(guān)操作限制條件時(shí)，將前一次優(yōu)化重構(gòu)的最優(yōu)解作為當(dāng)次重構(gòu)的最優(yōu)解；步驟2、解集形成: 將網(wǎng)絡(luò)損耗最小的解作為解集中的第一個(gè)解，剩下的作為剩余解集合進(jìn)行排序，排序方法為: 對(duì)每個(gè)剩余解求取其相對(duì)于網(wǎng)絡(luò)損耗最小解的網(wǎng)絡(luò)損耗增加量與開(kāi)關(guān)次數(shù)減少量的比值，定義為單位開(kāi)關(guān)損耗:
6.根據(jù)權(quán)利要求1所述的一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法，其特征在于，所述的步驟5)包括以下幾個(gè)步驟: 步驟1、電網(wǎng)結(jié)構(gòu)變換所需開(kāi)關(guān)次數(shù)計(jì)算: 根據(jù)負(fù)責(zé)當(dāng)前重構(gòu)的管理Agent上報(bào)的最優(yōu)解集，判斷從上一次重構(gòu)的最優(yōu)解對(duì)應(yīng)的電網(wǎng)結(jié)構(gòu)變換到當(dāng)前重構(gòu)最優(yōu)解對(duì)應(yīng)的電網(wǎng)結(jié)構(gòu)所需的聯(lián)絡(luò)開(kāi)關(guān)和分段開(kāi)關(guān)總動(dòng)作次數(shù)； 步驟2、開(kāi)關(guān)動(dòng)作次數(shù)越限判斷: 將開(kāi)關(guān)總動(dòng)作次數(shù)和預(yù)先設(shè)定的相鄰兩次重構(gòu)的最大允許開(kāi)關(guān)次數(shù)進(jìn)行比較； 步驟3、最優(yōu)解替換判斷: 若判斷結(jié)果是開(kāi)關(guān)次數(shù)未越限，則終止判斷過(guò)程，當(dāng)前最優(yōu)解就是本次重構(gòu)的最優(yōu)解；若判斷結(jié)果是開(kāi)關(guān)次數(shù)越限，則首先判斷管理Agent上報(bào)的最優(yōu)解集中是否還有其他解，若還有其他解，則將管理Agent上報(bào)的最優(yōu)解集中的下一個(gè)解作為當(dāng)前最優(yōu)解，返回步驟I重新執(zhí)行判斷過(guò)程，若已經(jīng)沒(méi)有其他解，則終止判斷過(guò)程，并將前驅(qū)代理交互模塊獲取的上次重構(gòu)的最優(yōu)解作為當(dāng)次重構(gòu)的最優(yōu)解，保持兩次重構(gòu)的電網(wǎng)結(jié)構(gòu)一致。
7.根據(jù)權(quán)利要求1所述的一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法，其特征在于，所述的管理代理交互模塊負(fù)責(zé)接收管理Agent發(fā)送的信息，并向管理Agent發(fā)送指令。
8.根據(jù)權(quán)利要求1所述的一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法，其特征在于，所述的協(xié)調(diào)代理交互模塊負(fù)責(zé)和前一次重構(gòu)的管理Agent進(jìn)行通信，獲取前一次重構(gòu)的最優(yōu)解，重構(gòu)時(shí)將前一時(shí)段的最優(yōu)解加入到迭代初始種群中，并且如果最優(yōu)解集所有解開(kāi)關(guān)次數(shù)均越限，將前一次重構(gòu)的最優(yōu)解作為當(dāng)次重構(gòu)的最優(yōu)解，電網(wǎng)結(jié)構(gòu)保持不變，開(kāi)關(guān)完全不動(dòng)作。
9.根據(jù)權(quán)利要求1所述的一種基于多智能體協(xié)同尋優(yōu)的含光伏微源主動(dòng)配網(wǎng)拓?fù)渲貥?gòu)方法，其特征在于，所述的協(xié)調(diào)代理交互模塊負(fù)責(zé)和協(xié)調(diào)Agent進(jìn)行通信，獲取協(xié)調(diào)Agent指令并向協(xié)調(diào)Agent提交最優(yōu)解集。
【文檔編號(hào)】G06Q50/06GK104036329SQ201410208796
【公開(kāi)日】2014年9月10日 申請(qǐng)日期:2014年5月16日 優(yōu)先權(quán)日:2014年5月16日
【發(fā)明者】楊強(qiáng), 董如良, 顏文俊, 包哲靜 申請(qǐng)人:浙江大學(xué)