本發(fā)明屬于配電網(wǎng)重構(gòu)，涉及基于改進chebyshev混沌映射黑翅鳶算法的配電網(wǎng)柔性重構(gòu)方法。

背景技術(shù)：

1、近年來，光伏發(fā)電、風(fēng)力發(fā)電等分布式電源發(fā)展迅速，并且分布式電源接入配電網(wǎng)已經(jīng)成為配電網(wǎng)發(fā)展的新趨勢。然而其出力的間歇性和隨機性特點容易引起配電網(wǎng)饋線功率的大幅波動、饋線間功率不平衡、電壓波動越限、線路網(wǎng)損增大等問題。為解決上述問題，現(xiàn)有配電網(wǎng)柔性重構(gòu)方法多利用柔性開關(guān)的通斷和功率連續(xù)調(diào)節(jié)功能進行配電網(wǎng)柔性重構(gòu)，從而靈活調(diào)整配電網(wǎng)的拓?fù)浣Y(jié)構(gòu)和運行狀態(tài)，實現(xiàn)潮流與網(wǎng)損的優(yōu)化。對于含分布式電源的配電網(wǎng)柔性重構(gòu)，主要通過建立數(shù)學(xué)模型并采用優(yōu)化算法進行求解。然而，現(xiàn)有優(yōu)化算法如遺傳算法、粒子群優(yōu)化及模擬退火等在配電網(wǎng)網(wǎng)損優(yōu)化的柔性重構(gòu)中存在收斂速度慢、參數(shù)調(diào)節(jié)困難及易陷入局部最優(yōu)等問題。因此，在面向配電網(wǎng)網(wǎng)損優(yōu)化的柔性重構(gòu)問題上仍然有很大的改進空間。

2、優(yōu)化算法中的黑翅鳶優(yōu)化算法(bka)在處理配電網(wǎng)多目標(biāo)重構(gòu)優(yōu)化問題方面具有一定優(yōu)勢，但原始bka算法收斂速度慢、易陷入局部最優(yōu)?；煦缬成湓诟倪M優(yōu)化算法中有著廣泛的應(yīng)用，它提供了一種確定性的隨機性，可以增強算法的全局搜索能力和收斂性能。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于改進chebyshev混沌映射黑翅鳶算法的配電網(wǎng)柔性重構(gòu)方法，解決現(xiàn)有技術(shù)中存在的原有黑翅鳶優(yōu)化算法在網(wǎng)損優(yōu)化的配電網(wǎng)柔性重構(gòu)中面臨的收斂速度慢及參數(shù)調(diào)節(jié)困難的問題。

2、本發(fā)明所采用的技術(shù)方案是，基于改進chebyshev混沌映射黑翅鳶算法的配電網(wǎng)柔性重構(gòu)方法，包括以下步驟：

3、步驟1，構(gòu)建含分布式電源的配電網(wǎng)柔性重構(gòu)模型，生成初始黑翅鳶種群，初始化chebyshev混沌映射的初始狀態(tài)；

4、步驟2，對初始黑翅鳶種群進行迭代運算形成初始種群解集集合；

5、步驟3，對初始種群解集集合進行攻擊行為篩選與遷徙行為篩選，使用chebyshev混沌映射生成隨機數(shù)，對初始種群解集集合進行優(yōu)化，形成新種群解集集合；

6、步驟4，比對初始種群解集集合和新種群解集集合能否滿足約束條件，將不滿足約束條件的種群返回步驟1重新初始化，并進行下一輪迭代運算；

7、步驟5，判斷迭代運算次數(shù)是否滿足迭代終止條件，若不滿足，返回步驟1，若滿足，則輸出最優(yōu)黑翅鳶種群方案，完成配電網(wǎng)重構(gòu)。

8、本發(fā)明的特點還在于，

9、步驟1中構(gòu)建配電網(wǎng)柔性重構(gòu)模型具體公式為：

10、

11、式中：floss為配電網(wǎng)網(wǎng)損費用，iij,t為t時刻流經(jīng)支路ij的電流，rij為支路ij的電阻，δt為各時段長度，bloss為網(wǎng)損費用的單價；

12、

13、式中：為柔性開關(guān)運行損耗費用，為t時刻節(jié)點i接入的sop的有功損耗，bsop為柔性開關(guān)運行損耗費用的單價；

14、

15、式中：為開關(guān)動作費用，為配電系統(tǒng)中含聯(lián)絡(luò)線的所有支路集合，sij.1和為0-1變量，分別表示網(wǎng)絡(luò)初始狀態(tài)支路ij的開斷狀況和配電網(wǎng)重構(gòu)后支路ij的開斷狀況，若sij.1和sij.0值等于1，則支路ij閉合，值等于0則支路ij開斷；

16、

17、式中：fdg為分布式電源成本，fp和fp分別是棄風(fēng)懲罰和棄光懲罰，分別為wt和pv在t時刻i節(jié)點接入配電網(wǎng)的實際有功功率，分別為t時刻i節(jié)點wt、pv的有功出力上限，bwind和bpv分別為棄風(fēng)、棄光費用。

18、步驟1生成初始黑翅鳶種群以及初始化chebyshev混沌映射初始狀態(tài)的具體步驟為：

19、生成初始黑翅鳶種群步驟為：設(shè)置種群數(shù)為pop，變量維數(shù)為dim，rand為[0,1]之間隨機選取的值，bklb和bkub分別為第j維黑翅鳶的下界和上界，對應(yīng)sop配置容量的上限和下限，利用式(5)隨機生成黑翅鳶i中節(jié)點sop和聯(lián)絡(luò)開關(guān)配置容量，并由式(6)生成初始黑翅鳶種群bk，其中i與pop相對應(yīng)，是一個向量，j與dim相對應(yīng)；

20、初始化chebyshev混沌映射初始狀態(tài)為：混沌軌道狀態(tài)值范圍為(-1,1)，由式(7)生成一個在區(qū)間(-1,1)內(nèi)的初始狀態(tài)值x0，使用chebyshev映射公式即式(8)迭代生成混沌序列，將生成的混沌序列從[-1,1]映射到問題定義的搜索空間[bklb,bkub]，將映射后的混沌序列作為種群的初始位置：

21、xi＝bklb+rand(bkub-bklb)???????(5)；

22、

23、x0＝2×rand()-1?????????????(7)；

24、x(n+1)＝cos(acos-1(x(n))),a＝4????(8)。

25、步驟2具體為：

26、將步驟1中生成的初始黑翅鳶種群bk帶入迭代計算方程，潮流計算方程根據(jù)初始黑翅鳶種群參數(shù)自動調(diào)節(jié)計算模型，利用牛頓拉夫遜迭代法進行迭代計算，按式(9)計算得出每個黑翅鳶的適應(yīng)值obj(f(bk))，其中α和β為權(quán)重系數(shù)，fv和fpl為適應(yīng)值的評價指標(biāo)，解集的集合記為ni；

27、obj(f(bk))＝αfv+βfpl???????????????????(9)。

28、步驟3具體為：

29、步驟3.1，黑翅鳶集合種群bk按照步驟2所得適應(yīng)值由小到大進行排列，形成排列后的新黑翅鳶種群，改進chebyshev混沌映射bka選擇適應(yīng)度值最好的個體作為初始群體中的領(lǐng)導(dǎo)者xl，式(10)和式(11)為初始領(lǐng)導(dǎo)者xl的數(shù)學(xué)表示，式(10)表示將適應(yīng)度值最小即適應(yīng)度最好的個體做為最優(yōu)個體，式(11)表示通過搜尋該最優(yōu)個體，進而將該最優(yōu)個體作為初始群體中的領(lǐng)導(dǎo)者，

30、fbest＝min(f(xi)????????????????(10)；

31、xl＝x(find(fbest＝＝f(xi)))???????(11)；

32、步驟3.2，使用chebyshev混沌映射生成隨機數(shù)x(n+1)，式(12)為a階chebyshev混沌映射表達式，其中a通常取值為4，混沌軌道狀態(tài)值范圍為(-1,1)，根據(jù)混沌映射生成隨機數(shù)對每個個體執(zhí)行攻擊行為篩選，式(13)和式(14)表示了此策略包括用于全局瀏覽和搜索的攻擊行為篩選，和分別表示第i個黑翅鳶在第j個維度時，在t和(t+1)次迭代步驟中的位置；r為0-1之間的隨機數(shù)，p為0.9的常數(shù)；t是迭代的總次數(shù)，t是到目前為止已經(jīng)完成的迭代次數(shù)，最后根據(jù)生成的隨機數(shù)更新個體位置，執(zhí)行邊界檢查，計算適應(yīng)度更新個體位置和適應(yīng)度；

33、在攻擊行為中使用chebyshev混沌映射生成的隨機數(shù)x(n+1)來擾動個體位置，在每次迭代中引入隨機性，

34、x(n+1)＝cos(acos-1(x(n))),a＝4???????(12)；

35、

36、步驟3.3，式(15)使用chebyshev混沌映射生成隨機數(shù)x(n+1)，根據(jù)混沌映射生成隨機數(shù)對每個個體執(zhí)行遷徙行為篩選，式(16)和式(17)表示了此策略包括用于全局瀏覽和搜索的遷徙行為，其中，表示到目前為止第t次迭代的第j維黑翅鳶的領(lǐng)先得分者；和分別表示第j維的第i只黑翅鳶在t和(t+1)次迭代步驟中的位置；fi表示任一黑翅鳶在第t次迭代中獲得的當(dāng)前位置；fri表示第t次迭代中任意黑翅鳶在第j維隨機位置的適應(yīng)度值；c(0,1)代表柯西突變，最后根據(jù)生成的隨機數(shù)更新個體位置，執(zhí)行邊界檢查，計算適應(yīng)度更新個體位置和適應(yīng)度；

37、在遷移行為中同樣使用chebyshev混沌映射生成的隨機數(shù)x(n+1)來更新個體位置，提高跳出局部最優(yōu)解并找到全局最優(yōu)解的能力；

38、x(n+1)＝cos(acos-1(x(n))),a＝4?????(15)；

39、

40、m＝2×sin(r+π/2)???????????(17)。

41、步驟4中約束條件具體為：

42、g∈g(18)；

43、

44、

45、式(18)為網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)約束，g為重構(gòu)后的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，g為配電網(wǎng)拓?fù)浣Y(jié)構(gòu)集合，該約束條件保證配電網(wǎng)重構(gòu)后負(fù)荷節(jié)點、電源節(jié)點都應(yīng)位于一個連通圖中，且保證輻射狀運行，所有負(fù)荷得電且網(wǎng)絡(luò)連通無孤島，支路無環(huán)路；式(19)、式(20)為功率平衡約束，式中pi、qi分別為注入節(jié)點i的有功與無功，ui、uj分別為節(jié)點i、j的電壓幅值，gij、bij分別為導(dǎo)納矩陣的實部和虛部，θij為節(jié)點i、j的電壓相角差，n為節(jié)點數(shù)；式(21)為節(jié)點電壓約束，和ui,t分別為t時刻節(jié)點i允許的電壓上下限；式(22)、式(23)為分布式電源有功出力約束，其中是t時刻節(jié)點i的光伏有功出力的上下限，是t時刻節(jié)點i的風(fēng)電有功出力的上下限；式(24)和式(25)為分布式電源無功出力約束，是t時刻節(jié)點i的風(fēng)電無功出力，是t時刻節(jié)點i的光伏無功出力，是節(jié)點i的風(fēng)電容量與光伏容量。

46、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

47、(1)本發(fā)明提出的基于改進chebyshev混沌映射黑翅鳶算法的配電網(wǎng)柔性重構(gòu)方法，相比于原始bka算法，使用chebyshev混沌映射生成初始種群。傳統(tǒng)的隨機初始化方法可能導(dǎo)致種群多樣性不足，容易陷入局部最優(yōu)，chebyshev混沌映射通過引入混沌序列，生成更加分散和隨機的初始種群，保證了種群的多樣性和搜索空間的隨機性。使用混沌映射生成的初始種群具有較好的分布特性，有助于bka算法在迭代過程中快速收斂到全局最優(yōu)解，從而提高算法的效率和穩(wěn)定性。

48、(2)本發(fā)明提出的基于改進chebyshev混沌映射黑翅鳶算法的配電網(wǎng)柔性重構(gòu)方法，相比于原始bka算法，使用chebyshev混沌映射用于攻擊行為和遷移行為篩選。在攻擊行為中使用chebyshev混沌映射生成的隨機數(shù)來擾動個體位置使得在每次迭代中引入隨機性，防止個體陷入局部最優(yōu)解；在遷移行為中同樣使用chebyshev混沌映射生成的隨機數(shù)來更新個體位置，確保搜索的多樣性。通過在兩個不同的步驟中引入混沌擾動，能夠有效地增強搜索過程中的隨機性和多樣性，從而提高跳出局部最優(yōu)解并找到全局最優(yōu)解的能力。