一種基于改進pso-de混合算法的配電網(wǎng)重構方法
【專利摘要】本發(fā)明提出一種基于改進的PSO-DE混合算法的配電網(wǎng)重構方法。將生成的初始群體平均分成兩個種群，其中一個種群作為粒子群算法的種群，另一個種群作為差分進化算法的種群；對粒子群算法種群中的個體進行速度和位置的更新，對差分進化算法種群中的個體進行變異、雜交以及選擇操作；對兩個種群中的個體所對應的配電網(wǎng)絡的潮流計算的結果獲得一個多目標函數(shù)最優(yōu)的二進制編碼，然后根據(jù)編碼得出最優(yōu)網(wǎng)絡。本發(fā)明不僅可以有效得到含分布式電源配電網(wǎng)重構的最優(yōu)解，而且大大提高了收斂速度。
【專利說明】
一種基于改進PSO-DE混合算法的配電網(wǎng)重構方法
技術領域
[0001] 本發(fā)明屬于電力系統(tǒng)自動化領域，具體涉及一種基于改進的PSO-DE混合算法的 配電網(wǎng)重構方法。
【背景技術】
[0002] 由于分布式電源有著經(jīng)濟、靈活、高效率等優(yōu)點，分布式發(fā)電技術發(fā)展迅速而且逐 步并入電網(wǎng)中運行。分布式電源接入配電網(wǎng)中，勢必會對電網(wǎng)的正常運行造成一些影響。 而現(xiàn)在配電網(wǎng)運行趨于自動化，配電網(wǎng)重構就是其重要內(nèi)容之一。分布式電源接入配電網(wǎng) 之后也將會配電網(wǎng)的重構造成影響，所以對含分布式電源的配電網(wǎng)進行重構有著重要的意 義。
[0003] 配電網(wǎng)一般都為閉環(huán)結構設計，運行時為開環(huán)的狀態(tài)。配電網(wǎng)中包含大量聯(lián)絡開 關和分段開關，可以通過開關的斷合來改變網(wǎng)絡的結構。配電網(wǎng)重構即在保證整個網(wǎng)絡為 輻射狀運行的前提下，同時還需要滿足電壓質量要求以及變壓器容量的約束，通過改變聯(lián) 絡線上的開關以及分段開關的開合狀態(tài)來改變網(wǎng)絡的拓撲結構，使其網(wǎng)損、負荷平衡指標 或者電壓質量指標處于最優(yōu)?，F(xiàn)有的配電網(wǎng)重構方法大多都有收斂速度慢、容易陷入局部 最優(yōu)解的缺點。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在提出一種基于改進的PSO-DE混合算法的配電網(wǎng)重構方法，其以 一種新型的、收斂速度快、能有效得到最優(yōu)解的智能算法對含分布式電源的配電網(wǎng)進行重 構，不僅可以有效得到含分布式電源配電網(wǎng)重構的最優(yōu)解，而且大大提高了收斂速度 [0005] 為了解決上述技術問題，本發(fā)明提出一種基于改進的PSO-DE混合算法的配電網(wǎng) 重構方法，包括以下步驟：
[0006] 步驟一、初始化并設置基本參數(shù)，基本參數(shù)包括：粒子群算法中的參數(shù)群體規(guī)模 M、最大迭代次數(shù)Tniax、最大慣性因子、最小慣性因子w_、控制因子λ、加速因子cdP c 2， 差分進化算法中的參數(shù)最大縮放因子Fniax、最小縮放因子F_、變異概率上限0?_以及變異 概率下限CR_;
[0007] 步驟二、生成初始混合種群，將生成的初始群體平均分成兩個種群，其中一個種群 作為粒子群算法的種群，另一個種群作為差分進化算法的種群；
[0008] 步驟三、對粒子群算法種群中的個體進行速度和位置的更新，對差分進化算法種 群中的個體進行變異、雜交以及選擇操作；
[0009] 步驟四、分別判斷兩個種群中的個體所對應的配電網(wǎng)絡是否為輻射狀網(wǎng)絡，若為 輻射狀網(wǎng)則繼續(xù)進行步驟六，若不是輻射狀網(wǎng)則返回步驟三；
[0010] 步驟五、對輻射狀網(wǎng)絡進行潮流計算，根據(jù)潮流計算的結果計算多目標函數(shù)，根據(jù) 多目標函數(shù)獲得適應值；
[0011] 步驟六、在兩個種群中，選取適應值最大的個體作為混合種群中最佳個體；
[0012] 步驟七、判斷是否達到最大迭代次數(shù)限制條件，若達到則停止搜索，輸出最優(yōu)個體 以及個體對應的配電網(wǎng)絡參數(shù)，否則返回步驟三。
[0013] 進一步，步驟三中，在對粒子群算法種群中的個體進行速度更新時所使用的慣性 權重w如公式（1)所示： _
⑴
[0015] 公式⑴中，λ為控制因子，T為迭代次數(shù)，Tniax為預先設置的最大迭代次數(shù)，w _ 為最大慣性因子，為最小慣性因子。
[0016] 進一步，步驟三中，進行變異操作時，對向量Ug)的d'位進行變異操作，即1變 為〇,〇變?yōu)?。
[0017] 進一步,步驟三中，在交叉操作的時,新生成的向量Ui (g+Ι)上當已經(jīng)有N個位置 產(chǎn)生0時，則將后面所有位置上的二進制編碼都設置為1，停止交叉操作；當交叉操作完成 后，新生成的U 1 (g+Ι)上0的位數(shù)不足N時，則隨機補齊成N個0。
[0018] 進一步，步驟五中，所述多目標函數(shù)如公式（2)所示：
[0019] minf = λ J1+λ 2f2+λ 3f3 (2)
[0020] 公式（2)中，為配電網(wǎng)網(wǎng)損，f2為電壓偏移指數(shù)，^為開關操作代價；λ i，λ2, λ3 分別為各項指標在總目標函數(shù)中所占比重。
[0021] 進一步，步驟六中，同時選取較優(yōu)的M個個體形成新的混合種群作為下一次搜索 的父代；所述較優(yōu)的M個個體是按照適應值由大到小排列選取的個體。
[0022] 本發(fā)明與現(xiàn)有技術相比，其顯著優(yōu)點在于，本發(fā)明將現(xiàn)有的兩種智能優(yōu)化算法進 行合并，并且對混合算法中差分進化算法的交叉操作和選擇操作進一步作了改進，提高了 收斂速度和跳出局部最優(yōu)解的能力；本發(fā)明通過對實際含分布式電源的配電網(wǎng)進行重構， 證明了該算法在實際網(wǎng)絡中也能夠很好地運用；本發(fā)明對配電網(wǎng)進行多目標重構，不但可 以保證配電網(wǎng)運行時有功網(wǎng)損最小，而且也可以保證負荷平衡指數(shù)最低，電壓偏移量指數(shù) 也最低，從而保證了電網(wǎng)處于最佳運行狀態(tài)。
【附圖說明】
[0023] 圖1是本發(fā)明方法簡要流程圖。
[0024] 圖2是本發(fā)明方法詳細流程圖。
[0025] 圖3是本發(fā)明試驗中配電網(wǎng)諾簡化圖。
[0026] 圖4是本發(fā)明方法與PSO算法的收斂對比如圖。
[0027] 圖5本發(fā)明方法與DE算法的收斂對比圖。
【具體實施方式】
[0028] -般來說，對配電網(wǎng)進行重構時，需要先將配電網(wǎng)的結構準換為編碼。本發(fā)明將配 電網(wǎng)結構以二進制編碼來表示，作為PSO算法（粒子群算法）以及DE算法（差分進化算 法）中的粒子和個體，配電網(wǎng)每條支路上開關的開合狀態(tài)直觀地用二進制編碼來表示，其 中1表示支路閉合，〇表示支路斷開，整個網(wǎng)絡的結構則用一個二進制編碼來表示，編碼的 位數(shù)和配電網(wǎng)支路數(shù)目相等。通過本發(fā)明方法的計算獲得一個多目標函數(shù)最優(yōu)的二進制編 碼，然后根據(jù)編碼得出最優(yōu)網(wǎng)絡。具體步驟如下：
[0029] 步驟一、初始化并設置基本參數(shù)，基本參數(shù)包括：PSO算法（粒子群算法）中的參 數(shù)群體規(guī)模M、最大迭代次數(shù)Tniax、最大慣性因子、最小慣性因子w_、控制因子λ、加速 因子cdP c 2, DE算法（差分進化算法）中的參數(shù)最大縮放因子Fniax、最小縮放因子F_、變 異概率上限CRniax以及變異概率下限CR 其中，
[0030] 群體規(guī)模M，即生成M個初始解所代表的個體；
[0031] 最大迭代次數(shù)Tniax，即迭代到該次數(shù)時退出迭代計算；
[0032] 最大慣性因子，最小慣性因子w_，慣性因子w的大小影響著本發(fā)明計算方法 的整體收斂性，控制著前一次迭代速度對后一次迭代速度的影響，較大的慣性因子w可以 加強PSO的全局搜索能力，而較小的慣性因子w可以加強PSO的局部搜索能力。
[0033] 控制因子λ，用于控制w和T變化曲線的平滑度的參數(shù)。
[0034] 加速因子cdP c 2，分別表示了兩個優(yōu)化解的權重。
[0035] 最大縮放因子Fniax，最小縮放因子F_，較大的F能夠使種群更加多樣性，此時的全 局搜索能力比較強；到了進化的后期時，F(xiàn)快速減小，收斂的速度可以加快并且此時局部搜 索能力較強。
[0036] 變異概率上限CRniax，變異概率下限CR_;較小變異概率CR能夠使種群更加多樣 性，此時的全局搜索能力比較強；到了進化的后期時，變異概率CR逐漸變大，收斂的速度可 以加快并且此時局部搜索能力較強。
[0037] 步驟二、初始種群生成模塊，將初始生成的群體平均分成兩個種群，其中一個種群 作為粒子群算法的種群PSO-DE(PSO)，另一個種群作為差分進化算法的種群PSO-DE(DE)， 該兩個種群的初始化位置分別位于不同的區(qū)域；
[0038] 步驟三、設置迭代的次數(shù)計數(shù)器T = 0 ;
[0039] 步驟四、對PSO-DE (PSO)種群中的粒子，即PSO-DE (PSO)種群中的個體進行速度和 位置的更新，對PSO-DE(DE)種群中的個體進行變異、雜交以及選擇操作；
[0040] 其中，PSO-DE(PSO)種群中的每個粒子j的狀態(tài)由當其位置和搜索速度表示，位置 和信息用向量表示為X j= (X _n，x_j2,... x_jM)'，其中，乂^表示粒子j代表的位置向量，X _jn表 示粒子j的第η位的位置編碼，速度信息用向量表示為Vj= (V vj2,... vjM) '，Vj為粒子 j代表的速度向量，v]n表示粒子j的第η位的速度編碼。搜索迭代中，粒子會通過兩個最 優(yōu)位置來不斷調整自己的飛行狀態(tài)，一個是粒子j自身到目前為止所搜索到的最優(yōu)位置， 代表了粒子的自身認知水平，記為P j= (P _n，P_j2,... P_jMV ,Pj為粒子j代表的速度向量，P _jn 表示粒子j的第η位的位置編碼，該位置的粒子適應度記為pb_;M-個是此時整個群體 所搜索到最優(yōu)位置，代表了粒子的社會認知水平，記為G,= (g n，g]2,... g]M)'，表示粒子j 為群體最優(yōu)粒子，6,表示該粒子代表的位置向量，g ]n表示第j個粒子的第η位的位置編碼， 該位置的群體適應度記為gtest。粒子通過跟蹤和學習這兩個最優(yōu)位置來不斷改變自身的搜 索速度，確定下一步的搜索方向，進而更新自身的位置和速度去尋找最優(yōu)解。
[0041] 蛉罕逋麼審瓿加公才m所元·
[0042]
[0043] 粒子位置更新如公式（2)所示：
[0044]
(2>
[0045] 式（1)和⑵中：
[0046] V^1表示粒子第k+Ι次迭代速度；
[0047] O,1表示粒子第k+Ι次迭代的搜索的位置；
[0048] w為慣性權重，決定了粒子當前速度繼承的多少，來均衡粒子的探索能力和開發(fā)能 力，本發(fā)明進一步對慣性權重策略進行了改進，加入控制因子λ來控制慣性權重w隨著迭 代次數(shù)T而變化的曲線平滑度，改進后的慣性權重為變量參數(shù)，如公式（3)所示：
[0049]
C3:)
[0050] 其中λ為控制因子，通常該值取3。
[0051] Cl、C2為大于0的加速因子，分別表示了兩個優(yōu)化解的權重；
[0052]
分別為粒子j迭代k+Ι次后個體最優(yōu)值所對應的位置以及群體 最優(yōu)值所對應的位置。
[0053] 在對PSO-DE(PSO)種群中個體進行變異操作、交叉操作和選擇操作時，先對種群 中每個個體進行變異操作，再對變異之后的個體進行交叉操作，最后對進行完變異、交叉操 作之后的個體進行選擇操作。具體方法如下所示：
[0054] (1)變異操作
[0055] 設Xjg) = (xn(g)，xi2(g)，· · ·，xin(g))表示第g代的第i個個體。從種群中隨機 選取出第g代的3個隨機個體XH(g)、X rt(g)、Xrt(g)且i古rl古r2古r3,其二進制編碼如 表1所示：
[0056] 表1任意三個向量編碼
[0058] 在變異操作中，以海明距離來表示向量Xrt (g)和向量Xrt (g)之間的差。設Xrf (g) 和Xrt(g)間的海明距離為D(Xrf(g)，Xrt(g)) =d，F(xiàn)為縮放因子，經(jīng)過縮放后的距離取d'= Fd，因該值為實數(shù)，所以需要將d'向上或者向下取整數(shù)，即int(d')或者int(d' )+1，其 中int()為取整操作。cT向上和向下取整的概率分布為：
[0059] P(d' -（int)d' +1) = d' -(int)d' (4)
[0060] P(d/ (int)d/ ) = l-(d/ -(int)d/ ) (5)
[0061] 設Xrl(g)與其變異后的向量Mjg+l)間的海明距離為D(M1^l)J rl (g))，表示 Mg)向量需要變異的位數(shù)，按以下公式計算：
[0062]
(6)
[0063] 式中，r為[0，1 ]間均勻分布的隨機數(shù)。
[0064] 太勞昍對縮協(xié)田罕枏抿公才m氺進行改進：
[0065]
(7)
[0066] 其中，F(xiàn)niax設0. 9, F _設為0. 2, T _是設定的最大迭代次數(shù)，T是目前迭代的次數(shù)。
[0067] 本發(fā)明對變異操作進行了更進一步的改進，對向量Mg)的d'位進行變異操作， 即1變?yōu)椹?〇變?yōu)?。為了保證打開開關數(shù)目為N，可設定打開的開關和閉合的開關數(shù)相同， 都為K，其中K如公式（8)所示，
[0068] (8)
[0069] 此時隨機將K個開關由1狀態(tài)變?yōu)?,隨機將K各開關由0變?yōu)?，如此保證了網(wǎng) 絡為輻射網(wǎng)的必要條件，減小了不可行解，增大了交叉操作的效率。
[0070] ⑵交叉操作
[0071] DE算法的交叉操作是將變異向量％&+1)和目標向量XJg)進行交叉，生成一個 測試向量U1 (g+Ι)。交叉操作如公式（9)所示：
[0072]
(9)
[0073] 式中，F(xiàn)and1 $ [0,1]間的均勻分布的隨機數(shù)；CR為交叉概率，根據(jù)公式（10)來 設定：
[0074]
(IO)
[0075] 其中，CRniax設0. 9, CR _設為0. 2, T _是設定的最大迭代次數(shù)，T是目前迭代的次 數(shù)。
[0076] rand(i)為[1，η]之間的隨機整數(shù)。這種交叉操作能夠保證U1 (g+Ι)中至少有一 個分量SM1 (g+Ι)提供。
[0077] 同樣的，在交叉操作的時，新生成的向量1]1&+1)上已經(jīng)有N個位置產(chǎn)生0時，則 將后面所有位置上的二進制編碼都設置為1，停止交叉操作；當交叉操作完成后，新生成的 U1 (g+Ι)上0的位數(shù)不足N，則隨機補齊成N個0。
[0078] 通過改進的變異操作和交叉操作，DE產(chǎn)生的新種群中不可行解大大減少。
[0079] (3)選擇操作
[0080] DE算法是通過自然法則中"優(yōu)勝劣汰"準則來進行選擇操作的，能夠不斷地向最優(yōu) 解進化。設目標函數(shù)為f (X)，按公式（11)進行選擇操作：
[0081]
(-11)
[0082] ilUg+l)的適應度比目標向量XJg)的適應度小的時候，Ujg+1)將會取代 X1 (g)，進入下一代繼續(xù)進行進化，反之則將X1 (g)保留在種群中，繼續(xù)作為下一代中的個體 向量。
[0083] 步驟五、分別判斷兩個種群中的個體所對應的配電網(wǎng)絡是否為輻射狀網(wǎng)絡，若為 輻射狀網(wǎng)則繼續(xù)進行步驟六，若不是輻射狀網(wǎng)則返回步驟四。
[0084] 步驟六、對輻射狀網(wǎng)絡進行潮流計算，根據(jù)潮流計算的結果計算目標函數(shù)，根據(jù)目 標函數(shù)獲得適應值，適應值為目標函數(shù)的倒數(shù)；
[0085] 本發(fā)明以多目標函數(shù)為優(yōu)化目的，多目標函數(shù)采用線性加權法，線性加權法是多 目標優(yōu)化中最常用的方法，該方法根據(jù)每個目標在優(yōu)化問題中的重要程度，來決定各個目 標的系數(shù)，再將帶權值系數(shù)的單個目標相加來組合成一個新的評價函數(shù)，即多目標函數(shù)。適 應值為該多目標函數(shù)的倒數(shù)。
[0086] 本發(fā)明綜合考慮配電網(wǎng)網(wǎng)損、電壓偏移指數(shù)、開關操作代價三個指標后的多目標 函數(shù)如公式（12)所示：
[0087] minf = λ J1+λ 2f2+λ 3f3 (12)
[0088] 其中：匕為配電網(wǎng)網(wǎng)損，f2為電壓偏移指數(shù)，f 3為開關操作代價；λ λ2, λ3分別 為各項指標在總目標函數(shù)中所占比重，參數(shù)可根據(jù)決策者喜好獲得，λ ^勺值越大，表示f i 在總函數(shù)中的權重越大，也就意味著該目標越重要。
[0089] 適應值函數(shù)
[0090] 步驟七、在兩個種群中，選取適應值最大的個體作為混合種群中最佳個體，同時選 取較優(yōu)的M個個體形成新的混合種群作為下一次搜索的父代；所述較優(yōu)的M個個體是按照 適應值由大到小排列選取的個體；
[0091] 步驟八、判別是否達到最大迭代次數(shù)限制條件，若達到則停止搜索，輸出最優(yōu)個體 以及個體對應的配電網(wǎng)絡參數(shù)，否則返回步驟三~八繼續(xù)搜索。
[0092] 本發(fā)明可以通過以下實驗進一步說明：
[0093] 該某片區(qū)為IOkV配電網(wǎng)，有8條母線，7個聯(lián)合開關，23個普通開關，一共30條支 路，總負荷為7806. 7+j3030kVA，由于實際配電網(wǎng)的每條線路的配電情況非常復雜，所以將 網(wǎng)絡進行簡化。簡化的過程：將相近的負荷合并，且將在同一開關的線路合并為同一線路， 刪除較小的分支，只保留主線路和重要支路。簡化后的網(wǎng)絡不僅包含所有的開關，而且網(wǎng)絡 結構簡單，可以有效地判斷網(wǎng)絡結構。將該網(wǎng)絡每個節(jié)點進行編號，該網(wǎng)絡8條饋線獨立為 負荷供電，為了有效判別網(wǎng)絡的輻射性，對該配電網(wǎng)做一個等效，將所有饋線根節(jié)點合并成 一個節(jié)點，整個配電網(wǎng)可視為一棵樹供電。等效之后該網(wǎng)絡為24個節(jié)點，支路30條，其中9 節(jié)點處為一個小型風電場，風電場作為DG直接接入配電網(wǎng)中。網(wǎng)絡圖如圖3所示，配電網(wǎng) 的線路和節(jié)點參數(shù)，參數(shù)如表2、表3所示。 [0094] 表2配電網(wǎng)支路參數(shù)


[0099] 當小型風電場輸入功率為P = 300kW，Q = 225kW時，以本發(fā)明對該網(wǎng)絡進行多目 標的配電網(wǎng)重構，初始化并設置基本參數(shù)：初始種群規(guī)模M為30,最大迭代次數(shù)Tniax為50， 學習因子 C1= C2= 2, Wnax= 0.9, Wnin= 0.4, λ = 3, Fnax= 0.9, Fnin= 0.2, CRnax= 0.9， CRmin= 0· 2 O
[0100] 由于本實驗中有8個變電站輸出線路，當8臺變壓器同時為該配電網(wǎng)輸電時，線路 1、8、10、12、17、19、24、25所在的這8個開關必須是閉合的，需要在程序中設定這幾個開關 所在的向量值恒為1。得到的重構結果取最優(yōu)解，如表4所示：
[0101] 表4配電網(wǎng)重構結果
[0103] 從結果可以看出，重構前后的開關狀態(tài)只有2個發(fā)生變化，然而配電網(wǎng)網(wǎng)損卻大 大減小，從原來的64. 7913kW減小到35. 0154kW，減小了 42. 0%。最低節(jié)點電壓從0. 9790 升到了 0. 9861，電壓偏移量由0. 0026降為0. 0010,配電網(wǎng)供電的可靠性也有了很大的提 升。可見配電網(wǎng)重構在實際網(wǎng)絡上也能很好地運用，不但使網(wǎng)損減小，還提高了配電網(wǎng)供電 的可靠性，效果明顯。
[0104] 本發(fā)明還分別用PSO算法，DE算法以及本發(fā)明方法對配電網(wǎng)進行重構，并進行收 斂速度的對比。以往的方法優(yōu)勢對比都是分開計算，計算多次，以迭代次數(shù)的平均數(shù)來進行 對比。但是由于初始種群的影響，以及計算過程中的隨機性，迭代的速度和收斂的效果每次 差別非常大，以平均數(shù)對比效果不明顯。為了避免兩次計算初始種群對算法收斂的影響，保 證初始種群的一致性。本發(fā)明同時進行兩種算法，即根據(jù)同一初始種群分別進行后續(xù)的計 算和迭代。記錄計算過程中得到每一代最優(yōu)解，根據(jù)每一代的最優(yōu)解作出收斂對比圖。
[0105] 本發(fā)明方法與PSO算法的收斂對比如圖4所示，本發(fā)明方法與DE算法的收斂對比 如圖5所示。從前述收斂對比圖可見，對于同一初始種群的PSO-DE算法和PSO算法、DE算 法進行計算相比，PSO-DE混合算法收斂速度遠遠快于PSO算法和DE算法，而且更加容易得 到全局最優(yōu)解。說明本發(fā)明方法是有效的，而且優(yōu)勢明顯。
【主權項】
1. 一種基于改進的PSO-DE混合算法的配電網(wǎng)重構方法，其特征在于，包括W下步驟： 步驟一、初始化并設置基本參數(shù)，基本參數(shù)包括：粒子群算法中的參數(shù)群體規(guī)模M、最 大迭代次數(shù)Tm。,、最大慣性因子Wm。,、最小慣性因子Wmm、控制因子A、加速因子Cl和C 2,差分 進化算法中的參數(shù)最大縮放因子Fm。、、最小縮放因子Fmm、變異概率上限W及變異概率 下限CRmm; 步驟二、生成初始混合種群，將生成的初始群體平均分成兩個種群，其中一個種群作為 粒子群算法的種群，另一個種群作為差分進化算法的種群； 步驟H、對粒子群算法種群中的個體進行速度和位置的更新，對差分進化算法種群中 的個體進行變異、雜交W及選擇操作； 步驟四、分別判斷兩個種群中的個體所對應的配電網(wǎng)絡是否為福射狀網(wǎng)絡，若為福射 狀網(wǎng)則繼續(xù)進行步驟六，若不是福射狀網(wǎng)則返回步驟H ; 步驟五、對福射狀網(wǎng)絡進行潮流計算，根據(jù)潮流計算的結果計算多目標函數(shù)，根據(jù)多目 標函數(shù)獲得適應值； 步驟六、在兩個種群中，選取適應值最大的個體作為混合種群中最佳個體； 步驟走、判斷是否達到最大迭代次數(shù)限制條件，若達到則停止搜索，輸出最優(yōu)個體W及 個體對應的配電網(wǎng)絡參數(shù)，否則返回步驟H。2. 如權利要求1所述基于改進的PSO-DE混合算法的配電網(wǎng)重構方法，其特征在于，步 驟H中，在對粒子群算法種群中的個體進行速度更新時所使用的慣性權重W如公式（1)所 示：(1) 公式（1)中，A為控制因子，T為迭代次數(shù)，Tm。,為預先設置的最大迭代次數(shù)，W m。功最 大慣性因子，Wmi。為最小慣性因子。3. 如權利要求1所述基于改進的PSO-DE混合算法的配電網(wǎng)重構方法，其特征在于，步 驟H中，進行變異操作時，對向量Xfi(g)的d'位進行變異操作，即1變?yōu)?,0變?yōu)?。4. 如權利要求1所述基于改進的PSO-DE混合算法的配電網(wǎng)重構方法，其特征在于，步 驟H中，在交叉操作的時，新生成的向量Ui (g+1)上當已經(jīng)有N個位置產(chǎn)生0時，則將后面 所有位置上的二進制編碼都設置為1，停止交叉操作；當交叉操作完成后，新生成的Ui (g+1) 上0的位數(shù)不足N時，則隨機補齊成N個0。5. 如權利要求1所述基于改進的PSO-DE混合算法的配電網(wǎng)重構方法，其特征在于，步 驟五中，所述多目標函數(shù)如公式（2)所示： minf =入 ifi+ 入 2'2+ 入 3'3 0) 公式似中，為配電網(wǎng)網(wǎng)損，f 2為電壓偏移指數(shù)，f 3為開關操作代價；入1，入2,入3分 別為各項指標在總目標函數(shù)中所占比重。6. 如權利要求1所述基于改進的PSO-DE混合算法的配電網(wǎng)重構方法，其特征在于，步 驟六中，同時選取較優(yōu)的M個個體形成新的混合種群作為下一次搜索的父代；所述較優(yōu)的M 個個體是按照適應值由大到小排列選取的個體。
【文檔編號】G06N3/00GK106033887SQ201510119921
【公開日】2016年10月19日
【申請日】2015年3月18日
【發(fā)明人】邵雯, 張俊芳, 林莎, 史媛, 褚智亮, 畢月, 許輝
【申請人】南京理工大學