【配电网】基于遗传算法实现三相单目标配电网重构附matlab代码

简介: 【配电网】基于遗传算法实现三相单目标配电网重构附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测雷达通信 无线传感器

信号处理图像处理路径规划元胞自动机无人机

⛄ 内容介绍

配电网重构是配电管理系统的重要内容,本文提出一种遗传算法来处理配电网重构问题,采用实数编码.同时为解决遗传算法应用于配电网重构时产生的大量不可行解的问题,借助图论知识和搜索技术给出了不可行解的修复方案.理论分析和算例表明,该方法高效可行,适合配电网自动化的实际应用要求.

⛄ 部分代码


clear;

% %   IEEE34节点网络线路阻抗:          

%        %-首节点---- 末节点----------Z11-----------------Z22------------------Z33----------------Z12----------------Z13----------------Z23------------Zn-----------

%%%支路信息(节点 R X)

%支路信息% 9列 bus0 bus1  Zaa   Zbb  Zcc  Zab  Zac  Zbc  Zn(中性线阻抗) 前两列是支路编号,后六列是三相间的互阻抗

IData.Branch=...

[     0  1              0.6532+0.6520i   0.6469+0.6630i   0.6496+0.6582i   0.1027+0.2824i   0.1041+0.2451i   0.1010+0.2243i   0.6532+0.6520i;

      1  2              0.4380+0.4372i   0.4337+0.4446i   0.4356+0.4414i   0.0688+0.1893i   0.0698+0.1643i   0.0677+0.1504i   0.4380+0.4372i;

      2  3              8.1601+8.1448i   8.0807+8.2827i   8.1149+8.2229i   1.2825+3.5276i   1.3002+3.0612i   1.2611+2.8024i   8.1601+8.1448i;

      3  4              9.4943+9.4766i   9.4020+9.6371i   9.4418+9.5675i   1.4922+4.1044i   1.5128+3.5618i   1.4673+3.2607i   9.4943+9.4766i;

      4  5              7.5271+7.5130i   7.4539+7.6403i   7.4854+7.5851i   1.1830+3.2540i   1.1993+2.8238i   1.1633+2.5850i   7.5271+7.5130i;

      5  6              0.0037+0.0027i   0.0036+0.0027i   0.0036+0.0027i   0.0004+0.0012i   0.0004+0.0011i   0.0004+0.0010i   0.0037+0.0027i;

      6  7              0.1133+0.0829i   0.1125+0.0838i   0.1128+0.0834i   0.0137+0.0378i   0.0139+0.0334i   0.0134+0.0308i   0.1133+0.0829i;

      7  8              3.7321+2.7294i   3.7044+2.7615i   3.7164+2.7476i   0.4500+1.2457i   0.4562+1.1005i   0.4424+1.0129i   3.7321+2.7294i;

      8  9              0.3070+0.2246i   0.3048+0.2272i   0.3058+0.2261i   0.0370+0.1025i   0.0375+0.0905i   0.0364+0.0833i   0.3070+0.2246i;

      9  10             7.4714+5.4642i   7.4161+5.5285i   7.4401+5.5006i   0.9008+2.4938i   0.9132+2.2031i   0.8857+2.0277i   7.4714+5.4642i;

     10  11             0.1901+0.1390i   0.1887+0.1406i   0.1893+0.1399i   0.0229+0.0634i   0.0232+0.0560i   0.0225+0.0516i   0.1901+0.1390i;

     11  12             13.4625+9.8457i  13.3627+9.9615i  13.4060+9.9113i   1.6232+4.4935i   1.6455+3.9697i   1.5960+3.6537i  13.4625+9.8457i;

     12  13             0.0037+0.0027i   0.0036+0.0027i   0.0036+0.0027i   0.0004+0.0012i   0.0004+0.0011i   0.0004+0.0010i   0.0037+0.0027i;

     13  14             1.7911+1.3099i   1.7778+1.3253i   1.7836+1.3186i   0.2160+0.5978i   0.2189+0.5281i   0.2123+0.4861i   1.7911+1.3099i;

     14  15             2.1310+1.5585i   2.1153+1.5769i   2.1221+1.5689i   0.2569+0.7113i   0.2605+0.6284i   0.2526+0.5784i   2.1310+1.5585i;

     15  16             0.1023+0.0749i   0.1016+0.0757i   0.1019+0.0754i   0.0123+0.0342i   0.0125+0.0302i   0.0121+0.0278i   0.1023+0.0749i;

     16  17             0.4935+0.3609i   0.4898+0.3651i   0.4914+0.3633i   0.0595+0.1647i   0.0603+0.1455i   0.0585+0.1339i   0.4935+0.3609i;

     17  18             1.3305+0.9731i   1.3207+0.9845i   1.3249+0.9796i   0.1604+0.4441i   0.1626+0.3923i   0.1577+0.3611i   1.3305+0.9731i;

     18  19             0.1937+0.1417i   0.1923+0.1434i   0.1929+0.1426i   0.0234+0.0647i   0.0237+0.0571i   0.0230+0.0526i   0.1937+0.1417i;

      3  20             3.0773+1.6109i   3.0773+1.6109i   3.0773+1.6109i        0                  0                  0       3.0773+1.6109i;

      7  21             0.9067+0.4811i   0.9067+0.4811i   0.9067+0.4811i        0                  0                  0       0.9067+0.4811i;

     21  22             25.5295+13.5467i  25.5295+13.5467i  25.5295+13.5467i    0                  0                  0       25.5295+13.5467i;

     22  23             7.2851+3.8657i   7.2851+3.8657i   7.2851+3.8657i        0                  0                  0       7.2851+3.8657i;

      8  24             1.6065+0.8410i   1.6065+0.8410i   1.6065+0.8410i        0                  0                  0       1.6065+0.8410i;

     11  25             12.3698+6.4754i  12.3698+6.4754i  12.3698+6.4754i       0                  0                  0       12.3698+6.4754i;

     14  26             0.8589+0.4558i   0.8589+0.4558i   0.8589+0.4558i        0                  0                  0       0.8589+0.4558i;

     15  27             0.7384+0.5400i   0.7329+0.5464i   0.7353+0.5436i   0.0890+0.2465i   0.0902+0.2177i   0.0875+0.2004i   0.7384+0.5400i;

     27  28             0.9796+0.7164i   0.9724+0.7249i   0.9755+0.7212i   0.1181+0.3270i   0.1197+0.2889i   0.1161+0.2659i   0.9796+0.7164i;

     28  29             0.3144+0.2299i   0.3120+0.2326i   0.3130+0.2314i   0.0379+0.1049i   0.0384+0.0927i   0.0373+0.0853i   0.3144+0.2299i;

     28  30             0.1023+0.0749i   0.1016+0.0757i   0.1019+0.0754i   0.0123+0.0342i   0.0125+0.0302i   0.0121+0.0278i   0.1023+0.0749i;

     30  31             1.7688+1.3081i   1.7688+1.3081i   1.7688+1.3081i        0                  0                  0       1.7688+1.3081i;

     13  32                  0                  0                  0            0                  0                  0                  0 ;

     32  33             2.6736+2.6686i   2.6476+2.7138i   2.6588+2.6942i   0.4202+1.1558i   0.4260+1.0030i   0.4132+0.9182i   2.6736+2.6686i;

      2  6              0.0037+0.0027i   0.0036+0.0027i   0.0036+0.0027i   0.0004+0.0012i   0.0004+0.0011i   0.0004+0.0010i   0.0037+0.0027i;

      4  9              0.0037+0.0027i   0.0036+0.0027i   0.0036+0.0027i   0.0004+0.0012i   0.0004+0.0011i   0.0004+0.0010i   0.0037+0.0027i;

      8  13             0.0037+0.0027i   0.0036+0.0027i   0.0036+0.0027i   0.0004+0.0012i   0.0004+0.0011i   0.0004+0.0010i   0.0037+0.0027i;

     11  30             0.0037+0.0027i   0.0036+0.0027i   0.0036+0.0027i   0.0004+0.0012i   0.0004+0.0011i   0.0004+0.0010i   0.0037+0.0027i;

     19  28             0.0037+0.0027i   0.0036+0.0027i   0.0036+0.0027i   0.0004+0.0012i   0.0004+0.0011i   0.0004+0.0010i   0.0037+0.0027i;        

     ];    

     

     

   

% %------------------------------------------------------------------------------------------------------------------------------------------------------------------------  

%%%%% Daily load profiles of three typical customer sectors.

Rl=[1.05 0.83 0.98 0.9 0.8 0.82 0.6 0.65 0.58 0.59 0.68 0.74 0.78 0.78 0.79 0.8 0.88 1.36 1.63 1.7 1.68 1.71 1.55 1.22];

Il=[0.88 0.85 0.85 0.83 0.82 0.82 0.83 0.94 1.16 1.16 1.18 1.15 0.96 1.19 1.17 1.15 1.05 1 1 1.02 1.02 0.99 0.95 0.9];

Cl=[0.5 0.48 0.48 0.45 0.45 0.5 0.55 1.17 1.5 1.55 1.59 1.6 1.45 1.5 1.51 1.5 1.49 1.3 1 0.85 0.75 0.6 0.6 0.5];

%%以峰值为基准(有功)

RP=Rl/max(Rl);

IP=Il/max(Il);

CP=Cl/max(Cl);

%%以峰值为基准(无功)

% Rl=Rl*tan(acos(0.95));

% Il=Il*tan(acos(0.85));

% Cl=Cl*tan(acos(0.9));

% RQ=Rl/max(Rl);

% IQ=Il/max(Il);

% CQ=Cl/max(Cl);

%%%%% 三种负荷在各节点中的比例.1、2、3 分别表示商业、居民和工业负荷

RICp=[0.3 0.4 0.3; 0.2 0.5 0.3; 0.5 0.3 0.2;0.5 0.2 0.3;0.6 0.1 0.3;0.4 0.4 0.2;0.6 0 0.4;0.3 0.3 0.4;0.4 0.6 0;0.3 0 0.7;

   0.6 0.2 0.2;0.5 0.5 0;0.6 0.4 0;0.4 0.4 0.2;0.5 0.1 0.4;0.2 0.7 0.1;0.3 0.3 0.4;0.4 0.5 0.1;0.5 0.2 0.3;0.7 0.3 0;

   0.5 0.3 0.2;0.3 0 0.7; 0.5 0.4 0.1;0.4 0.5 0.1;0.6 0.4 0;0.7 0.3 0;0.1 0 0.9;0.6 0.3 0.1;0.4 0.1 0.5;0.7 0.2 0.1;

   0.4 0.4 0.2;0.2 0.1 0.7;0.3 0.7 0];


% RICl=[Rl;Il;Cl];

RICP=[CP;RP;IP];

RICPp= RICp*RICP;  %33*24

% RICQ=[CQ;RQ;IQ];

% RICQp= RICp*RICQ;  %33*24  


%%%初始时段节点功率信息:三相负荷采样数据(kW) 33*3

Busl{1}=[0   83.5885   54.1653; 0   51.7621   41.3857;56.4479   74.3268   65.8521;70.1321   66.5257   87.7068; 67.5830   45.4374         0;

102.8724   83.7232   67.4292;   0   49.7123         0;  0   66.1751         0;0         0   35.4929;43.8295         0         0;

72.8796   81.7878   96.1757;63.3237   56.4866   44.7257;59.1474   56.1288         0 ;56.4873   85.8456   68.9349;74.3676   74.2395   85.9734 ;

0   72.6754   63.2086;0   54.2931         0;50.8787   51.7596         0;0   73.0249         0;0   49.4106         0;

71.9222         0         0; 60.4192         0         0;47.0796         0         0; 0   62.6244         0;71.1889         0         0;

0   66.2078   45.5859;89.9806   72.1197   56.0245;61.9570   73.2844         0; 69.7396   69.4317   73.3830;99.8649   79.7141   52.9727;

55.4998   93.7000   70.5078; 0         0         0;94.8887   96.8714   64.7893];

%构造其它时段节点各相数据

%  %   IEEE34节点网络一天的三相负荷采样数据(kW):节点-采样时间t时刻A相负荷B相负荷C相负荷    如1点ABC表示凌晨1点时各个节点三相负荷      

%   IData.Busload     %-节点--24h-1点ABC-2点ABC-.......-24点ABC-----------------------------------

IData.Busload=[1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33]';

IData.Busload=[IData.Busload Busl{1}];

MBus=(Busl{1}>0);%得节点相型

SumBusl1=sum(Busl{1},2);

for i=2:24

   SumBusli=SumBusl1.*RICPp(:,i)./RICPp(:,1); %各时段各节点各相总负荷

   R=(5+rand(33,3)).*MBus;%产生5.5左右较为平均的随机数

   SPBusp3=sum(R,2);

   for j=1:33

       if SPBusp3(j)>0;

          PBusp3(j,:)=R(j,:)/SPBusp3(j);%得各相负荷比例

       else

          PBusp3(j,:)=[0 0 0];

       end

       Busl{i}(j,:)=SumBusli(j)*PBusp3(j,:);

   end

   IData.Busload= [IData.Busload Busl{i}];

end


%------------------------------------------------------------------------------------------------------------------------------------------------------------------------  

%   IEEE34节点负荷类型:节点---负荷连接类型---单相负荷/两相负荷  

% IData.BusStyle=...

%   [     1     1     2;

%         2     1     2;

%         3     0     0;

%         4     0     0;

%         5     0     0;

%         6     0     0;

%         7     2     1;

%         8     2     1;

%         9     3     1;

%         10    1     1;

%         11    0     0;

%         12    0     0;

%         13    0     0;

%         14    0     0;

%         15    0     0;

%         16    1     2;

%         17    0     0;

%         18    3     2;

%         19    0     0;

%         20    2     1;

%         21    1     1;

%         22    1     1;

%         23    1     1;

%         24    2     1;

%         25    1     1;

%         26    1     2;

%         27    0     0;

%         28    0     0;

%         29    0     0

%         30    0     0;

%         31    0     0;

%         32    0     0;

%         33    0     0;    

%          ];


   

% %环网支路信息

IData.ringBranches{1} = [3,4,5,6,34];

IData.ringBranches{2} = [5,6,7,8,9,35];

IData.ringBranches{3}= [9,10,11,12,13,36];

IData.ringBranches{4} = [12,13,14,15,27,28,30,37];

IData.ringBranches{5} = [28,27,16,17,18,19,38];

⛄ 运行结果

⛄ 参考文献

[1]程远林, 李茂军. 基于改进单亲遗传算法的多目标配电网重构[C]// 中国高等学校电力系统及其自动化专业第二十二届学术年会. 河海大学, 2006.

[2]何伟强, 孙中伟, 赵康. 基于改进遗传算法的多目标配电网重构[J]. 中国电力教育, 2010(A01):3.

❤️ 关注我领取海量matlab电子书和数学建模资料
❤️部分理论引用网络文献,若有侵权联系博主删除


相关文章
|
15天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于MSER和HOG特征提取的SVM交通标志检测和识别算法matlab仿真
### 算法简介 1. **算法运行效果图预览**:展示算法效果,完整程序运行后无水印。 2. **算法运行软件版本**:Matlab 2017b。 3. **部分核心程序**:完整版代码包含中文注释及操作步骤视频。 4. **算法理论概述**: - **MSER**:用于检测显著区域,提取图像中稳定区域,适用于光照变化下的交通标志检测。 - **HOG特征提取**:通过计算图像小区域的梯度直方图捕捉局部纹理信息,用于物体检测。 - **SVM**:寻找最大化间隔的超平面以分类样本。 整个算法流程图见下图。
|
10天前
|
算法
基于粒子群算法的分布式电源配电网重构优化matlab仿真
本研究利用粒子群算法(PSO)优化分布式电源配电网重构,通过Matlab仿真验证优化效果,对比重构前后的节点电压、网损、负荷均衡度、电压偏离及线路传输功率,并记录开关状态变化。PSO算法通过迭代更新粒子位置寻找最优解,旨在最小化网络损耗并提升供电可靠性。仿真结果显示优化后各项指标均有显著改善。
|
5天前
|
机器学习/深度学习 算法 数据挖掘
基于GWO灰狼优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
本项目展示了基于分组卷积神经网络(GroupCNN)和灰狼优化(GWO)的时间序列回归预测算法。算法运行效果良好,无水印展示。使用Matlab2022a开发,提供完整代码及详细中文注释。GroupCNN通过分组卷积减少计算成本,GWO则优化超参数,提高预测性能。项目包含操作步骤视频,方便用户快速上手。
|
6天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于WOA鲸鱼优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
本项目展示了一种基于WOA优化的GroupCNN分组卷积网络时间序列预测算法。使用Matlab2022a开发,提供无水印运行效果预览及核心代码(含中文注释)。算法通过WOA优化网络结构与超参数,结合分组卷积技术,有效提升预测精度与效率。分组卷积减少了计算成本,而WOA则模拟鲸鱼捕食行为进行优化,适用于多种连续优化问题。
|
17天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GA遗传优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
该算法结合了遗传算法(GA)与分组卷积神经网络(GroupCNN),利用GA优化GroupCNN的网络结构和超参数,提升时间序列预测精度与效率。遗传算法通过模拟自然选择过程中的选择、交叉和变异操作寻找最优解;分组卷积则有效减少了计算成本和参数数量。本项目使用MATLAB2022A实现,并提供完整代码及视频教程。注意:展示图含水印,完整程序运行无水印。
|
8天前
|
机器学习/深度学习 算法 5G
基于BP神经网络的CoSaMP信道估计算法matlab性能仿真,对比LS,OMP,MOMP,CoSaMP
本文介绍了基于Matlab 2022a的几种信道估计算法仿真,包括LS、OMP、NOMP、CoSaMP及改进的BP神经网络CoSaMP算法。各算法针对毫米波MIMO信道进行了性能评估,通过对比不同信噪比下的均方误差(MSE),展示了各自的优势与局限性。其中,BP神经网络改进的CoSaMP算法在低信噪比条件下表现尤为突出,能够有效提高信道估计精度。
22 2
|
16天前
|
算法 决策智能
基于禁忌搜索算法的VRP问题求解matlab仿真,带GUI界面,可设置参数
该程序基于禁忌搜索算法求解车辆路径问题(VRP),使用MATLAB2022a版本实现,并带有GUI界面。用户可通过界面设置参数并查看结果。禁忌搜索算法通过迭代改进当前解,并利用记忆机制避免陷入局部最优。程序包含初始化、定义邻域结构、设置禁忌列表等步骤,最终输出最优路径和相关数据图表。
|
14天前
|
算法
基于最小二乘递推算法的系统参数辨识matlab仿真
该程序基于最小二乘递推(RLS)算法实现系统参数辨识,对参数a1、b1、a2、b2进行估计并计算误差及收敛曲线,对比不同信噪比下的估计误差。在MATLAB 2022a环境下运行,结果显示了四组误差曲线。RLS算法适用于实时、连续数据流中的动态参数辨识,通过递推方式快速调整参数估计,保持较低计算复杂度。
|
17天前
|
编解码 算法 数据挖掘
基于MUSIC算法的六阵元圆阵DOA估计matlab仿真
该程序使用MATLAB 2022a版本实现基于MUSIC算法的六阵元圆阵DOA估计仿真。MUSIC算法通过区分信号和噪声子空间,利用协方差矩阵的特征向量估计信号到达方向。程序计算了不同角度下的MUSIC谱,并绘制了三维谱图及对数谱图,展示了高分辨率的DOA估计结果。适用于各种形状的麦克风阵列,尤其在声源定位中表现出色。
|
17天前
|
数据采集 算法 5G
基于稀疏CoSaMP算法的大规模MIMO信道估计matlab性能仿真,对比LS,OMP,MOMP,CoSaMP
该研究采用MATLAB 2022a仿真大规模MIMO系统中的信道估计,利用压缩感知技术克服传统方法的高开销问题。在稀疏信号恢复理论基础上,通过CoSaMP等算法实现高效信道估计。核心程序对比了LS、OMP、NOMP及CoSaMP等多种算法的均方误差(MSE),验证其在不同信噪比下的性能。仿真结果显示,稀疏CoSaMP表现优异。
34 2