配电网多目标pareto重构+智能算法matlab

简介: 配电网多目标pareto重构+智能算法matlab

前言:之前分享的采用智能算法的配电网优化重构和故障重构程序,主要是采用罚函数的方式确保网络不出现环网和孤岛,但是在多目标pareto求解中,采用罚函数的方式大大降低了程序可用性,因此主要的难点就在于此,本次和大家看一下多目标重构的编程方法。


一、主要理论

以IEEE 33节点系统为例说明,配网中保持配网辐射状态的方法,IEEE 33节点系统有33个节点,32个分段开关和5个联络开关,为了使得网络保持辐射运行状态,具体的步骤如下:

1.将系统中的各个支路进行标号,0代表支路上的开关是断开的,1代表支 路上的开关是闭合的; 2.利用图论决定基本的环路,环路的个数与联络开关的个数是一样的,对33 节点系统而言即5个,如下图所示。

3.然后,根据基本的环路列出基本环矩阵M。 M的行数即基本环的个数, 列数为支路数最多的那个环的支路数,其他小一些的环中没有这么多支路的空余 的地方值都填充为0。本文中,为了更简便,每条支路,包括环共有的支路,都只会包含在一个支路环里,这样就省略了节点分类以及还需创建其他支路的麻烦。 编码的规则是从图的最上面的支路编码到最下面的支路,从最左边的支路编码到最右边的支路。公共的支路只会被包含在首次将其编码进去的环内。通过上面的编码即得到IEEE 33节点的基本环矩阵M:

4.从矩阵M的每一行中选取一个非零元素,在每一次的网络重构中,每个环路中的都有且只有一条支路(非零元素)能被选为断开,每个环中被选中的断开的支路开关状态改为0,其余支路的开关状态都保持为1。

通过上面的步骤,在重构过程中没有非可行解的产生,因此整个重构过程的步骤大大简化。

该算例的目标函数分别是网损、电压偏差和开关开断成本。

二、主要程序内容

通过引入kxx函数改变传统罚函数方式,在目标函数中增加方案校验和修正方式,确保满足配网联络性和辐射性特点。

al=0.9,0.88,0.89,0.91,0.92,0.94,0.96,1.02,1.04,1.06,1.08,1.05,1.02,0.98,0.96,0.95,0.98,0.99,1.02,1.05,1.07,1.05,1.03,0.96];%不同时间负荷比例
 
pw=50.*[0.359165    0.378539    0.397914    0.546945    0.518629    0.497765    0.459016    0.318927    0.253353    0.4307  0.490313    0.561848    0.582712    0.603577    0.643815    0.663189    0.718331    0.631893    0.530551    0.460507    0.38152 0.371088    0.359165    0.338301];
 
pv=50.*[0,0,0,0,0,0.00670613838163443,0.0740392771149517,0.240411546113239,0.450742969667699,0.699735172142443,0.855341269188865,0.963572441035704,1,0.917690448475439,0.500560277957363,0.463527102400363,0.341920844346065,0.191942376214751,0.136370650849977,0,0,0,0,0];
 
for it=1:24
 
BranchM=[1 1 2    0.0922+i*0.047  %支路参数矩阵
 
         2 2 3    0.4930+i*0.2511
 
         3 3 4    0.3660+i*0.1864
 
         4 4 5    0.3811+i*0.1941
 
         5 5 6    0.8190+i*0.7070
 
         6 6 7    0.1872+i*0.6188
 
         7 7 8    0.7114+i*0.2351
 
         8 8 9    1.0300+i*0.7400
 
         9 9 10   1.0440+i*0.7400
 
         10 10 11 0.1966+i*0.0650
 
         11 11 12 0.3744+i*0.1238
 
         12 12 13 1.4680+i*1.1550
 
         13 13 14 0.5416+i*0.7129
 
         14 14 15 0.5910+i*0.5260
 
         15 15 16 0.7463+i*0.5450
 
         16 16 17 1.2890+i*1.7210
 
         17 17 18 0.7320+i*0.5740
 
         18 2  19 0.1640+i*0.1565
 
         19 19 20 1.5042+i*1.3554
 
         20 20 21 0.4095+i*0.4784
 
         21 21 22 0.7089+i*0.9373
 
         22 3  23 0.4512+i*0.3083
 
         23 23 24 0.8980+i*0.7091
 
         24 24 25 0.8960+i*0.7011
 
         25 6  26 0.2030+i*0.1034
 
         26 26 27 0.2842+i*0.1447
 
         27 27 28 1.0590+i*0.9337
 
         28 28 29 0.8042+i*0.7006
 
         29 29 30 0.5075+i*0.2585
 
         30 30 31 0.9744+i*0.9630
 
         31 31 32 0.3105+i*0.3619
 
         32 32 33 0.3410+i*0.5362
 
         33 8  21 2.0+i*2.0
 
         34 9  15 2.0+i*2.0      %要保证联络开关的首节点必须是T=3节点,编程决定的。(如果两个节点T=2时就不做要求了)
 
         35 12 22 2.0+i*2.0
 
         36 18 33 0.5+i*0.5
 
         37 25 29 0.5+i*0.5   ];
 
 
 
NodeM=[1 0
 
       2 0.1000+i*0.0600     %节点参数矩阵(电源节点负荷为0)
 
       3 0.0900+i*0.0400
 
       4 0.1200+i*0.0800
 
       5 0.0600+i*0.0300
 
       6 0.0600+i*0.0200
 
       7 0.2000+i*0.1000
 
       8 0.2000+i*0.1000
 
       9 0.0600+i*0.0200
 
       10 0.0600+i*0.0200
 
%        10 0.4200+i*0.2000
 
       11 0.0450+i*0.0300
 
       12 0.0600+i*0.0350
 
       13 0.0600+i*0.0350
 
       14 0.1200+i*0.0800
 
%        14 0.4200+i*0.2000
 
       15 0.0600+i*0.0100
 
       16 0.0600+i*0.0200
 
       17 0.0600+i*0.0200
 
       18 0.0900+i*0.0400
 
       19 0.0900+i*0.0400
 
       20 0.0900+i*0.0400
 
       21 0.0900+i*0.0400
 
       22 0.0900+i*0.0400
 
       23 0.0900+i*0.0500
 
       24 0.4200+i*0.2000
 
       25 0.4200+i*0.2000
 
       26 0.0600+i*0.0250
 
       27 0.0600+i*0.0250
 
       28 0.0600+i*0.0200
 
       29 0.1200+i*0.0700
 
       30 0.2000+i*0.6000
 
       31 0.1500+i*0.0700
 
       32 0.2100+i*0.1000
 
       33 0.0600+i*0.0400 ];
 
  %  NodeM(:,2)=NodeM(:,2)+SDG;
 
  NodeM(:,2)=al(it).*NodeM(:,2);
 
  NodeM(7,2)=NodeM(7,2)-pw(it)/1000;%加入风电
 
  NodeM(9,2)=NodeM(9,2)-pw(it)*2/1000;%加入风电
 
  NodeM(18,2)=NodeM(18,2)-pv(it)/1000;%加入光伏
 
  NodeM(25,2)=NodeM(25,2)-pv(it)/1000;%加入光伏
 
Dim=5;
 
lb=ones(1,Dim);
 
ub=[10 7 15 21 11];
 
% a1=rand(sizepop, Dim);
 
% a2=repmat(ub-lb,sizepop,1);
 
% a3=repmat(lb,sizepop,1);
 
% pop = round(a1.* a2+ a3);
 
%     for i1=1:LL
 
%         a(1,i1)=H(i1,Swarm1(1,(it-1)*5+i1));
 
%         state(a(1,i1),it)=0;
 
%     end
 
    [checkhl,checkgd]=kxx(Swarm1(1,(it-1)*5+1:it*5));
 
    while checkhl==0 || checkgd==0
 
        Swarm1(1,(it-1)*5+1:it*5)=round(rand(1,5).* (ub-lb)+ lb);
 
        [checkhl,checkgd]=kxx(Swarm1(1,(it-1)*5+1:it*5));
 
    end
 
    for i1=1:LL
 
        a(1,i1)=H(i1,Swarm1(1,(it-1)*5+i1));
 
        state(a(1,i1),it)=0;
 
    end
 
for i1=1:LL          %按照断开开关矩阵,剔除Z矩阵中的断开支路
 
    j=i1-1;
 
    for i2=1:b+LL-j
 
        if BranchM(i2,1)==a(1,i1)
 
            BranchM(i2,:)=[];
 
            break
 
        end
 
    end
 
end
 
NodeN=zeros(n);   %节点-节点关联矩阵A
 
for i1=1:b
 
    NodeN(BranchM(i1,2),BranchM(i1,3))=1;
 
    NodeN(BranchM(i1,3),BranchM(i1,2))=1;
 
end
 
 
 
LayerM=[1];      %节点分层矩阵,电源节点号记“1”
 
NU=zeros(1,n);   %上层节点矩阵(有33列的行矩阵)
 
 while(checkhl==1)
 
%以下用循环求取矩阵LayerM和NU
 
 
 
while(checkgd==1)
 
    h=1;
 
while(min(NU(2:33)~=0)==0) %NU矩阵的2-最后都有上层节点了,表示循环结束了
 
m=max(find(LayerM(:,h)));  %m为矩阵LayerM第h列非零元素的个数
 
 k=1;
 
for i1=1:m     
 
    g=LayerM(i1,h);           %LayerM的第i1行第h列元素
 
    ss=find(NodeN(g,:)==1);
 
       for i2=1:length(ss)
 
        if LayerM~=ss(1,i2)   %排除相同节点
 
           LayerM(k,h+1)=ss(1,i2);
 
           NU(1,ss(1,i2))=g;
 
           k=k+1;             %k表示第h层含有的节点数
 
        end
 
       end
 
end
 
h=h+1;                     %h表示网络分层的层数
 
if length(LayerM(1,:))==h-1  %如果网络分层矩阵没有搜索到下层节点,说明形成了断点,后边网络形成了孤岛,与电源节点没有连通回路
 
        checkgd=0;        
 
       % disp('形成孤岛')
 
        guan=10000;
 
        check=0;
 
        break       %结束循环
 
    end
 
end
 
if min(NU(2:33)~=0)  %若解可行,已经计算完LayerM,则让其跳出最外层while循环
 
    checkgd=0;
 
    %disp('可行解')
 
  end
 
end

三、程序结果

程序运行过程解集实时优化图

可私信获取程序链接~


相关文章
|
27天前
|
存储
基于遗传算法的智能天线最佳阵列因子计算matlab仿真
本课题探讨基于遗传算法优化智能天线阵列因子,以提升无线通信系统性能,包括信号质量、干扰抑制及定位精度。通过MATLAB2022a实现的核心程序,展示了遗传算法在寻找最优阵列因子上的应用,显著改善了天线接收功率。
|
1月前
|
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。
|
1月前
|
机器学习/深度学习 人工智能 算法
【MM2024】面向 StableDiffusion 的多目标图像编辑算法 VICTORIA
阿里云人工智能平台 PAI 团队与华南理工大学合作在国际多媒体顶级会议 ACM MM2024 上发表 VICTORIA 算法,这是一种面向 StableDiffusion 的多目标图像编辑算法。VICTORIA 通过文本依存关系来修正图像编辑过程中的交叉注意力图,从而确保关系对象的一致性,支持用户通过修改描述性提示一次性编辑多个目标。
|
2月前
|
机器学习/深度学习 算法 Python
群智能算法:深入解读人工水母算法:原理、实现与应用
近年来,受自然界生物行为启发的优化算法备受关注。人工水母算法(AJSA)模拟水母在海洋中寻找食物的行为,是一种新颖的优化技术。本文详细解读其原理及实现步骤,并提供代码示例,帮助读者理解这一算法。在多模态、非线性优化问题中,AJSA表现出色,具有广泛应用前景。
|
3月前
|
机器学习/深度学习 监控 算法
R-CNN系列目标算法
8月更文挑战第12天
|
4月前
|
机器学习/深度学习 数据采集 算法
Python实现WOA智能鲸鱼优化算法优化支持向量机分类模型(SVC算法)项目实战
Python实现WOA智能鲸鱼优化算法优化支持向量机分类模型(SVC算法)项目实战
329 4
|
4月前
|
机器学习/深度学习 数据采集 算法
Python实现WOA智能鲸鱼优化算法优化支持向量机回归模型(LinearSVR算法)项目实战
Python实现WOA智能鲸鱼优化算法优化支持向量机回归模型(LinearSVR算法)项目实战
278 2
|
4月前
|
机器学习/深度学习 数据采集 算法
Python实现SSA智能麻雀搜索算法优化支持向量机回归模型(SVR算法)项目实战
Python实现SSA智能麻雀搜索算法优化支持向量机回归模型(SVR算法)项目实战
247 1
|
4月前
|
机器学习/深度学习 数据采集 算法
Python实现SSA智能麻雀搜索算法优化支持向量机分类模型(SVC算法)项目实战
Python实现SSA智能麻雀搜索算法优化支持向量机分类模型(SVC算法)项目实战
269 1
|
4月前
|
机器学习/深度学习 数据采集 算法
Python实现GWO智能灰狼优化算法优化支持向量机回归模型(svr算法)项目实战
Python实现GWO智能灰狼优化算法优化支持向量机回归模型(svr算法)项目实战
217 1