一种融合分布估计离散粒子群优化算法配电网重构.docVIP

一种融合分布估计的离散粒子群优化 算法的配电网重构 李琴，杨栩沣 江苏阚山发电有限公司，江苏徐州，221000 Distribution Network Reconfiguration based on discrete particle swarm optimization with Estimated of Distribution LI Qi，YANG Xu-Feng Jiangsu kanshan Power Co. Ltd. Jiangsu Xuzhou,221000 Abstract： This paper will bebased onestimation of distribution of discrete particle swarm optimization algorithm applied in distribution network reconfiguration, in order to reduce the network loss as objective function, For the new population ,starting from random probability model and has the global optimal solution of information items to obtain information,simulation and experimental results show that the algorithm for distribution network reconfigurationg is superior to other several optimization algorithm. Key words： discrete particle swarm optimization,Estimated of Distribution, DistributionNetwork Reconfiguration,IEEE33 摘要： 本文将基于分布估计的离散粒子群优化算法运用于配电网重构，以降低网损为目标函数，对于新的种群，随机从概率模型和至今全局最优信息项中获取解信息。仿真实验结果表明提出的关于配电网重构的新算法优于其它几种优化算法。 关键词： 离散粒子群算法；分布估计；配电网重构,IEEE33 1 引言 随着电力工业的高速发展，城市建设和经济发展越来越离不开电力，电能需求量日益增，配电网重构是降低配电网网损的途径之一，该方法在满足网络拓扑结构和配电网正常运行的前提下，通过调整配电网中联络开关和分段开关的状态，使用合理的供电路径，使整个配电网网损降低。配电网络重构包括了配电系统正常运行时的网络重构与故障情况下的网络重构。PSO）算法[1]最早是在1995年由美国社会心理学家James Kennedy和电气工程师Russel Eberhart共同提出的。它将鸟群运动模型中的栖息比作所求问题空间中可能位置，通过个体间信息的传播使整个群体向解的方向移动。 其迭代公式[2]如下： ， （1） （2） 式中：c1和c2是学习因子， r1、r2是介于0和1之间的随机数，为惯性权重，粒子在搜索空间中不断通过更新个体极值和全局极值来确定运动的速度和方向，向目标点运动。 离散粒子群优化算法 基于基本二进制离散粒子群优化算法的思想，应用了DPSO算法[3-4]算法利用基本粒子群算法中“粒子依赖自身经验及粒子群全体经验”的思想，改进了粒子的更新运动公式。在量子理论中，传递信息的最小单元叫量子位。它的取值可能是[0,1]的某个状态。定义这样一个量粒子向量： ， （3） M代表粒子的维数，N代表种群的数量。代表了第个粒子的第位取0的概率。下面将量子粒子群算法中的粒子离散化，使其成为离散的粒子矢量。离散量子粒子群算法的粒子群可表述为 ， (4) 其中表示粒子的相应离散粒子值。对于每个，产生一个[0,1]范围的随机数。如果这个随机数大于，那么，否则。QPSO算法如下描述： （5） （6） （7） （8） 公