一种黑启动电源优化布点的供电方法及计算机可读介质

技术领域

本发明属于电力系统恢复技术领域，尤其涉及一种黑启动电源优化布点的供电方法及计算机可读介质。

背景技术

近年来，由于人为操作因素、电力设备故障以及极端天气灾害等方面的影响电力系统大面积停电事件依旧时有发生。黑启动电源是电力系统停电恢复的基础，已成为制约电网恢复效率的关键因素，黑启动电源的布点方案将直接影响到电力系统的恢复效果。

当前对于黑启动电源布点方案的求解，大多研究依赖人工手段，优化求解手段有待提升。例如采用递推法求解最优的黑启动机组布点方案，对于机组和负荷数量众多的大规模电网适应性不足；采用序优化理论简化处理复杂的电力系统恢复模型，对FCB机组布点优化方案进行求解，确保在符合实际工程需求的基础上提升优化效率；采用推广理想点法进行求解，但需要优先确定最优解集范围。

现存优化算法可归为两类：传统优化算法和人工智能算法。传统的线性规划法、非线性规划法、内点法等算法，都是先随机选择一个初始点，从该点出发，在目标函数和约束条件的导函数的指引下，在解空间中移动寻找最优点。因此传统优化算法要求目标函数和约束条件可微，无法求解连续变量和和离散变量混合的问题，对初始解依赖性强，且容易陷入局部最优。而人工智能算法全局寻优能力强，在求解适应度函数和约束条件复杂、连续变量和离散变量混合的优化问题上性能更优。目前已有研究将人工智能算法用于黑启动电源布点优化求解，例如基于遗传算法求解黑启动电源规划模型，或是基于粒子群算法搜索最优布点方案，但求解的精度和稳定性有待提升。现存智能优化算法众多，需要选择合适的算法用于黑启动电源布点优化问题的求解，提高求解精度和效率。

发明内容

本发明针对现有技术的不足，提出了一种黑启动电源优化布点的供电方法及计算机可读介质。

本发明方法的技术方案为一种黑启动电源优化布点的供电方法，包括以下步骤：

步骤1：构建多电源节点配电网模型，在多电源节点配电网模型分别选择多个电源节点作为多个黑启动电源节点、多个非黑启动电源节点，通过Dijkstra算法获取每个非黑启动电源节点与每个黑启动电源节点之间的最短路径，计算每个非黑启动电源节点的特性指标、距离指标，计算每个非黑启动电源节点的综合指标；

步骤2：构建黑启动电源节点布点规划约束条件，以非黑启动电源节点的黑启动恢复时间最短作为目标函数，在多个黑启动电源节点中优化选择多个作为恢复供电的黑启动电源节点、恢复供电的黑启动电源节点的容量作为决策变量；

步骤3：改善郊狼优化算法中郊狼个体的成长模式，引入全局最优郊狼影响因子指导郊狼个体的成长方向，对成长后的郊狼进行自适应莱维飞行；

步骤4：在郊狼优化算法中引入混沌优化扰动机制，采用Logistic混沌映射对当前全局最优郊狼个体进行混沌搜索，评估所得混沌序列中所有郊狼个体的适应能力，取适应力最优的郊狼替代适应力最差的郊狼个体；

步骤5：通过步骤3、4对步骤2的目标函数进行优化求解，得到多个优化选择的恢复供电的黑启动电源节点和多个优化选择的恢复供电的黑启动电源节点的容量，得到多个优化选择的恢复供电的黑启动电源节点和多个优化选择的恢复供电的黑启动电源节点的容量，用于多电源节点配电网模型的恢复供电。

作为优选，步骤1所述计算每个非黑启动电源节点的特性指标，具体如下：

O(k)＝P

k∈[1,n

式中，O(k)为第k个非黑启动电源节点的特性指标，P

步骤1所述计算每个非黑启动电源节点的距离指标，具体如下：

在每个非黑启动电源节点与所有启动电源节点之间的多条最短路径中，筛选出距离最短的路径，将距离最短的路径对应的距离作为非黑启动电源节点的距离指标，定义为D(k)；

步骤1所述计算每个非黑启动电源节点的综合指标，具体如下：

Z(k)＝O(k)+D(k)

式中，Z(k)为第k非黑启动电源节点的启动综合指标，O(k)为第k台非黑启动电源节点的特性指标，D(k)为第k非黑启动电源节点的距离指标。

作为优选，步骤2中所述的黑启动电源节点布点规划约束条件包括：

黑启动电源节点的安装位置约束、黑启动电源节点的安装容量约束、非黑启动电源节点的启动时间约束、黑启动电源节点的启动功率约束、非黑启动电源节点的恢复路径充电时间约束、非黑启动电源节点的功率约束、多电源节点配电网模型的支路功率约束。

作为优选，所述黑启动电源节点的安装位置约束，具体为：

s

i∈[1,p]

其中，p表示恢复供电的黑启动电源节点的数量，s

所述黑启动电源节点的安装容量约束，具体为：

式中，

所述非黑启动电源节点的启动时间约束，具体为：

式中，t

式中，t

所述黑启动电源节点的启动功率约束，具体为：

式中，p表示恢复供电的黑启动电源节点的数量，

所述非黑启动电源节点的恢复路径充电时间约束，具体为：

式中，

所述非黑启动电源节点的功率约束，具体为：

式中，P

作为优选，步骤2所述目标函数，具体如下：

minT

式中，T

作为优选，步骤3中所述的改善郊狼优化算法中郊狼个体的成长模式具体如下：

步骤3.1：郊狼种群初始化：设置郊狼种群规模N，郊狼个体维度为D，郊狼的社会状态代表了优化问题的决策变量，第p组的第c头郊狼个体在第t次迭代过程中社会状态表示为：

其中，t表示当前迭代次数；

将郊狼分为Np组，组内郊狼数量为Nc，则N＝N

式中，lb

计算评估郊狼个体的适应度：

其中，

步骤3.2：组内郊狼成长：求取每个郊狼组群的组内最优个体：

其中，alpha

将组内的郊狼按照适应度大小排列得到O

其中，

以组内最优个体和组内文化趋势来引导组内郊狼个体的成长：

/>

式中，alpha

根据适应度函数评估郊狼成长前后的社会适应力，保留适应能力较优的郊狼社会状态；

其中，

在郊狼优化算法的成长模式中加入全局最优郊狼影响因子δ

式中，alpha

步骤3.3：郊狼出生与死亡：新郊狼的出生是组内随机选择的两头父母郊狼结合，加之环境影响因素共同作用的结果；

式中，

P

P

式中，P

采用Mantegna算法来生成服从莱维分布的随机步长，具体为：

其中，s代表服从莱维分布的随机步长，γ代表莱维参数，μ代表服从高斯分布的随机数，ν代表服从高斯分布的随机数；

其中，σ

郊狼个体c社会状态每一维的飞行步长集合S

其中，rnd代表随机数，

提高莱维飞行的概率，具体为：

其中，P

采取精英飞行豁免策略，即当前全局最优郊狼个体不参与莱维飞行，保留其相应的社会状态；

步骤3.4：郊狼迁移：郊狼种群被随机分组后并非保持固定不变的，有时会在郊狼组群间发生迁移现象，一方面可以保证郊狼组群的多样性，同时还能进行不同组群间的信息交流；

式中，P

作为优选，步骤3中所述的自适应莱维飞行具体如下：

采用Mantegna算法来生成服从莱维分布的随机步长，具体为：

其中，γ代表莱维参数，μ代表服从高斯分布的随机数，ν代表服从高斯分布的随机数；

其中，σ

郊狼个体c社会状态每一维的飞行步长集合S

其中，

提高莱维飞行的概率，具体为：

其中，P

采取精英飞行豁免策略，即当前全局最优郊狼个体不参与莱维飞行，保留其相应的社会状态。

作为优选，步骤4中所述的混沌优化扰动机制具体如下：

设置混沌变异概率p

将t时刻的全局最优郊狼个体的每一维映射到混沌空间，具体为：

式中，

进行N-1次Logistic混沌搜索，得到混沌序列

其中，

将混沌序列内的N个混沌变量按下式映射到优化问题的解空间，产生全新的N个郊狼个体；

其中，

根据适应度函数评估新郊狼个体的适应能力，保留适应力最优的郊狼个体，记为

本发明还提供了一种计算机可读介质，所述计算机可读介质存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述黑启动电源优化布点的供电方法的步骤。

本发明具有如下优点：

本发明改进后的郊狼优化算法具有更强的全局寻优能力，算法精度高，稳定性强，提出的黑启动电源优化布点的供电方法能较均衡地将多个黑启动电源分布于拓扑网络上，缩短系统恢复时间。

附图说明

图1：本发明实施例的方法流程图；

图2：本发明实施例的黑启动电源布点位置结果图；

图3：本发明实施例的收敛曲线对比图；

图4：本发明实施例的算法稳定性对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。

本发明采用新英格兰IEEE-118节点标准算例进行方法的仿真验证，IEEE-118节点系统共有54个发电机节点、64个负荷节点以及186条支路。

下面结合图1-4介绍本发明实施例方法的技术方案为一种黑启动电源优化布点的供电方法，具体如下：

本发明方法的流程图如图1所示。

步骤1：构建多电源节点配电网模型，在多电源节点配电网模型分别选择多个电源节点作为多个黑启动电源节点、多个非黑启动电源节点，通过Dijkstra算法获取每个非黑启动电源节点与每个黑启动电源节点之间的最短路径，计算每个非黑启动电源节点的特性指标、距离指标，计算每个非黑启动电源节点的综合指标；

步骤1所述计算每个非黑启动电源节点的特性指标，具体如下：

O(k)＝P

k∈[1,n

式中，O(k)为第k个非黑启动电源节点的特性指标，P

步骤1所述计算每个非黑启动电源节点的距离指标，具体如下：

在每个非黑启动电源节点与所有启动电源节点之间的多条最短路径中，筛选出距离最短的路径，将距离最短的路径对应的距离作为非黑启动电源节点的距离指标，定义为D(k)；

步骤1所述计算每个非黑启动电源节点的综合指标，具体如下：

Z(k)＝O(k)+D(k)

式中，Z(k)为第k非黑启动电源节点的启动综合指标，O(k)为第k台非黑启动电源节点的特性指标，D(k)为第k非黑启动电源节点的距离指标；

步骤2：构建黑启动电源节点布点规划约束条件，以非黑启动电源节点的黑启动恢复时间最短作为目标函数，在多个黑启动电源节点中优化选择多个作为恢复供电的黑启动电源节点、恢复供电的黑启动电源节点的容量作为决策变量；

步骤2中所述的黑启动电源节点布点规划约束条件包括：

黑启动电源节点的安装位置约束、黑启动电源节点的安装容量约束、非黑启动电源节点的启动时间约束、黑启动电源节点的启动功率约束、非黑启动电源节点的恢复路径充电时间约束、非黑启动电源节点的功率约束、多电源节点配电网模型的支路功率约束；

所述黑启动电源节点的安装位置约束，具体为：

s

i∈[1,p]

其中，p表示恢复供电的黑启动电源节点的数量，s

所述黑启动电源节点的安装容量约束，具体为：

式中，

所述非黑启动电源节点的启动时间约束，具体为：

/>

式中，t

式中，t

所述黑启动电源节点的启动功率约束，具体为：

式中，p表示恢复供电的黑启动电源节点的数量，

所述非黑启动电源节点的恢复路径充电时间约束，具体为：

式中，

所述非黑启动电源节点的功率约束，具体为：

式中，P

步骤2所述目标函数，具体如下：

minT

式中，T

k,nblack

小化，max表示最大化。

步骤3：改善郊狼优化算法中郊狼个体的成长模式，引入全局最优郊狼影响因子指导郊狼个体的成长方向，对成长后的郊狼进行自适应莱维飞行；

步骤3中所述的改善郊狼优化算法中郊狼个体的成长模式具体如下：

步骤3.1：郊狼种群初始化：设置郊狼种群规模N，郊狼个体维度为D，郊狼的社会状态代表了优化问题的决策变量，第p组的第c头郊狼个体在第t次迭代过程中社会状态表示为：

其中，t表示当前迭代次数；

将郊狼分为Np组，组内郊狼数量为Nc，则N＝N

式中，lb

计算评估郊狼个体的适应度：

其中，

步骤3.2：组内郊狼成长：求取每个郊狼组群的组内最优个体：

其中，alpha

将组内的郊狼按照适应度大小排列得到O

其中，

以组内最优个体和组内文化趋势来引导组内郊狼个体的成长：

式中，alpha

根据适应度函数评估郊狼成长前后的社会适应力，保留适应能力较优的郊狼社会状态。

其中，

在COA算法的成长模式中加入全局最优郊狼影响因子δ

式中，alpha

步骤3.3：郊狼出生与死亡：新郊狼的出生是组内随机选择的两头父母郊狼结合，加之环境影响因素共同作用的结果。

式中，

P

P

式中，P

步骤3中所述的自适应莱维飞行具体如下：

采用Mantegna算法来生成服从莱维分布的随机步长，具体为：

其中，γ代表莱维参数，μ代表服从高斯分布的随机数，ν代表服从高斯分布的随机数；

其中，σ

郊狼个体c社会状态每一维的飞行步长集合S

其中，

提高莱维飞行的概率，具体为：

其中，P

采取精英飞行豁免策略，即当前全局最优郊狼个体不参与莱维飞行，保留其相应的社会状态；

步骤3.4：郊狼迁移：郊狼种群被随机分组后并非保持固定不变的，有时会在郊狼组群间发生迁移现象，一方面可以保证郊狼组群的多样性，同时还能进行不同组群间的信息交流。

式中，P

步骤3中所述的自适应莱维飞行具体如下：

采用Mantegna算法来生成服从莱维分布的随机步长，具体为：

其中，γ代表莱维参数，μ代表服从高斯分布的随机数，ν代表服从高斯分布的随机数；

其中，σ

郊狼个体c社会状态每一维的飞行步长集合S

其中，

提高莱维飞行的概率，具体为：

其中，P

采取精英飞行豁免策略，即当前全局最优郊狼个体不参与莱维飞行，保留其相应的社会状态；

步骤4：在郊狼优化算法中引入混沌优化扰动机制，采用Logistic混沌映射对当前全局最优郊狼个体进行混沌搜索，评估所得混沌序列中所有郊狼个体的适应能力，取适应力最优的郊狼替代适应力最差的郊狼个体；

步骤4中所述的混沌优化扰动机制具体如下：

设置混沌变异概率p

将t时刻的全局最优郊狼个体的每一维映射到混沌空间，具体为：

式中，

进行N-1次Logistic混沌搜索，得到混沌序列

其中，

将混沌序列内的N个混沌变量按下式映射到优化问题的解空间，产生全新的N个郊狼个体；

其中，

根据适应度函数评估新郊狼个体的适应能力，保留适应力最优的郊狼个体，记为

以

步骤5：通过步骤3、4对步骤2的目标函数进行优化求解，得到多个优化选择的恢复供电的黑启动电源节点和多个优化选择的恢复供电的黑启动电源节点的容量，得到多个优化选择的恢复供电的黑启动电源节点和多个优化选择的恢复供电的黑启动电源节点的容量，用于多电源节点配电网模型的供电恢复。

为验证本发明的有效性，对比分析基于以下三种方法的黑启动电源布点规划供电方法：

方法一：粒子群优化算法，定义为PSO算法；

方法二：传统郊狼优化算法，定义为COA算法；

方法三：本发明的改进郊狼优化算法，定义为ICOA算法；

分别基于三种算法进行多黑启动电源布点规划求解，得到三种黑启动电源安装方案如表所示，黑启动电源布点位置如图2所示。

由图3可知，基于方法一和方法二得到的黑启动电源布点集中于保底网架的右侧和下方，位置分布较为不均匀。而基于本发明所提方法三求解得到的方案能够将黑启动电源较均衡地安装于拓扑平面上，有利于提高电力系统并行恢复的效率。

由表可知，基于粒子群算法所得黑启动电源布点方案恢复所需时间最长，基于郊狼优化算法的布点方案恢复时间次之，说明郊狼优化算法在求解多黑启动电源布点优化问题上的优越性。基于改进郊狼优化算法求解得到的黑启动电源安装方案恢复只需108.17分钟，恢复时间最短，证明了本发明所提方法较强的全局寻优能力，对于缩短电力系统恢复时间，减小用户停电时间的有效性。

表1：多黑启动电源安装方案对比

三种方法求解过程中的收敛曲线如图3所示，可知：

粒子群算法整体搜索速度慢，容易在局部最优点逗留，迭代57次后才逐渐稳定于116.84分钟的恢复时间，求解得到的最小恢复时间值大，全局寻优能力差。

郊狼优化算法一定程度上改善了收敛速度，迭代二十多次后便在收敛点附近进行局部精细搜索，最终在迭代39次后收敛，收敛点的恢复时间较粒子群算法所得缩短1.93％。

本发明所提改进郊狼优化算法在迭代前期能够快速向最优点所在位置逼近，在迭代26次后便能收敛，具有良好的寻优速度和全局搜索能力，所得黑启动电源布点方案恢复所需时间较方法一缩短了7.42％，较方法二缩短了5.60％。

为进一步分析不同黑启动电源布点方法的稳定性和准确度，基于三种算法分别进行30次独立优化求解如图4所示，分别计算不同算法下恢复时间的平均值和均方差如表所示。

表2：多黑启动电源布点优化方法对比

基于方法一和方法二求得的布点方案所对应恢复时间的波动幅度大，均方差分别为1.24和1.96，算法求解稳定性弱，且多次求解得到的恢复时间平均值相对较大，优化精度差。而方法三对应的实验曲线平坦，多次实验所得恢复时间较为接近，均方差仅为0.59，平均恢复时间108.70分钟，为三者最短，证明了基于本发明所提改进郊狼优化算法进行黑启动电源布点优化对于减小电力系统恢复时间的有效性。

本发明的具体实施例还提供了一种计算机可读介质。

所述计算机可读介质为服务器工作站；

所述服务器工作站存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行本发明实施例的无人机轨迹和资源联合分配方法的步骤。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。