基于改进Chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法

本发明属于配电网重构，涉及基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法。

背景技术：

1、近年来，光伏发电、风力发电等分布式电源发展迅速，并且分布式电源接入配电网已经成为配电网发展的新趋势。然而其出力的间歇性和随机性特点容易引起配电网馈线功率的大幅波动、馈线间功率不平衡、电压波动越限、线路网损增大等问题。为解决上述问题，现有配电网柔性重构方法多利用柔性开关的通断和功率连续调节功能进行配电网柔性重构，从而灵活调整配电网的拓扑结构和运行状态，实现潮流与网损的优化。对于含分布式电源的配电网柔性重构，主要通过建立数学模型并采用优化算法进行求解。然而，现有优化算法如遗传算法、粒子群优化及模拟退火等在配电网网损优化的柔性重构中存在收敛速度慢、参数调节困难及易陷入局部最优等问题。因此，在面向配电网网损优化的柔性重构问题上仍然有很大的改进空间。

2、优化算法中的黑翅鸢优化算法(bka)在处理配电网多目标重构优化问题方面具有一定优势，但原始bka算法收敛速度慢、易陷入局部最优。混沌映射在改进优化算法中有着广泛的应用，它提供了一种确定性的随机性，可以增强算法的全局搜索能力和收敛性能。

技术实现思路

1、本发明的目的在于提供基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，解决现有技术中存在的原有黑翅鸢优化算法在网损优化的配电网柔性重构中面临的收敛速度慢及参数调节困难的问题。

2、本发明所采用的技术方案是，基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，包括以下步骤：

3、步骤1，构建含分布式电源的配电网柔性重构模型，生成初始黑翅鸢种群，初始化chebyshev混沌映射的初始状态；

4、步骤2，对初始黑翅鸢种群进行迭代运算形成初始种群解集集合；

5、步骤3，对初始种群解集集合进行攻击行为筛选与迁徙行为筛选，使用chebyshev混沌映射生成随机数，对初始种群解集集合进行优化，形成新种群解集集合；

6、步骤4，比对初始种群解集集合和新种群解集集合能否满足约束条件，将不满足约束条件的种群返回步骤1重新初始化，并进行下一轮迭代运算；

7、步骤5，判断迭代运算次数是否满足迭代终止条件，若不满足，返回步骤1，若满足，则输出最优黑翅鸢种群方案，完成配电网重构。

8、本发明的特点还在于，

9、步骤1中构建配电网柔性重构模型具体公式为：

10、

11、式中：floss为配电网网损费用，iij,t为t时刻流经支路ij的电流，rij为支路ij的电阻，δt为各时段长度，bloss为网损费用的单价；

12、

13、式中：为柔性开关运行损耗费用，为t时刻节点i接入的sop的有功损耗，bsop为柔性开关运行损耗费用的单价；

14、

15、式中：为开关动作费用，为配电系统中含联络线的所有支路集合，sij.1和为0-1变量，分别表示网络初始状态支路ij的开断状况和配电网重构后支路ij的开断状况，若sij.1和sij.0值等于1，则支路ij闭合，值等于0则支路ij开断；

16、

17、式中：fdg为分布式电源成本，fp和fp分别是弃风惩罚和弃光惩罚，分别为wt和pv在t时刻i节点接入配电网的实际有功功率，分别为t时刻i节点wt、pv的有功出力上限，bwind和bpv分别为弃风、弃光费用。

18、步骤1生成初始黑翅鸢种群以及初始化chebyshev混沌映射初始状态的具体步骤为：

19、生成初始黑翅鸢种群步骤为：设置种群数为pop，变量维数为dim，rand为[0,1]之间随机选取的值，bklb和bkub分别为第j维黑翅鸢的下界和上界，对应sop配置容量的上限和下限，利用式(5)随机生成黑翅鸢i中节点sop和联络开关配置容量，并由式(6)生成初始黑翅鸢种群bk，其中i与pop相对应，是一个向量，j与dim相对应；

20、初始化chebyshev混沌映射初始状态为：混沌轨道状态值范围为(-1,1)，由式(7)生成一个在区间(-1,1)内的初始状态值x0，使用chebyshev映射公式即式(8)迭代生成混沌序列，将生成的混沌序列从[-1,1]映射到问题定义的搜索空间[bklb,bkub]，将映射后的混沌序列作为种群的初始位置：

21、xi＝bklb+rand(bkub-bklb)       (5)；

22、

23、x0＝2×rand()-1             (7)；

24、x(n+1)＝cos(acos-1(x(n))),a＝4    (8)。

25、步骤2具体为：

26、将步骤1中生成的初始黑翅鸢种群bk带入迭代计算方程，潮流计算方程根据初始黑翅鸢种群参数自动调节计算模型，利用牛顿拉夫逊迭代法进行迭代计算，按式(9)计算得出每个黑翅鸢的适应值obj(f(bk))，其中α和β为权重系数，fv和fpl为适应值的评价指标，解集的集合记为ni；

27、obj(f(bk))＝αfv+βfpl                   (9)。

28、步骤3具体为：

29、步骤3.1，黑翅鸢集合种群bk按照步骤2所得适应值由小到大进行排列，形成排列后的新黑翅鸢种群，改进chebyshev混沌映射bka选择适应度值最好的个体作为初始群体中的领导者xl，式(10)和式(11)为初始领导者xl的数学表示，式(10)表示将适应度值最小即适应度最好的个体做为最优个体，式(11)表示通过搜寻该最优个体，进而将该最优个体作为初始群体中的领导者，

30、fbest＝min(f(xi)                (10)；

31、xl＝x(find(fbest＝＝f(xi)))       (11)；

32、步骤3.2，使用chebyshev混沌映射生成随机数x(n+1)，式(12)为a阶chebyshev混沌映射表达式，其中a通常取值为4，混沌轨道状态值范围为(-1,1)，根据混沌映射生成随机数对每个个体执行攻击行为筛选，式(13)和式(14)表示了此策略包括用于全局浏览和搜索的攻击行为筛选，和分别表示第i个黑翅鸢在第j个维度时，在t和(t+1)次迭代步骤中的位置；r为0-1之间的随机数，p为0.9的常数；t是迭代的总次数，t是到目前为止已经完成的迭代次数，最后根据生成的随机数更新个体位置，执行边界检查，计算适应度更新个体位置和适应度；

33、在攻击行为中使用chebyshev混沌映射生成的随机数x(n+1)来扰动个体位置，在每次迭代中引入随机性，

34、x(n+1)＝cos(acos-1(x(n))),a＝4       (12)；

35、

36、步骤3.3，式(15)使用chebyshev混沌映射生成随机数x(n+1)，根据混沌映射生成随机数对每个个体执行迁徙行为筛选，式(16)和式(17)表示了此策略包括用于全局浏览和搜索的迁徙行为，其中，表示到目前为止第t次迭代的第j维黑翅鸢的领先得分者；和分别表示第j维的第i只黑翅鸢在t和(t+1)次迭代步骤中的位置；fi表示任一黑翅鸢在第t次迭代中获得的当前位置；fri表示第t次迭代中任意黑翅鸢在第j维随机位置的适应度值；c(0,1)代表柯西突变，最后根据生成的随机数更新个体位置，执行边界检查，计算适应度更新个体位置和适应度；

37、在迁移行为中同样使用chebyshev混沌映射生成的随机数x(n+1)来更新个体位置，提高跳出局部最优解并找到全局最优解的能力；

38、x(n+1)＝cos(acos-1(x(n))),a＝4     (15)；

39、

40、m＝2×sin(r+π/2)           (17)。

41、步骤4中约束条件具体为：

42、g∈g(18)；

43、

44、

45、式(18)为网络拓扑结构约束，g为重构后的网络拓扑结构，g为配电网拓扑结构集合，该约束条件保证配电网重构后负荷节点、电源节点都应位于一个连通图中，且保证辐射状运行，所有负荷得电且网络连通无孤岛，支路无环路；式(19)、式(20)为功率平衡约束，式中pi、qi分别为注入节点i的有功与无功，ui、uj分别为节点i、j的电压幅值，gij、bij分别为导纳矩阵的实部和虚部，θij为节点i、j的电压相角差，n为节点数；式(21)为节点电压约束，和ui,t分别为t时刻节点i允许的电压上下限；式(22)、式(23)为分布式电源有功出力约束，其中是t时刻节点i的光伏有功出力的上下限，是t时刻节点i的风电有功出力的上下限；式(24)和式(25)为分布式电源无功出力约束，是t时刻节点i的风电无功出力，是t时刻节点i的光伏无功出力，是节点i的风电容量与光伏容量。

46、与现有技术相比，本发明的有益效果是：

47、(1)本发明提出的基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，相比于原始bka算法，使用chebyshev混沌映射生成初始种群。传统的随机初始化方法可能导致种群多样性不足，容易陷入局部最优，chebyshev混沌映射通过引入混沌序列，生成更加分散和随机的初始种群，保证了种群的多样性和搜索空间的随机性。使用混沌映射生成的初始种群具有较好的分布特性，有助于bka算法在迭代过程中快速收敛到全局最优解，从而提高算法的效率和稳定性。

48、(2)本发明提出的基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，相比于原始bka算法，使用chebyshev混沌映射用于攻击行为和迁移行为筛选。在攻击行为中使用chebyshev混沌映射生成的随机数来扰动个体位置使得在每次迭代中引入随机性，防止个体陷入局部最优解；在迁移行为中同样使用chebyshev混沌映射生成的随机数来更新个体位置，确保搜索的多样性。通过在两个不同的步骤中引入混沌扰动，能够有效地增强搜索过程中的随机性和多样性，从而提高跳出局部最优解并找到全局最优解的能力。

技术特征：

1.基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，其特征在于，所述步骤1中构建配电网柔性重构模型具体公式为：

3.根据权利要求2所述基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，其特征在于，所述步骤1生成初始黑翅鸢种群以及初始化chebyshev混沌映射初始状态的具体步骤为：

4.根据权利要求3所述基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，其特征在于，所述步骤2具体为：

5.根据权利要求4所述基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，其特征在于，所述步骤3具体为：

6.根据权利要求5所述基于改进chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，其特征在于，所述步骤4中约束条件具体为：

技术总结
本发明公开的基于改进Chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，包括以下步骤：步骤1，构建配电网柔性重构模型，生成初始黑翅鸢种群，初始化Chebyshev混沌映射的初始状态；步骤2，进行迭代运算形成初始种群解集集合；步骤3，对初始种群解集集合进行行为筛选，形成新种群解集集合；步骤4，将不满足约束条件的种群重新迭代运算，步骤5，判断迭代计算运数是否满足迭代终止条件，若满足，则输出最优黑翅鸢种群方案，完成配电网重构。本发明的基于改进Chebyshev混沌映射黑翅鸢算法的配电网柔性重构方法，解决原有黑翅鸢优化算法在网损优化的配电网柔性重构中面临的收敛速度慢及参数调节困难的问题。

技术研发人员：杨国清,王冠华,贾涛荣,贾晨辉
受保护的技术使用者：西安理工大学
技术研发日：
技术公布日：2024/12/5