基于分布式计算平台的超大规模输电网络扩展规划方法技术

本发明专利技术公开了基于分布式计算平台的超大规模输电网络扩展规划方法，具体为：首先，初始化，用以将电网规划问题转化为具体的数学模型；其次，粗粒度推测并行，包括基于分布式计算平台并发执行确定任务和推测任务；最后，规划结果输出。通过建立数学模型，将电网规划方案的投资总额抽象化为目标函数，经过不断的迭代运算，将探索输电网络划分方案的问题转化为求解一维向量在目标函数中最优解的数学问题，利用自动并行化求解最优目标函数，最终求得的最优解为最佳电网规划方案的投资总额，而该解所对应的一维向量表示最优的电网划分方案。通过分布式计算平台和推测并行策略的结合，该方法大幅度提高了超大规模输电网络扩展规划的效率。

【技术实现步骤摘要】
基于分布式计算平台的超大规模输电网络扩展规划方法
本专利技术属于输电网络
，具体涉及一种基于分布式计算平台的超大规模输电网络扩展规划方法。
技术介绍
输电网扩展规划是一种为降低配电网网损，提高电网经济效益的所采用的常用方法，该方法主要通过综合考虑电源发展以及电力系统的负荷情况，对输电网络的主要网架进行规划，从而使网架中的电压质量、输送容量和供电可靠性达到国家标准的要求。然而，随着输电网络的不断扩展，网络越来越大，其复杂性也越来越高，进而导致大型输电网络在规划中诸如产生目标与约束复杂、多极值、高维、多目标等复杂问题。从而使采用传统数学方法求解大型输电网络扩展规划变得越来越困难。输电网络扩展规划是一个复杂的大规模组合优化问题，具有动态性和非线性等一系列特点，然而传统的规划方法(例如启发式方法、线性规划法、动态规划法、遗传算法、人工神经网络、蚁群方法等)一般对目标和约束函数有很高的要求，且求解过程复杂，因此，越来越多的启发式群体智能优化方法被越来越多的用以解决这类大规模复杂工程优化问题。其中，粒子群方法被引入到输电网络扩展规划问题中。粒本文档来自技高网...

【技术保护点】
1.基于分布式计算平台的超大规模输电网络扩展规划方法，其特征在于，具体按照以下步骤实施：/nS1，初始化：将电网规划问题转化为具体的数学模型，进行参数设定并输入每个粒子的初始化信息，初始化信息包括每个粒子的速度信息、位置信息、个体最优适应度值、个体最优适应度值的位置、全局最优适应度值以及全局最优适应度值的位置；/nS2，粗粒度推测并行：基于分布式计算平台并发执行确定任务和推测任务，其中确定任务是基于当前粒子的位置和速度计算的，推测任务是根据拓扑结构生成推测粒子信息，针对种群中更新的n个粒子分别生成的n个非推测任务；/nS3：规划结果输出。/n

【技术特征摘要】
1.基于分布式计算平台的超大规模输电网络扩展规划方法，其特征在于，具体按照以下步骤实施：
S1，初始化：将电网规划问题转化为具体的数学模型，进行参数设定并输入每个粒子的初始化信息，初始化信息包括每个粒子的速度信息、位置信息、个体最优适应度值、个体最优适应度值的位置、全局最优适应度值以及全局最优适应度值的位置；
S2，粗粒度推测并行：基于分布式计算平台并发执行确定任务和推测任务，其中确定任务是基于当前粒子的位置和速度计算的，推测任务是根据拓扑结构生成推测粒子信息，针对种群中更新的n个粒子分别生成的n个非推测任务；
S3：规划结果输出。


2.根据权利要求1所述的基于分布式计算平台的超大规模输电网络扩展规划方法，其特征在于，所述步骤S1中，数学模型为电网规划优化的适应度函数，如式(1)所示；



式(1)中，f(x)为新建路线的投资总额，即适应度值，网络连通时f(x)由3部分组成：网络投资，其中Ai为支路i的投资(万元/回)，xi为走廊i上新架线回数；网损，其中t为系统等效运行时间(小时/年)，B为网损电价(万元/度)，ei为走廊i上的已有支路数，Ii为线路i上电流(kA)，ri为线路电阻(Ω)，m为允许架线的走廊数；过负荷的惩罚项，是加到目标函数上的过负荷约束条件，p是电网节点的有功注入功率向量，pimax为线路i上允许的最大有功潮流，U为惩罚因子；网络不连通时直接给f(x)赋予一罚值W，罚值W为惩罚因子U的10倍。


3.根据权利要求1所述的基于分布式计算平台的超大规模输电网络扩展规划方法，其特征在于，所述步骤S2中，具体步骤如下：
S201，主任务执行：更新粒子速度vt和位置xt分别如式(2)及式(3)所示；
vt+1＝fix(ωvt+c1rand1()(Pbt-xt)+c2rand2()(Gbt-xt))(2)
xt+1＝xt+vt+1(3)
式(2)及式(3)中，fix()是取整函数，非负惯性权重ω表示上一轮迭代的粒子速度对当前粒子速度的影响；c1和c2为加速度常数，分别调节向个体最优适应度值Pbt的所在位置和全局最优适应度值Gbt的所在位置方向飞行的最大步长；rand1()和rand2()为均匀分布于[0,1]之间的随机数，用以增加子飞行的随机性；
S202，值预测：根据拓扑结构生成推测粒子信息，用以生成供推测任务独立执行的输入值；
具体步骤为：粒子的初始化以及根据当前解空间拓扑结构和粒子飞行轨迹，推测有可能下一轮飞行中粒子可能出现的点，进而生成推测粒子的信息；
S203，确定任务执行，即每个任务将根据当前粒子的位置和速度，计算粒子所表示的网络的潮流，再计算粒子的各自投资，根据潮流结果计算网损及过负荷惩罚值，进而求出各粒子的适应度值f(x)，在适应度值计算结束后，更新局部最优适应度值及其位置和个体最优适应度值及其位置；
S204，推测激发：用以激发推测任务，设置顺序激发策略，对并发参数进行设置，以保证确定任务和推测任务可以并发地在分布式计算上执行，包括参数设置和推测任务激发策略的选择，以及激发相应推测任务；
S20...

【专利技术属性】
技术研发人员：王周恺，王怀军，曹霆，王侃，马维纲，李军怀，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61