改进蚁群算法在可靠多电源配电网规划模型中的应用

设计应用技术
改进蚁群算法在可靠多电源配电网规划模型中的应用
吴恺琳
（国网福州供电公司，福建福州
针对传统电力系统存在的故障诊断能力差、数据冗余等问题，提出一种基于自组织和深度强化学习相结
合的新一代分布式电源系统可靠性优化方法。

首先，利用蚁群算法对传统的单电源配电网进行建模分析；其次，采
用改进蚁群算法对该模型进行训练与测试；最后，将结果作为输入，构建出一个全新的多电源配电网综合评价体系
并验证了所提方法的有效性。

研究表明，相比于传统的单电源配电网而言，该模型能够显著提升网络的鲁棒性、抗
干扰能力以及预测准确率。

同时，由于引入了自组织机制来改善网络结构，使得网络具有较高的泛化性及适应度，因此可以更好地实现对复杂电网运行状态下的动态响应，从而进一步提高预测精度和稳定性。

此外，通过实验证明
所提出的方法能够有效提高供电系统整体的供电效率。

蚁群算法；多电源配电网；规划模型
Application of Improved Ant Colony Algorithm in Reliable Multi-Source Distribution
Network Planning Model
WU Kailin
(State Grid Fujian Fuzhou Electric Power Supply Company, Fuzhou
条件；三是遗传算法，这是近年来研究比较成熟的一种方法，能够解决传统优化方法无法解决的一些实际问题，特别适合处理大规模的复杂问题[1]。

1.2 配电网潮流计算的数学模型
为了更好地理解潮流计算方法，首先建立了配电网潮流计算数学模型。

假设某地区有n条支路和1条线路，每条路都独立且不与其他路相连接；该地区所有的节点均位于同一个区域内；各支路上的电流分别由各自的源点（X1）和汇点（X2）提供；各个节点上的电压值为U1、U2[2]。

1.3 配电网潮流计算方法
根据上述方法，对某一地区的电负荷进行分析。

首先利用MATLAB软件编程求出各站用电量；其次将该区域划分为若干个小区间，每一个小区间内分别设置一个节点（即潮流节点）和一个潮流单元；最后再通过潮流单元与各个节点之间的距离关系来求出整个区域的总潮流值。

2 基于改进蚁群算法的配电网无功优化
2.1 基本蚁群算法
改进蚁群算法是一种经典的遗传算法，它通过模拟自然环境下蚂蚁群中个体之间的相互作用来求解最优策略。

其主要思想如下：首先，将每个个体随机划分成若干个子代群体；其次，根据蚁巢大小和蚁穴数量对蚁后进行选择，使得每只工蚁能够获得最大利益；最后，当所有工蚁都被分配到某一个蚁后时，该蚁后就会开始繁殖后代并且逐渐进化成为新一代蚁王。

需要注意的是，由于蚁群规模较大，可以采用分批次的方式来进行蚁群更新，以保证整个蚁群始终保持着较高的多样性。

具体步骤如下：（1）确定蚁群初始位置、速度及方向；（2）按照蚁群总数N=100建立初始蚁群，即从当前时刻起，每隔5 min 记录一次蚁群信息，直到蚁群内没有空位为止；（3）利用最小二乘支持向量回归方法、核函数等数学方法计算出各个蚁群所需搜索空间与当前搜索空间的最短路径长度L1和L2；（4）根据蚁群的数量以及各蚂蚁的平均适应能力选择合适的蚁群大小，使得蚁群的最优解在全局范围内收敛；（5）当种群达到稳定状态后，将所有蚁群以一定概率随机分成若干个簇，并且对每一簇内的个体进行编号，同时设置一个时间点作为下一阶段种群的起始点[3]。

2.2 基本蚁群算法的数学模型
（1）初始化阶段。

首先对所有节点进行编号，并且将每个点的值作为该点的初始值；其次计算出各个节点之间距离最短的路径集合；最后根据距离最短距离和最小路径2个参数确定各节点之间的连接关系。

（2）搜索过程。

由于蚁群算法是一种启发式算法，因此其搜索步骤为从当前时刻开始，按照一定规则不断重复上述操作直至达到终止条件。

如果满足终止条件则停止搜索；若未找到终止条件，则继续执行下一个循环直到找到结束条件。

寻找新蚁穴时，只有当新的蚁穴被找到后才会产生蚁群，而此时已经没有新蚁窝了，所以需要重新选择巢中蚂蚁数量、位置以及蚁后的数量等信息，以保证蚁群能持续运行到最优状态。

2.3 改进蚁群算法
为了进一步提高配电网络无功优化效率，将改进蚁群法与遗传算法相结合。

具体步骤如下：（1）建立一个初始模型；（2）选择合适的个体进行训练；（3）计算每只工蚁所得到的信息熵值，并根据该值对工蚁群体进行排序；（4）按照最优解的数量确定出最佳种群数目和个数；（5）重复上述过程直至所有蚂蚁达到最大迭代次数。

3 基于改进蚁群算法的配电网重构
3.1 配电网重构的基本模型及约束条件
根据上述分析，建立了一种新的优化方法。

首先对模型进行求解并确定最优解集；其次将该解集与原问题相结合得到一个新问题；最后通过不断迭代更新这个解集直至达到满意结果。

由于传统的遗传算法是从全局角度出发来解决问题，而本研究采用的是局部优化方法，因此需要先对整个网络进行建模，再利用蚁群中的个体进行搜索和寻优，以获得最好的解，从而使得所求出来的解更加合理有效，同时还能够提高收敛速度[4]。

3.2 蚁群算法的基本原理
为了实现对该系统的有效优化和管理，需要将整个网络进行重构。

由于传统的配电网设计方法存在一定的缺陷和不足之处，因此可以采用一种新的方式来解决问题。

这个过程就是利用网络的拓扑结构以及节点之间的关系来构建出一个具有较强约束性和逻辑关系的、能够适应于实际情况的数学模型。

通过这样一系列复杂的运算后，就会得到所需的结果。

根据数学模型的建立原理，首先要确定各个节点之间的相互作用关系，然后再结合实际情况，从而形成一个相对完善的数学模型。

因为本文主要研究的是如何使得各子系统达到最佳状态，所以在具体的求解时只是考虑了每个子系统内部的一些参数。

例如，如果想要使得所有子系统都达到最好的状态，则应该
·　４７　·
先求出所有子系统的目标值。

对于子系统内部的参数而言，其不是一成不变的，而是随着时间的推移不断发生变化。

为了更加有效地提高整个系统的性能，还需要针对不同的子系统分别采取不同的策略。

改进蚁群算法在配电网重构中的实现步骤和
为了验证该方法的有效性，将其与文献中提出的改进蚁群算法进行了对比。

具体步骤如下：（1）根据实际情况建立一个包含所有节点的网络拓扑结）对每一种可能出现的故障模式进行预测并
）利用所提方法对各故障模式下对应的概率进行求和得到最终结果。

当某一种故障模式出现时，则说明此次优化方案已经成功完成，否则重新开始新一轮的迭代。

本文采用的是“自上而
即首先由专家组给出初始模型的参数值，其次由专家组对各个参数值进行分析后确定最优解。

应用设计子程序、配电网规划数据库设计子程序、配电网优化调度管理子程序以及配电网故障诊断与处理子程序设计等4部分内容。

其中，分布式控制系统Distributed Control System，DCS）软件采用C语言进行编写，配电网规划软件系统各部分之间相互独立且又紧密联系。

结 论
通过以上分析可知，本文提出了一种新的基于蚁群优化的多电源配电网络优化方法。

该方法能够有效解决传统单电源配电系统中存在的问题，并且可以提高整个系统运行的安全性和稳定性。

但是由于目前还没有相关文献对这种新型方法进行深入研究，因此下一步将重点研究如何利用蚁群来实现这一方法，以期为以后的工作提供一定的参考。

参考文献：
徐 彪.面向调度应急处置的输配电网故障诊断关键技术研究[D].武汉：华中科技大学，2020.
蔡华洵.基于免疫算法的配电网故障定位研究[D].武汉：湖北工业大学，2020.
唐俊熙，王梓耀，张俊潇，等.基于文化蚁群算法的高可靠多电源配电网规划模型[J].电力系统保护与控制，2020，48（7）：99-107.
刘鹏辉.基于信号特征辨识的配电网馈线保护方法研究[D].长沙：湖南大学，2019.
陈 娟.含分布式电源的智能配电网故障自愈方法研究[D].天津：天津大学，2018.
图1 配电网规划软件系统。