本發(fā)明涉及電網(wǎng)停電恢復(fù)技術(shù)領(lǐng)域，具體涉及一種停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法。

背景技術(shù)：

停電電網(wǎng)恢復(fù)路徑優(yōu)化有助于加快系統(tǒng)恢復(fù)，是電網(wǎng)架重構(gòu)的關(guān)鍵問題。最優(yōu)恢復(fù)路徑的生成是典型的NPC問題，難以快速確定最優(yōu)解。智能優(yōu)化算法在保留全局尋優(yōu)能力的前提下，減小搜索的狀態(tài)空間，提高了尋優(yōu)速度，得到廣泛的應(yīng)用。然而，現(xiàn)有以線路狀態(tài)為編碼的智能優(yōu)化算法，不對優(yōu)化過程中生成個體的網(wǎng)絡(luò)連通性進行修正，而是采用逐步淘汰非連通個體的策略，減少了個體樣本的多樣性，需要多次迭代才能收斂，且容易收斂至局部最優(yōu)解。

現(xiàn)有的逐步淘汰非連通個體的策略，包括將不連通個體的適應(yīng)度值設(shè)為較差的數(shù)值，使其目標函數(shù)值偏離最優(yōu)值，在下一代個體生成或更新時，將不連通個體逐步淘汰；或者通過偏好處理的方式，將非連通個體的偏好設(shè)為較差，使其在競爭中處于劣勢，從而將其淘汰。但是，上述的策略存在一些不足之處，首先破壞了個體的多樣性，在被淘汰的非連通個體中，一些個體僅缺少一兩條支路即可成為連通個體，這些個體通過后續(xù)的操作可能成為優(yōu)質(zhì)的連通個體，將其淘汰則失去了這種可能性；其次，存在大量的無效解，收斂速度較慢，智能算法計算過程中，每條線路狀態(tài)編碼值是通過相應(yīng)的概率生成，具有一定的隨機性。生成的個體中，很大一部分是非連通的個體；除此之外，還降低了搜索到最優(yōu)解的可能性，停電電網(wǎng)最優(yōu)恢復(fù)路徑通常僅有一條，因而，智能算法生成連通個體對應(yīng)恢復(fù)路徑為最優(yōu)恢復(fù)路徑的概率很小，智能算法的淘汰策略使可行解的搜索空間減小，進一步降低了搜索到最優(yōu)解的可能性，不利于停電電網(wǎng)恢復(fù)路徑優(yōu)化的最優(yōu)恢復(fù)路徑生成。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為了克服現(xiàn)有技術(shù)中停電電網(wǎng)恢復(fù)路徑優(yōu)化，采用智能算法的淘汰策略使可行解的搜索空間減小，降低了搜索到最優(yōu)解的可能性的問題。本發(fā)明的停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法，基于凝聚層次聚類法和prim算法的連通性修正算法，將非連通個體有效修正為連通個體的方法，計算速度快，迭代次數(shù)少，收斂速度快，穩(wěn)定性較好，計算結(jié)果波動性較小，具有很強的適應(yīng)性，具有良好的應(yīng)用前景。

為了達到上述目的，本發(fā)明所采用的技術(shù)方案是：

一種停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法，其特征在于：包括以下步驟，

步驟(A)，將每一條已恢復(fù)線路分別構(gòu)成m個初始待連通圖G_i＝(E_i,V_i)，將已帶電節(jié)點和目標節(jié)點，取出每個孤立節(jié)點，分別構(gòu)成t個初始待連通圖G_j＝(E_j,V_j)；

步驟(B)，采用凝聚層次聚類法將m個初始待連通圖G_i＝(E_i,V_i)、t個初始待連通圖G_j＝(E_j,V_j)合并成連通子圖，反復(fù)合并直到完成連通子圖聚合，構(gòu)成連通子圖；

步驟(C)，利用prim算法搜索將所有的連通子圖連接的最短連通路徑，建立包含所有待恢復(fù)電源點的連通圖；

步驟(D)，根據(jù)包含所有待恢復(fù)電源點的連通圖，將該連通圖上的連通路徑上的線路狀態(tài)設(shè)為1，實現(xiàn)連通性修正。

前述的一種停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法，其特征在于：步驟(A)，包括以下步驟，

(A1)將待恢復(fù)電網(wǎng)的拓撲用無向連通圖G＝(V,E)表示，V是無向連通圖G的節(jié)點集，對應(yīng)待恢復(fù)電網(wǎng)中的母線；E是無向連通圖G的邊集，對應(yīng)待恢復(fù)電網(wǎng)中的線路，邊集的權(quán)值函數(shù)f(E)用于表示線路特征，取線路的充電功率表示，待恢復(fù)電網(wǎng)的拓撲和邊集的權(quán)值構(gòu)成了待恢復(fù)電網(wǎng)的網(wǎng)絡(luò)N(G,f)；

(A2)根據(jù)待恢復(fù)電網(wǎng)的網(wǎng)絡(luò)N(G,f)，用1表示邊投運，0表示邊未投運，將邊狀態(tài)中對應(yīng)編碼為1的線路構(gòu)成已恢復(fù)邊集E’，已恢復(fù)邊集E’中每條邊兩端節(jié)點、已帶電節(jié)點和目標節(jié)點構(gòu)成已恢復(fù)節(jié)點集V’，V’∈V；已恢復(fù)邊集E’和已恢復(fù)節(jié)點集V’構(gòu)成已恢復(fù)電網(wǎng)圖G’＝(V’,E’)；

(A3)從已恢復(fù)電網(wǎng)圖G’中，取每條已恢復(fù)線路和線路兩端節(jié)點構(gòu)成m個初始待連通圖G_i＝(E_i,V_i)，其中，m為已恢復(fù)線路的數(shù)量，E_i中僅一條線路，V_i為該條線路兩端節(jié)點；從已帶電節(jié)點和目標節(jié)點中，取出每個孤立節(jié)點，構(gòu)成t個初始待連通圖G_j＝(E_j,V_j)，其中E_j為空集，V_j為所取孤立節(jié)點。

前述的一種停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法，其特征在于：步驟(B)，反復(fù)合并直到完成連通子圖聚合，構(gòu)成連通子圖，包括以下步驟，

(B1)從第1個初始待連通圖G_i開始，依次取出G_i，若取出的G_i已經(jīng)被合并到其他圖中，則選擇下一個圖G_i+1；若沒有被合并，轉(zhuǎn)入(B2)；

(B2)從第1個初始待連通圖G_j開始，依次取出G_j，若G_j已經(jīng)被合并到其他圖中或i與j相等，選擇下一個圖G_j+1；否則，采用公式(1)計算G_i與G_j的距離函數(shù)值dist(i,j)，距離函數(shù)值dist(i,j)為布爾變量，當G_i的節(jié)點集V_i與G_j的節(jié)點集V_j沒有交集時，兩個圖不連通，距離函數(shù)值為0；反之，距離函數(shù)值為1，

(B3)當距離函數(shù)值dist(i,j)為1時，將對應(yīng)的G_j合并至對應(yīng)的G_i中，更新E_i、V_i，使E_i＝E_i∪E_j，V_i＝V_i∪V_j，并轉(zhuǎn)入(B2)，選取下一個圖G_j+1，直至遍歷所有初始待連通圖G_j，轉(zhuǎn)入(B4)；

(B4)若初始待連通圖G_i未遍歷完成，轉(zhuǎn)入(B1)，選取下一個圖G_i+1；否則，搜索結(jié)束，將未被合并的G_i、G_j輸出，形成h個連通子圖。

前述的一種停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法，其特征在于：步驟(C)，建立包含所有待恢復(fù)電源點的連通圖，包括以下步驟，

(C1)初始化各連通子圖，對各連通子圖進行編號，包含黑啟動電源的連通子圖的編號為1，將各連通子圖內(nèi)線路權(quán)值設(shè)為0，f(b_kl)＝0，其中，k為連通子圖編號，k＝1,2,···,h；l為連通子圖k中線路編號，l＝1開始編號，從連通子圖k中取出任意一個節(jié)點用于后續(xù)連通路徑搜索v_k,k＝1,2,···,h；

(C2)搜索連通路徑，從包含黑啟動電源的連通子圖G₁中節(jié)點v₁出發(fā)，基于迪杰斯特拉算法，利用網(wǎng)絡(luò)N(G,f)搜索v₁到其他連通子圖G_k的連通路徑E_1k，已被合并的連通子圖，則不再搜索，其中，k為連通子圖編號；

(C3)合并連通子圖，基于prim算法，選擇權(quán)值最小的連通路徑E_1k為恢復(fù)路徑，將連通路徑E_1k、連通子圖G_k合并到包含黑啟動電源的連通子圖G₁中，更新包含黑啟動電源的連通子圖G₁，并將G_k的狀態(tài)設(shè)為已被合并；

(C4)除包含黑啟動電源的連通子圖G₁外，若還存在未被合并的連通子圖，采用更新后的包含黑啟動電源的連通子圖G₁，返回(C2)直到不存在未被合并的連通子圖，此時，包含黑啟動電源的連通子圖G₁為包含所有待恢復(fù)電源點的連通圖。

本發(fā)明的有益效果是：本發(fā)明的停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法，基于凝聚層次聚類法和prim算法的連通性修正算法，將非連通個體有效修正為連通個體的方法，與現(xiàn)有技術(shù)相比，計算速度快，迭代次數(shù)少，而且利用本發(fā)明得到的結(jié)果為最優(yōu)解，收斂速度快，穩(wěn)定性較好，計算結(jié)果波動性較小，此外，本發(fā)明對初始種群中的個體具有很強的適應(yīng)性，對系統(tǒng)規(guī)模也有很強的適應(yīng)性，可以適用于停電系統(tǒng)的恢復(fù)路徑優(yōu)化中，具有一定的理論價值和工程價值，具有良好的應(yīng)用前景。

附圖說明

圖1是本發(fā)明的停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法的流程圖。

圖2是本發(fā)明的步驟B基于凝聚層次聚類的連通子圖聚合流程圖。

圖3是本發(fā)明的步驟C基于prim算法的連通子圖的連通路徑搜索流程圖。

圖4是本發(fā)明的算例1中含不同數(shù)量非連通區(qū)域的個體的出現(xiàn)次數(shù)示意圖。

圖5是本發(fā)明的算例2的適應(yīng)度值收斂曲線圖。

圖6是本發(fā)明算例2中兩種方法重復(fù)計算20次的適度值圖。

圖7是本發(fā)明算例3中兩種方法對不同種群進行優(yōu)化的適度值圖。

具體實施方式

下面將結(jié)合說明書附圖，對本發(fā)明作進一步的說明。

本發(fā)明的停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法，如圖1所示，包括以下步驟，

步驟(A)，將每一條已恢復(fù)線路分別構(gòu)成m個初始待連通圖G_i＝(E_i,V_i)，將已帶電節(jié)點和目標節(jié)點，取出每個孤立節(jié)點，分別構(gòu)成t個初始待連通圖G_j＝(E_j,V_j)，包括以下步驟，

(A1)將待恢復(fù)電網(wǎng)的拓撲用無向連通圖G＝(V,E)表示，V是無向連通圖G的節(jié)點集，對應(yīng)待恢復(fù)電網(wǎng)中的母線；E是無向連通圖G的邊集，對應(yīng)待恢復(fù)電網(wǎng)中的線路，邊集的權(quán)值函數(shù)f(E)用于表示線路特征，取線路的充電功率表示，待恢復(fù)電網(wǎng)的拓撲和邊集的權(quán)值構(gòu)成了待恢復(fù)電網(wǎng)的網(wǎng)絡(luò)N(G,f)；

(A2)根據(jù)待恢復(fù)電網(wǎng)的網(wǎng)絡(luò)N(G,f)，用1表示邊投運，0表示邊未投運，將邊狀態(tài)中對應(yīng)編碼為1的線路構(gòu)成已恢復(fù)邊集E’，已恢復(fù)邊集E’中每條邊兩端節(jié)點、已帶電節(jié)點和目標節(jié)點構(gòu)成已恢復(fù)節(jié)點集V’，V’∈V；已恢復(fù)邊集E’和已恢復(fù)節(jié)點集V’構(gòu)成已恢復(fù)電網(wǎng)圖G’＝(V’,E’)；

(A3)從已恢復(fù)電網(wǎng)圖G’中，取每條已恢復(fù)線路和線路兩端節(jié)點構(gòu)成m個初始待連通圖G_i＝(E_i,V_i)，其中，m為已恢復(fù)線路的數(shù)量，E_i中僅一條線路，V_i為該條線路兩端節(jié)點；從已帶電節(jié)點和目標節(jié)點中，取出每個孤立節(jié)點，構(gòu)成t個初始待連通圖G_j＝(E_j,V_j)，其中E_j為空集，V_j為所取孤立節(jié)點；

步驟(B)，采用凝聚層次聚類法將m個初始待連通圖G_i＝(E_i,V_i)、t個初始待連通圖G_j＝(E_j,V_j)合并成連通子圖，反復(fù)合并直到完成連通子圖聚合，構(gòu)成連通子圖，如圖2所示，包括以下步驟，

(B1)從第1個初始待連通圖G_i開始，依次取出G_i，若取出的G_i已經(jīng)被合并到其他圖中，則選擇下一個圖G_i+1；若沒有被合并，轉(zhuǎn)入(B2)；

(B2)從第1個初始待連通圖G_j開始，依次取出G_j，若G_j已經(jīng)被合并到其他圖中或i與j相等，選擇下一個圖G_j+1；否則，采用公式(1)計算G_i與G_j的距離函數(shù)值dist(i,j)，距離函數(shù)值dist(i,j)為布爾變量，當G_i的節(jié)點集V_i與G_j的節(jié)點集V_j沒有交集時，兩個圖不連通，距離函數(shù)值為0；反之，距離函數(shù)值為1，

(B3)當距離函數(shù)值dist(i,j)為1時，將對應(yīng)的G_j合并至對應(yīng)的G_i中，更新E_i、V_i，使E_i＝E_i∪E_j，V_i＝V_i∪V_j，并轉(zhuǎn)入(B2)，選取下一個圖G_j+1，直至遍歷所有初始待連通圖G_j，轉(zhuǎn)入(B4)；

(B4)若初始待連通圖G_i未遍歷完成，轉(zhuǎn)入(B1)，選取下一個圖G_i+1；否則，搜索結(jié)束，將未被合并的G_i、G_j輸出，形成h個連通子圖；

步驟(C)，利用prim算法搜索將所有的連通子圖連接的最短連通路徑，建立包含所有待恢復(fù)電源點的連通圖，如圖3所示，包括以下步驟，

(C1)初始化各連通子圖，對各連通子圖進行編號，包含黑啟動電源的連通子圖的編號為1，將各連通子圖內(nèi)線路權(quán)值設(shè)為0，f(b_kl)＝0，其中，k為連通子圖編號，k＝1,2,···,h；l為連通子圖k中線路編號，l＝1開始編號，從連通子圖k中取出任意一個節(jié)點用于后續(xù)連通路徑搜索v_k,k＝1,2,···,h；

(C2)搜索連通路徑，從包含黑啟動電源的連通子圖G₁中節(jié)點v₁出發(fā)，基于迪杰斯特拉算法，利用網(wǎng)絡(luò)N(G,f)搜索v₁到其他連通子圖G_k的連通路徑E_1k，已被合并的連通子圖，則不再搜索，其中，k為連通子圖編號；

(C3)合并連通子圖，基于prim算法，選擇權(quán)值最小的連通路徑E_1k為恢復(fù)路徑，將連通路徑E_1k、連通子圖G_k合并到包含黑啟動電源的連通子圖G₁中，更新包含黑啟動電源的連通子圖G₁，并將G_k的狀態(tài)設(shè)為已被合并；

(C4)除包含黑啟動電源的連通子圖G₁外，若還存在未被合并的連通子圖，采用更新后的包含黑啟動電源的連通子圖G₁，返回(C2)直到不存在未被合并的連通子圖，此時，包含黑啟動電源的連通子圖G₁為包含所有待恢復(fù)電源點的連通圖；

步驟(D)，根據(jù)包含所有待恢復(fù)電源點的連通圖，將該連通圖上的連通路徑上的線路狀態(tài)設(shè)為1，實現(xiàn)連通性修正。

下面根據(jù)本發(fā)明的停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法，介紹具體算例，介紹本發(fā)明的優(yōu)勢所在，具體如下：

算例1

以10機39節(jié)點系統(tǒng)為例，采用遺傳算法隨機生成10000個非連通個體，含有不同數(shù)量未連通區(qū)域的個體出現(xiàn)次數(shù)統(tǒng)計，如圖4所示，基于發(fā)明的修正方法與枚舉算法對非連通個體進行修正，兩種方法的部分結(jié)果統(tǒng)計如表1所示，

表1采用枚舉法和本文方法對不同個體修正的結(jié)果統(tǒng)計

從表1中可以看出，在未連通區(qū)域數(shù)量較少時，枚舉法能夠在較短的時間內(nèi)搜索到最優(yōu)的修正路徑。但是，當非連通區(qū)域數(shù)量較多時，因為需要枚舉的狀態(tài)數(shù)量呈指數(shù)級增長，計算時間也呈指數(shù)級增長，而從圖4中可以看出，非連通區(qū)域數(shù)量較多個體的比重很大，如果采用枚舉法對新生成個體連通性進行修正，遺傳算法的計算時間將無法承受。采用本發(fā)明的修正方法，隨著未連通區(qū)域數(shù)量的增加，修正連通個體所需的時間增長有限，遺傳算法計算的時間能夠在接受范圍內(nèi)，且連通性的修正能夠帶來尋優(yōu)效率的提升，減少迭代次數(shù)。本發(fā)明的修正方法，不僅提高了計算速度，搜索到的修正路徑也為最優(yōu)修正路徑。

算例2

以10機39節(jié)點系統(tǒng)為例進行仿真，隨機生成20個連通個體為初始種群，采用遺傳算法計算一次的適應(yīng)度值收斂曲線，如圖5所示。對同一初始種群重復(fù)計算20次，兩種方法每次計算的收斂結(jié)果，如圖6所示。

從圖5中可以看出，采用本發(fā)明的對非連通個體進行修正的智能算法的收斂速度比采用淘汰策略的智能算法要快，且本發(fā)明搜索到的最優(yōu)解比淘汰策略搜索到的最優(yōu)解要好；從圖6中可以看出，本發(fā)明的穩(wěn)定性較好，每次計算的結(jié)果波動性較??；基于淘汰策略的計算結(jié)果波動性較大，最好結(jié)果接近本發(fā)明計算結(jié)果，但總體平均值與本發(fā)明有較大差距。

算例3

以10機39節(jié)點系統(tǒng)為例進行仿真，生成21組初始種群，每個種群中連通個體數(shù)量分別為0～20，基于兩種方法對每個種群重復(fù)計算50次，優(yōu)化結(jié)果的平均值如圖7所示，從圖7中可以看出，對含不同數(shù)量連通個體的初始種群，基于本發(fā)明的方法，計算結(jié)果波動很小，基于淘汰策略的計算結(jié)果波動很大，且對初始種群中沒有連通個體的情況，無法搜索到有效解。因此，基于本發(fā)明的智能算法對初始種群中個體具有很強的適應(yīng)性。

算例4

分別對6機14節(jié)點、10機39節(jié)點和54機118節(jié)點系統(tǒng)進行仿真。初始種群中個體均為連通個體，采用兩種方法分別重復(fù)計算50次，計算結(jié)果的適應(yīng)度平均值、路徑中包含的節(jié)點和線路條數(shù)平均值，如表2所示。由于不同系統(tǒng)的線路權(quán)值設(shè)置差異，不同系統(tǒng)之間的適應(yīng)度值有較大差異，不具備可比性。

表2不同規(guī)模系統(tǒng)50次仿真結(jié)果統(tǒng)計

從表2中可以看出，由于淘汰策略的不穩(wěn)定性，不同規(guī)模的系統(tǒng)計算適度值存在較大波動，但本發(fā)明計算非常的穩(wěn)定，不同規(guī)模系統(tǒng)均能搜索到較優(yōu)的適度值。同時，不論待恢復(fù)系統(tǒng)的規(guī)模如何，本發(fā)明的方法，得到的恢復(fù)路徑比淘汰策略得到的恢復(fù)路徑短。因此，本發(fā)明對系統(tǒng)規(guī)模的適應(yīng)性更強。

從上述的算例結(jié)果可以看出，本發(fā)明基于凝聚層次聚類和prim算法將非連通個體修正為連通個體，具有更快的收斂速度，對初始種群的適應(yīng)性很強，且對不同規(guī)模系統(tǒng)均有效。本發(fā)明可以提升現(xiàn)有黑啟動恢復(fù)路徑優(yōu)化智能算法的計算效率，具有一定的理論價值和工程價值。

綜上所述，本發(fā)明的停電系統(tǒng)恢復(fù)路徑智能優(yōu)化的網(wǎng)絡(luò)連通性修正方法，基于凝聚層次聚類法和prim算法的連通性修正算法，將非連通個體有效修正為連通個體的方法，與現(xiàn)有技術(shù)相比，計算速度快，迭代次數(shù)少，而且利用本發(fā)明得到的結(jié)果為最優(yōu)解，收斂速度快，穩(wěn)定性較好，計算結(jié)果波動性較小，此外，本發(fā)明對初始種群中的個體具有很強的適應(yīng)性，對系統(tǒng)規(guī)模也有很強的適應(yīng)性，可以適用于停電系統(tǒng)的恢復(fù)路徑優(yōu)化中，具有一定的理論價值和工程價值，具有良好的應(yīng)用前景。

以上顯示和描述了本發(fā)明的基本原理、主要特征及優(yōu)點。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附的權(quán)利要求書及其等效物界定。