[发明专利]基于分布式计算平台的超大规模输电网络扩展规划方法

说明书

本发明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。

技术领域

本发明属于输电网络技术领域，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。

背景技术

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。粒子群方法是一种基于简单生物群体协作行为的优化方法，该方法克服了传统规划方法中存在的诸如变量优化不连续等问题，具有收敛速度快、鲁棒性好等特点，已经被广泛用于函数优化、工作调度、路径规划、信号处理、图像分割、电子商务竞价、神经网络训练、模糊系统控制以及其他遗传算法等多个工程应用领域。

但是，传统粒子群方法在面对复杂问题求解，特别是数据量特别大的问题时，往往需要多轮迭代才能完成计算，这是因为在粒子群方法中，每轮循环的粒子信息更新必须根据上一轮计算提供的个体最优信息和全局最优信息进行。这种严格的依赖使相邻连续循环的执行只能串行执行，而这种迭代的串行执行亦无法通过其他并行手段缩短，因此，利用传统粒子群方法处理大规模或超大规模输电网络规划问题时，需要更长的时间和更多的迭代计算才能完成，使得输电网络规划方法的耗时变得更长。

随着电网规模的进一步扩大，电网规划过程中需要处理的数据量也在成规模的增长，目前涉及超大规模数据量的传统问题已经被越来越多的移植到大数据或分布式计算平台解决从而提升处理效率，但由于传统粒子群方法无法通过增加计算资源的方式缩短其过长的迭代链，因此在需要大量循环迭代的群体智能方法中，传统粒子群方法规划输电网络的方式无法通过使用分布式大数据计算平台或者增加计算节点提升问题解决的效率，这使得传统粒子群优化方法已经不能满足处理超大规模输电网络规划问题时的效率需求。

发明内容

本发明的目的在于提供基于分布式计算平台的超大规模输电网络扩展规划方法，提高了超大规模输电网络扩展规划的效率。

本发明所采用的技术方案是，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。