arrow
返回

Graph-guided data-driven evolutionary algorithm with multi-feature weight-fused modeling for distribution network reconfiguration optimization

delete2026-09-14
delete0
PRE
AI
R
Ruxin Zhao *
J
Jiajie Kang
L
Lizhenzhi Yang
L
Lixiang Fu
C
Chang Liu
C
Chao Jiang
Y
Yang Shi
DOI:10.1007/s10586-026-06552-5delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
随着电力需求的增长和可再生能源的集成,传统配电网络在运行效率和可靠性方面面临挑战。配电网络重构(DNR)通过调整分支状态优化拓扑结构,同时确保连通性、辐射状、电压/电流约束。然而,其组合复杂性结合可再生能源的不确定性,加剧了功率损耗、成本和稳定性问题。为解决这一问题,我们提出了基于图引导的数据驱动进化算法与多特征权重融合建模(GGDDEA-MFWM)。首先,为探究功率损耗与关键物理特征(包括电压、电流和拓扑结构)之间的相关性,训练了三个径向基函数模型以提取特征-损耗关系,从而提高代理模型的预测精度。每个代理模型的预测精度也受到经验数据量、网络规模和特征分布密度的影响。我们基于这些因素动态优化每个模型的k值,以在可变条件下平衡精度和计算效率。为解决特征贡献的不确定性,采用序贯最小二乘规划根据预测误差分配最优模型权重。为解决拓扑初始化和交叉、变异操作中随机分支修改的效率问题,开发了一种图引导的自适应重组策略。从最小生成树(MST)出发,通过比较分析迭代生成可行拓扑结构,同时保留具有结构优势的配置。GGDDEA-MFWM算法通过对比IEEE 123/141/295-bus系统的五种算法(SRK-DDEA、TT-DDEA、MS-DDEO、CL-DDEA、BDDEA-LDG)、wilcoxon检验和消融研究进行了验证。结果表明,其在功率损耗降低的拓扑优化方面具有显著优势,性能优势具有统计学意义,且三种核心策略在解决DNR挑战方面均做出了重要贡献。
Keyword:
Data-driven evolutionary algorithm
Multi-feature modeling strategy
Dynamically weighted surrogate integration strategy
Graph-guided adaptive recombination strategy
Distribution network reconfiguration

期刊

C
Cluster Computing-The Journal of Networks Software Tools and Applications
IF:
4.1
论文数:
5.1K
被引数:
7.5K

机构

暂无机构信息
引用论文

引用论文

err分享
err收藏
err分享
err收藏
err分享
err收藏
Two-Stage Data-Driven Evolutionary Optimization for High-Dimensional Expensive Problems
err2023-04-01
err33
PREAI
errZhen, Huixiang; Gong, Wenyin; Wang, Ling; Ming, Fei; Liao, Zuowen
err分享
err收藏
学者 查看更多内容