返回
Graph-guided data-driven evolutionary algorithm with multi-feature weight-fused modeling for distribution network reconfiguration optimization
DOI:10.1007/s10586-026-06552-5.png)
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
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
Equilibrium optimization algorithm for network reconfiguration and distributed generation allocation in power systems电力系统网络重构与分布式电源分配的均衡优化算法
Peer-to-peer decentralized energy trading framework for retailers and prosumers面向零售商和消费者的点对点分散能源交易框架
APPLIED ENERGY
IF11
Chance-constrained robust dynamic OPF in mutually coupled distribution networks with uncertain injections在相互耦合配电网中考虑不确定注入的鲁棒随机动态最优潮流
Optimal scheduling of multi-energy type virtual energy storage system in reconfigurable distribution networks for congestion management面向拥塞管理的可重构配电网多能型虚拟储能系统优化调度
APPLIED ENERGY
IF11
Adaptive operator selection with dueling deep Q-network for evolutionary multi-objective optimization进化多目标优化的对决深度Q网络自适应算子选择
NEUROCOMPUTING
IF6.5
Buildings-to-distribution-network integration considering power transformer loading capability and distribution network reconfiguration考虑电力变压器负载能力和配电网络重构的建筑物到配电网络集成
ENERGY
IF9.4

