技术摘要：
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  全部
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。
技术实现要素：
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。 5 CN 111598399 A 说　明　书 2/9 页 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。 本发明的特点还在于， 步骤S1中，数学模型为电网规划优化的适应度函数，如式(1)所示； 式(1)中，f(x)为新建路线的投资总额，即适应度值，网络连通时f(x)由3部分组 成：网络投资，其中Ai为支路i的投资(万元/回)，xi为走廊i上新架线回数；网损，其中t为系 统等效运行时间(小时/年)，B为网损电价(万元/度)，ei为走廊i上的已有支路数，Ii为线路i 上电流(kA)，ri为线路电阻(Ω)，m为允许架线的走廊数；过负荷的惩罚项，是加到目标函数 上的过负荷约束条件，p是电网节点的有功注入功率向量，p maxi 为线路i上允许的最大有功 潮流，U为惩罚因子；网络不连通时直接给f(x)赋予一罚值W，罚值W为惩罚因子U的10倍。 步骤S2中，具体步骤如下： S201，主任务执行：更新粒子速度vt和位置xt分别如式(2)及式(3)所示； vt 1＝fix(ωvt c1rand1( )(Pbt-xt) c2rand2( )(Gbt-xt))    (2) xt 1＝xt vt 1    (3) 式(2)及式(3)中，fix( )是取整函数，非负惯性权重ω表示上一轮迭代的粒子速度 对当前粒子速度的影响；c1和c2为加速度常数，分别调节向个体最优适应度值Pbt的所在位 置和全局最优适应度值Gbt的所在位置方向飞行的最大步长；rand1( )和rand2( )为均匀分 布于[0,1]之间的随机数，用以增加子飞行的随机性； S202，值预测：根据拓扑结构生成推测粒子信息，用以生成供推测任务独立执行的 输入值； 具体步骤为：粒子的初始化以及根据当前解空间拓扑结构和粒子飞行轨迹，推测 有可能下一轮飞行中粒子可能出现的点，进而生成推测粒子的信息； S203，确定任务执行，即每个任务将根据当前粒子的位置和速度，计算粒子所表示 的网络的潮流，再计算粒子的各自投资，根据潮流结果计算网损及过负荷惩罚值，进而求出 各粒子的适应度值f(x)，在适应度值计算结束后，更新局部最优适应度值及其位置和个体 最优适应度值及其位置； S204，推测激发：用以激发推测任务，设置顺序激发策略，对并发参数进行设置，以 6 CN 111598399 A 说　明　书 3/9 页 保证确定任务和推测任务可以并发地在分布式计算上执行，包括参数设置和推测任务激发 策略的选择，以及激发相应推测任务； S205，推测并行：在收到推测粒子信息后，将预测值作为输入提供给推测任务，供 推测任务同时执行； S206：结果选择，即推测匹配验证，选择预测正确的粒子； S207：结果更新，在步骤S206选择出正确的推测任务所对应的执行结果后，对该执 行结果的粒子局部最优适应度值进行更新； SQ：判断是否达到迭代条件，即判断是否达到最大迭代次数，或者已经得到最优 解，如果是，则进入下一步骤，如果否，则返回继续进行下一轮迭代运算循环；循环终止的条 件包括：达到最大迭代次数Tmax；计算精度达到所设置的值ε；所求最优解最大停滞步数Δt 满足最小适应度阈值。 步骤S203中，具体步骤如下： 步骤S2031：在判断连通性的基础上，根据粒子位置结果计算各自投资，再依据潮 流结果计算网损及过负荷惩罚值，进而求出各粒子的适应度值；潮流结果的计算遵照公式 (4)进行： P1＝B1θ    (4) 式(4)中，P1指的是各支路有功功率潮流所构成的向量，B1为各支路导纳组成的对 角矩阵，θ指的是各支路两端相角差向量； 步骤2032，局部比较：根据粒子的拓扑，对每一个粒子进行局部比较，更新其个体 最优适应度值Pbest和局部最优适应度值Nbest；首先更新个体最优适应度值Pbest，Pbest 的更新依赖于粒子本轮的适应度值f(x)是否比上一轮的Pbest值更优；接着更新局部最优 适应度值Nbest，Nbest的更新依赖于粒子的左右邻居和自己本轮位置的适应度值f(x)三者 间的最优适应度值是否比上一轮的Nbest更优，在更新Pbest和Nbest的基础上，更新个体最 优适应度值的位置PbestPos和局部最优适应度值的位置NbestPos，完成确定任务的全过 程，得到的结果即为第t 1轮迭代的粒子信息。 步骤S205中，具体步骤如下： S2051，计算适应度值：在判断连通性的基础上，根据粒子位置结果计算各自投资， 再依据潮流结果计算网损及过负荷惩罚值，进而利用公式(1)求出各粒子的适应度值f(x)； S2052，粒子内部比较：更新个体最优适应度值Pbest和个体最优适应度值的位置 PbestPos，个体最优适应度值Pbest的更新依赖于当前粒子的所述适应度值f(x)是否比上 一轮的更优，略优的则为新的个体最优适应度值。 步骤S207中，具体步骤如下： S2071：更新新一轮的局部最优适应度值Nbest，将正确推测结果中的Nbest与当前 确定任务执行结束后的结果中的Nbest比对，选出更优的Nbest赋予正确的推测结果； S2072：得到新一轮个体最优适应度值Pbest和全局最优适应度值Nbest更新后的 粒子信息，整合正确的推测结果的速度、位置、个体最优适应度值、局部最优适应度值、个体 最优适应度值的位置以及局部最优适应度值的位置，形成推测执行的输出。 本发明的有益效果是， 通过建立数学模型，将输电规划网络的架线方案抽象化为一维向量，将电网规划 7 CN 111598399 A 说　明　书 4/9 页 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，并将求解一维向量在目标函数中 的最优解这一过程中所涉及到的迭代运算作为潜在并行域，将相邻的迭代运算划分成可以 并发执行的单元，通过忽略相邻迭代间的控制依赖，为相邻的迭代运算的并发执行提供基 础，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，大幅度提高了超大规模 输电网络扩展规划的效率。 附图说明 图1是本发明基于分布式计算平台的超大规模输电网络扩展规划方法的框架图； 图2是本发明基于分布式计算平台的超大规模输电网络扩展规划方法的流程图； 图3是本发明基于分布式计算平台的超大规模输电网络扩展规划方法中的非推测 任务执行流程图； 图4是本发明基于分布式计算平台的超大规模输电网络扩展规划方法中的推测任 务执行流程图； 图5是本发明基于分布式计算平台的超大规模输电网络扩展规划方法中的结果更 新流程图； 图6是本发明实施例提供的一种基于分布式计算平台的超大规模输电网络扩展规 划方法中的粒子位置移动示意图。