Jaya算法在电力系统最优潮流计算中的应用（创新点）【Matlab代码实现】

2024-01-07 15:20
文章标签 算法 代码 matlab 实现 计算 应用 创新 潮流 最优 电力系统 jaya

本文主要是介绍Jaya算法在电力系统最优潮流计算中的应用（创新点）【Matlab代码实现】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

目录

 

1 概述

2 数学模型

2.1 目标函数

2.2 约束条件 

2.3 Jaya 算法

3 仿真结果 

4 Matlab代码实现

1 概述

　最优潮流计算与电力系统的稳定、经济运行密切相关，自20世纪60年代提出最优潮流的概念，大量学者相继提出了各种优化技术来求解电力系统的最优潮流问题。Jaya算法是于2016年提出的一种简单高效的新型优化算法，具有收敛快寻优强的特点。算例在IEEE39节点上实现。

2 数学模型

2.1 目标函数

           

目标函数（Matlab代码实现） 

function [F,Plosses] = ObjectiveFunction(V_o,line_o,Bgen,Theta_o,nbranch,FromNode,ToNode,PQ)
%% 该函数计算目标函数，包含惩罚项因子
for k=1:nbrancha(k)=line_o(k,6);if a(k)==0 % 在这种情况下，我们正在分析线路Zpq(k)=line_o(k,3)+1i*line_o(k,4); % 线路阻抗Ypq(k)=Zpq(k)^-1; % 线路导纳gpq(k)=real(Ypq(k)); % 线路电导%+++++++++++目标函数1，系统网损+++++++++++Llpq(k)=gpq(k)*(V_o(FromNode(k))^2 +V_o(ToNode(k))^2 -2*V_o(FromNode(k))*V_o(ToNode(k))*cos(Theta_o(FromNode(k))-Theta_o(ToNode(k))));end
end
%% 有功总损耗
Plosses=sum(Llpq);
%% 目标函数
KL=1000; % 惩罚因子
for k=1:length(PQ)%% 负载电压偏移（0.95~1.05）if V_o(k+length(Bgen))<0.95   %电压偏移小于0.95DVL(k)=0.95-V_o(k+length(Bgen));  %惩罚项1endif V_o(k+length(Bgen))>1.05    %电压偏移大于1.05DVL(k)=V_o(k+length(Bgen))-1.05;  %惩罚项2endif V_o(k+length(Bgen))>=0.95    %电压偏移如果在0.95~1.05之间if V_o(k+length(Bgen))<=1.05DVL(k)=0;               %电压偏移惩罚项为零endend
end
DVLoads=sum(DVL.*DVL);
Z=Plosses+KL*DVLoads; %目标函数
F=Z; % 目标函数
end

function [F,Plosses] = ObjectiveFunction(V_o,line_o,Bgen,Theta_o,nbranch,FromNode,ToNode,PQ)
%% 该函数计算目标函数，包含惩罚项因子
for k=1:nbranch
    a(k)=line_o(k,6);
    if a(k)==0 % 在这种情况下，我们正在分析线路
        Zpq(k)=line_o(k,3)+1i*line_o(k,4); % 线路阻抗
        Ypq(k)=Zpq(k)^-1; % 线路导纳
        gpq(k)=real(Ypq(k)); % 线路电导
        %+++++++++++目标函数1，系统网损+++++++++++
        Llpq(k)=gpq(k)*(V_o(FromNode(k))^2 +V_o(ToNode(k))^2 -2*V_o(FromNode(k))*V_o(ToNode(k))*cos(Theta_o(FromNode(k))-Theta_o(ToNode(k))));
    end
end
%% 有功总损耗
Plosses=sum(Llpq);
%% 目标函数
KL=1000; % 惩罚因子
for k=1:length(PQ)
    %% 负载电压偏移（0.95~1.05）
    if V_o(k+length(Bgen))<0.95   %电压偏移小于0.95
        DVL(k)=0.95-V_o(k+length(Bgen));  %惩罚项1
    end
    if V_o(k+length(Bgen))>1.05    %电压偏移大于1.05
        DVL(k)=V_o(k+length(Bgen))-1.05;  %惩罚项2
    end
    if V_o(k+length(Bgen))>=0.95    %电压偏移如果在0.95~1.05之间
        if V_o(k+length(Bgen))<=1.05
            DVL(k)=0;               %电压偏移惩罚项为零
        end
    end
end
DVLoads=sum(DVL.*DVL);
Z=Plosses+KL*DVLoads; %目标函数
F=Z; % 目标函数
end

2.2 约束条件 

              

2.3 Jaya 算法

Jaya 算法是 Rao 等提出的一种元启发式算法，它基于持续改进的原理，将个体不断向优秀个体靠拢，同时不断远离差的个体，进而不断提高解的质量。传统 Jaya 算法主要基于迭代公式，每次通过该方程迭代进化获取新的解，因此 Jaya 算法不像其他进化算法需要许多的参数，它只需要针对特定问题调整迭代过程的参数，减少了因为调整过多参数而带来的测试上的麻烦。与其它元启发式算法相比，Jaya 算法更容易理解和实现。该算法的迭代公式如下所示：

 

 Jaya优化算法流程图如下：

            在这里插入图片描述

目标函数： 

%% 基于Jaya算法的电力系统最优潮流%% 有功损耗最小化
clear all;
close all;
clc%% ++++++++++++++++电力系统数据库+++++++++++++++
% 下面的文件包含了母线、线路矩阵等电力系统拓扑信息
data_39;
% 线路类型和发电机
bus_o=bus; line_o=line;
slack=find(bus(:,10)==1); % 松弛节点/平衡节点
PV=find(bus(:,10)==2);   % PV节点
Bgen=vertcat(slack,PV);     %平衡节点和松弛节点【C = vertcat(A,B) 将 B 垂直串联到 A 的末尾。】
PQ=find(bus(:,10)==3);   % PQ节点/负荷节点%% +++++++++++++++ 优化算法的参数 ++++++++++++++++
pop =  210;                                % 种群规模
n_itera = 35;                             % 优化算法迭代次数
Vmin=0.95;                                % 发电机电压的最小值
Vmax=1.05;                                % 发电机电压的最大值
mini_tap = 0.95;                          % TAP的最小值
maxi_tap = 1.05;                          % TAP的最大值
Smin=-0.5;                                % 视在功率最小值
Smax=0.5;                                 % 视在功率最大值
pos_Shunt = find( bus(:,11) ~= 0);        % 母线矩阵中分流点的位置
pos_tap = find( line(:,6) ~= 0);          % TAPs在行矩阵中的位置
tap_o = line(pos_tap,6);                  % TAPs初始值
Shunt_o = bus(pos_Shunt,9);               %分流器的初始值
n_tap = length(pos_tap);                  % TAPs的数量
n_Shunt = length(pos_Shunt);              % 分流器的数量
n_nodos = length(bus(:,1));               % 电力系统的节点数量%% ++++++++++++++++ 第一：运行基本情况下的潮流 ++++++++++++++++
% 存储基本情况的电压和相角
[V_o,Theta_o,~] = PowerFlowClassical(bus_o,line_o);
%% +++++++++++++++++++计算有功功率损耗++++++++++++++++++++++
nbranch=length(line_o(:,1));
FromNode=line_o(:,1);
ToNode=line_o(:,2);
for k=1:nbrancha(k)=line_o(k,6);if a(k)==0 % 在这种情况下，我们正在分析线路Zpq(k)=line_o(k,3)+1i*line_o(k,4); % 线路的阻抗Ypq(k)=Zpq(k)^-1; % 线路导纳gpq(k)=real(Ypq(k)); % 线路电导% 对应线路有功损耗Llpq(k)=gpq(k)*(V_o(FromNode(k))^2 +V_o(ToNode(k))^2 -2*V_o(FromNode(k))*V_o(ToNode(k))*cos(Theta_o(FromNode(k))-Theta_o(ToNode(k))));end
end
% 有功总损耗
Plosses=sum(Llpq);
%% +++++++++++++++++++++++++++ 最优潮流 ++++++++++++++++++++++++++
% 启动种群
for k=1:n_tap % 启动TAP种群x_tap(:,k) = mini_tap +(maxi_tap - mini_tap)*(0.1*floor((10*rand(pop,1))));
end 
for k=1:n_Shunt % 启动分流种群x_shunt(:,k) = Smin +(Smax - Smin)*(0.1*floor((10*rand(pop,1))));
end
for k=1:length(Bgen) % 从发电机启动电压的种群x_vg(:,k) = Vmin +(Vmax - Vmin)*(0.1*floor((10*rand(pop,1))));
end
%% JAYA 算法
for k=1:n_itera% 使用TAP的新值，分流和发电机电压重新计算电压和节点导纳%修改线路和母线矩阵for p=1:popfor q=1:n_tapr=pos_tap(q);line(r,6)=x_tap(p,q); % 根据新的TAP值对线矩阵进行修正end; clear rfor qa=1:n_Shuntr=pos_Shunt(qa);bus(r,9)=x_shunt(p,qa); % 根据新的分流值修改母线矩阵end; clear rfor qb=1:length(Bgen)r=Bgen(qb);bus(r,2)=x_vg(p,qb); %根据新的VG值修改总线矩阵end% 随着新的线路和母线矩阵运行潮流[V_n,Theta_n,~] = PowerFlowClassical(bus,line);% 目标函数[F,~] = ObjectiveFunction(V_n,line_o,Bgen,Theta_n,nbranch,FromNode,ToNode,PQ);Ofun=F; Obfun(k,p)=F;end

%% 基于Jaya算法的电力系统最优潮流

%% 有功损耗最小化
clear all;
close all;
clc

%% ++++++++++++++++电力系统数据库+++++++++++++++
% 下面的文件包含了母线、线路矩阵等电力系统拓扑信息
data_39;
% 线路类型和发电机
bus_o=bus; line_o=line;
slack=find(bus(:,10)==1); % 松弛节点/平衡节点
PV=find(bus(:,10)==2);   % PV节点
Bgen=vertcat(slack,PV);     %平衡节点和松弛节点【C = vertcat(A,B) 将 B 垂直串联到 A 的末尾。】
PQ=find(bus(:,10)==3);   % PQ节点/负荷节点

%% +++++++++++++++ 优化算法的参数 ++++++++++++++++
pop =  210;                                % 种群规模
n_itera = 35;                             % 优化算法迭代次数
Vmin=0.95;                                % 发电机电压的最小值
Vmax=1.05;                                % 发电机电压的最大值
mini_tap = 0.95;                          % TAP的最小值
maxi_tap = 1.05;                          % TAP的最大值
Smin=-0.5;                                % 视在功率最小值
Smax=0.5;                                 % 视在功率最大值
pos_Shunt = find( bus(:,11) ~= 0);        % 母线矩阵中分流点的位置
pos_tap = find( line(:,6) ~= 0);          % TAPs在行矩阵中的位置
tap_o = line(pos_tap,6);                  % TAPs初始值
Shunt_o = bus(pos_Shunt,9);               %分流器的初始值
n_tap = length(pos_tap);                  % TAPs的数量
n_Shunt = length(pos_Shunt);              % 分流器的数量
n_nodos = length(bus(:,1));               % 电力系统的节点数量

%% ++++++++++++++++ 第一：运行基本情况下的潮流 ++++++++++++++++
% 存储基本情况的电压和相角
[V_o,Theta_o,~] = PowerFlowClassical(bus_o,line_o);
%% +++++++++++++++++++计算有功功率损耗++++++++++++++++++++++
nbranch=length(line_o(:,1));
FromNode=line_o(:,1);
ToNode=line_o(:,2);
for k=1:nbranch
    a(k)=line_o(k,6);
    if a(k)==0 % 在这种情况下，我们正在分析线路
        Zpq(k)=line_o(k,3)+1i*line_o(k,4); % 线路的阻抗
        Ypq(k)=Zpq(k)^-1; % 线路导纳
        gpq(k)=real(Ypq(k)); % 线路电导
        % 对应线路有功损耗
        Llpq(k)=gpq(k)*(V_o(FromNode(k))^2 +V_o(ToNode(k))^2 -2*V_o(FromNode(k))*V_o(ToNode(k))*cos(Theta_o(FromNode(k))-Theta_o(ToNode(k))));
    end
end


% 有功总损耗
Plosses=sum(Llpq);
%% +++++++++++++++++++++++++++ 最优潮流 ++++++++++++++++++++++++++
% 启动种群
for k=1:n_tap % 启动TAP种群
    x_tap(:,k) = mini_tap +(maxi_tap - mini_tap)*(0.1*floor((10*rand(pop,1))));
end 
for k=1:n_Shunt % 启动分流种群
     x_shunt(:,k) = Smin +(Smax - Smin)*(0.1*floor((10*rand(pop,1))));
end
for k=1:length(Bgen) % 从发电机启动电压的种群
    x_vg(:,k) = Vmin +(Vmax - Vmin)*(0.1*floor((10*rand(pop,1))));
end
%% JAYA 算法
for k=1:n_itera
    % 使用TAP的新值，分流和发电机电压重新计算电压和节点导纳
    %修改线路和母线矩阵
    for p=1:pop
        for q=1:n_tap
            r=pos_tap(q);
            line(r,6)=x_tap(p,q); % 根据新的TAP值对线矩阵进行修正
        end; clear r
        for qa=1:n_Shunt
            r=pos_Shunt(qa);
             bus(r,9)=x_shunt(p,qa); % 根据新的分流值修改母线矩阵
        end; clear r
        for qb=1:length(Bgen)
            r=Bgen(qb);
            bus(r,2)=x_vg(p,qb); %根据新的VG值修改总线矩阵
        end
        % 随着新的线路和母线矩阵运行潮流
        [V_n,Theta_n,~] = PowerFlowClassical(bus,line);
        % 目标函数
        [F,~] = ObjectiveFunction(V_n,line_o,Bgen,Theta_n,nbranch,FromNode,ToNode,PQ);
        Ofun=F; Obfun(k,p)=F;
    end

3 仿真结果 

                      

                     

                       

                  

4 Matlab代码实现

这篇关于Jaya算法在电力系统最优潮流计算中的应用（创新点）【Matlab代码实现】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/580363。

相关文章

Python实现对阿里云OSS对象存储的操作详解

Python实现对阿里云OSS对象存储的操作详解

《Python实现对阿里云OSS对象存储的操作详解》这篇文章主要为大家详细介绍了Python实现对阿里云OSS对象存储的操作相关知识,包括连接,上传,下载,列举等功能,感兴趣的小伙伴可以了解下... 目录一、直接使用代码二、详细使用1. 环境准备2. 初始化配置3. bucket配置创建4. 文件上传到os
阅读更多...
关于集合与数组转换实现方法

关于集合与数组转换实现方法

《关于集合与数组转换实现方法》：本文主要介绍关于集合与数组转换实现方法,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1、Arrays.asList()1.1、方法作用1.2、内部实现1.3、修改元素的影响1.4、注意事项2、list.toArray()2.1、方
阅读更多...
Java中的雪花算法Snowflake解析与实践技巧

Java中的雪花算法Snowflake解析与实践技巧

《Java中的雪花算法Snowflake解析与实践技巧》本文解析了雪花算法的原理、Java实现及生产实践,涵盖ID结构、位运算技巧、时钟回拨处理、WorkerId分配等关键点,并探讨了百度UidGen... 目录一、雪花算法核心原理1.1 算法起源1.2 ID结构详解1.3 核心特性二、Java实现解析2.
阅读更多...
使用Python实现可恢复式多线程下载器

使用Python实现可恢复式多线程下载器

《使用Python实现可恢复式多线程下载器》在数字时代,大文件下载已成为日常操作,本文将手把手教你用Python打造专业级下载器,实现断点续传,多线程加速,速度限制等功能,感兴趣的小伙伴可以了解下... 目录一、智能续传：从崩溃边缘抢救进度二、多线程加速：榨干网络带宽三、速度控制：做网络的好邻居四、终端交互
阅读更多...
Python中re模块结合正则表达式的实际应用案例

Python中re模块结合正则表达式的实际应用案例

《Python中re模块结合正则表达式的实际应用案例》Python中的re模块是用于处理正则表达式的强大工具,正则表达式是一种用来匹配字符串的模式,它可以在文本中搜索和匹配特定的字符串模式,这篇文章主... 目录前言re模块常用函数一、查看文本中是否包含 A 或 B 字符串二、替换多个关键词为统一格式三、提
阅读更多...
java实现docker镜像上传到harbor仓库的方式

java实现docker镜像上传到harbor仓库的方式

《java实现docker镜像上传到harbor仓库的方式》：本文主要介绍java实现docker镜像上传到harbor仓库的方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录1. 前 言2. 编写工具类2.1 引入依赖包2.2 使用当前服务器的docker环境推送镜像2.2
阅读更多...
C++20管道运算符的实现示例

C++20管道运算符的实现示例

《C++20管道运算符的实现示例》本文简要介绍C++20管道运算符的使用与实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧... 目录标准库的管道运算符使用自己实现类似的管道运算符我们不打算介绍太多，因为它实际属于c++20最为重要的
阅读更多...
Java easyExcel实现导入多sheet的Excel

Java easyExcel实现导入多sheet的Excel

《JavaeasyExcel实现导入多sheet的Excel》这篇文章主要为大家详细介绍了如何使用JavaeasyExcel实现导入多sheet的Excel,文中的示例代码讲解详细,感兴趣的小伙伴可... 目录1.官网2.Excel样式3.代码1.官网easyExcel官网2.Excel样式3.代码
阅读更多...
Java MQTT实战应用

Java MQTT实战应用

《JavaMQTT实战应用》本文详解MQTT协议,涵盖其发布/订阅机制、低功耗高效特性、三种服务质量等级（QoS0/1/2）,以及客户端、代理、主题的核心概念,最后提供Linux部署教程、Sprin... 目录一、MQTT协议二、MQTT优点三、三种服务质量等级四、客户端、代理、主题1. 客户端（Clien
阅读更多...
Java中调用数据库存储过程的示例代码

Java中调用数据库存储过程的示例代码

《Java中调用数据库存储过程的示例代码》本文介绍Java通过JDBC调用数据库存储过程的方法,涵盖参数类型、执行步骤及数据库差异,需注意异常处理与资源管理,以优化性能并实现复杂业务逻辑,感兴趣的朋友... 目录一、存储过程概述二、Java调用存储过程的基本javascript步骤三、Java调用存储过程示
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2