[发明专利]基于Spark分布式改进粒子群算法的配电网故障后重构方法

说明书

本发明提供了一种基于Spark分布式改进粒子群算法的配电网故障后重构方法，包括以下步骤：S1：将维度设置为维；S2：使用DIPSO算法产生种群；S3：将种群中的个体通过上述编码码映射到开关上的排列组合数空间上；S4：计算失电区域值，并且将该值作为个体的适应度；S5：根据适应度更新最优解，然后继续下一次迭代，直到所有迭代次数达到总迭代次数。本发明针对配网故障后重构后网损最小为目标，建立配电网故障后重构模型。使用改进后的粒子群算法与Spark大数据分布式计算框架结合，充分利用分布式集群计算资源，使得算法并行搜索能力，以提升算法的搜索速度。

技术领域

本发明涉及微电网优化领域，尤其涉及一种基于Spark分布式改进粒子群算法的配电网故障后重构方法。

背景技术

随着城市发展，城市规模越来越大，配网规模也越来越大，此时在大规模电网中出现配网故障，而配网故障后重构是最优化问题。

考虑到故障后需要减少影响范围，因此故障后重构时，优先保证为尽可能多的用户恢复供电，同时考虑负荷的重要程度，若不能恢复所有非故障停电区用户的供电，则优先恢复重要负荷。

粒子群算法作为一种启发式算法，在搜索速度方面存在固有缺陷，不能在大规模优化问题上应用。

分布式计算指的是将一个需要庞大计算能力才能解决的问题，分割成很多子任务，进而分配给多台计算机进行并行处理，最后将计算结果汇总得到最终结果。与集中式计算相比，分布式计算不但能大幅提升运行速度，还具有价格相对低廉、维护方便等优点。

Spark是由加州大学伯克利分校的AMLab实验室于2009年研发的一款基于内存的分布式计算框架，之后又推出了SparkSQL、SparkStreaming、MLLib和GraphX等组件，形成了批处理、流式计算、机器学习和图计算的大数据处理一站式解决平台。Spark在MapReduce的基础上进行了大量改进和优化，性能得到大幅提升。

弹性分布式数据集RDD是Spark中的核心概念，它是一种分布于各个计算节点、存储于内存中的只读型数据集。用户将外部数据加载到内存中生成RDD；再经过一系列转换操作(transformation)，每次转换都会生成一个新的RDD；最后执行动作操作(action)，对RDD进行计算并返回结果，从而实现应用程序的功能。

与MapReduce将中间结果保存到硬盘不同，RDD能够保存在内存中，数据在多个RDD中进行传递操作，避免了磁盘的IO开销和序列化、反序列化开销，提升了效率。RDD可以长期保存在内存中不被回收，重复使用时不需要重新创建。RDD也是可序列化的，在运算过程中如果出现内存不足，RDD可以自动存储于磁盘上，确保内存足够继续运算。

RDD还具有良好的容错性，RDD的一系列转换操作会被Spark进行记录，形成相互间的血缘(lineage)关系；在RDD的某个分区或者部分数据丢失的情况下，可以通过寻亲来找回数据。

发明内容

为了解决现有算法进行配网重构会出现算法搜索空间暴增，使得算法搜索效果差的问题；有效提高传统粒子群算法的搜索效率，本发明提出一种分布式的改进粒子群算法(DistributedImprovedParticleSwarmOptimization，DIPSO)，对传统粒子群算法进行改进，使其适应Spark分布式计算框架的特点，从而充分利用分布式集群的计算资源，提高算法的搜索效果。

本发明采用以下技术方案：一种基于Spark分布式改进粒子群算法的配电网故障后重构方法，其包括以下步骤：

S0：建立配电网模型；

S1：将维度设置为维，NS为配电网开关总数；

S2：使用DIPSO算法产生种群；

S3：将种群中的个体通过上述编码码映射到开关上的排列组合数空间上；