工程科学与技术，国际期刊20（2017）391完整文章基于乌鸦搜索算法的辐射状配电网阿尔莫阿塔兹Abdelaziza，Ahmed Fathyb，a电力&机械部，Ain-shams大学工程学院，埃及b电力&机械部，Zagazig大学工程学院，埃及Zagazig阿提奇莱因福奥文章历史记录：2016年12月10日收到2017年2月11日修订2017年2月21日接受2017年3月8日在线发布保留字：最佳导线尺寸Crow搜索算法配电网A B S T R A C T辐射状配电网导线尺寸的选择过程是提高配电网性能的关键问题。真正的导体尺寸选择导致更少的功率损耗，实现总线电压分布的改善，并获得系统的年运行成本的降低。提出了一种基于乌鸦搜索算法（CSA）的辐射状配电网导线优选新方法。CSA算法是近年来提出的一种基于乌鸦智能行为的元启发式算法我们提出的目标函数是导体资本成本和导体能量损失成本的总和。建议的约束是总线电压限制和导体的电流容量。以导体的类型和尺寸为自变量，使目标函数最小化。该方法应用于两种不同的网络拓扑结构，第一种是16节点系统，第二种是85节点系统的大规模系统。对16节点系统的CSA控制参数进行了灵敏度分析。通过CSA得到的结果进行了比较，以前的作品©2017 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在过去的几十年里，配电网面临的挑战已经提出，因为运行辐射状网络的主要要求是其可靠性。众所周知，这种网络中的资源数量是有限的，并且任何馈电线的断开将阻止向负载供电因此，重要的是选择合适类型的导体能够承载所需的能量到负载。许多学者研究了辐射状网络中的最优选择问题。在文献[1]中，对径向网络法中导体尺寸的最佳选择进行了回顾性研究。这些文献方法可以分为两大类;第一种是基于分析分析的常规方法[2-*通讯作者。电子邮件地址：afali@zu.edu.eg（A. Fathy）。由Karabuk大学负责进行同行审查[14]，部分枚举技术[15]，带微分算子的和声搜索算法[16]。该文[2]介绍了辐射状网络中导线最优选择的两种比较方法，使功率损耗最小，成本节约最大，并使母线电压保持在相应的限值内第一种方法是基于潮流分析的解析法，第二种方法是基于遗传算法的。Sivanagaraju等人[3]提出了一种基于径向网络潮流的分析方法来选择合适的导线尺寸，以最大限度地节省导线资本和能量损耗成本。Satyanarayana等人[4]提出了一种基于导线优化选择的提高径向馈线负荷的过载Legha等人[5]使用遗传算法选择导线尺寸，以使系统总年成本最小化，使用后向-前向扫描方法进行径向网络的潮流研究在[6]中，通过GA采取了两个行动：电容器的最佳放置和径向网络中导体的最佳Sharma等人[7]提出了一种基于遗传算法的方法，通过优化选择网络的导体来最小化网络损耗并最大化节省成本Mendoza等人[8]提出了一种进化策略（ES）来解决网络馈线的选择问题，而Ranjanhttp://dx.doi.org/10.1016/j.jestch.2017.02.0042215-0986/©2017 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch392A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）391拉克莱我VnnRmn+jXmnXC ¼½PðiÞ ×ðKþK ×T×LSF]2PE我JF<$CC<$XX½PðiÞ ×ðKPþKE×T×LSFÞ我tc等[9]使用进化规划（EP）算法来解决该问题。Kalesar等人[10]提出了一种改进的差分进化算法（MDE），以导体资本成本、功率损耗和能量损耗成本为目标函数，解决径向网络中导体的选择问题。Legha 等 人 [11Sivanagaraju 等 人 [14] 认 为离 散 粒 子群 优 化 算法（DPSO）适用于径向网络中的导体选择Kaur等人[15]讨论了用部分枚举法确定配电网最佳导线类型时，在一定时间内的电力成本和负荷分散性Rao等人[16]将和声搜索算法与微分算子相结合，用于网络的最优选择。最大限度地减少导线投资和能量损失成本nbE损失不1/1其中P损耗（i）是支路i的功率损耗，KP是损耗的年成本（Rs/kW），KE是能量损耗的成本（Rs/kWh），T是以小时为单位的周期（8760h.），LSF是损耗因子，nb是分支数类型j的分支机构i的年资本投资成本如下：Cci;ja×Aj ×C×Li 3式中，a为运输费用率，A（j）为j型支线的横截面积（mm2），C为线路成本（Rs/mm2.km），L（i）是导线i的长度（km）。最后，可以将目标函数写为：nbnc以母线电压和导线本 文 基 于 最 近 提 出 的 一 种 元 启 发 式 算 法 -- 乌 鸦 搜 索 算 法（CSA），提出了一种新的方法提出了一种将输电成本和导线能量损耗成本相结合的约束目标函数以母线电压限值和导线最大载流能力为约束条件。建议CSA适用于两种不同的网络拓扑结构，16总线系统和85总线系统。针对16节点系统，对CSA控制参数最大迭代次数、飞行距离和感知概率进行了灵敏度分析 通过CSA得到的结果进行了比较，他人在以前的作品，结果确保所提出的算法在解决问题的径向网络导体类型的最佳选择的优越性2. 最优化问题公式化本节介绍目标函数和建议的约束条件。A. 目标函数本文的主要目标是在辐射状配电网中选择合适的导线，使输电线路的投资成本和导线的能量损耗成本之和最小，同时保持可接受的母线电压分布和实现可接受的网络支路潮流。假设要选择的导线在图1所示的两个总线m和n之间，电流Imn从总线m流向总线n，以向连接到总线n的负载供电。导体功率损耗可计算如下：E损失 C损失t t联系我们a×A其中Cc是所有分支的总资本投资成本，n是允许的导体类型的数量B. 约束拟议的限制可描述如下：● 母线电压约束V最小值j6 jV最大值j< 8j2n总线850● 最大载流量j Ii;c j6Imaxc8i2nb 6其中，Vmin（j）和Vmax（j）是母线j处的最小和最大电压，nbus是母线的数量，I（i，c）是c型导体i中的电流，Imax（c）是导体c中的最大允许电流。3. 乌鸦搜索算法最近，Askarzadeh[18]提出了一种基于乌鸦社会行为的元搜索优化算法，命名为Crow Search Algorithm（CSA）。CSA的理念源于将多余的食物储存在隐藏的地方，然后在必要的时间内将其恢复。众所周知，乌鸦是一种非常聪明的鸟，它会观察到其他人把食物藏起来，一旦他们离开就会偷走。在实施盗窃后，它隐藏起来，以避免将来成为受害者假设有一群N只乌鸦，在迭代k时位置为xk的乌鸦数i。乌鸦跟着的食物的隐藏地点被记住了。乌鸦在搜索平面中移动，试图找到最好的食物来源2，定义为mk。 CSA中的搜索方法有两个磷流失I2RPn^^百万分之四jVmjmn可能的情况;第一个是食物源mk的所有者乌鸦j每年的能源损失总成本可以写为[17]：V乌鸦贼来到乌鸦主人的藏身之处。乌鸦小偷位置的更新过程通过以下方式完成：xk 1¼xkri×flk×mk-xk7m米伊伊i j i其中ri是范围[0，1]中的随机数，flk是飞行长度，mn Pn +jQnFig. 1. 两条母线之间的导体的电气等效值。在迭代k处crowi。第二种可能的情况是，所有者crowj知道小偷crowi跟随它，因此，所有者crow将通过前往搜索空间的任何其他位置来欺骗crowi。crowi的位置由随机位置更新。2A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）391393J我我c c c c c · ··c27135我我六四75将该算法应用于16节点系统，在CSA中，场景由以下表达式确定：如果rjPpk如果Ppk通过等式更新位置：7x k1¼x krandpermn c;n b-n c1; 2;：;nbJJ其他更新到随机位置ð8Þ我我其他x k1<$$>x krandpermn c; 1 i<$1; 2;.. . ;n b&j<$1; 2;. ;nf其中，rj是范围[0，1]中的随机数，并且pk是在迭代k处感知乌鸦j的概率。i;j端i;jð10Þ参数flk在捕捉全局最优解方面起着重要的作用，因为flk的值小会导致局部最小值，而值大会导致全局最小值，图2显示了flk在搜索过程中的作用。CSA中遵循的主要步骤如图所示。3.第三章。参照图 3.确定群体的初始位置，并计算相应的适应度函数。群（8）然后计算新的适应度函数，将迭代k时得到的适应度函数与前一次的适应度函数进行比较，并放置更新群4. 建议的解决方法解决导线选型的步骤如图所示。 四、所提出的方法的出发点是制定一个表示初始导体类型的维数为（nf×nb）的矩阵2c4C5颈7C3·· ·c836 7.其中randperm是用于随机化所选导体的等级的Matlab函数。建议步骤的最后阶段是检查约束条件，如果达到了，则获得最优解，否则重复图中所示的CSA。3.第三章。5. 仿真结果为了验证该方法的有效性，本文以16节点的小规模配电网和85节点的大规模配电网为例，对两种辐射状配电网进行了研究。在这项工作中，计算导体能量损失年费用的参数使用[9]中给出的，KP= 2500Rs/kW，KE= 0.5 Rs/kW和LSF =0.2。A. 16-母线配电网系统配置如图5所示，该网络的额定网络为11 kV，线路和负载数据来自[9]。可用导线拟议CSA的控制参数见表2。总线电压通过CSA优化后的网络，x初始¼6c8C 3C5C6·· ·c77ð9Þ示于图 六、C6C5C8 C4c2c1其中C1是类型I的导体。在这项工作中，使用的导线类型的数量是8，nc= 8，进行潮流分析的基础上的前向扫描算法中所述的[19，20]，并计算相应的适应度函数。执行并重复图3中所示的CSA步骤，直到实现问题约束，然后获得最优解。本文的主要贡献是适应CSA适用于解决所研究的优化问题。设计变量是导体的类型，因此，更新过程通过两个(8) 然后通过下面提出的等式更新植绒位置。将结果与通过EP[9]和HSDE[16]获得的结果进行比较;表3给出了这种比较。很明显，网络建议CSA优化的功率损耗为35.6553 kW，比其它两种方式的网损都要小，即网损比原网损降低了33.32%。通过所提出的方法获得的最佳年成本为175207.4555卢比。年，将节省约24.48%，比原来的网络成本。CSA的响应如图7所示。图8（a）示出了支路中的电流及其最大极限，而图8（b）示出了原始网络和优化网络中的支路功率损耗之间的比较，很明显，电流没有超过线路容量;此外，优化网络中每个支路中的功率损耗小于原始网络中的功率损耗。乌鸦i乌鸦i乌鸦jXK我乌鸦jXK我xk+1mjk我mjkXiK+1起源起源(a) 如果fl1（b）如果fl>1图二. 乌鸦飞行长度对搜寻过程的影响。..........394A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）391定义所有乌鸦的flik，piki=1随机更新crowi的位置随机选择一只乌鸦（j）r >pkJ Ii=i+1计算适应度函数Fk（xk）使用等式更新乌鸦i的位置。（七）最后一只没是没Fk（xk）Fk-1（xk-1）K=k+1没是图三. CSA流程图。最后，人们可以得出，建议的CSA是成功地找到最佳的导体类型纳入径向网络，工作，以最大限度地减少网络运营的年度总成本。B. CSA控制参数重要的是要显示所提出的算法的控制参数如何影响所获得的16节点系统的最优解，因此，在本节中，CSA控制参数对最优解的影响进行了研究，所研究的参数是（最大迭代，飞行长度，意识的可能性和人口规模）。i. 最大迭代次数对最优解假设在步骤500中，最大迭代从500（基本情况）改变为5000所获得的结果和统计-CSA响应的物理参数列于表4中。突出显示的情况是基础情况，它给出了最佳功率损耗和标准划分。很明显，作为最大迭代，增加，最优成本降低。CSA对某些情况的响应如图9所示。参考图9;可以得出对于等于1000和2500的最大迭代;在250次迭代之后获得最优解，而对于另外两种情况，算法消耗大量时间来获得最优解。ii. 飞行长度对最优解如前所述，飞行长度对CSA性能有显着影响;较小的飞行长度导致局部最优解，而较大的飞行长度有助于获得全局最优解。对不同病例进行了研究，并在表5中列出。结果确保较大的飞行长度值导致全局初始化一群N只乌鸦的位置（xi）0开始k=1端更新乌鸦A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）391395SS开输入可用导线数据和网络数据没是否实现了约束？是执行图中所示的CSA。3更新导体类型执行负载流输入原始网络见图4。 建议的解决方案方法流程图。1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16图五. 16节点辐射状配电网的配置。表1可用导体的电气规格。导体类型A（mm2）R（X/km）X（X/km）Imax（A）松鼠12.91.3760.3896115Gopher15.911.0980.31138黄鼠狼19.550.91080.3797150雪貂25.870.67950.298180兔32.260.54410.3673208水貂37.320.45650.285226海狸42.070.38410.2795250浣熊48.390.36570.3579270表2CSA的控制参数参数值鸡群（种群）大小50感知概率0.1梯段长度2最大迭代500最优成本此外，由于成本低，功耗低和标准划分，基本情况是最好的。某些情况下的CSA响应如图所示。 10个。注意，fl的较小值导致图10中所示的前三个图中所示的局部最优解，而最后一个确保fl的大值导致全局最优解。iii. 感知可能性对最优解感知概率对更新过程有重要影响，假设该参数从0.1变为0.7在步骤0.1中，所得结果列于表6中。很明显，基本情况下实现了可接受的运营成本的更少的功率损耗。端得到了最优解396A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）391适应度函数（Rs.）10.980.960.940.920.90.882 4 6 8 10 12 14 16总线编号见图6。 给出了原16节点网络和CSA优化网络的节点电压。表3最后给出了16节点系统的优化结果。分枝数从总线到总线负载长度（公里）原始网络欧洲议会[9]HSD[16]的拟议修正案PL（kW）QL（kvar）11248.75432.00浣熊浣熊浣熊浣熊22337.5331.60浣熊浣熊浣熊浣熊33437.5332.30浣熊浣熊浣熊浣熊4457566.12.90浣熊浣熊浣熊浣熊55648.75432.20兔浣熊浣熊兔66737.5331.57兔浣熊浣熊浣熊7781210.62.40兔浣熊浣熊雪貂88937.53340兔浣熊浣熊Gopher991037.5332.30黄鼠狼浣熊海狸海狸1010117566.12.50黄鼠狼浣熊海狸水貂11111218.7516.52.70黄鼠狼兔浣熊黄鼠狼12121348.75433.20松鼠兔海狸松鼠13131448.75431.70松鼠兔水貂黄鼠狼1414157566.13.80松鼠黄鼠狼兔松鼠15151637.5332.00松鼠松鼠兔Gopher功率损耗（kW）53.475237.3636.1735.6553降损–30.14%32.36%33.32%最佳成本（卢比）231990208796200783175207.4555净储蓄–百分之十百分之十三点四五24.48%x 1051.781.7751.771.7651.761.7551.750 50 100 150 200 250 300 350 400 450500迭代次数见图7。 16节点网络适应度函数随迭代次数的变化。电压（pu）原始网络通过CA优化网络A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）391397支路电流支路容量原始网络通过CA优化网络电流（A）功率损耗（kW）300625052004150310025000 246 810总线编号（一）12141100 246 8 1012总线编号(b)14 1见图8。 (a)支路电流流动（b）支路功率损耗。表4改变最大迭代次数对16节点系统最优解的影响最大迭代功率损耗（kW）损耗减少（%）最佳成本（Rs.）平均值（Rs.）STD. dev. （卢比）500 35.6553 33.32367 175207.4555 175，300 197.51000 39.4198 26.28396 172821.4429 172，900 476.11500 38.5467 27.91668 171859.7998 172，300 723.22000年38.1358 28.68507 172216.6583 172，800 532.42500 38.5467 27.91668 171645.7796 171，800 651.83000 40.5941 24.08799 172005.8296 172，200 497.83500 37.3550 30.14519 172201.5046 172，500 485.44000 36.7637 31.25094 172159.5833 172，500 4614500 38.1261 28.70321 171964.2946 172，400 5905000 38.6662 27.69321 172173.9796 172，400 440.7x 1051.781.771.761.751.741.731.720 200 400 600 8001000迭代编号x 1051.771.761.751.741.731.720 500100015002000250030003500 4000迭代编号x 1051.81.781.761.741.721.70 500 1000 1500 2000 2500迭代编号x 1051.771.761.751.741.731.720 1000 2000 3000 4000 5000迭代编号见图9。改变最大迭代对CSA响应的影响。表5飞行长度变化对16节点系统最优解的影响FL功率损耗（kW）损失减少（%）最佳成本（卢比）平均值（Rs.）STD. dev. （卢比）0.344.740916.33337187878.0227189,70022950.644.740916.33337184428.4427186,80030190.944.740916.33337187092.2727189,90030682.035.655333.32367175207.4555175,300197.54.039.740925.68349175366.0477184,10054716.040.840923.62647179893.3977183,7005147最优年费用（RS.）最优年费用（RS.）最优年费用（RS.）最优年费用（RS.）398A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）391Pa=0.2Pa=0.3Pa=0.4Pa=0.5Pa=0.6Pa=0.7x 1052.0521.951.9fl=0.3x 1052.0521.951.91.85fl=0.61.850 100 200 300 400500迭代编号1.80 100 200 300 400 500迭代编号x 1052.0521.951.9fl=0.9x 1052.0521.951.91.851.8fl=61.850 100 200 300 400500迭代编号1.750 100 200 300 400 500迭代编号见图10。改变飞行长度对CSA响应的影响。表6改变感知概率对16节点系统最优解的影响P功率损耗（kW）损失减少（%）最佳成本（卢比）平均值（Rs.）STD. dev. （卢比）0.135.655333.32367175207.4555175,300197.50.239.888325.40785174759.6808175,80011170.339.148226.79186175184.9592175,400757.70.438.329228.32341174924.9637175,800864.60.537.838929.24028175253.192175,600797.70.639.533126.07209175041.7628175,500868.30.740.136024.94465174872.04175,400752.2图11中示出了CSA在不同感知概率值下的响应，一旦P值增加，算法就无法捕获全局最优解并陷入局部最优。最后在基本情况下求出最佳功率损耗、最佳标准划分、最佳统计参数和可接受的最佳因此，在86总线系统中进行的分析是使用表2（基本情况）中给出的控制参数进行的C. 85-母线配电网该方法应用于一个85节点、11 kV的大型配电网。系统数据见[21]，85节点辐射状网络配置见图1。 12个。1.86x 105表7列出了原始网络、通过HAS、HDE[16]优化的网络以及通过拟议CSA优化的系统的导体类型。从计算结果看，CSA优化后的网络网损为254.1520 kW，比原网络网损节省约19.53%，年总费用为927786.3683卢比。年，将节省约16.17%，比原来的网络成本。很明显，通过所提出的CSA获得的结果优于通过以前的那些。图13示出了原始网络和优化网络的总线电压。优化后的电网母线电压较原电网有较大的提高。为了确保所获得的结果的有效性;每个分支的电流流量与其最大允许容量进行比较;图中给出了这种比较。 十四岁计算结果表明，各支路电流均1.841.821.81.781.761.740 50 100 150 200 250 300 350 400 450 500迭代编号见图11。改变感知概率对CSA反应的影响。最佳年成本（卢比）最佳年成本（卢比）最佳年成本（卢比）最佳年成本（卢比）最佳年成本（卢比）A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）3913992412345186192023721 8229571058596011611262136385141564836584667767726879736974707571765516172526783727382829803930813182 324041434234444535464736 4852 495650535154见图12。 85节点辐射状配电网的配置。表7最后给出了85节点系统的优化结果。分枝数从总线到总线负载长度（公里）原始网络[第16话]HSD[16]的拟议修正案PL（kW）QL（kvar）112000.29浣熊浣熊浣熊水貂223000.43浣熊浣熊浣熊雪貂3345654.89120.58浣熊浣熊浣熊松鼠445000.29浣熊浣熊浣熊水貂55635.2834.581451.16浣熊浣熊浣熊Gopher667000.73浣熊浣熊浣熊松鼠77835.2834.581453.19浣熊浣熊浣熊松鼠889000.29松鼠浣熊浣熊雪貂99105654.89120.39松鼠兔海狸雪貂101011000.39松鼠兔浣熊海狸111112000.42松鼠兔兔Gopher12121335.2834.581450.19松鼠雪貂黄鼠狼浣熊13131435.2834.581450.23松鼠雪貂松鼠浣熊14141535.2834.581450.52松鼠松鼠松鼠水貂15216112109.78240.32松鼠兔浣熊黄鼠狼163175654.89120.58松鼠雪貂海狸Gopher175185654.89120.45松鼠水貂兔兔18181935.2834.581450.32松鼠松鼠水貂浣熊19192035.2834.581450.58松鼠黄鼠狼松鼠浣熊20202135.2834.581451.1松鼠兔GopherGopher（接下页）33400A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）391表7（续）分枝数从总线到总线负载长度（公里）原始网络[第16话]HSD[16]的拟议修正案PL（kW）QL（kvar）2121225654.89120.13松鼠海狸松鼠海狸22192335.2834.581450.64松鼠雪貂黄鼠狼浣熊2372435.2834.581450.32松鼠雪貂黄鼠狼松鼠248255654.89120.26松鼠浣熊海狸海狸252526000.39松鼠海狸浣熊黄鼠狼2626275654.89120.19松鼠水貂海狸雪貂272728000.39松鼠水貂浣熊黄鼠狼28282935.2834.581450.39松鼠海狸浣熊松鼠29293035.2834.581450.19松鼠海狸海狸海狸303031000.13松鼠雪貂浣熊松鼠3131321413.72280.13松鼠浣熊浣熊黄鼠狼323233000.58松鼠浣熊兔Gopher333334000.45松鼠海狸浣熊松鼠34343535.2834.581450.13松鼠水貂水貂兔3535365654.89120.26松鼠水貂浣熊兔3626375654.89120.71松鼠雪貂松鼠松鼠3727385654.89120.39松鼠Gopher黄鼠狼松鼠38293935.2834.581450.32松鼠松鼠海狸兔393240000.71松鼠松鼠Gopher松鼠40404135.2834.581450.19松鼠松鼠GopherGopher41414235.2834.581450.32松鼠雪貂水貂Gopher42414335.2834.581450.71松鼠水貂Gopher雪貂43344435.2834.581450.65松鼠雪貂浣熊黄鼠狼44444535.2834.581450.65松鼠海狸雪貂Gopher4545461413.72280.39松鼠黄鼠狼海狸松鼠464647000.45松鼠Gopher雪貂黄鼠狼473548000.13松鼠雪貂兔海狸48484936.2835.561650.26松鼠黄鼠狼松鼠兔4949505654.89120.32松鼠海狸雪貂黄鼠狼505051000.97松鼠黄鼠狼雪貂黄鼠狼51485235.2834.581450.32松鼠Gopher雪貂浣熊5252535654.89120.39松鼠水貂Gopher黄鼠狼5353545654.89120.39松鼠Gopher松鼠松鼠5452551413.72280.39松鼠兔海狸松鼠5549565654.89120.19松鼠海狸雪貂黄鼠狼56957000.58松鼠水貂浣熊Gopher5757585654.89120.13松鼠兔浣熊水貂5858595654.89120.39松鼠雪貂松鼠Gopher5958605654.89120.52松鼠兔兔Gopher6060615654.89120.71松鼠雪貂雪貂松鼠6161621413.72280.13松鼠Gopher兔松鼠626063000.52松鼠黄鼠狼浣熊雪貂636364000.13松鼠雪貂海狸浣熊6464655654.89120.13松鼠Gopher浣熊海狸656566000.32松鼠水貂松鼠浣熊666467000.64松鼠兔海狸松鼠6767685654.89120.77松鼠兔雪貂雪貂686869000.32松鼠兔兔黄鼠狼69697035.2834.581450.39松鼠Gopher兔雪貂7070715654.89120.13松鼠黄鼠狼松鼠水貂716772000.84松鼠雪貂浣熊Gopher7268735654.89120.19松鼠松鼠Gopher兔73737435.2834.581450.71松鼠海狸浣熊浣熊7473755654.89120.39松鼠松鼠松鼠兔7570761413.72280.06松鼠兔黄鼠狼水貂7665775654.89120.45松鼠雪貂松鼠黄鼠狼77107835.2834.581450.39松鼠兔黄鼠狼浣熊7867795654.89120.52松鼠松鼠松鼠海狸7912805654.89120.39松鼠黄鼠狼雪貂兔808081000.26松鼠松鼠Gopher兔8181825654.89120.06松鼠兔海狸海狸82818335.2834.581450.77松鼠海狸黄鼠狼浣熊8383841413.72280.71松鼠黄鼠狼水貂松鼠84138535.2834.581450.58松鼠黄鼠狼松鼠黄鼠狼功率损耗（kW）315.84265.22256.96254.1520降损–百分之十六点零三18.64%19.53%最佳成本（卢比）1,106,732940,693929,035927786.3683净储蓄百分之十五百分之十六点零六百分之十六点一七A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）391401原始网络通过CA优化网络支路电流10.980.960.940.920.90.88电话：+86010 20 30 40 50 60 70 80 90总线编号图十三. 给出了原85节点网络和CSA优化网络的母线电压。3002502001501005000 10 20 30 40 50 60 70 80总线编号图14. 85节点系统的支路电流和最大允许支路容量。基于CSA的最优导线选择方法是一种有效的、高效的、优越的方法，它能使小规模和大规模网络的导线资本和损耗成本之和最小化。6. 结论本文的目的是通过选择合适的导线来实现配电网的优化设计，使配电网的投资和能耗成本最小化。提出了一种新的基于乌鸦搜索算法（CSA）的求解方法。CSA中的更新过程被修改为自适应以解决所研究的问题。在这项工作中提出的目标函数是导体资本成本和导体能量损失成本的总和。建议的约束是母线电压限制和导线的最大载流能力。分析是在两种不同拓扑的辐射状网络上进行的，第一种网络是16节点，11kV网络，第二种网络是85节点，11 kV网络。第一种方案比原方案网损节约33.32%，年费用节约24.48一是节约电能损耗约19.53%，节约总成本16.17%。将该算法与已有算法进行了比较，结果表明了该算法在解决配电网导线优化选择问题中的优越性和有效性。引用[1] A.S. Chambiya，N. KumarSadana，S. Mahajan，径向配电系统中导线最佳尺寸的选择方法-综述，Int. J. Adv. Technol. 工程科学2（06）（2014）190-298。[2] M. Thenepalle，采用传统算法和遗传算法进行径向配电网导线选择的比较研究，Int。 J. Comp.Appl.17（2011）6-13.[3] S. Sivanagaraju，N. Sreenivasulu，M. Vijayakumar，T.黄文，辐射状配电系统导线的优化选择，电力系统研究。63（2002）95-103。[4] S. Satyanarayana，T. Ramana，G.K.拉奥，S。Sivanagaraju，通过径向配电系统的最佳导体选择提高最大负荷，电气。动力组件系统 34（2006）747-757。[5] 妈妈Legha，H. Javaheri，M.Mo.李文，基于遗传算法的配电网导线优化选择，北京，2001。 电力电子学。Eng. 9（1）（2013）29-35。[6] 妈妈Legha，H.应用遗传算法优化配电网中的导体选择和电容器配置，国际研究J.Appl. 基础科学 6（10）（2013）1415-1422。伏（pu）电流（A）402A.Y. Abdelaziz，A.Fathy/Engineering Science and Technology，an International Journal 20（2017）391[7] D. Sharma ， P. Jha ， S. Vidyasagar ， 使 用 遗 传 算 法 的 最 优 导 体 选 择 ，Int.J.Eng.Res.Technol.2（4）（2013）660-664。[8] F. Mendoza，D.Requena，J. L. Bernal-Agustin，J. A. Dominguez-Navarro，使用进化策略的径向配电系统中的最优导体尺寸选择1比5。[9] R. Ranjan，A.查图维迪山口S. Solanki，D.Das，使用进化编程的径向配电馈线的最佳导体选择，在：亚太地区会聚技术会议上，第一卷。1，2003，pp.456-459[10] B.M.张文龙，基于MDE算法的配电网导线选择优化，北京电力大学学报，2001。你好10（3）（2014）175-184。[11] 妈妈莱加河Sangrood，A.Z. Raeiszadeh，Mo.M.李嘉诚，利用帝国主义竞争算法对提高生产率的径向配电系统规划中的导线尺寸选择，国际技术物理杂志。5（15）（2013）65-69。[12] 妈妈Legha，H. Noormohamadi，A. Barkhori，使用细菌觅食算法的径向分布中的最佳导体选择以及与ICA方法的比较，WALIA J. 31（3）（2015）37-43。[13] 妈妈Legha，F. Ostovar，M.M. Legha，使用PSO方法的径向配电系统中最优导体选择和电容器放置的组合，伊拉克J. Electron. Eng. 10（1）（2014）33-41。[14] S.李文，基于离散粒子群算法的配电网导线优化选择，北京电力大学学报。 模型你好5（2）（2009）96-104。[15] D. Kaur，J. Sharma，径向配电系统规划中的最佳导线尺寸，电气。电力能源系统30（2008）261-271。[16] R.S.拉奥，K. Satish，S.V.L. Narasimham，采用微分算子的和声搜索算法在配电系统中进行最优导线尺寸选择，Electr. 动力组件系统 40（2012）41-56。[17] R.兰詹湾Venkatesh，D.配电网规划的一种新算法，电力工程. 电源系统Res.62（2002）55-65。[18] A. Askar
我的内容管理
收起
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助 
