文摘

本文在分析大型分销网络重建融合图论和图划分算法。图论和图分割算法已被许多研究人员冲在医学领域,无人驾驶飞机和神经网络。这是一个新人在计算机视觉领域,这不仅可以实现部门的颜色也除以图像数据。分销网络也是不可或缺的新能源、电动机器,但传统的分销网络有许多问题,如不适合动力分布式访问和过度的网损。改善分销网络,减少网络的性能损失,本文multi-division模型建立了分销网络建设和重建,和图基于理论的除法算式方法提出了有效地解决feeder-to-feeder重建的问题在大规模分布在分销网络。通过其超导现象和聚类算法的特点,本文运用公式显示其分工原则,给各种配电网重建算法的例子,探索改进方法可以提高分销网络,减少网络的性能损失。迭代的数量也是严格认为,价值是经过多次迭代来减少错误。通过分销网络计算的例子中,网损降低价值,和分销网络故障修复模型作为例证。这张照片是用来简要描述配电网重建的过程中,发现分销网络的故障可以快速定位和隔离工联会,评分,很快就修好了。最后,为了减少网络损耗,降低负载的功率流计算,解决局部优化的问题,JA-BE-JA优化算法提出了基于大规模分销网络重新配置。 The mixed sampling method is preferred to test the number of divisions in the four states, and the parameters are selected to test the performance of the improved annealing simulation algorithm, and the conclusion is drawn as follows: the improved graph segmentation algorithm has strong robustness, can avoid local optimization of graph data, and can reduce network loss. Compared with traditional distribution network reconstruction methods, the network loss can be reduced to 454.3 KW, which can be optimized by 10.68% compared with the initial network loss.

1。介绍

作为一个严谨、科学理论、图论已被广泛应用于各个领域。图论的首次成功应用发生在1990年代。一些学者成功应用在图像分割的研究,这引起了许多学者的关注和讨论。在现代社会的发展,图论的理论也被更有效地应用广泛,如纹理合成、图像恢复、复杂配电网络的建设和重建在现代社会。图论的出现变得非常重要,而有效地帮助大规模分销网络等问题。因此,通过建立multipartition分销网络的建设和重建模型,提出了一种基于图论的分区算法能够有效地解决这一问题的重新配置供料器在大规模分布之间的分销网络。该算法大大减少了计算压力的建议在网络重建和可以有效地达到最合理的解决方案基于全球分销网络。由于图论本身是基于数学的一个分支学科,本文提出的算法是一种新的有效的图论算法基于严格的数学证明。在分销网络的重建,图像分割技术中发挥着极其重要的作用。网络的拓扑结构不断变化的开关状态切换开关和分段开关,以规范权力的流动在整个分销网络。 The branch exchange method, optimal flow mode method, genetic algorithm, etc., are all effectively applied in the construction of the distribution network. The improved graph segmentation algorithm can effectively reduce the network loss caused by the operation of the distribution network. In the subsequent reconstruction of the distribution network, graph segmentation algorithms have great research significance.

本文的目的是研究分析大型分销网络重建融合与图论和图划分算法和提出优化算法重建的分销网络。算法通过实验和测试之前和之后的优化应用于配电网络重构的环境,收集的数量优势削减4图像数据集与数据的分布式分割大小从小型到大型的JA-BE-JA算法基于BSP-Spark平台。然后,减少数量的边缘JA-BE-JA算法收集基于BSP-PeerSim平台在同一数据集,和他们都收集在1200年之后supersteps确保实验的准确性,这个算法的强鲁棒性和避免局部优化的特点。选择16-bus分销网络进行测试,其中包含3馈线部分,表明该算法可以应用于大规模的分销网络,可以减少网络的损失。与此同时,它也表明,在处理大规模的配电网络重构的问题,本文提出的优化算法有更好的效果,有一定的指导意义,具有理论和现实意义。

本文的改进算法设计具有良好的应用前景在大规模分销网络重建。基于图的图像分割方法theory-full变分近似图聚类,金兹堡朗道功能的配电网潮流算法的重建和分销网络故障恢复模型执行某些细分的分销网络和图论的解释,这两个有一定的共性。然后通过实验,图论和图形分割的改进算法集成到分销网络重建。为了避免错误,有些细节在这个实验中,如编码器的选择和迭代次数的选择。最后,得出的结论是,这张图分区改进算法可以更好地应用于大规模的分销网络环境中,网损和鲁棒性都是优化,这可以在未来发展起到一定的指导作用,而且还可以用于其他领域的参考。

2。相关工作

图论的应用和图像分割算法在各个领域有非常乐观的发展前景,和各个领域的研究与探索从未停止过图论和图分割算法是为了有一个光明的发展前景。李、杨注意自适应将同步问题的随机复杂动态网络(CDN);基于代数图论和李雅普诺夫理论,他们的设计条件推导出把控制器和执行严格的收敛分析同步误差的概率意义。与已有结果相比,由于使用图论,随机CDN的拓扑是未知的(1]。基翁等人使用选择性高质量的数据子集从自闭症脑成像数据交换(包括111 ASD和174典型发展参与者)和图论几个指标。他们静息状态功能磁共振成像数据预处理和分析检测低频信号的相关性和内在得出结论,与典型的开发参与者相比,兰德指数(反映之间的相似性网络组织和规范网络集)的ASD参与者是显著降低(2]。Glaria等人表示,压缩实际图形的有很多好处,如改善或在小内存设备,启用可视化图形查询处理,社区搜索和挖掘算法。这项工作提出了一个新颖的紧凑表示真正的稀疏和集群的无向图。这个方法使用一个快速算法列出所有最大的派系和定义了一个小团体图根据其最大集团(3]。李等人表明,现有的基于矢量的机器学习方法通常使用基于矢量的特征来表示程序,但很容易忽视基本块之间的控制信息和分区以外的道路上的关键路径。他们提出了一个新颖的基于线程划分方法克服这两个瓶颈。他们用图表来描述程序,集成特性和控制信息,并成功地提取一个好的分区方案(4]。Ghasemi说,配电系统重新配置是一个复杂的问题,至少找到一个结构优化过程损失,需要满足消费者的满意度和配电系统的公司。在这方面最重要的参数之一,是为了提高系统的可靠性。一方面,这个参数改善电力消费的满足,另一方面,它提高了配电企业的经济效益5]。香港H等人提出了一种配电网重构方法基于有向图考虑分布式发电。两个重构场景是:工况调整有功功率损失最小化的目标(我)和服务恢复恢复负荷最大的目标(例2)。这两种情况下被建模为一个混合整数二次规划问题和一个混合整数线性规划问题6]。尽管这些研究已经达到了一定的指导性的结论,有不可避免的错误,或优化效果不足,示威,不足等,需要进一步改善。

3所示。分销网络重建模型和图Theory-Graph分割方法

3.1。基于图的图像分割算法Theory-Full变分近似的金兹堡朗道图聚类的功能

金兹堡朗道函数是基于相变理论,并结合超导现象如量子力学、电动力学、量子力学超导体获得相关的非线性偏微分方程(7]。公式(1)表达之间的关系相变和相分离。让代表开放的子集 ,的参数 空间范围:

金兹堡朗道的形式函数是一个状态转换方程,密切相关的状态转换方程Allen-Cahn和Chafee-Infante等,通常是因为金兹堡朗道之间的连接函数和总变分半范数,并被认为是第二个近似总数的变化,所以它可以解决非光滑全变差最小化问题(8]。在处理图像时使用的公式 在哪里 重建图像的距离函数吗和给定的图像 。统计模型的物理假设密切相关。其中,参数 可以控制数据拟合正规化的影响。应用梯度下降法、偏微分方程在这个时候可以知道:

因为存在的距离函数f (v, v0),我们添加一个强迫项 。自是一个非凸函数,不可能有一个独特的解决方案,结果依赖于初始条件。图像的先验信息可以作为初始输入的分割算法来实现更准确的目标图论的图像分割。然后,分割图像可以用高维数据分类,然后 将代表一个矩形图像 像素。图像附近的可以表示成准备好了吗 :

当 ,有 大小像素集中在在 ;为 ,我们可以将特征向量 选择的和社区。让是像素的节点,顶点之间的关系映射到图像的边缘,重量,相似矩阵,然后 在哪里是特征函数。在这个时候,为了使符号一致,让 ,面临的分割问题,采取边连接到节点的重量和程度的顶点来获取一个对角矩阵的 :

当用于表示的空间吗 所有的功能, 是它的拉普拉斯算子 :

相关的二次型H可以表示为

非负的特征值是 ,其中 ,在大规模的限制下,可适当比例达到高稳定的收敛性。在这个时候,Tulaplas可以归一化:

在这个时候,这个矩阵提出了一种对称的状态,重新定义离散金兹堡朗道功能:

因为这张照片是一个无向图, 将处于对称状态, 。在这里,为了降低计算复杂度,一些特征向量将用于构造向量图聚类,聚类算法,然后将用于把特征向量分割图像(9]。相关的特征向量的值是灰色或RGB(红、绿、蓝)强度值和纹理特征的社区。

3.2。功率流算法对配电网重建

分销网络重新配置时,当径向其拓扑结构,功率流算法可以用来计算配电网的运行,网络损失和电压偏移量(10]。目前,功率流算法适合分销网络主要分为牛顿法、分支方法,总线的方法。然而,有一定的局限性,和功率流算法不适用于某些情况下的分销网络。例如,分销网络和传输网络有不同的行参数,不同的电阻和电抗率,或不同数量的机汇节点。分销网络将会频繁变化和复杂的结构等问题。因此,将会有更多的功率流算法应用于输电网的分销网络。基于分销网络的越来越多的关注,改善收敛性,及时性,简单的功率流算法成为研究的一个主要目标(11]。图1是一个简单的径向分布网络线路图,和它的参数解释如下。

径向分布网络主要依赖于当前速断保护线插座,断路器、负荷开关,自动继电器保护电路。

3.2.1之上。提高牛拉的方法的基本原理

因为它有一个更好的解决方案对非线性效应方程,通常用于功率流计算的分销网络。电压极坐标公式的牛顿迭代方法

我们的分销网络OL节点,用 ,分别为,PV节点,用 ,加一个平衡节点,那么所有节点满足

根据泰勒的扩张,修改后的牛顿迭代公式的方法可以获得

小距离实际的节点只会形成一个小的相邻节点之间的电压差,所以在计算,地面导纳参数可以忽略。这个时候,如果 ,然后

如果 ,然后

改善牛拉方法的迭代步骤如下:首先,平衡节点及其相位角的电压设置,和其他节点的参数初始化。然后,计算参数值计算活跃和无功功率修正和功率流计算的准确性是评价,直到满足计算要求。然后,上面的参数替换到雅可比矩阵计算电压振幅校正量和相角校正量(12]。让此时的迭代次数h,然后

然后,逐渐重复上面的工作,并继续迭代。

3.2.2。分销网络和DG重建

重建步骤是先初始化各种参数和分销网络重建的目标数量和简化的分支,重新引导变量值的一部分,法官的形状,确定径向和决定是否重新应用价值,然后找到另一个分支的一部分的变量的分销网络已经断开,并迭代速度和位置。之后,构造层次矩阵,结合分布式电源处理过程,并推迟到功率流计算之前完成。然后,下一步是比较目标函数值来确定最优人口粒子值,继续迭代,法官分销网络结构,直到径向和到达的迭代次数,最后输出最优人口粒子值(13]。在图所示的步骤2。

在这里,我们将IEEE69-node分销网络重建系统作为一个例子。在这个时候,有69个节点,编号从1到69。实线是分段开关,虚线是领带开关。整个系统负载分布在网络拓扑是3814.6 +j2702.2 kVA,还有98的迭代算法。向前和向后的功率流计算用于迭代收敛于实现网损最小。分销网络的拓扑结构如图3。

在没有动力分布式配电网络的重构,IEEE69的初始拓扑是虚线部分表示接触开关,实线表示分段开关关闭(14]。重建IEEE69-node系统没有DG表所示1。

此时,网损的常见算法重建前相比减少了52.98%,而本文算法重建前相比减少了57.08%,性能提高了4.1%,效果更好。重新配置的网损的分销网络与分布式电源如表所示2。

可以看出,短时间的合理安排位置可以降低网损。在这个时候,重建之前已经减少了17.27%。重建后,减少了69.74%。可以看出,DG电网,其拓扑结构的优点是明显高于没有DG的电网。DG重建,可以提高系统的电压质量节点,提高操作稳定性的分销网络15]。

3.3。配电网故障恢复重建模型

通常情况下,分销网络故障恢复重建的实现原理是使用应用程序层和决策层的分销网络。控制系统中重建算法在配电网调度系统,及相关工联会分销网络传输实时信息的评分分段开关和联络开关。将数据合并到SCADA系统,错误的区域,这里的SCADA系统的控制中心是分销网络。命令发送到工联会隔离故障区域评分通过操作开关,自愈系统是用于生成结构,优化算法计算,和控制数据,然后执行故障区域恢复过程(16]。在这个过程中,优化算法的核心部分是分销网络重建,电压,电流,功率,电阻,频率,和其他国家的分销网络需要设置,并给出函数的范围在不同的州去探索分销网络的运行状态,然后进行优化搜索操作(17]。这些州包括电网紧急状态、异常状态和境界的状态。分销网络的控制过程如图4。

恢复重建的分销网络失败,工联会可以快速定位和隔离评分分布网络故障并快速修复它。

3.4。改进的基于图理论的图像分割BSP-Spark集群系统和改进的基于BSP-Spark JA-BE-JA算法

这个实验将进行BSP-Spark分布式集群环境的4个人电脑组成。在电脑中,一个是用于主要控制系统8 GB的内存,和三个作为奴隶的计算节点和4 GB的内存。软件用于编译IntelliJ IDEA,和使用的程序语言写作是Scala。为了减小实验误差的各种因素造成的,这里的机器执行任务一对一,火花在纱将完成资源管理和调度的实验。存储系统是一个分布式文件系统HDFS [18]。众所周知,BSP-Spark系统架构是一个M / S体系结构,与一个完整的主从关系,实现1主节点和3子节点。节点部署图如图5。

如果它想实现高性能分布式分区,必须优化BSP-Spark系统的参数,如记忆、并行性和数据倾斜。虽然引发的计算是基于内存,也有算法,不依赖于记忆。在这个时候,需要添加缓存机制。一般来说,spark.executor缓存方法。内存和大规模的迭代算法需要使用一个存储机制来控制数据访问的消费。本文将减少一组缓存以减少内存消耗,和系统。setProperty可以解决这个问题(19]。执行效率引发并行性密切相关。太低并行性会导致资源的浪费,同时也会减少效率高。这时,spark.default.parallelism用于优化并行性,以确保任务的数量。分布式系统的主要问题之一是数据倾斜。在火花应用程序开发,通常导致内存溢出异常。相对大量的图表数据对应于一个相对较少的节点计算,也将导致其倾斜的执行速度。这时,洗牌是用来减少分区。小规模的数据时出现,广播变量可以使用和设定的时间间隔可以spark.speculation.interval [20.]。

JA-BE-JA算法图划分算法,结合边缘点分区和分区负载均衡。它来自PeerSim环境。基于JA-BE-JA BSP-Spark平台的算法,图像节点定期可以异步处理,和一个节点只与小随机范围的相邻节点。节点之间的信息传播是只有通过图像的边缘和基于内存共享。它的顶点对应单个节点主机和独立进程的线程。图像数据集由改进JA-BE-JA算法只有在输入G (V, E)格式和图像数据需要分裂前预处理。预处理包括split-transform-storage和图表数据清洗使用转换和操作符生成新的抽样边缘和顶点抽样从数据源。算法流程如图6。

分割和边缘点JA-BE-JA算法实现的分割图。partitionBY算子和混合采样方法是首选的抽样策略。

4所示。结果和分析

4.1。实验结果和分析

这里,我们将收集的削减边缘JA-BE-JA算法基于BSP-Spark平台的分布式细分4图像数据集与数据大小从小型到大型,然后收集JA-BE-JA削减边缘的算法基于BSP-PeerSim平台在同一数据集,并收集他们1200年之后supersteps确保实验的准确性(21- - - - - -23]。实验结果如图7和8。

可以看出的顶点和边的大小4英语教学图很小,和削减边缘的数量的差异很小,而vibrobox图的规模比较大,和削减边缘的数量的趋势逐渐趋于平坦。

接下来,改进的模拟退火算法进行了分析。众所周知,改进的BSP-Spark算法具有更好的负载在大规模图像分割,但很容易形成局部的最优状态。因此,本文将提出一种改进的退火算法基于BSP-Spark和执行性能测试,取两个参数u和性能度量;让u的边缘切割问题的参数改进JA-BE-JA算法和系统能量函数值。之间的关系u和JA-BE-JA算法在原始BSP-PeerSim和BSP-Spark环境如图9。

可以看出,改进的模拟退火算法有较小的边缘时u= 2。这是因为当这个参数大于1,图分区可以减少沟通边缘的数量而不会破坏原始图的拓扑结构,减少信息传播和迭代时间。当参数u= 3,信息传播的消费将会增加由于减少的总效应值图。这种情况将会变得更严重的作为参数u增加。改进的退火模型算法可以减少消费的时候u= 2的概率,减少JA-BE-JA算法的局部最优问题。让制冷系数,可以代表冷却速率,和之间的关系,减少数量的边缘JA-BE-JA算法如图10。

从图可以看出10基于原始BSP-PeerSim环境,削减边缘的数量增加而增加的参数 ,和可以表示的均衡效果和图的质量部门的交流。也就是说,交易所的数量越大,收敛时间越长,消费信息传播将会增加。基于BSP-Spark环境,减少边缘值明显的图像鲁棒稳定性的参数 。

改进数据迁移算法,可以避免局部优化问题,随机函数可以用来减少沟通的边缘。在这个时候,使用不同的数据集进行测试,可以看出一个4路分区将导致76.3%的顶点数据迁移,和只有23.7%的数据移动到不同的分区。

4.2。改进的图论和图分割方法引用到分销网络算例和结果分析

在这里,我们将使用改进的JA-BE-JA算法计算分销网络的例子。16-busbar系统分销网络的3系开关和3喂食器,如图11。

领带开关关闭时,加权操作16-bus分布系统上执行,特征向量由光谱分裂算法,解决了上述分布的临界边缘系统和部门1的节点被删除(24]。图12是可用的。

上面的图是一种基于特征子图第一次得分和排序后,评估价值及其功能评估值如图13同时作为功能评估值在第二次得分和排名。分销网络节点分为组:第1组 ,组2 ,记录为一级,其余的系统需要使用改进JA-BE-JA算法分为两个,也就是说,部门2:和分裂3: ,和图13可以获得。

可以看出,最后分销网络的重建结果是关闭领带开关节点10至14,关闭领带之间切换5和11日开放8和10之间的分段开关,打开段9和11之间切换,并使用改进的JA-BE-JA算法图论划分网络损失454.3千瓦。最初的网损是508.6千瓦,网损降低10.68%。配电系统通常是大型和广泛分布,并有多个喂食器。可以看出,该算法仍然是适用于大规模的分销网络,减少了功率流计算的负担,降低网络损耗,同时解决局部优化的问题。

5。讨论

本文着重于分析大规模分销网络的重建与图论和图划分算法。基于图论的图像分割了在许多领域和在医学和神经学做出了不可磨灭的贡献25]。本文首先描述了图论的许多优点和图像分割技术在分布网络的应用程序,然后描述了图论的研究方法和图像分割和分销网络。例如,基于图的图像分割方法theory-full变分近似图聚类的金兹堡朗道功能使用量子力学,超导体,电动力学,和其他现象推导出相关公式,把特征向量聚类算法,并进行图像分割。例如,对于配电网的功率流算法重建、径向本文给出电路图,和功率流算法用于计算根据分销网络的拓扑结构。本文改进的牛拉方法用于改善收敛性,及时性,等等,相角校正电压进行校正,提出了DG的配电网络重建,人口粒子反复迭代的最优值。IEEE69的例子是用来显示情况,和前后功率流计算用于迭代收敛于实现网损最小。它也描述了分销网络的故障恢复模型,使用应用程序层,层、决策和控制系统的配电网络重构算法写入配电网调度系统。分销网络的故障快速定位和隔离通过工联会,评分,很快就修好了。最后,图论算法和改进JA-BE-JA算法的性能通过实验测试,并应用于配电网络,每个分区之间的关系和JA-BE-JA算法进行比较。替换的参数测试,可以看出四大分区将导致大量的顶点数据的迁移,迁移的只有一小部分的数据不同的分区。 Finally, a 16-bus distribution system example is used for testing, and the improved JA-BE-JA algorithm can reduce the loss by 10.68% compared with the previous one, and it can be applied to a multifeeder system, that is, the large-scale distribution network, which reduces the power flow calculation. It can also reduce network loss and prevent local optimization. It can be obtained that this improved algorithm can be better applied in large-scale distribution networks.

6。结论

在分析大型分销网络重建与图论和图分区算法,基于BSP-Spark众所周知,环境,改进后的算法具有鲁棒稳定性,可以避免局部优化的问题。4路分区造成76.3%的顶点数据迁移,只有23.7%的移动到一个不同的分区。改进的JA-BE-JA算法也更明显的优化分销网络。使用改进的JA-BE-JA算法和图论和图,网络损耗为454.3千瓦,最初的网损是508.6千瓦,网损降低10.68%。此外,改进后的算法可以有效地增加削减边缘和顶点的数量在分布式集群交换。这是更有效的比传统的图像分割算法在处理大规模的分销网络。

数据可用性

使用的数据来支持本研究的发现可以从作者要求。

的利益冲突

作者宣称没有利益冲突。