CN103310065B - 计及分布式发电和储能单元的智能配网重构方法 - Google Patents

Abstract

本发明公开了一种计及分布式发电和储能单元的智能配网重构方法，首先建立配网重构的多目标多约束数学模型，对模型中的控制变量进行编码，然后采用改进的NSGA‑Ⅱ优化算法进行求解，解算过程中反复调用三相潮流计算模块，将NSGA‑Ⅱ中各代种群的个体进行解码，对解码后的网络重构方案进行三相潮流计算，进而得到各网络重构方案的适应度值，再反馈到NSGA‑Ⅱ进行优化处理。本发明所构建的多目标多约束重构模型能够同时计及分布式电源和储能单元的影响；所采用的多电源三相前推回推算法能够很好地考虑配网的三相不平衡特征，且计算速度快；所采用的带越限剔除策略的快速非支配排序遗传算法能够避免权重设置的盲目性，并能及时排除不可行解，计算效率高。

Description

计及分布式发电和储能单元的智能配网重构方法

技术领域

本发明涉及一种智能配网重构方法，尤其涉及一种计及分布式发电和储能单元的智能配网重构方法。

背景技术

配电网络重构是配电系统运行和控制的重要手段之一，也是配电管理系统的重要组成部分。传统的配电系统网络重构的目的，是在保证配电网放射状运行前提下，通过对分段开关和联络开关的组合优化，达到均衡负荷、消除过载、降低网损、减少停电损失等目的。而随着智能电网建设的不断推进，要求未来的配电网能够自由接纳各类分布式电源，近些年来，风电、太阳能发电、小型燃气轮机发电等分布式发电（Distributed Generation,简称DG）在配电系统中的渗透率不断提高，其扮演的角色越来越突出，为平衡DG的功率波动，一般会为DG配置一定的分布式储能单元（Storage Unit,简称SU），DG和SU对配网运行的方方面面均产生了不可忽视的影响，就配电网络重构问题而言，衡量重构方案优劣的是重构后网络的有功损耗、负荷均衡度等指标，而这些指标与DG和SU的运行状态密切相关，因此，在DG和SU大量渗透的智能电网中，亟需重新设计配网重构的数学模型和相应的求解算法。

目前国内外现有的配网重构方法难以很好地满足智能配电网发展和建设的需要，主要表现在：

1．多数配网重构模型未能充分计及分布式电源和储能单元的影响。虽然已出现了一些计及DG影响的配网重构方法，但对DG的建模尚显粗略，一般是将DG视为普通电源或“负的负荷”进行处理，而未进行分类等值。同时尚缺少对SU的科学建模。

2．配网重构属多目标组合优化问题，传统的处理方法是采用加权求和的形式将多目标问题转化为单目标求解，缺点是难以合理地设置各目标函数的权重系数，盲目性较大。

3.配电系统具有明显的三相不平衡特征，在计算重构方案的网损和电压等指标时，已有的很多重构方法未能充分考虑配电网络三相参数和负荷的不平衡性，从而影响计算精度。

发明内容

本发明的目的就是为了解决上述问题，提供一种分布式发电和储能单元的智能配网重构方法，它具有重构模型更精确、寻优效率高的优点。

为了实现上述目的，本发明采用如下技术方案：

一种计及分布式发电和储能单元的智能配网重构方法，首先建立配网重构的多目标多约束数学模型，对模型中的控制变量进行编码，然后采用改进的NSGA-Ⅱ优化算法进行求解，解算过程中反复调用三相潮流计算模块，将NSGA-Ⅱ中各代种群的个体进行解码，对解码后的网络重构方案进行三相潮流计算，进而得到各网络重构方案的适应度值，再反馈到NSGA-Ⅱ进行优化处理。

所述一种分布式发电和储能单元的智能配网重构方法，具体步骤为：

步骤一：建立智能配网重构的数学模型，模型中的目标函数有两个，分别为网络损耗最小数学模型和负荷均衡度最高数学模型，表达式为：

$\min f_1\left(x\right)=\underset{i\∈B}{\mathrm{\Σ}}\underset{m\∈M}{\mathrm{\Σ}}{R}_{i,m}\frac{(P_{i,m}^2+Q_{i,m}^2)}{V_{i,m}^2},x\∈X---\left(1\right)$

$\min f_2\left(x\right)=\underset{i\∈B,m\∈M}{\max }\frac{\left|I_{i,m}\right|}{I_{N,i,m}},x\∈X---\left(2\right)$

其中，f₁为网络有功损耗，f₂为支路最大负荷率；x为控制变量，即配网开关的状态组合，X为所有状态组合所构成的集合；M＝{A,B,C}为相序集合，B为配网支路集合，P_i,m、Q_i,m和I_i,m分别为流过支路i的有功功率、无功功率和电流；R_i,m为支路i的支路电阻；V_i,m为支路i的末端电压，I_N,i,m为支路i的额定电流；

步骤二：确定智能配网重构的数学模型的约束条件；

步骤三：对含分布式电源和储能单元的多电源配电网络，利用三相前推回推潮流算法将弱环网转化为辐射型网络，通过在断点两侧注入补偿量的方法来等效智能配网所含的环路的影响；同时根据各类分布式电源电网互联的接口方式以及它们的运行和控制方式，分别建立其在潮流计算中的等值模型，在各迭代步将分布式电源所在节点转换为PQ节点、PI节点或PV节点；

步骤四：利用基于Pareto最优解理论的加入越限剔除策略的NSGA-Ⅱ算法优化智能配网的重构。

所述步骤二中的约束条件为：

（2-1）功率平衡约束，对智能配网任一支路i，需满足如下条件：

$S_i^{\′}=S_{\mathrm{Li}}+S_{\mathrm{Si}}-S_{\mathrm{Gi}}+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{S}_{i,j},i\∈B---\left(3\right)$

$S_i=S_i^{\′}+{\mathrm{\ΔS}}_i,i\∈B---\left(4\right)$

其中，S_i和分别为支路i首段和末端的复功率，S_Li为节点i的负荷功率，S_Gi和S_Si分别为节点i所接DG的注入功率和SU的充放电功率，S_i,j分别为节点i的第j条出支的首端复功率，ΔS_i为支路i消耗的复功率，B为节点集合；

（2-2）支路电流约束，即各支路电流幅值应不大于最大允许载流量：

|I_i,m|≤I_i,m,max，i∈B （5）

其中，I_i,m,max为支路i第m相的最大允许电流；

（2-3）节点电压约束，即各节点的电压V_i应满足：

$V_{i,\min }\≤V_i\≤V_{i,\max },i\∈N---\left(6\right)$

其中，V_i,min和V_i,max分别为节点i的电压下限和上限，N为所有节点的集合；

（2-4）变压器容量约束：

|S_t|≤|S_t,max|，t∈T （7）

其中，S_t和S_t,max分别为变压器t的实际功率和额定容量，T为所有变压器的集合；

（2-5）储能单元状态约束，包括功率约束、电压约束、注入电流约束；分别为：

P_gi,min≤P_g,i≤P_gi,max,i∈G_P （8）

Q_gi,min≤Q_g,i≤Q_gi,max,i∈G_Q （9）

V_gi,min≤V_g,i≤V_gi,max,i∈G_V （10）

I_gi,min≤I_g,i≤I_gi,max,i∈G_I （11）

其中，P_g,i和Q_g,i分别为第i个DG的有功和无功输出，P_gi,max和P_gi,min分别为其对应的有功功率上、下限，Q_gi,max和Q_gi,min分别为其对应的无功功率上、下限，V_g,i为第i个DG的端电压，V_gi,max和V_gi,min分别为其对应的电压上、下限，I_g,i为第i个DG的注入电流，I_gi,max和I_gi,min分别为其对应的输出电流上、下限，G_P、G_Q、G_V和G_I分别为有功可调、无功可调、电压可调和电流可调的可控DG集合；

分布式电源充放电状态约束，储能单元i的充放电功率S_Si应满足如下约束：

S_DN,i≤S_Si≤S_CN,i （12）

其中，S_CN,i为储能单元i的额定充电功率，S_DN,i为储能单元i的额定放电功率，其中，额定放电功率为负值；

网络拓扑约束，重构后的网络g_k应满足：

g_k∈G_R （13）

其中，G_R为所有可能的辐射状网络构成的集合。

所述步骤三的具体步骤为：

（3-1）对智能配电网络的原始数据进行初始化，包括配网拓扑信息、元件参数、负荷数据；

（3-2）根据读入的数据计算各负荷节点的注入电流；

（3-3）确定分布式电源和储能单元的等值注入电流；

（3-4）判断网络中是否存在环网回路，若存在环网回路则向解环节点叠加注入电流；

（3-5）叠加储能单元及分布式电源的三相注入电流，进行三相前推回推潮流计算；

（3-6）从馈线末端节点开始进行前推计算，对支路电流进行求和，从而得到各条支路始端节点的三相电流；

（3-7）从馈线首端节点开始回推计算各支路末端节点的电压，同时对各节点的三相电压进行修正；

（3-8）修正PV节点注入的无功功率，然后判断PV节点的无功功率是否发生越界，若发生越界则将PV节点转化成PQ节点转入步骤（3-2）重新进行计算，否则转入（3-9）；

（3-9）以节点相邻两次迭代电压幅值差是否满足预设精度为收敛条件，若满足条件则迭代收敛，转入（3-10），否则重新修正所在节点的注入电流，然后转入步骤（3-2）重新计算；

（3-10）计算结束，输出潮流计算结果。

所述步骤四的具体步骤为：

（4-1）数据初始化，读入智能配电网络的基础参数和运行数据，同时设置遗传算法参数。设种群规模为W，最大进化代数为r_max，收敛标准差σ_a；

（4-2）置进化代数r为0，然后随机生成初始种群，采用二进制方式对配网重构模型进行编码，进化代数指种群整体进化的次数，进化前为第0代群体，每进化一次r增加1；

（4-3）对种群进行越限检查，将种群中的个体解码后，通过三相前推回推潮流计算，得到系统潮流分布状态，按智能配电网络重构数学模型的约束条件检查有无个体越限，若有则剔除越限个体，同时随机生成新个体进行补齐，直到不再有越限个体为止；

（4-4）按照智能配网重构的数学模型的两个目标函数确定函数值f₁和f₂，并进行快速Pareto非支配排序，确定个体所属的非支配层级，对处于同一层的个体，则通过拥挤距离的计算区分优劣；

（4-5）令r=r+1，通过选择算子、交叉算子、和变异算子的处理，得到下一代个体，重新进行越限剔除和个体评价；

（4-6）从第二代个体开始，经过越限剔除操作后，采用精英保留策略，将子代种群Cr和父代种群Pr进行合并，形成过渡种群，两代个体共同竞争，以个体所处的非支配层级和拥挤度进行排序，取前W个非支配个体作为下一代的父种群；

（4-7）满足如下收敛条件时，算法停止并输出最优解集；

收敛条件：r≥r_max或σ_r≤σ_a

其中，σ_r为第r代种群的适应度标准差。

本发明的有益效果：

1.所构建的多目标多约束重构模型能够同时计及分布式电源和储能单元的影响。

2.所采用的多电源三相前推回推算法能够很好地考虑配网的三相不平衡特征，且计算速度快；

3.所采用的带越限剔除策略的快速非支配排序遗传算法能够避免权重设置的盲目性，并能及时排除不可行解，计算效率高。

附图说明

图1为智能配网重构的总体设计图；

图2为馈线模型；

图3为含DG及SU的配网三相潮流计算流程图；

图4为改进的快速非支配排序遗传算法流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

对于考虑分布式发电和储能单元的智能配网重构方法，它的具体步骤是：如图1所示，首先建立配网重构的多目标多约束数学模型，对模型中的控制变量进行编码，然后采用改进的NSGA-Ⅱ优化算法进行求解，解算过程中反复调用三相潮流计算模块，将NSGA-Ⅱ中各代种群的个体进行解码，对解码后的网络重构方案进行三相潮流计算，进而得到各方案的适应度值，再反馈到NSGA-Ⅱ进行优化处理。

1.建立智能配网重构的数学模型，模型中的目标函数有两个，分别为网络损耗最小和负荷均衡度最高，表达式为：

$\min f_1\left(x\right)=\underset{i\∈B}{\mathrm{\Σ}}\underset{m\∈M}{\mathrm{\Σ}}{R}_{i,m}\frac{(P_{i,m}^2+Q_{i,m}^2)}{V_{i,m}^2},x\∈X---\left(1\right)$

$\min f_2\left(x\right)=\underset{i\∈B,m\∈M}{\max }\frac{\left|I_{i,m}\right|}{I_{N,i,m}},x\∈X---\left(2\right)$

其中，f₁为网络有功损耗，f₂为支路最大负荷率；x为控制变量，即配网开关的状态组合，X为所有状态组合所构成的集合；M＝{A,B,C}为相序集合，B为配网支路集合，P_i,m、Q_i,m和I_i,m分别为流过支路i的有功功率、无功功率和电流；R_i,m为支路i的支路电阻；V_i,m为支路i的末端电压，I_N,i,m为支路i的额定电流。

重构模型的约束条件包括：

1）功率平衡约束，如图2所示，对配网任一支路i，需满足如下条件：

$S_i^{\′}=S_{\mathrm{Li}}+S_{\mathrm{Si}}-S_{\mathrm{Gi}}+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{S}_{i,j},i\∈B---\left(3\right)$

$S_i=S_i^{\′}+{\mathrm{\ΔS}}_i,i\∈B---\left(4\right)$

其中，ΔS_i为支路i消耗的复功率。

2）支路电流约束，即各支路电流幅值应不大于最大允许载流量：

|I_i,m|≤I_i,m,max，i∈B （5）

其中，I_i,m,max为支路i第m相的最大允许电流。

3）节点电压约束，即各节点的电压V_i应满足：

$V_{i,\min }\≤V_i\≤V_{i,\max },i\∈N---\left(6\right)$

其中，V_i,min和V_i,max分别为节点i的电压下限和上限，N为所有节点的集合。

4）变压器容量约束：

$\left|S_t\right|\≤|S_{t,\max },t\∈T---\left(7\right)$

其中，S_t和S_t,max分别为变压器t的实际功率和额定容量，T为所有变压器的集合。

5）DG状态约束，包括功率约束、电压约束、注入电流约束，分别为：

P_gi,min≤P_g,i≤P_gi,max,i∈G_P （8）

Q_gi,min≤Q_g,i≤Q_gi,max,i∈G_Q （9）

V_gi,min≤V_g,i≤V_gi,max,i∈G_V （10）

I_gi,min≤I_g,i≤I_gi,max,i∈G_I （11）

其中，P_g,i和Q_g,i分别为第i个DG的有功和无功输出，P_gi,max和P_gi,min分别为其对应的有功功率上、下限，Q_gi,max和Q_gi,min分别为其对应的无功功率上、下限，V_g,i为第i个DG的端电压，V_gi,max和V_gi,min分别为其对应的电压上、下限，I_g,i为第i个DG的注入电流，I_gi,max和I_gi,min分别为其对应的输出电流上、下限，G_P、G_Q、G_V和G_I分别为有功可调、无功可调、电压可调和电流可调的可控DG集合。

6）SU充放电状态约束，储能单元i的充放电功率S_Si应满足如下约束：

S_DN,i≤S_Si≤S_CN,i （12）

其中，S_CN,i为储能单元i的额定充电功率，S_DN,i为储能单元i的额定放电功率（为负值）。

7）网络拓扑约束，重构后的网络g_k应满足：

g_k∈G_R （13）

其中，G_R为所有可能的辐射状网络构成的集合。

图2中，S_i和分别为支路i首段和末端的复功率，Z_i为支路i的阻抗，S_Li为节点i的负荷功率，S_Gi和S_Si分别为节点i所接DG的注入功率和SU的充放电功率，S_i,1和S_i,k分别为节点i的第1出支和第k出支的首端复功率。

2.针对含DG和SU的多电源配电网络，设计三相前推回推潮流算法。

流程图如图3所示，针对解码得到的网络重构方案，采用前推回推算法计算系统潮流，鉴于该算法对网孔的处理能力较弱，本模块对前推回推法进行改进，将弱环网转化为辐射型网络，通过在断点两侧注入补偿量的方法来等效环路的影响。此外，根据各类分布式电源（风电、光伏、燃料电池，微型燃气轮机等）与电网互联的接口方式以及它们的运行和控制方式，分别建立其在潮流计算中的等值模型，在各迭代步将分布式电源所在节点转换为PQ节点、PI节点或PV节点。在计算过程中，各元件均采用模型库中的三相模型参与计算。

（1）首先进行配网数据初始化，读取系统网络参数和负荷参数；

（2）根据读入的数据计算各负荷节点的注入电流；

（3）按如下方式计算DG及SU的等值注入电流：

对第i个DG，其第m相的注入电流相量表示为:

${\stackrel{\·}{I}}_{i,m}=\left\{\begin{array}{cc}{\left(\frac{P_{\mathrm{gi},m}+j{Q}_{\mathrm{gi},m}}{{\stackrel{\·}{V}}_{i,m}}\right)}^{*}& ,i\∈G_{\mathrm{PQ}},m\∈M\\ {\left(\frac{P_{\mathrm{gi},m}+j{Q}_{\mathrm{gi},m}}{{\stackrel{\·}{V}}_{i,m}}\right)}^{*}+\frac{\mathrm{\Δ}{\stackrel{\·}{V}}_{i,m}}{Z_{i,m}}& ,i\∈G_{\mathrm{PV}},m\∈M\\ {\left(\frac{P_{\mathrm{gi},m}+j\sqrt{I_{\mathrm{gi},0}^2{V}_{i,m}^2-P_{\mathrm{gi},m}^2}}{{\stackrel{\·}{V}}_{i,m}}\right)}^{*}& ,i\∈G_{\mathrm{PI}},m\∈M\end{array}\right.$ （14）

其中，G_PQ为功率给定的DG（即PQ型）所构成的集合，G_PV为有功和电压幅值给定的DG（即PV型）所构成的集合，G_PI为有功和电流幅值给定的DG（即PI型）所构成的集合;P_gim、Q_gi，m、和V_i，m分别为第i个DG的第m相的有功功率、无功功率和端电压;为PV型DG的节点解算电压与给定电压的差值;Z_i,m为PV型DG与源节点相连的支路阻抗之和；I_gi0,m为PI型DG的第m相的给定电流；

对第j个SU，其第m相的注入电流幅值I_j,m表示为：

$I_{j,m}=\left\{\begin{array}{cc}{-I}_{0,j}& ,j\∈S_I\\ -\frac{V_{j,m}-E_{j,m}}{R_j}& ,j\∈S_V\end{array}\right.---\left(15\right)$

其中，S_I和S_V分别为按恒流方式和按恒压方式储能的SU所构成的集合；I_0,j为储能单元的给定充电电流；V_j,m和E_j,m分别为储能单元j的第m相的充电电压和内电势；R_j为储能单元j的充电回路电阻。

（4）判断网络中是否存在环网回路，若存在环网回路则向解环节点叠加注入电流；

（5）叠加DG及SU的三相注入电流，进行三相前推回推潮流计算；

（6）从馈线末端节点开始进行前推计算，对支路电流进行求和，从而得到各条支路始端节点的三相电流；

（7）从馈线首端节点开始回推计算各支路末端节点的电压，同时对各节点的三相电压进行修正；

（8）修正PV节点注入的无功功率，然后判断PV节点的无功功率是否发生越界，若发生越界则将PV节点转化成PQ节点转入步骤（2）重新进行计算，否则转入（9）；

（9）以节点相邻两次迭代电压幅值差是否满足预设精度为收敛条件，若满足条件则迭代收敛，转入（10），否则重新修正所在节点的注入电流，然后转入步骤（2）重新计算；

（10）计算结束，输出潮流计算结果；

3.对基于Pareto最优解理论的NSGA-Ⅱ算法进行改进，加入越限剔除策略，以提高算法的收敛速度，将该算法用于求解智能配网的优化重构问题。

流程图如图4所示。具体步骤包括：

（1）首先进行数据初始化，读入配电网络的基础参数和运行数据，同时设置遗传算法参数，设种群规模为W，最大进化代数为r_max，收敛标准差σ_a；

（2）置进化代数r为0，然后随机生成初始种群，采用二进制方式对配网重构模型进行编码；

（3）对种群进行越限检查，将种群中的个体解码后，通过三相前推回推潮流计算，得到系统潮流分布状态，按约束条件（3）～（13）检查有无个体越限，若有则剔除越限个体，同时随机生成新个体进行补齐，直到不再有越限个体为止；

（4）进行个体适应度评价，按式（1）和式（2）计算目标函数值f₁和f₂，并进行快速Pareto非支配排序，确定个体所属的非支配层级。对处于同一层的个体，则通过拥挤距离的计算区分优劣；

（5）令r=r+1，通过选择算子、交叉算子、和变异算子的处理，得到下一代个体，重新进行越限剔除和个体评价，依此类推；

（6）从第二代开始，经过越限剔除操作后，采用精英保留策略，将子代种群Cr和父代种群Pr进行合并，形成过渡种群，两代个体共同竞争，以个体所处的非支配层级和拥挤度进行排序，取前W个非支配个体作为下一代的父种群；

（7）满足如下收敛条件时，算法停止并输出最优解集；

r≥r_max或σ_r≤σ_a

其中，σ_r为第r代种群的适应度标准差。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (1)

1.一种计及分布式发电和储能单元的智能配网重构方法，其特征是，首先建立配网重构的多目标多约束数学模型，对模型中的控制变量进行编码，然后采用改进的NSGA-Ⅱ优化算法进行求解，解算过程中反复调用三相潮流计算模块，将NSGA-Ⅱ中各代种群的个体进行解码，对解码后的网络重构方案进行三相潮流计算，进而得到各网络重构方案的适应度值，再反馈到NSGA-Ⅱ进行优化处理；

所述一种分布式发电和储能单元的智能配网重构方法，具体步骤为：

步骤一：建立智能配网重构的数学模型，模型中的目标函数有两个，分别为网络损耗最小数学模型和负荷均衡度最高数学模型，表达式为：

${\mathrm{minf}}_1\left(x\right)=\underset{i\∈B}{\Σ}\underset{m\∈M}{\Σ}{R}_{i,m}\frac{(P_{i,m}^2+Q_{i,m}^2)}{V_{i,m}^2},x\∈X---\left(1\right)$

${\mathrm{minf}}_2\left(x\right)=\underset{i\∈B,m\∈M}{max}\frac{\left|I_{i,m}\right|}{I_{N,i,m}},x\∈X---\left(2\right)$

其中，f₁为网络有功损耗，f₂为支路最大负荷率；x为控制变量，即配网开关的状态组合，X为所有状态组合所构成的集合；M＝{A,B,C}为相序集合，B为配网支路集合，P_i,m、Q_i,m和I_i,m分别为流过支路i的有功功率、无功功率和电流；R_i,m为支路i的支路电阻；V_i,m为支路i的末端电压，I_N,i,m为支路i的额定电流；

步骤二：确定智能配网重构的数学模型的约束条件；

步骤三：对含分布式电源和储能单元的多电源配电网络，利用三相前推回推潮流算法将弱环网转化为辐射型网络，通过在断点两侧注入补偿量的方法来等效智能配网所含的环路的影响；同时根据各类分布式电源电网互联的接口方式以及它们的运行和控制方式，分别建立其在潮流计算中的等值模型，在各迭代步将分布式电源所在节点转换为PQ节点、PI节点或PV节点；

步骤四：利用基于Pareto最优解理论的加入越限剔除策略的NSGA-Ⅱ算法优化智能配网的重构；

所述步骤三的具体步骤为：

(3-1)对智能配电网络的原始数据进行初始化，包括配网拓扑信息、元件参数、负荷数据；

(3-2)根据读入的数据计算各负荷节点的注入电流；

(3-3)确定分布式电源和储能单元的等值注入电流；

(3-4)判断网络中是否存在环网回路，若存在环网回路则向解环节点叠加注入电流；

(3-5)叠加储能单元及分布式电源的三相注入电流，进行三相前推回推潮流计算；

(3-6)从馈线末端节点开始进行前推计算，对支路电流进行求和，从而得到各条支路始端节点的三相电流；

(3-7)从馈线首端节点开始回推计算各支路末端节点的电压，同时对各节点的三相电压进行修正；

(3-8)修正PV节点注入的无功功率，然后判断PV节点的无功功率是否发生越界，若发生越界则将PV节点转化成PQ节点转入步骤(3-2)重新进行计算，否则转入(3-9)；

(3-9)以节点相邻两次迭代电压幅值差是否满足预设精度为收敛条件，若满足条件则迭代收敛，转入(3-10)，否则重新修正所在节点的注入电流，然后转入步骤(3-2)重新计算；

(3-10)计算结束，输出潮流计算结果；

所述步骤二中的约束条件为：

(2-1)功率平衡约束，对智能配网任一支路i，需满足如下条件：

$S_i^{\′}=S_{Li}+S_{Si}-S_{Gi}+\underset{j=1}{\overset{k}{\Σ}}{S}_{i,j},i\∈B---\left(3\right)$

S_i＝S′_i+ΔS_i，i∈B (4)

其中，S_i和S′_i分别为支路i首段和末端的复功率，S_Li为节点i的负荷功率，S_Gi和S_Si分别为节点i所接DG的注入功率和SU的充放电功率，S_i,j分别为节点i的第j条出支的首端复功率，ΔS_i为支路i消耗的复功率，B为节点集合；

(2-2)支路电流约束，即各支路电流幅值应不大于最大允许载流量：

|I_i,m|≤I_i,m,max，i∈B (5)

其中，I_i,m,max为支路i第m相的最大允许电流；

(2-3)节点电压约束，即各节点的电压V_i应满足：

V_i，min≤V_i≤V_i，max，i∈N (6)

其中，V_i,min和V_i,max分别为节点i的电压下限和上限，N为所有节点的集合；

(2-4)变压器容量约束：

|S_t|≤|S_t,max|，t∈T (7)

其中，S_t和S_t,max分别为变压器t的实际功率和额定容量，T为所有变压器的集合；

(2-5)储能单元状态约束，包括功率约束、电压约束、注入电流约束；分别为：

P_gi,min≤P_g,i≤P_gi,max,i∈G_P (8)

Q_gi,min≤Q_g,i≤Q_gi,max,i∈G_Q (9)

V_gi,min≤V_g,i≤V_gi,max,i∈G_V (10)

I_gi,min≤I_g,i≤I_gi,max,i∈G_I (11)

其中，P_g,i和Q_g,i分别为第i个DG的有功和无功输出，P_gi,max和P_gi,min分别为其对应的有功功率上、下限，Q_gi,max和Q_gi,min分别为其对应的无功功率上、下限，V_g,i为第i个DG的端电压，V_gi,max和V_gi,min分别为其对应的电压上、下限，I_g,i为第i个DG的注入电流，I_gi,max和I_gi,min分别为其对应的输出电流上、下限，G_P、G_Q、G_V和G_I分别为有功可调、无功可调、电压可调和电流可调的可控DG集合；

分布式电源充放电状态约束，储能单元i的充放电功率S_Si应满足如下约束：

S_DN,i≤S_Si≤S_CN,i (12)

其中，S_CN,i为储能单元i的额定充电功率，S_DN,i为储能单元i的额定放电功率，其中，额定放电功率为负值；

网络拓扑约束，重构后的网络g_k应满足：

g_k∈G_R (13)

其中，G_R为所有可能的辐射状网络构成的集合；

所述步骤四的具体步骤为：

(4-1)数据初始化，读入智能配电网络的基础参数和运行数据，同时设置遗传算法参数；设种群规模为W，最大进化代数为r_max，收敛标准差σ_a；

(4-2)置进化代数r为0，然后随机生成初始种群，采用二进制方式对配网重构模型进行编码，进化代数指种群整体进化的次数，进化前为第0代群体，每进化一次r增加1；

(4-3)对种群进行越限检查，将种群中的个体解码后，通过三相前推回推潮流计算，得到系统潮流分布状态，按智能配电网络重构数学模型的约束条件检查有无个体越限，若有则剔除越限个体，同时随机生成新个体进行补齐，直到不再有越限个体为止；

(4-4)按照智能配网重构的数学模型的两个目标函数确定函数值f₁和f₂，并进行快速Pareto非支配排序，确定个体所属的非支配层级，对处于同一层的个体，则通过拥挤距离的计算区分优劣；

(4-5)令r＝r+1，通过选择算子、交叉算子、和变异算子的处理，得到下一代个体，重新进行越限剔除和个体评价；

(4-6)从第二代个体开始，经过越限剔除操作后，采用精英保留策略，将子代种群Cr和父代种群Pr进行合并，形成过渡种群，两代个体共同竞争，以个体所处的非支配层级和拥挤度进行排序，取前W个非支配个体作为下一代的父种群；

(4-7)满足如下收敛条件时，算法停止并输出最优解集；

收敛条件：r≥r_max或σ_r≤σ_a

其中，σ_r为第r代种群的适应度标准差。