CN103746374B - 含多微网配电网的合环控制方法 - Google Patents

Abstract

本发明公开了一种含多微网配电网的合环控制方法，通过对微网进行等值处理，建立了计及微网的配电网合环优化控制模型，以微网的有功和无功出力为控制变量，以合闸点两侧的电压差最小为控制目标，约束条件则包括功率平衡约束、节点电压上下限约束、微网有功和无功出力的限值、线路最大允许潮流约束。结合带稀疏区块迁移策略的遗传算法，对各微网的运行状态进行优化调整，能够有效地减小合环点两侧的电压差，从而减小合环电流，提高合环操作的成功率，它具有模型全面、能充分利用微网可控性的优点，为微网接入配电网后的热导合环操作提供理论依据。

Description

含多微网配电网的合环控制方法

技术领域

本发明涉及一种配网合环控制方法，尤其涉及一种含多微网配电网的合环控制方法。

背景技术

由于微网融合了多种分布式电源、负荷、储能装置和控制系统，具有自组织特性和良好的灵活性，接入配电网后能实现就近供电，可以有效避免远距离输电产生的电能损耗。因此微网被公认为分布式电源接入配电网的科学方式，在我国当前大力发展特高压大电网的趋势下，微网仍然被学术界和工程界视作传统电力系统的有益补充，并作为一个颇具发展潜力的研究方向。但微网接入后会改变配电网的拓扑结构和潮流方向，使其变为多端电源的供电系统，对配电网的运行带来多方面的影响，其中对配网合环转供电的影响不容忽视。配网合环转供电是提高供电可靠性的有效措施，当配网检修或系统出现故障时，可通过对联络开关的合环操作实现不停电转移负荷。微网接入后，合环过程所产生的冲击电流和稳态合环电流将在很大程度上受微网容量、接入位置和运行状态的影响，若不加以定量分析，则会使合环操作带有很大的盲目性，甚至可能影响合环操作的成功率。而另一方面，若能充分利用微网的可控特性，在合环操作前，恰当地调整微网的运行状态，从而降低合环点两侧的电压差，则会降低合环电流，提高合环的成功率，从而达到微网与配电网友好互动，提高供电可靠性的目的。从数学角度，合环优化控制是一个典型的非线性多目标多约束优化问题，针对此类问题，人们提出了遗传算法、粒子群算法、蚁群算法等多种人工智能优化方法，其中遗传算法是被提出最早且发展最完善的方法，但像其它群体进化算法一样，遗传算法仍存在难以克服的早熟现象，易陷入局部最优点，影响算法的全局收敛性能。总之，目前国内外对微网的研究方兴未艾，但针对微网对配网合环影响的研究较少，更缺乏对含微网的配网合环的定量分析和控制方法，亟需这方面的理论、模型和方法来指导实践。

发明内容

本发明的目的就是为了解决上述问题，提供一种含多微网配电网的合环控制方法，它建立了合环控制的优化模型，并采用快速非支配排序遗传算法进行求解，能够有效地减小合环点两侧的电压差，提高合环操作的成功率，它具有模型全面、能充分利用微网可控性的优点。本发明所建立的合环控制模型以合环点电压差最小为目标，计及功率平衡、节点电压上下限、微网有功和无功出力的限值、线路最大允许潮流约束等条件，并采用寻优性能好的人工智能优化算法进行求解，为含微网的智能配电网合环操作提供科学的参考依据。

为实现上述目标，本发明采用如下技术方案：

一种含多微网配电网的合环控制方法，包括如下步骤：

步骤1，建立配网和微网的等值计算模型；

步骤2，从配网自动化系统获取配电设备的参数和运行数据，从微网管理系统获取各微网的参数和运行数据；

步骤3，建立合环控制的数学模型：以微网的有功和无功出力为控制变量，以合闸点两侧的电压差最小为控制目标，而约束条件则包括功率平衡约束、节点电压上下限约束、微网有功和无功出力的限值、线路最大允许潮流约束；

步骤4，为提高全局收敛性能，应用改进的带稀疏区块迁移策略的遗传算法对合环控制模型进行优化求解，适应度计算过程中采用数值归一化处理；

步骤5，根据优化算法的结果对微网的运行状态进行调整

步骤6，通过潮流计算得出合环支路的稳态电流，根据冲击系数和合环支路的稳态电流来求解并输出合环支路的冲击电流。

所述步骤1中微网采用等值三相功率注入模型；配网采用包括配电变压器、配电线路、开关、电容器及负荷元件的三相模型，负荷元件模型中包括ZIP静态负荷和电动机负荷模型。

所述步骤2中从配网自动化系统主站获取配电设备的参数和运行数据，包括各电气设备的阻抗参数、各量测点上传的测量数据、和各类负荷的数据；从微网管理系统获取各微网的参数和运行数据，包含微网容量、微网当前注入系统的功率。

所述步骤3中电压差最小为控制目标的目标函数如下：

$\left\{\begin{array}{cc}\min & \mathrm{\Δ}{V}_{\mathrm{hk}}(P_i^{\mathrm{MG}},Q_i^{\mathrm{MG}})=|{\stackrel{\·}{V}}_{\mathrm{hk},1}-{\stackrel{\·}{V}}_{\mathrm{hk},2}|\\ \min & \mathrm{\Δ}{\mathrm{\δ}}_{\mathrm{hk}}(P_i^{\mathrm{MG}},Q_i^{\mathrm{MG}})=|{\mathrm{\δ}}_{\mathrm{Vhk},1}-{\mathrm{\δ}}_{\mathrm{Vhk},2}|\end{array}\right.,i\∈G$

其中，ΔV_hk和Δδ_hk分别为合环点h_k两侧的电压幅值差和电压相角差；G为采用PQ控制策略的微网构成的集合；和分别为第i个微网的注入配电网的有功功率和无功功率，同时作为该合环控制模型的控制变量。

所述步骤3中合环控制的约束条件则包括功率平衡约束、微网有功和无功出力的限值、节点电压上下限约束、线路最大允许潮流约束，分别如下：

功率平衡约束：

$P_i^{\mathrm{MG}}-P_{\mathrm{Di}}-V_i\underset{j\∈i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}})=0,i\∈N$

$Q_i^{\mathrm{MG}}-Q_{\mathrm{Di}}+Q_{\mathrm{ci}}-V_i\underset{j\∈i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}})=0,i\∈N$

其中，P_Di和Q_Di分别为节点i的负荷有功和无功功率，Q_Ci为节点i的无功补偿容量，G_ij和B_ij分别为节点导纳矩阵元素的实部和虚部，V_i和V_j分别为节点i和节点j的电压幅值，θ_ij则为节点i和节点j的电压相角差，N为所有节点的集合；

微网有功和无功出力约束：

$P_{i,\min }^{\mathrm{MG}}\≤P_i^{\mathrm{MG}}\≤P_{i,\max }^{\mathrm{MG}},i\∈G$

$Q_{i,\min }^{\mathrm{MG}}\≤Q_i^{\mathrm{MG}}\≤Q_{i,\max }^{\mathrm{MG}},i\∈G$

其中，和分别为微网i的有功功率上、下限，和分别为微网i的无功功率上、下限；

节点电压上下限约束：

V_i,min≤V_i≤V_i,max,i∈N

其中，V_i,max和V_i,min分别为节点i的电压上、下限；

线路最大允许潮流约束：

-I_i,max≤I_i≤I_i,max,i∈L

其中，I_i为支路i流过的电流，I_i,max为该支路的最大允许电流，L为所有支路的集合。

所述步骤4中改进的带稀疏区块迁移策略的遗传算法处理步骤：

（4-1）数据初始化，设置遗传算法参数，包括种群规模NP、最大进化代数为r_max、精英保留比例ζ、解空间分割比例η、初始迁移率μ₀，迁移递减因子τ、和收敛标准差σ₀等，对算法解空间进行等间距划分，然后随机生成初始种群Pr;

（4-2）对种群内的每一个个体进行解码，并据此设置各微网的有功和无功出力，然后进行配电网络的三相潮流计算，获取每一个体对应的配电网络和微网状态;

（4-3）依据潮流计算的结果计算合环控制的目标函数和约束罚函数的大小，从而得出每一个体的适应度值；对各物理量越限的数值进行如下归一化处理：

$\mathrm{\Δ}{W}_{*}=\frac{\mathrm{\ΔW}}{W_N}$

其中ΔW代表物理量W的越限值，W_N则表示该物理量的额定值，W为节点电压V_i、支路电流I_i；

（4-4）判定当前种群是否满足如下收敛条件：

r≥r_max或σ_r≤σ₀

其中，σ_r为第r代种群的适应度标准差；

若满足收敛条件，则算法停止，并对最优个体进行解码，输出最优解。若不满足上述收敛条件时，通过选择算子、交叉算子和变异算子对种群进行遗传操作，产生下一代种群，然后转步骤（4-2）继续寻优；

（4-5）对种群进行选择操作，采用精英保留策略，按预先设定的比例ζ将高适应度个体选择出来组成子种群Er，直接遗传到下一代；

（4-6）计算各区块的稀疏度。设落在区块Z_i内的个体数为n_i，则其稀疏度为λ_i＝(NP-n_i)/NP，并按稀疏度由高到低的顺序对区块排序；

（4-7）按迁移率μ_r从当前种群中选择μ_r×NP个低适应度个体进行迁移操作，各区块接受该迁移个体的概率等于其稀疏度，保证稀疏度高的区块优先成为目标区块。然后将迁移率更新为 ${\mathrm{\μ}}_r={\mathrm{\μ}}_{r-1}\×e^{-\frac{r}{\mathrm{\τ}}};$

（4-8）通过交叉算子和变异算子对种群进行遗传操作，产生种群Cr，与子群Er合并形成新一代种群Pr，然后转步骤（4-2）继续寻优。

所述步骤6中通过潮流计算获取优化调整后合环点的稳态电流然后根据冲击系数k_im和合环稳态电流来求解合环操作产生的冲击电流如下式所示：

$i_{\mathrm{in}}^{\mathrm{Sk}}=k_{\mathrm{im}}{I}_c^{\mathrm{Sk}}$

本发明的有益效果：

1能够定量计算含微网的配电网在合环操作中产生的稳态合环电流和冲击电流，为智能电网环境下的合环操作提供科学依据；

2能够充分发挥微网的调节作用，在合环操作前对微网的运行状态进行优化调整，从而最大可能地降低合环点两侧的电压差，从而提高合环操作的成功率。

3所采用的带稀疏区块迁移策略的遗传算法能有效地提高全局寻优性能，适合求解大型非 线性优化问题，有利于合环操作前对微网进行快速协调优化。

附图说明

图1是微网三相等值功率模型。

图2是含微网配电网的合环点示意图。

图3是应用NSGA-Ⅱ算法求解合环控制模型的流程图。

图4是稀疏区块迁移示意图。

具体实施方式

下面结合附图与实例对本发明做进一步说明。

对于含微网配电网的合环控制模型与算法，它的步骤为：

步骤1，建立配网和微网的等值计算模型，其中微网采用等值功率注入模型，如图1所示，图中，A、B、C为微网并网点的三相母线，为第i个微网注入配电网的三相复功率。配网模型包括配电变压器、配电线路、开关、电容器、及负荷的三相模型，负荷模型中包括ZIP静态负荷和电动机负荷模型；

步骤2，数据初始化，从配网自动化系统主站获取配电设备的参数和运行数据，包括各电气设备的阻抗参数、各量测点上传的测量数据、和各类负荷的数据。从微网管理系统获取各微网的参数和运行数据，包含微网容量、微网当前注入系统的功率等；

步骤3，建立合环控制的数学模型。数学模型由目标函数和约束条件组成。

图2所示为含微网配电网的合环点示意图，图中B₁和B₂是位于不同位置的两个变电站， 和分别为变电站B1和B2的出线电压；和分别为微网i和微网j的注入复功率， 和分别为微网i注入配电网的有功功率和无功功率，和分别为微网j注入配电网的有功功率和无功功率；h_k,1和h_k,2为合环点h_k两侧的母线，其电压分别为和

由于合环电流的大小与合环点两侧的电压差成正比关系，因此本发明以该电压差最小为控制目标，目标函数如下：

$\left\{\begin{array}{cc}\min & \mathrm{\Δ}{V}_{\mathrm{hk}}(P_i^{\mathrm{MG}},Q_i^{\mathrm{MG}})=|{\stackrel{\·}{V}}_{\mathrm{hk},1}-{\stackrel{\·}{V}}_{\mathrm{hk},2}|\\ \min & \mathrm{\Δ}{\mathrm{\δ}}_{\mathrm{hk}}(P_i^{\mathrm{MG}},Q_i^{\mathrm{MG}})=|{\mathrm{\δ}}_{\mathrm{Vhk},1}-{\mathrm{\δ}}_{\mathrm{Vhk},2}|\end{array}\right.,i\∈G$

其中，ΔV_hk和Δδ_hk分别为合环点h_k两侧的电压幅值差和电压相角差；G为采用PQ控制策略的微网构成的集合；和分别为第i个微网的注入配电网的有功功率和无功功率，同时 作为该合环控制模型的控制变量。

合环控制的约束条件则包括功率平衡约束、微网有功和无功出力的限值、节点电压上下限约束、线路最大允许潮流约束，分别如下：

功率平衡约束：

$P_i^{\mathrm{MG}}-P_{\mathrm{Di}}-V_i\underset{j\∈i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}})=0,i\∈N$

$Q_i^{\mathrm{MG}}-Q_{\mathrm{Di}}+Q_{\mathrm{ci}}-V_i\underset{j\∈i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}})=0,i\∈N$

其中，P_Di和Q_Di分别为节点i的负荷有功和无功功率，Q_Ci为节点i的无功补偿容量，G_ij和B_ij分别为节点导纳矩阵元素的实部和虚部，V_i和V_j分别为节点i和节点j的电压幅值，θ_ij则为节点i和节点j的电压相角差，N为所有节点的集合。

微网有功和无功出力约束：

$P_{i,\min }^{\mathrm{MG}}\≤P_i^{\mathrm{MG}}\≤P_{i,\max }^{\mathrm{MG}},i\∈G$

$Q_{i,\min }^{\mathrm{MG}}\≤Q_i^{\mathrm{MG}}\≤Q_{i,\max }^{\mathrm{MG}},i\∈G$

其中，和分别为微网i的有功功率上、下限，和分别为微网i的无功功率上、下限。

节点电压上下限约束：

V_i,min≤V_i≤V_i,max,i∈N

其中，V_i,max和V_i,min分别为节点i的电压上、下限。

线路最大允许潮流约束：

-I_i,max≤I_i≤I_i,max,i∈L

其中，I_i为支路i流过的电流，I_i,_max为该支路的最大允许电流，L为所有支路的集合。

步骤4，为提高全局收敛性能，应用改进的带稀疏区块迁移策略的遗传算法对合环控制模型进行优化求解，适应度计算过程中采用数值归一化处理技术。算法流程图如3所示，具体包括如下步骤：

（4-1）数据初始化，设置遗传算法参数，包括种群规模NP、最大进化代数为r_max、精英 保留比例ζ、解空间分割比例η、初始迁移率μ₀，迁移递减因子τ、和收敛标准差σ₀等，对算法解空间进行等间距划分，然后随机生成初始种群Pr;

图4示出了由三个状态变量x1、x2、和x3所形成的解空间，当解空间分割比例η={1/4，1/4，1/3}时，整个解空间被分割为48个区块。

（4-2）对种群内的每一个个体进行解码，并据此设置各微网的有功和无功出力，然后进行配电网络的三相潮流计算，获取每一个体对应的配电网络和微网状态。

（4-3）依据潮流计算的结果计算合环控制的目标函数和约束罚函数的大小，从而得出每一个体的适应度值。考虑到各类约束条件的物理量不同，数量级亦不同，直接求和不能体现不同物理量越限的相对程度，从而影响算法结果的合理性。因此，本发明对各物理量越限的数值进行如下归一化处理：

$\mathrm{\Δ}{W}_{*}=\frac{\mathrm{\ΔW}}{W_N}$

其中ΔW代表物理量W（如节点电压V_i、支路电流I_i等）的越限值，W_N则表示该物理量的额定值。

（4-4）判定当前种群是否满足如下收敛条件：

r≥r_max或σ_r≤σ₀

其中，σ_r为第r代种群的适应度标准差；

若满足收敛条件，则算法停止，并对最优个体进行解码，输出最优解。若不满足上述收敛条件时，通过选择算子、交叉算子和变异算子对种群进行遗传操作，产生下一代种群，然后转步骤（4-2）继续寻优；

（4-5）对种群进行选择操作，采用精英保留策略，按预先设定的比例ζ将高适应度个体选择出来组成子种群Er，直接遗传到下一代；

（4-6）计算各区块的稀疏度。设落在区块Z_i内的个体数为n_i，则其稀疏度为λ_i＝(NP-n_i)/NP，并按稀疏度由高到低的顺序对区块排序；

（4-7）按迁移率μ_r从当前种群中选择μ_r×NP个低适应度个体进行迁移操作，各区块接受该迁移个体的概率等于其稀疏度，这样保证稀疏度高的区块优先成为目标区块。由图4可见，种群中的个体在各区块中的分布是不均衡的，即使通过变异算子能在一定程度上扩大搜 索范围，但受现有个体基因序列的局限，变异后的个体分布到高稀疏度区块的概率较低，从而会使算法陷入局部最优。图4中P_i为位于区块A的待迁移的低适应度个体，按稀疏区块迁移策略，首先将该个体从当前种群中排除，然后以各区块稀疏度为选择概率，通过赌盘法确定目标区块为B，再从区块B中随机产生个体P_j加入到当前种群中，这样就达到了低适应度个体迁移至稀疏区块的目的，扩大了寻优的范围。

此外，为避免迁移操作对算法收敛速度的影响，本发明采用动态迁移率更新策略，即随着进化代数的增加，按一定的递减因子τ减小迁移率的值，更新方法为其中μr_-1为第r-1代群体的迁移率；

（4-8）通过交叉算子和变异算子对种群进行遗传操作，产生种群Cr，与子群Er合并形成新一代种群Pr，然后转步骤（4-2）继续寻优。

步骤5，根据优化算法的结果对各微网的有功和无功出力进行调整。

步骤6，通过潮流计算获取优化调整后合环点的稳态电流然后根据冲击系数kim和合环稳态电流来求解合环操作产生的冲击电流如下式所示：

$i_{\mathrm{in}}^{\mathrm{Sk}}=k_{\mathrm{in}}{I}_c^{\mathrm{Sk}}$ 。

Claims (6)

1.一种含多微网配电网的合环控制方法，其特征是，包括如下步骤：

步骤1，建立配网和微网的等值计算模型；

步骤2，从配网自动化系统获取配电设备的参数和运行数据，从微网管理系统获取各微网的参数和运行数据；

步骤3，建立合环控制的数学模型：以微网的有功和无功出力为控制变量，以合闸点两侧的电压差最小为控制目标，而约束条件则包括功率平衡约束、节点电压上下限约束、微网有功和无功出力的限值、线路最大允许潮流约束；

步骤4，应用改进的带稀疏区块迁移策略的遗传算法对合环控制模型进行优化求解，适应度计算过程中采用数值归一化处理；

步骤5，根据优化算法的结果对微网的运行状态进行调整；

步骤6，通过潮流计算得出合环支路的稳态电流，根据冲击系数和合环支路的稳态电流来求解并输出合环支路的冲击电流。

2.如权利要求1所述的含多微网配电网的合环控制方法，其特征是，所述步骤1中微网采用等值三相功率注入模型；配网采用包括配电变压器、配电线路、开关、电容器及负荷元件的三相模型，负荷元件模型中包括ZIP静态负荷和电动机负荷模型。

3.如权利要求1所述的含多微网配电网的合环控制方法，其特征是，所述步骤2中从配网自动化系统主站获取配电设备的参数和运行数据，包括各电气设备的阻抗参数、各量测点上传的测量数据、和各类负荷的数据；从微网管理系统获取各微网的参数和运行数据，包含微网容量、微网当前注入系统的功率。

4.如权利要求1所述的含多微网配电网的合环控制方法，其特征是，所述步骤3中电压差最小为控制目标的目标函数如下：

$\left\{\begin{array}{cc}\min & {\mathrm{\ΔV}}_{\mathrm{hk}}(P_i^{\mathrm{MG}},Q_i^{\mathrm{MG}})=|{\stackrel{\·}{V}}_{\mathrm{hk},1}-{\stackrel{\·}{V}}_{\mathrm{hk},2}|\\ \min & {\mathrm{\Δ\δ}}_{\mathrm{hk}}(P_i^{\mathrm{MG}},Q_i^{\mathrm{mG}})=|{\mathrm{\δ}}_{\mathrm{Vhk},1}-{\mathrm{\δ}}_{\mathrm{Vhk},2}|\end{array}\right.,i\∈G$

其中，ΔV_hk和Δδ_hk分别为合环点h_k两侧的电压幅值差和电压相角差；G为采用PQ控制策略的微网构成的集合；和分别为第i个微网的注入配电网的有功功率和无功功率，同时作为该合环控制模型的控制变量。

5.如权利要求1所述的含多微网配电网的合环控制方法，其特征是，所述步骤3中合环控制的约束条件则包括功率平衡约束、微网有功和无功出力的限值、节点电压上下限约束、线路最大允许潮流约束，分别如下：

功率平衡约束：

$P_i^{\mathrm{MG}}-P_{\mathrm{Di}}-V_i\underset{j\∈i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin /{\mathrm{\θ}}_{\mathrm{ij}})=0,i\∈N$

$Q_i^{\mathrm{MG}}-Q_{\mathrm{Di}}+Q_{\mathrm{ci}}-V_i\underset{j\∈i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}}-B_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}})=0,i\∈N$

其中，P_Di和Q_Di分别为节点i的负荷有功和无功功率，Q_Ci为节点i的无功补偿容量，G_ij和B_ij分别为节点导纳矩阵元素的实部和虚部，V_i和V_j分别为节点i和节点j的电压幅值，θ_ij则为节点i和节点j的电压相角差，N为所有节点的集合，和分别为第i个微网的注入配电网的有功功率和无功功率；

微网有功和无功出力约束：

$P_{i,\min }^{\mathrm{MG}}\≤P_i^{\mathrm{MG}}\≤P_{i,\max }^{\mathrm{MG}},i\∈G$

$Q_{i,\min }^{\mathrm{MG}}\≤Q_i^{\mathrm{MG}}\≤Q_{i,\max }^{\mathrm{MG}},i\∈G$

其中，和分别为微网i的有功功率上、下限，和分别为微网i的无功功率上、下限；G为采用PQ控制策略的微网构成的集合；

节点电压上下限约束：

V_i，min≤V_i≤V_i，max，i∈N

其中，V_i,max和V_i,min分别为节点i的电压上、下限；

线路最大允许潮流约束：

-I_i，max≤I_i|≤I_i，max，i∈L

其中，I_i为支路i流过的电流，I_i,max为该支路的最大允许电流，L为所有支路的集合。

6.如权利要求1所述的含多微网配电网的合环控制方法，其特征是，所述步骤4中改进的带稀疏区块迁移策略的遗传算法优化控制的处理步骤：

(4-1)数据初始化，设置遗传算法参数，包括种群规模NP、最大进化代数为r_max、精英保留比例ζ、解空间分割比例η、初始迁移率μ₀，迁移递减因子τ、和收敛标准差σ₀，对算法解空间进行等间距划分，然后随机生成初始种群Pr；

(4-2)对种群内的每一个个体进行解码，并据此设置各微网的有功和无功出力，然后进行配电网络的三相潮流计算，获取每一个体对应的配电网络和微网状态；

(4-3)依据潮流计算的结果计算合环控制的目标函数和约束罚函数的大小，从而得出每一个体的适应度值；对各物理量越限的数值进行如下归一化处理：

$\mathrm{\Δ}{W}_{*}=\frac{\mathrm{\ΔW}}{W_N}$

其中ΔW代表物理量W的越限值，W_N则表示该物理量的额定值，W为节点电压V_i、支路电流I_i；

(4-4)判断当前种群是否满足如下收敛条件：

r≥r_max或σ_r≤σ₀

其中，σ_r为第r代种群的适应度标准差；

若满足收敛条件，则算法停止，并对最优个体进行解码，输出最优解；若不满足上述收敛条件时，通过选择算子、交叉算子和变异算子对种群进行遗传操作，产生下一代种群，然后转步骤(4-2)继续寻优；

(4-5)对种群进行选择操作，采用精英保留策略，按预先设定的比例ζ将高适应度个体选择出来组成子种群Er，直接遗传到下一代；

(4-6)计算各区块的稀疏度；设落在区块Z_i内的个体数为n_i，则其稀疏度为λ_i＝(NP-n_i)/NP，并按稀疏度由高到低的顺序对区块排序；

(4-7)按迁移率μ_r从当前种群中选择μ_r×NP个低适应度个体进行迁移操作，各区块接受该迁移个体的概率等于其稀疏度，保证稀疏度高的区块优先成为目标区块；然后将迁移率更新为 ${\mathrm{\μ}}_r={\mathrm{\μ}}_{r-1}\×e^{-\frac{r}{\mathrm{\τ}}}$

(4-8)通过交叉算子和变异算子对种群进行遗传操作，产生种群Cr，与子群Er合并形成新一代种群Pr，然后转步骤(4-2)继续寻优。