CN104734150A - 配电网优化方法 - Google Patents

Abstract

一种配电网优化方法，包括主干线布线确定、负荷连接的确定、供电网络的布局以及配电网优化算法，通过科学合理的配电网优化工作，优化配电线路走向，提高整个社会的用电效益；降低系统的损耗及增加电网的运行效率，科学的确定变电站的容量、位置和供电范围，达到系统有效运行管理的要求，大大提高系统的运行可靠性。

Description

配电网优化方法

技术领域

本发明涉及一种配电网管理的技术领域，具体的是，一种配电网优化方法。

背景技术

近年来，随着国民经济的高速发展，使得用户的用电需求不断增长，对电力企业的供电能力、供电质量以及供电可靠性的要求也越来越高，电力企业只有通过自身不断的发展，才能满足日益增长的电能需求。电力系统是国家基础性行业，电网建设的发展水平不仅影响着国民经济的发展，还涉及到一次能源的消耗以及巨额投资，进行合理的规划不但能够减少资源的浪费，还能获得巨大的社会和经济效益，促进其他行业的健康发展；反之，如果规划不合理或规划失误，将会给国家带来巨大的损失。长期以来，我国的电网规划工作总是落后于电源规划工作，许多地区的电网结构薄弱以及规划的不合理，导致地方有电送不出、地区严重缺电的现象发生；甚至还出现由于局部电网出现故障引发大面积长时间停电的重大系统事故；在这种情况下，原有的电网规划工作正在经受着严峻的考验，迫使电力部门不得不在电网规划工作上寻找更有效的途径和方法。随着电能需求的增加以及我国社会主义市场经济的不断发展，使得市场机制下的电力企业面临着激烈的竞争，实现电力资源的优化配置已然成为了电力企业改革和发展的必然趋势，从而开展配电网优化研究的意义和重要性不言而喻。

配电网是电力系统的重要组成部分，是电力系统运行的集中反映，它的主要任务是把电源或输电网获得的电能直接分配给不同电压等级的用户。配电网优化是一个动态、多目标、不确定性以及非线性的整数规划问题，常规方法难以有效解决问题；通过科学合理的配电网优化工作，不仅可以优化配电线路走向，还可以提高整个社会的用电效益；此外，对配电网的优化规划可以降低系统的损耗及增加电网的运行效率，也可以科学的确定变电站的容量、位置和供电范围，达到系统有效运行管理的要求。配电网优化可以大大提高系统的运行可靠性，是提高系统投资效益的最有效途径，配电网优化的合理性直接影响着配电网自动化设施的投资效益，是配电自动化实施的前提和基础。科学合理的配电网优化具有非常重要的社会和经济意义。

发明内容

一种配电网优化方法，包括主干线布线确定、负荷连接的确定、供电网络的布局以及配电网优化算法。

在进行配网规划时，首先收集资料，包括负荷大小、负荷点的坐标、物理约束。变电站(即电源)设在规划区域的负荷中心，然后根据物理约束和负荷密度将规划供电区域划分为多个较小供电区域(以下简称小分区)，在每个小分区内引出一条主干线形成辐射式网，对该小分区负荷供电。为了保证各个小分区内的负荷用电的可靠性，各小区域的总负荷矩要尽量接近，而且各个负荷点的电压降落要求在允许的范围内，设小分区内任意负荷点的电压降落为ΔU，则：

ΔU≤K₁.ΔU_al

式中，K₁为系数，根据负荷转移情况确定；ΔU为任意负荷点的电压降落，kV；ΔU_al为规划网络允许的电压降落，单位为kV。

分别对每个小分区的电源点和负荷点进行初始编号，根据物理约束及负荷密度将各小分区划分成几个小分块，根据各小分块距离电源点的相对位置依次形成各个小分块内网架，然后实现相邻区域的拉手。

主干线的确定：

1)不考虑物理约束

主干线的位置会影响网络的损耗和电压降落，而负荷矩直接影响网络的损耗和电压降落，因此主干线的位置根据负荷矩来确定。对于某个小分区，过其各个小分块的首节点，作直线y＝kx，使得各负荷点至该直线负荷矩F最小，即

$\begin{array}{c}\min F=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i|y_i-y|.\cos \left(\arctan k\right)\\ =\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i|y_i-k{x}_i|.\cos \left(\arctan k\right)\end{array}$

式中，F为各负荷点至该直线的总负荷矩，kW·m；x_i、y_i分别为负荷点i的横坐标和纵坐标，m；P_i为负荷点i的有功功率，kW；k为直线的斜率。

求解上式无约束最优化问题得k值，直线y＝kx为小分块初始主干线的位 置。

2)考虑物理约束 

对于需要考虑物理约束及沿道路布线等时，根据实际的情况确定出满足物理约束的中间节点，根据这些中间节点自动形成主干线。当小分区内的各小分块的主干线都确定后，可以将相邻小分块的主干线连接在一起，首尾依次相接，形成小分区的主干线。

负荷连接的确定

以路径最短和损耗最小为原则连接各负荷点。定义在连接负荷点过程中所产生的新交叉点为中间节点；电源点为根节点。电源点、负荷点和中间节点均可以称为节点。首先计算各负荷点至小分块主干线的距离以及负荷点之间的距离，根据其距离依次连接各负荷。设小分块内所有负荷点的集合为U，其主干线两侧的区域内的负荷点集合分别为U₁和U₂，即U＝U₁∪U₂。

首先处理集合U₁，设U₁中总负荷点数为N₁。对于任意的负荷点i,j∈U₁，(j＝1,2,…,N₁,i≠j),负荷点i、j的坐标分别为(xi,yi)和(xj,yj)，负荷点i、j至主干线的距离分别记为dmi、dmj，负荷点i与j的距离dij根据下式计算

式中，k1为系数，k1>1.2；β为负荷点i与j连线与平行于主干线的直线之间的夹角，在计算dij时，根据最短路径和损耗最小的原则选取β。

负荷点i与j之间距离的最小值d_ij.min为

d_ij,min＝d_ik＝min{d_ij,j＝1,2,…,i-1,i+1,…N₁}

式中，k为负荷点，k∈U，i≠k。

确定供电网络的布局

确定变电站整体联络的布局即确定变电站联络关系矩阵。设某一供电分块中共n座变电站，编号为1,2,，，,n，定义变电站联络矩阵U如下：

式中：ui,j表示第i号变电站和第j号变电站的联络关系，当ui,j＝0时，代表第i号变电站和第j号变电站间没有联络；当ui,j＝1时，代表第i号变电站和第j号变电站间存在联络。并且定义当i＝j时，ui,j＝1，即变电站与自身之间存在联络关系。

建立变电站备选联络关系矩阵

设P＝{p1,p2,，，,pn}是2维欧式空间上的点集，d(x,y)为x和y间的欧氏距离，

λ1,λ2,，，,λn是给定的n个正实数，令

$V(p_i,{\mathrm{\λ}}_i)=\{p\∈V(p_i,{\mathrm{\λ}}_i)|\frac{d(p,p_1)}{{\mathrm{\λ}}_i}\≤\frac{d(p,p_j)}{{\mathrm{\λ}}_j}\}$

式中，p为2维欧式空间上的任一点；i,j∈{1,2,…,n}并且i≠j。上式将平面分成n部分，将Vn(pi,λi)(i＝1,2,…,n)及其边界称为以pi为母点、λi为权重的点。

设供电区域内有n座变电站，编号为1,2,，，,n，其中第i座变电站的地理位置坐标为(xi,yi)，第i座变电站的容量为Ri，则每个变电站可抽象成平面上以Ri为权数的加权点。

因此，根据供电分块内各变电站的实际供电区域，我们可以确立变电站的备选联络关系矩阵Uv，即若两座变电站的实际供电区域有交集，则它们之间可建立联络，否则不可建立联络。

配电网优化算法

算法在求解配电网优化问题时，具有分布式并行全局搜索能力，通过路径的判断，确定最优解；算法解决网架优化问题时能够在短时间内快速收敛，并得到最优解空间；算法步骤主要有三个部分：确定目标函数、得到若干组最优解、寻优得到最终解。具体为：

(1)设置算法的目标函数如下式所示，

$\min Z_{\cot s}={\mathrm{\λ}}_1\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\γ}}_i+{\∂}_i)l_i{a}_i{Z}_i+{\mathrm{\λ}}_2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{C}_0\mathrm{T\Δ}{P}_i$

式中：Z_cots为年运行费用，目标函数值；n为架设电线的总数；m为新建变电站的个数；γ_i为投资回收率；为年设备折旧率；l_i是线路的总长度；a_i为单位长度的总投资；Z_i表示是否新建，新建时Z_i取1，否则取0；C₀为单位电价；T为年最大负荷利用小时数；ΔP_i为线路i的有功损耗；λ₁、λ₂为权重系数，0≤λ_i≤1,i＝1,2且λ₁+λ₂＝1

设置算法适应度函数如下式所示

F＝Z_cots+Ω(P_k)+σ(U_i)，Ω(P_k)为线路输送功率惩罚因子，σ(U_i)为节点电压惩罚因子

(2)利用算法解得最优解。具体为：

①对待建线路进行编码；

②随机产生N_GA个初始种群；

③计算初始种群中个体的适应度函数值；保留函数值较高的个体进行操作；

④选择复制优良个体，并进行交叉运算，交叉概率如下式所示；

$P_c=\left\{\begin{array}{c}\frac{P_{c1}(f_{\mathrm{avg}}-f^{\&prime;})+P_{c2}(f^{\&prime;}-f_{\min })}{f_{\mathrm{avg}}-f_{\min }},f^{\&prime;}<f_{\mathrm{avg}}\\ \frac{P_{c2}(f_{\max }-f^{\&prime;})+P_{c3}(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\end{array}\right.$

进而进行变异操作，变异概率如下式所示；

$P_m=\left\{\begin{array}{c}\frac{P_{m1}(f_{\mathrm{avg}}-f^{\&prime;})+P_{m2}(f^{\&prime;}-f_{\min })}{f_{\mathrm{avg}}-f_{\min }},f^{\&prime;}<f_{\mathrm{avg}}\\ \frac{P_{m2}(f_{\max }-f^{\&prime;})+P_{m3}(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\end{array}\right.$

以上f_max为群体中最大适应度值；f′为两个交叉个体中适应度值较大个体的适应度值；f_avg为群体平均适应度值；f为变异个体的适应度值；f_min为群体中个体的最小适应度。P_c1、P_c2、P_c3、P_m1、P_m2、P_m3的取值范围为0到1，并且P_c3＜P_c2＜P_c1、P_m3＜P_m2＜P_m1,如果种群中个体平均适应度值与最大适应度值接 近时，交叉概率P_c和变异概率P_m就会显出较大差异，这种改进方式就会防止种群中多数个体只能拥有较小的交叉概率和变异概率以及算法停滞不前现象的发生。在改进的公式中，可以看出群体中最大适应度个体的交叉概率和变异概率不再为0，保证个体可以进化遗传，算法就会脱离停滞现象的发生。

⑤判断算法终止条件，产生蚁群算法所需若干组最优解。

(3)利用蚁群算法求解最终值。

①将所得最优解转化为蚁群算法的初始信息素；将m个蚂蚁放置到n个网点上进行寻优过程；

②利用下式计算初始目标函数值C1

$\min Z_{\cot s}={\mathrm{\&lambda;}}_1\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&gamma;}}_i+{\&PartialD;}_i)l_i{a}_i{Z}_i+{\mathrm{\&lambda;}}_2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_0\mathrm{T\&Delta;}{P}_i$

③分别利用下列公式计算每条路径的转移概率

allowed_k＝{0,1,2,…n-1}为蚂蚁k允许选择的下一城市集，α、β是蚂蚁在运动过程中积累的信息在不同的城市选择所起的作用，为时刻城市i与城市j连线上残留的信息量。d_ij为城市与城市间的距离。初始时刻每条路径上的信息量都是相等的，设τ_ij(0)＝c(c为任意常数)。

计算得到蚂蚁k的最终目标函数值C2

$\mathrm{\&alpha;}=1+e^{-0.1N_{\max }}$

$\mathrm{\&beta;}=\frac{2.5}{e^{1-\mathrm{\&alpha;}}+1}$

N_max为最大迭代次数，参数α是随着最大迭代次数的改变而变动，将两者联动起来；参数β通过参数α来控制的，也实现了两者的联动性。

④比较初始目标函数值C1与计算所得函数值C2，；若C2>C1,则设定初 始函数值C2；否则转向步骤⑤

⑤利用自适应信息素更新机制对每条路径上的信息素浓度重新计算；

⑥增加迭代次数，进行下次寻优过程。若N≤N_ACO，则转向步骤③；否则，输出最优值。

附图说明

图1是供电网络的建立流程

图2是配电网优化算法流程

具体实施方式

一种配电网优化方法，包括主干线布线确定、负荷连接的确定、供电网络的布局以及配电网优化算法。

在进行配网规划时，首先收集资料，包括负荷大小、负荷点的坐标、物理约束。变电站(即电源)设在规划区域的负荷中心，然后根据物理约束和负荷密度将规划供电区域划分为多个较小供电区域(以下简称小分区)，在每个小分区内引出一条主干线形成辐射式网，对该小分区负荷供电。为了保证各个小分区内的负荷用电的可靠性，各小区域的总负荷矩要尽量接近，而且各个负荷点的电压降落要求在允许的范围内，设小分区内任意负荷点的电压降落为ΔU，则：

ΔU≤K₁.ΔU_al

式中，K₁为系数，根据负荷转移情况确定；ΔU为任意负荷点的电压降落，kV；ΔU_al为规划网络允许的电压降落，单位为kV。

分别对每个小分区的电源点和负荷点进行初始编号，根据物理约束及负荷密度将各小分区划分成几个小分块，根据各小分块距离电源点的相对位置依次形成各个小分块内网架，然后实现相邻区域的拉手。

主干线的确定：

1)不考虑物理约束

主干线的位置会影响网络的损耗和电压降落，而负荷矩直接影响网络的损耗和电压降落，因此主干线的位置根据负荷矩来确定。对于某个小分区，过其各个小分块的首节点，作直线y＝kx，使得各负荷点至该直线负荷矩F最小，即

$\begin{array}{c}\min F=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_i|y_i-y|.\cos \left(\arctan k\right)\\ =\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_i|y_i-k{x}_i|.\cos \left(\arctan k\right)\end{array}$

式中，F为各负荷点至该直线的总负荷矩，kW·m；x_i、y_i分别为负荷点i的横坐标和纵坐标，m；P_i为负荷点i的有功功率，kW；k为直线的斜率。

求解上式无约束最优化问题得k值，直线y＝kx为小分块初始主干线的位置。

2)考虑物理约束 

对于需要考虑物理约束及沿道路布线等时，根据实际的情况确定出满足物理约束的中间节点，根据这些中间节点自动形成主干线。当小分区内的各小分块的主干线都确定后，可以将相邻小分块的主干线连接在一起，首尾依次相接，形成小分区的主干线。

负荷连接的确定

以路径最短和损耗最小为原则连接各负荷点。定义在连接负荷点过程中所产生的新交叉点为中间节点；电源点为根节点。电源点、负荷点和中间节点均可以称为节点。首先计算各负荷点至小分块主干线的距离以及负荷点之间的距离，根据其距离依次连接各负荷。设小分块内所有负荷点的集合为U，其主干线两侧的区域内的负荷点集合分别为U₁和U₂，即U＝U₁∪U₂。

首先处理集合U₁，设U₁中总负荷点数为N₁。对于任意的负荷点i,j∈U₁，(j＝1,2,…,N₁,i≠j),负荷点i、j的坐标分别为(xi,yi)和(xj,yj)，负荷点i、j至主干线的距离分别记为dmi、dmj，负荷点i与j的距离dij根据下式计算

式中，k1为系数，k1>1.2；β为负荷点i与j连线与平行于主干线的直线之间的夹角，在计算dij时，根据最短路径和损耗最小的原则选取β。

负荷点i与j之间距离的最小值d_ij.min为

d_ij,min＝d_ik＝min{d_ij,j＝1,2,…,i-1,i+1,…N₁}

式中，k为负荷点，k∈U，i≠k。

如图1所示，确定供电网络的布局

确定变电站整体联络的布局即确定变电站联络关系矩阵。设某一供电分块中共n座变电站，编号为1,2,，，,n，定义变电站联络矩阵U如下：

式中：ui,j表示第i号变电站和第j号变电站的联络关系，当ui,j＝0时，代表第i号变电站和第j号变电站间没有联络；当ui,j＝1时，代表第i号变电站和第j号变电站间存在联络。并且定义当i＝j时，ui,j＝1，即变电站与自身之间存在联络关系。

建立变电站备选联络关系矩阵

设P＝{p1,p2,，，,pn}是2维欧式空间上的点集，d(x,y)为x和y间的欧氏距离，

λ1,λ2,，，,λn是给定的n个正实数，令

$V(p_i,{\mathrm{\&lambda;}}_i)=\{p\&Element;V(p_i,{\mathrm{\&lambda;}}_i)|\frac{d(p,p_1)}{{\mathrm{\&lambda;}}_i}\&le;\frac{d(p,p_j)}{{\mathrm{\&lambda;}}_j}\}$

式中，p为2维欧式空间上的任一点；i,j∈{1,2,…,n}并且i≠j。上式将平面分成n部分，将Vn(pi,λi)(i＝1,2,…,n)及其边界称为以pi为母点、λi为权重的点。

设供电区域内有n座变电站，编号为1,2,，，,n，其中第i座变电站的地理位置坐标为(xi,yi)，第i座变电站的容量为Ri，则每个变电站可抽象成平面上以Ri为权数的加权点。

因此，根据供电分块内各变电站的实际供电区域，我们可以确立变电站的备选联络关系矩阵Uv，即若两座变电站的实际供电区域有交集，则它们之间可建立联络，否则不可建立联络。

如图2所示，配电网优化算法

算法在求解配电网优化问题时，具有分布式并行全局搜索能力，通过路径的判断， 确定最优解；算法解决网架优化问题时能够在短时间内快速收敛，并得到最优解空间；算法步骤主要有三个部分：确定目标函数、得到若干组最优解、寻优得到最终解。具体为：

(1)设置算法的目标函数如下式所示，

$\min Z_{\cot s}={\mathrm{\&lambda;}}_1\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&gamma;}}_i+{\&PartialD;}_i)l_i{a}_i{Z}_i+{\mathrm{\&lambda;}}_2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_0\mathrm{T\&Delta;}{P}_i$

式中：Z_cots为年运行费用，目标函数值；n为架设电线的总数；m为新建变电站的个数；γ_i为投资回收率；为年设备折旧率；l_i是线路的总长度；a_i为单位长度的总投资；Z_i表示是否新建，新建时Z_i取1，否则取0；C₀为单位电价；T为年最大负荷利用小时数；ΔP_i为线路i的有功损耗；λ₁、λ₂为权重系数，0≤λ_i≤1,i＝1,2且λ₁+λ₂＝1

设置算法适应度函数如下式所示

F＝Z_cots+Ω(P_k)+σ(U_i)，Ω(P_k)为线路输送功率惩罚因子，σ(U_i)为节点电压惩罚因子

(2)利用算法解得最优解。具体为：

①对待建线路进行编码；

②随机产生N_GA个初始种群；

③计算初始种群中个体的适应度函数值；保留函数值较高的个体进行操作；

④选择复制优良个体，并进行交叉运算，交叉概率如下式所示；

$P_c=\left\{\begin{array}{c}\frac{P_{c1}(f_{\mathrm{avg}}-f^{\&prime;})+P_{c2}(f^{\&prime;}-f_{\min })}{f_{\mathrm{avg}}-f_{\min }},f^{\&prime;}<f_{\mathrm{avg}}\\ \frac{P_{c2}(f_{\max }-f^{\&prime;})+P_{c3}(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\end{array}\right.$

进而进行变异操作，变异概率如下式所示；

$P_m=\left\{\begin{array}{c}\frac{P_{m1}(f_{\mathrm{avg}}-f^{\&prime;})+P_{m2}(f^{\&prime;}-f_{\min })}{f_{\mathrm{avg}}-f_{\min }},f^{\&prime;}<f_{\mathrm{avg}}\\ \frac{P_{m2}(f_{\max }-f^{\&prime;})+P_{m3}(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\end{array}\right.$

以上f_max为群体中最大适应度值；f′为两个交叉个体中适应度值较大个体的适应度值；f_avg为群体平均适应度值；f为变异个体的适应度值；f_min为群体中个体的最小适应度。P_c1、P_c2、P_c3、P_m1、P_m2、P_m3的取值范围为0到1，并且P_c3＜P_c2＜P_c1、P_m3＜P_m2＜P_m1,如果种群中个体平均适应度值与最大适应度值接近时，交叉概率P_c和变异概率P_m就会显出较大差异，这种改进方式就会防止种群中多数个体只能拥有较小的交叉概率和变异概率以及算法停滞不前现象的发生。在改进的公式中，可以看出群体中最大适应度个体的交叉概率和变异概率不再为0，保证个体可以进化遗传，算法就会脱离停滞现象的发生。

⑤判断算法终止条件，产生蚁群算法所需若干组最优解。

(3)利用蚁群算法求解最终值。

①将所得最优解转化为蚁群算法的初始信息素；将m个蚂蚁放置到n个网点上进行寻优过程；

②利用下式计算初始目标函数值C1

$\min Z_{\cot s}={\mathrm{\&lambda;}}_1\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&gamma;}}_i+{\&PartialD;}_i)l_i{a}_i{Z}_i+{\mathrm{\&lambda;}}_2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_0\mathrm{T\&Delta;}{P}_i$

③分别利用下列公式计算每条路径的转移概率

allowed_k＝{0,1,2,…n-1}为蚂蚁k允许选择的下一城市集，α、β是蚂蚁在运动过程中积累的信息在不同的城市选择所起的作用，为时刻城市i与 城市j连线上残留的信息量。d_ij为城市与城市间的距离。初始时刻每条路径上的信息量都是相等的，设τ_ij(0)＝c(c为任意常数)。

计算得到蚂蚁k的最终目标函数值C2

$\mathrm{\&alpha;}=1+e^{-0.1N_{\max }}$

$\mathrm{\&beta;}=\frac{2.5}{e^{1-\mathrm{\&alpha;}}+1}$

N_max为最大迭代次数，参数α是随着最大迭代次数的改变而变动，将两者联动起来；参数β通过参数α来控制的，也实现了两者的联动性。

④比较初始目标函数值C1与计算所得函数值C2，；若C2>C1,则设定初始函数值C2；否则转向步骤⑤

⑤利用自适应信息素更新机制对每条路径上的信息素浓度重新计算；

⑥增加迭代次数，进行下次寻优过程。若N≤N_ACO，则转向步骤③；否则，输出最优值。

Claims (6)

1.一种配电网优化方法，其特征在于，包括主干线布线确定、负荷连接的确定、供电网络的布局以及配电网优化算法。

2.一种如权利要求1所述的配电网优化方法，其特征在于，在进行配网规划时，首先收集资料，包括负荷大小、负荷点的坐标、物理约束，变电站设在规划区域的负荷中心，然后根据物理约束和负荷密度将规划供电区域划分为多个较小供电区域，即小分区，在每个小分区内引出一条主干线形成辐射式网，对该小分区负荷供电，各小区域的总负荷矩要尽量接近，而且各个负荷点的电压降落要求在允许的范围内，设小分区内任意负荷点的电压降落为ΔU，则：ΔU≤K₁.ΔU_al

式中，K₁为系数，根据负荷转移情况确定；ΔU为任意负荷点的电压降落，kV；ΔU_al为规划网络允许的电压降落，单位为kV，

分别对每个小分区的电源点和负荷点进行初始编号，根据物理约束及负荷密度将各小分区划分成几个小分块，根据各小分块距离电源点的相对位置依次形成各个小分块内网架，然后实现相邻区域的拉手。

3.一种如权利要求2所述的配电网优化方法，其特征在于，主干线布线的确定具体为：

1)不考虑物理约束

主干线的位置会影响网络的损耗和电压降落，而负荷矩直接影响网络的损耗和电压降落，因此主干线的位置根据负荷矩来确定，对于某个小分区，过其各个小分块的首节点，作直线y＝kx，使得各负荷点至该直线负荷矩F最小，即

式中，F为各负荷点至该直线的总负荷矩，kW·m；x_i、y_i分别为负荷点i的横坐标和纵坐标，m；P_i为负荷点i的有功功率，kW；k为直线的斜率，

求解上式无约束最优化问题得k值，直线y＝kx为小分块初始主干线的位置，

2)考虑物理约束

对于需要考虑物理约束及沿道路布线时，根据实际的情况确定出满足物理约束的 中间节点，根据这些中间节点自动形成主干线，当小分区内的各小分块的主干线都确定后，可以将相邻小分块的主干线连接在一起，首尾依次相接，形成小分区的主干线。

4.一种如权利要求3所述的配电网优化方法，其特征在于，负荷连接的确定具体为：以路径最短和损耗最小为原则连接各负荷点，定义在连接负荷点过程中所产生的新交叉点为中间节点；电源点为根节点，电源点、负荷点和中间节点均称为节点，首先计算各负荷点至小分块主干线的距离以及负荷点之间的距离，根据其距离依次连接各负荷，设小分块内所有负荷点的集合为U，其主干线两侧的区域内的负荷点集合分别为U₁和U₂，即U＝U₁∪U₂，首先处理集合U₁，设U₁中总负荷点数为N₁，对于任意的负荷点i,j∈U₁，(j＝1,2,...,N₁,i≠j),负荷点i、j的坐标分别为(xi,yi)和(xj,yj)，负荷点i、j至主干线的距离分别记为dmi、dmj，负荷点i与j的距离dij根据下式计算

式中，k1为系数，k1>1.2；β为负荷点i与j连线与平行于主干线的直线之间的夹角，在计算dij时，根据最短路径和损耗最小的原则选取β，

负荷点i与j之间距离的最小值d_ij.min为

d_ij,min＝d_ik＝min{d_ij,j＝1,2,...,i-1,i+1,...N₁}

式中，k为负荷点，k∈U，i≠k。

5.一种如权利要求4所述的配电网优化方法，其特征在于，确定变电站整体联络的布局即确定变电站联络关系矩阵，设某一供电分块中共n座变电站，编号为1,2,，，,n，定义变电站联络矩阵U如下：

式中：ui,j表示第i号变电站和第j号变电站的联络关系，当ui,j＝0时，代表第i号变电站和第j号变电站间没有联络；当ui,j＝1时，代表第i号变电站和第j号变电站间存在联络，并且定义当i＝j时，ui,j＝1，即变电站与自身之间存在联络关系，

建立变电站备选联络关系矩阵

设P＝{p1,p2,，，,pn}是2维欧式空间上的点集，d(x,y)为x和y间的欧氏距离，λ1,λ2,，，,λn是给定的n个正实数，令

式中，p为2维欧式空间上的任一点；i,j∈{1,2,…,n}并且i≠j，上式将平面分成n部分，将Vn(pi,λi)(i＝1,2,…,n)及其边界称为以pi为母点、λi为权重的点，设供电区域内有n座变电站，编号为1,2,，，,n，其中第i座变电站的地理位置坐标为(xi,yi)，第i座变电站的容量为Ri，则每个变电站可抽象成平面上以Ri为权数的加权点，

根据供电分块内各变电站的实际供电区域，我们可以确立变电站的备选联络关系矩阵Uv，即若两座变电站的实际供电区域有交集，则它们之间可建立联络，否则不可建立联络。

6.一种如权利要求3所述的配电网优化方法，其特征在于，配电网优化算法步骤主要有三个部分：确定目标函数、得到若干组最优解、寻优得到最终解，具体为：

(1)设置算法的目标函数如下式所示，

式中：Z_cots为年运行费用，目标函数值；n为架设电线的总数；m为新建变电站的个数；γ_i为投资回收率；为年设备折旧率；l_i是线路的总长度；a_i为单位长度的总投资；Z_i表示是否新建，新建时Z_i取1，否则取0；C₀为单位电价；T为年最大负荷利用小时数；ΔP_i为线路i的有功损耗；λ₁、λ₂为权重系数，0≤λ_i≤1,i＝1,2且λ₁+λ₂＝1，

设置算法适应度函数如下式所示

F＝Z_cots+Ω(P_k)+σ(U_i)，Ω(P_k)为线路输送功率惩罚因子，σ(U_i)为节点电压惩罚因子，

(2)利用算法解得最优解，具体为：

①对待建线路进行编码；

②随机产生N_GA个初始种群；

③计算初始种群中个体的适应度函数值；保留函数值较高的个体进行操作；

④选择复制优良个体，并进行交叉运算，交叉概率如下式所示；

进而进行变异操作，变异概率如下式所示；

以上f_max为群体中最大适应度值；f′为两个交叉个体中适应度值较大个体的适应度值；f_avg为群体平均适应度值；f为变异个体的适应度值；f_min为群体中个体的最小适应度，P_c1、P_c2、P_c3、P_m1、P_m2、P_m3的取值范围为0到1，并且P_c3＜P_c2＜P_c1、P_m3＜P_m2＜P_m1,如果种群中个体平均适应度值与最大适应度值接近时，交叉概率P_c和变异概率P_m就会显出较大差异，这种改进方式就会防止种群中多数个体只能拥有较小的交叉概率和变异概率以及算法停滞不前现象的发生，在改进的公式中，可以看出群体中最大适应度个体的交叉概率和变异概率不再为0，保证个体可以进化遗传，算法就会脱离停滞现象的发生，

⑤判断算法终止条件，产生蚁群算法所需若干组最优解，

(3)利用蚁群算法求解最终值，

①将所得最优解转化为蚁群算法的初始信息素；将m个蚂蚁放置到n个网点上 进行寻优过程；

②利用下式计算初始目标函数值C1，

③分别利用下列公式计算每条路径的转移概率

allowed_k＝{0,1,2,...n-1}为蚂蚁k允许选择的下一城市集，α、β是蚂蚁在运动过程中积累的信息在不同的城市选择所起的作用，为时刻城市i与城市j连线上残留的信息量，d_ij为城市与城市间的距离，初始时刻每条路径上的信息量都是相等的，设τ_ij(0)＝c(c为任意常数)，

计算得到蚂蚁k的最终目标函数值C2，

N_max为最大迭代次数，参数α是随着最大迭代次数的改变而变动，将两者联动起来；参数β通过参数α来控制的，也实现了两者的联动性，

④比较初始目标函数值C1与计算所得函数值C2，；若C2>C1,则设定初始函数值C2；否则转向步骤⑤

⑤利用自适应信息素更新机制对每条路径上的信息素浓度重新计算；

⑥增加迭代次数，进行下次寻优过程，若N≤N_ACO，则转向步骤③；否则，输出最优值。