CN106026187B - 一种含分布式电源的配电网重构的方法及系统 - Google Patents

Abstract

本发明公开了一种含分布式电源的配电网重构方法及方法，该方法包括：建立含分布式电源的配电网重构模型，进行种群初始化；构建小世界初始网络，获得邻接矩阵；智能寻优算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；并利用邻接矩阵对粒子种群中的粒子执行交叉操作，使优秀粒子扩散到全体种群；利用竞争算子淘汰掉50％的劣质粒子；当满足预设的最大迭代次数，输出含分布式电源的配电网重构结果；提升了算法的整体性能和收敛能力，使得其能克服算法在搜索过程中陷入局部最优的缺点。

Description

一种含分布式电源的配电网重构的方法及系统

技术领域

本发明涉及电力系统领域，特别涉及一种含分布式电源的配电网重构的方法及系统。

背景技术

随着分布式电源在能源领域的不断兴起，其研究与应用不断的扩展。分布式电源包括风能发电、小型水利发电、光伏发电和燃料电池等，由于其环境友好的特性，使得配电网接入分布式电源的重构研究得到了广泛的关注。

配电网是连接输电网络和用户端的桥梁，具有闭环设计和开关运行的特色，通过分段开关和联络开关的通断组合达到网络辐射状态。配电网重构是优化配电系统的可行性方案，方法是通过改变网络拓扑结构以达到降低网损、均衡负荷和提升电压质量等目标。配电网重构是一个多目标、非线性和高维度的优化问题，当网络中接入分布式电源后使得求解难度增加，传统算法在解决中大规模配电网重构问题受到了局限，使得人工智能算法得到了不断的发展。

目前布谷鸟搜索算法(Cuckoo Search Algorithm，CSA)算法已经用于解决配电网重构问题，但是由于模型对算法性能的要求使得算法在搜索过程中往往陷入局部最优。因此，如何提升该方法整体性能和收敛能力，使得其能克服算法在搜索过程中陷入局部最优的缺点，是本领域技术人员需要解决的技术问题。

发明内容

本发明的目的是提供一种含分布式电源的配电网重构方法及系统，将小世界网络思想应用在粒子寻优中，使得种群的所有粒子建立了连接，加速扩展了优秀粒子的扩散范围，使得整体种群收敛能力得到了大大的提升。

为解决上述技术问题，本发明提供一种含分布式电源的配电网重构方法，包括：

S1、确定优化目标和约束条件，建立含分布式电源的配电网重构模型；

S2、根据所述配电网重构模型及各个预定初始化参数计算生成初始种群；

S3、利用NW小世界网络模型算法对所述初始种群中的粒子进行计算，得到邻接矩阵；

S4、利用智能寻优算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；

S5、根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子进行交叉操作，得到下一代粒子种群；

S6、利用竞争算子比较所述粒子种群和所述下一代粒子种群中对应粒子的适应度，保留适应度优的粒子形成父代粒子种群；

S7、判断是否满足迭代终止条件，若满足，输出含分布式电源的配电网重构结果；否则返回步骤S3。

其中，所述配电网重构模型具体为：

其中，λ为目标函数值，L为系统支路总数，k_t表示支路的通断情况，r_t为支路的电阻，P_t、Q_t分别为有功功率和无功功率，U_t为支路注入节点电压幅值。

其中，所述S2包括：

根据公式形成初始种群；

其中，i＝1,2,.....,M；j＝1,2,.....,M；d₁＝1,2.....,D；d₂＝1,2.....,D，代表第i个粒子的第d维，k代表第k次迭代，且每个粒子的维度由配电网闭环时形成的环路数量决定。

其中，所述S3包括：

将所述初始种群中的每个粒子与其周围左右两边的粒子连接，并将所述初始种群中的每个粒子以概率p连接其他粒子，形成具有N个区域的邻接矩阵；

其中，p的计算公式为f_j和f_k分别是粒子X_j和X_k的适应度。

其中，所述S4包括：

利用布谷鸟搜索算法或纵横交叉算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度。

其中，利用布谷鸟搜索算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度，包括：

利用更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；

其中，X(t,i,j)为区域t中第i个粒子的第j维度，α为步长控制量，符号代表点对点的乘法，L(λ)为服从莱维概率分布随机搜索路径。

其中，所述S5包括：

根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子利用公式X(t,i,j)＝r*X(t,i,j)+(1-r)*gbest(t,j)进行交叉操作，得到下一代粒子种群；

其中，X(t,i,j)为区域t中第i个粒子的第j维度，r为随机概率，gbest为经过邻接矩阵选择后产生的占优解对应的粒子。

本发明还提供一种含分布式电源的配电网重构系统，包括：

模型构建模块，用于确定优化目标和约束条件，建立含分布式电源的配电网重构模型；

初始化模块，用于根据所述配电网重构模型及各个预定初始化参数计算生成初始种群；

邻接矩阵计算模块，用于利用NW小世界网络模型算法对所述初始种群中的粒子进行计算，得到邻接矩阵；

寻优计算模块，用于利用智能寻优算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；

交叉操作模块，用于根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子进行交叉操作，得到下一代粒子种群；

竞争算子模块，用于利用竞争算子比较所述粒子种群和所述下一代粒子种群中对应粒子的适应度，保留适应度优的粒子形成父代粒子种群；

判断模块，用于判断是否满足迭代终止条件，若满足迭代终止条件，输出含分布式电源的配电网重构结果。

其中，所述邻接矩阵计算模块具体为将所述初始种群中的每个粒子与其周围左右两边的粒子连接，并将所述初始种群中的每个粒子以概率p连接其他粒子，形成具有N个区域的邻接矩阵的模块；

其中，p的计算公式为f_j和f_k分别是粒子X_j和X_k的适应度。

其中，所述交叉操作模块具体为根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子利用公式X(t,i,j)＝r*X(t,i,j)+(1-r)*gbest(t,j)进行交叉操作，得到下一代粒子种群的模块；

其中，X(t,i,j)为区域t中第i个粒子的第j维度，r为随机概率，gbest为经过邻接矩阵选择后产生的占优解对应的粒子。

本发明所提供的含分布式电源的配电网重构方法，该方法确定优化目标和约束条件，建立含分布式电源的配电网重构模型；根据所述配电网重构模型及各个预定初始化参数计算生成初始种群；利用NW小世界网络模型算法对所述初始种群中的粒子进行计算，得到邻接矩阵；利用智能寻优算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子进行交叉操作，得到下一代粒子种群；利用竞争算子比较所述粒子种群和所述下一代粒子种群中对应粒子的适应度，保留适应度优的粒子形成父代粒子种群；判断是否满足迭代终止条件，若满足，输出含分布式电源的配电网重构结果；

可见，该方法将小世界网络思想应用在粒子寻优中，使得种群的所有粒子建立了连接，加速扩展了优秀粒子的扩散范围，使得整体种群收敛能力得到了大大的提升，提高了含有分布式电源的重构效果；即提升了算法的整体性能和收敛能力，使得其能克服算法在搜索过程中陷入局部最优的缺点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的含分布式电源的配电网重构方法的流程图；

图2为本发明实施例所提供的邻接矩阵的形成的示意图；

图3为本发明实施例所提供的含分布式电源的配电网重构系统的结构框图。

具体实施方式

本发明的核心是提供一种含分布式电源的配电网重构方法及系统，将小世界网络思想应用在粒子寻优中，使得种群的所有粒子建立了连接，加速扩展了优秀粒子的扩散范围，使得整体种群收敛能力得到了大大的提升。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例所提供的含分布式电源的配电网重构方法的流程图；该方法可以包括：

S1、确定优化目标和约束条件，建立含分布式电源的配电网重构模型；

其中，为了输出含分布式电源的配电网重构结果更加合理，需要合理建立含分布式电源的配电网重构模型；配电网重构模型的建立要根据优化目标以及运用环境中的具体约束条件进行相应的建立。

可选的，这里的配电网重构模型具体为：

其中，λ为目标函数值，minλ为优化目标即配电网重构模型，L为系统支路总数，k_t表示支路的通断情况(例如可以用0表示打开1表示闭合)，r_t为支路的电阻，P_t、Q_t分别为有功功率和无功功率，U_t为支路注入节点电压幅值。目标函数计算过程中可以采用前推回代法进行潮流计算。

这里的约束条件可以包括：潮流约束，支路约束，网络拓扑约束；具体的约束条件分别如下：

潮流约束方程：

式中：P_i、Q_i分别是节点i的输入有功功率、无功功率；V_i、V_j分别为节点i、j的电压；G_ij、B_ij、δ_ij分别为节点i、j之间的电导、电纳和相角差。

支路约束：V_imin≤V_i≤V_imax；S_i≤S_imax；S_t≤S_tmax

式中：V_imin、V_imax分别代表i节点电压的上下限，S_i、S_imax分别表示线路流过的功率和最大容许值；S_t、S_tmax分别为各变压器流出的功率值和最大容许值。

网络拓扑约束：通过对网络中开关组合的通断设定，使得网络重构后不出现“孤岛”和“环路”。

S2、根据所述配电网重构模型及各个预定初始化参数计算生成初始种群；

其中，根据上一个步骤建立的配电网重构模型，以及电网系统输入的预定初始化参数，利用种群初始化算法计算生成初始种群，这里的种群初始化算法可以是Kent混沌映射，也可以是布谷鸟搜索算法。这里并不对具体的初始化算法进行限定，只要可以得到初始种群即可。

具体的，利用布谷鸟搜索算法生成初始种群为：

根据公式形成初始种群；

其中，i＝1,2,.....,M；j＝1,2,.....,M；d₁＝1,2.....,D；d₂＝1,2.....,D，代表第i个粒子的第d维，k代表第k次迭代，其中每个粒子的每个维度要求满足目标函数中开关组合通断的表达方式，即只能为1或0(其中1代表分段开关或者联络开关处于闭合，0代表打开)且每个粒子的维度由配电网闭环时形成的环路数量决定。这种编码方式可以有效避免网络规则中“环路”和“孤岛”。

S3、利用NW小世界网络模型算法对所述初始种群中的粒子进行计算，得到邻接矩阵；

其中，NW小世界网络初始构造是从一个均匀网络开始，网络中的每个节点代表种群的每个粒子。初始网络是一个闭环的邻耦合网络(拥有N个粒子)，每个粒子与其周围左右两边的粒子产生连接，从而构成一个3粒子组成的最小区域，同时将种群中的每个粒子以概率p连接其他粒子。即将所述初始种群中的每个粒子与其周围左右两边的粒子产生连接，并将所述初始种群中的每个粒子以概率p连接其他粒子，形成具有N个区域的邻接矩阵；

其中，p的计算公式为f_j和f_k分别是粒子X_j和X_k的适应度。

具体的，设X为初始种群，DS(z)为初始种群产生的初始解，Juzhen为构造的小世界网络，C为矩阵lbest每一列求和，B为矩阵lbest的行数，G为最小fitlbest对应的lbest。具体执行流程表示如下可以生成邻接矩阵如图2所示：

INPUT：DSdc，M，i；

LET fitpbest＝DSdc；

LET Aa＝X；

其中，根据小世界网络产生的小世界网络矩阵流程如下：

LET J＝Juzhen；

FOR z＝1 to M

FOR j＝1 to M；

IF J(z,j)＝＝1

其中，根据小世界网络产生的邻接矩阵流程如下：

lbest＝Aa(j,:)；

fitlbest＝fitpbest(1,j)

END IF

END FOR

mlbest＝C/B

lgbest＝G。

S4、利用智能寻优算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；

其中，这里的智能寻优算法可以包括现有的任何智能寻优方法，例如可以是布谷鸟搜索算法，混沌粒子群算法，纵横交叉算法或者是改进纵横交叉算法。

具体的，当利用布谷鸟搜索算法(CSA)时，更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度，包括：

利用更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；

其中，X(t,i,j)为区域t中第i个粒子的第j维度，α为步长控制量，符号代表点对点的乘法，作用时控制算法的搜索范围，其所对应的数值服从正态分布。L(λ)为服从莱维概率分布随机搜索路径。例如L(s,λ)～s^-λ其中，λ分布在[1,3]之间，s为莱维飞行得到的步长。

S5、根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子进行交叉操作，得到下一代粒子种群；

其中，当种群经过搜索结束后，为了将优秀的粒子扩散到全体种群中，对小世界网络中的各个区域的粒子进行交叉操作即不同邻域的粒子可以进行交叉运算，具体过程如下：

根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子利用公式X(t,i,j)＝r*X(t,i,j)+(1-r)*gbest(t,j)进行交叉操作，得到下一代粒子种群；

其中，X(t,i,j)为区域t中第i个粒子的第j维度，r为随机概率，gbest为经过邻接矩阵选择后产生的占优解对应的粒子。

S6、利用竞争算子比较所述粒子种群和所述下一代粒子种群中对应粒子的适应度，保留适应度优的粒子形成父代粒子种群；

其中，在根据目标函数的适应度计算方法计算更新后的种群的适应度之后，可以采用竞争算子比较父代和子代的适应度，交叉操作前与操作之后的种群即粒子种群和下一代粒子种群的适应度，将适应度更好的粒子的保留下来作为下一次迭代的父代。这里每一次比较的对象都是进行交叉操作前后的两代粒子种群中的对应粒子。

S7、判断是否满足迭代终止条件，若满足，输出含分布式电源的配电网重构结果；否则返回步骤S3。

其中，每次在采用竞争算子比较父代和子代粒子的适应度，确定下一次迭代的父代之后，可以判断计算的迭代次数是否达到预设的最大迭代次数。若达到则输出含分布式电源的配电网重构结果。这里的迭代终止条件即预设的最大迭代次数根据用户的实际情况进行设置。

为验证本申请所提出的NW小世界量布谷鸟搜索算法的有效性和优越性，下面通过参数的方式进行说明：

其中含分布式电源的配电网重构具有3种场景如下所示，分布式电源的容量限制在0～2MW内；

场景1：未接入分布式电源及网络不重构；

场景2：未接入分布式电源及网络重构；

场景3：网络重构后接入分布式电源并定容。

仿真系统由IEEE33和IEEE69配电系统组成，同时将负荷分为轻负荷(0.5)、常负荷(1.0)和重负荷(1.6)。其中IEEE33具有32个分段开关和5个联络开关，总负荷是3715kW+2300kVAR；IEEE69具有68个分段开关和5个联络开关，总负荷是3802.19kW and2694.60kVAR。算法的参数设置如下：种群数量是30；最大迭代次数50次。其中IEEE33节点系统的分布式电源接入节点是30和31，IEEE69节点系统分布式电源接入节点是61和62，则两个系统的仿真结果表1和表2所示。

表1 IEEE33重构结果

表2 IEEE69重构结果

在本案例，采用SWCSA的重构结果如表1和表2所示，为了证明SWCSA算法的优越性，将NWQPSO算法的优化结果和其他智能优化算法进行了比较如表3所示。

表3常负荷情况下SWCSA的优化结果和其他算法对比

由表1、表2和表3可以看出，采用SWCSA在IEEE33和IEEE69标准配电系统进行仿真，得到的不同开关组合情况下的网损和最低节点电压如表2和表3所示。从表1和表2可以看出当配电网在重构后接入分布式电源可以减少系统的网损量和提升最低节点电压，说明合理的接入分布式电源有益于整体配电系统的。从表3中可以看出SWCSA比GA和PSO算法具有更好的全局搜索能力和，因此，可以说NWQPSO算法在解决多含分布式电源的配电网重构问题中表现更好。

基于上述技术方案，本发明实施例提供的含分布式电源的配电网重构方法，即基于NW小世界布谷鸟搜索算法的含分布式电源的配电网重构方法，步骤简单，容易编码，算法具有收敛能力和稳定性强；将NW小世界网络模型引入到布谷鸟搜索算法中，NW小世界量布谷鸟搜索算法通过将小世界以随机加边方式动态改变种群个体的邻域拓扑结构的理念引入到布谷鸟搜索算法中，使得小世界量子粒子群算法在优化过程中提高种群的收敛能力，同时加强了整体种群跳出局部最优的能力，加速收敛到全局最优。

下面对本发明实施例提供的含分布式电源的配电网重构系统进行介绍，下文描述的含分布式电源的配电网重构系统与上文描述的含分布式电源的配电网重构方法可相互对应参照。

请参考图3，图3为本发明实施例所提供的含分布式电源的配电网重构系统的结构框图；该系统包括：

模型构建模块100，用于确定优化目标和约束条件，建立含分布式电源的配电网重构模型；

初始化模块200，用于根据所述配电网重构模型及各个预定初始化参数计算生成初始种群；

邻接矩阵计算模块300，用于利用NW小世界网络模型算法对所述初始种群中的粒子进行计算，得到邻接矩阵；

寻优计算模块400，用于利用智能寻优算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；

交叉操作模块500，用于根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子进行交叉操作，得到下一代粒子种群；

竞争算子模块600，用于利用竞争算子比较所述粒子种群和所述下一代粒子种群中对应粒子的适应度，保留适应度优的粒子形成父代粒子种群；

判断模块700，用于判断是否满足迭代终止条件，若满足迭代终止条件，输出含分布式电源的配电网重构结果。

可选的，所述邻接矩阵计算模块300具体为将所述初始种群中的每个粒子与其周围左右两边的粒子产生连接，并将所述初始种群中的每个粒子以概率p连接其他粒子，形成具有N个区域的邻接矩阵的模块；

其中，p的计算公式为f_j和f_k分别是粒子X_j和X_k的适应度。

可选的，所述交叉操作模块500具体为根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子利用公式X(t,i,j)＝r*X(t,i,j)+(1-r)*gbest(t,j)进行交叉操作，得到下一代粒子种群的模块；

其中，X(t,i,j)为区域t中第i个粒子的第j维度，r为随机概率，gbest为经过邻接矩阵选择后产生的占优解对应的粒子。

根据所述配电网重构模型及各个预定初始化参数，利用Kent混沌映射或布谷鸟搜索算法计算生成初始种群。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的含分布式电源的配电网重构方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种含分布式电源的配电网重构方法，其特征在于，包括：

S1、确定优化目标和约束条件，建立含分布式电源的配电网重构模型；

S2、根据所述配电网重构模型及各个预定初始化参数计算生成初始种群；

S3、利用NW小世界网络模型算法对所述初始种群中的粒子进行计算，得到邻接矩阵；

S4、利用智能寻优算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；

S5、根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子进行交叉操作，得到下一代粒子种群；

S6、利用竞争算子比较所述粒子种群和所述下一代粒子种群中对应粒子的适应度，保留适应度优的粒子形成父代粒子种群；

S7、判断是否满足迭代终止条件，若满足，输出含分布式电源的配电网重构结果；否则返回步骤S3；

所述S3包括：

将所述初始种群中的每个粒子与其左右两边的粒子连接，并将所述初始种群中的每个粒子以概率p连接其左右两边的粒子，形成具有N个区域的邻接矩阵；

其中，p的计算公式为f_j和f_k分别是粒子X_j和X_k的适应度。

2.根据权利要求1所述的含分布式电源的配电网重构方法，其特征在于，所述配电网重构模型具体为：

其中，λ为目标函数值，L为系统支路总数，k_t表示支路的通断情况，r_t为支路的电阻，P_t、Q_t分别为有功功率和无功功率，U_t为支路注入节点电压幅值。

3.根据权利要求2所述的含分布式电源的配电网重构方法，其特征在于，所述S2包括：

根据公式形成初始种群；

其中，i∈1,2,…..,M；j∈1,2,…..,M；d₁∈1,2…..,D；d₂∈1,2…..,D，i和j表示粒子的位置，d₁和d₂表示维度数；代表第i个粒子的第d维，k代表第k次迭代，其中每个粒子的每个维度要求满足目标函数中开关组合通断的表达方式，且每个粒子的维度由配电网闭环时形成的环路数量决定。

4.根据权利要求1所述的含分布式电源的配电网重构方法，其特征在于，所述S4包括：

利用布谷鸟搜索算法或纵横交叉算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度。

5.根据权利要求4所述的含分布式电源的配电网重构方法，其特征在于，利用布谷鸟搜索算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度，包括：

利用更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；

其中，X(t,i,j)为区域t中第i个粒子的第j维度，α为步长控制量，符号代表点对点的乘法，L(λ)为服从莱维概率分布随机搜索路径。

6.根据权利要求1至5任一项所述的含分布式电源的配电网重构方法，其特征在于，所述S5包括：

根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子利用公式X(t,i,j)＝r*X(t,i,j)+(1-r)*gbest(t,j)进行交叉操作，得到下一代粒子种群；

其中，X(t,i,j)为区域t中第i个粒子的第j维度，r为随机概率，gbest为经过邻接矩阵选择后产生的占优解对应的粒子。

7.一种含分布式电源的配电网重构系统，其特征在于，包括：

模型构建模块，用于确定优化目标和约束条件，建立含分布式电源的配电网重构模型；

初始化模块，用于根据所述配电网重构模型及各个预定初始化参数计算生成初始种群；

邻接矩阵计算模块，用于利用NW小世界网络模型算法对所述初始种群中的粒子进行计算，得到邻接矩阵；

寻优计算模块，用于利用智能寻优算法更新初始种群中粒子的位置，得到新的粒子种群，并计算新的粒子种群中各粒子的适应度；

交叉操作模块，用于根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子进行交叉操作，得到下一代粒子种群；

竞争算子模块，用于利用竞争算子比较所述粒子种群和所述下一代粒子种群中对应粒子的适应度，保留适应度优的粒子形成父代粒子种群；

判断模块，用于判断是否满足迭代终止条件，若满足迭代终止条件，输出含分布式电源的配电网重构结果；

所述邻接矩阵计算模块具体为将所述初始种群中的每个粒子与其左右两边的粒子连接，并将所述初始种群中的每个粒子以概率p连接其左右两边的粒子，形成具有N个区域的邻接矩阵的模块；

其中，p的计算公式为f_j和f_k分别是粒子X_j和X_k的适应度。

8.根据权利要求7所述的含分布式电源的配电网重构系统，其特征在于，所述交叉操作模块具体为根据所述邻接矩阵将新的粒子种群划分区域，并将各区域中的粒子利用公式X(t,i,j)＝r*X(t,i,j)+(1-r)*gbest(t,j)进行交叉操作，得到下一代粒子种群的模块；

其中，X(t,i,j)为区域t中第i个粒子的第j维度，r为随机概率，gbest为经过邻接矩阵选择后产生的占优解对应的粒子。