CN107994582A - 含分布式电源的配电网重构方法和系统 - Google Patents
含分布式电源的配电网重构方法和系统 Download PDFInfo
- Publication number
- CN107994582A CN107994582A CN201711004128.5A CN201711004128A CN107994582A CN 107994582 A CN107994582 A CN 107994582A CN 201711004128 A CN201711004128 A CN 201711004128A CN 107994582 A CN107994582 A CN 107994582A
- Authority
- CN
- China
- Prior art keywords
- frog
- distribution network
- network loss
- node
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims description 131
- 238000006467 substitution reaction Methods 0.000 claims description 25
- 239000000428 dust Substances 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 241000269350 Anura Species 0.000 claims description 10
- 230000007115 recruitment Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010937 topological data analysis Methods 0.000 claims description 4
- 244000025254 Cannabis sativa Species 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000012943 hotmelt Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种含分布式电源的配电网重构方法和系统，其方法包括以下步骤：获取待重构的配电网系统参数和网损目标函数，生成初始青蛙种群。在局部深度搜索时，利用云发生器结合方法更新青蛙。本发明中利用改进的蛙跳算法来含有分布式电源的配电网进行重构，在蛙跳算法的局部深度搜索过程中引用具有稳定倾向性和随机性的云模型理论，即利用云发生器来代替传统蛙跳算法在对各个子群中利用随机数来更新最差青蛙相关信息，大大提高了蛙跳算法的收敛速度，且能快速的求解得出全局最优解，不会陷入局部最优情况。
Description
技术领域
本发明涉及电力系统运行分析和控制技术领域，特别是涉及一种含分布式 电源的配电网重构方法和系统。
背景技术
配网重构作为配网优化运行的两项重要技术手段，是配电自动化的关键技 术，其在保障电能质量、降低网络损耗等方面有着重要作用。传统的配电网重 构主要改变配电网线路开关的开合状态，从而改变网络拓扑结构，达到平衡负 荷、降低网损、优化无功的目的，是提高供电网运行效率、提高供电可靠性和 供电质量的有效方法。然而当风力、太阳能发电站等大量的分布式电源 (Distributed Generation，DG)接入配电网后，电网的潮流的大小和方向发生改 变，对配电网的正常运行产生不可忽视的影响，使得含有DG的电网重构变得 更为复杂。
目前，常用粒子群优化算法(particle swarm optimization，PSO)、微分进化 算法(differential evolution algorithm，DE)等来对进行配电网重构。然而，利 用粒子群优化算法对配电网进行重构计算时，虽然算法简单，但对于离散的优 化问题处理不佳，容易陷入局部最优，且收敛速度较慢。微分进化算法是一种 求解全局优化问题的实编码进化算法，使用微分进化算法对配电网进行重构计 算，虽效率高，但是它的局部搜索能力弱，容易陷入局部最优，且收敛速度慢。
发明内容
基于此，有必要针对现有配电网络的重构算法收敛速度慢、容易陷入局部 最优的问题，提供一种含分布式电源的配电网重构方法和系统。
一种含分布式电源的配电网重构方法，包括以下步骤：
获取待重构的配电网系统参数和网损目标函数；
将所述重构的配电网系统参数代入所述网损目标函数中，求解可行解；
根据所述可行解生成初始青蛙种群，所述初始青蛙种群中的每一只青蛙对 应于一个所述可行解；
根据所述网损目标函数，利用前推回代算法分别对所述初始青蛙种群中的 每一只青蛙进行潮流计算，得到所述每一只青蛙的网损函数适应度值，确定所 述初始青蛙种群中网损函数值最小的青蛙；
按照所述网损函数适应度值从小到大的顺序依次对所述初始种群中的每一 个青蛙进行分组，得到预设数量的各青蛙子群；
确定所述各青蛙子群中所述网损适应度最大的青蛙；
分别对所述各青蛙子群中所述网损适应度值最大的青蛙进行循环更新操作， 直至更新次数大于预设的局部迭代次数，若更新后的青蛙优于更新前的青蛙， 则用所述更新后的青蛙取代所述更新前的青蛙；如更新后的青蛙差于所述更新 前的青蛙，则利用云发生器更新所述更新前的青蛙；
将完成局部迭代的所述各青蛙子群中所有青蛙全部混合，更新所述初始青 蛙种群，并根据更新后的所述初始青蛙种群更新所述网损函数适应度值最小的 青蛙；
重复更新所述网损函数适应度值最小的青蛙，直至所述网损函数适应度值 最小的青蛙更新次数大于所述全局混合迭代次数，获取最终网损函数适应度值 最小的青蛙；
根据所述最终网损函数适应度值最小的青蛙确定满足所述网损目标函数的 最优解。
一种含分布式电源的配电网重构系统，包括：
信息获取模块，用于获取待重构的配电网系统参数和网损目标函数；
可行解求解模块，用于将所述重构的配电网系统参数代入所述网损目标函 数中，求解可行解；
初始青蛙种群生成模块，用于根据所述可行解生成初始青蛙种群，所述初 始青蛙种群中的每一只青蛙对应于一个所述可行解；
适应度值获得模块，用于根据所述网损目标函数，利用前推回代算法分别 对所述初始青蛙种群中的每一只青蛙进行潮流计算，得到所述每一只青蛙的网 损函数适应度值；
最小青蛙确定模块，用于确定所述初始青蛙种群中网损函数值最小的青蛙；
青蛙子群获得模块，用于按照所述网损函数适应度值从小到大的顺序依次 对所述初始种群中的每一个青蛙进行分组，得到预设数量的各青蛙子群；
最大青蛙确定模块，用于确定所述各青蛙子群中所述网损适应度最大的青 蛙；
青蛙更新模块，用于分别对所述各青蛙子群中所述网损适应度值最大的青 蛙进行循环更新操作，直至更新次数大于预设的局部迭代次数，若更新后的青 蛙优于更新前的青蛙，则用所述更新后的青蛙取代所述更新前的青蛙；如更新 后的青蛙差于所述更新前的青蛙，则利用云发生器更新所述更新前的青蛙；
更新模块，用于将完成局部迭代的所述各青蛙子群中所有青蛙全部混合， 更新所述初始青蛙种群，并根据更新后的所述初始青蛙种群更新所述网损函数 适应度值最小的青蛙；
最终青蛙获得模块，用于重复更新所述网损函数适应度值最小的青蛙，直 至所述网损函数适应度值最小的青蛙更新次数大于所述全局混合迭代次数，获 取最终网损函数适应度值最小的青蛙；
最优解获得模块，用于根据所述最终网损函数适应度值最小的青蛙确定满 足所述网损目标函数的最优解。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上 运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下的步骤：
获取待重构的配电网系统参数和网损目标函数；
将所述重构的配电网系统参数代入所述网损目标函数中，求解可行解；
根据所述可行解生成初始青蛙种群，所述初始青蛙种群中的每一只青蛙对 应于一个所述可行解；
根据所述网损目标函数，利用前推回代算法分别对所述初始青蛙种群中的 每一只青蛙进行潮流计算，得到所述每一只青蛙的网损函数适应度值，确定所 述初始青蛙种群中网损函数值最小的青蛙；
按照所述网损函数适应度值从小到大的顺序依次对所述初始种群中的每一 个青蛙进行分组，得到预设数量的各青蛙子群；
确定所述各青蛙子群中所述网损适应度最大的青蛙；
分别对所述各青蛙子群中所述网损适应度值最大的青蛙进行循环更新操作， 直至更新次数大于预设的局部迭代次数，若更新后的青蛙优于更新前的青蛙， 则用所述更新后的青蛙取代所述更新前的青蛙；如更新后的青蛙差于所述更新 前的青蛙，则利用云发生器更新所述更新前的青蛙；
将完成局部迭代的所述各青蛙子群中所有青蛙全部混合，更新所述初始青 蛙种群，并根据更新后的所述初始青蛙种群更新所述网损函数适应度值最小的 青蛙；
重复更新所述网损函数适应度值最小的青蛙，直至所述网损函数适应度值 最小的青蛙更新次数大于所述全局混合迭代次数，获取最终网损函数适应度值 最小的青蛙；
根据所述最终网损函数适应度值最小的青蛙确定满足所述网损目标函数的 最优解。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序 被处理器执行时实现以下的步骤：
获取待重构的配电网系统参数和网损目标函数；
将所述重构的配电网系统参数代入所述网损目标函数中，求解可行解；
根据所述可行解生成初始青蛙种群，所述初始青蛙种群中的每一只青蛙对 应于一个所述可行解；
根据所述网损目标函数，利用前推回代算法分别对所述初始青蛙种群中的 每一只青蛙进行潮流计算，得到所述每一只青蛙的网损函数适应度值，确定所 述初始青蛙种群中网损函数值最小的青蛙；
按照所述网损函数适应度值从小到大的顺序依次对所述初始种群中的每一 个青蛙进行分组，得到预设数量的各青蛙子群；
确定所述各青蛙子群中所述网损适应度最大的青蛙；
分别对所述各青蛙子群中所述网损适应度值最大的青蛙进行循环更新操作， 直至更新次数大于预设的局部迭代次数，若更新后的青蛙优于更新前的青蛙， 则用所述更新后的青蛙取代所述更新前的青蛙；如更新后的青蛙差于所述更新 前的青蛙，则利用云发生器更新所述更新前的青蛙；
将完成局部迭代的所述各青蛙子群中所有青蛙全部混合，更新所述初始青 蛙种群，并根据更新后的所述初始青蛙种群更新所述网损函数适应度值最小的 青蛙；
重复更新所述网损函数适应度值最小的青蛙，直至所述网损函数适应度值 最小的青蛙更新次数大于所述全局混合迭代次数，获取最终网损函数适应度值 最小的青蛙；
根据所述最终网损函数适应度值最小的青蛙确定满足所述网损目标函数的 最优解。
本发明中利用改进的蛙跳算法来含有分布式电源的配电网进行重构，在蛙 跳算法的局部深度搜索过程中引用具有稳定倾向性和随机性的云模型理论，即 利用云发生器来代替传统蛙跳算法在对各个子群中利用随机数来更新最差青蛙 相关信息(例如青蛙位置、速度和加速度等)，大大提高了蛙跳算法的收敛速度， 且能快速的求解得出全局最优解，不会陷入局部最优情况。
附图说明
图1为本发明的含分布式电源的配电网重构方法在其中一个实施例中的流 程示意图；
图2为本发明的含分布式电源的配电网重构方法在其中一个实施例中的流 程示意图；
图3为本发明的含分布式电源的配电网重构方法在其中一个实施例中的流 程示意图；
图4为IEEE33节点的结构示意图；
图5a为将DG接入IEEE33节点前后不同的算法网损情况的结构示意图； 图5b为将DG接入IEEE33节点前后不同的算法节点电压情况的结构示意图；
图6为不同的算法用于IEEE33节点配电网重构时迭代次数结构示意图；
图7为本发明的含分布式电源的配电网重构系统在其中一个实施例中的结 构示意图；
图8为本发明的计算机设备在一个实施例中的结构示意图。
具体实施方式
下面将结合较佳实施例及附图对本发明的内容作进一步详细描述。显然， 下文所描述的实施例仅用于解释本发明，而非对本发明的限定。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。应当说明的是，为了便于描述，附图中 仅示出了与本发明相关的部分而非全部内容。
图1为本发明的含分布式电源的配电网重构方法在一个实施例中的流程示 意图，如图1所示，本发明实施例中的含分布式电源的配电网重构方法，包括 以下步骤：
步骤S110，获取待重构的配电网系统参数和网损目标函数。
具体而言，配电网络重构是指通过改变配电网络拓扑结构来提高可靠性， 降低线损，均衡负荷和改善供电电压质量的技术。配电网络重构也是一种网络 组态，在满足配电网呈辐射状、馈线热熔、节点电压偏差要求和变压器容量要 求的前提下，确定使配电网线损、负荷均衡度、供电质量等指标最佳的配电网 运行方式。由于配电网中存在大量的分段开关和联络开关，因此配电网重构是 一个多目标非线性混合优化问题。所述待重构的配电网系统参数包括待重构的 配电网中各环路编号、位于各环路的各支路编号、位于各支路上的各节点编号、 各节点类型、各节点负荷值、各节点有功功率、各节点无功功率、各支路中的 开关类型、开关编号、开关状态以及配电网中电源基准电路等。
配电网络重构其实就是在满足配电系统运行的各种条件下，改变配电网络 中开关开闭状态组合来使配电网中的某一个或某几个目标最佳。本实施例中的 配电网重构以网损最小为目标函数，记为网损目标函数，通常情况下，网损目 标函数的表达式为：其中，n为配电网络中支路总数、i为支 路编号、ri为支路i的电阻、Pi和Qi分别为支路i流过的有功功率和无功功率、 ki为开关的状态变量，0表示断开，1表示闭合。通常情况下针对目标函数还包 括不等式约束条件，例如包括电压约束、主路过载约束、变压器过载约束、电 源过载约束等。
步骤S120，将重构的配电网系统参数代入网损目标函数中，求解可行解。
步骤S130，根据可行解生成初始青蛙种群，初始青蛙种群中的每一只青蛙 对应于一个可行解。
步骤S140，根据网损目标函数，利用前推回代算法分别对初始青蛙种群中 的每一只青蛙进行潮流计算，得到每一只青蛙的网损函数适应度值，确定初始 青蛙种群中网损函数值最小的青蛙。
步骤S150，按照网损函数适应度值从小到大的顺序依次对初始种群中的每 一个青蛙进行分组，得到预设数量的各青蛙子群。
步骤S160，确定各青蛙子群中网损适应度最大的青蛙。
步骤S170，分别对各青蛙子群中网损适应度值最大的青蛙进行循环更新操 作，直至更新次数大于预设的局部迭代次数，若更新后的青蛙优于更新前的青 蛙，则用更新后的青蛙取代更新前的青蛙；如更新后的青蛙差于更新前的青蛙， 则利用云发生器更新更新前的青蛙。
步骤S180，将完成局部迭代的各青蛙子群中所有青蛙全部混合，更新初始 青蛙种群，并根据更新后的初始青蛙种群更新网损函数适应度值最小的青蛙。
步骤S190，重复更新网损函数适应度值最小的青蛙，直至网损函数适应度 值最小的青蛙更新次数大于预设的全局混合迭代次数，获取最终网损函数适应 度值最小的青蛙。
具体地，蛙跳算法是一种基于群体的协同搜索方法，其受自然生物模仿启 动而产生，该算法模拟青蛙群体分成不同的族群在寻觅食物，觅食过程中进行 思想交流，每个族群有自己的思想，执行局部搜索策略，在局部搜索迭代次数 结束之后，各个族群之间进行思想交流，实现族群间混合运算。一般蛙跳算法 中的参数通常有青蛙种群总数量N(又叫青蛙种群规模)、青蛙子群数量m(即 将青蛙种群总数量分成多少个子群体)、子群体中青蛙的数量n(子群体中青蛙 的数量乘以青蛙子群数量等于青蛙种群规模)、子群体内的局部迭代次数g(即 对子群体中的青蛙更新的次数)和全局混合迭代次数G(即对整个青蛙种群中 的青蛙更新的次数)。其中，本实施例中预设数量的各青蛙子群是指子群体中青 蛙的数量n，预设的局部迭代次数是指子群体内的局部迭代次数g，预设的全局 混合迭代次数是指全局混合迭代次数G。
蛙跳算法首先就是生成初始青蛙种群N，其中N表示初始青蛙种群中包括 N只青蛙，每一只青蛙表示网损目标函数的一个可行解，通常对于一个网损目 标函数有很多个可行解(将重构的配电网系统参数代入网损目标函数中，求解 可行解)。生成初始青蛙种群的过程为从多个可行解中随机选取N个，组成初始 青蛙种群N。其中第i指青蛙表示网损目标函数第i个解，记为Xi＝(xi1，xi2， xi3，.....xiD)，Xi为D维解。分别计算每只青蛙的目标函数f(Xi)，记为网损函数 适应度值，并将每只青蛙根据其网损函数适应度值按递增顺序排序，然后对初 始青蛙种群进行分解，将整个初始青蛙种群N划分成m个子群，每个子群中包 含n只青蛙。分群规则为：第一只青蛙进入第一个子群、第二只青蛙进入第二 子群，直至第m只青蛙进入第m子群；第m+1只青蛙进入第一个子群，第m+2 只青蛙进入第二个子群，直到所有青蛙分配完毕。
将初始种群中最优解，即网损函数适应度值最小的青蛙记为Xg，将每个子 群，将子群中最优解，即子群中网损函数适应度值最小的青蛙记为Xb，将子群 中最差解，即子群中网损函数适应度值最大的青蛙记为Xw。
对每一个子群内部进行模因进化，即对每一个子群中青蛙进行局部搜索， 进行局部寻优，其中进行局部寻优的步骤包括：(1)对Xw的进行更新，得到Xw′。 (2)若更新后的Xw′的网损函数适应度值优于Xw的网损函数适应度值，则用Xw′ 代替Xw；若更新后的Xw′的网损函数适应度值差于Xw的网损函数适应度值，则 利用云发生器产生数据来更新Xw。(3)对Xw进行g次迭代更新。(4)每完成g 次迭代更新后，将所有子群中的青蛙重新混合，然后将混合后的青蛙进行全局 迭代运行，即计算混合后的青蛙网损适应度值，并按照网损适应度值递增排列， 更新Xg。(5)然后将混合后的青蛙再按照网损适应度值依次分成m个子群，再 对m个子群进行g次局部迭代计算，然后再混合进行全局迭代计算，直至进行 全局迭代次数为G次，选择出最终网损函数适应度值最小的青蛙Xg。
步骤S200，根据最终网损函数适应度值最小的青蛙确定满足网损目标函数 的最优解。
在全局搜索完成后，将最终网损函数适应度值最小的青蛙Xg代入网损目标 函数求解最优解。
上述的含分布式电源的配电网重构方法，利用改进的蛙跳算法来含有分布 式电源的配电网进行重构，在蛙跳算法的局部深度搜索过程中引用具有稳定倾 向性和随机性的云模型理论，即利用云发生器来代替传统蛙跳算法在对各个子 群中利用随机数来更新最差青蛙相关信息(例如青蛙位置、速度和加速度等)， 大大提高了蛙跳算法的收敛速度，且能快速的求解得出全局最优解，不会陷入 局部最优情况。
在其中一个实施例中，如图2所示，本发明的含分布式电源的配电网重构 方法，还包括：待重构的配电网系统参数包括至少一个配电网络环路、配电网 络环路上设置有多个支路以及设置于支路两端的节点，其中一个支路表示一个 开关元件，连接任意两个配电网络环路之间的开关元件记为联络开关；将重构 的配电网系统参数代入网损目标函数中，求解可行解的步骤之前，包括：
步骤S220，利用整数编码方式对配电网络环路、节点和开关元件进行编号， 其中整数编码方式包括以下步骤：
步骤S221，断开配电网络环路之间所有的联络开关，形成多个独立的配电 网络环路。
步骤S222，断开不在任意支路上的孤立开关元件以及与待重构配电网中的 电源节点连接的开关元件，在编码时不对的孤立开关元件以及与电源节点连接 的开关元件进行编号。
具体地，在对配电网进行重构之前，将所有联络开关断开，将配电网络的 所有交叉连接的环路断开生成若干独立配电环路。另外，断开不在任何环路内 的支路上的孤立开关元件以及与配电网中电源节点连接的开关元件，在进行编 码时不考虑孤立开关元件以及与电源节点连接的开关元件(即在对配电网中各 环路、支路、开关元件等进行编码时排除一些开关元件)，以使编码更加简单。
步骤S223，对待重构配电网进行拓扑分析，将待重构配电网中的各设备记 为各节点、各开关元件记为各支路，其中以各节点做顶点，以各支路为边生成 待重构配电网拓扑图，利用整数编码方式对各节点、各支路进行编号，并得到 邻接矩阵，其中采用二进制编码方式表示开关元件的状态，用1表示开关元件 闭合，用0表示开关元件断开。
具体地，配电网中有类型多样的设备，例如发电厂、配电变压器、用电设 备等。为了研究方便将配电网中的各设备都等效为节点，其中一个节点表示一 个设备。将配电网中的开关元件等效为支路，其中一个支路表示一个开关元件。 在对配电网进行分析时，以各节点为顶点、以各支路为边生成配电网拓扑结构 图，对配电网拓扑图中的各节点和各支路利用整数编码方式进行编号并得到邻 接矩阵。其中采用二进制编码方式表示开关元件的状态，用1表示开关元件闭 合，用0表示开关元件断开。采用二进制编码方式表示网络中开关的状态，并 采用基于整数编码策略，可以降低编码维度，缩小解空间。
步骤S224，将邻接矩阵代入网损目标函数，求解可行解。
在其中一个实施例中，将邻接矩阵代入网损目标函数，求解可行解的步骤 中，包括：
对可行解的有效性进行判断，其中判断的条件为：(1)支路数＝节点数-1； (2)配电网中各负荷节点都和电源节点相连接，即配电网中不存在孤岛。当满 足条件(1)且满足条件(2)时，则判断可行解为有效可行解。当不满足上述 任意一个条件时，则判断可行解为无效解。在可行解为无效解时，需要重新对 待重构配电网络系统参数进行调节。通过对配电网可行解的有效性进行判断， 可以快速确认可行解是否有效，在可行解有效时，进行后续处理；在可行解无 效时，重新调整配电网系统参数，并对调整后的配电网进行重构，避免了在可 行解无效而进行后续处理，从而造成不必要的浪费。
在其中一个实施例中，如图3所示，在利用前推回代算法分别对初始青蛙 种群中的每一只青蛙进行潮流计算，得到每一只青蛙的网损函数适应度值的步 骤中，包括：
步骤S141，根据待重构配电网拓扑图，将配电网拓扑图中各节点转化成相 对应的各PQ节点，其中PQ节点包括用电设备PQ节点和电压源PQ节点；
步骤S142，获取各PQ节点的初始电压值、有功功率初始值、无功功率初 始值和前推回代次数；
步骤S143，从各支路最末端的用电设备PQ节点开始，以最末端的用电设 备PQ节点的初始电压值、有功功率初始值和无功功率初始值为基础，依次分别 计算各支路上各用电设备PQ节点功率，直至遇到电压源PQ节点，并得到各支 路电压源PQ节点的首端功率和首端电压；
步骤S144，从电压源PQ节点开始，以各支路电压源PQ节点的首端功率和 首端电压为基础，依次分别计算各支路上各用电设备PQ节点功率，直至到达各 支路的最末端，计算出各支路上用电设备PQ节点的末端电压；
步骤S145，根据计算后的各用电设备PQ节点和各电压源PQ节点的电压， 调整电压源PQ节点的无功功率和有功功率；
步骤S146，重复执行上述从待重构配电网拓扑图中各支路最末端的PQ节 点开始，得到各支路的首端功率和首端电压到调整电压源PQ节点的无功功率和 有功功率的步骤，直至执行次数大于前推回代次数；
步骤S147，根据调整后的各电压源PQ节点的无功功率和有功功率、以及 各用电设备PQ节点的无功功率和有功功率确定每一只青蛙的网损函数适应度 值。
具体地，配电网潮流计算是配电网网络分析的基础，配电网的网络重构、 故障分析、无功优化和状态估计等都需要用到配电网潮流的数据。前推回代法 及时已知配电网的始端电压和末端负荷，以馈线为基本计算单位。最初假设全 网电压都为额定电压，根据负荷功率由末端j向始端k逐段推算，求得各支路上 的电流和功率损耗，并据此获得始端功率，这是回代过程；再根据给定的始端 电压和求得的始端功率，由始端向末端逐段推算电压降落，求得各节点电压， 这是前推过程。如此重复上述过程，直至各个节点的功率偏差满足运行条件为 止。
在本实施例中，先将配电网拓扑图中的节点都转化为PQ节点，并设置各PQ节点的初始电压值、有功功率初始值、无功功率初始值和前推迭代次数；先 进行前推计算，从各支路最末端的用电设备PQ节点开始，以最末端的用电设备 PQ节点的初始电压值、有功功率初始值和无功功率初始值为基础，依次分别计 算各支路上各用电设备PQ节点功率，直至遇到电压源PQ节点，并得到各支路 电压源PQ节点的首端功率和首端电压；再进行回代计算，从电压源PQ节点开 始，以各支路电压源PQ节点的首端功率和首端电压为基础，依次分别计算各支 路上各用电设备PQ节点功率，直至到达各支路的最末端，计算出各支路上用电 设备PQ节点的末端电压。根据计算后的各用电设备PQ节点和各电压源PQ节 点的电压，调整电压源PQ节点的无功功率和有功功率。如此重复上述的过程， 直至重复系数大于前推回代次数。最后根据调整后的各电压源PQ节点的无功功 率和有功功率、以及各用电设备PQ节点的无功功率和有功功率确定每一只青蛙 的网损函数适应度值。其中电压源PQ节点为DG(分布式电源)PQ节点。利 用前推回代法计算得到的网损函数适应度值非常准确。
在其中一个实施例中，各节点包括用电设备节点和电压源节点；在根据待 重构配电网拓扑图，将配电网拓扑图中各节点转化成相对应的各PQ节点的步骤 中，包括：
若用电设备节点为异步发电机节点，将异步发电机节点直接转化为异步发 电机PQ节点，且异步发电机PQ节点的无功功率为异步发电机节点无功功率的 相反数，异步发电机PQ节点的有功功率为异步发电机节点有功功率的相反数。
若电压源节点为光伏电池节点，根据光伏电池节点的电流、电压和有功功 率计算转化得到光伏电池PQ节点，其中根据以下公式转化：
Q表示光伏电池PQ节点的无功功率、I表示光伏电池PQ 节点的电流以及U表示光伏电池PQ节点的电压。利用上述转换方式将配电网 中各节点都转换成PQ节点，以方便后续的前推回代计算。
在其中一个实施例中，所述每一青蛙都具有青蛙位置信息、速度信息和加 速度信息；在分别对各青蛙子群中网损适应度值最大的青蛙进行循环更新操作， 直至更新次数大于预设的局部迭代次数的步骤中：
采用以下公式对网损适应度值最大的青蛙记进行更新：
r(k+1)＝r(k)+v(k)+0.5×a(k)
v(k+1)＝v(k)+0.5×(a(k)+a(k+1))
其中，Xg表示所述初始种群中网损函数适应度值最小的青蛙，Xb表示所述 各青蛙子群中网损适应度值最小的青蛙，Xw表示所述各青蛙子群中网损适应度 值最大的青蛙，r(k)、v(k)和a(k)分别代表当前时刻Xw的位置、速度和加速度，rg为Xg的位置，r(k+1)、v(k+1)和a(k+1)分别代表更新后的Xw′的位置、速度和加速 度，λ为比例系数。
如果更新后的Xw′的网损适应度值小于Xw的网损适应度值，则用Xw′取代Xw； 否则，利用云发生器更新Xw。
重复对各青蛙子群中Xw进行更新，直至重复的次数大于子群内的局部迭代 次数。
具体而言，青蛙的位置就是指青蛙所在位置，青蛙的速度就是指青蛙进行 更新速度，青蛙的加速度就是指青蛙进行更新加速度。
云模型表示自然语言中的基元，即语言值，用云的数字特征期望Ex，熵En 和超熵He表示语言值的数学性质。期望Ex：云滴在论域空间分布的期望，是 最能够代表定性概念的点，是这个概念量化的最典型样本。熵En：“熵”用以度 量不确定的程度。在云模型中，熵代表定性概念的可度量粒度，熵越大，通常 概念越宏观，也是定性概念不确定性的度量，由概念的随机性和模糊性共同决 定。一方面,En是定性概念随机性的度量，反映了能够代表这个定性概念的云滴 的离散程度；另一方面，又是定性概念亦此亦彼性的度量，反映了在论域空间 可被概念接受的云滴的取值范围。用同一个数字特征来反映随机性和模糊性，也必然反映他们之间的关联性。超熵He：熵的不确定性度量，即熵的熵，由熵 的随机性和模糊性共同决定。反映了每个数值隶属这个语言值程度的凝聚性， 即云滴的凝聚程度。超熵越大，云的离散程度越大，隶属度的随机性也随之增 大，云的厚度也越大。
云发生器，实现云的生成算法的软件和硬件设置。一般分为正向云发生器 和逆向云发生器。在本实施例中，主要采用正向云发生器，正向云发生器(Forward CloudGenerator)是从定性概念到其定量表示的映射，它根据云的数字特征(Ex， En，He)产生云滴，每个云滴都是该概念的一次具体实现。正向正态云发生器 的算法如下；输入：表示定型概念A的三个数字特征值Ex，En，He以及云滴 数N；输出：N个云滴的定量值，以及每个云滴代表概念A的确定度。具体步 骤为：(1)产生一个期望值为Ex，方差为En的正态随机数xi；(2)产生一个期 望值为En，方差为He的正态随机数Ex'；(3)计算：(4)令(xi，yi)为一个云滴，它是该云表示的语言值在数量上的一次具体实现，其中 xi为定性概念在论域中这一次对应的数值，yi为属于这个语言值的程度的量度； (5)重复步骤(1)到步骤(4)，直到产生满足要求数目的云滴数。
在本实施例中，当更新后的更新后的Xw′的网损适应度值大于Xw的网损适应 度值，则利用云发生器更新Xw。在局部深度搜索时(即对各子群青蛙进行循环 更新时)，利用云发生器来代替传统蛙跳算法中利用随机数来更新最差青蛙(即 子群中网损适应度值最大的青蛙)，大大提高了蛙跳算法的收敛速度。
在其中一个实施例中，在利用云发生器更新Xw的步骤中，包括：
生成以En为期望值，以He为标准差的一个正态随机数En'，其中En＝Ω/c1， He＝En/c2，Ω表示变量搜索范围、c1表示初始种群数量、c2为常数。
生成以Xw为期望值，En'的绝对值为标准差的正态随机数x，其中x为定性概 念A的一次具体量化值，x表示云滴。
计算y＝exp(-(x-Xw)2/2(En')2)，其中y为x属于定性概念A的确定度，(x,y)完整 地反映了这一次定性定量转换的全部内容。
在确定度大于预设的确定度时，利用确定度对应的云滴来更新Xw。
在本实施例中，根据蛙跳算法相关的参数并利用云发生器，产生云滴，其 中一个云滴对应的数据都可以用于更新Xw。其中预设的确定度可以是一个设定 的常数值，也可以是一个设定的范围值，主要是根据待重构配电网系统参数以 及蛙跳算法确定的。Ω表示变量搜索范围，即各配电网环路中各支路中开关的最 大编号值。
为了验证本发明的配电网重构方法的有效性，给出若干应用实施例。
应用实施例
采用IEEE33节点配电网系统对本发明的改进蛙跳算法、粒子群优化算法和 微分进化算法进行测试。其IEEE33节点配电网系统如图4所示，IEEE33节点 包括33各节点(图中圆圈表示节点)、37条支路(图中线条表示支路，其中每 一条支路表示一个开关元件，有5个联络开关分别为33、34、35、36和37)、5 个环路。其具体步骤如下：
(1)基于改进蛙跳算法对模型进行初始化，其中网络系统额定电压为 12.66kV、网络总负荷为3715kW+j2300kvar。设置种群数量为200，子群体规 模为20，子群体数为10，局部深度搜索迭代次数为10，全局混合迭代次数为 30，比例系数为4。
(2)采用二进制编码方式表示网络中开关的状态，并基于独立环路的整数 编码策略确定环路数及环路中对IEEE33节点进行编号，结果如表1所示：
表1环路支路描述表
(3)根据判据1(支路数＝节点数-1)判据2(网络中各负荷节点都和电源 节点相连通，即配电网络中不存在孤岛)判断该IEEE33节点配电网系统初始解 有效。
(4)基于前推回代算法对有效解进行编程潮流计算，得出网损函数适应度 值。方法如下：
由于该IEEE33节点配电网系统发电设备节点均为异步发电机节点，无光伏 电池节点，故将所述异步发电机节点直接转化为异步发电机PQ节点，且异步发 电机PQ节点的无功功率为所述异步发电机节点无功功率的相反数，异步发电机 PQ节点的有功功率为所述异步发电机节点有功功率的相反数，而用电设备直接 转化为PQ节点。
(5)并将每只青蛙根据其网损函数适应度值按递增顺序排序，然后对初始 青蛙种群进行分解，将整个初始青蛙种群200划分成10个子群，每个子群中包 含20只青蛙。分群规则为：第一只青蛙进入第一个子群、第二只青蛙进入第二 子群，直至第10只青蛙进入第10子群；第11只青蛙进入第一个子群，第12 只青蛙进入第二个子群，直到所有青蛙分配完毕。
(6)在分别对所述各青蛙子群中所述网损适应度值最大的青蛙进行循环更 新操作，直至更新次数大于预设的局部迭代次数10，包括：
采用以下公式对所述网损适应度值最大的青蛙记进行更新：
r(k+1)＝r(k)+v(k)+0.5×a(k)
v(k+1)＝v(k)+0.5×(a(k)+a(k+1))
其中，Xg表示所述初始种群中网损函数适应度值最小的青蛙，Xb表示所述 各青蛙子群中网损适应度值最小的青蛙，Xw表示所述各青蛙子群中网损适应度 值最大的青蛙，r(k)、v(k)和a(k)分别代表当前k时刻Xw的位置、速度和加速度，rg为Xg的位置，r(k+1)、v(k+1)和a(k+1)分别代表更新后k+1时刻的Xw′的位置、 速度和加速度，λ为比例系数4；
如果更新后的Xw′的网损适应度值小于Xw的网损适应度值，则用Xw′取代Xw； 否则，利用云发生器更新Xw；
重复对所述各青蛙子群中Xw进行更新，直至重复的次数大于所述子群内的 局部迭代次数10。
此步骤中，在利用云发生器更新Xw的方法包括：
生成以En为期望值，以He为标准差的一个正态随机数En'，其中En＝Ω/c1， He＝En/c2，本实例中，Ω为变量搜索范围为[11,16,7,7,10]、c1为初始种群数量200、 c2为常数10；生成以Xw为期望值，En'的绝对值为标准差的正态随机数x，并计算 y＝exp(-(x-Xw)2/2(En')2)，其中y为x属于定性概念A的确定度；
在所述确定度y大于预设的确定度(本实例中，确定度可以取99％)时， 利用所述确定度对应的云滴来更新Xw。
(7)当所有子群体都完成了10次局部深度搜索后，若满足全局混合迭代 次数小于30，则进行全局混合迭代。
(8)验证本发明对含有DG配电网重构的适应性，实验分别对DG接入配 电网前后进行测试。其中，此次实验中共接入4个DG，DG接入较重负荷附近， 每个DG的容量小于接入节点负荷。DG接入位置及容量如表2所示。
表2 DG接入位置及容量表
| 接入节点 | 容量/kW | 功率因数/pu |
| 6 | 100 | 0.8 |
| 8 | 50 | 0.9 |
| 21 | 50 | 0.85 |
| 24 | 250 | 0.9 |
(9)为了验证本发明算法的寻优能力，实验比较了粒子群算法、微分进化 算法和本发明的改进蛙跳算法在DG并网下的50次实验下的重构迭代次数，结 果如图6所示。与其它算法相比，基于改进蛙跳算法的迭代次数最小，在50次 实验下的平均迭代次数为7.4次，比基于微分进化算法的重构算法少3次左右。 这说明改进蛙跳算法对解决配电网重构问题有良好的寻优性能。
(10)结果讨论及分析，其主要结论如下：
第(8)步实验测试结果如图5所示。其中，图a表示网损，图b表最低节 点电压。由图5可知，DG接入配电网前后，重构后配电系统的网络损耗都大大 降低，节点电压质量也得到了有效的改善。而且，DG并网后不仅能进一步降低 系统网损，而且对节点电压也有很好的支撑作用。
结合第(9)步测试可知，本发明采用的方法相对于粒子群算法和微分进化 算法能够快速地求得全局最优解，并且对DG并网前后的配电网络重构都能进 行很好的优化，证明了本发明所提算法具有收敛快、效率高，对解决配电网重 构问题有良好的寻优性能的优点。
根据上述本发明的含分布式电源的配电网重构方法，本发明还提供一种含 分布式电源的配电网重构系统，下面结合附图及较佳实施例对本发明的含分布 式电源的配电网重构系统进行详细说明。
图7为本发明的含分布式电源的配电网重构系统在一个实施例中的结构示 意图。如图7所示，该实施例中的含分布式电源的配电网重构系统，包括：
信息获取模块10，用于获取待重构的配电网系统参数和网损目标函数。
可行解求解模块20，用于将重构的配电网系统参数代入网损目标函数中， 求解可行解。
初始青蛙种群生成模块30，用于根据可行解生成初始青蛙种群，初始青蛙 种群中的每一只青蛙对应于一个可行解。
适应度值获得模块40，用于根据网损目标函数，利用前推回代算法分别对 初始青蛙种群中的每一只青蛙进行潮流计算，得到每一只青蛙的网损函数适应 度值。
最小青蛙确定模块50，用于确定初始青蛙种群中网损函数值最小的青蛙。
青蛙子群获得模块60，用于按照网损函数适应度值从小到大的顺序依次对 初始种群中的每一个青蛙进行分组，得到预设数量的各青蛙子群。
最大青蛙确定模块70，用于确定各青蛙子群中网损适应度最大的青蛙。
局部青蛙更新模块80，用于分别对各青蛙子群中网损适应度值最大的青蛙 进行循环更新操作，直至更新次数大于预设的局部迭代次数，若更新后的青蛙 优于更新前的青蛙，则用更新后的青蛙取代更新前的青蛙；如更新后的青蛙差 于更新前的青蛙，则利用云发生器更新更新前的青蛙。
全局更新模块90，用于将完成局部迭代的各青蛙子群中所有青蛙全部混合， 更新初始青蛙种群，并根据更新后的初始青蛙种群更新网损函数适应度值最小 的青蛙。
最终青蛙获得模块100，用于重复更新网损函数适应度值最小的青蛙，直至 网损函数适应度值最小的青蛙更新次数大于全局混合迭代次数，获取最终网损 函数适应度值最小的青蛙。
最优解获得模块110，用于根据最终网损函数适应度值最小的青蛙确定满足 网损目标函数的最优解。
在其中一个实施例中，待重构的配电网系统参数包括至少一个配电网络环 路、配电网络环路上设置有多个支路以及设置于支路两端的节点，其中一个支 路表示一个开关元件，连接任意两个配电网络环路之间的开关元件记为联络开 关；含分布式电源的配电网重构系统包括：
编码模块，用于利用整数编码方式对配电网络环路、节点和开关元件进行 编号，其中编码模块还包括：
独立环路形成模块，用于断开配电网络环路之间所有的联络开关，形成多 个独立的配电网络环路；
开关元件断开模块，用于断开不在任意支路上的孤立开关元件以及与待重 构配电网中的电源节点连接的开关元件，在编码时不对的孤立开关元件以及与 电源节点连接的开关元件进行编号；
邻接矩阵获得模块，用于对待重构配电网进行拓扑分析，将待重构配电网 中的各设备记为各节点、各开关元件记为各支路，其中以各节点做顶点，以各 支路为边生成待重构配电网拓扑图，并得到邻接矩阵，其中采用二进制编码方 式表示开关元件的状态，用1表示开关元件闭合，用0表示开关元件断开；
可行解求解模块，用于将邻接矩阵代入网损目标函数，求解可行解；
初始青蛙种群生成模块，用于根据青蛙种群总数量从可行解中随机选择与 青蛙种群总数量相对应的可行解生成相应规模的初始青蛙种群。
在其中一个实施例中，适应度值获得模块50还包括：
PQ节点转化模块，用于根据待重构配电网拓扑图，将配电网拓扑图中各节 点转化成相对应的各PQ节点，其中PQ节点包括用电设备PQ节点和电压源PQ 节点。
参数获取模块，用于获取各PQ节点的初始电压值、有功功率初始值、无功 功率初始值和前推回代次数；
首端功率和首端电压获得模块，用于从各支路最末端的用电设备PQ节点开 始，以最末端的用电设备PQ节点的初始电压值、有功功率初始值和无功功率初 始值为基础，依次分别计算各支路上各用电设备PQ节点功率，直至遇到电压源 PQ节点，并得到各支路电压源PQ节点的首端功率和首端电压。
末端电压获得模块，用于从电压源PQ节点开始，以各支路电压源PQ节点 的首端功率和首端电压为基础，依次分别计算各支路上各用电设备PQ节点功率， 直至到达各支路的最末端，计算出各支路上用电设备PQ节点的末端电压。
功率调整模块，用于根据计算后的各用电设备PQ节点和各电压源PQ节点 的电压，调整电压源PQ节点的无功功率和有功功率。
末端电压获得模块，用于重复执行上述从待重构配电网拓扑图中各支路最 末端的PQ节点开始，得到各支路的首端功率和首端电压，直至执行次数大于前 推回代次数；
功率调整模块，用于重复执行调整电压源PQ节点的无功功率和有功功率的 步骤，直至执行次数大于前推回代次数；
适应度值获得模块，用于根据调整后的各电压源PQ节点的无功功率和有功 功率、以及各用电设备PQ节点的无功功率和有功功率确定每一只青蛙的网损函 数适应度值。
在其中一个实施例中，各节点包括用电设备节点和电压源节点，PQ节点转 化模块，还用于若用电设备节点为异步发电机节点，将异步发电机节点直接转 化为异步发电机PQ节点，且异步发电机PQ节点的无功功率为异步发电机节点 无功功率的相反数，异步发电机PQ节点的有功功率为异步发电机节点有功功率 的相反数；
PQ节点转化模块，还用于若电压源节点为光伏电池节点，根据光伏电池节 点的电流、电压和有功功率计算转化得到光伏电池PQ节点，其中根据以下公式 转化：Q表示光伏电池PQ节点的无功功率、I表示光伏电池 PQ节点的电流以及U表示光伏电池PQ节点的电压。
在其中一个实施例中，所述每一青蛙都具有青蛙位置信息、速度信息和加 速度信息；所述青蛙更新模块还包括：
局部青蛙更新模块，用于采用以下公式对网损适应度值最大的青蛙进行更 新：
r(k+1)＝r(k)+v(k)+0.5×a(k)
v(k+1)＝v(k)+0.5×(a(k)+a(k+1))
其中，Xg表示所述初始种群中网损函数适应度值最小的青蛙，Xb表示所述 各青蛙子群中网损适应度值最小的青蛙，Xw表示所述各青蛙子群中网损适应度 值最大的青蛙，r(k)、v(k)和a(k)分别代表当前时刻Xw的位置、速度和加速度，rg为Xg的位置，r(k+1)、v(k+1)和a(k+1)分别代表更新后的Xw′的位置、速度和加速 度，λ为比例系数。
局部青蛙更新模块，用于如果更新后的Xw′的网损适应度值小于Xw的网损适 应度值，则用Xw′取代Xw；否则，利用云发生器更新Xw。
局部青蛙更新模块，还用于重复对各青蛙子群中Xw进行更新，直至重复的 次数大于子群内的局部迭代次数。
在其中一个实施例中，青蛙更新模块还包括：
生成以En为期望值，以He为标准差的一个正态随机数En'，其中En＝Ω/c1， He＝En/c2，Ω表示变量搜索范围、c1表示初始种群数量、c2为常数。
随机数生成模块，生成以Xw为期望值，En'的绝对值为标准差的正态随机数x， 其中x为定性概念A的一次具体量化值，x表示云滴。
确定度计算模块，用于计算y＝exp(-(x-Xw)2/2(En')2)，其中y为x属于定性概念A的确定度。
局部青蛙更新模块，用于在确定度大于预设的确定度时，利用确定度对应 的云滴来更新Xw。
上述含分布式电源的配电网重构系统可执行本发明实施例所提供的含分布 式电源的配电网重构方法，具备执行方法相应的功能模块和有益效果。至于其 中各个功能模块所执行的处理方法，例如信息获取模块10、可行解求解模块20 等，可参照上述方法实施例中的描述，此处不再进行赘述。
根据上述本发明的含分布式电源的配电网重构方法和系统，本发明还提供 一种计算机设备，下面结合附图及较佳实施例对本发明的计算机设备进行详细 说明。
图8为本发明的计算机设备在一个实施例中的结构示意图。如图8所示， 该实施例中的计算机设备800，包括存储器801、处理器802及存储在存储器上 并可在处理器上运行的计算机程序，其中处理器执行程序时可实现本发明方法 实施例中的所有方法步骤。
上述计算机设备800中处理器802可执行本发明实施例所提供的含分布式 电源的配电网重构方法，具备执行方法相应的有益效果。可参照上述方法实施 例中的描述，此处不再进行赘述。
根据上述本发明的含分布式电源的配电网重构方法、系统和计算机设备， 本发明还提供一种计算机可读存储介质，下面结合附图及较佳实施例对本发明 的计算机可读存储介质进行详细说明。
本发明实施例中的计算机可读存储介质，其上存储有计算机程序，该程序 被处理器执行时可以实现本发明方法实施例中的所有方法步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可 读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其 中，的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM) 或随机存储记忆体(Random AccessMemory，RAM)等”。
上述计算机可读存储介质用于存储本发明实施例所提供的含分布式电源的 配电网重构方法的程序(指令)，其中执行该程序可以执行本发明实施例所提供 的含分布式电源的配电网重构方法，具备执行方法相应有益效果。可参照上述 方法实施例中的描述，此处不再进行赘述。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述 实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特 征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但 并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普 通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进， 这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要 求为准。
Claims (10)
1.一种含分布式电源的配电网重构方法，其特征在于，包括以下步骤：
获取待重构的配电网系统参数和网损目标函数；
将所述重构的配电网系统参数代入所述网损目标函数中，求解可行解；
根据所述可行解生成初始青蛙种群，所述初始青蛙种群中的每一只青蛙对应于一个所述可行解；
根据所述网损目标函数，利用前推回代算法分别对所述初始青蛙种群中的每一只青蛙进行潮流计算，得到所述每一只青蛙的网损函数适应度值，确定所述初始青蛙种群中网损函数值最小的青蛙；
按照所述网损函数适应度值从小到大的顺序依次对所述初始种群中的每一个青蛙进行分组，得到预设数量的各青蛙子群；
确定所述各青蛙子群中所述网损适应度最大的青蛙；
分别对所述各青蛙子群中所述网损适应度值最大的青蛙进行循环更新操作，直至更新次数大于预设的局部迭代次数，若更新后的青蛙优于更新前的青蛙，则用所述更新后的青蛙取代所述更新前的青蛙；如更新后的青蛙差于所述更新前的青蛙，则利用云发生器更新所述更新前的青蛙；
将完成局部迭代的所述各青蛙子群中所有青蛙全部混合，更新所述初始青蛙种群，并根据更新后的所述初始青蛙种群更新所述网损函数适应度值最小的青蛙；
重复更新所述网损函数适应度值最小的青蛙，直至所述网损函数适应度值最小的青蛙更新次数大于预设的全局混合迭代次数，获取最终网损函数适应度值最小的青蛙；
根据所述最终网损函数适应度值最小的青蛙确定满足所述网损目标函数的最优解。
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，所述待重构的配电网系统参数包括至少一个配电网络环路、所述配电网络环路上设置有多个支路以及设置于支路两端的节点，其中一个支路表示一个开关元件，连接任意两个所述配电网络环路之间的开关元件记为联络开关；将所述重构的配电网系统参数代入所述网损目标函数中，求解可行解的步骤之前，包括：
利用整数编码方式对所述配电网络环路、所述节点和所述开关元件进行编号，其中所述整数编码方式包括以下步骤：
断开所述配电网络环路之间所有的所述联络开关，形成多个独立的配电网络环路；
断开不在任意所述支路上的孤立开关元件以及与所述待重构配电网中的电源节点连接的所述开关元件，在编码时不对所述的孤立开关元件以及与所述电源节点连接的开关元件进行编号；
对所述待重构配电网进行拓扑分析，将所述待重构配电网中的各设备记为各节点、各开关元件记为各支路，其中以所述各节点做顶点，以所述各支路为边生成待重构配电网拓扑图，利用整数编码方式对所述各节点和所述各支路进行编号并得到邻接矩阵，其中采用二进制编码方式表示所述开关元件的状态，用1表示所述开关元件闭合，用0表示所述开关元件断开；
将所述邻接矩阵代入所述网损目标函数，求解可行解。
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，在利用前推回代算法分别对所述初始青蛙种群中的每一只青蛙进行潮流计算，得到所述每一只青蛙的网损函数适应度值的步骤中，包括：
根据所述待重构配电网拓扑图，将所述配电网拓扑图中各节点转化成相对应的各PQ节点，其中所述PQ节点包括用电设备PQ节点和电压源PQ节点；
获取所述各PQ节点的初始电压值、有功功率初始值、无功功率初始值和前推回代次数；
从所述各支路最末端的所述用电设备PQ节点开始，以所述最末端的用电设备PQ节点的初始电压值、有功功率初始值和无功功率初始值为基础，依次分别计算所述各支路上各用电设备PQ节点功率，直至遇到电压源PQ节点，并得到所述各支路电压源PQ节点的首端功率和首端电压；
从所述电压源PQ节点开始，以所述各支路电压源PQ节点的首端功率和首端电压为基础，依次分别计算所述各支路上各用电设备PQ节点功率，直至到达所述各支路的最末端，计算出所述各支路上用电设备PQ节点的末端电压；
根据计算后的所述各用电设备PQ节点和所述各电压源PQ节点的电压，调整所述电压源PQ节点的无功功率和有功功率；
重复执行上述从所述待重构配电网拓扑图中所述各支路最末端的PQ节点开始，得到所述各支路的首端功率和首端电压到所述调整所述电压源PQ节点的无功功率和有功功率的步骤，直至执行次数大于所述前推回代次数；
根据调整后的所述各电压源PQ节点的无功功率和有功功率、以及所述各用电设备PQ节点的无功功率和有功功率确定所述每一只青蛙的网损函数适应度值。
4.根据权利要求3所述的含分布式电源的配电网重构方法，其特征在于，所述各节点包括用电设备节点和电压源节点；在根据所述待重构配电网拓扑图，将所述配电网拓扑图中各节点转化成相对应的各PQ节点的步骤中，包括：
若所述用电设备节点为异步发电机节点，将所述异步发电机节点直接转化为异步发电机PQ节点，且异步发电机PQ节点的无功功率为所述异步发电机节点无功功率的相反数，异步发电机PQ节点的有功功率为所述异步发电机节点有功功率的相反数；
若所述电压源节点为光伏电池节点，根据所述光伏电池节点的电流、电压和有功功率计算转化得到光伏电池PQ节点，其中根据以下公式转化：
Q表示光伏电池PQ节点的无功功率、I表示光伏电池PQ节点的电流以及U表示光伏电池PQ节点的电压。
5.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，所述每一青蛙都具有青蛙位置信息、速度信息和加速度信息；在分别对所述各青蛙子群中所述网损适应度值最大的青蛙进行循环更新操作，直至更新次数大于预设的局部迭代次数的步骤中，包括：
采用以下公式对所述网损适应度值最大的青蛙记进行更新：
r(k+1)＝r(k)+v(k)+0.5×a(k)
v(k+1)＝v(k)+0.5×(a(k)+a(k+1))
其中，Xg表示所述初始种群中网损函数适应度值最小的青蛙，Xb表示所述各青蛙子群中网损适应度值最小的青蛙，Xw表示所述各青蛙子群中网损适应度值最大的青蛙，r(k)、v(k)和a(k)分别代表当前时刻Xw的位置、速度和加速度，rg为Xg的位置，r(k+1)、v(k+1)和a(k+1)分别代表更新后的Xw′的位置、速度和加速度，λ为比例系数；
如果更新后的Xw′的网损适应度值小于Xw的网损适应度值，则用Xw′取代Xw；否则，利用云发生器更新Xw；
重复对所述各青蛙子群中Xw进行更新，直至重复的次数大于所述子群内的局部迭代次数。
6.根据权利要求5所述的含分布式电源的配电网重构方法，其特征在于，在利用云发生器更新Xw的步骤中，包括：
生成以En为期望值，以He为标准差的一个正态随机数En'，其中En＝Ω/c1，He＝En/c2，Ω表示变量搜索范围、c1表示初始种群数量、c2为常数；
生成以Xw为期望值，En'的绝对值为标准差的正态随机数x，其中x为定性概念A的一次具体量化值，x表示云滴；
计算y＝exp(-(x-Xw)2/2(En')2)，其中y为x属于定性概念A的确定度；
在所述确定度大于预设的确定度时，利用所述确定度对应的云滴来更新Xw。
7.一种含分布式电源的配电网重构系统，其特征在于，包括：
信息获取模块，用于获取待重构的配电网系统参数和网损目标函数；
可行解求解模块，用于将所述重构的配电网系统参数代入所述网损目标函数中，求解可行解；
初始青蛙种群生成模块，用于根据所述可行解生成初始青蛙种群，所述初始青蛙种群中的每一只青蛙对应于一个所述可行解；
适应度值获得模块，用于根据所述网损目标函数，利用前推回代算法分别对所述初始青蛙种群中的每一只青蛙进行潮流计算，得到所述每一只青蛙的网损函数适应度值；
最小青蛙确定模块，用于确定所述初始青蛙种群中网损函数值最小的青蛙；
青蛙子群获得模块，用于按照所述网损函数适应度值从小到大的顺序依次对所述初始种群中的每一个青蛙进行分组，得到预设数量的各青蛙子群；
最大青蛙确定模块，用于确定所述各青蛙子群中所述网损适应度最大的青蛙；
青蛙更新模块，用于分别对所述各青蛙子群中所述网损适应度值最大的青蛙进行循环更新操作，直至更新次数大于预设的局部迭代次数，若更新后的青蛙优于更新前的青蛙，则用所述更新后的青蛙取代所述更新前的青蛙；如更新后的青蛙差于所述更新前的青蛙，则利用云发生器更新所述更新前的青蛙；
更新模块，用于将完成局部迭代的所述各青蛙子群中所有青蛙全部混合，更新所述初始青蛙种群，并根据更新后的所述初始青蛙种群更新所述网损函数适应度值最小的青蛙；
最终青蛙获得模块，用于重复更新所述网损函数适应度值最小的青蛙，直至所述网损函数适应度值最小的青蛙更新次数大于所述全局混合迭代次数，获取最终网损函数适应度值最小的青蛙；
最优解获得模块，用于根据所述最终网损函数适应度值最小的青蛙确定满足所述网损目标函数的最优解。
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，所述待重构的配电网系统参数包括至少一个配电网络环路、所述配电网络环路上设置有多个支路以及设置于支路两端的节点，其中一个支路表示一个开关元件，连接任意两个所述配电网络环路之间的开关元件记为联络开关；
包括：
编码模块，用于利用整数编码方式对所述配电网络环路、所述节点和所述开关元件进行编号，其中所述编码模块还包括：
独立环路形成模块，用于断开所述配电网络环路之间所有的所述联络开关，形成多个独立的配电网络环路；
开关元件断开模块，用于断开不在任意所述支路上的孤立开关元件以及与所述待重构配电网中的电源节点连接的所述开关元件，在编码时不对所述的孤立开关元件以及与所述电源节点连接的开关元件进行编号；
邻接矩阵获得模块，用于对所述待重构配电网进行拓扑分析，将所述待重构配电网中的各设备记为各节点、各开关元件记为各支路，其中以所述各节点做顶点，以所述各支路为边生成待重构配电网拓扑图，并得到邻接矩阵，其中采用二进制编码方式表示所述开关元件的状态，用1表示所述开关元件闭合，用0表示所述开关元件断开；
所述可行解求解模块，用于将所述邻接矩阵代入所述网损目标函数，求解可行解；
所述初始青蛙种群生成模块，用于根据所述青蛙种群总数量从所述可行解中随机选择与所述青蛙种群总数量相对应的可行解生成相应规模的初始青蛙种群。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711004128.5A CN107994582B (zh) | 2017-10-24 | 2017-10-24 | 含分布式电源的配电网重构方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711004128.5A CN107994582B (zh) | 2017-10-24 | 2017-10-24 | 含分布式电源的配电网重构方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107994582A true CN107994582A (zh) | 2018-05-04 |
| CN107994582B CN107994582B (zh) | 2020-06-23 |
Family
ID=62031063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711004128.5A Active CN107994582B (zh) | 2017-10-24 | 2017-10-24 | 含分布式电源的配电网重构方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107994582B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109286186A (zh) * | 2018-10-11 | 2019-01-29 | 南京南瑞继保电气有限公司 | 一种主动配电网优化重构方法 |
| CN109687440A (zh) * | 2018-12-26 | 2019-04-26 | 广东电网有限责任公司 | 一种放松管制环境下分布式发电投资及配网规划优化方法 |
| CN110401193A (zh) * | 2019-08-15 | 2019-11-01 | 国网冀北电力有限公司秦皇岛供电公司 | 一种配电网重构方法及配电网重构系统 |
| CN110610059A (zh) * | 2019-09-26 | 2019-12-24 | 东南大学 | 一种适用于单电源供电树状配电网拓扑还原的方法 |
| WO2022227277A1 (zh) * | 2021-04-27 | 2022-11-03 | 广东电网有限责任公司江门供电局 | 一种用于开环电网转供电的决策方法及装置 |
| CN115986744A (zh) * | 2022-12-28 | 2023-04-18 | 国网安徽省电力有限公司芜湖供电公司 | 一种含共享储能的配电网潮流优化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106712050A (zh) * | 2017-01-16 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于改进蛙跳算法的电网无功优化方法及装置 |
| CN106777449A (zh) * | 2016-10-26 | 2017-05-31 | 南京工程学院 | 基于二进制粒子群算法的配电网络重构方法 |
-
2017
- 2017-10-24 CN CN201711004128.5A patent/CN107994582B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777449A (zh) * | 2016-10-26 | 2017-05-31 | 南京工程学院 | 基于二进制粒子群算法的配电网络重构方法 |
| CN106712050A (zh) * | 2017-01-16 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于改进蛙跳算法的电网无功优化方法及装置 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109286186A (zh) * | 2018-10-11 | 2019-01-29 | 南京南瑞继保电气有限公司 | 一种主动配电网优化重构方法 |
| CN109286186B (zh) * | 2018-10-11 | 2021-10-01 | 南京南瑞继保电气有限公司 | 一种主动配电网优化重构方法 |
| CN109687440A (zh) * | 2018-12-26 | 2019-04-26 | 广东电网有限责任公司 | 一种放松管制环境下分布式发电投资及配网规划优化方法 |
| CN110401193A (zh) * | 2019-08-15 | 2019-11-01 | 国网冀北电力有限公司秦皇岛供电公司 | 一种配电网重构方法及配电网重构系统 |
| CN110610059A (zh) * | 2019-09-26 | 2019-12-24 | 东南大学 | 一种适用于单电源供电树状配电网拓扑还原的方法 |
| WO2022227277A1 (zh) * | 2021-04-27 | 2022-11-03 | 广东电网有限责任公司江门供电局 | 一种用于开环电网转供电的决策方法及装置 |
| CN115986744A (zh) * | 2022-12-28 | 2023-04-18 | 国网安徽省电力有限公司芜湖供电公司 | 一种含共享储能的配电网潮流优化方法 |
| CN115986744B (zh) * | 2022-12-28 | 2024-02-06 | 国网安徽省电力有限公司芜湖供电公司 | 一种含共享储能的配电网潮流优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107994582B (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107994582A (zh) | 含分布式电源的配电网重构方法和系统 | |
| Syahputra | Fuzzy multi-objective approach for the improvement of distribution network efficiency by considering DG | |
| Syahputra et al. | Optimal distribution network reconfiguration with penetration of distributed energy resources | |
| Syahputra et al. | Optimization of distribution network configuration with integration of distributed energy resources using extended fuzzy multi-objective method | |
| CN102945296B (zh) | 一种需求响应视角下的配电网不确定性重构建模方法 | |
| Ashari et al. | Power loss reduction strategy of distribution network with distributed generator integration | |
| CN107392418B (zh) | 一种城市配电网网络重构方法及系统 | |
| CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
| CN111817345A (zh) | 一种含分布式电源配电网严重故障后的重构方法 | |
| CN108306285A (zh) | 基于topsis法的含分布式电源的主动配电网可靠性评估方法 | |
| CN113378100B (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
| CN107706907A (zh) | 一种配电网络重构方法和装置 | |
| CN118228436A (zh) | 一种基于网络重构的配电网可开放容量评估方法 | |
| CN110829440B (zh) | 一种三相中低压一体化配电网电压控制方法及系统 | |
| CN114362239A (zh) | 一种综合考虑多因素的电网电源极限配置策略 | |
| Siqing et al. | Distribution network fault restoration based on improved adaptive genetic algorithm | |
| CN112766532A (zh) | 一种基于改进混合整数差分进化算法的dg规划方法 | |
| CN105375481B (zh) | 超级量子进化算法控制下的微电网减损方法 | |
| Yassami et al. | Optimal DG allocation in distribution network using strength pareto multi objective optimization approach | |
| Husain et al. | Distribution Load Flow Analysis for Radial and Mesh Distribution System | |
| Zhou et al. | Multi-objective distribution network reconfiguration with DG integration using improved fireworks algorithm | |
| Zhang et al. | Construction of the core backbone grid based on the maximum profit-to-risk ratio | |
| Salimon et al. | Optimal placement and sizing of capacitor in nigerian radial distribution networks using cuckoo search algorithm | |
| CN111162565B (zh) | 基于多源数据融合的中低压网络在线拼接方法及系统 | |
| Xu et al. | Research on Grid-Connected Photovoltaic Multi-Point Optimization Based on Genetic Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210806 Address after: 510700 3rd, 4th and 5th floors of building J1 and 3rd floor of building J3, No.11 Kexiang Road, Science City, Luogang District, Guangzhou City, Guangdong Province Patentee after: China South Power Grid International Co.,Ltd. Patentee after: NR ELECTRIC Co.,Ltd. Patentee after: CHINA SOUTHERN POWER GRID Co.,Ltd. Patentee after: ELECTRIC POWER SCIENCE & RESEARCH INSTITUTE OF GUANGXI POWER GRID Corp. Patentee after: NANNING POWER SUPPLY BUREAU OF GUANGXI POWER GRID Co.,Ltd. Address before: 510663 1-2 / F, building J3, No.11 Kexiang Road, Science City, Luogang District, Guangzhou City, Guangdong Province Patentee before: POWER GRID TECHNOLOGY RESEARCH CENTER. CHINA SOUTHERN POWER GRID Patentee before: China South Power Grid International Co.,Ltd. Patentee before: NR ELECTRIC Co.,Ltd. Patentee before: CHINA SOUTHERN POWER GRID Co.,Ltd. Patentee before: ELECTRIC POWER SCIENCE & RESEARCH INSTITUTE OF GUANGXI POWER GRID Corp. Patentee before: NANNING POWER SUPPLY BUREAU OF GUANGXI POWER GRID Co.,Ltd. |