CN108182498A - 配电网故障恢复性重构方法 - Google Patents

Abstract

本发明公开了配电网故障恢复性重构方法，属于配电网规划领域。配电网故障恢复性重构方法为初始化配电网参数，读取故障信息；根据所述故障信息初始化非故障区网络信息；根据整数型环网编码策略对非故障区网络进行编码，获取非故障区网络编码；对所述非故障区网络编码的整数编码型量子粒子群参数进行初始化；分别对所述整数编码型量子粒子群中的每个粒子的解进行有效性判断，以对解有效的粒子进行优化更新，获取故障恢复性重构方案。本发明在传统的以最小开关操作次数优化模型的基础上，考虑了网络有功损耗这一经济性指标，提出了配电网故障恢复性重构的经济性优化模型，具有开关操作次数少及网络有功损耗小的优点。

Description

配电网故障恢复性重构方法

技术领域

本发明属于配电网规划领域，尤其涉及一种基于整数编码型量子粒子群算法的配电网故障恢复性重构方法。

背景技术

配电网重构即是在满足配电网运行约束下，通过改变系统中联络开关和分段开关的开闭组合状态对网络拓扑结构进行切换，在不同馈线之间转移负荷，从而影响网络潮流分布，达到网络优化运行的目的。按侧重点不同，基本分为静态网络优化重构和故障恢复性重构。静态优化重构即通过优化网络结构，达到系统有功损耗最小，提高供电可靠性的目的。而故障恢复性重构是在配电网发生故障并快速隔离故障后，在满足一定条件下，为了减少停电面积从而尽可能用户供电的网络结构调整，重在故障后恢复供电，侧重点不同。配电网通常是开环运行，环网设计结构，具有辐射状馈线特点，永久性故障发生并隔离后，配电网被迫分为供电区与失电区两部分，故障恢复性重构主要考虑操作联络开关对失电区网络进行恢复性供电。

配电网恢复性重构是一个整数型组合优化问题，目前解决此问题的主要有方法：数学规划法、启发式搜索法和人工智能算法。数学规划法具有全局最优性，但是在配电网维数增大后，往往求解困难。启发式搜索算法。在复杂配电网发生故障后，区域的相互关联特性将导致启发式规则难以形成。人工智能算法善于解决多维空间优化问题，被广泛应用于网络优化问题。采用简单的二进制编码形式，寻优过程中会产生大量无效的不可行解，降低了故障恢复效率。

在配电网故障恢复性重构中寻求更好的寻优算法将大大提高寻优效率，对于提高重构效率尤为重要。粒子群算法作为全新的群体智能算法，在许多领域得到了广泛的应用，与传统的进化算法如遗传算法相比，粒子群算法采用生物群体共享信息策略，收敛速度快，特别是在进化初期，可调节的参数少，简单易行，易达到全局最优的特点。二进制粒子群算法在重构中产生大量不可行解，导致重构效率低，且传统的粒子群算法在进化后期易陷入局部最优解或是陷入停滞状态。传统的配电网故障恢复性重构优化模型以开关操作次数最小为单一目标，但是往往忽略了网络有功损耗最小的指标，无法保证在经济上得到最优的恢复性重构方案。

发明内容

本发明针对传统电网故障后配电网恢复性重构的问题，旨在提供一种开关操作次数少及网络有功损耗小的配电网故障恢复性重构方法。

本发明提供了一种配电网故障恢复性重构方法，包括下述步骤：

S1.初始化配电网参数，读取故障信息；

S2.根据所述故障信息初始化非故障区网络信息；

S3.根据整数型环网编码策略对非故障区网络进行编码，获取非故障区网络编码；

S4.对所述非故障区网络编码的整数编码型量子粒子群参数进行初始化；

S5.分别对所述整数编码型量子粒子群中的每个粒子的解进行有效性判断，以对解有效的粒子进行优化更新，获取故障恢复性重构开关组合。

优选的，所述整数型环网编码策略为：

将所述非故障区网络的联络开关以自然数编号，并对每个联络开关所对应的环网进行单独编号；所述联络开关的个数表示粒子的维数，每个环网中断开的开关的编号为粒子的每一维元素。

优选的，在所述步骤S4中，对所述非故障区网络编码的整数编码型量子粒子群参数进行初始化的过程为：

预设整数编码型量子粒子群的上限矩阵、下限矩阵、边界变异系数，种群规模和最大迭代次数。

优选的，在所述步骤S5中对所述整数编码型量子粒子群中的每个粒子的解进行有效性判断，以对解有效的粒子进行优化更新的过程为：

S51.判断所述整数编码型量子粒子群中的一个粒子的解是否有效，若是，执行步骤S53；若否，执行步骤S52；

S52.将解无效的粒子的局部最优位置设为常数，将局部最优位置更新为所述粒子的当前位置，执行步骤S55；

S53.根据优化模型计算解有效的粒子的适应值，执行步骤S54；

S54.根据所述适应值依据整数编码型量子粒子群算法分别计算所述粒子的新位置，将新位置更新为所述粒子的位置，执行步骤S55；

S55.将当前迭代次数加1，判断当前迭代次数是否大于所述最大迭代次数，若否，返回执行步骤S51；若是，结束；

当所述整数编码型量子粒子群中的所有粒子的迭代次数均达到最大迭代次数时，将当前的所述整数编码型量子粒子群的位置矩阵，作为故障恢复性重构开关组合输出。

优选的，在所述步骤S53根据优化模型计算解有效的粒子的适应值的过程为：

将解有效的粒子的初始局部最优位置作为相应粒子的当前位置，将所述整数编码型量子粒子群的全局最优位置作为所述整数编码型量子粒子群中最优粒子的位置。

优选的，在所述步骤S53中所述优化模型为：

其中，A＝[a₁,…,a_m,a_m+1,…,a_m+n]为开关权重系数向量，h为有功损耗附加因子，P_loss为有功损耗，P_init为恢复性重构前的初始有功损耗，r_l为支路l的电阻，k_l表示支路l中的开关的0-1离散状态变量，U_i为支路i首节点的电压幅值，P_i为网络向节点i注入的有功功率；Q_i为网络向节点i注入的无功功率；l表示网络中的支路；m表示非故障区网络的分段开关数；n表示非故障区网络的联络开关数；y_e表示第e个分段开关的开合状态；z_f表示第f个分段开关的开合状态。

优选的，在所述步骤S54中整数编码型量子粒子群算法为：

其中，round()函数用于按指定位数对数值进行四舍五入，将生成的连续实数的粒子解转化为正整数解；t表示迭代次数；u为在[0,1]上均匀分布的随机数；P_id(s)为第t次迭代时第s个粒子的第d维的位置；mbest(t)为种群中所有粒子第t次迭代时第s个粒子的平均最佳位置；X_sd(t)第t次迭代时第s个粒子的第d维的位置；β为收缩扩张系数。

上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能够达到本发明的目的。

本发明的有益效果在于，本发明在传统的以最小开关操作次数优化模型的基础上，考虑了网络有功损耗这一经济性指标，提出了配电网故障恢复性重构的经济性优化模型。在故障恢复重构中采用整数型环网编码策略，达到大量减少重构中不可行解的目的，采用量子粒子群算法，改善了传统的粒子群算法在进化后期，由于粒子的飞行方向根据全体和自身方向决定，算法易陷入局部最优解或是陷入停滞状态的问题，达到了全局最优的目的。

附图说明

图1为本发明所述的配电网故障恢复性重构方法的一种实施例的方法流程图；

图2为本发明所述的配电网故障恢复性重构方法的另一种实施例的方法流程图；

图3为IEEE33节点配电系统图；

图4为故障后IEEE33节点系统拓扑结构图；

图5为多重复杂故障恢复性重构后网络拓扑图。

具体实施方式

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，所描述的实施例仅仅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作出创造性劳动的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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在故障发生时，往往需要在进行故障隔离后尽快恢复负荷的供电，这是故障恢复性重构的首要目的，所以故障后恢复重构需要优先考虑以最少的开关次数达到恢复所有负荷供电的目的。传统的配电网故障恢复性重构优化模型以开关操作次数最小为单一目标，如公式(1)所示：

其中，e＝1,2,…,m；f＝1,2,…,n。m为网络中分段开关数，n为网络中联络开关数。Y＝[y₁,y₂,…,y_m]^T为分段开关状态矩阵；Z＝[z₁,z₂,…,z_n]^T为联络开关状态矩阵。重构前需要根据网络当前状态，确定矩阵Y和Z，根据两个矩阵确定函数F(Y，Z)的值。

传统的重构优化模型虽然能在故障后以最短的时间对失电区恢复供电，保证供电可靠性。但是相同开关操作次数的情况下，开关操作组合是不同的，单纯以最少的开关操作次数为目标往往不能保证恢复重构后的网络是有功损耗是最小的，即无法保证经济性最优。

基于上述问题，本发明提出一种开关操作次数少且网络有功损耗小的配电网故障恢复性重构方法。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

如图1所示，一种配电网故障恢复性重构方法，其特征在于，包括下述步骤：

S1.初始化配电网参数(包括支路参数、节点参数、网络基准电压等)，读取故障信息，以便于将故障支路进行隔离，然后通知运维人员检修；

S2.根据所述故障信息初始化非故障区网络信息，对非故障区网络信息进行初始化，包括初始化分段开关状态矩阵、联络开关状态矩阵、开关权重系数向量等参数；

S3.根据整数型环网编码策略对非故障区网络进行编码，获取非故障区网络编码；

S4.对所述非故障区网络编码的整数编码型量子粒子群参数进行初始化；

S5.分别对所述整数编码型量子粒子群中的每个粒子的解进行有效性判断，以对解有效的粒子进行优化更新，获取故障恢复性重构开关组合。

在本实施例中，本发明在传统的以最小开关操作次数优化模型的基础上，考虑了网络有功损耗这一经济性指标，提出了配电网故障恢复性重构的经济性优化模型。在故障恢复重构中采用整数型环网编码策略，达到大量减少重构中不可行解的目的，采用量子粒子群算法，改善了传统的粒子群算法在进化后期，由于粒子的飞行方向根据全体和自身方向决定，算法易陷入局部最优解或是陷入停滞状态的问题，达到了全局最优的目的。

在优选的实施例中，整数型环网编码策略为：

将非故障区网络的联络开关以自然数编号，并对每个联络开关所对应的环网进行单独编号；联络开关的个数表示粒子的维数，每个环网中断开的开关的编号为粒子的每一维元素。

在本实施例中，配电网中各开关状态只有两种状态，闭合和断开。二进制编码方式中，0表示开关断开，1表示开关闭合，粒子的维数等于网络中的开关总数。这种编码方式原理清晰，简单方便，被广泛应用于配电网重构中，但是没有充分利用配电网自身的结构特点，粒子维数较大，容易产生大量的重构不可行解，致使重构效率低下。

受网络辐射型的限制，网络中开关的开合不是任意组合的。通过对网络拓扑的分析得到：闭合一个联络开关，将构成一个小环，必须在此环中打开一个分段开关，才能使配网保持辐射型。因此一个联络开关决定一个环网，所有联络开关的开闭组合即构成了配电网的重构方案。整数型环网编码策略为：首先将全网的联络开关以自然数编号，并在每个联络开关所确定的环网内将开关单独编号(从1到小环内的开关总数)。联络开关的个数表示粒子的维数，每个环网中断开的开关的编号为粒子的每一维元素。以图3所示的IEEE33节点系统图为例说明整数型环网编码方案，网络中含有5个联络开关，分别是33、34、35、36、37，图中用虚线表示，实线表示分段开关，数字表示开关号。由联络开关33确定的环网由7-6-5-4-3-2-20-19-18-33支路组成，定义为1号环网。对环网内支路由左至右从1开始编号为，1-2-3-4-5-6-7-8-9-10，联络开关是环内最后编号的支路。33节点的整数型环网编码如表1所示：

表1

根据表1得到：粒子Swarm＝[10 7 15 21 11]表示断开开关33,34,35,36,37，即断开所有联络开关(原始网络情况)；粒子Swarm＝[2 3 14 2 1]表示断开开关6,12,18,16,24。所有优化结果都是实际的断开开关组合，而非原始的粒子编码信息。断开开关的顺序也按照环网编号顺序排列。

1号开关不在任何环网中，所以1号开关在重构中不需要参与编码。对于图3的33节点配电系统，如果采用二进制编码方式，粒子维数为32，对应的搜索空间大小为2³²＝4.295×10⁹个，其中不可行解的比例高达98.54％。这将耗费大量计算资源，需花费大量时间得到最优的重构解。然而采用整数型环网编码可使粒子维数降至5，解空间将大大缩小，共10×7×15×21×11＝2.4255×10⁵个解，不可行解的比例相比二进制编码下降24.16％，大大提高了重构寻优效率。

在优选的实施例中，在步骤S4中，对非故障区网络编码的整数编码型量子粒子群参数进行初始化的过程为：

预设整数编码型量子粒子群的上限矩阵Ub、下限矩阵Lb、边界变异系数c，种群规模Swarmsize和最大迭代次数maxIters等参数。在初始化的上限矩阵Ub和下限矩阵Lb约束下，随机生成Swarmsize个Dim维随机整数作为粒子初始种群。设置迭代次数t＝1。

如图2所示，在优选的实施例中，在所述步骤S5中对所述整数编码型量子粒子群中的每个粒子的解进行有效性判断，以对解有效的粒子进行优化更新的过程为：

S51.判断所述整数编码型量子粒子群中的一个粒子的解是否有效，对每个粒子进行网络的辐射性和连通性判断，目的为了保证非故障区网络全部都能联通，不出现失电区；对每一个初始粒子进行解的可行性判断，若解可行，执行步骤S53；若不可行，则执行步骤S52；

S52.将解无效的粒子的局部最优位置设为常数C(C取一个较大的正数)，将局部最优位置更新为所述粒子的位置，执行步骤S55；

S53.根据优化模型计算解有效的粒子的适应值，执行步骤S54；

将解有效的粒子的初始局部最优位置作为相应粒子的当前位置，将所述整数编码型量子粒子群的全局最优位置作为所述整数编码型量子粒子群中最优粒子的位置。

S54.根据所述适应值依据整数编码型量子粒子群算法分别计算粒子的新位置，将新位置更新为所述粒子的位置，执行步骤S55；

S55.将当前迭代次数加1，判断当前迭代次数是否大于所述最大迭代次数，若否，返回执行步骤S51；进行解是否有效的判断，若有效，则根据优化模型计算并更新粒子的局部最优位置和粒子群全局最优位置，若无效，则将该粒子的初始局部最优位置设为常数C；若当前迭代次数大于所述最大迭代次数，则结束；

当所述整数编码型量子粒子群中的所有粒子的迭代次数均达到最大迭代次数时，将当前的所述整数编码型量子粒子群的位置矩阵，作为故障恢复性重构开关组合输出。

传统的重构优化模型虽然能在故障后以最短的时间对失电区恢复供电，保证供电可靠性。但是相同开关操作次数的情况下，开关操作组合是不同的，单纯以最少的开关操作次数为目标往往不能保证恢复重构后的网络是有功损耗是最小的，即无法保证经济性最优，所以优化模型中需要综合考虑有功损耗这一经济性指标。基于此，在传统的故障恢复性重构模型的基础上进行了改进，加入有功损耗这一经济性指标因子，改进后的优化模型如公式(2)所示。

在优选的实施例中，在步骤S53中优化模型为：

其中，A＝[a₁,…,a_m,a_m+1,…,a_m+n]为开关权重系数向量，一般设置所有开关权重系数相同，当考虑开关能够实现遥控时，a可以取值小，允许操作次数多一些，但是往往开关不建议频繁操作，具体取值根据实际情况而定；h为有功损耗附加因子，目的是在相同的开关操作次数下寻求有功损耗最小的开关操作组合，一般设置为0.1-0.2很小的数。P_loss为有功损耗，P_init为恢复性重构前的初始有功损耗，l表示网络中的支路，支路数等于分段开关和联络开关的数量和，即，m+n；支路的首端节点和末端节点分别为i和j根据网络结构而定；r_l为支路l的电阻，k_l表示支路l中的开关的0-1离散状态变量，若开关闭合，则k_l＝1，否则k_l＝0；U_i为支路i首节点的电压幅值，P_i为网络向节点i注入的有功功率，Q_i为网络向节点i注入的无功功率；m表示非故障区网络的分段开关数；n表示非故障区网络的联络开关数；y_e表示第e个分段开关的开合状态，y_e为1表示闭合，为0表示打开；同理z_f表示第f个分段开关的开合状态，z_f为1表示闭合，为0表示打开。

公式(3)对有功损耗进行了定义：

其中，P_loss为系统有功损耗；其他定位参见公式(2)。

约束条件如下：

(1)潮流等式约束：

(2)支路容量约束、节点电压约束：

(3)配电网正常运行时的网络结构约束，要满足辐射状，无孤岛、环路。

式中，P_i为网络向节点i注入的有功功率；Q_i为网络向节点i注入的无功功率；P_Li为负荷节点i的有功负荷功率；Q_Li为负荷节点i的无功负荷功率；U_i为节点i的电压；U_j为节点j的电压；U_imin为节点i的最小电压；U_imax为节点i的最大电压；S_ij为支路i的容许容量；S_ijmax为支路i的最大容许容量；G_ij为节点i与j之间的电导；、B_ij为节点i与j之间的电纳；θ_ij为节点i与j之间的相角差。

传统的粒子群算法在进化后期，由于粒子的飞行方向根据全体和自身方向决定，算法易陷入局部最优解或是陷入停滞状态。为了解决这些问题，Sun等人于2004年提出量子粒子群算法(QPSO)。传统的量子粒子群算法主要用于解决连续的数值问题，采用的是连续编码方式。配电网重构是一类离散优化问题，所以对粒子进行离散编码是应用量子粒子群算法进行配电网重构的首要问题。粒子群算法的离散编码解决方式主要有二进制编码和整数型编码两种。

传统的QPSO主要用于解决连续的数值问题，计算处理时各迭代方程产生的数值均是连续的实数。本发明采用整数型环网编码，所有粒子的各维分量要求是正整数，所以发明对量子粒子群算法的变异策略进行改进，得到整数编码型量子粒子群算法(Iteger codedquantum particle swarm optimization，简称ICQPSO)。如公式(4)所示。

在优选的实施例中，在步骤S54中整数编码型量子粒子群算法为：

其中，round()函数用于按指定位数对数值进行四舍五入，将生成的连续实数的粒子解转化为正整数解，其他迭代方程同传统的量子粒子群算法；t表示迭代次数；u为在[0,1]上均匀分布的随机数；在迭代过程中，若随机数u大于0.5，则式中取“-”号，其他情况取“+”号；P_id(s)为第t次迭代时第si个粒子的第d维的位置；mbest(t)为种群中所有粒子第t次迭代时第s个粒子的平均最佳位置；X_sd(t)第t次迭代时第si个粒子的第d维的位置；β为收缩扩张系数，用来控制粒子的收敛速度，是整数编码型量子粒子群算法的重要参数，β的取值按照一定的方式动态变化，变化规律如下：

β随着迭代的进行，线性地从λ₁递减到λ₂，通常λ₁＝1，λ₂＝0.5，式中maxIters是迭代的最大次数。

由于粒子的每一维都代表每个环中要断开的开关，环内开关个数不同，故每一维的初始上下限也不同，所以要对粒子的每一维单独进行初始上下限的指定，采用公式(5)和公式(6)对可行区间上粒子的每一维的上下界限进行指定。

Ub＝[Ub₁,Ub₂,…,Ub_d] (5)

Lb＝[Lb₁,Lb₂,…,Lb_d] (6)

其中，Ub为粒子的每一维的初始化上限矩阵；Lb为粒子的每一维的初始化下限矩阵；Ub_d为粒子第d维的初始化上限；Lb_d为粒子第d维的初始化下限；d＝1,2,…Dim，Dim为粒子的维数；

粒子在解空间中进行随机搜索时，通常会越出边界，若粒子的第d维X_d大于粒子的第d维上限值Ub_d，则通过函数randint()生成Lb_d与Ub_d之间的一个随机整数；反之，若粒子的第d维X_d小于粒子的第d维下限值Lb_d，则通过函数randint()生成Lb_d与Ub_d之间的一个随机整数，保证变异后的粒子仍旧满足环网编码要求。其中，函数randint()在MATLAB中用于产生基质的均匀分布的随机整数。以上边界变异操作过程入公式(7)所示：

采用如图3所示的IEEE33节点的配网系统进行故障恢复性重构仿真分析，采用多种故障情况验证提出的基于ICQPSO算法的故障恢复重构的可行性。其中系统中含有33个节点，37条支路，其中有32个断开开关和5个联络开关。基准电压为12.66kV，全网有功负荷和无功负荷分别为3715kW和2300kvar。

整数编码型量子粒子群算法的收敛精度设为10^-6，粒子维数为5，种群数量为50，最大迭代次数设置为100，边界变异系数c为0.02。粒子各维的下限均为1，上限分别为10,7,15,21,11。仿真部分的重构优化结果以断开开关组合予以展示，断开开关的不同组合状态实现网络的拓扑结构的变化。仿真时不考虑有远程控制的开关，所有开关的权重取相同的值。

静态优化重构：

首先对初始的33节点系统进行以有功损耗最小为目标的静态优化重构，采用ICQPSO算法进行寻优。静态优化重构结果如下表2。

表2

网络重构后，有功损耗从初始的202.6471kW降低到139.4731kW，降低了31.17％。节点最低电压也由原来的0.9133pu提升到了0.9378pu。重构后的网络各节点电压较之重构前有了很大的提升，说明配电网重构能达到降低有功损耗，提高电能质量的目的。

故障恢复性重构中采用静态优化重构的优化结果为初始网络状态。初始网络拓扑结构图如图4所示。开关7、14、9、32、37断开，其余开关闭合，网络初始有功损耗为139.4410kW。分单一故障，双重故障及多重复杂故障三种情况进行仿真分析。

故障恢复性重构的经济性优化模型与传统优化模型比较：

经济性优化模型在以开关操作次数最小为目标的同时，综合考虑了有功损耗对于恢复性重构的影响，能在最小的开关操作次数的不同方案中寻求有功损耗最小的组合方案。

下面将分单一支路故障、双重故障、多重故障三种情况对经济性优化模型的优势进行分析验证。

1.支路8故障情况分析：

运用传统开关操作次数最小为目标进行优化重构，得到了如表3所示的三种重构组合方案。传统的恢复重构模型仅以开关操作次数最小进行寻优，在三种方案中，寻优值均为1，不能保证寻找到有功损耗最小的组合方案，最坏的情况将得到有功损耗为171.8461kW的重构方案3。而经济性优化模型以最小的寻优值为标准能准确寻找到有功损耗最小的重构方案1，该方案有功损耗最小为146.0677kW。通过此仿真对比能体现提出的经济性优化模型的优势。比较结果如表3单一故障情况经济性优化模型与传统优化模型重构结果比较所示。

表3

同理：在27号线路检修，8号线路故障的双重故障情况下，两种优化模型的重构结果比较如表4双重故障情况经济性优化模型与传统优化模型重构结果比较所示。同样可获知：经济性优化模型在最小寻优值下能准确寻找到最小有功损耗的重构方案，故经济性优化模型正确有效，符合故障恢复性重构实际要求。

表4

经济性优化模型的配电网故障恢复性重构仿真包括：分单一故障、双重故障和多重故障三种情况进行经济性优化模型下的故障恢复性重构仿真，验证发明所提方法的正确性与有效性。

1、单一故障情况：

此类故障考虑故障时只跳开单一支路，在配电网中出现概率大，表5中显示了在27、8、3支路分别故障后的恢复性重构结果，分三种故障方案进行仿真分析，重构优化结果如表5所示。

表5

2、双重故障情况：

双重故障情况模拟配电网中一条支路检修期间，另一回支路故障断开的情况，即线路检修N-1情况。分三种故障方案进行仿真分析，双重故障恢复性重构优化结果如表6所示。

表6

3、多重复杂故障情况：

多重复杂故障情况模拟配电网中一条支路检修期间，另两回支路故障断开的情况，此类故障发生概率非常小。多重复杂故障恢复性重构优化结果如表7所示，重构后的网络拓扑图如图5所示。

表7

可以获知：在3、8、27三条支路同时故障后，通过恢复性重构，断开开关组合由初始的[7 14 9 32 37]变为[3 14 8 32 27]，开关操作次数3次，达到了全网所有负荷节点安全稳定供电的目的。

以上三种故障情况基本涵盖了典型配电网的所有故障情况，仿真结果显示，本法提出的配电网故障恢复性重构方法行之有效，正确可行。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (7)

1.一种配电网故障恢复性重构方法，其特征在于，包括下述步骤：

S1.初始化配电网参数，读取故障信息；

S2.根据所述故障信息初始化非故障区网络信息；

S3.根据整数型环网编码策略对非故障区网络进行编码，获取非故障区网络编码；

S4.对所述非故障区网络编码的整数编码型量子粒子群参数进行初始化；

S5.分别对所述整数编码型量子粒子群中的每个粒子的解进行有效性判断，以对解有效的粒子进行优化更新，获取故障恢复性重构开关组合。

2.根据权利要求1所述的配电网故障恢复性重构方法，其特征在于，所述整数型环网编码策略为：

将所述非故障区网络的联络开关以自然数编号，并对每个联络开关所对应的环网进行单独编号；所述联络开关的个数表示粒子的维数，每个环网中断开的开关的编号为粒子的每一维元素。

3.根据权利要求1所述的配电网故障恢复性重构方法，其特征在于，在所述步骤S4中，对所述非故障区网络编码的整数编码型量子粒子群参数进行初始化的过程为：

预设整数编码型量子粒子群的上限矩阵、下限矩阵、边界变异系数，种群规模和最大迭代次数。

4.根据权利要求3所述的配电网故障恢复性重构方法，其特征在于，在所述步骤S5中对所述整数编码型量子粒子群中的每个粒子的解进行有效性判断，以对解有效的粒子进行优化更新的过程为：

S51.判断所述整数编码型量子粒子群中的一个粒子的解是否有效，若是，执行步骤S53；若否，执行步骤S52；

S52.将解无效的粒子的局部最优位置设为常数，将局部最优位置更新为所述粒子的当前位置，执行步骤S55；

S53.根据优化模型计算解有效的粒子的适应值，执行步骤S54；

S54.根据所述适应值依据整数编码型量子粒子群算法分别计算所述粒子的新位置，将新位置更新为所述粒子的位置，执行步骤S55；

S55.将当前迭代次数加1，判断当前迭代次数是否大于所述最大迭代次数，若否，返回执行步骤S51；若是，结束；

当所述整数编码型量子粒子群中的所有粒子的迭代次数均达到最大迭代次数时，将当前的所述整数编码型量子粒子群的位置矩阵，作为故障恢复性重构开关组合输出。

5.根据权利要求4所述的配电网故障恢复性重构方法，其特征在于，在所述步骤S53根据优化模型计算解有效的粒子的适应值的过程为：

将解有效的粒子的初始局部最优位置作为相应粒子的当前位置，将所述整数编码型量子粒子群的全局最优位置作为所述整数编码型量子粒子群中最优粒子的位置。

6.根据权利要求4所述的配电网故障恢复性重构方法，其特征在于，在所述步骤S53中所述优化模型为：

其中，A＝[a₁,…,a_m,a_m+1,…,a_m+n]为开关权重系数向量，h为有功损耗附加因子，P_loss为有功损耗，P_init为恢复性重构前的初始有功损耗，r_l为支路l的电阻，k_l表示支路l中的开关的0-1离散状态变量，U_i为支路i首节点的电压幅值，P_i为网络向节点i注入的有功功率；Q_i为网络向节点i注入的无功功率；l表示网络中的支路；m表示非故障区网络的分段开关数；n表示非故障区网络的联络开关数；y_e表示第e个分段开关的开合状态；z_f表示第f个分段开关的开合状态。

7.根据权利要求4所述的配电网故障恢复性重构方法，其特征在于，在所述步骤S54中整数编码型量子粒子群算法为：

其中，round()函数用于按指定位数对数值进行四舍五入，将生成的连续实数的粒子解转化为正整数解；t表示迭代次数；u为在[0,1]上均匀分布的随机数；P_id(s)为第t次迭代时第s个粒子的第d维的位置；mbest(t)为种群中所有粒子第t次迭代时第s个粒子的平均最佳位置；X_sd(t)第t次迭代时第s个粒子的第d维的位置；β为收缩扩张系数。