CN108233359A - 一种特高压交直流馈入受端电网的分区优化方法及系统 - Google Patents

Abstract

本发明提供了一种特高压交直流馈入受端电网的分区优化方法及系统，包括：根据基于复杂社团结构理论的电网分区方法，确定电力网络的电网关键通道集；基于所述电网关键通道集，根据基于快速分类的非支配遗传算法NSGA‑II对随机生成的分区方案进行多目标优化迭代计算，得到最优分区方案集。本发明提供的技术方案将复杂网络社团结构理论和基于快速分类的非支配遗传算法NSGA‑II相结合应用于电网规划中，避免了大电网的维数灾问题，该方法简单、实用、操作性强。

Description

一种特高压交直流馈入受端电网的分区优化方法及系统

技术领域

本发明涉及电网分区方法及系统，具体涉及一种特高压交直流馈入受端电网的分区优化方法及系统。

背景技术

电网分区一直是电网规划面临的重要问题，对于有多回特高压交直流密集馈入的受端电网，该问题将更为突出。对于以500千伏为主网架的传统电网来说，电网分区主要依据行政区域及运行人员长期积累的运行经验来划分，通常很少变化，但当电网建设工程密集、运行方式变化多样时，特别是随着特高压电网的发展，将逐渐形成1000/500千伏电磁环网，大电网的行政区域概念逐渐弱化，传统分区方法往往不能反映电网实际分区特征。

电网分区从数学上可看作是组合优化问题。近年来，基于各种电气距离的聚类或分类方法成为研究电网分区问题的主流，但这些算法多基于电网的结构特征，或者电压-无功灵敏度等静态指标，极少涉及电网的动态电气特性，也不能充分反映特高压交直流馈入受端电网的系统特性。

因此有必要研究一种适用于特高压交直流馈入的特高压交直流馈入受端电网的分区优化方法。

发明内容

本发明提供了一种特高压交直流馈入受端电网的分区优化方法，包括：

根据基于复杂社团结构理论的电网分区方法，确定电力网络的电网关键通道集；

基于所述电网关键通道集，根据基于快速分类的非支配遗传算法NSGA-II对随机生成的分区方案进行多目标优化迭代计算，得到最优分区方案集。

所述确定电力网络的电网关键通道集之前还包括简化电力网络，将电力网络中的所有母线抽象为无差别的节点，将所有输电线路和变压器支路抽象为无向网络中的有权边，权重为该支路的导纳模值，电力网络被抽象成一个具有n个节点的无向、有权的稀疏连通图并用n*n阶的关联矩阵A表示。

所述确定电力网络的电网关键通道集包括：

步骤1：用改进floyd-warshall算法计算电力网络最短路径长度矩阵及所有最短路径；

步骤2：计算当前电力网络中所有的边介数；

步骤3：找到边介数最高的边将其从电力网络中移除；

步骤4：返回步骤2，直到各枢纽点被划分到不同的分区；

选取特高压变电站为枢纽点；

被移除的边的集合为电网关键通道集。

所述根据基于快速分类的非支配遗传算法NSGA-II算法对随机生成的分区方案进行多目标优化迭代计算包括：

根据电网关键通道集生成一个染色体个数为N的父代种群P_t，每一个随机生成的染色体代表一种电网分区方案；

根据预先构建的多目标优化数学模型计算父代种群P_t中每个个体的目标函数，并根据目标函数对P_t进行非劣分层，并计算每层个体的适应值；

根据父代种群P_t个体的适应值，采用遗传算法生成一个规模为N的子代种群Q_t；

根据父代种群P_t和子代种群Q_t生成一个规模为N的父代种群P_t+1；

对生成的父代种群进行迭代计算，直至迭代完预先设定的最大进化代数，输出最优分区方案集。

所述根据电网关键通道集生成一个染色体个数为N的父代种群P_t包括：

将电网关键通道集中的关键通道分为开断与不开断两种状态，用0-1整形变量采用逐线编码的方法对关键通道编码，当变量为1时，表示相应的关键通道被选中开断，反之，表示相应的关键通道不开断，所述染色体长度等于电网关键通道集中关键通道的个数。

所述多目标优化数学模型包括目标函数和约束条件；

所述多目标优化数学模型的目标函数包括：

功率转移支撑强度目标函数f₁如下式所示：

f₁＝max(K_ac.dc)

式中，K_ac,dc为功率转移支撑强度指标，ΔP为功率转移量，P_ac0为潮流转移通道的初始功率，P_aclimit为潮流转移通道的输送功率极限；

多直流馈入均衡度目标函数f₂如下式所示：

f₂＝min(M_bal)

式中，M_bal为多直流馈入均衡度指标；c个含直流落点的分区；k＝1,…,b_L，对应第L个分区内具有b_L个直流落点；i＝1,…,a，对应电力网络中具有a个直流落点；MISCR_LK为第L个分区内第k回直流所对应的多馈入短路比；MISCR_i为第i回直流所对应的多馈入短路比；S_aci为第i回直流系统换流母线的三相短路容量；P_deqi为考虑了其他直流系统影响的第i回直流系统的等值直流功率；Z_eqii为等值阻抗矩阵中第i回直流系统换流母线所对应的自阻抗；Z_eqij为等值阻抗矩阵中第i回直流系统换流母线和第j回直流系统换流母线之间的互阻抗；P_di为第i回直流的额定功率；P_dj为第j回直流的额定功率；

电网平均强度目标函数f₃如下式所示：

f₃＝min(S_ac)

式中，S_ac为电网平均强度指标，i＝1,…,n，对应电力网络中具有n个分区，S_i为第i个分区的短路容量。

所述计算每层个体的适应值如下所示：

F₁＝-f₁+W

F₂＝f₂+W

F₃＝f₃+W

式中，F₁为功率转移支撑强度适应值，F₂为多直流馈入均衡度适应值，F₃为电网平均强度适应值，f₁为功率转移支撑强度目标函数，f₂为多直流馈入均衡度目标函数，f₃为电网平均强度目标函数，W为罚值，若多目标优化数学模型的所有约束条件均得到满足，则W＝0；若存在某一约束条件未得到满足，则W为一个无穷大的正值。

所述采用遗传算法生成一个规模为N的子代种群Q_t包括：

采用轮赛制选择父代种群P_t中的个体作为算子，然后采用单点交叉算子和随机变异算子生成子代种群；

所述轮赛制选择算子包括：随机选择2个体，用NSGA-II算法计算非劣解等级和局部拥挤距离，若非劣解等级不同，取等级高的个体为算子，若非劣解等级相同，取局部拥挤距离大的个体为算子。

根据父代种群P_t和子代种群Q_t生成一个规模为N的父代种群P_t+1包括：

将父代种群P_t和子代种群Q_t合并为统一的种群R_t＝P_t∪Q_t，规模为2N；用NSGA-II算法对种群R_t进行快速非支配排序，并计算个体拥挤距离，若等级不同，取等级高的个体放入新的父代P_t+1中，若等级相同，取个体拥挤距离大的个体放入新的父代P_t+1中，直到新一轮进化的父代种群P_t+1个体数为N。

所述多目标优化数学模型的约束条件包括：系统没有孤立节点，潮流有功、无功平衡，支路功率不高于最大值、节点电压不低于最小值且不高于最大值、短路电流不高于最大值，

多馈入短路比不低于最小值，功率转移支撑强度大于1，分区内的枢纽点个数大于0。

本发明提供一种特高压交直流馈入受端电网的分区优化系统，包括：

关键通道集模块：根据基于复杂社团结构理论的电网分区方法，确定电力网络的电网关键通道集；

优化模块：基于所述电网关键通道集，根据基于快速分类的非支配遗传算法NSGA-II对随机生成的分区方案进行多目标优化迭代计算，得到最优分区方案集。

所述优化模块包括：

父代种群模块：根据电网关键通道集生成一个染色体个数为N的父代种群P_t，每一个随机染色体代表一种电网分区方案；

数学模型模块：建立多目标优化数学模型；

非劣分层模块：根据所述多目标优化数学模型计算父代种群P_t中每个个体的目标函数，并根据目标函数对P_t进行非劣分层，并计算每层个体的适应值；

子代种群模块：根据父代种群P_t个体的适应值，采用遗传算法生成一个规模为N的子代种群Q_t；

新父代种群模块：根据父代种群P_t和子代种群Q_t生成一个规模为N的父代种群P_t+1；

迭代模块：对生成的父代种群进行迭代计算，直至迭代完预先设定的最大进化代数，输出最优分区方案集。

与最接近的现有技术比，本发明提供的技术方案具有以下有益效果：

本发明提供的技术方案，首次将复杂网络社团结构理论和基于快速分类的非支配遗传算法NSGA‐II相结合应用于电网规划中，首先利用基于复杂社团结构理论的电网分区方法，确定电网关键通道集，实现了从全部通道到关键通道的分区通道的降维，然后建立了包含交直流系统特性的多目标函数，并根据NSGA‐II算法，寻找最优的分区方案集。既避免了大电网的维数灾问题，又兼顾考虑了网络拓扑和系统特性两方面因素。该方法科学合理、有效性更强。

本发明提供的技术方案，首先利用传统分区方法确定电网关键通道集，既继承了传统方法的优点，又不局限于利用复杂社团结构理论形成分区方案，而是根据NSGA‐II算法，对随机生成的分区方案，利用交流电网的系统特性作多目标优化迭代计算；

本发明提供的技术方案，结合交流电网的系统特性，建立多目标优化数学模型，协调解决特高压交直流馈入受端电网的多方面问题。考虑到各个目标之间存在相互矛盾的特点，利用NSGA‐II算法，协调各目标函数之间的关系，找出使各目标函数能尽量达到比较大(或比较小)的最优解集，为各目标之间的权衡分析提供了有效的工具。

本发明提供的技术方案，建立了兼顾功率转移支撑强度、多直流馈入均衡度、电网平均强度等特高压交直流馈入受端系统典型特性的多目标优化数学模型。该方法针对性和适用性更强，克服了以往单目标优化方法仅解决某一类问题、达到某一种目标的局限性。

本发明提供的技术方案，为特高压交直流馈入的受端电网规划设计提供分区方案的分析算法和技术依据，该方法简单、实用、操作性强。

附图说明

图1为本发明一种特高压交直流馈入受端电网的分区优化方法流程图；

图2为本发明实施例根据基于快速分类的非支配遗传算法NSGA-II对随机生成的分区方案进行多目标优化迭代计算的流程图；

图3为本发明实施例确定电力网络的电网关键通道集的流程图；

图4为京津唐电网分区方案示意图；

图5为京津唐电网分区方案潮流图。

具体实施方式

下面结合附图对本发明作进一步详细的说明：

如图1所示，本发明提供了一种特高压交直流馈入受端电网的分区优化方法，包括：

根据基于复杂社团结构理论的电网分区方法，确定电力网络的电网关键通道集；

基于所述电网关键通道集，根据基于快速分类的非支配遗传算法NSGA-II对随机生成的分区方案进行多目标优化迭代计算，得到最优分区方案集。

所述确定电力网络的电网关键通道集之前还包括

1-1：确定电力网络的简化原则

(1)本次研究仅限于500千伏及以上输电网络，不考虑其他电压等级的输配电网络；

(2)电力网络中的所有母线均抽象为无差别的节点，且不考虑接地点；

(3)所有输电线路和变压器支路均抽象为无向网络中的有权边，权重为该支路的导纳模值，且不考虑直流线路。

1-2：形成关联矩阵A

按照简化原则，电力网络被抽象成一个具有n个节点的无向、有权的稀疏连通图，可以用n*n阶的关联矩阵A表示。

所述根据规划意图确定分区边界条件包括：

2-1：确定分区原则

(1)本次研究主要适用于特高压交直流馈入密集网络后的受端电网分区，解开1000/500千伏电磁环网将是分区的主要手段；

(2)在规划电网中，受端电网的受电规模日益增加，特高压交直流馈入电力将是其主要受电来源；

(3)为了确保每个分区的受电来源充足，选取特高压变电站作为枢纽点，且每个分区里至少包含一个枢纽点。

2-2：确定分区数量

电力网络中具有m个特高压变电站，则分区方案数目为：

如图3所示为确定电力网络的电网关键通道集的流程图，包括：

步骤1：用改进floyd-warshall算法计算电力网络最短路径长度矩阵及所有最短路径；

步骤2：计算当前电力网络中所有的边介数；

步骤3：找到边介数最高的边将其从电力网络中移除；

步骤4：返回步骤2，直到各枢纽点被划分到不同的分区；

选取特高压变电站为枢纽点；

被移除的边的集合为电网关键通道集。

所述根据NSGA-II算法对随机生成的分区方案进行多目标优化迭代计算包括：建立多目标优化数学模型。

所述多目标优化数学模型包括目标函数和约束条件；

所述多目标优化数学模型的目标函数包括：

功率转移支撑强度目标函数f₁如下式所示：

f₁＝max(K_ac.dc)

在系统满足安全约束条件K_ac,dc＜1的前提下，功率转移支撑强度越大，也就是越接近于1，说明潮流转移通道的利用率越高；

式中，K_ac,dc为功率转移支撑强度指标，ΔP为功率转移量，P_ac0为潮流转移通道的初始功率，P_aclimit为潮流转移通道的输送功率极限；

K_ac,dc为关键交流通道或直流线路发生故障后，潮流转移通道交流功率与断面功率极限之比，当K_ac,dc＜1时，交流通道能承受交直流故障后的功率转移；当K_ac,dc＞1时，交流通道无法承接故障后的功率转移，一旦故障后，转移的功率将突破交流通道的功率极限导致系统发生稳定性问题。

该指标反映两个系统特性：一是分区内的直流线路发生换相失败或闭锁故障后，大量潮流通过特高压主变及分区内的关键交流通道转移的能力；二是分区内的关键交流通道发生短路故障失去后，潮流转移至其他通道的潮流转移能力。其中的关键交流通道取自边集合L。

分区方案的整体功率转移支撑强度指标定义为各个指标的平均值，即

式中，l＝1,…,k，对应电力网络中某一个分区方案下的直流及关键交流通道的数量。

多直流馈入均衡度目标函数f₂如下式所示：

f₂＝min(M_bal)

利用MISCR均方差概念描述分区方案直流落点的均衡性，该指标越小，说明各分区交流电网对直流的支撑能力越均衡；

式中，M_bal为多直流馈入均衡度指标；c个含直流落点的分区；k＝1,…,b_L，对应第L个分区内具有b_L个直流落点；i＝1,…,a，对应电力网络中具有a个直流落点；MISCR_LK为第L个分区内第k回直流所对应的多馈入短路比；MISCR_i为第i回直流所对应的多馈入短路比；S_aci为第i回直流系统换流母线的三相短路容量；P_deqi为考虑了其他直流系统影响的第i回直流系统的等值直流功率；Z_eqii为等值阻抗矩阵中第i回直流系统换流母线所对应的自阻抗；Z_eqij为等值阻抗矩阵中第i回直流系统换流母线和第j回直流系统换流母线之间的互阻抗；P_di为第i回直流的额定功率；P_dj为第j回直流的额定功率；

多直流馈入均衡度指标反映了某一个分区方案内，各分区之间直流落点的均衡性，避免个别分区内的直流MISCR低、交流电网对直流的支撑能力弱的木桶效应出现。

电网平均强度目标函数f₃如下式所示：

f₃＝min(S_ac)

利用短路容量的均方差概念描述各分区电网抗扰动能力的均衡性，在系统短路电流满足开关遮断容量约束的前提下，该指标越小，说明各分区电网强度越均衡；

式中，S_ac为电网平均强度指标，i＝1,…,n，对应电力网络中具有n个分区，S_i为第i个分区的短路容量。

短路容量能够反映系统的抗扰动能力及网络关联强度。该指标反映了各分区之间短路容量的均衡性，避免个别分区的短路容量小、交流系统弱的木桶效应出现，使得分区方案的整体抗扰动能力、网架结构更坚强。

所述多目标优化数学模型的约束条件如下所示：

式中，N_b为节点总数；I_k为节点k的短路电流；为节点k的短路电流控制上限；N_l为支路总数；S_l为支路l的功率；为支路l的功率上限；U_k节点k的电压；为节点k的电压上、下限；MISCR_i为多馈入短路比；MISCR_min为多馈入短路比下限；K_ac,dc为功率转移支撑强度；KP_i为第i个分区内的枢纽点个数。

所述计算每层个体的适应值如下所示：

F₁＝-f₁+W

F₂＝f₂+W

F₃＝f₃+W

式中，F₁为功率转移支撑强度适应值，F₂为多直流馈入均衡度适应值，F₃为电网平均强度适应值，f₁为功率转移支撑强度目标函数，f₂为多直流馈入均衡度目标函数，f₃为电网平均强度目标函数，W为罚值，若多目标优化数学模型的所有约束条件均得到满足，则W＝0；若存在某一约束条件未得到满足，则W为一充分大的正值。

如图2所示，为采用基于遗传算法的多目标优化算法对所述分区方案进行多目标优化迭代计算的具体流程图，包括如下步骤：

步骤1：根据电网关键通道集形成降维决策变量集；

步骤2：生成一个染色体个数为N的父代种群P_t，每一个染色体代表一种电网分区方案，并初始化令t＝0；

步骤3：根据所述多目标优化数学模型计算父代种群P_t中每个个体的目标函数，并根据目标函数对P_t进行非劣分层，并计算每层个体的适应值；

步骤4：采用轮赛制选择、交叉、变异得到一个染色体个数为N子代种群Q_t；

步骤5：将父代种群P_t和子代种群Q_t合并为统一的种群R_t＝P_t∪Q_t，规模为2N；

步骤6：用NSGA-II算法对种群R_t进行快速非支配排序，并计算个体拥挤距离，根据精英策略得到新的父代种群P_t+1；

步骤7：判断t是否大于t_max，t_max为人为设定的最大进化代数，若大于则输出最优方案，若不大于，则将新的父代种群P_t+1返回步骤3继续计算，直到t＞t_max，输出最优方案。

所述精英策略包括：若等级不同，取等级高的个体放入新的父代P_t+1中，若等级相同，取个体拥挤距离大的个体放入新的父代P_t+1中，直到新一轮进化的父代种群P_t+1个体数为N。

所述生成一个染色体个数为N的父代种群P_t包括：

将电网关键通道集中的关键通道分为开断与不开断两种状态，用0-1整形变量采用逐线编码的方法对关键通道编码，当变量为1时，表示相应的关键通道被选中开断，反之，表示相应的关键通道不开断，所述染色体长度等于电网关键通道集中关键通道的个数。

所述采用遗传算法生成一个规模为N的子代种群Q_t包括：

采用轮赛制选择父代种群P_t中的个体作为算子，然后采用单点交叉算子和随机变异算子生成子代种群；

所述轮赛制选择算子包括：随机选择2个体，用NSGA-II算法计算非劣解等级和局部拥挤距离，若非劣解等级不同，取等级高的个体为算子，若非劣解等级相同，取局部拥挤距离大的个体为算子。

所述根据父代种群P_t和子代种群Q_t生成一个规模为N的父代种群P_t+1包括：

将父代种群P_t和子代种群Q_t合并为统一的种群R_t＝P_t∪Q_t，规模为2N；用NSGA-II算法对种群R_t进行快速非支配排序，并计算个体拥挤距离，若等级不同，取等级高的个体放入新的父代P_t+1中，若等级相同，取个体拥挤距离大的个体放入新的父代P_t+1中，直到新一轮进化的父代种群P_t+1个体数为N。

基于相同的构思，本发明还提供一种特高压交直流馈入受端电网的分区优化系统，可以包括：

关键通道集模块：根据基于复杂社团结构理论的电网分区方法，确定电力网络的电网关键通道集；

优化模块：基于所述电网关键通道集，根据基于快速分类的非支配遗传算法NSGA-II对随机生成的分区方案进行多目标优化迭代计算，得到最优分区方案集。

所述优化模块包括：

父代种群模块：根据电网关键通道集生成一个染色体个数为N的父代种群P_t，每一个随机染色体代表一种电网分区方案；

数学模型模块：建立多目标优化数学模型；

非劣分层模块：根据所述多目标优化数学模型计算父代种群P_t中每个个体的目标函数，并根据目标函数对P_t进行非劣分层，并计算每层个体的适应值；

子代种群模块：根据父代种群P_t个体的适应值，采用遗传算法生成一个规模为N的子代种群Q_t；

新父代种群模块：根据父代种群P_t和子代种群Q_t生成一个规模为N的父代种群P_t+1；

迭代模块：对生成的父代种群进行迭代计算，直至迭代完预先设定的最大进化代数，输出最优分区方案集。

实施例：本发明以2020年京津唐规划电网为对象，验证所提方法的有效性。

2020年京津唐规划电网中，有北京东、北京西、天津南共3座特高压变电站，有3回±800千伏特高压直流馈入，分别落点唐山、天津、廊坊。利用本发明所提方法得出Pareto最优解，具体的电网分区方案示意图如图4所示。

对该分区方案进行电气仿真计算，潮流图如图5所示。结果表明，短路电流均在开关遮断容量范围内，电网潮流分布均匀，在“N-1”方式下均能满足静态安全要求，京津唐地区所有500千伏及以上交流线路N-1故障后系统稳定。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (12)

1.一种特高压交直流馈入受端电网的分区优化方法，其特征在于，包括：

根据基于复杂社团结构理论的电网分区方法，确定电力网络的电网关键通道集；

基于所述电网关键通道集，根据基于快速分类的非支配遗传算法NSGA-II对随机生成的分区方案进行多目标优化迭代计算，得到最优分区方案集。

2.如权利要求1所述的特高压交直流馈入受端电网的分区优化方法，其特征在于，所述确定电力网络的电网关键通道集之前还包括简化电力网络，将电力网络中的所有母线抽象为无差别的节点，将所有输电线路和变压器支路抽象为无向网络中的有权边，权重为该支路的导纳模值，电力网络被抽象成一个具有n个节点的无向、有权的稀疏连通图并用n*n阶的关联矩阵A表示。

3.如权利要求1所述的特高压交直流馈入受端电网的分区优化方法，其特征在于，所述确定电力网络的电网关键通道集包括：

步骤1：用改进floyd-warshall算法计算电力网络最短路径长度矩阵及所有最短路径；

步骤2：计算当前电力网络中所有的边介数；

步骤3：找到边介数最高的边将其从电力网络中移除；

步骤4：返回步骤2，直到各枢纽点被划分到不同的分区；

选取特高压变电站为枢纽点；

被移除的边的集合为电网关键通道集。

4.如权利要求1所述的特高压交直流馈入受端电网的分区优化方法，其特征在于，所述根据基于快速分类的非支配遗传算法NSGA-II算法对随机生成的分区方案进行多目标优化迭代计算包括：

根据电网关键通道集生成一个染色体个数为N的父代种群P_t，每一个随机生成的染色体代表一种电网分区方案；

根据预先构建的多目标优化数学模型计算父代种群P_t中每个个体的目标函数，并根据目标函数对P_t进行非劣分层，并计算每层个体的适应值；

根据父代种群P_t个体的适应值，采用遗传算法生成一个规模为N的子代种群Q_t；

根据父代种群P_t和子代种群Q_t生成一个规模为N的父代种群P_t+1；

对生成的父代种群进行迭代计算，直至迭代完预先设定的最大进化代数，输出最优分区方案集。

5.如权利要求4所述的特高压交直流馈入受端电网的分区优化方法，其特征在于，所述根据电网关键通道集生成一个染色体个数为N的父代种群P_t包括：

将电网关键通道集中的关键通道分为开断与不开断两种状态，用0-1整形变量采用逐线编码的方法对关键通道编码，当变量为1时，表示相应的关键通道被选中开断，反之，表示相应的关键通道不开断，所述染色体长度等于电网关键通道集中关键通道的个数。

6.如权利要求4所述的特高压交直流馈入受端电网的分区优化方法，其特征在于，

所述多目标优化数学模型包括目标函数和约束条件；

所述多目标优化数学模型的目标函数包括：

功率转移支撑强度目标函数f₁如下式所示：

f₁＝max(K_ac.dc)

式中，K_ac,dc为功率转移支撑强度指标，ΔP为功率转移量，P_ac0为潮流转移通道的初始功率，P_aclimit为潮流转移通道的输送功率极限；

多直流馈入均衡度目标函数f₂如下式所示：

f₂＝min(M_bal)

式中，M_bal为多直流馈入均衡度指标；c个含直流落点的分区；k＝1,…,b_L，对应第L个分区内具有b_L个直流落点；i＝1,…,a，对应电力网络中具有a个直流落点；MISCR_LK为第L个分区内第k回直流所对应的多馈入短路比；MISCR_i为第i回直流所对应的多馈入短路比；S_aci为第i回直流系统换流母线的三相短路容量；P_deqi为考虑了其他直流系统影响的第i回直流系统的等值直流功率；Z_eqii为等值阻抗矩阵中第i回直流系统换流母线所对应的自阻抗；Z_eqij为等值阻抗矩阵中第i回直流系统换流母线和第j回直流系统换流母线之间的互阻抗；P_di为第i回直流的额定功率；P_dj为第j回直流的额定功率；

电网平均强度目标函数f₃如下式所示：

f₃＝min(S_ac)

式中，S_ac为电网平均强度指标，i＝1,…,n，对应电力网络中具有n个分区，S_i为第i个分区的短路容量。

7.如权利要求4所述的特高压交直流馈入受端电网的分区优化方法，其特征在于，所述计算每层个体的适应值如下所示：

F₁＝-f₁+W

F₂＝f₂+W

F₃＝f₃+W

式中，F₁为功率转移支撑强度适应值，F₂为多直流馈入均衡度适应值，F₃为电网平均强度适应值，f₁为功率转移支撑强度目标函数，f₂为多直流馈入均衡度目标函数，f₃为电网平均强度目标函数，W为罚值，若多目标优化数学模型的所有约束条件均得到满足，则W＝0；若存在某一约束条件未得到满足，则W为一个无穷大的正值。

8.如权利要求4所述的特高压交直流馈入受端电网的分区优化方法，其特征在于，所述采用遗传算法生成一个规模为N的子代种群Q_t包括：

采用轮赛制选择父代种群P_t中的个体作为算子，然后采用单点交叉算子和随机变异算子生成子代种群；

所述轮赛制选择算子包括：随机选择2个体，用NSGA-II算法计算非劣解等级和局部拥挤距离，若非劣解等级不同，取等级高的个体为算子，若非劣解等级相同，取局部拥挤距离大的个体为算子。

9.如权利要求4所述的特高压交直流馈入受端电网的分区优化方法，其特征在于，根据父代种群P_t和子代种群Q_t生成一个规模为N的父代种群P_t+1包括：

将父代种群P_t和子代种群Q_t合并为统一的种群R_t＝P_t∪Q_t，规模为2N；用NSGA-II算法对种群R_t进行快速非支配排序，并计算个体拥挤距离，若等级不同，取等级高的个体放入新的父代P_t+1中，若等级相同，取个体拥挤距离大的个体放入新的父代P_t+1中，直到新一轮进化的父代种群P_t+1个体数为N。

10.如权利要求6所述的特高压交直流馈入受端电网的分区优化方法，其特征在于，所述多目标优化数学模型的约束条件包括：系统没有孤立节点，潮流有功、无功平衡，支路功率不高于最大值、节点电压不低于最小值且不高于最大值、短路电流不高于最大值，多馈入短路比不低于最小值，功率转移支撑强度大于1，分区内的枢纽点个数大于0。

11.一种特高压交直流馈入受端电网的分区优化系统，其特征在于，所述系统包括：

关键通道集模块：根据基于复杂社团结构理论的电网分区方法，确定电力网络的电网关键通道集；

优化模块：基于所述电网关键通道集，根据基于快速分类的非支配遗传算法NSGA-II对随机生成的分区方案进行多目标优化迭代计算，得到最优分区方案集。

12.如权利要求11所述的特高压交直流馈入受端电网的分区优化系统，其特征在于，所述优化模块包括：

父代种群模块：根据电网关键通道集生成一个染色体个数为N的父代种群P_t，每一个随机染色体代表一种电网分区方案；

数学模型模块：建立多目标优化数学模型；

非劣分层模块：根据所述多目标优化数学模型计算父代种群P_t中每个个体的目标函数，并根据目标函数对P_t进行非劣分层，并计算每层个体的适应值；

子代种群模块：根据父代种群P_t个体的适应值，采用遗传算法生成一个规模为N的子代种群Q_t；

新父代种群模块：根据父代种群P_t和子代种群Q_t生成一个规模为N的父代种群P_t+1；

迭代模块：对生成的父代种群进行迭代计算，直至迭代完预先设定的最大进化代数，输出最优分区方案集。