CN109886472A - 一种分布式光伏和电动汽车接入不确定性的配电台区容量方法 - Google Patents

Abstract

本发明公开了一种分布式光伏和电动汽车接入不确定性的配电台区容量方法，包括如下步骤：步骤1，建立分布式光伏功率输出模型；步骤2，建立电动汽车电池充电模型；步骤3，考虑分布式光伏和电动汽车接入的不确定性，构建配电台区容量优化配置模型；步骤4，应用粒子群算法对步骤3的配电台区容量优化配置模型模型进行求解等步骤；该方法针对分布式光伏和电动汽车具有间歇性、随机性的特点，在传统配电台区优化规划方法中考虑了分布式光伏和电动汽车带来的不确定性，可使配电台区优化规划满足电力负荷预测要求，实现更加经济、高效安全和电力系统功率动态平衡以及电压安全等目标。

Description

一种分布式光伏和电动汽车接入不确定性的配电台区容量 方法

技术领域

本发明涉及配电台区规划领域，尤其涉及分布式光伏和电动汽车接入不确定性的配电台 区方法。

背景技术

随着国民经济不断发展，配电台区负荷特性正发生深刻变化。在荷端，国家要求进一步 发展壮大电动汽车产业，并将对充电设备的建设及运营进行持续的补贴。在2016年和2017 年的“新能源汽车”重点专项中，中央财政分别投入达10.14亿元和11.2亿元。在这一系列 的政策刺激下，我国电动车保有量和充电站数量都有了井喷式增长。电动汽车充电曲线的高 不确定性导致配电台区下属负荷呈现出多元、互补、关联复杂形态，配电台区变压器峰谷差 不断加大，用电高峰期供需矛盾日益突出，电网调峰困难；在源端，以光伏为代表的分布式 电源大量接入配电台区。国家能源局数据显示，2018年一季度，我国分布式光伏新增装机 7.685GW，同比增加217％。国家电网公司也在“国家电网关于促进分布式电源并网管理工作 的意见”中明确提出“积极支持分布式电源发展，为接入工程建设提供便利条件，确保分布 式电源项目安全，可靠，及时接入电网”。然而，分布式光伏输出曲线具有极高的不确定性， 大量接入除了对配电台区的安全运行提出了更高要求，也相应改变了台区的“源-荷”组合后 所表达出的综合负荷特性，甚至出现峰谷差加大，功率倒送等问题。

目前，规划人员依然采用较为粗放的规程或标准对台区进行源-荷接入，忽略了源-荷时 序互补性，易造成某些台区长期高负载运行，而一些台区则长期轻载。为此，可利用源-荷时 序特性的交错特征，设计配电台区容量优化规划，实现台区变压器馈线负荷曲线的平滑，达 到优化馈线负载平衡、提升台区供电能力的目的。因此优化配电台区容量，在考虑分布式光 伏和电动汽车接入不确定性的同时提高馈线供电能力，是亟待解决的问题。

发明内容

针对现有配电台区容量计算中存在的问题，本发明公开了一种考虑分布式光伏和电动汽 车接入不确定性的配电台区容量优化规划方法，该方法针对分布式光伏和电动汽车具有间歇 性、随机性的特点，在传统配电台区优化规划方法中加入了分布式光伏和电动汽车的负荷模 型，可使配电台区优化规划满足电力负荷预测要求，实现更加经济、高效安全和电力系统功 率动态平衡以及电压安全等目标。

为解决现有技术中存在的技术问题，本发明采用如下技术方案：

一种采用分布式光伏和电动汽车接入的配电台区容量方法,包括如下步骤：

步骤1，建立分布式光伏功率输出模型；

步骤2，建立电动汽车电池充电模型；

步骤3，利用分布式光伏和电动汽车接入的不确定性，构建配电台区容量优化配置模型；

步骤4，应用粒子群算法对步骤3的配电台区容量优化配置模型进行求解。

所述步骤1的分布式光伏功率输出模型建立，包括如下步骤：

2.1、分布式光伏发电的原理是利用光能产生电能，当光照射到光伏电池上时，在光伏电 池中类似于二极管PN结上的两端会有电压产生，当大量的光伏电池串并联时，会得到相对 较大的功率，从而进行发电。于是，光伏电池的输出功率为：

P_m＝I_mU_m (1)

其中，I_m是光伏电池内部的等效二极管PN结反向饱和电流，U_m是光伏电池的开路电压。

2.2、在光伏电池的工作环境复杂多变，受多种不确定性的外界因素影响，例如光照强度， 温度等，于是光伏电池近似的工程简化模型如下：

其中，I_sc是光伏电池的短路电流，U_oc是光伏电池的开路电压，且C₁和C₂如下：

在应用中，还需要考虑到环境温度与光强对光伏电池温度的影响，如式(5)所示：

T＝T_air+KS (5)

其中，T为光伏电池的温度；T_air为环境温度；S为光照强度；K＝0.03℃·m²/W；

于是，可以得出在应用实际中的光伏电池的普适使用方程如下：

其中，a,b,c为常数；

2.3、光伏发电中的不确定因素主要为光伏电池温度与光照强度，而光伏电池温度又与环 境温度有关，因此，在实际中光伏电池板发电的功率如下：

P′_m＝I′_mU′_m (7)

所述步骤2的电动汽车充电模型包括以下内容：

(1)电池容量保持率

电动汽车的电池寿命会随着使用次数的增多而呈现出衰减的规律，其电池容量保持率β 和循环使用次数N之间的比值关系如下：

β_n＝β₀-kN^m (8)

其中，β₀是电池的额定容量保持率，β_n为电池在第N次循环后的容量保持率；N为循环次 数；一般情况下,β₀＝1.724；k＝0.0087；m＝0.6066。

(2)电池单次充电的寿命损耗

在电动汽车的实际应用中，电池一般都不会满充和满放，每一次的充电深度都不尽相同， 于是，加入等效充放系数α来描述频繁充电的情况下电池单次充电的寿命损耗情况：

其中，C₀为电池的额定容量；C_i,H,C_i,L为某一次充电时电池起止容量；并且α∈[0，1]，其物理 意义为：电池在某一随机深度循环充电一次，等效折算为满充/满放的次数。

(3)电动汽车充电功率

当电池充电时具有时间和空间上的不确定性，且电池处于不同的衰退程度，那么电动汽 车的充电功率曲线不尽相同，荷电状态曲线也不尽相同，假设最大充电功率保持不变，充电 曲线不变，通过对时间轴的压缩，近似得出电动汽车的充电过程如下：

可见，其中P_c(x,β)为充电功率；P_m为最大充电功率：β为电池容量保持率，也是区间变量；x为充电时间，是一个区间变量。可以发现电动汽车的充电规律中，变量为充电时间x的变化，发现充电时间的区间在[0，225β]与[225β，450β]之间，对应得出充电功率的规律为：

所述步骤3的考虑分布式光伏和电动汽车接入不确定性的配电台区容量优化配置模型包 括以下内容：

(1)目标函数

配电网台区容量优化配置首要目标是整个系统的经济性最佳，于是目标函数为：

其中，C₁为无功补偿的单机成本；ε,y,f_μ均是常系数；是第i个节点的无功补偿功率；C₂为可控制的分布式电源的成本；是接入第i个节点的分布式电源有功功率。该目标函数 考虑了新能源发电的随机性包括时间上的随机性以及电动汽车在时间上以及空间上的随机性。

另外，为了评价新能源、电动汽车接入配电网后的电能质量变化，本发明采用电压期望 偏差作为目标：

其中，U_it是第i个节点的电压；U_0t是第i个节点的参考电压；ΔU_imax是最大的电压差。

同时，为了衡量配电网中电能流动时所产生的损耗情况，一般使用系统的有功损耗期望 值作为优化目标：

minf₃＝E(P_loss) (14)

其中，P_loss是配电台区的网损。

于是，考虑分布式光伏和电动汽车接入不确定性的配电台区容量优化规划，以上述三个 目标函数为最终的优化目标，是一个多目标的优化规划模型。

(2)约束条件

在配电网台区的优化规划问题中，一般约束条件分为等式约束和不等式约束。其中，等 式约束中的功率平衡约束是指对于每一个节点，其注入的功率必须与输出的功率相等，主要 包括有功功率平衡以及无功功率平衡：

其中，P_gi是配电网变电站的出口有功功率；P_li是配电网实际有功负荷；p_ij是分布式电源、电 动汽车的总有功功率；Q_gi是配电网变电站的出口无功功率；Q_li是配电网实际无功负荷；q_ij是 节点的总无功功率。

分布式光伏的不确定出力等式约束：

电动汽车充电的不确定性等式约束：

不等式约束相对比较多，主要包括节点电压约束：

U_imin＜U_i＜U_imax (20)

其中，U_i是第i个节点电压，U_imax,U_imin分别为第i个节点的电压幅值上限和下限。

配电线路的容量限制：

S_i＜S_imax (21)

其中,S_i是第i条线路的实际容量；S_imax是第i条线路的最大容量。

电动汽车运行时间的约束:

其中，T_i ^on是电动汽车最小运行时间，T_i ^off是电动汽车最小停运时间。

所述步骤4应用粒子群算法对配电台区容量优化配置模型进行求解过程：

首先，将一些粒子随机安排到子空间中某一处，并且使得这些粒子按照一定的速度飞行， 以适应度为衡量标准，每个粒子又有着三个属性：位置，最好位置以及速度。假设当前是第 t代，则有如下公式：

其中：X，V，P分别代表粒子的位置，速度，以及最优解。并且有如下公式进行新旧替换计 算：

其中，t代表迭代次数，i表示这是第i个个体；j代表D维空间里的维数；因此，针对以上的 目标函数和约束条件组成的优化规划模型，有如下求解计算步骤：

1)完成群体的初始化，对初始速度，位置进行初始化；

2)计算适应度；

3)根据下面公式完成更新最优：

4)更新粒子的位置与速度；

5)满足条件则进行判断，完成迭代，否则的话需要返回步骤三进行更深一次的计算。

有益效果：本发明提出一种考虑分布式光伏和电动汽车接入不确定性的配电台区容量优 化规划方法，克服了分布式光伏和电动汽车大规模接入配电台区造成的强随机性与间歇性， 解决了配电台区容量优化规划问题。

附图说明

图1本发明实施例涉及有功功率损失值随迭代次数变化情况示意图。

具体实施方式：

下面对本发明作进一步详细地说明：

考虑分布式光伏和电动汽车接入不确定性的配电台区容量优化规划方法,包括如下步骤：

步骤1，建立分布式光伏功率输出模型；

步骤2，建立电动汽车电池充电模型；

步骤3，考虑分布式光伏和电动汽车接入的不确定性，构建配电台区容量优化配置模型；

步骤4，应用粒子群算法对步骤3的配电台区容量优化配置模型模型进行求解。

所述步骤1的分布式光伏发电的原理是利用光能产生电能，当光照射到光伏电池上时， 在光伏电池中类似于二极管PN结上的两端会有电压产生，当大量的光伏电池串并联时，会 得到相对较大的功率，从而进行发电。于是，光伏电池的输出功率为：

P_m＝I_mU_m (1)

其中，I_m是光伏电池内部的等效二极管PN结反向饱和电流，U_m是光伏电池的开路电压。

然而式(1)只是理论上的计算值，在实际中，光伏电池的工作环境复杂多变，受多种不 确定性的外界因素影响，例如光照强度，温度等，于是光伏电池近似的工程简化模型如下：

其中，I_sc是光伏电池的短路电流，U_oc是光伏电池的开路电压，且C₁和C₂如下：

在应用中，还需要考虑到环境温度与光强对光伏电池温度的影响，如式(5)所示：

T＝T_air+KS (5)

其中，T为光伏电池的温度；T_air为环境温度；S为光照强度；K＝0.03℃·m²/W。

于是，可以得出在应用实际中的光伏电池的普适使用方程如下：

其中，a,b,c为常数。

然而，光伏发电中的不确定因素主要为光伏电池温度与光照强度，而光伏电池温度又与 环境温度有关，因此，在实际中光伏电池板发电的功率如下：

P′_m＝I′_mU′_m (7)

所述步骤2的电动汽车充电模型包括以下内容：

(1)电池容量保持率

电动汽车的电池寿命会随着使用次数的增多而呈现出衰减的规律，其电池容量保持率β 和循环使用次数N之间的比值关系如下：

β_n＝β₀-kN^m (8)

其中，β₀是电池的额定容量保持率，β_n为电池在第N次循环后的容量保持率；N为循环次 数；一般情况下,β₀＝1.724；k＝0.0087；m＝0.6066。

(2)电池单次充电的寿命损耗

在电动汽车的实际应用中，电池一般都不会满充和满放，每一次的充电深度都不尽相同， 于是，加入等效充放系数α来描述频繁充电的情况下电池单次充电的寿命损耗情况：

其中，C₀为电池的额定容量；C_i,H,C_i,L为某一次充电时电池起止容量；并且α∈[0，1]，其物理 意义为：电池在某一随机深度循环充电一次，等效折算为满充/满放的次数。

(3)电动汽车充电功率

当电池充电时具有时间和空间上的不确定性，且电池处于不同的衰退程度，那么电动汽 车的充电功率曲线不尽相同，荷电状态曲线也不尽相同，假设最大充电功率保持不变，充电 曲线不变，通过对时间轴的压缩，近似得出电动汽车的充电过程如下：

可见，其中P_c(x,β)为充电功率；P_m为最大充电功率：β为电池容量保持率，也是区间变量；x为充电时间，是一个区间变量。可以发现电动汽车的充电规律中，变量为充电时间x的变化，发现充电时间的区间在[0，225β]与[225β，450β]之间，对应得出充电功率的规律为：

所述步骤3的考虑分布式光伏和电动汽车接入不确定性的配电台区容量优化配置模型包 括以下内容：

(1)目标函数

配电网台区容量优化配置首要目标是整个系统的经济性最佳，于是目标函数为：

其中，C₁为无功补偿的单机成本；ε,y,f_μ均是常系数；是第i个节点的无功补偿功率；C₂为可控制的分布式电源的成本；是接入第i个节点的分布式电源有功功率。该目标函数 考虑了新能源发电的随机性包括时间上的随机性以及电动汽车在时间上以及空间上的随机性。

另外，为了评价新能源、电动汽车接入配电网后的电能质量变化，本发明采用电压期望 偏差作为目标：

其中，U_it是第i个节点的电压；U_0t是第i个节点的参考电压；ΔU_imax是最大的电压差。

同时，为了衡量配电网中电能流动时所产生的损耗情况，一般使用系统的有功损耗期望 值作为优化目标：

minf₃＝E(P_loss) (14)

其中，P_loss是配电台区的网损。

于是，考虑分布式光伏和电动汽车接入不确定性的配电台区容量优化规划，以上述三个 目标函数为最终的优化目标，是一个多目标的优化规划模型。

(2)约束条件

在配电网台区的优化规划问题中，一般约束条件分为等式约束和不等式约束。其中，等 式约束中的功率平衡约束是指对于每一个节点，其注入的功率必须与输出的功率相等，主要 包括有功功率平衡以及无功功率平衡：

其中，P_gi是配电网变电站的出口有功功率；P_li是配电网实际有功负荷；p_ij是分布式电源、电 动汽车的总有功功率；Q_gi是配电网变电站的出口无功功率；Q_li是配电网实际无功负荷；q_ij是 节点的总无功功率。

分布式光伏的不确定出力等式约束：

电动汽车充电的不确定性等式约束：

不等式约束相对比较多，主要包括节点电压约束：

U_imin＜U_i＜U_imax (20)

其中，U_i是第i个节点电压，U_imax,U_imin分别为第i个节点的电压幅值上限和下限。

配电线路的容量限制：

S_i＜S_imax (21)

其中,S_i是第i条线路的实际容量；S_imax是第i条线路的最大容量。

电动汽车运行时间的约束:

其中，T_i ^on是电动汽车最小运行时间，T_i ^off是电动汽车最小停运时间。

所述步骤4的粒子群算法是一种随机搜索算法，是受到鸟类活动的启发而提出的。它将 搜索的空间比作鸟活动的空间，把每一只鸟比作一个粒子，将整个计算过程比喻为鸟类寻找 食物进行生存活动的过程。本发明采用粒子群算法对考虑分布式光伏和电动汽车接入的不确 定性的配电台区容量优化配置模型进行求解。

标准粒子群算法将一些粒子随机安排到子空间中某一处，并且使得这些粒子按照一定的 速度飞行，以适应度为衡量标准，每个粒子又有着三个属性：位置，最好位置以及速度。假 设当前是第t代，则有如下公式：

其中：X，V，P分别代表粒子的位置，速度，以及最优解。并且有如下公式进行新旧替换计 算：

其中，t代表迭代次数，i表示这是第i个个体；j代表D维空间里的维数。因此，针对以上的 目标函数和约束条件组成的优化规划模型，有如下求解计算步骤：

1)完成群体的初始化，对初始速度，位置进行初始化；

2)计算适应度；

3)根据下面公式完成更新最优：

4)更新粒子的位置与速度；

5)满足条件则进行判断，完成迭代，否则的话需要返回步骤三进行更深一次的计算。

具体应用的最佳实施例

为验证本发明所提的优化规划方法的可行性，使用IEEE30节点测试系统完成验证，所 选用的算法是粒子群方法。

基础数据中主要包括：1)使用IEEE30节点标准数据作为基础数据，且IEEE30节点测 试系统的节点1，2，5，8，11，13节点为发电机节点。2)设定种群的大小为20，迭代次数 为100，其惯性权重最大为0.9，最小为0.4.并且速度更新次数为1.49445。3)发电机节点电 压在0.94到1.96之间，其电压的更新速度在-0.2到0.2之间，IEEE30标准测试节点的具体数据如表1所示。IEEE30节点测试系统中1，2，5，8，11，13为发电机节点，共六台发电机。

表1发电机输入参数

并将每一次迭代出的最佳数值作为输出变量，在最终的图像中使得其横坐标为迭代的次 数，纵坐标为总体有功功率的损失值，如图1所示：

从图中分析可以已发现，在第20次迭代时基本上网络的有功最小，经过100迭代之后， 有功功率损失值基本恒定，从MATLAB中读出此时最小的有功功率损失为17.4647，与此同 时最小的无功功率损失值为69.82；此时系统所有发电机节点的电压的数值如下表所示。功率 损失值已经达到了

表2计算结果

由于发电机的电压与其无功功率相关联，假设每一个发电机的功率因数为一个固定值， 则可以得出每一个发电机的有功功率与无功功率，从而得出每一个发电机的容量。所以接入 电动汽车和分布式光伏的节点优先选择1，2，5，8，11，13节点，容量随之确定，完成选址 定容问题，接入的情况如下表3所示。

表3分布式光伏和电动汽车接入容量

从表1～3和图1可以得出：

(1)分布式光伏和电动汽车接入配电网台区，优先建议靠近配电网中变电站出口的位置， 即配电网的电源点为佳。

(2)分布式光伏和电动汽车的接入容量，均具有一个可参考的接入容量区间，有利于未 来电力设计部门根据实际情况进行有效选择，大大增加配电台区接入方案的灵活性。

Claims (5)

1.一种分布式光伏和电动汽车接入不确定性的配电台区容量方法,其特征在于：

包括如下步骤：

步骤1，建立分布式光伏功率输出模型；

步骤2，建立电动汽车电池充电模型；

步骤3，利用分布式光伏和电动汽车接入的不确定性，构建配电台区容量优化配置模型；

步骤4，应用粒子群算法对步骤3的配电台区容量优化配置模型进行求解。

2.根据权利1要求所述的一种分布式光伏和电动汽车接入不确定性的配电台区容量方法，其特征在于：所述步骤1的分布式光伏功率输出模型建立，包括如下步骤：

2.1、分布式光伏发电的原理是利用光能产生电能，当光照射到光伏电池上时，在光伏电池中二极管PN结上的两端会有电压产生，当大量的光伏电池串并联时，会得到相对较大的功率，从而进行发电；光伏电池的输出功率为：

P_m＝I_mU_m (1)

其中，I_m是光伏电池内部的等效二极管PN结反向饱和电流，U_m是光伏电池的开路电压；

2.2、在光伏电池的工作环境复杂多变，受多种不确定性的外界因素影响，光伏电池近似的工程简化模型如下：

其中，I_sc是光伏电池的短路电流，U_oc是光伏电池的开路电压，且C₁和C₂如下：

在应用中，还需要考虑到环境温度与光强对光伏电池温度的影响，如式(5)所示：

T＝T_air+KS (5)

其中，T为光伏电池的温度；T_air为环境温度；S为光照强度；K＝0.03℃·m²/W。

于是，可以得出在应用实际中的光伏电池的普适使用方程如下：

其中，a,b,c为常数；

2.3、光伏发电中的不确定因素主要为光伏电池温度与光照强度，而光伏电池温度又与环境温度有关，因此，在实际中分布式光伏功率输出模型建立：

P′_m＝I'_mU'_m (7)

3.根据权利1要求所述的一种分布式光伏和电动汽车接入不确定性的配电台区容量方法,其特征在于：所述步骤2的电动汽车充电模型，包括以下内容：

(1)电池容量保持率

电动汽车的电池寿命会随着使用次数的增多而呈现出衰减的规律，其电池容量保持率β和循环使用次数N之间的比值关系如下：

β_n＝β₀-kN^m (8)

其中，β₀是电池的额定容量保持率，β_n为电池在第N次循环后的容量保持率；N为循环次数；一般情况下,β₀＝1.724；k＝0.0087；m＝0.6066；

(2)电池单次充电的寿命损耗

在电动汽车的实际应用中，电池一般都不会满充和满放，每一次的充电深度都不尽相同，于是，加入等效充放系数α来描述频繁充电的情况下电池单次充电的寿命损耗情况：

其中，C₀为电池的额定容量；C_i,H,C_i,L为某一次充电时电池起止容量；并且α∈[0，1]，其物理意义为：电池在某一随机深度循环充电一次，等效折算为满充/满放的次数；

(3)电动汽车充电功率

当电池充电时具有时间和空间上的不确定性，且电池处于不同的衰退程度，那么电动汽车的充电功率曲线不尽相同，荷电状态曲线也不尽相同，假设最大充电功率保持不变，充电曲线不变，通过对时间轴的压缩，近似得出电动汽车的充电过程如下：

可见，其中P_c(x,β)为充电功率；P_m为最大充电功率：β为电池容量保持率，也是区间变量；x为充电时间，是一个区间变量；可以发现电动汽车的充电规律中，变量为充电时间x的变化，发现充电时间的区间在[0，225β]与[225β，450β]之间，对应得出充电功率的规律为：

4.根据权利1要求所述的一种分布式光伏和电动汽车接入不确定性的配电台区容量方法,其特征在于：所述步骤3的考虑分布式光伏和电动汽车接入不确定性的配电台区容量优化配置模型包括以下内容：

(1)目标函数

配电网台区容量优化配置首要目标是整个系统的经济性最佳，于是目标函数为：

其中，C₁为无功补偿的单机成本；ε,y,f_μ均是常系数；是第i个节点的无功补偿功率；C₂为可控制的分布式电源的成本；是接入第i个节点的分布式电源有功功率；

另外，为了评价新能源、电动汽车接入配电网后的电能质量变化，本发明采用电压期望偏差作为目标：

其中，U_it是第i个节点的电压；U_0t是第i个节点的参考电压；ΔU_imax是最大的电压差；

同时，为了衡量配电网中电能流动时所产生的损耗情况，一般使用系统的有功损耗期望值作为优化目标：

minf₃＝E(P_loss) (14)

其中，P_loss是配电台区的网损；

于是，考虑分布式光伏和电动汽车接入不确定性的配电台区容量优化规划，以上述三个目标函数为最终的优化目标，是一个多目标的优化规划模型；

(2)约束条件

在配电网台区的优化规划问题中，一般约束条件分为等式约束和不等式约束。其中，等式约束中的功率平衡约束是指对于每一个节点，其注入的功率必须与输出的功率相等，主要包括有功功率平衡以及无功功率平衡：

其中，P_gi是配电网变电站的出口有功功率；P_li是配电网实际有功负荷；p_ij是分布式电源、电动汽车的总有功功率；Q_gi是配电网变电站的出口无功功率；Q_li是配电网实际无功负荷；q_ij是节点的总无功功率；

分布式光伏的不确定出力等式约束：

电动汽车充电的不确定性等式约束：

不等式约束相对比较多，主要包括节点电压约束：

U_imin＜U_i＜U_imax (20)

其中，U_i是第i个节点电压，U_imax,U_imin分别为第i个节点的电压幅值上限和下限。

配电线路的容量限制：

S_i＜S_imax (21)

其中,S_i是第i条线路的实际容量；S_imax是第i条线路的最大容量；

电动汽车运行时间的约束:

其中，T_i ^on是电动汽车最小运行时间，T_i ^off是电动汽车最小停运时间。

5.根据权利1要求所述的一种分布式光伏和电动汽车接入不确定性的配电台区容量方法,其特征在于：所述步骤4中应用粒子群算法对配电台区容量优化配置模型进行求解过程：

首先，将一些粒子随机安排到子空间中某一处，并且使得这些粒子按照一定的速度飞行，以适应度为衡量标准，每个粒子又有着三个属性：位置，最好位置以及速度。假设当前是第t代，则有如下公式：

其中：X，V，P分别代表粒子的位置，速度，以及最优解。并且有如下公式进行新旧替换计算：

其中，t代表迭代次数，i表示这是第i个个体；j代表D维空间里的维数；

其次，针对以上的目标函数和约束条件组成的优化规划模型，有如下求解计算步骤：

1)完成群体的初始化，对初始速度，位置进行初始化；

2)计算适应度；

3)根据下面公式完成更新最优：

4)更新粒子的位置与速度；

5)满足条件则进行判断，完成迭代，否则的话需要返回步骤三进行更深一次的计算。