CN109995075A - 一种含分布式电源的主动配电网动态重构方法 - Google Patents

Abstract

本发明涉及一种含分布式电源的主动配电网动态重构方法，包含以下步骤：1）根据不同分布式电源的特点，建立不同的潮流计算模型，并对应不同的节点类型；2）建立主动配电网重构模型，以馈线损耗总和最小为基础建立优化目标函数；3）基于改进最优模糊C均值聚类方法对主动配电网等值负荷进行聚类，从而主动配电网动态重构问题转化成C个代表负荷数据为聚类中心的静态重构问题；4）根据模型特点，采用差分进化入侵杂草混合算法求解含分布式电源的配电网重构模型得到最优重构方案。

Description

一种含分布式电源的主动配电网动态重构方法

技术领域

本发明涉及配电网重构领域，尤其是涉及一种含分布式电源的主动配电网动态重构方法。

背景技术

主动配电网作为配电技术的一个重要发展方向，预示着未来配电网将成为具有主动控制和运行能力的有机系统；预示着未来配电网势必要满足对各种形式分布式电源的兼容包并，实现DG在配电网中广泛接入及高度渗透的目的。但DG的大量接入也使得配电网由简单辐射受电无源网络变成了复杂的有源网络，DG接入的位置、容量及运行方式对配电网的电压、潮流、网络损耗等也带来了不同程度的影响。因此，研究含DG的配电网动态重构对主动配电网的经济可靠运行具有重要意义。

近年来，国内外学者对含分布式电源的配电网动态重构问题进行了相关的研究。例如有的研究基于粒子群优化算法对含DG的网络重构进行综合优化，提出了含DG的配电网重构控制策略；利用和声搜索算法进行考虑DG优化配置的配电网重构，实现了降低馈线损耗和提高供电可靠性的目的；考虑分布式电源出力不确定性，构建了配电网重构序贯行动博弈模型，并通过改进的博弈树方法对模型进行求解；采用改进遗传算法，以降低网络有功损耗和均衡线路负载为目标进行含DG的配电网重构，并采用IEEE33节点进行仿真。

但上述均是进行了含DG的配电网静态重构研究。由于主动配电网中间歇性DG出力的时变性和系统负荷功率的不确定性，各个时刻对应的最优网架结构可能不同，在研究含DG的配电网重构问题时，需要考虑主动配电网网架结构的动态优化。

建立计及主动配电网动态重构的含DG配电网重构模型，分时段优化主动配电网中分段联络开关组合，在动态网架结构下，综合考虑运行调度因素，研究含DG的配电网重构问题，从而得到更优的重构方案。

发明内容

本发明的目的是通过建立计及主动配电网动态重构的含DG配电网重构模型，分时段优化主动配电网中分段联络开关组合，在动态网架结构下，综合考虑运行调度因素，研究含DG的配电网重构问题，通过现代优化理论设计合理的混合算法，对重构模型进行有效求解从而得到更优的重构方案。

本发明的目的可以通过以下技术方案来实现：

一种含分布式电源的主动配电网动态重构方法，包括以下步骤：

1)根据不同分布式电源的特点，建立不同的潮流计算模型，并对应不同的节点类型；

2)建立主动配电网重构模型，以馈线损耗总和最小为基础建立优化目标函数；

3)基于改进最优模糊C均值聚类方法对主动配电网等值负荷进行聚类，从而主动配电网动态重构问题转化成C个代表负荷数据为聚类中心的静态重构问题；

4)根据模型特点，采用差分进化入侵杂草混合算法求解含分布式电源的配电网重构模型得到最优重构方案；

所述的步骤1)中根据不同分布式电源的特点，建立不同的潮流计算模型，并对应不同的节点类型中分布式电源并网的模型有多种，处理为以下四种出力模型：

(1)PQ恒定型DG类型

在含DG的配电网进行潮流计算时，采用多级同步电机或双馈感应风机的风力发电可作为PQ类型节点处理，即把此类DG看作负的负荷，此类DG作为负荷节点来考虑时，潮流计算模型为

式中P_s和Q_s为PQ恒定型DG的有功功率和无功功率；

(2)PV恒定型DG模型

在含DG的配电网进行潮流计算时，经同步机接入电网或者逆变器由电压控制的光伏发电、微型燃气轮机、燃料电池、储能蓄电池可作为PV类型节点处理，此类DG作为负荷节点来考虑时，潮流计算模型为

式中U_s和P_s为PV恒定型DG的电压和有功功率，在利用前推回代法计算含DG的配电网潮流时，要将PV恒定型DG转化成PQ型；

(3)PI恒定型DG模型

在含DG的配电网进行潮流计算时，逆变器由电流控制的光伏发电、部分的风力机组、微型燃气轮机、储能蓄电池以及燃料电池等可作为PI类型节点处理，此类DG作为负荷节点来考虑时，潮流计算模型为

式中I_s和P_s为PI恒定型DG的电流和有功功率，在利用前推回代法计算含DG的配电网潮流时，要将PI恒定型DG转化成PQ型；

PI恒定型DG节点输出无功功率为：

式中Q_k+1为第k+1次迭代的DG的无功功率，e_k对应电压的实部，f_k对应电压的虚部，I是对应电流的幅值；

(4)PQ(V)恒定型DG模型

在含DG的配电网进行潮流计算时，采用普通异步风机的风力发电可作为PQ(V)类型节点处理，此类DG作为负荷节点来考虑时，潮流计算模型为

式中U_k为第k次迭代PQ(V)恒定型DG的电压幅值，Q_k+1为第k+1次迭代PQ(V)恒定型DG的无功功率。

所述的步骤2)中建立主动配电网重构模型，以馈线损耗总和最小为基础建立优化目标函数，其表达式为：

式中，C为分段数，ΔP_i为第i个分段的馈线损耗功率，Δt_i为第i个分段的时长。

所述的步骤2)中，重构数学模型的约束条件包括：

A、潮流方程约束：

其中，P_i,t和Q_i,t分别为节点i在时段t注入的有功和无功功率，P_DGi,t和Q_DGi,t分别为节点i在t时段DG输入的有功和无功功率，P_Li,t和Q_Li,t分别为负荷节点在t时段的有功功率和无功功率，U_i,t和U_j,t分别为节点i和节点j在t时段的电压，G_ij,t和B_ij,t分别为节点i、j组成的线路在t时段的电导和电纳，σ_ij,t为节点i和j的相角差，N为系统中的节点个数；

B、节点电压和支路潮流约束：

其中，与为节点i在时段t对应的电压下限和上限；为支路ij在时段t的传输功率，和分别为节点i和节点j在t时段的电压，G_ij和B_ij分别为节点i、j组成的线路在t时刻的电导和电纳，为节点i和j的相角差，为支路ij的上限传输功率；

C、DG有功、无功出力约束：

潮流计算时将所有的DG简化为PQ节点，作为负的负荷处理，故DG的有功和无功出力约束可表示为

其中，P_DGi,t和Q_DGi,t分别为节点i在t时段DG输入的有功和无功功率，和分别为接入第i节点的PV、WT和MT在t时段的有功功率，和分别为接入第i节点的PV、WT和MT在t时段的有功功率，分别为不同DG对应的功率因数角，S_PV、S_WT、S_MT分别为不同DG对应的节点集合；

D、网络的拓扑约束：重构后的网络为辐射状且无孤岛。

所述的步骤3)中基于改进最优模糊C均值聚类方法对主动配电网等值负荷进行聚类，从而主动配电网动态重构问题转化成C个代表负荷数据为聚类中心的静态重构问题中最优模糊C均值聚类作为一种模糊分类方法，采用隶属度表征数据的相对归属性，将相关数据分为若干不同的类，使得同一类的数据相似度最大，分类数量尽可能小，最优模糊C均值聚类通常采用自组织迭代技术，经过若干次迭代后逼近最优分类矩阵，进而得到最佳聚类结果，在采用改进最优模糊C均值聚类进行动态重构时段划分时，考虑了负荷时序特性，在得到初始分段后对曲线进行平滑处理，所得的分段数严格小于一天内最大重构允许次数。

所述的步骤4)中根据模型特点，采用差分进化入侵杂草混合算法求解含分布式电源的配电网重构模型得到最优重构方案具体包括以下步骤：

基于差分进化入侵杂草混合算法对含分布式电源的配电网进行重构，将相关控制变量作为杂草，网损最小作为适应度函数，算法执行的基本步骤为：

Step1种群参数初始化：入侵杂草算法控制参数：初始种群P₀，设置最大种群数P_max，最大迭代次数iter_max，最大种子生成数s_max和最小种子生成数s_min，非线性调和因子n，标准差初始值σ_i和最终值σ_j，差分进化算法控制参数：变异因子F，交叉因子C_R，确定配电网络联络开关的数目N_L，接入DG的数量N_DG；

Step2分布式电源节点处理及潮流计算，计算杂草个体的适应度值及生成种子数，初始进化代数iter＝1；

Step3子代繁殖：子代个体以柯西分布随机分布在父代杂草个体周围，并依据适应度高低计算子代个体的种子数，适应度最优的个体生成种子数为S_max，适应度最差个体生成种子数为S_min，其余个体生成种子数介于二者之间，每个杂草产生的种子数线性的从最小值增大到最大值，线性增长机制与自然界中杂草种群真实发生的状况相似，提高了杂草个体局部搜索能力和杂草种群的多样性；

Step4判断是否达到最大种群规模，若未达到最大种群规模则重复Step3；

Step5若达到最大种群规模，执行竞争生存操作，按适应度值的高低将杂草个体和种子个体进行排序，将优秀的个体保留；

Step6将保留的优秀个体进行变异、交叉、选择操作，生成新的临时种群并计算每个个体的适应度值；

Step7判断是否达到最大迭代次数iter_max，若未达到，则iter＝iter+1，执行Step2，否则输出最优解，即输出适应度值最优的个体。

本发明考虑了主动配电网中间歇性DG出力的时变性和系统负荷功率的不确定性，建立了计及主动配电网动态重构的含DG配电网重构模型，分时段优化主动配电网中分段联络开关组合，在动态网架结构下，综合考虑运行调度因素，研究含DG的配电网重构问题，从而得到更优的重构方案。

附图说明

图1为本发明的发明流程图。

图2为本发明的负荷聚类流程图。

图3为本发明的柯西和高斯分布的分布曲线图。

图4为本发明的混合算法流程图。

图5为实施例的IEEE33节点系统图。

图6为实施例的典型日负荷-不可控DG等值曲线。

图7为实施例的典型日等值负荷最优聚类结果。

图8为实施例两种方案下各时段的系统网络损耗。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例：

如图1所示，一种含分布式电源的主动配电网动态重构方法，包括以下步骤：S1根据不同分布式电源的特点，建立不同的潮流计算模型，并对应不同的节点类型；

S2建立主动配电网重构模型，以馈线损耗总和最小为基础建立优化目标函数；

S3基于改进最优模糊C均值聚类方法对主动配电网等值负荷进行聚类，从而主动配电网动态重构问题转化成C个代表负荷数据为聚类中心的静态重构问题；

S4根据模型特点，采用差分进化入侵杂草混合算法求解含分布式电源的配电网重构模型得到最优重构方案。

步骤S1中根据不同分布式电源的特点，建立不同的潮流计算模型，并对应不同的节点类型。分布式电源并网的模型有多种，可以处理为以下四种出力模型：

(1)PQ恒定型DG类型

在含DG的配电网进行潮流计算时，采用多级同步电机或双馈感应风机的风力发电可作为PQ类型节点处理，即把此类DG看作‘负的负荷’。此类DG作为负荷节点来考虑时，潮流计算模型为

式中P_s和Q_s为PQ恒定型DG的有功功率和无功功率。

(2)PV恒定型DG模型

在含DG的配电网进行潮流计算时，经同步机接入电网或者逆变器由电压控制的光伏发电、微型燃气轮机、燃料电池、储能蓄电池可作为PV类型节点处理。此类DG作为负荷节点来考虑时，潮流计算模型为

式中U_s和P_s为PV恒定型DG的电压和有功功率。在利用前推回代法计算含DG的配电网潮流时，要将PV恒定型DG转化成PQ型。

(3)PI恒定型DG模型

在含DG的配电网进行潮流计算时，逆变器由电流控制的光伏发电、部分的风力机组、微型燃气轮机、储能蓄电池以及燃料电池等可作为PI类型节点处理。此类DG作为负荷节点来考虑时，潮流计算模型为

式中I_s和P_s为PI恒定型DG的电流和有功功率。在利用前推回代法计算含DG的配电网潮流时，要将PI恒定型DG转化成PQ型。

PI恒定型DG节点输出无功功率为：

式中Q_k+1为第k+1次迭代的DG的无功功率，e_k对应电压的实部，f_k对应电压的虚部，I是对应电流的幅值。

(4)PQ(V)恒定型DG模型

在含DG的配电网进行潮流计算时，采用普通异步风机的风力发电可作为PQ(V)类型节点处理。此类DG作为负荷节点来考虑时，潮流计算模型为

式中U_k为第k次迭代PQ(V)恒定型DG的电压幅值，Q_k+1为第k+1次迭代PQ(V)恒定型DG的无功功率。

步骤S2中建立主动配电网重构模型，以馈线损耗总和最小为基础建立优化目标函数，具体步骤为：

步骤S21：建立优化数学模型，其表达式为：

式中，C为分段数，ΔP_i为第i个分段的馈线损耗功率，Δt_i为第i个分段的时长。

步骤S22：设置数学模型相关的约束条件，重构数学模型的约束条件包括：

1)潮流方程约束：

其中，P_i,t和Q_i,t分别为节点i在时段t注入的有功和无功功率，P_DGi,t和Q_DGi,t分别为节点i在t时段DG输入的有功和无功功率，P_Li,t和Q_Li,t分别为负荷节点在t时段的有功功率和无功功率，U_i,t和U_j,t分别为节点i和节点j在t时段的电压，G_ij,t和B_ij,t分别为节点i、j组成的线路在t时段的电导和电纳，σ_ij,t为节点i和j的相角差，N为系统中的节点个数；

2)节点电压和支路潮流约束：

其中，与为节点i在时段t对应的电压下限和上限；为支路ij在时段t的传输功率，和分别为节点i和节点j在t时段的电压，G_ij和B_ij分别为节点i、j组成的线路在t时刻的电导和电纳，为节点i和j的相角差，为支路ij的上限传输功率；

3)DG有功、无功出力约束：

潮流计算时将所有的DG简化为PQ节点，作为负的负荷处理，故DG的有功和无功出力约束可表示为

其中，P_DGi,t和Q_DGi,t分别为节点i在t时段DG输入的有功和无功功率，和分别为接入第i节点的PV、WT和MT在t时段的有功功率，和分别为接入第i节点的PV、WT和MT在t时段的有功功率，分别为不同DG对应的功率因数角，S_PV、S_WT、S_MT分别为不同DG对应的节点集合。

4)网络的拓扑约束：重构后的网络为辐射状且无孤岛。

步骤S3中基于改进最优模糊C均值聚类方法对主动配电网等值负荷进行聚类，从而主动配电网动态重构问题转化成C个代表负荷数据为聚类中心的静态重构问题。将主动配电网典型日负荷及风力、光伏发电预测值合成得到分时段的负荷-不可控DG等值曲线，基于改进最优模糊C均值聚类对主动配电网等值负荷进行聚类。典型日被等时间间隔的划分为N1个时段，假定在各时段内对应节点的负荷为恒定值，则第k时段(k＝1,2,…,N1)对应的负荷状态为X_k＝[x_k1,x_k2,…,x_kn]，X_k为一个n维向量，n为网络节点数，x_ki为k时段节点i(i＝1,2,…,n)的复功率。典型日所有负荷状态X＝{X₁,X₂,…,X_N1},聚类后将X分为C类(C∈[2，N1-1])，对应的聚类中心V＝{V₁,V₂,...,V_C}，第m个聚类中心为V_m＝[v_m1,v_m2,...,v_mn]，v_mi为第m个聚类中心节点i的复功率。

主动配电网典型日负荷X的最优模糊C均值聚类可表示为

式中：J为类中距，d_mk为X_k与V_m的欧式距离，μ_mk为X_k隶属于m类的程度。

通过自适应迭代技术求解目标函数，使得数据点到聚类中心之间差值最小。首先随机生成初始隶属度矩阵U＝(μ_mk)_C×N1，得到初始聚类中心，运用拉格朗日乘子法按照上式不断迭代修正聚类中心，其中h为自适应迭代技术收敛因子。

另外在处理负荷数据时，为便于对其进行比较加权，按照下式对其进行标准化处理。

本发明在采用改进最优模糊C均值聚类进行动态路径优化时段划分时，考虑了负荷时序特性，在得到初始分段后对曲线进行平滑处理，所得的分段数严格小于一天内最大路径优化允许次数。负荷聚类流程如图2所示。

同一聚类下的时间段，其负荷状态具有相似性，若以网损最小为目标，其路径优化结果也相同或相近，因此利用该思想可以将主动配电网动态路径优化问题转化成C个代表负荷数据为聚类中心的静态路径优化问题。

如图4所示，步骤S4中根据模型特点，采用差分进化入侵杂草混合算法求解含分布式电源的配电网重构模型得到最优重构方案。入侵杂草算法是一种基于种群的数值搜索优化方法，其优点是鲁棒性强、自适应性好和易于程序实现等，能够有效处理复杂非线性规划问题。但是，标准入侵杂草存在易于陷入局部最优以及收敛精度不高、收敛速度慢等问题，提出差分进化入侵杂草混合算法，在标准入侵杂草算法基础上引入差分进化策略，通过种子交叉、变异、选择操作，很好的克服了上述缺点，可以得到最优重构方案。具体包括以下步骤：

步骤S41：入侵杂草算法的寻优过程模拟自然界中杂草入侵的过程，主要包括：适应环境、趁机居留、生长繁殖、扩大种群、趋于密集、优胜劣汰、竞争消亡，适应度高的个体拥有更大的存活几率，可以概括为以下4种操作：

(1)种群初始化。根据实际问题设置相关参数值。

(2)繁殖。杂草x_i(i＝1，2，…，N)，根据适应度值产生种子。每个杂草个体生成的种子数目为:

式中，f(x_i)是杂草x_i的适应度值，f_min和f_max是当前种群中所对应得最小适应度值和最大适应度值，S_max和S_min分别代表一个杂草所能产生最大和最小的数量。

(3)空间扩散。这一过程决定了入侵杂草算法的随机性和自适应性。对于给定迭代次数的正态分布标准差计算表达式如下式：

式中，iter_max是最大进化代数，iter是当前进化代数，σ_iter为当前标准差，σ_i和σ_j分别为初始标准差和最终标准差，n为非线性调和因子，一般情况下n＝3。

(4)竞争性排除。经过数代繁殖操作后，当种群规模预先设定的P_max后，将种群中父代和子代进行排序，按适应度值大小选取较好的前P_max个。

重复上述过程，直至满足最优解条件或达到最大迭代次数。

步骤S42：标准入侵杂草算法在空间扩散阶段，杂草个体基于高斯分布(又称正态分布)产生种子，同时进化后期收敛速度较慢、易于陷入局部最优。本发明提出利用柯西分布取代高斯分布对入侵杂草算法进行空间扩散，利用差分进化策略对入侵杂草算法的竞争性排除过程进行优化。

(1)柯西分布空间扩散

本发明中，杂草个体基于柯西分布产生种子，进行空间扩散，而不是传统

入侵杂草算法的高斯分布。

1)柯西分布概率密度函数

其中t＞0表示比例系数。

2)高斯分布概率密度函数

式中，μ表示平均值，σ＞0表示标准偏差。均值为0、标准差为1的高斯分布和比例系数为1的柯西分布的分布曲线如图3所示。

由图3中的分布曲线得出，柯西分布在垂直方向上峰值相对较小；在水平方向上，当接近横轴附近时变化更加缓慢。因此，它可以被认为是一种无限分布。与高斯分布相比，柯西分布更容易产生远离原点的随机数，并且随机数分布范围广泛，这使得入侵杂草算法在初始时可以产生更加丰富多样的个体，并容易跳出局部最优或平坦地带。

(2)差分进化策略

差分进化算法主要包括变异、交叉和选择三个典型进化算子,具有记忆个体最优解以及受控数少、全局收敛性强等优点。为了解决入侵杂草算法的缺点，将差分进化算法的变异、交叉、选择操作引入到入侵杂草算法中，具体操作包括：

1)种子变异。对经过空间扩散过程后的种子按下式进行变异操作：

U_i＝X_Z1+F(X_Z2-X_Z3)

F是缩放因子，F∈[0,2]，X_Z1,X_Z2,X_Z3是杂草x_i生成的3个种子。

2)种子交叉。对第t代的X_i(t)以及Y_i(t)进行如下式的交叉操作，该操作可以进一步提高算法种群的多样性。

CR为交叉概率，X_i(t)为第t代的个体，Y_i(t)为新产生的个体。

3)种子选择。按下式进行选择：

其中，U_i,j和X_i分别为新产生种群和原有个体的适应度。

基于差分进化入侵杂草混合算法对含分布式电源的配电网进行重构，将相关控制变量作为杂草，网损最小作为适应度函数。算法执行的基本步骤为：

Step1种群参数初始化。入侵杂草算法控制参数：初始种群P₀，设置最大种群数P_max，最大迭代次数iter_max，最大种子生成数s_max和最小种子生成数s_min，非线性调和因子n，标准差初始值σ_i和最终值σ_j等。差分进化算法控制参数：变异因子F，交叉因子C_R等。确定配电网络联络开关的数目N_L，接入DG的数量N_DG等。

Step2分布式电源节点处理及潮流计算，计算杂草个体的适应度值及生成种子数，初始进化代数iter＝1。

Step3子代繁殖。子代个体以柯西分布随机分布在父代杂草个体周围，并依据适应度高低计算子代个体的种子数。适应度最优的个体生成种子数为S_max，适应度最差个体生成种子数为S_min，其余个体生成种子数介于二者之间，每个杂草产生的种子数线性的从最小值增大到最大值。线性增长机制与自然界中杂草种群真实发生的状况相似，提高了杂草个体局部搜索能力和杂草种群的多样性。

Step4判断是否达到最大种群规模，若未达到最大种群规模则重复Step3。

Step5若达到最大种群规模，执行竞争生存操作。按适应度值的高低将杂草个体和种子个体进行排序，将优秀的个体保留。

Step6将保留的优秀个体进行变异、交叉、选择操作，生成新的临时种群并计算每个个体的适应度值。

Step7判断是否达到最大迭代次数iter_max，若未达到，则iter＝iter+1，执行Step2，否则输出最优解，即输出适应度值最优的个体。

本实施例中，算法参数设置如表1所示。

表1算法参数设置

本实施例采用IEEE33节点配电系统为测试算例，系统结构如图5所示。单台DG的额定容量为100kW，不可控DG风力发电(WG)的待接入节点为5、6、17、32，对应节点的安装上限为4台；不可控DG光伏发电(PV)的待接入节点为16、18、31，对应节点的安装上限为15台；可控DG微型燃气轮机(MT)的待接入节点为28、30，对应节点的安装上限为15台。系统的DG渗透率小于60％。开关的最大日操作次数为15次。

设置两种不同的DG优化配置方案进行对比分析如下：方案一进行含DG的动态重构过程，同时优化各个时段MT的有功出力；方案二不进行含DG的动态重构过程，仅优化各时段MT的有功出力。具体的DG的优化配置方案如表2所示。

表2考虑和不考虑动态重构的DG优化配置方案

注：32(4)表示节点32安装4台DG，以此类推。

对比表2中不同方案下DG配置结果得到，两种方案中DG的接入节点不同，且方案一中WG接入容量比方案二WG接入容量多100kW，方案一MT的接入容量比方案二MT接入容量多300kW。因此考虑ADN动态重构的DG优化配置方案的DG消纳能力更强。

本实施例中，选取某典型日为例，分析比较考虑和不考虑主动配电网动态重构两种情况下该系统的运行情况，分别对应方案一、方案二。典型日各时段负荷功率、风力发电、光伏发电预测值分别如表3、4、5所示。

表3典型日各时段负荷功率

在考虑ADN动态重构情况下，将典型日负荷及风力、光伏发电预测值合成，得到分时段的负荷-不可控DG等值曲线，基于改进OFCMC对配电网络等值负荷进行聚类。负荷曲线和聚类结果图分别如图6、7所示。对应聚类中心对应的重构结果如表6所示，该典型日开关操作的总次数为14次，符合约束条件。

表6 4个聚类中心的重构方案

图8得到考虑动态重构的优化方案各时段的网损均低于不考虑动态重构的方案。因此，考虑主动配电网动态重构的DG优化配置能够有效改善系统潮流，降低网络损耗。

Claims (6)

1.一种含分布式电源的主动配电网动态重构方法，其特征在于，包括以下步骤：

1)根据不同分布式电源的特点，建立不同的潮流计算模型，并对应不同的节点类型；

2)建立主动配电网重构模型，以馈线损耗总和最小为基础建立优化目标函数；

3)基于改进最优模糊C均值聚类方法对主动配电网等值负荷进行聚类，从而主动配电网动态重构问题转化成C个代表负荷数据为聚类中心的静态重构问题；

4)根据模型特点，采用差分进化入侵杂草混合算法求解含分布式电源的配电网重构模型得到最优重构方案。

2.根据权利要求1所述的含分布式电源的主动配电网动态重构方法，其特征在于，所述的步骤1)中根据不同分布式电源的特点，建立不同的潮流计算模型，并对应不同的节点类型中分布式电源并网的模型有多种，处理为以下四种出力模型：

(1)PQ恒定型DG类型

在含DG的配电网进行潮流计算时，采用多级同步电机或双馈感应风机的风力发电可作为PQ类型节点处理，即把此类DG看作负的负荷，此类DG作为负荷节点来考虑时，潮流计算模型为

式中P_s和Q_s为PQ恒定型DG的有功功率和无功功率；

(2)PV恒定型DG模型

在含DG的配电网进行潮流计算时，经同步机接入电网或者逆变器由电压控制的光伏发电、微型燃气轮机、燃料电池、储能蓄电池可作为PV类型节点处理，此类DG作为负荷节点来考虑时，潮流计算模型为

式中U_s和P_s为PV恒定型DG的电压和有功功率，在利用前推回代法计算含DG的配电网潮流时，要将PV恒定型DG转化成PQ型；

(3)PI恒定型DG模型

在含DG的配电网进行潮流计算时，逆变器由电流控制的光伏发电、部分的风力机组、微型燃气轮机、储能蓄电池以及燃料电池等可作为PI类型节点处理，此类DG作为负荷节点来考虑时，潮流计算模型为

式中I_s和P_s为PI恒定型DG的电流和有功功率，在利用前推回代法计算含DG的配电网潮流时，要将PI恒定型DG转化成PQ型；

PI恒定型DG节点输出无功功率为：

式中Q_k+1为第k+1次迭代的DG的无功功率，e_k对应电压的实部，f_k对应电压的虚部，I是对应电流的幅值；

(4)PQ(V)恒定型DG模型

在含DG的配电网进行潮流计算时，采用普通异步风机的风力发电可作为PQ(V)类型节点处理，此类DG作为负荷节点来考虑时，潮流计算模型为

式中U_k为第k次迭代PQ(V)恒定型DG的电压幅值，Q_k+1为第k+1次迭代PQ(V)恒定型DG的无功功率。

3.根据权利要求1所述的含分布式电源的主动配电网动态重构方法，其特征在于，所述的步骤2)中建立主动配电网重构模型，以馈线损耗总和最小为基础建立优化目标函数，其表达式为：

式中，C为分段数，ΔP_i为第i个分段的馈线损耗功率，Δt_i为第i个分段的时长。

4.根据权利要求1所述的一种含分布式电源的主动配电网动态重构方法，其特征在于，所述的步骤2)中，重构数学模型的约束条件包括：

A、潮流方程约束：

其中，P_i,t和Q_i,t分别为节点i在时段t注入的有功和无功功率，P_DGi,t和Q_DGi,t分别为节点i在t时段DG输入的有功和无功功率，P_Li,t和Q_Li,t分别为负荷节点在t时段的有功功率和无功功率，U_i,t和U_j,t分别为节点i和节点j在t时段的电压，G_ij,t和B_ij,t分别为节点i、j组成的线路在t时段的电导和电纳，σ_ij,t为节点i和j的相角差，N为系统中的节点个数；

B、节点电压和支路潮流约束：

其中，与为节点i在时段t对应的电压下限和上限；为支路ij在时段t的传输功率，和分别为节点i和节点j在t时段的电压，G_ij和B_ij分别为节点i、j组成的线路在t时刻的电导和电纳，为节点i和j的相角差，为支路ij的上限传输功率；

C、DG有功、无功出力约束：

潮流计算时将所有的DG简化为PQ节点，作为负的负荷处理，故DG的有功和无功出力约束可表示为

其中，P_DGi,t和Q_DGi,t分别为节点i在t时段DG输入的有功和无功功率，和分别为接入第i节点的PV、WT和MT在t时段的有功功率，和分别为接入第i节点的PV、WT和MT在t时段的有功功率，分别为不同DG对应的功率因数角，S_PV、S_WT、S_MT分别为不同DG对应的节点集合；

D、网络的拓扑约束：重构后的网络为辐射状且无孤岛。

5.根据权利要求1所述的含分布式电源的主动配电网动态重构方法，其特征在于，所述的步骤3)中基于改进最优模糊C均值聚类方法对主动配电网等值负荷进行聚类，从而主动配电网动态重构问题转化成C个代表负荷数据为聚类中心的静态重构问题中最优模糊C均值聚类作为一种模糊分类方法，采用隶属度表征数据的相对归属性，将相关数据分为若干不同的类，使得同一类的数据相似度最大，分类数量尽可能小，最优模糊C均值聚类通常采用自组织迭代技术，经过若干次迭代后逼近最优分类矩阵，进而得到最佳聚类结果，在采用改进最优模糊C均值聚类进行动态重构时段划分时，考虑了负荷时序特性，在得到初始分段后对曲线进行平滑处理，所得的分段数严格小于一天内最大重构允许次数。

6.根据权利要求1所述的含分布式电源的主动配电网动态重构方法，其特征在于，所述的步骤4)中根据模型特点，采用差分进化入侵杂草混合算法求解含分布式电源的配电网重构模型得到最优重构方案具体包括以下步骤：

基于差分进化入侵杂草混合算法对含分布式电源的配电网进行重构，将相关控制变量作为杂草，网损最小作为适应度函数，算法执行的基本步骤为：

Step1种群参数初始化：入侵杂草算法控制参数：初始种群P₀，设置最大种群数P_max，最大迭代次数iter_max，最大种子生成数s_max和最小种子生成数s_min，非线性调和因子n，标准差初始值σ_i和最终值σ_j，差分进化算法控制参数：变异因子F，交叉因子C_R，确定配电网络联络开关的数目N_L，接入DG的数量N_DG；

Step2分布式电源节点处理及潮流计算，计算杂草个体的适应度值及生成种子数，初始进化代数iter＝1；

Step3子代繁殖：子代个体以柯西分布随机分布在父代杂草个体周围，并依据适应度高低计算子代个体的种子数，适应度最优的个体生成种子数为S_max，适应度最差个体生成种子数为S_min，其余个体生成种子数介于二者之间，每个杂草产生的种子数线性的从最小值增大到最大值，线性增长机制与自然界中杂草种群真实发生的状况相似，提高了杂草个体局部搜索能力和杂草种群的多样性；

Step4判断是否达到最大种群规模，若未达到最大种群规模则重复Step3；

Step5若达到最大种群规模，执行竞争生存操作，按适应度值的高低将杂草个体和种子个体进行排序，将优秀的个体保留；

Step6将保留的优秀个体进行变异、交叉、选择操作，生成新的临时种群并计算每个个体的适应度值；

Step7判断是否达到最大迭代次数iter_max，若未达到，则iter＝iter+1，执行Step2，否则输出最优解，即输出适应度值最优的个体。