CN110460043A - 基于多目标改进粒子群算法的配电网网架重构方法 - Google Patents

Abstract

本发明涉及一种基于多目标改进粒子群算法的配电网网架重构方法，包含以下步骤：采集全网原始数据，进行初始化处理，得到初始化粒子；将初始化粒子进行筛选处理，得到惩罚修正粒子和一级粒子；将一级粒子进行安全性约束处理，得到二级粒子；将惩罚修正粒子和二级粒子处理得到更新粒子；将更新粒子处理得到交叉粒子；将粒子进行指数递减的惯性权重改进，并改进粒子的速度计算方法；对交叉粒子进行变异操作得到变异粒子，循环至迭代次数或扰动次数达到最大值，得到最优解。本发明粒子群算法，使计算速度大幅提高，更短时间得到更高的收敛精度；减少了得到最优解的时间，大幅降低了决策的各项成本。

Description

基于多目标改进粒子群算法的配电网网架重构方法

技术领域

本发明涉及配电网网架优化领域，具体地涉及一种基于多目标改进粒子群算法的配电网网架重构方法。

背景技术

配电网网架优化侧重于在全局层面寻到一个最优的规划方案。由于智能算法具有实现简单、不受搜索空间等优点，近年来在电网规划中得到了广泛的应用。其中，粒子群算法由于从具有随机解出发，通过适应度来评价解的好坏的特点，并在迭代过程中不断更新全局极值，寻找最优解的策略，十分适合用于配电网网架的优化设计工作。

但标准的粒子群算法一个最大的先天不足在于其对计算量要求很大。尤其当迭代次数增加时，寻找最优解的时间会大幅度上升。由于此先天性不足，一般实际应用中采取两种妥协方案，即减少迭代次数，或增大计算时间。

减少迭代次数的缺点是收敛精度降低，得到的结果只能是近似最优解；

增大计算时间虽然可以得到最优解，但由此带来的各项成本却大幅上升。

发明内容

本发明针对上述问题，提供的技术方案为：

基于多目标改进粒子群算法的配电网网架重构方法，包含以下步骤：

S100.采集全网原始数据，进行初始化处理，得到一组的基于随机生成的初始化粒子并输出；

S200.将各初始化粒子逐一进行筛选处理，判断每个粒子是否连通，并根据结果做出如下操作：

如果当前被判断的粒子不连通，则将其适应度设为惩罚因子，得到惩罚修正粒子并输出；

或，

如果当前被判断的粒子连通，则判断每个粒子是否过载，并根据结果做出如下操作：

如果当前粒子过载，则将其适应度设为惩罚因子，得到惩罚修正粒子并输出；

或，

如果当前粒子不过载，则直接将其作为一级粒子其输出；

S300.将来自S200的筛选得到的一级粒子逐一进行安全性约束处理，判断每个粒子是否满足“N-1”安全性约束，并根据结果做出如下操作：

如果当前被判断的粒子不满足“N-1”安全性约束，则将其适应度设为过负荷量乘以惩罚因子，得到惩罚修正粒子并输出；

或，

如果当前被判断粒子满足“N-1”安全性约束，则对该粒子进行潮流计算操作，然后计算投资费用、网损费用和阻塞费用，得到二级粒子并输出；

S400.逐一将惩罚修正粒子和二级粒子的个体极值提取出来，并和当前的全局极值根据预设条件进行对比，并根据对比结果做出如下操作：

如果当前被判断的粒子的个体极值优于当前的全局极值，则将此个体极值作为新的全局极值，并更新至全网络共享；

或，

如果当前被判断的粒子的个体极值劣于当前的全局极值，则用全局极值替换此粒子的个体极值，并将此粒子作为更新粒子输出；

S500.将更新粒子作为父代个体，进行交叉操作，得到为子代个体；将父代个体和子代个体根据预设的条件进行对比，并根据比较对比结果做出如下操作：

如果子代个体优于父代个体，则将该子代个体标定为交叉粒子，并输出到变异操作；

或，

如果子代个体劣于父代个体，则将该父代个体标定为交叉粒子，并输出到变异操作；

所述交叉操作中的交叉概率设为q_c，q_c的值由人工预设在所述交叉操作中；

S600.变异操作对交叉粒子进行变异操作后得到变异粒子，并输出到权重优化操作；

S700.权重优化操作接收来自S600的变异粒子，将变异粒子进行指数递减的惯性权重改进，以解决计算准确度和解决迭代过程中变异粒子一旦陷入局部最优而难以跳出的问题，按下式计算：

其中，w_start为惯性权重的初始值，w_end为惯性权重的终止值，t为当前的迭代次数，k为用来控制w随迭代次数t变化曲线的平滑程度的控制因子，t_max为预设的最大迭代次数；

变异粒子改进过后的速度公式按下式计算：

其中，v_id为粒子的速度，c₁和c₂为学习因子，r₁和r₂为均匀随机数，为粒子个体极值，为粒子全局极值；

S800.判断迭代次数或扰动次数是否已达到预设的最大迭代次数或最大扰动次数，并根据判断结果做出如下操作：

如果当前迭代次数或扰动次数都尚未达到预设的最大迭代次数或最大扰动次数，则将变异粒子标定为初始化粒子，并输入到S200中的筛选处理的输入端，重复S200到S500的处理步骤；

或，

如果当前迭代次数或扰动次数中有至少1个达到了预设最大值，则将当前的个体极值作为最优解输出；

优选地，所述S200中的筛选处理步骤中的适应度仅考虑经济性时按下式计算：

其中：K表示资金现值换等年值系数，c_ij表示支路ij新建一条线路的成本，n_ij表示支路ij新增线路回数，s表示负荷水平的上界值，T^l表示当负荷水平为l时的持续负荷小时数，表示当负荷水平为l时有线路约束下的发电机出力，g_i-lim ^l表示当负荷水平为l时有无线路约束下的发电机出力，a_i表示发电机出力成本，P_e为电价差，R_ij表示支路ij的电阻，P_ij为线路ij功率，表示当负荷水平为l时支路ij的潮流，F为目标函数符号，由适应度值体现，n表示系统发电机的总数，U为过负荷惩罚因子。

优选地，所述S200中的筛选处理步骤中的适应度在考虑安全性与经济性协调时按下式计算：

其中，I_EARi为负荷节点i的停电损失评价率；为负荷水平l下节点i的缺供电量，o为节点数。

优选地，所述线路ij功率P_ij按下式计算：

其中：U_i表示节点i的电压值，U_j表示节点j的电压值，θ_i表示节点i的电压相位角，θ_j表示节点j的电压相位角，G_ii表示节点的自电导，G_ij表示节点的互电导，B_ij表示节点的互电纳。

优选地，所述S300中的潮流计算操作包括以下约束方程：

其中，n，m为节点编号，n＝0，1，2，…，n-1，m＝0，1，2，…，n-1，p_n为节点n输入的有功功率，q_n为节点n输入的无功功率，p_pvn为发电设备向节点n注入的有功功率，q_pvn为发电设备向节点n注入的无功功率，P_Ln为节点n的有功功率负荷，Q_Ln为节点n的无功功率负荷，U_n为节点n的节点电压，U_m为节点m的节点电压，Y为支路的导纳矩阵。

优选地，所述S300中的“N-1”安全性约束包括以下计算方法：

目标函数：

其中，ND是负荷节点数，r_i＝(r₁,r₂,…,r_i,…,r_ND)^T是节点的削负荷向量；

系统有功功率平衡约束：

B_kθ＝P_g-P_d+r

其中B_k为节点互导纳矩阵，θ为节点电压相位角，P_g为发电机的输出力量，P_d为负荷有功功率，r为负荷削减量；

发电机有功出力约束：

负荷削减量约束：

0≤r≤P_d

线路功率约束：

其中，P_l是支路潮流向量，是支路功率极限值。

优选地，所述S300中的投资费用、网损费用和阻塞费用的计算方法如下：

投资费用f_ivn：

其中，C_i为线路i投资费用，n_i为线路走廊i上的新建线路回数，K为资金的时间价值，e为线路走廊数目；

K的计算方法如下式所示：

其中，r为贴现率，h为分摊年限；

网损费用f_loss：

其中，c_p为电价系数，I_i为第i条支路的电流和R_i第i条支路的电阻，Ω为网架线路集合；

阻塞费用f_conges：

其中，g_{i_lim}表示有线路约束下的发电机出力，g_i表示无线路约束下的发电机出力。

优选地，所述S600中的变异操作包含以下步骤：

首先逐一对交叉粒子的全局极值是否改变进行判断，并根据判断结果做出如下操作：

如果全局极值没有变化，则将迭代次数置为1，然后将交叉粒子标定为变异粒子输出；

或，

如果全局极值有变化，则将迭代次数置加1，然后判断迭代次数是否达到预设的最大迭代次数，并根据判断结果做出如下操作：

如果没有达到了预设的最大迭代次数，则将交叉粒子标定为变异粒子输出；

或，

如果达到了预设的最大迭代次数，则按预设的变异概率来对本粒子进行变异处理，得到变异粒子输出，并将迭代次数加1。

本发明与现有技术对比，具有以下优点：

1.改进了指数递减的惯性权重计算方法和粒子的速度算法，使得计算速度大幅提高，可以实现用更短时间得到更高的收敛精度。

2.计算速度的提升减少了得到最优解的时间，大幅降低了决策的各项成本。

附图说明

图1为本发明的基本流程图。

图2为实施例改进前的网络拓扑图。

图3为实施例的最终规划结果示意图。

图4为实施例的对应的适应度值迭代曲线。

其中：1.改进粒子群算法的适应度值迭代曲线，2.标准粒子群算法的适应度值迭代曲线。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

基于多目标改进粒子群算法的包含分布式光伏的配电网网架重构方法，其基本流程图如图1所示。采用本方法对含有分布式光伏的电网的改进，最终目标在于重构的含分布式光伏的配电网络的损耗最小，可得分布式光伏目标函数如式(1)所示：

其中，f为网损，B为最大支路数，b为支路编号，b＝1，2，…，B。k₁为支路b的开关状态变量，k₁＝1时开关闭合，k₁＝0时开关打开，r_b为支路b的电阻，P₁，Q₁分别为支路b的有功和无功功率；U_b为支路b末端的节点电压，对其约束条件如式(2)所示：

U_b.min≤Ub≤U_b.max (2)

其中，U_b.min为U_b的下限，U_b.max为U_b的上限。

此外由于含分布式光伏的配电网重构过程中及重构后都要满足配电网拓扑结构要求，即满足辐射状和连通性要求，因此重构方案还需要满足分布式光伏发电容量约束条件和含分布式电源的潮流方程约束，其中：

布式光伏发电容量约束条件如式(3)所示：

P_pvi.min≤P_pvi≤P_pvi.max (3)

其中，P_pvi为接入节点i的DG的功率，P_pvi.min为接入节点i的DG的功率的下限，P_pvi.max为接入节点i的DG的功率的上限。

一个含分布式光伏的配电网的拓扑结构如图2所示，其各节点的负荷如表1所示：

表1.原配电网各节点负荷表

节点编号	节点负荷	节点编号	节点负荷
				5	2.21	20	2
6	2.62	21	2.08
				7	2.49	22	2.43
8	1.78	23	2.56
				15	2.74	24	2.72
16	12	25	8
				17	8.58	26	43
18	170
				19	30	Total	1158.58

另有接入光伏及节点位置如表2所示：

表2.分布式光伏接入位置及容量(MW)

接入位置	计入容量	接入位置	计入容量
				3	2.00	15	3.16
4	2.00	17	2.06

对于此配电网络，其配电网系统的母线节点缺电损失评价率值如表3所示：

表3.配电网系统的母线节点缺电损失评价率值

基于上述结构及约束要求，该实施例包含以下步骤：

S100.采集全网原始数据，进行初始化处理，得到一组的基于随机生成的初始化粒子并输出；其中每一个粒子，都是一种包含分布式光伏的配电网网架重构方案。

所述全网原始数据包括：惯性权重w，学习因子c₁、c₂，种群规模m，粒子的位置、速度范围，算法的最大迭代次数T_max，计算精度ξ。随机生成每个粒子的位置x_i、速度v_i、初始个体极值，以及种群的全局极值与位置。

本实施例采用改进粒子群算法所用到的部分参数如表4所示：

表4.本实施例采用改进粒子群算法所用到的部分参数表

参数	取值	单位
			种群规模m	120	个
最大迭代次数P	150	次
			权重w	0.9、0.4
学习因子c1、c2	0.5、2.5
			扰动次数	15	次
粒子群向量维度D	28	维
			惩罚系数U	10e+9

S200.将各初始化粒子逐一进行筛选处理，判断每个粒子是否连通，并根据结果做出如下操作：

如果当前被判断的粒子不连通，则将其适应度设为惩罚因子，得到惩罚修正粒子并输出。

或，

如果当前被判断的粒子连通，则判断每个粒子是否过载，并根据结果做出如下操作：

如果当前粒子过载，则将其适应度设为惩罚因子，得到惩罚修正粒子并输出。

或，

如果当前粒子不过载，则直接将其作为一级粒子其输出。

所述筛选处理步骤中的适应度仅考虑经济性时按式(4)计算：

其中：K表示资金现值换等年值系数，c_ij表示支路ij新建一条线路的成本，n_ij表示支路ij新增线路回数，s表示负荷水平的上界值，T^l表示当负荷水平为l时的持续负荷小时数，表示当负荷水平为l时有线路约束下的发电机出力，g_i-lim ^l表示当负荷水平为l时有无线路约束下的发电机出力，a_i表示发电机出力成本，P_e为电价差，R_ij表示支路ij的电阻，P_ij为线路ij功率，表示当负荷水平为l时支路ij的潮流，F为目标函数符号，由适应度值体现，n_g表示系统发电机的总数，U为过负荷惩罚因子。

所述筛选处理步骤中的适应度在考虑安全性与经济性协调时按式(5)计算：

其中，I_EARi为负荷节点i的停电损失评价率；EENS_i ^l为负荷水平l下节点i的缺供电量，o为节点数。

所述线路ij功率P_ij按式(6)计算：

其中：U_i表示节点i的电压值，U_j表示节点j的电压值，θ_i表示节点i的电压相位角，θ_j表示节点j的电压相位角，G_ii表示节点的自电导，G_ij表示节点的互电导，B_ij表示节点的互电纳。

S300.将来自S200的筛选得到的一级粒子逐一进行安全性约束处理，判断每个粒子是否满足“N-1”安全性约束，并根据结果做出如下操作：

如果当前被判断的粒子不满足“N-1”安全性约束，则将其适应度设为过负荷量乘以惩罚因子，得到惩罚修正粒子并输出。

或，

如果当前被判断粒子满足“N-1”安全性约束，则对该粒子进行潮流计算操作，然后计算投资费用、网损费用和阻塞费用，得到二级粒子并输出。

所述“N-1”安全性约束包括以下计算方法：

目标函数如式(7)所示：

其中，ND是负荷节点数，r_i＝(r₁,r₂,…,r_i,…,r_ND)^T是节点的削负荷向量。

系统有功功率平衡约束如式(8)所示：

B_kθ＝P_g-P_d+r (8)

其中B_k为节点互导纳矩阵，θ为节点电压相位角，P_g为发电机的输出力量，P_d为负荷有功功率，r为负荷削减量。

发电机有功出力约束如式(9)所示：

负荷削减量约束如式(10)所示：

0≤r≤P_d(10)

线路功率约束如式(11)所示：

其中，P_l是支路潮流向量，是支路功率极限值。

所述潮流计算操作包括以下约束方程，如式(12)和(13)所示：

其中，n，m为节点编号，n＝0，1，2，…，n-1，m＝0，1，2，…，n-1，p_n为节点n输入的有功功率，q_n为节点n输入的无功功率，p_pvn为光伏向节点n注入的有功功率，q_pvn为光伏向节点n注入的无功功率，P_Ln为节点n的有功功率负荷，Q_Ln为节点n的无功功率负荷，U_n为节点n的节点电压，U_m为节点m的节点电压，Y为支路的导纳矩阵。

所述投资费用、网损费用和阻塞费用的计算方法如下：

投资费用f_ivn如式(14)所示：

其中，C_i为线路i投资费用，n_i为线路走廊i上的新建线路回数，K为资金的时间价值，e为线路走廊数目；

K的计算方法如式(15)所示：

其中，r为贴现率，h为分摊年限。

网损费用f_loss如式(16)所示：

其中，c_p为电价系数，I_i为第i条支路的电流和R_i第i条支路的电阻，Ω为网架线路集合。

阻塞费用f_conges如式(17)所示：

其中，g_{i_lim}表示有线路约束下的发电机出力，g_i表示无线路约束下的发电机出力。

通过上述经济成本构成及计算方法分析，含分布式光伏的电网规划模型如式(18)所示：

采用停电损失评价率得到停电损失费用，安全性代价成本的表达式如式(19)所示：

其中，I_EARi为负荷节点i的停电损失评价率，单位为人民币元/(MWh)，EENS_i为负荷节点i的缺供电量。

在经济性规划模型的基础上，同样采用直流潮流方法并考虑＂N-1＂安全性约束，将安全性成本计入目标函数，构建基于风险的安全性-经济性协调的电网规划模型如下所示：

目标函数如式(20)所示：

约束条件如下：

式中，K表示资金现值换等年值系数；c_ij表示支路ij新建一条线路的成本；n_ij表示支路ij新増线路数；T^l表示负荷水平l的持续负荷小时数；a_i表示发电机i的发电成本系数；表示负荷水平l下发电机i出力；R_ij表示支路ij的电阻；P_e表示电价差；表示负荷水平l下支路ij的潮流；I_EARi表示停电损失函数；表示负荷水平l下节点i的缺供电量；γ_ij表示支路ij单条线路的电抗；表示支路ij原有线路数；S表示支路功率和节点注入功率的灵敏度矩阵；p、d分别表示发电机出力矢量、负荷功率矢量；表示支路潮流上限；表示发电机出力上下限；表示支路ij最多可建的线路数。

S400.逐一将惩罚修正粒子和二级粒子的个体极值提取出来，并和当前的全局极值根据预设条件进行对比，并根据对比结果做出如下操作：

如果当前被判断的粒子的个体极值优于当前的全局极值，则将此个体极值作为新的全局极值，并更新至全网络共享。

或，

如果当前被判断的粒子的个体极值劣于当前的全局极值，则用全局极值替换此粒子的个体极值，并将此粒子作为更新粒子输出。

S500.将更新粒子作为父代个体，进行交叉操作，得到为子代个体；将父代个体和子代个体根据预设的条件进行对比，并根据比较对比结果做出如下操作：

如果子代个体优于父代个体，则将该子代个体标定为交叉粒子，并输出到变异操作。

或，

如果子代个体劣于父代个体，则将该父代个体标定为交叉粒子，并输出到变异操作。

所述交叉操作中的交叉概率设为q_c，q_c的值由人工预设在所述交叉操作中。

所述交叉操作包括以下步骤：

粒子在某一时刻的位置与速度的向量，其中D为搜索空间维度、Q为种群规模，如式(21)和(22)所示：

粒子在某一时刻的个体极值P_best及粒子种群的全局极值g_best如式(23)和(24)所示：

取得个体极值与全局极值后，第i个粒子在t+1时刻的位置可根据如式(25)和(26)

所示计算方法更新：

其中，c₁和c₂为学习因子；r₁和r₂为均匀随机数；v_id是粒子的速度，v_id∈[v_min,v_max]。

S600.根据迭代后的粒子个体极值进行排序，在算法计算过程中种群极值会被一定比例的粒子个体极值平均值所代替。则第t次迭代时粒子个体极值的平均值如式(27)和(28)所示：

其中，g为第t次迭代求平均值的粒子个数。

将粒子进行指数递减的惯性权重改进，以解决计算准确度和解决迭代过程中粒子一旦陷入局部最优而难以跳出的问题，如式(29)所示：

其中，w_start为惯性权重的初始值，w_end为惯性权重的终止值，t为当前的迭代次数，k为用来控制w随迭代次数t变化曲线的平滑程度的控制因子，t_max为预设的最大迭代次数。

粒子改进过后的速度公式如式(30)所示：

其中，v_id是粒子的速度，c₁和c₂为学习因子，r₁和r₂为均匀随机数，为粒子个体极值，为粒子全局极值。

变异操作对交叉粒子进行变异操作后得到变异粒子，然后判断迭代次数或扰动次数是否已达到预设的最大迭代次数或最大扰动次数，并根据判断结果做出如下操作：

如果当前迭代次数或扰动次数都尚未达到预设的最大迭代次数或最大扰动次数，则将变异粒子标定为初始化粒子，并输入到S200中的筛选处理的输入端，重复S200到S500的处理步骤。

或，

如果当前迭代次数或扰动次数中有至少1个达到了预设最大值，则将当前的个体极值作为最优解输出。

所述变异操作包括下列步驟：

S610.首先逐一对交叉粒子的全局极值是否改变进行判断，并根据判断结果做出如下操作：

如果全局极值没有变化，则将迭代次数置为1，然后将交叉粒子标定为变异粒子输出。

或，

如果全局极值有变化，则将迭代次数置加1，然后判断迭代次数是否达到预设的最大迭代次数，并根据判断结果做出如下操作：

如果没有达到了预设的最大迭代次数，则将交叉粒子标定为变异粒子输出。

或，

如果达到了预设的最大迭代次数，则按预设的变异概率来对本粒子进行变异处理，得到变异粒子输出，并将迭代次数加1。

最终规划结果如图3所示，对应的适应度值迭代曲线如图4所示；改进得到的结果对比如表5所示：

表5.标准粒子群算法与改进粒子群算法的结果比较

最后，采用了改进粒子群算法的规划方案如表6所示：

表6.规划方案结果

标准粒子群算法的迭代次数为29次，改进粒子群算法的迭代次数为38次，而且用时更少；同时在分布式光伏接入后改进粒子群算法的总投资费用比标准粒子群算法的低118.14万元，这说明了在改进粒子群算法的计算下搜索精度比标准粒子群算法高，改进粒子群算法在获得最优解上具有明显优势

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (8)

1.基于多目标改进粒子群算法的配电网网架重构方法，其特征在于：包含以下步骤：

S100.采集全网原始数据，进行初始化处理，得到一组的基于随机生成的初始化粒子并输出；

S200.将各初始化粒子逐一进行筛选处理，判断每个粒子是否连通，并根据结果做出如下操作：

如果当前被判断的粒子不连通，则将其适应度设为惩罚因子，得到惩罚修正粒子并输出；

或，

如果当前被判断的粒子连通，则判断每个粒子是否过载，并根据结果做出如下操作：

如果当前粒子过载，则将其适应度设为惩罚因子，得到惩罚修正粒子并输出；

或，

如果当前粒子不过载，则直接将其作为一级粒子其输出；

S300.将来自S200的筛选得到的一级粒子逐一进行安全性约束处理，判断每个粒子是否满足“N-1”安全性约束，并根据结果做出如下操作：

如果当前被判断的粒子不满足“N-1”安全性约束，则将其适应度设为过负荷量乘以惩罚因子，得到惩罚修正粒子并输出；

或，

如果当前被判断粒子满足“N-1”安全性约束，则对该粒子进行潮流计算操作，然后计算投资费用、网损费用和阻塞费用，得到二级粒子并输出；

S400.逐一将惩罚修正粒子和二级粒子的个体极值提取出来，并和当前的全局极值根据预设条件进行对比，并根据对比结果做出如下操作：

如果当前被判断的粒子的个体极值优于当前的全局极值，则将此个体极值作为新的全局极值，并更新至全网络共享；

或，

如果当前被判断的粒子的个体极值劣于当前的全局极值，则用全局极值替换此粒子的个体极值，并将此粒子作为更新粒子输出；

S500.将更新粒子作为父代个体，进行交叉操作，得到为子代个体；将父代个体和子代个体根据预设的条件进行对比，并根据比较对比结果做出如下操作：

如果子代个体优于父代个体，则将该子代个体标定为交叉粒子，并输出到变异操作；

或，

如果子代个体劣于父代个体，则将该父代个体标定为交叉粒子，并输出到变异操作；

所述交叉操作中的交叉概率设为q_c，q_c的值由人工预设在所述交叉操作中；

S600.变异操作对交叉粒子进行变异操作后得到变异粒子，并输出到权重优化操作；

S700.权重优化操作接收来自S600的变异粒子，将变异粒子进行指数递减的惯性权重改进，以解决计算准确度和解决迭代过程中变异粒子一旦陷入局部最优而难以跳出的问题，按下式计算：

其中，w_start为惯性权重的初始值，w_end为惯性权重的终止值，t为当前的迭代次数，k为用来控制w随迭代次数t变化曲线的平滑程度的控制因子，t_max为预设的最大迭代次数；

变异粒子改进过后的速度公式按下式计算：

其中，v_id为粒子的速度，c₁和c₂为学习因子，r₁和r₂为均匀随机数，P_id ^t为粒子个体极值，P_gd ^t为粒子全局极值；

S800.判断迭代次数或扰动次数是否已达到预设的最大迭代次数或最大扰动次数，并根据判断结果做出如下操作：

如果当前迭代次数或扰动次数都尚未达到预设的最大迭代次数或最大扰动次数，则将变异粒子标定为初始化粒子，并输入到S200中的筛选处理的输入端，重复S200到S500的处理步骤；

或，

如果当前迭代次数或扰动次数中有至少1个达到了预设最大值，则将当前的个体极值作为最优解输出。

2.根据权利要求1所述基于多目标改进粒子群算法的配电网网架重构方法，其特征在于：所述S200中的筛选处理步骤中的适应度仅考虑经济性时按下式计算：

其中：K表示资金现值换等年值系数，c_ij表示支路ij新建一条线路的成本，n_ij表示支路ij新增线路回数，s表示负荷水平的上界值，T^l表示当负荷水平为l时的持续负荷小时数，g_i ^l表示当负荷水平为l时有线路约束下的发电机出力，g_i-lim ^l表示当负荷水平为l时有无线路约束下的发电机出力，a_i表示发电机出力成本，P_e为电价差，R_ij表示支路ij的电阻，P_ij为线路ij功率，f_ij ^l表示当负荷水平为l时支路ij的潮流，F为目标函数符号，由适应度值体现，n_g表示系统发电机的总数，U为过负荷惩罚因子。

3.根据权利要求2所述基于多目标改进粒子群算法的配电网网架重构方法，其特征在于：所述S200中的筛选处理步骤中的适应度在考虑安全性与经济性协调时按下式计算：

其中，I_EARi为负荷节点i的停电损失评价率；EENS_i ^l为当负荷水平为l时节点i的缺供电量，o为节点数。

4.根据权利要求2或3所述基于多目标改进粒子群算法的配电网网架重构方法，其特征在于：所述线路ij功率P_ij按下式计算：

其中：U_i表示节点i的电压值，U_j表示节点j的电压值，θ_i表示节点i的电压相位角，θ_j表示节点j的电压相位角，G_ii表示节点的自电导，G_ij表示节点的互电导，B_ij表示节点的互电纳。

5.根据权利要求1所述基于多目标改进粒子群算法的配电网网架重构方法，其特征在于：所述S300中的潮流计算操作包括以下约束方程：

其中，n，m为节点编号，n＝0，1，2，…，n-1，m＝0，1，2，…，n-1，p_n为节点n输入的有功功率，q_n为节点n输入的无功功率，p_pvn为发电设备向节点n注入的有功功率，q_pvn为发电设备向节点n注入的无功功率，P_Ln为节点n的有功功率负荷，Q_Ln为节点n的无功功率负荷，U_n为节点n的节点电压，U_m为节点m的节点电压，Y为支路的导纳矩阵。

6.根据权利要求1所述基于多目标改进粒子群算法的配电网网架重构方法，其特征在于：所述S300中的“N-1”安全性约束包括以下计算方法：

目标函数：

其中，ND是负荷节点数，r_i＝(r₁,r₂,…,r_i,…,r_ND)^T是节点的削负荷向量；

系统有功功率平衡约束：

B_kθ＝P_g-P_d+r

其中B_k为节点互导纳矩阵，θ为节点电压相位角，P_g为发电机的输出力量，P_d为负荷有功功率，r为负荷削减量；

发电机有功出力约束：

负荷削减量约束：

0≤r≤P_d

线路功率约束：

|P_l|≤P_l ^max

其中，P_l是支路潮流向量，P_l ^max是支路功率极限值。

7.根据权利要求1所述基于多目标改进粒子群算法的配电网网架重构方法，其特征在于：所述S300中的投资费用、网损费用和阻塞费用的计算方法如下：

投资费用f_ivn：

其中，C_i为线路i投资费用，n_i为线路走廊i上的新建线路回数，K为资金的时间价值，e为线路走廊数目；

K的计算方法如下式所示：

其中，r为贴现率，h为分摊年限；

网损费用f_loss：

其中，c_p为电价系数，I_i为第i条支路的电流和R_i第i条支路的电阻，Ω为网架线路集合；

阻塞费用f_conges：

其中，g_{i_lim}表示有线路约束下的发电机出力，g_i表示无线路约束下的发电机出力。

8.根据权利要求1所述基于多目标改进粒子群算法的配电网网架重构方法，其特征在于：所述S600中的变异操作包含以下步骤：

首先逐一对交叉粒子的全局极值是否改变进行判断，并根据判断结果做出如下操作：

如果全局极值没有变化，则将迭代次数置为1，然后将交叉粒子标定为变异粒子输出；

或，

如果全局极值有变化，则将迭代次数置加1，然后判断迭代次数是否达到预设的最大迭代次数，并根据判断结果做出如下操作：

如果没有达到了预设的最大迭代次数，则将交叉粒子标定为变异粒子输出；

或，

如果达到了预设的最大迭代次数，则按预设的变异概率来对本粒子进行变异处理，得到变异粒子输出，并将迭代次数加1。