CN112671045B - 一种基于改进遗传算法的分布式电源优化配置方法 - Google Patents

Abstract

本发明公开了一种基于改进遗传算法的分布式电源优化配置方法，步骤如下：从系统元件故障因素出发，得到元件的故障概率模型；从节点电压越限、支路过载和系统失负荷的角度，综合得出分类的风险严重度指标；从系统风险性成本评价分布式电源接入对配电网的影响，得到系统网损以及分布式电源运行成本风险为基础的优化配置模型；建立分布式电源输出功率的概率模型和考虑潜在运行风险成本的分布式电源优化配置模型；利用改进遗传算法求解分布式电源优化配置模型；更加全面的对分布式电源的配电网的运行风险进行评估，并在提高计算效率的同时实现了分布式电源的优化配置。

Description

一种基于改进遗传算法的分布式电源优化配置方法

技术领域

本发明涉及分布式电源接入优化技术，尤其涉及一种基于改进遗传算法的分布式电源优化配置方法。

背景技术

21世纪以来，能源问题日益严重，清洁高效的可再生能源得到重视；如太阳能、风能等可作为分布式电源接入配电网中，降低能耗，提高电力系统可靠性和灵活性；但分布式电源并入使配电网结构更复杂，且因气候等因素造成不稳定性，给电网带来一系列问题。

为了解决分布式电源带来的问题，国内外一些研究通过对分布式电源进行选址容量上的优化配置，例如申请号为CN201810280782.7的专利提出了一种计及供电可靠性的多目标分布式电源选址定容方法，该方法进行分布式电源选址定容的多个目标函数计算，综合上述多个子目标函数建立计及供电可靠性的多目标分布式电源选址定容的目标函数，结合配电网功率平衡约束条件、分布式电源出力约束条件和配电网节点电压约束条件，建立计及供电可靠性的多目标分布式电源选址定容的优化模型，采用粒子群优化与非支配遗传排序协同进化算法进行模型求解，得到满足多个目标的分布式电源选址定容优化方案；所述多个目标函数包括反映选址定容方案经济性的目标函数；反映选址定容方案对配电网可靠性影响的目标函数；并未分开考虑经济性和风险性的多方面因素，欠缺准确性和灵活性。

有些技术从网损角度出发，对分布式电源的配电网进行风险评估，例如对申请号为CN201810241677.2的专利提出的一种含分布式电源的配电网运行风险评估方法和装置，提出了计算不同天气类型下配电线路的故障概率以及不同天气类型和运行寿命下分布式电源的故障概率；根据所述配电线路及分布式电源的故障概率，通过预先构建的分布式电源出力模型对配电网的运行状态进行仿真；根据仿真结果对配电网的运行风险进行评估；改技术并为考虑运行成本风险及潜在成本风险因素对分布式电源的配电网的影响，所以并不能全面的保证配电网运行风险评估的准确性。

因此，亟需一种基于改进遗传算法的分布式电源优化配置方法来解决现有的技术问题。

发明内容

针对上述现有技术的不足，本发明的目的是提供一种基于改进遗传算法的分布式电源优化配置方法，从系统元件故障因素出发，综合考虑元件老化失效率、线路停运概率和天气因素对元件故障概率的影响，以及考虑运行风险成本及潜在风险成本因素，建立概率模型，并采用遗传算法得出分布式电源的优化配置。

本发明是通过以下技术方案予以实现的。

一种基于改进遗传算法的分布式电源优化配置方法，其特征在于，步骤如下：

S101：从系统元件故障因素出发，综合考虑元件老化失效率、线路停运概率和天气因素对元件故障概率的影响，进而得到元件的故障概率模型；

S102：从节点电压越限、支路过载和系统失负荷的角度，综合得出分类的风险严重度指标；

S103：从系统风险性成本评价分布式电源接入对配电网的影响，根据配电网运行状态的改变，通过改变指标权重值调整综合指标的组成，得到系统网损以及分布式电源运行成本风险；

S104：从风力发电机和光伏电源的出力特性，建立分布式电源输出功率的概率模型；通过分析分布式电源输出波动性对配电网运行成本的影响，建立考虑潜在运行风险成本的分布式电源优化配置模型；

S105：基于遗传算法的实现机制，求解分布式电源优化配置模型。

进一步的，在S101中，首先对电网进行风险建模，对电力系统风险的定义为故障发生的概率和严重度的乘积；

从系统元件故障因素出发，综合考虑元件老化失效率、线路停运概率和天气因素对元件故障概率的影响，进而得到元件的故障概率模型：

P_r＝P_bP_fP_w

式中：P_b为线路老化失效概率，取决于元件投运年限与自身的特性；P_f为元件当前运行状态下的故障概率，取决于潮流大小；P_w为气象影响系数。

更进一步的，潮流大小通过潮流计算得出，使用牛顿-拉夫逊法，根据支路阻抗及初始电压功率条件解出潮流结果；其中，老化概率P_b按如下函数计算：

P_b(t)＝αβt^β-1

式中，t为时间，α、β分别为形状参数，从历史统计数据计算得到。

更进一步的，运行故障概率为：

式中：S为某运行状下支路的视在功率；S_max为视在功率在该支路越限的上阈值；P_f,0为线路停运概率的统计值；μ、γ分别为待定参数，由实际条件给出。

进一步的，在S102中，通过潮流计算得出各个节点支路的相关参数，其中节点电压越限严重度函数为：

式中：V₀为节点电压，V_imax为电压上限，V_imin为电压下限；

其中支路电流越限严重度函数为：

式中：I₀为支路电流，I_imax为电流上限，I_imin为电流下限。

更进一步的，失负荷严重度函数为：

式中：N_T为系统总用户数；N_LOL为故障时停电用户数；S^j _T为系统第j个用户的电容量；Sⁱ _LOL为第i个停电用户的容量；r^j _T为系统第j个用户的权重等级，rⁱ _LOL为第i个失电用户的权重等级。

进一步的，在S103中，根据配电网运行状态的改变，通过改变指标权重值调整综合指标的组成，再基于风险指标建立考虑运行风险的分布式电源优化配置模型；综合目标函数为：

f＝min(ω_RR+ω_CC)

式中，ω_R、ω_c是系统运行风险和运行成本权重；R是运行风险，C是分布式电源带来的成本，包括系统网损C1和分布式电源运行成本C2；

式中，N_DG为接入配电网的分布式电源数；τ_i为第i个分布式电源的投资年平均费用系数；C_DGi为第i个分布式电源的安装费用；W_DGi为第i个分布式电源的维护费用；P_DGi为分布式电源的有功功率；T_DGi为第i个分布式电源的年运行时间；η_c为单位分布式电源的发电成本；ΔP_loss为分布式电源安装前后的网损差值；η_r为电价。

进一步的，在S104中，研究风力发电机和光伏电源的出力特性，建立分布式电源输出功率的概率模型；

风力发电概率密度函数：

式中，v为风速；c为尺度参数；k为形状参数；

光伏发电的概率密度函数：

式中，r和r_max分别表示光照强度和最大光照强度；α、β分别为Beta分布的形状参数。

进一步的，通过分析分布式电源输出波动性对配电网运行成本的影响，建立考虑运行风险成本的分布式电源优化配置模型；

优化配置模型为：f＝min(ω_RR+ω_cC+ω_FF)；

式中，式中，ω_R、ω_c、ω_F是系统运行风险和运行成本权重；R是运行风险，C是分布式电源带来的成本，F是潜在风险成本；

F＝C’+R’

式中，C’是分布式电源出力波动的风险成本，R’是孤岛运行对电网的风险。

进一步的，在S105中，基于遗传算法的实现机制，求解分布式电源优化配置模型，其求解步骤为：

S1编码：使用十进制编码，将分布式电源容量作为染色体长度，分布式电源位置作为组成染色体的基因信息，将之离散化，使之符合求解分布式电源配置的规律；

S2生成种群：综合考虑含分布式电源配网的规模、结构和参数等因素进行种群规模选取，设置合理进化代数，既保证计算速度，又保证准确度；

为种群中每个个体选取合适的适应度函数，对适应度函数在目标优化配置模型的基础上进行适当的拉伸处理，增大个体差异，保证收敛准度；

S3解码：翻译编码后的染色体信息，将染色体中信息解码成为相应的断开开关编号；

S4选择：将选择算子作用于群体，选择操作采用轮盘赌选择法，各个个体被选中的概率与其适应度函数值大小成正比，把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；

S5交叉：交叉算子是遗传算法的核心，选取两点交叉方法作用于群体，随机交换两染色体中任意两位置间的基因片段，并在交叉算子中确定搜索范围，比单点交叉更灵活；

S6变异：将变异算子按照一定变异概率作用于染色体基因，即是对群体中的个体串的某些基因座上的基因值作变动，并通过调整变异概率，观察计算收敛曲线，保证收敛速度，避免出现早熟问题；

S7进化操作：采用进化搜索最优目标配置方案，进化标准需根据配网及分布式电源规模合理选择；群体经过选择、交叉、变异运算之后得到下一代群体；

S8终止条件：达到进化代数，判断是否收敛后，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

与现有技术相比，本发明的有益效果在于：

本发明公开了一种基于改进遗传算法的分布式电源优化配置方法，从系统元件故障因素出发，综合考虑元件老化失效率、线路停运概率和天气因素对元件故障概率的影响，并考虑运行风险成本及潜在风险成本因素，建立概率模型，更加全面的对分布式电源的配电网的运行风险进行评估，最后采用遗传算法得出分布式电源的优化配置，在提高计算效率的同时实现了分布式电源的优化配置。

附图说明

图1为本发明分布式电源的配电网优化配置流程图；

图2为遗传算法的计算流程图；

图3为本发明仿真时节点配电系统图；

图4为本发明安装300kw分布式电源得出的风险值和成本值曲线图；

图5为本发明传统遗传算法的收敛结果图；

图6为本发明改进遗传算法收敛结果图。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

下面通过具体的实施例子并结合附图对本发明做进一步的详细描述。

一种基于改进遗传算法的分布式电源优化配置方法，其流程如图1所示，具体过程如下：

S101：从系统元件故障因素出发，综合考虑元件老化失效率、线路停运概率和天气因素对元件故障概率的影响，进而得到元件的故障概率模型；

S102：从节点电压越限、支路过载和系统失负荷的角度，综合得出分类的风险严重度指标；

S103：从系统风险性成本评价分布式电源接入对配电网的影响，根据配电网运行状态的改变，通过改变指标权重值调整综合指标的组成，得到系统网损以及分布式电源运行成本风险；

S104：从风力发电机和光伏电源的出力特性，建立分布式电源输出功率的概率模型；通过分析分布式电源输出波动性对配电网运行成本的影响，建立考虑潜在运行风险成本的分布式电源优化配置模型；

S105：基于遗传算法的实现机制，求解分布式电源优化配置模型。

上述S101中，首先对电网进行风险建模，对电力系统风险的定义为故障发生的概率和严重度的乘积；

从系统元件故障因素出发，综合考虑元件老化失效率、线路停运概率和天气因素对元件故障概率的影响，进而得到元件的故障概率模型：

P_r＝P_bP_fP_w

式中：P_b为线路老化失效概率，取决于元件投运年限与自身的特性；P_f为元件当前运行状态下的故障概率，取决于潮流大小；P_w为气象影响系数；

潮流大小通过潮流计算得出，使用牛顿-拉夫逊法，根据支路阻抗及初始电压功率条件解出潮流结果；其中，老化概率P_b按如下函数计算：

P_b(t)＝αβt^β-1

式中，t为时间，α、β分别为形状参数，从历史统计数据计算得到。

运行故障概率为：

式中：S为某运行状下支路的视在功率；S_max为视在功率在该支路越限的上阈值；P_f,0为线路停运概率的统计值；μ、γ分别为待定参数，由实际条件给出。

上述S102中，从节点电压越限、支路过载和系统失负荷的角度，综合得出分类的风险严重度指标；

通过潮流计算得出各个节点支路的相关参数，其中节点电压越限严重度函数为：

式中：V₀为节点电压，V_imax为电压上限，V_imin为电压下限；

其中支路电流越限严重度函数为：

式中：I₀为支路电流，I_imax为电流上限，I_imin为电流下限。

其中失负荷严重度函数为：

式中：N_T为系统总用户数；N_LOL为故障时停电用户数；S^j _T为系统第j个用户的电容量；Sⁱ _LOL为第i个停电用户的容量；r^j _T为系统第j个用户的权重等级，rⁱ _LOL为第i个失电用户的权重等级。

上述S103中，从系统风险性成本评价分布式电源接入对配电网的影响，根据配电网运行状态的改变，通过改变指标权重值调整综合指标的组成，得到系统网损以及分布式电源运行成本风险；

根据配电网运行状态的改变，通过改变指标权重值调整综合指标的组成，再基于风险指标建立考虑运行风险的分布式电源优化配置模型；综合目标函数为：

f＝min(ω_RR+ω_CC)

式中，ω_R、ω_C是系统运行风险和运行成本权重；R是运行风险，C是分布式电源带来的成本，包括系统网损C1和分布式电源运行成本C2；

式中，N_DG为接入配电网的分布式电源数；τ_i为第i个分布式电源的投资年平均费用系数；C_DGi为第i个分布式电源的安装费用；W_DGi为第i个分布式电源的维护费用；P_DGi为分布式电源的有功功率；T_DGi为第i个分布式电源的年运行时间；η_c为单位分布式电源的发电成本；ΔP_loss为分布式电源安装前后的网损差值；η_r为电价。

上述S104中，从风力发电机和光伏电源的出力特性，建立分布式电源输出功率的概率模型；通过分析分布式电源输出波动性对配电网运行成本的影响，建立考虑运行风险成本的分布式电源优化配置模型；

风力发电、光伏发电等分布式电源的一次能源具有天然的波动性，导致该类型分布式电源输出功率波动较大，不确定性程度高，将给系统潮流带来不确定性；研究风力发电机和光伏电源的出力特性，建立分布式电源输出功率的概率模型；

风力发电概率密度函数：

式中，v为风速；c为尺度参数；k为形状参数。

光伏发电的概率密度函数：

式中，r和r_max分别表示光照强度和最大光照强度；α、β分别为Beta分布的形状参数。

通过分析分布式电源输出波动性对配电网运行成本的影响，建立考虑运行风险成本的分布式电源优化配置模型；该模型不仅考虑了分布式电源接入对配电网运行风险成本的影响，还计及孤岛运行时分布式电源对配电网运行风险的影响；

潜在风险是指设备随机故障造成的配电网停电风险；随着大量分布式电源接入配电网，将给潜在风险带来两方面的影响；一方面，分布式电源能缩短故障后配电网恢复对负荷供电的时间，减少停电损失；另一方面，元件数量的增多、分布式电源输出功率的间歇性和随机性、孤岛划分策略的大量调用使得配电网停电风险评估更为冗杂；

由于分布式电源的接入，含分布式电源的配电网在故障后会优先由并网运行方式转换成孤岛运行方式，静态稳定性和动态稳定性都较差，有功不平衡发生时一般经过较长时间的发电调整才能恢复，甚至出现频率崩溃和电压崩溃现象；

优化配置模型为：

f＝min(ω_RR+ω_cC+ω_FF)；

式中，式中，ω_R、ω_c、ω_F是系统运行风险和运行成本权重；R是运行风险，C是分布式电源带来的成本，F是潜在风险成本；

式中，F是潜在风险成本：

F＝C’+R’

式中，C’是分布式电源出力波动的风险成本，R’是孤岛运行对电网的风险。

上述S105中，基于遗传算法的实现机制，求解分布式电源优化配置模型；遗传算法的计算流程如图2所示；

改进的遗传算法求解分布式电源优化配置模型方法如下：

S1编码：使用十进制编码，将分布式电源容量作为染色体长度，分布式电源位置作为组成染色体的基因信息，将之离散化，使之符合求解分布式电源配置的规律；

S2生成种群：综合考虑含分布式电源配网的规模、结构和参数等因素进行种群规模选取，设置合理进化代数，既保证计算速度，又保证准确度；为种群中每个个体选取合适的适应度函数，对适应度函数在目标优化配置模型的基础上进行适当的拉伸处理，增大个体差异，保证收敛准度；

S3解码：翻译编码后的染色体信息，将染色体中信息解码成为相应的断开开关编号；

S4选择：将选择算子作用于群体，选择操作采用轮盘赌选择法，各个个体被选中的概率与其适应度函数值大小成正比，把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；

S5交叉：交叉算子是遗传算法的核心，选取两点交叉方法作用于群体，随机交换两染色体中任意两位置间的基因片段，并在交叉算子中确定搜索范围，比单点交叉更灵活；

S6变异：将变异算子按照一定变异概率作用于染色体基因，即是对群体中的个体串的某些基因座上的基因值作变动，并通过调整变异概率，观察计算收敛曲线，保证收敛速度，避免出现早熟问题；

S7进化操作：采用进化搜索最优目标配置方案，进化标准需根据配网及分布式电源规模合理选择；群体经过选择、交叉、变异运算之后得到下一代群体；

S8终止条件：达到进化代数，判断是否收敛后，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

以下以仿真事例进行说明：

本发明以IEEE-33母线配电系统为例进行计算验证；IEEE-33配电系统，额定电压为12.66kV，总负荷为3715+j2 300kVA，总共有33个节点，如图3所示；

在不同节点安装300kw分布式电源得出的风险值和成本值如图4所示；由此得在17节点安装分布式电源时，风险与成本值最小，为最佳方案；

安装2个分布式电源，最大容量分别不超过400kw，对其进行优化配置。传统遗传算法的收敛结果如图5所示，改进遗传算法的收敛结果如图6所示；可见传统遗传算法需迭代80多次，而改进后只需迭代40多次，传统遗传算法在最优值附近收敛极慢；而最优值结果则都在0.33，最佳方案为13和16节点分别安装400kw。

安装3个分布式电源，最大容量分别不超过400kw，对其进行优化配置。最优值为0.2，最佳方案为8，17，32节点分别安装400kw。

安装4个分布式电源，最大容量分别不超过400kw，对其进行优化配置。最优值为0.14，最佳方案为6，10，15，32节点分别安装400kw。

可得结论，改进遗传算法计算效率更高，且更合理灵活的分布式电源优化配置可以减轻电网的风险及成本。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。

Claims (5)

1.一种基于改进遗传算法的分布式电源优化配置方法，其特征在于，步骤如下：

S101：从系统元件故障因素出发，综合考虑元件老化失效率、线路停运概率和天气因素对元件故障概率的影响，进而得到元件的故障概率模型；

S102：从节点电压越限、支路过载和系统失负荷的角度，综合得出分类的风险严重度指标；

S103：从系统风险性成本评价分布式电源接入对配电网的影响，根据配电网运行状态的改变，通过改变指标权重值调整综合指标的组成，得到系统网损以及分布式电源运行成本风险；

S104：从风力发电机和光伏电源的出力特性，建立分布式电源输出功率的概率模型；通过分析分布式电源输出波动性对配电网运行成本的影响，建立考虑潜在运行风险成本的分布式电源优化配置模型；

S105：基于遗传算法的实现机制，求解分布式电源优化配置模型；

在S101中，首先对电网进行风险建模，对电力系统风险的定义为故障发生的概率和严重度的乘积；

从系统元件故障因素出发，综合考虑元件老化失效率、线路停运概率和天气因素对元件故障概率的影响，进而得到元件的故障概率模型：

，

式中：P_b为线路老化失效概率，取决于元件投运年限与自身的特性；P_f为元件当前运行状态下的故障概率，取决于潮流大小；P_w为气象影响系数；

潮流大小通过潮流计算得出，使用牛顿-拉夫逊法，根据支路阻抗及初始电压功率条件解出潮流结果；其中，老化概率P_b按如下函数计算：

，

式中，t为时间，α、β 分别为形状参数，从历史统计数据计算得到；

运行故障概率为：

，

式中：S 为某运行状下支路的视在功率；S_max 为视在功率在该支路越限的上阈值；为线路停运概率的统计值；μ、γ 分别为待定参数，由实际条件给出；

在S102中，通过潮流计算得出各个节点支路的相关参数，其中节点电压越限严重度函数为：

，

式中：V₀为节点电压，V_imax为电压上限，V_imin为电压下限；

其中支路电流越限严重度函数为：

，

式中：I₀为支路电流，I_imax为电流上限，I_imin为电流下限；

在S103中，根据配电网运行状态的改变，通过改变指标权重值调整综合指标的组成，再基于风险指标建立考虑运行风险的分布式电源优化配置模型；综合目标函数为：

，

式中，ω_R、ω_c是系统运行风险和运行成本权重；R是运行风险，C是分布式电源带来的成本，包括系统网损C1和分布式电源运行成本C2；

，

式中，N _DG 为接入配电网的分布式电源数；τ _i 为第 i 个分布式电源的投资年平均费用系数；C _DGi 为第 i 个分布式电源的安装费用；W _DGi 为第 i 个分布式电源的维护费用；P _DGi 为分布式电源的有功功率；T _DGi 为第 i 个分布式电源的年运行时间；η _c 为单位分布式电源的发电成本；ΔP _loss 为分布式电源安装前后的网损差值；η _r 为电价。

2.根据权利要求1所述的一种基于改进遗传算法的分布式电源优化配置方法，其特征在于，失负荷严重度函数为：

，

式中：N_T为系统总用户数；N_LOL为故障时停电用户数；S^j _T为系统第j个用户的电容量；Sⁱ _LOL为第i个停电用户的容量；r^j _T为系统第j个用户的权重等级，rⁱ _LOL为第i个失电用户的权重等级。

3.根据权利要求1所述的一种基于改进遗传算法的分布式电源优化配置方法，其特征在于，在S104中，研究风力发电机和光伏电源的出力特性，建立分布式电源输出功率的概率模型；

风力发电概率密度函数：

，

式中，v为风速；c为尺度参数；k为形状参数；

光伏发电的概率密度函数：

式中， r 和 r _max 分别表示光照强度和最大光照强度；α、β 分别为 Beta 分布的形状参数。

4.根据权利要求3所述的一种基于改进遗传算法的分布式电源优化配置方法，其特征在于，通过分析分布式电源输出波动性对配电网运行成本的影响，建立考虑运行风险成本的分布式电源优化配置模型；

优化配置模型为：ƒ=min(ω_RR+ω_cC+ω_FF)；

式中，式中，ω_R、ω_c、ω_F是系统运行风险和运行成本权重；R是运行风险，C是分布式电源带来的成本，F是潜在风险成本；

F=C’+R’

式中，C’是分布式电源出力波动的风险成本，R’是孤岛运行对电网的风险。

5.根据权利要求1所述的一种基于改进遗传算法的分布式电源优化配置方法，其特征在于，在S105中，基于遗传算法的实现机制，求解分布式电源优化配置模型，其求解步骤为：

S1编码：使用十进制编码，将分布式电源容量作为染色体长度，分布式电源位置作为组成染色体的基因信息，将之离散化，使之符合求解分布式电源配置的规律；

S2生成种群：综合考虑含分布式电源配网的规模、结构和参数因素进行种群规模选取，设置合理进化代数，既保证计算速度，又保证准确度；

为种群中每个个体选取合适的适应度函数，对适应度函数在目标优化配置模型的基础上进行适当的拉伸处理，增大个体差异，保证收敛准度；

S3解码：翻译编码后的染色体信息，将染色体中信息解码成为相应的断开开关编号；

S4选择：将选择算子作用于群体，选择操作采用轮盘赌选择法，各个个体被选中的概率与其适应度函数值大小成正比，把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；

S5 交叉：交叉算子是遗传算法的核心，选取两点交叉方法作用于群体，随机交换两染色体中任意两位置间的基因片段，并在交叉算子中确定搜索范围，比单点交叉更灵活；

S6变异：将变异算子按照一定变异概率作用于染色体基因，即是对群体中的个体串的某些基因座上的基因值作变动 ，并通过调整变异概率，观察计算收敛曲线，保证收敛速度，避免出现早熟问题；

S7进化操作：采用进化搜索最优目标配置方案，进化标准需根据配网及分布式电源规模合理选择；群体经过选择、交叉、变异运算之后得到下一代群体；

S8终止条件：达到进化代数，判断是否收敛后，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。