張 逸

(1. 國網(wǎng)福建省電力有限公司電力科學(xué)研究院， 福建 福州 350007； 2. 福州大學(xué)電氣工程與自動化學(xué)院， 福建 福州 350116)

主動配電網(wǎng)多目標(biāo)網(wǎng)絡(luò)重構(gòu)研究

張 逸1,2

(1. 國網(wǎng)福建省電力有限公司電力科學(xué)研究院， 福建 福州 350007； 2. 福州大學(xué)電氣工程與自動化學(xué)院， 福建 福州 350116)

本文提出了一種適用于主動配電網(wǎng)的多目標(biāo)網(wǎng)絡(luò)重構(gòu)混合進(jìn)化算法。選擇目標(biāo)函數(shù)為網(wǎng)損最小、供電可靠率最高，并在約束條件中考慮了分布式電源(DG)的出力約束，在可靠性計算中考慮了主動配電網(wǎng)中DG的計劃孤島作用；算法首先利用最優(yōu)流模式算法(OFP)得到接近最優(yōu)的局部最優(yōu)解，再利用樹形結(jié)構(gòu)編碼單親遺傳算法(TSE-PGA)搜索最優(yōu)解；提出了適用配電網(wǎng)重構(gòu)的TSE-PGA對應(yīng)的移位、重分配操作算子；用改進(jìn)非支配排序遺傳算法(NSGA-II)的非支配排序策略對迭代過程的個體進(jìn)行排序，最終得到Pareto前端解集。選擇改進(jìn)TPC 84節(jié)點(diǎn)算例驗(yàn)證所提出的混合進(jìn)化算法，與其他算法的結(jié)果進(jìn)行比較，證明了該算法的優(yōu)越性。

主動配電網(wǎng)； 分布式電源； 計劃孤島； 網(wǎng)絡(luò)重構(gòu)； 多目標(biāo)

1 引言

配電網(wǎng)重構(gòu)可在正常運(yùn)行狀態(tài)下，通過分段開關(guān)和聯(lián)絡(luò)開關(guān)的操作進(jìn)行運(yùn)行優(yōu)化，達(dá)到降低網(wǎng)絡(luò)損耗、提高供電可靠性等目標(biāo)。由于其不需要進(jìn)行新設(shè)備的投資，就能夠帶來配電網(wǎng)在經(jīng)濟(jì)性、安全性等多方面的提升，因此得到了很多學(xué)者的關(guān)注，也提出了多種重構(gòu)算法。從較早的最優(yōu)流模式算法[1]，支路交換法[2]等到現(xiàn)在的各種智能算法，如粒子群算法[3]、遺傳算法[4]、差分進(jìn)化算法[5]、模擬植物生長算法[6]等。

隨著配電網(wǎng)中分布式電源(Distributed Generation, DG)的大量接入，配電網(wǎng)從無源網(wǎng)絡(luò)變成了有源網(wǎng)絡(luò)，為了應(yīng)對配電網(wǎng)面臨的新挑戰(zhàn)，CIGRE C6提出了主動配電網(wǎng)(Active Distribution Network, ADN)的概念[7]，即：ADN通過合適的系統(tǒng)來控制分布式能源，包括發(fā)電機(jī)、負(fù)荷和儲能；配電系統(tǒng)運(yùn)營商可以利用靈活的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)來管理系統(tǒng)潮流。分布式能源根據(jù)合適的監(jiān)管環(huán)境和連接協(xié)議對系統(tǒng)支持承擔(dān)一定程度的責(zé)任[8]。國外，歐盟已經(jīng)在丹麥、西班牙以及英國等地深入開展了ADN技術(shù)研究及示范工程建設(shè)；國內(nèi)，國家863計劃智能電網(wǎng)重點(diǎn)專項(xiàng)于2014年立項(xiàng)了“多源協(xié)同的主動配電網(wǎng)運(yùn)行關(guān)鍵技術(shù)研究及示范”項(xiàng)目，分別在北京市和廈門市配電網(wǎng)進(jìn)行示范工程建設(shè)，國內(nèi)各科研院校也陸續(xù)發(fā)表了一系列研究成果[9-13]。

傳統(tǒng)配電網(wǎng)被動地接受主網(wǎng)傳輸過來的電能，并分配給各等級電力用戶，其初衷并未考慮DG的接入。一方面，大量DG接入造成的雙向潮流給配電網(wǎng)重構(gòu)帶來了新問題；另一方面，ADN的核心就是對DG的主動管理，充分發(fā)揮其有利作用。ADN可通過DG的優(yōu)化運(yùn)行來對配電網(wǎng)進(jìn)行有利支撐，安全消納DG能減少從主網(wǎng)傳輸電能，降低網(wǎng)絡(luò)損耗，并在故障時提高供電可靠性。因此，如果在ADN重構(gòu)過程中未充分考慮DG雙向功率流動對潮流電壓分布的改變作用，將造成較大的網(wǎng)損計算誤差，不能保證得到的解滿足含DG的網(wǎng)絡(luò)；同時，也無法充分體現(xiàn)ADN相對傳統(tǒng)配電網(wǎng)的先進(jìn)性。國外文獻(xiàn)對此問題有初步研究[14，15]，國內(nèi)尚未見研究報道，現(xiàn)有主動重構(gòu)算法均未充分考慮DG的影響[16]。

針對DG大量接入對配網(wǎng)絡(luò)重構(gòu)的新要求，本文多目標(biāo)重構(gòu)算法目標(biāo)函數(shù)中包括了平均供電可用率(Average Service Availability Index，ASAI)，在計算過程中充分考慮了DG計劃孤島對供電可靠性的提升作用，并在目標(biāo)函數(shù)約束條件中計及了DG的出力約束。同時，提出了一種新的混合進(jìn)化算法用于ADN重構(gòu)，采用最優(yōu)流模式算法快速得到接近最優(yōu)解的初始網(wǎng)絡(luò)，再采用樹形結(jié)構(gòu)編碼單親遺傳算法(Tree Structure Encoding Partheno Genetic Algorithm, TSE-PGA)[17]進(jìn)行求解。

2 適用于主動配電網(wǎng)的多目標(biāo)重構(gòu)

2.1數(shù)學(xué)模型

本文ADN多目標(biāo)重構(gòu)以網(wǎng)損最小及供電可靠率最高為目標(biāo)函數(shù)。具體如下：

(1)

maxf2=ASAI

(2)

式中，nb為支路數(shù)；ki為支路i上開關(guān)的狀態(tài)變量，0代表打開，1代表閉合；ri為支路i的電阻；Pi、Qi為支路i流過的有功功率和無功功率；Vi為支路i末端的節(jié)點(diǎn)電壓；ASAI為平均用電有效度指標(biāo)，ASAI=用戶用電小時數(shù)/用戶所需供電小時數(shù)[17]。

約束條件如下：

AP=D

(3)

(4)

(5)

(6)

2.2計及DG的可靠性計算

電力系統(tǒng)可靠性是保證電力用戶正常供電的前提，主動配網(wǎng)重構(gòu)中的可靠性計算需要考慮DG主動孤島提升系統(tǒng)可靠性水平。本文采用故障模式后果分析法，其中重點(diǎn)考慮了DG計劃孤島對ADN可靠性計算的影響，即對于計劃孤島，DG可滿足區(qū)域內(nèi)負(fù)荷的供電需求，負(fù)荷不斷電。具體計算過程如下：

包含計劃孤島DG和非計劃孤島DG的配電網(wǎng)如圖1所示。以圖1為例，DG3、DG4與負(fù)荷2和負(fù)荷3構(gòu)成計劃孤島1(即DG3、DG4可對負(fù)荷2安全穩(wěn)定供電)；DG5、負(fù)荷4、負(fù)荷5構(gòu)成計劃孤島2，分別與外部配電網(wǎng)通過開關(guān)1、開關(guān)2相連。其他DG無計劃孤島。

圖1 包含計劃孤島DG和非計劃孤島DG的配電網(wǎng)Fig.1 Distributed network with intentional island DG and unintentional island DG

在可靠性分析時，采用如下方法考慮DG的影響：

(1) 對于計劃孤島1和計劃孤島2，如果預(yù)想故障發(fā)生在孤島外部，開關(guān)1和開關(guān)2斷開，DG與負(fù)荷組成微網(wǎng)獨(dú)立運(yùn)行，DG供電的負(fù)荷2、負(fù)荷3、負(fù)荷4和負(fù)荷5不斷電。

(2) 對于計劃孤島1和計劃孤島2，如果預(yù)想故障發(fā)生在孤島內(nèi)部，開關(guān)3、開關(guān)4和開關(guān)5斷開，負(fù)荷2、負(fù)荷3、負(fù)荷4和負(fù)荷5按一般負(fù)荷考慮，是否斷電取決于外部網(wǎng)絡(luò)。

(3) 對于無計劃孤島的D1和DG2，如果發(fā)生故障，開關(guān)6和開關(guān)7跳閘，DG與配電網(wǎng)斷開。

(4) 如果網(wǎng)絡(luò)重構(gòu)需動作計劃孤島內(nèi)的開關(guān)時(如合上計劃孤島2原來開斷的開關(guān)8時)，則DG構(gòu)成的計劃孤島被破壞，此時當(dāng)DG按無計劃孤島運(yùn)行。具體按第3條處理，即發(fā)生故障時，開關(guān)5跳閘，DG5與配電網(wǎng)斷開。

3 混合進(jìn)化算法

3.1算法思路

計及可靠性的ADN網(wǎng)絡(luò)重構(gòu)需要考慮計劃孤島，很難用解析方法直接求解，因此，普遍采用智能算法。PGA是一種采用隨機(jī)搜索方式的種群算法。與傳統(tǒng)遺傳算法相比，PGA不采用交叉算子，而采用基因重組算子進(jìn)行種群操作，簡化了遺傳操作，提高了計算效率，并且不要求初始群體的多樣性，也不存在“早熟收斂”問題，同時，可以利用基因重組算子反映實(shí)際配電網(wǎng)重構(gòu)中的合環(huán)、解環(huán)和轉(zhuǎn)供操作，更容易理解和實(shí)現(xiàn)。

最優(yōu)流模式算法的求解步驟如下:首先閉合網(wǎng)絡(luò)中所有的聯(lián)絡(luò)開關(guān)，使配電網(wǎng)成為一個多孔的環(huán)網(wǎng)；然后按照打開網(wǎng)絡(luò)中電流最小的開關(guān)的啟發(fā)式規(guī)則，逐次解開每一個環(huán)，直到網(wǎng)絡(luò)恢復(fù)為輻射狀運(yùn)行[1]。最優(yōu)流模式算法不能保證得到全局最優(yōu)解，但其具有速度快，占用內(nèi)存小，能夠得到局部最優(yōu)解的優(yōu)點(diǎn)。本文正是利用最優(yōu)流模式算法的此特點(diǎn)快速產(chǎn)生初始網(wǎng)絡(luò)。

因此，本文采用最優(yōu)流模式算法結(jié)合樹形結(jié)構(gòu)編碼單親遺傳算法進(jìn)行模型求解，快速得到初始網(wǎng)絡(luò)，并能較好地搜索全局最優(yōu)解。

本文PGA算法的基因重組算子主要包括基因換位、基因移位和基因倒位三種算子[17]。為了保證個體經(jīng)遺傳操作后保持網(wǎng)絡(luò)的輻射狀拓?fù)浣Y(jié)構(gòu)，本文結(jié)合樹形結(jié)構(gòu)編碼，參考文獻(xiàn)[17]提出了用于配電網(wǎng)重構(gòu)的移位與重分配算子，具體如下：

移位算子：網(wǎng)絡(luò)重構(gòu)移位操作如圖2所示，圖2中左側(cè)為待移位操作的初始網(wǎng)絡(luò)，該網(wǎng)絡(luò)是IEEE 33節(jié)點(diǎn)網(wǎng)絡(luò)的一部分，圖2中實(shí)線是初始支路，虛線是該網(wǎng)絡(luò)的聯(lián)絡(luò)線，詳細(xì)網(wǎng)絡(luò)圖見文獻(xiàn)[2]。節(jié)點(diǎn)20、節(jié)點(diǎn)6、節(jié)點(diǎn)32與網(wǎng)絡(luò)其他部分有連接線。

圖2 網(wǎng)絡(luò)重構(gòu)移位操作Fig.2 Shift operation of network reconfiguration

隨機(jī)選擇移位點(diǎn)10，斷開與其相連的父節(jié)點(diǎn)9，此時10-11-12-13-14-15-16-17變成了孤島，移位操作檢測孤島中的聯(lián)絡(luò)線11-21，8-14，17-32，隨機(jī)合上一條聯(lián)絡(luò)線8-14，完成移位操作。

重分配算子：網(wǎng)絡(luò)重構(gòu)重分配操作如圖3所示，隨機(jī)選擇重分配點(diǎn)10，斷開與其相連的父節(jié)點(diǎn)9，此時10-11-12-13-14-15-16-17變成了孤島，重分配操作檢測孤島中的聯(lián)絡(luò)線11-21、8-14、17-32，合上所有聯(lián)絡(luò)線，并檢測聯(lián)絡(luò)線兩兩之間處于孤島中的節(jié)點(diǎn)，若聯(lián)通，則隨機(jī)斷開其中一條支路，直到任何兩聯(lián)絡(luò)線之間都不聯(lián)通，完成重分配操作。如圖3中合上孤島中的所有聯(lián)絡(luò)線后，檢測到聯(lián)絡(luò)線8-14和聯(lián)絡(luò)線21-11之間有通路11-12-13-14，則隨機(jī)斷開一條支路12-13；檢測聯(lián)絡(luò)線8-14和聯(lián)絡(luò)線17-32之間有通路14-15-16-17，則隨機(jī)斷開一條支路15-16；繼續(xù)檢測聯(lián)絡(luò)線21-11和聯(lián)絡(luò)線17-32之間不聯(lián)通，無需斷開支路，重分配操作結(jié)束。

圖3 網(wǎng)絡(luò)重構(gòu)重分配操作Fig.3 Redistribution operation of network reconfiguration

3.2算法流程

本文算法的實(shí)現(xiàn)步驟如圖4所示：

圖4 主動配電網(wǎng)多目標(biāo)重構(gòu)算法實(shí)現(xiàn)流程圖Fig.4 Flow chart of ADN multi-objective reconfiguration algorithm

由于多目標(biāo)重構(gòu)中兩個適應(yīng)值(網(wǎng)損值和ASAI值)的量綱不同，算法步驟④利用非支配排序策略對迭代過程的個體進(jìn)行排序，即將種群中不同適應(yīng)值為非支配關(guān)系的個體進(jìn)行逐級分層[18]。在本文算法中，首先識別種群個體之間的支配和非支配關(guān)系，隨后對非支配個體集進(jìn)行逐級分層。

支配、非支配關(guān)系按照種群中個體目標(biāo)函數(shù)之間的大小關(guān)系進(jìn)行判斷，在本文算法中，f1是網(wǎng)損最小目標(biāo)函數(shù)，f2是可靠性最高，即ASAI值最大目標(biāo)函數(shù)。支配、非支配關(guān)系定義為：對于種群中的任意兩個體Xi，Xj，當(dāng)且僅當(dāng)，有f1(Xi)f2(Xj)，或f1(Xi)>f1(Xj)時有f2(Xi)

根據(jù)上述的支配和非支配關(guān)系對種群進(jìn)行分層，步驟如下：

(1)設(shè)種群中的個體數(shù)量為N，選取種群中的任一個體Xi。

(2)對于種群里所有的其他個體Xj，其中j=1，2,…，N，且j≠i，基于目標(biāo)函數(shù)f1和f2比較個體Xi和個體Xj之間的支配、非支配關(guān)系；如果不存在任何一個個體Xj優(yōu)于Xi，則Xi標(biāo)記為非支配個體。

(3)再選取種群中的另一個個體，重復(fù)步驟(2)，直到找到所有非支配個體。

(4)得到的所有非支配個體集為種群的第一級非支配層；然后忽略已經(jīng)標(biāo)記的非支配個體，再重復(fù)步驟(2)和步驟(3)，就會得到第二級非支配層，以此類推，直到整個種群被分層。

步驟⑤中采用旋轉(zhuǎn)賭盤選擇機(jī)制從分級排序后的種群中選擇進(jìn)行下一代遺傳操作的個體，此機(jī)制中，個體被選中的幾率和它的適應(yīng)值成比例，個體的適應(yīng)值越大，被選中的概率就越高。同時加入最優(yōu)保持操作，即以開始迭代以來的最佳個體替代當(dāng)前迭代過程中的最差個體，以保證具有最優(yōu)適應(yīng)值的個體進(jìn)入下一次的遺傳操作。

步驟⑦中的結(jié)束條件為前后兩代種群計算所得適應(yīng)值的差值小于某個預(yù)先設(shè)置的閾值或者達(dá)到設(shè)定的最大迭代次數(shù)。結(jié)束迭代后輸出分級排序后的網(wǎng)絡(luò)重構(gòu)結(jié)構(gòu)。

4 算例分析

4.1改進(jìn)TPC84節(jié)點(diǎn)算例

TPC 84節(jié)點(diǎn)算例是臺灣電力公司(Taiwan Power Company,TPC)的一個11.4kV實(shí)際配電網(wǎng)，包含架空線和電纜。該配電網(wǎng)含有2個變電站，11條饋線，13條聯(lián)絡(luò)線，總負(fù)荷為28350kW+20700kVar。網(wǎng)絡(luò)結(jié)構(gòu)圖如圖5所示，由源節(jié)點(diǎn)A～K往下遍歷，其中源節(jié)點(diǎn)A～F由電源點(diǎn)S1供電，源節(jié)點(diǎn)G～K由S2供電，某支路末端節(jié)點(diǎn)編號即為該支路開關(guān)編號。聯(lián)絡(luò)線開關(guān)編號用帶下劃線數(shù)字標(biāo)注在聯(lián)絡(luò)線旁。網(wǎng)絡(luò)參數(shù)詳見文獻(xiàn)[14]。

圖5 TPC 84配電網(wǎng)Fig.5 TPC 84 distribution network

DG(微型燃?xì)廨啓C(jī))安裝在節(jié)點(diǎn)7，節(jié)點(diǎn)64，節(jié)點(diǎn)71，容量分別為1000kW，1000kW，1200kW，功率因數(shù)均為0.9，節(jié)點(diǎn)7、節(jié)點(diǎn)8為計劃孤島，節(jié)點(diǎn)61～節(jié)點(diǎn)64為計劃孤島，節(jié)點(diǎn)71無計劃孤島；節(jié)點(diǎn)電壓允許范圍標(biāo)幺值為0.95～1.05pu；支路長期運(yùn)行額定容量為5MV·A。

可靠性計算參數(shù)：線路故障率0.05次/(年·km)，修復(fù)時間5h/次；開關(guān)故障及變壓器率0.015次/年，開關(guān)修復(fù)時間2h/次，變壓器修復(fù)時間200 h/次。線路長度(km)取支路電阻(Ω)量值的100倍，節(jié)點(diǎn)用戶數(shù)量取有功功率(MW)量值的100倍并取整。

本文采用Intel Core i5-2.5GHz個人電腦，32位操作系統(tǒng)，基于Matlab 8.1編寫程序進(jìn)行算例驗(yàn)證，設(shè)定種群數(shù)目為100，終止迭代條件設(shè)定為：前后兩次迭代適應(yīng)值差值小于10-5，最大迭代次數(shù)為100。

4.2結(jié)果分析

TPC 84節(jié)點(diǎn)算例不考慮ADN中DG及其計劃孤島運(yùn)行，以有功網(wǎng)損最小為目標(biāo)的優(yōu)化結(jié)果與其他文獻(xiàn)結(jié)果的比較見表1。文獻(xiàn)[1]采用最優(yōu)流模式算法(Optimal Flow Patten,OFP)，是本文算法的基礎(chǔ)，但是不能保證得到全局最優(yōu)解；文獻(xiàn)[14，5]均是智能進(jìn)化算法，其中前者采用蟻群算法(Ant Colony Algorithm,ACA)；后者采用混合整數(shù)差分進(jìn)化算法(Mixed-Integer Hybrid Differential Evolution,MIHDE)，計算復(fù)雜，時間較長，但其結(jié)果是目前文獻(xiàn)研究中普遍認(rèn)為的最優(yōu)解，用于與其他算法進(jìn)行對比。上述三篇文獻(xiàn)均未考慮DG計劃孤島對可靠性的提升作用。從表1中可知本文混合進(jìn)化算法得到最優(yōu)解與文獻(xiàn)[5]采用混合整數(shù)差分進(jìn)化算法得到的結(jié)果一致，為文獻(xiàn)公認(rèn)的最優(yōu)解，有功網(wǎng)損為469.880kW，相對于初始網(wǎng)絡(luò)下降了11.68%。相較于文獻(xiàn)[1]采用最優(yōu)流模式算法，有功網(wǎng)損下降了4.038kW。同時，本文混合進(jìn)化算法平均計算時間為78.93s，小于文獻(xiàn)[5,14]算法耗時。

表1 TPC 84算例優(yōu)化結(jié)果比較Tab.1 TPC 84 test system optimization result comparison between different algorithms

表2是該算例考慮ASAI的多目標(biāo)優(yōu)化結(jié)果的前3個網(wǎng)損最小與后2個網(wǎng)損最大的前端解。

表2 傳統(tǒng)配電網(wǎng)TPC 84算例多目標(biāo)優(yōu)化結(jié)果Tab.2 TPC 84 test system multi-objective optimization result in traditional distribution network

TPC 84節(jié)點(diǎn)算例多目標(biāo)優(yōu)化Pareto散點(diǎn)圖如圖6所示，橫坐標(biāo)為有功網(wǎng)損，縱坐標(biāo)為ASAI?？梢钥闯龇侵渑判蚝芎玫乇３至朔N群的多樣性，Pareto前端解分布較均勻。隨著有功網(wǎng)損的降低，系統(tǒng)可靠性指標(biāo)ASAI增加。說明通過網(wǎng)絡(luò)重構(gòu)網(wǎng)絡(luò)中該斷面分段開關(guān)、聯(lián)絡(luò)開關(guān)分布更加合理，有功功率傳輸減小，網(wǎng)損下降。同時，整個負(fù)荷矩[19]得到降低，可靠性得到提高。

圖6 傳統(tǒng)配電網(wǎng)TPC 84算例多目標(biāo)優(yōu)化 Pareto散點(diǎn)圖Fig.6 TPC 84 test system multi-objective optimization Pareto scatter diagram in traditional distribution netowrk

表3是ADN考慮DG作用的TPC 84算例多目標(biāo)混合進(jìn)化算法計算結(jié)果的前4個網(wǎng)損最小與后1個網(wǎng)損最大的前端解。

表3 主動配電網(wǎng)TPC 84算例多目標(biāo)優(yōu)化結(jié)果Tab.3 TPC 84 test system multi-objective optimization result in ADN

從表3中可知，若考慮ADN中的DG及其計劃孤島對可靠性的影響，本算法得到的系統(tǒng)總有功網(wǎng)損為363.59kW，最優(yōu)開關(guān)組合為7/13/33/39/42/ 63/72/84/86/89/90/91/92，網(wǎng)損較初始網(wǎng)絡(luò)下降了31.66%，較不考慮DG的最優(yōu)開關(guān)組合下降了22.62%，同時，ASAI值也顯著提高。

圖7是主動配電網(wǎng)TPC 84節(jié)點(diǎn)算例多目標(biāo)優(yōu)化Pareto散點(diǎn)圖。同樣，隨著有功網(wǎng)損的降低，系統(tǒng)ASAI增加。

圖7 主動配電網(wǎng)TPC 84算例多目標(biāo)優(yōu)化Pareto散點(diǎn)圖Fig.7 TPC 84 test system multi-objective optimization Pareto scatter diagram in ADN

以上算例分析結(jié)果表明，本文算法在搜索全局最優(yōu)解方面優(yōu)于對比文獻(xiàn)中一般的進(jìn)化算法。同時，由于考慮了ADN中DG的影響，系統(tǒng)網(wǎng)絡(luò)損耗得到大幅降低、可靠性得到提高。

5 結(jié)論

(1)ADN中鼓勵發(fā)揮DG的正面積極作用，為配電網(wǎng)運(yùn)行提供支撐，本文提供了一種計入ADN可靠性計算的多目標(biāo)配電網(wǎng)絡(luò)重構(gòu)方法。分析結(jié)果表明，相對于原來不考慮DG的網(wǎng)絡(luò)重構(gòu)，利用該方法可降低網(wǎng)絡(luò)損耗，提高可靠性，有利于DG的安全消納，有利于促進(jìn)ADN理念和技術(shù)的推廣應(yīng)用。

(2)本文提出了結(jié)合OFP及TSE-PGA的適用于ADN重構(gòu)的混合進(jìn)化算法，相比一般算法具有較強(qiáng)的全局最優(yōu)解搜索能力以及較快的搜索速度。TPC 84節(jié)點(diǎn)算例與其他文獻(xiàn)中的進(jìn)化算法比較結(jié)果說明此算法可適用于求解主動配電網(wǎng)的多目標(biāo)重構(gòu)問題。

(3)本文僅依據(jù)是否計劃孤島來考慮其對可靠性的提升作用，尚未在重構(gòu)中考慮DG出力的波動性和不確定性問題，此方面也是繼續(xù)研究的重點(diǎn)。

[1] Shirmohammadi D, Hong H W. Reconfiguration of electric distribution networks for resistive line losses reduction[J]. IEEE Transactions on Power Delivery, 1989, 4(2):1492-1498.

[2] Baran M E, Wu F F. Network reconfiguration in systems for loss reduction and load balancing[J]. IEEE Transactions on Power Delivery, 1989, 4(2): 1401-1407.

[3] 李振坤, 陳星鶯，余昆，等(Li Zhenkun, Chen Xingyin，Yu Kun, et al.)．配電網(wǎng)重構(gòu)的混合粒子群算法 (Hybrid particle swarm optimization for distribution network reconfiguration)[J]. 中國電機(jī)工程學(xué)報 (Proceedings of the CSEE), 2008, 28(31):35-41.

[4] 劉蔚, 韓禎祥(Liu Wei, Han Zhenxiang). 基于最優(yōu)流法和遺傳算法的配電網(wǎng)重構(gòu)(Distribution network reconfiguration based on optimal flow pattern algorithm and genetic algorithm)[J]. 電網(wǎng)技術(shù)(Power System Technology), 2004, 28(19): 29-33.

[5] Su Ching-Tzong, Lee Chu-Sheng. Network reconfiguration of distribution systems using improved mixed-integer hybrid differential evolution [J]. IEEE Transactions on Power Delivery, 2003, 18(3): 1022-1027.

[6] 王淳, 程浩忠(Wang Chun, Cheng Haozhong).基于模擬植物生長算法的配電網(wǎng)重構(gòu)(Reconfiguration of distribution network based on plant growth simulation algorithm)[J]．中國電機(jī)工程學(xué)報(Proceedings of the CSEE), 2007, 27(19):50-55．

[7] Celli G, Ghiani E, Mocci S, et al. From passive to active distribution networks: methods and models for planning network transition and development [A].42nd International Conference on Large High Voltage Electric Systems 2008[C]. Paris, France, 2008.1-11.

[8] D’Adamo C, Jupe S, Abbey C. Development and operation of active distribution networks: results of CIGRE C6.11 working group [A]. Proceedings 21th International Conference on Electricity Distribution[C].Frankfurt, Germany, 2011.1-4.

[9] 尤毅, 劉東, 于文鵬, 等(You Yi, Liu Dong, Yu Wenpeng, et al.)．主動配電網(wǎng)技術(shù)及其進(jìn)展(Techonlogy and its trends of active distribution network)[J]. 電力系統(tǒng)自動化(Automation of Electric Power Systems), 2012, 36(18):10-16.

[10] 邢海軍, 程浩忠, 張沈習(xí), 等(Xing Haijun, Cheng Haozhong, Zhang Shenxi, et al.). 主動配電網(wǎng)規(guī)劃研究綜述(Review of active distribution network planning)[J]. 電網(wǎng)技術(shù)(Power System Technology), 2015, 39(10): 2705-2711.

[11] 趙波, 王財勝, 周金輝, 等(Zhao Bo, Wang Caisheng, Zhou Jinhui, et al.). 主動配電網(wǎng)現(xiàn)狀與未來發(fā)展(Present and future development trend of active distribution network)[J]. 電力系統(tǒng)自動化(Automation of Electric Power Systems), 2014, 38(18): 125-135．

[12] 肖園園，楊藝云，高立克，等(Xiao Yuanyuan, Yang Yiyun, Gao Like, et al.). 基于概率潮流的主動配電網(wǎng)儲能配置與控制設(shè)計(BESS configuration and control design for ADN based on probabilistic load flow)[J]. 電工電能新技術(shù)(Advanced Technology of Electrical Engineering and Energy), 2016, 35(6): 74-80.

[13] 潘超，孟濤，蔡國偉，等(Pan Chao, Meng Tao, Cai Guowei, et al.). 主動配電網(wǎng)廣義電源多目標(biāo)優(yōu)化規(guī)劃(Multi-objective optimization planning of generalized power in active distribution network)[J]. 電工電能新技術(shù)(Advanced Technology of Electrical Engineering and Energy), 2016, 35(3): 41-46.

[14] Wu Yuankang, Lee Chingyin, Liu Lechang, et al. Study of reconfiguration for the distribution system with distributed generators [J]. IEEE Transactons on Power Delivery, 2010, 25(3): 1678-1685.

[15] Zhang Peng, Li Wenyuan, Wang Shouxiang．Reliability-oriented distribution network reconfiguration considering uncertainties of data by interval analysis [J]．International Journal of Electrical Power and Energy Systems，2012，34(1)：138-144．

[16] 靳小龍, 穆云飛, 賈宏杰, 等(Jin Xiaolong, Mu Yunfei, Jia Hongjie, et al.). 面向最大供電能力提升的配電網(wǎng)主動重構(gòu)策略(An active reconfiguration strategy for distribution network based on maximum power supply capability)[J]. 電工技術(shù)學(xué)報(Transactions of China Electrotechnical Society), 2014, 29(12): 137-147.

[17] 章文俊, 程浩忠, 王一, 等(Zhang Wenjun, Cheng Haozhong, Wang Yi, et al.). 基于樹形結(jié)構(gòu)編碼單親遺傳算法的配電網(wǎng)優(yōu)化規(guī)劃(Distribution network optimal planning based on tree structure encoding partheno-genetic algorithm)[J]. 電工技術(shù)學(xué)報(Transactions of China Electrotechnical Society), 2009, 24(5): 154-160.

[18] Kalyanmoy Deb. Multi-objective optimization using evolutionary algorithms [M]. John Wiley & Sons, Chichester, UK, 2009.

[19] 邵黎, 謝開貴, 王進(jìn), 等(Shao Li, Xie Kaigui, Wang Jin, et al.). 基于潮流估計和分塊負(fù)荷削減的配電網(wǎng)可靠性評估算法(Reliability evaluation algorithm of distribution network based on power flow estimation and section load shedding)[J]. 電網(wǎng)技術(shù)(Power System Technology), 2008,32(24):33-38.

Activedistributionnetworkmulti-objectivereconfigurationresearch

ZHANG Yi1,2

(1. State Grid Fujian Electric Power Research Institute, Fuzhou 350007, China; 2. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350116, China)

A hybrid evolutionary algorithm to solve the multi-objective distribution network reconfiguration problem for active distribution network is proposed. The algorithm first gets the local optimum solution which is very close to the optimal by using optimal flow patten (OFP) algorithm, and then searches the optimum solution with tree structure encoding partheno genetic algorithm (TSE-PGA). The active power loss and average service availability index (ASAI) are selected for the multi-objective problem. The output constraints of the distributed generation (DG) are considered, and the DG intentional island operation is also considered during the reliability calculation. The TSE-PGA shift operator and redistribution operator which fit for the distributed network reconfiguration are proposed. Numerical simulation results on the improved Taiwan Power Company (TPC) 84 test systems show that the proposed hybrid algorithm is effective. The results are also compared with the solutions obtained by other approaches.

active distribution network; distributed generation; intentional island; reconfiguration; multi objective

2017-04-18

國家高技術(shù)研究發(fā)展計劃(863 計劃)項(xiàng)目(2014AA051901)

張 逸 (1984-), 男, 湖北籍, 高級工程師， 副教授， 碩士生導(dǎo)師， 博士, 研究方向?yàn)橹鲃优潆娋W(wǎng)、電能質(zhì)量和分布式新能源技術(shù)。

10.12067/ATEEE1704054

： 1003-3076(2017)09-0029-07

： TM732