廖 峰，陳錦榮，區(qū)偉潮，王躍強(qiáng)，扈友華，吳 娜

（1.廣東電網(wǎng)有限責(zé)任公司佛山供電局，佛山 528000；2.山東科匯電力自動化股份有限公司，淄博 255087）

配電網(wǎng)重構(gòu)主要通過改變網(wǎng)絡(luò)內(nèi)各開關(guān)的閉合狀態(tài)來調(diào)整系統(tǒng)的拓?fù)浣Y(jié)構(gòu)，在滿足電能平衡、電壓約束和功率極限約束等前提條件下，達(dá)到降低網(wǎng)絡(luò)損耗、改善電壓水平的目的[1-3]。

近年來，隨著大量分布式電源DG（distributed generation）并入配電網(wǎng)，為了提高經(jīng)濟(jì)效益，且更好地滿足電壓質(zhì)量要求，專家學(xué)者在配電網(wǎng)重構(gòu)算法方面開展了大量研究，主要分為經(jīng)典優(yōu)化算法[4-6]和群智能優(yōu)化算法[7-11]。經(jīng)典優(yōu)化算法嚴(yán)重依賴于初始值的選擇和目標(biāo)函數(shù)的可微性，用于大規(guī)模系統(tǒng)時計算量大、不可行解出現(xiàn)概率高。群智能算法基于生物協(xié)作等自然現(xiàn)象或習(xí)性的抽象，其本質(zhì)是一類概率并行搜索算法，尋優(yōu)速度相對較快，能更有效地搜索復(fù)雜優(yōu)化問題的全局最優(yōu)解。文獻(xiàn)[12]以改善基于遺傳算法GA（genetic algorithm）的配電網(wǎng)重構(gòu)過程中拓?fù)洳豢尚?、種群多樣性差和搜索速度慢等問題為目標(biāo)，采用雙種群遺傳算法或基于無向生成樹的并行遺傳算法對傳統(tǒng)遺傳算法進(jìn)行改進(jìn)，但該計算對于初始狀態(tài)過于敏感，不利于達(dá)到最優(yōu)解；文獻(xiàn)[13]利用粒子群優(yōu)化PSO（particle swarm optimization）算法優(yōu)化下層小種群，并采用布谷算法進(jìn)行上層深度尋優(yōu)，提高全局搜索能力和算法效率；文獻(xiàn)[14]改進(jìn)了PSO 算法的編碼方案，根據(jù)決策者偏好信息選用不同的慣性因子及學(xué)習(xí)因子，形成相應(yīng)的重構(gòu)方案，使其算法尋優(yōu)效率與穩(wěn)定性得到提升；文獻(xiàn)[15]為避免重構(gòu)過程中不可行解的影響，增加連鎖環(huán)網(wǎng)矩陣判斷粒子拓?fù)浼s束，同時改進(jìn)粒子更新策略，實(shí)現(xiàn)全局快速尋優(yōu)；文獻(xiàn)[16]改進(jìn)PSO 算法的粒子搜索方式，引入混合蛙跳思想，避免算法過早陷入局部最優(yōu)；文獻(xiàn)[17]采用改進(jìn)螢火蟲算法FA（firefly algorithm），在迭代過程中利用混沌優(yōu)化搜索增加種群多樣性，位置更新過程中引入慣性權(quán)重因子抑制局部振蕩，均衡了全局搜索與局部搜索能力；文獻(xiàn)[18]計及負(fù)荷變化對配電網(wǎng)動態(tài)重構(gòu)的影響，提出一種配電網(wǎng)負(fù)荷聚類方法，對配電網(wǎng)負(fù)荷進(jìn)行精確分類，在改進(jìn)的FA 基礎(chǔ)上引入最小生成樹思想進(jìn)行重構(gòu)優(yōu)化；文獻(xiàn)[19]針對傳統(tǒng)灰狼算法GWA（grey wolf algorithm）早熟收斂問題，在初始種群生成和個體間有效信息利用率等方面進(jìn)行改進(jìn)；文獻(xiàn)[20]采用蟻群算法針對電能替代負(fù)荷接入的配電網(wǎng)進(jìn)行優(yōu)化?？傊?，在配電網(wǎng)重構(gòu)問題上群智能優(yōu)化算法性能優(yōu)越，但每種算法在不可行解的影響、種群優(yōu)化、搜索效率和速度等方面均有可改進(jìn)的空間，需要不斷完善或提出新的優(yōu)化算法。社會蜘蛛算法SSA（social spider algorithm）的靈感來源于部分具有社會性的蜘蛛，依靠相互協(xié)作和信息交流生活在同一種群。個體蜘蛛通過身上的特定部位來接收蜘蛛網(wǎng)上的振動，通過振動的方向鎖定獵物或其他蜘蛛方向[21]。SSA 在解決多峰函數(shù)優(yōu)化性能上表現(xiàn)良好，具有參數(shù)少、設(shè)置簡單和易于工程實(shí)現(xiàn)等優(yōu)點(diǎn)。傳統(tǒng)算法收斂速度較慢，由于尋優(yōu)過程中蜘蛛易聚集，尋優(yōu)效率偏低；且蜘蛛在網(wǎng)上的分布位置不同，每個個體感知到的振動強(qiáng)度也不同，但位置調(diào)整策略過于單調(diào)。

針對以上問題，本文對算法進(jìn)行改進(jìn)，提出基于改進(jìn)社會蜘蛛算法ISSA（improved social spider algorithm）的有源配電網(wǎng)重構(gòu)。首先，根據(jù)不同類型DG 潮流計算模型和分時段動態(tài)輸出特性，結(jié)合配電網(wǎng)潮流、運(yùn)行及拓?fù)浼s束條件，建立以網(wǎng)損和電壓偏移量最小為目標(biāo)函數(shù)的有源配電網(wǎng)重構(gòu)優(yōu)化模型；然后，為達(dá)到全局最優(yōu)和加快計算速度，提出SSA的改進(jìn)措施；最后，在IEEE-33節(jié)點(diǎn)系統(tǒng)中的不同位置加入不同類型和不同滲透率DG，針對系統(tǒng)不同運(yùn)行場景進(jìn)行配電網(wǎng)重構(gòu)，結(jié)果表明了該算法的可行性和優(yōu)越性。

1 配電網(wǎng)重構(gòu)數(shù)學(xué)模型

1.1 目標(biāo)函數(shù)

考慮配電網(wǎng)運(yùn)行的經(jīng)濟(jì)性與供電質(zhì)量，建立以網(wǎng)損和電壓偏移量最小為目標(biāo)函數(shù)的有源配電網(wǎng)重構(gòu)優(yōu)化模型。配電網(wǎng)支路網(wǎng)損總和f1、各節(jié)點(diǎn)電壓偏移量總和f2可分別表示為

式中：Pi、Qi分別為支路i的有功功率和無功功率，i=1,2，…，n，n為網(wǎng)絡(luò)中支路總數(shù)；ki為支路i的連通狀態(tài)，1為連通、0為斷開；Ui+1為第i條支路的末端節(jié)點(diǎn)電壓；ri為第i條支路等效電阻；Uc為節(jié)點(diǎn)c的電壓幅值，c=1,2,…,m；m為網(wǎng)絡(luò)獨(dú)立節(jié)點(diǎn)數(shù)；UN為節(jié)點(diǎn)額定電壓幅值。

1.2 約束條件

配電網(wǎng)重構(gòu)后正常運(yùn)行應(yīng)滿足以下約束條件。

1）潮流約束

2）系統(tǒng)約束

式中：Si為支路i的實(shí)際傳輸功率；Si,max為支路i最大傳輸功率；Uc,max、Uc,min分別為節(jié)點(diǎn)c電壓的上、下限值。

3）拓?fù)浼s束

式中：gk為第k次迭代后的網(wǎng)絡(luò)拓?fù)洌籊為連通輻射狀拓?fù)浣Y(jié)構(gòu)。

1.3 DG 潮流計算模型

不同類型不同容量DG 接入配電網(wǎng)不同位置時，對電網(wǎng)電壓、網(wǎng)損等將產(chǎn)生不同程度的影響[22]，在網(wǎng)絡(luò)結(jié)構(gòu)確定的情況下通過潮流計算可得具體結(jié)果。對于電機(jī)型DG，可等效為電壓源和阻抗的串聯(lián)，由于容量有限，其等效串聯(lián)阻抗比系統(tǒng)電源側(cè)大得多，因此，當(dāng)負(fù)荷波動較大時其輸出功率相對穩(wěn)定；以一天為周期，其本身出力波動較小，通常按功率因數(shù)在0.85～0.95 之間輸出穩(wěn)定功率。對于逆變型DG，主要包括風(fēng)電和光伏電源，其輸出功率取決于風(fēng)力和太陽能資源及逆變器并網(wǎng)控制策略；由于一天之內(nèi)風(fēng)光波動較大，需結(jié)合分時段風(fēng)光出力預(yù)測算法，計算不同時段風(fēng)光出力。并網(wǎng)逆變器通常采用PQ 控制策略，并要求具備低電壓穿越能力，即，當(dāng)并網(wǎng)點(diǎn)電壓不低于0.9 倍額定電壓時，僅輸出有功功率；當(dāng)電壓低于0.9倍額定電壓時，按比例輸出一定范圍的無功功率[23]。正常運(yùn)行時，電網(wǎng)電壓波動要求不能超過±10%的額定電壓，因此，潮流計算時逆變型DG按僅輸出有功功率進(jìn)行分析。

風(fēng)機(jī)有功出力與不同時段風(fēng)速有直接關(guān)系，其表達(dá)式為

式中：Pw為風(fēng)機(jī)有功出力；Pw,N為風(fēng)機(jī)額定有功功率；v為實(shí)時風(fēng)速；vN、vr、vo分別為風(fēng)機(jī)的額定風(fēng)速、切入風(fēng)速和切出風(fēng)速。

光伏電源輸出有功功率與光照強(qiáng)度、光伏電池板面積和光電轉(zhuǎn)換率有關(guān)，其表達(dá)式為

式中：Pg為光伏電源有功出力；e為光照強(qiáng)度；A為光伏電池板總面積；η為光電轉(zhuǎn)換率。

由于風(fēng)速或光照強(qiáng)度為連續(xù)變化量，在計算某一時段內(nèi)風(fēng)光出力時取該時段內(nèi)風(fēng)速或光照強(qiáng)度的平均值。

2 改進(jìn)社會蜘蛛算法

2.1 經(jīng)典社會蜘蛛算法

蜘蛛是SSA中執(zhí)行優(yōu)化的代理，通過振動將信息傳播給其他蜘蛛。

2.1.1 振動

式中，C為極小的數(shù)。

蜘蛛a 和b 之間的距離可表示為

式中，La為蜘蛛a 的位置；Lb為蜘蛛b 的位置。

振動隨距離的衰減函數(shù)可表示為

式中：σ為不同蜘蛛位置的標(biāo)準(zhǔn)差；ra為衰減率，ra∈(0,∞)。

2.1.2 搜索模式

1）初始化

蜘蛛的位置在搜索范圍內(nèi)隨機(jī)生成，設(shè)置每只蜘蛛在種群中的初始目標(biāo)振動作為當(dāng)前位置，且振動強(qiáng)度為0，存儲的其他屬性也均為0。

2）迭代

在每次迭代中蜘蛛會移動到新的位置，并進(jìn)行適應(yīng)度評估、振動生成、掩碼改變、隨機(jī)行走和約束處理，其過程如下。

（1）適應(yīng)度評估。每迭代一次計算一次。

式中：?為各數(shù)據(jù)相乘；O'為在[0，1]均勻取出的向量。

（5）約束處理。設(shè)定邊界約束。

2.2 改進(jìn)社會蜘蛛算法

2.2.1 動態(tài)步長調(diào)整

本文將動態(tài)調(diào)整思想引入到算法的尋優(yōu)過程，在迭代過程中，若振動較小表示離最優(yōu)目標(biāo)較遠(yuǎn)，動態(tài)增大搜索步長；若振動較大則減小搜索步長。在迭代后期，接近全局最優(yōu)，此時通過降低搜索步長，在全局最優(yōu)附近不斷更新最優(yōu)解，提高整體搜索效率。調(diào)整系數(shù)μ可表示為

式中：Imax(La,Lb)為振蕩調(diào)整幅值；Tmax為最大迭代數(shù)；R'為在[0，1]上的步長因子。

ISSA解可表示為

2.2.2 個體振動強(qiáng)度選擇

個體蜘蛛時刻保持向最強(qiáng)振動方向移動，但在整個過程中很有可能陷入局部最優(yōu)，所以將蒙特卡洛準(zhǔn)則思想引入到該算法中。隨著每次迭代的進(jìn)行，若當(dāng)前振動強(qiáng)度低于上一迭代振動強(qiáng)度時，則通過計算所得概率接受低于當(dāng)前的振動強(qiáng)度；否則完全接受當(dāng)前振動強(qiáng)度，從而提高全局尋優(yōu)能力。以q'的概率保持較低的振動強(qiáng)度，可得

式中：q'為當(dāng)前迭代較差解的概率；t為當(dāng)前迭代次數(shù)。

2.2.3 越限處理

將越界粒子設(shè)定邊界值，會造成過多粒子集中于邊界，不僅降低全過程收斂速度，也將導(dǎo)致收斂于局部。本文將曼哈頓距離引入到算法中，通過不斷更新越界粒子，調(diào)整越界粒子位置，使其更加靠近當(dāng)前最優(yōu)蜘蛛位置，增加全局最優(yōu)解的概率；同時，大大增加越界粒子的利用率，提高了收斂速度。其處理方式為

3 模型求解

3.1 編碼策略

SSA 為二進(jìn)制編碼，而DG 接入配電網(wǎng)中采用的是十進(jìn)制編碼，需進(jìn)行數(shù)值轉(zhuǎn)換。ISSA編碼采用分段思想，用分段序列T={l1,l2,…,ln,S1,S2,…,Sn}表示，li表示DG接入的位置，Si表示接入容量。將支路數(shù)作為社會蜘蛛維數(shù)，利用二進(jìn)制編碼原則進(jìn)行編碼，“0”、“1”分別代表支路開關(guān)的斷開與閉合。圖1 為IEEE-33 節(jié)點(diǎn)多環(huán)路配電網(wǎng)，其整個網(wǎng)絡(luò)共計37 條支路，為滿足連通輻射性要求，支路1 不參與編碼，則社會蜘蛛的維數(shù)為36。節(jié)點(diǎn)間支路編號為圖1中S1～S37，支路S33～S37中有5個聯(lián)絡(luò)開關(guān)。

圖1 IEEE-33 節(jié)點(diǎn)多環(huán)路配電網(wǎng)Fig.1 IEEE 33-node multi-loop distribution network

將網(wǎng)絡(luò)中所有開關(guān)閉合，形成多個環(huán)路，按照一定方向依次對各環(huán)路內(nèi)的開關(guān)進(jìn)行十進(jìn)制編碼，并將十進(jìn)制編碼轉(zhuǎn)換為二進(jìn)制，將環(huán)路編號分組，每個環(huán)路打開支路的開關(guān)編號轉(zhuǎn)化為二進(jìn)制數(shù)組放在不同存儲空間中。環(huán)網(wǎng)編號如表1所示。

表1 環(huán)網(wǎng)編號Tab.1 Circuit loop coding

3.2 求解流程

正常運(yùn)行時圖1 中聯(lián)絡(luò)開關(guān)斷開，其余支路開關(guān)閉合保持連通狀態(tài)。每閉合一個聯(lián)絡(luò)開關(guān)會產(chǎn)生一個環(huán)路，為使配電網(wǎng)滿足輻射性的要求，需要斷開此環(huán)路中某一條支路，使斷開支路后整個網(wǎng)絡(luò)是連通的，并滿足重構(gòu)優(yōu)化目標(biāo)函數(shù)值最小和各約束條件?；贗SSA的含DG配電網(wǎng)重構(gòu)流程如圖2所示。

圖2 基于ISSA 的含DG 配電網(wǎng)重構(gòu)流程Fig.2 Flow chart of distribution network reconfiguration with DGs based on ISSA

基于ISSA的有源配電網(wǎng)重構(gòu)步驟如下。

步驟1輸入配電網(wǎng)參數(shù)，即，各支路阻抗、節(jié)點(diǎn)數(shù)和節(jié)點(diǎn)功率等。

步驟2算法初始化。設(shè)置算法所需的種群規(guī)模和更迭次數(shù)等參數(shù)，并產(chǎn)生初始化粒子。計算適應(yīng)度值，并保存最優(yōu)位置與適應(yīng)度值。

步驟3對存儲空間中社會蜘蛛由式（14）進(jìn)行自身振動強(qiáng)度處理，使振動強(qiáng)度隨著不同位置適應(yīng)度值的變化而變化。

步驟4掩碼改變。使存儲空間中的元素概率性改變。

步驟5由式（15）對存儲空間中越界蜘蛛進(jìn)行處理，使越界蜘蛛的位置更靠近當(dāng)前最優(yōu)蜘蛛位置。

步驟6由式（13）動態(tài)調(diào)整當(dāng)前社會蜘蛛位置，并將存儲空間元素轉(zhuǎn)換為十進(jìn)制數(shù)值，進(jìn)行適應(yīng)度值計算，若當(dāng)前適應(yīng)度值更優(yōu)，則將當(dāng)前適應(yīng)度值替換為全局最優(yōu)值，否則進(jìn)入步驟4。

步驟7輸出重構(gòu)結(jié)果。

4 算例分析

為驗證本文算法的有效性，以圖1 中的IEEE-33 節(jié)點(diǎn)系統(tǒng)為例，系統(tǒng)額定電壓為12.66 kV、總負(fù)荷為3 715+j2 300 kV·A。算法初始參數(shù)設(shè)置：種群規(guī)模設(shè)為50；目標(biāo)掩碼改變的概率pc為0.7；控制參數(shù)pm為0.1；最大迭代次數(shù)50次。

4.1 不同DG 并網(wǎng)場景時配電網(wǎng)重構(gòu)

為驗證算法的通用性能，在IEEE-33 節(jié)點(diǎn)系統(tǒng)5 個不同位置并入不同類型和不同容量的DG。并網(wǎng)DG參數(shù)如表2所示。

表2 DG 并網(wǎng)參數(shù)Tab.2 Grid-connection parameters of DGs

分別在這3 種場景下進(jìn)行配電網(wǎng)重構(gòu)，并對比重構(gòu)前后節(jié)點(diǎn)電壓偏移量和系統(tǒng)網(wǎng)損情況，其結(jié)果如表3所示。

表3 不同場景下系統(tǒng)重構(gòu)前后電壓偏移量和網(wǎng)損Tab.3 Voltage deviation and network loss before and after system reconfiguration under different scenarios

由表3可看出，在場景1、2兩種情況下，相同位置接入不同容量DG，在未重構(gòu)前，隨著DG 并網(wǎng)容量增加，即使沒有進(jìn)行DG選址定容優(yōu)化處理，系統(tǒng)總體電壓偏移量和網(wǎng)損都有明顯的降低；在系統(tǒng)重構(gòu)后相較于重構(gòu)前的電壓偏移量降低約35%和25%，網(wǎng)損分別降低25%和19%，下降程度隨著DG滲透率增加而減小，呈現(xiàn)“負(fù)相關(guān)”現(xiàn)象，主要因為DG就地消納，減少了電能在線路上的傳輸，提升了沿線電壓。場景3中DG并網(wǎng)位置發(fā)生變化，但重構(gòu)后電壓偏移量和網(wǎng)損仍有明顯降低。在3種場景下重構(gòu)后網(wǎng)絡(luò)均為輻射狀連通狀態(tài)，沒有孤島運(yùn)行，均為可行解，說明算法具有良好的可靠性。圖3～5分別為3 種場景下配電網(wǎng)重構(gòu)前后33 節(jié)點(diǎn)的電壓幅值對比情況。由圖3～5可以看出，在第18個節(jié)點(diǎn)前，重構(gòu)后的電壓質(zhì)量遠(yuǎn)高于未重構(gòu)時；但對于第20 節(jié)點(diǎn)以后的部分節(jié)點(diǎn)，重構(gòu)后電壓有輕微下降，這與重構(gòu)后支路開關(guān)狀態(tài)變化有關(guān)，但總體電壓偏移大幅減小，且所有節(jié)點(diǎn)電壓均在允許范圍內(nèi)。圖6 為在3 種場景下重構(gòu)后節(jié)點(diǎn)電壓對比情況，各節(jié)點(diǎn)電壓受DG滲透率和DG并網(wǎng)位置影響，場景2中DG滲透率較高，節(jié)點(diǎn)電壓偏移量總體降低。

圖3 場景1 下配電網(wǎng)重構(gòu)前后33 節(jié)點(diǎn)的電壓幅值對比Fig.3 Comparison of voltage amplitude at 33 nodes before and after distribution network reconfiguration under Scenario 1

圖4 場景2 下配電網(wǎng)重構(gòu)前后33 節(jié)點(diǎn)的電壓幅值對比Fig.4 Comparison of voltage amplitude at 33 nodes before and after distribution network reconfiguration under Scenario 2

圖5 場景3 下配電網(wǎng)重構(gòu)前后33 節(jié)點(diǎn)的電壓幅值對比Fig.5 Comparison of voltage amplitude at 33 nodes before and after distribution network reconfiguration under Scenario 3

圖6 3 種場景下重構(gòu)后節(jié)點(diǎn)電壓幅值對比Fig.6 Comparison of nodal voltage amplitude after reconfiguration under three scenarios

4.2 算法性能分析

本文在inter（R）core（TM）i5-1135G7 CPU、16 G內(nèi)存的計算機(jī)Matlab R2018b平臺上，采用GA、傳統(tǒng)SSA和本文的ISSA進(jìn)行重構(gòu)優(yōu)化測試，針對場景2，分別運(yùn)行50次得到平均迭代時間、最優(yōu)網(wǎng)損和最小電壓偏移量，其結(jié)果如表4所示。由表4可以看出，ISSA迭代時間最短，采用該算法重構(gòu)后網(wǎng)損和電壓偏移量明顯減少，說明其具有更好的全局尋優(yōu)性能。

表4 不同算法性能對比Tab.4 Comparison of performance among different algorithms

4.3 分時段有源配電網(wǎng)動態(tài)重構(gòu)

根據(jù)參考文獻(xiàn)[24]可得某地一天的風(fēng)速和光照強(qiáng)度如圖7所示。由圖7 可以看出，在占全天時間2/3的18：00—24：00、01：00—09：00時段內(nèi)，風(fēng)速較強(qiáng)，光照強(qiáng)度很弱；而在10：00—17：00 時段內(nèi)，光照較強(qiáng)，風(fēng)速相對較弱，導(dǎo)致2 個時段內(nèi)風(fēng)機(jī)和光伏輸出功率差異較大。因此，在上述場景2 中，將全天分為2 個時段進(jìn)行配電網(wǎng)重構(gòu)。第25 個和第33個節(jié)點(diǎn)接入的是光伏電源，最大光伏發(fā)電容量分別為300 kW 和400 kW，對應(yīng)的光照強(qiáng)度為303.1 W/m2，假設(shè)光電轉(zhuǎn)換率為15%，則第1 個時段內(nèi)光伏平均光照強(qiáng)度為15.14 W/m2，2 個光伏電源平均輸出功率為14.99 kW和19.98 kW；接入的風(fēng)機(jī)額定功率為250 kW，假設(shè)風(fēng)機(jī)切入風(fēng)速為3.5 m/s，額定風(fēng)速為14 m/s，切出風(fēng)速為20 m/s，則第1 個時段內(nèi)風(fēng)機(jī)平均輸出功率為173.66 kW。根據(jù)第2 個時段內(nèi)光照強(qiáng)度平均值和風(fēng)速平均值，計算得出2個光伏電源平均輸出功率分別為228.51 kW和304.69 kW，風(fēng)機(jī)平均輸出功率為80.36 kW。

圖7 一天內(nèi)不同時段風(fēng)速和光照強(qiáng)度示意Fig.7 Schematic of wind speed and light intensity at different time intervals in one day

設(shè)計3種方案進(jìn)行對比分析。方案1為未進(jìn)行系統(tǒng)重構(gòu)，根據(jù)全天不同時段的DG 出力進(jìn)行潮流計算，得到系統(tǒng)總網(wǎng)損和總電壓偏移量；方案2 為根據(jù)DG全天平均出力進(jìn)行一次配電網(wǎng)重構(gòu)，2個光伏電源輸出功率分別為86.16 kW 和114.88 kW，風(fēng)機(jī)輸出功率為142.56 kW，代入本文算法中進(jìn)行重構(gòu)優(yōu)化，重構(gòu)后根據(jù)全天不同時段的DG 出力進(jìn)行潮流計算；方案3 是根據(jù)DG 分時段出力進(jìn)行配電網(wǎng)動態(tài)重構(gòu)，風(fēng)光出力按2個時段內(nèi)各自的平均功率代入進(jìn)行兩次重構(gòu)優(yōu)化，全天開關(guān)動作次數(shù)將增加。3種方案全天節(jié)點(diǎn)電壓總偏移量和系統(tǒng)網(wǎng)損如表5所示。由表5 可以看出，雖然方案2 全天只進(jìn)行一次重構(gòu)也比系統(tǒng)未重構(gòu)時電壓偏移量和網(wǎng)損有一定降低；而方案3采用分時段動態(tài)重構(gòu)后，電壓偏移量更是大幅降低，比不分時段重構(gòu)時減少24%，網(wǎng)損減少13%，且開關(guān)動作次數(shù)僅增加4次。

表5 不同方案時全天節(jié)點(diǎn)電壓總偏移量和系統(tǒng)網(wǎng)損Tab.5 Total nodal voltage offset and system network loss in one day under different schemes

采用不同方案時，全天不同時段系統(tǒng)網(wǎng)損對比如圖8所示。由圖8 可以看出，在10：00—17：00 時段內(nèi)系統(tǒng)網(wǎng)損相對較小，這是因為2個光伏電源在該時間段內(nèi)輸出功率明顯增加，使線路相對輕載，網(wǎng)損降低。不同方案時全天不同時段各節(jié)點(diǎn)電壓分布如圖9所示。由圖9 可以看出，采用方案3 時各節(jié)點(diǎn)電壓偏移明顯減少，電壓波動較平緩，而且采用不同方案時，在光伏出力較大的10：00—17：00時段內(nèi)節(jié)點(diǎn)電壓均有明顯提升，說明了DG 對電壓的支撐作用。

圖8 全天不同時段系統(tǒng)網(wǎng)損對比Fig.8 Comparison of system network loss at different time intervals in one day

圖9 全天不同時段各節(jié)點(diǎn)電壓分布Fig.9 Voltage distribution at each node and different time intervals in one day

5 結(jié)論

本文采用ISSA 對有源配電網(wǎng)重構(gòu)求解，得到如下結(jié)論。

（1）將網(wǎng)絡(luò)損耗與電壓偏移量最小作為目標(biāo)函數(shù)，計及不同類型DG出力特性，采用本文的重構(gòu)策略對于降低網(wǎng)損和電壓偏移具有明顯的效果。

（2）通過對蜘蛛位置的動態(tài)調(diào)整，提高了整體搜索效率；對振動強(qiáng)度進(jìn)行選擇，接受低于當(dāng)前的振動強(qiáng)度，提高了全局尋優(yōu)能力；不斷更新越界粒子，調(diào)整越界粒子位置，使其更加靠近當(dāng)前最優(yōu)蜘蛛位置，增加了獲得全局最優(yōu)解的概率。

（3）ISSA 在應(yīng)用于有源配電網(wǎng)重構(gòu)時，迭代速度快，全局尋優(yōu)效果好，不可行解對算法的影響小。