[发明专利]一种基于智能粒子群优化算法的有源配电网故障后负荷转供方法

权利要求书

1.一种基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，所述方法包括以下步骤：

当含DG配电网发生故障时，其负荷转供步骤为：

步骤a：故障发生后，检查非故障停电区域是否包含DG，若含有DG，依据其类型决定是否孤岛运行还是脱网运行，若孤岛运行则转步b，否则转步d；

步骤b：依据预先制定的DG孤岛划分原则，划分孤岛运行范围，维持孤岛内重要负荷供电；

步骤c：查找DG孤岛形成时需断开的分段开关和断电区域支路分段开关位置，转入孤岛运行模式；

建立含DG的配电网负荷转供模型，调整网络结构信息，提出采用智能体粒子群优化算法搜索孤岛外的非故障断电区域恢复路径，

步骤d：执行MAPSO负荷转供算法整个求解流程；

步骤e：当主网负荷转供后，依据配电网的频率、电压的幅值和相位，对负荷转供范围内所含有的孤岛进行同期并网操作，恢复到故障前的运行方式，否则继续孤岛运行。

2.根据权利要求1所述的基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，

所述步骤a具体如下，当配电网发生故障时，首先对配电网进行区域划分，主要分为故障区域、正常供电区域和非故障停电区域，根据分布式电源在拓扑中的实际位置，确定故障后DG运行方式，主要分为直接脱网、并网或不可孤岛运行、并网或孤岛运行三种，分别用A、B、C类型表示。

3.根据权利要求1所述的基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，

所述步骤b中的孤岛划分原则，具体如下：

1)满足孤岛内总用电负荷不超过DG发电总量前提下，优先保证重要负荷供电；

2)保证孤岛内设备线路处于安全状态，避免过载与越限；

3)非故障断电区域内含有具备孤岛运行能力的C型DG，依据预先制定孤岛划分原则将其转化为孤岛运行模式，维持孤岛内重要负荷供电；若含B型DG，则尽可能将其划入具有调频调压能力的C型DG构成的孤岛中运行，否则跟随A型DG脱网。

4.根据权利要求1所述的基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，

所述步骤c中建立含DG的配电网负荷转供模型，调整网络结构信息，提出采用智能体粒子群优化算法搜索孤岛外的非故障断电区域恢复路径，具体如下：

对于含分布式电源配电网发生故障，通过网络重构对非故障停电区域负荷转供，以损失负荷最小和开关动作次数最少作为配电网负荷转供的目标函数：

其中，ω₁表示损失负荷函数权重系数，ω₂为开关操作次数权重系数，ω₁和ω₂根据实际情况选取且ω₁+ω₂＝1；L_B为故障区域总损失负荷容量；γ为故障隔离后得到的非故障停电区域集合；L_i为转供负荷i的容量；N为开关总数；X_j和X'_j分别表示故障前和转供后开关j的状态，取0或1，表示开关处于断开或闭合。

配电网负荷转供的求解是满足电力网络安全运行且搜索目标函数值最小的解向量，所以根据实际情况，求解需要包括以下约束条件：

(1)网络拓扑约束(不包含DG)；

g_k∈G； (2)；

式中：g_k为已恢复供电区域的网络结构；G为所有可行的网络结构集合。

(2)节点电压约束；

节点电压应保持在固定范围内；

U_imin≤U_i≤U_imax,i＝1,2,3,…,n (3)；

式中：n为节点综述；U_imin和U_imax分别为节点电压U_i的上下限值；

(3)DG出力约束；

P_DGt,min≤P_DGt≤P_DGt,max； (4)；

式中：P_DGt,min和P_DGt,max表示第t个DG出力的上下限值；

(4)支路容量约束；

S_j＜S_jmax,j＝1,2,3,…,m (5)；

式中：S_jmax为第j支路上视在功率最大容量；

根据上述四种约束条件，通过越界罚函数加入到负荷转供目标函数中，构成无约束条件的增广目标函数：

F＝f+λ₁σ₁； (6)；

式中：λ₁称为罚因子；σ₁为不等式约束条件。

5.根据权利要求4所述的基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，

所述步骤d中执行MAPSO负荷转供算法整个求解流程具体如下：

采用智能粒子群优化算法(MAPSO)，该算法结合了二进制粒子群算法(binaryparticle swarm optimization，BPSO)及多智能体(Multi-Agent)概念，实现求解；

每个Agent表示一个物理的或抽象的实体，能够相互配合与竞争，完成复杂问题的求解；假设在智能体网状格子环境中，L_i,j是坐标为(i,j)，其中，i,j＝1,2,…,L_size，L_size表示网络坐标最大值。

定义粒子的邻域为：

其中：

BPSO算法中，初始化一群随机粒子，通过粒子迭代更新，寻求最优解，设在一个n维的搜索空间中，粒子x_i根据式和式更新其速度和位置；

式中：上标k表示当前迭代次数；表示第k次迭代时的粒子空间位置；表示第k次迭代时的粒子速度；ω表示惯性权重；c₁、c₂表示学习因子；r₁、r₂表示均匀分布在[0,1]的随机数；分别表示第k次迭代时个体极值与全局极值；

在MAPSO中，每个粒子看做一个Agent，并固定在网状格子环境中，通过与其邻域粒子Agent之间进行竞争与合作操作，构成了局部最优，而且每个粒子还需执行BPSO算法的迭代进化机制，与全局最优粒子进行信息交互，使用式9对每个粒子的位置进行更新，最终获得全局最优解；

智能粒子群优化算法(MAPSO)求解过程如下：

在寻优过程中，保证负荷转供的目标函数以损失负荷和开关操作次数最少为最优，是极小值优化问题，应使Agent(L_i,j)对应的适应度函数值极高，确定Agent(L_i,j)的适应度函数为：

其中，F为增广目标函数；C_max为定值；

负荷转供求解步骤如下：

(1)输入配电网络初始信息及不等式约束条件，确定可操作分段开关和联络开关状态，确定智能体网格规模L_size×L_size，即确定BPSO算法中所选取的种群数；

(2)设置MAPSO系统的控制参数，设置最大允许迭代次数T，惯性权值ω、学习因子c等参数；

(3)构造智能体格子环境L_size×L_size，在控制变量约束条件下随机产生初始种群，L_size×L_size个Agent；

(4)采用前推回代潮流计算方法进行潮流计算，评估当前每个Agent的适应度函数fitness(L_i,j)；

(5)根据格子环境中的邻域信息，更新每个Agent位置。设定当前Agent为L_i,j，M_i,j是当前L_i,j邻域中适应度函数值最大的Agent，若满足fitness(M_i,j)≤fitness(L_i,j)，则Agent(L_i,j)解空间的位置保持不变，否则按L'_i,j＝M_i,j+rand(-1,1)·(M_i,j-L_i,j)向趋于M_i,j的位置进行搜索更新，且仍保留原有信息；

(6)直接利用BPSO算法的迭代公式，设定每个粒子的当前位置作为粒子当前最优解p_Besti＝fitness(L_i,j)，取g_Best＝minfitness(L_i,j)为群体当前最优解，从而更新每个Agent在解空间中的位置和速度。每次更新后，检查速度是否超出[－4，4]，若超出该范围，将速度限制为该极值；

(7)如果达到最大迭代次数或满足收敛条件，则停止迭代，输出全局最优解，即一组开关状态的组合，否则返回第(4)步。