基于动态规划与最优流模式的微网孤岛重构

杨利霞

基于动态规划与最优流模式的微网孤岛重构

. t; T0 d8 {! w9 a实时重构技术是维持孤岛微网稳定运行的有
基金项目：国家自然科学基金(61573155，51877085)。
Project Supported by National Natural Science Foundation of China
(61573155, 51877085).
& O% Y3 e! S5 G效手段[1]。失去了主网的支撑，作为一个低惯性系
7 e5 K0 t- i3 q4 t5 [; X6 ~- i统，微网在孤岛运行环境下，很容易因设备出力的
# N' I- h, `( _: G9 o# ^2 }. l: h波动而失稳[2]。当系统发生变动时，通过实时调整
; J6 D3 A7 H2 d) q. K$ j设备连接开关与线路分段开关、联络开关的运行状
态，改变微网的所连设备数量与供电拓扑结构，微
0 E2 Z$ U) A: X& S7 }网得以在动态变化中控制系统的电压与频率，维持
网络的功率平衡。
/ e8 v( _7 q+ |" I' t& o- X重构是通过改变网络各开关的运行状态来改
: r! I% x+ g, n变网络运行方式，在一定约束条件下，保证系统安
全稳定运行，并使系统的某项指标达到最优的过
3 Y; p3 L' S5 N9 i" `程。微网重构的本质是一个多目标、多约束的非线
性混合整数规划问题。针对微网的重构，目前多采
5 f! n8 a7 M0 ~) K用单一的寻优方法来解决，例如有枚举法[3]、传统
数学优化方法[4-5]或人工智能算法[1,6-9]。
上述方法各有其优势所在，但也均存在有不
+ @5 R1 x% G* ^% h2 d  v足：虽然枚举法与传统数学优化方法的寻优结果可
以稳定收敛到最优解，但是寻优效率低，运算耗时
" j# H% v" d  c长；人工智能算法通过在迭代中使用元启发式策略
1 R% P0 @7 s' d7 {进行筛选使得寻优高效，但其固有的随机性在实时
$ Q$ m0 }7 T: A重构时会导致重构结果难以稳定收敛到最优解甚
至会有无法寻得有效解的情况出现。这些单一算法
均很难实现微网孤岛重构的实时、寻优稳定与高效
三者间的平衡。
针对于此，本文采用混合算法来实现微网孤岛
1 U& L0 y" y# W2 n: i- R* V重构。混合算法是指将模型分层或解耦后，对于不
同的子问题所呈现出的不同特点而采用多种算法
联合求解。它是发挥算法优势，避免算法短板的有
- z4 y3 w8 Z9 N% r; m/ t) k效手段。目前在一些领域的研究中已有学者针对模
  C" v, A7 R9 W# r型特点提出了相应的混合算法，并取得了良好的效
; u" `" m  h$ F9 Q4 ?网络首发时间：2020-07-29 15:03:50
网络首发地址：https://kns.cnki.net/kcms/detail/11.2410.TM.20200729.1329.001.html1 b
1
m in (1 )
4 J2 p9 x: I" N7 y9 }h
i i i
i
+ [" D4 E$ ]! T+ l# w$ kF c x P
=
2 y% f8 S, R  `' o. s= −
- n2 i) P+ n& N& c7 ]  O, J
2 2
2
3 C. z& K6 e2 W1 \7 A2
& \% m4 l8 ~2 m1 y: {9 _1
1 c+ z9 j, c, r2 g* Tm in
8 ]! @- M& T$ r, Z1 _4 C0 i7 GM
i i
+ z8 ^& i0 |7 A. @+ _+ Z( e. z- Ti i
& U% C# {- R" Li
i
! p7 B4 F  M' ^4 a. A  P! ]+ dP Q
F k R
; V# N& T# Y! K7 B8 N# P; l=
; d  z1 r6 \, g+ h8 o+ R8 eU
+
+ `+ J) O# g5 w' @1 n; M( e=

( U5 p4 `! I; Q6 J2
* o& x# a( |0 E; j张熙等：基于动态规划与最优流模式的微网孤岛重构
6 J0 U0 a1 F. c3 w6 q4 Z果。如文献[10]在对基于电网络理论所建立的大型
接地网故障诊断模型进行分层后，先采用确定性算
法(L−M 法)快速锁定真实解的范围，之后再用随机
性算法(粒子群算法)进一步深入优化。仿真结果表
( K+ {% |3 r& ~6 l; e明，该混合算法在收敛性与结果准确度上均优于单
5 _7 S" R& a' U. n+ ]6 b纯的确定性算法与随机性算法。文献[11]为了进行
* |( A7 R) O) b5 g' x/ \更有效的变电站负荷聚类分析，提出了综合考虑负
3 C! e/ m- p: q- I荷曲线和构成的变电站双层聚类模型。将该模型解
' G& ]) T* W9 V7 q" h5 u# j) T耦为上层与下层变电站聚类分析 2 个子问题后，文
章根据上下层各自特点分别采用了 K−means 算法
与分裂式 FCM 算法予以求解。在对实际变电站聚
类分析后的结果表明，该混合算法可以有效补充传
统算法的不足。文献[12]采用了一种混合智能算法
解决配网重构问题。在寻优过程中，部分个体用粒
- }, }( p* q0 O4 r子群优化算法(PSO)进行迭代，其它个体进行遗传
9 l& c# g, P$ s  O, l1 z算法(GA)中的交叉和变异操作，整个群体信息共
9 ~" R/ [. L  _! L6 M享，同时采用自适应参数机制与优胜劣汰的进化思
# R) }0 `$ D) n( P# C% S/ \" _想。仿真结果表明，与单一的 GA 法和 PSO 法相比，
该混合算法具有更高的搜索效率和寻优性能。
与传统的配网重构不同，微网孤岛作为一个出
力有限的供电系统，重构不仅要对线路分段开关、
联络开关进行调整，还需根据实时变化的外部环
4 Q/ r+ K3 E/ \, o4 x% X5 Y3 O# q' B境，对设备连接开关进行调整[3,13]。这两类开关的
调整有着各自不同的特点：对设备连接开关状态的
9 W; Q( N! N1 v' P1 n- Z调整本质上为设备再分配问题；而对线路分段开
% C4 v) ~: [" H9 L0 B关、联络开关状态的调整本质上为供电拓扑优化问
题。二者有着不同的目标与约束条件，适合采用混
% q1 k% K! g( k4 V合算法进行求解。
- A0 |. W  _9 Q# f) x0 e3 Y  H因此，为保证重构的实时性以及寻优的高效性
与稳定性，在建立了微网孤岛重构的数学模型后，
: P& Y1 J7 `: Q* e7 I: A6 H4 F本文将模型解耦为设备连接开关重构与线路分段
开关、联络开关重构两个子问题，并采用了动态规
划法与改进的最优流模式法相结合的混合算法寻
- o, x! d6 S& j: A% s' E, N( @找最优重构方案。MATLAB 仿真结果表明，本文所
提算法可以有效地同时保证重构实时、高效与寻优
2 L; f5 X7 V1 u稳定性，在处理微网孤岛重构问题上有着较为明显
" R3 e# I2 S% Z, J% ~: n( f6 c的优势。

& {( @# P( l/ H
3 z" ^" f7 _  y3 K4 z4 U