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

4 e7 ~7 D: L4 K& ?
( t1 F$ J' _. A: t% Q# N
# _2 ]% E1 z* ?9 c$ {1 y2 U( e& P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)。
7 N+ X* z- F% w+ k# \Project Supported by National Natural Science Foundation of China
, k+ r4 M1 [4 M(61573155, 51877085).
效手段[1]。失去了主网的支撑，作为一个低惯性系
统，微网在孤岛运行环境下，很容易因设备出力的
波动而失稳[2]。当系统发生变动时，通过实时调整
' u9 a4 W+ P6 R设备连接开关与线路分段开关、联络开关的运行状
, c# R, g; i0 g# {1 D7 B态，改变微网的所连设备数量与供电拓扑结构，微
4 Q  T2 v" v: C3 F网得以在动态变化中控制系统的电压与频率，维持
4 Z/ z3 j7 l9 t4 ^( a% V/ a网络的功率平衡。
重构是通过改变网络各开关的运行状态来改
; A& c4 C. ?/ I! {& M变网络运行方式，在一定约束条件下，保证系统安
- h8 p6 k2 u9 {# G5 Y全稳定运行，并使系统的某项指标达到最优的过
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
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]。
1 e. j0 k- s: c9 L4 w% j5 w2 D& M上述方法各有其优势所在，但也均存在有不
3 ?8 E" P2 y0 a3 }$ s9 `6 E, p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
长；人工智能算法通过在迭代中使用元启发式策略
! {" g& j* ~5 F% a) |' Y进行筛选使得寻优高效，但其固有的随机性在实时
重构时会导致重构结果难以稳定收敛到最优解甚
; C1 L% Y/ S' t! X5 `5 {: g& q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
( G& x' t! @. M6 c4 T+ _0 t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 J* q0 p8 r3 N7 B# M9 z! J5 g重构。混合算法是指将模型分层或解耦后，对于不
) g: a2 T, v7 L, }% `" r同的子问题所呈现出的不同特点而采用多种算法
1 l: e( \5 H5 x$ y" ]4 D联合求解。它是发挥算法优势，避免算法短板的有
8 B. ?: S0 ?3 f" V效手段。目前在一些领域的研究中已有学者针对模
型特点提出了相应的混合算法，并取得了良好的效
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 )
h
i i i
  S3 W7 {! o$ B. Fi
/ [$ y8 y/ ~& Q' m$ J5 LF c x P
=
= −
: D1 N' M* ~9 C; Z; k; D! m, h
2 2
% c  _6 X2 r3 [* v5 C  _2
) G; t' U) i8 y2
$ w& c5 }' @0 g0 |' j7 B& }, G: I/ L1
m in
+ b! X/ a3 G( ~: I- QM
( m/ I$ `9 }; R1 Hi i
i i
i
i
* a* M$ C8 S6 FP Q
/ h( N  G! N6 c: a* x/ c# G& S/ qF k R
=
U
+
=

2
; X4 q0 `4 J" @张熙等：基于动态规划与最优流模式的微网孤岛重构
果。如文献[10]在对基于电网络理论所建立的大型
0 l. z  m8 M# _& q) n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
2 Q$ F; \: l. T1 P性算法(粒子群算法)进一步深入优化。仿真结果表
明，该混合算法在收敛性与结果准确度上均优于单
8 l$ G- I8 U) a* r+ \6 y- V+ A; g; D纯的确定性算法与随机性算法。文献[11]为了进行
更有效的变电站负荷聚类分析，提出了综合考虑负
9 T/ i% w( _- W) s" v荷曲线和构成的变电站双层聚类模型。将该模型解
+ D" x' q. Y" ?; E7 q4 T耦为上层与下层变电站聚类分析 2 个子问题后，文
: {0 D1 Y* e2 U# j  Z. [/ `章根据上下层各自特点分别采用了 K−means 算法
- k2 ?' O$ ^7 s8 F3 j  w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
# |' P6 M6 M; M6 @% f2 h+ \6 f% Y解决配网重构问题。在寻优过程中，部分个体用粒
$ G! c7 l5 z5 Y' p& g3 c1 U' a子群优化算法(PSO)进行迭代，其它个体进行遗传
9 J) C8 h/ P/ U. z* D0 z算法(GA)中的交叉和变异操作，整个群体信息共
; f! f' Q- o" r" Z享，同时采用自适应参数机制与优胜劣汰的进化思
* t9 u3 S3 t# G) \3 \. B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。
$ N8 U( S! k9 y! w3 ^# D/ d与传统的配网重构不同，微网孤岛作为一个出
% X8 {4 k  S4 }0 u力有限的供电系统，重构不仅要对线路分段开关、
% F' @% |0 G0 R* I% y) E2 U9 R' B联络开关进行调整，还需根据实时变化的外部环
4 u( v' e! r& ^& n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
( ~! v& H9 G- J, B/ G( K调整本质上为设备再分配问题；而对线路分段开
/ [1 Z7 E6 }1 O6 Z( t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
合算法进行求解。
8 D* w# }0 K; h& U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，
2 j/ }& ?2 l2 \; |, O5 @2 Y本文将模型解耦为设备连接开关重构与线路分段
3 q5 M) x- Q5 Q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
2 W) x( F2 P% P& Q1 A6 a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
- \: l# E, B" s' L+ J稳定性，在处理微网孤岛重构问题上有着较为明显
0 o7 e( e& U! I) C" r. D9 r. E3 M4 {的优势。
! Z  b' w1 p9 x) k8 J0 n. P$ H
7 E: d( l% T4 j
7 s7 O  e, }+ _" w- r0 D! \