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

! j0 O% }# X3 k( H' b* Z

% Y1 r- [( i" V7 I2 k实时重构技术是维持孤岛微网稳定运行的有
, o' r, T- R) k' N基金项目：国家自然科学基金(61573155，51877085)。
& Z/ d: l6 g' OProject Supported by National Natural Science Foundation of China
(61573155, 51877085).
效手段[1]。失去了主网的支撑，作为一个低惯性系
# J% y5 a( ^5 }$ p2 n; u- P统，微网在孤岛运行环境下，很容易因设备出力的
+ R: g' [8 ^( F( N! ]% c1 w" _0 `6 M波动而失稳[2]。当系统发生变动时，通过实时调整
9 z$ l1 m* r2 ?  ]1 Y) s0 n0 b7 S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
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。
重构是通过改变网络各开关的运行状态来改
: Y1 Y  J6 C8 |5 N1 h# p变网络运行方式，在一定约束条件下，保证系统安
1 @: |0 a  t7 N+ x- t全稳定运行，并使系统的某项指标达到最优的过
6 }" f8 f6 G/ C8 n; W: I程。微网重构的本质是一个多目标、多约束的非线
6 [+ }- r1 ]9 i性混合整数规划问题。针对微网的重构，目前多采
0 V; g+ P  B+ w$ B4 ?, c: c8 X用单一的寻优方法来解决，例如有枚举法[3]、传统
$ ]+ }7 {! o; P/ x/ _  Z数学优化方法[4-5]或人工智能算法[1,6-9]。
- i( O5 @+ f5 k3 W7 B$ d上述方法各有其优势所在，但也均存在有不
足：虽然枚举法与传统数学优化方法的寻优结果可
8 y0 @+ _; ~& X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
( w. v/ Q. [* Q* P2 `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
* e- r, I  E: |' |- G3 _7 h) ~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
2 {" X. ~7 K0 C( a1 W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
重构。混合算法是指将模型分层或解耦后，对于不
! }, n2 l6 u' J7 _9 k同的子问题所呈现出的不同特点而采用多种算法
$ @0 ~0 Z) ~8 w4 G% t' ^联合求解。它是发挥算法优势，避免算法短板的有
效手段。目前在一些领域的研究中已有学者针对模
, q, }8 x0 ~8 h! f型特点提出了相应的混合算法，并取得了良好的效
: i6 C/ |9 U9 ]' O, I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
8 s1 ^1 z* n3 d: y1
/ t& ^  z$ p9 Q' [( xm in (1 )
h
; a4 ~$ U' B8 G$ pi i i
i
F c x P
4 ^! `# r- G# Z& n" I: A=
= −
5 @% P9 E0 Y- E8 R4 H4 \* Z2 H' b
2 2
2
2
4 a- t+ }+ x* m+ U% \1
: u4 x7 Y% S3 v  x3 ?  km in
7 u( Z6 D2 g. ^+ `& k) XM
# K8 L1 n3 l- e( g$ Ni i
# `) \0 _) H. i2 \/ f# h8 ji i
i
* ^9 ~$ t( r( ?  j1 o* Hi
P Q
F k R
/ L' W' ]; Y, @* }2 T=
U
+
( |9 ~- k: n0 U/ u=

2
4 M) @& [1 S( w4 c5 }! ~7 Z张熙等：基于动态规划与最优流模式的微网孤岛重构
* k( B* H- Y7 W6 `; w& K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
6 w& V" L. V4 E* h$ ?性算法(粒子群算法)进一步深入优化。仿真结果表
$ P, ~' m' F- R* _/ k) v' ]: I7 }明，该混合算法在收敛性与结果准确度上均优于单
纯的确定性算法与随机性算法。文献[11]为了进行
. j# H1 ^- i; N  `# u; c; d  t) x更有效的变电站负荷聚类分析，提出了综合考虑负
荷曲线和构成的变电站双层聚类模型。将该模型解
% J, {: y  m6 J- o% P耦为上层与下层变电站聚类分析 2 个子问题后，文
. ^4 B3 _& f( C0 R% c章根据上下层各自特点分别采用了 K−means 算法
. ~( Q5 h5 ?; T' X' h  U: {! }与分裂式 FCM 算法予以求解。在对实际变电站聚
: B' }: i' L) |, [6 x( ~, o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
) R' i1 Q) g. X- @% U% q解决配网重构问题。在寻优过程中，部分个体用粒
子群优化算法(PSO)进行迭代，其它个体进行遗传
6 f, a' t7 W  _  u  I算法(GA)中的交叉和变异操作，整个群体信息共
享，同时采用自适应参数机制与优胜劣汰的进化思
: D2 \% U& L$ Q) O; g$ T' I# u8 S想。仿真结果表明，与单一的 GA 法和 PSO 法相比，
2 c( m& {  {9 y! N该混合算法具有更高的搜索效率和寻优性能。
$ T4 y, ~; v8 z& z" L2 s& b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
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
调整本质上为设备再分配问题；而对线路分段开
8 K  W0 v( U/ H; o8 u1 b关、联络开关状态的调整本质上为供电拓扑优化问
; S( q2 m1 t& P7 A' ~题。二者有着不同的目标与约束条件，适合采用混
) [" k4 u; [; X4 r- k6 a合算法进行求解。
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，
9 {4 L6 s+ n  K0 b- U8 e1 ~- W9 f本文将模型解耦为设备连接开关重构与线路分段
& m& ?$ T5 R: h, z9 M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
/ k# w3 s% F% U' [) z找最优重构方案。MATLAB 仿真结果表明，本文所
7 a' H4 D* `3 ^* g7 C. ?4 C3 H7 T提算法可以有效地同时保证重构实时、高效与寻优
稳定性，在处理微网孤岛重构问题上有着较为明显
( d. k- s& h( o5 A7 D的优势。
# j# ?; \' V" j/ S5 j/ j: X. c- Q
0 H7 R7 X$ D& S) ?; ?' Z