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

5 }5 F7 m2 E- \" K& D

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)。
( r% G& X: {( \* V4 ]Project Supported by National Natural Science Foundation of China
(61573155, 51877085).
8 Q9 v3 S1 ?! M0 b- ]+ d效手段[1]。失去了主网的支撑，作为一个低惯性系
' W# n. u# V2 _( X. D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
6 f1 q9 t4 [- {( f( L设备连接开关与线路分段开关、联络开关的运行状
3 g% c( B4 [) t2 D' {+ m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。
1 G8 x$ y! r/ E0 s+ _重构是通过改变网络各开关的运行状态来改
6 i2 ^3 ?- B" Q1 `# r; [0 ^3 F变网络运行方式，在一定约束条件下，保证系统安
* h  V$ p1 O2 ]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
) N  n0 h( ?8 ?/ R$ y! [" g性混合整数规划问题。针对微网的重构，目前多采
7 O+ `1 i8 R+ w8 Y用单一的寻优方法来解决，例如有枚举法[3]、传统
0 h& z7 I, j1 p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
2 J# h, W0 @! o+ X, H足：虽然枚举法与传统数学优化方法的寻优结果可
& B8 M# X0 y) O' C. N" G/ x/ w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
进行筛选使得寻优高效，但其固有的随机性在实时
1 I$ C4 @( }  Y6 t6 Q3 |% z. ?. B$ ]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。
$ i# U# E4 [) [! Y" c$ H针对于此，本文采用混合算法来实现微网孤岛
) o2 T( |2 E$ U$ ]8 e0 `$ x重构。混合算法是指将模型分层或解耦后，对于不
6 l3 L" n- b- Y  p8 X# l  k* H6 B同的子问题所呈现出的不同特点而采用多种算法
5 D% d: a5 E8 k) `) ^4 K/ S联合求解。它是发挥算法优势，避免算法短板的有
" z2 x/ ]9 z% E0 A& K) S  O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 e" f3 c0 ^& z8 c1
m in (1 )
  h6 y. M  V7 x5 P9 G& e+ xh
1 r5 x1 p3 P# ^6 P+ hi i i
i
: ^9 E( T$ n  ^4 ?7 r7 ~- SF c x P
=
) k7 C5 k  ?. k) D% S- m= −
* _9 s  H3 ?8 u) F7 i
% o+ r  @& R+ c% E  ?. s. U2 2
! X  m; Q' g! Q* l+ v* d2
2
1
m in
7 \% Z- {+ b6 g7 R0 ~0 v" p, @M
- S$ P# ^' _- W- s- r5 z7 }; H$ Pi i
! c4 j1 Y4 m9 g2 J4 V) hi i
i
i
P Q
+ M8 |3 y6 N; a6 NF k R
3 q3 T3 b) j$ c  {1 K=
# }' ^# s; Q3 c' M$ AU
+
8 a. C% g6 M$ }$ o# \  O  p% ?=

/ x, L& S  _# u) c8 O2
- W) _+ X% y/ m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
( v& I0 L* |$ B( d1 L% w! A; j* Z接地网故障诊断模型进行分层后，先采用确定性算
) z7 q3 w. z- c7 U* V& E: ^法(L−M 法)快速锁定真实解的范围，之后再用随机
% }2 j; t0 t! ]7 x2 V8 |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
: t+ \) O$ V4 C; O2 \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
( Z) S$ P& j! q8 \  A1 r* I荷曲线和构成的变电站双层聚类模型。将该模型解
. ?$ H. T; c. k3 g/ p耦为上层与下层变电站聚类分析 2 个子问题后，文
3 ?- `, P) U! w8 e+ i+ V章根据上下层各自特点分别采用了 K−means 算法
- g1 j8 d) b, z6 Q与分裂式 FCM 算法予以求解。在对实际变电站聚
! W: u; N+ W9 X6 C类分析后的结果表明，该混合算法可以有效补充传
1 x1 t! J. f( q" M统算法的不足。文献[12]采用了一种混合智能算法
) u" x9 P) Y; \) `% D3 y: 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
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
想。仿真结果表明，与单一的 GA 法和 PSO 法相比，
. d" o" Q  |5 {$ _1 B5 C. q该混合算法具有更高的搜索效率和寻优性能。
6 Z  r# X- J  T! C) c9 X  e9 O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
1 \+ y! }4 M8 W. H3 B" K) K调整有着各自不同的特点：对设备连接开关状态的
! h9 B# |3 y+ a2 E! ?, W调整本质上为设备再分配问题；而对线路分段开
: O5 \6 ~* i0 c0 ?" T1 k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
6 k( B: C) t- l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，
$ ?' G+ }/ [$ j! r" ]本文将模型解耦为设备连接开关重构与线路分段
. Y4 G* f4 L" \7 ]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
  f) x" k+ x! [2 F- g找最优重构方案。MATLAB 仿真结果表明，本文所
9 N* j" E1 E3 t% O$ f. R提算法可以有效地同时保证重构实时、高效与寻优
- s& K4 j; a- O; t( c( F稳定性，在处理微网孤岛重构问题上有着较为明显
& H- \6 c, U3 e0 ^5 @的优势。
1 M( L* D  C3 Y1 z+ p/ m, u) V