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

; u9 o/ _9 T' ~
. [; D6 \$ t5 Y$ l
  j* e5 l. H& x7 G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)。
4 o; G7 _% R6 Q* v4 ]* BProject Supported by National Natural Science Foundation of China
9 `& ~2 [. @$ m& t. ?  o(61573155, 51877085).
效手段[1]。失去了主网的支撑，作为一个低惯性系
# f- x; @( D  ^8 q4 z7 C  D( Q$ m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 e4 f0 ?0 K: |5 P设备连接开关与线路分段开关、联络开关的运行状
9 V, [/ z9 Y/ H0 }1 J& ^: p态，改变微网的所连设备数量与供电拓扑结构，微
' h) \2 F7 n/ v5 x$ J/ T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。
$ {' H0 j0 V# o5 w- x重构是通过改变网络各开关的运行状态来改
) S/ N/ ^( {! l& D1 V: a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
程。微网重构的本质是一个多目标、多约束的非线
9 {/ Q& s4 v  {, w4 w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
2 r" a$ l, d' j5 I1 S) t/ M2 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
足：虽然枚举法与传统数学优化方法的寻优结果可
0 R4 W& Z3 [1 V6 n0 H- d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
! a4 ~  }4 Y, m5 `+ o+ A( f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
至会有无法寻得有效解的情况出现。这些单一算法
& s0 k2 ]2 R  l: ?/ C- i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。
# u! }. h# o6 Z2 \* g5 q针对于此，本文采用混合算法来实现微网孤岛
; e7 }3 n2 v& a* X/ }0 O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
6 n/ b2 M4 l: Y. r! D  {0 e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
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
- |$ M3 q0 J+ v8 [1 s网络首发地址：https://kns.cnki.net/kcms/detail/11.2410.TM.20200729.1329.001.html1 b
1
+ d% n8 X0 n7 H! W3 bm in (1 )
h
- p; V$ U. `: i8 v. ji i i
i
3 u0 y% r' M# v% i  h1 GF c x P
=
= −

+ q3 H  Y3 `7 w! C" R2 2
% q8 `) `, w7 z; m3 z: V( l2
2
9 F2 h% ~* c* d9 t1
. a$ G$ ?$ \* j& [m in
5 F8 C/ }3 ~) q6 e) f- cM
i i
. |3 _! c: s1 J# i" J) |# [i i
2 ]! z3 w; J' d( h9 ai
9 R  I; h- Y$ H0 ^" k5 w, q( q+ ~/ Ai
, {$ A" ?% G3 N$ x6 S1 C, i, s2 uP Q
F k R
0 D, ^4 {; W# ?. M- E: V. T=
1 ?6 l! S$ I# O% `; Y9 ^U
6 S$ D2 @# S1 Y; ^+
  M! ]9 R3 \2 t( ]  n* m=
1 w4 L8 N' H, a. t
( B& @0 v) d$ E8 b' r( A7 y2
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
接地网故障诊断模型进行分层后，先采用确定性算
$ a8 ~% u% [: h4 l$ E法(L−M 法)快速锁定真实解的范围，之后再用随机
, T$ r) f% l1 |! [% I, P4 e* [性算法(粒子群算法)进一步深入优化。仿真结果表
0 T: [# H* S: F- W2 _1 U9 N# X% h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
. ~! q+ Q8 Q# x; M0 P0 x' K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
耦为上层与下层变电站聚类分析 2 个子问题后，文
0 c9 ?% d0 }  z! c/ a& T章根据上下层各自特点分别采用了 K−means 算法
) b) a' C% @0 _) d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
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
2 Q- @" v: W+ x5 f, A4 a$ Y2 j; Q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，
1 ?  v) |2 v/ S* B7 \该混合算法具有更高的搜索效率和寻优性能。
: \# _; }# z8 j3 F! D+ `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、
; D  Y: a( M. T0 ]( v0 b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
+ d5 q  n9 a, d" S$ b关、联络开关状态的调整本质上为供电拓扑优化问
8 k2 i: r" c+ n- t4 ]题。二者有着不同的目标与约束条件，适合采用混
9 I: B" ~" A* v合算法进行求解。
. ~/ s2 q( q! T5 {# a因此，为保证重构的实时性以及寻优的高效性
  \1 J1 v1 C  {与稳定性，在建立了微网孤岛重构的数学模型后，
( C% }  ^, O  }  i# D本文将模型解耦为设备连接开关重构与线路分段
' y/ i* ?8 ~, \# P5 l开关、联络开关重构两个子问题，并采用了动态规
2 N; c3 f! `7 L' ]; u% H划法与改进的最优流模式法相结合的混合算法寻
5 [' r0 n. J( r' e- f* M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
8 U/ h3 z% L7 _; q稳定性，在处理微网孤岛重构问题上有着较为明显
5 @$ e% [9 F7 z  X5 N) q5 C的优势。

, @4 h/ N; v- V  r; v; N! R
" D$ x) U( }/ i1 U0 b3 _3 Z% K4 j