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

" i5 `# d! M$ e+ Q- v" A& n
( y( U3 q) P3 A6 q; P
7 F9 W% O* v& w实时重构技术是维持孤岛微网稳定运行的有
2 z, h/ z8 {/ B9 f基金项目：国家自然科学基金(61573155，51877085)。
% O2 R; f+ b7 S6 AProject Supported by National Natural Science Foundation of China
1 t0 K7 Q3 s) ]# N! A' R(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
设备连接开关与线路分段开关、联络开关的运行状
/ ]8 X2 D) V9 K- q2 C态，改变微网的所连设备数量与供电拓扑结构，微
1 p5 ?+ h2 Q3 }, W6 @- a网得以在动态变化中控制系统的电压与频率，维持
3 c$ c6 r4 w8 `/ x2 S5 V5 l0 k网络的功率平衡。
( q5 y8 P" d, J" ?重构是通过改变网络各开关的运行状态来改
变网络运行方式，在一定约束条件下，保证系统安
0 q: \1 ^2 s' @( x全稳定运行，并使系统的某项指标达到最优的过
8 P0 x& n! B' N; m5 A! r, ?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
' D- h/ g4 n( p( H9 T用单一的寻优方法来解决，例如有枚举法[3]、传统
, d  r( F% M" e4 d( W& Y  I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
7 L3 B$ F, P4 g) E$ {7 E以稳定收敛到最优解，但是寻优效率低，运算耗时
, x+ y; \4 q- S% N  @9 n* V9 l长；人工智能算法通过在迭代中使用元启发式策略
' f3 {  ?. r, @3 ^4 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
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
6 n5 D! p5 I3 N1 Z5 U) L三者间的平衡。
& Q& m9 E3 A; F' }4 O. C针对于此，本文采用混合算法来实现微网孤岛
# @6 V* c. b) c重构。混合算法是指将模型分层或解耦后，对于不
! u/ G# N& M" r6 E2 T# N  z: V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
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
8 y' ~9 D3 n4 g/ Y/ _0 S3 c网络首发时间：2020-07-29 15:03:50
: g5 v2 q$ G5 ~" v5 `3 n8 U( ]网络首发地址：https://kns.cnki.net/kcms/detail/11.2410.TM.20200729.1329.001.html1 b
1
+ ~0 p% {/ R, km in (1 )
" a% F8 L/ R; E8 Zh
i i i
i
F c x P
=
= −
. p" [1 @1 |4 v6 ]
2 2
  ]( e6 c& z" R( A& o  T8 ^2
2
( \# Q  I( i. b, T. Q  g1
m in
M
i i
i i
+ Q) ]% ^) r- ei
' f8 N" o" q  S' i& Oi
P Q
F k R
=
0 K/ s  Q- |) b  f" @U
5 r- E6 p# z& i3 Y# w: e7 T* X+
# U, f9 L& z! M& j+ j) T8 e  k+ L=

2
张熙等：基于动态规划与最优流模式的微网孤岛重构
* Q7 I  @/ N+ R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
9 y8 X7 F+ S; j/ r* i/ Q- N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
纯的确定性算法与随机性算法。文献[11]为了进行
# x3 z: X/ h9 N8 R+ n; M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
3 t6 A0 r$ f- z, Y2 R; b, B  y: H1 c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
. R& K. S) K% H( s* L  D# N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+ {1 f6 l  w/ |8 o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
; Z  N3 f* c0 }% T/ x% k4 c享，同时采用自适应参数机制与优胜劣汰的进化思
$ R: w5 m/ O5 q, \想。仿真结果表明，与单一的 GA 法和 PSO 法相比，
' \) h" u+ M: i) `' W该混合算法具有更高的搜索效率和寻优性能。
/ e) A: l' F: j2 Q" t; j. I% k与传统的配网重构不同，微网孤岛作为一个出
( p/ ?; z1 K, _+ r1 }/ |力有限的供电系统，重构不仅要对线路分段开关、
0 G- k+ K8 z/ v+ f) S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
* a, _# a" g# K9 b  Z7 w% d调整有着各自不同的特点：对设备连接开关状态的
6 A' J! E# L0 s  q2 P! B$ ^调整本质上为设备再分配问题；而对线路分段开
关、联络开关状态的调整本质上为供电拓扑优化问
! m/ \9 }5 G8 {8 J题。二者有着不同的目标与约束条件，适合采用混
! Y$ T: D: E; K+ q% R5 W4 I合算法进行求解。
* F. D  \: w* e+ W# y因此，为保证重构的实时性以及寻优的高效性
# R) _1 I( A* X6 K5 t* W% E与稳定性，在建立了微网孤岛重构的数学模型后，
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
找最优重构方案。MATLAB 仿真结果表明，本文所
' X+ r# \% V; C# B提算法可以有效地同时保证重构实时、高效与寻优
* G( J+ f; Y$ `. T: b. |稳定性，在处理微网孤岛重构问题上有着较为明显
的优势。
9 v9 n! v) e) w
* p) l7 F. T( N  p
2 Z) X" v' D1 J- c