本發(fā)明涉及一種含分布式電源的配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方法，屬于配電網(wǎng)調(diào)度技術(shù)領(lǐng)域。

背景技術(shù)：

近年來為應(yīng)對能源、環(huán)保和氣候變化的挑戰(zhàn)，低碳可再生能源得到大力發(fā)展，新能源以分布式電源的形式直接接入配電網(wǎng)是今后的發(fā)展趨勢。配電網(wǎng)是直接或降壓后將電能送到用戶側(cè)的電網(wǎng)，研究大量分布式電源接入后的系統(tǒng)結(jié)構(gòu)和運(yùn)行顯得極其重要。

含分布式電源配電網(wǎng)優(yōu)化問題中存在諸多指標(biāo)需要優(yōu)化，如電壓偏差、網(wǎng)損、分布式電源最大準(zhǔn)入容量等，故需要多目標(biāo)優(yōu)化算法進(jìn)行求解。目前主要有兩類方法對該問題進(jìn)行求解，一類是采用加權(quán)法對每個目標(biāo)進(jìn)行加權(quán)，然后作為單目標(biāo)優(yōu)化；一類是采用多目標(biāo)優(yōu)化算法獲得帕累托解集，然后再通過決策方法確定最優(yōu)的解。

近年來，多目標(biāo)進(jìn)化算法以其靈活性高、魯棒性強(qiáng)、適應(yīng)性廣等優(yōu)點(diǎn)被廣泛應(yīng)用于求解電力系統(tǒng)優(yōu)化調(diào)度問題。例如，有些學(xué)者將多目標(biāo)遺傳算法和非占優(yōu)選擇方法應(yīng)用到電力系統(tǒng)電網(wǎng)規(guī)劃中；還有些學(xué)者將多目標(biāo)粒子群算法應(yīng)用于求解含DG配電網(wǎng)重構(gòu)問題。最近，一個新的多目標(biāo)優(yōu)化算法，多領(lǐng)頭者群體搜索算法(Group Search Optimizer with Multiple Producers,GSOMP)被提出來求解經(jīng)濟(jì)排放調(diào)度。GSOMP是基于群搜索算法(Group Search Optimizer，GSO)而提出的，仿真結(jié)果證明GSOMP算法明顯優(yōu)于多目標(biāo)遺傳算法和多目標(biāo)粒子群算法。

在GSOMP中，種群個體被賦予三種不同的角色，分別為領(lǐng)頭者、追隨者和游蕩者。領(lǐng)頭者是指種群中適應(yīng)值最好的個體，其任務(wù)為帶領(lǐng)整個種群尋找優(yōu)質(zhì)資源，并且其數(shù)量等于優(yōu)化目標(biāo)的個數(shù)。除了領(lǐng)頭者，剩下的個體被隨機(jī)的分為追隨者和游蕩者，追隨者將隨機(jī)的選擇一個領(lǐng)頭者，并且追隨該領(lǐng)頭者，分享該領(lǐng)頭者發(fā)現(xiàn)的資源，為快速收斂到最優(yōu)點(diǎn)，保證算法的局部搜索性能；游蕩者將在整個搜素區(qū)域內(nèi)進(jìn)行隨機(jī)漫步(Random Walk，RW)，旨在保持種群多樣性，避免算法陷入局部最優(yōu)，確保算法的全局搜索性能。盡管GSOMP在求解復(fù)雜電力系統(tǒng)調(diào)度問題上優(yōu)于多目標(biāo)遺傳算法和多目標(biāo)粒子群算法，但該算法在優(yōu)化高維多模優(yōu)化問題時，仍存在收斂速度慢的缺點(diǎn)。

對于基于加權(quán)的單目標(biāo)優(yōu)化方法，需要統(tǒng)一量綱，且權(quán)值的分配帶有主觀人為因素，具有片面性、缺乏科學(xué)性。對于多目標(biāo)優(yōu)化算法，主要有多目標(biāo)粒子群算法、多目標(biāo)遺傳算法和多目標(biāo)群搜索算法等，它們存在局部搜索或全局搜索性能不足的問題，即不收斂或者容易陷入局部最優(yōu)。

技術(shù)實(shí)現(xiàn)要素：

針對上述多目標(biāo)優(yōu)化算法的不足，本發(fā)明提出了一種含分布式電源的配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方法，其能夠權(quán)衡局部搜索和全局搜索，旨在快速搜索到全局最優(yōu)解。

本發(fā)明解決其技術(shù)問題采取的技術(shù)方案是：一種含分布式電源的配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方法，其特征是，包括以下步驟：

S1:建立含多類型DG的多目標(biāo)配電網(wǎng)模型,所述多目標(biāo)配電網(wǎng)模型以系統(tǒng)節(jié)點(diǎn)最大電壓偏差最小、配電網(wǎng)各支路的網(wǎng)絡(luò)損耗最小和配電網(wǎng)的分布式電源接入最大為目標(biāo)函數(shù)；

S2:確定約束條件，所述約束條件包括潮流方程約束、DG有功功率上限約束和節(jié)點(diǎn)電壓約束；

S3:進(jìn)行配電網(wǎng)調(diào)度優(yōu)化，所述對配電網(wǎng)調(diào)度進(jìn)行優(yōu)化的過程為通過引入群體動物的自學(xué)習(xí)機(jī)制,構(gòu)建基于多群體自學(xué)習(xí)的多目標(biāo)群搜索算法對配電網(wǎng)調(diào)度問題進(jìn)行優(yōu)化。

基于當(dāng)考慮配電網(wǎng)電壓偏差、網(wǎng)絡(luò)損耗、DG容量和潮流方程等方面問題時，配電網(wǎng)優(yōu)化配置是一個多目標(biāo)、多約束的復(fù)雜優(yōu)化問題，本發(fā)明建立的多目標(biāo)配電網(wǎng)模型以DG入網(wǎng)容量最大、以系統(tǒng)網(wǎng)損最小和電壓偏差最小為目標(biāo)函數(shù)，以潮流方程、DG容量極限為約束條件，綜合考慮PQ、PV和PI類型的DG接入；基于自學(xué)習(xí)群體搜索算法(Self-Learning Group Search Optimizer，SLGSO)，提出了多群體自學(xué)習(xí)群搜素算法(Multiple Self-Learning Group Search Optimizer，MSLGSO)來優(yōu)化所建立的多目標(biāo)配電網(wǎng)模型。

優(yōu)選地，在步驟S1中，以系統(tǒng)節(jié)點(diǎn)最大電壓偏差最小為目標(biāo)函數(shù)f₁、以配電網(wǎng)各支路的網(wǎng)絡(luò)損耗最小為目標(biāo)函數(shù)f₂、以配電網(wǎng)的分布式電源接入最大為目標(biāo)函數(shù)f₃建立多目標(biāo)配電網(wǎng)模型；

所述目標(biāo)函數(shù)f₁為：

式中：P_i和Q_i分別為節(jié)點(diǎn)i的有功功率和無功功率；R_i和X_i分別為節(jié)點(diǎn)i處的等值電阻和電抗；V_iN為節(jié)點(diǎn)i處電壓的額定值；n為系統(tǒng)總的節(jié)點(diǎn)數(shù)；

所述目標(biāo)函數(shù)f₂為：

式中：L為系統(tǒng)總支路數(shù)；r_j為支路j電阻；P_j和Q_j分別為支路j末端流過的有功功率和無功功率；

所述目標(biāo)函數(shù)f₃為：

式中：N_DG為配電網(wǎng)接入總的DG數(shù)；P_DGj為第j個節(jié)點(diǎn)接入DG的有功功率；P_Li為第i個節(jié)點(diǎn)負(fù)荷的有功功率。

優(yōu)選地，在所述約束條件中：

1)潮流方程約束為：

式中：P_DGi和Q_DGi分別為在第i個節(jié)點(diǎn)處注入的DG有功功率和無功功率；P_Li和Q_Li分別為第i個節(jié)點(diǎn)處負(fù)荷的有功功率和無功功率；G_ij和B_ij分別為節(jié)點(diǎn)i和j之間的電導(dǎo)和電納；δ_ij為節(jié)點(diǎn)i和j之間的電壓相角差；

2)DG有功功率上限約束為：

式中：為第i個節(jié)點(diǎn)允許接入DG的有功功率上限；

3)節(jié)點(diǎn)電壓約束為：

V_i^min≤V_i≤V_i^max (6)

式中：V_i^min和V_i^max分別為第i個節(jié)點(diǎn)電壓的下、上極限。

優(yōu)選地，在步驟S3中，所述多群體自學(xué)習(xí)群搜素算法包括：

領(lǐng)頭者搜索機(jī)制：

將每個群體中適應(yīng)值最小的個體視為領(lǐng)頭者，每個領(lǐng)頭者將沿著三個方向進(jìn)行隨機(jī)搜索，尋找優(yōu)質(zhì)資源，確定其下一代的位置；在第g代中，第p個群體的領(lǐng)頭者x_p^g搜素機(jī)制如下：

式中：r₁和r₂為(0,1)內(nèi)的隨機(jī)數(shù)；l_max和θ_max分別為最大搜索距離和最大搜索視角；為領(lǐng)頭者在第g代的搜索視角；f_p為第p個目標(biāo)函數(shù)；D為單位矩陣，CircShit(.)為極坐標(biāo)和直角坐標(biāo)變換；

組織者搜索機(jī)制：

在每個群體的每一代中，隨機(jī)選取一些個體視為組織者，組織者將對其對應(yīng)的群體的每一代成功進(jìn)化路徑進(jìn)行學(xué)習(xí)，確定其在下一代中的進(jìn)化路徑和進(jìn)化步長；在g代的第p個群體中，第k個組織者的具體搜索機(jī)制如下：

式中，σ_p^g為在g代中第p個種群組織者的進(jìn)化步長；N(0,C_p^g)為由在g代中第p個種群得組織者形成的多元正態(tài)分布；

游蕩者搜索機(jī)制：

除了領(lǐng)頭者和組織者，每個群體中剩余的個體被視為游蕩者，采用LF機(jī)制在整個搜索空間內(nèi)進(jìn)行隨機(jī)搜索，用以保持種群多樣性，增強(qiáng)多群體自學(xué)習(xí)群搜素算法的全局搜索性能；

所述LF機(jī)制如下：

在第g代的每個群體中，游蕩者首先確定一個隨機(jī)步長stepsize_p,i：

式中，u＝Φ·randn(n)，v＝randn(n)，β＝1.50，n為系統(tǒng)優(yōu)化變量數(shù)；

Φ的計(jì)算如下：

式中，Γ為伽馬函數(shù)；

然后，游蕩者將根據(jù)公式(12)所示步長stepsize_p,i進(jìn)行搜素更新：

優(yōu)選地，在組織者搜索機(jī)制中，組織者進(jìn)行學(xué)習(xí)的過程為：首先，根據(jù)適應(yīng)值的大小，將其對應(yīng)的群體中的個體分為優(yōu)秀個體和劣質(zhì)個體，適應(yīng)值小的個體視為優(yōu)秀，適應(yīng)值大的個體視為劣質(zhì)；然后對優(yōu)秀個體通過指數(shù)加權(quán)法得到該群體的均值向量m；再次，根據(jù)m，得到該群體的協(xié)方差矩陣C；最后，根據(jù)m和C，確定該群體組織者的進(jìn)化路徑和步長；

優(yōu)選地，在步驟S3中，所述引入群體動物的自學(xué)習(xí)機(jī)制的過程為對MSLGSO算法解集庫更新的過程，具體實(shí)現(xiàn)過程為：首先引入信息分享策略對每一代多群體自學(xué)習(xí)群搜素算法的解集進(jìn)行適應(yīng)值排序，形成當(dāng)代的非占優(yōu)解，存儲到解集庫中；然后，每一個種群的組織者將對解集庫中的個體進(jìn)行學(xué)習(xí)，確定下一代的進(jìn)化步長和進(jìn)化路徑。

優(yōu)選地，在對MSLGSO算法解集庫更新的過程中，采用快速非占優(yōu)排序方法對每一代的解集庫進(jìn)行更新，首先將解集庫設(shè)為空集，然后每個群體中的領(lǐng)頭者存入到解集庫中，最后，在每一代中，將每個群體通過多群體自學(xué)習(xí)群搜素算法新更新得到的解存到解集庫中，并通過快速非占優(yōu)排序法選擇新的非占優(yōu)解更新解集庫。

優(yōu)選地，在步驟S3中，所述對配電網(wǎng)調(diào)度進(jìn)行優(yōu)化的過程包括以下步驟：

S31：在可行域內(nèi)，隨機(jī)初始化N個群體的個體，對每個群體根據(jù)其對應(yīng)的目標(biāo)函數(shù)將該群體中的個體按適應(yīng)值大小進(jìn)行排序，然后采用快速非占優(yōu)排序方法將非占優(yōu)解存儲到解集庫中，設(shè)種群代數(shù)g＝0；

S32：將每個群體中適應(yīng)值最小的個體選作該群體的領(lǐng)頭者，即N個群體，存在N個領(lǐng)頭者，然后對每個群體分別執(zhí)行步驟S33-S37；

S33：領(lǐng)頭者將根據(jù)公式(7)-(10)進(jìn)行搜索更新；

S34：除了領(lǐng)有者，群體中剩余的個體i將執(zhí)行步驟S35-S37；

S35：如果rand(1)<0.7，那么i將被選作組織者，然后執(zhí)行步驟6；否則，i將被視為游蕩者，執(zhí)行步驟7；

S36：組織者對解集庫中的優(yōu)秀個體進(jìn)行學(xué)習(xí)，根據(jù)優(yōu)秀個體的位置向量，形成均值向量和協(xié)方差矩陣，然后組織者根據(jù)公式(11)進(jìn)行搜索更新；

S37：游蕩者根據(jù)公式(12)-(14)所示的LF機(jī)制進(jìn)行搜索更新；

S38：根據(jù)適應(yīng)值大小，對N個群體的所有個體進(jìn)行排序，采用快速非占優(yōu)排序方法對解集庫進(jìn)行更新，如果不滿足迭代終止條件，令g＝g+1，然后返回步驟S32；否則，終止算法迭代。

優(yōu)選地，所述解集庫中的優(yōu)秀個體為適應(yīng)值小的個體。

本發(fā)明的有益效果如下：

基于當(dāng)考慮配電網(wǎng)電壓偏差、網(wǎng)絡(luò)損耗、DG容量和潮流方程等方面問題時，配電網(wǎng)優(yōu)化配置是一個多目標(biāo)、多約束的復(fù)雜優(yōu)化問題，本發(fā)明建立的多目標(biāo)配電網(wǎng)模型以DG入網(wǎng)容量最大、以系統(tǒng)網(wǎng)損最小和電壓偏差最小為目標(biāo)函數(shù)，以潮流方程、DG容量極限為約束條件，綜合考慮PQ、PV和PI類型的DG接入；基于自學(xué)習(xí)群體搜索算法(Self-Learning Group Search Optimizer，SLGSO)，提出了多群體自學(xué)習(xí)群搜素算法(Multiple Self-Learning Group Search Optimizer，MSLGSO)來優(yōu)化所建立的多目標(biāo)配電網(wǎng)模型。

針對現(xiàn)有多目標(biāo)優(yōu)化算法的不足，本發(fā)明提出了一種新的能權(quán)衡局部搜索和全局搜索的多群體自學(xué)習(xí)群搜索算法，旨在快速搜索到全局最優(yōu)解。本發(fā)明在MSLGSO算法中，引入多群體和組織者的概念，來增強(qiáng)算法的搜索效率，論證了MSLGSO算法在求解多約束復(fù)雜的含DG的配電網(wǎng)系統(tǒng)具有較好的適應(yīng)性和實(shí)用性；本發(fā)明通過采用多屬性決策方法得到的最優(yōu)權(quán)衡解明顯改善了電壓偏差和網(wǎng)損問題，能夠保證配網(wǎng)系統(tǒng)的安全和經(jīng)濟(jì)運(yùn)行。

附圖說明

圖1為本發(fā)明的方法流程圖；

圖2為MSLGSO算法框架示意圖；

圖3為基于MSLGSO算法的帕累托前沿示意圖；

圖4為帕累托前沿中電壓偏差示意圖；

圖5為DG接入前后系統(tǒng)各節(jié)點(diǎn)電壓示意圖。

具體實(shí)施方式

為能清楚說明本方案的技術(shù)特點(diǎn)，下面通過具體實(shí)施方式，并結(jié)合其附圖，對本發(fā)明進(jìn)行詳細(xì)闡述。下文的公開提供了許多不同的實(shí)施例或例子用來實(shí)現(xiàn)本發(fā)明的不同結(jié)構(gòu)。為了簡化本發(fā)明的公開，下文中對特定例子的部件和設(shè)置進(jìn)行描述。此外，本發(fā)明可以在不同例子中重復(fù)參考數(shù)字和/或字母。這種重復(fù)是為了簡化和清楚的目的，其本身不指示所討論各種實(shí)施例和/或設(shè)置之間的關(guān)系。應(yīng)當(dāng)注意，在附圖中所圖示的部件不一定按比例繪制。本發(fā)明省略了對公知組件和處理技術(shù)及工藝的描述以避免不必要地限制本發(fā)明。

如圖1所示，本發(fā)明的一種含分布式電源的配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方法，它包括以下步驟：

S1:建立含多類型DG的多目標(biāo)配電網(wǎng)模型,所述多目標(biāo)配電網(wǎng)模型以系統(tǒng)節(jié)點(diǎn)最大電壓偏差、配電網(wǎng)各支路的網(wǎng)絡(luò)損耗和配電網(wǎng)的分布式電源接入最大為目標(biāo)函數(shù)；

S2:確定約束條件，所述約束條件包括潮流方程約束、DG有功功率上限約束和節(jié)點(diǎn)電壓約束；

S3:進(jìn)行配電網(wǎng)調(diào)度優(yōu)化，所述對配電網(wǎng)調(diào)度進(jìn)行優(yōu)化的過程為通過引入群體動物的自學(xué)習(xí)機(jī)制,構(gòu)建基于多群體自學(xué)習(xí)的多目標(biāo)群搜索算法對配電網(wǎng)調(diào)度問題進(jìn)行優(yōu)化。

考慮電壓偏差、網(wǎng)絡(luò)損耗和DG容量三個指標(biāo)，本發(fā)明提出了一個可靠地含不同類型DG的多目標(biāo)配電網(wǎng)優(yōu)化模型。該模型同時考慮了系統(tǒng)運(yùn)行的各種約束條件。此外，本發(fā)明提出了MSLGSO算法，增強(qiáng)GSOMP的局部搜索和全局搜素性能。

本發(fā)明的具體實(shí)施過程如下：

1、含多類型DG的多目標(biāo)配電網(wǎng)模型

當(dāng)考慮配電網(wǎng)電壓偏差、網(wǎng)絡(luò)損耗、DG容量和潮流方程等方面問題時，配電網(wǎng)優(yōu)化配置是一個多目標(biāo)、多約束的復(fù)雜優(yōu)化問題。本發(fā)明建立的多目標(biāo)配電網(wǎng)模型以DG入網(wǎng)容量最大、以系統(tǒng)網(wǎng)損最小和電壓偏差最小為目標(biāo)函數(shù)，以潮流方程、DG容量極限為約束條件，綜合考慮PQ、PV和PI類型的DG接入。

1.1、目標(biāo)函數(shù)

1)從安全性方面考慮，以系統(tǒng)節(jié)點(diǎn)最大電壓偏差最小為目標(biāo)函數(shù)：

式中：P_i和Q_i分別為節(jié)點(diǎn)i的有功功率和無功功率；R_i和X_i分別為節(jié)點(diǎn)i處的等值電阻和電抗；V_iN為節(jié)點(diǎn)i處電壓的額定值；n為系統(tǒng)總的節(jié)點(diǎn)數(shù)。

2)從經(jīng)濟(jì)性方面考慮，以配電網(wǎng)各支路的網(wǎng)絡(luò)損耗最小為目標(biāo)函數(shù)：

式中：L為系統(tǒng)總支路數(shù)；r_j為支路j電阻；P_j和Q_j分別為支路j末端流過的有功功率和無功功率。

3)從經(jīng)濟(jì)性方面考慮，以配電網(wǎng)的分布式電源接入最大為目標(biāo)函數(shù)：

式中：N_DG為配電網(wǎng)接入總的DG數(shù)；P_DGj為第j個節(jié)點(diǎn)接入DG的有功功率；P_Li為第i個節(jié)點(diǎn)負(fù)荷的有功功率。

1.2、約束條件

1)潮流方程約束

式中：P_DGi和Q_DGi分別為在第i個節(jié)點(diǎn)處注入的DG有功功率和無功功率；P_Li和Q_Li分別為第i個節(jié)點(diǎn)處負(fù)荷的有功功率和無功功率；G_ij和B_ij分別為節(jié)點(diǎn)i和j之間的電導(dǎo)和電納；δ_ij為節(jié)點(diǎn)i和j之間的電壓相角差。

2)DG有功功率上限約束

式中：為第i個節(jié)點(diǎn)允許接入DG的有功功率上限。

3)節(jié)點(diǎn)電壓約束

V_i^min≤V_i≤V_i^max (6)

式中：V_i^min和V_i^max分別為第i個節(jié)點(diǎn)電壓的下、上極限。

基于上述分析，建立的多目標(biāo)配電網(wǎng)模型可表示為：

min[f₁,f₂,f₃]

2多目標(biāo)優(yōu)化算法

為克服GSOMP算法的不足，本發(fā)明基于基于群體動物自學(xué)習(xí)機(jī)制，提出了多群體自學(xué)習(xí)群搜素算法(Multiple Self-Learning Group Search Optimizer，MSLGSO)。本發(fā)明在MSLGSO算法中，引入多群體和組織者的概念，來增強(qiáng)算法的搜索效率。在MSLGSO算法中，每個群體中僅存在一個領(lǐng)頭者，只優(yōu)化一個目標(biāo)函數(shù)，因此種群的個數(shù)等于優(yōu)化目標(biāo)的數(shù)量。例如，本發(fā)明建立的多目標(biāo)配電網(wǎng)模型中存在三個目標(biāo)函數(shù)，故MSLGSO中存在三個群體和三個領(lǐng)頭者。每個群體中包含三種不同的角色，分別為領(lǐng)頭者、組織者和游蕩者。在MSLGSO算法中，領(lǐng)頭者分別為每個群體中適應(yīng)值最好的個體，負(fù)責(zé)尋找優(yōu)質(zhì)的資源，進(jìn)而保持種群多樣性。相比GSOMP算法中追隨者的盲目跟隨，組織者將對每一代種群中有效的搜索路徑進(jìn)行組織學(xué)習(xí)，然后確定其搜索路徑和搜索步長，增強(qiáng)算法的局部搜素性能，避免算法不收斂。仿真結(jié)果顯示Levy Flights(LF)的隨機(jī)搜索性能優(yōu)于RW搜索機(jī)制，因此在MSLGSO中，游蕩者將采用LF搜索機(jī)制在解空間內(nèi)進(jìn)行隨機(jī)搜索，增加種群的多樣性，避免陷入局部最優(yōu)。

2.1、多種群自學(xué)習(xí)群體搜素算法

MSLGSO算法的框架如圖2所示，包含N個種群，其中N為優(yōu)化目標(biāo)函數(shù)的個數(shù)。為了增加種群的多樣性，避免算法陷入局部最優(yōu)，本發(fā)明引入信息分享策略來逼近帕累托前沿(該分享策略為現(xiàn)有技術(shù)，在此不作詳述)，在每個群體中，分別包含領(lǐng)頭者、組織者和游蕩者，具體搜索機(jī)制如下。

2.1.1、領(lǐng)頭者搜索機(jī)制

在MSLGSO算法的每一代搜索中，將每個群體中適應(yīng)值最小的個體視為領(lǐng)頭者。每個領(lǐng)頭者將沿著三個方向進(jìn)行隨機(jī)搜索，尋找優(yōu)質(zhì)資源，確定其下一代的位置。在第g代中，第p個群體的領(lǐng)頭者x_p^g搜素機(jī)制如下：

式中：r₁和r₂為(0,1)內(nèi)的隨機(jī)數(shù)；l_max和θ_max分別為最大搜索距離和最大搜索視角；為領(lǐng)頭者在第g代的搜索視角；f_p為第p個目標(biāo)函數(shù)；D為單位矩陣，CircShit(.)為極坐標(biāo)和直角坐標(biāo)變換。

2.1.2、組織者搜索機(jī)制

在每個群體的每一代中，隨機(jī)選取一些個體視為組織者。組織者將對其對應(yīng)的群體的每一代成功進(jìn)化路徑進(jìn)行學(xué)習(xí)，確定其在下一代中的進(jìn)化路徑和進(jìn)化步長。每個群體中的組織者將主要執(zhí)行以下四步：首先，根據(jù)適應(yīng)值的大小，將其對應(yīng)的群體中的個體分為優(yōu)秀個體和劣質(zhì)個體，適應(yīng)值小的個體視為優(yōu)秀，適應(yīng)值大的個體視為劣質(zhì)；然后對優(yōu)秀個體通過指數(shù)加權(quán)法得到該群體的均值向量m；再次，根據(jù)m，得到該群體的協(xié)方差矩陣C；最后，根據(jù)m和C，確定該群體組織者的進(jìn)化路徑和步長。在(g)代的第p個群體中，第k個組織者的具體搜索機(jī)制如下：

式中，σ_p^g為在g代中第p個種群組織者的進(jìn)化步長；N(0,C_p^g)為由在g代中第p個種群得組織者形成的多元正態(tài)分布。

2.1.3、游蕩者搜索機(jī)制

除了領(lǐng)頭者和組織者，每個群體中剩余的個體被視為游蕩者，采用LF機(jī)制在整個搜索空間內(nèi)進(jìn)行隨機(jī)搜索，保持種群多樣性，增強(qiáng)SLGSO算法的全局搜索性能，具體機(jī)制如下：

在第g代的每個群體中，游蕩者首先確定一個隨機(jī)步長stepsize_p,i：

式中，u＝Φ·randn(n)，v＝randn(n)，β＝1.50，n為系統(tǒng)優(yōu)化變量數(shù)。

Φ的計(jì)算如下：

式中，Γ為伽馬函數(shù)。

然后，游蕩者將根據(jù)公式(12)所示步長stepsize_p,i進(jìn)行搜素更新：

2.1.4、MSLGSO算法解集庫更新

如圖2所示，本發(fā)明引入信息分享策略對每一代MSLGSO的解集進(jìn)行適應(yīng)值排序，形成當(dāng)代的非占優(yōu)解，存儲到解集庫中。然后，每一個種群的組織者將對解集庫中的個體進(jìn)行學(xué)習(xí)，確定下一代的進(jìn)化步長和進(jìn)化路徑?；诖耍總€種群能夠分享并學(xué)習(xí)其它種群的成功搜素個體，有利于加速M(fèi)SLGSO逼近整個帕累托前沿。

本發(fā)明采用快速非占優(yōu)排序方法對每一代的解集庫進(jìn)行更新。首先，解集庫設(shè)為空集，然后每個群體中的領(lǐng)頭者存入到解集庫中。在每一代中，每個群體通過MSLGSO算法新更新得到的解，存到解集庫中，然后通過快速非占優(yōu)排序法選擇新的非占優(yōu)解來更新解集庫。

2.1.5、MSLGSO算法步驟

基于上述設(shè)計(jì)，MSLGSO算法的步驟具體描述如下：

步驟1：在可行域內(nèi)，隨機(jī)初始化N個群體的個體。對每個群體，根據(jù)其對應(yīng)的目標(biāo)函數(shù)，將該群體中的個體按適應(yīng)值大小進(jìn)行排序，然后采用快速非占優(yōu)排序方法將非占優(yōu)解存儲到解集庫中。設(shè)種群代數(shù)g＝0。

步驟2：將每個群體中適應(yīng)值最小的個體選作該群體的領(lǐng)頭者，即N個群體，存在N個領(lǐng)頭者。然后對每個群體分別執(zhí)行步驟3-7。

步驟3：領(lǐng)頭者將根據(jù)公式(7)-(10)進(jìn)行搜索更新。

步驟4：除了領(lǐng)有者，群體中剩余的個體i將執(zhí)行步驟5-7。

步驟5：如果rand(1)<0.7，那么i將被選作組織者，然后執(zhí)行步驟6；否則，i將被視為游蕩者，執(zhí)行步驟7。

步驟6：組織者對解集庫中的優(yōu)秀個體(適應(yīng)值小的個體)進(jìn)行學(xué)習(xí)，根據(jù)優(yōu)秀個體的位置向量，形成均值向量和協(xié)方差矩陣。然后組織者根據(jù)公式(11)進(jìn)行搜索更新。

步驟7：游蕩者根據(jù)公式(12)-(14)所示的LF機(jī)制進(jìn)行搜索更新。

步驟8：根據(jù)適應(yīng)值大小，對N個群體的所有個體進(jìn)行排序，采用快速非占優(yōu)排序方法對解集庫進(jìn)行更新。如果不滿足迭代終止條件，令g＝g+1，然后返回步驟2；否則，終止算法迭代。

3、對本發(fā)明進(jìn)行仿真分析

3.1、仿真系統(tǒng)及其參數(shù)設(shè)置

本發(fā)明以IEEE33節(jié)點(diǎn)配電網(wǎng)系統(tǒng)為例，采用基于節(jié)點(diǎn)分層關(guān)聯(lián)矩陣的分層前推回代法求解潮流，應(yīng)用所提出的MSLGSO算法，在MATLAB R2010a環(huán)境下，對分布式電源進(jìn)行優(yōu)化配置。仿真硬件配置為Intel i7 3.60GHz處理器與16GB內(nèi)存。IEEE33節(jié)點(diǎn)配電系統(tǒng)的拓?fù)浣Y(jié)構(gòu)如圖2所示，主要包含33條母線、33個分段開關(guān)、37條線路、系統(tǒng)總有功負(fù)荷為3715kW、總的無功負(fù)荷為2300kvar、平衡節(jié)點(diǎn)電壓的標(biāo)幺值為1.0p.u.。本發(fā)明考慮了三種不同類型的DG，分別為一臺PQ類型、兩臺PV類型和一臺PI類型，分別接到節(jié)點(diǎn)24、10、16和31處。對于MSLGSO算法，每個群體的種群數(shù)量為100，最大迭代代數(shù)為100。

圖3為采用MSLGSO算法對電壓偏差、網(wǎng)絡(luò)損耗和DG容量進(jìn)行優(yōu)化得到的帕累托前沿曲線。從圖3可以看出，電壓偏差、網(wǎng)絡(luò)損耗和DG容量是相互不妥協(xié)的三個目標(biāo)，即網(wǎng)損越小，電壓偏差越大，DG入網(wǎng)容量越少，也就是說，同時優(yōu)化這三個目標(biāo)是有必要的。此外，圖3也驗(yàn)證MSLGSO的全局搜素性能，能夠得到均勻分布的帕累托前沿。帕累托解集中的電壓偏差如圖4所示，電壓偏差區(qū)間為[0.0053,0.0093]<<[-0.07,0.07]。這說明MSLGSO得到的解集滿足電壓偏差約束，即能夠保證系統(tǒng)的安全穩(wěn)定運(yùn)行。

為確定最優(yōu)權(quán)衡電壓偏差、網(wǎng)絡(luò)損耗和DG容量的解，本發(fā)明采用多屬性決策方法得出最優(yōu)權(quán)衡解由表1給出，表1列出了基于MSLGSO和GSOMP算法的最優(yōu)權(quán)衡的電壓偏差、網(wǎng)絡(luò)損耗和DG容量。為驗(yàn)證MSLGSO算法的有效性，GSOMP算法和多屬性決策方法得到的最優(yōu)權(quán)衡解也由表1給出。從表1可以看出，MSLGSO算法得到的電壓偏差、網(wǎng)損和DG容量都優(yōu)于GSOMP算法。此外，MSLGSO算法計(jì)算時間為44.53s，遠(yuǎn)小于GSOMP算法的計(jì)算時間66.75s。因此，MSLGSO算法在局部搜索和全局搜索方面優(yōu)于GSOMP算法。

為全面比較MSLGSO算法和GSOMP算法，引入超體積(Hypervolume，HV)指標(biāo)、間隔(Spacing)指標(biāo)和平均歐幾里得距離(Mean Euclidian Distance，MED)指標(biāo)也由表1給出。HV指標(biāo)反映帕累托前沿的收斂性能和多樣性能，HV值越大算法搜索的帕累托解越多，全局收斂性越好；間隔指標(biāo)反映帕累托前沿的分布情況，間隔值越小算法分布越均勻；MED指標(biāo)反映算法局部搜索性能，MED越小算法局部搜索越好。從表1可以明顯的看出，MSLGSO算法在HV指標(biāo)、間隔指標(biāo)和MED指標(biāo)都優(yōu)于GSOMP算法，這也表明由MSLGSO算法得到的帕累托解比GSOMP算法的帕累托解分布更均勻、局部和全局收斂性更好。這也證明了所提MSLGSO算法的有效性和實(shí)用性。

表1：

對比未接DG時系統(tǒng)運(yùn)行的網(wǎng)損202.73kW，接入DG后系統(tǒng)網(wǎng)損降低了56.78％。此外，圖5給出了接入DG和不接DG的系統(tǒng)各節(jié)點(diǎn)電壓幅值，從圖5可以看出，通過接入由MSLGSO算法和多屬性決策方法得到的DG之后，系統(tǒng)電壓偏差得到了明顯改善。

以上所述只是本發(fā)明的優(yōu)選實(shí)施方式，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也被視為本發(fā)明的保護(hù)范圍。