一种基于典型场景识别的配电网动态重构方法与流程

本发明涉及配电系统自动化领域，具体涉及一种基于典型场景识别的配电网动态重构方法。
背景技术：
：配电网络重构是在满足系统各项约束的条件下(如拓扑约束、电气约束和供电指标约束等)，通过闭合/开断网络中的分段联络开关来改变网络拓扑结构，以实现系统运行方式的改变，从而达到优化某项或多项指标的目的。根据是否考虑一段时间内负荷的变化，可以把重构分为静态重构和动态重构。由于配电网负荷总是随时间不断变化的，因此根据负荷的变化动态调整网络结构更符合配电网实际运行的需要。动态重构也称时变重构，是在负荷不断变化的情况下求解一段时间内(如一天、一周、一月、一年)最优的重构次数和相邻两次重构的最优时间间隔，使整个时间区间内系统的运行方式满足优化目的。目前，在配电网动态重构的研究主要有四种，第一种为在各时刻进行静态重构优化，然后通过分析不同时段数与网损下降量的关系进行时段合并，以减少开关操作次数。第二种利用多代理系统技术来实现动态重构：把一天分为多个时段，每一个时段由一个工作代理负责，通过静态重构求得一个解集，并对解集进行补充、完善和评估；经协调代理多次迭代协调，求出的各工作代理的种子解即为最终动态重构结果。第三种采用时段动态划分和分层优化策略的配电网重构方法，利用功率矩法进行重构时段动态划分，以系统运行费用最小为目标函数提出了分层优化的重构模型，并给出了适应模型的免疫算法。第四种利用最优分段法对时段进行划分，并采用改进的快速最优流模式法获得动态 重构方案。从理论上讲，基于时间点的配电网重构是非线性组合优化问题，而基于时间区间的动态网络重构，由于有操作次数的限制，是更为复杂的时空优化问题，问题本身的复杂性导致目前的研究在算法的收敛性、计算速度和寻优效果上都很难令人满意。另一方面，很多文献最终优化结果的候选解来源于初始对各个时段进行静态重构的优化结果，因此其优化结果并非全局最优，容易导致重构方式选择的不合理性。因此，如何设计一种求解速度快并且能够应对负荷变化根据不同典型场景获得有针对性重构方案的配电网动态重构方法，是本领域亟待解决的问题。技术实现要素：有鉴于此，本发明提供的一种基于典型场景识别的配电网动态重构方法，该方法可靠性高且求解速度快，能够应对负荷变化根据不同典型场景获得有针对性重构方案；重构方案为最优且更加合理；保证了配电网的重构的稳定性与可靠性，使得动态调整后的配电网更符合配电网实际运行的需要，提高了配电网运行的稳定性。本发明的目的是通过以下技术方案实现的：一种基于典型场景识别的配电网动态重构方法，所述典型场景为根据所述配电网中的负荷变化的相关性和重现性提炼出的典型的配电网的运行方式；所述方法包括如下步骤：步骤1.确定所述配电网中的运行样本所属的典型场景的类型；步骤2.设立所述配电网动态重构的优化目标，并确定各所述典型场景下的所述优化目标的权重；步骤3.采用模糊聚类法对所述配电网的日负荷曲线进行时段划分，得到重构日负荷预测曲线；步骤4.识别所述重构日负荷预测曲线上的各时段所属的所述典型场景的类型；步骤5.根据所述重构日负荷预测曲线上的各时段所属的所述典型场景的类型及所述优化目标的权重，建立所述重构日负荷预测曲线上的各时段的多目标重构模型；静态重构计算各个所述多目标重构模型，得到所述重构日负荷预测曲线上的各时段的最优开关状态；调整所述最优开关状态，得到所述配电网的最终动态重构方案。优选的，所述步骤1，包括：1-1.以相同的时间间隔采集所述配电网的各采集时刻的电网运行信息数据；所述电网运行信息数据包括线路损耗信息数据、线路负载率信息数据和电压偏离水平信息数据；1-2.根据重构要求，在所述电网运行信息数据中过滤无效数据，得到各所述采集时刻的所述运行样本；1-3.通过聚类分析法确定每个所述运行样本所属的所述典型场景的类型，其中，所述典型场景的类型包括线损率高场景、过负荷场景、电压偏高场景和电压偏低场景。优选的，所述步骤2，包括：2-1.采用指标关联性分析方法，筛选出所述配电网动态重构的所述优化目标，其中，所述优化目标包括线路损耗、线路负载率和电压偏离水平；2-2.根据不同的所述典型场景下对所述优化目标的不同的关切程度和缓急关系，采用层次分析法确定各所述典型场景下的各所述优化目标的权重。优选的，所述2-1中的所述优化目标的计算方法，包括：a.所述线路损耗f1的计算方法为：f1=Σt=1TceptPlosstΔt;]]>式中：T为时段划分前的时段数；为时段t的电价；为时段t内的功率损耗；Δt为每个时段的时间间隔；所述时段按等时间间隔划分；b.所述线路负载率f2的计算方法为：f2=Σt=1TΣj=1N|SjtSjmax|2;]]>式中：N为支路总数；为时段t流过支路j的视在功率；Sjmax为支路的j最大功率；c.所述电压偏离水平f3的计算方法为：f3=Σt=1Tmax{|1-VktVN|},k∈Nr;]]>式中：为时段t节点k的电压；VN为节点额定电压；Nr为节点集合。优选的，所述2-2，包括：d.绘制层次评估调查bij二维表，其中，bij反映了指标i相对于指标j的重要程度，采用数字1‐9及其倒数标度；i＝1、2…m；j＝1、2…m；m为所述指标的总个数；e.根据所述层次评估调查bij二维表建立各层次的判断矩阵B：B=b11b12...b1mb21b22...b2m.........bm1bm2...bmm;]]>f.求解所述判断矩阵B的最大特征值λmax及其对应的特征向量v：Bv＝λmaxv；g.求解各层次的指标权重wi：wi=viΣk=1mvk,i=1,2,...,m;]]>式中：vi为第i类聚类中心的值；vk为第k类聚类中心的值；m为所述指标的总个数，也即判断矩阵阶数；h.进行一致性检验，其中，若m＝1或2时不需检验；随机一致性比率CR为：CR=CIRI;]]>式中：CI为一致性指标；RI为平均随机一致性指标；一致性指标CI可依下式确定：CI=λmax-mm-1;]]>式中：m为所述指标的总个数，也即判断矩阵阶数；当CR<0.1时，认为判断矩阵满足一致性要求，否则就需要调整判断矩阵中的元素取值，重新确定权重。优选的，所述步骤3，包括：3-1.计算所述运行样本的标准化负荷：xi=xi′-min{xi′}max{xi′}-min{xi′};]]>式中：xi′为第i个运行样本的负荷；xi为第i个运行样本的标准化负荷；3-2.确定所述日负荷曲线中的各时刻负荷的所属类别，即计算各个所述运行样本到 聚类中心的加权距离平方和的最小值；minJ(U,V)=Σk=1nΣi=1c(uik)m||xk-vi||2;]]>式中：m为加权指数；一般取2；vi为第i类聚类中心的值；uik为所述运行样本xk属于第i类的隶属度；U＝{uik}为隶属度矩阵；J(U,V)为各所述运行样本到所述聚类中心的加权距离平方和；k＝1...n，n为节点k的总数；i＝1...c，c为隶属度矩阵中的指标的总数；3-3.按照时序对所述日负荷曲线初分段；即记录每个时刻的所述运行样本的聚类编号，并将所述聚类编号按照时间顺序排列，将类型相同且相邻的时段汇集成1段，最终将所述日负荷曲线分为m1段；3-4.比较24小时内最大时段划分次数mmax与m1的大小关系，其中，mmax的取值为24小时内开关最大操作次数除以每次重构最多可操作开关个数；若mmax≥m1，则最终对所述日负荷曲线的分段数M＝m1，得到所述重构日负荷预测曲线；若mmax＜m1，则重复对初始分段进行融合，直到mmax＝mi；其中，所述对初始分段进行融合，包括：计算各时段内的等值负荷，并比较相邻两时段之间的等值负荷差，再将所述等值负荷差最小的两段进行融合。优选的，所述步骤4，包括：4-1.在优化前的网络拓扑结构下分别计算所述重构日负荷预测曲线上的每个时段内的线损率、各个节点的电压值以及每条馈线的负载；4-2.分别识别所述重构日负荷预测曲线上的各时段所属的所述典型场景的类型。优选的，所述4-2中的所述典型场景的识别方法，包括：i.所述线损率高场景的识别方法：在某一时段内，若线损率高于标准规定限值，则该时段属于所述线损率高场景；j.过负荷场景的识别方法：以过负荷场景识别度Fload作为时段是否属于过负荷场景的判断依据，其计算公式为：Fload＝Sload·tload；式中：Sload为若存在线路，其负载率超过系统线路负载率允许值，则计Sload＝1，否则Sload＝0；tload为负载率越限持续时间；在某一时段内，若Fload高于其标准规定限值，则该时段属于所述过负荷场景；k.所述电压偏高场景或电压偏低场景的识别方法：以电压场景识别度Fvoltage作为时段是否属于所述电压偏高场景或电压偏低场景的判断依据，其计算公式为：Fvoltage＝Svoltage·tvoltage；式中：Svoltage为若存在节点，其电压高于节点电压上限或者电压低于节点电压下限，则计Svoltage＝1，否则Svoltage＝0；tvoltage为电压越限持续时间；在某一时段内，若Fvoltage高于标准规定限值，则该时段属于所述电压偏高场景或电压偏低场景；l.若某个时段属于多种所述典型场景，则依靠场景隶属度Uscenario进行判定，公式如下：Uscenario=FC;]]>式中：F为在不同的场景下含义不同，在线损率高场景下为线损率，在过负荷场景 下为Fload，在电压偏高/电压偏低场景下为Fvoltage；C为在不同的场景下含义不同，分别为各场景下各指标的标准规定限值。分别计算该时段在各个场景下的Uscenario，该时段属于Uscenario最大的场景。优选的，所述步骤5，包括：5-1.针对各个所述优化目标，分别构建其满意度评价函数：Fmin={1P≤PminPmax-PPmax-PminPmin<P<Pmax0P≥Pmax;]]>式中：P为各优化目标在各个重构方案中的计算结果；Pmax为该优化目标的理论最大值；Pmin为该优化目标的理论最小值；5-2.根据线路损耗、线路负载率和电压偏离水平的满意度、所述重构日负荷预测曲线上的各时段所属的所述典型场景的类型及所述优化目标的权重，建立所述重构日负荷预测曲线上的各时段的多目标重构模型；如下式所示：maxf=w1Fmin1+w2Fmin2+w3Fmin3;]]>式中：f为多目标重构模型目标函数；为线路损耗目标的满意度；为线路负载率目标的满意度；为电压偏离水平的满意度；w1、w2、w3为电网损耗、线路负载率、电压偏离水平的权重，根据步骤2中的计算结果，在不同的典型场景下各不相同；5-3.在每个时段内，采用蚁群算法分别静态重构计算所述多目标重构模型，得到所述重构日负荷预测曲线上的各时段的最优开关状态；5-4.考虑单个开关操作次数的限制，调整所述最优开关状态，检查系统中每个开关是否超过单个开关操作次数限制，若存在开关超过操作次数限制，则调整该开关在各时段内的状态，使其开关操作次数满足要求；枚举出所有的开关调整方案，并重新计算各时段目标函数，与所述最优开关状态的目标函数最接近的开关调整方案，则为所述配电网的最终动态重构方案。从上述的技术方案可以看出，本发明提供了一种基于典型场景识别的配电网动态重构方法，通过确定各典型场景下的优化目标的权重；对配电网的日负荷曲线进行时段划分，得到重构日负荷预测曲线；识别重构日负荷预测曲线上的各时段所属的典型场景的类型；建立重构日负荷预测曲线上的各时段的多目标重构模型得到重构日负荷预测曲线上的各时段的最优开关状态；调整最优开关状态，得到配电网的最终动态重构方案。本发明提出的重构方法可靠性高且求解速度快，提高了配电网重构的计算效率；同时能够应对负荷变化根据不同典型场景获得有针对性重构方案；重构方案为最优且更加合理；保证了配电网的重构的稳定性与可靠性，使得动态调整后的配电网更符合配电网实际运行的需要，提高了配电网运行的稳定性。与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：1、本发明所提供的技术方案中，通过采集各时刻的负荷数据、网络结构以及电压/电流、有功/无功等电网运行信息。从电网运行信息中选择需要的数据项或通过对原始信息的分析和计算得到特征。对任意运行样本特征进行聚类分析，确定场景的数目和每个运行样本所属的场景。通过以上步骤，针对正常运行的配电网络，主要建立线损率高、过负荷、电压偏高和电压偏低四种典型场景；使得其方法可靠性高且求解速度快，提高了配电网重构的计算效率；同时能够应对负荷变化根据不同典型场景获得有针对性重构方案。2、本发明所提供的技术方案，根据时段划分结果，在优化前的网络拓扑结构下分别计算每个时段内的线损率，各个节点的电压值以及每条馈线的负载。对于每一时段，分别判定线损率高场景识别条件、过负荷场景识别条件和电压偏高/电压偏低场景识别条件，确定时段所属典型场景。若某个时段属于多个场景，则比较其在各个场景下的场景隶属度，该时段属于场景隶属度值最大的场景；使得重构方案为最优且更加合理；保证了配电网的重构的稳定性与可靠性，使得动态调整后的配电网更符合配电网实际运行的需要。3、本发明所提供的技术方案，针对线路损耗、线路负载率和电压偏离水平这三个网络组态方案优化目标，分别构建其满意度评价函数。根据优化目标的满意度以及不同 典型场景下优化目标的权重，建立每个时段的多目标重构模型，对各个时段分别进行静态重构计算，获得各个时段内的最优开关状态。考虑单个开关操作次数限制，对各个时段的最优开关状态进行调整，获得最终动态网络重构方案；提高了配电网重构的计算效率；同时能够应对负荷变化根据不同典型场景获得有针对性重构方案；重构方案为最优且更加合理；保证了配电网的重构的稳定性与可靠性，提高了配电网运行的稳定性。4、本发明提供的技术方案，应用广泛，具有显著的社会效益和经济效益。附图说明图1是本发明的一种基于典型场景识别的配电网动态重构方法的流程图；图2是本发明的动态重构方法中步骤1的流程图；图3是本发明的动态重构方法中步骤2的流程图；图4是本发明的动态重构方法中步骤3的流程图；图5是本发明的动态重构方法中步骤4的流程图；图6是本发明的动态重构方法中步骤5的流程图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。如图1所示，本发明的实施例提供一种基于典型场景识别的配电网动态重构方法，典型场景为根据配电网中的负荷变化的相关性和重现性提炼出的典型的配电网的运行方式；包括如下步骤：步骤1.确定配电网中的运行样本所属的典型场景的类型；步骤2.设立配电网动态重构的优化目标，并确定各典型场景下的优化目标的权重；步骤3.采用模糊聚类法对配电网的日负荷曲线进行时段划分，得到重构日负荷预测曲线；步骤4.识别重构日负荷预测曲线上的各时段所属的典型场景的类型；步骤5.根据重构日负荷预测曲线上的各时段所属的典型场景的类型及优化目标的权重，建立重构日负荷预测曲线上的各时段的多目标重构模型；静态重构计算各个多目标重构模型，得到重构日负荷预测曲线上的各时段的最优开关状态；调整最优开关状态，得到配电网的最终动态重构方案。如图2所示，步骤1，包括：1-1.以相同的时间间隔采集配电网的各采集时刻的电网运行信息数据；电网运行信息数据包括线路损耗信息数据、线路负载率信息数据和电压偏离水平信息数据等；1-2.根据重构要求，在电网运行信息数据中过滤无效数据，得到各采集时刻的运行样本；1-3.通过聚类分析法确定每个运行样本所属的典型场景的类型，其中，典型场景的类型包括线损率高场景、过负荷场景、电压偏高场景和电压偏低场景。其中，典型场景的判定方法及说明如下：(1)线损率高场景：线损率是表征电网运行经济性的一项重要指标，线损率的高低与电网结构的合理性、运行的经济性、技术设备的先进性以及管理的科学性等有密切关系。线损率高的主要表征指标为:线损率高于标准规定的限值或预先设定的线损目标值。(2)过负荷场景：过负荷表现为变电站主变、配变、馈线或分支线以及其他配电设备/元件过负荷，允许的过载程度和过载持续时间与网络结构、装备水平等因素有关。过负荷的主要表征指标为：变电站主变/馈线/分支线/设备负载率超过允许值，且过 载持续时间超过允许值；允许的过负荷程度和过负荷持续时间由操作人员预先进行定义。(3)电压偏高场景：当母线电压或负荷节点电压超过国家标准/行业标准规定的电压上限时，即认为电压偏高。电压偏高的主要表征指标为：母线电压或负荷节点电压越上限且越限时间超过允许值。(4)电压偏低场景：当母线电压或负荷节点电压超过国家标准/行业标准规定的电压下限时，即认为电压偏低。电压偏低的主要表征指标为：母线电压或负荷节点电压越下限且越限时间超过允许值。如图3所示，步骤2，包括：2-1.采用指标关联性分析方法，筛选出配电网动态重构的优化目标，其中，优化目标包括线路损耗、线路负载率和电压偏离水平；2-2.根据不同的典型场景下对优化目标的不同的关切程度和缓急关系，采用层次分析法确定各典型场景下的各优化目标的权重。其中，2-1中的优化目标的计算方法，包括：a.该参数指标评价线路的损耗产生的费用，线路损耗f1的计算方法为：f1=Σt=1TceptPlosstΔt;]]>式中：T为时段划分前的时段数；为时段t的电价；为时段t内的功率损耗；Δt为每个时段的时间间隔；时段按等时间间隔划分，时间间隔为0s至3600s之间；b.该参数指标主要评价电网线路的整体负载率水平，线路负载率f2的计算方法为：f2=Σt=1TΣj=1N|SjtSjmax|2;]]>式中：N为支路总数；为时段t流过支路j的视在功率；Sjmax为支路的j最大功 率；c.该参数指标评价电网各负荷点的电压偏移情况，电压偏离水平f3的计算方法为：f3=Σt=1Tmax{|1-VktVN|},k∈Nr;]]>式中：为时段t节点k的电压；VN为节点额定电压；Nr为节点集合。其中，2-2，根据不同典型场景下对优化目标的关切程度和缓急关系不同，采用层次分析法确定不同典型场景下网络组态方案优化目标的权重，具体步骤包括以下几步：d.绘制层次评估调查bij二维表，即由专家针对各层次评估对象填写调查表；其中，bij反映了指标i相对于指标j的重要程度，i＝1、2…m；j＝1、2…m；m为所述指标的总个数；采用数字1‐9及其倒数标度；见表1：表1专家调查表e.根据层次评估调查bij二维表建立各层次的判断矩阵B：B=b11b12...b1mb21b22...b2m.........bm1bm2...bmm;]]>f.求解判断矩阵B的最大特征值λmax及其对应的特征向量v：Bv＝λmaxv；g.求解各层次的指标权重wi：wi=viΣk=1mvk,i=1,2,...,m;]]>式中：vi为第i类聚类中心的值；vk为第k类聚类中心的值；m为判断矩阵阶数；h.进行一致性检验，其中，若m＝1或2时不需检验；随机一致性比率CR为：CR=CIRI;]]>式中：CI为一致性指标；RI为平均随机一致性指标。一致性指标CI可依下式确定：CI=λmax-mm-1;]]>式中：m为判断矩阵阶数；当CR<0.1时，认为判断矩阵满足一致性要求，否则就需要调整判断矩阵中的元素取值，重新确定权重。如图4所示，步骤3，包括：3-1.负荷数据标准化。为了减少最小数据和最大数据对聚类影响过大，需要对样本有功负荷数据进行标准化，将聚类数据压缩到[0，1]闭空间；计算运行样本的标准化负荷：xi=xi′-min{xi′}max{xi′}-min{xi′};]]>式中：xi′为第i个运行样本的负荷；xi为第i个运行样本的标准化负荷；3-2.确定日负荷曲线中的各时刻负荷的所属类别，即计算各个运行样本到聚类中心的加权距离平方和的最小值；minJ(U,V)=Σk=1nΣi=1c(uik)m||xk-vi||2;]]>式中：m为加权指数；一般取2；vi为第i类聚类中心的值；uik为运行样本xk属于第i类的隶属度；U＝{uik}为隶属度矩阵；J(U,V)为各运行样本到聚类中心的加权距离平方和；k＝1...n，n为节点k的总数；i＝1...c，c为隶属度矩阵中的指标的总数；3-3.按照时序对日负荷曲线初分段；即记录每个时刻的运行样本的聚类编号，并将聚类编号按照时间顺序排列，将类型相同且相邻的时段汇集成1段，最终将日负荷曲线分为m1段；3-4.比较24小时内最大时段划分次数mmax与m1的大小关系，其中，mmax的取值为24小时内开关最大操作次数除以每次重构最多可操作开关个数；若mmax≥m1，则最终对日负荷曲线的分段数M＝m1，得到重构日负荷预测曲线；若mmax＜m1，则重复对初始分段进行融合，直到mmax＝mi；其中，对初始分段进行融合，包括：计算各时段内的等值负荷，并比较相邻两时段之间的等值负荷差，再将等值负荷差最小的两段进行融合。如图5所示，步骤4，包括：4-1.在优化前的网络拓扑结构下采用前推回代法分别计算重构日负荷预测曲线上的每个时段内的线损率、各个节点的电压值以及每条馈线的负载；其中，前推回代法是在已知配电网的始端电压和末端负荷，以馈线为基本计算单位。最初假设全网电压都为额定电压，根据负荷功率由末端j向始端k逐段推算，仅计算各元件中的功率损耗而不计算节点电压，求得各支路上的电流和功率损耗，并据此获得始端功率，这是回代过程； 再根据给定的始端电压和求得的始端功率，由始端向末端逐段推算电压降落，求得各节点电压，这是前推过程。如此重复上述过程，直至各个节点的功率偏差满足允许条件为止。4-2.分别识别重构日负荷预测曲线上的各时段所属的典型场景的类型；其中，4-2中的典型场景的识别方法，包括：i.线损率高场景的识别方法：在某一时段内，若线损率高于标准规定限值，则该时段属于线损率高场景；j.过负荷场景的识别方法：以过负荷场景识别度Fload作为时段是否属于过负荷场景的判断依据，其计算公式为：Fload＝Sload·tload；式中：Sload为若存在线路，其负载率超过系统线路负载率允许值，则计Sload＝1，否则Sload＝0；tload为负载率越限持续时间；在某一时段内，若Fload高于其标准规定限值，则该时段属于过负荷场景；k.电压偏高场景或电压偏低场景的识别方法：以电压场景识别度Fvoltage作为时段是否属于电压偏高场景或电压偏低场景的判断依据，其计算公式为：Fvoltage＝Svoltage·tvoltage；式中：Svoltage为若存在节点，其电压高于节点电压上限或者电压低于节点电压下限，则计Svoltage＝1，否则Svoltage＝0；tvoltage为电压越限持续时间；在某一时段内，若Fvoltage高于标准规定限值，则该时段属于电压偏高场景或电压偏低场景；l.若某个时段属于多种典型场景，则依靠场景隶属度Uscenario进行判定，公式如下：Uscenario=FC;]]>式中：F为在不同的场景下含义不同，在线损率高场景下为线损率，在过负荷场景下为Fload，在电压偏高/电压偏低场景下为Fvoltage；C为在不同的场景下含义不同，分别为各场景下各指标的标准规定限值。分别计算该时段在各个场景下的Uscenario，该时段属于Uscenario最大的场景。如图6所示，步骤5，包括：5-1.针对各个优化目标，分别构建其满意度评价函数：Fmin=1P≤PminPmax-PPmax-PminPmin<P<Pmax0P≥Pmax;]]>式中：P为各优化目标在各个重构方案中的计算结果；Pmax为该优化目标的理论最大值；Pmin为该优化目标的理论最小值；5-2.根据线路损耗、线路负载率和电压偏离水平的满意度、重构日负荷预测曲线上的各时段所属的典型场景的类型及优化目标的权重，建立重构日负荷预测曲线上的各时段的多目标重构模型；如下式所示：maxf=w1Fmin1+w2Fmin2+w3Fmin3;]]>式中：f为多目标重构模型目标函数；为线路损耗目标的满意度；为线路负载率目标的满意度；为电压偏离水平的满意度；w1、w2、w3为电网损耗、线路负载率、电压偏离水平的权重，根据步骤2中的计算结果，在不同的典型场景下各不相同；5-3.在每个时段内，采用蚁群算法分别静态重构计算多目标重构模型，得到重构日 负荷预测曲线上的各时段的最优开关状态；其中，蚁群算法(antcolonyoptimization,ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由MarcoDorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值；5-4.考虑单个开关操作次数的限制，调整最优开关状态，检查系统中每个开关是否超过单个开关操作次数限制，若存在开关超过操作次数限制，则调整该开关在各时段内的状态，使其开关操作次数满足要求；枚举出所有的开关调整方案，并重新计算各时段目标函数，与最优开关状态的目标函数最接近的开关调整方案，则为配电网的最终动态重构方案。以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，而这些未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。当前第1页1 2 3