本发明涉及一种配电网规划方法及系统。所述方法包括：基于各节点的分布式电源的有功输出功率、各节点的光伏发电机的输出功率、各节点的风力发电机的输出功率、直接制热器的电功率和蓄热制热器的电功率构建电网规划模型；采用粒子群算法对所述电网规划模型求解得到最优的电网规划方案；所述规划方案为各节点的光伏发电机的输出功率和风力发电机的输出功率。本发明可以使规划方案能更好适应电采暖的接入对电网的影响，有效保障电采暖大规模接入配电网的供电可靠性和电能质量。
一种配电网规划方法及系统
技术领域
[0001] 本发明涉及配电网规划技术领域，特别是涉及一种配电网规划方法及系统。
背景技术
[0002] 随着经济的不断发展，居民、商户、工业等对电能的需求也日益提升，能源消耗问题以及环境污染问题也被提上了日程。为解决此类问题，若仅从发电供应侧着手，通过提高清洁能源发电比例优化能源结构，效果十分有限。电能替代的电量主要来自可再生能源发电，以及部分超低排放煤电机组，因此电能替代是终端能源消费清洁化的重要手段，如果能在能源消费侧实施电能替代，将会大力促进新能源消纳，减少煤炭的使用率，有效改善大气环境污染情况。
[0003] 分布式电源相比传统发电具有显著的清洁无污染、降低系统损耗、减少传输费用、提高电能质量与供电可靠性等优点。然而，分布式电源的接入在使传统配电网更加节能环保、灵活便捷的同时，也使得传统配电网的运行和规划发生不可小觑的改变。
[0004] 传统配电系统通常具有辐射状、单向潮流等典型特征，分布式电源的接入导致网络出现多个电源，若分布式电源的配置合理，能够帮助系统减小网损、提升电压水平，反之，将导致系统的电能质量以及供电安全性降低。根据负荷预测结果，综合考虑变电站容量、支路容量、电压水平、网络结构和可靠性等限制，可以为传统配电网制定规划方案，因此传统配网规划属于确定性优化问题。然而，分布式电源输出功率在一天内不是恒定的，具有不确定性、随机性和间歇性等特征。这些因素导致配电网络的负荷更难以得到准确预测，继而使配网规划转变为不确定性的优化问题。这无疑会大大提高配电网规划的难度，甚至可能带来一连串的问题，比如规划方案不符合实际和方案成本过高等问题。随着分布式电源的普及化以及种类的多样化，配电网规划问题将变得更为棘手。
[0005] 另外，电能替代项目逐渐地大规模接入电网。典型的电能替代技术包括电采暖、热泵、电窑炉、电(蓄热)锅炉、电蓄冷空调。其中，电采暖因其节水节地、制热均匀、安全性能优良、节省建筑空间资源、控制灵活等优势，逐渐被广泛应用于在学校、医院、办公楼、住宅、商场超市、工厂车间等各类建筑的日常采暖。电采暖也逐渐成为电力系统中的一种新型负荷，成为配电网规划过程中的新型影响因素。
[0006] 基于以上对于分布式电源和电采暖的现状及对电网的影响的分析可知，传统的电网规划模型过于单一，对新型影响因素考虑较少，已经无法适应当前新负荷背景下的配电网规划，难以满足当前用户的用能需求，因此如何科学的进行配电网规划是当前电网所要解决的问题。
发明内容
[0007] 本发明的目的是提供一种配电网规划方法及系统，可以使规划方案能更好适应电采暖的接入对电网的影响，有效保障电采暖大规模接入配电网的供电可靠性和电能质量。
[0008] 为实现上述目的，本发明提供了如下方案：
[0009] 一种配电网规划方法，包括：
[0010] 获取电网中的模型参数；所述模型参数包括各节点的分布式电源的有功输出功率、各节点的光伏发电机的输出功率、各节点的风力发电机的输出功率、直接制热器的电功率和蓄热制热器的电功率；
[0011] 基于所述模型参数构建电网规划模型；
[0012] 采用粒子群算法对所述电网规划模型求解得到最优的电网规划方案；所述规划方案为各节点的光伏发电机的输出功率和风力发电机的输出功率；所述最优的电网规划方案对应的参数和最小；所述参数和为网络损耗、电压稳定情况和电压偏差之和。
[0013] 可选的，所述电网规划模型为：
[0014]
[0015]
[0016]
[0017]
[0018]
[0019] Ui,min≤Ui≤Ui,max
[0020] xDWG,iS0+xPV,iS0≤SDG,i,max
[0021] 0＜Pd≤Ph
[0022] 0＜Pc≤Ph，其中，f为适应度，N为配电网节点总数，Pij表示从支路ij末端流经的有功功率，Qij表示从支路ij末端流经的无功功率，Uj表示节点j的电压幅值，Rij表示支路ij的电阻，kij表示支路ij的状态量，mij表示支路ij的电压稳定情况，Ui表示节点i的电压幅值，Ui,N表示节点i的额定电压，Pj表示节点j流入的有功功率，Xij表示支路ij的电抗，Qj表示节点i流入的无功功率，Pi表示节点i流入的有功功率，PDG,i表示节点i的分布式电源的有功输出功率，PLoad,i表示节点i的总等效有功负荷，Gij表示支路ij的电导，δij表示节点i与节点j的电压相角之差，Sij,min表示支路ij上流过的视在功率的下限，Sij,max表示支路ij上流过的视在功率的上限，Ui,min表示节点i的电压幅值的下限，Ui,max表示节点i的电压幅值的上限，xDWG,i表示节点i的风力发电机的输出功率，S0表示单位容量，xPV,i表示节点i的光伏发电机的输出功率，SDG,i,max表示第i个节点处的分布式电源安装容量的上限，Pd表示直接制热器的电功率，Ph表示电采暖的额定功率，Pc表示蓄热制热器的电功率。
[0023] 可选的，所述采用粒子群算法对所述电网规划模型求解得到最优的电网规划方案，具体包括：
[0024] 在第n次迭代次数下，根据上一迭代次数下的参数集以及当前迭代次数下的惯性权重得到当前迭代次数下的电网规划方案集合；所述参数集包括粒子更新速度、电网规划方案集合、个体极值和群体极值；
[0025] 根据当前迭代次数下的电网规划方案集合和潮流计算公式得到所述当前迭代次数下的电网规划方案集合中各电网规划方案中每个节点的电压幅值、流入的有功功率和流入的无功功率；
[0026] 将各所述节点的电压幅值、流入的有功功率和流入的无功功率输入所述电网规划模型得到所述当前迭代次数下的电网规划方案集合中各电网规划方案的适应度；
[0027] 将当前迭代次数下适应度最小的电网规划方案和上一迭代次数的个体极值中适应度最小的电网规划方案作为当前迭代次数的个体极值；
[0028] 将前n次迭代次数下适应度最小的电网规划方案和上一迭代次数的群体极值中适应度最小的电网规划方案作为当前迭代次数的群体极值；
[0029] 判断当前迭代次数是否达到设定迭代次数，得到第一判断结果；
[0030] 若所述第一判断结果为是，则确定当前迭代次数下的所述群体极值为最优的电网规划方案；
[0031] 若所述第一判断结果为否，则更新进入下次迭代并更新惯性权重。
[0032] 可选的，所述根据上一迭代次数下的参数集以及当前迭代次数下的惯性权重得到当前迭代次数下的电网规划方案集合，具体为：
[0033] 根据公式
[0034]
[0035] 到当前迭代次数下的电网规划方案集合，其中， 表示iter+1迭代次数下的电网规划方案集合中的第k个电网规划方案， 表示iter迭代次数下的电网规划方案集合中的第k个电网规划方案，w表示iter+1迭代次数下的惯性权重， 表示iter迭代次数下的电网规划方案集合中的第k个电网规划方案的粒子更新速度，c1表示个体极值系数、rand()表示随机函数、Pbest表示iter迭代次数下的个体极值，c2表示群体极值系数，Gbest表示iter迭代次数下的群体极值。
[0036] 可选的，所述在根据当前迭代次数下的电网规划方案集合和潮流计算公式得到所述当前迭代次数下的电网规划方案集合中各电网规划方案中每个节点的电压幅值、流入的有功功率和流入的无功功率之前还包括，具体包括：
[0037] 判断当前迭代次数下的电网规划方案集合中是否存在电网规划方案不在设定范围，得到第二判断结果；
[0038] 若所述第二判断结果为是，则对不在设定范围的电网规划方案进行变异操作得到当前迭代次数下的变异后的电网规划方案集合。
[0039] 可选的，所述将当前迭代次数下适应度最小的电网规划方案和上一迭代次数的个体极值中适应度最小的电网规划方案作为当前迭代次数的个体极值，具体包括：
[0040] 在第k次遍历下，判断当前迭代次数下的电网规划方案集合中当前遍历次数下的电网规划方案中的适应度是否小于上一迭代次数的个体极值的适应度，得到第三判断结果；
[0041] 若所述第三判断结果为否，则确定所述上一迭代次数的个体极值为当前遍历次数下的待选方案；若所述第三判断结果为是，则将当前遍历次数下的电网规划方案确定为当前遍历次数下的待选方案；
[0042] 判断当前迭代次数下的电网规划方案集合中的电网规划方案是否遍历完得到第四判断结果；
[0043] 若第四判断结果为否，则更新遍历次数并进入下次遍历；
[0044] 若第四判断结果为是，则确定所述当前遍历次数下的待选方案为当前迭代次数的个体极值。
[0045] 一种配电网规划系统，包括：
[0046] 获取模块，用于获取电网中的模型参数；所述模型参数包括各节点的分布式电源的有功输出功率、各节点的光伏发电机的输出功率、各节点的风力发电机的输出功率、直接制热器的电功率和蓄热制热器的电功率；
[0047] 模型构建模块，用于基于所述模型参数构建电网规划模型；
[0048] 方案确定模块，用于采用粒子群算法对所述电网规划模型求解得到最优的电网规划方案；所述规划方案为各节点的光伏发电机的输出功率和风力发电机的输出功率；所述最优的电网规划方案对应的参数和最小；所述参数和为网络损耗、电压稳定情况和电压偏差之和。
[0049] 可选的，所述方案规划模块包括：
[0050] 更新单元，用于在第n次迭代次数下，根据上一迭代次数下的参数集以及当前迭代次数下的惯性权重得到当前迭代次数下的电网规划方案集合；所述参数集包括粒子更新速度、电网规划方案集合、个体极值和群体极值；
[0051] 潮流计算单元，用于根据当前迭代次数下的电网规划方案集合和潮流计算公式得到所述当前迭代次数下的电网规划方案集合中各电网规划方案中每个节点的电压幅值、流入的有功功率和流入的无功功率；
[0052] 适应度计算单元，用于将各所述节点的电压幅值、流入的有功功率和流入的无功功率输入所述电网规划模型得到所述当前迭代次数下的电网规划方案集合中各电网规划方案的适应度；
[0053] 个体极值确定单元，用于将当前迭代次数下适应度最小的电网规划方案和上一迭代次数的个体极值中适应度最小的电网规划方案作为当前迭代次数的个体极值；
[0054] 群体极值确定单元，用于将前n次迭代次数下适应度最小的电网规划方案和上一迭代次数的群体极值中适应度最小的电网规划方案作为当前迭代次数的群体极值；
[0055] 第一判断单元，用于判断当前迭代次数是否达到设定迭代次数，得到第一判断结果；
[0056] 方案确定单元，用于若所述第一判断结果为是，则确定当前迭代次数下的所述群体极值为最优的电网规划方案；
[0057] 更新迭代单元，用于若所述第一判断结果为否，则更新进入下次迭代并更新惯性权重。
[0058] 可选的，所述方案规划模块还包括：
[0059] 第二判断单元，用于判断当前迭代次数下的电网规划方案集合中是否存在电网规划方案不在设定范围，得到第二判断结果；
[0060] 变异单元，用于若所述第二判断结果为是，则对不在设定范围的电网规划方案进行变异操作得到当前迭代次数下的变异后的电网规划方案集合。
[0061] 可选的，所述个体极值确定单元包括：
[0062] 第三判断子单元，用于在第k次遍历下，判断当前迭代次数下的电网规划方案集合中当前遍历次数下的电网规划方案中的适应度是否小于上一迭代次数的个体极值的适应度，得到第三判断结果；
[0063] 待选方案确定子单元，用于若所述第三判断结果为否，则确定所述上一迭代次数的个体极值为当前遍历次数下的待选方案；若所述第三判断结果为是，则将当前遍历次数下的电网规划方案确定为当前遍历次数下的待选方案；
[0064] 第四判断子单元，用于判断当前迭代次数下的电网规划方案集合中的电网规划方案是否遍历完得到第四判断结果；
[0065] 下次遍历子单元，用于若第四判断结果为否，则更新遍历次数并进入下次遍历；
[0066] 个体极值确定子单元，用于若第四判断结果为是，则确定所述当前遍历次数下的待选方案为当前迭代次数的个体极值。
[0067] 根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明在构建模型是考虑了各节点的分布式电源的有功输出功率、各节点的光伏发电机的输出功率、各节点的风力发电机的输出功率、直接制热器的电功率和蓄热制热器的电功率这些新型因素，使规划方案能更好适应电采暖的接入对电网的影响，有效保障电采暖大规模接入配电网的供电可靠性和电能质量，对提高未来电能替代和分布式电源大规模接入配电网、保障供电可靠性和电能质量等方面都具有重要意义。
附图说明
[0068] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0069] 图1为本发明实施例提供的配电网规划方法的流程图；
[0070] 图2为本发明实施例提供的含分布式电源的部分辐射状配电网的潮流示意图；
[0071] 图3为本发明实施例提供的辐射状配电网的局部潮流示意图；
[0072] 图4为本发明实施例提供的应用粒子群算法求解电网规划模型的流程图；
[0073] 图5为本发明实施例提供的配电网规划系统的结构图。
具体实施方式
[0074] 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。基于本发明中的实施例，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。
[0075] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0076] 本实施例提供了一种配电网规划方法，如图1所示，所述方法包括：
[0077] 步骤101：获取电网中的模型参数；所述模型参数包括各节点的分布式电源的有功输出功率、各节点的光伏发电机的输出功率、各节点的风力发电机的输出功率、直接制热器的电功率和蓄热制热器的电功率。
[0078] 步骤102：基于所述模型参数构建电网规划模型。
[0079] 步骤103：采用粒子群算法对所述电网规划模型求解得到最优的电网规划方案。所述规划方案为各节点的光伏发电机的输出功率和风力发电机的输出功率。
[0080] 在实际应用中，风力发电的输出功率受风速的影响很大，风速与天气情况密切相关，多变的天气情况使得不同年份、不同季节、甚至同一天内不同时间的风速都不同，这就对预测工作带来了较大的挑战。本发明对风速模型采用Weibull分布，一定时段内的风速变化特性可运用双函数Weibull分布表示，风力发电的输出功率概率密度函数fDWG(v)公式如下：
[0081] 其中，v为风机叶轮轮毂处的风速；c、k分别为双参数Weibull分布的尺度参数、形状参数，其中 δv、μv分别为对应时段
风速历史数据的均值、标准差；Γ为伽马函数。
[0082] 风力发电机的输出功率PDWG与实际风速v存在相关性，分段函数表达式如下，节点i的风电发电机的输出功率表示为xDWG,i：
[0083]
[0084] 其中，PDWG_r为风机的额定输出功率；vci为切入风速；vcr为额定风速；vco为切出风速。
[0085] 光伏发电的输出功率与太阳光的照射强度、环境温度等随机性因素相关，其中与光照强度的关系最为密切。在一定时段内，太阳光照强度s大致服从Beta分布，光伏发电的输出功率的概率密度函数fPV(s)公式如下：
[0086] 其中，s为实际光照强度；smax为最大光照强度；被定义为晴空因子；α、β为Beta分布的两个参数，其中
其中，μs、δs分别为对应时段的历史晴空因子的均值、标准差。
[0087] 光伏发电机的输出功率PPV与光照强度s存在相关性，分段函数表达式如下，节点i的光伏输出功率表示为xPV,i：
[0088] 其中，sr为额定光照强度；PPV_r为光伏发电的额定输出功率。
[0089] 综合风电和光伏输出功率，节点i的分布式电源有功输出功率表示为PDG,i＝xPV,i+xDWG,i。
[0090] Gaussian分布是广泛用于描述常规负荷随机性的概率分布模型，但是实际负荷大小存在一定的范围，因此采用截断Gaussian分布模型来模拟实际电力负荷在一定时段的变化，其概率密度函数分布公式fL(PL)如下，节点i的常规负荷表示为PL,i：
[0091] 其中，PL为负荷功率；μL、δL分别为对应时段负荷大小历史数据的均值和标准差；Pup、Plow分别为负荷的上下阈值。根据概率密度函数分布fL(PL)进行抽样就可以得到负荷功率PL。
[0092] 蓄热式电采暖采取的运行策略为：在电价谷值时段，直接制热器制热，为用户供暖；同时蓄热制热器制热后存储，直到蓄热装置蓄满；在电价峰值时段，由蓄热装置首先释放热量为用户供暖；若蓄热装置热量不足以满足用户热负荷需求，再开启直热设备辅助供热。故各耗电模块的电功率表达如下。
[0093] (1)直接制热器的电功率Pd
[0094] 其中，tf0、tf分别为峰值电价起始时刻和结束时刻；Hload,t为t时刻电采暖用户实际热负荷需求；St为t时刻蓄热装置的蓄热量；η0为直接制热器的制热效率。节点i的直接制热器电功率表示为Pd,i。
[0095] (2)蓄热制热器的电功率Pc
[0096] 其中，tg0、tg分别为谷值电价起始时刻和结束时刻；Ce为蓄热制热模块蓄热功率；Smax为蓄热装置的蓄热量上限值；η1为蓄热制热器的制热效率。节点i的蓄热制热器电功率表示为Pc,i。
[0097] 综合两种制热器的负荷情况，节点i的电采暖负荷表示为Pheat,i＝Pd,i+Pc,i。再结合常规负荷输出功率，得到节点i的总等效负荷PLoad,i＝PL,i+Pheat,i＝PL,i+Pd,i+Pc,i。
[0098] 考虑时序特性的分布式电源输出功率模型(PDWG和PPV)和常规负荷PL、电采暖负荷模型(Pd和Pc)，可以较为精确地刻画出配电网各节点各时刻的常规负荷、电采暖负荷大小以及各分布式电源安装节点的分布式电源输出功率大小。上述模型使得配电网内所有节点的等效负荷都实现了时序上的扩展以及精确度上的提升，而精确且符合实际的等效负荷无疑是后续得到切实可行的配电网规划方案的必要条件和重要基础。
[0099] 构建网络损耗目标函数f1、配电网稳定性f2和电压偏差目标f3。
[0100] 不同的配电线路网络布线会导致配电网络潮流分布的不同，随之将引起配电系统网络损耗发生变化。以网络损耗最小建立目标函数，该目标越小表示系统的效益越好，其中，N为配电网节点总数；i为配电网中的节点编号；Rij为支路ij的电阻；kij为支路ij的状态量(kij＝0表示支路断开，kij＝1表示支路闭合)Pij、Qij分别为从支路ij末端流经的有功、无功功率；Uj为节点j的电压幅值。f2＝min{‑m11,‑m12,…,‑mij}，其中 ，m i j 为 配电 网 中 任 一 支路 i j 的电 压 稳 定 情 况 ，计 算 公 式 为 ：
其中，i、j分别为支路的首末端节点，Pj+jQj流过
节点j的负荷；Rij+jXij为支路阻抗；Ui为节点电压幅值，Xij为支路电抗。
[0101] 为保证配电网电压稳定，应满足mij≤1，而整个配电网的电压稳定情况由虽有支路电压稳定情况的最大值决定，f2值越小，配电网越稳定。
[0102] 系统在正常运行方式下，某一节点的实际电压与系统标称电压之差对系统标称电压的百分数称为该节点的电压偏差。该电压偏差指标仅与电压幅值相关，其计算公式如下：其中，N为系统总节点数；Ui为节点i实际电压；Ui,N为节点i额定电压，
为一固定值；f3越小，线路设备使用寿命越长。
[0103] 对于多目标的处理，采用直接相加的方法f＝f1+f2+f3，f为最终的适应度函数。
[0104] 结合对分布式电源输出功率、常规负荷、电采暖负荷的模型和时序特性分析，并考虑目标函数中的重要参量在配电网中的客观约束，得到本实施例中考虑分布式电源和电采暖的电网规划模型涉及的约束条件，包括系统的功率平衡约束、支路容量约束、节点电压约束、配电网辐射状运行约束、分布式电源容量约束、电采暖相关约束。
[0105] (1)功率平衡约束
[0106]
[0107]
[0108] 其中，Pi、Qi分别为节点i的流入的有功、无功功率；Ui、Uj分别为节点i、j的电压幅值；Gij、Bij分别为支路ij的电导、电纳；δij为节点i、j的电压相角之差。PDG,i、QDG,i分别为节点i的分布式电源有功、无功输出功率，QDG,i由功率因数 求得， 一般将功率因数取为定值 PLoad,i、QLoad,i为节点i的总等效有功、无功负荷，取值方法与分布式电源相似， 其中， 表示负荷的功率因数。
[0109] (2)不等式约束
[0110] 依次分别为：支路容量约束Sij,min≤Sij≤Sij,max、节点电压约束Ui,min≤Ui≤Ui,max、分布式电源容量约束SDG,i≤SDG,i,max、电采暖实时运行约束0＜Pd≤Ph，0＜Pc≤Ph。
[0111] 其中，Sij、Sij,max、Sij,min分别为支路ij上流过的视在功率(支路容量)及其上下限值。 Ui、Ui,max、Ui,min分别为节点i的电压幅值及其最高、最低允许电压；SDG,i、SDG,i,max分别为第i个待选节点处的分布式电源安装容量和容量上限， Ph为电采暖的额定功率。
[0112] 综上所述，得到所述电网规划模型为：
[0113]
[0114]
[0115]
[0116]
[0117]
[0118] Ui,min≤Ui≤Ui,max
[0119] xDWG,iS0+xPV,iS0≤SDG,i,max
[0120] 0＜Pd≤Ph
[0121] 0＜Pc≤Ph，其中，f为适应度、N为配电网节点总数、Pij表示从支路ij末端流经的有功功率，Qij表示从支路ij末端流经的无功功率，Uj表示节点j的电压幅值，Rij表示支路ij的电阻，kij表示支路ij的状态量，mij表示支路ij的电压稳定情况，Ui表示节点i的电压幅值，Ui,N表示节点i的额定电压，Pj表示节点j流入的有功功率，Xij表示支路ij的电抗，Qj表示节点i流入的无功功率，Pi表示节点i流入的有功功率，PDG,i表示节点i的分布式电源的有功输出功率，PLoad,i表示节点i的总等效有功负荷，Gij表示支路ij的电导，δij表示节点i、j的电压相角之差，Sij,min表示支路ij上流过的视在功率的下限，Sij,max表示支路ij上流过的视在功率的上限，Ui,min表示节点i的电压幅值的下限，Ui,max表示节点i的电压幅值的上限，xDWG,i表示节点i的风力发电机的输出功率，S0表示单位容量，xPV,i表示节点i的光伏发电机的输出功率，SDG,i,max表示第i个节点处的分布式电源安装容量的上限，Pd表示直接制热器的电功率，Ph表示电采暖的额定功率，Pc表示蓄热制热器的电功率。
[0122] 在实际应用中，所述采用粒子群算法对所述电网规划模型求解得到最优的电网规划方案，具体包括：
[0123] 在第n次迭代次数下，根据上一迭代次数下的参数集以及当前迭代次数下的惯性权重得到当前迭代次数下的电网规划方案集合；所述参数集包括粒子更新速度、电网规划方案集合、个体极值和群体极值。
[0124] 根据当前迭代次数下的电网规划方案集合和潮流计算公式得到所述当前迭代次数下的电网规划方案集合中各电网规划方案中每个节点的电压幅值、流入的有功功率和流入的无功功率。
[0125] 将各所述节点的电压幅值、流入的有功功率和流入的无功功率输入所述电网规划模型得到所述当前迭代次数下的电网规划方案集合中各电网规划方案的适应度。
[0126] 将当前迭代次数下适应度最小的电网规划方案和上一迭代次数的个体极值中适应度最小的电网规划方案作为当前迭代次数的个体极值。
[0127] 将前n次迭代次数下适应度最小的电网规划方案和上一迭代次数的群体极值中适应度最小的电网规划方案作为当前迭代次数的群体极值。
[0128] 判断当前迭代次数是否达到设定迭代次数，得到第一判断结果。
[0129] 若所述第一判断结果为是，则确定当前迭代次数下的所述群体极值为最优的电网规划方案。
[0130] 若所述第一判断结果为否，则更新进入下次迭代并更新惯性权重。
[0131] 在实际应用中，所述根据上一迭代次数下的参数集以及当前迭代次数下的惯性权重得到当前迭代次数下的电网规划方案集合，具体为：
[0132] 根据公式
[0133]得到当前迭代次数下的电网规划方案集合，其中， 表示iter+1迭代次数下的电网规划方案集合中的第k个电网规划方案， 表示iter迭代次数下的电网规划方案集合中的第k个电网规划方案，w表示iter+1迭代次数下的惯性权重， 表示iter迭代次数下的电网规划方案集合中的第k个电网规划方案的粒子更新速度，c1表示个体极值系数、rand()表示随机函数、Pbest表示iter迭代次数下的个体极值，c2表示群体极值系数，Gbest表示iter迭代次数下的群体极值。
[0134] 在实际应用中，所述在根据当前迭代次数下的电网规划方案集合和潮流计算公式得到所述当前迭代次数下的电网规划方案集合中各电网规划方案中每个节点的电压幅值、流入的有功功率和流入的无功功率之前还包括，具体包括：
[0135] 判断当前迭代次数下的电网规划方案集合中是否存在电网规划方案不在设定范围，得到第二判断结果。
[0136] 若所述第二判断结果为是，则对不在设定范围的电网规划方案进行变异操作得到当前迭代次数下的变异后的电网规划方案集合。
[0137] 在实际应用中，所述将当前迭代次数下适应度最小的电网规划方案和上一迭代次数的个体极值中适应度最小的电网规划方案作为当前迭代次数的个体极值，具体包括：
[0138] 在第k次遍历下，判断当前迭代次数下的电网规划方案集合中当前遍历次数下的电网规划方案中的适应度是否小于上一迭代次数的个体极值的适应度，得到第三判断结果。
[0139] 若所述第三判断结果为否，则确定所述上一迭代次数的个体极值为当前遍历次数下的待选方案；若所述第三判断结果为是，则将当前遍历次数下的电网规划方案确定为当前遍历次数下的待选方案。
[0140] 判断当前迭代次数下的电网规划方案集合中的电网规划方案是否遍历完得到第四判断结果。
[0141] 若第四判断结果为否，则更新遍历次数并进入下次遍历。
[0142] 若第四判断结果为是，则确定所述当前遍历次数下的待选方案为当前迭代次数的个体极值。
[0143] 在实际应用中，含分布式电源的配电网潮流计算具体为：
[0144] 如图2所示，本实施例将分布式电源视为恒功率因数的节点，下面对含有分布式电源的配电网潮流计算进行详细阐述。
[0145] 分布式电源的引入可能改变线路的潮流Pij+jQij的方向，这对网络和继电保护等方面都将产生不利影响，因此应设法消除潮流逆流的现象。处理这种现象的最优方式为对分布式电源的容量进行限制，及令PDG,i≤PLoad,i。在这种情况下，负荷的部分功率由分布式电源供给，另一部分功率从线路上吸收，相比于未添加分布式电源的网络，负荷从线路上吸收的功率减小了，因而也减小了线路上的有功损耗。
[0146] 对含有分布式电源的配电网潮流计算采用前推回代法，则线路上的潮流计算方程可表示为：
[0147]
[0148]
[0149]
[0150] 其中，aij用于表示节点i和j是否相连，当节点i和j相连时aij＝1，否则aij＝0。
[0151] 如图3所示，针对辐射状网络的局部潮流，每条线路上的潮流计算公式为：
[0152]
[0153] 如图4所示，本实施例提供了采用粒子群算法求解电网规划模型的具体步骤：
[0154] 本实施例的规划是在确定的网架结构下，对分布式电源进行选址定容规划，根据该规划问题的特点，采用如下整数编码方式。规划系统中有N个节点可以安装风电和光伏分布式电源，编码后分布式电源的安装方案采用一组变量表示，X＝{xDWG,1,xDWG,2,…,xDWG,N,xPV,1,xPV,2,…,xPV,N}，S0为单位容量，则节点i的分布式电源安装容量为SDG,i＝SDWG,i+SPV,i＝xDWG,iS0+xPV,iS0，其中xDWG,i,xPV,i∈[0,xi,max]，xDWG,N表示第N个节点的风电发电机的输出功率，xPV,N表示第N个节点的光伏发电机的输出功率，当xDWG,i＝0或xPV,i＝0时，说明该节点不安装风机或光伏。
[0155] (1)录入待规划配电网的数据，包括网架结构、各支路阻抗信息、节点负荷信息。设置模型参数，包括系统电压幅值上限、分布式电源安装容量上限、电采暖额定功率等。设置算法参数，包括种群规模M、最大迭代次数Max、惯性权重参数wmax、wmin，速度更新参数c1、c2，个体速度和位置上下限等。
[0156] (2)种群初始化，在可行域内随机生成一个种群(初始的电网规划方案集合)X＝{X1 ,…,XM}，各个粒子(初始的电网规划方案)(k＝1,2,…,M)的位置为粒子迭代速度为Vk(iter)，
均为2N维变
量；当前迭代次数为0，迭代次数为iter＝0。
[0157] (3)根据潮流计算流程，以及随机生成的分布式电源接入情况(初始种群)，对配电网进行潮流计算，得到各粒子对应的配电网下各个节点的 共M组。
[0158] (4)计算各粒子的适应度值f，根据初始粒子适应度值，找出适应度最小值对应的个体极值Pbest和群体极值Gbest。个体极值为每次迭代的种群内部搜索，群体极值为包含所有迭代次数下的全局搜索，记录响应的粒子位置Xk。Pbest和Gbest均为维度为2N的向量，分别的对应的适应度值f(Pbest)、f(Gbest)。
[0159] (5)迭代次数iter＝iter+1。更新惯性权重，
[0160] 惯性权重w使微粒保持运动惯性，使其有扩展搜索空间的趋势，有能力探索新的区域。若w较大，粒子有能力扩展搜索空间，搜索以前所未到达的区域，整个算法的全局搜索能力强；若w较小，粒子要在当前解附近搜索，局部搜索能力较强。因此采用自适应调整的策略，让w随算法迭代的进行而线性地减少，从而显著改善算法的收敛性能。
[0161] (6)粒子编号k＝1。更新粒子速度和位置向量
[0162]
[0163]
[0164] 其中，k＝1,2,3,…,M，代表种群中的各个粒子；rand()为介于[0，1]之间的随机数， 表示iter+1迭代次数下的电网规划方案集合中的第k个电网规划方案的粒子更新速度。
[0165] (7)对于 中的元素{xk,DWG,1,xk,DWG,2,…,xk,DWG,N,xk,PV,1,xk,PV,2,…,xk,PV,N}，检查各元素是否飞出可行域，如果是，则对粒子向量的元素进行边界变异操作。
[0166]
[0167] 上式中x代表Xk(iter+1)＝{xk,DWG,1,xk,DWG,2,…,xk,DWG,N,xk,PV,1,xk,PV,2,…,xk,PV,N}中的各元素。取a＝0.25。若各元素均在可行域内，即x∈[xmin,xmax]，则直接进行(8)。
[0168] (8)对新粒子 参与构成的配电网重新进行潮流计算，计算新种群中各粒子的适应度
[0169] (9)比较当前个体极值Pbest对应的适应度值f(Pbest)与新一轮迭代的适应度值。若则转向(10)，否则转向(13)。
[0170] (10)更新个体极值 及对应的适应度值 并转向(13)。
[0171] (11)比较 和当前的群体极值对应的适应度f(Gbest)，若转向(12)，否则转向(13)。
[0172] (12)更新群体极值 同时更新对应的适应度 并转向(13)。
[0173] (13)判断是否遍历该种群中所有粒子，若k＜M，则k＝k+1，转向(6)；若k＝M转向(14)
[0174] (14)判断iter＜iterMax，若是则转向(5)，进行下一迭代循环；否则结束迭代，转向(15)。
[0175] (15)输出最优规划方案(群体极值)还可以根据群体极值得到各节点风力电源接入的容量SDWG,i和光伏电源对应接入的容量SPV,i。
[0176] 本实施例提供了一种与上述配电网规划方法对应的配电网规划系统，如图5所示，所述系统包括：
[0177] 获取模块A1，用于获取电网中的模型参数；所述模型参数包括各节点的分布式电源的有功输出功率、各节点的光伏发电机的输出功率、各节点的风力发电机的输出功率、直接制热器的电功率和蓄热制热器的电功率。
[0178] 模型构建模块A2，用于基于所述模型参数构建电网规划模型。
[0179] 方案确定模块A3，用于采用粒子群算法对所述电网规划模型求解得到最优的电网规划方案；所述规划方案为各节点的光伏发电机的输出功率和风力发电机的输出功率；所述最优的电网规划方案对应的参数和最小；所述参数和为网络损耗、电压稳定情况和电压偏差之和。
[0180] 作为一种可选的实施方式，所述方案规划模块包括：
[0181] 更新单元，用于在第n次迭代次数下，根据上一迭代次数下的参数集以及当前迭代次数下的惯性权重得到当前迭代次数下的电网规划方案集合；所述参数集包括粒子更新速度、电网规划方案集合、个体极值和群体极值。
[0182] 潮流计算单元，用于根据当前迭代次数下的电网规划方案集合和潮流计算公式得到所述当前迭代次数下的电网规划方案集合中各电网规划方案中每个节点的电压幅值、流入的有功功率和流入的无功功率。
[0183] 适应度计算单元，用于将各所述节点的电压幅值、流入的有功功率和流入的无功功率输入所述电网规划模型得到所述当前迭代次数下的电网规划方案集合中各电网规划方案的适应度。
[0184] 个体极值确定单元，用于将当前迭代次数下适应度最小的电网规划方案和上一迭代次数的个体极值中适应度最小的电网规划方案作为当前迭代次数的个体极值。
[0185] 群体极值确定单元，用于将前n次迭代次数下适应度最小的电网规划方案和上一迭代次数的群体极值中适应度最小的电网规划方案作为当前迭代次数的群体极值。
[0186] 第一判断单元，用于判断当前迭代次数是否达到设定迭代次数，得到第一判断结果。
[0187] 方案确定单元，用于若所述第一判断结果为是，则确定当前迭代次数下的所述群体极值为最优的电网规划方案。
[0188] 更新迭代单元，用于若所述第一判断结果为否，则更新进入下次迭代并更新惯性权重。
[0189] 作为一种可选的实施方式，所述方案规划模块还包括：
[0190] 第二判断单元，用于判断当前迭代次数下的电网规划方案集合中是否存在电网规划方案不在设定范围，得到第二判断结果。
[0191] 变异单元，用于若所述第二判断结果为是，则对不在设定范围的电网规划方案进行变异操作得到当前迭代次数下的变异后的电网规划方案集合。
[0192] 作为一种可选的实施方式，所述个体极值确定单元包括：
[0193] 第三判断子单元，用于在第k次遍历下，判断当前迭代次数下的电网规划方案集合中当前遍历次数下的电网规划方案中的适应度是否小于上一迭代次数的个体极值的适应度，得到第三判断结果。
[0194] 待选方案确定子单元，用于若所述第三判断结果为否，则确定所述上一迭代次数的个体极值为当前遍历次数下的待选方案；若所述第三判断结果为是，则将当前遍历次数下的电网规划方案确定为当前遍历次数下的待选方案。
[0195] 第四判断子单元，用于判断当前迭代次数下的电网规划方案集合中的电网规划方案是否遍历完得到第四判断结果。
[0196] 下次遍历子单元，用于若第四判断结果为否，则更新遍历次数并进入下次遍历。
[0197] 个体极值确定子单元，用于若第四判断结果为是，则确定所述当前遍历次数下的待选方案为当前迭代次数的个体极值。
[0198] 本发明有以下技术效果：
[0199] 1、本发明建立了考虑分布式电源和电采暖的电网规划模型，使规划方案能更好适应电采暖的接入对电网的影响，有效保障电采暖大规模接入配电网的供电可靠性和电能质量。
[0200] 2、本发明采用改进粒子群算法求解规划模型，增强了该算法求解高维和复杂问题的能力，且能更好兼顾全局搜索和局部搜索。
[0201] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0202] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
