(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211175959.X (22)申请日 2022.09.26 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 刘丽军　吴桐　黄伟东　吴睿行　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 郭东亮　蔡学俊 (51)Int.Cl. H02J 3/38(2006.01) H02J 3/06(2006.01) H02J 3/28(2006.01) H02J 3/24(2006.01) G06N 3/00(2006.01)G06K 9/62(2022.01) (54)发明名称 一种基于多目标蚁群优化的配电网动态分 区方法 (57)摘要 本发明提出一种基于多目标蚁群优化的配 电网动态分区方法， 所述方法基于多目标蚁群进 化算法对配电网进行分区， 使分区结果具备内部 连通性及功率储备； 包括以下步骤； 步骤S1： 根据 配电网结构信息， 定义多目标蚁群算法的启发式 信息； 步骤S2： 基于潮流追踪算法定义二分模块 度； 步骤S3： 基于典型预测场景集计算功率储备； 步骤S4： 基于潮流方程雅克比矩阵定义结构紧密 度； 步骤S5： 多目标蚁群动态分区算法下的分区 选择方法； 本发 明能根据配电网结构特性和功能 需求对其进行灵活有效的区域划分， 确保分区内 部电源具备较强的控制能力和一定的功率储备， 为后续配电网的优化调度奠定 基础。 权利要求书4页 说明书9页 附图2页 CN 115360764 A 2022.11.18 CN 115360764 A 1.一种基于多目标蚁群优化的配电网动态分区方法， 其特征在于： 所述方法基于多目 标蚁群进化算法对配电网进行分区， 使分区结果具备内部连通性及功率储备； 包括以下步 骤； 步骤S1： 根据配电网结构信息， 定义多目标蚁群算法的启发式信息； 步骤S2： 基于潮流追踪算法定义 二分模块度； 步骤S3： 基于典型 预测场景集计算功率储备； 步骤S4： 基于潮流方程 雅克比矩阵定义结构紧密度； 步骤S5： 多目标蚁群动态分区算法下的分区选择 方法。 2.根据权利要求1所述的一种基于多目标蚁群优化的配电网动态分区方法， 其特征在 于： 所述步骤S1 中， 以启发 式搜索方法缩小蚁群进化算法搜索范围并降低问题的复杂度， 启 发式搜索方法基于配电网结构信息 定义启发式矩阵η， 以公式表述 为 式中： ηi,j为节点i和j的启发式信息， 若i点与j点相连， 将 ηi,j值设置为1； 若i点与j点不 直接相连， 将ηi,j值设置为0， 使其对应的状态转移概率为0， 使轮盘赌法不会直接将该两点 划为同一分区， 以保证 配电网分区的内部连通 性。 3.根据权利要求1所述的一种基于多目标蚁群优化的配电网动态分区方法， 其特征在 于： 所述步骤S2中， 把配电网中源 ‑荷间的能量流动网络视同为二分网络， 通过对二分网络 的分区挖掘将二分网络中联系较为紧密的节点归于一个分区， 并通过对配电网中源 ‑荷间 的能量流动网络进行有效划分以降低配电网分区的功率耦合， 即通过将功 率联系紧密的电 源和负荷划 为一个分区来提高分区内电源的控制能力； 为量化源荷节点间的功率联系， 在 得到运行场景下配电网潮流分布或状态估计信息后， 利用潮流追踪算法追踪配电网潮流， 以公式表述 为； Pi→j＝xij×PLj(i,j＝1,2,. ..,n)    公式二； X＝PGG(PTT)‑1H‑1    公式三； PTT＝diag(PT1,PT2,…,PTn)    公式五； PGG＝diag(PG1,PG2,…,PGn)    公式六； 式中： H为顺流分配矩阵； hij为H矩阵i行j列元素； PGG、 PTT为功率注入相关量； X为分配系 数矩阵， x为该矩阵元素； Pij为由节点i向节点j传输的有功功率中经过线路i ‑j的量； PGj为 节点j注入的电源功率； PLj为节点j接入的负荷功率； PTj为注入节点j的总有功功率； Pi→j为 节点i接入的电源给负荷节点j的功率分配； 将潮流追踪结果整合在潮流追踪矩阵T中， T中i行j列元素为Pi→j， 二分模块度 QB定义如 下述公式七～公式十一所示权　利　要　求　书 1/4 页 2 CN 115360764 A 2式中： VX、 VY分别为全网的电源、 负荷节点集； z为分区编号； Vl、 Vm分别为分区z中电源、 负 荷节点集； Zn为分区数； 为分区z的二分模块度； 本步骤中， 计算全网所有分区的 并求和， 若得到的二分模块度QB值越大， 则说明分区之间的耦合 程度越低； 本步骤根据预测算法及历史数据推测配电网的运行场景， 综合考虑典型预测场景来提 高分区方案的鲁棒 性， 即提高分区方案应对不确定性的能力， 方法为： 生成典型预测场景集SE＝{S1,S2,…Sh}及对应的概率 在得出预测场 景Si的潮流分布信息或状态估计结果后， 基于公式七～公式十一得到场景Si对应的二分模 块度 最后结合 概率信息基于式(12)得到 公式为 本步骤通过提高分区方案对应的二分模块度 值来降低各预测场景下分区间的能 量耦合程度， 并为 提高分区自治能力、 降低源荷不确定性影响提供基础。 4.根据权利要求1所述的一种基于多目标蚁群优化的配电网动态分区方法， 其特征在 于： 所述步骤S 3中， 使分区内部具备足够的储 备功率来使分区内实现有效调控的前提， 分区 储备功率的计算方法以公式表述 为 式中： 为分区i的功率储备； 为分区i内部电源可提供的最大功率； 为分 区i的负荷需求大小； γ为储备系数； 在算法中删除储备功 率小于0的解， 以保证分区内部具 备所需的功率储备； 本步骤中， 计算全网所有分区的功率储备， 选择各分区功率储备的最小值作为配电网 分区方案的功率储备Pstore， 以Pstore值最大为优化目标， 以避免可控分布式电源与可控负荷 集中在一个分区， 以公式表述 为 本例中， 以下述公式十五来计算各场景Pstore的最小值 以提高算法的鲁棒 性，权　利　要　求　书 2/4 页 3 CN 115360764 A 3