CN104362623A - 一种适用于主动配电网的多目标网络重构方法 - Google Patents

Abstract

本发明涉及一种配电网重构方法，特别是一种适用于主动配电网的多目标网络重构方法，基于主动配电网对网络重构的新要求，提出一种新的混合进化算法用于配电网重构，采用最优流模式算法快速得到接近最优解的初始网络，再利用树形结构编码单亲遗传算法搜索最优解，即对初始网络进行树形结构编码，采用单亲遗传算法进行求解。其优点在于，在对主动配电网进行网络重构时，充分考虑了分布式电源的影响，即在约束条件中包含分布式电源出力约束、在可靠性计算中考虑分布式电源计划孤岛的影响，使网络重构后的配电网网损大幅降低、供电可靠性得到提高，同时，重构结果也更加符合主动配电网大量接入分布式电源的实际情况。

Description

一种适用于主动配电网的多目标网络重构方法

技术领域

本发明涉及一种配电网重构方法，特别是一种适用于主动配电网的多目标网络重构方法。

背景技术

随着配电网中分布式电源的出现与发展，配电网从无源网络变成了有源网络，配电网的运行面临新的挑战。国际大电网会议(CIGRE)C6.11工作组提出了主动配电网(ActiveDistribution Networks，ADN)的概念，ADN的核心就是主动管理，通过灵活地改变拓扑结构，对电网运行状态进行主动地调节与控制；并能够有效地集成分布式电源，充分利用其对配电网的积极作用；使线损显著地降低，供电可靠率大幅提高。

为了提高配电网的供电可靠性及运行灵活性，配电网线路上设有分段开关和联络开关。配电网重构就是在正常运行状态下，通过分段开关和联络开关的操作进行运行优化，达到降低网络损耗、提高供电可靠性等目标；在发生故障时，通过开关操作将故障区域负荷转移到非故障区域，降低故障区域停电时间。配电网重构不需要进行新设备的投资，却能够带来电网在经济性、安全性等多方面的提升。但传统配电网被动的接受主网传输过来的电能，并分配给各等级电力用户，其初衷并未考虑分布式电源的接入，同时，传统配电网闭环设计、开环运行就是在运行时尽可能少的去管理或者改变配电网的运行状态。但随着分布式电源大量的接入，配电网的双向潮流使其规划、保护控制以及调度管理方法都出现了本质变化。因此，针对主动配电网中大量分布式电源接入和主动管理的需求，需要研究新的网络重构算法，并充分考虑分布式电源的影响。

与本发明最为接近的专利文献有：[1]一种基于最大供电能力的智能主动配电网重构方法(申请号：201310423370.1),通过将二进制粒子群优化算法运用到以配电网最大供电能力为目标的重构策略中，可以实现配电网供电能力的实时评估分析。[2]配电网主动重构策略及其预防控制方法(申请号：201310755765.1)所提方案首先构建适用于主动配电网的最大供电能力评估指标，并通过变步长的重复潮流算法对其进行在线监测，以实时评估配电网的最大供电能力；当配电网最大供电能力指标低于***安全警戒线时，则以最大供电能力指标提升和网络重构开关操作次数最小为多目标进行配电网主动重构，在***出现紧急状况前，通过网络结构的优化施行预防性控制以实时满足配电网运行的安全裕度要求。[3]基于混合人工智能的主动配电网动态拓扑重构方法(申请号：201310705852.6)，提供一种基于混合人工智能的主动配电网动态拓扑重构方法。采用多种改进的人工智能方法对于求解进行优化，综合三种目标函数，最后采用提出的全新动态层次分析法进行决策，得到代表着最优配电网结构的最优解。然而，以上主动配电网重构方法将最大供电能力作为配电网重构依据，但其均并未考虑主动配电网中大量分布式电源对配电网重构的影响。对分布式电源的主动管理是主动配电网的主要特征，同时大量分布式电源造成的双向潮流也给配电网重构带来了新问题，因此，如果在主动配电网重构过程中未充分考虑分布式电源的影响，将可能造成较大的计算误差，同时，也未能在网络重构过程中充分发挥分布式电源提高供电可靠性、降低网损等优势。

发明内容

本发明的目的在于根据现有技术的不足之处而提供一种充分考虑分布式电源的影响适用于主动配电网的多目标网络重构方法。

本发明的目的是通过以下途径来实现的：

一种适用于主动配电网的多目标网络重构方法，其要点在于，包括如下步骤：

1)确定主动配电网重构以网损最小及供电可靠率最大为目标函数，具体为：

$\min f_1=\underset{i=1}{\overset{n_b}{\mathrm{\Σ}}}{k}_i{r}_i\frac{{P_i}^2+Q_i^2}{{V_i}^2}---\left(1\right)$

max f₂＝ASAI   (2)

其中：n_b为支路数；k_i为支路i上开关的状态变量，0代表打开，1代表闭合；r_i为支路i的电阻；P_i、Q_i为支路i流过的有功功率和无功功率；V_i为支路i末端的节点电压；ASAI为平均用电有效度指标，

2)建立包含分布式电源出力约束的约束条件，其有功出力约束和无功出力约束为：

$\begin{array}{c}{P}_{\mathrm{DG},m}^{\min }\≤P_{\mathrm{DG},m}\≤P_{\mathrm{DG},m}^{\max }\\ Q_{\mathrm{DG},m}^{\min }\≤Q_{\mathrm{DG},m}\≤Q_{\mathrm{DG},m}^{\max }\end{array}---\left(3\right)$

其中分别是第m台分布式电源DG的有功出力，及上下限；Q_DG,m，分别是第m台分布式电源DG的无功出力，及上下限；

3)输入配电网的初始数据，包括节点数据、支路数据、可靠性数据，置种群进化迭代数Gen＝0，种群是指区域内一组多个配电网结构，种群中的每一个个体对应一种配电网结构；

4)利用最优流模式算法获得每个个体的初始网络，所述最优流模式算法求解过程为：首先闭合网络中所有的联络开关，使配电网成为一个多孔的环网；然后按照打开网络中电流最小的开关的启发式规则，逐次解开每一个环，直到网络恢复为辐射状运行，从而获得初始网络；

5)计算种群中每个个体的适应值，即对个体进行潮流计算获得个体的网损值，并进一步进行供电可靠性计算获得ASAI；在可靠性计算中计及如下分布式电源计划孤岛的影响：

预想故障条件下，对于含有分布式电源计划孤岛内的负荷供电，当计划孤岛外发生故障时，按计划孤岛运行；计划孤岛内发生故障，DG直接跳闸；无计划孤岛DG直接跳闸；对于由于网络重构需要对计划孤岛内开关进行操作时，计划孤岛直接解裂，按无计划孤岛运行；

6)应用单亲遗传算法，识别种群个体之间的支配和非支配关系，支配、非支配关系按照种群中个体目标函数之间的大小关系进行判断：

f₁是网损最小目标函数，f₂是可靠性最高目标函数，即ASAI值最大；对于种群中的任意两个个体X_u，X_V，当且仅当，有f₁(X_u)<f₁(X_V)和f₂(X_u)<f₂(X_V)，则X_u支配X_V；而当且仅当，f₁(X_u)<f₁(X_V)时有f₂(X_u)>f₂(X_V)，或f₁(X_u)>f₁(X_V)时有f₂(X_u)<f₂(X_V)，则X_u，X_V互不支配，即非支配关系；

7)根据上述的支配和非支配关系对种群进行如下分层：

a)设种群中的个体数量为N，选取种群中的任一个体X_u，

b)对于种群里所有的其它个体的v＝1～N，且v≠u，基于目标函数f₁和f₂比较个体X_u和个体X_V之间的支配、非支配关系；如果不存在任何一个个体X_V优于X_u，则X_u标记为非支配个体；

c)再选取种群中的另一个个体，重复b)步骤，直到找到所有非支配个体；

d)得到的所有非支配个体集为种群的第一级非支配层；然后忽略已经标记的非支配个体，再重复步骤b)-c)，就会得到第二级非支配层，以此类推，直到整个种群被分层；

8)对于每一级非支配层进行排序：设定每个非支配个体的虚拟适应度，所述的虚拟适应度是指每个种群个体所对应的网损值和ASAI值的加权函数；根据虚拟适应度值对每层中的非支配个体进行排序；

9)基于单亲遗传算法的选择算子，采用旋转赌盘旋转机制，从排序后的种群中选择进行下一代遗传操作的个体，个体被选中的几率和它的适应值成比例，个体的适应值越大，被选中的概率就越高；

10)基于单亲遗传算法的移位算子，对选择后的个体进行移位，从每个配电网结构的初始网络出发，随机选择一个移位点，断开与该移位点相连接的父节点，此时初始网络中出现了孤岛，检测孤岛中的所有联络线，并随机合上一条联络线，完成移位操作；

11)基于单亲遗传算法的重分配算子，对于移位后的个体进行重分配，从每个配电网结构的初始网络出发，随机选择一个重分配点，断开与该重分配点相连接的父节点，此时初始网络中出现了孤岛，检测孤岛中的联络线，然后合上所有联络线，并检测联络线两两之间处于孤岛中的节点，若联通，则随机断开其中一条支路，直到任何两联络线之间都不联通，完成重分配操作；从而形成新的个体，所有的新的个体形成新的种群，由此，原种群迭代形成新的种群。在新的种群中，由最差个体替换为与最佳个体相同的个体，保持有两个最佳个体，以保证具有最优适应值的个体进入下一次的遗传操作；

12)基于分布式电源计划孤岛的影响计算新的种群中每个个体的适应值，包括网损值和ASAI；当新的种群满足目标函数的设定值或者满足设定的迭代次数时，则结束迭代，输出网络重构结构，否则新的种群进入下一次的迭代操作，回到步骤6)继续处理。

在本发明所述的重构方法中，所述的支配和非支配关系是指：

所述的支配关系是指：对于最小化多目标问题，n个目标函数f_i(1,...,n)、f_j(1,...,n)，任意给定两个决策变量X_u，X_V，当且仅当，对于任意i、j属于{1,…,n}，都有f_i(X_u)<f_i(X_V)和f_j(X_u)<f_j(X_V)，则X_u支配X_V；

所述的非支配关系是指：任意给定两个决策变量X_u和X_V，当且仅当，存在i属于{1,…,n}，使f_i(X_u)<f_i(X_V)，同时存在j属于{1,…,n}，使f_j(X_u)>f_j(X_V)，则X_u，X_V互不支配，即非支配关系；f_i(X_u)和f_j(X_u)表示同一决策变量的不同目标函数；

ASAI(Average Service Availability Index)，为用户用电小时数/用户所需供电小时数。

本发明在进行可靠性计算时，充分考虑分布式电源的影响和对DG的主动管理，在约束条件中也充分考虑了DG的影响，加入了DG的出力约束。

本发明基于主动配电网对网络重构的新要求，提出一种新的混合进化算法用于配电网重构。该算法采用最优流模式算法快速得到接近最优解的初始网络，再利用树形结构编码单亲遗传算法(Tree Structure Encoding Partheno Genetic Algorithm，TSE-PGA)搜索最优解，即对初始网络进行树形结构编码，采用单亲遗传算法进行求解。其中：最优流模式算法不能保证得到全局最优解，但其具有速度快，占用内存小，能够得到局部最优解的优点。本发明正是利用最优流模式算法的此特点产生初始网络。单亲遗传算法(Partheno GeneticAlgorithm，PGA)是一种采用随机搜索方式的种群算法。此处的种群表示多个(设定的种群数目)配电网结构，种群中的每一个个体对应一种配电网结构(即配电网开关状态)。采用的PGA是一种将多个目标函数单独处理的非支配排序遗传算法。为了得到的Pareto前端解，需要对种群中的个体基于支配、非支配关系进行分层并排序。支配、非支配关系按照种群中个体目标函数之间的大小关系进行计算。

与传统遗传算法相比，PGA不采用交叉算子，而采用基因重组算子代替交叉算子进行种群操作。基因重组算子主要包括基因换位、基因移位和基因倒位三种算子。为了保证个体经遗传操作后保持网络的辐射状拓扑结构，本发明结合树形结构编码，基于单亲遗传算法的选择、移位和重分配算子，提出了用于主动配电网络重构的移位与重分配操作。

本发明的要点在于：提出了一种适用于主动配电网的多目标网络重构混合进化算法，采用最优流模式算法快速得到接近最优解的初始网络，再利用树形结构编码单亲遗传算法搜索最优解，其在搜索全局最优解方面优于普通进化算法。由此，在对主动配电网进行网络重构时，充分考虑了分布式电源的影响，即在约束条件中包含分布式电源出力约束、在可靠性计算中考虑分布式电源计划孤岛的影响。相对不考虑分布式电源的网络重构，本发明可使网络重构后的配电网网损大幅降低、供电可靠性得到提高，同时，重构结果也更加符合主动配电网大量接入分布式电源的实际情况。

附图说明

图1所示为本发明所述的适用于主动配电网的多目标网络重构方法的流程方框图。

图2所示为本发明所述的在进行网络重构时，采用移位算子操作的案例示意图；

图3所示为本发明所述的在进行网络重构时，采用重分配算子操作的案例示意图；

图4所示为本发明实施例中所述的在实际案例TPC 84配电网的结构示意图。

具体实施方式

最佳实施例：

参照附图1，一种适用于主动配电网的多目标网络重构方法，包括如下步骤：

1、确定主动配电网重构以网损最小及供电可靠率最大为目标函数，确定包含分布式电源出力约束的约束条件。

2、输入初始数据，包括节点数据、支路数据、可靠性数据等，置种群进化迭代数Gen＝0；

3、利用最优流模式算法，得到初始网络，并对初始网络进行移位、重分配操作得到初始种群；

4、计算种群中每个个体的适应值，即对个体进行潮流计算得到网损值，进行可靠性计算得到ASAI，在可靠性计算中考虑分布式电源计划孤岛的影响；

5、识别种群个体之间的支配、非支配关系，并指定虚拟适应度，对种群中的个体进行分层、排序；

6、基于分层排序的结果，旋转赌盘选择个体进行移位及重分配操作，产生下一代个体。同时以开始迭代以来的最佳个体替代当前迭代过程中的最差个体，保证具有最优适应值的个体进入下一次的遗传操作；

7、计算新种群中每个个体的适应值，包括网损及ASAI；

8、如果满足结束条件，结束迭代，输出网络重构结果，否则Gen＝Gen+1，回到第5步继续计算。

具体的过程见发明内容部分，以下对步骤的内容进行进一步说明：

在步骤5(发明内容部分的步骤8))中，由于适应值对应于目标函数，但对于多目标优化的Pareto求解算法，由于具有多个目标函数，不能得到单一的适应值，所以引入虚拟适应度的概念。利用虚拟适应度值对每层内的个体进行排序。本算法中虚拟适应度为网损值和ASAI值的加权函数。

在步骤6(发明内容部分的步骤9)、10)、11))中，所述的基于单亲遗传算法的选择、移位和重分配算子，提出了用于主动配电网络重构的移位与重分配操作时：

选择算子：采用传统旋转赌盘选择机制，同时加入最优保持操作，即以开始迭代以来的最佳个体替代当前迭代过程中的最差个体，以保证具有最优适应值的个体进入下一次的遗传操作。旋转赌盘选择是从种群中选择一些个体进行下一代遗传操作的方法，被选中的机率和它们的适应性值比例，个体的适应值愈高，被选中的概率也愈多。

移位算子：如图2所示，图中左侧为待移位操作的初始网络，该网络是IEEE 33节点网络的一部分，图中实线是初始支路，虚线是该网络的联络线。节点20、6、32与网络其他部分有连接线。随机选择移位点10，断开与其相连的父节点9，此时10-11-12-13-14-15-16-17变成了孤岛，移位操作检测孤岛中的联络线11-21，8-14，17-32，随机合上一条联络线8-14，完成移位操作。

重分配算子：如图3所示，随机选择重分配点10，断开与其相连的父节点9，此时10-11-12-13-14-15-16-17变成了孤岛，重分配操作检测孤岛中的联络线11-21，8-14，17-32，合上所有联络线，并检测联络线两两之间处于孤岛中的节点，若联通，则随机断开其中一条支路，直到任何两联络线之间都不联通，完成重分配操作。

图3中合上孤岛中的所有联络线，检测到联络线8-14和联络线21-11之间有通路11-12-13-14，则随机断开一条支路12-13；检测联络线8-14和联络线17-32之间有通路14-15-16-17，则随机断开一条支路15-16；继续检测联络线21-11和联络线17-32之间不联通，无需断开支路，重分配操作结束。

以下提供一个具体的案例，以TPC 84节点为例：

TPC 84节点算例是台湾电力公司的一个11.4kV实际配电网，包含架空线和电缆。该配电网含有2变电站，11条馈线，13条联络线，总负荷为28350kW+20700kvar。网络结构图如图4所示，其中由源节点A～K往下遍历，某支路末端节点编号即为该支路开关编号。联络线开关编号用带下划线数字标注在联络线旁。

分布式电源(微型燃气轮机)安装在7，64，71，容量分别为1000kW，1000kW，1200kW，功率因数均为0.9，节点7～8为计划孤岛、61～64为计划孤岛，71节点无计划孤岛；节点电压允许范围标幺值为0.95～1.05p.u；支路长期运行额定容量为5MVA。

可靠性计算参数：线路故障率0.05次/年.km，修复时间5小时/次；开关故障及变压器率0.015次/年，开关修复时间2小时/次，变压器修复时间200小时/次。线路长度(km)取支路电阻(欧姆)的100倍，节点用户数量取有功功率(MW)的100倍并取整。

表1是TPC 84节点算例不考虑主动配电网分布式电源安装及计划孤岛运行，以有功网损最小为目标的优化结果与其他文献结果的比较。本申请提案混合进化算法得到最优解7/13/34/39/42/55/62/72/83/86/89/90/92，与文献[2]采用混合整数差分进化算法得到的结果一致，为文献公认的最优解，有功网损为469.880kW，相对于初始网络下降了11.68％。相较于文献[3]采用最优流模式算法，有功网损下降了4.038kW。本申请提案混合进化算法平均CPU时间为78.93s。表2是该算例多目标优化结果的前3个网损最小与后2个网损最大的前端解。

表1TPC 84算例优化结果比较

表2TPC 84算例多目标优化结果

开关组合	有功网损/kW	ASAI
			7/13/34/39/42/63/73/83/84/86/89/90/92	469.880	99.906％
7/13/33/39/42/63/72/83/84/86/89/90/92	470.921	99.904％
			7/33/38/42/63/72/83/84/86/88/89/90/92	471.178	99.899％
…	…	…
			7/13/33/38/42/53/64/71/86/89/90/91/92	575.422	99.878％
7/13/33/38/42/52/64/69/86/89/90/91/92	621.630	99.876％

可以看出非支配排序很好的保持了种群的多样性，Pareto前端解分布较均匀。随着有功网损的降低，***可靠性指标ASAI增加。说明通过网络重构网络中该断面分段开关、联络开关分布更加合理，有功功率传输减小，网损下降。同时整个负荷矩得到降低，可靠性得到提高。

若考虑主动配电网中分布式电源的影响及计划孤岛对可靠性的影响，利用本申请提案的混合进化算法进行求解，可以得到***总有功网损为363.59kW，最优开关组合为7/13/33/39/42/63/72/84/86/89/90/91/92，网损较初始网络下降了31.66％，较不考虑主动配电网的最优开关组合下降了22.62％。表3是主动配电网TPC 84算例多目标优化结果的前4个网损最小与后1个网损最大的前端解。

表3主动配电网TPC 84算例多目标优化结果

开关组合	有功网损/kW	ASAI
			7/13/33/39/42/63/72/83/84/86/89/90/92	361.15	99.973％
7/33/38/42/63/72/83/84/86/88/89/90/92	362.01	99.968％
			7/33/39/42/63/84/86/87/88/89/90/91/92	363.19	99.961％
7/13/33/39/42/63/72/84/86/89/90/91/92	363.59	99.950％
			…	…	…
7/13/33/38/42/53/64/71/86/89/90/91/92	399.73	99.934％

本申请提案对TPC 84节点算例进行分析，得出了网损最小的单目标最优解及网损最小和ASAI最大的多目标Pareto解集。并与现有文献中的进化算法结果进行比较，结果显示，该算法在搜索全局最优解方面优于普通进化算法，验证了该算法的优越性。同时对主动配电网进行了网络重构分析，利用本申请提案的混合进化算法进行求解，可以看出考虑分布式电源的影响，***网络损耗得到大幅降低、ASAI得到提高。

本发明未述部分与现有技术相同。

Claims (1)

1.一种适用于主动配电网的多目标网络重构方法，其特征在于，包括如下步骤：

1)确定主动配电网重构以网损最小及供电可靠率最大为目标函数，具体为：

$\min f_1=\underset{i=1}{\overset{n_b}{\mathrm{\&Sigma;}}}{k}_i{r}_i\frac{P_i^2+Q_i^2}{V_i^2}---\left(1\right)$

max f₂＝ASAI         (2)

其中：n_b为支路数；k_i为支路i上开关的状态变量，0代表打开，1代表闭合；r_i为支路i的电阻；P_i、Q_i为支路i流过的有功功率和无功功率；V_i为支路i末端的节点电压；ASAI为平均用电有效度指标，

2)建立包含分布式电源出力约束的约束条件，其有功出力约束和无功出力约束为：

$P_{\mathrm{DG},m}^{\min }\&le;P_{\mathrm{DG},m}\&le;P_{\mathrm{DG},m}^{\max }$

                               (3)

$Q_{\mathrm{DG},m}^{\min }\&le;Q_{\mathrm{DG},m}\&le;Q_{\mathrm{DG},m}^{\max }$

其中P_DG,m，分别是第m台分布式电源DG的有功出力，及上下限；Q_DG,m，分别是第m台分布式电源DG的无功出力，及上下限；

3)输入配电网的初始数据，包括节点数据、支路数据、可靠性数据，置种群进化迭代数Gen＝0，种群是指区域内一组多个配电网结构，种群中的每一个个体对应一种配电网结构；

4)利用最优流模式算法获得每个个体的初始网络，所述最优流模式算法求解过程为：首先闭合网络中所有的联络开关，使配电网成为一个多孔的环网；然后按照打开网络中电流最小的开关的启发式规则，逐次解开每一个环，直到网络恢复为辐射状运行，从而获得初始网络；

5)计算种群中每个个体的适应值，即对个体进行潮流计算获得个体的网损值，并进一步进行供电可靠性计算获得ASAI；在可靠性计算中计及如下分布式电源计划孤岛的影响：

预想故障条件下，对于含有分布式电源计划孤岛内的负荷供电，当计划孤岛外发生故障时，按计划孤岛运行；计划孤岛内发生故障，DG直接跳闸；无计划孤岛DG直接跳闸；对于由于网络重构需要对计划孤岛内开关进行操作时，计划孤岛直接解裂，按无计划孤岛运行；

6)应用单亲遗传算法，识别种群个体之间的支配和非支配关系，支配、非支配关系按照种群中个体目标函数之间的大小关系进行判断：

f₁是网损最小目标函数，f₂是可靠性最高目标函数，即ASAI值最大；对于种群中的任意两个个体X_u，X_V，当且仅当，有f₁(X_u)<f₁(X_V)和f₂(X_u)<f₂(X_V)，则X_u支配X_V；而当且仅当，f₁(X_u)<f₁(X_V)时有f₂(X_u)>f₂(X_V)，或f₁(X_u)>f₁(X_V)时有f₂(X_u)<f₂(X_V)，则X_u，X_V互不支配，即非支配关系；

7)根据上述的支配和非支配关系对种群进行如下分层：

a)设种群中的个体数量为N，选取种群中的任一个体X_u，

b)对于种群里所有的其它个体的v＝1～N，且v≠u，基于目标函数f₁和f₂比较个体X_u和个体X_V之间的支配、非支配关系；如果不存在任何一个个体X_V优于X_u，则X_u标记为非支配个体；

c)再选取种群中的另一个个体，重复b)步骤，直到找到所有非支配个体；

d)得到的所有非支配个体集为种群的第一级非支配层；然后忽略已经标记的非支配个体，再重复步骤b)-c)，就会得到第二级非支配层，以此类推，直到整个种群被分层；

8)对于每一级非支配层进行排序：设定每个非支配个体的虚拟适应度，所述的虚拟适应度是指每个种群个体所对应的网损值和ASAI值的加权函数；根据虚拟适应度值对每层中的非支配个体进行排序；

9)基于单亲遗传算法的选择算子，采用旋转赌盘旋转机制，从排序后的种群中选择进行下一代遗传操作的个体，个体被选中的几率和它的适应值成比例，个体的适应值越大，被选中的概率就越高；

10)基于单亲遗传算法的移位算子，对选择后的个体进行移位，从每个配电网结构的初始网络出发，随机选择一个移位点，断开与该移位点相连接的父节点，此时初始网络中出现了孤岛，检测孤岛中的所有联络线，并随机合上一条联络线，完成移位操作；

11)基于单亲遗传算法的重分配算子，对于移位后的个体进行重分配，从每个配电网结构的初始网络出发，随机选择一个重分配点，断开与该重分配点相连接的父节点，此时初始网络中出现了孤岛，检测孤岛中的联络线，然后合上所有联络线，并检测联络线两两之间处于孤岛中的节点，若联通，则随机断开其中一条支路，直到任何两联络线之间都不联通，完成重分配操作；从而形成新的个体，所有的新的个体形成新的种群，由此，原种群迭代形成新的种群。在新的种群中，由最差个体替换为与最佳个体相同的个体，保持有两个最佳个体，使得具有最优适应值的个体确保能够进入下一次的遗传操作；

12)基于分布式电源计划孤岛的影响计算新的种群中每个个体的适应值，包括网损值和ASAI；当新的种群满足目标函数的设定值或者满足设定的迭代次数时，则结束迭代，输出网络重构结构，否则新的种群进入下一次的迭代操作，回到步骤6)继续处理。