CN104600714B - 含分布式电源的配电网无功优化方法及装置 - Google Patents

Abstract

本发明提供了一种含分布式电源的配电网无功优化方法及装置，包括：根据预设的含分布式电源的配电网控制参数和遗传算法模型建立配电网无功优化遗传算法模型；对预设的配电网控制参数进行潮流计算确定配电网无功优化遗传算法模型的无功优化的等式约束；根据配电网控制参数中的可调控变压器分接头的位置、各节点电压、并联无功补偿容量发电机出力及各节点配变高压侧的功率因数确定配电网无功优化遗传算法模型的不等式约束；根据预设的优先级参数、无功优化的等式约束、不等式约束及无功优化遗传算法模型生成无功优化结果。本发明含分布式电源的配电网实时无功优化方法及装置，求解问题时要求的信息少，求解过程简单，可较大几率的得到最优解或次优解。

Description

含分布式电源的配电网无功优化方法及装置

技术领域

本发明涉及电力技术，具体的讲是一种含分布式电源的配电网无功优化方法及装置。

背景技术

目前，随用电量的日益增加，电网的稳定、经济运行日益受到重视，电网的电能质量差，不仅影响电力企业本身，同时影响电力***的安全。电力***的无功功率优化和无功功率补偿是电力***安全运行的重要组成部分，对电力***的合理配置和无功负荷的最佳补偿，不仅可以提高电力***运行的稳定性，还可以降低网损，使电力***安全、经济运行。

无功优化就是在***网络结构和***负荷给定的情况下，通过调节控制变量是***在满足各种约束调节下网损达到最小，通过无功优化不仅使全网电源在额定值附近运行，而且能够提高电网经济效益、电能质量。

现有技术中，对于无功优化问题的传统算法分为线性和非线性规划两种，其缺点是目标函数及约束条件必须连续、可微，对初始点的要求比较高。此外，对离散变量较难处理。

发明内容

为简化基于遗传算法模型的含分布式电源的配电网无功优化的计算过程，保证无功优化的快速进行，本发明实施例提供了一种含分布式电源的配电网无功优化方法，包括：

步骤1，根据预设的含分布式电源的配电网控制参数和遗传算法模型建立含分布式电源的配电网无功优化遗传算法模型；

步骤2，对所述预设的含分布式电源的配电网控制参数进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束；

步骤3，根据所述的含分布式电源的配电网控制参数中的可调控变压器分接头的位置、各节点电压、并联无功补偿容量发电机出力及各节点配变高压侧的功率因数确定含分布式电源的配电网无功优化遗传算法模型的不等式约束；

步骤4，根据预设的优先级参数、所述无功优化的等式约束、不等式约束以及配电网无功优化遗传算法模型生成无功优化结果。

此外，本发明还提供了一种含分布式电源的配电网无功优化装置，装置包括：

模型建立模块，用于根据预设的含分布式电源的配电网控制参数和遗传算法模型建立含分布式电源的配电网无功优化遗传算法模型；

模型建立模块，用于根据预设的配电网控制参数和遗传算法模型建立含分布式电源的配电网无功优化遗传算法模型；

等式约束确定模块，用于对所述预设的含分布式电源的配电网控制参数进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束；

不等式约束确定模块，用于根据所述含分布式电源的配电网控制参数中的可调控变压器分接头的位置、各节点电压、并联无功补偿容量发电机出力及各节点配变高压侧的功率因数确定含分布式电源的配电网无功优化遗传算法模型的不等式约束；

优化结果生成模块，用于根据预设的优先级参数、所述无功优化的等式约束、不等式约束以及含分布式电源的配电网无功优化遗传算法模型生成无功优化结果。

本发明含分布式电源的配电网实时无功优化方法及装置，与现有技术相比，遗传算法求解问题时要求的信息不多，求解过程也不复杂，可以较大几率的得到最优解或次优解，并且方便加入分区结果，可广泛应用于电力***无功优化领域。为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种含分布式电源的配电网无功优化方法的流程图；

图2为本发明提供的一种含分布式电源的配电网无功优化装置的框图。

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。

如图1所示，本发明提供了含分布式电源的配电网无功优化方法，包括：

步骤S101，根据预设的含分布式电源的配电网控制参数和遗传算法模型建立含分布式电源的配电网无功优化遗传算法模型；

步骤S102，对所述预设的含分布式电源的配电网控制参数进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束；

步骤S103，根据所述含分布式电源的配电网控制参数中的可调控变压器分接头的位置、各节点电压、并联无功补偿容量发电机出力及各节点配变高压侧的功率因数确定含分布式电源的配电网无功优化遗传算法模型的不等式约束；

步骤S104，根据预设的优先级参数、所述无功优化的等式约束、不等式约束以及含分布式电源的配电网无功优化遗传算法模型生成无功优化结果。

具体实施例中，根据预设的含分布式电源的配电网控制参数和遗传算法模型建立配电网无功优化遗传算法模型包括：

根据式(1)建立含分布式电源的配电网无功优化遗传算法模型的目标函数，

$\min f=p_1*\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{\mathrm{\Δ}{U}_i}{\mathrm{\Δ}{U}_{m_i}}\right)}^2+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left(\frac{\mathrm{\ΔQ}{G}_i}{\mathrm{\Δ}{G}_{m_i}}\right)}^2\}+p_2*t+p_3*\mathrm{\ΔP}+\mathrm{\λ\Δ}\cos {\mathrm{\θ}}_i---\left(1\right)$

其中， $\mathrm{\&Delta;}{U}_i=\left\{\begin{array}{cc}{U}_{\min i}-U_i;& U_i<U_{\min i}\\ 0;& U_{\min i}<U_i<U_{\max i}\\ U_{\max i}-U_i;& U_i>U_{\max i}\end{array}\right.$

$\mathrm{\&Delta;}{U}_{m_i}=U_{\max i}-U_{\min i}$

$\mathrm{\&Delta;}{\mathrm{QG}}_i=\left\{\begin{array}{cc}{\mathrm{QG}}_{\min i}-{\mathrm{QG}}_i;& {\mathrm{QG}}_i<{\mathrm{QG}}_{\min i}\\ 0;& {\mathrm{QG}}_{\min i}<{\mathrm{QG}}_i<{\mathrm{QG}}_{\max i}\\ {\mathrm{QG}}_i-Q{G}_{\max i};& {\mathrm{QG}}_i>{\mathrm{QG}}_{\max i}\end{array}\right.$

ΔQG_i＝QG_maxi-QG_mini

$\mathrm{\&Delta;P}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_i\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\&xi;}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\&xi;}}_{\mathrm{ij}})$

其中，p₁、p₂、p₃为所述的预设的优先级参数；

n是节点总数，m是分布式电源的个数；

U_i,U_mini和U_maxi分别为结点的电压幅值，最低允许电压和最高允许电压；

QG_i,QG_mini和QG_maxi分别表示发电机节点的无功功率、无功出力下限以及无功出力上限；

t是变压器和电容器总的调节个数；

ξ_ij为电压相角；

G_ij和B_ij为通过电网参数求解得出节点导纳矩阵元素。

ΔP是***有功网损。

λ是罚函数因子，Δcosθ_i是所有接配变的节点的功率因数越限量。

本发明的该实施例中，在10kV线路中加入配变变压器时，为保证配变的节点的功率因数在0.95到0.98的范围内，所以在目标函数中还加入了一个罚函数来使接配变的节点的功率因数在0.95到0.98的范围内。

具体实施例中，对预设的含分布式电源的配电网控制参数进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束包括：根据式(2)、式(3)进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束；

$P_i=V_i\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\&delta;}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\&delta;}}_{\mathrm{ij}})---\left(2\right)$

$Q_i=V_i\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_j(G_{\mathrm{ij}}\sin {\mathrm{\&delta;}}_{\mathrm{ij}}+B_{\mathrm{ij}}\cos {\mathrm{\&delta;}}_{\mathrm{ij}})---\left(3\right)$

其中，P_i为有功潮流

Q_i为无功潮流

V_i是节点i的电压，G_ij和B_ij为节点导纳矩阵元素，δ_ij为节点电压角度差。

具体实施例中，根据式(4)确定含分布式电源的配电网无功优化遗传算法模型的不等式约束；

$\left\{\begin{array}{c}{T}_{i\min }\&le;T_i\&le;T_{i\max }\\ Q_{\mathrm{ci}\min }\&le;Q_{\mathrm{ci}}\&le;Q_{\mathrm{ci}\max }\\ V_{i\min }\&le;V_i\&le;V_{i\max }\\ Q_{\mathrm{Gi}\min }\&le;Q_{\mathrm{Gi}}\&le;Q_{\mathrm{Gi}\max }\\ {\mathrm{\&eta;}}_{i\min }\&le;{\mathrm{\&eta;}}_i\&le;{\mathrm{\&eta;}}_{i\max }\end{array}\right.---\left(4\right)$

其中，T_i是可调控变压器分接头的位置；V_i是节点i的电压；Q_ci是并联无功补偿容量；η_i是节点i配变高压侧的功率因数；Q_Gi是发电机出力。

具体实施例中，根据预设的优先级参数、所述无功优化的等式约束、不等式约束以及含分布式电源的配电网无功优化遗传算法模型生成无功优化结果包括：

根据所述含分布式电源的配电网无功优化遗传算法模型进行遗传算法编码，进行构造适应度函数、变异概率、交叉概率以及二次变异计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果；

根据所述预设的优先级参数、无功优化的等式约束、不等式约束、遗传算法模型的编码、交叉概率以及二次变异计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果含分布式电源的确定配电网无功优化遗传算法模型的最优解；

根据所述含分布式电源的配电网无功优化遗传算法模型的最优解生成无功优化结果。

具体实施例中，根据所述含分布式电源的配电网无功优化遗传算法模型进行遗传算法编码包括：

采用遗传算法二进制编码，生成的编码结构为式(5)；

X＝[V_G1,...,V_GN1|T_K1,...,T_KN2|Q_C1,...,Q_CN2] (5)

其中，V_G1为发电机1机端电压，V_GN1为发电机N1机端电压，T_K1为变压器1档位，T_KN2为变压器N2档位，Q_C1为电容器1无功补偿容量，Q_CN2为电容器N2无功补偿容量。

具体实施例中，进行构造适应度函数、变异概率、交叉概率以及二次变异计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果包括：

根据式(6)进行适应度函数的计算，

f_i＝1/F_i (6)

其中，f_i为个体i的适应度；F_i为个体i的目标函数值；

根据变异个体的适应度值、种群最大适应度值、种群平均适应度值、要交叉的两个体中较大的适应度值及是(7)、式(8)计算所述变异概率和交叉概率；

$P_c=\left\{\begin{array}{cc}\frac{k_1(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}},& f\&GreaterEqual;f_{\mathrm{avg}}\\ k_2,& f<f_{\mathrm{avg}}\end{array}\right.---\left(7\right)$

$P_m=\left\{\begin{array}{cc}\frac{k_3(f_{\max }-f^{\&prime;})}{f_{\max }-f_{\mathrm{avg}}},& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ k_4,& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.---\left(8\right)$

其中，f_avg为种群平均适应值；f'为变异个体的适应度值；f_max为种群中最大适应值；f为要交叉的两个个体中较大的适应度值；k₁、k₂、k₃和k₄为常数。

本实施例中，进行二次变异的作用是将某代中重复个体数目大于或等于种群个数的一半时，把这些重复个体取出，只保留一个个体在原种群中，其余个体在每个变量最后一位加1，或减1，加或减随机确定。这种方法产生了一个原个体附近的新个体,增强局部寻优能力。

具体实施例中，根据所述预设的优先级参数、无功优化的等式约束、不等式约束、遗传算法模型的编码以及交叉概率计算生成适应度函数、变异概率以及交叉概率的计算结果确定含分布式电源的配电网无功优化遗传算法模型的最优解包括：

种群初始化并根据式(5)的编码结构生成初始种群；

根据式(2)、式(3)的无功优化等式约束、式(4)的不等式约束及式(1)计算目标函数值；

根据所述目标函数值和式(6)确定适应度值；

判断所述适应度值满足收敛准则，保留精英个体，输出遗传算法目标函数值，本实施例中，收敛准则的收敛条件设定为连续5代目标函数值没有减小且计算代数大于设置的最小代数，同时小于设置的最大代数。

判断所述适应度值不满足收敛准则，执行选择操作、交叉操作及变异操作；

判断执行选择操作、交叉操作及变异操作后的重复个体数量小于种群数量的一半，保留最优个体生成配电网无功优化遗传算法模型的最优解。

判断执行选择操作、交叉操作及变异操作后的重复个体数量不小于种群数量的一半，进行二次变异，确定配电网无功优化遗传算法模型的最优解。

下面结合具体的实施例对本发明提供的一种配电网实时无功优化方法进行详细说明，本实施例提供了一种基于改进遗传算法的含DG配电网实时无功优化方法具体说明如下：

一、建立无功优化的数学模型；

在本发明实施例中，所建立无功优化的数学模型的无功优化的目标函数考虑三个优先级：

第一优先级：节点电压和DG无功出力不越限；

第二优先级：变压器和电容器等设备动作个数；

第三优先级：***有功网损最小。

根据上述方法，考虑到实时无功优化要满足安全性、时效性和经济性，在***电压未越限时，***不动作，越限时，通过调节分区结果中越限区域所对应的变量使其电压合格；由于是实时无功优化，负荷在频繁变化，为了减少设备的损耗，所以要使变压器和电容器的总调节个数尽量小；最后考虑有功网损最小。

在本发明实施例中，所建立实时无功优化问题的目标函数表达式为：

$\min f=p_1*\{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\frac{\mathrm{\&Delta;}{U}_i}{\mathrm{\&Delta;}{U}_{m_i}}\right)}^2+\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\left(\frac{\mathrm{\&Delta;Q}{G}_i}{\mathrm{\&Delta;}{G}_{m_i}}\right)}^2\}+p_2*t+p_3*\mathrm{\&Delta;P}+\mathrm{\&lambda;\&Delta;}\cos {\mathrm{\&theta;}}_i$

其中 $\mathrm{\&Delta;}{U}_i=\left\{\begin{array}{cc}{U}_{\min i}-U_i;& U_i<U_{\min i}\\ 0;& U_{\min i}<U_i<U_{\max i}\\ U_{\max i}-U_i;& U_i>U_{\max i}\end{array}\right.$

$\mathrm{\&Delta;}{U}_{m_i}=U_{\max i}-U_{\min i}$

$\mathrm{\&Delta;}{\mathrm{QG}}_i=\left\{\begin{array}{cc}{\mathrm{QG}}_{\min i}-{\mathrm{QG}}_i;& {\mathrm{QG}}_i<{\mathrm{QG}}_{\min i}\\ 0;& {\mathrm{QG}}_{\min i}<{\mathrm{QG}}_i<{\mathrm{QG}}_{\max i}\\ {\mathrm{QG}}_i-Q{G}_{\max i};& {\mathrm{QG}}_i>{\mathrm{QG}}_{\max i}\end{array}\right.$

ΔQG_i＝QG_maxi-QG_mini

$\mathrm{\&Delta;P}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_i\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\&xi;}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\&xi;}}_{\mathrm{ij}})$

$\min f=p_1*\{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\frac{\mathrm{\&Delta;}{U}_i}{\mathrm{\&Delta;}{U}_{m_i}}\right)}^2+\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\left(\frac{\mathrm{\&Delta;Q}{G}_i}{\mathrm{\&Delta;}{G}_{m_i}}\right)}^2\}+p_2*t+p_3*\mathrm{\&Delta;P}+\mathrm{\&lambda;\&Delta;}\cos {\mathrm{\&theta;}}_i$

其中，p₁、p₂、p₃为所述的预设的优先级参数；

n是节点总数，m是分布式电源的个数；

U_i,U_mini和U_maxi分别为结点的电压幅值，最低允许电压和最高允许电压；

QG_i,QG_mini和QG_maxi分别表示发电机节点的无功功率、无功出力下限以及无功出力上限；

t是变压器和电容器总的调节个数；

ξ_ij为电压相角；

G_ij和B_ij为通过电网参数求解得出节点导纳矩阵元素。

ΔP是***有功网损。

λ是罚函数因子，Δcosθ_i是所有接配变的节点的功率因数越限量。

由于在10kV线路中加入配变变压器，所以在目标函数中还加入了一个罚函数来使接配变的节点的功率因数在0.95到0.98的范围内。

本实施例中，上述目标函数的约束包含：等式约束与不等式约束。

具体的，本发明实施例中的实时无功优化问题的等式约束为：

$P_i=V_i\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\&delta;}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\&delta;}}_{\mathrm{ij}})$

$Q_i=V_i\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_j(G_{\mathrm{ij}}\sin {\mathrm{\&delta;}}_{\mathrm{ij}}+B_{\mathrm{ij}}\cos {\mathrm{\&delta;}}_{\mathrm{ij}})$

其中，P_i为有功潮流，Q_i为无功潮流，δ_ij为节点电压角度差；G_ij和B_ij为节点导纳矩阵元素。

实时无功优化问题的不等式约束为：

$\left\{\begin{array}{c}{T}_{i\min }\&le;T_i\&le;T_{i\max }\\ Q_{\mathrm{ci}\min }\&le;Q_{\mathrm{ci}}\&le;Q_{\mathrm{ci}\max }\\ V_{i\min }\&le;V_i\&le;V_{i\max }\\ Q_{\mathrm{Gi}\min }\&le;Q_{\mathrm{Gi}}\&le;Q_{\mathrm{Gi}\max }\\ {\mathrm{\&eta;}}_{i\min }\&le;{\mathrm{\&eta;}}_i\&le;{\mathrm{\&eta;}}_{i\max }\end{array}\right.$

其中，T_i是可调控变压器分接头的位置；V_i是i节点的电压；Q_ci是并联无功补偿容量；η_i是节点i配变高压侧的功率因数；Q_Gi是发电机出力。

在本发明实施例中，改进遗传算法的过程包含遗传算法的编码、构造适应度函数、选择、交叉与变异和二次变异过程确定。

可选的，在本发明一实施例中，采用二进制编码，个体编码结构为：

遗传算法编码确定：

X＝[V_G1,...,V_GN1|T_K1,...,T_KN2|Q_C1,...,Q_CN2]

其中，机端电压V的精度为0.001，以满足其连续变化的要求。V_G1为发电机1机端电压，V_GN1为发电机N1机端电压，T_K1为变压器1档位，T_KN2为变压器N2档位，Q_C1为电容器1无功补偿容量，Q_CN2为电容器N2无功补偿容量。

实时无功优化中有两种类型的控制变量,一种是PV可控型DG的机端电压和PQ可控型DG的无功出力,为连续变量，另一种是无功补偿容量和可调变压器的挡位,为离散的可控变量。

本发明实施例中，适应度函数为：

f_i＝1/F_i

式中,f_i是个体i的适应度；F_i是个体i的目标函数值。

现有技术的遗传算法是以每个个体的适应度的大小判断其优良的程度，适应度越大，个体越好。但本发明中的改进遗传算法适应度函数的确定基于求解目标函数的最小值。

可选的，在本发明一实施例中，变异概率P_m和交叉概率P_c为：

$P_c=\left\{\begin{array}{cc}\frac{k_1(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}},& f\&GreaterEqual;f_{\mathrm{avg}}\\ k_2,& f<f_{\mathrm{avg}}\end{array}\right.$

$P_m=\left\{\begin{array}{cc}\frac{k_3(f_{\max }-f^{\&prime;})}{f_{\max }-f_{\mathrm{avg}}},& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ k_4,& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

f_avg为种群平均适应值；f'为变异个体的适应度值；f_max为种群中最大适应值；f为要交叉的两个个体中较大的适应度值；k₁、k₂、k₃和k₄为常数。

选择操作实施准则是优秀的个体具有较大的概率被选为父代来产生下一代,采用锦标赛的方法来选择。交叉的方法选用均匀交叉，因为均匀交叉的效果通常比一点交叉或两点交叉好；交叉概率和变异概率通过自适应方法计算得出，变异的位置不能仅仅一个，这样会导致种群多样性不足，但变异位置太多会导致种群收敛慢，所以如果种群最大适应值和最小适应值是相等的，则只有一个变异位，不然的话随机生成变异位的个数，再随机生成这几次变异的位置，随后进行变异。

可选的，在本发明一实施例中，二次变异过程为：

当某代中重复个体数目大于或等于种群个数的一半时，把这些重复个体取出，只保留一个个体在原种群中；

其余个体在每个变量最后一位加1或减1，加或减随机确定。

步骤二：根据无功优化的数学模型，基于改进的遗传算法进行最优解的求解；

可选的，在本发明一实施例中，基于改进的遗传算法进行最优解的求解的算法步骤包括：

步骤1：种群初始化。包括设定参数，对求解的变量编码和生成初始种群，并把分区的结果加到初始种群中。

步骤2：

a)进行潮流计算。

b)计算网损。

c)由电容器和变压器动作个数、各变量越限值和网损据无功优化问题的目标函数计算目标函数值。

d)通过目标函数值来生成适应度值。

步骤3：如果满足收敛准则，输出结果，即输出最优个体；反之，进行下一步。

步骤4：执行选择操作、交叉操作和变异操作。

步骤5：检查重复个体数量是否等于或超过种群数量的一半，若满足，进行二次变异；否则不进行二次变异。

步骤6：保留最优个体

步骤7：返回步骤2。

遗传算法每次计算结果和收敛情况并不相同，假如设置了固定的代数,则有可能并未收敛就停止寻优，所以设定连续多代的目标函数值没有减小或减小值极小的话，则表示已经收敛。并设置了最小计算代数来避免早熟。但由于实时无功优化要求速度要快，所以设定了最大计算代数。因此收敛条件设为连续5代目标函数值没有减小或减小值极小且计算代数在最大和最小计算代数之间。

三、结合本实施例的方案进行算例分析如下：

表1控制变量参数表

用IEEE-33节点计算比较。在***中加入了分布式电源和配电变压器，13节点接入风机，容量是300kVA，23节点接入光伏，容量是300kVA，31节点接入微型燃气轮机，接入容量是300kVA，11和29节点接入电容器，接入容量20kVA，在3，19和26节点加配电变压器和电容器，每个电容器的容量是20kVA。控制变量及范围如上表所示。即根据遗传算法的编码结构式(5)和表1中的控制变量，确定遗传算法模型中的个体，然后依据前述的目标函数、适应度值的计算确定个体中的最优个体，根据确定的最优个体对电网参数进行优化控制。

表2计算代数统计表

用基于无功源控制空间聚类分析的方法，把33节点***分成4个区，33,1,18,19,20,21以及19下接配电变压器的36节点是1区，2,3,4,22,23,24以及3节点下接的配变变压器的35节点是2区，从7节点到17节点是3区，27到32节点是4区。表2为分别采用多变异位自适应遗传算法和本发明的方案进行优化的遗传算法代数统计，现有技术的多变异位自适应遗传算法(以下简称为MMAdapGA)没有加入分区信息、二次变异和精英保留策略。而用本文的方法和多变异位自适应遗传算法计算进行比较。因为遗传算法每次计算的代数和结果可能不同，只能通过大量计算来统计结果做比较。防止早熟，设置最小代数是10代，又防止运算时间过长，最大代数设置为30代，群体规模均是50。两种方法其余条件及参数都一致。分别计算100次,早熟率和计算代数的统计结果如上表所示，

表3优化后网损、动作个数和越限量统计表

从上表可以看出，采用本文所使用的方法优化后的平均网损远远比MMAdapGA的优化结果好，因为网损是第三优先级，所以有时候网损反而会大于优化前，这虽然使***电压不越限，动作个数尽量小，但经济效益也不是很高，而本文的方法得出的结果在变压器和电容器的动作个数最小的情况下，使电压不越限和网损非常小，并且本文方法算出的最小网损和最大网损只有0.0018的差距，说明本文的方法较MMAdapGA寻优性能及稳定性更好。虽然本文方法优化后的网损不如Fmincon函数优化的好，但是相差不大，而且优化时间远远低于Fmincon的优化时间。

此外，如图2所示，本发明还提供了一种含分布式电源的配电网无功优化装置，包括：

模型建立模块201，用于根据预设的含分布式电源的配电网控制参数和遗传算法模型建立含分布式电源的配电网无功优化遗传算法模型；

等式约束确定模块202，用于对所述预设的含分布式电源的配电网控制参数进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束；

不等式约束确定模块203，用于根据所述含分布式电源的配电网控制参数中的可调控变压器分接头的位置、各节点电压、并联无功补偿容量发电机出力及各节点配变高压侧的功率因数确定含分布式电源的配电网无功优化遗传算法模型的不等式约束；

优化结果生成模块204，用于根据预设的优先级参数、所述无功优化的等式约束、不等式约束以及含分布式电源的配电网无功优化遗传算法模型生成无功优化结果。

具体实施例中，模型建立模块根据预设的配电网控制参数和遗传算法模型建立含分布式电源的配电网无功优化遗传算法模型包括：

根据式(1)建立含分布式电源的配电网无功优化遗传算法模型的目标函数，

$\min f=p_1*\{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\frac{\mathrm{\&Delta;}{U}_i}{\mathrm{\&Delta;}{U}_{m_i}}\right)}^2+\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\left(\frac{\mathrm{\&Delta;Q}{G}_i}{\mathrm{\&Delta;}{G}_{m_i}}\right)}^2\}+p_2*t+p_3*\mathrm{\&Delta;P}+\mathrm{\&lambda;\&Delta;}\cos {\mathrm{\&theta;}}_i---\left(1\right)$

其中， $\mathrm{\&Delta;}{U}_i=\left\{\begin{array}{cc}{U}_{\min i}-U_i;& U_i<U_{\min i}\\ 0;& U_{\min i}<U_i<U_{\max i}\\ U_{\max i}-U_i;& U_i>U_{\max i}\end{array}\right.$

$\mathrm{\&Delta;}{U}_{m_i}=U_{\max i}-U_{\min i}$

$\mathrm{\&Delta;}{\mathrm{QG}}_i=\left\{\begin{array}{cc}{\mathrm{QG}}_{\min i}-{\mathrm{QG}}_i;& {\mathrm{QG}}_i<{\mathrm{QG}}_{\min i}\\ 0;& {\mathrm{QG}}_{\min i}<{\mathrm{QG}}_i<{\mathrm{QG}}_{\max i}\\ {\mathrm{QG}}_i-Q{G}_{\max i};& {\mathrm{QG}}_i>{\mathrm{QG}}_{\max i}\end{array}\right.$

ΔQG_i＝QG_maxi-QG_mini

$\mathrm{\&Delta;P}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_i\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\&xi;}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\&xi;}}_{\mathrm{ij}})$

其中，p₁、p₂、p₃为所述的预设的优先级参数；

n是节点总数，m是分布式电源的个数；

U_i,U_mini和U_maxi分别为结点的电压幅值，最低允许电压和最高允许电压；

QG_i,QG_mini和QG_maxi分别表示发电机节点的无功功率、无功出力下限以及无功出力上限；

t是变压器和电容器总的调节个数；

ξ_ij为电压相角；

G_ij和B_ij为通过电网参数求解得出节点导纳矩阵元素。

ΔP是***有功网损。

λ是罚函数因子，Δcosθ_i是所有接配变的节点的功率因数越限量。

由于在10kV线路中加入配变变压器，所以在目标函数中还加入了一个罚函数来使接配变的节点的功率因数在0.95到0.98的范围内。

具体实施例中，等式约束确定模块对所述预设的含分布式电源的配电网控制参数进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束包括：根据式(2)、式(3)进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束；

$P_i=V_i\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\&delta;}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\&delta;}}_{\mathrm{ij}})---\left(2\right)$

$Q_i=V_i\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_j(G_{\mathrm{ij}}\sin {\mathrm{\&delta;}}_{\mathrm{ij}}+B_{\mathrm{ij}}\cos {\mathrm{\&delta;}}_{\mathrm{ij}})---\left(3\right)$

其中，P_i为有功潮流

Q_i为无功潮流

V_i是节点i的电压，G_ij和B_ij为节点导纳矩阵元素，δ_ij为节点电压角度差。

具体实施例中，不等式约束确定模块根据式(4)确定配电网无功优化遗传算法模型的不等式约束；

$\left\{\begin{array}{c}{T}_{i\min }\&le;T_i\&le;T_{i\max }\\ Q_{\mathrm{ci}\min }\&le;Q_{\mathrm{ci}}\&le;Q_{\mathrm{ci}\max }\\ V_{i\min }\&le;V_i\&le;V_{i\max }\\ Q_{\mathrm{Gi}\min }\&le;Q_{\mathrm{Gi}}\&le;Q_{\mathrm{Gi}\max }\\ {\mathrm{\&eta;}}_{i\min }\&le;{\mathrm{\&eta;}}_i\&le;{\mathrm{\&eta;}}_{i\max }\end{array}\right.---\left(4\right)$

其中，T_i是可调控变压器分接头的位置；V_i是节点i的电压；Q_ci是并联无功补偿容量；η_i是节点i配变高压侧的功率因数；Q_Gi是发电机出力。

具体实施例中，优化结果生成模块包括：

遗传算法计算单元，用于根据所述含分布式电源的配电网无功优化遗传算法模型进行遗传算法编码，进行构造适应度函数、变异概率、交叉概率以及二次变异计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果；

最优解确定单元，根据所述预设的优先级参数、无功优化的等式约束、不等式约束、遗传算法模型的编码以及交叉概率计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果确定含分布式电源的配电网无功优化遗传算法模型的最优解；

优化结果生成单元，根据所述含分布式电源的配电网无功优化遗传算法模型的最优解生成无功优化结果。

具体实施例中，遗传算法计算单元根据所述含分布式电源的配电网无功优化遗传算法模型进行遗传算法编码包括：

采用遗传算法二进制编码，生成的编码结构为式(5)；

X＝[V_G1,...,V_GN1|T_K1,...,T_KN2|Q_C1,...,Q_CN2] (5)

其中，V_G1为发电机1机端电压，V_GN1为发电机N1机端电压，T_K1为变压器1档位，T_KN2为变压器N2档位，Q_C1为电容器1无功补偿容量，Q_CN2为电容器N2无功补偿容量。

具体实施例中，遗传算法计算单元进行构造适应度函数、变异概率、交叉概率以及二次变异计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果包括：

根据式(6)进行适应度函数的计算，

f_i＝1/F_i(6)

其中，f_i为个体i的适应度；F_i为个体i的目标函数值；

根据变异个体的适应度值、种群最大适应度值、种群平均适应度值、要交叉的两个体中较大的适应度值及是(7)、式(8)计算所述变异概率和交叉概率；

$P_c=\left\{\begin{array}{cc}\frac{k_1(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}},& f\&GreaterEqual;f_{\mathrm{avg}}\\ k_2,& f<f_{\mathrm{avg}}\end{array}\right.---\left(7\right)$

$P_m=\left\{\begin{array}{cc}\frac{k_3(f_{\max }-f^{\&prime;})}{f_{\max }-f_{\mathrm{avg}}},& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ k_4,& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.---\left(8\right)$

其中，f_avg为种群平均适应值；f'为变异个体的适应度值；f_max为种群中最大适应值；f为要交叉的两个个体中较大的适应度值；k₁、k₂、k₃和k₄为常数。

二次变异是将某代中重复个体数目大于或等于种群个数的一半时，把这些重复个体取出，只保留一个个体在原种群中，其余个体在每个变量最后一位加1，或减1，加或减随机确定。这种方法产生了一个原个体附近的新个体,增强局部寻优能力。

具体实施例中，最优解确定单元包括：

初始化单元，进行种群初始化并根据式(5)的编码结构生成初始种群；

目标函数值计算单元，根据式(2)、式(3)的无功优化等式约束、式(4)的不等式约束及式(1)计算目标函数值；

适应度值计算单元，用于根据所述目标函数值和式(6)确定适应度值；

判断所述适应度值满足收敛准则，保留精英个体，输出遗传算法目标函数值，收敛条件设定为连续5代目标函数值没有减小且计算代数大于设置的最小代数，同时小于设置的最大代数。

具体实施例中，最优解确定单元还包括：

操作执行单元，所述的判断单元判断所述适应度值不满足收敛准则时，用于执行选择操作、交叉操作及变异操作；

重复个体数判断单元，用于判断执行选择操作、交叉操作及变异操作后的重复个体数量小于种群数量的一半，保留最优个体生成配电网无功优化遗传算法模型的最优解。

具体实施例中，最优解确定单元还包括：

二次变异执行单元，用于判断执行选择操作、交叉操作及变异操作后的重复个体数量不小于种群数量的一半时，进行二次变异，确定配电网无功优化遗传算法模型的最优解。

本发明提出了配电网实时无功优化相比现有技术而言，遗传算法求解问题时要求的信息不多，求解过程也不复杂，可以较大几率的得到最优解或次优解，并且方便加入分区结果，具有较多优点，广泛应用于电力***无功优化领域。因为实时无功优化需要保证速度快，本发明一方面为了使算法能较快收敛并且能以较大的概率跳出局部最优，对***进行分区，自适应遗传算法形成初始种群时利用已有的分区信息,另一方面加入二次变异以获得更小的最优解。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (18)

1.一种含分布式电源的配电网无功优化方法，其特征在于，所述的方法包括：

步骤1，根据预设的含分布式电源的配电网控制参数和遗传算法模型建立含分布式电源的配电网无功优化遗传算法模型；

步骤2，对所述预设的含分布式电源的配电网控制参数进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束；

步骤3，根据所述的含分布式电源的配电网控制参数中的可调控变压器分接头的位置、各节点电压、并联无功补偿容量发电机出力及各节点配变高压侧的功率因数确定含分布式电源的配电网无功优化遗传算法模型的不等式约束；

步骤4，根据预设的优先级参数、所述无功优化的等式约束、不等式约束以及配电网无功优化遗传算法模型生成无功优化结果；

其中，所述步骤1包括：

根据式(1)建立含分布式电源的配电网无功优化遗传算法模型的目标函数，

其中，

ΔQG_i＝QG_maxi-QG_mini

其中，p₁、p₂、p₃为所述的预设的优先级参数；

n是节点总数，m是分布式电源的个数；

U_i,U_mini和U_maxi分别为结点的电压幅值，最低允许电压和最高允许电压；

QG_i,QG_mini和QG_maxi分别表示发电机节点的无功功率、无功出力下限以及无功出力上限；

t是变压器和电容器总的调节个数；

ξ_ij为电压相角；

G_ij和B_ij为通过电网参数求解得出的节点导纳矩阵元素；

ΔP是***有功网损；

λ是罚函数因子，Δcosθ_i是所有接配变的节点的功率因数越限量；

V_i是节点i的电压，V_j是节点j的电压。

2.如权利要求1所述的含分布式电源的配电网无功优化方法，其特征在于，所述的步骤2对所述预设的含分布式电源的配电网控制参数进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束包括：根据式(2)、式(3)进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束；

其中，P_i为有功潮流，Q_i为无功潮流，G_ij和B_ij为通过电网参数求解得的节点导纳矩阵元素，δ_ij为节点电压角度差。

3.如权利要求1所述的含分布式电源的配电网无功优化方法，其特征在于，所述的步骤3确定含分布式电源的配电网无功优化遗传算法模型的不等式约束包括根据式(4)确定含分布式电源的配电网无功优化遗传算法模型的不等式约束；

其中，T_i是可调控变压器分接头的位置；V_i是节点i的电压；Q_ci是并联无功补偿 容量；η_i是节点i配变高压侧的功率因数；Q_Gi是发电机出力；

T_imin是可调控变压器分接头的位置的最小值；

T_imax是可调控变压器分接头的位置的最大值；

V_imin是节点i的最小电压；

V_imax是节点i的最大电压；

Q_cimin是并联无功补偿容量的最小值；

Q_cimax是并联无功补偿容量的最大值；

η_imin是节点i配变高压侧的功率因数的最小值；

η_imax是节点i配变高压侧的功率因数的最大值；

Q_Gimin是发电机出力的最小值；

Q_Gimax是发电机出力的最大值。

4.如权利要求2或3所述的含分布式电源的配电网无功优化方法，其特征在于，所述的步骤4根据预设的优先级参数、所述无功优化的等式约束、不等式约束以及含分布式电源的配电网无功优化遗传算法模型生成无功优化结果包括：

根据所述含分布式电源的配电网无功优化遗传算法模型进行遗传算法编码，进行构造适应度函数、变异概率、交叉概率以及二次变异计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果；

根据所述预设的优先级参数、无功优化的等式约束、不等式约束、遗传算法模型的编码以及交叉概率计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果确定含分布式电源的配电网无功优化遗传算法模型的最优解；

根据所述含分布式电源配电网无功优化遗传算法模型的最优解生成无功优化结果。

5.如权利要求4所述的含分布式电源的配电网无功优化方法，其特征在于，所述的根据所述含分布式电源的配电网无功优化遗传算法模型进行遗传算法编码包括：

采用遗传算法二进制编码，生成的编码结构为式(5)；

X＝[V_G1,...,V_GN1|T_K1,...,T_KN2|Q_C1,...,Q_CN2] (5)

其中，V_G1为发电机1机端电压，V_GN1为发电机N1机端电压，T_K1为变压器1档位，T_KN2为变压器N2档位，Q_C1为电容器1无功补偿容量，Q_CN2为电容器N2无功补 偿容量。

6.如权利要求5所述的含分布式电源的配电网无功优化方法，其特征在于，所述的进行构造适应度函数、变异概率、交叉概率以及二次变异计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果包括：

根据式(6)进行适应度函数的计算，

f_i＝1/F_i (6)

其中，f_i为个体i的适应度；F_i为个体i的目标函数值；

根据变异个体的适应度值、种群最大适应度值、种群平均适应度值、要交叉的两个体中较大的适应度值及式(7)、式(8)计算所述变异概率和交叉概率；

其中，f_avg为种群平均适应值；f'为变异个体的适应度值；f_max为种群中最大适应值；f为要交叉的两个个体中较大的适应度值；k₁、k₂、k₃和k₄为常数。

7.如权利要求6所述的含分布式电源的配电网无功优化方法，其特征在于，所述的根据所述预设的优先级参数、无功优化的等式约束、不等式约束、遗传算法模型的编码以及交叉概率计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果确定含分布式电源的配电网无功优化遗传算法模型的最优解包括：

种群初始化并根据式(5)的编码结构生成初始种群；

根据式(2)、式(3)的无功优化等式约束、式(4)的不等式约束及式(1)计算目标函数值；

根据所述目标函数值和式(6)确定适应度值；

判断所述适应度值是否满足收敛准则，其中，所述收敛准则的收敛条件设定为连续5代目标函数值没有减小且计算代数大于预先设置的最小代数，同时小于预先设置的最大代数；

判断所述适应度值满足收敛准则，保留最优个体输出目标函数值。

8.如权利要求7所述的含分布式电源的配电网无功优化方法，其特征在于，所述的方法还包括：

判断所述适应度值不满足收敛准则，执行选择操作、交叉操作及变异操作；

判断执行选择操作、交叉操作及变异操作后的重复个体数量小于种群数量的一半，保留最优个体生成含分布式电源的配电网无功优化遗传算法模型的最优解。

9.如权利要求8所述的含分布式电源的配电网无功优化方法，其特征在于，所述的方法还包括：

判断执行选择操作、交叉操作及变异操作后的重复个体数量不小于种群数量的一半，进行二次变异，确定含分布式电源的配电网无功优化遗传算法模型的最优解。

10.一种含分布式电源的配电网无功优化装置，其特征在于，所述的装置包括：

模型建立模块，用于根据预设的配电网控制参数和遗传算法模型建立含分布式电源的配电网无功优化遗传算法模型；

等式约束确定模块，用于对所述预设的含分布式电源的配电网控制参数进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束；

不等式约束确定模块，用于根据所述含分布式电源的配电网控制参数中的可调控变压器分接头的位置、各节点电压、并联无功补偿容量发电机出力及各节点配变高压侧的功率因数确定含分布式电源的配电网无功优化遗传算法模型的不等式约束；

优化结果生成模块，用于根据预设的优先级参数、所述无功优化的等式约束、不等式约束以及含分布式电源的配电网无功优化遗传算法模型生成无功优化结果；

其中，所述的模型建立模块根据预设的含分布式电源的配电网控制参数和遗传算法模型建立配电网无功优化遗传算法模型包括：

根据式(1)建立配电网无功优化遗传算法模型的目标函数，

其中，

ΔQG_i＝QG_maxi-QG_mini

其中，p₁、p₂、p₃为所述的预设的优先级参数；

n是节点总数，m是分布式电源的个数；

U_i,U_mini和U_maxi分别为结点的电压幅值，最低允许电压和最高允许电压；

QG_i,QG_mini和QG_maxi分别表示发电机节点的无功功率、无功出力下限以及无功出力上限；

t是变压器和电容器总的调节个数；

ξ_ij为电压相角；

G_ij和B_ij为通过电网参数求解得出节点导纳矩阵元素；

ΔP是***有功网损；

λ是罚函数因子；Δcosθ_i是所有接配变的节点的功率因数越限量；

V_i是节点i的电压，V_j是节点j的电压。

11.如权利要求10所述的含分布式电源的配电网无功优化装置，其特征在于，所述的等式约束确定模块对所述预设的配电网控制参数进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束包括：根据式(2)、式(3)进行潮流计算确定含分布式电源的配电网无功优化遗传算法模型的无功优化的等式约束；

其中，P_i为有功潮流，Q_i为无功潮流，G_ij和B_ij为节点导纳矩阵元素，δ_ij为节点电压 角度差。

12.如权利要求10所述的含分布式电源的配电网无功优化装置，其特征在于，所述的不等式约束确定模块根据式(4)确定含分布式电源的配电网无功优化遗传算法模型的不等式约束；

其中，T_i是可调控变压器分接头的位置；V_i是节点i的电压；Q_ci是并联无功补偿容量；η_i是节点i配变高压侧的功率因数；Q_Gi是发电机出力；

T_imin是可调控变压器分接头的位置的最小值；

T_imax是可调控变压器分接头的位置的最大值；

V_imin是节点i的最小电压；

V_imax是节点i的最大电压；

Q_cimin是并联无功补偿容量的最小值；

Q_cimax是并联无功补偿容量的最大值；

η_imin是节点i配变高压侧的功率因数的最小值；

η_imax是节点i配变高压侧的功率因数的最大值；

Q_Gimin是发电机出力的最小值；

Q_Gimax是发电机出力的最大值。

13.如权利要求11或12所述的含分布式电源的配电网无功优化装置，其特征在于，所述的优化结果生成模块包括：

遗传算法计算单元，用于根据所述含分布式电源的配电网无功优化遗传算法模型进行遗传算法编码，进行构造适应度函数、变异概率、交叉概率以及二次变异计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果；

最优解确定单元，根据所述预设的优先级参数、无功优化的等式约束、不等式约束、遗传算法模型的编码以及交叉概率计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果确定含分布式电源的配电网无功优化遗传算法模型的最优解；

优化结果生成单元，根据所述含分布式电源的配电网无功优化遗传算法模型的最优解生成无功优化结果。

14.如权利要求13所述的含分布式电源的配电网无功优化装置，其特征在于，所述的遗传算法计算单元根据所述含分布式电源的配电网无功优化遗传算法模型进行遗传算法编码包括：

采用遗传算法二进制编码，生成的编码结构为式(5)；

X＝[V_G1,...,V_GN1|T_K1,...,T_KN2|Q_C1,...,Q_CN2] (5)

其中，V_G1为发电机1机端电压，V_GN1为发电机N1机端电压，T_K1为变压器1档位，T_KN2为变压器N2档位，Q_C1为电容器1无功补偿容量，Q_CN2为电容器N2无功补偿容量。

15.如权利要求14所述的含分布式电源的配电网无功优化装置，其特征在于，所述的遗传算法计算单元进行构造适应度函数、变异概率、交叉概率以及二次变异计算生成适应度函数、变异概率、交叉概率以及二次变异的计算结果包括：

根据式(6)进行适应度函数的计算，

f_i＝1/F_i (6)

其中，f_i为个体i的适应度；F_i为个体i的目标函数值；

根据变异个体的适应度值、种群最大适应度值、种群平均适应度值、要交叉的两个体中较大的适应度值及式(7)、式(8)计算所述变异概率和交叉概率；

其中，f_avg为种群平均适应值；f'为变异个体的适应度值；f_max为种群中最大适应值；f为要交叉的两个个体中较大的适应度值；k₁、k₂、k₃和k₄为常数。

16.如权利要求15所述的含分布式电源的配电网无功优化装置，其特征在于，所述的最优解确定单元包括：

初始化单元，进行种群初始化并根据式(5)的编码结构生成初始种群；

目标函数值计算单元，根据式(2)、式(3)的无功优化等式约束、式(4)的不等式约束及式(1)计算目标函数值；

适应度值计算单元，用于根据所述目标函数值和式(6)确定适应度值；

判断所述适应度值是否满足收敛准则，其中，收敛准则的收敛条件设定为连续5代目标函数值没有减小且计算代数大于预先设置的最小代数，同时小于预先设置的最大代数；

判断所述适应度值满足收敛准则，保留最优个体输出目标函数值。

17.如权利要求16所述的含分布式电源的配电网无功优化装置，其特征在于，所述最优解确定单元还包括：

操作执行单元，所述的判断单元判断所述适应度值不满足收敛准则时，用于执行选择操作、交叉操作及变异操作；

重复个体数判断单元，用于判断执行选择操作、交叉操作及变异操作后的重复个体数量小于种群数量的一半，保留最优个体生成含分布式电源的配电网无功优化遗传算法模型的最优解。

18.如权利要求17所述的含分布式电源的配电网无功优化装置，其特征在于，所述的最优解确定单元还包括：

二次变异执行单元，用于判断执行选择操作、交叉操作及变异操作后的重复个体数量不小于种群数量的一半时，进行二次变异，确定含分布式电源的配电网无功优化遗传算法模型的最优解。