CN108448620B - 基于综合性能指标的高渗透率分布式电源集群划分方法 - Google Patents

Abstract

本发明公开了基于综合性能指标的高渗透率分布式电源集群划分方法，涉及可再生能源电源的配电网规划和控制技术领域，集群划分的指标体系与集群划分的有效算法；集群划分的指标定义为综合性能指标，综合性能指标包括基于电气距离的模块度指标ρ、集群的无功平衡度指标

和集群的有功平衡度指标

为适应综合性能指标体系的计算表达以及集群划分的客观要求，集群划分的有效算法是利用遗传算法进行分布式电源集群划分，同时，改进了基本遗传算法，根据网络的邻接关系设计了染色体的编码方式，并采用了自适应交叉变异概率。本发明优点在于：能够充分发挥节点之间的互补性与集群的自治能力，有益于对大规模可再生能源的消纳与控制。

Description

基于综合性能指标的高渗透率分布式电源集群划分方法

技术领域

本发明涉及可再生能源电源的配电网规划和控制技术领域，更具体涉及基于综合性能指标的高渗透率分布式电源集群划分方法。

背景技术

可再生能源的需求增加以及人们对环境问题的关注促进了可再生能源发电的快速发展。尤其在边远地区的配电网中，随着国家新能源扶贫政策的进一步强化，大量分布式可再生能源接入电网，部分地区已经出现渗透率大于100％的情况，给当地的电网的规划、运行和控制带来了巨大的挑战。目前常见的分布式可再生能源调控方式主要有微电网模式、集中控制以及集群控制模式。在边远地区的低压配电网中，由于可再生能源电源接入的单机容量小、数量多且地理位置分散，微网以及集中控制方式运行操作困难，而基于集群的调控方式能够充分利用集群的自治特性，保障规模化分布式发电规模有序、可靠、高效地接入电网，已成为规模化可再生能源并网的重要解决方案。

集群这一名词来源于计算机学科领域，是一系列独立工作但通过高速网络连接的计算机群，上层可以将它们看做一个整体来管理，在***整体成本较低的情况下获得较高的性能和可靠性。在电力***中，集群可以定义为：由一系列设备组成的，可独立运行又可互相协调工作的工作组。集群对外是一个整体，具有共同目标，接受单一指令控制，便于调度和管理；而在集群内部，各设备为完成共同目标相互协作，高效发挥设备的协作能力。

近年来，电力***领域对于集群的研究与用开始引起关注，集群划分的应用场景主要包括两个领域：***规划和调度控制。从已有的研究成果来看，研究工作大多集中于调度控制，比如：电压控制分区、电网分区，以及群调群控等，但在综合考虑***运行控制行为的研究可以分为两个问题：(1)集群划分的判据及指标体系；(2)集群划分的有效算法与实现。目前的划分判断以集群的耦合性为指标，即集群内部联系紧密，群间联系稀疏；划分算法可以分为三类：聚类分析、复杂网络的社团发现以及优化算法。最简单、直观的集群划分可以根据地理位置或者行政区域来实现，但这样划分过于粗糙。为此，出现以下几类集群划分：以节点间欧氏距为指标，运用分层合并聚类算法简化配电网规划中分布式电源位置的求解；以群内、群间节点之间的距离为依据，通过分层聚类分析得出***运行管理集群；运用模糊聚类方法划分控制分区，基于电压幅值对无功功率的灵敏定义节点间的电气距离，运用传递闭包发求出动态分区，最后通过计算统计量F得出最优分类；利用复杂网络的社区挖掘技术进行了电压控制分区的划分，并以模块度为评价指标对电网分区质量进行评价；从数字优化的角度，将电力网络分区看成是一个组合优化问题，运用Tabu搜索法，实现电压控制的分区等等。

综上，现有的集群划分方法是基于某个单一指标，针对***的规划，运行和控制中的某一过程进行划分，对于考虑运行和控制的规划类集群划分缺乏***的理论支撑和综合性能指标。

发明内容

本发明所要解决的技术问题在于现有的集群划分方法是基于某个单一指标，针对***的规划，运行和控制中的某一过程进行划分，对于考虑运行和控制的规划类集群划分缺乏***的理论支撑和综合性能指标。

本发明是通过以下技术方案解决上述技术问题的，具体技术方案如下：

基于综合性能指标的高渗透率分布式电源集群划分方法，包括：集群划分的指标体系与集群划分的有效算法；所述集群划分的指标定义为综合性能指标，所述综合性能指标包括基于电气距离的模块度指标ρ、集群的无功平衡度指标

和集群的有功平衡度指标

所述集群划分的有效算法是利用遗传算法进行分布式电源集群划分；高渗透率分布式电源集群划分方法步骤如下：

S1:计算所述模块度指标ρ，所述模块度指标ρ的表示如下：

其中，e为边的权重构成的矩阵，元素e_ij为连接节点i和节点j的边的权重；

为网络所有边的边权之和；

表示所有与节点i相连的边的权重之和；

表示所有与节点j相连的边的权重之和；δ(i,j)＝1表示节点i和节点j在同一集群内，δ(i,j)＝0表示节点i和节点j不在同一集群内；

S2:计算所述无功平衡度指标

所述无功平衡度指标

的表示如下：

式中，Q_i为第i集群的无功平衡度；c为集群个数；Q_i'的计算方法如下：

式中，n_Ck为第C_k个集群内的节点个数；Q_sup,i为节点i无功功率提供的最大值，包括节点i无功补偿装置提供的无功功率Q_c以及逆变器所能够提供的无功功率Q_t，即Q_sup,i＝Q_c+Q_t，其中，逆变器所能提供的最大无功功率Q_t ^max表示为：

式中，

为逆变器的最大功率因素角；t表示典型时间场景中的某一时刻，典型时间场景可按需确定；P_t为t时刻逆变器有功出力；S_max为逆变器最大容量；Q_t ^max为t时刻逆变器可输出的最大无功；

P_cut、P_max为逆变器切入切除功率；Q_need,i为节点i无功功率的需求值，所述节点i无功功率的需求包括节点的正常无功需求Q_N和节点过电压所需的最小无功功率

其中，Q_V为调节节点i所需的最小无功功率；ΔV_i为节点i的电压变化量；S_VQ,ii为节点i关于自身的无功电压灵敏度，则Q_need,i＝Q_N+Q_V；

S3：计算所述有功平衡度指标

所述有功平衡度指标

表示如下：

式中，P_i是第i集群的有功平衡程度，P_clu(t)_i是集群i在典型时间场景下的净功率值，表示为[P_clu(1)_i,P_clu(2)_i,…,P_clu(t)_i,…,P_clu(T)_i]，其是基于各节点在典型时间场景下功率值相加获得的；T表示典型时间场景中时间点t的个数；c为集群个数；

S4：利用遗传算法进行分布式电源集群划分。

更具体的，所述S4中利用遗传算法进行分布式电源集群划分步骤如下：

①将集群划分的划分方式当作一个解，一个解就是一个个体，按照既定编码方式对个体进行编码；采用同样的编码方式产生N个个体，N个个体构成一个种群，其中，参数N根据网络的规模而自行确定；

②遗传算法以这N个个体作为初始点开始迭代，根据适应度计算方式计算各个体的适应度值，所述适应度值为综合性能指标值γ，所述综合性能指标值γ为：

其中，λ₁、λ₂、λ₃为权重，其值可根据需求进行设置；

③按照遗传算法的算法流程进行选择、交叉和变异；

④重复②、③，直至达到最大遗传迭代次数即终止，所得种群中适应度值最大的个体即为所求解，即求得最优集群划分。

更具体的，所述S1中的连接节点i和节点j的边的权重e_ij按如下方式计算获得：

在时刻t断面下，常规潮流方程表达式如下：

式中，Δδ、ΔV、ΔP、ΔQ分别为典型日整点时刻t断面下，配电网各节点的功角、电压、有功功率和无功功率变化增量，均为n维的向量，n为所需划分节点个数；S_δP、S_VP、S_VQ、S_δQ分别为时刻t断面下，功角有功灵敏度系数矩阵、电压有功灵敏度系数矩阵、电压无功灵敏度系数矩阵和功角无功灵敏度系数矩阵；矩阵S_VQ中第i行j列元素S_VQ,ij表示节点j无功功率变化单位值对应节点i电压的变化值，则S_VQ,ii表示节点i无功功率变化单位值对应节点i电压的变化值；令节点间电气距离为L，节点i和节点j之间的电气距离L_ij为：

则，以节点间电气距离L反应边的权重e，其中，节点i和节点j的边的权重e_ij表示为：

e_ij＝1-L_ij/max(L)。

更具体的，所述S2中典型时间场景的某一时刻t的确定按如下方式计算获得：

在典型时间场景下可再生能源出力渗透率最高时刻进行相关计算，即R(t)＝P_re(t)/P_load(t)最大时进行计算，其中，R(t)表示可再生能源的渗透率，P_re(t)表示t时刻可再生能源的出力值，P_load(t)表示t时刻负荷的需求值。

更具体的，所述S4中的既定编码方式按如下方式进行：

电力网络能够看成由点和边组成的图，计图中边的个数为x，构造一个x位的基因；基因的每一位代表网络中的某一条边，每一位的参数代表对应边的连接状态，其仅包含参数0、1，0表示对应边断开，1表示对应边连通；

编码方式为：按照电力网络连接状态构造初始基因，对初始基因中的所有位进行随机抽样，并将选出的位中所有参数修改为0，表示对应边由连通变为断开，即对应边两端的两节点由相连变为断开；

抽样完成后形成新的基因，所述新的基因即为一个编码后的个体，也表示一种集群划分结果。

更具体的，所述S4中遗传算法的交叉和变异概率按如下方式确定：

式中，P_c、P_m分别表示交叉、变异概率；P_{c_max}、P_{c_min}、P_{m_max}、P_{m_min}分别表示最大的交叉概率、最小的交叉概率、最大的变异概率、最小的变异概率；f′表示需进行交叉操作的两个个体中较大的适应度值；f表示需进行变异操作的个体的适应度值；f_avg表示种群的平均适应度值。

本发明相比现有技术具有以下优点：

1、本发明方法综合考虑了集群内部的节点电气联系和功率平衡相关指标，在电气联系上，集群内部节点电气联系紧密，集群之间联系松散，便于集群的运行管理；在功率平衡上，集群拥有一定的无功供应能力，使集群在节点电压越限时拥有的一定自我调节能力，同时，在集群外特征性上，划分以节点间特性互补为原则，能够充分发挥集群对可再生能源的自我消纳能力，有利于后续的集群规划和群调群控。

2、采用改进遗传算法进行集群划分，不仅适应了综合性能指标的表达；而且相比于常规划分算法，遗传算法是全局优化算法，其全局搜索能力能够确保随着迭代次数的增加而逐渐靠近全局最优解。

3、以节点间邻接关系为基础进行编码，使集群划分与遗传算法结合到一起，保证了集群划分结果的逻辑合理性，即集群的划分满足网络结构需求，集群不存在孤立节点。此外，根据算法的特定迭代过程，采用自适应变化的交叉变异概率，使得算法的最优解搜索能力、收敛速度有一定的优化。

4、以节点某一时间段的时变典型出力特性代替传统集群划分所用的某一时刻固定值，使得集群划分与节点的本身特征紧密联系，划分结果更加合理。

附图说明

图1为本发明实施例的基于综合性能指标的高渗透率分布式电源集群划分方法的步骤流程图。

图2为本发明实施例的基于综合性能指标的高渗透率分布式电源集群划分方法的编码方法。

图3为本发明实施例的利用遗传算法进行分布式电源集群划分的流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明基于综合性能指标的高渗透率分布式电源集群划分方法的集群划分方法分为：集群划分的指标体系与集群划分的有效算法；集群划分的指标定义为综合性能指标，综合性能指标包括模块度指标ρ、集群的无功平衡度指标

和集群的有功平衡度指标

集群划分的有效算法是利用遗传算法进行分布式电源集群划分；高渗透率分布式电源集群划分方法步骤如下：

S1:计算模块度指标为ρ，模块度指标ρ的表示如下：

其中，e为边的权重构成的矩阵，元素e_ij为连接节点i和节点j的边的权重，例如，权重取1时，当节点i和节点j直接连接时e_ij＝1，不相连时e_ij＝0，权重e_ij也可根据需求设置为其它值；

为网络所有边的边权之和；

表示所有与节点i相连的边的权重之和；

表示所有与节点j相连的边的权重之和；δ(i,j)＝1表示节点i和节点j在同一集群内，δ(i,j)＝0表示节点i和节点j不在同一集群内。

其中，连接节点i和节点j的边的权重e_ij按如下方式计算获得：

在时刻t断面下，常规潮流方程表达式如下：

式中，Δδ、ΔV、ΔP、ΔQ分别为典型日整点时刻t断面下，配电网各节点的功角、电压、有功功率和无功功率变化增量，均为n维的向量，n为所需划分节点个数；S_δP、S_VP、S_VQ、S_δQ分别为时刻t断面下，功角有功灵敏度系数矩阵、电压有功灵敏度系数矩阵、电压无功灵敏度系数矩阵和功角无功灵敏度系数矩阵；矩阵S_VQ中第i行j列元素S_VQ,ij表示节点j无功功率变化单位值对应节点i电压的变化值，则S_VQ,ii表示节点i无功功率变化单位值对应节点i电压的变化值；令节点间电气距离为L，节点i和节点j之间的电气距离L_ij为：

则，以节点间电气距离L反应边的权重e，其中，节点i和节点j的边的权重e_ij表示为：

e_ij＝1-L_ij/max(L)。

S2:计算无功平衡度指标

无功平衡度指标

的表示如下：

其中，Q_i为第i集群的无功平衡度；c为集群个数；Q_i'的计算方法如下：

式中，n_Ck为第C_k个集群内的节点个数；Q_sup,i为节点i无功功率提供的最大值，包括节点i无功补偿装置提供的无功功率Q_c以及逆变器所能够提供的无功功率Q_t，即Q_sup,i＝Q_c+Q_t，其中，逆变器所能提供的最大无功功率Q_t ^max表示为：

其中，

为逆变器的最大功率因素角；t表示典型时间场景中的某一时刻，典型时间场景可按需确定，可以选择典型日、典型年等，在典型时间场景下可再生能源出力渗透率最高时刻进行相关计算，即R(t)＝P_re(t)/P_load(t)最大时进行计算，其中，R(t)表示可再生能源的渗透率，P_re(t)表示t时刻可再生能源的出力值，P_load(t)表示t时刻负荷的需求值；P_t为t时刻逆变器有功出力；S_max为逆变器最大容量；Q_t ^max为t时刻逆变器可输出的最大无功；

P_cut、P_max为逆变器切入切除功率；Q_need,i为节点i无功功率的需求值，节点i无功功率的需求值包括节点的正常无功需求Q_N，也包括可再生能源出力渗透率过高时，调节节点过电压所需的最小无功功率

其中，Q_V为调节节点i所需的最小无功功率；ΔV_i为节点i的电压变化量；S_VQ,ii为节点i关于自身的无功电压灵敏度，则Q_need,i＝Q_N+Q_V；

S3：计算有功平衡度指标

有功平衡度指标

表示如下：

式中，P_i是第i集群的有功平衡程度，P_clu(t)_i是集群i在典型时间场景下的净功率值，表示为[P_clu(1)_i,P_clu(2)_i,…,P_clu(t)_i,…,P_clu(T)_i]，其是基于各节点在典型时间场景下功率值相加获得的；T表示典型时间场景中时间点t的个数；c为集群个数；

S4：利用遗传算法进行分布式电源集群划分：

①将集群划分的划分方式当作一个解，一个解就是一个个体，按照既定编码方式对个体进行编码；采用同样的编码方式产生N个个体，N个个体构成一个种群，其中，参数N根据网络的规模而自行确定；

②遗传算法以这N个个体作为初始点开始迭代，根据适应度计算方式计算各个体的适应度值，所述适应度值为综合性能指标值γ，所述综合性能指标值γ为：

其中，λ₁、λ₂、λ₃为权重，其值可根据需求进行设置；

③按照遗传算法的算法流程进行选择、交叉和变异；

④重复②、③，直至达到最大遗传迭代次数即终止，所得种群中适应度值最大的个体即为所求解，即求得最优集群划分。

其中，既定编码方式为：电力网络能够看成由点和边组成的图，计图中边的个数为x，构造一个x位的基因；基因的每一个代表网络中的某一条边，每一位的参数代表对应边的连接状态，其仅包含参数0、1，0表示对应边断开，1表示对应边连通；编码方法为：按照电力网络连接状态构造初始基因，对初始基因中的所有位进行随机抽样，并将选出的位中所有参数修改为0，表示两节点由相连变为断开；抽样完成后形成新的基因，此基因即为一个编码后的个体，也表示一种集群划分结果。例如，如图2所示，图中边的个数为3，构造一个3位的基因，三条边分为用数字1,2,3进行表示，按照网络连接状态构造初始基因，则初始基因为[1 1 1]，然后进行随机抽样，抽中编号为3的边，并将选出的位中参数修改为0，进行编码后，则为[1 1 0]。

其中，遗传算法的交叉和变异概率按如下方式确定：

式中，P_c、P_m分别表示交叉、变异概率；P_{c_max}、P_{c_min}、P_{m_max}、P_{m_min}分别表示最大的交叉概率、最小的交叉概率、最大的变异概率、最小的变异概率；f'表示需进行交叉操作的两个个体中较大的适应度值；f表示需进行变异操作的个体的适应度值；f_avg表示种群的平均适应度值。

利用遗传算法进行分布式电源集群划分的流程图，如图3所示，输入节点参数，并以邻接矩阵为基础进行编码构造初始种群，初始种群构成后，计算个体适应度并保存最佳个体，然后判断循环是否结束，如果循环结束则输出最佳个体，并进行解码得出集群划分结果；如果循环没有结束则进行选择个体、交叉和变异，再计算个体适应度并保存最佳个体，计算后重新判断循环是否结束，如果不满足循环结束的条件将继续进行，如果满足循环结束就会不重复上述过程；最终的结果是输出最佳个体并解码得出集群划分结果。

本发明以含高渗透率分布式可再生能源的配电网规划为应用场景，提出综合考虑集群内部电气联系和功率平衡度的划分方法，其中，集群的电气联系采用基于电气距离的模块度指标ρ表示，功率平衡度以集群的无功平衡度

以及有功平衡度

为指标，构建了综合性能指标体系。同时，为适应综合性能指标体系的计算表达以及集群划分的客观要求，本发明改进了基本遗传算法，根据网络的邻接关系设计了染色体的编码方式，并采用了自适应交叉变异概率。本发明提出的新的集群划分思想，能够充分发挥节点之间的互补性与集群的自治能力，有益于对大规模可再生能源的消纳和控制。

本发明中选择含高渗透分布式可再生能源发电的低压配电网规划为应用场景，以充分发挥集群自治能力为目标，对集群划分判据、指标和算法实现过程进行深入讨论，该方法综合考虑集群内部节点间的互补性和关联性，在确保集群内源荷合理匹配的基础上，保证节点之间的耦合联系以及调压能力。此外，该方法始终满足以下普遍性原则：1、逻辑原则：集群内部不存在孤立节点，集群间不存在重合节点，各个节点间必须保证连通性；2、结构原则：在地理空间上或者电气耦合上，集群内部联系紧密，集群之间联系稀疏；3、功能原则：集群的特性由群内各节点特性综合表达，群内的节点具有良好的协作能力。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于综合性能指标的高渗透率分布式电源集群划分方法，其特征在于，包括：集群划分的指标体系与集群划分的有效算法；所述集群划分的指标定义为综合性能指标，所述综合性能指标包括基于电气距离的模块度指标ρ、集群的无功平衡度指标

和集群的有功平衡度指标

所述集群划分的有效算法是利用遗传算法进行分布式电源集群划分；高渗透率分布式电源集群划分方法步骤如下：

S1：计算所述模块度指标ρ，所述模块度指标ρ的计算方法如下：

其中，e为边的权重构成的矩阵，元素e_ij为连接节点i和节点j的边的权重；

为网络所有边的边权之和；

表示所有与节点i相连的边的权重之和；

表示所有与节点j相连的边的权重之和；σ(i,j)＝1表示节点i和节点j在同一集群内，σ(i,j)＝0表示节点i和节点j不在同一集群内；

S2：计算所述无功平衡度指标

所述无功平衡度指标

的计算方法如下：

式中，Q_i为第i集群的无功平衡度；c为集群个数；Q'_i的计算方法如下：

式中，n_Ck为第C_k个集群内的节点个数；Q_sup,i为节点i无功功率提供的最大值，包括节点i无功补偿装置提供的无功功率Q_c以及逆变器所能够提供的无功功率Q_t，即Q_sup,i＝Q_c+Q_t，其中，逆变器所能提供的最大无功功率Q_t ^max计算方法如下：

式中，

为逆变器的最大功率因素角；t表示典型时间场景中的某一时刻，典型时间场景可按需确定；P_t为t时刻逆变器有功出力；S_max为逆变器最大容量；Q_t ^max为t时刻逆变器可输出的最大无功；

P_cut、P_max为逆变器切入切除功率；Q_need,i为节点i无功功率的需求值，所述节点i无功功率的需求包括节点的正常无功需求Q_N和节点过电压所需的最小无功功率

其中，Q_V为调节节点i所需的最小无功功率；ΔV_i为节点i的电压变化量；S_VQ,ii为节点i关于自身的无功电压灵敏度，则Q_need,i＝Q_N+Q_V；

S3：计算所述有功平衡度指标

所述有功平衡度指标

计算方法如下：

式中，P_i是第i集群的有功平衡程度，P_clu(t)_i是集群i在典型时间场景下的净功率值，表示为[P_clu(1)_i,P_clu(2)_i,…,P_clu(t)_i,…,P_clu(T)_i]，其是基于各节点在典型时间场景下功率值相加获得的；T表示典型时间场景中时间点t的个数；c为集群个数；

S4：利用遗传算法进行分布式电源集群划分。

2.根据权利要求1所述的基于综合性能指标的高渗透率分布式电源集群划分方法，其特征在于，所述S4中利用遗传算法进行分布式电源集群划分步骤如下：

①将集群划分的划分方式当作一个解，一个解就是一个个体，按照既定编码方式对个体进行编码；采用同样的编码方式产生N个个体，N个个体构成一个种群，其中，参数N根据网络的规模而自行确定；

②遗传算法以这N个个体作为初始点开始迭代，根据适应度计算方式计算各个个体的适应度值，所述适应度值为综合性能指标值γ，所述综合性能指标值γ为：

其中，λ₁、λ₂、λ₃为权重，其值可根据需求进行设置；

③按照遗传算法的算法流程进行选择、交叉和变异；

④重复②、③，直至达到最大遗传迭代次数即终止，所得种群中适应度值最大的个体即为所求解，即求得最优集群划分。

3.根据权利要求1所述的基于综合性能指标的高渗透率分布式电源集群划分方法，其特征在于，所述S1中的连接节点i和节点j的边的权重e_ij按如下方式计算获得：

在时刻t断面下，常规潮流方程表达式如下：

式中，Δδ、ΔV、ΔP、ΔQ分别为典型日整点时刻t断面下，配电网各节点的功角、电压、有功功率和无功功率变化增量，均为n维的向量，n为所需划分节点个数；S_δP、S_VP、S_VQ、S_δQ分别为时刻t断面下，功角有功灵敏度系数矩阵、电压有功灵敏度系数矩阵、电压无功灵敏度系数矩阵和功角无功灵敏度系数矩阵；矩阵S_VQ中第i行j列元素S_VQ,ij表示节点j无功功率变化单位值对应节点i电压的变化值，则S_VQ,ii表示节点i无功功率变化单位值对应节点i电压的变化值；令节点间电气距离为L，节点i和节点j之间的电气距离L_ij为：

则，以节点间电气距离L反应边的权重e，其中，节点i和节点j的边的权重e_ij表示为：

e_ij＝1-L_ij/max(L)。

4.根据权利要求1所述的基于综合性能指标的高渗透率分布式电源集群划分方法，其特征在于，所述S2中典型时间场景的某一时刻t的确定按如下方式计算获得：

在典型时间场景下可再生能源出力渗透率最高时刻进行相关计算，即R(t)＝P_re(t)/P_load(t)最大时进行计算，其中，R(t)表示可再生能源的渗透率，P_re(t)表示t时刻可再生能源的出力值，P_load(t)表示t时刻负荷的需求值。

5.根据权利要求2所述的基于综合性能指标的高渗透率分布式电源集群划分方法，其特征在于，所述S4中的既定编码方式按如下方式进行：

电力网络能够看成由点和边组成的图，计图中边的个数为x，构造一个x位的基因；基因的每一位代表网络中的某一条边，每一位的参数代表对应边的连接状态，其仅包含参数0、1，0表示对应边断开，1表示对应边连通；

编码方式为：按照电力网络连接状态构造初始基因，对初始基因中的所有位进行随机抽样，并将选出的位中所有参数修改为0，表示对应边由连通变为断开，即对应边两端的两个节点由相连变为断开；

抽样完成后形成新的基因，所述新的基因即为一个编码后的个体，也表示一种集群划分结果。

6.根据权利要求2所述的基于综合性能指标的高渗透率分布式电源集群划分方法，其特征在于，所述S4中遗传算法的交叉和变异概率按如下方式确定：

式中，P_c、P_m分别表示交叉、变异概率；P_{c_max}、P_{c_min}、P_{m_max}、P_{m_min}分别表示最大的交叉概率、最小的交叉概率、最大的变异概率、最小的变异概率；f'表示需进行交叉操作的两个个体中较大的适应度值；f表示需进行变异操作的个体的适应度值；f_avg表示种群的平均适应度值。

Images