CN109066692A - 一种分布式能源接入的电力网络潮流优化方法 - Google Patents

Abstract

本发明涉及一种分布式能源接入的电力网络潮流优化方法，采用遗传算法、牛顿‑拉夫逊法和内点法，对含分布式能源的电力网络进行了潮流优化，主要分析了风力发电接入电力网络时接入节点的选择和有功容量的计算方法以及接入前后***运行成本的计算方法。调整风力发电接入电力网络的节点位置和容量，根据遗传算法，目标函数为有功网损最小，得到优化结果，分析对比优化前后***潮流计算的结果。在此基础上，对含风力发电的电力网络依据内点法进行潮流优化，并对潮流优化结果进行分析。本发明应用到IEEE30节点模型中，***总的有功网损减小，运行成本得到改善，节点电压满足稳定运行要求。

Description

一种分布式能源接入的电力网络潮流优化方法

技术领域

本发明涉及电网领域，具体地来讲为一种分布式能源接入的电力网络潮流优化方法。

背景技术

现今世界的快速发展，导致消耗的电能大大增加，同时用于发电的化石能源消耗量越来越大，而且大量的消耗对全球环境造成了巨大压力，这引起了人们的普遍关注。由此，开发并利用对环境有利的可再生能源成为了必然措施。

现代电力***是集中式供电***，特点是大机组、大电厂、大电网，是当下的主要特点，在产生巨大效益的同时，运营问题也很突出，例如发生事故时损失较大、大电网调度复杂等。目前出现了一种新的能源形式，基于可再生能源的分布式能源，该发电技术凭借其发电方式灵活、对环境的负面影响较小等优点，可作为大电网的补充，改善网络的供电可靠性。

分布式发电有很多种类，在当下的使用越来越多，尤其是太阳能发电和风力发电。目前，分布式发电技术在美国、日本等国比较成熟。我国高度重视分布式能源的发展，但仍然处于探索阶段。

随着分布式能源并入电力网络的数量和种类增多，可能会对电能质量等方面会产生负面影响。所以，为了充分发挥其积极作用，提高效率，有必要有效评估分布式能源接入对电网的影响，尤其是分布式能源并网的地址和容量优化。

电力***结构复杂，首先是发电厂，发电厂是核心所在，不断产生电能。还有输电线，用于传输电能。传输的电能经过配电网，送到负荷。在产出大量电能的同时也消耗着大量的矿物燃料。提高***的运行效率，做到优化运行就显得很有必要。与此同时，电力网络可能存在的安全隐患受到了越来越多的关注。

电力***最优潮流，是目前得到高度关注的问题。主要用来解决规划问题，尤其是非线性。可以做到在各种约束下，寻求最好解决方案。所以目前在电力***的网络规划、经济调度、安全运行等方面得到了广泛应用。

发明内容

本发明所要解决的技术问题在于提供一种含分布式能源的电力网络的潮流优化方法，通过寻找分布式能源在电力网络的最佳接入位置和容量，优化电力网络的有功损耗；再对含分布式能源的电力网络进行潮流优化，优化电力网络的***运行成本。实现了对电力网络的二次优化。

本发明是这样实现的，

一种分布式能源接入的电力网络潮流优化方法，该方法包括：

1)：输入电力网络模型的原始数据；

2)：设置遗传算法的原始参数，随机生成初始种群；

3)：通过牛顿-拉夫逊法，按步骤1)中获取的原始数据计算网络的潮流确定分布式能源接入位置；

4)：采用遗传算法确定分布式能源接入容量，计算种群中每个个体串的适应度值，目标函数为网络有功损耗最小；

5)：对种群进行选择、交叉和变异操作；

6)：判断是否达到遗传算法的最大迭代次数，若未达到，则更新种群，返回到步骤3)；若达到了，则进行潮流优化；

7)：对含分布式能源的电力网络采用内点法进行潮流优化。

进一步地，步骤3)包括：

31)：输入电力网络的原始数据，形成导纳矩阵，设定各节点的电压e⁽⁰⁾和 f⁽⁰⁾，其中e⁽⁰⁾表示电压的实部，f⁽⁰⁾表示电压的虚部；

32)：将步骤31)电压初值带入公式(3)和公式(4)，求取求取功率误差方程的误差函数值 和

式中，节点电压大小的误差表示为给定的节点电压的二次方与求得的节点电压二次方之差；

33)：将电压初值再带入式(7)和(8)，求取修正方程的雅可比矩阵J中的各个元素；

34)：解修正方程，求出节点电压修正量Δe⁽⁰⁾和Δf⁽⁰⁾，修正方程为：ΔW＝JΔU；

35)：修正各节点电压，

36)：将修正后的新值再带入式(3)和式(4)，计算新的各节点功率及电压误差函数值 和

37)：检查计算是否收敛，若收敛，结束迭代，计算所需要的潮流数据，并输出结果；若不收敛，则返回步骤32)，以e⁽²⁾和f⁽²⁾代替e⁽¹⁾和f⁽¹⁾进行下一次迭代，直至收敛；

38)选取电压幅值较小的几个节点接入分布式能源。

进一步地，步骤4)中，包括如下步骤：

Step1：根据牛顿-拉夫逊法潮流计算的结果，选出分布式能源在电力网络的接入节点，首先选择编码方法，将问题的可行解从其解的空间转换到遗传算法能处理的搜索空间，而解码是由遗传算法空间转换为问题空间；

Step2：定义适应度函数，用于度量群体中各个个体能够达到或接近或有助于找到最佳解决方案的程度。将目标函数转换为适应度函数；

Step3：确定群体大小，选择、交叉和变异的方法，以及其他遗传参数如交叉概率和变异概率；

Step4：初始化随机生成群体；

Step5：计算群体中个***串解码后的适应度；

Step6：运用选择、交叉和变异算子作用于群体，形成下一代群体；

Step7：判断群体性能是否满足目标，或者已经完成预定迭代次数，不满足则返回Step6。

进一步地，步骤7)对含分布式能源的电力网络进行采用内点法进行潮流优化包括：

71)：输入电力网络原始数据，以及分布式能源并入电力网络的根据牛顿- 拉夫逊法潮流计算得到的节点以及遗传算法确定的容量；

72)：设置内点法的松弛变量l和u，且[l,u]＞0，设置拉格朗日乘子z、w和 y，且[z＞0,w＜0,y≠0]，设置中心参数δ∈(0,1)，设置计算精度ε；

73)：设置各变量的初值，其中节点电压初值取原始值，节点有功出力和无功出力取上下限的平均值，分布式能源接入节点按PQ节点处理，内点法不调节其有功和无功出力；

74)：设置迭代次数初值k＝0，最大迭代次数为50；

75)：计算互补间隙Gap，若Gap＜ε，则输出最优解，停止计算；否则，计算扰动因子，求解修正方程，更新原始变量及拉格朗日乘子；迭代次数加1；

76)：若迭代次数小于最大迭代次数50，则返回Step5继续计算，否则输出计算不收敛。

本发明与现有技术相比，有益效果在于：本发明通过寻找分布式能源在电力网络的最佳接入位置和容量，优化电力网络的有功损耗；再对含分布式能源的电力网络进行潮流优化，优化电力网络的***运行成本。实现了对电力网络的二次优化。

附图说明

图1为本发明方法的流程图；

图2为本发明遗传算法流程图；

图3为本发明牛顿-拉夫逊法流程图；

图4为本发明内点法流程图；

图5为IEEE14节点***遗传算法优化前后节点电压图；

图6为含分布式能源的IEEE14节点***优化前后节点电压；

图7为IEEE14节点***遗传算法优化前后节点电压图；

图8为含分布式能源的IEEE30节点***优化前后节点电压。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明通过寻找分布式能源在电力网络的最佳接入位置和容量，优化电力网络的有功损耗；再对含分布式能源的电力网络进行潮流优化，优化电力网络的***运行成本。实现了对电力网络的二次优化。

采用如下的步骤：

1)：输入电力网络模型的原始数据；

2)：设置遗传算法的原始参数，随机生成初始种群；

3)：通过牛顿-拉夫逊法，按步骤1)中获取的原始数据计算网络的潮流确定分布式能源接入位置；

4)：采用遗传算法确定分布式能源接入容量，包括计算种群中每个个体串的适应度值，目标函数为网络有功损耗最小；

5)：对种群进行选择、交叉和变异操作；

6)：判断是否达到遗传算法的最大迭代次数，若未达到，则更新种群，返回到步骤3)；若达到了，则进行潮流优化；

7)：对含分布式能源的电力网络采用内点法进行潮流优化。

通过步骤3采用牛顿-拉夫逊法潮流算法确定分布式能源接入位置：具体的为：参见图3所示，

Step1：输入电力网络的原始数据，形成导纳矩阵，设定各节点的电压实部 e⁽⁰⁾和电压虚部f⁽⁰⁾。

Step2：将以上电压初值带入式(3)和式(4)，求取修正方程式的误差函数值 和

Step3：将电压初值再带入式(7)和(8)，求取雅可比矩阵中的各个元素。

Step4：解修正方程，求出节点电压修正量Δe⁽⁰⁾和Δf⁽⁰⁾。

Step5：修正各节点电压，即

Step6：将新值再带入式(3)和式(4)，计算新的各节点功率及电压误差函数值 和

Step7：检查计算是否收敛。若收敛，结束迭代，计算所需要的潮流数据，并输出结果；若不收敛，则返回Step2，以e⁽²⁾和f⁽²⁾代替e⁽¹⁾和f⁽¹⁾进行下一次迭代，直至收敛。

算法具体描述如下：牛顿-拉夫逊法潮流算法迭代时应用的基本方程为将其展开为功率方程为

式中，P_i+jQ_i为给定的节点i注入的功率，为通过其他节点电压求解的节点注入功率。两者之差即节点功率的误差趋近于零时，各节点电压即为所求方程的解。表示各节点电压，是一个向量，S表示各节点注入的视在功率，P表示各节点注入的有功功率，Q表示各节点注入的无功功率。

在直角坐标下，节点电压和导纳可表示为

将式(2)带入式(1)，展开取出实部和虚部，得到

根据节点分类，若第i个节点为PQ节点，给定功率设为P_is和Q_is，则功率误差方程表示如下：

若第i个节点为PU节点，P_is和U_is给定，则功率和电压的误差方程表示如下：

式中，节点电压大小的误差表示为给定的节点电压的二次方与求得的节点电压二次方之差。

上述功率和电压误差方程即为牛顿-拉夫逊法直角坐标法所要求解的非线性方程组。非线性方程组的待求量为各节点电压的实部e_i和虚部f_i。对于n个节点的***而言，第s＝n号节点为平衡节点，除去平衡节点为已知外，式(3)和式(4)共包含2(n-1)个方程，待求量也有2(n-1)个。除去平衡节点外的所有节点有功功率不平衡量ΔP_i的表达式有(n-1)个，即i＝1,2,…,n,i≠s；除去平衡节点外的所有节点无功功率不平衡量ΔQ_i的表达式有(n-1)-(m-1)＝n-m个，即i＝m+1,m+2,…,n,i≠s；所有节点电压大小不平衡量的表达式有i个，即；平衡节点功率和电压方程不包括在这组方程内，其电压向量是给定的，故不需要求取，当上述各节点电压迭代收敛后再求取平衡节点的注入功率。把各节点的电压变量用初值和修正量的形式表示为

将此关系式带入式(3)和式(4)，在和附近的和范围内将其展开泰勒级数并略去高阶项，可得

ΔW＝JΔU(5)

即，

其中，雅可比矩阵J的个元素可以通过式(7)和式(8)计算得到。

当i＝j时，对角线元素为

当i≠j时，非对角线元素为

此步骤中的公式是通过对公式(3)和(4)对相应变量求偏导得到的，误差函数值ΔP0和ΔQ0以及ΔU0是由初始电压值计算得到的，右上的角标代表迭代次数，0表示初始值。

当牛顿-拉夫逊法潮流计算收敛后，可以得到各节点的电压，选取电压幅值较小的几个节点接入分布式能源。还可以计算支路功率和支路损耗等。计算公式如下：

支路功率：

支路损耗：

遗传算法确定分布式能源接入容量包括：参见图2所示：

Step1：根据牛顿-拉夫逊法潮流计算的结果，选出分布式能源在电力网络的接入节点。首先选择编码方法，将问题的可行解从其解的空间转换到遗传算法能处理的搜索空间，而解码是由遗传算法空间转换为问题空间。

Step2：定义适应度函数，用于度量群体中各个个体能够达到或接近或有助于找到最佳解决方案的程度。将目标函数转换为适应度函数。

Step3：确定群体大小，选择、交叉和变异的方法，以及其他遗传参数如交叉概率和变异概率。

Step4：初始化随机生成群体。

Step5：计算群体中个***串解码后的适应度。

Step6：运用选择、交叉和变异算子作用于群体，形成下一代群体。

Step7：判断群体性能是否满足目标，或者已经完成预定迭代次数，不满足则返回Step6。

算法具体描述如下：

目标函数采用网络的有功损耗最小，则

minf(X)＝P_Loss(X)(12)

式中，P_Loss(X)为网损，与分布式能源的位置和容量有关。

其中，约束条件主要有单个节点所接分布式能源的容量上限以及分布式能源总容量限制。由牛顿-拉夫逊法潮流计算结果可得稳态运行时各节点的电压，选取电压幅值较小的节点接入分布式能源，一共选取k个节点。

单个节点处的容量限制：

0≤P_DGi≤P_DGmaxi(13)

式中，P_DGi为在节点i处并网的分布式能源的输出功率；P_DGmaxi为第i个节点处分布式能源的容量上限。

分布式能源的总容量限制：

式中，P_DGmax为分布式能源并网总容量的上限。

编码方案采用十进制编码，将分布式能源的额定功率转换为固定编号来表示，即令P_DGi＝x_iP_S，其中P_S为单位编号对应的额定功率，x_i取[0,M]内的整数值，其中除了满足单个容量限制，还需满足总容量限制，则且为整数值，其中

当x_i值为0时，表示相应节点位置不安装分布式能源。则经过处理后，一个个体可以表示为X＝[x₁,x₂,…,x_k]。

构造适应度函数，目标函数要求有功网损最小，需将其转换为求取最大值，采用界限构造法，构造的适应度函数如下所示。

选择算子采用轮盘赌法结合最优保存策略。轮盘赌法是一种回放式随机采样方法，每个个体进入下一代的概率等于其适应值与整个种群中个体适应度值和的比例，适应度值越高，被选中的可能性就越大，进入下一代的概率就越大。

在遗传算法中，通过交叉和变异等运算不断产生新个体，虽然随着群体的进化可能会产生出越来越多的优良个体，但可能会因为选择、交叉和变异等运算破坏掉当前群体中适应度最好的个体，这样会降低群体的平均适应度，影响遗传算法的运行效率和收敛性等。为了将适应度最好的个体尽量保留到下一代群体中，可以采用最优保存策略。

最优保存策略即当前群体中适应度最高的个体不参与后续的交叉和变异运算，而是用其替换本代群体中经过交叉、变异等运算后产生的适应度最低的个体。

交叉算子选择均匀交叉。均匀交叉，是指两个配对个体的每个基因座上的基因以相同概率进行交换，从而形成两个新个体。产生的新子代满足单个容量限制，但如果不满足总容量限制，则随机选择一个位置，令值为0。

变异算子采用基本位变异，随机选择某个基因位置a，令其为变异位置，在[0,b]中随机选择一个整数替换基因位置a处的基因值，其中这样就可以保证变异后的子代满足单个容量限制和总容量限制。

参见图4，步骤7中采用内点法对含分布式能源的网络进行潮流优化包括：

Step1：输入电力网络原始数据，以及分布式能源并入电力网络的节点以及容量。

Step2：设置内点法的松弛变量l和u，且[l,u]＞0，设置拉格朗日乘子z、w和 y，且[z＞0,w＜0,y≠0]，设置中心参数δ∈(0,1)，一般取0.1，设置计算精度ε，一般取10-6。

Step3：设置各变量的初值，其中节点电压初值取原始值，节点有功出力和无功出力取上下限的平均值，分布式能源接入节点按PQ节点处理，内点法不调节其有功和无功出力。

Step4：设置迭代次数初值k＝0，最大迭代次数为50。

Step5：按式(37)计算互补间隙Gap，若Gap＜ε，则输出最优解，停止计算；否则，按式(36)计算扰动因子，并按式(38)求解修正方程，更新原始变量及拉格朗日乘子。迭代次数加1。

Step6：若迭代次数小于最大迭代次数50，则返回Step5继续计算，否则输出计算不收敛。

具体描述如下：

采用***运行成本最小作为目标函数，在这里指火电机组的燃料费用最小。数学模型如下所示：

其中，S_G是所有发电机节点的集合；P_Gi是第i台发电机的有功出力；a_2i、a_1i和a_0i为费用曲线系数。

电力网络的节点电压采用极坐标表示，即

内点法潮流优化的约束条件主要分为等式约束和不等式约束，具体如下：

等式约束：节点功率方程

对于非发电机节点：

对于发电机节点：

不等式约束

有功出力：

P_Gimin≤P_Gi≤P_Gimax(i∈S_G)(20)

无功出力：

Q_Rimin≤Q_Ri≤Q_Rimax(i∈S_R)(21)

电压幅值：

V_imin≤V_i≤V_imax(i∈S_B)(22)

线路电流：

其中，S_B为***节点集合，S_R为无功源节点集合，S_l为支路集合；P_Gi、Q_Gi为有功、无功出力；P_Di、Q_Di为节点的有功负荷和无功负荷；θ_ij＝θ_i-θ_j；G_ij、B_ij为节点导纳矩阵第i行第j列元素的实部和虚部；设线路两端节点为i、j，I_l为线路l的电流。

内点法的本质是将拉格朗日函数、牛顿法和对数障碍法三者结合起来。

将式(16)～式(23)改造为对数障碍函数：

s.t.h(x)＝0(25)

g(x)+u＝g_max(26)

g(x)-l＝g_min(27)

u＞0,l＞0(28)

其中，μ(μ＞0)为扰动因子；l和u是松弛变量，l＝[l₁,…,l_r]^T，u＝[u₁,…,u_r]^T；式(24)为目标函数，对应式(16)，式(25)h(x)＝[h₁(x),…,h_m(x)]^T对应式(18) 和式(19)，式(26)和式(27)对应式(20)～式(23)，上限为g_max＝[g_1max,…,g_rmax]^T，下限为g_min＝[g_1min,…,g_rmin]^T。在潮流优化模型中，共有n个变量，m个等式约束， r个不等式约束。

将不等式问题变为等式：

其中，y＝[y₁,…,y_m]，z＝[z₁,…,z_m]，w＝[w₁,…,w_m]均为拉格朗日乘子，按照下列公式对个变量求其偏导数：

其中，L＝diag(l₁,…,l_r)，U＝diag(u₁,…,u_r)，Z＝diag(z₁,…,z_r)，W＝diag(w₁,…,w_r)。优化过程中极小值要想存在，各偏导数的值应为0。

扰动因子计算公式如下：

其中，对偶间隙

Gap＝l^Tz-u^Tw(37)

式(30)～式(35)为非线性方程组，可采用牛顿法求解，将其线性化可得修正方程组，写成矩阵形式并简化，如下所示：

其中，

求解方程(38)可得到第k次迭代的修正量，最优解的一个新的近似为：

x^(k+1)＝x^(k)+α_pΔx(41)

l^(k+1)＝l^(k)+α_pΔl(42)

u^(k+1)＝u^(k)+α_pΔu(43)

y^(k+1)＝y^(k)+α_dΔy(44)

z^(k+1)＝z^(k)+α_dΔz(45)

w^(k+1)＝w^(k)+α_dΔw(46)

式中，α_p和α_d为步长，如下所示：

实施例：以IEEE14节点标准测试***和IEEE30节点标准测试***为例验证本方案的合理性。

本发明提供的含分布式能源的电力网络潮流优化的方法主要包括以下步骤，流程如图1所示。

Step1：分别输入上述两个电力网络模型的原始数据，包括节点参数、支路参数等。设置单个分布式能源的有功出力为1.09MW，功率因数为0.98。

Step2：设置遗传算法的原始参数，随机生成初始种群。

设置遗传算法参数，包括种群规模为50、最大迭代次数为40，交叉概率为 0.8，变异概率为0.05。

Step3：通过牛顿-拉夫逊法，按Step1中获取的原始数据分别计算两个网络的潮流，牛顿-拉夫逊法的功率误差方程如式(3)和式(4)所示。

迭代精度ε取10-6，迭代收敛后按式(11)计算网络损耗。

Step4：按式(15)计算种群中每个个体串的适应度值，目标函数为网络有功损耗最小。

Step5：对种群进行选择、交叉和变异操作，选择操作是轮盘赌选择结合最佳保存策略，交叉操作是均匀交叉，变异操作选择基本位变异。操作过程中每个个体串必须满足式(13)和式(14)的单个容量限制和总的容量限制。

Step6：判断是否达到遗传算法的最大迭代次数，若未达到，则更新种群，返回到Step3；若达到了，则进行潮流优化。

Step7：对含分布式能源的电力网络进行采用内点法进行潮流优化。

经过二重优化之后，得到两个模型的优化结果为：

(1)IEEE14节点标准测试***

分布式能源并入电力网络优化结果如表1和表2所示。

表1IEEE14节点***遗传算法优化结果

表2IEEE14节点***优化前后有功网损比较

经过遗传算法的优化，有功损耗减小了0.0218。

遗传算法优化前后网络的节点电压如图5所示。

由图5可以看出，经过遗传算法的优化，不仅有功损耗减小了，并且节点电压得到了改善。

按表1中数据将分布式能源并入IEEE14节点网络，潮流优化结果如表3 所示，潮流优化前后节点电压图如图6所示。

表3含分布式能源的IEEE14节点***优化前后发电机对比

(2)IEEE30节点标准测试***

分布式能源并入电力网络的结果如表4和表5所示。

表4IEEE30节点***遗传算法优化结果

表5IEEE30节点***遗传算法优化前后有功网损比较

经过遗传算法的优化，有功损耗减小了0.0246。

遗传算法优化前后IEEE30节点***的节点电压如图7所示。

由图7可以看出，经过遗传算法优化，IEEE30节点***节点电压得到了改善。

按表4中数据将分布式能源并入IEEE30节点网络，潮流优化的结果如表6 所示，潮流优化前后节点电压图如图8所示。

表6含分布式能源的IEEE30节点***优化前后发电机对比

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 (4)

1.一种分布式能源接入电力网络的潮流优化方法,其特征在于，该方法包括：

1)：输入电力网络模型的原始数据；

2)：设置遗传算法的原始参数，随机生成初始种群；

3)：通过牛顿-拉夫逊法，按步骤1)中获取的原始数据计算网络的潮流确定分布式能源接入位置；

4)：采用遗传算法确定分布式能源接入容量，计算种群中每个个体串的适应度值，目标函数为网络有功损耗最小；

5)：对种群进行选择、交叉和变异操作；

6)：判断是否达到遗传算法的最大迭代次数，若未达到，则更新种群，返回到步骤3)；若达到了，则进行潮流优化；

7)：对含分布式能源的电力网络采用内点法进行潮流优化。

2.按照权利要求1所述的方法,其特征在于，步骤3)包括：

31)：输入电力网络的原始数据，形成导纳矩阵，设定各节点的电压e⁽⁰⁾和f⁽⁰⁾，其中e⁽⁰⁾表示电压的实部，f⁽⁰⁾表示电压的虚部；

32)：将步骤31)电压初值带入公式(3)和公式(4)，求取求取功率误差方程的误差函数值ΔP_i ⁽⁰⁾、和

式中，节点电压大小的误差表示为给定的节点电压的二次方与求得的节点电压二次方之差；

33)：将电压初值再带入式(7)和(8)，求取修正方程的雅可比矩阵J中的各个元素；

34)：解修正方程，求出节点电压修正量Δe⁽⁰⁾和Δf⁽⁰⁾，修正方程为：ΔW＝JΔU；

35)：修正各节点电压，

f_i ⁽¹⁾＝f_i ⁽⁰⁾-Δf_i ⁽⁰⁾

36)：将修正后的新值再带入式(3)和式(4)，计算新的各节点功率及电压误差函数值ΔP_i ⁽¹⁾、和

37)：检查计算是否收敛，若收敛，结束迭代，计算所需要的潮流数据，并输出结果；若不收敛，则返回步骤32)，以e⁽²⁾和f⁽²⁾代替e⁽¹⁾和f⁽¹⁾进行下一次迭代，直至收敛；

38)选取电压幅值较小的几个节点接入分布式能源。

3.按照权利要求1所述的方法，其特征在于，步骤4)中，包括如下步骤：

Step1：根据牛顿-拉夫逊法潮流计算的结果，选出分布式能源在电力网络的接入节点，首先选择编码方法，将问题的可行解从其解的空间转换到遗传算法能处理的搜索空间，而解码是由遗传算法空间转换为问题空间；

Step2：定义适应度函数，用于度量群体中各个个体能够达到或接近或有助于找到最佳解决方案的程度。将目标函数转换为适应度函数；

Step3：确定群体大小，选择、交叉和变异的方法，以及其他遗传参数如交叉概率和变异概率；

Step4：初始化随机生成群体；

Step5：计算群体中个***串解码后的适应度；

Step6：运用选择、交叉和变异算子作用于群体，形成下一代群体；

Step7：判断群体性能是否满足目标，或者已经完成预定迭代次数，不满足则返回Step6。

4.按照权利要求1所述的方法，其特征在于，步骤7)对含分布式能源的电力网络进行采用内点法进行潮流优化包括：

71)：输入电力网络原始数据，以及分布式能源并入电力网络的根据牛顿-拉夫逊法潮流计算得到的节点以及遗传算法确定的容量；

72)：设置内点法的松弛变量l和u，且[l,u]＞0，设置拉格朗日乘子z、w和y，且[z＞0,w＜0,y≠0]，设置中心参数δ∈(0,1)，设置计算精度ε；

73)：设置各变量的初值，其中节点电压初值取原始值，节点有功出力和无功出力取上下限的平均值，分布式能源接入节点按PQ节点处理，内点法不调节其有功和无功出力；

74)：设置迭代次数初值k＝0，最大迭代次数为50；

75)：计算互补间隙Gap，若Gap＜ε，则输出最优解，停止计算；否则，计算扰动因子，求解修正方程，更新原始变量及拉格朗日乘子；迭代次数加1；

76)：若迭代次数小于最大迭代次数50，则返回Step5继续计算，否则输出计算不收敛。