CN110086153A - 一种基于智能粒子群优化算法的有源配电网故障后负荷转供方法 - Google Patents

Abstract

本发明公开了一种基于智能粒子群优化算法的有源配电网故障后负荷转供方法。该方法首先对各分布式电源(Distributed generations)进行处理，规定故障后各DG的运行方式，并确定孤岛划分原则，对故障后进行DG孤岛划分，制定孤岛运行范围。最后考虑拓扑约束，节点电压约束、DG出力约束、支路容量约束，以转供负荷最大和开关操作次数最少为最优，提出一种基于MAPSO的有源配电网负荷转供方法。通过仿真和***分析表明可以地快速有效实现有源配电网费故障区域负荷快速转供，从而减少故障或者检修带来的停电损失。

Description

一种基于智能粒子群优化算法的有源配电网故障后负荷转供 方法

技术领域

本发明属于负荷转供领域，尤其涉及考虑节点电压、DG功率、以及支路容量约束条件，以损失负荷最小及开关操作最少为目标，对故障区域实现负荷转供。

背景技术

近年来，随着我国国民经济的持续不断增长，各行各业对电力的需求迅速增长，但由于城市电网建设相对较为滞后，导致电网结构的不合理等问题比较突出，这很难满足用户对电能质量、供电可靠性等的要求。特别是由于第三产业的兴起，电力负荷的结构也发生了变化，中小用户包括居民用电比例逐年上升，导致城市配电***中的线路越来越长，节点越来越多。

随着智能配电网的建设与发展，靠近负荷侧大量DG接入使得配电网络拓扑结构变得更加复杂。当配电网发生故障，需要尽快切除故障设备，然后应尽快地恢复对用户负荷的供电，尽可能减少停电影响的范围，从而大大减少由于停电而造成的社会影响和经济损失等，同时，在故障处理后还应尽可能减少故障后供电网络的损耗，提高供电可靠性，以及均衡分配载荷等性能。

配电网在发生故障后，可以通过调整互联开关和分段开关的开合状态来切除线路故障，转移故障影响区内负荷，改变电网的运行方式等，尽可能减小故障影响的范围，从而提高电网运行的经济性和安全性，保证对用户负荷的供电质量。负荷转供因其可以明显降低故障带来的损失，提高***供电可靠性，而成为电网自动化***中的重要核心功能之一。

配电网负荷转供是指在满足电力网络安全运行条件下，通过网络重构实现对非故障断电区域停电负荷的快速转供，属于复杂非线性组合优化问题。现有技术中的方案均没有解决上述技术问题。

发明内容

本发明的目的是提出一种基于智能粒子群优化算法的有源配电网故障后负荷转供方法，该方案有效提高设备的使用效率，实现配电网负荷转供并减少故障或者检修带来的停电损失提供决策依据。

为了实现上述目的，本发明的技术方案如下：

一种基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，所述方法包括以下步骤：

当含DG配电网发生故障时，其负荷转供步骤为：

步骤a：故障发生后，检查非故障停电区域是否包含DG，若含有DG，依据其类型决定是否孤岛运行还是脱网运行，若孤岛运行则转步b，否则转步d；

步骤b：依据预先制定的DG孤岛划分原则，划分孤岛运行范围，维持孤岛内重要负荷供电；

步骤c：查找DG孤岛形成时需断开的分段开关和断电区域支路分段开关位置，转入孤岛运行模式；

建立含DG的配电网负荷转供模型，调整网络结构信息，提出采用智能体粒子群优化算法搜索孤岛外的非故障断电区域恢复路径，

最大限度地将失电负荷转移到正常供电区域继续供电，从而实现负荷的快速转供；

步骤d：执行MAPSO负荷转供算法整个求解流程；

步骤e：当主网负荷转供后，依据配电网的频率、电压的幅值和相位，对负荷转供范围内所含有的孤岛进行同期并网操作，恢复到故障前的运行方式，否则继续孤岛运行。

本发明根据故障后不同类型的DG的实际运行情况和孤岛划分原则合理制定孤岛运行范围，充分利用DG发电能力维持孤岛内重要负荷正常供电；同时建立含DG的配电网负荷转供模型，调整网络结构信息，提出采用多智能体粒子群优化算法搜索孤岛外的非故障断电区域恢复路径，最大限度地将失电负荷转移到正常供电区域继续供电，从而实现负荷的快速转供。该仿真和分析方法可以有效解决有源配电网故障后负荷专供问题，提高计算效率，实现负荷转供，从而保证配电网的供电可靠性。

作为本发明的一种改进，所述步骤a具体如下，当配电网发生故障时，首先对配电网进行区域划分，主要分为故障区域、正常供电区域和非故障停电区域。根据分布式电源在拓扑中的实际位置，确定故障后DG运行方式。主要分为直接脱网、并网或不可孤岛运行、并网或孤岛运行三种，分别用A、B、C类型表示。

作为本发明的一种改进，所述步骤b中的孤岛划分原则，具体如下：

1)满足孤岛内总用电负荷不超过DG发电总量前提下，优先保证重要负荷供电；

2)保证孤岛内设备线路处于安全状态，避免过载与越限；

3)非故障断电区域内含有具备孤岛运行能力的C型DG，依据预先制定孤岛划分原则将其转化为孤岛运行模式，维持孤岛内重要负荷供电；若含B型DG，则尽可能将其划入具有调频调压能力的C型DG构成的孤岛中运行，否则跟随A型DG脱网。

作为本发明的一种改进，所述步骤c中建立含DG的配电网负荷转供模型，调整网络结构信息，提出采用智能体粒子群优化算法搜索孤岛外的非故障断电区域恢复路径，具体如下：

对于含分布式电源配电网发生故障，通过网络重构对非故障停电区域负荷转供，在负荷转供过程中，需要将负荷转供最大化，以及要求开关操作次数最少，延长开关使用年限。

以损失负荷最小和开关动作次数最少作为配电网负荷转供的目标函数：

其中，ω₁表示损失负荷函数权重系数，ω₂为开关操作次数权重系数，ω₁和ω₂根据实际情况选取且ω₁+ω₂＝1；L_B为故障区域总损失负荷容量；γ为故障隔离后得到的非故障停电区域集合；L_i为转供负荷i的容量；N为开关总数；X_j和X'_j分别表示故障前和转供后开关j的状态，取0或1，表示开关处于断开或闭合。

配电网负荷转供的求解是满足电力网络安全运行且搜索目标函数值最小的解向量，所以根据实际情况，求解需要包括以下约束条件：

(1)网络拓扑约束(不包含DG)；

g_k∈G； (2)；

式中：g_k为已恢复供电区域的网络结构；G为所有可行的网络结构集合。

(2)节点电压约束；

节点电压应保持在固定范围内；

U_imin≤U_i≤U_imax,i＝1,2,3,…,n (3)；

式中：n为节点综述；U_imin和U_imax分别为节点电压U_i的上下限值；

(3)DG出力约束

P_DGt,min≤P_DGt≤P_DGt,max； (4)；

式中：P_DGt,min和P_DGt,max表示第t个DG出力的上下限值；

(4)支路容量约束

S_j＜S_jmax,j＝1,2,3,…,m (5)；

式中：S_jmax为第j支路上视在功率最大容量；

根据上述四种约束条件，通过越界罚函数加入到负荷转供目标函数中，构成无约束条件的增广目标函数：

F＝f+λ₁σ₁； (6)；

式中：λ₁称为罚因子；σ₁为不等式约束条件。

作为本发明的一种改进，所述步骤d中执行MAPSO负荷转供算法整个求解流程具体

如下：

配电网网络重构转换开关状态是实现非故障停电区域负荷转供的手段，由于配电网采用闭环设计，开环运行的方式，所以开关只存在断开和闭合两种方式。采用智能粒子群优化算法(MAPSO)，该算法结合了二进制粒子群算法(binary particle swarmoptimization，BPSO)及多智能体(Multi-Agent)概念，实现求解；

每个Agent表示一个物理的或抽象的实体，能够相互配合与竞争，完成复杂问题的求解；假设在智能体网状格子环境中，L_i,j是坐标为(i,j)，其中，i,j＝1,2,…,L_size，L_size表示网络坐标最大值。

定义粒子的邻域为：

其中：

BPSO算法中，初始化一群随机粒子，通过粒子迭代更新，寻求最优解，设在一个n维的搜索空间中，粒子x_i根据式和式更新其速度和位置；

式中：上标k表示当前迭代次数；表示第k次迭代时的粒子空间位置；表示第k次迭代时的粒子速度；ω表示惯性权重；c₁、c₂表示学习因子；r₁、r₂表示均匀分布在[0,1]的随机数；分别表示第k次迭代时个体极值与全局极值；

在MAPSO中，每个粒子看做一个Agent，并固定在网状格子环境中，通过与其邻域粒子Agent之间进行竞争与合作操作，构成了局部最优，而且每个粒子还需执行BPSO算法的迭代进化机制，与全局最优粒子进行信息交互，使用式9对每个粒子的位置进行更新，最终获得全局最优解；

智能粒子群优化算法(MAPSO)求解过程如下：

在寻优过程中，保证负荷转供的目标函数以损失负荷和开关操作次数最少为最优，是极小值优化问题，应使Agent(L_i,j)对应的适应度函数值极高，确定Agent(L_i,j)的适应度函数为：

其中，F为增广目标函数；C_max为定值；

负荷转供求解步骤如下：

(1)输入配电网络初始信息及不等式约束条件，确定可操作分段开关和联络开关状态，确定智能体网格规模L_size×L_size，即确定BPSO算法中所选取的种群数；

(2)设置MAPSO***的控制参数，设置最大允许迭代次数T，惯性权值ω、学习因子c等参数；

(3)构造智能体格子环境L_size×L_size，在控制变量约束条件下随机产生初始种群，L_size×L_size个Agent；

(4)采用前推回代潮流计算方法进行潮流计算，评估当前每个Agent的适应度函数fitness(L_i,j)；

(5)根据格子环境中的邻域信息，更新每个Agent位置。设定当前Agent为L_i,j，M_i,j是当前L_i,j邻域中适应度函数值最大的Agent，若满足fitness(M_i,j)≤fitness(L_i,j)，则Agent(L_i,j)解空间的位置保持不变，否则按L'_i,j＝M_i,j+rand(-1,1)·(M_i,j-L_i,j)向趋于M_i,j的位置进行搜索更新，且仍保留原有信息；

(6)直接利用BPSO算法的迭代公式，设定每个粒子的当前位置作为粒子当前最优解p_Besti＝fitness(L_i,j)，取g_Best＝minfitness(L_i,j)为群体当前最优解，从而更新每个Agent在解空间中的位置和速度。每次更新后，检查速度是否超出[－4，4]，若超出该范围，将速度限制为该极值；

(7)如果达到最大迭代次数或满足收敛条件，则停止迭代，输出全局最优解，即一组开关状态的组合，否则返回第(4)步。

相对于现有技术，本发明的有益效果如下：

1)首先需要规定DG的故障后运行方式，然后根据配电网的实际运行情况、故障点位置及故障后DG运行方式，考虑孤岛内负荷容量与DG发电容量的平衡，进行DG孤岛划分；建立含DG的配电网负荷转供模型，其配电网负荷转供需要考虑的约束条件包括网络拓扑约束，节点电压约束，DG出力约束，支路容量约束。在粒子群优化算法的基础上，结合多智能体(Multi-Agent)***概念，构成智能粒子群优化算法(MAPSO)。算法目标函数以损失负荷最小和开关动作次数最少为最优进行路径寻优，得到最优解。通过仿真和***分析表明可以地快速有效实现有源配电网费故障区域负荷快速转供，从而减少故障或者检修带来的停电损失。

2)本方法考虑了多种约束条件，基于MAPSO对开关操作和损失负荷两个目标进行优化，算法收敛速度快，准确率高，能够最大限度地恢复孤岛外智能配电网非故障断电区域负荷的快速转供。

附图说明

图1含DG的配电网故障后负荷转供方案示意图；

图2本发明所述方法流程图。

具体实施方式

为了加深对本发明的认识和理解，下面以开源软件clone来进一步介绍本实施例，clone是一个采用MVC模式开发的小游戏。

实施例1：参见图1-图2，一种基于智能粒子群优化算法的有源配电网故障后负荷转供方法，所述方法包括以下步骤：

当含DG配电网发生故障时，其负荷转供步骤为：

步骤a.故障发生后，检查非故障停电区域是否包含DG，若含有DG，依据其类型决定是否孤岛运行还是脱网运行，若孤岛运行则转步b，否则转步d；

步骤b.依据预先制定的DG孤岛划分原则，划分孤岛运行范围，维持孤岛内重要负荷供电；

步骤c.查找DG孤岛形成时需断开的分段开关和断电区域支路分段开关位置，转入孤岛运行模式；

建立含DG的配电网负荷转供模型，调整网络结构信息，提出采用智能体粒子群优化算法搜索孤岛外的非故障断电区域恢复路径，

最大限度地将失电负荷转移到正常供电区域继续供电，从而实现负荷的快速转供；

步骤d.执行MAPSO负荷转供算法整个求解流程；

步骤e.当主网负荷转供后，依据配电网的频率、电压的幅值和相位，对负荷转供范围内所含有的孤岛进行同期并网操作，恢复到故障前的运行方式，否则继续孤岛运行。

本发明根据故障后不同类型的DG的实际运行情况和孤岛划分原则合理制定孤岛运行范围，充分利用DG发电能力维持孤岛内重要负荷正常供电；同时建立含DG的配电网负荷转供模型，调整网络结构信息，提出采用多智能体粒子群优化算法搜索孤岛外的非故障断电区域恢复路径，最大限度地将失电负荷转移到正常供电区域继续供电，从而实现负荷的快速转供。该仿真和分析方法可以有效解决有源配电网故障后负荷专供问题，提高计算效率，实现负荷转供，从而保证配电网的供电可靠性。

所述步骤a具体如下，当配电网发生故障时，首先对配电网进行区域划分，主要分为故障区域、正常供电区域和非故障停电区域。根据分布式电源在拓扑中的实际位置，确定故障后DG运行方式。主要分为直接脱网、并网或不可孤岛运行、并网或孤岛运行三种，分别用A、B、C类型表示。

所述步骤b中的孤岛划分原则，具体如下：

1)满足孤岛内总用电负荷不超过DG发电总量前提下，优先保证重要负荷供电；

2)保证孤岛内设备线路处于安全状态，避免过载与越限；

3)非故障断电区域内含有具备孤岛运行能力的C型DG，依据预先制定孤岛划分原则将其转化为孤岛运行模式，维持孤岛内重要负荷供电；若含B型DG，则尽可能将其划入具有调频调压能力的C型DG构成的孤岛中运行，否则跟随A型DG脱网。

所述步骤c中建立含DG的配电网负荷转供模型，调整网络结构信息，提出采用智能体粒子群优化算法搜索孤岛外的非故障断电区域恢复路径，具体如下：

对于含分布式电源配电网发生故障，通过网络重构对非故障停电区域负荷转供，在负荷转供过程中，需要将负荷转供最大化，以及要求开关操作次数最少，延长开关使用年限。

以损失负荷最小和开关动作次数最少作为配电网负荷转供的目标函数：

其中，ω₁表示损失负荷函数权重系数，ω₂为开关操作次数权重系数，ω₁和ω₂根据实际情况选取且ω₁+ω₂＝1；L_B为故障区域总损失负荷容量；γ为故障隔离后得到的非故障停电区域集合；L_i为转供负荷i的容量；N为开关总数；X_j和X'_j分别表示故障前和转供后开关j的状态，取0或1，表示开关处于断开或闭合。

配电网负荷转供的求解是满足电力网络安全运行且搜索目标函数值最小的解向量，所以根据实际情况，求解需要包括以下约束条件：

(1)网络拓扑约束(不包含DG)；

g_k∈G； (2)；

式中：g_k为已恢复供电区域的网络结构；G为所有可行的网络结构集合。

(2)节点电压约束；

节点电压应保持在固定范围内；

U_imin≤U_i≤U_imax,i＝1,2,3,…,n (3)；

式中：n为节点综述；U_imin和U_imax分别为节点电压U_i的上下限值；

(3)DG出力约束

P_DGt,min≤P_DGt≤P_DGt,max； (4)；

式中：P_DGt,min和P_DGt,max表示第t个DG出力的上下限值；

(4)支路容量约束

S_j＜S_jmax,j＝1,2,3,…,m (5)；

式中：S_jmax为第j支路上视在功率最大容量；

根据上述四种约束条件，通过越界罚函数加入到负荷转供目标函数中，构成无约束条件的增广目标函数：

F＝f+λ₁σ₁； (6)；

式中：λ₁称为罚因子；σ₁为不等式约束条件。

所述步骤d中执行MAPSO负荷转供算法整个求解流程具体如下：

配电网网络重构转换开关状态是实现非故障停电区域负荷转供的手段，由于配电网采用闭环设计，开环运行的方式，所以开关只存在断开和闭合两种方式。采用智能粒子群优化算法(MAPSO)，该算法结合了二进制粒子群算法(binary particle swarmoptimization，BPSO)及多智能体(Multi-Agent)概念，实现求解；

每个Agent表示一个物理的或抽象的实体，能够相互配合与竞争，完成复杂问题的求解；假设在智能体网状格子环境中，L_i,j是坐标为(i,j)，其中，i,j＝1,2,…,L_size，L_size表示网络坐标最大值。

定义粒子的邻域为：

其中：

BPSO算法中，初始化一群随机粒子，通过粒子迭代更新，寻求最优解，设在一个n维的搜索空间中，粒子x_i根据式和式更新其速度和位置；

式中：上标k表示当前迭代次数；表示第k次迭代时的粒子空间位置；表示第k次迭代时的粒子速度；ω表示惯性权重；c₁、c₂表示学习因子；r₁、r₂表示均匀分布在[0,1]的随机数；分别表示第k次迭代时个体极值与全局极值；

在MAPSO中，每个粒子看做一个Agent，并固定在网状格子环境中，通过与其邻域粒子Agent之间进行竞争与合作操作，构成了局部最优，而且每个粒子还需执行BPSO算法的迭代进化机制，与全局最优粒子进行信息交互，使用式9对每个粒子的位置进行更新，最终获得全局最优解；

智能粒子群优化算法(MAPSO)求解过程如下：

在寻优过程中，保证负荷转供的目标函数以损失负荷和开关操作次数最少为最优，是极小值优化问题，应使Agent(L_i,j)对应的适应度函数值极高，确定Agent(L_i,j)的适应度函数为：

其中，F为增广目标函数；C_max为定值；

负荷转供求解步骤如下：

(1)输入配电网络初始信息及不等式约束条件，确定可操作分段开关和联络开关状态，确定智能体网格规模L_size×L_size，即确定BPSO算法中所选取的种群数；

(2)设置MAPSO***的控制参数，设置最大允许迭代次数T，惯性权值ω、学习因子c等参数；

(3)构造智能体格子环境L_size×L_size，在控制变量约束条件下随机产生初始种群，L_size×L_size个Agent；

(4)采用前推回代潮流计算方法进行潮流计算，评估当前每个Agent的适应度函数fitness(L_i,j)；

(5)根据格子环境中的邻域信息，更新每个Agent位置。设定当前Agent为L_i,j，M_i,j是当前L_i,j邻域中适应度函数值最大的Agent，若满足fitness(M_i,j)≤fitness(L_i,j)，则Agent(L_i,j)解空间的位置保持不变，否则按L'_i,j＝M_i,j+rand(-1,1)·(M_i,j-L_i,j)向趋于M_i,j的位置进行搜索更新，且仍保留原有信息；

(6)直接利用BPSO算法的迭代公式，设定每个粒子的当前位置作为粒子当前最优解p_Besti＝fitness(L_i,j)，取g_Best＝minfitness(L_i,j)为群体当前最优解，从而更新每个Agent在解空间中的位置和速度。每次更新后，检查速度是否超出[－4，4]，若超出该范围，将速度限制为该极值；

(7)如果达到最大迭代次数或满足收敛条件，则停止迭代，输出全局最优解，即一组开关状态的组合，否则返回第(4)步。

应用实施例：

以IEEE含DG配电网***为仿真算例，图1中，节点7、22、23、36、41为电源点，负荷节点110、111、121、122、133、135、144为重要负荷，其余为普通负荷。联络开关用圆点表示，正常运行时处于断开状态，异常时闭合起联络作用；分段开关用菱形表示，正常运行时为闭合状态，异常时断开隔离故障段，空心表示断开，实心表示闭合配电网正常运行时。如图所示，联络开关1、4、12、14、24处于分断状态，其余分段开关均处于合闸状态，其中DG安装位置及运行参数如表1。

本文选取网格大小L_size＝6，最大迭代次数为T_max＝100，惯性权重因子ω＝0.7298，学习因子c1＝c2＝1.496 2；权重系数ω₁＝0.6，ω₂＝0.4；罚因子λ₁＝λ₂＝800。

当含DG配电网发生故障时，其负荷转供步骤为：

a.故障发生后，检查非故障停电区域是否包含DG，若含有DG，依据其类型决定是否孤岛运行还是脱网运行，若孤岛运行则转步b，否则转步d；

b.依据预先制定的DG孤岛划分原则，划分孤岛运行范围，维持孤岛内重要负荷供电；

c.查找DG孤岛形成时需断开的分段开关和断电区域支路分段开关位置，转入孤岛运行模式；

d.执行MAPSO负荷转供算法整个求解流程；

e.当主网负荷转供后，依据配电网的频率、电压的幅值和相位，对负荷转供范围内所含有的孤岛进行同期并网操作，恢复到故障前的运行方式，否则继续孤岛运行。

表1 DG安装位置及运行参数

编号	安装位置	类型	故障后运行方式	容量/kw	功率因数
						DG1	2	A	直接脱网	600	0.85
DG2	10	C	并网或孤岛运行	1000	0.80
						DG3	19	C	并网或孤岛运行	2800	0.85
DG4	29	C	并网或孤岛运行	2500	0.80
						DG5	32	B	并网或不可孤岛运行	1200	0.85
DG6	39	C	并网或孤岛运行	800	0.90
						DG7	46	B	并网或不可孤岛运行	2000	0.90

假定电源点7和23母线处同时发生永久性故障而造成负荷失电，迅速断开分段开关11、42、26、30，停电区域如图1所示，具体负荷情况见表2。由于节点7下游包含DG2，节点23下游包含DG1和DG4，因此需对DG2、DG1、DG4进行孤岛划分，DG1脱网，DG2、DG4解列成单用户孤岛运行，划分范围见表3。

表2断电区域负荷参数

表3孤岛划分区域

经过MAPSO算法进行迭代求解，根据求解的开关操作进行负荷转供后，恢复的负荷情况如表4所示；

表4 MAPSO负荷转供策略

最终，经过上述方法求解，当7、23处同时发生故障，则孤岛外非故障断电区域负荷由电源点36和22通过闭合联络开关1、4、12，实现失电负荷转供；主网供电恢复以后，DG2、DG4通过闭合开关9、24实现并网运行，从而恢复已被切除的普通负荷供电。

通过IEEE含DG配电网***为仿真算例，进行具体的仿真和分析表明，可以看出所提的基于智能粒子群优化算法的有源配电网故障后负荷转供方法能有效给出操作策略，本方法考虑了多种约束条件，基于MAPSO对开关操作和损失负荷两个目标进行优化，算法收敛速度快，准确率高，能够最大限度地恢复孤岛外智能配电网非故障断电区域负荷的快速转供。

需要说明的是，上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代，均属于本发明的保护范围。

Claims (5)

1.一种基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，所述方法包括以下步骤：

当含DG配电网发生故障时，其负荷转供步骤为：

步骤a：故障发生后，检查非故障停电区域是否包含DG，若含有DG，依据其类型决定是否孤岛运行还是脱网运行，若孤岛运行则转步b，否则转步d；

步骤b：依据预先制定的DG孤岛划分原则，划分孤岛运行范围，维持孤岛内重要负荷供电；

步骤c：查找DG孤岛形成时需断开的分段开关和断电区域支路分段开关位置，转入孤岛运行模式；

建立含DG的配电网负荷转供模型，调整网络结构信息，提出采用智能体粒子群优化算法搜索孤岛外的非故障断电区域恢复路径，

步骤d：执行MAPSO负荷转供算法整个求解流程；

步骤e：当主网负荷转供后，依据配电网的频率、电压的幅值和相位，对负荷转供范围内所含有的孤岛进行同期并网操作，恢复到故障前的运行方式，否则继续孤岛运行。

2.根据权利要求1所述的基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，

所述步骤a具体如下，当配电网发生故障时，首先对配电网进行区域划分，主要分为故障区域、正常供电区域和非故障停电区域，根据分布式电源在拓扑中的实际位置，确定故障后DG运行方式，主要分为直接脱网、并网或不可孤岛运行、并网或孤岛运行三种，分别用A、B、C类型表示。

3.根据权利要求1所述的基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，

所述步骤b中的孤岛划分原则，具体如下：

1)满足孤岛内总用电负荷不超过DG发电总量前提下，优先保证重要负荷供电；

2)保证孤岛内设备线路处于安全状态，避免过载与越限；

3)非故障断电区域内含有具备孤岛运行能力的C型DG，依据预先制定孤岛划分原则将其转化为孤岛运行模式，维持孤岛内重要负荷供电；若含B型DG，则尽可能将其划入具有调频调压能力的C型DG构成的孤岛中运行，否则跟随A型DG脱网。

4.根据权利要求1所述的基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，

所述步骤c中建立含DG的配电网负荷转供模型，调整网络结构信息，提出采用智能体粒子群优化算法搜索孤岛外的非故障断电区域恢复路径，具体如下：

对于含分布式电源配电网发生故障，通过网络重构对非故障停电区域负荷转供，以损失负荷最小和开关动作次数最少作为配电网负荷转供的目标函数：

其中，ω₁表示损失负荷函数权重系数，ω₂为开关操作次数权重系数，ω₁和ω₂根据实际情况选取且ω₁+ω₂＝1；L_B为故障区域总损失负荷容量；γ为故障隔离后得到的非故障停电区域集合；L_i为转供负荷i的容量；N为开关总数；X_j和X'_j分别表示故障前和转供后开关j的状态，取0或1，表示开关处于断开或闭合。

配电网负荷转供的求解是满足电力网络安全运行且搜索目标函数值最小的解向量，所以根据实际情况，求解需要包括以下约束条件：

(1)网络拓扑约束(不包含DG)；

g_k∈G； (2)；

式中：g_k为已恢复供电区域的网络结构；G为所有可行的网络结构集合。

(2)节点电压约束；

节点电压应保持在固定范围内；

U_imin≤U_i≤U_imax,i＝1,2,3,…,n (3)；

式中：n为节点综述；U_imin和U_imax分别为节点电压U_i的上下限值；

(3)DG出力约束；

P_DGt,min≤P_DGt≤P_DGt,max； (4)；

式中：P_DGt,min和P_DGt,max表示第t个DG出力的上下限值；

(4)支路容量约束；

S_j＜S_jmax,j＝1,2,3,…,m (5)；

式中：S_jmax为第j支路上视在功率最大容量；

根据上述四种约束条件，通过越界罚函数加入到负荷转供目标函数中，构成无约束条件的增广目标函数：

F＝f+λ₁σ₁； (6)；

式中：λ₁称为罚因子；σ₁为不等式约束条件。

5.根据权利要求4所述的基于智能粒子群优化算法的有源配电网故障后负荷转供方法，其特征在于，

所述步骤d中执行MAPSO负荷转供算法整个求解流程具体如下：

采用智能粒子群优化算法(MAPSO)，该算法结合了二进制粒子群算法(binaryparticle swarm optimization，BPSO)及多智能体(Multi-Agent)概念，实现求解；

每个Agent表示一个物理的或抽象的实体，能够相互配合与竞争，完成复杂问题的求解；假设在智能体网状格子环境中，L_i,j是坐标为(i,j)，其中，i,j＝1,2,…,L_size，L_size表示网络坐标最大值。

定义粒子的邻域为：

其中：

BPSO算法中，初始化一群随机粒子，通过粒子迭代更新，寻求最优解，设在一个n维的搜索空间中，粒子x_i根据式和式更新其速度和位置；

式中：上标k表示当前迭代次数；表示第k次迭代时的粒子空间位置；表示第k次迭代时的粒子速度；ω表示惯性权重；c₁、c₂表示学习因子；r₁、r₂表示均匀分布在[0,1]的随机数；分别表示第k次迭代时个体极值与全局极值；

在MAPSO中，每个粒子看做一个Agent，并固定在网状格子环境中，通过与其邻域粒子Agent之间进行竞争与合作操作，构成了局部最优，而且每个粒子还需执行BPSO算法的迭代进化机制，与全局最优粒子进行信息交互，使用式9对每个粒子的位置进行更新，最终获得全局最优解；

智能粒子群优化算法(MAPSO)求解过程如下：

在寻优过程中，保证负荷转供的目标函数以损失负荷和开关操作次数最少为最优，是极小值优化问题，应使Agent(L_i,j)对应的适应度函数值极高，确定Agent(L_i,j)的适应度函数为：

其中，F为增广目标函数；C_max为定值；

负荷转供求解步骤如下：

(1)输入配电网络初始信息及不等式约束条件，确定可操作分段开关和联络开关状态，确定智能体网格规模L_size×L_size，即确定BPSO算法中所选取的种群数；

(2)设置MAPSO***的控制参数，设置最大允许迭代次数T，惯性权值ω、学习因子c等参数；

(3)构造智能体格子环境L_size×L_size，在控制变量约束条件下随机产生初始种群，L_size×L_size个Agent；

(4)采用前推回代潮流计算方法进行潮流计算，评估当前每个Agent的适应度函数fitness(L_i,j)；

(5)根据格子环境中的邻域信息，更新每个Agent位置。设定当前Agent为L_i,j，M_i,j是当前L_i,j邻域中适应度函数值最大的Agent，若满足fitness(M_i,j)≤fitness(L_i,j)，则Agent(L_i,j)解空间的位置保持不变，否则按L'_i,j＝M_i,j+rand(-1,1)·(M_i,j-L_i,j)向趋于M_i,j的位置进行搜索更新，且仍保留原有信息；

(6)直接利用BPSO算法的迭代公式，设定每个粒子的当前位置作为粒子当前最优解p_Besti＝fitness(L_i,j)，取g_Best＝minfitness(L_i,j)为群体当前最优解，从而更新每个Agent在解空间中的位置和速度。每次更新后，检查速度是否超出[－4，4]，若超出该范围，将速度限制为该极值；

(7)如果达到最大迭代次数或满足收敛条件，则停止迭代，输出全局最优解，即一组开关状态的组合，否则返回第(4)步。