一种考虑电源设置条件的多目标分布式电源优化配置方法与流程

1.本发明涉及电力系统分布式发电技术领域，尤其是一种考虑电源设置条件的多目标分布式电源优化配置方法。


背景技术：

2.分布式电源具备安装位置灵活、对环境污染小等优点，已经成为目前电力行业发展的重点研究方向，在配电系统中发挥着重要的作用。分布式电源如果分配合理，则会降低系统网损、改善电压质量和提高投资效益，反之则可能出现电压质量恶化、网损增大和潮流逆流等一系列安全问题。
3.关于配电系统中分布式电源的最佳位置和大小调整，传统的分布式电源在网络中的配置方法只考虑网损最小化，或将运行费和风险费最低为目标构建数学模型，并且对单种分布式电源进行优化配置。目前国内外对分布式电源配置优化做了比较多的研究，正确的分布式电源配置会对配电系统的功率损耗、电压曲线、线路可加载性、运营成本、电源可靠性、污染和稳定性问题产生重要影响。因此，最佳分布式电源配置一直是全球面临的挑战。
4.国内外已有学者从不同角度对分布式电源优化配置问题进行了研究，提出了各种目标不同的分布式电源优化配置计算模型。但这些模型通常只考虑费用角度或降损角度，设置单目标函数，从而大大限制了分布式电源接入的灵活性。同时大部分住哪里和文献没有考虑分布式电源对继电保护可靠性的影响，以及不同类型的分布式电源并网约束条件，并且所采用的算法准确度以及收敛速度较低，从而无法正确衡量分布式电源并网运行的价值，配置结果缺乏指导意义。


技术实现要素：

5.本发明需要解决的技术问题是提供一种考虑电源设置条件的多目标分布式电源优化配置方法，对系统各个目标函数的优化有着明显的提升，对于分布式电源接入配电网的选址定容问题寻优效果良好，能达到提升系统稳定性，更加环保的目的。
6.为解决上述技术问题，本发明所采用的技术方案是：
7.一种考虑电源设置条件的多目标分布式电源优化配置方法，包括以下步骤：
8.s1、建立多目标函数模型；
9.s2、采用层次分析法确定多目标函数模型中各个目标函数的权重大小，构建综合目标模型；
10.s3、设置综合目标模型的约束条件；
11.s4、采用改进的混合大爆炸算法求解综合目标模型中的分布式电源最优配置；
12.s5、验证改进的混合大爆炸算法求解的分布式电源最优配置的优越性。
13.本发明技术方案的进一步改进在于：s1中，所述多目标函数模型包括功率损耗、电压稳定指数、总成本、污染气体排放总量和继电保护可靠系数。
14.本发明技术方案的进一步改进在于所述继电保护可靠系数这一目标函数考虑在系统接入分布式电源后原有继电保护装置是否正常动作和是否会发生拒动或误动的情况。
15.本发明技术方案的进一步改进在于：s2中，具体是指采用层次分析法，建立层次分析结构，根据功率损耗的最小化、电压稳定指数的最大化、继电保护可靠系数、总排量的最小化以及总成本的最小化的重要程度作为权重，建立综合目标模型，得到最优的分布式电源容量和功率。
16.本发明技术方案的进一步改进在于：s3中，所述综合目标模型的约束条件包括潮流约束、节点电压限制约束、配电线路传输功率约束、分布式电源接入容量限制、输电线路电流约束和分布式电源设置条件约束。
17.本发明技术方案的进一步改进在于：所述分布式电源设置条件约束为：
18.rdf
min
≤rdf
ij
≤rdf
max
19.其中，rdf为设立不同类型分布式电源条件对应节点的的指标，i为对应电源类型为光伏发电、风力发电、小型水电，j为i类分布式电源对应的第j个设置条件。
20.本发明技术方案的进一步改进在于：s4中的混合大爆炸算法中，使得每个解都使用前一次迭代的质心、每个解的最佳位置和最佳全局位置三个参数进行更新：
[0021][0022][0023]
j＝1,2,3,
…
,d,i＝1,2,3,
…
,n
[0024]
其中，为算法运行到第k 1代时，第i个碎片在第j维的坐标分量；为迭代k之前全局碎片最优解在第j维空间上的坐标分量；为算法在迭代k之前上一代爆炸中产生的所有碎片解对目标函数适应值最好的碎片解在第j维空间上的坐标分量；i是碎片解编号；α为一个固定的常数；β1和β2分别是控制全局最佳和局部最佳对解的新位置的影响的可调整因子；和是目标函数在解空间各维坐标分量上的最大值最小值。
[0025]
本发明技术方案的进一步改进在于：为了提高所述混合大爆炸算法在搜索空间中更有效地搜索区域的能力，采用变异操作，形成改进的混合大爆炸算法；
[0026]
所述变异操作为总体的每个解定义一个称为trial的索引，所述trial索引在开始时假设为0；在每次迭代中，如果在一个解决方案周围没有观察到任何改进，那么这个索引将增加1，并且每当看到一个进度时，所述trial索引将返回到0；当一个解决方案在连续的迭代中没有改进时，trial的值就会增加；当一个解的值大于另一个称为trail
max
的预定义参数时，该解将被搜索空间中新的随机生成的解替换，如下式：
[0027][0028]
if trial(i)>trail
max
[0029]
其中，trial(i)表示弹出表达式中解i的索引值；rand()是每次迭代时为每个粒子
生成的随机数。
[0030]
本发明技术方案的进一步改进在于：s5中，将所述改进混合大爆炸算法、标准大爆炸算法和粒子群优化算法求解分布式电源优化配置的结果应用于ieee69系统进行对比分析。
[0031]
由于采用了上述技术方案，本发明取得的技术进步是：
[0032]
1、本发明通过建立包括继电保护可靠系数的分布式电源多目标函数，实现了对系统接入分布式电源后原有继电保护装置是否正常动作、是否会发生拒动或误动情况的分析，增加了分布式电源配置的全面性和可靠性。
[0033]
2、本发明通过层次分析法计算权重，实现了将功率损耗最小化，电压稳定指数最大化，继电保护可靠系数，总排量最小化以及总成本最小化的多目标函数综合为一个结果，使分布式电源不同配置的优化结果更加直观。
[0034]
3、本发明设置了考虑了潮流约束、线路传输功率约束、节点电压约束、分布式电源接入容量的限制、输电线路电流约束和分布式电源设置条件约束这六个约束条件，考虑了当地是否满足分布式电源设置以及并网的条件，实现了避免分布式电源接入后的网络结构在实际运行中出现越限的问题，和分布式电源设置不合理的问题。
[0035]
4、本发明通过粒子群优化算法对大爆炸算法的探测能力进行了改进，提出了改进的混合大爆炸算法，并采用了异变操作，实现了克服大爆炸算法对初始种群的依赖性和陷入局部最优的可能性的这些不足，大大的提高了搜索能力，而且具有更好的收敛速度。
[0036]
5、本发明通过将改进混合大爆炸算法、标准大爆炸算法和粒子群优化算法应用于ieee69系统进行对比分析，实现了对算法实用性和优越性的验证。
附图说明
[0037]
图1是本发明流程图；
[0038]
图2是本发明中流动模型意图；
[0039]
图3是本发明中层次分析结构图；
[0040]
图4是本发明中各目标所占权重图；
[0041]
图5是本发明中改进混合大爆炸算法流程图；
[0042]
图6是本发明中ieee69节点配网图；
[0043]
图7是本发明中优化目标对比图；
[0044]
图8是本发明中三种算法迭代次数对比图；
[0045]
图9是本发明中三种算法综合目标f对比图。
具体实施方式
[0046]
下面结合附图及实施例对本发明做进一步详细说明：
[0047]
如图1所示，一种考虑电源设置条件的多目标分布式电源优化配置方法具体包括以下步骤：
[0048]
s1、建立多目标函数模型；
[0049]
s1.1功率损耗最小化
[0050]
配电网有功损耗的最小化一直是配电网的关键问题之一，支路功率损耗之和为：
[0051][0052]
其中r
k
和i
k
分别代表分支k的电阻和电流，sbr是分支的集合。
[0053]
s1.2最大化电压稳定指数
[0054]
从电压稳定性的角度来看，求得电压稳定指数(voltage stability index,简称vsi)最大值以得到最稳定的网络。如图2所示，对于具有发送(send，简称s)和接收(receive，简称r)两个末端母线的典型径向馈线，接受端母线的vsi计算如下：
[0055]
vsi
r
＝(v
s
)4‑
4(p
sr
x
sr
‑
q
sr
r
sr
)2‑
4(v
s
)2(p
sr
x
sr
‑
q
sr
r
sr
)，
[0056]
r＝1,
…
,n
bus
[0057]
其中，v
s
是母线在s处单位电压的幅值，r
sr
和x
sr
分别表示支路s
‑
r的电阻和电抗，p
sr
和q
sr
分别表示支路s
‑
r中的有功功率和无功功率，n
bus
表示第n条母线。在每次迭代运行给定网络配置的潮流后，所有总线的电压和所有分支的电流都是已知的，因此可以计算每条线路的p
sr
和q
sr
，从而计算每条总线的vsi。将电压稳定指数最小的母线定义为对电压崩溃最敏感的临界母线。为了增强最小的vsi值作为目标函数之一，最大偏差最小化为：
[0058]
minf2＝max{1
‑
vsi
r
}，r＝1,
…
,n
bus
。
[0059]
s1.3总成本最小化
[0060]
系统的总成本包括从主变电站购买的能源成本和分布式电源产生的有功功率成本，它被公式化为：
[0061][0062]
c
sub
＝p
sub
×
ρsub
[0063]
其中p
sub
(kw)、ρsub(￥/kwh)和c
sub
(￥/h)分别表示从主变电站进口的电力、能源价格和购买的电能成本；c
i
(￥/h)是第i个分布电源产生电能的成本。
[0064]
通常，分布式电源(distributed generation，简称dg)产生的电能成本包括固定成本和可变成本，固定成本包括设备、基础设施、调试成本；可变成本包括运行和维护成本以及燃料成本。对于所有的分布电源成本，通常可以将其表示为：
[0065]
c
i
＝a
i
b
i
p
i
[0066]
其中a
i
是第i个分布电源的固定成本，单位为￥/h；b
i
是第i个分布电源的单位能源成本，单位为￥/kwh；p
i
是第i个分布电源产生的功率，单位为kw。每个dg的a和b的参数计算如下所示：
[0067][0068]
b＝cost
o&m
cost
fuel
[0069]
其中cost
capital
是dg的资本成本，单位为￥/kw；p
cap
是dg功率，以kw为单位；gr代表年收益率；t
life
是dg的使用寿命，以年为单位cf是dg容量因子；cost
o&m
是dg的运营和维护成本，单位为￥/kwh；cost
fuel
是燃料的成本，单位为￥/kwh。
[0070]
s1.4排放总量最小化
[0071]
风电和光伏等可再生能源可提供清洁能源而无任何排放。但是，某些类型分布式电源将二氧化碳，氮氧化物和二氧化硫等污染物释放到大气中。dg和电网产生的年总排放量公式如下：
[0072][0073]
其中，er
i
和er
grid
分别表示分布电源i和电网的排放率，单位为kg/kwh；lf是负载系数。
[0074]
s1.5继电保护可靠系数
[0075]
继电保护装置的误动是指当保护装置所在线路无故障时，保护装置不应动作，若此时保护装置动作，则为该保护发生了误动；继电保护装置的拒动是指当保护装置所在线路存在故障，保护应该动作，但此时保护装置拒绝动作，则为该保护发生了拒动；为了避免继电保护装置产生误动或拒动的情况，引入λ
k
表示继电保护装置可靠动作系数，继电保护装置能够可靠动作时λ
k
取值为0，继电保护装置不能够可靠动作即发生拒动或误动的情况时λ
k
取值如下式所示。
[0076][0077]
其中，pn表示继电保护装置的编号；δi表示n点发生短路故障时，n点短路电流与保护装置pm整定值的差值，计算公式为：
[0078]
δi＝i
kn
‑
i
set.pm
[0079]
为了保证继电保护装置能够可靠动作，δi取值规定应满足，继电保护装置pm所在馈线无故障时，即装置pm不应动作，应满足i
kn
‑
i
set.pm
<0；继电保护装置pm所在馈线存在故障时，即装置pm应该动作，应满足i
kn
‑
i
set.pm
>0。
[0080]
当保护pn能够正确动作时，δi取值为0；pn不能够正确动作时，δi取值为|δi|。
[0081]
s2、采用层次分析法确定多目标函数模型中各个目标函数权重大小，构建综合目标模型；
[0082]
s2.1建立层次结构模型
[0083]
如图3所示，首先需要先建立一个层次分析结构。综合目标的含义为根据功率损耗的最小化，电压稳定指数的最大化，继电保护可靠系数，总排量的最小化以及总成本的最小化的重要程度作为权重，计算得出一个综合目标f，使之可以有效、准确体现以上五个目标。
[0084]
s2.2建立判断矩阵
[0085]
利用层次分析法计算各因素的权重，需建立一个5
×
5倒数矩阵来度量目标的重要性，如矩阵所示：
[0086][0087]
其中，每个元素表示需求i和j之间的偏好，矩阵a对应的行列指标对应顺序从上到下或者从左到右依次为功率损耗最小化，最大化电压稳定指数，总成本最小化，排放总量最小化，继电保护可靠系数。
[0088]
s2.3分层单排序一致性测试
[0089]
层次单排序是根据判断矩阵与层次相关的指标的重要性权重，来计算判断矩阵的特征值与特征向量，即计算满足以下关系的判断矩阵的特征值和特征向量：
[0090]
dv＝λ
max
v
[0091]
其中，λ
max
是判断矩阵的最大特征值，dv是λ
max
的特征向量，了解判断矩阵的性质。
[0092]
下一步是检查，判断矩阵的每个标准值应满足以下要求：
[0093][0094]
在实际分析中，由于客观事物的复杂性和不同和理解的差异性，每个判断矩阵几乎不可能具有完全一致性。为了研究判断矩阵是否适用于层次分析法，有必要对判断矩阵的一致性进行检验。为了测试判断矩阵的一致性，需要计算一致性指数：
[0095][0096]
其中，n是判断矩阵的阶数。当判断矩阵的阶数小于3时，总是检查的算法更好。当矩阵的阶数较高时，应修改一致性。其操作如下：
[0097][0098]
其中，ci与ri值验证了构建的矩阵a的可靠性，输出的多目标权重也可以使用。
[0099]
如图4所示，综合考虑分布式电源功率损耗最小化，最大化电压稳定指数，总成本最小化，排放总量最小化，继电保护可靠系数，在满足电网6个约束条件的基础上达到总体最优化。归一化综合目标函数具体描述如下式所示：
[0100]
f＝w1×
minf1 w2×
vsi
r
w3×
minf3 w4×
minf4 w5×
λ
k
[0101]
其中w1，w2，w3，w4，w5是目标minf1、vsi
r
、minf3、minf4、λ
k
所对的权重，其值分别为0.20734892，0.089516，0.476683，0.161725，0.09028。
[0102]
s3、设置综合目标模型的约束条件；
[0103]
所述综合目标模型的约束条件包括等式约束条件和不等式约束条件。其中，等式约束条件包括潮流约束；不等式约束条件包括节点电压限制约束、配电线路传输功率约束、分布式电源接入容量限制、输电线路电流约束和分布式电源设置条件约束。
[0104]
s3.1等式约束条件
[0105]
在分布式电源并网后的正常运行状态下，系统应满足基本的潮流等式约束：
[0106][0107]
其中，p
i
为节点i的有功功率，q
i
为节点i的无功功率；u
i
为节点i的电压幅值，u
j
为节点j的电压幅值；g
ij
为支路ij的电导，b
ij
为支路ij的电纳；θ
ij
为功率因数角。
[0108]
s3.2不等式约束条件
[0109]
在研究分布式电源的优化配置问题中除了考虑等式约束条件，还需考虑不等式的约束，考虑了配电线路传输功率约束、节点电压约束、分布式电源接入容量的限制、输电线路电流约束和分布式电源设置条件约束五个不等式约束条件。
[0110]
s3.2.1节点电压限值约束
[0111]
分布式电源接入配电网以后，过大的分布式电源容量会引起配网局部电压越限，因此必须要保证各节点电压满足所有相关约束条件，此限制条件能影响分布式电源在配网中的配置。在10kv配电网中，电压偏移范围为
±
7％u
n
。
[0112]
s3.2.2配电线路传输功率约束
[0113]
电源设置约束由于配电网导线型号已经固定，所以输电线路的传输能力受到一定的限制。因此对于线路的传输功率需要控制在一定的范围内，防止对电力系统产生负面的危害，配电线路传输功率约束为：
[0114]
p
ij
<p
ij.max
[0115]
其中，p
ij
表示节点ij之间线路传输的功率，p
ij.max
为线路传输功率的最大值。
[0116]
s3.2.3分布式电源接入容量限制
[0117]
网络的潮流分布会随分布式电源接入配电网而改变，由于分布式电源的打开和关断不受电网调度，如果分布式电源接入过大容量就会对周围的用户用电造成很大影响。因此为了使分布式电源对电网的影响处于一个有效的可控范围，非常有必要控制分布式电源接入的总容量。分布式电源接入容量限制为：
[0118]
∑s
dg
<δ∑s
load
[0119]
其中，∑s
dg
为接入分布式电源的总容量；δ∑s
load
为系统负荷总容量，δ为分布式电源接入配电网总容量的比例上限。
[0120]
s3.2.4输电线路电流约束
[0121]
如果分布式电源接入配电网中的位置或容量不合理，可能会使线路中流过的电流超过最大允许负荷电流，造成电力系统故障，对电力系统的稳定运行造成影响，因此需要对分布式电源接入后线路中流过的电流进行约束。输电线路电流约束为：
[0122][0123]
0≤i
ij
≤i
ij.max
[0124]
其中，u
i
、u
j
为节点i,j的电压；y
ij
为节点i与节点j之间的导纳；cosδ
ij
节点i、j的功率因数；i
ij
为节点i和节点j之间支路的实际电流；i
ij.max
为节点i和节点j之间支路的最大允
许电流。
[0125]
s3.2.5分布式电源设置条件约束
[0126]
如果选择某节点为分布式电源接入点，而该点现实条件不能满足对应容量分布式电源设置的现实条件需求，这样的规划显然是没有意义的，引入分布式电源设置条件指标rdf来判断该节点对应种类电源是否符合使用要求。分布式电源设置条件约束为：
[0127]
rdf
min
≤rdf
ij
≤rdf
max
[0128]
rdf为设立不同类型分布式电源条件对应节点的的指标，i为对应电源类型如光伏发电、风力发电、小型水电，j为i类分布式电源对应的第j个设置条件。
[0129]
s4、采用改进的混合大爆炸算法求解综合目标模型中的分布式电源最优配置；
[0130]
每一种基于种群的优化算法都需要解决搜索空间的开发和探索。开发指的是搜索方法访问以前访问过的点附近的搜索空间区域的能力，而探索指的是算法访问整个搜索空间新区域的能力。为了获得成功，搜索算法需要在探索和开发之间保持良好的平衡。
[0131]
尽管混合大爆炸算法在开发中具有良好的性能，但在探索中仍存在一些缺点，如算法对初始种群的依赖性和陷入局部最优的可能性。为了克服混合大爆炸算法的这些不足，利用粒子群优化算法(particle swarm optimization，简称pso)对混合大爆炸算法的探测能力进行了改进。pso算法是一种基于鸟类种群个体(称为粒子搜索)的优化算法，它源于鸟类的群集模式。每个粒子以一定的速度在多维搜索空间中飞行，该速度由粒子的最佳实验性能p
best
和所有粒子的邻居的最佳实验性能g
best
不断更新。宇宙大爆炸算法(big bang
‑
big crunch，简称bb
‑
bc)思想来源于宇宙大爆炸和大收缩理论，利用粒子群优化搜索能力改进的混合大爆炸算法称为hbb
‑
bc算法。
[0132]
在hbb
‑
bc算法中，每个解都使用前一次迭代的三个参数，即质心、每个解的最佳位置和最佳全局位置进行更新：
[0133][0134][0135]
j＝1,2,3,
…
,d,i＝1,2,3,
…
,n
[0136]
其中，为算法运行到第k 1代时，第i个碎片在第j维的坐标分量；为迭代k之前全局碎片最优解在第j维空间上的坐标分量；为算法在迭代k之前上一代爆炸中产生的所有碎片解对目标函数适应值最好的碎片解在第j维空间上的坐标分量；i是碎片解编号；α为一个固定的常数；β1和β2分别是控制全局最佳和局部最佳对解的新位置的影响的可调整因子；和是目标函数在解空间各维坐标分量上的最大值最小值。
[0137]
此外，为了提高算法在搜索空间中更有效地搜索区域的能力，还采用了变异操作，形成改进的混合大爆炸算法。根据这种方法，为总体的每个解定义一个称为trial的索引；该索引在开始时假设为0。在每次迭代中，如果在一个解决方案周围没有观察到任何改进，那么这个索引将增加1，并且每当看到一个进度时，该索引将返回到零。当一个解决方案在
连续的迭代中没有改进时，trial的值就会增加，这表明该解决方案不是一个有效的解决方案，并且它不会演变成一个期望的解决方案。在这种情况下，当一个解的值大于另一个称为trail
max
的预定义参数时，该解将被搜索空间中新的随机生成的解替换，如下式：
[0138][0139]
if trial(i)>trail
max
[0140]
其中，trial(i)表示弹出表达式中解i的索引值；rand()是每次迭代时为每个粒子生成的随机数。改进混合大爆炸算法流程图如图5所示，具体包括以下步骤：
[0141]
s4.1输入数据，包括系统基本配置、线路阻抗、基本回路中的开关数量、多个分布式电源特性、总体中的个体数量、最大迭代次数和算法的内部参数。
[0142]
s4.2如果是第一次迭代，则随机生成初始种群；在随后的迭代中，更新决策向量；分配联络开关和dg输出功率的状态。
[0143]
s4.3检查每个解决方案的网络半径。
[0144]
如果网络不是径向的，或者至少有一个负载与电网隔离，则对于这种解，适应度函数的值被认为是零。
[0145]
s4.4计算在s4.3中没有零适应度的解的适应度值。
[0146]
在对每个种群个体运行功率流之后，计算目标函数和粒子适应度函数。对于违反约束的解决方案，适应度值被视为零。
[0147]
s4.5获得每个个体的质心、最佳局部位置pbest和全局最佳位置g
best
。
[0148]
s4.6使用的公式混合进化更新解决方案；同时，测量进化进程，必要时应用的公式突变。
[0149]
s4.7检查终止条件。
[0150]
如果g
best
几乎是固定的并收敛到某个值，则停止使用该值作为问题的解决方案的算法。否则，如果迭代次数超过给定的最大值，则算法不会收敛。如果需要更多的迭代，跳转到s4.3。
[0151]
s5、验证改进的混合大爆炸算法求解分布式电源最优配置的优越性。
[0152]
将改进的混合大爆炸算法对比粒子群优化算法和混合大爆炸算法解决分布式电源优化配置的结果进行对比，利用ieee69节点配网系统进行算分析。具体包括以下步骤：
[0153]
s5.1网络参数的设置
[0154]
为了评估所提出的hbb
‑
bc算法的性能，将改进hbb
‑
bc对比pso和bb
‑
bc解决dg优化配置的结果进行对比。以综合目标f为目标函数，比较三种算法寻优所需的优化效率、优化结果，应用ieee69节点配网系统进行算例研究。该配网系统有68个分支机构，5条支路装有联络开关，如图6所示。该配网系统中首端参考电压10kv，三相电源参考值10mva，网络总负载3802.19 j2694.60kva，系统优化配置前总网络损耗为1.9715mw。
[0155]
在将三种算法应用于所提出的问题时，需要分析决策变量。决策变量包括分布式电源的位置和分布式电源的功率输出。假设在某些总线上安装了三种分布式电源技术，包括风电机(wind turbines，简称wt)、柴油发电机(diesel generator，简称dg)和光伏发电(photovoltaic，简称pv)，为防止混淆，将柴油发电机简称为d，x的决策变量向量将为：
[0156]
x＝[st,p
dg
]
t
[0157][0158][0159]
其中，st表示接入分布式电源的节点；p
dg
为分布式电源有功发电量；表示节点i设置分布式电源；为wt、d和pv发电；ndg为分布式电源的数目。
[0160]
同时，还需要设置各类分布电源的一些相关参数，如表1所示。
[0161][0162]
表1分布式电源参数
[0163]
s5.2结果分析
[0164]
改进hbb
‑
bc对比pso和bb
‑
bc对于分布式电源接入ieee69节点配电网的优化配置，采用不同的优化算法会导致dg优化配置的结果存在差异，三种优化算法选择的分布式电源接入位置与容量截然不同。
[0165]
如图7所示，改进的混合爆炸算法要比标准大爆炸算法及粒子群算法优化结果更好、迭代次数更少，表现出更好地性能。
[0166]
图8是三种算法迭代次数的变化，采用改进混合爆炸算法分别相对于pso和bb
‑
bc算法优化过程的迭代次数减少30.1％和19.2％。图9是在接入dg前后，采用混合算法对分布式电源进行规划，系统的综合目标f得到了一定的提高，相比于pso和bb
‑
bc算法分别提升了5.7％和4.99％。通过与pso和bb
‑
bc算法的优化结果进行比较，验证了该算法的实用性和优越性。
[0167]
综上所述，本发明结合传统配电网的实际情况，在满足配电网安全稳定运行的前提下，以对继电保护系统稳定性影响、减少总排放量、系统的功率损耗最小化、最大化电压稳定指数、总成本为多目标函数，并考虑建厂约束条件等约束条件，通过层次分析法确定各个目标的权重，得出计算综合目标因数。同时运用改进的混合大爆炸算法，不仅提高了搜索能力，而且具有更好的收敛速度。