含分布式電源及電動汽車的多代理配電網(wǎng)重構

劉思聰，周步祥，彭章剛，唐 浩，鄧蘇娟

（四川大學電氣信息學院，成都 610065）

含分布式電源及電動汽車的多代理配電網(wǎng)重構

劉思聰，周步祥，彭章剛，唐 浩，鄧蘇娟

（四川大學電氣信息學院，成都 610065）

為緩解分布式電源和電動汽車的接入對配電網(wǎng)電能質量和網(wǎng)絡損耗的影響，并謀求配電網(wǎng)重構時電能質量和網(wǎng)絡損耗的最優(yōu)控制，本文提出一種基于JADE開發(fā)平臺下的多代理控制系統(tǒng)，在配電網(wǎng)重構過程中充分考慮分布式電源和電動汽車對配電網(wǎng)潮流影響。在改進的IEEE-33節(jié)點系統(tǒng)中進行了仿真分析。仿真結果與傳統(tǒng)局部控制策略相比較，既有效解決了饋線過載和電壓越限問題，又優(yōu)化了配電網(wǎng)電能質量和網(wǎng)絡損耗，并具有更強的魯棒性和可靠性。

多代理控制系統(tǒng)；配電網(wǎng)重構；分布式電源；電動汽車；最優(yōu)控制

日益增長的電能需求使得饋線過載和電壓越限等一系列問題發(fā)生的頻率越來越高。并且由于分布式電源DG（distributed generation）的高滲透率以及電動汽車EV（electric vehicle）的普及，使得在進行配電網(wǎng)重構時有必要考慮這些因素的影響。

文獻[1]提出了一種改進的生物地理學優(yōu)化算法來進行重構。文獻[2]針對重構設計了一種改進免疫算法。文獻[3]則提出了一種改進蟻群算法來解決重構問題。文獻[1，3]對于配電網(wǎng)重構的研究均集中在優(yōu)化算法上，并沒有針對重構的控制方法做進一步研究。文獻[4]針對配電網(wǎng)提出了一種分時段的多代理重構方案。文獻[5-6]設計了一種多代理故障恢復模型。文獻[7]針對艦船電力系統(tǒng)提出了一種多代理系統(tǒng)重構方案。上述文獻均沒將多代理技術應用到城市配電網(wǎng)重構中，也并沒考慮DG和EV的接入對配電網(wǎng)重構的影響。

傳統(tǒng)重構的方法一般分為集中控制和分散控制。集中控制是利用一個或者多個控制中心來制定全局最優(yōu)的重構方案。而分散控制則沒有控制中心，因此很難實現(xiàn)全局的最優(yōu)處理，但其魯棒很好。在傳統(tǒng)局部控制方法下，配電網(wǎng)DG單元的整合會嚴重影響系統(tǒng)的電壓水平，造成過壓或者欠壓，導致系統(tǒng)損耗增加，同時還會影響有載調壓變壓器ULTC（under load tap changer）和并聯(lián)電容器[8-11]。

本文提出了一種混合集中控制和分散控制的多代理控制系統(tǒng)MACS（multi-agent control system），建立了系統(tǒng)網(wǎng)損最小和電壓偏移最小的多目標重構模型，并利用模糊集理論將多目標優(yōu)化轉化為單一目標優(yōu)化，采用本文提出的MACS進行重構決策。

1 含有DG的配電網(wǎng)的電壓控制問題

限制提高DG滲透率的主要因素有：饋線流量限制、保護問題以及電壓升高問題。處理電壓升高問題有如下3種方法。第1種方法：DG注入網(wǎng)絡的無功由連接的電力電子設備來控制。但由于DG的容量是固定的，增加無功的注入會減少有功的注入，這降低了DG的經(jīng)濟收益。因此這個方法的花費太大。只有在使用電壓控制設備后仍然不能調整電壓到規(guī)定范圍的情況下，才能使用這種方法。第2種方法：只用電壓控制設備來規(guī)范系統(tǒng)電壓。在滿足式（1）的情況下，電壓調節(jié)器能夠調節(jié)所有饋線的最大電壓和最小電壓；如果不滿足式（1），電壓調節(jié)器就不能消除整個系統(tǒng)的電壓越限，則采用第3種方法—配電網(wǎng)重構。

式中：Vmax和Vmin分別為配電網(wǎng)節(jié)點電壓的最大值和最小值；Vmax，allow和Vmin，allow分別為配電網(wǎng)允許的最大電壓和允許的最小電壓。

假設饋線A有N個負荷節(jié)點，饋線B有M個負荷節(jié)點，如圖1所示。則饋線A的節(jié)點I-1的節(jié)點電壓為

式中：VI-1（0）和VI-1（1）分別為節(jié)點I-1 負荷轉移前的電壓和負荷轉移后的電壓；ΔPL和ΔQL分別為轉移負荷總共的有功和無功。

饋線B的節(jié)點J的節(jié)點電壓為

式中，VJ（0）和VJ（1）分別為節(jié)點J負荷轉移前的電壓和負荷轉移后的電壓。

圖1 負荷轉移示意Fig.1 Schematic of load transfer

2 含DG以及EV負荷的配電網(wǎng)動態(tài)重構數(shù)學模型

以往提出的配電網(wǎng)重構雖然顧及了EV的接入對電網(wǎng)的影響，但只建立了較為簡單的數(shù)學模型。由于科技的快速發(fā)展，在未來的配電網(wǎng)中將會大量接入類似EV這樣的新型負荷。本文提出了考慮DG以及EV負荷同時接入時的配電網(wǎng)重構數(shù)學模型，這符合未來電網(wǎng)發(fā)展趨勢。

2.1 EV的接入模型

2.1.1 傳統(tǒng)EV接入模型

本文采用文獻[1]提出的傳統(tǒng)EV模型。假設各臺EV開始充電的時刻的概率密度函數(shù)[12]為

式中：x為每臺EV的充電功率，kW；μs=17.6；σs=3.4。

假設EV的充電功率服從均勻分布，則其概率密度函數(shù)為

假設TC為充電時長，并設其概率密度函數(shù)為

式中：μD=3.2；σD=0.88；x＞0。設為EV在t0時刻的充電狀態(tài)，表示正在充電，表示未在充電，其概率函數(shù)可表示為

式中：ts為開始充電的時刻；tc為充電時長；Fs為充電起始時刻的概率分布函數(shù)；FTC為充電時長的概率分布函數(shù)。

2.1.2 V2G接入模型

削峰填谷是智能電網(wǎng)所追求的一個目標。因此本文引入文獻[13]提出的V2G（vehicle to grid）模型。設家庭汽車的日里程概率密度函數(shù)為

設電動汽車起始電荷狀態(tài)SOC0為

式中：D為行駛天數(shù)；d為日行駛里程；dR為電動汽車的最大行駛路程。

充、放電持續(xù)時間tc和tf分別為

式中：SOCc和SOCd分別為電池充電和放電的最終狀態(tài)，并且SOCd的最小值為0.1；rci和rdi分別為充電電流和放電電流。

2.2 DG的接入模型

2.2.1 風力發(fā)電接入模型

風力發(fā)電機的出力受到風速的影響，而風速的預測隨機性很大[14]。本文采用Weibull分布函數(shù)來近似作為風速的概率分布，并用線性分段函數(shù)來描述風力發(fā)電機的出力。

設f（v）表示風速的概率密度函數(shù)，PW表示風力發(fā)電機的出力，則有

式中：v為風力發(fā)電機風速；k和c分別為形狀參數(shù)和尺度參數(shù)；Prate為風力機的額定容量；vci、vrate、vco分別為切入風速、額定風速以及切出風速。

2.2.2 光伏發(fā)電接入模型

本文采用Beta分布函數(shù)來描述太陽光照的概率分布。

設f（r）為光照強度的概率密度函數(shù)，PM表示光伏發(fā)電機的出力，則有

式中：r和rmax分別為某一段時間內的光照強度和其最大值；α、β為Beta分布的形狀參數(shù)；A為光伏電板的面積；η為光-電轉換效應。

2.3 配電網(wǎng)重構模型

本文以重構后網(wǎng)損最小以及電壓偏移最小為綜合指標建立目標函數(shù)，運用模糊集理論將多目標轉化為單一目標得到最終的目標函數(shù)。

2.3.1 目標函數(shù)

網(wǎng)損最小目標函數(shù)為

式中：Si為開關i的狀態(tài)，Si=1表示開關i閉合，Si=0表示開關i斷開；Ri為支路i的電阻；Pi和Qi分別為支路i的有功功率和無功功率；PDG和QDG分別為DG注入有功功率和無功功率；PEV和QEV分別為電動汽車注入的有功功率和無功功率（這里將電動汽車當做出力為負的DG處理）；Vi為支路i末端的節(jié)點電壓；N為支路總數(shù)。

電壓偏移最小目標函數(shù)為

式中：Vi為節(jié)點i的電壓；Vi，spec為節(jié)點i的期望電壓；ΔVi，max為節(jié)點i的最大允許偏差；Nb為節(jié)點數(shù)。

本文利用模糊集理論將多目標優(yōu)化問題轉化為單一目標優(yōu)化問題。每個子目標的模糊隸屬度函數(shù)μi為

式中：fi為對應子目標的值；fi，opt為對應子目標優(yōu)化后的最佳取值；fi，max為對應子目標的最大取值。

設模糊化后的單一目為λ，則有

式中，λ表示總體滿意度。

2.3.2 約束條件

配電網(wǎng)重構的約束條件包括潮流約束方程、節(jié)點電壓約束、傳輸功率約束以及網(wǎng)絡拓撲約束等。同時本文還需要考慮風力發(fā)電、光伏發(fā)電以及充電站接入點的功率因數(shù)約束。

式中：Pi、Qi、Vi分別為節(jié)點i的有功功率、無功功率、節(jié)點電壓；Vi，max和Vi，min分別為節(jié)點i電壓的上限和下限；Sl和Sl，max分別為支路l的傳輸功率以及傳輸功率的上限；FW、FW，max和FW，min分別為風力發(fā)電功率及其功率上、下限；FM、FM，max、FM，min分別為光伏發(fā)電功率及其功率上、下限；FEV、FEV，max、FEV，min分別為EV充電站的功率及其功率上、下限。

本文采用牛頓-拉夫遜算法來進行潮流計算。

3 多代理控制系統(tǒng)及其基本原理

本文提出的MACS的工作流程如圖2所示。它由負荷代理 LA（load agent）、饋線代理FA（feeder agent）和調節(jié)器代理RA（regulator agent）3 部分組成。SR和SR，max分別為配電變壓器潮流及其最大值；tap、tapmax、tapmin分別為配電變壓器變比及其最大、最小值；Vprim和Vsec分別為配電變壓器的一次側和二次側電壓；IRPSC為要求增加RPS的LA的數(shù)目；DRPSC為要求減少RPS的LA的數(shù)目。

圖2 代理工作流程Fig.2 Flow chart of behavior of agent

3.1 負荷代理

每根饋線有多個LA，LA負責監(jiān)控連接線路的節(jié)點，電容器組的狀態(tài)以及DG單元的狀態(tài)。具體任務如下。

（1）每個LA監(jiān)控自己節(jié)點的負載功率、電壓、上端以及下端潮流。

（2）假設LA1檢測到電壓越限。如果該節(jié)點配有無功補償器（電容器組），它會優(yōu)先選擇在本地實施電壓校正。

（3）如果LA1沒有配備無功補償器，它會通過其饋線上的FA向自己饋線上或者相鄰饋線上配有開關電容器組的LA發(fā)送需求信息RM（requirement message）來進行無功補償。

（4）接收到RM的LA檢查其可用的無功補償容量并向LA1發(fā)送接受信息或者拒絕信息。

（5）如果此LA達到容量上限，或者相鄰線路的潮流達到上限，或者電容器組開關操作次數(shù)達到每日最大次數(shù)，或者它自己的節(jié)點也發(fā)生了電壓越限，那么它會向LA1發(fā)送拒絕信息。

（6）LA1會向RA發(fā)送RM來進行無功補償。

（7）RA檢查其可用容量并向LA1發(fā)送接受信息或者拒絕信息。

（8）如果RA達到容量上限，或者潮流超過限制，或者它的二次側電壓越限，那么它會向LA1發(fā)送拒絕信息。

3.2 饋線代理

每根饋線有一個單獨的饋線代理FA，F(xiàn)A負責監(jiān)控饋線的潮流。其具體任務分別從以下兩種情況下說明。

3.2.1 系統(tǒng)過載

在系統(tǒng)過載情況下，F(xiàn)A的任務如下。

（1）假設FA1檢測到它的饋線潮流超過限制，它會向所有相鄰的FA發(fā)送RM來轉移一部分負荷。

（2）如果這些FA有多余的備用容量，那么它們會向FA1發(fā)送接受信息。否則發(fā)送拒絕信息。

（3）FA1收到所有回復信息后，會基于模糊邏輯算法選擇最佳的方案并向其發(fā)送接受信息，向其余FA發(fā)送拒絕信息。

（4）FA1向配有聯(lián)絡開關的LA發(fā)送指令去連接它選擇的FA。

（5）當提供給FA1的容量總和仍然不足以消除過載時，F(xiàn)A1會向所有提供能量的FA發(fā)送接受信息。這些FA會基于負荷的優(yōu)先級來確定負荷轉移的數(shù)量。

3.2.2 電壓越限

在電壓越限情況下，F(xiàn)A的具體任務如下。

（1）假設FA1從RA收到一個讓它做出重構的信息，它會向LA發(fā)送信息來收集節(jié)點電壓和負載功率的數(shù)據(jù)，為重構做準備。

（2）FA1會根據(jù)式（2）來判斷需要轉移的負荷，并向相鄰的FA發(fā)送RM來轉移這些負荷。

（3）當相鄰的FA還有多余容量時，它會根據(jù)式（3）來確定可以提供的容量，并向FA1發(fā)送信息。

（4）FA1基于模糊算法選擇最佳建議。

（5）當FA1總共收到的容量仍然不足時，它會向所有FA發(fā)出接受建議信息。

3.3 調節(jié)器代理

RA負責檢測它節(jié)點的一次側電壓和二次側電壓以及配電變壓器的潮流。其具體任務如下。

（1）當RA收到要求無功補償?shù)男畔r，它會檢測它的備用容量以及一次和二次側電壓水平并向LA回復接受或者拒絕信息。

（2）如果RA既收到要求增加無功的信息，又收到要求減少無功的信息。它會向所有LA發(fā)送拒絕信息并向所有FA發(fā)送信息來進行重構。

（3）如果ULTC變比達到極限，或者潮流達到最大限制，或者分接頭動作次數(shù)達到每日最大允許次數(shù)，那么RA會向所有電壓越線處的LA發(fā)送拒絕信息，然后停止分接頭的動作，并向FA發(fā)送信息來進行重構。

（4）如果RA收到讓它停止改變無功的信息，那么它會停止改變分接頭。

3.4 饋線建議的評估與選擇

在重構過程期間，有關的FA必須把饋線提供的建議進行排序，并利用模糊系統(tǒng)做出決策。本文用到的模糊系統(tǒng)有兩個輸入：提供的能量（PP）以及提供者的距離（PD）。第1個輸入（PP）有3個模糊集，分別是低（L）、中（M）、高（H）。第2個輸入（PD）有2個模糊集，分別是低（L）和高（H）。模糊系統(tǒng)只有優(yōu)先選擇指數(shù)（SPI）這一個輸出。輸出（SPI）有6個模糊集，分別是非常高（VH）、高（H）、中（M）、低（L）、非常低（VL）和極低（VVL）。圖3為輸入和輸出的隸屬函數(shù)。表1為輸入和輸出的模糊規(guī)則。本文用質心法來逆模糊化，以便在模糊系統(tǒng)中得到SPI的精確值。圖4描述了在不同輸入的情況下SPI的變化。

由于本文提出的控制方案依靠通信系統(tǒng)，并且對于大規(guī)模的電網(wǎng)而言，有關的FA會從不同長度的路徑上收到大量不同的電力參數(shù)建議。這些FA需要評估并選擇最佳的建議。但由于相鄰饋線提供的能量是變化的，因此這項工作沒有預先固定好的優(yōu)先級列表。這也就是說，SPI與兩個輸入量的數(shù)學關系沒有明確的定義。因此，使用模糊邏輯來處理這個問題是可行的。

圖3 PD、PP以及SPI的模糊隸屬度函數(shù)Fig.3 Fuzzy membership functions of PD，PP and SPI

表1 模糊規(guī)則Tab.1 Fuzzy rules

圖4 不同輸入下的SPI變化Fig.4 Variation of SPI with different inputs

4 算例分析

用JADE作為多代理方案的開發(fā)平臺。用MATLAB/PSAT來模擬電力系統(tǒng)。用數(shù)據(jù)代理來連接MATLAB和JADE。這種數(shù)據(jù)代理是包含不同數(shù)據(jù)結構的JAVA對象。主要的兩個數(shù)據(jù)代理是獲得地址代理和設置地址代理，分別用來讀取電力系統(tǒng)地址和設置電力系統(tǒng)的控制動作。在時域仿真過程中，電力系統(tǒng)運行條件下的信息都是通過數(shù)據(jù)代理，從MATLAB環(huán)境下傳輸?shù)絁ADE環(huán)境下。并且在JADE環(huán)境下的代理（LA、FA、RA）會處理這些信息，如果需要的話，產(chǎn)生控制動作，把控制動作的信息放入數(shù)據(jù)代理中，再傳輸?shù)組ATLAB環(huán)境下。圖5是在仿真模型下闡述PSAT-MATLAB-JADE的整合原理。算例研究采用改進的IEEE33節(jié)點配電網(wǎng)來評估本文提出的MACS。圖6為改進后的IEEE33節(jié)點測試配電網(wǎng)，它有32個分段支路以及5個聯(lián)絡開關，額定電壓是12.66 kV，系統(tǒng)總負載為3.72 MW和2.3 Mvar，所有的分段開關的初始狀態(tài)是閉合的，所有的聯(lián)絡開關初始狀態(tài)是斷開的，饋線1的載流量是400 A（5.064 MV·A），其他饋線的載流量是200 A（2.53 MV·A）。4個FA間的距離由表2給出。

圖5 PSAT-MATLAB-JADE并聯(lián)運行示意Fig.5 Schematic of PSAT-MATLAB-JADE under parallel operation

圖6 改進后的IEEE 33節(jié)點配電系統(tǒng)Fig.6 Modified IEEE 33-node distribution system

表2 各FA間的距離Tab.2 Distances between different FAs

對測試配電網(wǎng)做以下的修改。

（1）配電變壓器配備ULTC（分接頭范圍為±10%，分接頭動作的時間延遲為5 s，分接頭的初始位置在0接頭處）。

（2）DG單元分別被安裝在：第32節(jié)點（DG1），第22節(jié)點（DG2）。且DG1為風力發(fā)電，DG2為光伏發(fā)電，每個DG單元的額定容量為1 MW，DG在各時段出力的變化如圖7所示。

（3）開關電容器組安裝在第13節(jié)點和第31節(jié)點。每一個電容器組的額定容量為1 Mvar。

（4）電動汽車站接在第16、17節(jié)點，且假設每個汽車站有1 000臺電動汽車，每臺電動汽車額定功率為1 kW，且EV1為V2G模型，EV2為一般模型。所有電動汽車在一天內各時段的用電需求如圖7所示。

圖7 各時段DG出力以及EV功率Fig.7 Output power of different DGs and powers of EVs

普通負荷功率參考某地區(qū)某日負荷特性曲線。算例采用文獻[2]提出的改進免疫算法求解最優(yōu)重構方案。種群數(shù)目、選擇細胞數(shù)量以及克隆倍數(shù)分別設置為50、10、20，迭代精度設定為10×1012。算例對比了傳統(tǒng)的局部控制下的重構和本文提出的MACS重構下的電壓偏移以及網(wǎng)損。

圖8為在不同時刻采用不同控制方案下的電壓偏差，這里的電壓偏差由式（18）確定。圖9為采用不同控制方案下各時段的網(wǎng)絡損耗。

圖8 各時刻電壓偏差Fig.8 Hourly voltage deviations

圖9 各時刻網(wǎng)損Fig.9 Hourly network loss

通過圖8可以看出采用MACS方案下的不同時刻的電壓偏差相比較采用傳統(tǒng)局部控制方案下的電壓偏差更小，這是由于MACS中具有協(xié)調控制無功補償器的機制，并且RA也會進行相應的無功補償。同時，在滿足式（1）的條件下，系統(tǒng)能夠自動進行無功補償，從而避免了DG單元不必要的有功縮減以及配電網(wǎng)的重構動作，減少了系統(tǒng)花費。從圖9可以看出，與傳統(tǒng)控制方案相比，在MACS方案下，系統(tǒng)各時段網(wǎng)絡損耗也相對更小。

5 結 語

本文通過JADE開發(fā)平臺并利用多代理控制技術，設計了一種混合集中式和分散式的多代理控制重構系統(tǒng)。并通過改進的IEEE33節(jié)點系統(tǒng)模擬了接入分布式電源和電動汽車時的配電網(wǎng)重構。仿真結果表明本文提出的多代理控制系統(tǒng)相較于傳統(tǒng)的局部控制系統(tǒng)具有更強魯棒性。由于RA工作機制，使得此多代理控制系統(tǒng)能夠全面地解決電壓越限和饋線過載，避免了傳統(tǒng)分散式控制的弊端。同時由于具有協(xié)調無功補償器的機制，此多代理控制系統(tǒng)還能避免DG單元不必要的有功縮減。

[1]朱正，廖清芬，劉滌塵，等（Zhu Zheng，Liao Qingfen，Liu Dichen，et al）.考慮新能源與電動汽車接入下的主動配電網(wǎng)重構策略（Strategy of distribution network reconfiguration considering wind power and electric vehicle integration）[J].電力系統(tǒng)自動化（Automation of Electric Power Systems），2015，39（14）：82-88，96.

[2]劉暢，黃民翔（Liu Chang，Huang Minxiang）.含多種分布式電源的配電網(wǎng)重構優(yōu)化研究（Distribution network reconfiguration with a variety of DGs）[J].電力系統(tǒng)保護與控制（Power System Protection and Control），2013，41（6）：13-18.

[3]李奔，劉會家，李珺（Li Ben，Liu Huijia，Li Jun）.考慮網(wǎng)絡結構優(yōu)化的含風電配電網(wǎng)多目標重構（Multi-objective reconfiguration of distribution network with wind power generators considering network survivability）[J].電力系統(tǒng)保護與控制（Power System Protection and Control），2015，43（17）：57-62.

[4]李振坤，陳星鶯，趙波，等（Li Zhenkun，Chen Xingying，Zhao Bo，et al）.配電網(wǎng)動態(tài)重構的多代理協(xié)調優(yōu)化方法（Dynamic reconfiguration of the distribution network based on multi-agent systems）[J].中國電機工程學報（Proceedings of the CSEE），2008，28（34）：72-79.

[5]丁施尹，劉明波，謝敏，等（Ding Shiyin，Liu Mingbo，Xie Min，et al）.應用多代理技術求解高壓配電網(wǎng)故障恢復問題（Amulti-agentapproachtofaultrestorationinhighvoltage distribution networks）[J].電力系統(tǒng)保護與控制（Power System Protection and Control），2012，40（9）：54-61.

[6]李紅偉，孔冰，李超（Li Hongwei，Kong Bing，Li Chao）.基于網(wǎng)損最小的配電網(wǎng)多代理復電系統(tǒng)設計（Design of multi-agent distribution network restoration system based on minimum grid loss）[J].電力自動化設備（Electric Power Automation Equipment），2014，34（4）：155-161.

[7]黎恒烜，孫海順，文勁宇，等（Li Hengxuan，Sun Haishun，Wen Jinyu，et al）.用于艦船電力系統(tǒng)重構的多代理系統(tǒng)設計（Design of a multi-agent system for shipboard power system reconfiguration）[J].中國電機工程學報（Proceedings of the CSEE），2011，31（10）：81-87.

[8]陳武，段斌（Chen Wu，Duan Bin）.變電站智能電子設備動態(tài)重構閉鎖邏輯生成多代理系統(tǒng)（A multi-agent system for interlocking logic generation in dynamic reconfiguration of intelligent devices in substations）[J].電力系統(tǒng)自動化（Automation of Electric Power Systems），2015，39（21）：107-112.

[9]趙晶晶，李新，彭怡，等（Zhao Jingjing，Li Xin，Peng Yi，et al）.基于粒子群優(yōu)化算法的配電網(wǎng)重構和分布式電源注入功率綜合優(yōu)化算法（A comprehensive optimization algorithm for injection power of distributed generation and distribution network reconfiguration based on particle swarm optimization）[J].電網(wǎng)技術（Power System Technology），2009，33（17）：162-166.

[10]蔡國偉，杜毅，李春山，等（Cai Guowei，Du Yi，Li Chunshan，et al）.基于支持向量機的中長期日負荷曲線預測（Middle and long-term daily load curve forecasting based on support vector machine）[J].電網(wǎng)技術（Power System Technology），2006，30（23）：56-60.

[11]李傳健，劉前進（Li Chuanjian，Liu Qianjin）.考慮風力發(fā)電隨機性的配電網(wǎng)重構（Distribution network reconfiguration considering randomness of wind power generation）[J].電力系統(tǒng)自動化（Automation of Electric Power Systems），2010，34（20）：34-39.

[12]田立亭，史雙龍，賈卓（Tian Liting，Shi Shuanglong，Jia Zhuo）.電動汽車充電功率需求的統(tǒng)計學建模方法（A statistical model for charging power demand of electric vehicles）[J].電網(wǎng)技術（Power System Technology），2010，34（11）：126-130.

[13]艾圣芳，林湘寧，萬云飛，等（Ai Shengfang，Lin Xiangning，Wan Yunfei，et al）.考慮V2G 模式的含多個電動汽車充電站有源配電網(wǎng)規(guī)劃研究（Study of the active distribution network planning considering multiple electric vehicle charging stations participating in V2G applications）[J].中國電機工程學報（Proceedings of the CSEE），2013，33（34）：122-129.

[14]陳亞博，盛戈皞，黎建，等（Chen Yabo，Sheng Gehao，Li Jian，et al）.含光伏和風電的電力系統(tǒng)隨機生產(chǎn)模擬（Probabilistic production simulation of power system with photovoltaic power and wind power）[J].電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EPSA），2015，27（5）：1-6.

Reconfiguration of Distribution Network with Distributed Generations and Electric Vehicles Using Multi-agent

LIU Sicong，ZHOU Buxiang，PENG Zhanggang，TANG Hao，DENG Sujuan
（School of Electrical Engineering and Information，Sichuan University，Chengdu 610065，China）

In order to alleviate the influence of the access of distributed generations and electric vehicles on the power quality and network loss of distribution network，and to seek the optimal control of power quality and network loss in the reconfiguration of distribution network，a multi-agent control system is proposed based on JADE development platform in this paper，which fully considers the impact of distributed generations and electric vehicles on the power flow therein.Simulation analysis is carried out in a modified IEEE 33-node system.Compared with the traditional local control strategy，the multi-agent control system is more effective in solving the problems such as feeders’congestion and overlimit voltage.Moreover，it optimizes the power quality and network loss，showing stronger robustness and reliability.

multi-agent control system（MACS）；reconfiguration of distribution network；distributed generation（DG）；electric vehicle（EV）；optimal control

TM762

A

1003-8930（2017）10-0091-07

10.3969/j.issn.1003-8930.2017.10.016

2016-03-28；

2017-07-04

劉思聰（1993—），男，碩士研究生，研究方向為電力系統(tǒng)穩(wěn)定與控制、調度自動化及計算機信息處理。Email：liusicong97@outlook.com

周步祥（1965—），男，博士，教授，研究方向為電力系統(tǒng)電網(wǎng)規(guī)劃、調度自動化及計算機信息處理。Email：hiway_scu@126.com

彭章剛（1990—），男，碩士研究生，研究方向為電力系統(tǒng)穩(wěn)定與控制、調度自動化及計算機信息處理。Email：pengswpu@163.com