中單層單目標(biāo)規(guī)劃模型的優(yōu)化問題，構(gòu)造一 個(gè)雙目標(biāo)優(yōu)化問題；這個(gè)雙目標(biāo)優(yōu)化問題不僅可以區(qū)分兩個(gè)可行解的質(zhì)量，還可以區(qū)分不 可行解和可行解的質(zhì)量，并且迫使不可行解向可行解區(qū)域移動，逐步改善可行解；具體構(gòu)造 如下：
[0049] 首先，令 Θ = (xT，yT，γτ)τ，且
[0050] Φ",(Θ) = |Ε(Θ) |,m = I, 2, ---,Neq (20)；
[0051] Φη+η(Θ) = Ν(Θ)，η = I, 2, .",Nneq
[0052] 然后，構(gòu)造雙目標(biāo)優(yōu)化問題：
[0053] min {F (Θ)，Φ (Θ)} (21)；
[0054] 其中，Φ (θ) = maxiC^?)，…，C>t(?)}，t = Neq+Nneq (22)；
[0057] 其中，在式（23)中，F(xiàn)(?)的定義保證了式（21)中的任一可行解比不可行解更好； 對于雙目標(biāo)優(yōu)化問題的兩個(gè)可行解，F(xiàn)(x，y)值小的比F(x，y)值大的好；進(jìn)一步地通過優(yōu)化 函數(shù)Φ (Θ)能夠迫使群體逐步向雙目標(biāo)優(yōu)化問題的可行域前進(jìn)；通過優(yōu)化第一個(gè)目標(biāo)函 數(shù)F(?)能夠提高雙目標(biāo)優(yōu)化問題的目標(biāo)函數(shù)F(x，y)的解的質(zhì)量。
[0058] 在步驟六中，利用含有正弦載波的Levy飛行函數(shù)的杜鵑搜索算法對步驟五中的 進(jìn)行求解；求解方法如下：首先，利用含有正弦載波的Levy飛行函數(shù)的杜鵑搜索算法進(jìn)行 正弦載波全局搜索，找出可能極值點(diǎn)Pn= (ynl，yn2，…，yj ;然后，對正弦載波進(jìn)行擴(kuò)展變換 后，對可能極值點(diǎn)進(jìn)行正弦擴(kuò)展載波局部精確搜索，尋找出最優(yōu)解；在擴(kuò)展變化時(shí)，保持函 數(shù)值不變，增大正弦載波的周期為原來的α倍，也就是令正弦載波的角頻率縮小為原來的 l/α倍，即
[0059] Ak sin(〇tn)+bk= Ak sin(〇, tn+0)+bk (25)；
[0060] 根據(jù)式（25)得出 t2:6)； a
[0061] 當(dāng)適應(yīng)度值不再顯著變化或達(dá)到最大局部尋優(yōu)步數(shù)時(shí)，結(jié)束正弦擴(kuò)展載波局部精 確搜索找出最優(yōu)解；最后，正弦擴(kuò)展載波局部精確搜索結(jié)束后，將正弦載波的角頻率ω ' 恢復(fù)到正弦擴(kuò)展載波局部精確搜索。
[0062] 本發(fā)明的有益效果如下：
[0063] 1)在高滲透率風(fēng)電接入的情況下，考慮主動網(wǎng)絡(luò)管理構(gòu)建了配電公司和風(fēng)電公司 的兩主體雙層優(yōu)化規(guī)劃模型。
[0064] 2)對元啟發(fā)式智能算法杜鵑搜索算法更新解的機(jī)制進(jìn)行改進(jìn)，加入正弦載波，不 僅自動滿足了決策變量的約束要求，而且載波擴(kuò)展方法使得精細(xì)搜索成為可能，增大了找 到最優(yōu)解的幾率。
[0065] 3)對復(fù)雜耗時(shí)的雙層規(guī)劃求解進(jìn)行雙目標(biāo)轉(zhuǎn)化，將原來的杜鵑搜索算法的調(diào)用次 數(shù)由兩次降低為一次，同時(shí)考慮了不可行解和可行解的質(zhì)量區(qū)分，極大的加快了不可行解 向可行解轉(zhuǎn)化的過程，提高求解的效率。
[0066] 本發(fā)明提出的基于正弦載波的Levy飛行，可以很好的將隨機(jī)解限制在決策變量 的約束范圍內(nèi)，且可以支持局部精確尋優(yōu)。此外，本發(fā)明先將雙層規(guī)劃問題通過KKT條件轉(zhuǎn) 化成單層單目標(biāo)規(guī)劃問題，再構(gòu)造一個(gè)雙目標(biāo)優(yōu)化問題；這個(gè)雙目標(biāo)優(yōu)化問題不僅可以區(qū) 分兩個(gè)可行解的質(zhì)量，還可以區(qū)分不可行解和可行解的質(zhì)量，并且迫使不可行解向可行解 區(qū)域移動，逐步改善可行解，加快解的優(yōu)化速度，提高算法的效率。
【附圖說明】
[0067]圖1為本發(fā)明的雙層規(guī)劃模型示意圖。
[0068] 圖2為本發(fā)明正弦載波的示意圖。
[0069] 圖3為本發(fā)明擴(kuò)展正弦載波局部精確搜索示意圖。
[0070] 圖4為本發(fā)明IEEE-33節(jié)點(diǎn)配電網(wǎng)系統(tǒng)示意圖。
[0071] 圖5為本發(fā)明典型日負(fù)荷數(shù)據(jù)和風(fēng)機(jī)出力數(shù)據(jù)示意圖。
[0072] 圖6為本發(fā)明雙目標(biāo)和單目標(biāo)兩種求解方法的收斂曲線圖。 圖7為本發(fā)明雙目標(biāo)和單目標(biāo)優(yōu)化算法進(jìn)行收斂性分析圖。
【具體實(shí)施方式】
[0073] 實(shí)施例：一種基于改進(jìn)杜鵑搜索算法的主動配電網(wǎng)雙層風(fēng)電規(guī)劃方法，步驟如 下：
[0074] 步驟一：建立雙層規(guī)劃模型。
[0075] 所述雙層規(guī)劃模型，如圖1所示，包括上層規(guī)劃層的模型和下層規(guī)劃層的模型；風(fēng) 電場為上層規(guī)劃層，配電網(wǎng)公司為下層規(guī)劃層。
[0076] 上層規(guī)劃層的決策變量為分布式電源的位置、容量和主動管理費(fèi)用。上層規(guī)劃層 的目標(biāo)是實(shí)現(xiàn)凈收益的最大化，該凈收益考慮了風(fēng)電場售電收益以及支付配電網(wǎng)公司的主 動管理費(fèi)用，還計(jì)及了年運(yùn)行成本和年值化之后的風(fēng)電投資成本。因受制于占地面積、空間 風(fēng)功率密度等因素，風(fēng)電裝機(jī)容量必須小于一定值，此外，風(fēng)電機(jī)組的最小裝機(jī)臺數(shù)限定了 風(fēng)電裝機(jī)容量的下限值；所述上層規(guī)劃層的模型為：
[0081] 其中，Bdtc是風(fēng)電場公司的凈收益，P DWS是單位電量風(fēng)電的上網(wǎng)電價(jià)，P ?是單位電 量的主動管理價(jià)格，At是運(yùn)行模擬周期中一個(gè)時(shí)段的時(shí)長，是單位時(shí)間段內(nèi)第k個(gè)風(fēng) 電場節(jié)點(diǎn)處所發(fā)的功率，Xk是二值變量，取〇表示不安裝風(fēng)電，取1表示安裝風(fēng)電；T和Ω _ 分別是時(shí)間間隔集合和DWG候選點(diǎn)集合；F (d，m)是年值化系數(shù)，d是折損率，而m是對應(yīng)設(shè) 備的服務(wù)周期；增*"是風(fēng)電場單位裝機(jī)容量的投資成本，4^是k節(jié)點(diǎn)處的風(fēng)電裝機(jī)容量； 是風(fēng)電單位容量的年運(yùn)行成本。和分別是風(fēng)電場的最小和最大裝機(jī)容量。
[0082] 下層規(guī)劃層的決策變量為購電量。下層規(guī)劃層的目標(biāo)是實(shí)現(xiàn)系統(tǒng)的最優(yōu)潮流分 布，從而獲得最大凈收益；該凈收益考慮了常規(guī)的售電收益和對風(fēng)電進(jìn)行主動消納的主動 管理收益，并計(jì)及了網(wǎng)損成本以及購電成本；其中購電成本包括從主網(wǎng)購電的成本和從風(fēng) 電場購電的成本。約束條件考慮了有功平衡約束、節(jié)點(diǎn)電壓約束、支路載流量約束，以及電 源的最大出力限制。
[0083] 所述下層規(guī)劃層的模型為：
[0094] 其中，Psal是單位電量的售電電價(jià)，C是第i個(gè)節(jié)點(diǎn)處第t個(gè)時(shí)間段內(nèi)負(fù)荷消耗 的功率。Nmre是配電網(wǎng)中總的風(fēng)電場數(shù)目；P ^iss是單位電量網(wǎng)損的電價(jià)，是第t個(gè)時(shí) 間段內(nèi)線路ij的功率損耗，Ptold是從主網(wǎng)購買單位電量的價(jià)格，是第t個(gè)時(shí)間段內(nèi) 主網(wǎng)提供的功率；ΩΝ、分別是系統(tǒng)中負(fù)荷節(jié)點(diǎn)集合、線路集合和主網(wǎng)接入點(diǎn)集合； 6、iS、t和Z u分別是線路i j的始端、終端有功功率和電阻、阻抗值；I u ,和，分別是 第t個(gè)時(shí)間段內(nèi)線路ij的電流及其線路載流量；Ulit是第t個(gè)時(shí)間段內(nèi)節(jié)點(diǎn)i的電壓，U _ 和Uniax分別是節(jié)點(diǎn)電壓上下限；Ci是最大主網(wǎng)供電功率；是第k個(gè)風(fēng)電場實(shí)際可用 的風(fēng)電功率，, ξ是根據(jù)典型日風(fēng)速數(shù)據(jù)計(jì)算出的風(fēng)機(jī)出力標(biāo)么值數(shù)據(jù)。 [0095] 步驟二：進(jìn)行潮流計(jì)算，并將潮流計(jì)算進(jìn)行線性化。
[0096] 由于潮流計(jì)算具有非線性特性，上述雙層規(guī)劃模型的下層問題本身就是一個(gè)非 線性問題，為了簡化問題，潮流計(jì)算中的非線性項(xiàng)，即電壓或電流的平方項(xiàng)均可根據(jù)文獻(xiàn) 《Nature-inspired metaheuristic algorithms》中記載的方法進(jìn)行線性化D
[0097] 步驟三：構(gòu)建含有正弦載波的Levy飛行函數(shù)的杜鵑搜索算法。
[0098] 杜鵑搜索算法（CS)是一個(gè)從杜鵑鳥種群的寄宿繁殖行為中發(fā)現(xiàn)的新型元啟發(fā)式 算法，該算法中集成了 Levy飛行方法來生成新解。
[0099] 杜鵑鳥通常將自己的蛋寄宿在其它鳥類的鳥巢中，它們可以通過自己獨(dú)特的本能 來判斷鳥巢的優(yōu)劣從而選擇最適合的寄宿鳥巢。一旦選好鳥巢，杜鵑就會將原來的鳥蛋扔 掉以增加自己后代被撫養(yǎng)的概率。一些杜鵑鳥甚至可以通過模仿寄主鳥蛋的形態(tài)特征偽裝 自己的后代。當(dāng)然，寄主鳥也可能發(fā)現(xiàn)外來入侵者，且一旦被發(fā)現(xiàn)，寄主鳥將會把異類清除 或者直接拋棄原來的鳥巢。一般來說，杜鵑鳥的孵化略早于寄主鳥，這些杜鵑幼鳥本能的會 將其它鳥蛋推出鳥巢從而增加自己的被喂養(yǎng)幾率。杜鵑算法就是基于上述行為來實(shí)施的， 當(dāng)然在實(shí)施的過程中有些過程需要做理想化處理：
[0100] 1)在任意情況下，一個(gè)鳥巢中只能有一個(gè)鳥蛋。
[0101] 2)精英鳥蛋即代表當(dāng)前最優(yōu)解將會被保留到下一代。
[0102] 3)寄主鳥以一定的概率匕發(fā)現(xiàn)異類，一旦發(fā)現(xiàn)即產(chǎn)生新解。
[0103] 基本杜鵲搜索算法直接通過Levy飛行產(chǎn)生新解，通過執(zhí)行Levy飛行來實(shí)現(xiàn)，具體 如下：
[0104] X；*1 - χ? +￡p) .(:27.):.;