粒子群优化-人工神经网络两阶段优下的配电网柔性互联装置实时运行.pdf

第 28 卷 第 2 期2023 年 4 月哈 尔 滨 理 工 大 学 学 报JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGYVol.28No.2Apr.2023 粒子群优化-人工神经网络两阶段优下的配电网柔性互联装置实时运行苏 畅,施 刚,张建文,刘海春,周剑桥(上海交通大学 电气工程系电力传输与功率变换控制教育部重点实验室,上海 200240)摘 要:基于电力电子器件实现的柔性互联装置可独立、连续调节有功和无功功率,具有提供无功支撑、调节潮流分布、平衡馈线负载、降低网络损耗等多种功能,已成为配电网发展的核心装置。为使其在配电网运行中充分发挥优势,对其实时运行优化问题开展了研究,提出了一种粒子群优化-人工神经网络两阶段方法:一阶段采用具有全局寻优能力的粒子群优化算法求解若干典型工况,构建训练集为人工神经网络提供数据支持;二阶段采用人工神经网络,可离线进行网络训练并在接收到待求解工况时快速在线求解。以一 9 节点配电网络为算例,验证了柔性互联装置的调节效果,以及所提方法的准确性与快速性。关键词:柔性互联装置;配电网运行优化;粒子群优化;人工神经网络DOI:10.15938/j.jhust.2023.02.008中图分类号:TM72文献标志码:A文章编号:1007-2683(2023)02-0067-08Real-time Operation Optimization of Distribution Network FIDBased on a PSO-ANN Two-step MethodSU Chang,SHI Gang,ZHANG Jianwen,LIU Haichun,ZHOU Jianqiao(The Key Laboratory of Control of Power Transmission and Conversion of Ministry of Education,Department of Electrical Engineering,School of Electronic Information and Electrical Engineering,Shanghai Jiao Tong University,Shanghai 200240,China)Abstract:Flexible interconnection device(FID),based on power electronic technology,allows independent and continuousregulation of active and reactive power.With the functions of reactive power support,power flow regulation,load balancing and networkloss reduction,it has become the core device of the development of distribution network.To give full play to its advantages in theoperation of distribution network,the real-time operation optimization problem is studied,and a PSO-ANN two-step method based onparticle swarm optimization(PSO)and artificial neural network(ANN)is proposed:in step 1,PSO is used to solve some typicalworking conditions,and construct the training set to provide data support for ANN;in step 2,ANN is adopted,which can be trainedoffline and solve the working condition received quickly online.A case study on a 9-node distribution network verifies the regulationcapability of FID and the accuracy and rapidity of the proposed method.Keywords:flexible interconnection device(FID);operation optimization of distribution network;particle swarm optimization;artificial neural network 收稿日期:2021-12-07基金项目:国家自然科学基金(51877136);内蒙古自治区科委科研计划项目(19DZ1205403).作者简介:苏 畅(1995),男,硕士研究生;张建文(1981),男,博士,副研究员.通信作者:施 刚(1984),男,博士,副研究员,E-mail:gangshi .0 引 言配电网处于输电网和负荷间的枢纽位置,承担着接收、分配、供给电能的重要任务。传统配电网采用辐射状架构,具有单向潮流的特点。近年来,能源危机对降低排放、提高可再生能源的利用提出更高要求,分布式电源(distributed generator,DG)渗透率逐渐提高,但其间歇性和高度不确定性将导致配电网运行状态波动,引发电压调节等方面的问题1-3。另一方面,电动汽车等新型负荷、储能系统大量接入,也使得配电网中潮流更加复杂。配电网正面临可靠性、灵活性方面新的压力和挑战,而传统一次设备的调节手段已经难以应对:无功补偿电容器组投切4、有载调压变压器(on-loadtap changer,OLTC)分接头调整5的调节能力和精度有限;基于分段开关和联络开关的网络重构6-8手段则存在合闸冲击电流、开关动作时间、重构次数限制、无法连续调节等问题。因此,传统配电网正逐渐向智能配电网、主动配电网(active distribution network,ADN)2,8的新形态变革,而柔性互联装置(flexible interconnection de-vice,FID)凭借调节能力强、响应速度快等特点,成为了其中电能传输与变换的核心装置9。FID 基于电力电子器件实现,用于替换配电网中的联络开关(tie switch,TS),可以独立对有功、无功功率进行实时、连续的调控。以 FID 替代 TS,主要功能和优势包括:提供无功支撑,改善馈线电压水平,避免电压超限;提高配电网对 DG 的消纳能力;调节潮流分布,平衡馈线负载;降低网络损耗,提升运行经济 性;故 障 时 实 现 负 荷 转 供,保 障 供 电 可靠性10-14。为使 FID 在配电网中充分发挥上述优势,部分学者就 FID 的运行控制问题开展了研究。文15较早提出含 FID 的配电网运行优化模型,并与网络重构进行了对比,验证了 FID 在降低网损、改善电压等方面的效果;文16和17分别考虑 FID 和 TS共存、FID 和无功补偿装置共存的情况,构建了两种调节手段共同参与优化的模型,并分别采用基于模拟退火算法和锥优化方法、遗传算法和原对偶内点法的混合优化算法进行求解;另外,部分研究 FID 规划问题18-21的文献也将其运行控制作为子问题进行了研究。但在上述文献中,FID 本身的装置损耗或者被忽略,或者未被考虑完全,只计算了传输有功功率产生的损耗,而未计算提供无功功率产生的损耗;同时,对运行优化速度探讨较少,未考虑采取额外手段加速计算,以满足实时优化的需要。本文建立了配电网 FID 运行控制模型,以配电网络总损耗(含 FID 装置损耗)最小为优化目标,提出一种粒子群优化-人工神经网络两阶段方法进行快速求解,可以满足实时优化的需求。采用一 9 节点配电系统为算例,验证了 FID 降低网损、改善电压的效果,以及所提方法的准确性和快速性。1 配电网 FID 运行优化问题建模1.1 FID 工作原理与建模FID 基于电力电子器件实现,具体拓扑结构种类较多,文22根据接入方式、工作原理、基本结构的差异对其进行了多层级分类,并就其特点与性能进行了对比。典型的拓扑结构包括背靠背电压源型变换器(back-to-back voltage source converter,BTBVSC)23和统一潮流控制器(unified power flow con-troller,UPFC)24。本文以 BTB VSC 为例进行研究,其结构如图 1 所示。图 1 基于 BTB VSC 的 FID 结构Fig.1 Structure of FID based on BTB VSC该装置有多种控制模式,在正常运行时,常采用PQ-VdcQ 控制25-26,即一台变换器控制传输的有功功率,另一台变换器控制直流侧电压,此外两台变换器均能独立控制向网络注入的无功功率。因此对于连接在节点 i 和 j 之间的 FID,其可控变量有3 个:一台变换器输出的有功功率 PFID,i,两台变换器分别输出的无功功率 QFID,i和 QFID,j。FID 的运行边界条件包含以下约束:1)FID 容量约束:P2FID,i+Q2FID,iS2FID,ij(1)P2FID,j+Q2FID,jS2FID,ij(2)2)FID 有功功率平衡约束:PFID,i+PFID,j+PFID,loss,ij=0(3)PFID,loss,ij=cFID,loss(P2FID,i+Q2FID,i+P2FID,j+Q2FID,j)(4)3)FID 无功功率约束:|QFID,i|SFID,ij(5)|QFID,j|SFID,ij(6)式中:SFID,ij为连接在节点 i 和 j 之间的 FID 的容量;PFID,i、PFID,j、QFID,I、QFID,j分别为该 FID 输出的有功与无功功率,以注入电网为正;PFID,loss,ij为该 FID 的装置损耗;cFID,loss为该 FID 的损耗系数;为该 FID 的无功功率限制系数。86哈 尔 滨 理 工 大 学 学 报 第 28 卷1.2 FID 运行优化问题建模1.2.1 目标函数配电网运行优化的目标包括降低网络损耗、改善电压水平、均衡线路负载等。本文以网络损耗(含FID 装置损耗)最小作为目标函数,优化目标数学表达式为minPloss=Ni=1Pinj,i=Ni=1(PG,i-PLD,i+PFID,i)(7)其中:Ploss为网络总损耗;N 为网络节点数;Pinj,i为节点 i 注入有功功率;PG,i为节点 i 连接的电源有功功率,以注入电网为正;PLD,i为节点 i 连接的负荷有功功率,以从电网获取为正。1.2.2 约束条件配电网运行时存在以下约束:1)系统潮流约束:Pinj,i=PG,i-PLD,i+PFID,i=GiiU2i+jN(i)UiUj(Gijcosij+Bijsinij)(8)Qinj,i=QG,i-QLD,i+QFID,i=-BiiU2i+jN(i)UiUj(Gijsinij-Bijcosij)(9)2)节点电压约束:Ui,minUiUi,max(10)3)支路电流约束:I2ijI2ij,max(11)式中:N(i)为节点 i 毗邻节点的集合;Pinj,i、Qinj,i为节点 i 上的注入有功和无功功率;PG,i、QG,i和 PFID,i、QFID,i分别为节点 i 连接的电源和 FID 的有功、无功功率,均以注入电网为正;PLD,i、QLD,i为节点 i 连接的负荷有功、无功功率,以从电网获取为正;Ui为节点i 电压幅值;Ui,max、Ui,min为节点 i 电压幅值的上限、下限;Iij为支路 ij 电流幅值;Iij,max为支路 ij 电流幅值的上限。综上所述,本文配电网 FID 优化运行模型以总网损最小为目标函数(见式(7),约束条件包括 FID运行边界约束(见式(1)(6)、系统潮流约束(见式(8)、(9)和系统安全运行约束(见式(10)、(11)。2 求解方法FID 运行优化问题为包含多个连续型变量的大规模非线性优化问题。为求解该问题,本文提出一种基 于 粒 子 群 优 化(particle swarm optimization,PSO)和 人 工 神 经 网 络(artificial neural network,ANN)的两阶段优化方法:选取若干典型工况,分别使用粒子群优化算法求解,得到各工况下 FID 的最优运行状态,再将这些工况和对应的 FID 最优运行状态作为人工神经网络的训练集,上述网络训练过程可离线进行;经训练后的人工神经网络接收到新的工况时,能以极快的速度给出对应的 FID 最优运行状态。2.1 粒子群优化算法粒子群优化是参考鸟类族群捕食行为提出的一种元启发式算法。若干粒子从随机初始位置出发,通过对自身历史位置的记忆以及粒子间信息的共享,同时在空间内迁移,集体向最优位置趋近。每个粒子具有位置 xm和速度 vm两个物理量,其中 m=1,2,M 为粒子编号,M 为粒子群规模,即粒子个数。粒子位置的优劣由适应度函数评价,寻找全局最优位置,即是寻找适应度函数最大(或最小)的位置。在上述过程中,粒子速度与位置的更新规则如式(12)和(13)所示:vdm(t+1)=vdm(t)+cprp(pdm(t)-xdm(t)+cgrg(gd(t)-xdm(t)(12)xdm(t+1)=xdm(t)+vdm(t+1)(13)其中:vdm,xdm分别为第 m 个粒子速度和位置的第 d维分量,d=1,2,D,D 为解空间维度;为速度惯性因子;cp,cg为加速常数,分别表示粒子自身历史最优位置和群体历史最优位置对粒子速度的影响程度;rp,rg为0 到1 之间的随机数,由随机数生成器产生;pdm为第 m 个粒子历史最优位置的第 d 维分量;gd为粒子群历史最优位置的第 d 维分量;t=1,2,T 为迭代次数,T 为最大迭代次数。速度分量 vdm通常具有上下限 vdmax与 vdmin,当速度越界时,将其调整至对应的上限或下限;同样,当位置 xm超出解空间,将其调整至解空间边界。用于求解本文探讨的 FID 运行优化问题时,将FID 的 3 个可控变量的组合(PFID,i,QFID,i,QFID,j)作为粒子位置,在对应系统运行状态下以牛顿-拉夫逊法求解系统潮流,并将按式(7)算得的网络损耗Ploss作为粒子群适应度,按上述粒子群优化过程求得最小网损及其对应的 FID 可控变量组合,以下称为最优功率组合。粒子群算法具有良好的全局寻优能力,但其性能受粒子群规模、最大迭代次数等超参数影响,且在本问题中,适应度并非由简单函数算出,而需要以牛顿-拉夫逊法求解系统潮流。粒子群优化过程中,每个粒子每次迭代都需要求解潮流以计算适应度,整体用时较长,难以满足实时优化的需求。2.2 人工神经网络人工神经网络是受到生物学和神经科学启发而96第 2 期苏 畅等:粒子群优化-人工神经网络两阶段优下的配电网柔性互联装置实时运行提出的一种机器学习模型,以人工神经元及其连接出的拓扑结构模拟生物神经网络,对非线性函数有很强的拟合能力。人工神经网络中的神经元构成了输入层、输出层和其间的隐藏层。其训练过程可分为正向传播与反向传播过程。正向传播过程中,每一神经层到下一神经层的信息传播相当于一次仿射变换;同时,为增强网络的表示和学习能力,保证对非线性函数的拟合效果,需要在每个隐藏层后引入一个非线性函数,称为激活函数;在输出层,引入一个损失函数,以评估网络输出与参考值之间的差异。反向传播过程则从输出层的损失函数出发,逆向计算各层误差项,并按梯度下降法更新神经层间仿射变换的权重和偏置参数。通过两过程的交替进行,直至达到设定的训练次数,最终得到一组网络参数,人工神经网络训练完成。训练好的人工神经网络在应用时,只需要进行一次正向传播过程,因此计算速度很快。应用于 FID 运行优化问题时,以配电网络运行状态为网络输入,以对应的 FID 最优功率组合为网络输出,网络结构如图 2 所示。具体地,输入层为工况(kG,kLD),其中:kG为各电源出力与其容量之比,kLD为各负荷功率与其额定功率之比;输出层为该工况下 FID 最优功率组合(PFID,i,QFID,i,QFID,j)。激活函数选用 ReLU 函数,损失函数选用均方差(meansquared error,MSE)函数,分别如式(14)和(15)所示:fReLU(x)=max(0,x)=xx00 x 0(14)LMSE(y)=1kki=1(yi-yi)2(15)其中:x 为隐藏层各分量;y 为输出层的向量表示,k为其维度,yi与 yi分别为各分量及其参考值。图 2 人工神经网络示意图Fig.2 Structure of ANN基于粒子群优化和人工神经网络两阶段方法的FID 实时运行优化算法流程如图 3 所示。图 3 FID 实时运行优化流程图Fig.3 Flowchart of real-time FID operation optimization07哈 尔 滨 理 工 大 学 学 报 第 28 卷3 算例分析3.1 算例描述本文采用一 9 节点系统对上述算法进行验证,其结构如图4 所示,线路参数见表1。节点1 与电网相接,节点 8、9 分别接入能提供足够无功支撑的电源,节点 2、4、6 接负荷,电源有功容量与负荷额定功率见表 2、3。FID 接于节点 5、6 之间,相关参数见表4。执行优化运行控制的计算机环境为:Intel(R)Core(TM)i5-3320M CPU(主频 2.60 GHz),运行内存 8 G,Windows 10 64 位专业版操作系统,实现优化算法的编程环境为 Python 3.8。图 4 9 节点算例示意图Fig.4 Case:a 9-node system表 1 线路参数Tab.1 Line parameters支路编号起始节点终止节点G/p.u.B/p.u.1131.0017.242231.3611.603341.9410.514251.185.9755361.0025.006471.285.5887581.0015.878791.0016.94表 2 电源容量Tab.2 Capacity of power sources节点编号有功容量/p.u.81.6390.85表 3 负荷额定功率Tab.3 Rated power of loads节点编号有功功率/p.u.无功功率/p.u.21.250.5040.900.3061.000.35表 4 FID 参数Tab.4 FID parameters参数数值容量 SFID,ij/p.u.1.00无功功率约束参数 0.40损耗系数 cFID,loss0.043.2 计算结果与分析3.2.1 FID 运行优化结果在电源以其容量出力,负荷按额定功率接入的情况下,在节点 5、6 之间接入 FID 参与运行优化。以 2.1 节所述的粒子群优化算法求解,算法超参数设置如表 5 所示,算法收敛情况,即粒子群适应度随迭代次数的变化情况如图 5 所示。表 5 PSO 超参数设置Tab.5 Configuration of PSO hyperparameters超参数数值粒子群规模 M30最大迭代次数 T50速度惯性因子 0.5加速常数 cp,cg2图 5 PSO 算法收敛情况Fig.5 Convergence of PSO17第 2 期苏 畅等:粒子群优化-人工神经网络两阶段优下的配电网柔性互联装置实时运行 比较 FID 接入前后部分节点电压与网络损耗情况,结果如表 6、图 6 所示。可以看到,FID 的接入有效改善了节点电压,避免了节点电压越限,且接入后网损也有明显下降,相比接入前降低约 56%。表 6 FID 运行优化结果Tab.6 FID operation optimization results参数FID 接入前FID 接入后节点 2-7 电压平均值/p.u.0.960 10.989 7网络损耗/p.u.0.148 80.065 4网损率/%4.5112.009图 6 FID 运行优化结果Fig.6 FID operation optimization results3.2.2 PSO-ANN 两阶段算法验证将 kG,kLD分别从0.0 到1.0 以0.2 为步长取值,得到 36 个典型工况,采用粒子群算法算得各工况下的 FID 最优功率组合(PFID,5,QFID,5,QFID,6)。神经网络隐藏层神经元个数设置为 50,训练次数设置为1 000。将每一工况(kG,kLD)与对应的 FID 最优功率组合(PFID,5,QFID,5,QFID,6)分别作为神经网络的输入和输出,构建训练集,训练出一组神经网络参数。神经网络的收敛情况,即损失函数随训练次数的变化情况,如图 7 所示。为验证算法准确度,随机生成若干个新的工况(kG,kLD)作为测试集,分别用粒子群优化算法和训练好的神经网络进行计算,比较二者结果及运算时间,如表 7 所示。图 7 神经网络收敛情况Fig.7 Convergence of ANN表 7 方法结果与时间对比Tab.7 Comparison of results and time(kG,kLD)PSO网损/p.u.PSO时间/sPSO-ANN网损/p.u.PSO-ANN时间/s(0.65,0.70)0.026 46.840.027 01.33 10-4(0.42,0.80)0.027 87.090.027 71.42 10-4(0.92,0.59)0.045 17.030.045 11.33 10-4(0.27,0.36)0.005 76.380.006 01.63 10-4(0.94,0.98)0.058 27.370.058 01.31 10-4 通过以上对比可知,训练出的人工神经网络在随机给出的新工况下得出的计算结果非常接近用粒子群优化算法得到的结果,且计算用时极短,可满足实时优化的需求。4 结 论对配电网 FID 合理的运行控制,能使其发挥调节系统潮流、改善电压水平、降低网络损耗等功能,在分布式发电高比例渗透、负荷多样化的今天,对配电网的可靠性、灵活性、经济性运行大有裨益。本文针对配电网 FID 的实时运行优化问题,以网络损耗最小为目标,提出了基于粒子群优化算法和人工神经网络的两阶段优化方法,以粒子群优化算法求解典型工况,构建数据集,利用人工神经网络离线训练、在线计算,大幅缩短了计算用时,以满足实时优化的需要。面对日益复杂的配电网络,如何使 FID 和其它调节手段配合,甚至与储能、电动汽车协调控制,值27哈 尔 滨 理 工 大 学 学 报 第 28 卷得进一步研究。另一方面,数据驱动的各种人工智能算法在模型预测、复杂优化问题等领域有其独特优势,如何将其运用在 FID 的运行控制和选址定容规划等问题中,也是有深入研究价值的课题。参 考 文 献:1 LOPES J A P,HATZIARGYRIOU N,MUTALE J.Integra-ting Distributed Generation Into Electric Power Systems:A Review of Drivers,Challenges and OpportunitiesJ.Electric Power Systems Research,2007,77(9):1189.2 王成山,李鹏.分布式发电、微网与智能配电网的发展与挑战J.电力系统自动化,2010,34(2):10.WANG Chengshan,LI Peng.Development and Challengesof Distributed Generation,the Micro-grid and Smart Dis-tribution SystemJ.Automation of Electric Power Sys-tems,2010,34(2):10.3 马钊,周孝信,尚宇炜,等.未来配电系统形态及发展趋势J.中国电机工程学报,2015,35(6):1289.MA Zhao,ZHOU Xiaoxin,SHANG Yuwei,et al.Form andDevelopment Trend of Future Distribution SystemJ.Pro-ceedings of the CSEE,2015,35(6):1289.4 蔡昌春,丁晓群,王宽,等.动态无功优化的简化方法及实现J.电力系统自动化,2008,32(5):43.CAI Changchun,DING Xiaoqun,WANG Kuan,et al.Simplified Method of Dynamic Reactive Power Optimiza-tion and Its ImplementationJ.Automation of ElectricPower Systems,2008,32(5):43.5 刘斌,刘锋,梅生伟,等.基于二阶锥优化的含有载调压变压器主动配电网最优潮流J.电力系统自动化,2015,39(19):40.LIU Bin,LIU Feng,MEI Shengwei,et al.Optimal PowerFlow in Active Distribution Networks with On-load TapChanger Based on Second-order Cone ProgrammingJ.Automation of Electric Power Systems,2015,39(19):40.6 CAPITANESCU F,OCHOA L F,MARGOSSIAN H,et al.Assessing the Potential of Network Reconfiguration to Im-prove Distributed Generation Hosting Capacity in ActiveDistribution Systems J.IEEE Transactions on PowerSystems,2015,30(1):346.7 何禹清,彭建春,文明,等.含风电的配电网重构场景模型及算法J.中国电机工程学报,2010,30(28):12.HE Yuqing,PENG Jianchun,WEN Ming,et al.ScenarioModel and Algorithm for the Reconfiguration of Distribu-tion Network with Wind Power GeneratorsJ.Proceed-ings of the CSEE,2010,30(28):12.8 张沈习,袁加妍,程浩忠,等.主动配电网中考虑需求侧管理和网络重构的分布式电源规划方法J.中国电机工程学报,2016,36(S1):1.ZHANG Shenxi,YUAN Jianyan,CHENG Haozhong,et al.Optimal Distributed Generation Planning in Active Distri-bution Network Considering Demand Side Managementand Network Reconfiguration J.Proceedings of theCSEE,2016,36(S1):1.9 杨欢,蔡云旖,屈子森,等.配电网柔性开关设备关键技术及其发展趋势J.电力系统自动化,2018,42(7):153.YANG Huan,CAI Yunyi,QU Zisen,et al.Key Techniquesand Development Trend of Soft Open Point for DistributionNetwork J.Automation of Electric Power Systems,2018,42(7):153.10BLOEMINK J M,GREEN T C.Increasing DistributedGeneration Penetration Using Soft Normally-open Points C /IEEEPESGeneralMeeting,Providence,USA,2010.11 BLOEMINK J M,GREEN T C.Benefits of Distribution-level Power Electronics for Supporting Distributed Genera-tion GrowthJ.IEEE Transactions on Power Delivery,2013,28(2):911.12 CAO W Y,WU J Z,JENKINS N.Feeder Load Balancingin MV Distribution Networks Using Soft Normally-openPointsC/IEEE PES Innovative Smart Grid Technolo-gies Europe,Istanbul,Turkey,2014.13 CAO Wanyu,WU Jianzhong,NICK J,et al.Benefits Anal-ysis of Soft Open Points for Electrical Distribution NetworkOperationJ.Applied Energy,2016,165:36.14 祝旭焕,童宁,林湘宁,等.基于柔性多状态开关的主动配电网负荷在线紧急转供策略J.电力系统自动化,2019,43(24):87.ZHU Xuhuan,TONG Ning,LIN Xiangning,et al.FlexibleMulti-state Switch Based Online Emergency Load Trans-ferring Strategy for Active Distribution Network J.Auto-mation of Electric Power Systems,2019,43(24):87.15 王成山,孙充勃,李鹏,等.基于 SNOP 的配电网运行优化及分析J.电力系统自动化,2015,39(9):82.WANG Chengshan,SUN Chongbo,LI Peng,et al.SNOP-based Operation Optimization and Analysis of DistributionNetworks J.Automation of Electric Power Systems,2015,39(9):82.16 王成山,宋关羽,李鹏,等.一种联络开关和智能软开关并存的配电网运行时序优化方法J.中国电机工程37第 2 期苏 畅等:粒子群优化-人工神经网络两阶段优下的配电网柔性互联装置实时运行学报,2016,36(9):2315.WANG Chengshan,SONG Guanyu,LI Peng,et al.A Hy-brid Optimization Method for Distribution Network Opera-tion With SNOP and Tie SwitchJ.Proceedings of theCSEE,2016,36(9):2315.17 郑焕坤,石甜静.基于智能软开关和无功补偿装置的配电网 双 层 优 化 J.电 力 系 统 自 动 化,2019,43(19):117.ZHENG Huankun,SHI Tianjing.Bi-level Optimization ofDistribution Network Based on Soft Open Point and Reac-tive Power Compensation DeviceJ.Automation of Elec-tric Power Systems,2019,43(19):117.18 王成山,宋关羽,李鹏,等.考虑分布式电源运行特性的有源配电网智能软开关 SOP 规划方法J.中国电机工程学报,2017,37(7):1889.WANG Chengshan,SONG Guanyu,LI Peng,et al.OptimalConfiguration of Soft Open Point for Active DistributionNetwork Considering the Characteristics of DistributedGeneration J.Proceedings of the CSEE,2017,37(7):1889.19 陈垚煜,耿光超,江全元,等.考虑传统调控手段的配电网 SOP 选址定容方法J.高电压技术,2020,46(4):1181.CHEN Yaoyu,GENG Guangchao,JIANG Quanyuan,et al.Optimal Siting and Sizing Method of Soft Open Point inDistribution Network Combined with Traditional Regula-tionsJ.High Voltage Engineering,2020,46(4):1181.20 LI M,NIU Y,HU H,et al.Optimal Siting and Sizing ofSOPs in Distribution Networks with DG and EV ChargingC/IEEE PES Innovative Smart Grid Technologies Eu-rope,the Hague,Netherlands,2020.21 葛少云,周晨曦,刘洪,等.考虑环间接入模式及可靠性影响的有源配电网软开关规划J.电力系统自动化,2021,45(8):120.GE Shaoyun,ZHOU Chenxi,LIU Hong,et al.Soft OpenPoint Planning for Active Distribution Network ConsideringInfluence of Access Mode Between Feeder Loops and Reli-abilityJ.Automation of Electric Power Systems,2021,45(8):120.22 周剑桥,张建文,施刚,等.应用于配电网柔性互联的变换器拓扑J.中国电机工程学报,2019,39(1):277.ZHOU Jianqiao,ZHANG Jianwen,SHI Gang,et al.Explo-ration on Power Converter Topologies Applied in FlexibleInterconnection of Distribution SystemJ.Proceedings ofthe CSEE,2019,39(1):277.23 李智诚,吴建中,和敬涵,等.软常开点的双闭环控制及其在配电网中的应用J.智能电网,2013,1(1):49.LI Zhicheng,WU Jianzhong,HE Jinghan,et al.DualClosed-loop Control of Soft Normally Open Points and ItsApplication in Distribution Networks J.Smart Grid,2013,1(1):49.24 仉志华,徐丙垠,陈青.基于统一潮流控制器的配电环网潮流优化控制策略J.电网技术,2012,36(6):1