基于混合量子遗传算法的微电网电源优化配置.pdf

第４１卷第２４期２０１３年１２月１６日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｏＩ．４１ＮＯ．２４Ｄｅｃ．１６．２０】３基于混合量子遗传算法的微电网电源优化配置符杨，蒋一鎏，李振坤（上海电力学院电气工程学院，上海２０００９０）摘要：根据风光资源情况、各分布式电源输出特性以及用户对供电可靠性的要求，研究了风光储互补独立微电网电源优化配置问题。采用自适应罚函数法对其目标函数进行修正，使得在满足用户供电可靠性要求的前提下，经济性达到最好。在求解过程中，结合自适应旋转角调整策略、量子位交叉变异操作和群体灾变思想，提出了一种新的混合量子遗传算法。最后，对一个实际算例进行仿真，将其优化结果与典型量子遗传算法和普通遗传算法的优化结果进行对比，结果表明，该方法不仅能快速收敛，而且全局寻优能力强。关键词：微电网；电源优化配置；孤岛运行；量子遗传算法；自适应旋转角调整；群体灾变；自适应罚函数Ｏｐｔｉｍａｌａｌｌｏｃａｔｉｏｎｏｆｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｉｏｎｆｏｒｍｉｃｒｏｇｒｉｄｂａｓｅｄｏｎｈｙｂｒｉｄｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ——ＦＵＹａｎｇ．ＪＩＡＮＧＹｉｌｉｕ．ＭＺｈｅｎｋｕｎ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒ，Ｓｈａｎｇｈａｉ２０００９０，Ｃｈｉｎａ）—Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｓｔｕｄｉｅｓｔｈｅｏｐｔｉｍａｌａｌｌｏｃａｔｉｏｎｏｆｈｙｂｒｉｄｓｏｌａｒｗｉｎｄｉｓｌａｎｄｍｉｃｒｏｇｒｉｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｒｉｃｈｎｅｓｓｏｆｓｏ１ａｒａｎｄｗｉｎｄ’ｒｅｓｏｕｒｃｅｓ，ｔｈｅＯＨｔｌＣ）ｕｔｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｉｏｎｓａｎｄｔｈｅｕｓｅｒｓｒｅｑｕｉｒｅｍｅｎｔｓｆ０ｒｔｈｅｒｅｌｉａｂｉｌｉｔｙｏｆｐｏｗｅｒｓｕｐｐｌｙ．ＡｎａｄａｐｔｉｖｅｐｅｎａｌｔｙｆｕｎｃｔｉｏｎｍｅｔｈｏｄｉｓａｄｏｐｔｅｄｔｏｃｏｒｒｅｃｔｔｈｅｏｂｊｅｃｔｉｖｅｆｕｎｃｔｉｏｎＳＯｔｈａｔｔｈｅｂｅｓｔｅｃｏｎｏｍｙｐｅｒｆｏｒｍａｎｃｅｃａｎｂｅａｃｈｉｅｖｅｄｕｎｄｅｒｔｈｅｐｒｅｍｉｓｅｏｆｍｅｅｔｉｎｇｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｆｏｒｔｈｅｒｅｌｉａｂｉｌｉｔｙｏｆｐｏｗｅｒｓｕｐｐｌｙ．Ｉｎｔｈｅｓｏｌｖｉｎｇｐｒｏｃｅｓｓ，ａｎｅｗｈｙｂｒｉｄｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ（ＨＱＧＡ）ｉｓｐｒｏｐｏｓｅｄｃｏｍｂｉｎｉｎｇｗｉｔｈｔｈｅａｄａｐｔｉｖｅｒｏｔｍｉｏｎａｎｇｌｅａｄｊｕｓｔｍｅｎｔｓｔｒａｔｅｇｙ．ｃｒｏｓｓｏｖｅｒａｎｄｍｕｔａｔｉｏｎｏｐｅｒａｔｉｏｎｆｏｒｑｕａｎｔｕｍｂｉｔｓａｎｄｔｈｅｉｄｅａｏｆｐｏｐｕｌａｔｉｏｎｃａｔａｓｔｒｏｐｈｅ．Ｆｉｎａｌｌｙａｐｒａｃｔｉｃａｌｃａｓｅｉｓｓｉｍｕｌａｔｅｄｔｈｒｏｕｇｈｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍａｎｄｔｈｅｏｐｔｉｍａｌｒｅｓｕｌｔｓａｒｅｃｏｍｐａｒｅｄｗｉｔｈｔｈｏｓｅｏｂｔａｉｎｅｄｂｙｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ．Ｔｈｅｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｎｏｔｏｎｌｙｒａｐｉｄｌｙｃｏｎｖｅｒｇｅ，ｂｕｔａｌｓｏｈａｓａｇｏｏｄｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎｃａｐａｂｉｌｉｔｙ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｓｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．５１１７７０９８）；ＳｈａｎｇｈａｉＫｅｙＳｃｉｅｎｔｉｆｉｃａｎｄＴｅｃｈｎｉｃａ１Ｐｒｏｊｅｃｔ（Ｎｏ．１１ｄｚｌ２１０４０５）；ＳｈａｎｇｈａｉＬｅａｄｉｎｇＡｃａｄｅｍｉｃＤｉｓｃｉｐｌｉｎｅＰｒｏｊｅｃｔ（Ｎｏ．Ｊ５１３０３）．Ｋｅｙｗｏｒｄｓ：ｍｉｃｒｏｇｒｉｄ；ｐｏｗｅｒｏｐｔｉｍａｌａｌｌｏｃａｔｉｏｎ；ｉｓｌａｎｄｏｐｅｒａｔｉｏｎ；ｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；ａｄａｐｔｉｖｅｒｏｔａｔｉｏｎａｎｇｌｅａｄｊｕｓｔｍｅｎｔ；ｐｏｐｕｌａｔｉｏｎｃａｔａｓｔｒｏｐｈｅ；ａｄａｐｔｉｖｅｐｅｎａｌｔｙｆｕｎｃｔｉｏｎ中图分类号：ＴＭ６１９文献标识码：Ａ—文章编号：１６７４．３４１５（２０１３）２４００５０．０８０引言微电网是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等汇集而成的小型发配电系统，是一个能够实现自我控制、保护和管理的自治系统＿ｌ４ｊ。它能够满足偏远地区供电和提高城市电网灵活性，节省大电网投资，提高供电可靠性，具有广阔的发展应用前景。如何根据当地的白基金项目：国家自然科学基金（５１１７７０９８）；上海市重点科技攻关计划项目（１ｌｄｚｌ２１０４０５）；上海市教委重点学科建设项目（Ｊ５１３０３）然资源条件和用户要求，优化选择、配置各分布式电源，在满足微电网安全稳定运行和用户供电要求的前提下，使得经济性最优，具有重要的研究意义。微电网电源优化配置是微电网规划设计阶段的重要内容，国内外学者在这方面做了大量的研究，并取得了～定的成果。文献［５］提出了一种基于改进微分进化算法（ＩｍｐｒｏｖｅｄＤｉｆｆｅｒｅｎｔｉａｌＥｖｏｌｕｔｉｏｎａｒｙＡｌｇｏｒｉｔｈｍ，ＩＤＥＡ）的风光互补混合供电系统容量优化配置模型，在目标函数中引入光伏太阳板倾角作为决策变量使得模型更加精确，采用改进微分进化算法对问题进行求解，结果表明具有更好的收敛稳定性。文献［６］以包括安装成本、重置成本、运行符杨，等基于混合量子遗传算法的微电网电源优化配置．５１．维护成本、燃料成本以及向大电网卖电收入的综合成本最低为目标，以负载缺电概率为约束条件，建立了混合微电网容量优化配置模型，采用遗传算法对该非线性规划问题进行求解，并与ＨＯＭＥＲ软件优化结果进行对比验证。文献［７］针对独立微电网，同样以经济性最优为目标、可靠性为约束建立优化配置模型，采用演化算法进行求解，取得了比较好的效果。文献［８】以风光蓄柴系统组成的微电网为研究对象，从能量平衡控制、成本效益入手，建立了微电网电源规划模型，并采用遗传算法进行优化求解。上述求解算法以遗传算法为代表，普遍存在收敛速度慢、迭代次数多、易陷入局部最优、稳定性较差等问题。量子遗传算法（ＱｕａｎｔｕｍＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，ＱＧＡ）是一种基于量子计算原理的概率化优化方法，最早由Ｈａｎ等人提出【９Ｊ，并在求解组合优化问题中取得了比较好的效果。ＱＧＡ将量子态矢量表达引入遗传编码，并充分利用了量子态叠加性、并行性和量子纠缠等特性，在收敛速度、全局性和稳定性方面都要优于普通遗传算法。近几年，ＱＧＡ在电力系统无功优化、经济调度、输电网规划、配电网络重构等［１０－１２］方面都取得了一定的成果。本文根据某地风光资源情况以及用户对供电可靠性的要求研究了风光储互补独立微电网电源优化配置问题。建立了计及安装建设费用、运行维护费用、设备重置费用和停电补偿费用的微电网综合年投资费用最小的目标函数，并采用自适应罚函数法对其进行修正。考虑到微电网电源优化配置问题是一个复杂非线性规划问题，本文结合白适应旋转角调整策略、量子位交叉变异操作和群体灾变思想，提出了一种新的混合量子遗传算法，对其进行优化求解。通过实例分析，验证了本文提出方法不仅收敛速度快，而且全局寻优能力强。１微电网电源模型１．１风力发电机模型风力发电机的输出功率尸ｗ和轮毂高度处的风速１，之间的关系可近似用下面的分段函数表示【１３Ｊ。ｅｗＴ０１，ＶｉｎｏｒＶＶｏｕｔＰＮｖ（１）一ＶＮＶＶｏ式中：ＰＮ为风机额定输出功率；Ｖ为风机轮毂高度处的风速；为额定风速；Ｖｉ为切入风速；为切出风速。本文选取风机额定功率为３０ｋＷ，额定风速１２ｍ／ｓ，切入风速２．５ｍ／ｓ，切出风速２５ｍ／ｓ。实际风速随海拔高度的变化而变化，气象局提供的风速数据一般是在海拔１０ｍ高度处测得的，因此在使用公式（１）时，有必要先将风速值折算到风机轮毂高度处的风速值，折算公式为¨］Ｖ式中：ｖ为风机轮毂高度处的风速值；为气象局提供的风速值；为轮毂高度，本文取值为２７ｍ；为１０ｍ；为修正指数，在开阔、平坦、稳定度正常地区取值为１／７。１．２光伏阵列模型光伏阵列实际输出功率可由标准测试条件下的输出功率、光照强度、电池工作温度得到＿１５］尸Ｐ、，＝［１＋（一ｒｓＴｃ）］（３）ＵｓＴＣ式中：为ＳＴＣ（标准测试条件：太阳光入射强℃度１０００Ｗ／ｍ，环境温度２５）下的最大测试功率；为光照强度；Ｃｓ为ＳＴＣ下光照强度，取１０００Ｗ／ｍ；ｋ为功率温度系数，取值为．０．００４７／。Ｃ；为电池工作温度；℃为参考温度，２５。测量电池工作温度比较困难，对于玻璃．玻璃封装的太阳能电池组件，可以根据测试环境温度近似估算出组件工作温度【１６＿＝ｒａ＋３０ｘ（４）℃式中，ｒ为环境温度，单位。ａ１．３储能模型本文采用蓄电池作为储能元件。荷电状态（ＳＯＣ）是蓄电池充放电保护的一个重要决策变量，它反映了蓄电池剩余容量占总容量的比例。当风电和光伏的总输出大于负载需求时，蓄电池处于充电状态，反之，处于放电状态。ＳＯＣ变化过程为ＳＯＣ（ｔ＋１、＝式中：为蓄电池自放电率，本文取值０．０１％；ｒ／ｉ为逆变器效率，本文取值９５％；７７ｂ为蓄电池充电效率，本文取值７２％，放电效率取值为１００％；（）为时刻的负荷需求；（ｆ）为时刻风电和光伏的总输出，表达式为一５２一电力系统保护与控制尸Ｒ（）＝Ｐｗ（ｆ）＋ｅｐ、，（ｆ）（６）式中：Ｐｗ（ｆ）和尸Ｐ、，（ｆ）分别为ｆ时刻单个风机和光伏的输出。２微电网电源优化配置模型２．１目标函数本文建立了含有风机、光伏、蓄电池的风光储互补微电网电源优化配置模型，主要将安装建设费用、运行维护费用、蓄电池重置费用、停电补偿费用４部分计入目标函数，使得微电网综合年投资费用最低。目标函数为ｌｍｌｎｃ【。ｌ＝ｐ。ＣＲＦ＋ｃＡ。＋。ｐ・＋。Ｐ‘‘Ｉ。＝ＮｗＴＣｗＩ＋ＮＰｖＣＰｖ＋Ｎｂｔ・Ｃｈａｆ｛：（７）１ｆ１＋一１、‘ｌｃＡ＝ＰｗＴＣｗＴ。＋ｅｐ－－ＡＯｍｖｖ。＋。ａｔ。【＝式中：为总安装建设费用；ＣＲＦ为资金回收系数；ＣＡ。为年运行维护费用；Ｃｒｅ。为设备重置费用，即工程规划年限内设备达到其生命终止年限需要更换的费用；为补偿基金因子，它是由将来值换算到等年值的比例系数；。。为停电损失补偿费ⅣⅣ用；Ｎｗ、、ｂ分别为风机、光伏电池、蓄电池的个数；ｃｗ、、，、Ｃｈ分别为风机、光伏电池、储能蓄电池的单价：ｃｌｗ。、、，。、。分别为单个风机、光伏电池、蓄电池的年运行维护成Ⅳ本；ｉ为实际利率，本文取值为６％；ｎｉ为工程规划年限；Ｎｒ为设备寿命。２．２约束条件１）风机、光伏出力约束‘ｌＰｗＴＮｗ＿ｒＰｗＴＮ’ｌ尸ＰＮｐ、，尸ＰｖＮ式为ｌｌ７ｌＴ～Ｔｉｍｅ（ｕ・ｉｅｄ（）＜Ｐｎｅｅｄｅｄ（））（１０）￡脚————————————＝上一’７式中：Ｔ为仿真时问段总数；。。ｉ。（）为ｆ时刻微电网总供电功率；Ｐ．ｅ。（）为ｆ时刻的负荷需求。３）蓄电池充放电约束文献［１８］中指出蓄电池在使用过程中如果常处于深度放电状态（ＳＯＣ低于２０％），则使用寿命会大大缩短；相反，蓄电池在使用过程中一直处于浅放电状态（ＳＯＣ始终大于５０％），则蓄电池使用寿命会大大延长。因此，设定蓄电池荷电状态范围为≤ＳＯＣｍｉＳＯＣＳＯｃ『ｍ（１１）式中：；、Ｄ分别为允许荷电状态的下限值和上限值。折中考虑蓄电池寿命和使用率，本文设定荷电状态下限值为２０％，上限值为１００％。蓄电池的寿命也和其充放电率有关，充放电率过高将降低使用寿命，文献［１９１￣出每小时充放电容量不能超过其最大容量的２０％，即△』尸＋＜０．２ａｔ／ｆｆ１２、ｌ０．２／式中：为蓄电池容量，单位ｋＷｈ；Ａｔ为１ｈ；和分别为单位时间充放电功率，单位ｋＷ。２．３目标函数的修正风光储互补微电网电源优化配置问题是一个复杂非线性规划问题。在求解这类问题过程中，对非线性约束的处理是其中一个重要部分，目前最普遍的方法是罚函数法。本文利用种群迭代过程中的反馈信息，将可靠性约束通过自适应惩罚项引入目标函数，构建了自适应适应度函数ｍｉｎＣ＝ｃｔ。【ａｌ＋１０・ｍａｘ｛０，ＰｓＰ一，一Ｐ－Ｓ＿。｝（１３）式中，是一个需要调整的常量参数，通常１１０。（８）３微电网电源优化配置的ＨＱＧＡ算法式中：、ｖＮ分别为单个风机、光伏的额定功率。２）可靠性约束只Ｌ。（９）式中：Ｌ为负载缺电概率；尸。为系统允许的最大缺电概率，本文取值为１％。Ｐ的计算公３．１典型量子遗传算法（ＱＧＡ）量子遗传算法（ＱｕａｎｔｕｍＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，ＱＧＡ）是量子计算与遗传算法相结合的产物，它建立在量子的态矢量表示基础之上，将量子比特概率幅表示应用于染色体编码，使得一条染色体可以表达多个态的叠加，并利用量子旋转门实现染色体的更新操作，从而实现了对目标函数的优化求解。其…主要操作为量子比特编码和量子门更新。符杨，等基于混合量子遗传算法的微电网电源优化配置．５３．１）量子比特编码ＱＧＡ不是采用传统遗传算法的二进制、浮点数、符号等染色体编码方法，而是采用一种新颖的量子位染色体表示法。该方法用量子比特来表示一个基因，具有能同时表达任意叠加态的特点。采用量子比特编码的染色体结构可表示为ｏ：１２％￣：２１ｏ：＝ｏ：２ｋ％１ｏ：￣ｋ］（１４）式中：表示第／个个体的染色体；ｋ为编码的每个基因的量子比特数；ｍ为染色体基因个数；和分别为１０）和１１）的概率幅，且满足归一化条件ｌｏ：ｌ＋＝１（１５）式中：‘表示量子测量值为０的概率；表示量子测量值为１的概率。２）量子门更新量子门作为演化操作的执行机构，可根据具体问题进行选择，目前已有的量子门有很多种，根据量子遗传算法的计算特点，选择量子旋转门较为合适。量子旋转门调整操作为Ｌ２２Ｊ式中：（，屈）和（，）表示染色体第ｉ个量子比特旋转门更新前后的概率幅；为旋转角。量子遗传算法由于使用量子比特编码来表示染色体，相比普通遗传算法，更具并行性和多样性，但是在求解复杂函数优化问题时其编码和解码过程显得繁琐，收敛速度和精度不高，用于多峰函数优化时，易陷入局部最优Ｊ。３．２混合量子遗传算法（ＨＱＧＡ）３－２．１混合量子遗传算法基本思想本文基于量子遗传算法和普通遗传算法理论，提出了混合量子遗传算法（ＨｙｂｒｉｄＱｕａｎｔｕｍＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，ＨＱＧＡ），其基本思想是：采用自适应旋转角调整策略，白适应地调整算法搜索速度；通过量子位交叉变异操作，实现普通遗传算法与量子遗传算法的有机结合，有利于保留相对较好的基因段，提高局部搜索能力；引入群体灾变策略，有利于算法跳出局部最优，提高全局搜索能力。３．２．２自适应旋转角调整策略在量子门更新操作中最关键的是要确定旋转角的大小，通常旋转角取值为＝ｋ・（，）（１７）式中：ｋ是与算法收敛速度有关的系数，ｋ过大会导致早熟，反之，则算法收敛速度太慢；函数（，）使得算法朝最优解方向搜索，其值如表１所示，＋ｌ表示旋转角向逆时针方向转动，一１表示旋转角向顺时针方向转动。表１（，）函数值Ｔａｂｌｅ１Ｖａｌｕｅｏｆｆｕｎｃｔｉｏｎ（，）白适应旋转角调整策略是将收敛系数ｋ视为一个与进化代数相关的变量，算法初期ｋ值较大，加快搜索，随着进化代数的增加，ｋ值逐渐减小，减缓搜索速度。表达式为／、—ｋ：．ｅＸｐｆ一１．兀（１８）ＭＡＸＧＥＮ式中：ｇｅｎ为当前进化代数；ＭＡＸＧＥＮ为总的进化代数；系数ａ根据ｋ值范围而定。本文ｋ值范围设定为０．００５７ｃ～０．Ｏ１７ｔ。３．２．３量子位交叉变异操作１）量子位交叉量子遗传算法中，交叉操作对象是量子位，而不是基因位。在量子遗传算法中引入交叉操作，有利于保证群体完整性，使得算法的局部搜索能力得以飞跃提高。本文量子交叉方式采用单点交叉操作，即随机选择两个染色体并随机产生一个交叉位置，然后保留两个体在交叉位置前的片段，只交换交叉位置之后的量子位。交叉过程示意图如图１所示。ｆｌ２１ｆｌＪ：１【、届，Ｉ：，ｊ屈ｌ屈：屈，ＪＵｆｌｚ３１ｆｌｚ３１ｌ：厦／ｌｌ：／Ｊ图１交叉示意图Ｆｉｇ．１Ｃｒｏｓｓｏｖｅｒｏｐｅｒａｔｉｏｎｓｃｈｅｍａｔｉｃ２）量子位变异量子位变异操作主要是为了防止算法早熟，提．．５４．．电力系统保护与控制高算法局部搜索能力。实现量子位变异常用的方法是量子非门变异操作。以单个量子位变异为例，具体方法为：首先以一定的概率从种群中选取一个染色体；然后确定染色体中变异量子位；最后对选中的量子比特执行非门操作。变异过程示意图如图２所示：（：ｊ丢羞）＝＝＞（：Ｉ盆丢］Ｉ／Ｉ，／ｆ图２变异操作示意图Ｆｉｇ．２Ｍｕｔａｔｉｏｎｏｐｅｒａｔｉｏｎｓｃｈｅｍａｔｉｃ３．２．４量子灾变思想量子灾变是指在进化过程中，对种群施加一个很大的扰动，使其脱离局部最优点，开始重新搜索，它可以有效地防止算法陷入局部最优。在算法执行过程中，若连续数代的最优个体值都不发生变化，则表明算法可能陷入局部最优，此时采取群体灾变策略可以有效使其跳出局部极值的束缚。具体操作过程为：仅保留最优个体，其余个体重新由初始化算法生成。３．３基于ＨＱＧＡ的微电网电源优化配置本文针对风光储互补独立微电网电源优化配置问题采用混合量子遗传算法（ＨＱＧＡ）进行求解。算法流程如图３所示，具体实现步骤如下。Ｓｔｅｐ１：输入典型年气象数据（包括气温数据，风速数据，辐照度数据），并利用式（２）、式（４）对风速和光伏组件温度进行修正。图３求解微电网电源优化配置问题的ＨＱＧＡ流程图Ｆｉｇ．３ＦｌｏｗｃｈａｒｔｏｆＨＱＧＡｆｏｒｏｐｔｉｍａｌｍｉｃｒｏｇｒｉｄｓｏｕｒｃｅＳｔｅｐ２：通过风机和光伏模型求出单个风机和光伏出力。Ｓｔｅｐ３：初始化种群。将种群个体的量子比特编√码（）都初始化为（１／２，１／４２），表示染色体所表达的全部可能状态是等概率的。…Ｓｔｅｐ４：对种群实施一次量子测量。产生个［０，１】范围内的随机数ｒａｎｄ，当ｒａｎｄ＞，二进制表示为１，反之为０。通过此步完成量子比特编码向二进制编码的转变。Ｓｔｅｐ５：调用远景年负荷数据，并计及蓄电池充放电模型。Ｓｔｅｐ６：计算适应度函数，记录最优个体。然后判断是否满足终止条件，若满足则输出最优结果；若不满足继续下一步。Ｓｔｅｐ７：进行量子位交叉变异操作；采用自适应旋转角调整策略进行量子旋转门更新操作。Ｓｔｅｐ８：判断是否需要执行灾变操作。若不需要，则直接转到Ｓｔｅｐ４；若需要，则进行全体灾变操作后再转到Ｓｔｅｐ４。４算例分析选取某地（东经１２１．４。、北纬３１．２。）的风光互补独立微电网作为研究对象，该地年平均风速为４ｒｉｇｓ，夏季白天最大辐照度为１１３６－３Ｗ／ｍ，年℃平均气温为１７，远景年最大负荷为２４８．８ｋＷ，平均负荷为ｌｌ４．２ｋＷ。孤岛运行情况下，采用混合量子遗传算法（ＨＱＧＡ）对该微电网电源进行优化配置，并将其优化结果与典型量子遗传算法和普通遗传算法的优化结果进行对比。工程规划年限设定为２Ｏ年。风机、光伏和蓄电池的费用参数数据及ＨＱＧＡ优化结果如表２所示。输入数据包括当地一年的风速、辐照度、温度气象数据，如图４所示。远景年负荷曲线如图５所示。由气象数据计算各分布式电源出力，同时计算可靠性指标ＬＰＳＰ的值；然后对目标函数进行修正，最后用混合量子遗传算法、典型量子遗传算法和普通遗传算法分别对该优化问题进行求解。符杨，等基于混合量子遗传算法的微电网电源优化配置’－《岢銎挺ｔ／ｈ（ｃ）图４气象数据Ｆｉｇ．４Ｍｅｔｅｏｒｏｌｏｇｉｃａｌｄａｔａ∥ｈ图５远景年负荷曲线Ｆｉｇ．５Ｈｏｕｒｌｙｌｏａｄｐｒｏｆｉｌｅｉｎｔｈｅｆｕｔｕｒｅｙｅａｒ使用ＣＰＵ为Ｅ７５００、内存为２Ｇ的电脑，在Ｍａｔｌａｂ２０１２年上进行仿真。仿真时间为一年８７６０ｈ，最小时间段为１ｈ，混合量子遗传算法、典型量子遗传算法和普通遗传算法的种群规模均为４０，终止迭代次数均为２００。算法收敛曲线如图６所示。表２分布式电源成本及优化结果Ｔｌａｂｌｅ２Ｃｏｓｔｉｎｆｏｒｍａｔｉｏｎｏｆｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｉｏｎｓａｎｄｏｐｔｉｍａｌａｌｌｏｃａｔｉｏｎｒｅｓｕｌｔｓ图６三种算法收敛曲线Ｆｉｇ．６Ｃｏｎｖｅｒｇｅｎｃｅｃｕｒｖｅｏｆｔｈｒｅｅａｌｇｏｒｉｔｈｍｓ三种算法的仿真结果数据如表３所示。表３仿真结果数据Ｔａｂｌｅ３Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｄａｔａ由图６和表３可见：本文提出的混合量子遗传算法克服了普通遗传算法易陷入局部最优的缺点，相比其他两种算法，在收敛速度，计算精度和全局收敛能力方面都具有一定的优越性。５总结本文根据分布式电源、储能和负载之间的复杂匹配关系，在分析各分布式电源输出特性的基础上，研究了风光储互补独立微电网电源优化配置问题。在优化配置模型中考虑了设备重置费用和停电补偿费用，使得模型更加精确。采用白适应罚函数法将可靠性约束引入目标函数构建了白适应适应度函数，结合白适应旋转角调整策略、量子位交叉变异操作和群体灾变思想，提出了一种新的混合量子遗传算法，用于求解该复杂非线性规划问题，结果表明，该算法具有收敛速度快、全局寻优能力强等优点。参考文献［１］王成山，李鹏．分布式发电、微网与智能配电网的发展—与挑战［ＪＪ．电力系统自动化，２０１０，３４（２）：１０１４，２３．ＷＡＮＧＣｈｅｎｇ－ｓｈａｎ，ＬＩＰｅｎｇ．Ｄｅｖｅｌｏｐｍｅｎｔａｎｄ—ｃｈａｌｌｅｎｇｅｓｏｆｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｉｏｎ，ｔｈｅｍｉｃｒｏｇｒｉｄａｎｄｓｍａｒｔｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃ．５６一电力系统保护与控制Ｅ２３［３］［４］［５］［６］［７］［８］［９］ＰｏｗｅｒＳｙｓｔｅｍｓ，２０１０，３４（２）：１０－１４，２３．吴卫民，何远彬，耿攀，等．直流微网研究中的关键技术［Ｊ】＿电工技术学报，２０１２，２７（１）：９８．１０６．—ＷＵＷｅｉｍｉｎ，ＨＥＹｕａｎ－ｂｉｎ，ＧＥＮＧＰａｎ，ｅｔａ１．Ｋｅｙ—ｔｅｃｈｎｏｌｏｇｉｅｓｆｏｒＤＣｍｉｃｒｏｇｒｉｄｓ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓｏｆ—ＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１２，２７（１）：９８１０６．陈昌松，段善旭，蔡涛，等．基于改进遗传算法的微网—能量管理模型［Ｊ］．电工技术学报，２０１３，２８（４）：１９６２０１．——ＣＨＥＮＧＣｈａｎｇｓｏｎｇ，ＤＵＡＮＳｈａｎｘｕ，ＣＡＩＴａｎ，ｅｔａ１．Ｍｉｃｒｏｇｒｉｄｅｎｅｒｇｙｍａｎａｇｅｍｅｎｔｍｏｄｅｌｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｇｅｎｅｔｉｃａｒｉｔｈｍｅｔｉｃ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａ—ＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１３，２８（４）：１９６２０１．刘文，杨慧霞，祝斌．微电网关键技术研究综述［Ｊ］＿电力系统保护与控制，２０１２，４０（１４）：１５２．１５５．—ＬＩＵＷｅｎ，ＹＡＮＧＨｕｉｘｉａ，ＺＨＵＢｉｎ．Ｓｕｒｖｅｙｏｎｋｅｙｔｅｃｈｎｏｌｏｇｉｅｓｏｆｍｉｃｒｏｇｒｉｄ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎ—ａｎｄＣｏｎｔｒｏｌ，２０１２，４０（１４）：１５２１５５．杨琦，张建华，刘自发，等．风光互补混合供电系统多目标优化设计【Ｊ１．电力系统自动化，２００９，３３（１７）：８６．９０．——ＹＡＮＧＱｉ，ＺＨＡＮＧＪｉａｎｈｕａ，ＬＩＵＺｉｆａ，ｅｔａ１．—ＭｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｏｆｈｙｂｒｉｄＰＶ／ｗｉｎｄｐｏｗｅｒｓｕｐｐｌｙｓｙｓｔｅｍ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，—２００９，３３（１７）：８６９０．ＴａｆｒｅｓｈｉＳＭＭ，ＺａｍａｎｉＨＡ，ＥｚｚａｔｉＳＭ，ｅｔａ１．Ｏｐｔｉｍａｌｕｎｉｔｓｉｚｉｎｇｏｆｄｉｓｔｒｉｂｕｔｅｄｅｎｅｒｇｙｒｅｓｏｕｒｃｅｓｉｎｍｉｃｒｏｇｒｉｄｕｓｉｎｇｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１８ｔｈＩｒａｎｉａｎＣｏｎｆｅｒｅｎｃｅｏｎＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１０：８３６．８４１．ＬｏｇｅｎｔｈｉｒａｎＳｒｉｎｉｖａｓａｎＤ，ＫｈａｍｂａｄｋｏｎｅＡＭ，ｅｔａ１．ＯｐｔｉｍａｌｓｉｚｉｎｇｏｆａｎｉｓｌａｎｄｅｄｍｉｃｒｏｇｒｉｄｕｓｉｎｇＥＶｏ１ｕｔｉｏｎａｒｙＳｔｒａｔｅｇｙ［Ｃ］／／ＩＥＥＥ１ｌｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＰｒｏｂａｂｉｌｉｓｔｉｃＭｅｔｈｏｄｓＡｐｐｌｉｅｄｔｏＰｏｗｅｒＳｙｓｔｅｍｓ，２０１０：１２－１７．舒杰，张先勇，沈玉梁，等．可再生能源分布式微网电源规划方法及应用【Ｊ】．控制理论与应用，２０１０，２７（５）：６７５．６８０．ＳＨＵＪｉｅ，ＺＨＡＮＧＸｉａ—ｎ－ｙｏｎｇ，ＳＨＥＮＹｕｌｉａｎｇ，ｅｔａ１．Ｔｈｅａｌｇｏｒｉｔｈｍａｎｄａｐｐｌｉｃａｔｉｏｎｉｎｐｏｗｅｒｓｏｕｒｃｅｓｐｌａｎｎｉｎｇａｎｄｄｅｓｉｇｎｉｎｇｆｏｒｍｉｃｒｏｇｒｉｄｏｎｄｉｓｔｒｉｂｕｔｅｄｒｅｎｅｗａｂｌｅｅｎｅｒｇｙ［Ｊ］．ＣｏｎｔｒｏｌＴｈｅｏｒｙａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０１０，２７（５）：６７５．６８０．ＨａｎＫＨ，ＫｉｍＪＨ．Ｇｅｎｅｔｉｃｑｕａｎｔｕｍａｌｇｏｒｉｔｈｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｔｏｃｏｍｂｉｎａｔｏｒｉａｌｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍ［Ｃ】／／ＰｒｏｃｏｆＩＥＥＥＣｏｎｇｒｅｓｓｏｎＥｖｏｌｕｔｉｏｎａｒｙＣｏｍｐｕｔａｔｉｏｎ，２０００：１３５４．１３６０．［１０］娄素华，李研，吴耀武，等．多目标电网无功优化的量—子遗传算法［Ｊ］＿高电压技术，２００５，３１（９）：６９７１，８３．——ＬＯＵＳｕｈｕａ，ＬＩＹａｈ，ＷＵＹａｏ－ｗｕ，ｅｔａ１．Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅｒｅａｃｔｉｖｅｐｏｗｅｒｏｐｔｉｍｉｚａｔｉｏｎｕｓｉｎｇｑｕａｎｔｕｍｇｅｐｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅＥｎｇｉｎｅｅｒｉｎｇ，２００５，３１（９）：—６９７１．８３．—［１１］ＬＩＡＯＧｕｎｃｈｉｎｇ．ＳｏｌｖｅｅｎｖｉｒｏｎｍｅｎｔａｌｅｃｏｎｏｍｉｃｄｉｓｐａｔｃｈｏｆＳｍａｒｔＭｉｃｒｏＧｒｉｄｃｏｎｔａｉｎｉｎｇｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍ－Ｕｓｉｎｇｃｈａｏｔｉｃｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｉｃａｌＰｏｗｅｒ—ａｎｄＥｎｅｒｇｙＳｙｓｔｅｍｓ，２０１２，４３（１）：７７９７８７．［１２］赵书强，李勇，王春丽．基于可信性理论的输电网规划方法［ＪＪ＿电工技术学报，２０１１，２６（６）：１６６．１７１．ＺＨＡＯＳｈｕ・ｑｉａｎｇ，ＬＩＹｏｎｇ，ＷＡＮＧＣｈｕｎ－ｌｉ．Ｔｒａｎｓｍｉｓｓｉｏｎｎｅｔｗｏｒｋｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇｂａｓｅｄｏｎｃｒｅｄｉｂｉｌｉｔｙｔｈｅｏｒｙ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａ—ＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１１，２６（６）：１６６１７１．［１３］王瑞琪，李珂，张承慧．基于混沌多目标遗传算法的微网系统容量优化【ＪＪ．电力系统保护与控制，２０１１，３９（２２）：１６－２２．—ＷＡＮＧＲｕｉ・ｑｉ，ＬＩＫｅ，ＺＨＡＮＧＣｈｅｎｇｈｕｉ．Ｏｐｔｉｍｉｚａｔｉｏｎａｌｌｏｃａｔｉｏｎｏｆｍｉｃｒｏｇｒｉｄｃａｐａｃｉｔｙｂａｓｅｄｏｎｃｈａｏｔｉｃ—ｍｕｌｔｉｏｂｊｅｃｔｉｖｅｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１１，３９（２２）：１６－２２．［１４］ＢｅｌｆｋｒｉａＲａｃｈｉｄ，ＮｉｃｈｉｔａＣｒｉｓｔｉａｎ，ＲｅｇｈｅｍＰａｓｃａｌ，ｅｔａ１．Ｍｏｄｅｌｉｎｇａｎｄｏｐｔｉｍａｌｓｉｚｉｎｇｏｆｈｙｂｒｉｄｒｅｎｅｗａｂｌｅｅｎｅｒｇｙｓｙｓｔｅｍ［Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１３ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＰｏｗｅｒＥｌｅｃｔｒｏｎｉｃｓａｎｄＭｏｔｉｏｎＣｏｎｔｒｏｌＣｏｎｆｅｒｅｎｃｅ，２００８：—ｌ８３４１８３９．［１５］马溪原，吴耀文，方华亮，等．采用改进细菌觅食算法的风／光／储混合微电网电源优化配置［Ｊ］．中国电机工程学报，２０１１，３１（２５）：１７－２５．——ＭＡＸｉ・ｙｕａｎ，ＷＵＹａｏｗｅｎ，ＦＡＮＧＨｕａｌｉａｎｇ，ｅｔａ１．Ｏｐｔｉｍａｌｓｉｚｉｎｇｏｆｈｙｂｒｉｄｓｏｌａｒ－ｗｉｎｄｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｉｏｎｉｎａｎｉｓｌａｎｄｍｉｃｒｏｇｒｉｄｕｓｉｎｇｉｍｐｒｏｖｅｄｂａｃｔｅｒｉａｌｆｏｒａｇｉｎｇａｌｇｏｒｉｔｈｍ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，—２０１１，３１（２５）：１７２５．［１６］吴达成，杨志刚，刘宏．家用太阳能光伏电源系统［Ｍ］．北京：化学工业出版社，２００７：１５－３０．［１７］ＳａｆａｒｉＳ，ＡｒｄｅｈａｌｉＭＭ，ＳｉｒｉｚｉＭＪ．Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｂａｓｅｄｆｕｚｚｙｌｏｇｉｃａｌｃｏｎｔｒｏｌｌｅｒｆｏｒａｕｔｏｎｏｍｏｕｓｇｒｅｅｎｐｏｗｅｒｅｎｅｒｇｙｓｙｓｔｅｍｗｉｔｈｈｙｄｒｏｇｅｎ符杨，等基于混合量子遗传算法的微电网电源优化配置．５７．ｓｔｏｒａｇｅ］Ｊ］．ＥｎｅｒｇｙＣｏｎｖｅｒｓｉｏｎａｎｄＭａｎａｇｅｍｅｎｔ，２０１３，６５：４１－４９．［１８］王斯成，陈子平，杨军，等．蓄电池剩余容量（ＳＯＣ）数学模型探讨和在线测试仪的开发【Ｊ】．太阳能学报，２００５，２６（１）：６－１３．—ＷＡＮＧＳｉ－ｃｈｅｎｇ，ＣＨＥＮＺｉｐｉｎｇ，ＹＡＮＧＪｕｎ，ｅｔａ１．ＳＯＣ—ｍｏｄｅｌｉｎｇｆｏｒｌｅａｄａｃｉｄｂａｔｔｅｒｙａｎｄｄｅｖｅｌｏｐｍｅｎｔｓｏｆＳＯＣ—ｏｎｌｉｎｅｔｅｓｔｅｒ［Ｊ］．ＡｃｔａＥｎｅｒｇｉａｅＳｏｌａｒｉｓＳｉｎｉｃａ，２００５，２６（１）：６－１３．—［１９］ＹＡＮＧＨｏｎｇｘｉｎｇ，ＺＨＯＵＷｅｉ，ＬＵＬｉｎ，ｅｔａ１．Ｏｐｔｉｍａｌ—ｓｉｚｉｎｇｍｅｔｈｏｄｆｏｒｓｔａｎｄａｌｏｎｅｈｙｂｒｉｄｓｏｌａｒ－ｗｉｎｄｓｙｓｔｅｍｗｉｔｈＬＰＳＰｔｅｃｈｎｏｌｏｇｙｂｙｕｓｉｎｇｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＳｏｌａｒＥｎｅｒｇｙ，２００８，８２（４）：３５４－３６７．Ｅ２ｏ］杨俊安，庄镇泉．量子遗传算法研究现状［ＪＪ．计算机—科学，２００３，３０（１１）：１３１５，４３．—ＹＡＮＧＪｕｎａｎ，ＺＨＵＡＮＧＺｈｅｎ－ｑｕａｎ．Ａｃｔｕａｌｉｔｙｏｆｒｅｓｅａｒｃｈｏｎｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２００３，３０（１１）：１３－１５，４３．［２１］王瑞琪，李珂，张承慧，等．基于多目标混沌量子遗传算法的分布式电源规划［Ｊ１．电网技术，２０１１，３５（１２）：１８３．１８９．——ＷＡＮＧＲｕｉｑｉ，ＬＩＫｅ，ＺＨＡＮＧＣｈｅｎｇｈｕｉ，ｅｔａ１．—Ｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｉｏｎｐｌａｎｎｉｎｇｂａｓｅｄｏｎｍｕｌｔｉｏｂｊｅｃｔｉｖｅｃｈａｏｔｉｃｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１１，３５（１２）：１８３－１８９．［２２］张葛祥，李娜，金炜东，等．一种新量子遗传算法及其—应用『Ｊ］．电子学报，２００４，３２（３）：４７６４７９．——ＺＨＡＮＧＧｅｘｉａｎｇ，Ｌ１Ｎａ，ＪＩＮＷｅｉｄｏｎｇ，ｅｔａ１．Ａｎｏｖｅｌｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ［Ｊ］．Ａｃｔａ‘ＥｌｅｃｔｒｏｎｉｃａＳｉｎｉｃａ，２００４，３２（３）：４７６４７９．［２３］解平，李斌，庄镇泉．－－￣０ｏ新的混合量子进化算法［Ｊ】．—计算机科学，２００８，３５（２）：１６６１７０．—ＪＩＥＰｉｎｇ，Ｌ１Ｂｉｎ，ＺＨＵＡＮＧＺｈｅｎｑｕａｎ．Ａｎｅｗｈｙｂｒｉｄｑｕａｎｔｕｍｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍ［Ｊ］．ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，—２００８，３５（２）：１６６１７Ｏ．［２４］张葛祥，金炜东．量子遗传算法的改进及应用［Ｊ］．西南交通大学学报，２００３，３８（６）：７１７－７２２．—ＺＨＡＮＧＧｅ－ｘｉａｎｇ，Ｊ１ＮＷｅｉｄｏｎｇ．Ｉｍｐｒｏｖｅｍｅｎｔｏｆｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，２００３，３８（６）：７１７－７２２．［２５］杨俊安，李斌，庄镇泉，等．基于量子遗传算法的盲源分离算法研究【Ｊ］．小型微型计算机系统，２００３，２４（８）：１５１８．１５２３．ＹＡＮＧＪｕｎ．ａｎ，ＬＩＢｉｎ，ＺＨＵＡＮＧＺｈｅｎ－ｑｕａｎ，ｅｔａ１．＂Ｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｒｅｓｅａｒｃｈｉｎｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎ［Ｊ］．Ｍｉｎｉ－ｍｉｃｒｏＳｙｓｔｅｍｓ，２００３，２４（８：１５１８－１５２３．—收稿日期：２０１３－０４１１；—修回Ｅｔ期：２０１３－０８１３作者简介：符杨（１９６８一），男，博士，教授，硕士生导师，主要从事城市电网规划、变压器状态检测与故障诊断、风力发电与并网技术等方面的研究工作；蒋一鎏（１９８９一），男，通讯作者，硕士研究生，主要从事配电网规划、微电网技术等方面的研究工作；Ｅ．ｍａｉｌ：ｃｚｗｊｊｙｌ＠１２６．ｃｏｒｎ李振坤（１９８２一），男，博士，讲师，主要从事配电网规划、微电网技术等方面的研究工作。