本發明屬于配電網線損管理領域，具體涉及一種考慮最大供電能力約束的配電網絡優化降損重構方法。

背景技術：

配電網作為聯系發、輸電系統和終端用戶的重要紐帶，直接面向終端電能用戶，是保證供電質量、提高電網運行效率的關鍵環節之一。近年來，隨著分布式電源在配電網的大量接入，配電網面臨著前所未有的不確定性外部環境，給配電網的可靠運行帶來前所未有的挑戰。一方面，分布式電源可充分利用風能、太陽能等清潔可再生能源進行發電，在實現電力系統的“低碳化、節能化”方面具有重要的現實意義；然而，基于風能、太陽能等可再生能源的分布式電源的出力具有間歇性和隨機性的特點，會給配電網帶來如潮流雙向流動、饋線間潮流失衡、電壓間歇性波動等一系列問題，嚴重影響終端用戶的電能品質。

配電網重構是提高配電網絡運行的經濟性和可靠性的重要手段之一。通過網絡重構，不僅可以降低網損、均衡線路負荷、消除過載，還可有效提高供電可靠性和電壓質量等。理論上，配電網絡重構是一個復雜的非線性組合優化問題。目前，配電網絡重構模型主要有靜態模型和動態模型。靜態重構模型簡單易行，但沒有考慮分布式電源接入后的隨機出力特性；動態重構模型求解需要進行頻繁的開關操作，當前的配電網自動化水平無法滿足其動作要求，同時會降低開關使用壽命。常用的配電網絡重構方法大致可以分為兩類：一是啟發式算法，包括最優流模式法，支路交換法等；二是人工智能算法，如遺傳算法，模擬退火法，人工神經網絡，粒子群算法等智能化方法。啟發式算法把開關的組合操作問題轉化為開關的啟發式單開問題，使復雜問題簡單化，其缺點是重構結果與啟發式規則關系密切，容易收斂于局部最優解。智能化方法，從理論上講，可以收斂到最優解。且算法對初始條件和目標函數要求較松，實現起來比較簡單，但在迭代過程中會產生大量的不可行解，存在尋優時間長，有時會陷入局部最優解等缺點。同時，配電網在重構后還應當保障在分布式電源高比例接入這種不確定性環境下的供電能力。因此為考慮含分布式電源配電網絡的實際運行特征以及開關操作實現的可行性，亟需一種考慮最大供電能力約束的配電網絡降損重構方法。

技術實現要素：

針對上述問題，本發明充分考慮了含分布式電源配電網絡的實際運行特征以及開關操作實行的可行性，提出一種考慮最大供電能力約束的配電網絡優化降損重構方法，其采用 可以在實現配電網絡降損的同時，維持系統需求的供電能力裕度，有效保障復雜不確定性環境下配電網絡的供電可靠性。

實現上述技術目的，達到上述技術效果，本發明通過以下技術方案實現：

一種考慮最大供電能力約束的配電網絡優化降損重構方法，包括以下步驟：

步驟一，構建配電網最大供電能力指標的數學模型；

步驟二，根據步驟一中的數學模型，通過變步長的連續潮流算法對配電網不同運行方式下的最大供電能力指標進行評估，得到配電網的最大供電能力；

步驟三、基于多場景法及配電網不同負荷方式的變化，構建可綜合考慮最大供電能力指標約束的配電網絡降損重構模型；

步驟四，采用基于動態慣性權重調整的二進制粒子群算法，求解設定的重構時間段內的配電網絡的網絡優化降損重構方案，并保證最大供電能力指標的約束。

進一步地，所述步驟一中，配電網最大供電能力指標的數學模型為：

其中，S為供電能力評估的配電區域所能供給的最大負荷量；S_ini,j為節點j的當前實際負荷；N為負荷節點總數；S_d,j為供電能力評估的配電區域中節點j的負荷增長基數，k_g為負荷增長系數；D為進行供電能力評估的配電區域。

進一步地，所述步驟三中，配電網絡降損重構模型為：

其中：F為重構時間段內的綜合網損，M為所考慮的負荷方式數；Δt^k為第k種負荷方式在重構時間段內所占時間的百分比系數；為第k種負荷方式下的網絡有功損耗，具體表達式為：

其中,L為配電網絡中的支路總數；和分別為第k種負荷方式下流過支路b_i的有功功率和無功功率；為支路b_i的支路電阻；為第k種負荷方式下支路b_i的末端電壓；F為重構時間段內的綜合網損。

進一步地，所述步驟四具體為：

4.1讀入配電網絡原始數據；

4.2設置粒子群算法參數；

4.3初始化：迭代次數置0，初始化所有粒子位置和速度；進行各種運行方式下的潮流計算，按式(5)求出每一組開關狀態下的配電網絡在重構時段內的綜合網損作為其初始適應值以及歷史最優適應值，網損最小的粒子位置為全局最優粒子；

4.4進行粒子速度和位置更新，檢查粒子位置更新后各變量是否越限，若某一變量越限，則取其相應的限值；

4.5輻射狀校驗：校驗更新后的粒子位置對應的開關狀態組合下的網絡結構是否滿足輻射狀約束，如果某些粒子不滿足，重新初始化該粒子，直到都滿足；

4.6計算適應值：即計算每一個粒子對應開關狀態下的網絡在各種負荷方式下的狀態變量及有功網損并校驗粒子是否滿足節點電壓、支路電流、供電能力裕度的約束，若滿足約束，按式(5)計算其適應值；如果不滿足，給適應值加懲罰項；

4.7更新粒子的歷史最優位置以及全局最優粒子位置；

4.8動態調整慣性權重ω；

4.9結束判斷：若滿足結束條件，即達到最大允許迭代次數，則停止并輸出結果；否則，迭代次數加1，轉到步驟4.4繼續進行，直到結束條件得到滿足，優化計算過程結束。

所述步驟四中，二進制粒子群算法中粒子位置和速度的更新公式為：

其中：x_i,d和v_i,d分別為粒子i的第d維位置和速度分量；ω為慣性權重；c₁、c₂為加速系數；r、r₁、r₂為[0,1]之間的隨機數；pBest_i,d與gBest_d分別為粒子i的歷史最優位置和種群最優粒子位置，為是第t代粒子種群中粒子i的第d維位置分量，r為[0,1]上的隨機數；T是同一個環路的所有開關的集合；t為粒子群代數，是第(t+1)代粒子種群中粒子i的第d維位置分量，為第(t+1)代粒子種群中粒子i的第d維速度分量。

進一步地，所述步驟四中，動態慣性權重調整策略中的慣性權重ω自適應調整模型為：

其中：ω_max和ω_min分別是ω的最大值和最小值；Iter和Iter_max分別是當前迭代次數和最大迭代次數；r為均勻分布于[0,1]間的隨機數；g為種群在進化設定代數內全局最優值的變化率。

本發明的有益效果：

本發明首先構建了配電網最大供電能力評估指標，并通過變步長的重復潮流算法對配電網不同運行方式下的最大供電能力指標進行評估；同時基于多場景法計及配電網不同負荷方式的變化，構建可綜合考慮最大供電能力指標約束的配電網絡降損重構模型，并采用二進制粒子群優化算法進行求解。該發明方法在實現配電網降損的同時，維持系統需求的供電能力裕度，有效保障復雜不確定性環境下配電網的供電可靠性。

附圖說明

圖1為本發明一種實施例的IEEE-33節點配電系統示意圖；

圖2為本發明一種實施例的配電網重構方案結構示意圖；

圖3為本發明一種實施例的整個配電網最大PSCI迭代曲線；

圖4為本發明一種實施例的流程示意圖；

圖5為將本發明方法結果與不考慮最大供電能力裕度指標的結果進行對比示意圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

下面結合附圖對本發明的應用原理作詳細的描述。

一種考慮最大供電能力約束的配電網絡優化降損重構方法，包括以下步驟：

步驟一，構建配電網最大供電能力指標的數學模型；

步驟二，根據步驟一中的數學模型，通過變步長的連續潮流算法對配電網不同運行方式下的最大供電能力指標進行評估，得到配電網的最大供電能力；

步驟三、基于多場景法及配電網不同負荷方式的變化，構建可綜合考慮最大供電能力指標約束的配電網絡降損重構模型；

步驟四，采用基于動態慣性權重調整的二進制粒子群算法，求解設定的重構時間段內的配電網絡的網絡優化降損重構方案，并保證最大供電能力指標的約束。

進一步地，所述步驟一中，配電網最大供電能力指標的數學模型為：

其中，S為供電能力評估的配電區域所能供給的最大負荷量；S_ini,j為節點j的當前實際負荷；N為負荷節點總數；S_d,j為供電能力評估的配電區域中節點j的負荷增長基數，k_g為負荷增長系數；D為進行供電能力評估的配電區域。

進一步地，所述步驟三中，配電網絡降損重構模型為：

其中：F為重構時間段內的綜合網損，M為所考慮的負荷方式數；Δt^k為第k種負荷方式在重構時間段內所占時間的百分比系數；為第k種負荷方式下的網絡有功損耗，具體表達式為：

其中,L為配電網絡中的支路總數；和分別為第k種負荷方式下流過支路b_i的有功功率和無功功率；為支路b_i的支路電阻；為第k種負荷方式下支路b_i的末端電壓；F為重構時間段內的綜合網損。

進一步地，所述步驟四具體為：

4.1讀入配電網絡原始數據；

4.2設置粒子群算法參數；

4.3初始化：迭代次數置0，初始化所有粒子位置和速度；進行各種運行方式下的潮流計算，按式(5)求出每一組開關狀態下的配電網絡在重構時段內的綜合網損作為其初始適應值以及歷史最優適應值，網損最小的粒子位置為全局最優粒子；

4.4進行粒子速度和位置更新，檢查粒子位置更新后各變量是否越限，若某一變量越限，則取其相應的限值；

4.5輻射狀校驗：校驗更新后的粒子位置對應的開關狀態組合下的網絡結構是否滿足輻射狀約束，如果某些粒子不滿足，重新初始化該粒子，直到都滿足；

4.6計算適應值：即計算每一個粒子對應開關狀態下的網絡在各種負荷方式下的狀態變量及有功網損并校驗粒子是否滿足節點電壓、支路電流、供電能力裕度的約束，若滿足 約束，按式(5)計算其適應值；如果不滿足，給適應值加懲罰項；

4.7更新粒子的歷史最優位置以及全局最優粒子位置；

4.8動態調整慣性權重ω；

4.9結束判斷：若滿足結束條件，即達到最大允許迭代次數，則停止并輸出結果；否則，迭代次數加1，轉到步驟4.4繼續進行，直到結束條件得到滿足，優化計算過程結束。

所述步驟四中，二進制粒子群算法中粒子位置和速度的更新公式為：

其中：x_i,d和v_i,d分別為粒子i的第d維位置和速度分量；ω為慣性權重；c₁、c₂為加速系數；r、r₁、r₂為[0,1]之間的隨機數；pBest_i,d與gBest_d分別為粒子i的歷史最優位置和種群最優粒子位置，為是第t代粒子種群中粒子i的第d維位置分量，r為[0,1]上的隨機數；T是同一個環路的所有開關的集合；t為粒子群代數，是第(t+1)代粒子種群中粒子i的第d維位置分量，為第(t+1)代粒子種群中粒子i的第d維速度分量。

進一步地，所述步驟四中，動態慣性權重調整策略中的慣性權重ω自適應調整模型為：

其中：ω_max和ω_min分別是ω的最大值和最小值；Iter和Iter_max分別是當前迭代次數和最大迭代次數；r為均勻分布于[0,1]間的隨機數；g為種群在進化設定代數內全局最優值的變化率。

實施例一

1、配電網最大供電能力指標

1.1最大供電能力指標定義及其數學模型

配電網最大供電能力是指：配電網在滿足支路功率約束和節點電壓約束的條件下，所能供給的最大負荷。為此，本發明定義配電網最大供電能力指標(Power Supply Capability Index,PSCI)的數學模型表述為：

式中，S為進行供電能力評估的配電區域所能供給的最大負荷量；S_ini,j為節點j的當前實際負荷；N為負荷節點總數，目標函數中的第一項即為當前實際負荷；S_d,j為供電能力評估的配電區域中節點j的負荷增長基數，本實施例中，取S_d,j＝S_ini,j；k_g為負荷增長系數；D為進行供電能力評估的配電區域；

式(1)的約束條件包括潮流方程約束、節點電壓約束及支路的容量約束，即：

Ai＝I (2)

V_p≥V_Lp (3)

i_l≤i_lmax (4)

式中，A為節點/支路關聯矩陣；i為所有支路的復電流矢量；I為所有節點的復電流注入矢量；V_p、V_Lp分別為節點p的電壓及電壓下限；i_l、i_lmax分別為各支路流過的電流和允許的最大載流量。

為方便計算且直觀反應配電網的供電能力，引入最大供電倍數K，當目標函數中S達到最大值時，對應的k_g就為k_g,max，此時K＝1+k_g,max。K越大表明配電網的最大供電能力水平越高，所能承受的外界擾動水平也就越大。因此，K可用來表征配電網的最大供電能力，用于深入分析配電網目前所能達到的供電能力裕度。

根據步驟一中的數學模型，通過變步長的連續潮流算法對配電網不同運行方式下的最大供電能力指標進行評估，得到配電網的最大供電能力。得到的最大供電能力是在后面配電網絡降損重構模型公式(5)的約束(9)而存在的，即對公式(5)進行優化求解的時候，最大供電能力K要大于或等于給定的預設值(K_margin)，所述的不同運行方式指的是包含了多種負荷方式的運行方式，此計算過程采用的是現有技術，因此，本發明中不做過多的贅述。

1.2配電網最大供電能力指標影響因素

配電網的最大供電能力指標主要由配電網的拓撲結構、負荷水平、負荷增長模式與分布式電源出力四個因素決定：

(1)通過改變配網聯絡開關和分段開關的狀態可改變配電網的拓撲結構及運行方式，提高最大供電能力；

(2)不同的負荷水平決定不同的配網供電能力，負荷水平較低時，配網供電能力增 長空間較大，反之較小；

(3)本發明的負荷增長模式分為兩種：一是整個配電網當前實際負荷呈比例增長，直到約束條件起作用為止；二是局部區域當前負荷呈正比例增長，僅評估區域內的負荷持續增加，其他負荷維持當前水平不變，直到約束條件起作用為止；

(4)在拓撲一定的情況下，分布式電源接入配電網的出力隨機變化將改變網絡潮流的分布，直接影響供電能力的大小。

2、建立配電網重構模型

以降低配電網損為目標，考慮不同場景(即不同運行方式)下多種負荷方式的配電網絡重構的數學模型如(5)所示：

式中：F為重構時間段內的綜合網損，M為所考慮的負荷方式數；Δt^k為第k種負荷方式在重構時間段內所占時間的百分比系數；為第k種負荷方式下的網絡有功損耗，具體計算公式為：

式中,L為網絡中的支路總數；和為第k種負荷方式下流過支路b_i的有功功率和無功功率；為支路b_i的支路電阻；為第k種負荷方式下支路b_i的末端電壓。在重構過程中，對于每一種重構方案，所考慮的約束條件為：

(1)配電網絡的潮流方程，即必須滿足功率平衡：

式中：是第k種負荷方式下節點i的注入功率；P_i^k和分別為第k種負荷方式下節點i的注入有功功率和無功功率(含負荷和分布式電源)；是第k種負荷方式下節點i的電壓相量；Y_ij是網絡節點導納矩陣的元素；是網絡節點導納矩陣的元素的共軛值；N是系統總節點數，是第k種負荷方式下節點j的電壓相量的共軛值。

(2)支路電流及節點電壓約束：

式中，和分別為支路b_i的電流和其上限；U_j.max和U_j.min為節點j允許電壓上限和電壓下限。

(3)最大供電能力指標約束：為保障配電網免受分布式電源出力等外部不確定性因素隨機變動所帶來的可靠運行問題，為配電網配備一定的供電能力裕度，如式(9)所示：

K≥K_margin (9)

其中K_margin為系統要求的最小供電能力裕度指標。

(4)供電約束：重構后的配電網絡不能存在電力“孤島”。

(5)網絡拓撲約束：重構后的配電網絡必須為輻射狀運行結構。

在該模型中，考慮的負荷方式越多，計算量越大。為了提高重構效率，本發明的優選實施例中，取三種負荷方式，即最大、一般及最小負荷方式，分別反應了負荷曲線上較大的、一般的及較小的負荷水平。每種負荷方式下都有一個典型負荷，該典型負荷為負荷方式下對應的時間段中各時刻負荷的平均值。對于這三種負荷方式在重構時間段內所占的比例，根據運行經驗，本發明更優選地的實施例中，取最大負荷為25％，最小負荷為25％，一般負荷為50％。

3、粒子群優化算法

3.1二進制粒子群優化算法的數學模型

由于配電網網絡拓撲是由參與重構的開關決定的，而開關只存在開、合兩種狀態，故采用二進制粒子群算法更為合適。粒子位置表示開關的開合狀態(‘0’代表打開，‘1’代表閉合)，則每個粒子表示一種開關狀態組合。相應的，粒子速度表示對應位置取0或1的概率。為了使其更符合實際要求，取速度的Sigmoid函數將其轉換到[0,1]上，以此進行開關狀態的選擇。粒子速度和位置更新公式如(10)：

式中，x_i,d和v_i,d分別為粒子i的第d維位置和速度分量；ω為慣性權重；c₁、c₂為加速系數；r、r₁、r₂為[0,1]之間的隨機數；pBest_i,d與gBest_d分別為粒子i的歷史最優位置和種群最優粒子位置，為是第t代粒子種群中粒子i的第d維位置分量。為了防止飽和， 速度一般被限制在區間[-4,4]內，Sigmoid函數表示如下：

為滿足輻射狀結構約束，配電網絡中每個環路必須有且只有一個開關打開，即打開的開關數必須等于環路數。同時必須保證配電網絡不能有電力“孤島”，則所有不在任何環路上的支路開關必須全部閉合。為了降低不可行解產生的概率，位置更新公式改為：

式中：r_i,d是更新后粒子i的第d維位置分量，r為[0,1]上的隨機數；T是同一個環路的所有開關的集合。式(12)、(13)能夠確保打開的開關數等于環路數，有效地減少了不可行開關狀態組合的產生概率。

3.2動態慣性權重調整策略

慣性權重ω能夠有效地平衡全局搜索能力和局部搜索能力，對粒子群優化算法有較大影響。在考慮實際優化問題時，往往希望先取較大的ω進行全局搜索，使搜索空間快速收斂于某一區域，然后取較小的ω進行局部搜索以獲得更高精度的解。

目前最常采用的是在迭代過程中ω線性遞減的方式。然而試驗表明，該方式并不一定適用于每一種優化問題。本發明采用了一種自適應動態慣性權重調整策略，根據尋優過程中全局最優值的變化率，在線性遞減的ω曲線上疊加了一個隨機分量，改變了單一的線性調整模式，使粒子群算法(Particle Swarm Optimization，PSO)能夠根據進化信息更好地調節自身的收斂能力。

首先定義一個變化率g:

式中，f(t)表示種群在第t代的全局最優值，則g為種群在進化10代內全局最優值的變化率。

在本發明的其他實施例中，g可以為種群在進化設定代(不局限是10代)內全局最優值的變化率。比如15、20等。

慣性權重ω按下式自適應調整：

式中，ω_max和ω_min分別是ω的最大值和最小值；Iter和Iter_max分別是當前迭代次數和最大迭代次數；r為均勻分布于[0,1]間的隨機數。

該發明所采用的調整策略有以下幾個優點：其一，可以達到先全局搜索提高收斂速度后局部搜索以獲得高精度解的目的；其二，ω加入了隨機擾動，將使得粒子歷史速度對當前速度的影響是隨機的，在一定程度上類似遺傳算法中的變異算子，這將有助于保持種群的多樣性；其三，能夠根據種群最優適應值的變化來動態調整ω，可以更靈活地調節全局搜索與局部搜索能力，從而能更好地適應不同的優化問題。

4、算法步驟

基于二進制粒子群優化考慮多種負荷方式的含分布式電源的配電網絡重構算法流程如下：

(1)讀入配電網絡原始數據：支路參數(電阻、電抗)，各種負荷方式下的負荷大小及支路開關狀態(打開、關閉)等；

(2)設置粒子群算法參數：種群規模大小，慣性權重范圍，加速系數和速度取值范圍；

(3)初始化：迭代次數置0，初始化所有粒子位置和速度。進行各種方式下的潮流計算，按式(1)求出每一組開關狀態下的網絡在該時段內的綜合網損作為其初始適應值以及歷史最優適應值，網損最小的粒子位置為全局最優粒子；

(4)速度和位置更新：按式(10)、(13)進行粒子速度和位置更新。檢查粒子位置更新后各變量是否越限，若某一變量越限，則取其相應的限值；

(5)輻射狀校驗：校驗更新后的粒子位置對應的開關狀態組合下的網絡結構是否滿足輻射狀約束(公知技術)；如果某些粒子不滿足，重新初始化該粒子，直到都滿足；

(6)計算適應值：即計算每一個粒子對應開關狀態下的網絡在各種負荷方式下的狀態變量及有功網損并校驗粒子是否滿足節點電壓、支路電流、供電能力裕度的約束。若滿足約束，按式(5)計算其適應值；如果不滿足，給適應值加罰函數；

(7)更新粒子的歷史最優位置以及全局最優粒子位置；

(8)慣性權重調整：按式(15)動態調整ω；

(9)結束判斷：若滿足結束條件，如達到最大允許迭代次數，則停止并輸出結果；

否則，迭代次數加1，轉到步驟(4)繼續進行。

實施例

本發明利用IEEE-33節點配電系統進行算例驗證，相關參數可參照IEE Proceedings Generation,Transmission and Distribution期刊于1997年第114卷第4期345到350頁發表的Distribution network reconfiguration for loss reduction using fuzzy controlled evolutionary programming文獻中公開的數據。IEEE-33節點配電網絡擁有32條線路，5條聯絡開關支路(25-29,8-21,12-22,9-15和18-33)，基準電壓為10kV。由于五條聯絡開關支路上存在聯絡開關，使得配電網絡中出現了5個環路，除了與電源點1相連的1-2支路不能斷開外，在保證網絡中無“孤島”和環路的前提下，其余所有的開關都將參與網絡重構。將IEEE-33節點配電網分為4個區域：區域1支路電流上限取595A，區域2支路電流上限取160A，區域3支路電流上限取325A，區域4支路電流上限取460A，節點電壓下限取為0.9。本實施例初始網絡拓撲結構如圖1所示。

采用本發明的方法對該配電系統進行重構，以一天為重構時段，取三種負荷方式。K_margin取1.4；種群大小取50，加速系數取2.05；慣性權重上限和下限分別為1.2和0.4；迭代次數上限為100。在計算K時，整個配電網的所有負荷呈比例地持續增加，直到約束條件起作用為止，即公式(2)～(4)。考慮供電能力約束的配電網重構結果如表1和圖2所示，重構前后各種負荷方式下的最低節點電壓幅值如表2所示，最優重構方案為支路8-21、32-33、10-11、14-15、28-29打開。

表1

表2

由結果可見，優化后系統在該時間段內的網損下降了32.93％，三種負荷方式下的節點電壓都符合要求且節點最低電壓得到提高，供電能力指標提升了38.31％。配電網重構模型優化過程中的最大供電能力指標變化如圖3所示，證明了可有效改善供電能力指標。

為了測試動態慣性權重調整的效果，與ω線性遞減的二進制粒子群算法作比較。分別運行20次，結果如表3所示。可見，兩種慣性權重調整方式的重構算法都能夠收斂，但動態調整的慣性權重具有更好的效果，平均收斂代數減少，并且收斂到最優解的比例提高。

表3

為了比較結果的有效性，將本文方法結果與不考慮最大供電能力裕度指標的結果進行對比，如果圖5所示。可以看出在考慮最大供電裕度指標約束后，系統網損略有增加，原因是最大供電裕度約束減小了系統重構優化的空間，在滿足最大供電裕度的指標范圍內，尋求最優的降損重構方案。可以說最大供電裕度指標的提升是以犧牲了一小部分降損效果為代價的，然而卻極大的提升了系統應當外界環境擾動的能力。

本發明從配電網絡的實際運行情況出發，建立了一種考慮最大供電能力指標約束的配電網絡降損重構方法。該發明通過引入配電網供電最大能力指標作為約束來克服負荷水平的變化以及分布式電源出力的不確定性給配電網運行可靠性帶來的影響，同時以網損最小為目標構建配電網絡的優化重構模型，求解到對應運行區段內的配電網絡較優的重構方案，該發明能夠保證未來一定時間段內配電網處于一種綜合均衡較優的網絡拓撲結構，既保證了配電網一定的供電能力裕度，又避免了反復重構所導致頻繁的開關操作，具有較好的工程實用價值。

以上顯示和描述了本發明的基本原理和主要特征和本發明的優點。本行業的技術人員應該了解，本發明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發明的原理，在不脫離本發明精神和范圍的前提下，本發明還會有各種變化和改進，這些變化和改進都落入要求保護的本發明范圍內。本發明要求保護范圍由所附的權利要求書及其等效物界定。