基于元模型輔助粒子群算法的主動配電網(wǎng)最優(yōu)經(jīng)濟運行

唐 佳, 王 丹, 賈宏杰, 張 逸, 熊 軍, 黃仁樂

(1. 智能電網(wǎng)教育部重點實驗室(天津大學), 天津市 300072; 2. 國網(wǎng)福建省電力公司電力科學研究院, 福建省福州市 350007; 3. 國網(wǎng)廈門供電公司, 福建省廈門市 361004; 4. 國網(wǎng)北京市電力公司, 北京市 100031)

0 引言

為了緩解日益突出的環(huán)境污染、傳統(tǒng)能源緊缺的問題,以風力發(fā)電、光伏發(fā)電為代表的可再生清潔能源接入電網(wǎng)的比例日益增高,有效解決大規(guī)模新能源接入電網(wǎng)引入的功率波動特性將是一份十分艱巨的任務[1-2]。傳統(tǒng)配電網(wǎng)的簡單控制無法有效解決系統(tǒng)對可再生能源的消納能力、電動汽車滲透率的問題。在此背景下,主動配電網(wǎng)(active distribution network,ADN)技術應運而生,其核心是在先進的信息通信、電力電子及自動化技術的基礎上,充分利用配電系統(tǒng)中的可控資源(分布式發(fā)電單元、儲能設備、聯(lián)絡開關、可控負荷等),通過ADN的“源—網(wǎng)—荷”協(xié)調(diào)控制,實現(xiàn)可再生能源的規(guī)?；尤搿⑻岣吲潆娋W(wǎng)運行的經(jīng)濟性、保障用戶用電質(zhì)量和供電可靠性[3-5]。

ADN的優(yōu)化運行策略研究是ADN相關技術研究的核心和熱點[6-10]。在ADN中,控制變量既有連續(xù)變量(分布式發(fā)電單元出力、儲能設備充放電功率等),又有離散變量(調(diào)壓器抽頭位置、可投切電容器組投切狀態(tài)等);既包含線性約束(功率上下限約束等),又包含非線性約束(潮流等式約束、節(jié)點電壓約束等)。因此,ADN的優(yōu)化運行是一個復雜的混合整數(shù)非線性規(guī)劃(MINLP)問題。由于基于傳統(tǒng)內(nèi)點法的求解效果不甚理想,不依賴梯度、適應性更廣的智能算法得到了廣泛的應用。文獻[11]利用遺傳算法(GA),實現(xiàn)了有載調(diào)壓開關(OLTC)和電容器組的日前最優(yōu)調(diào)度,降低了系統(tǒng)網(wǎng)損;文獻[12]建立了ADN優(yōu)化調(diào)度模型,采用智能單粒子優(yōu)化算法(IPSO),降低了系統(tǒng)的運行成本;文獻[13]利用混合的GA和蟻群算法(ACO),實現(xiàn)了配電系統(tǒng)的經(jīng)濟運行;文獻[14]建立了配電系統(tǒng)的多目標電壓/無功優(yōu)化模型,提出了一種混合ACO和粒子群算法(PSO)的求解方法,有效降低了系統(tǒng)運行成本和網(wǎng)損。

智能算法雖然在ADN的優(yōu)化運行求解當中得到了廣泛的研究與應用,但是存在以下問題:①缺乏有效的約束處理機制,導致求解效率降低; ②由于智能算法需要進行大量的潮流仿真計算,尤其針對三相建模的復雜配電網(wǎng)絡,降低了求解速度?；谏鲜鲅芯勘尘?本文針對典型的配網(wǎng)資源設備,如分布式發(fā)電單元、儲能設備、調(diào)壓器和可投切電容器組及可中斷負荷, 建立ADN最優(yōu)經(jīng)濟運行模型。針對建立的優(yōu)化模型,提出了一種帶約束處理機制的Kriging元模型與模糊改進粒子群算法相結(jié)合的混合求解算法(hybrid algorithm of Kriging model and modified fuzzy particle swarm optimization,HA-KMFPSO)進行求解。最后,通過算例仿真分析并與傳統(tǒng)算法相比較,驗證了本文建立的模型及求解算法的有效性。

1 ADN最優(yōu)經(jīng)濟運行數(shù)學模型

1.1 目標函數(shù)

本文建立的ADN最優(yōu)經(jīng)濟運行的目標函數(shù)如下:

(1)

ADN的運行費用主要包含以下6項:外網(wǎng)購電費用、分布式發(fā)電單元發(fā)電成本費用、儲能電池充、放電成本費用、可中斷負荷中斷補償費用、調(diào)壓器及可投切電容器組的操作費用。

1.2 約束條件

ADN優(yōu)化經(jīng)濟運行的約束如式(2)至式(10)所示:

1)三相不平衡潮流等式約束

(2)

2)線路傳輸功率約束

(3)

3)節(jié)點電壓約束

(4)

4)分布式發(fā)電單元有功/無功出力約束

(5)

5)儲能約束

(6)

6)調(diào)壓器抽頭約束

(7)

(8)

7)可投切電容器組約束

(9)

式中:MC,i為電容器組i在調(diào)度周期T內(nèi)最大允許動作次數(shù)。

8)可中斷負荷約束

(10)

2 ADN最優(yōu)經(jīng)濟運行求解算法

由本文第1節(jié)建立的ADN經(jīng)濟運行模型中,既有連續(xù)控制變量(分布式電源處理出力、儲能設備充放電功率等),又有離散控制變量(調(diào)壓器抽頭位置、電容器組投切狀態(tài)),其本質(zhì)上是一個MINLP問題。對于該類問題,傳統(tǒng)的基于梯度的優(yōu)化算法,比如內(nèi)點法、序列二次規(guī)劃算法等,求解效果不理想[15]。因此,不依賴于梯度、適應性更廣的智能算法正受到越來越多的關注。PSO以其簡單、快速收斂特性在求解MINLP問題中得到了廣泛的運用[16-17]。但是,PSO雖然衍生出了許多改進算法[18-24],依然存在以下問題沒有得到有效解決:①求解過程中需要頻繁地調(diào)用潮流仿真程序,降低求解速度;②缺乏有效的約束處理方法。

針對上述優(yōu)化問題的求解,本文基于參考文獻[22]中的改進模糊粒子群優(yōu)化算法(modified fuzzy particle swarm optimization,MFPSO), 提出了一種帶約束處理機制的HA-KMFPSO。

2.1 Kriging元模型

所謂元模型,即指在分析和優(yōu)化設計過程中用于近似代替復雜和費時的“黑箱”系統(tǒng)的數(shù)學模型[25]。通過元模型的引入,可以降低優(yōu)化問題的難度,有效提高求解效率。在當前,多種元模型技術在工程領域得到了廣泛的應用,比如,響應面模型、徑向基函數(shù)模型、Kriging模型、支持向量回歸模型等[26]。在上述元模型中,Kriging元模型因其對于復雜非線性系統(tǒng)具有較高的近似精度及獨特的誤差估計功能,正得到廣大研究人員的高度關注。因此,為了提高優(yōu)化求解算法的速度,本文采用Kriging元模型對ADN的潮流進行近似計算。文獻[27]對Kriging元模型的基本原理進行了詳細的介紹,本文不再贅述。本文采用基于MATLAB的DACE工具箱[27]構造Kriging元模型。

基于元模型的優(yōu)化方法主要可以分為兩類:靜態(tài)元模型優(yōu)化(static surrogate-based optimization,SSBO)與動態(tài)元模型優(yōu)化(dynamic surrogate-based optimization,DSBO)。所謂SSBO,即在優(yōu)化求解過程中,元模型不再進行更新,優(yōu)化結(jié)果很大程度上依賴初始元模型的近似精度; 所謂DSBO,即在優(yōu)化求解過程中,元模型通過有選擇地新加入樣本點進行更新,提高了元模型的近似精度,保證了優(yōu)化求解結(jié)果的正確性。文獻[26]通過大量的數(shù)值仿真指出,在求解復雜優(yōu)化問題時,DSBO比SSBO具有更好的求解效果。因此,為了保證求解結(jié)果的正確性,本文提出了一種優(yōu)化過程中Kriging元模型的動態(tài)更新機制。DSBO的基本框架如圖1所示。

圖1 動態(tài)元模型優(yōu)化流程圖Fig.1 Flow chart of DSBO

2.2 基本PSO算法

為了便于約束處理機制的論述,現(xiàn)將PSO算法基本原理做簡單介紹[19],如式(11)和式(12)所示:

(11)

(12)

2.3 約束處理機制

在PSO粒子更新過程中,粒子的位置是隨機產(chǎn)生的,如式(11)和式(12)所示。當優(yōu)化問題存在等式或者不等式約束的時候,隨機產(chǎn)生的粒子滿足約束的概率很低。這將導致PSO算法在不可行域進行大量搜索,降低了求解效率[24]。因此,本文提出了基于PSO算法的約束處理機制(constraint handling technique,CHT),其基本思想為:在最小干預PSO位置更新過程的前提下,對違反約束的粒子的位置進行修正,使其盡可能滿足約束。本文提出的CHT的基本原理如下所述。

(13)

(14)

(15)

(16)

由于在PSO更新過程中,粒子的每一維度都存一個“飛行區(qū)間”,意味著粒子更新的位置存在一個“可行空間”。本文提出的CHT的中心思想為:盡可能在粒子位置的“可行空間”內(nèi)修正粒子的空間位置,使得粒子從不可行域進入可行域。為了進一步論述本文提出的CHT基本原理,以一個2維優(yōu)化問題為例。

如圖2所示,黑色圓點代表k-1次迭代時粒子i的空間位置。根據(jù)式(11)和式(12),第k次迭代時,粒子i的位置如圖中紅色圓點所示?？梢钥闯?更新后的粒子位置位于可行域之外。為了最少干擾PSO算法中粒子位置的更新過程,在可行空間中,通過對粒子位置的修正,可使得粒子從不可行域進入可行域空間,如圖中藍色圓點所示。

2.3.1儲能約束處理

當隨機產(chǎn)生的粒子位置違反儲能約束式(6)的時,該粒子中關于儲能的狀態(tài)變量需要進行修正。粒子i的第j臺儲能設備的控制變量向量為:

圖2 約束處理機制示意圖Fig.2 Schematic diagram of the proposed CHT based on PSO

(17)

在PSO算法尋優(yōu)過程中,當粒子i的位置根據(jù)式(11)和式(12)更新之后,儲能單元j的SOC約束將會從t=1至t=T逐時檢驗。當SOC某一時刻違反SOC約束時,儲能控制變量將會進行修正。為了簡化敘述過程,SOC約束可以簡化表示為：

(18)

(19)

(20)

(21)

(22)

(23)

(24)

(25)

(26)

(27)

(28)

(29)

通過上述方法,儲能單元j在t時刻的SOC越限情況得到了消除。檢查t+1時刻的儲能約束,重復上述步驟,直到所有時刻的約束越限情況都處理完畢。

圖3 儲能約束處理示意圖Fig.3 Diagram of handling technique for SOC constraint

2.3.2其他設備約束處理

其余設備(調(diào)壓器、可投切電容器組、可中斷負荷)的約束處理方法和儲能設備的處理方法類似,本文不再贅述。

2.3.3潮流約束處理

不同于設備的控制變量約束,ADN的潮流約束具有高維度、非線性的特點。因此,不能通過上述直接的處理方法消除潮流約束的違反情況。本文采用文獻[24]提出的動態(tài)罰函數(shù)方法間接處理潮流約束。

2.4 元模型輔助改進PSO算法

本文提出一種帶約束處理機制的元模型輔助混合粒子群優(yōu)化方法用于求解建立的ADN最優(yōu)經(jīng)濟運行問題。對于基本粒子群算法的改進,相關研究人員已經(jīng)做了大量的工作,本文采用參考文獻[22]提出的MFPSO用于自適應的調(diào)節(jié)ω,c1,c2參數(shù)的大小,提高PSO算法的求解性能。

步驟1:利用當前Kriging元模型計算當前種群粒子的目標函數(shù)值。

(30)

式中:iter為最大的迭代次數(shù)。

綜上所述,根據(jù)本文提出的基于粒子群的約束處理技術、Kriging元模型動態(tài)更新機制,本文提出的HA-KMFPSO求解算法的總體流程見圖4。

由圖4可以看出,在HA-KMFPSO算法中,Kriging元模型用于快速近似計算配電網(wǎng)的潮流,加快了優(yōu)化求解的速度;違反約束的粒子位置進行了相應處理,提高的優(yōu)化算法的搜索效率。

圖4 HA-KMAPSO算法總體流程圖Fig.4 Flow chart of the proposed HA-KMFPSO

3 算例仿真

3.1 基本算例設置

為了驗證本文建立的ADN最優(yōu)經(jīng)濟運行模型及求解算法的有效性,本文利用新型配電系統(tǒng)仿真軟件GridLAB-D[28],搭建IEEE 37節(jié)點算例系統(tǒng)[29]對其進行驗證。修改后的IEEE 37節(jié)點測試系統(tǒng)拓撲結(jié)構如附錄A圖A1所示。測試算例中,所有負荷使用ZIP模型,負荷的ZIP系數(shù)在附錄A表A1中給出。假設所有節(jié)點電壓都為額定值時,該系統(tǒng)的三相基準負荷曲線如附錄A圖A2所示;ADN一天電價曲線如附錄A圖A3所示;調(diào)壓器、可投切電容器組、分布式電源、儲能設備、可中斷負荷的參數(shù)分別見附錄A表A2至附錄A表A6。

3.2 Kriging元模型預測精度

由于每個調(diào)度時刻(1 h)配電網(wǎng)的狀態(tài)都不盡相同且潮流計算獨立,Kriging元模型的構造時間隨著輸入輸出變量維度的增加呈指數(shù)上升趨勢,為了減少Kriging元模型的構造時間,本文為每一個調(diào)度區(qū)間分別構造一個Kriging元模型,可利用并行操作減少構造時間,輸入即為某一調(diào)度區(qū)間的所有控制變量,輸出即為相對應的節(jié)點電壓、聯(lián)絡母線功率大小。根據(jù)每一調(diào)度區(qū)間的潮流計算結(jié)果,計算出當天的運行成本。

本文選取不同數(shù)量的樣本點(N)構造Kriging元模型,再通過隨機產(chǎn)生500個測試點(對應集合Ntest)對Kriging模型的精度進行計算,計算指標如下。

1)最大相對誤差(RMAE)為:

(31)

2)平均相對誤差(RAAE)為:

(32)

Kriging元模型預測值精度的統(tǒng)計結(jié)果如表1所示。從表1可以看出,Kriging模型對于配電網(wǎng)的潮流計算具有較高的預測精度,并且精度隨著樣本點的增加而增加。此外,在IEEE 37測試算例中,Kriging模型對于節(jié)點電壓、聯(lián)絡線功率的預測相對誤差低于0.1%,因此Kriging模型可以在粒子群算法優(yōu)化過程中用于近似計算潮流結(jié)果。

表1 IEEE 37節(jié)點系統(tǒng)Kriging模型精度測試統(tǒng)計結(jié)果Table 1 Statistical results of accuracy of Kriging model for IEEE 37-bus system

3.3 算法求解結(jié)果

在HA-KMFPSO中,最大迭代次數(shù)和種群規(guī)模分別設置為500,500;原始的Kriging模型構造初始樣本點的數(shù)量為50。運用本文提出的HA-KMFPSO算法隨機測試50次,求得的最優(yōu)解為2 341.2美元。部分控制變量的優(yōu)化結(jié)果如附錄B圖B1至附錄B圖B3所示。附錄B圖B1表示各個分布式電源的有功出力情況,可以發(fā)現(xiàn),分布式電源的出力情況基本和電價的變化情況相一致,當電價較高時,所有分布式發(fā)電單元都傾向于發(fā)電,如圖中12:00—14:00,20:00—22:00所示;反之,當電價較低時,發(fā)電成本較高的發(fā)電單元將會停止發(fā)電,如圖中01:00-07:00時所示。附錄B圖B2表示儲能單元的充放電情況,從圖中可以看出,為了降低運行成本,儲能單元選擇在低電價時刻(01:00—05:00)進行充電,高電價的時刻(13:00—14:00,20:00—22:00)進行放電控制。附錄B圖B3表示可中斷負荷IL1,IL2,IL3的中斷情況,圖中可以看出,考慮到中斷負荷的補償成本,可中斷負荷一般在電價較高時段被調(diào)用,如圖中的13:00和20:00—22:00時刻。

為了進一步驗證HA-KMFPSO算法的有效性,本文將HA-KMFPSO與僅采用罰函數(shù)約束處理方法的MFPSO[22],PSO-LDIW[18],ACO[30],GA[7]等智能算法進行了對比,不同算法的設置參數(shù)如附錄C表C1所示。為了驗證本所提求解算法的魯棒性,每種求解算法從同一初始可行解運行50次,每種算法的統(tǒng)計結(jié)果如表2所示,最優(yōu)解的收斂曲線如圖5所示。

表2 不同算法求解統(tǒng)計結(jié)果Table 2 Statistical simulation results for different algorithms

圖5 最優(yōu)值情況下不同算法收斂曲線Fig.5 Convergence curves of different algorithms for the best values

從上述仿真結(jié)果可以看出,運用本文提出的HA-KMFPSO方法能夠在保證求解精度的前提下,減少潮流仿真調(diào)用次數(shù),加快了求解速度。此外,加入了約束處理機制的HA-KMFPSO方法,與本文對比的方法相比,具有更快的收斂速度。綜上所述,HA-KMFPSO具有良好的求解精度和收斂速度,具有一定的工程實際意義。

4 結(jié)語

本文建立了ADN最優(yōu)經(jīng)濟運行模型,該模型綜合考慮了ADN中的可控資源:分布式發(fā)電單元、儲能設備、調(diào)壓器、可投切電容器組、可中斷負荷。針對建立的最優(yōu)數(shù)學模型,本文提出了考慮約束處理機制的Kriging元模型與粒子群算法的混合求解方法HA-MFPSO,有效提高了優(yōu)化算法的求解效率。最后本文通過算例結(jié)果分析,驗證了本文建立的模型和求解方法的有效性。但是,本文的優(yōu)化結(jié)果是基于預測值100%準確的前提下得到的,在實際運行過程中,由于預測存在誤差,必然會對優(yōu)化結(jié)果產(chǎn)生不利影響。由于ADN中存在大量的分布式電源、電動汽車等具有一定隨機性的資源,基于預測結(jié)果的優(yōu)化值實際上并不能保證是最優(yōu)的,甚至有可能是違反約束的解。因此,在未來的研究工作中,十分有必要將分布式發(fā)電、負荷側(cè)等資源的不確定性考慮進來,將確定性優(yōu)化擴展到隨機優(yōu)化。

附錄見本刊網(wǎng)絡版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 李惠玲,白曉民,譚聞,等.電動汽車與分布式發(fā)電入網(wǎng)的協(xié)調(diào)控制研究[J].電網(wǎng)技術,2013，37(8):2108-2115.

LI Huiling, BAI Xiaomin, TAN Wen, et al. Coordination control for grid-connection of plug-in hybrid electric vehicles and distributed generation[J]. Power System Technology, 2013， 37(8): 2108-2115.

[2] 邢海軍,程浩忠,張沈習,等.主動配電網(wǎng)規(guī)劃研究綜述[J].電網(wǎng)技術,2015,39(10):2705-2711.

XING Haijun, CHENG Haozhong, ZHANG Shenxi, et al. Review of active distribution network planning[J]. Power System Technology, 2015, 39(10): 2705-2711.

[3] 尤毅,劉東,于文鵬,等.主動配電網(wǎng)技術及其進展[J].電力系統(tǒng)自動化,2012,36(18):10-16.

YOU Yi, LIU Dong, YU Wenpeng, et al. Technology and its trends of active distribution network[J]. Automation of Electric Power Systems, 2012, 36(18): 10-16.

[4] 趙波,王財勝,周金輝,等.主動配電網(wǎng)現(xiàn)狀與未來發(fā)展[J].電力系統(tǒng)自動化,2014,38(18):125-135.DOI:10.7500/AEPS20131218007.

ZHAO Bo, WANG Caisheng, ZHOU Jinhui, et al. Present and future development trend of active distribution network[J]. Automation of Electric Power Systems, 2014, 38(18): 125-135. DOI: 10.7500/AEPS20131218007.

[5] 張建華,曾博,張玉瑩,等.主動配電網(wǎng)規(guī)劃關鍵問題與研究展望[J].電工技術學報,2014,29(2):13-23.

ZHANG Jianhua, ZENG Bo, ZHANG Yuying, et al. Key issues and research prospects of active distribution network planning[J]. Transactions of China Electrotechnical Society, 2014, 29(2): 13-23.

[6] ARGHANDEHA R, WOYAK J, ONEN A. Economic optimal operation of community energy storage systems in competitive energy markets[J]. Applied Energy, 2014, 135: 71-80.

[7] NIKNAM T, RANJBAR A M, SHIRANI A R. Volt/var control in distribution networks with distributed generation[J]. Scientia Iranica, 2005, 36(20): 547-552.

[8] HU Z, LI F. Cost-benefit analyses of active distribution network management: Part Ⅰ annual benefit analysis[J]. IEEE Transactions on Smart Grid, 2012, 3(3): 1067-1074.

[9] MARVASTI A K, FU Y, DORMOHAMMAD S. Optimal operation of active distribution grids: a system of systems framework[J]. IEEE Transactions on Smart Grid, 2014, 5(3): 1228-1237.

[10] GILL S, KOCKAR I, AULT G W. Dynamic optimal power flow for active distribution networks[J]. IEEE Transactions on Power Systems, 2014, 29(1): 121-131.

[11] HU Z, WANG X, CHEN H. Volt/VAr control in distribution systems using a time-interval based approach[J]. IET Proceedings-Generation Transmission and Distribution, 2003, 150(5): 548-554.

[12] 尤毅,劉東,鐘清,等.主動配電網(wǎng)優(yōu)化調(diào)度策略研究[J].電力系統(tǒng)自動化,2014,38(9):177-183.DOI:10.7500/AEPS20130804001.

YOU Yi, LIU Dong, ZHONG Qing, et al. Research on optimal schedule strategy for active distribution network[J]. Automation of Electric Power System, 2014, 38(9): 177-183. DOI: 10.7500/AEPS20130804001.

[13] BARR J, MAJUMDER R. Integration of distributed generation in the Volt/VAR management system for active distribution networks[J]. IEEE Transactions on Smart Grid, 2015, 6(2): 576-586.

[14] NIKNAM T. A new HBMO algorithm for multiobjective daily Volt/Var control in distribution systems considering distributed generators[J]. Applied Energy, 2011, 88(3): 778-788.

[15] FEINBERG E, HU J, YUAN E. A stochastic search algorithm for voltage and reactive power control with switching costs and ZIP load model[J]. Electric Power Systems Research, 2016, 133: 328-337.

[16] LUO Y, YUAN X, LIU Y. An improved PSO algorithm for solving non-convex NLP/MINLP problems with equality constraints[J]. Computers & Chemical Engineering, 2007, 31(3): 153-162.

[17] KAUR S, KUMBHAR G, SHARMA J. A MINLP technique for optimal placement of multiple DG units in distribution systems[J]. International Journal of Electrical Power & Energy Systems, 2014, 63(12): 609-617.

[18] ARASOMWAN M, ADEWUMI A. On the performance of linear decreasing inertia weight particle swarm optimization for global optimization[J/OL]. The Scientific World Journal[2017-04-20]. http://dx.doi.org/10.1155/20131860289.

[19] YOSHIDA H, KAWATA K, FUKUYAMA Y. A particle swarm optimization for reactive power and voltage control considering voltage security assessment [J]. IEEE Transactions on Power Systems, 2000, 15(4): 1232-1239.

[20] NICKABADI A, EBADZADEH M M, SAFABAKHSH R. A novel particle swarm optimization algorithm with adaptive inertia weight[J]. Applied Soft Computing, 2011, 11(4): 3658-3670.

[21] JUANG Y T, TUNG S L, CHIU H C. Adaptive fuzzy particle swarm optimization for global optimization of multimodal functions [J]. Information Sciences, 2011, 181(20): 4539-4549.

[22] NIKNAM T. A new fuzzy adaptive hybrid particle swarm optimization algorithm for non-linear, non-smooth and non-convex economic dispatch problem[J]. Applied Energy, 2010, 87(1): 327-339.

[23] MANBACHI M, FARHANGI H, PALIZBAN A, et al. Smart grid adaptive energy conservation and optimization engine utilizing particle swarm optimization and fuzzification[J]. Applied Energy, 2016, 174: 69-79.

[24] MEZURA M E, COELLO C A C. Constraint-handling in nature-inspired numerical optimization: past, present and future[J]. Swarm & Evolutionary Computation, 2011, 1(4): 173-194.

[25] QUEIPO N V, HAFTKA R T, WEI S, et al. Surrogate-based analysis and optimization[J]. Progress in Aerospace Sciences, 2005, 41(1): 1-28.

[26] WANG G G, SHAN S. Review of metamodeling techniques in support of engineering design optimization[J]. Journal of Mechanical Design, 2006, 129(4): 370-380.

[27] 韓忠華.Kriging模型及代理優(yōu)化算法研究進展[J].航空學報,2016,37(11):3197-3225.

HAN Zhonghua. Kriging surrogate model and its application to design optimization: a review of recent progress[J]. Acta Aeronautica et Astronautica Sinica, 2016, 37(11): 3197-3225.

[28] CHASSIN D P, SCHNEIDER K, GERKENSMEYER C. Grid LAB-D: an open-source power systems modeling and simulation environment[C]// IEEE Transmission and Distribution Conference and Exposition, April 21-24, 2008, Chicago, USA: 1-5.

[29] IEEE Distribution System Analysis Subcommittee. IEEE radial test feeders[EB/OL]. [2004-11-05]. http://www. Ewh.ieee.org/soc/pes/dsacom/testfeeders.html.

[30] NIKNAM T. A new approach based on ant colony optimization for daily Volt/Var control in distribution networks considering distributed generator[J]. Energy Conversion&Management, 2008, 49(12): 3417-3424.