不同类型分布式电源对电网性能影响及优化配置研究

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报2（2015）149不同类型分布式电源对电网性能上午Abd-raboua， A.M. Solimanb， S.A. 穆赫塔尔河a马来西亚科技大学电气工程学院b埃及电力电子部电子研究所接收日期：2014年12月15日;接收日期：2015年3月15日;接受日期：2015年4月24日2015年9月10日在线发布摘要分布式电源在电力系统中发挥着重要的作用，以改善电网的性能。为了提高电网的性能，避免电网的劣化，需要对分布式电源的位置进行优化。DG的类型直接影响DG的渗透水平和布局。在这项研究中，遗传算法（GA）技术提出了三种不同类型的分布式发电，这些类型是同步发电机，风力涡轮机和光伏发电的最佳位置所得到的结果也验证了粒子群优化算法（PSO）。三种不同类型的DG将分别穿透，以找到它们的最佳位置，并研究它们对电网性能的影响。该方法将应用于IEEE 13节点系统，并使用电力系统计算机辅助设计（PSCAD）和Matlab软件进行仿真。采用遗传算法和粒子群算法求解多目标函数的最优解，目标函数综合了电压暂降母线总数、电压降母线总数、电压降小于10%母线总数、电压暂升母线总数和网损。最后，分析，讨论和验证结果表明，每个DG的最佳位置将根据DG的类型而有所不同，但它们都将围绕负荷中心。同时，结果表明，电网的整体性能最高的是同步发电机DG和最低的光伏DG。© 2015 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：IEEE 13节点;电压暂降抑制;电网性能;分布式电源优化配置;遗传算法1. 介绍几十年来，世界各地的公用事业公司一直致力于所谓的电力质量投资。电压暂降被认为是电能质量问题中最严重的危害之一，并可能导致敏感设备的严重损坏（Jahromi等人，2007年; Dhas和Prakash，2011年）。 它被定义为RMS（均方根）的短期减少*通讯作者。联系电话：+20 1003438162;传真：+20 233310551。电子邮件地址：aabdrabou@uaeu.ac.ae（上午）Abd-rabou），aymansoliman3000@yahoo.com（A.M. Soliman），safawi@fke.utm.my（A.S.Mokhtar）。电子研究所（ERI）负责同行评审http://dx.doi.org/10.1016/j.jesit.2015.04.0012314-7172/© 2015电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。150上午Abd-rabou等人/电气系统与信息技术学报2（2015）149平方）的电压幅值，并可能产生由于短路，风污染的电气绝缘体和启动的大型电机。下垂现象的范围从2个周期到10个周期，其幅度范围从0.1到0.9（Jahromi等人，2007年;Dhas和Prakash，2011年）。提出了许多解决方案来缓解电压骤降，例如DVR（动态电压恢复器）系列和并联配置，以注入有功和无功功率来补偿电压（Dhas和Prakash，2011年;Martinez-Velasco，2007年;Song-cen等人，2008年），其中作者仅关注控制程序，并使用具有有限能量存储的电池组 其他解决方案是在电网中放置DG（分布式发电），因为它们有很多好处，例如提高保护可靠性和电压分布（Collins和Jiang，2008），减少损耗（Dhas和Prakash，2011;Martinez-Velasco，2007;Gozel等人，2005;Kamalinia等人，2007年;Sedighzadeh和Rezzadeh，2007年），但不能缓解电压骤降。另一位作者使用遗传算法优化技术来减轻电压暂降（Jahromi等人，2007），但是具有使用单相DG和三相DG的组合的缺点，这对于提出具有大约500 kW的单相DG是不现实的。此外，研究人员在（Jahromi等人，2007）仅使用一般类型的DG，而不是应用三相短路来模拟电压暂降，而单相短路经常发生，几乎80%（Bolen，2000）。不同类型的分布式发电由于它们的许多益处而如今被广泛使用，但是它们中的每一个在电网中具有其自身的特性和响应（Jahromi等人，2007;Gozel等人，2005年;Sedighzadeh和Rezzadeh，2007年）。因此，将每种类型放置在正确的位置以避免电网的不良性能非常重要。例如，如果在电网中插入DG时经历电压暂降的母线数量比没有DG的情况下增加，或者没有最佳DG位置，则越来越多的连接到这些母线的设备和装置将受到严重损坏，并且许多控制系统可能会崩溃，而不是由敏感设备控制的许多操作可能停止或阻塞。本文采用三个独立的分布式电源资源来改善中压配电不平衡辐射状系统这些资源是光伏、风力涡轮机和柴油发电机。采用IEEE 13节点方法来表示不平衡径向网络。分别采用遗传算法和粒子群算法对每种资源进行了优化，并对优化结果进行了验证。在同一时间，潮流进行了研究，其中在网络中的功率损耗进行了计算和讨论，为每种类型的DG。最佳位置将通过构建目标函数来实现;该函数将结合四个因素。第一个因素是在整个过程中经历电压暂降的1 ph母线的总数，暂降将通过在每个DG位置的所有母线上执行短路（1 ph和3 ph）0.3-0.5 s的特定时间段来产生第二个因素是在整个过程中经历电压降0.9的1 ph总线的总数。第三个因素是经历零电压的1 ph总线的总数第四个是经历电压膨胀1.1的1 ph总线的总数为了最小化搜索空间，考虑了一些假设，例如：插入的DG是两个相同的类型和大小，每个三相500千瓦。一个重要的假设是，负载被认为是固定的时间，以避免增加或减少DG大小的必要性本文的组织如下;第2节介绍了研究方法，用于制定使用GA的优化程序的流程图。在第3节中讨论了三种类型的分布式发电的结果和讨论，包括它们对电压缓解和电网性能的影响，其中还使用PSO优化技术验证了结果。最后，在第4节中给出了结论和未来的工作。2. 研究方法2.1. 测试系统由于配电网大多数是辐射状系统，并且包括不同类型的平衡和不平衡负荷以及不同类型的具有不同配置的短输电线路，因此提出一个包含所有这些功能的网络示例。这些网络之一是IEEE 13总线系统，其是包含平衡负载、不平衡负载、单相负载、三相负载、不同配置的短线路和两种类型的变压器的径向网络（Farag等人，2012; Martine等人， 2011年）。首先利用PSCAD软件对IEEE 13节点进行建模，将IEEE 13节点系统中的所有输电线路都估计为短输电线路。IEEE 13总线系统单线图如图所示。1.一、上午Abd-rabou等人/电气系统与信息技术学报2（2015）149151Fig. 1. IEEE 13总线系统单线图。2.2. 问题公式化和优化技术本研究的主要目标是为每种DG类型单独找到最佳的位置，以提高电能质量。为了实现这一目的，IEEE13节点电网仿真使用PSCAD两种情况下母线电压必须在限值范围内，潮流计算采用牛顿-拉夫逊法。作为制定遗传算法（GA）优化技术的开始步骤，我们开始在PSCAD中建模IEEE 13总线在正常运行条件下没有DG连接到电网，并应用两种类型的故障，单相和三相故障。这种情况被视为所有DG位置的参考（阈值）。在正常和故障条件下记录所有母线电压，持续时间为0.1 s。记录并计数经历电压暂降、电压下降、电压低于0.1和电压上升的母线，以确定这种情况下的目标函数值作为参考。根据IEEE标准（Jahromi等人，2007年;Bolen，2000年）。同时，GA通过在DG连接到总线时设置总线1而在没有DG连接到总线时设置总线0来开始对IEEE 13总线系统进行编码。之后，GA为两个相似且相同的DG类型选择两个随机位置，如下所示：1. 利用PSCAD建立的IEEE13节点的同一模型，通过遗传算法随机选择节点位置，将两个相似的DG模型插入PSCAD中。该模型在没有任何故障应用的情况下运行，然后记录总线电压，以考虑并添加到故障条件期间的总线总数152上午Abd-rabou等人/电气系统与信息技术学报2（2015）149表1IEEE 13总线编码。总线632633634671692675680DG随机位置10101000DG随机位置20100010为了准确的结果，每个单相总线被认为是一个总线，因为单相故障和三相故障的应用。例如，三相总线671被认为是3个总线。2. 四个变量用于组合目标函数，这些变量是经历电压暂降的母线的总数、经历电压降的母线的总数、经历零电压（电压小于0.1p.u.）的母线的总数，并且最终总线的总数经历电压膨胀。该目标函数适用于没有DG作为参考的情况为了构建不同指标的目标函数，需要加权因子来组合本研究中提出的所有相应指标，并在等式中示出（一）.Fobj=a×Nsag+b×Ndrop+c×Nzero+d×Nswell（1）其中，Nsag是经历电压暂降的单相母线的总数;Ndrop是经历电压暂降的1 ph母线的总数;Ndrop是经历零电压的母线的总数，最后，Nswell是经历电压暂升的母线的总数。加权因子为a= 0.7，b= 0.1，c= 0.1和d=0.1。这些因素是根据应用和电能质量现象设置的，并且可以相应地改变。这些值是从启发式搜索中获得的。尝试不同的值，直到达到合适的值。3. 计算随机选择的DG位置的四个变量，并根据这些变量计算目标函数，然后将该值与参考值（未插入DG情况下的目标函数）进行比较。如果目标函数值优于没有DG的情况（低于没有DG的情况），则该位置被认为是潜在的解决方案。4. 提出了一个假设，所有的DG类型是恒定的大小。此外，DG类型是三相，因为它们的大小是总负载的25%，例如在4.16kV电压下的0.5MW。在整个仿真过程中，负载被认为是恒定的任何违反约束和边界的解决方案都将被忽略。5. 在建议的优化技术中，解决方案的数量取决于总代数，其中代数取决于所选位置的总数此外，每条总线被认为是DG可以连接到该总线的位置。对于每一个解决方案，两个相同的DG模型连接到两个总线同时根据遗传算法的选择。6. 在IEEE 13节点系统中，三相母线的数量是7个母线，那么如果选择两种不同的DG尺寸，则两种不同DG尺寸穿透的解决方案的总数是2187，因为每个DG尺寸具有状态，并且当没有DG时，DG的三种状态是0，其中没有DG，第一DG为1，第二DG为2。由于可能的解决方案是2187，因此可以清楚地得出结论，可能的解决方案的数量非常大，这导致找到最佳解决方案的时间非常长。为了减少可能的解决方案的数量和解决方案的时间，建议的限制。选择两个相同的DG大小和类型仅导致两种状态，0时没有DG，1时插入DG在这个假设中，解决方案的数量将是128。7. 如表1所示的三相母线为632、671、692、675、680、633和634。为了进一步减少搜索空间中可能解的数量，总线634被忽略，因为它是低压总线而不是中压总线。那么，可能的解的个数就变成了64。如表1所示，实际随机选择的位置在位置671和633处，并且其他位置在675和633处。8. 在不应用任何故障的情况下进行仿真，并且记录所有总线电压测量值以在故障条件期间被计算并添加到其他总线电压测量值。这是为了在计算适应度值期间结合稳态操作和故障条件。上午Abd-rabou等人/电气系统与信息技术学报2（2015）149153表2目标函数和四个变量。目标函数N垂度N个液滴N零N溶胀FobjF等级适合度noDG310403177231.80.8291199. 必须考虑单相短路，因为据估计，所有故障类型（Bolen，2000年）中约有80%发生单相短路，而三相短路也是最严重的短路。这两种故障类型都适用于所有可能的总线，如PSCAD中先前没有DG的情况所述。10. 排名值由等式（1）计算。（2）从目标函数的形式创建。该值用于对用于选择和繁殖新后代的解决方案进行排名（Jahromi等人，2007年;Sedighzadeh和Rezzadeh，2007年;Alibabadi等人， 2008年）。Franking=1−（F obj/F obj-av）（2）由方程式（2）Fobj-av是所有解的所有目标函数之和适应度函数为每个解设置适应度数，并且根据该适应度数，当该适应度数增加时，选择每个解进行再生的概率在这项研究中，计算的适应度值的情况下，没有DG被用作阈值，并比较所有的解决方案的适应度如果该解的适应度值高于阈值，则该解被认为是潜在解拟合的解决方案进行选择，并通过三个遗传算法算子，交叉，变异和选择。每两个解以80%的百分比暴露于交叉算子，然后也应用变异算子以在下一代中繁殖后代（Jahromi等人，2007年;Kwang和El-Sharqawi，2008年）。 后代表现为一个新的解决方案，新的解决方案，然后添加到IEEE 13总线，这个解决方案是通过插入两个相同的发电机作为两个DG。利用PSCAD对新解进行仿真，并重复短路步骤，然后利用目标函数和适应度函数对新解的拟合程度进行评价。重复这些步骤，直到达到最佳解决方案。图1所示的流程图。 2表示遗传算法提出的优化技术。在找到同步发电机作为第一种DG的最佳位置解决方案之后，第二种DG类型在本研究中被渗透为风力涡轮机，第三种DG类型也被渗透为光伏分布式发电。同样的遗传算法程序适用于其他类型，找到这些DG类型的最佳位置的解决方案。研究风力涡轮机或PV是否具有类似于同步发电机的最佳位置以及它是否提供比同步发电机更好在这项研究中使用的优化技术，以找到最佳的位置为三种DG类型，并产生一个输出结果需要进行验证，以确保从这些结果是正确的或不。验证或确认结果的方法之一是使用另一种优化技术，例如PSO（粒子群优化）技术。PSO是进化计算技术之一（Alinejad等人，2008; El-Zonokly，2011）。 Matlab文件被设计用于实现PSO技术，以找到等式1中目标函数的最佳DG位置。定义了粒子群优化算法的迭代次数和群的数目。3. 结果和讨论IEEE 13总线系统的模拟PSCAD文件如图3所示。在该图中，IEEE 13母线由主发电机5 MVA 115 kV、主Transformer（T1）5 MVA 115/4.16 kV、第二Transformer 0.5 MVA 4.16/0.4 kV、不同长度的不同输电线路配置和不同类型的负载构成。此外，两个相同的同步发电机模型0.5 MW、两个相同的风力涡轮机模型0.5MW以及最后两个相同的光伏发电机模型0.5 MW被建模并插入为DG。这些发电机被认为是分布式发电，每两个相同的分布式发电被选择为总负荷的25%（Jahromi等人， 2007年）。分布式发电被认为是恒定的，在整个模拟期间。如表2所示，在没有DG的正常运行条件下，计算所有SC（短路）情况下的所有变量。从这些变量中，目标函数由方程确定。（1），并从等式（2）计算排序值。（2）作为参考。154上午Abd-rabou等人/电气系统与信息技术学报2（2015）149图二.提出了优化技术流程图。3.1. 同步分布式电源3.1.1. 利用遗传算法表3提供了所有解决方案的有用信息，特别是具有经历电压暂降77的总线总数的后代解决方案671相反，671这些后代解决方案可以复制，因为它们的排名比参考更好。仔细查看表3，表3显示DG穿透是非常必要的，因为与参考情况相比，性能有了明显的改善，但必须注意，因为某些位置可能导致性能下降，如位置632- 645 b所示这些结果证明解决方案633然后同步发电机通过改善性能和缓解电压暂降来对电网提供更好的影响。上午Abd-rabou等人/电气系统与信息技术学报2（2015）149155图三.建议PSCAD模型IEEE 13节点系统。表3总体变量、目标函数和解的适应度值。DG位置N垂度N个液滴N零N溶胀FobjF等级适合度noDG310403177231.80.829119健身DG633 67152201215855.40.95916健身DG633 67569384329285.60.936896健身DG633 68073213427884.40.937781健身DG633 69251201215954.80.959602健身DG632 67131347810225.60.83369健身DG632 692305471412220.80.837228健身DG632 645b3608350256.30.811058适合性DG671 6757730512870.20.948249适合性DG671 6807732514071.60.9472173.1.2. 用粒子群算法对所得结果进行目标函数用于优化并插入到PSO Matlab文件中，同时考虑到边界，这是没有DG阈值作为初始值的情况。选择的代数为20。图4显示，有收敛到值54.8，但平均值仍然是60.78。如果代数增加，粒子群算法变得更加收敛到最佳值54.8。156上午Abd-rabou等人/电气系统与信息技术学报2（2015）149见图4。PSO目标函数时20代。表4无DG时重载母线的电压和损耗收发总线发送总线电压（p.u）接收母线电压（p.u）有功损耗（MW）无功损耗（Mvar）650–6321.001.0410.020.38632–6711.0411.020.030.11633–6341.0391.020.010.01671–6841.021.0190.010.00表5含分布式电源的重载母线的电压和损耗收发总线发送总线电压（p.u）接收母线电压（p.u）有功损耗（MW）无功损耗（Mvar）650–6321.001.050.010.21632–6711.051.0340.030.08633–6341.0491.030.010.00671–6841.0341.0340.000.003.1.3. 对电网功率损耗为了验证DG对网络电网功率损耗的影响，建议IEEE 13节点网络电网在正常运行条件下使用Digsilent软件建模。模拟两种情况，即没有DG连接到电网的情况和两个DG连接到解决方案633-692的情况。表4中示出了没有DG的情况下的结果，而表5示出了当两个相同的同步发电机作为两个相同的DG连接到电网时的结果。这两个表都显示了重载母线的功率损耗和母线电压比较表4和表5中获得的结果，结果显示在DG使用的情况下损耗的改善和减少上午Abd-rabou等人/电气系统与信息技术学报2（2015）149157表6总体变量、目标函数和解的适应度值。DG位置N垂度N个液滴N零N溶胀FobjF等级无DG310403177231.80.888117DG633-671302832131228.50.889709公司简介30833591228.50.889709公司简介302634161231.50.888261DG633-692305162983226.30.890771DG632-671300602963225.20.891302DG632-692309332922290.889468公司简介309332922290.889468公司简介331211812420.883193图五.风力涡轮机的PSO算法得分。3.2. 风力发电机组分布式电源3.2.1. 利用遗传算法表6中所示的结果提供了9个DG位置。o671降低了网络性能，因为它具有N个sag331，而参考是310。在该解决方案中仅插入一个DG，以确保两个穿透的DG优于仅一个。其他DG位置改善了网络性能，因为它们的总线体验下垂的总数低于参考。对于位置632可以得出结论，该位置不同于同步发电机的位置可以观察到，最佳位置为632若将此位置与同步发电机作为DG接入时的最佳位置进行比较，则发现同步发电机的最佳位置为633分布式电源的类型对电压暂降的抑制效果有很大的影响，抑制电压暂降的最佳位置取决于分布式电源的类型。3.2.2. 用粒子群算法对所得结果进行如同步发电机DG中所述，采用粒子群优化技术对风力发电机进行优化。选择的代数为100。观察图5，发现最佳得分或目标值为225.2，当群体走向收敛时，平均得分值达到225.2158上午Abd-rabou等人/电气系统与信息技术学报2（2015）149表7总体变量、目标函数和解的适应度值。DG位置N垂度N个液滴N零N溶胀FobjF等级DG633 noDG310403177231.80.904981DG633 675339183122251.60.896864DG633 68033612281244.70.899693DG633 69233112284241.50.901004DG633 671336122842450.89957DG632 67133612279244.50.899775DG632 69233612279244.50.899775DG632 67533612279244.50.899775DG632-63333023280241.50.901004公司简介34132377249.90.897561比较建议的遗传算法技术在这项研究中的群体收敛，群体收敛到225.2，而最小目标函数是225。因此，可以得出结论，这两种技术大致提供相同的结果，但PSO需要更多的代更好的收敛。3.3. 光伏分布式电源3.3.1. 利用遗传算法仔细查看表7，发现参考案例的目标函数为231.8，排名为0.90498，优于所有解决方案。这意味着，当PV作为DG插入电网时，它会降低网络性能并增加经历电压暂降的节点总数，参考Nsag为310。但无论如何，它可以找到最好的位置，提高性能比其他解决方案，以获得最小的目标函数值和最小的总数量的总线经历电压骤降。很明显，位置633-692和632-633都是具有最小目标函数值的位置，但是位置632-633具有比位置633-692更少的经历电压暂降的总线总数。最好的位置是632见图6。光伏发电的PSO算法得分上午Abd-rabou等人/电气系统与信息技术学报2（2015）1491593.3.2. 用粒子群算法对所得结果进行使用粒子群优化来优化PV的实施类似于应用于同步发电机和风力涡轮机的程序。定义了生成次数和迭代次数 图 6表示目标函数的最佳得分。将上述提出的遗传算法技术与群体收敛进行比较，可以得出结论，这两种技术大致提供相同的结果。3.4. 三种分布式电源对电网影响的比较与PV作为DG相比，将同步发电机作为DG和风力涡轮机作为DG非常重要值得注意的是，同步发电机作为DG提供了更好的影响，电网性能比风力涡轮机和光伏在完全不同的位置。同时，光伏发电作为分布式发电的最佳目标函数值为241.5，其并网性能比同步分布式发电和风力发电差4. 结论和今后的工作为了提高电网性能，避免电网功能退化，需要采用遗传算法和粒子群算法等优化技术对分布式电源的位置进行有效的优化。在这项研究中，遗传算法被用来优化三种类型的DG的位置利用PSCAD软件对同步发电机、风力发电机和光伏发电机这三种分布式电源模型进行了仿真这些类型的每个模型都被单独插入，以精确地研究其在网格上的行为，因为发现每个模型对网格产生不同的影响。结果表明，同步发电机在缓解下垂和提高电网性能方面优于风力发电机和光伏发电机，而风力发电机又优于光伏发电机。所讨论的PV降低了电压骤降缓解，但找到使性能优于其他的最佳位置是有帮助的，因为世界各地的所有国家都在寻求更多地利用清洁和可持续的能源，特别是光伏电源产生的电力。与此同时，粒子群算法也显示出近似的结果，验证了遗传算法的正确建议将来将两种或三种不同的DG类型组合在一起，监测它们在电网上的响应，并优化它们的位置，以识别最佳位置和它们集成在同一电网中时对电网的影响引用Alibabadi，M.，Behbahani，B.，Jalilvand，A.，2008. 将遗传算法和最优潮流相结合，用于分布式发电机组的有功和无功功率优化分配。In：InternationalConferenceonPowerandEnergy（PECon），1-3 Dec 2008，Johor Bahru，Malaysia，pp. 1541-1544. Alinejad，Y.，Sedighizadeh，M.，Sedighi，M.，2008. 为改善配电网中分布式电源的电压分布，降低THD和损耗，对分布式电源的配置和规模进行了P项摆臂优化。在：第43届国际大学电力工程会议UPEC 2008，2008年9月1日至4日，Pado v a，意大利，第100页。1比5。Bolen，M.，两千 了解电源质量问题、电压骤降和中断。 IEEE Press Series on Power Engineering 2000，第2版。北京：清华大学出版社.Collins，E.，姜杰，2008年 电压骤降和同步分布式发电机的响应：案例研究（2008）。 IEEE Trans. 电力熟食店v.23，442-448。Dhas，G.，普拉卡什，T.，2011年。 一种利用FACTS装置跨线动态电压恢复器缓解电压骤降的新方法。第二届国际电子计算机技术会议ICECT，2011年4月8日至10日，Kan yakumari，印度，pp. 37比41El-Zonokly，A.，2011年。基于粒子群优化的多分散发电机组在不同负荷模型下的优化配置。摆动臂Evol. Comput. 1，50-59。法拉格，H.E.Z.，Elsaadany，E.F.，Seethapathy河，2012年。智能配电网中基于双向通信的电压调节分布式控制。IEEETrans. 3，271-281。Gozel，T.，Hocaoglu，M.，埃明奥卢，美国，Balikkci，A.，2005年不同静态负荷模式下分散式发电机在径向馈线上之最佳配置与规模。In：2005 International Conference on Future Power System，18 -18 No v 2005，Amsterdam，Netherlands，pp. 2比6Jahromi，M.，Farajah，E.，Zolghardi，M.，2007. 基于遗传算法的分布式电源优化配置抑制电压跌落。第九届国际电力质量和利用会议，2007年10月9日至11日，巴塞罗那，西班牙，第100页。1-7号。Kamalinia，S.，Afsharnia，S.，Khodayar，M.，Rahimikian，A.，Sharbought，M.，2007. 多属性决策与遗传算法相结合的配电网分布式电源优化配置。In：42nd International Conference Universities Power Engineering Conference（UPEC），4 -6 September 2007，Brighton，UK，pp. 1031-1035160上午Abd-rabou等人/电气系统与信息技术学报2（2015）149KwangF L.，El-Sharqawi，M.，2008年 现代启发式优化技术。 IEEE Press Series on Power Engineering 2008，第2版。北京：清华大学出版社.Martine，C.R.，Renato，G.，Arturo，S.B.，Roberto，C.L.，2011年。故障配电网的系统不平衡和故障阻抗效应。第三届全球电力控制优化会议，计算机数学与应用，卷。60，Elsevier，August2010，pp. 1105-1114. Martinez-Velasco，J.，2007. 分布式发电对配电网电压骤降的影响。上一篇：第九届国际电气会议电力质量和利用EPQU，2007年10月9日至11日，巴塞罗那，西班牙，第100页。1比6Sedighzadeh，M.，Rezzadeh，A.，2007. 采用遗传算法进行分布式电源分配，以降低网损，改善电压分布。In：IEEE，UPEC 2007，SustainablePowerGenerationandSupply，6-7 April 2009，Nanjing，China，pp. 1比6Song-cen ， W. ， 昆 山 ， Y. ， Guang-fu ， T. ， 2008. 串 并 联 分 布 式 发 电 系 统 对 电 压 骤 降 的 缓 解 作 用 。 In ：PowerSystemTechnologyandIEEEPowerIndianconferenceJoinedwithInternationalConferencePOWERCON ， 12-15 October 2008 ， Ne wDelhi，India，pp. 1-8号。