提高配电系统可靠性和灾后临界负荷恢复的分布式电源优化配置

工程科学与技术，国际期刊20（2017）825完整文章提高配电系统可靠性和灾后临界负荷恢复的分布式电源优化配置Galiveeti HemakumarReddy，Pranju Chakrapani，Arup Kumar Goswami，Nalin B.德夫·乔杜里国家技术学院Silchar，Silchar，Assam 788010，印度阿提奇莱因福奥文章历史记录：2017年1月28日收到2017年3月23日修订2017年5月5日接受2017年5月25日在线发布保留字：分布式发电配电系统关键负荷自然灾害模糊多准则决策选址约束A B S T R A C T自然灾害频率的增加使得有必要建立具有复原力的配电系统。自然灾害导致电力系统基础设施的严重破坏，并且主电网可能无法为负载提供服务。分布式电源（DG）接入配电网，可以在自然灾害发生后恢复部分负荷，提高正常运行时的可靠性自然灾害发生后，系统运营商的目标是优先恢复关键负荷。这使得在放置DG时需要考虑临界负载拾取作为目标函数。因此，需要基于位置的约束来确保DG在自然灾害之后可用于拾取负载。模糊多准则决策（FMCDM）的方法是在这项工作中使用本文采用粒子群优化算法（PSO）来评估的最佳规模和位置的DG使用建议的目标函数。将所得结果与可靠度作为目标函数的结果进行了比较©2017 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍近几十年来，由于自然灾害引起的停电事件不断增加。美国飓风桑迪[1]和印度的Hudhud飓风[2]导致数百万用户数天没有电力供应。在灾害条件下，配电系统与主电网隔离。这使得配电系统的重组有足够的本地发电来承担重要的负荷。分布式电源的集成增加了配电系统的操作复杂性，系统性能随着位置的不合理而降低DG的适当位置和大小增强了其在分配系统中的益处。在文献中，通过考虑不同的目标，电压稳定裕度[3，4]，电压曲线[5]，功率损耗[6，7]，能量损耗[8]，能量成本[9]，效益/成本比[10]，电压极限负荷能力[11]和可靠性[12-14]来解决DG最优布局（ODGP）问题在文献[15]中，ODGP问题被解决以最小化孤岛运行期间的甩负荷在[16]中，对使用各种优化技术解决ODGP问题进行了全面的回顾。ODGP问题被解决为单目标和多目标混合两个或多个目标[17，18]。*通讯作者。电子邮件地址：13-3-03-104@student.nits.ac.in（G.H.Reddy）。由Karabuk大学负责进行同行审查。从文献中可以看出，研究人员只关注考虑正常操作条件的系统性能一个明显的研究差距，确定解决ODGP问题，考虑自然灾害。一次自然灾害会对配电系统造成多重破坏，可能导致主电网供电不可用，并可能持续数天。自然灾害发生后，配电系统运营商的目标是向重要负荷供电并启动灾害管理活动。DG集成旨在为重要负荷和其他灾害管理活动提供电力供应解决考虑自然灾害情景的ODGP问题，是最大限度地提高关键负荷（重要/紧急负荷）的拾取率，并确保DG现有文献中提到的问题没有考虑自然灾害情景。考虑运行约束的ODGP问题的解可能不能保证DG的可用性。因此，提出了一种新的目标函数，即考虑基于位置的约束的临界载荷拾取的最大化。所提出的目标函数要求对负荷点进行优先级排序。作者在[19]中通过确定每个负载点的权重（考虑负载点的当前额定值）来确定负载点的优先级。该方法没有考虑不同的负载类型（例如，医院、公用事业、杂货店、住宅等）存在于分配系统中。配电系统中的负荷点是不同负荷类型的组合，并根据负荷类型的不同，http://dx.doi.org/10.1016/j.jestch.2017.05.0012215-0986/©2017 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch1=ml mrJJJJJJJ小行星826Reddy等人/工程科学与技术，国际期刊20（2017）825在此基础上，负荷点排序问题就变成了多准则决策问题。从每种负荷类型的角度来看，负荷点的优先级是主观决定的，提出了模糊MCDM来确定负荷点的权重和排序[20]。DG的位置和可用性不仅取决于操作限制，还取决于其他因素。考虑了自然灾害后影响DG选址和可用性的因素，以保证DG的可用性。这些因素被用来排名馈线部分更好的DG的位置。本文采用粒子群优化算法（PSO）求解ODGP问题。作者在[21最后，本文作者1. 提出了一种新的考虑负荷点权重的ODGP目标函数-2. 提出了一种新的位置约束，以克服自然灾害后DG不可用的风险。3. 模糊多准则决策（FMCDM），以找到非支配权的负荷点，馈线部分和排序是使用这些权重。2. 问题公式化通过将DG放置在临界负载附近，实现了最大化临界负载拾取的目标。这就要求准确地识别临界负荷并进行有效的分布式电源配置。2.1. 负载点临界负荷：该系数提高了放置DG的位置的重要性，因为临界负荷拾取是目标。它是通过考虑拟议DG位置周围的负载来决定的各因素对馈线断面的排序都有一定的重要性收集对每个位置的意见，以找到考虑到每个因素的位置是多少有利于DG的放置该等意见属主观性质，并应用FMCDM方法对支线路段进行评级。2.3. 模糊多准则决策为对负荷点/馈线段进行排序而收集的意见排名对许多因素的依赖性增加了解决方案的复杂性。在这项工作中，提出了一种FMCDM方法[20]来解决这个复杂的排名问题。以负荷点排序为参考，说明了FMCDM的过程该问题分两步解决：首先，评估每个负载类型的权重，然后确定每个负载点的非支配权重。排序问题的逐步过程如下：收集所有负载类型的专家意见，负载类型优于其他负载类型，这些意见本质上是主观的每个主观意见都与正数相关联，这些数字用于构建模糊互反矩阵（B）[25]。bij是B中的元素，并且被定义为第i个负载类型相对于第j个负载类型的使用以下等式确定bij的值4如果第i个负载类型强于第j个负载类型2如果第i个负载类型弱优于第j个负载类型配电系统为不同类型的负荷提供服务，包括住宅、商业、杂货店、公用事业、政府办公室和医疗保健等。不同的负荷类型的重要性因不同的情况而异，不同的人有不同的b/如果第i个负载类型和第j个负载类型同样优选，则为1;如果第i个负载类型弱地不优于第j个负载类型，则为0：50： 25如果第i个负载类型强烈地不优于第j个负载类型ð1Þ关于负载类型相对于另一负载类型的重要性的意见类型。这些意见不是客观的，而是主观的.如果每个负载点只有一种类型的负载，则很容易根据其重要性对负载点进行排名。但是，这在分配系统中不是一个现实的方法。负荷点中的总负荷是不同负荷类型的混合。单个荷载类型是对荷载点进行排序的决定性参数。利用FMCDM方法解决了负荷点排序问题，在后面的章节中详细解释。用几何平均法求出B的每一行对应的模糊平均数。使用以下公式[25]评估每种负载类型的权重：e jb j1：b j2：.. . 中文（简体）w j e j=e1e2.. . ðþÞ e mÞð3Þ权重表示为三角模糊数（w~1/w;w; w/w），模糊数由下式确定：2.2. 馈线段的排序DG的选址取决于多种因素和费用-公司简介wl/wm-elwrwmerð4ÞJ J根据这些因素对各部门进行排名的因素和其意义解释如下：馈线段的可用性：该系数考虑馈线的故障历史，以确保DG在需要时可用。对天气条件的脆弱性：该系数处理馈线或位置对恶劣天气条件的敏感性，并确保馈线部分不受自然灾害的影响。空间可用性：空间是DG放置的主要标准。该空间包括用于太阳能光伏装置的屋顶和用于安装传统DG的地面以及控制设施和燃料储存。这个因素还包括空间的成本。公众意愿：这一因素处理了拟议DG位置附近的家庭对其安置的接受程度。在这里，el 和r 右手和右手的距离是三角形的隶属函数分别。负载点的决定比其他负载点更重要，并且应该基于该负载点上存在的各种负载类型主观额定值是从专家处收集的负载点，从每种负载类型的角度来看，负载点有多重要为每个主观评级分配三角模糊数，并作为示例在表1中示出这些数字的不一致性是由于从专家的角度考虑的模糊变量的模糊性造成的然而，公用事业公司可以自由地选择主观评级和相关的三角模糊数的范围基于从一组K个专家收集的每个负载点的主观评级来评估模糊决策矩阵D ~。~xij是●8>><>：●●●●K纪IJ！X（XXJKX我我>IJ>IJ元素es通过使用以下等式I¼我吉吉伊吉-伊吉阿吉吉IJIJij ijijX3.1. 建议的目标函数DGi我DGiG.H. Reddy等/ Engineering Science and Technology，an International Journal20（2017）825-832827表1是的。eij-eji当eijPejið12Þ主观评分和模糊数。主观评级模糊数不适用（NA）（0，0，0）非常少（VL）（0，0，1）减（L）（0、3、5）中等（M）（四、六、八）高（H）（6、8、10）非常高（VH）（8、10、10）从第j个负载类型的角度来看，将元素D定义为第i个负载点的平均主观评级。使用下面的等式[20]来评估~xij¼1X~xtt1/2ij0否则计算每个负载点的非支配度/权重，以在不进行比较的情况下对负载点进行排名。非支配度写为lN DLi= 1/2-es];对于js=1;2;。 . . l和j-i负载点的排名是基于lND_L_i_n值进行的，排名是按照lND值的降序给出的相同的程序用于获得最佳DG位置的馈线段的排名。3. 建议的最佳DG布局D~1/2~xij]l×m这里，从第t个专家的第j个负载类型的角度来看，~xt是第i个负载点上的主观评级l和m分别是负载点的数量和负载类型现在，通过线性尺度变换将矩阵D1归一化并且归一化矩阵R~计算如下：自然灾害发生后，系统运营商的目标是在正常天气条件下最大限度地提高临界负荷的拾取和提高临界负荷它是通过最大化由DG恢复的负载点的非支配权重的总和来实现的。建议的目标函数公式如下：~rij¼XLij;cωjxmij;cωj里伊季cωjð6ÞNM目标临界载荷最大值联系我们（i）ð14ÞR~¼½~rij]l×m这里，~xij<$^xl;xm;xr和cω<$^max<$xr汉明距离矩阵H~通过计算实际值（~ri j）和恒等解（~rω0j）之间的汉明距离来构造，如下所示：D~ ¼ð~rω-~rÞ这里，Wi是在第i个自然灾害场景之后恢复的第j个负载点的非支配权重N是所考虑的灾难情景M是DG在每个场景中拾取的负载总数然而，自然灾害是罕见的事件，DG安置也需要致力于在正常操作条件下提高系统性能和可靠性本文的研究还旨在提高关键负荷点的可靠性，ij0jij~~ð7Þ正常的操作条件。 可靠性目标，即预期本文使用未供应能量（EENS）来验证H½dij]l×m在这里，对于j <$1; 2;，~rω0j<$0;1;0为零。 . . m和~rij是矩阵中的元素R~。现在，模糊灰色关联系数（FGRC）的获得如下：Ms~0;i<$w~j：c~rω0j;~rij8第1页在这里，c~rω;~rminiminjd~ijfmaximaxjd~ij伊提出的目标函数的有效性，以提高关键负荷的可靠性。可靠性目标函数如下：目标可靠性最小值fEENS g1503.2. 约束3.2.1. 操作约束为了保证配电系统的安全运行0 jIJd~ij随着DG的集成，两个负载点之间的模糊偏好关系计算如下：在选择DG位置时考虑。热极限和电压极限约束由下式给出：Z~ij½s~0;i-s~0;j9我最大6Ið16Þ利用模糊偏好关系确定模糊偏好关系矩阵E。eij是矩阵E中的元素，并且如下获得：Vmin6Vj6Vmax17在自然灾害后，DG用于形成微-伊杰S1¼S; S>0ð10Þ网格来拾取健康系统部分中的负载。对于微电网的形成，DG容量限制和潮流约束E¼½eij]l×l并且约束如下：min max其中，S<$S1<$S2;S1<$Rx 0lZ~1x1d x，和S21/4Rx 0lZ~（？）PDGi 6PD Gi 6PD Gi1 8计算了模糊严格偏好关系矩阵EsQmin 6QDG最大6Qð19Þ对于载荷点的严格比较，可写成[英语]ð11ÞPi¼Vi Vjgij CoshijbijSin hij 20j2nIjl×lIJQVXVgSinbCos21j2n.JIJð5ÞÞX¼ðÞ小行星828Reddy等人/工程科学与技术，国际期刊20（2017）8253.2.2. 拟议的地点限制运行限制不能保证DG在自然灾害后能够恢复负荷运行限制将不考虑物理和社会的限制，以使需要一个新的约束放置DG。本文提出了一种新的约束条件，即位置约束，以保证自然灾害发生后DG的可用性。在这种情况下，获得每个馈线段的非支配权重，并且值越高表示更优选的馈线段，反之亦然。这些非支配权重是通过考虑影响DG位置选择的不同因素来确定的该约束是馈线段重量的总和即拟议的危险品地点。该约束作为惩罚因子被添加到目标函数，并由下式给出：NDGPF¼WFS;k22k¼1NDG是DG和WFS的数量;k是连接第k个DG的馈线段的权重。较大的值表示该位置对于DG放置更优选，并且在自然灾害之后可用于拾取负载。这一约束保证了自然灾害后DG的可用性。粒子群优化算法（PSO）是应用在这项研究中，以最大限度地提高临界负荷回升。PSO已成功应用于许多工程应用[21通过分别考虑两个目标函数来放置DG，以验证所提出的目标函数。以可靠性为目标，考虑了系统正常运行条件.用所提出的目标函数模拟了自然灾害情况。然而，正常运行条件和自然灾害情况下的运行限制都得到了验证。位置约束仅用于建议的目标函数。自然灾害发生后，恢复/拾取负载点的步骤如下：1. 在识别受损区域之后，将受损设备与健康系统部分隔离2. 健康系统是集群的，即每个集群包含连接在一起的负载点和其他设备。3. 如果主电网供电可用，并且集群连接到主电网，则将这些集群中的负载恢复到正常操作条件。4. 确定具有工作DG以拾取负载的群集。在集群中形成微网，按权值由高到低进行负荷拾取，在恢复过程中考虑系统运行约束和潮流约束。5. 微电网形成后留下的集群将等待修复损坏的设备。通过在系统中引入多个受损区域来模拟自然灾害场景，每个受损区域包含多个严重程度不同的受损设备。为了使系统的鲁棒性，不同的自然灾害的情况下进行模拟，以确定最佳的DG的位置。拟议目标函数的评估总结见图。1.一、3.3. 粒子群优化粒子群优化（PSO）算法属于基于种群的优化方法的范畴，由Kennedy和Eberhart[26]开发。PSO算法的工作原理是基于对动物群集习性的观察该技术的发展基于这样的事实，即在搜索空间中搜索达到全局现在的坐标Fig. 1. 评价提出的目标函数。粒子用于评估要优化的成本/目标函数。每个粒子的位置和速度在每次迭代后更新。设x和v分别是质点的位置和速度第i个粒子的先前最佳位置表示为pbesti，并且所有粒子中的最佳粒子表示为gbest。第i个粒子的位置、速度和先前的最佳位置表示为xi1;xi2;. . ;xi d;vi¼v i1;v i2;. . . ;v_id_n和pbest_i_n;pbest_i_l; pbest_i_2;. ; pbestid分别在d维中空间，gbest表示为gbest gbest1;gbest2;. ;gbestd.每次迭代后，使用当前速度和与前一个pbest id的距离修改每个粒子的速度和位置 到gbestd通过使用以下等式[27]：ðÞ-×ÞIDIDIDIDID IDIDG.H. Reddy等/ Engineering Science and Technology，an International Journal20（2017）825-832829vk1¼w×vk C1×randð23Þx k1¼x kvk1;i<$1; 2;. ;N p;d¼ 1; 2;. ; N g24这里，Np是群体大小，Ng是粒子中的成员，k是迭代指数，w是惯性权重因子，C1和C2是加速因子，rand是使用均匀分布生成的随机值。惯性权重因子在每次迭代后更新，并评估如下：由于缺乏数据来验证所提出的方法，因此假设所需的信息和数据，公用事业公司可以使用自己的数据进行系统规划。在本文中，五种不同的自然灾害的情况下，考虑了最佳的DG位置。这些情景在受损区域的数量、受损位置和主要电网供应的可用性方面有所不同。破坏区域的数量和它们的位置是任意取的，并用于分析。五个灾难场景-最大功率wmax-wminiter25itermaxios（SC 1、SC 2、SC 3、SC 4和SC 5）如图所示。 二、如前所述，受损区域是几个设备和基础设施损坏的组合，如Transformer损坏，这里，iter_max和iter是最大迭代次数，cur-租金迭代分别。4.结果和讨论为了验证所提出的目标函数和负荷点和馈线截面的排序方法，RBTS总线2被选为测试系统。[28]中提供了基本系统数据，并假设了验证拟定方法所需的其他必要数据。对10位专家进行了一项调查，以收集对负荷类型优先于其他负荷类型的意见。由于保护设备损坏、架空/地下线路损坏、电杆损坏等。变电站损坏（例如：SC 1）导致配电系统与主电网隔离，负载仅由本地发电提供，即DG 馈线段中的一些损坏导致该馈线段中存在的DG不可用利用调查信息和假设数据确定非支配权值，对负荷点和馈线断面进行排序首先，每个因素的权重估计使用Eqs。（1）得到的权重转化为三角模糊数使用Eq。（四）、得到的权重和三角形图二.不同的灾害情景（a）。设想1（SC 1）（b）。设想2（SC 2）（c）。设想3（SC 3）（d）。设想4（SC 4）（e）。情景5（SC 5）。830G.H. Reddy等人/工程科学与技术，国际期刊20（2017）825表2中给出了负荷点排序和馈线段排序的每个因素的模糊数。发现表2中给出的权重代表了专家的主观意见。利用各因素对负荷点/馈线段重要性的主观评价，计算负荷点/馈线段的权重并进行排序。FMCDM方法通过使用等式用于此目的。（5）的EQ。公式（13）给出了每个负载点/馈线段的非支配权重，这有助于在不比较其他负载点/馈线段的情况下进行排名。负荷点和馈线截面的权重和等级分别见表3和表4。具有高非支配权重值的负载点被认为是更重要/关键负载。表3所示的结果反映了专家对负荷点的主观意见。相比之下，负载点的重要性随着其非支配权值而降低。表4中给出的权重显示了馈线部分集成DG的优先级。权重越高，该馈线段的优先级就越高。这些权重和排名被用来解决ODGP问题，以最大限度地提高临界负荷回升考虑自然灾害的情况。表2影响排名和权重的因素。因素权重模糊数负载点排序医院0.2775（0.2498，0.2775，0.3053）的政府办公室0.1599（0.1439，0.1599，0.1759）公用事业0.1570（0.1413，0.1570，0.1727）杂货0.2001（0.1801，0.2001，0.2201）国内0.1394（0.1255，0.1394，0.1533）商业0.0661（0.0595，0.0661，0.0727）馈线段排序馈线可用性0.2235（0.2011，0.2235，0.2458）对天气条件的脆弱性0.185（0.1665，0.1850，0.2035）空间可用性0.3244（0.2920，0.3244，0.3568）公众意愿0.1229（0.1106，0.1229，0.1352）临界载荷0.1442（0.1298，0.1442，0.1586）粒子群优化技术被用来寻找分布式电源在配电系统中的最佳位置和大小。通过模拟五种不同的自然灾害场景，同时放置两个DG。两个目标函数分别用于放置DG即临界负载拾取和可靠性。DG的目标不仅是临界负荷回升，而且还提高了正常运行条件下临界负荷的可靠性在这个意义上，可靠性作为一个目标函数来验证所提出的目标函数。PSO参数（惯性权重限制Wmax;Wmin和加速因子C1;C2）和不同参数集的目标函数值如表5所示。在保持种群规模和迭代次数不变的情况下，对不同的PSO参数进行多次试验，结果表明，五组参数给出的最优值相同，但算法在不同的迭代次数下收敛从表5中可以看出，集合3中的参数给出了快速收敛。图3显示了不同参数组的收敛曲线。表6给出了两个目标函数的DG的最佳位置和大小。所提出的目标函数是为第二个DG提供更小的尺寸。计算了两种目标函数下的基本系统可靠性指标（系统平均中断频率指数（SAIFI）（中断/年）、系统平均中断持续时间指数（SAIDI）（小时/年）和期望不供电电量（EENS）（MWhr/年）），并与无DG情况下的结果进行了比较。系统可靠性指标见表7。从表7可以看出，DG集成提高了系统可靠性。但是，所提出的目标函数记录有较少的改善，比作为目标的可靠性的可靠性。测量负荷点指数，未供应能量（ENS）（MWhr/年），并在表8中给出了排名前五的负荷点。表8的观察结果如下：1. 以可靠度为目标函数时，负荷点LP4、LP1和LP5的可靠度没有提高，而以可靠度为目标函数时，负荷点LP4、LP1和LP5的可靠度都有提高2. LP14在两个方面都有同样的改进，表4馈线段/位置和等级的权重供给器区段重量秩供给器区段重量秩FS10.68537FS80.70186FS20.599811FS90.64159FS30.65638FS100.88652FS411FS110.579212FS50.542813公司简介0.68537FS60.74655公司简介0.77854FS70.604610FS140.81213目标函数表3加载点权重和排名。LP重量秩LP重量秩LP10.99662LP120.547115LP20.90046LP130.573514LP30.620712LP140.94744LP411LP150.381620LP50.92615LP160.493819LP60.83257LP170.542416LP70.70849LP180.594913LP80.629911LP190.542416LP90.359521LP200.96993LP100.502718LP210.80628LP110.532617LP220.680610G.H. Reddy等/ Engineering Science and Technology，an International Journal20（2017）825-832831表5建议的目标函数的PSO参数。设置W最大W最小值C1C2客观价值收敛迭代集10.80.41.52.539.840613集合20.80.51.52.539.840618组30.70.51.52.539.84067组40.90.51.52.539.840630组50.90.42239.840614群体大小= 30迭代次数=50图三. 粒子群优化算法对目标函数的收敛特性。表6最佳DG位置和大小。目的位置容量（MW）临界载荷(FS2、FS 12）(4.5（见第3.2段）可靠性(FS10、FS 14）(4.5（见第4.5段）表7DG的系统可靠性秩带DG的负荷点不带DG临界载荷可靠性1LP40.94390.96490.96492LP10.46970.48950.48953LP201.34570.81121.34574LP140.73250.73251.26665LP51.25851.27941.27943. 采用建议的目标函数，LP 20的可靠性没有变化。另一方面，以可靠性作为目标函数来提高可靠性。从表7和表8中可以看出，所提出的目标函数在系统可靠性方面的改善较少，同时，它显示出关键负载点的可靠性改善较好。具有最佳DG位置的测试配电系统如图所示。 四、 图 4还描述了自然灾害情景3（SC 3），其中包含四个受损区域，并假设主电网可用。DG为所有考虑的自然灾害场景选取的负载点见表9，两个目标函数均为表9。表9中的结果包括负载点的总重量、负载点的总数和负载的体积。表9的观察结果如下：1. 在灾难情景1（SC 1）中，负荷点数和负荷容量在两种情况下相同，但权重值较大，表明所提出的目标函数选取了高度关键的负荷点。2. 可靠性目标函数在灾难情景2（SC 2）中给出最差结果。可靠性指标含DG无DG临界载荷可靠性Saifi0.61320.60590.6323Saidi1.44091.37481.6073EENS20.667918.242522.8193图四、具有DG和自然灾害情景3（SC 3）的RBTS测试系统表8ENS用于载荷点。小行星832Reddy等人/工程科学与技术，国际期刊20（2017）825表9DG在不同灾难场景下的临界负荷拾取目标函数临界负荷可靠性重量LPS负荷（MW）重量LPS负荷（MW）SC 19.9942136.58.1151136.496SC 26.261294.3791.868431.474SC 34.764173.4713.389352.606SC 47.111794.6577.0789115.592SC 59.9065136.5816.5327104.9763. 在灾难场景4（SC 4）中，以可靠性为目标函数，选择的负载点和负载量越多，但同时，选择高度关键的负载点根据提出的目标函数。总的来说，所提出的目标函数优于可靠性目标函数，以最大限度地提高临界负荷回升后，自然灾害。5. 结论本文提出了一个新的目标函数的ODGP问题命名为临界负荷拾取以及一个新的位置为基础的约束，考虑自然灾害的情况下。提出了一种模糊多准则决策方法，根据负荷点的重要性进行排序。位置约束是通过对馈线段进行排序来实现的，根据馈线段的可行性来放置DG。结果部分证明，模糊排名反映了专家的主观意见。以可靠度为目标函数，对所提出的目标函数进行了验证，并对不同灾害情景下的系统、负荷点可靠度和负荷拾取进行了评估。在考虑临界载荷拾取时，与作为目标函数的可靠性相比，建议的目标函数的结果完全占主导地位。在可靠性方面，提出的目标函数对系统可靠性指标的改善程度较小。考虑了临界负荷点的可靠性，通过提高临界负荷点的可靠性，表明了该目标函数优于可靠性目标函数。所提出的目标函数，即最大限度地提高临界负荷拾取是非常有用的系统规划，以提高其对自然灾害的鲁棒性，因为DG放置与此目标函数拾取更关键的负载在自然灾害期间，并提高关键负载点的可靠性以及。引用[1] L. 切 ， M 。 Khodayar ， M. Shahidehpour ， Only connect ： microgrids fordistribution system restoration，IEEE Power Energy Mag.12（1）（2014）70http://dx.doi.org/10.1109/MPE.2013.2286317[2] 国家灾害管理局，战略和经验教训，为更好地加强印度沿海地区的风险抵御能力做准备，ndma.gov.in/images/pdf/Hudhud-lessons.pdf（2015年8月）。[3] R.S.A. Abri ， E.F. El-Saadany ， Y.M. Atwa ， Optimal placement and sizingmethod to improve the voltage stability margin in in a distribution system usingdistributedgeneration ， IEEETrans.PowerSyst.28 （ 1 ） （ 2013 ）326http://dx.doi.org/10.1109/TPWRS.2012.2200049[4] L. Arya，A. Koshti，S. Choube，Distributed generation planning using differentialevolution accounting voltage stability consideration， Int. J. Electr. Power EnergySyst.42（1）（2012）196http://dx.doi.org/10.1016/j.ijepes.2012.04.011[5] K.M. Muttaqi，A.D.T. Le，M.涅涅维茨基湾Ledwich，An algebraic approach fordetermination of DG parameters to support voltage profile in radial distributionnetworks，IEEEtrans.SmartGrid5（3）（2014）1351http://dx.doi.org/10.1109/TSG.2014.2303194[6] W. Sheng，K.Y. Liu ，Y. Liu，X.孟氏Y. Li，Optimal placement and sizing ofdistributed generation via an improved nondominated sortinggenetic AlgorithmII ， IEEE Trans. Power Delivery 30 （ 2 ） （ 2015 ） 569-578 ， http ： //dx.doi.org/10.1109/TPWRD.2014.2325938网站。[7] S.奇 特 拉 代 维 湖 拉 克 什 米 纳 拉 西 曼 河 Balamurugan， Studkrill herdalgorithm formultiple DG placement and sizing in a radial distribution system，Eng. Sci. 技术人员：Int. J. 20（2017）748-759。[8] G.J. Rosseti，E.J. de Oliveira，L.W. de Oliveira，I.C.小席尔瓦，W. Peres，配电系统中具有重构的分布式发电的最优分配，Electr. Power Syst.Res.103（2013）178-183，http：//dx。doi.org/10.1016/j.epsr.2013.05.017网站。[9] M.F. Shaaban，Y.M. Atwa，E.F. El-Saadany，配电网络中用于效益最大化的DG分配，IEEETrans.PowerSyst.28（2）（2013）639http://dx.doi.org/10.1109/TPWRS.2012.2213309[10] J. - H. Teng，Y. H.刘角Y.陈春F. Chen，基于价值的分布式发电机布置对服务质量的改善，Int.J.Electr.PowerEnergySystem.29（3）（2007）268http://dx.doi.org/10.1016/j.ijepes.2006.07.008[11] N.G. Hemdan ， M. Kurrat ， Efficient integration of distributed generation formeeting the increased load demand ， Int. J. Electr. Power Energy Syst.33 （ 9 ）（2011）1572http://dx.doi.org/10.1016/j.ijepes.2011.06.032[12] J. Mitra，M.R.瓦莱姆角Singh，使用可靠性标准的分布式发电优化部署，IEEE Trans.Ind. Appl. 52（3）（2016）1989http://dx.doi.org/10.1109/TIA.2016.2517067[13] Y.M. Atwa，E.F.El-Saadany，医学硕士萨拉马河Seethapathy，配电系统能量损失最小 化 的 最 佳可 再 生 资 源 组 合 ，IEEE Trans. Power Syst.25 （ 1 ） （ 2010 ） 360http://dx.doi.org/10.1109/TPWRS.2009。2030276[14] D. Zhu，R.P. Broadwater，K.- S.塔姆河Seguin，H. Asgeirsson，Impact of DGplacement on reliability and efficiency with time-varying loads ， IEEE Trans.Power Syst.21 （ 1 ） （ 2006 ） 419http://dx.doi.org/10.1109/TPWRS.2005.860943。[15] A. Shahmohammadi，M. Ameli，Proper sizing and placement of distributedpower generation aids the intentional islanding process ， Electr. PowerSyst.Res.106（2014）73http://dx.doi.org/10.1016/j.epsr.2013.08.005[16] H.A. Mahmoud Pesaran，警察Huy，V.K.Ramachandaramurthy，分布式发电的最优分配回顾：目标，约束，方法和算法，可再生可持续能源Rev.（2016），http://dx.doi.org/10.1016/j.rser.2016.10.071。[17] D.Q. Hung，N.密土拉南丹河Bansal，考虑能量损失和电压稳定性的商业配电系统中PV和BES单元的集成，应用能源113（2014）1162http://dx.doi.org/10.1016/j.apenergy。2013.08.069。[18] C. Yammani ， S. Maheswarapu ， S.K. Matam ， A multi-objective shuffled batalgorithm for optimal placement and sizing of multi-distributed generations withdifferentloadmodels ， Int.J.Electr.PowerEnergySyst.79 （ 2016 ）120http://dx.doi.org/10.1016/j.ijepes.2016.01.003[19] K.L. Butler-Purry，N.D.R.王志华，自修复重构在舰船电力系统中的应用，电力工程学报，2004，第19卷，第2期，第754-762页http://dx.doi.org/10.1109/TPWRS.2003.821431[20] M.- S.郭，G.- S.梁，W.- C. Huang，在模糊环境下具有成对比较的多准则分析的扩展，Int. J.近似推理43（3）（2006）268http://dx.doi.org/10.1016/j.ijar.2006.04.006[21] Q.吴角，加-地科尔，T.张文，粒子群优化算法在铁路领域的应用，北京交通大学学报。 J. 铁路运输 4（3）（2016）167-190。[22] A. Khare，S.王文，粒子群优化算法及其在太阳能光伏发电系统中的应用，北京：计算机科学出版社。13（5）（2013）2997http://dx.doi.org/10.1016/j.asoc.2012.11.033[23] M.R. AlRashidi，M.E. El-Hawary，粒子群