適應度之后，得到性能最好解。
[0049] 所述自適應混沌粒子群算法采用粒子速度和位置更新公式如下：
[0053]式中，i表示粒子的編號；t表示粒子群算法運行的代數(shù)；d表示搜索空間的維度D的第d分量；g表示全局最優(yōu)取為粒子的個體極值；Xid、vid、pid、vmax.d、vmin.d、gj別表示 Lt、Pp v_、v_、g的第d維分量；N表示粒子數(shù)；ω是慣性權重；Cl，c2是學習因子，均為 非負常數(shù)；Γι，r2是介于[0, 1]間相互獨立的隨機數(shù)。
[0054] 所述慣性權重為隨著迭代次數(shù)而減少的線性函數(shù)：
[0056]其中，ω_為初始權重，ω_為最終權重，η_為最大迭代次數(shù)，η為當前迭代次 數(shù)。
[0057] 所述學習因子Cl、c2滿足以下公式：
[0060] 其中，a、b、d為參數(shù)，η為當前迭代次數(shù)，nmax為最大迭代次數(shù)。
[0061] 與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：
[0062] (1)本發(fā)明在進行潮流計算時考慮了主動管理措施對分布式光伏消納能力的影 響，與實際情況緊密結合，整合性強，提高了計算結果的可靠性；
[0063] (2)本發(fā)明采用自適應混沌粒子群算法，能夠快速獲得最優(yōu)解，且計算精度高；
[0064] (3)本發(fā)明在自適應混沌粒子群算法的粒子速度計算中添加一個慣性權重，有效 改善了粒子群算法的收斂性能，且慣性權重為隨著迭代次數(shù)而減少的線性函數(shù)，更利于粒 子搜索到全局最優(yōu)解；
[0065] (4)本發(fā)明自適應混沌粒子群算法中，在搜索初期，避免陷入局部最優(yōu)，應當使粒 子多向自身最優(yōu)學習，少向全局最優(yōu)學習，A取較大值，c2取較小值；在搜索后期，應當增強 局部搜索能力，Ci取較小值，C2取較大值。
【附圖說明】
[0066] 圖1為本發(fā)明的結構示意圖；
[0067] 圖2為本發(fā)明的計算流程圖；
[0068] 圖3為本發(fā)明的ACPS0算法流程圖；
[0069] 圖4為實施例中系統(tǒng)單線圖；
[0070]圖5為光伏發(fā)電時序特性曲線；
[0071] 圖6為居民負荷時序特性曲線；
[0072] 圖7為商業(yè)負荷時序特性曲線；
[0073]圖8為各分布式光伏發(fā)電最大消納能力方案比較示意圖。
【具體實施方式】
[0074] 下面結合附圖和具體實施例對本發(fā)明進行詳細說明。本實施例以本發(fā)明技術方案 為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于 下述的實施例。
[0075]如圖1所示，本實施例提供一種基于主動配電網(wǎng)的分布式光伏發(fā)電最大消納能 力計算系統(tǒng)，包括輸入模塊1、初始化模塊2、潮流計算模塊3、粒子群操作模塊4和輸出模 塊5。如圖2-3所示，輸入模塊1用于獲取配網(wǎng)參數(shù)、光伏發(fā)電系統(tǒng)參數(shù)、光伏時序特性參 數(shù)、負荷時序特性參數(shù)、一年各典型日天數(shù)以及自適應混沌粒子群算法（AdaptiveChaos ParticleSwarmOptimization，ACPS0)參數(shù)；初始化模塊2用于根據(jù)輸入模塊的數(shù)據(jù)，利 用混沌算法初始化種群，種群中的每個粒子均含有各個節(jié)點的分布式光伏接入量，即每個 粒子代表一種分布式光伏接入方案；潮流計算模塊3用于對所述種群中的各粒子所代表的 分布式光伏接入方案進行考慮主動管理的潮流計算，并獲得各粒子在時段t下的適應值大 ?。涣Ｗ尤翰僮髂K4累加所有時段的適應值，得到各個粒子的總適應值，采用自適應混沌 粒子群算法進行循環(huán)計算，獲得總適應值最優(yōu)的粒子；輸出模塊，5輸出總適應值最優(yōu)的粒 子所對應的分布式光伏接入方案，及該分布式光伏接入方案下的年最大消納量。
[0076] 輸入模塊1中，輸入的配網(wǎng)參數(shù)包括絡拓撲結構、發(fā)電機節(jié)點及負荷節(jié)點情況、網(wǎng) 絡支路阻抗及導納和網(wǎng)絡電壓等級；光伏發(fā)電系統(tǒng)參數(shù)包括光伏面板面積、光電效率、額定 功率、功率因數(shù)和Beta分布參數(shù)；光伏時序特性參數(shù)包括典型日光伏發(fā)電按小時出力情 況；負荷時序特性參數(shù)包括典型日居民負荷和商業(yè)負荷按小時出力情況；自適應混沌粒子 群算法參數(shù)包括粒子群的種群數(shù)和最大迭代次數(shù)。其中，時序特性指分布式光伏隨時刻、天 氣、季節(jié)出力的變化情況及負荷隨時刻、季節(jié)負荷水平的變化情況。
[0077] Beta分布用以描述光照輻射強度概率分布，其概率密度可表示為：
[0079] 其中，α和β為Beta分布的形狀參數(shù)；r和r_分別為某一時段內的太陽輻照強 度及其最大值，單位kW/m2。
[0080] 光伏輸出有功功率可表示為：
[0081] PM=rMAη
[0082] 其中，ΡΜ為光伏陣列輸出有功功率，單位kW;M為光伏陣列中太陽能電池組件個 數(shù);A為每個太陽能電池組件的面積，單位m2;η為光伏陣列的光電轉換效率。
[0083] 初始化模塊2中，利用混沌算法初始化種群具體為：
[0084] 隨機產(chǎn)生2ND(；維、每個分量數(shù)值在0-1之間的向量^ = ，…,z12VnJ，根據(jù) Logistic完全混沌迭代公式Zn+1 = 4Zη (1-Ζη)，η= 1，2,. . .，N，得到N個向量Z2,. . .，ZN， 該N個向量即為初始化后的種群。
[0085] 潮流計算模塊3進行潮流計算時，計算各粒子所代表的分布式光伏接入方案下的 潮流分布，并判斷潮流計算結果是否滿足主動管理下的約束條件，若滿足約束條件，則直接 評價各粒子在當前時段下的適應值，若不滿足約束條件，則加入處罰項后再評價各粒子在 當前時段下的適應值。
[0086] 主動管理的措施主要包括三部分，分別為：
[0087] 1)削減分布式光伏出力（GC):通過控制接入節(jié)點的分布式光伏出力，起到控制電 壓，改善潮流分布的作用；
[0088] 2)調節(jié)有載調壓變壓器抽頭（CVC):通過調節(jié)有載調壓變壓器一次側的可變抽頭 位置，使配電網(wǎng)電壓保持在規(guī)定范圍內；
[0089] 3)無功補償?shù)耐肚校≧C):在分布式光伏接入點投切無功補償設備來吸收或者放 出無功來改變網(wǎng)絡無功分布，達到改善系統(tǒng)潮流分布和電壓水平的目的。
[0090] 主動管理下的約束條件包括：
[0091] (1)節(jié)點功率平衡約束
[0094] 其中，PPVl為節(jié)點i的分布式光伏有功注入；Pu為節(jié)點i的有功負荷；QPVl為節(jié)點 i的分布式光伏無功注入；Q?為節(jié)點i的無功補償無功注入；Qu為節(jié)點i的無功負荷；Up U,分別為節(jié)點i、j電壓幅值；Θ^為節(jié)點i、j間電壓相角；GBy分別表示導納矩陣中節(jié) 點i、j間的電導和電納，表示與節(jié)點i相連的其他節(jié)點集合；
[0095] (2)節(jié)點電壓約束
[0096] Uinin^U^Uinax
[0097] 其中，A為節(jié)點i的電壓；Uiniin、Uiniax為節(jié)點i所允許的最小電壓值和最大電壓值；
[0098] (3)支路潮流約束
[0099] Slnax
[0100] 其中，Si為通過支路1的視在功率；Slniax為支路1傳輸容量極限值；
[0101] (4)CVC抽頭約束
[0102] Tknin^TTknax
[0103] 其中，Tk為變壓器的抽頭位置；Tk_、Tk_為變壓器的抽頭最小值和最大值；
[0104] (5)無功補償裝置約束
[0105] Qciniin^QCi^QCimax
[0106] 其中，為節(jié)點i無功補償裝置的無功輸出；Q(；imin、Q(；imax為節(jié)點i無功補償最小 值和最大值；
[0107] 將其轉化為功率因數(shù)的限制，BP:
[0108]
[0109] 其中？為時段k節(jié)點i的功率因數(shù)，和將??分別為功率因數(shù)的最小值和最大 值；
[0110] (6)分布