第 44 卷 第 4 期 电力系统保护与控制 Vol.44 No.

4
2016 年 2 月 16 日 Power System Protection and Control Feb. 16, 2016

DOI: 10.7667/PSPC150358

船舶区域配电系统全智能体重构及其优化研究
张 威，施伟锋，胡红钱
(上海海事大学电气自动化系，上海 201306)

摘要：为确保船舶电力系统故障发生时主电力推进动力系统不失去供电，对电力推进船舶区域配电系统的拓扑结
构重构方法进行了深入研究。依托智能体理论，设计了一种环境智能感知、信念产生、目标控制、粒子群最优决
策的全智能体重构方法，实施船舶区域配电系统故障的拓扑重构。重构策略以保证全船的不间断供电、负荷损失
最小、继电保护效率最高等为目标。对某电力推进船舶区域配电系统电网发生三相短路工况的仿真实验表明，所
设计的全智能体方法相比粒子群算法、遗传算法的电力系统重构更能保证船舶电力系统的安全运行，且具有电力
系统故障时重构功率损耗更小、开关效率更高的优点；进一步提高了船舶电力系统的安全可靠性。
关键词：船舶电力系统；区域配电；系统重构；智能体；二进制粒子群算法

Research on agent based reconfiguration and its optimization for shipboard zonal power systems
ZHANG Wei, SHI Weifeng, HU Hongqian
(Department of Electrical Automation, Shanghai Maritime University, Shanghai 201306, China)

Abstract: In order to ensure that the main electric propulsion power system do not lose power for the shipboard power
system under fault condition, the shipboard power system topology reconfiguration method is studied. Based on the
intelligent agent theory, a kind of all agent based reconfiguration method is established. This method is composed of
intelligent environment perception, belief generator, target control and the particle swarm optimal decision.
Reconfiguration strategies are used to ensure the uninterrupted power supply, minimization of the shipboard power system
loss and maximum of relay protection efficiency, etc. The simulation for a certain type power grid of electric propulsion
shipboard distribution system under the three-phase short circuit conditions is conducted. Compared with the particle
swarm particle algorithm and genetic algorithm from the simulation result, it shows that the proposed method can ensure
the safety operation of the shipboard power system and also has the benefit of less power loss and higher switch efficient
under power system fault condition. It can further improve the safety and reliability for shipboard power system.
This work is supported by Research Fund for the Doctoral Program of Higher Education of China (No.
20123121110003).
Key words: shipboard power system; zonal power systems; power system reconfiguration; agent systems; binary particle
swarm optimization

时的重构优化手段，对其进行深入研究尤为必要。
0 引言
船舶区域配电系统重构实际上是指船舶电力系统故
海洋船舶按需移动、孤立无援、海上资源有限 障时，在满足船舶电力系统运行约束前提下，考虑
的运行环境，要求电力推进船舶电力系统必须安全 供电负荷优先级，通过改变船舶区域配电系统供电
可靠。船舶电力系统故障导致的电力系统崩溃的后 拓扑，实现恢复最多负荷供电、开关次数最少及网
果是灾难性的[1]，可能会造成海难事故甚至人员伤 络损耗最小，同时提高各节点电压供电质量。
亡。船舶区域配电系统重构作为船舶电力系统故障 船舶电力系统重构包括发电机组主网络和配电
网重构两部分[2]。船舶电力系统作为典型的分布式
基金项目：高等学校博士学科点专项科研基金项目 发电系统其重构方法主要有：遗传算法[3]、免疫算
(20123121110003)；上海海事大学研究生创新基金资助项目 法[4]、粒子群算法[5]及其改进方法[6-7]以及多智能体
(2014ycx056) 方法[8]。多智能体方法已用于微电网协调控制[9]及
- 10 -
电网广域保护控制[10]方面相关研究。由于多智能体
及粒子群算法具有良好的分布式优化性能，多智能
体与粒子群优化算法相结合的方法已用于电力系统
优化控制[11]、配电网重构[12]及多目标供电恢复[13]。
本文将船舶区域配电系统重构问题转化为分布
式优化问题，在多智能体方法的基础上，提出了全
智能体重构方法，并引入粒子群优化算法进行船舶
区域配电系统全智能体重构粒子群优化方法研究。
该方法考虑供电负荷优先级，综合权衡供电负荷功
率、继电保护效率及网络损耗，保障舰船具有较强
的安全航行能力。对某电力推进船舶区域配电系统
的仿真实验结果表明，全智能体重构粒子群优化方
法能够有效实现船舶区域配电系统故障重构，能够
保证船舶区域配电系统安全运行。
1 船舶区域配电系统重构
1.1 船舶电力系统重构目标函数
船舶电力系统重构研究是指在满足船舶电力系
统约束条件的情况下，考虑负荷优先级，以实现恢
复供电负荷功率最大、继电保护效率最高及实现线
路损耗最小为目标的船舶电力系统拓扑重构优化。
(1) 计及供电负荷优先级，实现恢复供电负荷功
率最大、继电保护效率最高的目标函数为
f1  max(
式中： N 为负荷总数； L j 、 j 分别为负荷 j 的功率
与负荷优先级系数； x j 为离散变量 0、1，表示负荷
j 的供电状态( x j  0 ，负荷处于失电状态； x j  1 ，
负荷处于供电状态)；n 为重构恢复过程中的开关操
作次数；  为开关次数 n 所对应的失电负荷功率。
(2) 计及线路损耗的重构
重构研究中，线路损耗的目标函数为

f 2  min Pkloss 
k N E
min  g (v  v
k N E
k i
式中：Pkloss 为支路 k 的有功功率损耗；g k 为支路 k 的
电导；vi 、v j 分别为节点 i 和节点 j 的电压幅值；ij
为节点 i 和节点 j 之间的电压角度差；NE 为节点的
个数。
(3) 重构优化目标函数
一般情况下，故障重构优先考虑以较少的开关
操作次数恢复所有重要负荷供电。根据船舶区域配
电系统运行工况，计及线路损耗的重构优化目标函
数可表示为
电力系统保护与控制
f  min  -1  f1  2  f 2  (3)
式中，1 、2 分别为 f1 和 f 2 的权重系数，1、2  0 ，
且 1  2  1 。
在船舶区域配电系统重构研究中，可根据重构
目标设置 f1 、 f 2 的权重系数 1 和 2 。如在能够实现
开关效率最高、失电负荷功率最小和实现系统对负
荷的快速供电的情况下，可以取 1  0 ， 2  1 ，即
以网络损耗最小为主要研究目标。
1.2 船舶电力系统重构约束条件
鉴于现代舰船电力系统的结构多为闭环设计、
开环运行[14-15]及船舶电力系统作为典型孤立电网的
特点，船舶区域配电系统重构过程中，需满足以下
约束条件：
(1) 辐射状供电约束
xi  1 
iB
(4)
式中： B 为重构后船舶区域配电系统负荷所有供电
路径的集合； xi 表示负荷 i 供电的路径状态。
(2) 发电机功率约束
Pgi  Pgmax
i (5)
式中， Pgi 、 Pgmax
i 分别为第 i 台发电机的实际功率输
出与最大功率输出。
N
 x L j j j   n) (1) (3) 支路功率约束
j 1 Pk  Pkmax (6)
max
式中， Pk 、 P k 分别为支路 k 的功率及最大容量。
(4) 节点电压约束
v min
j  v j  v max
j (7)
2 全智能体重构方法及其粒子群优化
2.1 全智能体重构方法
全智能体重构方法是为解决船舶区域配电系统
拓扑重构这一分布式重构优化问题，将分布式重构
(2) 问题完全由智能体实现，并引进智能优化算法，进
j  2vi v j cos ij ) 行全局寻优求解的一种重构方法。全智能体重构方
法的特点主要体现在：①船舶区域配电系统重构完
全由智能体进行分布式控制实现；②重构控制策略
结合智能优化算法进行全局寻优。
2.1.1 全智能体的定义
本文在智能体和多智能体定义的基础上，提出
的全智能体是用于研究船舶区域配电系统重构问题
的计算机控制软件实体，它通过环境感知单元得到
船舶电力系统运行过程中的电气量和开关状态量变
量信息，感知船舶电力系统故障，根据船舶电力系
统的故障信息，在满足船舶电力系统约束的条件下，
 张 威，等 船舶区域配电系统全智能体重构及其优化研究 - 11 -

能够在智能优化算法的作用下，生成相应的船舶区 为三个等级，即 xi 2  1, 2或3 。定义变量 xi 3 为智能体

域配电系统重构策略。它除了具有智能体与多智能 ai 对应的负荷量，当智能体 ai 对应发电机组时，
体具有的自主能力、智能性及分布式特征外，还具 xi 3 =0 ；反之， xi 3 为实际负荷，且满足 xi 3  Pgmax 。
i
有优化求解能力。所设计的全智能体抽象体系结构
同理，定义发电机功率变量 xi 4 ，节点电压变量 xi 5 ，
如图 1 所示。
支路功率变量 xi 6 及开关动作次数变量 xi 7 。
因此，重构目标优化函数可以表示为式(8)。
f  min  1  f1  2  f 2  
  n

min  1  

x x x   xi 7  
i1 i 2 i 3

(8)
 i 1

 n 
2    gi ( xi 5  x j 5  2 xi 5 x j 5 cos ij )  
 i , j 1  
由式(8)可知，船舶电力系统重构优化问题已转
图 1 全智能体抽象体系结构 化为分布式优化问题，可利用优化算法进行求解。
Fig. 1 Abstraction architecture of agent (3) 船舶区域配电系统全智能体重构优化实施。
船舶区域配电系统各智能体根据智能体 ai 状态信
图 1 所示的全智能体由环境感知、信念产生、 息 xi ，在满足船舶区域配电系统重构约束条件下，
目标控制、规划管理、粒子群最优决策单元、效应
应用粒子群优化算法改变各断路器开关智能体状态
器、知识库、策略库、建模模块及通信模块等构成。 变量 xi1 ，以式(8)所示的重构优化目标函数为适应函
全智能体在传感器的作用下通过环境感知模块获取
数，在全局优化算法作用下进行船舶区域配电系统
船舶区域配电系统运行状态信息，并在建模模块的
重构优化，生成相应重构策略。
作用下对其进行抽象处理，将其送入信念产生单元
(4) 船舶区域配电系统全智能体重构实现。船舶
生成反映船舶电力系统运行状态的信念；当船舶区
区域配电系统根据步骤(3)，所生成的重构策略通过
域配电系统故障时，所产生的信念在目标控制器的
数字控制器作用于空气断路器、自动装置分断开关
作用下，根据知识库知识及目标生成规则产生船舶
及接触器执行器，实现船舶区域配电系统重构，保
区域配电系统重构目标；所产生的重构目标在规划
证船舶电力系统安全可靠供电。
管理及粒子群最优决策单元的作用下，根据知识库
2.2 二进制粒子群优化算法
知识、决策库的决策信息并在智能优化模块的作用 二进制粒子群优化算法最早由 Kennedy 等[16]
下，通过智能优化算法生成相应的重构策略；所生 提出，本文结合 Clerc 等提出的收缩因子概念[17]进
成的重构策略作用于效应器形成可执行的重构动 行改进粒子群算法重构优化研究。研究中 xi 采用二
作，实现船舶区域配电系统重构。
进制编码， f pbest 、 f gbest 及 vi 采用连续编码，速度 vi
2.1.2 全智能体重构
更新公式如式(9)。
针对船舶电力系统的特点，根据图 1 所示船舶
vik, d1  K  [ w  vik,d  c1  r1  ( pbesti ,d  xik, d ) 
区域配电系统全智能体工作原理，将船舶区域配电 (9)
系统重构问题转换为分布式约束优化问题，船舶区 c2  r2  ( gbest  xik, d )]
域配电系统全智能体重构主要包括以下四个方面：
式中： K 为收缩因子， K  2 (2     2  4 ) ，
(1) 确定全智能体的构成 A  a1 , a2 , , an  ，其
  c1  c2 ，   4 ， K 的引入以确保算法收敛； w
中 n 表示船舶区域配电系统重构智能体数目，智能
为惯性权重，控制粒子飞行，这里采用改进的惯性
体 ai 可以表示任意一种类型的智能体。
权重如式(10)，以平衡全局和局部搜索能力，这样
(2) 定义重构约束变量 V   x1 , x2 , , xn  ，变量 可以以最少的迭代次数找到最优解。
xi 是智能体 ai 变量集合，代表不同的属性。 w  wmax  ( wmax  wmin )  iter itermax (10)
定义变量 xi1 为智能体 ai 的连接状态，当船舶电 二进制粒子群算法的位置更新，按式(11)进行，
力系统断路器开关闭合时 xi1  1 ，反之， xi1  0 。 先由 Sigmoid 函数将位置分量取值概率约束在区间
定义变量 xi 2 为负荷优先级，这里将船舶电力负荷分 [0,1]内，再根据所产生随机数决定其取值为 1 或 0。
- 12 - 电力系统保护与控制

1, rand()  Sigmoid(vi , d )

k 1 机数，重构优化目标函数为 f pbest 。
xik, d1   (11)
0, otherwise (3) 根据粒子惯性权重更新公式(10)、速度更新
 vik,d 公式(9)及位置更新公式(11)，分别更新全智能体重
式中， Sigmoid(vik, d1 )  1 (1  e )。
构优化的粒子权重及各智能体粒子速度和位置。
2.3 全智能体重构的粒子群优化原理
(4) 根据更新后的各智能体粒子位置，确定当前
研究中以某电力推进船舶区域配电系统为研
位置状态下船舶电力系统的拓扑结构，判断船舶电
究对象，该系统由四台参数相同的船舶柴油发电机
力系统是否处于开环运行状态。若是开环运行则进
( G1 ~ G4 )构成发电单元，依托配电单元纵横连接构
入下一步；反之，返回步骤(3)。
成环形供电网，实现对电力推进机组单元(M1、M2)、 (5) 若船舶电力系统处于开环运行状态，且满足
母线直供负荷单元及区域负荷单元( L1 ~ L4 、ZL1 船舶电力系统约束，则采用牛顿拉夫逊潮流分析方
和 ZL2) 供电，采用的全智能体重构粒子群优化方 法，分析当前在全智能体重构优化的粒子群作用下
法是通过智能体进行船舶电力系统重构实现，相应 船舶电力系统的性能，计算重构优化目标 f pbesti ；反
的智能体配置结构如图 2 所示。
之，则更新粒子状态。
(6) 根据各智能体粒子的个体重构优化目标函
数 f pbesti ，将其与自身所经历过的最优解 f pbest 进行
比较，若 f pbest  f pbesti ，则将其作为当前的最好位置，
即 f pbest =f pbesti ；将 f pbest 与群体所经历的历史最优解
f gbest 比较，若 f pbest  f gbest ，则将其作为全局最好位
置，即 f pbest =f gbest 。
(7) 检查结束条件是否满足，这里主要指是否达
到最大迭代次数。如果达到最大迭代次数则结束，
否则转至步骤(3)。
图 2 船舶区域配电系统智能体配置图
Fig. 2 The agent for shipboard zonal power system 3 系统三相短路故障算例

图 2 所示的船舶区域配电系统智能体配置图 结合图 2 所示船舶区域配电系统智能体配置

中， B1~B11 表示节点，智能体 1~4 分别表示发电 结构及全智能体重构粒子群优化流程，研究全智能
机智能体，智能体 7、11、13 和 18 分别表示推进电 体重构粒子群优化性能。
机智能体，智能体 10 和 16 表示区域负荷智能体， 3.1 船舶区域配电系统参数
智能体 8、12 和 17 表示联络线智能体，其他表示母 船舶区域配电系统负荷参数、发电机参数及其
线单元智能体或母线直供负荷单元智能体，实现对 节点类型分别如表 1、表 2 所示。
船舶区域配电系统全智能体控制重构。 表 1 负荷参数
根据图 2 所示的船舶区域配电系统智能体配 Table 1 Load parameters
置，全智能体重构粒子群优化方法研究中，将每个 元件 功率/MW 负荷等级 元件  功率/MW  负荷等级
单智能体抽象为粒子群算法中的单个粒子。每个粒 L1 0.5 2 L4 0.5 3
子不仅拥有粒子群算法中的追踪个体极值和全局极 L2 0.3 3 ZL1 0.3 1
值的能力，而且能不断积累自身学习经验。全智能 L3 0.5 3 ZL2 0.5 1

体重构粒子群优化方法流程如下：
表 2 发电机参数及节点类型
(1) 船舶电力系统运行过程中，故障的发生会使
Table 2 Generator parameters and the bus type
相 应智 能体状 态变 量 xi1 发生 改变 ( 由 0  1 或 由
发电机  有功功率/MW  无功功率/Mvar  节点类型 
1  0 )触发重构系统进入重构优化。
G1 5 -24.84 PQ
(2) 初始化全智能体重构的粒子群参数。根据全
G2 5 -41.20 PQ
智能体重构中智能体个数确定粒子群数目为 18 个，
G3 2.5 1.7 PV
最大迭代次数为 60 次，惯性权重 w  [0.4, 0.9] ，加
G4 2.5 0 平衡节点
速常数 c1  c2  2  rand () ， rand () 为属于[0,1]的随
 张 威，等 船舶区域配电系统全智能体重构及其优化研究 - 13 -

3.2 系统三相短路故障时全智能体重构粒子群优化
仿真分析
仿真基于 Matlab 平台，运行于 Intel Core i7、
主频为 3.4 GHz 的计算机上。电力推进船舶区域配
电系统正常运行工况下，节点 3 和节点 4 之间的线
路突然发生三相短路故障，智能体 BA9 的工作状态
由 1 变为 0，各联络线智能体状态变量由 0 变为 1
进行重合闸，但节点 1 至节点 9 的线路联络开关重
合失败。对该工况，仿真实验 50 次，可得在全智能
体重构粒子群优化方法以及粒子群算法和遗传算法
分别作用下的平均重构结果，如表 3 所示。
表 3 全智能体重构粒子群优化方法性能比较
Table 3 Comparison performance for the agent based PSO
reconfiguration algorithm
负荷 
线路  平均迭代
算例  损失/  开关动作次数 
损耗/kW  时间/s 
kW 
重构优化前  0 - 3 254.76 -
全智能体粒子
0 4 1 729.82 0.87
群重构优化
传统粒子群
0 4 1 747.94 1.06
重构优化
遗传算法
0 4 2 108.01 2.60
重构优化

从表 3 所示的实验数据可以看出，全智能体重
图 3 船舶区域配电系统重构前后节点电压
构粒子群优化方法、传统二进制粒子群重构优化方
Fig. 3 Node voltage comparison of shipboard zonal power
法及遗传算法重构均能够实现对所有负荷的恢复供
system reconfiguration
电，且开关次数最少均为 4 次。重构前的网络是一
个高损耗网络，在全智能体重构粒子群优化方法作 进一步分析某电力推进船舶区域配电系统在
用下，线路损耗降低为 1 729.82 kW，传统粒子群算 基于全智能体重构粒子群优化方法生成的重构策略
法作用下的线路损耗为 1 747.94 kW，而遗传算法作 作用下，重构前后的电力系统稳定性。假设船舶区
用下重构后的线路损耗达 2 108.01 kW。由于遗传算 域配电系统正常运行工况下，在 3.0 s 节点 3 和节点
法包含选择、交叉和变异操作，其迭代的时间代价 4 之间的线路突然发生故障，且节点 1 至节点 9 的
远高于全智能体重构粒子群优化方法。仿真结果表 线路联络重合失败，考虑全智能体粒子群重构优化
明，全智能体重构粒子群优化方法作用下重构后的 策略的生成时间，该系统在 3.8 s 按所生成的重构策
节点电压质量优于传统粒子群作用下的重构效果， 略进行重构，推进电动机及发电机组的转速变化分
遗传算法作用下的重构效果不及传统粒子群作用下 别如图 4、图 5 所示。
的效果，如图 3 所示。 由图 4、图 5 所示的船舶推进电动机、发电机
对比图 3 船舶区域配电系统重构前后的节点电 组重构前后转速仿真结果可知，在全智能体重构粒
压可知，在全智能体重构粒子群优化方法的作用下， 子群优化算法作用下，推进电动机和发电机组分别
各节点电压漂移得到了有效降低，各节点电压供电 经过 2.2 s 和 2.3 s 的过渡，达到稳定运行状态；而
质量得到了提高。尤其是节点 5 和节点 8 的电压有 未采用全智能体重构粒子群优化方法的系统需经过
明显改善，分别较重构前的电压质量提高了 2.1%和 约长达 8.6 s 的调整，才能恢复稳定运行。但由于重
2.6%；而在传统粒子群优化算法作用下的电压质量 构过程中大负荷切换，会分别使船舶推进电动机、
仅提高了 1.5%。 发电机组转速产生 0.34%和 0.13%的扰动。
- 14 - 电力系统保护与控制

参考文献
[1] BOSE S, PAL S, NATARAJAN B, et al. Analysis of
optimal reconfiguration of shipboard power systems[J].
IEEE Transactions on Power Systems, 2012, 27(1):
189-197.
[2] 陈雁, 孙海顺, 文劲宇, 等．改进粒子群算法在船舶电
力系统网络重构中的应用[J]. 电力自动化设备, 2011,
31(3): 29-34.
CHEN Yan, SUN Haishun, WEN Jinyu, et al. Application
of improved PSO algorithm in network reconfiguration of
shipboard power system[J]. Electric Power Automation
Equipment, 2011, 31(3): 29-34.
图 4 重构前后推进电动机转速 [3] 胡雯, 孙云莲, 张巍. 基于改进的自适应遗传算法的
Fig. 4 Speed comparison for electrical motor 智能配电网重构研究[J]. 电力系统保护与控制, 2013,
41(23): 85-90.
HU Wen, SUN Yunlian, ZHANG Wei. Reconfiguration
of smart distribution using improved adaptive genetic
algorithm[J]. Power System Protection and Control, 2013,
41(23): 85-90.
[4] 刘畅, 黄民翔. 含多种分布式电源的配电网重构优化
研究[J]. 电力系统保护与控制, 2013, 41(6): 13-18.
LIU Chang, HUANG Minxiang. Distribution network
reconfiguration with a variety of DGs[J]. Power System
Protection and Control, 2013, 41(6): 13-18.
[5] WANG C, LIU Y, ZHAO Y. Application of dynamic
neighborhood small population particle swarm
optimization for reconfiguration of shipboard power
图 5 重构前后发电机组转速 system[J]. Engineering Applications of Artificial
Fig. 5 Speed comparison for generator set Intelligence, 2013, 26(4): 1255-1262.
[6] 辛文成, 向铁元, 詹昕, 等. 邻接矩阵和粒子群优化算
法应用于微电网重构[J]. 电力系统及其自动化学报,
4 结论
2014, 26(11): 37-41.
针对船舶区域配电系统重构优化问题，为提高 XIN Wencheng, XIANG Tieyuan, ZHAN Xin, et al.
船舶区域配电系统不间断供电能力，在多智能体方 Adjacency matrix and particle swarm optimization
法的基础上结合粒子群优化算法，提出全智能体重 algorithm applied to micro-grid reconfiguration[J].
构粒子群优化方法用于船舶区域配电系统重构研 Proceedings of the CSU-EPSA, 2014, 26(11): 37-41.
究。该方法根据所建立的某电力推进船舶区域配电 [7] 刘仲, 牟龙华, 杨智豪. 大停电后含分布式电源的电
系统全智能体重构模型，将复杂的船舶电力系统重 网 分 区 及 负 荷 恢 复 方 案 [J]. 电 力 系 统 保 护 与 控 制,
2015, 43(22): 55-61.
构问题转化为分布式优化问题进行研究。研究过程
LIU Zhong, MU Longhua, YANG Zhihao. Scheme for
中，分布式问题完全由智能体进行实现，并基于粒
partitioning and load restoration of power grid containing
子群算法进行全局寻优。通过对所生成的重构策略
distributed generation after blackout[J]. Power System
进行的仿真实验结果表明，全智能体重构粒子群优
Protection and Control, 2015, 43(22): 55-61.
化方法既保证了船舶电力系统连续供电，又提高了 [8] 王冠群, 张雪敏, 刘锋, 等. 船舶电力系统重构的博弈
船舶电力系统的供电质量，有效降低了船舶电力系 算法[J]. 中国电机工程学报, 2012, 32(13): 69-76.
统的网络损耗，使船舶电力系统稳定运行能力得到 WANG Guanqun, ZHANG Xuemin, LIU Feng, et al.
了提升。 Game theory algorithm of reconfiguration for shipboard
 张 威，等 船舶区域配电系统全智能体重构及其优化研究 - 15 -

power system[J]. Proceedings of the CSEE, 2012, 32(13):
69-76.
[9] 窦春霞, 李娜, 徐晓龙. 基于多智能体系统的微电网
分散协调控制策略[J]. 电工技术学报, 2015, 30(7):
125-134.
DOU Chunxia, LI Na, XU Xiaolong. Multi-agent system
based decentralized coordinated control strategy for
micro-grids[J]. Transactions of China Electrotechnical
Society, 2015, 30(7): 125-134.
[10] 余文辉, 王 少荣, 柳斐 , 等. 基于 在线 自组织同步
MAS 的电网广域保护系统[J]. 电力系统保护与控制,
2015, 43(3): 69-76.
YU Wenhui, WANG Shaorong, LIU Fei, et al. A wide-
area protection system based on synchronized MAS self-
organizing online for power grid[J]. Power System
Protection and Control, 2015, 43(3): 69-76.
[11] 李文云, 蒋亚坤, 雷炳银, 等. 基于 Multi-Agent 系统
的含分布式电源电网能源优化管理[J]. 电力系统保护
与控制, 2015, 43(12): 21-27.
LI Wenyun, JIANG Yakun, LEI Bingyin, et al. MAS
based energy management strategies of microgrid[J].
Power System Protection and Control, 2015, 43(12):
21-27.
[12] 唐贤伦, 程祥, 汪斌全. 采用多 Agent 混沌粒子群算法
的配电网重构[J]. 电力系统及其自动化学报, 2015,
27(3): 17-23.
TANG Xianlun, CHENG Xiang, WANG Binquan.
Distribution network reconfiguration adopting chaos particle
Technology, 2014, 38(7): 1959-1965.
[14] 麻秀范, 丁宁, 李龙. 配电网重构中网络辐射形与连
通性的判断[J]. 电工技术学报, 2014, 29(8): 289-293.
MA Xiufan, DING Ning, LI Long. Judging radial and
connectivity of network in distribution networks
reconfiguration[J]. Transactions of China Electrotechnical
Society, 2014, 29(8): 289-293.
[15] 黎恒烜, 孙海顺, 文劲宇, 等. 用于舰船电力系统重构
的 多 代 理 系 统 设 计 [J]. 中 国 电 机 工 程 学 报 , 2011,
31(10): 81-87.
LI Hengxuan, SUN Haishun, WEN Jinyu, et al. Design
of a multi-agent system for shipboard power system
reconfiguration[J]. Proceedings of the CSEE, 2011,
31(10): 81-87.
[16] KENNEDY J, EBERHART R C. A discrete binary
version of the particle swarm algorithm[C] // IEEE
International Conference on Systems, Man, and Cybernetics,
IEEE, 1997: 4104-4108.
[17] CLERC M, KENNEDY J. The particle swarm-explosion,
stability, and convergence in a multidimensional complex
space[J]. IEEE Transactions on Evolutionary Computation,
2002, 6(1): 58-73.
收稿日期：2015-03-09； 修回日期：2015-12-11
作者简介：
张 威(1987-)，女，博士研究生，研究方向为电力系
统控制与优化；E-mail: viweizhang@163.com
施伟锋(1963-)，男，教授，博士生导师，研究方向为

swarm algorithm of multi-agent system[J]. Proceedings 电力系统及其自动化、电力传动控制系统、船舶控制工程等；

of the CSU-EPSA, 2015, 27(3): 17-23. E-mail: wfshi@shmtu.edu.cn
[13] 戴志辉, 崇志强, 焦彦军. 含分布式电源的配电网多 胡红钱(1983-)，男，博士研究生，研究方向为电力系
目标供电恢复[J]. 电网技术, 2014, 38(7): 1959-1965. 统控制与优化。
DAI Zhihui, CHONG Zhiqiang, JIAO Yanjun. Multi- (编辑 魏小丽)
objective service restoration of distribution network
containing distributed generation[J]. Power System