IEEE 33节点配电系统中，在节点13和节点30处接入DG，各DG有功出力以及节点20和节点24的负荷有功需求由GMM模拟。图1和图2分别给出了节点30的DG有功出力和节点24负荷有功需求的样本直方图以及由GMM模拟的近似PDF。由图1和图2可以看出GMM能够较准确地模拟DG有功出力及负荷有功需求的波动。
对于IEEE 33节点配电系统，设该系统量测设备数量上限为12，最大系统允许估计误差为0.001。由贪婪算法和遗传算法确定的量测配置结果如表1所示。
由表1可知，当量测数量为11时，本文算法确定的量测配置方案使系统估计误差满足精度要求。在量测数量相同的情况下，相比于遗传算法，本文算法确定的量测经费低而估计误差略高，但其综合目标F低于前者，所以本文算法能够更好地协调量测配置经济性与系统估计精度的关系。另外，由最终量测位置可知，量测设备易安装在DG接入节点（如位置12，14，29，30）及负荷波动较大的节点（如位置19，20，22，23）附近。
5、结论与展望
本文提出的量测配置方案在考虑DG出力不确定性的基础上，同时兼顾了经济性及多种网络结构的估计精度，提高了量测配置的经济性和鲁棒性。仿真结果表明：GMM能够较好地模拟DG出力的不确定性；量测设备易安装在DG接入节点及负荷波动较大的节点附近；所建立的量测配置模型能够较好地协调经济性与系统估计精度的关系。
ADN运行方式复杂多变，忽略运行状态的传统配电网量测配置方法已不再适用。本文考虑了不同网络结构对量测配置的影响，实际运行中可能遇到各种不确定工况，复杂性更高。另外，DG出力的相关性受多种因素影响，不同类型的DG之间，以及DG与负荷间也可能存在相关性，论文并未考虑。后续工作将针对上述问题进一步开展相关研究。
