由表2可知，在状态估计精度要求一定的情况下，随着网络中节点注入功率不确定性的增强，主动配电网中需要布置量测装置的数量也会随之增多，且大多数量测装置安装的地点会选择在EV以及PV节点的附近支路上，以确保状态估计的精度要求。

　　此外，考虑到主动配电网在运行过程中，为了减少网络损耗，改善系统电压水平，抑或是当系统运行出现故障时，辐射状的主动配电网就有可能在短时间内以弱环网状拓扑结构运行，本文采用CMA-ES算法分3种场景对算例进行仿真分析，结果可参见附录A表A2。由表中结果可知，在相同状态估计精度要求情况下，不同拓扑结构下的网络其所需的最少量测装置数量也不尽相同，具体拓扑结构下应采取相应的最优量测优化配置方案。

　　5.3.3 量测优化配置评估

　　需要提及的是，由于本文给定的状态估计精度要求是一定取值范围，导致采用CMA-ES对图2所示拓扑结构下的网络拓扑结构进行了10次单独的仿真实验，共产生了2组最优配置方案（该2种配置方案的详细情况可参见附录A表A3），两组配置方案中其量测数量相同，只是量测装置的配置地点不同，其中第1种配置方案大多数量测装置则选择在分支的末端，靠近EV以及PV的接入点，而第两种配置方案中大多数量测装置选择在分支的首端处。为了进一步提高所提主动配电网量测优化配置方案在实际工程中的应用价值，本文从非算法角度对两种不同配置方案下全局的状态估计进行了仿真分析。为了便于对比分析，选取网络中每个节点电压幅值相对误差的最大值作为研究对象，结果如图4所示（以A相为例）。

　　由图4可知，虽然两种配置方案均能使得所有节点的电压幅值满足状态估计精度要求，但是就全局的状态估计结果而言，显然量测配置地点越靠近EV和PV等不确定性注入节点（也即方案1），整体的状态估计结果越精确，数据越可靠。

　　6 结论

　　大规模EV的接入以及高渗透率DG发电并网在加快配电网低碳化运行的同时，也给现有的配电管理系统提出了巨大挑战。基于此，本文针对传统配电网状态估计程序存在的不足之处进行了分析，得出主要结论如下所述。

　　（1）以动态概率密度函数表征EV充/放电随机性和DG出力间歇性，在此基础之上建立了含网络节点注入功率不确定性的主动配电网量测（数据采集点）优化配置模型。

　　（2）考虑到模型本身的复杂程度，传统智能寻优算法难以满足求解要求，因此选取了一种CMA-ES算法作为模型的优化求解方法。通过对某一主动配电算例仿真分析，结果初步验证了所提模型的可行性和有效性。