1、 资料采用改进细菌觅食算法的风/ 光 /储 混 合 微 电 网 电 源 优 化 配 置微电网在提高终端用户多样化的供电可靠性、电 能 质 量 等 方 面 具 有 重要 作 用 。随着微电网控制技 术 的 持 续 发 展 和 可 再 生 能 源 发 电 成 本 的 不 断降 低 ， 微 电 网 可 以 表 现 为 一 个 孤 岛 独 立 运 行 的 有 源 自 治 电 力 系 统 实 现节 能 减 排 。微电网也是解决现代新 农 村 电 气 化 的 经 济 供 电 方 式 ， 避 免 了远 距 离 输 电 带 来 的 电 能 损 耗 和 建 设 费 用 ，也可以应用于边远军 事 哨 所 、岛 屿
2、 供 电 、 高 海 拔 独 立 电 网 等 特 殊 场 合 ， 是对传统供电形式的有利补充。在 微 电 网 规 划 中 ， 合 理 的 电 源 选 型 和 定 容 是 一 个 重 要 和 复 杂 的 问题 ：（ 1） 经 济 性 （ 2） 环 保 性 （ 3） 响 应 特 性 （ 4） 系 统 性1.风 电 机 组 的 输 出 功 率 与 风 速 之 间 的 近 似 关 系 可 用 如 下 分 段 函 数表示：2.光 伏 列 阵 实 际 输 出 功 率 可 由 标 准 额 定 条 件 下 的 输 出 功 率 、 光 照强 度 、 环 境 温 度 得 ：3. 储 能 装 置 模 型 ， 蓄电池
3、实际可用容量 Ebat 是电池温度的函数：4微电网电源优化配置模型目标函数：5.其他公式：6. 改进的细 菌 觅 食 算 法 求 得 最 优 解 的 流 程传统多目标优化方法和多目标遗传算法的比较综述 多 目 标 最 优 化 是 一 门 迅 速 发 展 起 来 的 学 科 ， 是 最 优 化 的 一 个 重 要分 支 ， 它 主 要 研 究 在 某 种 意 义 下 多 个 数 值 目 标 的 同 时 最 优 化 问 题 ， 吸引 了 不 少 学 者 的 关 注 。 在 现 实 生 活 中 ， 人 类 改 造 自 然 的 方 案 规 划 与 设 计过 程 在 总 体 上 都 反 映 了 “最 大
4、 化 效 益 ， 最 小 化 成 本 ”这 一 基 本 优 化 原 则 ，在 合 作 对 策 问 题 中 如 何 求 解 最 优 策 略 以 获 得 共 赢 目 标 ， 在 非 合 作 对 策 问 题中 如 何 使 自 己 的 利 益 实 现 最 大 化 ， 使 对 方 的 受 益 最 小 化 ， 以 及 控 制 工 程中 的 稳 、 准 、 快 等 时 域 指 标 与 稳 定 域 度 、 系 统 带 宽 等 频 域 特 性 的 综 合问 题 等 ， 实 际 上 都 是 多 目 标 的 优 化 问 题 ， 因 此 多 目 标 优 化 问 题 在 现 实 世界 中 随 处 可 见 。1. 多目标
5、优化模型：2传统的优化算法：（1） 加 权 求 和 法 （2） 约束法（ 3） 最 小 -最 大 法3.多目标遗传算法:遗 传 算 法 GA（ Genetic Algorithm） 是 受 生 物 学 进 化 学 说 和 遗 传 学理 论 的 启 发 而 发 展 起 来 的 ， 是 一 类 模 拟 自 然 生 物 进 化 过 程 与 机 制 求 解 问题 的 自 组 织 与 自 适 应 的 人 工 智 能 技 术 ， 是 一 种 借 鉴 生 物 界 自 然 选 择 和自 然 遗 传 机 制 的 随 机 的 搜 索 算 法 ， 由 Holland 教 授 于 1975 年 提 出 。Goldbe
6、rg 总结了一种 统 一 的 最 基 本 的 遗 传 算 法 ， 称 为 基 本 遗 传 算 法（ Simple Genetic Algorithms， SGA） 。 只 使 用 基 本 的 遗 传 算 子 ： 选 择 算子 、 交 叉 算 子 和 变 异 算 子 。 其 遗 传 进 化 过 程 简 单 ， 容 易 理 解 ， 是 其 他 遗传 算 法 的 雏 形 和 基 础 。常用的几种多目标遗传算法：（ 1） 并 列 选 择 法 （ 2） 非 劣 分 层 遗 传 算 法 （ NSGA）（ 3） 基 于 目 标 加 权 法 的 遗 传 算 法 （ 4） 多 目 标 粒 子 群 算 法 （ M
7、OPSO）（ 5） 微 遗 传 算 法 （ Micro-Genetic Algorithm， Micro-GA）4. 多 目 标 粒 子 群 算 法 （ MOPSO）粒 子 群 优 化 算 法 （ Particle Swarm Optimization， PSO） 是 一 种 进 化计 算 技 术 ， 由 美 国 学 者 Eberhart 和 kennedy 于 1995 年 提 出 ， 但 直 到 2002 年 它 才 被 逐 渐 用 到 多 目 标 优 化 问 题 中 。 PSO 初 始 化 为 一 随 机 粒 子种 群 ， 然 后 随 着 迭 代 演 化 逐 步 找 到 最 优 解 。
8、在 每 次 迭 代 中 ， 粒 子 通 过 跟 踪两 个 “极 值 ”来 更 新 自 己 ， 一 个 是 粒 子 本 身 所 找 到 的 个 体 极 值 pBest,另一 个 是 该 粒 子 所 属 邻 居 范 围 内 所 有 粒 子 找 出 的 全 局 极 值 qBest。 MOPSO 与 求 解 单 目 标 的 PSO 相 比 ， 唯 一 的 区 别 就 是 不 能 直 接确 定 全 局 极 值 qBest， 按 照 pareto 支 配 关 系 从 该 粒 子 的 当 前 位 置 和 历 史最 优 位 置 中 选 取 较 优 者 作 为 当 前 个 体 极 值 ， 若 无 支 配 关 系
9、 ， 则 从 两 者 中随 机 选 取 一 个 。含分布式电源的配电系统规划分 布 式 发 电 ( distr ibuted g eneratio n, DG ) 指 的 是 为 了 满 足 一 些 特 殊用 户 的 需 求 , 支 持 已 有 的 配 电 网 的 经 济 运 行 而 设 计 和 安 装 的 在 用 户 处 或其 附 近 的 小 型 发 电 机 ( 一 般 小 于 30 M W) , 或 坐 落 在 用 户 附 近 使 得 负荷 的 供 电 可 靠 性 及 电 能 质 量 都 得 到 增 强 , 或 者 由 于 就 地 应 用 热 电 联 产 使得 效 率 得 到 提 高 的
10、发 电 形 式 1 。目 前 开 发 的 分 布 式 电 源 在 减 轻 环 境的 污 染 , 降 低 终 端 用 户 的 费 用 等 方 面 具 有 一 定 的 优 势 , 同 时 又 具 有 高 效性 和 灵 活 性 的 特 点 以 及 满 足 能 源 可 持 续 发 展 的 要 求 。 因 此 随 着 DG 的技 术 性 能 不 断 改 善 , 成 本 进 一 步 降 低 , 其 在 电 力 系 统 中 所 占 的 比 重 逐 步增 长 。 D G 与 常 规 电 力 系 统 并 网 运 行 的 趋 势 越 来 越 明 显 , DG 并 网 后 对电 力 系 统 运 行 、 控 制 、
11、保 护 等 各 方 面 会 产 生 一 定 影 响 。为 了 使 DG 可 以 在 避 免 降 低 公 共 电 网 系 统 的 电 能 质 量 、 可 靠 性 以 及 可 控 性 的 方式 下 运 行 , 必 须 对 DG 在 电 网 中 的 存 在 进 行 规 划 。 当 DG 与 大 电 网 并联 时 , 大 规 模 的 DG( 通 常 为 几 十 M W) 一 般 与 较 高 电 压 等 级 的 电 网 ( 一 级 配 电 电 压 ) 相 联 , 如 35 kV 、 110 kV 甚 至 更 高 。非 常 分 散 的 居 民 、 商 业 和 工 业 用 DG 一 般 与 当 地 配 电
12、电 压 级 电 网 相联 , 如 35 kV 、 10 kV 和 380/ 220V 。可以看出大部分的 D G 直 接 运 行在 配 电 网 中 , 因 此 就 有 必 要 重 点 研 究 一 下 目 前 配 网 规 划 以 及 DG 对 配网 规 划 所 产 生 的 影 响 。 DG 的 存 在 使 得 配 网 规 划 不 再 只 是 单 纯 的 、 传统 的 电 力 系 统 规 划 , 它 使 得 电 力 系 统 规 划 与 国 家 能 源 政 策 、 可 持 续 发 展 之间 的 联 系 更 加 紧 密 。 本 文 分 析 了 DG 对 配 电 系 统 规 划 的 影 响 , 重 点
13、讨论 了 包 含 DG 的 配 电 网 规 划 的 两 个 方 面 , 即 DG 的 布 点 规 划 和 配 电 网扩 展 规 划 问 题 , 它 们 都 必 须 在 考 虑 各 种 政 策 、 技 术 、 经 济 约 束 后 , 确 定安 装 DG 的 最 优 方 案 并 使 方 案 的 总 成 本 最 小 。基于改进粒子群算法对混合微网电源容量的优化1. 混 合 微 电 网 模 型 ：2. 风机功率模型：3.太阳能电池组功率模型：基于粒子群算法的微电网分布式电源优化规划3.模型优化示意图基于自适应变异粒子群算法的分布式电源选址与容量确定1 分布式电源选址与容量确定摘要： 在不考虑负荷新增节
14、点的情况下进行分布式发电的布点规划，建立了以配电网年运行费用最小为目标的经济模型。 模型中针对分布式电源运行费用引入固定安装费用权重因子，更准确地刻画了分布式电源接入后配电网费用的变化。同时，为克服粒子群算法存在的早熟问题，采用自适应变异的粒子群算法 (adaptive mutation particle swarmoptimization algorithm， AMPSO)对配电网中的 DG 选址和定容进行了优化。 通过对 IEEE 33 节点配电网测试系统进行分析，验证了上述模型的准确性和求解算法的有效性。关键词：分布式发电；选址和定容；配电网规划；粒子群算法分布式发电(distribut
15、ed generation，DG)是为了满足一些特殊用户的需求，支持已有配电网经济运行而设计和安装的在用户处或其附近的小型发电机组(容量一般小于 30MW)，或坐落在用户附近使负荷供电可靠性及电能质量都得到增强的发电形式1。当大量 DG 接入配电网时，配电网由一个辐射状网络结构变为一个遍布电源与用户互联的系统，这会影响电力系统的正常运行2-7，其影响程度与 DG 位置和容量密切相关，因此有必要对接入配电网的 DG 进行规划。DG 规划一般包括 2 个方面，即确定安装位置和安装容量。文献7-8 均采用遗传算法对配电网中分布式电源规划进行优化，但遗传算法在求解过程易出现收敛速度较慢、易早熟等现象。
16、其中，文献7建立的数学模型中 DG 的安装费用仅与安装容量相关，未考虑综合环境因素。文献9应用机会约束规划建立了以独立发电商收益最大为目标函数的分布式风电源接入现有配电网的选址定容模型，但文中未考虑分布式风电源接入配电网后对网损影响造成的成本变化。文献10提出了采用混合模拟退火算法的改进粒子群优化算法进行 DG的选址与定容计算，使配电网网损进一步减少。文献8仅考虑了 DG 注入后使网络损耗值最小为目标函数的 DG 规划问题，对于综合考虑接入 DG 后的发电成本优化问题未体现。基于以上不足，本文在不考虑负荷新增节点的情况下，建立了以配电网网损费用、分布式电源运行费用及购电总费用最小为目标的含 D
17、G 的配电网规划经济模型。针对分布式电源运行费用子目标函数，引入权重因子，对系统不同负荷节点的固定安装费用赋以不同的权值。为了克服粒子群算法易早 156 叶德意等：基于自适应变异粒子群算法的分布式电源选址与容量确定熟的问题，本文利用自适应变异的粒子群优化算法(adaptive mutation particle swarm optimization algorithm，AMPSO)对 DG 的位置和容量进行优化。1 含分布式电源的配电网规划模型 配电网规划的目的是在满足用户供电和保证网络运行约束的前提下，寻求一组最优的决策变量，使投资、网损和用户停电损失之和最小。本文在现有配电网中对 DG 的
18、布点和容量进行优化，使配电网年运行费用最小。其目标函7式中： L C 为电网网损费用； DG C 为分布式电源的运行总费用； en C 为购电费用。 电网网损费用的表达式为 式中： e C 为单位电价，元/kW h； max j 为支路 j 的年最大负荷损耗小时数； jR 为支路 j 的电阻； jP 为流过支路 j 的有功功率； N U 为线路 j 的额定电压；j 为线路流过的负荷功率因数。 分布式电源的运行总费用 DG C 包括安装费用、运行维护费用和燃料费用。本文均假设接入的分布式电源所需的燃料为可再生能源，因此燃料费用为零11。分布式电源运行总费用的表达式为 式中： max T 为分布式
19、电源的最大发电小时数；m 为接入配电网的 DG 总个数； i 为分布式电源 i 的功率因数； DGiS 为第 i 个分布式电源的容量； eDGiC 为第 i 个分布式电的单位电量成本，元/kWh；r 为固定年利率； DG n 为投资回收期； DGiC 为第 i 个分布电源的安装成本，元/kW； OMiC 为第 i 个分布式电源的固定安装成本； 123 (, , ) iafxxx = 为固定安装成本权重系数，其中 1 x 为 DG 接入位置的环境许可程度， 2 x 为安装位置地价，3 x 为 DG 的运输及人力耗费等综合因素。 通常情况下，人们都选择从常规电源购电，而当 DG 出现后，既可选择从
20、常规电源处购电，也可选择从 DG 处购电。基于此，可将由 DG 供电的费用和配电网规划后网损降低的部分作为减少的购电费用加入目标函数中。购电费用的表达式为 式中： max T 为最大负荷年利用小时数； W P 为电网总容量； DG P 为分布式电源的总有功出力； lossP 为规划前后网络有功网损之差； lossP 为规划前网络有功网损； lossP 为规划后网络有功网损。 约束条件包括潮流方程约束、节点电压约束、导线电流不等式约束、分布式电源运行约束、待选节点 DG 安装容量约束。其中潮流方程约束为 式中：iP 和 iQ 分别为节点 i 的有功和无功注入量； iU 为节点 i 的电压幅值；
21、DGiP 和 DGiQ 分别为分布式电源注入节点 i 的有功和无功功率。节点电压约束为 式中： max iU 和 min iU 分别为 iU 的上限和下限； u K 为支路 i 的电压惩罚因子； U K 为节点电压惩罚因子，作为对偏离运行极值的惩罚，一般取值较大，满足时则取值为 0。导线电流不等式约束为 式中： jI 为支路 j 的电流； max jI 为支路 j 允许通过的电流上限；Ki 为支路 i 的电流惩罚因子； IK 为导线电流惩罚因子，取值的原则同 U K 。分布式电源运行约束为 式中： DG S 为分布式电源允许接入的总容量； L S 为电网负荷总容量的 10%12； DG K 为
22、分布式电源注入量惩罚因子，取值原则同 U K 。待选节点 DG 安装容量约束为 式中 iP 为节点 i 允许安装的 DG 最大容量。 将上述模型的不等式约束以惩罚因子的形式并入归一化目标函数，所得的新目标函数为式中：n 为电网节点总数；L 为电网支路总数。2 基于 AMPSO 的分布式电源布点规划 2.1 自适应变异粒子群优化算法 粒子群优化(particle swarm optimization，PSO)算法是由 Kennedy 和 Eberhart 提出的一种基于鸟类群体智能搜索的随机演化计算方法，对求解大规模优化问题有很快的收敛速度和全局寻优能力13。 在每一次迭代过程中，各粒子根据如下
23、公式进行迭代操作，以更新自己的速度和位置： 式中： idkp 为当前粒子的历史最优位置； gdkp 为整个粒子群的历史最优位置；w 为惯性权重； 1 c 和 2 c 为非负的学习因子， 1 r 和 2 r 为0,1之间的随机数。 惯性权重 w使粒子保持运动的惯性，使其有扩展搜索空间的趋势，有能力搜索新的区域。为了改善算法的收敛性能，避免粒子在全局最优解附近“振荡” ，本文采用自适应的粒子群算法调整w，使其随算法迭代而线性地减少14，即 式中： min w 、 max w 分别为惯性权重的最小值和最大值； itern 为当前迭代次数； itermax n 为最大迭代次数。 粒子群算法结构相对简单
24、，运行速度快，但在运行过程中容易陷入局部最优。鉴于此，本文在算法运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最优粒子的变异概率15。变异操作增强了粒子群优化算法跳出局部最优解的能力，能有效避免早熟问题。 由于各粒子的位置可通过适应度值来体现，因此，通过分析群体中所有粒子适应度值的整体变化来实现对各粒子“聚集”程度的定量描述。群体适应度方差为 式中：n 为粒子群体规模； if 为第 i 个粒子的适应度值； avg f 为粒子群体目前的平均适应度； 2 为粒 子群的群体适应度方差； f 是归一化定标因子，用于限制 2 的大小，可利用如下公式计算：式(14)表明，群体适应度方差 2 反
25、映了粒子群的“收敛 ”程度： 2 越小，则粒子群趋于收敛；反之，粒子群则处于随机搜索阶段。 为了使算法在陷入搜索停滞时保证各粒子朝新的方向搜索，根据群体适应度方差 2 的大小确定变异概率 k P 的大小。变异操作的计算公式16如下： 式中： k P 为第 k 次迭代中群体全局最优的变异概率； 2k 为第 k 次迭代中群体的适应度方差； max P 和 min P 分别为变异概率的最大值和最小值。 本文采用增加随机扰动的方法17对 gdkp 进行变 异操作，具体做法如下： 式中 为服从 Guass (0, 1)分布的随机变量。 2.2 DG 布点规划的优化 2.2.1 编码方案 为了同时对分布式
26、电源接入的位置和容量进行优化， 本文充分利用 PSO 算法实数编码的特点进行编码。 将 DG 的额定功率转换为固定编号来表示，即令 DG s ii P xP = ， 其中 sP 为基准容量， ix 取0, M 区 间的实数值， 编号对应的最大取值 DGmax s/ iM PP = ，其中 DGmaxiP 为节点 i 允许接入的 DG 最大功率。 经过上述处理后，对于一个允许M 个节点安装 DG 的辐射状配电网，DG 的安装方案可用一组变量 12 , , , M Xxx x = “ 表示，其中 ix 说明了对应的负荷节点 i 的 DG 建设情况， 若 0 ix = 则说明该负荷节点不安装 DG，
27、若 () ixCC = 为常数 则说明该负荷节点上待建 DG，且安装容量为 DG s iP CP = 。 2.2.2 适应度函数 含 DG 的配电网规划数学模型以配电网年运行费用最小为目标函数，属于最小值优化问题。PSO 算法适用于求解此类问题，故可直接将归一化的目标函数作为适应度函数，即 从式(17)可以看出：当 X 越接近目标函数最优点，其适应度越小；反之，其适应值越大2.3 算法流程 基于 AMPSO 算法的 DG 布点规划流程如下： 1）初始化。输入配电网络原始数据，获取配电网节点信息和支路信息， 确定电压、 电流上下限，以满足约束条件中关于分布式发电的容量限制。初始化算法参数，即粒子
28、群体的规模 N 、最大迭代次数 itermax n 、惯性权重 w、学习因子 12 cc 、 ，粒子更新的最大速度等。 2）设定迭代次数 iter0 n = ，利用随机数发生器在可行域内生成 M 个粒子，各粒子位置为 ix ，同 158 叶德意等：基于自适应变异粒子群算法的分布式电源选址与容量确定 Vol. 35 No. 6 时在一定范围内设定初始速度 iv ，并设定各初始粒子的个体最优解和全局最优解为某一足够大值。 3）对于种群中每个粒子，应用前推回代法7 进行潮流计算和目标函数计算。根据计算结果按式(17)评估种群中每个粒子的适应值，取其中最小值 作为群体当前的最优解 gd p ，设定每个
29、粒子当前位置为认知最优解 id p 。 4）更新计数器 iter iter1 nn =+ ；根据式(12) 更新惯性权重 w；根据式(11)计算每个粒子的位置 ix 和速度 iv ；迭代过程中若粒子出现越界，则根据边界变异策略17处理该粒子；若 max ivv 则 max ivv = ，若 max ivv ，则 max ivv = ； 5）应用前推回代法进行潮流计算和目标函数计算，重新评估每个粒子的适应值。比较各粒子适应值 fitness() if X 和当前个体最优解 id p ，若某个粒子的适应值 fitness() if X id p ，则 id p = fitness() if X ，
30、 pi ix x = 。令所有粒子 fitness() if X 中的最小值为 fitnessmin f ，若 fitnessmin f gd p ，即本代群体最优解小于上代群体最优解，则 gd fitnessmin pf = 。 6）对粒子群进行变异操作。根据式 (13)计算群体适应度方差，根据式(15)计算变异概率，产生随机数 0,1 r ，如果 k rP ，则按式(16)进行变异操作，否则转向步骤 6） ； 7）判断 itern 是否已达到预置的最大迭代次数 itermax n ，是则转向步骤 8） ，否则转向步骤 4） 。 8）输出最优解，即迭代终止时的 gd p 。 求解非线性约束问
31、题的混合粒子群优化算法资料采用改进细菌觅食算法的风/ 光 /储 混 合 微 电 网 电 源 优 化 配 置微电网在提高终端用户多样化的供电可靠性、电 能 质 量 等 方 面 具 有 重要 作 用 。随着微电网控制技 术 的 持 续 发 展 和 可 再 生 能 源 发 电 成 本 的 不 断降 低 ， 微 电 网 可 以 表 现 为 一 个 孤 岛 独 立 运 行 的 有 源 自 治 电 力 系 统 实 现节 能 减 排 。微电网也是解决现代新 农 村 电 气 化 的 经 济 供 电 方 式 ， 避 免 了远 距 离 输 电 带 来 的 电 能 损 耗 和 建 设 费 用 ，也可以应用于边远军
32、事 哨 所 、岛 屿 供 电 、 高 海 拔 独 立 电 网 等 特 殊 场 合 ， 是对传统供电形式的有利补充。在 微 电 网 规 划 中 ， 合 理 的 电 源 选 型 和 定 容 是 一 个 重 要 和 复 杂 的 问题 ：（ 1） 经 济 性 （ 2） 环 保 性 （ 3） 响 应 特 性 （ 4） 系 统 性1.风 电 机 组 的 输 出 功 率 与 风 速 之 间 的 近 似 关 系 可 用 如 下 分 段 函 数表示：2.光 伏 列 阵 实 际 输 出 功 率 可 由 标 准 额 定 条 件 下 的 输 出 功 率 、 光 照强 度 、 环 境 温 度 得 ：3. 储 能 装 置
33、 模 型 ， 蓄电池实际可用容量 Ebat 是电池温度的函数：4微电网电源优化配置模型目标函数：5.其他公式：6. 改进的细 菌 觅 食 算 法 求 得 最 优 解 的 流 程传统多目标优化方法和多目标遗传算法的比较综述 多 目 标 最 优 化 是 一 门 迅 速 发 展 起 来 的 学 科 ， 是 最 优 化 的 一 个 重 要分 支 ， 它 主 要 研 究 在 某 种 意 义 下 多 个 数 值 目 标 的 同 时 最 优 化 问 题 ， 吸引 了 不 少 学 者 的 关 注 。 在 现 实 生 活 中 ， 人 类 改 造 自 然 的 方 案 规 划 与 设 计过 程 在 总 体 上 都
34、反 映 了 “最 大 化 效 益 ， 最 小 化 成 本 ”这 一 基 本 优 化 原 则 ，在 合 作 对 策 问 题 中 如 何 求 解 最 优 策 略 以 获 得 共 赢 目 标 ， 在 非 合 作 对 策 问 题中 如 何 使 自 己 的 利 益 实 现 最 大 化 ， 使 对 方 的 受 益 最 小 化 ， 以 及 控 制 工 程中 的 稳 、 准 、 快 等 时 域 指 标 与 稳 定 域 度 、 系 统 带 宽 等 频 域 特 性 的 综 合问 题 等 ， 实 际 上 都 是 多 目 标 的 优 化 问 题 ， 因 此 多 目 标 优 化 问 题 在 现 实 世界 中 随 处 可
35、 见 。2. 多目标优化模型：2传统的优化算法：（3） 加 权 求 和 法 （4） 约束法（ 3） 最 小 -最 大 法3.多目标遗传算法:遗 传 算 法 GA（ Genetic Algorithm） 是 受 生 物 学 进 化 学 说 和 遗 传 学理 论 的 启 发 而 发 展 起 来 的 ， 是 一 类 模 拟 自 然 生 物 进 化 过 程 与 机 制 求 解 问题 的 自 组 织 与 自 适 应 的 人 工 智 能 技 术 ， 是 一 种 借 鉴 生 物 界 自 然 选 择 和自 然 遗 传 机 制 的 随 机 的 搜 索 算 法 ， 由 Holland 教 授 于 1975 年 提
36、 出 。Goldberg 总结了一种 统 一 的 最 基 本 的 遗 传 算 法 ， 称 为 基 本 遗 传 算 法（ Simple Genetic Algorithms， SGA） 。 只 使 用 基 本 的 遗 传 算 子 ： 选 择 算子 、 交 叉 算 子 和 变 异 算 子 。 其 遗 传 进 化 过 程 简 单 ， 容 易 理 解 ， 是 其 他 遗传 算 法 的 雏 形 和 基 础 。常用的几种多目标遗传算法：（ 1） 并 列 选 择 法 （ 2） 非 劣 分 层 遗 传 算 法 （ NSGA）（ 3） 基 于 目 标 加 权 法 的 遗 传 算 法 （ 4） 多 目 标 粒 子
37、 群 算 法 （ MOPSO）（ 5） 微 遗 传 算 法 （ Micro-Genetic Algorithm， Micro-GA）4. 多 目 标 粒 子 群 算 法 （ MOPSO）粒 子 群 优 化 算 法 （ Particle Swarm Optimization， PSO） 是 一 种 进 化计 算 技 术 ， 由 美 国 学 者 Eberhart 和 kennedy 于 1995 年 提 出 ， 但 直 到 2002 年 它 才 被 逐 渐 用 到 多 目 标 优 化 问 题 中 。 PSO 初 始 化 为 一 随 机 粒 子种 群 ， 然 后 随 着 迭 代 演 化 逐 步 找
38、到 最 优 解 。 在 每 次 迭 代 中 ， 粒 子 通 过 跟 踪两 个 “极 值 ”来 更 新 自 己 ， 一 个 是 粒 子 本 身 所 找 到 的 个 体 极 值 pBest,另一 个 是 该 粒 子 所 属 邻 居 范 围 内 所 有 粒 子 找 出 的 全 局 极 值 qBest。 MOPSO 与 求 解 单 目 标 的 PSO 相 比 ， 唯 一 的 区 别 就 是 不 能 直 接确 定 全 局 极 值 qBest， 按 照 pareto 支 配 关 系 从 该 粒 子 的 当 前 位 置 和 历 史最 优 位 置 中 选 取 较 优 者 作 为 当 前 个 体 极 值 ， 若
39、 无 支 配 关 系 ， 则 从 两 者 中随 机 选 取 一 个 。含分布式电源的配电系统规划分 布 式 发 电 ( distr ibuted g eneratio n, DG ) 指 的 是 为 了 满 足 一 些 特 殊用 户 的 需 求 , 支 持 已 有 的 配 电 网 的 经 济 运 行 而 设 计 和 安 装 的 在 用 户 处 或其 附 近 的 小 型 发 电 机 ( 一 般 小 于 30 M W) , 或 坐 落 在 用 户 附 近 使 得 负荷 的 供 电 可 靠 性 及 电 能 质 量 都 得 到 增 强 , 或 者 由 于 就 地 应 用 热 电 联 产 使得 效 率
40、得 到 提 高 的 发 电 形 式 1 。目 前 开 发 的 分 布 式 电 源 在 减 轻 环 境的 污 染 , 降 低 终 端 用 户 的 费 用 等 方 面 具 有 一 定 的 优 势 , 同 时 又 具 有 高 效性 和 灵 活 性 的 特 点 以 及 满 足 能 源 可 持 续 发 展 的 要 求 。 因 此 随 着 DG 的技 术 性 能 不 断 改 善 , 成 本 进 一 步 降 低 , 其 在 电 力 系 统 中 所 占 的 比 重 逐 步增 长 。 D G 与 常 规 电 力 系 统 并 网 运 行 的 趋 势 越 来 越 明 显 , DG 并 网 后 对电 力 系 统 运
41、行 、 控 制 、 保 护 等 各 方 面 会 产 生 一 定 影 响 。为 了 使 DG 可 以 在 避 免 降 低 公 共 电 网 系 统 的 电 能 质 量 、 可 靠 性 以 及 可 控 性 的 方式 下 运 行 , 必 须 对 DG 在 电 网 中 的 存 在 进 行 规 划 。 当 DG 与 大 电 网 并联 时 , 大 规 模 的 DG( 通 常 为 几 十 M W) 一 般 与 较 高 电 压 等 级 的 电 网 ( 一 级 配 电 电 压 ) 相 联 , 如 35 kV 、 110 kV 甚 至 更 高 。非 常 分 散 的 居 民 、 商 业 和 工 业 用 DG 一 般
42、与 当 地 配 电 电 压 级 电 网 相联 , 如 35 kV 、 10 kV 和 380/ 220V 。可以看出大部分的 D G 直 接 运 行在 配 电 网 中 , 因 此 就 有 必 要 重 点 研 究 一 下 目 前 配 网 规 划 以 及 DG 对 配网 规 划 所 产 生 的 影 响 。 DG 的 存 在 使 得 配 网 规 划 不 再 只 是 单 纯 的 、 传统 的 电 力 系 统 规 划 , 它 使 得 电 力 系 统 规 划 与 国 家 能 源 政 策 、 可 持 续 发 展 之间 的 联 系 更 加 紧 密 。 本 文 分 析 了 DG 对 配 电 系 统 规 划 的
43、影 响 , 重 点 讨论 了 包 含 DG 的 配 电 网 规 划 的 两 个 方 面 , 即 DG 的 布 点 规 划 和 配 电 网扩 展 规 划 问 题 , 它 们 都 必 须 在 考 虑 各 种 政 策 、 技 术 、 经 济 约 束 后 , 确 定安 装 DG 的 最 优 方 案 并 使 方 案 的 总 成 本 最 小 。基于改进粒子群算法对混合微网电源容量的优化4. 混 合 微 电 网 模 型 ：5. 风机功率模型：3.太阳能电池组功率模型：基于粒子群算法的微电网分布式电源优化规划6.模型优化示意图基于自适应变异粒子群算法的分布式电源选址与容量确定1 分布式电源选址与容量确定摘要：
44、 在不考虑负荷新增节点的情况下进行分布式发电的布点规划，建立了以配电网年运行费用最小为目标的经济模型。 模型中针对分布式电源运行费用引入固定安装费用权重因子，更准确地刻画了分布式电源接入后配电网费用的变化。同时，为克服粒子群算法存在的早熟问题，采用自适应变异的粒子群算法 (adaptive mutation particle swarmoptimization algorithm， AMPSO)对配电网中的 DG 选址和定容进行了优化。 通过对 IEEE 33 节点配电网测试系统进行分析，验证了上述模型的准确性和求解算法的有效性。关键词：分布式发电；选址和定容；配电网规划；粒子群算法分布式发电
45、(distributed generation，DG)是为了满足一些特殊用户的需求，支持已有配电网经济运行而设计和安装的在用户处或其附近的小型发电机组(容量一般小于 30MW)，或坐落在用户附近使负荷供电可靠性及电能质量都得到增强的发电形式1。当大量 DG 接入配电网时，配电网由一个辐射状网络结构变为一个遍布电源与用户互联的系统，这会影响电力系统的正常运行2-7，其影响程度与 DG 位置和容量密切相关，因此有必要对接入配电网的 DG 进行规划。DG 规划一般包括 2 个方面，即确定安装位置和安装容量。文献7-8 均采用遗传算法对配电网中分布式电源规划进行优化，但遗传算法在求解过程易出现收敛速度
46、较慢、易早熟等现象。其中，文献7建立的数学模型中 DG 的安装费用仅与安装容量相关，未考虑综合环境因素。文献9应用机会约束规划建立了以独立发电商收益最大为目标函数的分布式风电源接入现有配电网的选址定容模型，但文中未考虑分布式风电源接入配电网后对网损影响造成的成本变化。文献10提出了采用混合模拟退火算法的改进粒子群优化算法进行 DG的选址与定容计算，使配电网网损进一步减少。文献8仅考虑了 DG 注入后使网络损耗值最小为目标函数的 DG 规划问题，对于综合考虑接入 DG 后的发电成本优化问题未体现。基于以上不足，本文在不考虑负荷新增节点的情况下，建立了以配电网网损费用、分布式电源运行费用及购电总费
47、用最小为目标的含 DG 的配电网规划经济模型。针对分布式电源运行费用子目标函数，引入权重因子，对系统不同负荷节点的固定安装费用赋以不同的权值。为了克服粒子群算法易早 156 叶德意等：基于自适应变异粒子群算法的分布式电源选址与容量确定熟的问题，本文利用自适应变异的粒子群优化算法(adaptive mutation particle swarm optimization algorithm，AMPSO)对 DG 的位置和容量进行优化。2 含分布式电源的配电网规划模型 配电网规划的目的是在满足用户供电和保证网络运行约束的前提下，寻求一组最优的决策变量，使投资、网损和用户停电损失之和最小。本文在现有
48、配电网中对 DG 的布点和容量进行优化，使配电网年运行费用最小。其目标函7式中： L C 为电网网损费用； DG C 为分布式电源的运行总费用； en C 为购电费用。 电网网损费用的表达式为 式中： e C 为单位电价，元/kW h； max j 为支路 j 的年最大负荷损耗小时数； jR 为支路 j 的电阻； jP 为流过支路 j 的有功功率； N U 为线路 j 的额定电压；j 为线路流过的负荷功率因数。 分布式电源的运行总费用 DG C 包括安装费用、运行维护费用和燃料费用。本文均假设接入的分布式电源所需的燃料为可再生能源，因此燃料费用为零11。分布式电源运行总费用的表达式为 式中：
49、max T 为分布式电源的最大发电小时数；m 为接入配电网的 DG 总个数； i 为分布式电源 i 的功率因数； DGiS 为第 i 个分布式电源的容量； eDGiC 为第 i 个分布式电的单位电量成本，元/kWh；r 为固定年利率； DG n 为投资回收期； DGiC 为第 i 个分布电源的安装成本，元/kW； OMiC 为第 i 个分布式电源的固定安装成本； 123 (, , ) iafxxx = 为固定安装成本权重系数，其中 1 x 为 DG 接入位置的环境许可程度， 2 x 为安装位置地价，3 x 为 DG 的运输及人力耗费等综合因素。 通常情况下，人们都选择从常规电源购电，而当 DG 出现后，既可选择从常规电源处购电，也可选择从 DG 处购电。基于此，可将由 DG 供电的费用和配电网规划后网损降低的部分作为减少的购电费用加入目标函数中。购电费用的表达式为 式中： max T 为最大负荷年利用小时数； W P 为电网总容量； DG P 为分布式电源的总有功出力； lossP 为规划前后网络有功网损之差； l
