郭梽煒 黃雄峰 翁 杰

(1. 三峽大學(xué) 湖北省微電網(wǎng)工程技術(shù)研究中心，湖北 宜昌 443002； 2. 國網(wǎng)湖北省電力公司檢修公司， 武漢 430000)

近分布式電源是微電網(wǎng)發(fā)展的重要組成部分，具有節(jié)約投資，降低線路損耗，減少環(huán)境污染，提高電力系統(tǒng)穩(wěn)定性和靈活性的特點[1-3]．然而分布式電源的不合理規(guī)劃，不僅會導(dǎo)致資金的浪費，還會造成配電網(wǎng)電壓質(zhì)量，有功網(wǎng)損等配電網(wǎng)技術(shù)指標(biāo)的惡化[4-6]．因此，對分布式電源進行科學(xué)的規(guī)劃，對于配電網(wǎng)的經(jīng)濟發(fā)展、安全運行有著積極作用．

分布式電源的規(guī)劃一般包括確定位置和容量兩部分[7-11]．國內(nèi)外學(xué)者對分布式電源的規(guī)劃進行了大量的研究，優(yōu)化算法主要有啟發(fā)式優(yōu)化算法和數(shù)學(xué)優(yōu)化算法．文獻[12-14]采用遺傳算法對分布式電源的選址和定容進行優(yōu)化，但是遺傳算法存在計算復(fù)雜、收斂速度慢、易出現(xiàn)局部最優(yōu)解等缺點．文獻[15]采用一種單目標(biāo)優(yōu)化方式進行分布式電源規(guī)劃，但是單個目標(biāo)并不能完整滿足實際要求．針對智能優(yōu)化算法收斂速度慢、精度低、易陷入局部最優(yōu)的缺陷，學(xué)者們提出了很多改進啟發(fā)式智能算法，通過設(shè)計正交試驗來實現(xiàn)最優(yōu)解區(qū)間的搜索，例如正交遺傳算法[16]、正交交叉算子的元胞差分進化算法[17]、正交免疫克隆粒子群算法[18]等，但是這些算法僅僅在種群初始化過程設(shè)計正交試驗，并沒有完全利用正交設(shè)計的搜索功能．

本文綜合考慮分布式電源規(guī)劃經(jīng)濟性和安全可靠性，建立以DG投資和運行成本、有功網(wǎng)損、電壓偏移量為目標(biāo)函數(shù)的多目標(biāo)優(yōu)化模型，提出一種改進正交優(yōu)化群智能算法對分布式電源的選址和定容進行優(yōu)化求解，并將其優(yōu)化結(jié)果與遺傳算法的優(yōu)化結(jié)果比較，驗證該算法的可行性和優(yōu)異性．

1 分布式電源規(guī)劃模型

1.1 目標(biāo)函數(shù)

分布式電源規(guī)劃中，要求具有較優(yōu)的配電網(wǎng)的有功網(wǎng)損、投資運行成本及負荷點電壓偏移量等．

1)配電網(wǎng)的有功網(wǎng)損f1最小如下：

(1)

式中，Ploss為配電網(wǎng)有功網(wǎng)損；Gk(i，j)為相應(yīng)支路k的電導(dǎo)；Ui，Uj分別為節(jié)點i，j的電壓幅值；δij為相應(yīng)節(jié)點i，j的電壓相角差；

2)分布式電源投資運行成本f2最小如下：

(2)

式中，NDG為安裝DG的節(jié)點數(shù)，Caz，i為i節(jié)點運行維護成本，COM，i為i節(jié)點安裝投資成本，單位為萬元/(kW·h)；PDGi為i節(jié)點DG容量；n為DG的使用年限；r為貼現(xiàn)率．

3)負荷點電壓偏移量f3最小如下，

(3)

式中，Ui，UNi分別表示負荷節(jié)點i的實際電壓、額定電壓．

以配電網(wǎng)的有功功損、分布式電源投資運行成本、負荷點電壓偏移量為評價目標(biāo)，分布式電源選址和定容的多目標(biāo)優(yōu)化模型如式(4)所示：

minf=(f1，f2，f3)

(4)

1.2 約束條件

分布式電源規(guī)劃的約束條件分有不等式約束條件與等式約束條件.

1)不等式約束條件

DG總有功功率約束條件：

(5)

式中，PDG.all為DG總有功功率上限．

DG的節(jié)點電壓約束條件：

Vimin≤Vi≤Vimax，i=1，2，…，NB

(6)

式中，Vimin，Vimax分別為節(jié)點i的電壓下限與上限；NB為系統(tǒng)節(jié)點總數(shù)．

DG的有功功率約束條件：

0≤PDGi≤PDGimax，i=1，2，…，NDG

(7)

2)DG等式約束條件為

(8)

式中，Gij，Bij分別為節(jié)點i，j間的電導(dǎo)和電納；PGi，QGi分別為節(jié)點i發(fā)電機的有功功率和無功功率；PLi，QLi分別為節(jié)點i負荷的有功功率和無功功率．

2 改進正交優(yōu)化群智能算法原理

啟發(fā)式智能算法其本身的運算規(guī)則決定了算法搜索最優(yōu)解的能力，像蟻群算法、遺傳算法這些傳統(tǒng)的群智能算法其帶有本身搜索能力低、收斂性差的缺陷，會造成計算量大，搜索時間長，易陷入局部最優(yōu)解等問題，因此提出了一種改進正交優(yōu)化群智能算法．

2.1 正交試驗

正交試驗是一種利用正交表來安排與分析多因素試驗的設(shè)計方法[19-20]．通過分析部分有代表性的組合，達到了解全部試驗的目的，從而找出最優(yōu)組合，具有操作簡單、高效率的特點．

2.2 方差比例分析

統(tǒng)計概論學(xué)：

(9)

式中，SSA包含指數(shù)A的純粹波動平方和以及部分誤差的波動平方．

σ2的無偏估計量：

σ2=Ve

(10)

指數(shù)A引起的純粹波動平方和：

(11)

計算誤差引起的純粹波動平方和：

(12)

方差比例定義為純粹波動平方與占總波動比：

(13)

ρA+ρB+…+ρM+ρe=1

將傳統(tǒng)方差分析方法和純粹波動相結(jié)合，得到基于純粹波動的方差比例分析方法．

2.3 改進正交優(yōu)化群智能算法

雖然方差分析可以計算各因素對試驗指標(biāo)影響的主次順序，得到最優(yōu)解．但是該最優(yōu)解僅僅局限于正交表設(shè)計的局部最優(yōu)解，并不能得到整個問題的最優(yōu)解．如果在方差分析中進行方差比例分析，根據(jù)各個因素求出來的方差比例，可以得到正交優(yōu)化的搜索方向和搜索步長，就能夠完全利用方差分析中的有效信息．

1)建立初始正交表．

正交表La(bc)是改進正交優(yōu)化群智能算法的重要部分，L代表正交表，a是指正交表行數(shù)，b是指正交表的因素水平數(shù)，c是指正交表列數(shù)，選擇正交表的原則是在滿足試驗要求的前提下，盡量選擇規(guī)格較小的正交表，以減少試驗的次數(shù)．

2)種群的評估．

根據(jù)多目標(biāo)函數(shù)以及其約束條件對初始化種群進行計算和評估，在方差分析過程的基礎(chǔ)上，加入方差比例分析，尋找搜索方向以及搜索步長．

3)建立新的正交表．

方差比例分析結(jié)果中包括了F顯性檢測，因此無需再進行F顯性檢測，根據(jù)當(dāng)前正交表的最優(yōu)結(jié)果的變量值以及計算得到的方差比例，可以構(gòu)造成一個新的正交表，算法會進入循環(huán)狀態(tài)，不斷進行方差比例分析和最優(yōu)解搜索，直到各變量方差比例相等，得到最優(yōu)解．

3 改進正交優(yōu)化群智能算法在分布式電源規(guī)劃中的應(yīng)用

結(jié)合本文提出的分布式電源規(guī)劃多目標(biāo)優(yōu)化模型，將改進正交優(yōu)化群智能算法應(yīng)用于分布式電源選址定容中．在多目標(biāo)規(guī)劃中各個子目標(biāo)可能是相互沖突的，一個子目標(biāo)的改善有可能引起另一個子目標(biāo)性能的降低，只能在他們中間進行協(xié)調(diào)和折中處理，使各個子目標(biāo)函數(shù)盡可能達到最優(yōu)，因此用模糊綜合判斷法將多個優(yōu)化子目標(biāo)歸一化，轉(zhuǎn)化為單一目標(biāo)進行優(yōu)化是最合適的．模糊綜合判斷法通過模糊變換原理和最大隸屬度原則，對分布式電源的多目標(biāo)優(yōu)化模型進行評判，將有功網(wǎng)損、電壓偏移量、DG投資和運行成本的指標(biāo)統(tǒng)一量化，并根據(jù)各個指標(biāo)對分布式電源的影響程度來確定其權(quán)重大小，從而對DG作出合理的綜合評價．

(i=1，2，3；j=1，2，3，…，a)

(14)

式中，cij(i=1，2，3；j=1，2，3，…，a)表示第個i優(yōu)化目標(biāo)(有功網(wǎng)損，投資運行成本，電壓偏移量)的第j個試驗結(jié)果，rij表示第i個優(yōu)化目標(biāo)(有功網(wǎng)損，投資運行成本，電壓偏移量)中第j個試驗結(jié)果的值在相應(yīng)優(yōu)化目標(biāo)值總和中所占的比例．

由式(14)得到模糊綜合評判矩陣R=(rij)3×a．根據(jù)經(jīng)驗設(shè)置3個優(yōu)化目標(biāo)的權(quán)系數(shù)向量A=(a1，a2，a3)，根據(jù)式(15)計算綜合評判向量B1×a，綜合評判向量中最小值所對應(yīng)的試驗號即為分布式電源規(guī)劃的局部最優(yōu)值X=(x1，x2，x3，…，xc)

bj=∑(ai·rij)(j=1，2，…，a)

(15)

式中，ai為權(quán)系數(shù)值，bj為綜合評判值．

基于改進正交優(yōu)化群智能算法的分布式電源規(guī)劃流程框圖如圖1所示，步驟如下：

Step1：讀取配電網(wǎng)相關(guān)參數(shù)．輸入節(jié)點網(wǎng)絡(luò)的原始數(shù)據(jù)：節(jié)點網(wǎng)絡(luò)的支路數(shù)據(jù)電導(dǎo)Gij和電納Bij；負荷端有功功率PLi以及無功功率QLi；系統(tǒng)的發(fā)電機有功功率PGi以及無功功率QGi；確定電壓上下限Vimin、Vimax；各節(jié)點分布式電源的容量PDGi．

Step2：構(gòu)建正交表La(bc)．根據(jù)模型的需求確定代表分布式電源規(guī)劃正交試驗的樣本數(shù)a、代表分布式電源容量的正交表因素水平數(shù)b、代表節(jié)點數(shù)的正交表列數(shù)c．

Step3：計算局部最優(yōu)值．根據(jù)所建立的多目標(biāo)函數(shù)和約束條件，對配電網(wǎng)系統(tǒng)進行潮流計算，通過模糊評估法計算出局部最優(yōu)值X=(x1，x2，x3，…，xc)．

Step4：方差比例分析．在正交表的方差分析中，根據(jù)式(9)～(13)計算出各變量的方差比例ρi．如果變量的方差比例ρi不相等，進入步驟(5)；反之，進入步驟(6)．

Step5：建立新的正交表．根據(jù)上一輪迭代得到的分布式電源容量的局部最優(yōu)解X=(x1，x2，x3，…，xc)以及各變量的方差比例，構(gòu)造一個新的正交表，繼續(xù)對種群進行評估，更新局部最優(yōu)值．

圖1 分布式電源規(guī)劃的流程框圖

4 算例分析

根據(jù)本文提出的分布式電源規(guī)劃數(shù)學(xué)模型以及改進正交優(yōu)化群智能算法，通過Matlab對IEEE14節(jié)點配電系統(tǒng)進行仿真，其配電網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，采用標(biāo)幺值計算，基準(zhǔn)功率為100 MV·A，各節(jié)點的電壓為0.95～1.05倍基準(zhǔn)電壓，將分布式電源作為普通的PQ點來處理，設(shè)節(jié)點1為平衡節(jié)點，設(shè)置因素數(shù)c=13，因素水平數(shù)b=3，試驗數(shù)a=27，建立正交表L27(313)．在多目標(biāo)模型的模糊綜合評估，有功網(wǎng)損、電壓偏移量、投資和運行成本的權(quán)重分別為1/2，3/8，1/8，分布式電源規(guī)劃見表1．

圖2 IEEE14節(jié)點配電系統(tǒng)

本文提出的改進正交優(yōu)化群智能算法對分布式電源進行規(guī)劃，主要是針對同一個分布式電源規(guī)劃問題所提出來的，在相同分布式電源規(guī)劃問題的條件下，對改進正交優(yōu)化群智能算法和遺傳算法進行對比．

從表1可看出，根據(jù)遺傳算法進行分布式電源規(guī)劃：2，4，6這3個節(jié)點，安裝容量均為0.25 MW；根據(jù)改進正交優(yōu)化群智能算法進行分布式電源規(guī)劃：4，6，11，13這4個節(jié)點，安裝容量分別為：0.118 MW，0.193 MW，0.25 MW，0.188 9 MW．

表1 分布式電源安裝位置和安裝容量

由表2可以看出，不含DG的配電網(wǎng)的有功網(wǎng)損為0.276 5 MW，電壓偏移量為0.239 4．兩種含有DG規(guī)劃配電網(wǎng)的有功網(wǎng)損和電壓偏移量均比不含DG配電網(wǎng)的?。?/p>

表2 3種情況下的結(jié)果分析

由圖3可看出，在接入分布式電源后，提高了配電網(wǎng)的電壓水平，部分節(jié)點電壓距離標(biāo)準(zhǔn)電壓更近，電壓的波動幅度減少，系統(tǒng)電壓穩(wěn)定性得到提高．因此，兩種DG規(guī)劃方法是合理和科學(xué)的．

圖3 電壓分布圖

為了驗證改進正交優(yōu)化群智能算法的有效性以及優(yōu)越性，在數(shù)學(xué)模型與約束條件相等條件下，將其與遺傳算法相比較，由表2得遺傳算法的有功網(wǎng)損為0.171 7 MW，電壓偏移量為0.236，DG投資與運行成本為599.132 6萬元；改進正交優(yōu)化群智能算法的有功網(wǎng)損為0.159 9 MW，電壓偏移量為0.229 6，DG投資與運行成本為599.052 7萬元．通過對比，算法在3個方面均優(yōu)于遺傳算法；并且由圖3可以看出，基于改進正交優(yōu)化群智能算法的DG規(guī)劃提高了配電網(wǎng)最低電壓，相比遺傳算法，配電網(wǎng)的電壓波動幅度更小，電壓穩(wěn)定性更好，說明改進正交優(yōu)化群智能算法優(yōu)化效果更加優(yōu)越．本文采用IEEE14節(jié)點系統(tǒng)仿真是為了方便驗證該算法的正確性，當(dāng)該算法應(yīng)用于大規(guī)模系統(tǒng)時，相當(dāng)于在IEEE14節(jié)點系統(tǒng)的基礎(chǔ)上增加節(jié)點數(shù)，即增加正交表的列數(shù)，而計算的步驟是一樣的，因此該算法也適用于大規(guī)模系統(tǒng)．

5 結(jié) 論

分布式電源接入配電網(wǎng)會使各支路的潮流發(fā)生變化，本文基于有功網(wǎng)損、電壓偏移量、DG投資與運行成本等多目標(biāo)建立了優(yōu)化模型．采用傳統(tǒng)啟發(fā)式智能優(yōu)化算法時，容易陷入局部最優(yōu)解．通過考慮方差比例分析，提高算法搜索方向和搜索范圍，并將這種優(yōu)化算法應(yīng)用于分布式電源進行選址和定容．通過算例仿真證明了算法在分布式電源規(guī)劃中的實用性．通過與遺傳算法計算結(jié)果相對比，證實了其效果更優(yōu)．本文算法的提出對于分布式電源規(guī)劃中減少有功功率損耗、降低系統(tǒng)電壓偏移量有明顯作用．除有功網(wǎng)損、電壓偏移量、DG投資與運行成本等因素對分布式電源規(guī)劃有影響外，地域、氣候等環(huán)境因素、DG隨機不確定性出力也對電源規(guī)劃具有影響，下一步工作中將在建立模型考慮更多因素．

[1] 游文霞，崔 雷，李文武，等．基于模擬退火粒子群算法的含DG配電網(wǎng)重構(gòu)研究[J]．三峽大學(xué)學(xué)報(自然科學(xué)版)，2013，35(3)：45-49．

[2] 王凌云，鄭業(yè)爽，李 升，等．含DG配電網(wǎng)潮流算法及在網(wǎng)損分析中的應(yīng)用研究[J]．三峽大學(xué)學(xué)報(自然科學(xué)版)，2015，37(5)：67-73．

[3] 沈 沉，吳翔宇，王志文，等．微電網(wǎng)實踐與發(fā)展思考[J]．電力系統(tǒng)保護與控制，2014，42(5)：1-11．

[4] Ochoa L F, Harrison G P. Minimizing Energy Losses： Optimal Accommodation and Smart Operation of Renewable Distributed Generation[J]． IEEE Transactions on Power Systems, 2011, 26(1)：198-205．

[5] Viral R, Khatod D K. Optimal Planning of Distributed Generation Systems in Distribution System： a Review[J]． Renewable and Sustainable Energy Reviews, 2012,16(7)：5146-5165．

[6] Broghetti A, Bosetti M, Grillo S, et al. Short-term Scheduling and Control of Active Distribution Systems with High Penetration of Renewable Resources[J]． IEEE Systems Journal, Special Issue on “Identification and Control of Sustainable Energy Systems”, 2010, 4(3)： 313-322．

[7] Abu-Mouti F S, El-Hawary M E. Optimal Distributed Generation Allocation and Sizing in Distribution Systems Via Artificial Bee Colony Algorithm[J]． IEEE Transactions on Power Delivery, 2011, 26(4)： 2090-2101．

[8] Samuelsson O, Repo S, Jessler R, et al. Active Distribution Network-demonstration Projection AD INE[C]． Proceeding of the 2010 IEEE PES Innovative Smart Grid Technologies Conference Europe, October 11-13, 2010, Gothenburg, Sweden： 8p．

[9] 張 躍,楊汾艷,曾 杰，等.主動配電網(wǎng)的分布式電源優(yōu)化規(guī)劃方案研究[J]．電力系統(tǒng)保護與控制,2015,43(15)：67-72．

[10] Georgilakis P S, Hatziargyriou N D. Optimal Distributed Generation Placement in Power Distribution Networks： Models, Methods, and Future Research[J]． IEEE Transactions on Power Systems, 2013,28(3)： 3420-3428．

[11] Rao R S, Ravindra K, Satish K, et al. Power Loss Minimization in Distribution System Using Network Reconfiguration in the Presence of Distributed Generation[J]． IEEE Transactions on Power Systems, 2013, 28(1)： 317-325．

[12] 陳建建,趙彩虹,高星辰等.配電網(wǎng)中分布式電源的優(yōu)化配置研究[J]．電氣技術(shù),2016(5)：36-44．

[13] 麻秀范，崔換君.改進遺傳算法在含分布式電源的配電網(wǎng)規(guī)劃中的應(yīng)用[J]．電工技術(shù)學(xué)報，2011,26(3)：175-181．

[14] 吳萬祿，韋 鋼，謝麗蓉，等.含分布式電源與充電站的配電網(wǎng)協(xié)調(diào)規(guī)劃[J]．電力系統(tǒng)保護與控制，2014,42(15)：65-73．

[15] 黎嘉明,鄭雪陽,艾小猛，等.獨立海島微網(wǎng)分布式電源容量優(yōu)化設(shè)計[J]．電工技術(shù)學(xué)報,2016,31(10)：176-184．

[16] 江中央,蔡自興,王 勇.用于全局優(yōu)化的混合正交遺傳算法[J]．計算機工程,2009,35(4)：204-206．

[17] 丁青鋒,鄭國莘,楊 柳.基于反學(xué)習(xí)和正交交叉算子的元胞差分進化算法[J]．北京郵電大學(xué)學(xué)報,2014,37(3)：7-12．

[18] Wang Guodong, Li Ming, Deng Zhidong, et al. A New Approach to Solve the Mission Assignment Problem for Cooperative UCAVs Using im-mune Particle Swarm Optimizations[C]． In Proc of the 10th World Con-gress on Intelligent Control and Automation, 2012： 549- 554．

[19] 王國新,寧汝新,王愛民.基于仿真和正交試驗的優(yōu)化調(diào)度研究[J]．中國機械工程,2007,18(20)：2444-2448．

[20] 唐益群,袁 斌,李軍鵬.基于正交試驗的黃土泥流運動分析[J]．水利學(xué)報,2015,46(2)：183-189．