国网内蒙古东部电力有限公司乌兰浩特市供电分公司 内蒙古兴安盟 137400
摘要：随着我国经济建设的不断加快，电力需求的不断增加，智能电网建设成为现代化电网建设的重点。而对于智能电网中的分布式电源也成为专业人士所关注的重要内容。本文简要探讨了智能电网建设中分布式电源的规划问题，并结合多目标优化模型，将多目标函数归一化，通过一系列算法优化分布式电源位置和容量，以期能为所需者提供借鉴。
关键词：智能电网；分布式电源；规划
引言
近年来，新型的分布式发电技术发展迅猛，分布式电源大多都是小型的单元发电装置，其合理接入系统后可以改善电压水平，减少系统网络损耗，降低支路的负载率，减少对环境的影响，提高能源利用率，延缓系统网架的升级。一旦分布式电源（DG）接入的容量和位置不合理，就会导致系统网损增大，大大降低了电压的稳定性，从而对配电网的安全生产和运行带来影响。
1DG优化规划模型
在智能配电网规划中，DG的定容和选址是一个多目标优化问题。本文运用了综合考虑DG的总投资额度、网损以及其有功出力最大的多目标规划模型。假定总费用为优化目标f1（x），以万元为单位计算，那么网损和DG最大容量分别为优化目标f2（x）和f3（x），单位则是MW。假定即将安装的DG总数已经确定，那么文中的多目标模型则是含有2个子目标的优化模型。在这样的模型中，由于子目标单位不同，其不可直接加权，必须先归一化目标函数，其归一化后的目标函数为：
.png)
式（1）中权重因子为ω1和ω2，其中ω1+ω2=1。式（2）中：节点i的DG额定安装容量用PDGi来表示；可安装的DG节点总数用nDG来表示；节点i的DG安装成本和单位容量设备总成本分别用ci1和ci2来表示；线路成本为Ci；线路选择系数为Xi，当线路i被选中时，Xi=1，否则Xi=0。式（3）中：新增的负荷总量用PΣ新增表示；最大负荷年利用小时数用Tmax表示；第i个DG的功率因数用λi表示；接入的DG总个数用m来表示；配电网有功损耗用Ploss表示；规划后电价为τ，以元/MW为计算单位。
.png)
式中：节点i的电压幅值为Ui；分别注入各个节点的有功和无功功率为PGi和QGi；两节点之间的电压角度差值为δij；支路电纳和支路电导分别为Bij和Gij；节点电压和支路的有功功率分别为U和PL；支路的有功功率最大值为PLmax；分布式发电率分别为PS和PSmax。
2含DG的配电网潮流计算
依据接入电力系统的方法不同来看，DG可分为为同步机、异步机及换流器三种模型，在潮流计算中，其可以用来作为PQ或者PV节点来进行处理。DG的接入点、负荷量相对大小与网络拓扑结构会对配电网中的线路潮流方向、大小及系统损耗造成一定影响。当DG被安装在配电网的末端时，无论是有功功率还是无功功率均会相对减少；而如果把DG安装到变电站节点上，则无法对线路的负荷能力造成影响，只能对电源总容量造成一定程度上的改变。假设定义△P=PLi-PDGi，则配电网与负荷间的有功功率流动会出现下面三种情况：当△P小于0，节点向配电网输送有功功率△P；当△P等于0，则没有功率流动；当△P>0，配电网反过来向节点输送有功功率△P。
3AGA在DG选址和定容中的应用
3.1DG选址和定容的流程
文中运用了AGA来实现对DG的选址和定容。图1基本流程。
图1改进AGA进行DG选址和定容的流程
.png)
图1改进AGA进行DG选址和定容的流程
3.2初始群体
在遗传算法中，初始解的产生通常都是随机性的。具体流程如下：（1）依据待规划的配电网负荷总容量，来准确定下DG接入的最大容量。（2）随机产生一组初始解。（3）校验群体中的所有个体。
3.3遗传操作
对群体加以遗传操作，其个体之间的信息交换与结构重组即可实现，这样做的目的是不断提高群体品质，无限逼近最优解。遗传算子主要包括选择、交叉、变异算子。运用改进后的“自适应交叉算子”。对于其适应度比平均值要低的个体来说，则运用比较高的交叉率，淘汰该解；而对于适应度比平均值要高的个体来说，则运用比较低的交叉率，从而使该解保留至下一代。其具体公式如下：
.png)
式中：最高的适应度值为fmax；每代群体的适应度平均值为favg；两个要交叉的单位中较大的适应度值为f′；交叉概率Pc1=0.9，而交叉概率Pc2=0.4。运用改进后的“自适应变异算子”。就适应度比平均值低的个体而言，就要使用比较高的变异率，淘汰该解；就适应度值比群体适应度平均值高的个体而言，则要使用比较低的变异率，保留该解直到下一代。具体公式为：
.png)
式中：最高的适应度值为fmax；每代群体的适应度平均值为favg；要变异单位适应度值为f；变异概率Pm1=0.1，而变异概率Pm2=0.001。如果只凭借遗传代数来作为最后的判断依据，则极易发生最优解比遗传代数出现的早，从而出现浪费时间的现象。
4算例分析
本文对IEEE33节点配电网系统进行仿真。假设负荷都为恒功率，分布式电源的功率因数为0.9，且都看成是PQ节点。且都看成是PQ节点。粒子群算法参数设置为：种群规模为100，外部存档集规模为100，最大迭代次数为2000，惯性权重ω通过:
.png)
分布式电源安装总容量不超过系统总负荷的20%，即a＝0.02；节点电压上下限分别为Umax＝1.05，Umin＝0.95；节点电压期望值Ue＝1.00；单个节点分布式电源安装的最大容量为PDGmax＝100kW；本文规划年n为10，贴现率为0.1；单位功率的分布式电源购买和安装成本分别为1200元/kW、800元/kW。首先，选取网损和成本的目标函数，运用改进的多目标粒子群算法IMOPSO与NSGA-II算法对分布式电源配置进行优化。分布式电源投资的综合成本目标函数与配电系统的有功网损之间存在着竞争关系。这两个目标函数之间并不是按照线性方式发生变化。当分布式电源的投资综合成本很小时，配电系统的有功网损降低也很少；而配电系统有功网损降低很多时，分布式电源的投资成本又无法满足投资者对经济性的要求。因此，在多目标优化问题中，对多个目标函数进行同时协调优化，并找到一组折中的优化方案是具有重要意义的。通过两种算法结果的对比，可以发现NSGA-II算法并未找到该问题的Pareto最优前沿，IMOP-SO算法得到的Pareto解集更加均匀，且更靠近Pareto最优前沿；同时最优Pareto前沿要比NS-GA-II算法更加地完整，NSGA-II算法并未找到小于24.45kW或大于158.39kW以上的网损目标函数。通过对分布式电源优化配置问题的应用，验证了改进的多目标粒子群算法有效性和实用性。考虑投资综合成本、系统有功网损、节点电压偏差等3个目标函数的模型分别应用NSGA-II和IMOPSO算法进行求解。运用两种算法对3个目标优化的迭代收敛曲线如下图所示，可以看出IMOPSO算法对成本目标函数只用在100代就可以收敛了，而NSGA-II算法则需要1700代；对网损的目标函数不到100代就收敛了，而NSGA-II算法则需要约1700代；对电压目标函数在100代以内就收敛了，而NSGA-II算法则需要约1700代；因此IMOPSO算法的收敛速度相对于NSGA-II算法优势较明显。通过结果可以看出IMOPSO算法求出的3个目标的最优结果均好于NSGA-II算法3个结果，验证了IMOPSO算法全局寻优特性相对于NSGA-II算法也较好（如图3~4）。
.png)
5结束语
分布式电源是智能电网建设中的重要组成部分，是智能电网中灵活性、可靠性的体现；智能电网是分布式电源发展的基础和平台，分布式电源的发展依托智能电网的相关技术成果。
参考文献
[1]乐敏.智能电网建设中分布式电源的规划[J].电子技术与软件工程, 2019(11):218-218.
[2]李振生.智能电网背景下含分布式电源配电网的最大供电能力研究[D].天津大学,2014.