修正克隆遺傳算法在分布式電源規劃中的應用

李陽，周步祥，林楠，馮超，劉金華

（1.四川大學電氣信息學院，成都 610065；2.四川電力職業技術學院，成都 610713；3.二灘水電開發有限責任公司，成都 610051）

修正克隆遺傳算法在分布式電源規劃中的應用

李陽1，周步祥1，林楠2，馮超1，劉金華3

（1.四川大學電氣信息學院，成都 610065；2.四川電力職業技術學院，成都 610713；3.二灘水電開發有限責任公司，成都 610051）

在分析微電網中分布式電源特性的基礎之上，構建了相關的目標函數與數學模型，提出一種針對微電網系統的修正克隆遺傳算法。該算法在傳統克隆遺傳算法基礎之上，加入修正表和局部搜索操作，提高了搜索效率，從而能更快速地獲得微電網中分布式電源的最優化配置。最后在IEEE39節點算例上，應用此算法在計算機上進行仿真，結果表明了該算法的可行性和有效性。

微電網；分布式電源；修正克隆遺傳算法；目標函數

隨著社會與經濟的飛速發展，世界各國對節能減排，更清潔、更高效、可再生的能源方面的研究日益增多[1-4]。太陽能電池、風力發電機、燃料電池、光伏電池等一系列小容量的分布式電源DG （distribution generation）以其高效率、能源種類多等獨特的性能[5-8]，受到了電力行業廣泛的關注。微電網是由各種負荷以及多種不同類型的分布式電源共同組成的系統，這些分布式電源由于時間和氣候環境等因素的影響而具有很大的不確定性。因此，微電網系統也往往隨之在不同的時間和環境下，具有不同發電特性或者用電特性。微電網中分布式電源的接入，提高了供電安全性、可靠性和經濟性，保證了電能質量，實現了對用戶提供可靠、經濟、清潔、互動的電力供應和增值服務[9-12]。

文獻[13]針對放射性配電網，采用數值算法，根據配電網網損和連續電流模型，確定DG的接入位置和容量。文獻[14]提出了一種結合粒子群算法，來獲得配電網中DG的最優化配置，該方法計算速度相對較快，除了可較好地增加電網負載率之外，還能很明顯地改善電壓電能質量。文獻[15]采用一種蟻群算法來搜索最優的DG規劃方案，但該算法必須調節出十分合理的各參數的比例，才能獲得最優化結果。

本文提出的修正克隆遺傳算法是在傳統克隆遺傳算法基礎之上，提出的一種新的DG接入和最優化配置的算法，該算法不僅僅繼承了傳統克隆遺傳算法僅在一條染色體上進行移位變異操作，不進行交叉操作導致出現“早熟”收斂現象的優點之外，同時還根據微電網和分布式電源的特點，加入了修正表和局部尋優操作，提高了算法運算效率。算例仿真表明，該算法用于微電網分布式電源的最優化配置的研究中，操作簡單，收斂速度快，能較準確獲得最優解。

1 微電網分布式電源模型的建立

首先建立含分布式電源的配電網規劃模型，在滿足相關的節點電壓、電流約束條件的同時，最大程度上降低系統網損和分布式電源的總體投資費用，目標函數可由下式表示：

式（1）中ω1和ω2為加權因子，且ω1+ω2=1；Tmax為最大年負荷小時數；Cpu為單位電價。式（2）中Ui為節點電源幅值；PGi、QGi為節點i注入的有功功率、無功功率；Bij、Gij、αij分別為支路電納、電導和節點i與節點j之間的相角差。式（3）中Umax和Umin分別為第i個節點的電壓最大、最小幅值；Imax為支路上允許流過電流的最大值；PDGmax和PDGmin分別為DG有功出力的上下限。

2 修正克隆遺傳算法

2.1 染色體編碼

本文采用4位二進制進行編碼，用變量X= （x1，x2，…，xn）來表示微電網中節點i的DG接入方案，從而進一步確定DG的位置和容量。若獲得的值xi=0，則該節點不考慮DG的接入；若xi≠0，則該節點考慮安裝DG，且容量Wi=xiw0，其中w0為額定容量，在此取為90 kVA。

2.2 種群的初始化

隨機產生一個初始群體。首先，淘汰不符合以上兩種規則的個體；然后對初始群體進行適應度計算，優選適應度排在前面的若干個體，重復幾次后獲得M個個體作為初始種群。

2.3 基因選擇和變異操作

基因選擇通常情況下是指進行復制、繁殖操作，在此采用適應度比例法進行優秀個體的選擇操作，獲得適應度較高的個體。若設置種群規模為M，個體適應度為si，則個體i被選中的概率為

基因變異操作是模擬生物進化過程中，由于某些偶然因素而引發的突變現象。就是指按照一定的變異率pm，隨機選取個體染色體的某個位置的基因進行改變。當采用二進制編碼時，變異操作就是實現某基因位置“0”和“1”翻轉操作。

2.4 適應度函數的確定

在遺傳算法中，通常用適應度函數來評價染色體個體的優劣，其中每一個個體被遺傳到下一代的概率，是由該個體的適應度函數來確定，適應度函數是指導算法搜索方向的依據。而適應度函數要求優化問題為求最大值，且為非負值。因此，需要將目標函數與適應度函數進行一定的轉化。

邢雙雙等[8]認為護理質量評價指標體系應覆蓋臨床常見病和多發病，應利于臨床專科使用，應明確各個指標的界定標準。本研究指標體系包括15項安全及消毒隔離敏感指標，9項護理記錄及評估敏感指標，12項醫囑執行及服務流程敏感指標，3項輸血專項敏感指標，內容涵蓋護理質量過程和結局，適宜各類病人使用及臨床各護理單元的護理質量管理。

在本文分布式電源優化配置問題中，適應度函數為系統網損耗費和投資費用加權和所得到的目標函數F（x）通過相關變形而獲得。即若設K為任意充分大的實數，則建立非線性加速適應度函數Fitness（x）為：

2.5 修正表

本文采用修正克隆遺傳算法，引入修正表對算法進行修正，避免算法多次重復地計算，提高算法的速度。

首先，在進行DG優化配置過程中，若將DG配置在系統末端時，流過線路的有功和無功都將會減少；而若將DG配置在系統變電節點上，則往往只能改變電源總的容量，卻不能提高線路最終的負載能力的大小。因此，在進行分布式電源最優化配置的時候，需將屬于這兩種情況的配置方案植入修正表，進行修正。其次，需把已經搜索到并進行了潮流計算得出適應度的點所對應的染色體及其適應度加入修正表中，賦予其修正屬性。再以后產生的染色體都先用修正表來判斷其屬性，如果不在修正范圍之內，則可以進一步判斷潮流約束條件和計算其適應度值。如果屬于修正范圍中，則直接加入修正表，不進行重復計算。

2.6 優選操作和局部搜索操作

為了加快計算速度，保證每個子代都能優于下一代個體，采用局部優選操作。當經過遺傳操作之后產生的新的個體優于當前個體，則執行優選操作，直接將當前個體予以淘汰，用新產生的個體進行替換；若產生的新個體劣于當前個體，則進行局部尋優操作，這樣不僅僅大大加快了尋優的速度，同時也保證了子代的優越性。

2.7 終止條件

當滿足以下兩條件時，達到遺傳終止條件：

1）值之差在某一個任意小的正數φ所確定的范圍中，可表示為

其中：Snew為種群中新一代中最優的個體適應度值；Sold為種群中前一代中最優的個體適應度值。

2）達到最大的遺傳終止代數T。

2.8 計算流程圖

綜上所述，最終得出該算法的流程圖如圖1所示。

圖1 修正克隆遺傳算法的流程圖Fig.1Flow chart of the improved CGA

3 仿真結果及算例分析

通過建立上述模型，下面在Matlab計算機環境下對IEEE39節點配電網系統進行分析。

如圖2中所示的網架結構：其系統電壓等級為35 kV，分布式電源節點安裝比例不超過系統總容量的30%。在此取初始種群大小為90，交叉率取為0.5，變異率取為0.3，最大的遺傳終止代數為60。

圖2 IEEE39節點配電網系統接線圖Fig.2IEEE 39-bus radial distribution system

下面對在不同權重系數之下，獲得的目標函數的結果進行分析和對比。

其中權重方案I主要是考慮在欠發達地區，網損在配電網系統中所占比例相對較大，而分布式電源投入資金有限，取ω1=0.6，ω2=0.4時目標函數的結果。從表1的結果中可以看出，采用本文算法，在安裝DG之前系統網損是275.087 kW，而當DG接入后網損為169.743 kW，有功網損下降率達到38.29%，

其中權重方案II主要是考慮在中等發達地區，配電網系統中線損率和分布式電源配置成本同樣重要性，取ω1=0.5，ω2=0.5時目標函數的結果。從表1的結果中可以看出，采用本文算法，在安裝DG之前系統網損是275.087 kW，DG接入后系統網損為188.602 kW，有功網損下降率達到31.44%。

其中權重方案Ⅲ主要是在比較發達地區，考慮網損在配電網系統中所占比例相對較小，分布式電源投入資金相對充足時，取ω1=0.4，ω2=0.6時目標函數的結果。從表1的結果可以看出，采用本文算法，在安裝DG之前系統網損是275.087kW， DG接入后網損為216.897 kW，有功網損下降率達到21.15%。

表1 不同權重系數下IEEE39節點配電系統測試仿真結果Tab.1The results of different approaches for 39-bus distribution test system in different weight coefficients

同時，在圖3給出了分別采用遺傳算法和本文算法，所獲得的IEEE39節點配電網系統進行優化的收斂曲線，從圖3中可以看出，本文采用修正的克隆遺傳算法計算效率更高，運算速度更快，有更好的收斂性。

圖3 IEEE 39節點系統GA和CGA得到的優化收斂曲線圖Flg.3Convergence curves of IEEE 39 bus system by GA and CAG

4 結論

本文采用修正克隆遺傳算法來解決微電網中分布式電源的優化配置問題。采用該方法后能明顯的降低系統網損、提高供電可靠率，該算法通過修正表和局部搜索的加入，有效提高了傳統修正克隆遺傳算法的計算效率。最后通過IEEE39節點測試系統，在計算機上進行仿真測試，表明了該算法的可行性和高效性。

由于各方面條件所限，本文沒有考慮一些自然經濟條件、以及相關國家政策對運行成本、維護成本、天然氣以及其它發電和購電成本等對DG接入微電網的影響，有待進一步的研究與探討。

[1]Kuri B，Li F．Distributed generation planning in the deregulated electricity supply industry[C]//IEEE Power Engineering Society General Meeting，Denver，USA：2004．

[2]錢科軍，袁越（Qian Kejun，Yuan Yue）.分布式發電技術及其對電力系統的影響（Distributed generation technology and its impact on power systems）[J].繼電器（Relay），2007，35（13）：25-29.

[3]余貽鑫，欒文鵬（Yu Yixin，Luan Wenpeng）.智能電網（Smart grid）[J].電網與清潔能源（Power System and Clean Energy），2009，25（1）：7-11.

[4]Hammons T J.Integrating renewable energy sources into European grids[J].International Journal of Electrical Power and Energy Systems，2008，30（8）：462-475．

[5]李興源，魏巍，王渝紅，等（Li Xingyuan，Wei wei，Wang Yuhong，et al）.堅強智能電網發展技術的研究（Study on the development and technology of strong smart grid）[J]．繼電器（Relay），2009，37（17）：1-7．

[6]溫陽東，王欣（Wen Yangdong，Wang xin）.分布式發電對配電網繼電保護的影響（Effect of distributed generation on protection in distribution system）[J]．繼電器（Relay），2008，36（1）：12-14，26．

[7]Dugan R C，McDermott T E，Ball G J.Planning for distributed generation[J].EEE Industry Applications Magazine，2001，7（2）：80-88．

[8]孫鳴，趙月靈，王磊（Sun Ming，Zhao Yueling，Wang Lei）. DG容量及接入方式對變電站繼電保護定值的影響（Impart of DG capacity and location on relay protection of substation）[J]．電力自動化設備（Electric Power Automation Equipment），2009，29（9）：46-49．

[9]胡學浩（Hu Xuehao）.智能電網——未來電網的發展態勢（Smart grid——a development trend of future powergrid）[J].電網技術（Power System Technology），2009，33 （14）：1-5.

[10]梁才浩，段獻忠（Liang Caihao，Duan Xianzhong）.分布式發電及其對電力系統的影響（Distributed generation and its impaction on power system）[J]．電力系統自動化（Automation of Electric Power Systems），2001，25（12）：53-56．

[11]胡驊，徐沖，吳汕，等（Hu Hua，Xu Chong，Wu Shan，et al）.影響用戶側分布式發電經濟性因素分析（Analysis of factors influencing economy of customer-side distributed generation）[J]．電力自動化設備（Electric Power Automation Equipment），2008，28（5）：29-33．

[12]崔金蘭，劉天琪（Cui Jinlan，Liu Tianqi）.分布式發電技術及其并網問題研究綜述（Distributed generation and its grid interconnection issue）[J].現代電力（Modern Electric Power），2007，24（3）：53-57.

[13]Coello C A C，Pulido G T，Lechuga M S．Handling multiple objectives with particle swarm optimization[J].IEEE Trans on Evolutionary Computation，2004，8（3）：256-279．

[14]Sheidaei Farnaz，Shadkam Majid，Zarei Mahdi．Optimal distributed generation allocation in distribution systems employing ant colony to reduce losses[C]//Universities Power Engineering Conference，Padova，Italy：2008．

[15]Ajay-D-Vimal Raj P，Senthilkumar S，Raja J，et al.Optimization of distributed generation capacity for line loss reduction and voltage profile improvement using PSO[J]. Elektrika，2008，10（2）：41-48．

Application of Improved Clonal Genetic Algorithm in Distributed Generation Planning

LI Yang1，ZHOU Bu-xiang1，LIN Nan2，FENG Chao1，LIU Jin-hua3
（1.School of Electrical Engineering and Information，Sichuan University，Chengdu 610065，China；2.Sichuan Electric Power College，Chengdu 610713，China；3.Ertan Hydropower Development Company，Ltd.，Chengdu 610051，China）

Based on detailed analysis of the distributed generations′（DG）characteristics in microgrid，the objective function and mathematical model are built，and then the improved Clonal Genetic Algorithm（CGA）is proposed.Correctional operate and partial search are added to CGA in order to improve the search efficiency.Therefore，the optimal configuration of DG in microgrid is more rapid to obtain.Finally，the method is applied in IEEE 39 bus system.And compared with the other algorithm，the simulation results show that the algorithm is more feasible and effective.

microgrid；distributed generation（DG）；clonal genetic algorithm（CGA）；objective function

TM715

A

1003-8930（2013）04-0128-05

李陽（1987—），男，碩士研究生，研究方向為電力系統自動化及計算機信息處理、分布式電源等。Email：liyang2010vip@163.com

2011-07-05；

2011-08-09

周步祥（1965—），男，博士，教授，研究方向為電力系統自動化、計算機應用等。Email：hiway_scu@126.com

林楠（1973—），女，碩士，講師，研究方向為電力系統自動化、計算機應用。Email：cdlinlan@yahoo.com