考慮低碳效益和時序特性的分布式電源優化配置

黃付順，王　倩，何美華

（西南交通大學電氣工程學院，成都　610031）

考慮低碳效益和時序特性的分布式電源優化配置

黃付順，王倩，何美華

（西南交通大學電氣工程學院，成都610031）

為了在配電網中更好地應用分布式電源，利用配電網負荷及風機、光伏電源的時序特性對分布式電源優化配置；計算節點風機容量系數并對風力發電機進行了選址，利用光照強度曲線和商業負荷曲線的相關性及與風機的互補性對光伏電源進行了選址；建立了分布式電源的低碳效益費用模型，并利用全年時刻數據建立288個時段風、光、負荷的概率分布，以電網運營商利潤最大為目標函數且考慮約束條件，對分布式電源容量進行優化，利用精英策略遺傳算法進行求解驗證。仿真結果表明，分布式電源合理并入配電網有較好的經濟、低碳效益，并能減少網絡損耗和提高電壓質量。

時序特性；低碳效益；分布式電源；約束規劃；選址定容

電力行業低碳化及高效化是應對全球氣候變暖、實現我國可持續發展的關鍵［1］。可再生分布式電源，特別風力發電機WTG（wind turbine genera?tor）、光伏電源PV（photovoltaic），因其清潔、低碳的特性而受到廣泛關注。同時分布式電源DG（dis?tributed generator）接入配電網時可以提高電壓質量、降低網絡損耗等［2-3］。

大量DG接入配電網時會影響電力系統的正常運行，其影響程度與DG的選擇位置和容量密切相關。文獻［4-6］建立相關的目標函數和數學模型，對DG優化配置，但是只DG考慮恒定的容量，未考慮DG出力變化的特性；文獻［7-9］只是針對風力大小、光照強度、負荷水平的隨機特性，分別建立了Weibull分布、Beta分布、正態分布模型，并利用隨機性的方法解決DG出力不確定性的問題，但是均沒有考慮DG出力和負荷時序特性，即與每天對應時刻相關的特點。而風機、光伏的輸出特性受到環境的影響，具有較強的隨機特性并且呈現時序特點。文獻［10-11］考慮了DG的時序特點并在對DG的容量優化，而DG位置直接給出未對其進行優化。本文在有效利用DG和負荷的時序特點的基礎上對DG位置和容量都進行了優化。

本文基于電網獨立運營商建立了低碳效益費用模型，采用規劃地區全年歷史時刻數據建立全年288個時段風、光、負荷概率模型，應用蒙特卡洛模擬方法對概率模型在對應時刻采樣進行潮流計算。同時采用風機容量系數方法對WG進行選址，利用光照與風力、商業負荷的時序特性關系對PV進行選址。利用機會約束規劃方法處理DG和負荷不確定性問題，以電網運行商收益最大為目標函數，采用保留精英策略的遺傳算法GA（genetic algo?rithm）應用于模型求解，并對各種優化方案結果進行了分析比較。

1　DG機會約束規劃模型

1.1目標函數

本文考慮了電網獨立運營商售電費用、購電費用（包含網絡損耗費用）、DG投資和安裝費用、DG運行和維護費用、低碳效益費用，使電網運營商收益最大，其目標函數為

式中：CTOL為電網運營商收益值；CS為售電費用；CB為購電費用；CDGI為DG投資和安裝費用；CDGR為DG運行和維護費用；CC為低碳效益費用。其中：

式中：cA為傳統能源售電單位電價；cD為DG售電單位電價，包括政府補貼單位電價；cB為電網運營商購電單位電價；PLOAD為配電網用戶負荷功率；PLOSS為配電網網絡損耗功率；PDG為配電網DG發電功率；ce，j、cf，j和PDWG，j分別為節點j處風電單位容量的設備投資、安裝成本以及風電的額定安裝容量；we，k、wf，k和PPV，k分別為節點k處光伏電池單位容量的設備投資、安裝成本以及光伏電池的額定安裝容量；C（r，m）為現值系數，與折現率r、分布式電源使用壽命m有關；cwr、cpr分別為WG和PV單位電量的運行和維護費用；Ei、Ej為節點i、j的DG總發電量，NWG、NPV為WG和PV安裝數量；cc為流入配電網單位功率所產生CO2費用。

1.2約束條件

WG、PV出力和負荷的功率有明顯的隨機性和不確定性，故本文采用機會約束規劃方法［11］，允許所做的決策在一定程度上可以不滿足電壓、支路功率約束條件。采用的約束分別如下。

（1）潮流約束為

式中：Pi，s和Qi，s為節點i的有功注入和無功注入；Ui為節點i的電壓幅值；Gij、Bij分別為系統導納矩陣的實部和虛部；θij為節點i和j的電壓相位差。

（2）電壓約束為

式中：p｛｝為｛｝中事件成立的概率；Ui為節點i的電壓幅值；λu為電壓約束的置信水平；Nb為節點數。

（3）支路功率約束為

式中：Pi為第i條支路傳輸功率；λl為支路潮流約束的置信水平；Nl為支路數。

（4）待選節點安裝容量約束為

式中：Wwg，j為第j個WG待選節點處接入容量；Wpv，i為第i個PV待選節點處接入容量。

2　DG和負荷時序特性

2.1DG時序特性

根據吉林某地區氣象資料［12］得出該地區的風速曲線和光照強度曲線，如圖1和圖2所示。

圖1　風速時序曲線Fig.1　Time-sequence curves of wind speed

2.2商業負荷時序特性曲線

該地區商業負荷時序特性曲線如圖3所示。

圖2　光照強度時序曲線Fig.2　Time-sequence curves of light intensity

圖3　商業負荷時序曲線Fig.3　Time-sequence curves of commercial load

根據圖3時序特性曲線可以得出以下結論。

（1）DG和負荷都有一定的時序性，也就是DG最大出力和最大負荷往往不在同一時刻。采用確定的DG與負荷值或只考慮DG和負荷的隨機性結果是不準確的。

（2）通過對比圖1和圖2曲線可以看出，風速大小和光照強度有一定的互補性，例如，一般在晚上風速較大，在晚上光照強度較小；晴天時在白天光照較大，而此時風速相對較小。可以利用這種特點對PV和WG進行聯合優化配置以減弱DG出力隨機性帶來的不利影響。

（3）對比圖2和圖3可以看到，光照強度和商業負荷有很強的相關性，即都是在白天最大，到晚上最小，而且都是單峰值曲線。利用這種特點引導對PV優化選址。

2.3時序數據的處理

在一個規劃周期內，對應時刻的風速大小、光照強度、負荷水平時序性數據處理的流程如下。

（1）根據全年的氣候情況，將劃分為春晴天、春陰天、春雨天、夏晴天、夏陰天、夏雨天、秋晴天、秋陰天、秋雨天、冬晴天、冬陰天、冬雨天12種典型場景，并對12種場景中的風力大小、光照強度、負荷數據進行統計，這些數據將用于統計該場景下對應時刻的概率分布，對每種場景24個時刻進行時段劃分，故全年所有時刻數據將會分成288（24×12）個時段。

（2）對每個時段下的數據，分別對數據進行標準歸一化方法處理，是為了減少系統的狀態；其中對于風速大小根據所選用風機的機型及其切入、切出風速進行預處理，不滿足條件的則置0；將風速大小、光照強度、負荷水平數據歸一化到0～1范圍內，并根據相同的時間間隔（如，0，0.1，0.2，…，1.0）對這些數據進行統計其概率分布情況。

（3）利用各時段概率分布情況，采用蒙特卡洛模擬的方法對風速大小、光照強度、負荷水平數據在對應時刻的進行隨機抽樣，然后根據確定潮流計算方法獲得節點電壓、功率損耗等系統狀態概率分布，進而得到每種情況下的節點電壓、功率損耗、運營商最大利潤等的期望值。

（4）統計春晴天等場景占全年365 d的比例，將該比例除相應場景時段的概率分布并進行相加，就可以得到全年節點電壓、功率損耗、運營商利潤等總情況。場景所占比例如圖4所示。

圖4　全年場景所占比例Fig.4　Scenario proportion in the whole year

3　配電網低碳效益和DG選址優化方法

3.1低碳效益費用

當“低碳經濟”引入電力系統中，CO2的排放將會收取相應的費用以補償造成環境破壞的代價。低碳費用主要是通過計算流入配電網的電能而需要發電廠端的發電量，這部分發電量排放的CO2所需要支付的費用。對于式（7）中單位流入配電網電能產生CO2費用cc可表示為

式中：cf為單位質量CO2費用，元/kg；p為發電端電力能源中化石燃料的發電量比例；cT為化石燃料的平均發電煤耗，g/（kW·h）；f0為單位標準煤產生的碳排放量，kgCO2/kg；δL綜合網損率［5］為配電網到發電廠端線路網損的綜合比率，這段線路往往有n段不同電壓等級的線路組成，計算綜合網損率公式為

式中，λk、Lk分別為第k段線路的單位長度網損率和長度。交流1 000 kV和500 kV輸電線路的網損率分別為每100 km 0.277%和0.7%。

單位CO2費用cf為0.12元/kg；發電廠端化石燃料比例p取70%；發電煤耗cT為310g/（kW·h）；標準煤碳排放量［14］f0為2.62 kgCO2/kg；配電網至發電廠端輸電線路的等效總長度1 100 km，本文所用綜合網損率δL為6%。計算可得式（7）中單位功率CO2費用cc=0.072 6元/（kW·h），故低碳費用CC為

3.2WG選址優化方案

通過取風機容量系數［15］選擇風機利用效率高的節點，即風機平均輸出功率和額定輸出功率比。

WG的輸出功率的風速統計一般服從正偏態分布，其概率密度可用Weibull［16］兩參數分布表示，即

式中：c和k分別為Weibull分布的尺度參數和形狀參數；v為風力機葉輪輪轂處的風速。則風電機組的輸出功率和風速近似線性化關系為

式中：vci為切入風速；vco為切出風速；vr為額定風速；Pr為風力發電機組額定輸出功率。由此可得風機容量系數Fc為

式中，Pa為風機年平均輸出功率。

采用風電機組型號為美國NASA研制的風機Mod-0型，其切入風速、額定風速、切出風速分別是4.3、7.7、17.9 m/s，風力時序數據利用網站［12］可得到吉林地區各個監測點每小時的實測數據，計算k、c參數，并根據式（15）～式（17）得IEEE-33系統各待選節點容量系數，如表1所示。

從表1數據可得，各待選節點容量系數從大到小排序依次為：2、20、11、26、13、28、4、18，從而選取WG的選定節點為：2、11、20、26。

表1　待選節點WTG的容量系數Tab.1　Capacity factors of WTG at candidate nodes

3.3PV選址優化方案

比較圖1和圖2可知，光照強度和風速大小無論在季節上還是在一天的時刻上都有一定的互補特性；比較圖2和圖3可知光照強度曲線和商業負荷曲線變化趨勢相似，都是單峰值函數，有一定的相關性；故可以利用PV與WG的互補特性和PV與商業負荷的相關特性選擇PV的安裝位置。本文采用在靠近WG安裝位置的商業負荷節點上選取PV的位置，這樣可以在一定程度上減輕潮流在網絡中流動、減少PV出力隨機性的影響。所以PV選址的節點為9、16、22、29。

4　精英策略遺傳算法求解DG優化配置

本文采用精英策略的遺傳算法［17］進行優化計算。GA是模擬基因遺傳與進化原理的自適應概率優化方法，通過基因的編碼組合表示問題的解，適合處理離散變量問題。基本計算步驟如下。

步驟1 利用DG時序數據，計算WG的容量系數對WG選址，利用DG、負荷時序特點對PV進行選址，確定DG的位置。輸入GA的基本參數；根據待安裝PV、WG的節點個數確定基因數目以及染色體個數N；并隨機產生待選位置DG的容量初值。

步驟2修改子代種群，利用時序處理方法得到網絡電壓、支路潮流等狀態和目標函數值CTOL，并判斷節點電壓和支路潮流是否滿足約束條件置信水平，如不滿足條件則直接將目標函數賦值無窮小，為了在“精英保留”操作中將其剔除。并對其進行個體適應度值從大到小排序。

步驟3進行選擇、交叉、變異遺傳操作，用子種群取代父種群；并且通過“精英保留策略”將前n個最優個體完成插入到當前種群，用子代代替父代并返回結構種群。

步驟4判斷是否滿足收斂條件t＞maxgen或達到算法的代數。滿足，輸出最佳方案；否則，轉步驟2，t=t+1。流程見圖5。

圖5　GA優化配置計算流程Fig.5　Computing process of GA optimal allocation

5　算例分析

本文采用IEEE-33系統作為算例，如圖6所示，基準電壓為12.66 kV，三相功率基準值10 MV·A。圖6中0～32為節點編號，l1～l32網絡支路編號。網絡支路參數見文獻［18］。遺傳算法基本參數設置如下：種群個數為100，最大迭代次數為150，交叉率為0.8，變異率為0.2。根據第3.2節和第3.3節DG選址方法計算得IEEE-33系統的WG的選址節點為2、11、20、26，PV的選址節點為10、16、22、29。

圖6　IEEE-33配電系統Fig.6　IEEE-33 distribution system

假定風機和光伏電源的使用壽命m為20 a，折現率r為0.08，可得現值系數C（r，m）為9.82。參照取配電網運營商購電電價為0.38元/（kW·h），取商業售電的電價為1.0元/（kW·h），居民用電電價為0.4元/（kW·h）；同時通過國家補貼電價和向電力用戶附加電價的方式［19］，光伏電價在原售價的基礎上增加0.36元/（kW·h）。

根據分析規劃地區負荷的特點，將負荷數據進行等效化簡分布在IEEE-33系統上，其居民負荷和商業負荷分布情況如表2所示。

表2　居民負荷和商業負荷的分布情況Tab.2　Distribution of residential and commercial loads

電網運營商需要投資的各種費用如表3所示。

表3　DG安裝和運行維護費用Tab.3　CostsofDGinstallationandoperationmaintenance

假定單臺WG額定容量為100 kW，單臺PV容量為100 kW。比較4種優化方案：未加入DG （NDG）、單獨PV優化配置（OPV）、單獨WG優化配置（OWG）、PV和WG聯合優化配置（CPW），則4種優化方案的選址定容優化結果如表4所示。

表4　4種方案優化配置結果Tab.4　Optimized allocation results of four schemes

分別比較4種優化方案情況下電網運營商收益CTOL、售電費用CS、購電費用CB、投資維護費用CIR（WG投資和安裝費用CWGI+PV投資和安裝費用CPVI+WG運行和維護費用CWGR+PV運行和維護費用CPVR）、低碳效益費用CC，結果如圖7所示。

通過圖7中4種方案收益和各費用的對比，得出如下結論。

（1）在“低碳經濟”模式下低碳效益費用CC將會很明顯，對于無DG低碳費用為1.932 2×106元，占1.932 2/（1.932 2+5.544 5）=25.84%。同時DG清潔能源的加入具有較好的低碳效益，當PV和WG聯合優化時，低碳費用為0.605 8×106元；降低了1.326 4×106元低碳效益費用，占68.65%。

（2）對于PV和WG聯合優化有更高的利潤。不僅經濟效益提高，將PV和WG聯合優化將會對電能質量的改善、網絡損耗的降低有明顯的作用。

取電壓質量波動0.95～1.05 p.u.為合格，網絡總的電壓合格比例VQQR（voltage quality qualified ra?tio）為VQQRT；取各支路通過功率約束分別為：l1～l5支路潮流小于4 MV·A為合格，l6～l32支路潮流小于2 MV·A為合格；網絡支路總的功率合格比例PC?QR（power flow constraints qualified ratio）為PCQRT。為滿足機會約束條件，需滿足VQQRT≥90%，PC?QRT≥95%。總的網絡損耗為TPL（total power loss），全年負荷功率為PLOAD，光伏全年發電功率為PPV，風機全年發電功率為PWG，計算得到網絡全年總情況見表5，各節點全年電壓合格比例見圖8，各節點全年電壓期望如圖9所示，各支路全年功率合格比例如圖10所示。

圖7　4種方案收益CTOL和各費用Fig.7　Benefits CTOLand costs of four schemes

圖8　各節點全年電壓合格比例Fig.8　Voltage quality qualified ratios of each node

圖9　各節點全年電壓期望值Fig.9　Annual expectations of voltage at each node

圖10　各支路全年功率合格比例Fig.10　Power flow constraints annual qualified ratios

通過表5中節點電壓合格比例VQQRT、圖8節點電壓合格比例、圖9節點電壓期望比較可得到，PV可使電壓質量更高，單獨PV優化時就電壓合格比例達到97.39%，而單獨WG優化時為94.60%。這是因為PV輸出功率時序特性和商業負荷的時序特性很相似，商業負荷在很大程度上消納這部分功率；而WG與負荷有很小的相關性，隨機性較大。例如當WG輸出功率較大值，負荷功率較小時，則使電壓變大，超過1.05 p.u.。

PV的利用效率為4 956.1/（26×100×8 760）= 0.217 6，WG的利用效率13 672/（30×100×8 760）= 0.520 2。WG的利用效率比PV高很多，即安裝同等額定容量的WG發電量更高。

對比表5支路功率合格比例PCQRT、圖5支路功率合格比例可知，當DG接入配電網，支路的功率約束合格比例會提高。當單獨PV、單獨WG、PV和WG聯合優化時，支路的功率約束合格比例97.66%、98.87%、99.97%、100.00%；對于DG接入配電網可以延遲網絡升級，節省投資。

精英策略遺傳算法的尋優曲線如圖11所示。

表5　4種方案的全年網絡總情況Tab.5　Annual total network situation of four schems

圖11　遺傳算法尋優曲線Fig.11　Optimization curve of genetic algorithm

6　結論

針對負荷的時序性以及PV、WG的時序性和互補性，將機會約束規劃模型應用到DG優化配置中；并且建立DG低碳效益模型和以電網運營商最大利潤為目標的優化配置方案，結論如下。

（1）將DG加入配電網是未來“低碳電網”發展的重要方向，同時考慮低碳效益的DG優化配置將有助于清潔DG的推廣。

（2）充分考慮DG和負荷的時序特性，更能反映電網的真實情況；特別將WG與PV互補特性、PV與商業負荷相關性結合優化配置，有明顯的經濟效益，而且能有效地提高網絡電壓質量。

（3）將DG接入配電網，使無源網絡變成有源網絡，可以明顯地降低網絡損耗，同時提高支路功率約束合格比例，從而延遲網絡升級。

（4）WG技術發展較為成熟，經濟效益明顯，而且利用效率比較高，隨機性較強；PV投資和安裝費用比較高，利用效率相對較低，但能更好地調節網絡的電壓質量，前景更好。

［1］陳啟鑫，康重慶，夏清，等（Chen Qixin，Kang Chongqing，Xia Qing，et al）.電力行業低碳化的關鍵要素分析及其對電源規劃的影響（Key low-carbon factors in the evolu?tion of power decarbonisation and their impacts on genera?tion expansion planning）［J］.電力系統自動化（Automa?tion of Electric Power Systems），2009，33（15）：18-23.

［2］陳芳，王瑋，徐麗杰，等（Chen Fang，Wang Wei，Xu Lijie，et al）.分布式電源接入對配電網電壓變化的分析（Ana?lyzing the voltage variation of distribution network includ?ing distribute generation）［J］.電力系統及其自動化學報（Proceedings of the CSU-EPSA），2012，24（4）：145-149.

［3］陸志剛，王科，董旭柱，等（Lu Zhigang，Wang Ke，Dong Xuzhu，et al）.分布式發電對配電網影響分析（Impact of consumer-side distributed generation on power grid）［J］.電力系統及其自動化學報（Proceedings of the CSU-EP?SA），2012，24（6）：100-106.

［4］鄧晶，周任軍，鄭思，等（Deng Jing，Zhou Renjun，Zheng Si，et al）.計及低碳效益的分布式發電優化配置（Opti?mal allocation of distributed generation considering lowcarbon effect）［J］.電力系統及其自動化學報（Proceedings of the CSU-EPSA），2012，24（4）：7-12.

［5］顧晨，樂秀璠（Gu Chen，Le Xiufan）.基于NSGAII的分布式電源優化配置（Optimal allocation of distributed gener?ation based on NSGAⅡ）［J］.電力系統及其自動化學報（Proceedings of the CSU-EPSA），2012，24（4）：130-133.

［6］李陽，周步祥，林楠，等（Li Yang，Zhou Buxiang，Lin Nan，et al）.修正克隆遺傳算法在分布式電源規劃中的應用（Application of improved clonal genetic algorithm in dis?tributed generation planning）［J］.電力系統及其自動化學報（Proceedings of the CSU-EPSA），2013，25（2）：128-132.

［7］彭寒梅，曹一家，黃小慶，等（Peng Hanmei，Cao Yijia，Huang Xiaoqing，et al）.基于組合抽樣的含分布式電源隨機潮流計算（Probabilistic load flow calculation based on combination sampling for power system containing dis?tributed generations）［J］.電力自動化設備（Electric Pow?er Automation Equipment），2014，34（5）：28-34.

［8］盧洋，盧錦玲，石少通，等（Lu Yang，Lu Jinling，Shi Shao?tong，et al）.考慮隨機特性的微電網電源優化配置（Op?timal siting and sizing of distributed generation planning in microgrid by considering stochastic characteristic）［J］.電力系統及其自動化學報（Proceedings of the CSU-EP?SA），2013，25（3）：108-114.

［9］葉承晉，黃民翔，王焱，等（Ye Chengjin，Huang Minx?iang，Wang Yan，et al）.基于離散概率模型的風光互補供電系統優化配置（A hybrid wind/photovoltaic power supply system based on discrete probabilistic methodolo?gy）［J］.電力系統自動化（Automation of Electric Power Systems），2013，37（6）：48-54.

［10］鄧威，李欣然，李培強，等（Deng Wei，Li Xinran，Li Peiq?iang，et al）.基于互補性的間歇性分布式電源在配網中的優化配置（Optimal allocation of intermittent distribut?ed generation considering complementarity in distributed network）［J］.電工技術學報（Transactions of China Elec?trotechnical Society），2013，28（6）：216-225.

［11］徐迅，陳楷，龍禹，等（Xu Xun，Chen Kai，Long Yu，et al）.考慮環境成本和時序特性的微網多類型分布式電源選址定容規劃（Optimal site selection and capacity determi?nation of multi-types ofdistributed generation in mi?crogrid considering environment cost and timing charac?teristics）［J］.電網技術（Power System Technology），2013，37（4）：914-921.

［12］National Oceanic and Atmospheric Administration.Natio?na Climatic Data Center［EB/OL］.http：//gis.ncdc.noaa.gov/ map/viewer/#app=clim&cfg=cdo&theme=hourly&layers= 1&node=gis，2014.

［13］張節潭，程浩忠，姚良忠，等（Zhang Jietan，Cheng Hao?zhong，Yao Liangzhong，et al）.分布式風電源選址定容規劃研究（Study on siting and sizing of distributed wind generation）［J］.中國電機工程學報（Proceedings of the CSEE），2009，26（16）：1-7.

［14］中華人民共和國國家統計局.2004—2006年中國能源統計年鑒［M］.北京：中國統計出版社，2007.

［15］牟聿強，王秀麗，別朝紅，等（Mu Yuqiang，Wang Xiuli，Bie Zhaohong，et al）.風電場風速隨機性及容量系數分析（Analysis of wind speed probability distribution and wind turbine generator capacity factor）［J］.電力系統保護與控制（Power System Protection and Control），2009，37 （1）：65-70.

［16］楊秀媛，肖洋，陳樹勇（Yang Xiuyuan，Xiao Yang，Chen Shuyong）.風電場風速和發電功率預測研究（Wind speed and generated power forecasting in wind farm）［J］.中國電機工程學報（Proceedings of the CSEE），2005，25 （11）：1-5.

［17］周明，孫樹棟.遺傳算法原理及應用［M］.北京：國防工業出版社，2001.

［18］Baran M E，Wu F F.Network reconfiguration in distribu?tion systems for loss reduction and load balancing［J］. IEEE Trans on Power Delivery，1989，4（4）：1401-1407.

［19］國家發展改革委.可再生能源發電價格和費用分攤管理試行辦法［EB/OL］.http：//www.ndrc.gov.cn/zcfb/zcfbtz/ tz2006/t20060120_5758 3.html，2006.

Optimal Allocation of Distributed Generator Based on Carbon Benefits and Time-sequence Characteristics

HUANG Fushun，WANG Qian，HE Meihua
（School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，China）

To make the distributed generator（DG）better applied to the distribution network，an optimal allocation of DGs based on the timing characteristics of load，wind turbine generator（WTG）and photovoltaic（PV）in the distribution network is conducted；WG site is obtained by computing node capacity factor，and PV site is obtained by utilizing the correlation of light intensity curve with commercial load curve，as well as the complementarity with WTG.The carbon benefits model of DGs is established，and the probability density functions of 288 hours for wind/PV/load is created us?ing the whole year data.The objective is to maximize the benefits of grid operators with constraints.The capacity of DG is optimized，and the resultis verified by genetic algorithm of elitist strategy.The simulation results show that a reason?able incorporation of DG into the distribution networks has economic and carbon benefits，and it also can reduce net?work losses and improve voltage quality.

time-sequence characteristics；carbon benefits；distributed generator（DG）；constrained programming；site selection and capacity determination

中國分類號：TM 715A

1003-8930（2016）08-0061-08

10.3969/j.issn.1003-8930.2016.08.011

2014-08-25；

2015-09-30

黃付順（1988—），男，碩士研究生，研究方向為電力系統配電網規劃。Email：happywolfling@163.com

王倩（1962—），女，碩士，教授，研究方向為電力調度綜合自動化系統、電力系統運行與控制。Email：qian. wang@home.swjtu.edu.cn

何美華（1987—），男，碩士研究生，研究方向電力系統經濟調度。Email：Hemeihua0206@163.com