鏈式多智能體遺傳算法在分布式電源全時序上優化配置

，，，

(南昌航空大學 信息工程學院，南昌 330063)

鏈式多智能體遺傳算法在分布式電源全時序上優化配置

楊宏超，程若發，賀志華，呂彩艷

(南昌航空大學信息工程學院，南昌330063)

分布式電源的選址與定容是微電網研究所面臨的重要問題，提出一種考慮規劃地區的24-h負荷時序特性和氣候特點的24-h負荷變換情況下的DG優化配置；為了解決上述問題，采用鏈式多智能體遺傳算法對其進行優化處理；首先通過算法對IEEE33節點系統進行測試，驗證算法在分布式電源優化配置中的優越性，并對PG&E69節點配電網進行24-h時序的全過程模擬仿真優化，結果驗證了多智能體遺傳算法能在分布式電源配置上的有效性，同時提高微電網接入的預測精度，加快收斂速度，改進陷入局部最優的可能性等問題，對微電網在規劃選址與定容選擇上提供工程參考的實用性。

微電網；分布式電源；有功網損；選址和定容；多智能體算法

0 引言

隨著大量DG接入配電網，使配電網從無源網絡變成有源網絡，大量DG在電網中隨機并網與孤島運行將使電力系統負荷預測更不穩定，同時使預測負荷的增長情況變得更加困難。所以考慮時序全過程模擬將使規劃更有實際意義，也更利于真實的反映配電網各項經濟技術指標，以及實現風、光資源的互補。根據配電網中分布式電源種類的不同來研究經濟的優化運行策略,有的僅考慮風、光互補系統,有的同時考慮風光儲聯合運行,并重點研究儲能裝置的運行特性。機組的組合需要分別考慮可再生能源發電、不可再生能源發電和可中斷負荷等,此外還需考慮冷熱負荷,通過對能源梯級利用進行優化[1]。文獻[2-3]考慮在電力市場的峰谷電價和負荷轉移等情況下，對配電網的電能質量、供電可靠性、安全性、經濟性的研究。文獻[4]提出采用改進的PSO算法對DG選址與定容進行研究，其主要目的是使配電網的損耗進一步減少。文獻[5]提出在配電網擴展規劃中進行DG選址定容，但該算法易陷入局部最優解。文獻[6]以利益成本為目標函數，采用GA算法對DG位置和容量進行優化。文獻[7]采用多種典型的場景進行模擬負荷與DG的時序性，此方法雖有利于減少工作量，但易造成較大誤差。對于風力發電方式與光伏發電方式等不可控的發電，其出力大小主要由當地的地理環境決定。因此，考慮如何將DG全程時序化模擬，這更利于反映真實的配電網的各項經濟指標，同時有利于實現風光互補。文獻[8]主要考慮負荷水平對DG進行選址定容規劃，但只考慮部分特定負荷水平，并未全程考慮負荷時序特性及DG出力情況。文獻[9]雖涉及基于日負荷曲線，規劃時僅通過單目標尋優考慮在孤立場景下的情況，使規劃結果具有局限性。為了解決上述問題和缺陷，本文提出鏈式多智能體遺傳算法利用網絡有功網損和靜態電壓穩定性雙指標對分布式電源進行優化配置，并通過24 h全時序模擬驗證其準確性。

1 目標函數建立與優化

配電網規劃是為了滿足用戶供電，確保網絡在尋求一組最優決策變量的約束下正常運行，系統中有功網損最小，電壓穩定等指標保持在一定限度內 ，所以引入以下指標和約束條件。

1.1 目標函數

1.1.1 配電網系統有功網損指標

系統的目標函數表達式[10]如下：

(1)

式中，fploss為系統的有功損耗；N為系統的節點數；rb為對應支路的電阻；Pi和Qi為網絡向節點i注入的有功和無功功率；Ui為支路b首節點i的電壓幅值；

1.1.2 電壓穩定性指標

根據潮流解作為判據，得出改進的電壓穩定性指標如下：

(2)

式中,Ustab,k為對應支路上的電壓穩定指標;R和X為支路k的電阻和電抗；Pi和Qi為末節點流入的有功功率和無功功率；Ui為各支路首節點的電壓幅值。

所有分支的最大電壓穩定指標為系統電壓穩定指標如下式所示：

fUstab=max{Ustab,1,Ustab,2,...,Ustab,N}

(3)

式中，N為網絡節點總數，Ustab,1,Ustab,2,…,Ustab,N分別為1，2，…，N支路的電壓穩定性指數。

1.1.3 綜合目標函數

為了進一步綜合各單一目標，采用權重系數法將它們結合在一起轉化成單目標進行優化。數學模型如下：

(4)

式中，f為雙目標優化函數；plossinit與Ustabinit是初始狀態下的有功損耗與靜態電壓穩定指數；a、b分別為有功損耗與靜態電壓穩定性指數的懲罰因子；ω1和ω2分別是網絡有功損耗和靜態電壓穩定指數的權重因子，ω1+ω2=1。

式中，a定義為：

(5)

當優化后的有功損耗大于初始有功損耗，則將a值設定成一個大正數N，即增大f的值，放棄此解；相反，a=1。

b定義為：

(6)

如果優化后靜態電壓穩定性比初始靜態電壓穩定性差，則將b值設定為一個大正數N，即增大f的值，放棄此解；反之，b=1。

1.2 約束條件

(7)

(8)

Uimin≤Ui≤Uimax

(9)

Sij≤Sijmax

(10)

PDGimin≤PDGi≤PDGimax

(11)

式中，PDGi和QDGi為系統向節點i注入的有功功率和無功功率;2≤i≤n;PLi和QLi為第i個節點上的有功負荷功率和無功負荷功率；Gij，Bij和θij為節點i到節點j之間的電導、電納和相角差；Ui和Uj為對應節點上電壓幅值；Sijmax為支路i、j的最大容許容量；PDGi為節點容量范圍。

2 鏈式多智能體遺傳算法介紹

針對基本遺傳算法易早熟易收斂的現象，提出了一種改進基因操作后的遺傳算法即鏈式競爭策略的智能體遺傳算法(Link-like Agent Genetic Algorithm，LAGA)[11]。LAGA 引入了鏈式網絡智能體結構，所有智能體都放在一個規模為1×SLsize的循環鏈式網格上，每個智能體都有局部感知能力，可與相鄰智能體相互作用，通過比較鄰域智能體之間的適應值大小，從而達到優勝劣汰的效果。

假設處于(1，i)格點的智能體表示為L1,i(i=1,2,…,SLsize)，L1,i的鄰域LneiborSi定義如下：LneiborSi{L1,i,L1,i},其中：

(12)

如圖1其中圓圈代表智能體，數字代表位置。

圖1 鏈式多智能體網絡結構

在鏈式網絡結構中智能體個體之間會進行動態鄰域競爭、正交交叉和自適應變異操作來更新自己的個體信息。接下來，介紹LAGA的個體更新規則。

1)動態鄰域競爭算子。

假設當前智能體位于(1，i)格點L1,i=(li,1,li,2,…,li,n),Max1,i=(mi,1,mi,2,…,mi,n)為L1,i的鄰域中能量最大的智能體，其中n為變量個數。即：，?a∈LneiborS1,i，enger(a)≤enger(Max1,i)都成立。如果L1,i滿足方程energy(L1,i)>energy(Max1,i) ，則可繼續存活在智能體結構中，則必須死亡，空出的格點將被New1,i=(nei,1,nei,2,…,nei,n)占據。

2)正交交叉算子。

在鏈式智能體遺傳算法中，正交交叉算子是將L1,i和Max1,i兩父代個體尋求兩子代個體的過程，轉換為F因素Q2水平的正交試驗，從正交表A4(23)中獲得能量最高的兩種組合作為兩個子代。

3)自適應變異算子。

在相對定義域的個體加上位的高斯擾動，實現小范圍內的變異。按照下式產生新的智能體New1,i=(ne1,ne2,…,nen)。

(13)

式中，Pm表示變異概率設為1/n;G(0,1/t)產生高斯分布的隨機數，t為當前進化數。

LAGA算法按以下步驟執行：

步驟一：初始化參數；

步驟二：構造鏈式網絡系統的規模1×SLsize，初始化種群，迭代次數T, 交叉概率Pc，變異概率Pm等；

步驟三：計算各個智能體能量；

步驟四：種群個體更新；依次對每個智能體通過根據(1)、(2)和(3)步驟進行動態鄰域競爭、正交交叉和自適應變異并更新種群信息；

步驟五：適應度函數值計算；

步驟六：判斷是否符合終止條件，若符合則結束迭代同時輸出結果。否則,T=T+1，,跳轉到步驟二。

3 算例分析

3.1 驗證算法適用性算例

首先為了驗證算法在分布式電源優化配置的有效性，本文選取在IEEE33節點網絡以非恒定功率因素的PQ節點類型DG進行優化，其中PQ節點類型DG功率因素在0.90～1.0范圍內變動。由于QPSO算法[12]在DG優化配置上算比較成熟的算法了，所以將本文算法LAGA和QPSO算法進行比較，使結果更具一般性。兩種算法的配置結果如表1所示。

表1 兩種算法DG優化配置結果

通過表1可以明顯看出QPSO和LAGA算法都能正確的優化非恒定功率因素PQ節點類型DG的優化配置。相較于QPSO算法，LAGA在有功損耗上有所降低。說明LAGA在節點優化配置上具有一定的優越性。

圖2和圖3給出了QPSO和LAGA兩種算法的尋優曲線和系統節點電壓幅值曲線。從圖2中可以看出，LAGA具有更快的收斂速度，且收斂曲線相較于QPSO要更好一些；說明LAGA算法相較與QPSO在收斂速度和收斂精度上都有一定的優越性。從圖3系統節點電壓幅值的整體走勢上分析看LAGA算法的節點電壓總趨勢值都要低于QPSO算法，證明算法具有一定的優越性。綜上，通過對IEEE33節點網絡的仿真分析，并通過與QPSO算法的比較，證明本文LAGA算法在DG優化配置上具有一定的優越性和可適用性。

圖2 兩種算法的收斂特性曲線

圖3 兩種算法的系統節點電壓幅值

3.2 全天24 h時序過程模擬仿真算例分析

上述已經證明提出的算法在DG優化配置中的優越性，下面說明LAGA在DG優化配置中的應用，主要考慮時序的全過程模擬對DG選址和定容。首先對規劃地區的負荷時序特性和氣候特點的統計資料進行分析，得出具有代表性的場景及其權重，然后基于負荷和DG的時序特性進行分布式電源的選址和定容。負載24-h序特性曲線如圖4；風力發電和光伏發電24-h輸出時序特性曲線如圖5[13]。

圖4 負載24-h時序特性曲線

圖5 風電和光電的24-h輸出時序特性曲線

為了進一步體現本文算法在處理全時序條件下的分布式電源的優化配置上的可行性，采用PG&E69節點配電系統進行仿真測試，PG&E69節點配電系統如圖6所示，該系統中有68條支路、5條聯絡開關支路、1個電源網絡，首端基準電壓12.66 kV、三相功率準值取10 MVA、網絡總負荷3 802.19+j2694.60 kVA。分布式電源的接入依然采用潮流計算的方法，收斂精度設為10-6，種群數量為50，最大迭代次數為100，交叉率和變異率分別設為0.98和0.03。本次采用雙目標函數測試，即本次測試過程選取式(4)所表示的系統有功損耗作為目標函數。

圖6 PG&E69節點配電系統

圖7 負載24-h在MVA的曲線

圖8 配電網24-h有功損耗曲線

在沒有DG接入配電網系統時，假設系統負載每天的標幺值變化曲線如圖7所示，那么當系在正常運行時，系統每天的實際負載容量變化(MVA)曲線如圖8所示，通過仿真測試得系統在一天內的有功損耗變化曲線如圖8 所示。對仿真曲線進行分析：在凌晨一直到六點鐘，由于大部分人都在休息，用電量減少，因此接入的負載較少，系統的有功損耗也相應的比較低，在七點到晚上十點，用電量需求增加，所接入的負載也就相應的增多，由于沒有其他電源的補充，導致有功損耗一直維持在很高的階段。在十一點到十二點，由于人們的用電量又有所下降，那么系統的有功損耗也相應的降低了。

案例一：在區域Ⅲ風力發電系統入網運行研究，并通過改變位置、功率因素和系統容量來進行討論，得出優化條件選取對DG網絡優化的影響。

情況A：指定風力發電系統容量，優化DG接入位置和功率因素

情況B：指定風力發電系統容量、位置和功率因素

B1：指定與A一致的容量、功率因素對位置進行優化

B2：指定與A一致的容量、位置對功率因素進行優化

情況C：指定風力發電系統位置和功率因素，優化功率接入容量

表2 優化配置結果

圖9 案例一負載24-h在MVA的曲線

圖10 案例一配電網24-h有功損耗曲線

在方案一中，本文分析了風力發電在不同種接入方式情況下對系統的影響，A是在指定容量的情況下，優化功率因素和接入位置。B為了與情況A做進一步的比較，因此分了兩種情況，B1為了和A僅通過接入位置的不同作比較，B2是僅通過功率因素不同與A比較。C是為了驗證與A在容量上的差異對系統有功損耗的影響。因此A和B的負載容量相同，而C與A、B不同，如圖9為各方案下的負載容量曲線。比較表2數據可知，由A與B的比較可知，由于B中只是優化了其中一個變量，因而在有功損耗上都要高于A，雖然B2在節點電壓上比A更好，但是從綜合上考慮，A還是優于B。這同時也表明了通過優化位置和功率因素的方法是相對可取的。C通過在A的基礎上優化接入容量，使得系統的有功損耗從815.6368 MW降為684.5169 MW，降低了16.08%。由圖10所示，C曲線在有功損耗上要明顯優于A、B1和B2，雖然在20:00-24:00時間段的有功損耗要高于A、B1和B2，但相比于12:00-20:00的降損來說還是可以接受的。因此，通過分類優化比較得出：通過位置、容量及功率因素同時尋優來進行DG的優化配置是非常合理且正確的。

案例二：針對配電網中接入DG的種類和位置不同，對不同數量DG接入配電網限制區域中的運行研究。

情況A：在Ⅲ區域內接入一個分布式電源。

A1：接入一個光伏發電系統；

A2：接入一個風力發電系統。

情況B：在Ⅰ區域接入一個光伏發電系統, 在Ⅲ區域接入一個風力發電系統。

情況C：在Ⅰ區域接入一個光伏發電系統, 在Ⅲ區域接入兩個風力發電系統。

在案例二中，通過分3種情況進行討論，分別是接入一個DG、兩個DG和3個DG。結合表4-3和圖4-10可得：(1)通過比較情況A可知：對于同為接入一個DG的系統，接入風力發電系統比接入光伏發電系統的降損要更好，接入光伏發電系統一天的有功損耗是1 885.92kW，而接入風力發電系統一天的有功損耗是684.517kW，同比下降了63.7%；(2)通過比較情況B可知：當同時接入光伏發電和風力發電時，系統的有功損耗為659.006kW，由于風光互補的原因，使得有功網損相對情況A1下降了65.06%，相對于A2下降了3.73%。節點電壓的穩定性能也有所提高，節點的最低電壓也從0.9372 pu提高到0.965 9 pu。(3)通過比較情況C可知：當同時接入3個DG時，系統的有功損耗再一次從659.006 kW降為632.775 1 kW,有功損耗減少了3.98%，系統電壓的穩點性也相對的提高了，節點最低電壓從0.965 9 pu升高到0.966 9 pu。因此，不同的接入方式，不同的接入條件，對于配電網系統都會產生不同的影響，但是能對接入的DG合理的優化配置，就能使系統的運行更穩定。對于不同DG數量接入配電網系統中，提出的算法對電網全時序下進行了很好的優化和處理，對不同的運行狀態下都能很好的尋找到最優的配置方案。

表3 案例二優化配置結果

4 結論

綜上所述，通過兩個算例進行仿真測試，先在IEEE33節點上進行了靜態的含分布式電源并網仿真測試，針對以非恒定功率因素的PQ節點類型DG進行優化，并通過不同算法進行比較從而驗證LAGA算法在配電網中的可適用性，接著繼續在IEEE69節點進行了24-h動態的含分布式電源并網仿真測試，針對不同種方案，不同種情況進行討論，證明了無論是靜態的還是動態的含分布式電源并網，本文提出的算法都能很好的解決這一系列問題，并且還能給出有效的解決方案。在配電網中合理的接入DG能夠在不同程度上減少系統的損耗，提高系統的電能質量。通過最后兩個算例的比較分析，體現出了合理的優化配置分布式電源接入配電網的重要性，為解決微電網的定容和選擇等實際問題提供了較好方法。

[1] 麻秀范. 含分布式電源的配電網規劃與優化運行研究[D].北京：華北電力大學(北京), 2013.

[2]梁才浩, 段獻忠. 分布式發電及其對電力系統的影響[J]. 電力系統自動化, 2001, 25(12):53-56.

[3]梁有偉, 胡志堅, 陳允平. 分布式發電及其在電力系統中的應用研究綜述[J]. 電網技術, 2003, 27(12):71-75.

[4]劉 波, 張 焰, 楊 娜. 改進的粒子群優化算法在分布式電源選址和定容中的應用[J]. 電工技術學報, 2008, 23(2):103-108.

[5]王成山, 陳 愷, 謝瑩華,等. 配電網擴展規劃中分布式電源的選址和定容[J]. 電力系統自動化, 2006, 30(3):38-43.

[6]海曉濤, 徐 巖, 姚曉玲. 基于免疫遺傳算法的智能配電網分布式電源選址定容[J]. 陜西電力, 2011, 39(12):58-61.

[7]李 亮, 唐 巍, 白牧可,等. 考慮時序特性的多目標分布式電源選址定容規劃[J]. 電力系統自動化, 2013, 37(3):58-63.

[8]薛恒嵩. 基于OpenDSS的配電網三相潮流計算[D]. 南京：東南大學, 2014.

[9]Ziari I, Ledwich G, Ghosh A, et al. Optimal allocation and sizing of DGs in distribution networks[A]. Power and Energy Society General Meeting[C]. IEEE Xplore, 2010:1-8.

[10] 鞠 平, 陳 謙, 熊傳平,等. 基于日負荷曲線的負荷分類和綜合建模[J]. 電力系統自動化, 2006, 30(16):6-9.

[11]曾孝平, LI Yong-Ming, 王 靖,等. 基于競爭策略的鏈式智能體遺傳算法用于特征選擇的研究[J]. 系統仿真學報, 2008, 20(8):1973-1979.

[12]關萬琳. 分布式電源優化配置與配電網重構[D]. 長沙：湖南大學, 2014.

[13]Hung D Q, Mithulananthan N, Bansal R C. Analytical strategies for renewable distributed generation integration considering energy loss minimization[J]. Applied Energy, 2013, 105(2):75-85.

Multi-AgentGeneticAlgorithmforOptimalConfigurationofDistributedPowerSupply

Yang Hongchao, Cheng Ruofa, He Zhihua, Lv Caiyan

(School of Information Engineering, Nanchang Hangkong University, Nanchang 330063)

The location and capacity of the distributed power supply are the important problems in the microgrid research, and propose a DG optimal configuration considering the 24-h load timing characteristics and climatic characteristics of the 24-h load in the planning area. In order to solve the above problems, the chain multi-agent genetic algorithm is used to optimize it. Firstly, the algorithm is used to test the IEEE33 node system to verify the superiority of the algorithm in the optimal configuration of the distributed power supply. The whole process simulation of the 24-h timing of the PG & E69 node distribution network is optimized. The results show that the multi-agent genetic algorithm can improve the efficiency of micro-grid access, improve the convergence speed, improve the possibility of falling into the local optimal and other issues, the micro-grid in the planning site and the choice of capacity to provide the project reference to the practicality.

microgrid; distribution network; active network loss; position and capacity; multi-agent

2017-05-03；

2017-05-26。

國家基金項目(51567019);江西省教育廳項目(GJJ150757);江西省科技支撐計劃項目(20142BBE50002)。

楊宏超(1991-)， 男，安徽滁州人 ，碩士研究生 ，主要從事光伏發電以及配電網重構方向的研究。

程若發(1971-)，男，安徽六安人，教授，碩士研究生導師，主要從事微電網安全評估及其多目標優化方向的研究。

1671-4598(2017)11-0201-04

10.16526/j.cnki.11-4762/tp.2017.11.051

TP273

A