基于粒子群算法的分布式電源優化配置對配電網網損影響的仿真研究

孫 晨

國網甘肅省電力公司蘭州供電公司西固供電分公司，甘肅 蘭州 730070

0 引言

在對分布式電源進行配置的過程中，電力單位需要深入研究其網損影響，并通過建立優化配置數學模型來計算分布式電源的配置，以此解決分布式電源應用中的電網網損問題。在確保電網供電效果的同時盡最大限度提升電力企業的經濟效益，進一步促進電力企業的發展。

1 分布式電源的概念

分布式電源就是合理安排電源位置，以此確保其發電效果的一種技術形式。在具體設置中，需要按照相應的標準進行電源的分散排列，這和傳統電源集中配置的方式存在明顯區別。分布式電源的合理應用，不僅可顯著提升配網工作效率，也可以進一步降低電力損耗，這與可持續發展戰略十分相符[1]。但是此種配置方法需要用智能電網作依托，對于材料和技術的要求都很高。

2 分布式發電技術的類型

（1）往復式內燃機技術。其主要工作原理是通過汽缸內部的燃料燃燒來實現熱能到機械能的轉化，從而帶動發電機。憑借著發電效率高、成本低的優勢，往復式內燃機的應用十分廣泛。但是該技術也具備一定的缺點，如噪聲大、污染物排放量高、維修成本高等。

（2）微型燃氣輪機技術。微型燃氣輪機是一種以柴油、汽油、甲烷、天然氣等為燃料，功率為數百千瓦的小型燃氣輪機。微型燃氣輪機具有質量輕、體積小、維護簡單、污染小、發電效率高等優勢，在分布式發電中十分適用[2]。

（3）燃料電池技術。其主要工作原理是讓燃料電池在低溫條件下直接實現化學能到電能的轉變，主要通過電化學過程來獲取電能。其主要優勢是轉換效率高、噪聲低、無污染、功率高等，可在集中式與分布式發電系統中應用。

（4）風力發電技術。該技術通過風電機來實現風能到電能的轉化，作為一種新型的清潔能源發電技術，此項技術已經趨于成熟。

（5）太陽能發電技術。此項技術主要包括光熱轉換與利用、光電轉換與利用及光化學轉換與利用等。該技術的主要優勢是清潔無污染、規模靈活、安全可靠、維護簡單、不受地域限制。憑借著這些優勢，此項技術在分布式發電中已經得到廣泛應用。

3 分布式電源接入配電網的主要影響

將分布式電源接入電網之后，傳統電網中的饋線潮流的大小及方向會發生明顯改變，從而直接對電網網損產生影響[3]。

4 分布式電源配置優化數學模型建立

4.1 目標函數

要想合理優化分布式電源配置，就需要將電網中的最小有功網損作為目標函數。以下是其目標函數公式：

式中：f為目標函數，P1為電網中的有功網損。

4.2 約束條件

在對配電網中的分布式電源進行配置優化時，其約束條件主要包括以下幾個方面。

4.2.1 狀態變量方面的約束條件

狀態變量方面的約束條件是對各個節點中的電壓幅值加以約束，其公式為

式中：Umin為節點下限電壓幅值；Umax為上限電壓幅值用表示；Ui為第i個節點上的電壓幅值。

4.2.2 控制變量方面的約束條件

控制變量方面的約束條件，是對安裝在每一個節點位置的分布式電源進行有功功率及無功功率的約束。

有功功率約束條件公式為

式中：PDGmin為有功功率的下限值；PDGmax為有功功率的上限值；PDG為分布式電源實際的有功功率值。

無功功率約束條件公式為

式中：QDGmin為無功功率的下限值；QDGmax為無功功率的上限值；QDG為分布式電源實際的無功功率值。

4.2.3 潮流方面的約束條件

潮流方面的約束條件，是對數學模型中的狀態變量及控制變量加以約束，其公式為

式中：x為數學模型的狀態變量；u為控制變量。

4.3 配置優化計算

4.3.1 粒子群算法原理

通過上述模型和改進之后的粒子群算法對分布式電源進行配置優化計算。粒子群算法的基本原理：假設有一群鳥正在隨機地對食物進行搜索，假設一個區域內的食物只有一塊，鳥群中的每一只鳥都不知道這塊食物的具體位置，但是知道自己目前所在位置和食物之間的距離。在此過程中，最簡單有效的方法就是對目前和食物距離最近的周邊區域進行搜索[4]。

4.3.2 粒子群算法計算公式

將鳥抽象成一個沒有體積和質量的粒子i，并以此為基準，向N維空間進行延伸，在N維空間內，粒子i的位置可用xi=(x1,x2,…,xN)這一矢量來表示；鳥的飛行速度v可以用vi=(v1,v2,…,vN)這一矢量來表示。其中的每一個粒子都具有一個適應值，這個適應值由目標函數決定。每一個粒子都知道自身目前所在位置及其發現的最好位置（pbest），可以將其作為粒子自身的飛行經驗；每一個粒子也知道自己目前在整個群體中所發現的最好位置（gbest），是pbest中的一個最佳值，可以將其看成粒子同伴經驗值。粒子的下一步運動正是根據自身的經驗以及同伴的最佳經驗來決定。在每一次迭代的過程中，粒子都會對pbest及gbest兩個極值進行追蹤，在尋到兩個最佳值之后，粒子便會對自身速度及其位置進行更新，相關公式為

式中：i的取值為1,2,…,M，M是整個群體內的總粒子數量；ω為慣性權重；c1及c2為加速常數；rand()為均勻分布在[0,1]這一范圍之內的隨機數值。ωvi為記憶項，它所代表的是上一次的速度大小以及方向影響。ωvi+c1rand()(pbesti+xi)為自認認知項，代表的是從粒子自身目前所在位置指向最佳點的一個矢量值；同時，這一部分也代表了粒子所做出的動作來自于其自身經驗。c2rand()(gbesti-xi)為群體認知項，它是一個從粒子目前所在位置指向群體最佳點的矢量值，所反映的是粒子之間所進行的協同合作以及知識共享。

4.3.3 動態慣性權重值的計算公式

粒子下一步運動主要根據自身經驗及同伴的最佳經驗來決定。粒子需要按照自身搜索經驗及群體搜索經驗向最優解的方向移動，在移動的過程中，如果不能夠合理選擇慣性權重，粒子便很可能錯過最優解。

如果慣性權重值比較大，該算法會具有較強的全局尋優能力和較弱的局部尋優能力，得到的解不夠精確；如果慣性權重值較小，該算法會具有較強的局部尋優能力和較弱的全局尋優能力，得到的解更加精確。基于此，在本次研究中，主要應用動態慣性權重，讓慣性權重值隨著搜索的推進而逐漸線性減小。在搜索之初，慣性權重值較大，其搜索范圍也比較大；在搜索后期，慣性權重值較小，這樣更容易獲得精確解[5]。以下是其改進公式：

式中：ω為慣性權重；ωmax為慣性權重最大值；ωmin為慣性權重最小值；k為目前的迭代次數；kmax為迭代次數最大值；k為迭代次數。

4.4 算例與仿真

4.4.1 計算步驟

具體計算步驟如下：

（1）確定配電網數據；

（2）確定粒子數等PSO 參數；

（3）對粒子群進行初始化；

（4）對電網潮流進行計算，以此確定有功網損；

（5）將粒子適應值作為依據，對個體最優值及群體最優值進行更新；

（6）以速度及位置公式為依據，對粒子速度及其位置進行更新。在完成了上述操作之后，如果得到的結果與迭代停止條件相符，便可將最終的結果輸出；如果不能滿足迭代停止條件，需要返回到第（4）步，并繼續第（4）步及以后的程序，一直到結果與迭代停止條件相符為止。

4.4.2 IEEE9 節點形式的標準系統

在本次算例的仿真分析中，主要應用的是IEEE9節點形式的標準系統，該系統為輻射形式的饋線結構，其中有負荷點9 個，段數9 個。文章應用的IEEE9 節點形式標準系統結構示意圖如圖1 所示，文章應用的IEEE 節點形式標準系統線路及其負荷數據如表1 所示。

圖1 IEEE9 節點形式標準系統結構示意圖

表1 IEEE 節點形式標準系統線路及其負荷數據

4.4.3 算例仿真結果分析

在具體優化設計中，將功率基準值SB設置為100 MVA，電壓基準值VB設置為23 kV。在對分布式電源進行配置優化之前，該系統中的有功網損是783.81 kW。然后通過改進之后的粒子群算法對其進行仿真模擬。在具體仿真中，將粒子數目N設置為50；將迭代次數最小值設置為100；將加速常數c1及c2均設置為1.49；將慣性權重上限值設置為1.2；將慣性權重下限值設置為0.4。改進之后的粒子群算法進行算例仿真獲得的結果如表2 所示。

表2 改進之后的粒子群算法進行算例仿真獲得的結果

在通過上述方式進行分布式電源配置優化計算仿真之后，讓該系統中的有功網損降低到了661.12 kW，相比于配置優化之前，其網損降低了15.65%。同時，經進一步的仿真試驗分析發現，在進行了分布式電源的配置優化之后，系統電壓也變得更加穩定。

5 結束語

綜上所述，在對分布式電源進行應用研究的過程中，電力企業應該了解其網損影響，然后通過合理的方式來建立數學模型，并對其配置進行仿真分析。通過應用數字化模型，改進相應的算法，可得到分布式電源配置的最優解，以此實現其配置的合理優化，從而盡最大限度降低分布式電源應用過程中的網損，在確保供電效果的同時，實現電力企業經濟效益的最大化，并實現電力能源的最大化節約。