基于改進粒子群算法的分布式電源并網優化配置方法

張仁和

國網寧夏電力有限公司，寧夏銀川，750000

0 引言

在分布式電源的接入作用下，傳統配電網的運作模式發生了新的變化，不再是以簡單的輻射受電網絡作為運行載體，而是更加側重于復雜的電源網絡環境。在實際環境因素的影響下，分布式電源的輸出表現出了明顯的間歇性和不確定性，并且為了適應實際用電需求總量的變化，發展出了以穩定供電為目標的反調峰特性。通常情況下，配網規劃階段的考慮因素相對單一，對配網內其他資源的利用程度相對較低，受大規模分布式電源的作用，電力系統能夠安全運行也成了資源配置的重要前提。

分布式電源并網資源管理是關系到電力系統配電合理性和可靠性的關鍵，受客觀因素影響，用電負荷存在一定的動態特征，波峰和波谷階段的差異較大，為了適應這種波動，對并網配置進行進一步優化研究是十分必要的。以區間魯棒控制為基礎對配電設備進行協調配置，可以降低儲能成本開銷，但是對資源的利用程度仍存在提升空間[1]。將改進的FPA算法應用于分布式光伏配電網多目標優化研究中，可以實現對能源的充分利用，但是穩定性依舊存在波動[2]。

因此，本文提出了基于改進粒子群算法的分布式電源并網優化配置方法，并開展了試驗和測試，對配置方法的實際應用效果進行分析。

1 分布式電源并網優化配置方法

1.1 構建分布式電源并網優化配置目標函數

受分布式電源屬性特征的影響，對其進行配置研究的過程中需要綜合考慮不同的參數，為此，本文在進行配置前建立了分布式電源并網優化配置目標函數，并將其當作改進粒子群算法計算的依據。在具體的計算過程中，考慮算法能夠適應多投入多產出的相對效率分析，本文采用超效率數據包絡分析的方法。

根據分布式電源機組的輸入和輸出數據，將其輸入超效率DEA模型中，并設立了各目標函數的權重系數向量R={r1,r2,…ri}，將其作為超效率DEA模型的決策單元，此時分布式電源并網優化配置目標函數可以表示為：

式中，f（*）表示分布式電源并網優化配置目標函數，xi表示目標函數對應的數據信息，X表示分布式電源機組的總輸入數據，ri表示對應xi的權重系數，Ci表示分布式電源機組對應xi的輸出數據，Pi表示對應xi的輸出功率。

在此模式下，要得到配置優化的最小化目標值和最大化目標值，必須要結合機組的歷史輸出負荷數據極值和儲能系統的允許負荷數據極值。假設配電系統的歷史用電負荷峰值為Wmax，波谷值為Wmin，那么分別將其作為超效率DEA模型決策單元輸入的閾值范圍，在系統電壓穩定裕度的限制下，目標函數需要滿足：

式中，W（xi）表示目標函數的負荷參數。

用電負荷處于波谷階段時，儲能系統是主要的能量輸入階段。因此，此時應有：

式中，Qmax和Qmin分別表示儲能系統允許輸入負荷的最大值和最小值，Q（xi）表示目標函數的輸入負荷參數。

通過這樣的方式，確定改進粒子群算法尋優的范圍，為分布式電源并網配置的合理性提供保障。

1.2 改進粒子群算法的配置尋優

在上述基礎上，本文采用粒子群算法實現對分布式電源并網配置的尋優計算，但是考慮到其波動性，本文在粒子群算法中引入了螢火蟲機制，以此實現對其的改進，提高尋優的效率。

首先，本文將配置參數作為螢火蟲，其亮度和吸引度決定粒子的移動方向和單位移動步距。螢火蟲的相對熒光亮度可以表示為：

式中，L（xi）代表相對熒光亮度，Lmax表示螢火蟲的最大熒光亮度，即最優配置參數對應的熒光亮度值，其具體參數信息為上文1.1部分超效率DEA模型輸出的目標函數值，λ表示光強吸收作用，e表示熒光亮度波動變化，dij代表螢火蟲i與螢火蟲j的間距。

其次就是對螢火蟲吸引度的計算，可以表示為：

式中，A（xi）代表螢火蟲的吸引度，Amax代表螢火蟲的最大吸引度，即最優配置參數對應的吸引度值，同樣對應1.1部分超效率DEA模型輸出的目標函數值。為了防止粒子群算法在尋找最優的歷程中落入部分最優[3]，本文設置了隨機擾動值，其取值范圍為[0.02,0.05]，在此基礎上對分布式電源的并網配置進行尋優。其計算過程如圖1所示。

圖1 基于改進粒子群的分布式電源的并網配置尋優方法

按照圖1所示的方式，首先根據符合約束條件的并網配置參數，對螢火蟲的位置進行初始化，在此基礎上分別將輸出的目標函數作為粒子群算法的尋優目標，求出對應情況下的最優配置參數。計算粒子群算法的尋優參數與螢火蟲之間的距離，將亮度和吸引度作為指標，進行趨近計算，直至目標函數的亮度無限接近螢火蟲的最大亮度值，將此時的參數作為最終的配置尋優結果。

2 實驗分析

為了證明本文提出的基于改進粒子群算法的分布式電源并網優化配置方法的有效性，以實際配電網為基礎進行了測試分析。選擇基于區間魯棒控制的配電信息物理雙層設備協調配置方法和基于改進FPA算法的含分布式光伏配電網選址定容的多目標優化方法作為對比方法，比較三種方法的應用性能[4]。

2.1 測試環境

本文開展測試的配電系統中，共包含25個節點，并以網絡拓撲的形式建立了連接關系。系統配電線路的25個節點中，有19個為負荷節點，對應編號為F01、F02…F19；T節點數量為2個，對應編號為T01、T02；電源點數量為1個，對應編號為D00；末梢節點數量為3個，對應編號為M01、M02、M03。對該配電系統的運行參數進行統計，其首端電壓強度為15.0kV，對應機組的初始相位為0，儲能裝置的額定容量為 100MV·A。受分布式結構的作用，配電系統的可靠性為0.95，可以實現對相關調度管理操作的順利執行。在該配電系統覆蓋的用電范圍內，負荷波動表現出了明顯的特征，對應的高峰時段為9:00～13:00和18:00～21:00，波谷時段為0:00～5:00。為了適應這種用電變化特征，分布式電源設置了反調峰特性參數，雖然在一定程度上降低了系統供電負荷的波動強度，但是也降低了負荷低谷期的資源利用率，出現了棄風現象，高峰期因供電不足發生的切負荷現象也偶有發生。對配電系統的經濟參數進行統計，其中，可平移分布式電源的單位電量成本為0.25元/kW·h，可轉移分布式電源的單位電量成本為0.75元/kW·h，靈活分布式電源的單位電量成本為0.80元/kW·h，儲能裝置儲存單位電量的成本為104.50元/年。

在此基礎上，分別采用三種方法統計其資源配置效果。考慮到配電系統的主要任務是實現對用電需求的保障，因此本文統計了10個測試日內系統負荷由于供電異常出現切負荷的次數。為了最大限度提高對資源的利用率，對負荷低谷期的棄風量進行統計，以10個測試日的總值作為最終的評價指標[5]。

2.2 測試結果

在上述基礎上，統計了三種方法的測試結果。首先，分析了10個測試日內系統負荷由于供電異常在高峰時期出現切負荷的次數。其次，對比三種方法：區間魯棒控制方法雖然實現了對高峰時期出現切負荷次數的有效控制，但是切負荷總數為26次，日均仍達到2次以上；改進FPA算法的切負荷總數為19次，波動性較強，日最小切負荷次數為1次，最大次數達到了4次，穩定性相對較低；本文所用方法的切負荷總數為2次，僅在測試第5天和第8天各出現1次切負荷，能夠實現對峰值用電需求的穩定供電。

在上述基礎上，對10個測試日內系統負荷在低谷時期的棄風總量進行統計，其結果見表1。

表1 配電系統棄風總量（kW）

從表1中可以看出，在三種方法中，區間魯棒控制方法在低谷時期的棄風量最大值達到了156.37kW，最小值也達到了106.85kW，10個測試日棄風總量為1251.79kW；改進FPA算法與之相比有所提升，但測試期間的棄風總量也達到了1104.32kW。觀察本文方法的數據結果可以看出，其單日棄風總量基本穩定在50.00kW以內，且測試期間的棄風總量也僅為461.54kW，低于改進FPA算法642.78kW，與區間魯棒控制方法相比降低了63.13%。測試結果表明，本文設計的分布式電源并網優化配置方法可以提高配電系統對資源的利用率。

3 結語

本文提出基于改進粒子群算法的分布式電源并網優化配置方法，降低了在波峰階段出現切負荷的次數，同時還能夠降低波谷階段的棄風量，提高了電力系統的運行效果，實現了對資源的有效利用。

由于時間限制，本文方法在實驗中僅針對10個測試日的電網切負荷情況進行了測試，雖然當前結果可以滿足設計需求，但是還需要更多測試來提高設計方法的科學性與魯棒性。在接下來的研究中，將進行更多的實驗測試，以期為相關電力資源管理部門工作的開展提供技術支持，保障城市用電環境的安全，提高供電質量。