不確定性分布式電源優化配置分析

戚思源 吳文龍 周 艷 朱 慧

（國網江蘇省電力有限公司鹽城市大豐區供電分公司）

0 引言

當前，我國電力系統主要采用大電網、大機組、高電壓的配電方式。這種配電方式可靠性相對較差，供電欠缺靈活性，且無法充分滿足配電網終端的電能需求，容易受到各方面因素的干擾，甚至可能出現系統大面積癱瘓的問題。隨著社會對電能需求不斷提高，對電能質量要求不斷提升，大型電力系統的運行呈現出越來越明顯的弊端，而若是采用增大輸送容量的方式，滿足電能增長需要，勢必會造成運行難度大、損耗高、環境污染嚴重等問題。要想解決此問題，接入分布式電源具有重要作用。

1 分布式電源接入對配電網的影響

分布式電源主要包括風力發電和光伏發電。其中，風能作為可再生能源，其發電方式主要有獨立發電、并網發電和其他方式互補；光伏發電是太陽能直接應用的形式，主要有集中式光伏發電、分布式光伏發電。

分布式電源在配電網中接入，向接入節點負荷直接注入功率，會使得配電網原本的潮流分別出現變化，一定程度上影響系統網損，而其影響效果則由分布式電源在配電網中的接入位置、容量和節點負荷等因素決定。通常情況下，若配電網系統中的各節點負荷均比節點所注入的分布式電源功率要大，那么分布式電源的接入就能夠減輕系統網損，相反則會使得局部支路或整個系統網損升高。當分布式電源接入電網的總容量一致，但各節點容量分配不同，那么網損效果也不同，往往接入節點位置越靠后，越會減輕系統網損程度。

此外，分布式電源的接入，還會影響配電網的電壓分布情況。在配電系統當中，電壓隨著配電網饋線潮流方向逐漸降低，各節點對負荷的需求各不相同，網絡中電壓分布也會有所不同。一般來說，沿著配電網潮流輸送的方向，節點電壓不斷下降，所以線路的末端電壓最低，可能會影響電網運行的安全性。在分布式電源接入后，在接入位置向系統節點注入無功功率和有功功率。其中，無功功率能夠在一定程度上支撐節點電壓，使節點處電壓升高，若功率過大，則容易出現潮流倒送的問題，使得電壓超標；有功功率則可以有效減小線路輸送容量，對電壓分布產生影響［1］。

2 不確定性分布式電源優化配置

2.1 不確定性多場景分析

多場景分析，主要解決無法通過數學模型加以描述的不確定性問題，其重點在于以一定規則基礎，枚舉不確定變量，將其問題分析變成多個確定性問題分析，保證問題解決準確性。若生成的場景規模越大，則意味著不確定性問題描述越精準，若場景規模較小，則可能會遺漏其中部分代表性場景，精準度變低。

分布式電源主要包括風力發電和光伏發電。以往在研究分布式電源時，大多研究其負荷需求和出力值，但事實上，無論是風力發電還是光伏發電，都容易受到地理位置和區域氣候等因素影響，在向配電網供能時，功率基本無法保持恒定，而是會在環境變化下，不斷改變出力效率，實際的負荷需求也并非完全一致。所以，在研究分布式電源優化配置時，還需多加研究實際出力和負荷需求波動等情況。

預測風力發電有功功率難度相對較大，其出力容易受到所處位置風速影響，憑借二者之間的關系，可得出風力發電有功功率。利用不確定性概率模型，獲得風機出力值，風速符合兩參數Weibull分布，其函數模型如下：

其中，v、k、c分別為實際風速、Weibull分布函數形狀參數和尺度參數。當概率模型參數不同時，出現風速最大概率時，所對應的風速也各有不同，產生的最大風速也可能存在不同。此外，風機實際有功出力，與其所處位置的風速大小也有關聯。若風速小于切入風速或大于切出風速時，風機的實際輸出有功功率為0，此時由于風速過低或風機運行不安全，導致風機無法正常運行；若風速大于切入功率、小于切出功率時，那么風機實際有功出力則與風速之間呈線性關系，風速不斷加大，風機的輸出有功功率也會隨之加大；若風速大于切出功率、小于切入功率時，風機穩定運行，此時有功出力則為額定輸出功率［2］。

光伏發電的實際出力，主要受光照強度的影響。根據光照強度概率模型，在不同的Beta分布參數下，產生的光照強度分布概率密度函數各不相同。參數影響密度函數曲線形狀，影響光照強度概率分布情況。光伏的實際有功出力，隨著光照強度發生變化。通常情況下，當光照強度小于額定光照強度時，光伏發電機實際有功出力和光照強度之間呈線性增長關系；當光照強度大于額定光照強度時，太陽能電池組件達到最大發電功率，光伏有功輸出也會保持恒定。

2.2 多場景分析下的優化配置模型

以風力發電、光伏發電為基礎的分布式電源，能夠有效保證經濟性和環保性指標效果，以經濟性角度，構建分布式電源優化配置模型，并考慮其所帶來的環境效益。

規劃分布式電源時，主要考慮四個約束條件，分別為電流、電壓、潮流和安裝容量約束。分布式電源優化配置模型的構建，屬于典型的約束性規劃問題，可運用傳統數學規劃法和群體智能優化法進行計算求解。在本文研究中，主要采用粒子群算法，以群體間信息共享，尋找最優解。粒子群算法應用中，首先初始化粒子群算法種群參數，對各參數的粒子適應度函數值計算，對其大小進行排列，選擇個體和全局最優粒子。根據計算結果，更新粒子位置和速度，判斷計算過程是否完成，輸出最優解。

針對粒子算法進行改進，主要改進其中的慣性權重因子，以此提高粒子群算法在迭代前期的全局搜索能力和后期的局部收斂性能，提高求解過程的收斂速度。同時，引進遺傳算法中的交叉變異思想，增加種群多樣性，加大最優解跳出的可能性［3］。粒子群算法中的重要參數之一即為慣性權重因子，其體現粒子在尋優過程中達到整體狀態。在前期，為搜尋最優解，粒子群搜索空間應盡量擴大，提高其全局搜索能力，在迭代后期，則快速收斂到最優解，此時慣性權重因子需減小。

遺傳算法，以人工演化為基礎，得出的隨機搜索算法。這一算法的基本思想，是以適應度函數值為基礎，構建種群淘汰機制，對種群進行篩選，將其中的最優種群作為最優解。遺傳算法在迭代過程中，全局搜索能力更強，其具有一定的變異能力，但局部搜索能力相對較差。所以，在改進算法過程中，適當運用遺傳算法的選擇、變異操作、交叉等功能，將其應用到粒子群算法當中，提高粒子群算法全局搜索能力和收斂精度。

粒子群算法尋最優解的過程中，需要利用群體間的信息共享，確保粒子始終向最優解方向移動。在此改進優化下，粒子收斂速度更快，且可有效避免最優粒子由于交叉變異等操作出現丟失問題，確保保留最優粒子并繼承［4］。若同時有多個粒子為最優粒子，為確保其全局搜索能力，可限制保留的粒子個數，以此更好地發揮遺傳算法操作性能。

2.3 分布式電源優化配置

根據以上優化配置模型和粒子算法改進，從三種方案中確定最優的分布式電源優化配置方法。其中，方案1為不安裝分布式電源；方案2為在待選節點上安裝分布式電源；方案3為在待選節點上安裝分布式電源，并且考慮源荷的不確定性影響。如表1所示，為不同方案下分布式電源規劃結果。其中，表中的4（0，5）所表示的為在電網系統節點4位置安裝0臺風機和5臺光伏。

表1 不同方案下分布式電源規劃結果

通過三個方案對比分析，發現在分布式電源并網后，會產生一定的費用投入，但綜合費用仍然比不接入分布式電源時要低。究其原因，主要在于接入分布式電源后，相當于配電網中的節點負荷需求下降，線路傳輸功率有所減小，所以系統的網損費用和上級電網的購電費用均會有所減少。通過方案2和方案3對比分析，加入不確定性考慮后，分布式電源優化配置會更加合理。這主要由于分布式電源在并入電網后，節點大概分別在于線路末端靠近的位置，由于輸送容量變多所產生的網損有所減小，在末端負荷注入無功功率可有效改善末端的電壓情況［5］。

加入不確定性因素進行考慮時，所得到的方案綜合費用更低，與實際情況更相符。在此基礎上，分析不同方案對配電網電壓分布的影響。在電網中接入分布式電源后，向待安裝節點注入無功和有功功率，可一定程度上支撐節點電壓，并考慮不確定性源荷對電網電壓分布的影響。

為進一步證明改進的粒子算法在分布式電源優化配置中的有效性，將其與基本粒子群算法和混沌粒子群算法進行對比分析，得出不同算法下的規劃結果，如表2所示。

表2 不同算法下的規劃結果

通過上述對比分析，發現在不同算法下，通過改進粒子群算法所得到的分布式電源規劃結果更優，所使用的費用最少，這就意味著，通過改進粒子群算法，能夠在考慮源荷不確定性的基礎上，保證更高的精度，所得到的接入方案也更加具有經濟性。

3 結束語

綜上所述，本文根據分布式電源的特征和對配電網的影響，分析探究了不確定性分布式電源的優化配置方法。通過采用改進粒子群算法，結合遺傳算法的方式，提高最優解找尋效率。并且，經研究發現，在待選節點上安裝分布式電源，并且考慮源荷的不確定性影響可有效達到優化配置效果。