基于優化粒子群算法和分布式電源配置模型的電能質量研究

［關鍵詞］電壓質量；分布式；優化配置；風力；光伏

［中圖分類號］TM73 ［文獻標志碼］A ［文章編號］2095–6487（2024）11–0143–03

機器學習中的粒子群算法（Particle SwarmOptimization，PSO）模擬鳥群共享信息進行覓食的方法，可尋找到問題的最優解。PSO 算法中粒子具有全局搜索能力，通過信息共享和迭代找到全局最優解，擅長處理資源的最優調度，適用于計算分布式電源最優配置策略，但PSO 算法容易限于局部最優解。因此，對PSO 進行隨機變異改進，提出基于改進PSO 的分布式電源優化配置模型，通過模型計算出分布式電能并網的最優策略，提升系統的電能質量。

1基于改進PSO算法的分布式電能優化配置模型構建

1.1基于隨機變異的粒子群優化算法

光伏發電和風力發電分別受光照和風力影響，極大地提升了分布式電源并網的優化配置難度。PSO 算法中粒子在搜索空間中游走，通過更新個體極值和全局極值來更新自己的速度和位置。個體極值代表粒子自己找到的最優解，而全局極值代表的則是全局最優解，粒子通過信息共享找到全局最優解。將PSO 算法運用于分布式電源并網的目標函數，可找到分布式電源并網的最佳策略。PSO 算法中速度的更新公式見下式：

2分布式電源優化配置模型對電能質量的影響

2.1網絡損耗情況分析

分布式的風力和光伏電源受風速和日照強度的影響，具有出力不穩的特點，研究通過改進PSO算法計算分布式電源并網的優化配置策略，以提高電能質量。為驗證分布式電能優化配置模型對電能質量影響情況，對模型進行了仿真試驗。仿真試驗以IEEE33節點的配電系統進行，負荷功率設置為4369 kVA，無功功率為2300kvar，有功功率為3715 kW，三項功率基準值設置為10MVA，網絡首端基準電壓設置為12.66 kV。另外，在仿真試驗中將分布式電源的輸出功率設置為系統總負荷的27%，即分布式電源的總有功功率小于等于1090 kVA。分布式電源的并網節點設定為PQ 節點，分布式電源的單位容量為1 000 kVA，有功功率為92 kW，功率因素為0.92。在上述參數設定情況下，試驗通過分布式電源優化配置模型計算出分布式電源的接入策略，對電力系統是否存在分布式電源并網的網絡損耗情況進行對比試驗，試驗結果如圖1所示。

圖1中，在沒有接入分布式電源的情況下，各節點的網絡損耗最低值為0.12 kW，網絡損耗的最高值為74.53 kW。節點3、節點4 和節點5 的網絡損耗值較高，均在20 kW 以上，最高網絡損耗出現在節點5。接入優化后的分布式電源后，所有節點的網絡損耗值均較未接入前有所降低。其中，節點3、節點4 和節點5 的網絡損耗值分別降低了11.48kW、6.54 kW 和43.21 kW。由此可知，通過分布式電源并網的優化配置，能夠有效降低系統的網絡損耗。

2.2節點電壓質量情況分析

為進一步分析分布式電源并網對電能質量的影響，在相同試驗條件下，測試系統的電壓質量變化情況。電力系統分布式電源并網前后電壓變化情況如圖2所示。

圖2（a）中，在沒有分布式電源接入電力系統的情況下，電力系統中的33個節點電壓的平均值為0.9414 V。其中，節點1 至節點18 電壓呈現逐漸下降的情況，在節點19 處電壓值陡增至0.9832V，之后節點19 至節點33 電壓值逐步降低。接入優化后的分布式電源后，所有節點的電壓值均較未接入有所提高。其中，電壓值最低節點18和節點33電壓值提升最明顯，圖2（b）中，在接入分布式電源后，電力系統的電壓平均值為0.9657 V。另外，從圖2 中可以看出接入分布式電源和與未接入的電壓變化相似，離系統電源越近的節點，電壓值越高，遠離系統電源的節點，電壓呈現下降的趨勢。

3結束語

分布式電源大量并網，出力不均的新能源電力對電力系統的電能質量具有較大影響。研究將機器學習中的PSO算法引入分布式電源優化配置中，旨在提高電網的電能質量。基本PSO算法收斂能力較弱，容易陷入局部最優解，因此，研究采取了隨機變異的方式進行改進。仿真試驗結果表明，系統中所有節點的電能質量均有所提高。研究僅考慮了目前應用規模較廣的風力和光伏電源，未考慮其他分布式電源。后續將對地熱能、生物質能等分布式電源并網對電力系統電能質量影響進行繼續研究。