魏明磊，孟安波，黃海濤

(廣東工業(yè)大學(xué) 自動化學(xué)院，廣東 廣州 510006)

帶精英保留策略的縱橫交叉算法分布式電源規(guī)劃

魏明磊，孟安波，黃海濤

(廣東工業(yè)大學(xué) 自動化學(xué)院，廣東 廣州 510006)

考慮分布式電源投資經(jīng)濟效益的基礎(chǔ)上，建立以網(wǎng)絡(luò)損耗費用、分布式電源發(fā)電售電收入、分布式電源投資與運行維護成本為目標的分布式電源規(guī)劃模型，采用雙向搜索機制的縱橫交叉算法具有很強的全局收斂能力，但算法的競爭算子使粒子局限于“嫡系”粒子間的競爭，為保證粒子公平競爭,通過引入精英保留策略對縱橫交叉算法進行改進，將改進的算法與IEEE 69節(jié)點系統(tǒng)相結(jié)合進行仿真實驗，所得結(jié)果表明改進算法優(yōu)化結(jié)果準確、合理，算法的全局搜索能力強，收斂精度高。

分布式電源規(guī)劃; 網(wǎng)絡(luò)損耗; 精英保留策略; 縱橫交叉算法; 收斂精度

隨著社會發(fā)展，傳統(tǒng)能源面臨著日益枯竭的困境，世界各國對分布式電源(distributed generation, DG)接入電網(wǎng)問題也日益重視[1-3]。配電網(wǎng)中大量接入DG會改變系統(tǒng)潮流大小和方向，使系統(tǒng)損耗不僅取決于負荷大小，還與分布式電源接入位置和容量關(guān)系密切[4-5]。分布式電源合理規(guī)劃對電力系統(tǒng)的穩(wěn)定運行具有重要意義[6]。

目前，國內(nèi)外學(xué)者對分布式電源規(guī)劃做了較多的研究。文獻[7]建立了包含分布式電源接入配電網(wǎng)有功損耗目標函數(shù)，引入電壓水平約束，將其轉(zhuǎn)化為懲罰因子并入目標函數(shù)，得到有功損耗最優(yōu)的分布式電源規(guī)劃接入方案。文獻[8]通過引入節(jié)點靈敏度系數(shù)矩陣和單位負荷增量成本矩陣，提出能夠計及無功影響的配電網(wǎng)節(jié)點/支路邊際容量成本模型及計算方法，分析DG并網(wǎng)對網(wǎng)絡(luò)容量緊張程度的影響。文獻[9]提出了考慮配電網(wǎng)結(jié)構(gòu)變化的DG規(guī)劃，采用損耗靈敏度因子對DG最優(yōu)布置，建立以減少網(wǎng)損為目標的網(wǎng)絡(luò)重構(gòu)和DG容量配置的綜合優(yōu)化模型，對其進行仿真求解，得出有益結(jié)論，但模型僅考慮網(wǎng)絡(luò)損耗，缺乏對規(guī)劃成本的考慮。文獻[10]對負荷和分布式電源的典型時序特性進行分析，建立了以網(wǎng)絡(luò)損耗、停電損失為目標的考慮時序特性和多場景的多目標分布式電源規(guī)劃，較真實反應(yīng)配電網(wǎng)的各項經(jīng)濟技術(shù)指標。文獻[11]以分布式電源售電費用與運行維護費用為規(guī)劃模型,采用人工蜂群算法進行模型求解,驗證建立模型的有效性以及所采用算法的收斂性。

本文以分布式電源接入電網(wǎng)所帶來經(jīng)濟效益為目標[12]，通過優(yōu)化分布式電源安裝位置和容量，最大化安裝分布式電源帶來的收益，對縱橫交叉算法進行改進，提出了帶精英保留策略的縱橫交叉算法分布式電源規(guī)劃模型進行求解，驗證算法的有效性和模型的可行性。

1 分布式電源規(guī)劃模型

1.1 目標函數(shù)

本文首先建立含分布式點電源的配電網(wǎng)規(guī)劃模型，在滿足節(jié)點電壓、電流、線路極限傳輸功率、功率頻率等約束條件的同時，最大程度增加投入分布式電源所帶來的經(jīng)濟效益，建立考慮售電收入、分布式電源投資和維護成本以及網(wǎng)絡(luò)損耗費用的目標函數(shù)。

售電收入

(1)

式中：CDG為分布式電源發(fā)出的電能售賣給電網(wǎng)公司所賺取的收入；n為分布式電源接入數(shù)量，Tmax為年最大負荷利用時間；Cunit為單位電價；λi為i節(jié)點對應(yīng)的分布式電源的容量系數(shù)，Pi,DG為i節(jié)點接入的分布式電源容量。

分布式電源投資和維護成本

(2)

式中：ε為固定年利率；m為布式電源規(guī)劃年限；Ci,DG為i節(jié)點接入的分布式電源的安裝成本；Ci,DG,main為i節(jié)點對應(yīng)的分布式電源的運行維護成本。

網(wǎng)絡(luò)損耗成本

(3)

式中：l為總支路數(shù)；Ri為支路電阻；PL為L支路的有功傳輸功率，QL為L支路的無功功率；UL為支路L的末端節(jié)點電壓；TLmax為支路L的年最大負荷損耗時間。

考慮分布式電源售電收入、投資和運行維護成本和網(wǎng)絡(luò)損耗成本，則歸一化后的目標函數(shù)

(4)

1.2 約束條件

1.2.1 節(jié)點功率平衡約束

節(jié)點功率平衡約束條件為

式中：Pi、Qi為節(jié)點i中注入的有功功率和無功功率；N為系統(tǒng)節(jié)點數(shù)；ei和fi分別為i節(jié)點的節(jié)點電壓實部和虛部；Gij、Bij分別為節(jié)點i、j之間之路的電導(dǎo)、電納。

1.2.2 節(jié)點電壓約束

節(jié)點電壓約束條件為

(6)

式中：Uimin、Uimax分別為i節(jié)點最下允許電壓和最大允許電壓。

1.2.3 線路電流約束

節(jié)點電流約束條件為

(7)

式中：IL、ILmax分別為支路L的傳輸電流和最大允許傳輸電流。

1.2.4 線路傳輸功率約束

線路傳輸功率約束條件為

(8)

式中的PLmax為支路L的傳輸功率和極限傳輸功率。

1.2.5 分布式電源安裝節(jié)點約束

分布式電源安裝節(jié)點約束條件

(9)

式中：Xi為i節(jié)點分布式電源接入狀態(tài)，當i=0時，表示i節(jié)點不接分布式電源；當i=1時，表示接分布式電源，D為最大安裝節(jié)點數(shù)。

1.2.6 分布式電源安裝容量約束

分布式電源安裝容量約束條件

(10)

式中的PDG，max為系統(tǒng)分布式電源的最大安裝容量。

2 帶精英保留策略的縱橫交叉算法

2.1 原始縱橫交叉算法

縱橫交叉算法(crisscross optimal algorithm, CSO)是由中國學(xué)者孟安波提出的一種全新的群智能優(yōu)化算法[13-14]，它采用一種雙向搜索機制—橫向交叉和縱向交叉。橫向交叉將粒子種群拆分成1/2大小的超立方體空間，每對配對父代粒子只在各自的超立方體子空間及其外緣繁殖后代；縱向交叉通過在種群縱向維度之間進行概率性交叉；將兩種搜索機制交叉后形成的折中解通過競爭算子競爭淘汰產(chǎn)生最優(yōu)解。

2.1.1 橫向交叉方程式

(11)

式中：C1、C2為[1,1]上的隨機數(shù)；r1、r2為[1,1]上的隨機數(shù)；X(i,d)、X(j,d)分別是父代粒子X(i)、X(j)的第d維變量；Mhc(i,d)、Mhc(j,d)分別是X(i,d)、X(j,d)經(jīng)橫向交叉產(chǎn)生的第d維子代。橫向交叉得到的子代粒子通過競爭算子與父代粒子進行比較，將適應(yīng)度更高的粒子保存下來，并進入下一次迭代過程。

從式(11)可以看出，橫向交叉以較大概率在以父代粒子X(i) 和X(j)為對角頂點的超立方體內(nèi)繁殖后代MShc(i)和MShc(j)，同時又以較小概率在超立方體邊緣外圍搜索，概率分布如圖1所示。通過這種跨界搜索機制，能夠大大提高全局搜索能力。

圖1 橫向交叉概率分布

2.1.2 縱向交叉

縱向交叉是在種群個體粒子內(nèi)部不同維度之間進行信息交叉的搜索機制，假設(shè)X(i,d1)、X(i,d2)分別表示父代個體粒子X(i)的第d1、d2維目標的信息。則交叉公式

(12)

式中：r∈U(0,1)；MSvc(i,d1)是個體粒子 X(i) 的第d1維和第d2維通過縱向交叉產(chǎn)生的第d1維后代。

由于縱向交叉在粒子不同維之間進行交叉，因此在交叉前需要對粒子的各維進行歸一化操作?？v向交叉能夠使“早熟”粒子跳出局部最優(yōu)，保證種群的多樣性。與橫向交叉一樣，縱向交叉結(jié)束后的子代粒子通過競爭算子將適應(yīng)度高的粒子保存下來，進入下一次迭代。

2.2 改進縱橫交叉算法

傳統(tǒng)縱橫交叉算法采用的競爭算子更新產(chǎn)生的子代種群雖然整體上適應(yīng)度優(yōu)于對應(yīng)的父代種群，但是由于競爭過程中子代粒子和父代粒子是一對一的競爭關(guān)系，缺少對父代種群中其他粒子進行競爭比較，這樣導(dǎo)致容易遺漏父代種群中的優(yōu)秀粒子。為此本文在橫向交叉、縱向交叉的基礎(chǔ)上引入精英保留策略[15-16]，即用新的競爭策略代替原始的競爭算子。

精英保留策略是將父代種群中所有粒子、橫向交叉產(chǎn)生的所有子代粒子以及縱向交叉產(chǎn)生所有子代粒子結(jié)合起來，形成種群規(guī)模大小為3×N的混合種群,將混合種群按照適應(yīng)度大小順序進行排列，并選擇適應(yīng)度高的前N個粒子作為最后的子代粒子Xs進入下一次迭代。引入精英保留策略的縱橫交叉算法能為父代種群和子代種群提供群體競爭平臺，保證所有子代種群中的粒子都為歷史最優(yōu)解，大大提高種群質(zhì)量。

3 基于改進縱橫交叉算法的DG規(guī)劃

3.1 混合編碼

結(jié)合改進縱橫交叉算法的分布式電源規(guī)劃，對分布式電源接入位置和容量進行混合整數(shù)編碼。本文考慮了微型燃氣輪和風(fēng)力發(fā)電2種分布式電源，將風(fēng)力發(fā)電設(shè)為集中接入，微型燃氣機接入位置在系統(tǒng)中也已設(shè)定，因此在這里只需要進行容量優(yōu)化。

首先對風(fēng)電接入位置和容量進行編碼，a1為風(fēng)電接入位置，a2為接入容量；編碼方式

再對微型燃氣輪進行編碼，令Pi,DG為i節(jié)點分布式電源安裝容量，Pi,DG=XiPunit，其中，Punit為分布式電源的單位安裝容量，Xi為分布式電源接入狀態(tài)，當Xi=0時，表示i節(jié)點不安裝微型燃氣機，否則，i節(jié)點安裝；因此得到微型燃氣編碼方式

將風(fēng)電機組和微型燃氣機的編碼結(jié)合得到總的編碼

3.2 改進縱橫交叉算法的DG規(guī)劃步驟

a) 設(shè)置種群大小N、分布式電源接入數(shù)目n和最大接入容量M、最大迭代次數(shù)Ψgen,max、橫向和縱向交叉率Phc、Pvc等。

b) 初始化，對每個粒子進行混合編碼形成初始種群，并將初始種群作為初始父代種群。

c) 將初始種群粒子帶入到算例中利用前推回代法進行潮流計算，計算粒子的適應(yīng)度和目標值；考慮到分布式接入電源的容量約束、節(jié)點電壓約束，將其作為罰函數(shù)加入到目標函數(shù)中作為粒子適應(yīng)度函數(shù)。

d) 將父代種群粒子分別帶入橫向交叉公式中，產(chǎn)生子代粒子Xhc，將子代粒子Xhc帶入到算例中進行潮流計算，并計算粒子的適應(yīng)度和目標值。

e) 將父代粒子進行歸一化處理，將歸一化后的粒子帶入到縱向交叉公式中更新粒子，再反歸一化，產(chǎn)生子代粒子Xvc，將子代粒子Xhc帶入到算例中進行潮流計算，并計算粒子的適應(yīng)度和目標值。

f) 將父代種群、橫向交叉產(chǎn)生的子代粒子種群、縱向交叉產(chǎn)生的子代粒子種群結(jié)合起來，形成種群規(guī)模為3×N大小的混合種群；將混合種群中粒子按照適應(yīng)度大小一次排序，選擇適應(yīng)度好的前N個粒子作為新的父代種群。

g) 判斷是否滿足終止條件。否，返回步驟d)繼續(xù)迭代；是，輸出最優(yōu)子代粒子和對應(yīng)的目標值、適應(yīng)度，結(jié)束。算法流程如圖2所示。

圖2 算法流程

4 算例分析

本文選取IEEE 69[17]節(jié)點系統(tǒng)作為算例進行分布式電源規(guī)劃，該系統(tǒng)含有68條支路，總有功負荷3 802 kW，總無功負荷2 694.6 kVA，在沒有接入分布式電源時，系統(tǒng)的有功損耗為225 kW。將分布式電源作為P-Q節(jié)點接入，基準功率為100 MW，基準電壓為12.66 kV，配電網(wǎng)結(jié)構(gòu)如圖3所示。分布式電源成本參數(shù)見表1。算法參數(shù)見表2。

注：數(shù)字帶#的節(jié)點為微型燃氣輪機接入位置，單機額定功率為100 kW，設(shè)定分布式電源最大安裝臺數(shù)為30臺；數(shù)字帶*的節(jié)點為風(fēng)力發(fā)電機可選接入位置，風(fēng)機的單機額定功率為600 kW，單個節(jié)點最大接入風(fēng)機數(shù)為10臺。圖3 IEEE 69節(jié)點系統(tǒng)

表1 分布式電源成本參數(shù)

電源類型投資費用/(元·kW-1)運行維護費用/(元·kWh-1)容量系數(shù)風(fēng)力發(fā)電機800000616050微型燃氣輪機450002283100

表2 算法參數(shù)

種群規(guī)模M最大迭代次數(shù)權(quán)重系數(shù)ω加速因子C1、C2橫向交叉率Phc縱向交叉率Pvc1001000402，210060

4.1 仿真結(jié)果

為驗證該模型的可行性，本文利用改進縱橫交叉算法對本文建立的模型進行仿真；同時為檢驗本文提出的改進縱橫交叉算法的有效性和先進性，分別采用粒子群算法、傳統(tǒng)的縱橫交叉算法對算例進行仿真，并將本文算法優(yōu)化結(jié)果與粒子優(yōu)化算法(particle swarm optimization, PSO)、CSO的優(yōu)化結(jié)果進行比較。其中，算法參數(shù)設(shè)置如表2，最大負荷利用時間Tmax=4 600 h，單位電價取0.50元/kWh。

3種算法在IEEE 69算例中的仿真結(jié)果見表3、表4，其中，表3為算法優(yōu)化后的最優(yōu)目標，表4為最優(yōu)配置方案。

表3 最優(yōu)方案費用 萬元

算法種類CDGClostCDG，in&maiCMAXPSO73600050077533726201499CSO73600050077523470211755本文算法73600050077522773212452

由表3可以看出：PSO收斂的總收益是3種算法中最低的，CSO算法次之，本文改進算法的優(yōu)化

表4 最優(yōu)分布式電源安裝方案

總收益最高, 其中，3種算法所求得的售電費用和分布式電源投資運行維護費用一樣，與之相對應(yīng)，在表4中，3種方案安裝的分布式電源種類及對應(yīng)數(shù)量完全一樣，由式(4)的目標函數(shù)可知，此時3種算法總收益大小取決于各分布式電源配置方案對系統(tǒng)網(wǎng)損的影響，由上分析可以看出本文改進的縱橫交叉算法網(wǎng)損費用優(yōu)化最好。

4.2 算法性能

對3種算法的性能進行分析，得到3種算法的收斂曲線如圖4所示。

圖4 收斂曲線

由圖4的各種收斂曲線可以看出，PSO算法的收斂速度最快，CSO算法收斂速度最慢，而本文改進的算法較傳統(tǒng)的CSO算法得到了明顯的改善，這是由于PSO算法缺乏適當?shù)囊龑?dǎo)機制導(dǎo)致種群很快陷入局部最優(yōu)無法跳出，導(dǎo)致收斂精度最差；而CSO算法通過橫向、縱向雙向搜索機制，具有很強的全局搜索能力，但由于競爭算子競爭后的占優(yōu)解容易遺漏了父代種群中優(yōu)秀的粒子，導(dǎo)致收斂精度降低。本文提出的改進縱橫交叉算法將競爭算子改為更高效的精英保留策略，保留CSO很強的全局搜索能力的同時，加入精英保留策略，提高了算法的收斂精度，3種算法對比，本文提出的算法收斂精度最高。在收斂到最優(yōu)解的計算時間上，PSO、CSO以及本文算法的計算時間都較短，分別為137 s、166 s、150 s，粒子群算法由于粒子群算法很快陷入局部最優(yōu)，收斂時間最快，本文算法由于采用精英保留策略、提高了種群粒子質(zhì)量，相比傳統(tǒng)縱橫交叉算法收斂時間大大的減少。

5 結(jié)束語

本文建立了考慮分布式電源售電費用、分布式電源投資維護費用以及網(wǎng)損費用的配電網(wǎng)分布式電源規(guī)劃模型，在CSO算法橫向、縱向交叉的基礎(chǔ)上引入精英保留策略思想改進縱橫交叉算法，將改進的算法結(jié)合在IEEE 69節(jié)點的配電網(wǎng)系統(tǒng)進行仿真實驗。實驗結(jié)果表明，本文算法收斂效果好，收斂精度高，收斂速度較傳統(tǒng)CSO得到進一步提高，所建立的模型對分布式電源規(guī)劃問題具有一定參考意義。但是，模型中將風(fēng)機和微型燃氣機的出力作為恒定值出力，未考慮出力隨機性，存在一定的不足，有待進一步深入研究。

[1] 馬藝瑋，楊蘋，郭紅霞，等.風(fēng)-光-沼可再生能源分布式發(fā)電系統(tǒng)電源規(guī)劃[J]. 電網(wǎng)技術(shù), 2012,36(9): 9-14.

MA Yiwei, YANG Ping, GUO Hongxia， et al. Power Source Planning of Wind-PV-Biogas Renewable Energy Distributed Generation System[J]. Power System Technology，2012，36(9): 9-14.

[2] 黃付順，王倩，何美華，等.基于綜合敏感性分析的時序分布式電源規(guī)劃[J]. 電力系統(tǒng)保護與控制, 2015(10): 44-50.

HUANG Fushun, WANG Qian, HE Meihua, et al. Timing Distributed Power Planning Based on a Comprehensive Sensitivity Analysis[J]. Power System Protection and Control，2015(10): 44-50.

[3] 陳海東，莊平，夏建礦，等.基于改進螢火蟲算法的分布式電源優(yōu)化配置[J]. 電力系統(tǒng)保護與控制， 2016(1): 149-154.

CHEN Haidong, ZHUANG Ping, XIA Jiankuang, et al. Optimal Power Flow of Distribution Network with Distributed Generation Based on Modified Firefly Algorithm[J]. Power System Protection and Control，2016(1): 149-154.

[4] 丁曉群，周春泉，楊保，等.基于多種群免疫算法的分布式電源選址與定容[J]. 電測與儀表，2014(4): 29-34.

DING Xiaoqun， ZHOU Chunquan， YANG Bao, et al. Sitting and Sizing of Distribution Generation Basedon Multi-population Immune Algorithm[J]. Electrical Measurement & Instrumentation，2014(4): 29-34.

[5] 劉煌煌，雷金勇，蔡潤慶，等.基于SVM-MOPSO混合智能算法的配電網(wǎng)分布式電源規(guī)劃[J]. 電力系統(tǒng)保護與控制，2014(10): 46-54.

LIU Huanghuang，LEI Jinyong， CAI Runqing，et al. Distributed Generation Planning in Distribution Network Based on Hybrid Intelligent Algorithm by SVM-MOPSO[J]. Power System Protection and Control，2014(10): 46-54.

[6] 陳海東.基于細菌菌落優(yōu)化算法分布式電源優(yōu)化配置[J]. 電力系統(tǒng)保護與控制，2015(21): 106-111.

CHEN Haidong.Optimal Power Flow of Distribution Network with Distributed Generation Based on Bacterial Colony Optimization[J]. Power System Protection and Control，2015(21): 106-111.

[7] 任龍霞，雷金勇，甘德強.計及配電網(wǎng)節(jié)點/支路邊際容量成本的分布式電源規(guī)劃[J]. 電力系統(tǒng)自動化，2010(21): 34-39.

REN Longxia, LEI Jinyong, GAN Deqiang.Distributed Generator Planning in Distribution Network Considering Locational/Branch Marginal Capacity Cost Mode[J]. Automation of Electric Power Systems，2010(21): 34-39.

[8] 高藝文，劉俊勇，雷成，等.考慮配電網(wǎng)結(jié)構(gòu)變化的DG規(guī)劃[J]. 電力系統(tǒng)保護與控制, 2014(4): 40-46.

GAO Yiwen，LIU Junyong，LEI Cheng，et al.DG Planning Considering the Variation of the Distribution Network Structure[J]. Power System Protection and Control，2014 (4): 40-46.[9] 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(guī)劃[J]. 電力系統(tǒng)自動化，2013,37 (3): 58-63.

LI Liang, TANG Wei, BAI Muke, et al. Multi-objective Locating and Sizing of Distributed Generators Based on Time-sequence Characteristics[J]. Automation of Electric Power Systems，2013,37 (3): 58-63.

[10] 周文越，呂飛鵬，廖小君.基于人工蜂群算法的分布式電源規(guī)劃[J]. 電力系統(tǒng)及其自動化學(xué)報，2014(5): 39-43.

ZHOU Wenyue，Lü Feipeng， LIAO Xiaojun.Optimal Planning of Distributed Generation Based on Artificial Bee Colony Algorithm[J]. Proceedings of the CSU-EPSA，2014(5): 39-43.

[11] 殷豪, 周玉龍, 孟安波.二進制縱橫交叉算法在配電網(wǎng)重構(gòu)中的應(yīng)用[J]. 電網(wǎng)技術(shù), 2016,40(1):270-275

YIN Hao，ZHOU Yulong， MENG Anbo.Application of Binary Crisscross Optimization Algorithm to Distribution Network Reconfiguration[J]．Power System Technology，2016，40(1): 270-275.

[12] 張立梅，唐巍，王少林，等.綜合考慮配電公司及獨立發(fā)電商利益的分布式電源規(guī)劃[J]. 電力系統(tǒng)自動化，2011, 35(4): 23-28.

ZHANG Limei, TANG Wei, WANG Shaolin, et al. Distributed Generators Planning Considering Benefits for Distribution Power Company and Independent Power Suppliers[J]. Automation of Electric Power Systems，2011，35(4): 23-28.

[13] 孟安波，盧海明，李海亮，等.縱橫交叉算法優(yōu)化FCM在電力客戶分類中的應(yīng)用[J]. 電力系統(tǒng)保護與控制, 2015, 43(20): 150-154.

MENG Anbo，LU Haiming， LI Hailiang, et al. Electricity Customer Classification Based on Optimized FCM Clustering by Hybrid CSO[J]. Power System Protection and Control, 2015,43(20): 150-154.

[14] 張璐，唐巍，叢鵬偉，等.含光伏發(fā)電的配電網(wǎng)有功無功資源綜合優(yōu)化配置[J]. 中國電機工程學(xué)報， 2014,34(31): 5525-5533.

ZHANG Lu, TANG Wei, CONG Pengwei, et al. Optimal Configuration of Active-reactive Power Sources in Distribution Network with Photovoltaic Generation[J]. Proceedings of the CSEE, 2014,34(31): 5525-5533.

[15] 楊樹欣，詹寧波，田林懷.一種改進的量子遺傳算法及其應(yīng)用[J]. 計算機工程， 2013(5): 196-199.

YANG Shuxin, ZHAN Ningbo, TIAN Linhuai.An Improved Quantum Genetic Algorithm and Its Application[J]. Computer Engineering, 2013(5): 196-199.

[16] 唐林權(quán)，李芝榮，李如琦，等.基于最優(yōu)引導(dǎo)策略的分布式電源優(yōu)化配置[J]. 現(xiàn)代電力， 2014, 31(1): 23-27.

TANG Linquan, LI Zhirong, LI Ruqi, et al. Distributed Generation Planning Based on the Optimized Guidance Strategy[J]. Modern Electric Power, 2014, 31(1): 23-27.

[17] 韓天雄，熊家偉，趙憲，等.進化規(guī)劃算法在分布式電源選址和定容中的應(yīng)用[J]. 電力學(xué)報, 2013(5): 370-373.

HAN Tianxiong, XIONG Jiawei，ZHAO Xian，et al. Evolutionary Programming Method and Its Application in the Locating and Sizing of the Distributed Generator[J]. Journal of Electric Power，2013(5): 370-373.

(編輯 王夏慧)

Distributed Generation Planning Based on Crisscross Algorithm with Elite Strategy

WEI Minglei, MENG Anbo, HUANG Haitao

(School of Automation, Guangdong University of Technology, Guangzhou, Guangdong 510006, China)

On the basis of considering investment economic benefit of distributed generation (GD), a DG planning model taking network loss cost, income of DG generate electricity and electricity selling, DG investment and operation maintenance costs as targets. Crisscross algorithm adopting bidirectional research mechanism has very strong global convergence ability, but the competition operator of this algorithm will make particles limit to competition among direct descendant particles. In order to ensure fair competition, elite strategy was introduced to improve crisscross algorithm and simulation experiment was conducted by combining the improved algorithm and IEEE 69 node system. Results obtained indicate that the improved algorithm has more accurate and reasonable optimized result as well as strong global research ability and high convergence precision.

distributed generation planning; network loss; elite strategy; crisscross algorithm; convergence precision

2016-07-03

2016-09-20

廣東省科技計劃項目(2016A010104016)

10.3969/j.issn.1007-290X.2016.12.004

TM715

A

1007-290X(2016)12-0015-06

魏明磊(1991)，男，安徽滁州人。在讀碩士研究生，主要研究方向為電力系統(tǒng)運行與控制。

孟安波(1971)，男，重慶人。副教授，工學(xué)博士, 研究生導(dǎo)師，主要研究方向為電力系統(tǒng)自動化，系統(tǒng)分析與集成。

黃海濤(1987)，男，廣東汕尾人。在讀碩士研究生，研究方向為電力系統(tǒng)無功優(yōu)化。