，，，

(南昌航空大學(xué) 信息工程學(xué)院，南昌 330063)

鏈?zhǔn)蕉嘀悄荏w遺傳算法在分布式電源全時(shí)序上優(yōu)化配置

楊宏超，程若發(fā)，賀志華，呂彩艷

(南昌航空大學(xué)信息工程學(xué)院，南昌330063)

分布式電源的選址與定容是微電網(wǎng)研究所面臨的重要問(wèn)題，提出一種考慮規(guī)劃地區(qū)的24-h負(fù)荷時(shí)序特性和氣候特點(diǎn)的24-h負(fù)荷變換情況下的DG優(yōu)化配置；為了解決上述問(wèn)題，采用鏈?zhǔn)蕉嘀悄荏w遺傳算法對(duì)其進(jìn)行優(yōu)化處理；首先通過(guò)算法對(duì)IEEE33節(jié)點(diǎn)系統(tǒng)進(jìn)行測(cè)試，驗(yàn)證算法在分布式電源優(yōu)化配置中的優(yōu)越性，并對(duì)PG&E69節(jié)點(diǎn)配電網(wǎng)進(jìn)行24-h時(shí)序的全過(guò)程模擬仿真優(yōu)化，結(jié)果驗(yàn)證了多智能體遺傳算法能在分布式電源配置上的有效性，同時(shí)提高微電網(wǎng)接入的預(yù)測(cè)精度，加快收斂速度，改進(jìn)陷入局部最優(yōu)的可能性等問(wèn)題，對(duì)微電網(wǎng)在規(guī)劃選址與定容選擇上提供工程參考的實(shí)用性。

微電網(wǎng)；分布式電源；有功網(wǎng)損；選址和定容；多智能體算法

0 引言

隨著大量DG接入配電網(wǎng)，使配電網(wǎng)從無(wú)源網(wǎng)絡(luò)變成有源網(wǎng)絡(luò)，大量DG在電網(wǎng)中隨機(jī)并網(wǎng)與孤島運(yùn)行將使電力系統(tǒng)負(fù)荷預(yù)測(cè)更不穩(wěn)定，同時(shí)使預(yù)測(cè)負(fù)荷的增長(zhǎng)情況變得更加困難。所以考慮時(shí)序全過(guò)程模擬將使規(guī)劃更有實(shí)際意義，也更利于真實(shí)的反映配電網(wǎng)各項(xiàng)經(jīng)濟(jì)技術(shù)指標(biāo)，以及實(shí)現(xiàn)風(fēng)、光資源的互補(bǔ)。根據(jù)配電網(wǎng)中分布式電源種類(lèi)的不同來(lái)研究經(jīng)濟(jì)的優(yōu)化運(yùn)行策略,有的僅考慮風(fēng)、光互補(bǔ)系統(tǒng),有的同時(shí)考慮風(fēng)光儲(chǔ)聯(lián)合運(yùn)行,并重點(diǎn)研究?jī)?chǔ)能裝置的運(yùn)行特性。機(jī)組的組合需要分別考慮可再生能源發(fā)電、不可再生能源發(fā)電和可中斷負(fù)荷等,此外還需考慮冷熱負(fù)荷,通過(guò)對(duì)能源梯級(jí)利用進(jìn)行優(yōu)化[1]。文獻(xiàn)[2-3]考慮在電力市場(chǎng)的峰谷電價(jià)和負(fù)荷轉(zhuǎn)移等情況下，對(duì)配電網(wǎng)的電能質(zhì)量、供電可靠性、安全性、經(jīng)濟(jì)性的研究。文獻(xiàn)[4]提出采用改進(jìn)的PSO算法對(duì)DG選址與定容進(jìn)行研究，其主要目的是使配電網(wǎng)的損耗進(jìn)一步減少。文獻(xiàn)[5]提出在配電網(wǎng)擴(kuò)展規(guī)劃中進(jìn)行DG選址定容，但該算法易陷入局部最優(yōu)解。文獻(xiàn)[6]以利益成本為目標(biāo)函數(shù)，采用GA算法對(duì)DG位置和容量進(jìn)行優(yōu)化。文獻(xiàn)[7]采用多種典型的場(chǎng)景進(jìn)行模擬負(fù)荷與DG的時(shí)序性，此方法雖有利于減少工作量，但易造成較大誤差。對(duì)于風(fēng)力發(fā)電方式與光伏發(fā)電方式等不可控的發(fā)電，其出力大小主要由當(dāng)?shù)氐牡乩憝h(huán)境決定。因此，考慮如何將DG全程時(shí)序化模擬，這更利于反映真實(shí)的配電網(wǎng)的各項(xiàng)經(jīng)濟(jì)指標(biāo)，同時(shí)有利于實(shí)現(xiàn)風(fēng)光互補(bǔ)。文獻(xiàn)[8]主要考慮負(fù)荷水平對(duì)DG進(jìn)行選址定容規(guī)劃，但只考慮部分特定負(fù)荷水平，并未全程考慮負(fù)荷時(shí)序特性及DG出力情況。文獻(xiàn)[9]雖涉及基于日負(fù)荷曲線，規(guī)劃時(shí)僅通過(guò)單目標(biāo)尋優(yōu)考慮在孤立場(chǎng)景下的情況，使規(guī)劃結(jié)果具有局限性。為了解決上述問(wèn)題和缺陷，本文提出鏈?zhǔn)蕉嘀悄荏w遺傳算法利用網(wǎng)絡(luò)有功網(wǎng)損和靜態(tài)電壓穩(wěn)定性雙指標(biāo)對(duì)分布式電源進(jìn)行優(yōu)化配置，并通過(guò)24 h全時(shí)序模擬驗(yàn)證其準(zhǔn)確性。

1 目標(biāo)函數(shù)建立與優(yōu)化

配電網(wǎng)規(guī)劃是為了滿(mǎn)足用戶(hù)供電，確保網(wǎng)絡(luò)在尋求一組最優(yōu)決策變量的約束下正常運(yùn)行，系統(tǒng)中有功網(wǎng)損最小，電壓穩(wěn)定等指標(biāo)保持在一定限度內(nèi) ，所以引入以下指標(biāo)和約束條件。

1.1 目標(biāo)函數(shù)

1.1.1 配電網(wǎng)系統(tǒng)有功網(wǎng)損指標(biāo)

系統(tǒng)的目標(biāo)函數(shù)表達(dá)式[10]如下：

(1)

式中，fploss為系統(tǒng)的有功損耗；N為系統(tǒng)的節(jié)點(diǎn)數(shù)；rb為對(duì)應(yīng)支路的電阻；Pi和Qi為網(wǎng)絡(luò)向節(jié)點(diǎn)i注入的有功和無(wú)功功率；Ui為支路b首節(jié)點(diǎn)i的電壓幅值；

1.1.2 電壓穩(wěn)定性指標(biāo)

根據(jù)潮流解作為判據(jù)，得出改進(jìn)的電壓穩(wěn)定性指標(biāo)如下：

(2)

式中,Ustab,k為對(duì)應(yīng)支路上的電壓穩(wěn)定指標(biāo);R和X為支路k的電阻和電抗；Pi和Qi為末節(jié)點(diǎn)流入的有功功率和無(wú)功功率；Ui為各支路首節(jié)點(diǎn)的電壓幅值。

所有分支的最大電壓穩(wěn)定指標(biāo)為系統(tǒng)電壓穩(wěn)定指標(biāo)如下式所示：

fUstab=max{Ustab,1,Ustab,2,...,Ustab,N}

(3)

式中，N為網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)，Ustab,1,Ustab,2,…,Ustab,N分別為1，2，…，N支路的電壓穩(wěn)定性指數(shù)。

1.1.3 綜合目標(biāo)函數(shù)

為了進(jìn)一步綜合各單一目標(biāo)，采用權(quán)重系數(shù)法將它們結(jié)合在一起轉(zhuǎn)化成單目標(biāo)進(jìn)行優(yōu)化。數(shù)學(xué)模型如下：

(4)

式中，f為雙目標(biāo)優(yōu)化函數(shù)；plossinit與Ustabinit是初始狀態(tài)下的有功損耗與靜態(tài)電壓穩(wěn)定指數(shù)；a、b分別為有功損耗與靜態(tài)電壓穩(wěn)定性指數(shù)的懲罰因子；ω1和ω2分別是網(wǎng)絡(luò)有功損耗和靜態(tài)電壓穩(wěn)定指數(shù)的權(quán)重因子，ω1+ω2=1。

式中，a定義為：

(5)

當(dāng)優(yōu)化后的有功損耗大于初始有功損耗，則將a值設(shè)定成一個(gè)大正數(shù)N，即增大f的值，放棄此解；相反，a=1。

b定義為：

(6)

如果優(yōu)化后靜態(tài)電壓穩(wěn)定性比初始靜態(tài)電壓穩(wěn)定性差，則將b值設(shè)定為一個(gè)大正數(shù)N，即增大f的值，放棄此解；反之，b=1。

1.2 約束條件

(7)

(8)

Uimin≤Ui≤Uimax

(9)

Sij≤Sijmax

(10)

PDGimin≤PDGi≤PDGimax

(11)

式中，PDGi和QDGi為系統(tǒng)向節(jié)點(diǎn)i注入的有功功率和無(wú)功功率;2≤i≤n;PLi和QLi為第i個(gè)節(jié)點(diǎn)上的有功負(fù)荷功率和無(wú)功負(fù)荷功率；Gij，Bij和θij為節(jié)點(diǎn)i到節(jié)點(diǎn)j之間的電導(dǎo)、電納和相角差；Ui和Uj為對(duì)應(yīng)節(jié)點(diǎn)上電壓幅值；Sijmax為支路i、j的最大容許容量；PDGi為節(jié)點(diǎn)容量范圍。

2 鏈?zhǔn)蕉嘀悄荏w遺傳算法介紹

針對(duì)基本遺傳算法易早熟易收斂的現(xiàn)象，提出了一種改進(jìn)基因操作后的遺傳算法即鏈?zhǔn)礁?jìng)爭(zhēng)策略的智能體遺傳算法(Link-like Agent Genetic Algorithm，LAGA)[11]。LAGA 引入了鏈?zhǔn)骄W(wǎng)絡(luò)智能體結(jié)構(gòu)，所有智能體都放在一個(gè)規(guī)模為1×SLsize的循環(huán)鏈?zhǔn)骄W(wǎng)格上，每個(gè)智能體都有局部感知能力，可與相鄰智能體相互作用，通過(guò)比較鄰域智能體之間的適應(yīng)值大小，從而達(dá)到優(yōu)勝劣汰的效果。

假設(shè)處于(1，i)格點(diǎn)的智能體表示為L(zhǎng)1,i(i=1,2,…,SLsize)，L1,i的鄰域LneiborSi定義如下：LneiborSi{L1,i,L1,i},其中：

(12)

如圖1其中圓圈代表智能體，數(shù)字代表位置。

圖1 鏈?zhǔn)蕉嘀悄荏w網(wǎng)絡(luò)結(jié)構(gòu)

在鏈?zhǔn)骄W(wǎng)絡(luò)結(jié)構(gòu)中智能體個(gè)體之間會(huì)進(jìn)行動(dòng)態(tài)鄰域競(jìng)爭(zhēng)、正交交叉和自適應(yīng)變異操作來(lái)更新自己的個(gè)體信息。接下來(lái)，介紹LAGA的個(gè)體更新規(guī)則。

1)動(dòng)態(tài)鄰域競(jìng)爭(zhēng)算子。

假設(shè)當(dāng)前智能體位于(1，i)格點(diǎn)L1,i=(li,1,li,2,…,li,n),Max1,i=(mi,1,mi,2,…,mi,n)為L(zhǎng)1,i的鄰域中能量最大的智能體，其中n為變量個(gè)數(shù)。即：，?a∈LneiborS1,i，enger(a)≤enger(Max1,i)都成立。如果L1,i滿(mǎn)足方程energy(L1,i)>energy(Max1,i) ，則可繼續(xù)存活在智能體結(jié)構(gòu)中，則必須死亡，空出的格點(diǎn)將被New1,i=(nei,1,nei,2,…,nei,n)占據(jù)。

2)正交交叉算子。

在鏈?zhǔn)街悄荏w遺傳算法中，正交交叉算子是將L1,i和Max1,i兩父代個(gè)體尋求兩子代個(gè)體的過(guò)程，轉(zhuǎn)換為F因素Q2水平的正交試驗(yàn)，從正交表A4(23)中獲得能量最高的兩種組合作為兩個(gè)子代。

3)自適應(yīng)變異算子。

在相對(duì)定義域的個(gè)體加上位的高斯擾動(dòng)，實(shí)現(xiàn)小范圍內(nèi)的變異。按照下式產(chǎn)生新的智能體New1,i=(ne1,ne2,…,nen)。

(13)

式中，Pm表示變異概率設(shè)為1/n;G(0,1/t)產(chǎn)生高斯分布的隨機(jī)數(shù)，t為當(dāng)前進(jìn)化數(shù)。

LAGA算法按以下步驟執(zhí)行：

步驟一：初始化參數(shù)；

步驟二：構(gòu)造鏈?zhǔn)骄W(wǎng)絡(luò)系統(tǒng)的規(guī)模1×SLsize，初始化種群，迭代次數(shù)T, 交叉概率Pc，變異概率Pm等；

步驟三：計(jì)算各個(gè)智能體能量；

步驟四：種群個(gè)體更新；依次對(duì)每個(gè)智能體通過(guò)根據(jù)(1)、(2)和(3)步驟進(jìn)行動(dòng)態(tài)鄰域競(jìng)爭(zhēng)、正交交叉和自適應(yīng)變異并更新種群信息；

步驟五：適應(yīng)度函數(shù)值計(jì)算；

步驟六：判斷是否符合終止條件，若符合則結(jié)束迭代同時(shí)輸出結(jié)果。否則,T=T+1，,跳轉(zhuǎn)到步驟二。

3 算例分析

3.1 驗(yàn)證算法適用性算例

首先為了驗(yàn)證算法在分布式電源優(yōu)化配置的有效性，本文選取在IEEE33節(jié)點(diǎn)網(wǎng)絡(luò)以非恒定功率因素的PQ節(jié)點(diǎn)類(lèi)型DG進(jìn)行優(yōu)化，其中PQ節(jié)點(diǎn)類(lèi)型DG功率因素在0.90～1.0范圍內(nèi)變動(dòng)。由于QPSO算法[12]在DG優(yōu)化配置上算比較成熟的算法了，所以將本文算法LAGA和QPSO算法進(jìn)行比較，使結(jié)果更具一般性。兩種算法的配置結(jié)果如表1所示。

表1 兩種算法DG優(yōu)化配置結(jié)果

通過(guò)表1可以明顯看出QPSO和LAGA算法都能正確的優(yōu)化非恒定功率因素PQ節(jié)點(diǎn)類(lèi)型DG的優(yōu)化配置。相較于QPSO算法，LAGA在有功損耗上有所降低。說(shuō)明LAGA在節(jié)點(diǎn)優(yōu)化配置上具有一定的優(yōu)越性。

圖2和圖3給出了QPSO和LAGA兩種算法的尋優(yōu)曲線和系統(tǒng)節(jié)點(diǎn)電壓幅值曲線。從圖2中可以看出，LAGA具有更快的收斂速度，且收斂曲線相較于QPSO要更好一些；說(shuō)明LAGA算法相較與QPSO在收斂速度和收斂精度上都有一定的優(yōu)越性。從圖3系統(tǒng)節(jié)點(diǎn)電壓幅值的整體走勢(shì)上分析看LAGA算法的節(jié)點(diǎn)電壓總趨勢(shì)值都要低于QPSO算法，證明算法具有一定的優(yōu)越性。綜上，通過(guò)對(duì)IEEE33節(jié)點(diǎn)網(wǎng)絡(luò)的仿真分析，并通過(guò)與QPSO算法的比較，證明本文LAGA算法在DG優(yōu)化配置上具有一定的優(yōu)越性和可適用性。

圖2 兩種算法的收斂特性曲線

圖3 兩種算法的系統(tǒng)節(jié)點(diǎn)電壓幅值

3.2 全天24 h時(shí)序過(guò)程模擬仿真算例分析

上述已經(jīng)證明提出的算法在DG優(yōu)化配置中的優(yōu)越性，下面說(shuō)明LAGA在DG優(yōu)化配置中的應(yīng)用，主要考慮時(shí)序的全過(guò)程模擬對(duì)DG選址和定容。首先對(duì)規(guī)劃地區(qū)的負(fù)荷時(shí)序特性和氣候特點(diǎn)的統(tǒng)計(jì)資料進(jìn)行分析，得出具有代表性的場(chǎng)景及其權(quán)重，然后基于負(fù)荷和DG的時(shí)序特性進(jìn)行分布式電源的選址和定容。負(fù)載24-h序特性曲線如圖4；風(fēng)力發(fā)電和光伏發(fā)電24-h輸出時(shí)序特性曲線如圖5[13]。

圖4 負(fù)載24-h時(shí)序特性曲線

圖5 風(fēng)電和光電的24-h輸出時(shí)序特性曲線

為了進(jìn)一步體現(xiàn)本文算法在處理全時(shí)序條件下的分布式電源的優(yōu)化配置上的可行性，采用PG&E69節(jié)點(diǎn)配電系統(tǒng)進(jìn)行仿真測(cè)試，PG&E69節(jié)點(diǎn)配電系統(tǒng)如圖6所示，該系統(tǒng)中有68條支路、5條聯(lián)絡(luò)開(kāi)關(guān)支路、1個(gè)電源網(wǎng)絡(luò)，首端基準(zhǔn)電壓12.66 kV、三相功率準(zhǔn)值取10 MVA、網(wǎng)絡(luò)總負(fù)荷3 802.19+j2694.60 kVA。分布式電源的接入依然采用潮流計(jì)算的方法，收斂精度設(shè)為10-6，種群數(shù)量為50，最大迭代次數(shù)為100，交叉率和變異率分別設(shè)為0.98和0.03。本次采用雙目標(biāo)函數(shù)測(cè)試，即本次測(cè)試過(guò)程選取式(4)所表示的系統(tǒng)有功損耗作為目標(biāo)函數(shù)。

圖6 PG&E69節(jié)點(diǎn)配電系統(tǒng)

圖7 負(fù)載24-h在MVA的曲線

圖8 配電網(wǎng)24-h有功損耗曲線

在沒(méi)有DG接入配電網(wǎng)系統(tǒng)時(shí)，假設(shè)系統(tǒng)負(fù)載每天的標(biāo)幺值變化曲線如圖7所示，那么當(dāng)系在正常運(yùn)行時(shí)，系統(tǒng)每天的實(shí)際負(fù)載容量變化(MVA)曲線如圖8所示，通過(guò)仿真測(cè)試得系統(tǒng)在一天內(nèi)的有功損耗變化曲線如圖8 所示。對(duì)仿真曲線進(jìn)行分析：在凌晨一直到六點(diǎn)鐘，由于大部分人都在休息，用電量減少，因此接入的負(fù)載較少，系統(tǒng)的有功損耗也相應(yīng)的比較低，在七點(diǎn)到晚上十點(diǎn)，用電量需求增加，所接入的負(fù)載也就相應(yīng)的增多，由于沒(méi)有其他電源的補(bǔ)充，導(dǎo)致有功損耗一直維持在很高的階段。在十一點(diǎn)到十二點(diǎn)，由于人們的用電量又有所下降，那么系統(tǒng)的有功損耗也相應(yīng)的降低了。

案例一：在區(qū)域Ⅲ風(fēng)力發(fā)電系統(tǒng)入網(wǎng)運(yùn)行研究，并通過(guò)改變位置、功率因素和系統(tǒng)容量來(lái)進(jìn)行討論，得出優(yōu)化條件選取對(duì)DG網(wǎng)絡(luò)優(yōu)化的影響。

情況A：指定風(fēng)力發(fā)電系統(tǒng)容量，優(yōu)化DG接入位置和功率因素

情況B：指定風(fēng)力發(fā)電系統(tǒng)容量、位置和功率因素

B1：指定與A一致的容量、功率因素對(duì)位置進(jìn)行優(yōu)化

B2：指定與A一致的容量、位置對(duì)功率因素進(jìn)行優(yōu)化

情況C：指定風(fēng)力發(fā)電系統(tǒng)位置和功率因素，優(yōu)化功率接入容量

表2 優(yōu)化配置結(jié)果

圖9 案例一負(fù)載24-h在MVA的曲線

圖10 案例一配電網(wǎng)24-h有功損耗曲線

在方案一中，本文分析了風(fēng)力發(fā)電在不同種接入方式情況下對(duì)系統(tǒng)的影響，A是在指定容量的情況下，優(yōu)化功率因素和接入位置。B為了與情況A做進(jìn)一步的比較，因此分了兩種情況，B1為了和A僅通過(guò)接入位置的不同作比較，B2是僅通過(guò)功率因素不同與A比較。C是為了驗(yàn)證與A在容量上的差異對(duì)系統(tǒng)有功損耗的影響。因此A和B的負(fù)載容量相同，而C與A、B不同，如圖9為各方案下的負(fù)載容量曲線。比較表2數(shù)據(jù)可知，由A與B的比較可知，由于B中只是優(yōu)化了其中一個(gè)變量，因而在有功損耗上都要高于A，雖然B2在節(jié)點(diǎn)電壓上比A更好，但是從綜合上考慮，A還是優(yōu)于B。這同時(shí)也表明了通過(guò)優(yōu)化位置和功率因素的方法是相對(duì)可取的。C通過(guò)在A的基礎(chǔ)上優(yōu)化接入容量，使得系統(tǒng)的有功損耗從815.6368 MW降為684.5169 MW，降低了16.08%。由圖10所示，C曲線在有功損耗上要明顯優(yōu)于A、B1和B2，雖然在20:00-24:00時(shí)間段的有功損耗要高于A、B1和B2，但相比于12:00-20:00的降損來(lái)說(shuō)還是可以接受的。因此，通過(guò)分類(lèi)優(yōu)化比較得出：通過(guò)位置、容量及功率因素同時(shí)尋優(yōu)來(lái)進(jìn)行DG的優(yōu)化配置是非常合理且正確的。

案例二：針對(duì)配電網(wǎng)中接入DG的種類(lèi)和位置不同，對(duì)不同數(shù)量DG接入配電網(wǎng)限制區(qū)域中的運(yùn)行研究。

情況A：在Ⅲ區(qū)域內(nèi)接入一個(gè)分布式電源。

A1：接入一個(gè)光伏發(fā)電系統(tǒng)；

A2：接入一個(gè)風(fēng)力發(fā)電系統(tǒng)。

情況B：在Ⅰ區(qū)域接入一個(gè)光伏發(fā)電系統(tǒng), 在Ⅲ區(qū)域接入一個(gè)風(fēng)力發(fā)電系統(tǒng)。

情況C：在Ⅰ區(qū)域接入一個(gè)光伏發(fā)電系統(tǒng), 在Ⅲ區(qū)域接入兩個(gè)風(fēng)力發(fā)電系統(tǒng)。

在案例二中，通過(guò)分3種情況進(jìn)行討論，分別是接入一個(gè)DG、兩個(gè)DG和3個(gè)DG。結(jié)合表4-3和圖4-10可得：(1)通過(guò)比較情況A可知：對(duì)于同為接入一個(gè)DG的系統(tǒng)，接入風(fēng)力發(fā)電系統(tǒng)比接入光伏發(fā)電系統(tǒng)的降損要更好，接入光伏發(fā)電系統(tǒng)一天的有功損耗是1 885.92kW，而接入風(fēng)力發(fā)電系統(tǒng)一天的有功損耗是684.517kW，同比下降了63.7%；(2)通過(guò)比較情況B可知：當(dāng)同時(shí)接入光伏發(fā)電和風(fēng)力發(fā)電時(shí)，系統(tǒng)的有功損耗為659.006kW，由于風(fēng)光互補(bǔ)的原因，使得有功網(wǎng)損相對(duì)情況A1下降了65.06%，相對(duì)于A2下降了3.73%。節(jié)點(diǎn)電壓的穩(wěn)定性能也有所提高，節(jié)點(diǎn)的最低電壓也從0.9372 pu提高到0.965 9 pu。(3)通過(guò)比較情況C可知：當(dāng)同時(shí)接入3個(gè)DG時(shí)，系統(tǒng)的有功損耗再一次從659.006 kW降為632.775 1 kW,有功損耗減少了3.98%，系統(tǒng)電壓的穩(wěn)點(diǎn)性也相對(duì)的提高了，節(jié)點(diǎn)最低電壓從0.965 9 pu升高到0.966 9 pu。因此，不同的接入方式，不同的接入條件，對(duì)于配電網(wǎng)系統(tǒng)都會(huì)產(chǎn)生不同的影響，但是能對(duì)接入的DG合理的優(yōu)化配置，就能使系統(tǒng)的運(yùn)行更穩(wěn)定。對(duì)于不同DG數(shù)量接入配電網(wǎng)系統(tǒng)中，提出的算法對(duì)電網(wǎng)全時(shí)序下進(jìn)行了很好的優(yōu)化和處理，對(duì)不同的運(yùn)行狀態(tài)下都能很好的尋找到最優(yōu)的配置方案。

表3 案例二優(yōu)化配置結(jié)果

4 結(jié)論

綜上所述，通過(guò)兩個(gè)算例進(jìn)行仿真測(cè)試，先在IEEE33節(jié)點(diǎn)上進(jìn)行了靜態(tài)的含分布式電源并網(wǎng)仿真測(cè)試，針對(duì)以非恒定功率因素的PQ節(jié)點(diǎn)類(lèi)型DG進(jìn)行優(yōu)化，并通過(guò)不同算法進(jìn)行比較從而驗(yàn)證LAGA算法在配電網(wǎng)中的可適用性，接著繼續(xù)在IEEE69節(jié)點(diǎn)進(jìn)行了24-h動(dòng)態(tài)的含分布式電源并網(wǎng)仿真測(cè)試，針對(duì)不同種方案，不同種情況進(jìn)行討論，證明了無(wú)論是靜態(tài)的還是動(dòng)態(tài)的含分布式電源并網(wǎng)，本文提出的算法都能很好的解決這一系列問(wèn)題，并且還能給出有效的解決方案。在配電網(wǎng)中合理的接入DG能夠在不同程度上減少系統(tǒng)的損耗，提高系統(tǒng)的電能質(zhì)量。通過(guò)最后兩個(gè)算例的比較分析，體現(xiàn)出了合理的優(yōu)化配置分布式電源接入配電網(wǎng)的重要性，為解決微電網(wǎng)的定容和選擇等實(shí)際問(wèn)題提供了較好方法。

[1] 麻秀范. 含分布式電源的配電網(wǎng)規(guī)劃與優(yōu)化運(yùn)行研究[D].北京：華北電力大學(xué)(北京), 2013.

[2]梁才浩, 段獻(xiàn)忠. 分布式發(fā)電及其對(duì)電力系統(tǒng)的影響[J]. 電力系統(tǒng)自動(dòng)化, 2001, 25(12):53-56.

[3]梁有偉, 胡志堅(jiān), 陳允平. 分布式發(fā)電及其在電力系統(tǒng)中的應(yīng)用研究綜述[J]. 電網(wǎng)技術(shù), 2003, 27(12):71-75.

[4]劉 波, 張 焰, 楊 娜. 改進(jìn)的粒子群優(yōu)化算法在分布式電源選址和定容中的應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 2008, 23(2):103-108.

[5]王成山, 陳 愷, 謝瑩華,等. 配電網(wǎng)擴(kuò)展規(guī)劃中分布式電源的選址和定容[J]. 電力系統(tǒng)自動(dòng)化, 2006, 30(3):38-43.

[6]海曉濤, 徐 巖, 姚曉玲. 基于免疫遺傳算法的智能配電網(wǎng)分布式電源選址定容[J]. 陜西電力, 2011, 39(12):58-61.

[7]李 亮, 唐 巍, 白牧可,等. 考慮時(shí)序特性的多目標(biāo)分布式電源選址定容規(guī)劃[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(3):58-63.

[8]薛恒嵩. 基于OpenDSS的配電網(wǎng)三相潮流計(jì)算[D]. 南京：東南大學(xué), 2014.

[9]Ziari I, Ledwich G, Ghosh A, et al. Optimal allocation and sizing of DGs in distribution networks[A]. Power and Energy Society General Meeting[C]. IEEE Xplore, 2010:1-8.

[10] 鞠 平, 陳 謙, 熊傳平,等. 基于日負(fù)荷曲線的負(fù)荷分類(lèi)和綜合建模[J]. 電力系統(tǒng)自動(dòng)化, 2006, 30(16):6-9.

[11]曾孝平, LI Yong-Ming, 王 靖,等. 基于競(jìng)爭(zhēng)策略的鏈?zhǔn)街悄荏w遺傳算法用于特征選擇的研究[J]. 系統(tǒng)仿真學(xué)報(bào), 2008, 20(8):1973-1979.

[12]關(guān)萬(wàn)琳. 分布式電源優(yōu)化配置與配電網(wǎng)重構(gòu)[D]. 長(zhǎng)沙：湖南大學(xué), 2014.

[13]Hung D Q, Mithulananthan N, Bansal R C. Analytical strategies for renewable distributed generation integration considering energy loss minimization[J]. Applied Energy, 2013, 105(2):75-85.

Multi-AgentGeneticAlgorithmforOptimalConfigurationofDistributedPowerSupply

Yang Hongchao, Cheng Ruofa, He Zhihua, Lv Caiyan

(School of Information Engineering, Nanchang Hangkong University, Nanchang 330063)

The location and capacity of the distributed power supply are the important problems in the microgrid research, and propose a DG optimal configuration considering the 24-h load timing characteristics and climatic characteristics of the 24-h load in the planning area. In order to solve the above problems, the chain multi-agent genetic algorithm is used to optimize it. Firstly, the algorithm is used to test the IEEE33 node system to verify the superiority of the algorithm in the optimal configuration of the distributed power supply. The whole process simulation of the 24-h timing of the PG & E69 node distribution network is optimized. The results show that the multi-agent genetic algorithm can improve the efficiency of micro-grid access, improve the convergence speed, improve the possibility of falling into the local optimal and other issues, the micro-grid in the planning site and the choice of capacity to provide the project reference to the practicality.

microgrid; distribution network; active network loss; position and capacity; multi-agent

2017-05-03；

2017-05-26。

國(guó)家基金項(xiàng)目(51567019);江西省教育廳項(xiàng)目(GJJ150757);江西省科技支撐計(jì)劃項(xiàng)目(20142BBE50002)。

楊宏超(1991-)， 男，安徽滁州人 ，碩士研究生 ，主要從事光伏發(fā)電以及配電網(wǎng)重構(gòu)方向的研究。

程若發(fā)(1971-)，男，安徽六安人，教授，碩士研究生導(dǎo)師，主要從事微電網(wǎng)安全評(píng)估及其多目標(biāo)優(yōu)化方向的研究。

1671-4598(2017)11-0201-04

10.16526/j.cnki.11-4762/tp.2017.11.051

TP273

A