DOI：10.19912/j.0254-0096.tynxb.2021-0974 文章編號：0254-0096（2023）01-0525-11

摘 要：兼顧分布式電源（DG）出力和負荷動態(tài)變化提出一種基于需求側(cè)響應(yīng)的配電網(wǎng)動態(tài)無功優(yōu)化策略。該策略采用灰色關(guān)聯(lián)度映射方法劃分時段，在同一時段內(nèi)協(xié)同優(yōu)化不同類型變量，然后固定多個時段內(nèi)并聯(lián)電容器組（SCB）和有載調(diào)壓變壓器（OLTC）的狀態(tài)，進行二次靜態(tài)無功優(yōu)化校正。針對模型特征，對不同類型變量采用混合協(xié)同進化算法進行求解，并提出基于Tent混沌映射和Levy飛行策略的改進麻雀算法提高協(xié)同求解效率。仿真結(jié)果表明：計及新能源出力變化和需求側(cè)響應(yīng)的所提策略能在降低求解規(guī)模的同時獲取較高滿意度的無功優(yōu)化結(jié)果，且該混合協(xié)同進化算法在求解混合整數(shù)的非凸、非線性優(yōu)化問題上具有一定優(yōu)勢。

關(guān)鍵詞：分布式電源；無功功率；配電網(wǎng)；灰色關(guān)聯(lián)度；協(xié)同進化算法；Tent混沌

中圖分類號：TM614 " " " " 文獻標(biāo)志碼：A

0 引 言

在“碳達峰、碳中和”的目標(biāo)影響下，發(fā)展分布式可再生能源是合理的選擇，然而大規(guī)模風(fēng)電和光伏接入電力系統(tǒng)會加劇配電網(wǎng)節(jié)點的電壓波動，需對配電網(wǎng)進行無功優(yōu)化改善復(fù)雜配電網(wǎng)的電壓分布情況［1］。在配電網(wǎng)適當(dāng)位置安裝適當(dāng)容量的無功補償設(shè)備對其進行控制和調(diào)度可降低由新能源并網(wǎng)造成的電壓越限問題［2］。由于新能源的隨機性和負荷動態(tài)變化，實際配電網(wǎng)應(yīng)在一個時段內(nèi)考慮動態(tài)無功優(yōu)化，文獻［3］根據(jù)電容器組的投切容量增量制訂預(yù)動作時刻表進行動態(tài)無功優(yōu)化；文獻［4］采用空間快速負荷分段法建立動態(tài)負荷簡化模型，有效減少空間負荷的時間復(fù)雜性；文獻［5］提出一種松弛-聚類-校正無功優(yōu)化解耦策略對配電網(wǎng)無功進行優(yōu)化。

這些策略在求解動態(tài)無功優(yōu)化過程中可獲得有效的無功優(yōu)化結(jié)果，然而這些文獻中提出的動態(tài)優(yōu)化方法大都需預(yù)先設(shè)定分割數(shù)目等參數(shù)，具有一定主觀性且復(fù)雜耗時。文獻［6］使用灰色關(guān)聯(lián)度分析（grey relation analysis，GRA）方法計算解的優(yōu)先成員關(guān)系來獲得最優(yōu)解?；疑P(guān)聯(lián)聚類方法是序列相關(guān)分析方法中廣泛應(yīng)用的一種方法，具有簡單、高效的特點。另外，隨著電力市場的推廣，用戶可根據(jù)電力價格改變用電行為調(diào)控負荷，文獻［7］考慮負荷多樣性，致力于提高用戶參與需求響應(yīng)（demand response，DR）過程中滿意度；文獻［8］在主動配電網(wǎng)中考慮需求側(cè)響應(yīng)優(yōu)化負荷特性，削峰填谷，提高供電可靠性。基于以上分析，本文在兼顧基于需求側(cè)響應(yīng)的用戶用電滿意度和新能源動態(tài)變化的情況下建立降低配網(wǎng)網(wǎng)損和電壓偏移度的綜合滿意度模型，考慮并聯(lián)電容器組（shunt capacitor bank，SCB）和有載調(diào)壓變壓器（on-load tap changer，OLTC）動作次數(shù)約束采用灰色關(guān)聯(lián)度劃分時段，在固定SCB和OLTC狀態(tài)的情況下進行二次靜態(tài)無功優(yōu)化校正。

考慮除常規(guī)無功補償裝置外的分布式電源（distributed generation，DG）無功補償能力，模型具有多類型變量的特征，文獻［9-10］分別采用不同算法組合的種群協(xié)同算法對不同類型變量進行協(xié)同求解，高效獲取有效策略，但在求解連續(xù)變量時仍無法克服易陷入局部最優(yōu)解和迭代次數(shù)多的問題。文獻［11］提出麻雀搜索算法（sparrow search algorithm，SSA），其搜索精度高、收斂速度快、穩(wěn)定性好、魯棒性強［12］。然而，麻雀搜索算法在接近全局最優(yōu)解時，樣本多樣性減弱，易陷入局部最優(yōu)。對此，文獻［12］增加混沌策略，而文獻［13］融合柯西變異算子和反向?qū)W習(xí)策略改進算法，能在一定程度上提高求解精度和速度。

基于上述分析，本文提出一種基于Tent混沌映射和Levy飛行的改進麻雀搜索算法（CLSSA），根據(jù)不同變量特征，將此改進算法和遺傳算法組合形成雙種群協(xié)同進化算法對連續(xù)變量和整數(shù)變量協(xié)同求解，提高配電網(wǎng)運行綜合滿意度。

1 動態(tài)無功優(yōu)化

1.1 動態(tài)無功優(yōu)化策略

配電網(wǎng)各時刻的最優(yōu)運行方案只和特定時刻的運行狀態(tài)有關(guān)，可將動態(tài)優(yōu)化問題轉(zhuǎn)化為分時段的靜態(tài)優(yōu)化問題。對此，將其分為主從2個問題，主問題確定無功優(yōu)化裝置的動作時刻，從問題計算各獨立時間斷面的靜態(tài)無功優(yōu)化問題。

1.2 灰色關(guān)聯(lián)度分析

采用灰色關(guān)聯(lián)度劃分時段降低解空間的時間復(fù)雜度，保證SCB和OLTC動作次數(shù)約束。DG出力和負荷曲線具體見文獻［14］，由此分析得各節(jié)點的凈負荷[PNLi]：

式中：[PLi]、[PWi]和[PSi]——各節(jié)點負荷、風(fēng)力機出力和光伏出力。

基于GRA將具有相似網(wǎng)絡(luò)特性的單元周期組合起來，大大減少配電網(wǎng)無功優(yōu)化過程中SCB和OLTC動作次數(shù)，具體過程為：

1）將不同節(jié)點上的凈負荷作為一組樣本數(shù)據(jù)，利用灰色關(guān)聯(lián)分析法對樣本數(shù)據(jù)進行相似性分析。[Xt=（xt（1）， xt（2）， …， ][xt（i），…， xt（n））]，[（t=1， 2， …， 24;i=1， 2， …， n）]作為樣本原始數(shù)據(jù)。

2）原始序列乘以起始點零運算符[D0]，進行灰色相對相關(guān)分析[XtD0=（xt（1）d0，xt（2）d0， …， xt（i）d0， …， xt（n）d0）]，[x0t（i）=xt（i）d0=][xt（i）-xt（1）]。

3）灰色絕對關(guān)聯(lián)度[εt，t+1]：

4）將原始序列乘以初值算子[D1]，進行灰色絕對相關(guān)分析[XtD1=（xt（1）d1， xt（2）d1， …， xt（i）d1， …， xnd1），x1t（i）=xt（i）d1=xt（i）/xt（1）]。

5）[x1t（i）]代替式（2）中[x0t（i）]得灰色相對關(guān)聯(lián)度[rt，t+1]。

6）灰色綜合關(guān)聯(lián)度即表示序列[Xt]和[Xt+1]的相似程度，且反映變化率相對于起始點的相似程度，綜合反映序列間聯(lián)系是否緊密，得灰色綜合關(guān)聯(lián)度[ρt，t+1]：

分析得到，實際動態(tài)無功優(yōu)化過程中序列的相似性更重要，節(jié)點上的凈負荷分布越相似單位周期組合效果越好。對此，借用層次分析法的思想，對灰色相對關(guān)聯(lián)度和灰色絕對關(guān)聯(lián)度進行比較量化賦值，絕對關(guān)聯(lián)度更重要，其比較量化值賦5，表示絕對關(guān)聯(lián)度比相對關(guān)聯(lián)度具有較強重要性，以此得判斷矩陣，采用幾何平均法然后對其按列歸一化得到灰色相對關(guān)聯(lián)度和灰色絕對關(guān)聯(lián)度的權(quán)重，如表1所示。

按列歸一化后的值即為各項權(quán)重，所以灰色絕對關(guān)聯(lián)度的權(quán)重為0.6909，灰色相對關(guān)聯(lián)度的權(quán)重為0.3091，簡化權(quán)重四舍五入，所以本文取[θ=0.7]。

含DG的配電網(wǎng)無功優(yōu)化是一個連續(xù)的動態(tài)過程，需考慮24 h之前和之后的連續(xù)優(yōu)化。計算一天初始時刻[Kis]與一天24 h之前時刻[Kis-1]中凈負荷的灰色綜合關(guān)聯(lián)度，滿足時段合并條件時將Kis時刻合并到[Kis-1]時刻所在時段中；對于24 h之后時刻[Kie+1]，計算一天末端時刻[Kie]與[Kie+1]時刻預(yù)測數(shù)據(jù)中凈負荷的灰色綜合關(guān)聯(lián)度，滿足時段合并條件時將[Kie+1]時刻合并到[Kie]時刻所在時段中，如此進行含DG的配電網(wǎng)連續(xù)動態(tài)無功優(yōu)化。

2 無功優(yōu)化模型

2.1 需求側(cè)響應(yīng)

由于新能源與天氣因素密切相關(guān)，一天內(nèi)發(fā)電量隨時間變化，用戶用電也隨時間變化，對此考慮主要受分時電價影響的需求側(cè)響應(yīng)。本文主要考慮分時電價（time of use tariffs，TOU），通過電價彈性系數(shù)矩陣求得一個時段內(nèi)負荷的轉(zhuǎn)移量［15］，自彈性系數(shù)和交叉彈性系數(shù)分別為：

式中：[s]和[c]——不同時段；[ΔPs]——[s]時段需求側(cè)響應(yīng)后電量變化值；[Ps]——[s]時段未實行需求側(cè)響應(yīng)的電量值；[ΔPs]——[s]時段需求側(cè)響應(yīng)后電價變化值；[ps]——[s]時段未實行需求側(cè)響應(yīng)的電價。

電價彈性矩陣E為：

共有[S]個時段，由式（6）可得實行需求側(cè)響應(yīng)后用電量為：

式中：[Ps′]——需求側(cè)響應(yīng)后[s]時段負荷的大小。

以此定義用戶滿意度。

用戶滿意度分為用戶舒適度和經(jīng)濟度，最大用戶舒適度指用戶在不用考慮價格因素下的用電行為，用戶舒適度FC定義為：

經(jīng)濟度用來衡量需求側(cè)響應(yīng)后用戶用電的經(jīng)濟程度，用戶經(jīng)濟度[FJ]定義為：

用戶用電滿意度[FM]定義為：

2.2 數(shù)學(xué)模型

配電網(wǎng)中無功補償設(shè)備主要包括靜止無功補償裝置（static var compensator，SVC）和SCB，配電網(wǎng)出線端OLTC也具有一定的電壓調(diào)控能力，且風(fēng)電和光伏大都通過逆變器接入電網(wǎng)具有一定的無功可調(diào)能力。本文對這些裝置進行調(diào)控優(yōu)化電壓分布。本文以基于網(wǎng)損、電壓偏移度和用戶用電滿意度的綜合滿意度最高為目標(biāo)，建立含DG的配電網(wǎng)無功優(yōu)化模型。

網(wǎng)絡(luò)損耗最?。?/p>

式中：[Pj]——第[j]支路有功功率；[Qj]——第[j]支路無功功率；[Rj]——第[j]支路電阻；[Vj]——第[j]支路的初始電壓；[j]——分支數(shù)量。

電壓偏移度最?。?/p>

式中：[Vn]——第[n]個節(jié)點的電壓；[Vnr]——第[n]個節(jié)點的額定電壓；[Vn-Vnr2]——向量的二范數(shù)，衡量電壓偏差；[Nn]——節(jié)點總數(shù)。

對目標(biāo)函數(shù)做歸一化處理得：

以配電網(wǎng)各節(jié)點電壓偏移為罰函數(shù)，如式（17）所示，節(jié)點電壓最小值[Vn，min=0.93]，節(jié)點電壓最大值[Vn，max=1.07]。

式中：[λ1]——節(jié)點電壓越線罰函數(shù)懲罰參數(shù)。

目標(biāo)函數(shù)[F]為：

式中：[ω1]、[ω2]、[ω3]——權(quán)重系數(shù)，[ω1+ω2+ω3=1]，本文采用層次分析法（analytic hierarchy process，AHP）［16］確定權(quán)重系數(shù)。

配電網(wǎng)無功優(yōu)化還必須滿足以下約束條件。

1）潮流約束：

式中：[Pn]、[Qn]——節(jié)點[n]上注入的有功和無功功率；[Pn，DG]、[Qn，DG]——節(jié)點[n]上DG的有功和無功功率輸出；[Pn，L]、[Qn，L]——節(jié)點[n]上負載的有功和無功功率；[Gnq]、[Bnq]、[θnq]——電導(dǎo)、電納、節(jié)點[n]和[q]之間支路的電壓相角差；[Un]、[Uq]——節(jié)點[n]和[q]的電壓。

2）節(jié)點電壓約束：

式中：[Un，min]和[Un，max]——節(jié)點[n]的電壓下限和上限。

3）支路容量約束：

式中：[Sj]——支路[j]的功率；[Sj，max]——支路[j]允許的最大功率。

4）DG出力約束：

式中：[Pn，DG]——節(jié)點[n]上DG的有功輸出；[Pn，DG，min、][Pn，DG，max]——節(jié)點[n]上DG的最小和最大輸出功率；[NDG]——DG的總數(shù)。

5）電容器組約束：

式中：[Ncn]——節(jié)點[n]上電容器組投切組數(shù)；[Ncn，max]——節(jié)點[n]上最大投切組數(shù)。

6）OLTC檔位約束：

式中：[Kc]——OLTC檔位；[Kcmin]、[Kcmax]——OLTC最小最大檔位。

7） DG可控?zé)o功出力約束：

式中：[Qn，DG，min]——節(jié)點[n]的DG補償最小無功功率；[Qn，DG，max]——節(jié)點[n]的DG補償最大無功功率；[Qn，DG]——DG補償?shù)臒o功功率。

8） SVC補償容量約束：

式中：[Qn，SVC，min]——節(jié)點[n]的SVC補償最小無功功率；[Qn，SVC，max]——節(jié)點[n]的SVC補償最大無功功率；[Qn，SVC]——SVC補償?shù)臒o功功率。

9）需求側(cè)響應(yīng)約束：負荷在電價調(diào)整前后的變化量需在一定范圍內(nèi)：

式中：[ΔPn，s，min]、[ΔPn，s，max]——參加電價響應(yīng)的節(jié)點[n]負荷需求變化量在[s]時段的最小值和最大值。

10）補償約束：注入各網(wǎng)絡(luò)母線的無功功率必須小于其有效無功功率。

11）總無功功率約束：傳輸?shù)骄W(wǎng)絡(luò)的無功功率必須小于或等于網(wǎng)絡(luò)負載所需總無功功率的75%。

3 混合種群協(xié)同進化算法

3.1 改進麻雀搜索算法

SSA算法［11］利用麻雀捕食特性產(chǎn)生新的種群，該算法結(jié)構(gòu)簡單、控制參數(shù)較少，但SSA算法在初始化種群和尋優(yōu)過程中具有較低的多樣性，不利于種群尋到全局最優(yōu)解。對此，本文對麻雀搜索算法進行改進，具體步驟為：

1）為了提高種群協(xié)同算法的有效性和魯棒性，采用不同策略協(xié)同進化。種群初始化時加入Tent混沌映射使得初始種群在解空間中分布更加均勻，增加初始解的多樣性。Tent映射結(jié)構(gòu)簡單、分布密度均勻、遍歷性好，本文采用Tent映射進行種群初始化，其數(shù)學(xué)表達式為：

本文取[α=0.5]，Tent混沌序列分布如圖1所示，可知Tent映射均勻性較好。

混沌擾動的步驟描述為：

a）產(chǎn)生混沌變量[y]。

b）將混沌變量變換到待求解問題的解空間。

式中：[xmin]和[xmax]——變量的最小和最大值。

c）按式（28）對個體進行混沌擾動。

式中：[Xnew′]——混沌擾動后的個體；[X′]——需進行混沌擾動的個體；[Y]——產(chǎn)生的混沌擾動量。

2） 加入“Levy飛行”搜索策略，保證在搜索食物的過程中可兼顧近處和遠處的距離范圍。Levy飛行的連續(xù)跳躍路徑與時間[t]服從Levy分布，對其簡化和進行傅里葉變換，得到其冪次形式的概率密度函數(shù)：

式中：[λ]——冪次數(shù)。

式（29）是一個帶有重尾的概率分布，但通過較簡單的程序語言實現(xiàn)比較困難，因此在計算Levy飛行的搜索路徑[L（λ）]時，通常采用Mantegna提出的模擬Levy飛行路徑的計算公式：

式中：[l]——Levy飛行路徑[L（λ）]；[β]——參數(shù)，取值范圍為[0lt;βlt;2]，本文取[β=1.5]；[u、v]——正態(tài)分布隨機數(shù)，服從式（31）所示的正態(tài)分布，式（31）所對應(yīng)的正態(tài)分布的標(biāo)準(zhǔn)差[σu、σv]的取值滿足式（32）。

引入Levy飛行中的隨機步長l使得麻雀種群中加入者的搜索方向和步長變得不確定，以此增加種群位置多樣性，提高算法跳出局部最優(yōu)解的能力。

3） 加入Levy飛行策略后，加入者按式（33）進行位置更新。

式中：[Q]——服從正態(tài)分布的隨機數(shù)；[Ee]——麻雀規(guī)模；[W]——[1×d]的全為1矩陣；[Xke，d]——第[k]代第[e]個麻雀在第d維的位置；[Xk+1best]和[Xkworst]——目前發(fā)現(xiàn)者所占據(jù)的最優(yōu)位置和當(dāng)前全局最差位置；[A]——各元素為1或[-1]的一行多維矩陣，并且[A+=AT（AAT）-1]。

3.2 協(xié)同進化算法

多種群協(xié)同算法針對不同類型變量采用不同種群共同尋優(yōu)，多種群之間協(xié)同進化互相適應(yīng)。本文問題中，轉(zhuǎn)移負荷[ΔPn，s]、SVC無功出力[Qn， SVC]和DG無功補償[Qn， DG]為連續(xù)變量，SCB投切組數(shù)[Ncn]和OLTC變比檔位[Kc]為離散變量，分別采用CLSSA和遺傳算法（genetic algorithm，GA）對不同類型進行協(xié)同優(yōu)化。在尋優(yōu)過程中，不同種群間獨立尋優(yōu)并信息共享，保持種群多樣性的同時加快尋優(yōu)進度。考慮無功補償設(shè)備的出力特征，采用協(xié)同進化算法確定多時段的決策變量，固定不同時段的電容器組投切組數(shù)和有載調(diào)壓變壓器的檔位，然后對一天內(nèi)24個獨立時間斷面采用改進麻雀算法進行二次靜態(tài)無功優(yōu)化，調(diào)節(jié)校正連續(xù)變量得到最終解。

對于連續(xù)變量采用CLSSA算法，對整數(shù)變量采用遺傳算法求解，遺傳算法受生物遺傳理論啟發(fā)而來，通過選擇、交叉、變異3個算子進行尋優(yōu)，在復(fù)雜非線性整數(shù)優(yōu)化問題求解過程中有明顯優(yōu)勢?；旌戏N群的協(xié)同進化具體表現(xiàn)為用不同算法交替求解整個問題，在初始階段依據(jù)變量特征采用分裂機制和Tent混沌映射產(chǎn)生初始種群［A，B］，種群A為整數(shù)變量，進化機制在保證種群B不變的情況下采用遺傳算法對種群A進行尋優(yōu)搜索，種群B為連續(xù)變量，同理進化機制在保證種群A不變的情況下采用CLSSA算法對種群B進行尋優(yōu)搜索，將由CLSSA算法得到的更好種群B′采用合并機制與進化后的種群A′合并形成更好地種群［A′，B′］，再次代入GA算法進行進化，對此反復(fù)迭代直至滿足終止條件。

GA算法和CLSSA算法在搜索全局最優(yōu)解時具有完全不同的搜索操作，采用不種算法求解一個問題中的不同類型變量豐富了算法的搜索行為，并縮小了搜索范圍，減少了運算復(fù)雜度，具有一定的優(yōu)越性。算法流程如圖2所示。

4 仿真分析

計算機為Intel?CoreTM i5-2400CPU@ 3.10 GHz CPU型號，Windows 7旗艦版64位的操作系統(tǒng)，基于Matlab 2016a的運行環(huán)境對IEEE 33節(jié)點系統(tǒng)進行分析，參考電壓為12.66 kV，支路1-2連接OLTC，其電壓可調(diào)范圍為0.9～1.1，調(diào)節(jié)步長為0.0125 pu，共17檔，[-8～+8]，太陽能（PV）和風(fēng)力機（WT）分別接入10和17節(jié)點，容量為1 MW，DG的無功補償容量為[-100～500]kvar［17］，容量為1 Mvar的SVC接入5、15和31節(jié)點，電容器組1和電容器組2接入27和32節(jié)點，每組50 kvar，共20組，最大投切次數(shù)為5［5，18］，拓撲圖如圖3所示。

考慮配電網(wǎng)中需求側(cè)響應(yīng)，需制定各時段的電價引導(dǎo)用戶的消費行為，電價制定措施與地區(qū)和各方利益有關(guān)，各地區(qū)激勵價格制定需重點研究［19］，本文主要研究基于電價的需求側(cè)響應(yīng)，對此基于已有文獻的電價參數(shù)進行DR研究。需求側(cè)響應(yīng)中負荷在電價調(diào)整前后的變化量在原負荷的0.7～1.5倍內(nèi)變化，需求側(cè)響應(yīng)實施前電價為0.4 元/kWh，峰平谷時段劃分及電價如表2所示［15］。用GRA分析33個節(jié)點24 h內(nèi)的凈負荷，當(dāng)綜合相關(guān)度大于0.87時，可對時間間隔進行合并，經(jīng)計算將一天24 h分為01：00—04：00、05：00—08：00、09：00—18：00、19：00—23：00、24：00共5段如表3所示。

設(shè)置CLSSA算法和SSA算法種群規(guī)模[Ee=50]，最大迭代次數(shù)[K=200]，麻雀搜索算法預(yù)警值[ST=0.6]，發(fā)現(xiàn)者的比例[PD=0.7]，剩下的麻雀為加入者，意識到有危險的麻雀比重[SD=0.2]，GA算法和粒子群算法參數(shù)見文獻［10］，對此，基于8個測試函數(shù)對CLSSA算法進行對比驗證，結(jié)果如附錄所示。

4.1 本文算法分析

為驗證本文協(xié)同進化算法的優(yōu)勢，基于上述參數(shù)設(shè)置3個案例，案例1為改進麻雀搜索算法和遺傳算法的組合，案例2為麻雀搜索算法和遺傳算法的組合，案例3為粒子群算法和遺傳算法的組合，分別采用不同算法組合求解模型，結(jié)果如表4所示。

表4表示不同算法案例中網(wǎng)損、電壓偏移和運行時間情況，案例3的網(wǎng)損、電壓偏移和運行時間較案例1和案例2大，案例2較案例3在網(wǎng)損、電壓偏移和運行時間上分別減小14.30%、29.19%和25.33%，案例1較案例2在網(wǎng)損上繼續(xù)減小7.17%，電壓偏移上減小1.82%，運行時間上減小19.43%，所以案例1代表的本文協(xié)同進化算法尋優(yōu)效果最好且尋優(yōu)速度最快。不同案例的24 h網(wǎng)損、電壓偏移度和滿意度值對比如圖4所示。

圖4表示在不同組合算法求解時的目標(biāo)值情況，明顯案例1較案例2滿意度更高，案例2比案例3滿意度高，所以案例1代表的本文組合算法尋優(yōu)效果最好。另外，第一時刻33節(jié)點上的電壓分布情況對比如圖5所示。案例1的電壓分布較案例2和案例3更加集中在標(biāo)幺值1附近，最接近最優(yōu)值，案例1的尋優(yōu)值更好，求解準(zhǔn)確度最高，這也表明作為主導(dǎo)的改進麻雀算法在求解連續(xù)變量時具有一定優(yōu)勢。

4.2 本文策略分析

為驗證本文策略的優(yōu)勢，基于上述參數(shù)設(shè)置4個案例，案例A為未進行無功優(yōu)化，案例B為靜態(tài)無功優(yōu)化，案例C為未進行需求側(cè)響應(yīng)無功優(yōu)化，案例D為本文無功優(yōu)化策略。本文SCB投切組數(shù)對比和OLTC檔位如圖6所示。

圖6a、圖6b為SCB1和SCB2在每個時刻的投切結(jié)果，案例B在24 h中投切多次，不滿足電容器組投切次數(shù)約束，案例C和案例D滿足電容器組投切次數(shù)約束，投切容量較小更經(jīng)濟。圖6c為OLTC檔位變比情況，案例B在24 h中幾乎每小時變化一次，不滿足OLTC次數(shù)約束，而案例C和案例D滿足條件，本文分段策略可在滿足無功補償裝置變化次數(shù)的約束下有效發(fā)揮其無功補償作用，簡化配電網(wǎng)無功優(yōu)化解耦過程。4個案例代表的策略結(jié)果對比如表5所示。

由表5看出，案例A的網(wǎng)損和電壓偏移都較高，案例B中SCB和OLTC的投切次數(shù)太多不滿足投切次數(shù)約束，但在網(wǎng)損和電壓偏移上分別減小6.57%和8.06%。案例C和案例D的投切次數(shù)滿足約束，SCB1和SCB2的投切次數(shù)較案例B而言分別減小76.19%和77.27%，OLTC變化次數(shù)減小79.17%，且較案例A而言，案例C和案例D的網(wǎng)損分別減小26.89%和30.44%，電壓偏移分別減小20.08%和45.32%，所以案例C和案例D的無功補償效果較案例A 和案例B好。另外，案例C和案例D的區(qū)別在于是否考慮需求側(cè)響應(yīng)，考慮DR前后負荷變化如圖7所示。

由圖7可知，DR前負荷曲線峰谷差為0.723，DR后負荷峰谷差為0.612，這表明DR實施后改變了用戶的用電習(xí)慣，是削峰填谷的有效策略。另一方面，雖然DR后負荷發(fā)生轉(zhuǎn)移，導(dǎo)致時段劃分策略的精度有所下降，但由圖7可知，在實施DR前后負荷大致趨勢并無明顯變化，對本文時段劃分策略影響較小，所以本文時段劃分策略仍有效。在此情況下，代表不同策略的4種案例的滿意度結(jié)果對比如圖8所示。

圖8表示4種不同策略下優(yōu)化滿意度情況，案例A因為未經(jīng)無功優(yōu)化其滿意度值明顯比案例B、案例C、案例D小很多，而案例D代表的本文策略較其他策略滿意度值最大，表明本文策略可在滿足無功補償設(shè)備投切次數(shù)約束下有效進行配電網(wǎng)動態(tài)無功優(yōu)化，另外，雖然未考慮DR的用戶滿意度稍大，但未考慮DR的案例C綜合滿意度較案例D小，這表明DR對優(yōu)化網(wǎng)損和電壓偏差具有一定效果。不同策略24 h內(nèi)33節(jié)點上的電壓分布情況如圖9所示。

由圖9可看出，案例A和案例B的電壓分布集中在0.8～1.1之間具有較大電壓偏移度，但案例B較案例A稍靠近1，具有一定優(yōu)化效果，案例C的電壓主要分布在0.95～1.10之間，較案例A和案例B有很大改善但電壓上下限仍無法滿足要求，案例D電壓集中分布在0.95～1.05之間滿足電壓穩(wěn)定要求，這表明本文策略效果最優(yōu)。

5 結(jié) 論

1）本文考慮新能源和負荷的動態(tài)變化，對配電網(wǎng)進行動態(tài)無功優(yōu)化?？紤]到SCB和OLTC動作次數(shù)限制，通過對典型日內(nèi)DG出力和負荷曲線得到各節(jié)點的凈負荷情況進行灰色關(guān)聯(lián)度分析劃分配電網(wǎng)無功優(yōu)化時段，在每個時段內(nèi)進行協(xié)同優(yōu)化，并在固定SCB和OLTC狀態(tài)的情況下進行二次靜態(tài)無功優(yōu)化校正，本文策略在滿足SCB和OLTC動作次數(shù)約束的情況下，對配電網(wǎng)進行高效無功優(yōu)化，具有更小的網(wǎng)損和電壓偏移度。

2）考慮負荷的需求側(cè)響應(yīng)和調(diào)控能力，建立計及用戶用電滿意度的配電網(wǎng)無功優(yōu)化模型，在分時電價激勵下，保證用戶用電滿意度的同時優(yōu)化負荷特性，有助于提高配電網(wǎng)動態(tài)無功優(yōu)化結(jié)果的綜合滿意度。

3）針對模型變量特征，采用基于改進麻雀算法和遺傳算法的協(xié)同進化算法進行模型求解，本文協(xié)同進化算法具有更快的收斂速度和更高的準(zhǔn)確度，表明本文算法可有效求解配電網(wǎng)中具有混合整數(shù)的非凸、非線性優(yōu)化問題。

［參考文獻］

［1］ 高鋒陽， 喬垚， 杜強， 等. 考慮光伏出力相關(guān)性的配電網(wǎng)動態(tài)無功優(yōu)化［J］. 太陽能學(xué)報， 2018， 39（1）： 101-109.

GAO F Y， QIAO Y， DU Q， et al. Dynamic reactive power optimization of distribution network considering correlated photovoltaic power output［J］. Acta energiae solaris sinica， 2018， 39（1）： 101-109.

［2］ 吳文傳. 主動配電網(wǎng)網(wǎng)絡(luò)分析與運行調(diào)控［M］. 北京：" 科學(xué)出版社， 2016： 121-128.

WU W C. Active distribution network analysis and operation regulation［M］. Beijing： Science Press， 2016： 121-128.

［3］ 劉公博， 顏文濤， 張文斌， 等. 含分布式電源的配電網(wǎng)動態(tài)無功優(yōu)化調(diào)度方法［J］. 電力系統(tǒng)自動化， 2015， 39（15）： 49-54.

LIU G B， YAN W T， ZHANG W B， et al. Optimization and dispatching method of dynamic reactive power in distribution" " network" " with" " distributed" " generators［J］. Automation of electric power systems， 2015， 39（15）： 49-54.

［4］ 朱曈彤， 顧潔， 金之儉， 等. 規(guī)劃與運行融合的配電網(wǎng)無功補償智能協(xié)調(diào)配置［J］. 電力自動化設(shè)備， 2019， 39（2）： 36-43.

ZHU T T， GU J， JIN Z J， et al. Robust parameter identification of distribution line based on micro PMU［J］. Electric power automation equipment， 2019， 39（2）： 36-43.

［5］ 羅培， 孫吉浩. 有源配電網(wǎng)動態(tài)無功優(yōu)化解耦方法研究［J］. 高電壓技術(shù)， 2021， 47（4）： 1323-1333.

LUO P， SUN J H. Research on decoupling method for dynamic reactive power optimization of active distribution network［J］." "High" "voltage" "engineering，" 2021，" 47（4）：1323-1333.

［6］ LI Y， FENG B， LI G Q， et al. Optimal distributed generation planning in active distribution networks considering" "integration" "of" "energy" "storage［J］." Applied energy， 2018， 210： 1073-1081.

［7］ 郭曉利， 趙瑩， 曲楠， 等. 基于滿意度的戶用型微電網(wǎng)多屬性需求響應(yīng)策略［J］. 太陽能學(xué)報， 2021， 42（7）： 21-27.

GUO X L， ZHAO Y， QU N， et al. Multi attribute demand response strategy of household microgrid based on satisfaction［J］." Acta" energiae" solaris" sinica，" 2021，" 42（7）： 21-27.

［8］ 李秀磊， 耿光飛， 季玉琦， 等. 主動配電網(wǎng)中儲能和需求側(cè)響應(yīng)的聯(lián)合優(yōu)化規(guī)劃［J］. 電網(wǎng)技術(shù)， 2016， 40（12）： 3803-3810.

LI X L， GENG G F， JI Y Q， et al. Joint optimization planning of energy storage and demand side response in active" distribution" network［J］. Power system technology， 2016， 40（12）： 3803-3810.

［9］ 張宏立， 李遠梅. 基于濾子混合協(xié)同進化算法的無功優(yōu)化［J］. 控制與決策， 2017， 32（9）： 1701-1706.

ZHANG H L， LI Y M. The research of reactive power flow based on filter hybrid co-evolution algorithms［J］. Control and decision， 2017， 32（9）： 1701-1706.

［10］ 李笑竹， 王維慶， 王海云， 等. 考慮荷源雙側(cè)不確定性的跨區(qū)域靈活性魯棒優(yōu)化運行策略［J］. 高電壓技術(shù)，2020， 46（5）： 1538-1549.

LI X Z， WANG W Q， WANG H Y， et al. Robust optimized operation strategy for cross-region flexibility with bilateral" "uncertainty" "of" "load" "source［J］." High" "voltage engineering， 2020， 46（5）： 1538-1549.

［11］ XUE J K， SHEN B A. novel swarm intelligence optimization" "approach：" "sparrow" "search" "algorithm［J］. Systems science amp;control engine， 2020， 8（1）： 22-34.

［12］ 呂鑫， 慕曉冬， 張鈞， 等. 混沌麻雀搜索優(yōu)化算法［J］. 北京航空航天大學(xué)學(xué)報， 2021， 47（8）： 1712-1720.

LYU X， MU X D， ZHANG J， et al. Chaos sparrow search optimization algorithm［J］. Journal of Beijing University of Aeronautics and Astronautics， 2021， 47（8）： 1712-1720.

［13］ 毛清華， 張強. 融合柯西變異和反向?qū)W習(xí)的改進麻雀算法［J］. 計算機科學(xué)與探索， 2021， 15（6）： 1155-1164.

MAO Q H， ZHANG Q. Improved sparrow algorithm combining cauchy mutation and opposition-based learning［J］. Journal of frontiers of computer science and technology， 2021， 15（6）： 1155-1164.

［14］ WANG J， WANG W Q， YUAN Z， et al. A chaos disturbed beetle antennae search algorithm for a multiobjective distribution network reconfiguration considering the variation of load and DG［J］. IEEE access， 2020， 8： 97392-97407.

［15］ 張超， 左高， 騰振山， 等. 基于需求側(cè)響應(yīng)的配電網(wǎng)優(yōu)化調(diào)度研究［J］. 智慧電力， 2020， 48（2）： 53-57， 91.

ZHANG C， ZUO G， TENG Z S， et al. Optimal dispatch of distribution" "network" "considering" demand" "response［J］. Smart power， 2020， 48（2）： 53-57， 91.

［16］ 曹一家， 姚歡， 黃小慶， 等. 基于D-S證據(jù)理論的變電站通信系統(tǒng)信息安全評估［J］. 電力自動化設(shè)備， 2011， 31（6）： 1-5.

CAO Y J， YAO H， HUANG X Q， et al. Security evaluation of substation communication system based on D-S theory［J］. Electric power automation equipment， 2011， 31（6）： 1-5.

［17］ 張麗， 徐玉琴， 王增平， 等. 包含分布式電源的配電網(wǎng)無功優(yōu)化［J］. 電工技術(shù)學(xué)報， 2011， 26（3）： 168-174.

ZHANG L， XU Y Q， WANG Z P， et al. Reactive power optimization for distribution system with distributed generators［J］." Transactions" "of" "China" "Electrotechnical Society， 2011， 26（3）： 168-174.

［18］ WANG C， XIANG L， DENG Z L， et al. Reactive power optimization dispatch strategy in distribution network with distributed" "generators［J］." The" journal" of" engineering， 2017， 2017（13）： 1418-1422.

［19］ 魏韡， 陳玥， 劉鋒， 等. 基于主從博弈的智能小區(qū)代理商定價策略及電動汽車充電管理［J］. 電網(wǎng)技術(shù)， 2015， 39（4）： 939-945.

WEI W， CHEN Y， LIU F， et al. Stackelberg game based retailer pricing scheme and EV charging management in smart" "residential" "area［J］." "Power" "system" "technology， 2015， 39（4）： 939-945.

RESEARCH ON DYNAMIC REACTIVE POWER COMPENSATION

OPTIMIZATION STRATEGY OFDISTRIBUTION NETWORK WITH

DISTRIBUTED GENERATION

Chen Qian，Wang Weiqing，Wang Haiyun，Wu Jiahui

（Engineering Research Center of Education Ministry for Renewable Energy Power Generation and Grid-connected Control，

Xinjiang University， Urumqi 830047， China）

Abstract：In response to the call of \"carbon peak， carbon neutral\"， a large number of distributed energy （DG） are connected to the distribution network. This paper proposes a dynamic reactive power optimization strategy based on demand side response considering DG output and load dynamic change. In this strategy， the gray relational mapping method is used to divide the time periods， and different types of variables are optimized in the same time period. Then， the shunt capacitor bank （SCB） and on-line tap changer （OLTC） is fixed in multiple time periods， and the secondary static reactive power optimization correction is carried out. According to the characteristics of the model， different types of variables are solved by hybrid co-evolution algorithm， and an improved sparrow algorithm based on tent chaotic map and Levy flight strategy is proposed to improve the efficiency of solution. The simulation results show that the proposed strategy considering new energy output and demand response can optimize the load characteristics and obtain satisfactory reactive power optimization results while reducing the solution scale， moreover the hybrid co-evolution algorithm has certain advantages in solving mixed integer non convex nonlinear optimization problems.

Keywords：distributed generations； reactive power； distribution network； gray relational degree； co-evolution algorithm； tent chaos

附錄：

為了驗證CLSSA算法的優(yōu)勢，采用CLSSA算法、SSA算法、PSO算法和GA算法分別求解8個不同類型的基準(zhǔn)函數(shù)，參數(shù)設(shè)置如上文所示，8個測試函數(shù)及收斂曲線如附圖1所示。由附圖1可知，CLSSA算法的后期收斂速度較其他算法更快，只有在求解F3和F4函數(shù)時，由于F3和F4函數(shù)的全局最優(yōu)解在一條彎彎的溝壑里求解復(fù)雜，CLSSA算法在迭代后期收斂速度較慢。整體看來，CLSSA算法具有較高的收斂速度和精度，運算效率更高。