潘萬寶,余暢文,馬小龍 ,劉 練,劉 闖
(1.國網(wǎng)湖北省電力有限公司荊州供電公司,湖北 荊州 434000;2.國網(wǎng)湖北省電力有限公司荊門供電公司,湖北 荊門 448000)
在能源危機和環(huán)境問題的雙重背景下,以可再生能源為主的分布式電源(Distributed Generation,DG)受到了廣泛關(guān)注[1-2]。光伏、風電等DG 在發(fā)電過程中不消耗化石能源,能夠源源不斷地輸出清潔電能,但這些DG 輸出功率的波動性較大,在并網(wǎng)時會改變電力系統(tǒng)的潮流大小和方向,給電力系統(tǒng)安全性和穩(wěn)定性帶來一定影響[3-4]。因此,為了減小DG 并網(wǎng)帶來的不良影響,合理規(guī)劃DG 接入位置及容量具有重要意義。
目前,針對DG 并網(wǎng)的選址定容問題,國內(nèi)外專家學(xué)者進行了大量研究。文獻[5]提出了一種基于改進蟻獅算法的分布式電源優(yōu)化配置方法,以功率損耗和電壓穩(wěn)定性為優(yōu)化目標,采用改進蟻獅算法對多目標函數(shù)進行優(yōu)化,獲得了DG 最優(yōu)配置方案。文獻[6]提出了一種兼顧經(jīng)濟性和穩(wěn)定性的分布式電源配置方法,建立了分布式電源多目標優(yōu)化配置模型,利用層次分析法計算各指標權(quán)重,將多目標轉(zhuǎn)化為單目標,利用改進烏燕鷗算法進行求解,算例分析驗證了該方法的有效性。文獻[7]首先建立了以DG 投資成本、運維成本、網(wǎng)損成本和用戶購電成本之和最小為目標函數(shù)的DG 優(yōu)化配置模型,然后采用對配電網(wǎng)潮流進行計算,并利用自適應(yīng)遺傳算法對模型進行求解,最后利用算例分析驗證了所提模型既能夠保證配電網(wǎng)運行的經(jīng)濟性,又能提高電壓質(zhì)量。上述方法分別提出了不同的分布式電源配置方法,但均沒有對DG接入數(shù)量帶來的影響進行深入分析,因此針對不同數(shù)量DG 并網(wǎng)的優(yōu)化配置問題有待進一步研究。
配電網(wǎng)網(wǎng)損是衡量配電網(wǎng)運行狀態(tài)的重要指標[8],DG 并網(wǎng)后會使系統(tǒng)潮流發(fā)生變化,從而改變網(wǎng)損,本文以配電網(wǎng)網(wǎng)損最小為目標函數(shù),其數(shù)學(xué)表達式為:
式中:Ploss為配電網(wǎng)網(wǎng)損;k為配電網(wǎng)中各支路編號;Rk為支路k的電阻;Pk、Qk為支路k的有功功率和無功功率;Qk為支路k的末端電壓;m為配電網(wǎng)支路總數(shù)。
對分布式電源進行優(yōu)化配置時,需要考慮功率平衡、節(jié)點電壓、支路電流及DG 容量等約束,具體如下:
(1)功率平衡約束
式中:i、j均為配電網(wǎng)網(wǎng)絡(luò)的節(jié)點編號;Pi、Qi分別為系統(tǒng)在第i個節(jié)點注入的有功功率和無功功率;PDGi、QDGi為DG 在第i個節(jié)點注入的有功功率和無功功率;Ui、Uj分別為第i個節(jié)點和第j個節(jié)點的電壓;Gij、Bij分別為第i個節(jié)點和第j個節(jié)點組成支路的電導(dǎo)和電納;θij為第i個節(jié)點和第j個節(jié)點組成支路的電壓相角差;PLi、QLi分別為第i個節(jié)點的有功負荷和無功負荷。
(2)節(jié)點電壓約束
式中:Ui.min為第i個節(jié)點的最低電壓;Ui.max為第i個節(jié)點的最高電壓。
(3)支路電流約束
式中:為支路k流過的電流;為支路k允許通過的最大電流。
(4)傳輸功率約束
式中:Pij為第i個節(jié)點和第j個節(jié)點組成支路的傳輸功率;Pijmax為該支路允許傳輸?shù)淖畲蠊β省?/p>
(5)配電網(wǎng)DG 容量約束
式中:η為DG 占比系數(shù),取值為0.25。
蜻蜓算法(Dragonfly Algorithm)是數(shù)學(xué)家Mirjalili根據(jù)蜻蜓自然行為提出的一種群體智能優(yōu)化算法[9]。在DA 算法中,蜻蜓種群分為靜態(tài)群體搜索和動態(tài)群體搜索,前者是指小群體蜻蜓的整個解空間中的全局搜索行為,后者則是指大群體蜻蜓在小范圍內(nèi)的局部尋優(yōu)過程,可見DA 算法具有良好的優(yōu)化性能,目前已在能源、醫(yī)療、交通等領(lǐng)域得到了廣泛應(yīng)用[10]。
在DA 算法中,定義鄰域半徑r的增長與算法的迭代次數(shù)成正比,如果兩只蜻蜓之間的距離小于鄰域半徑,則認為兩只蜻蜓是相鄰的。蜻蜓種群通過分離、隊列、凝聚、尋獵和避敵5種行為來實現(xiàn)個體位置的更新,具體如下:
(1)分離
蜻蜓個體在飛行過程中應(yīng)避免發(fā)生碰撞,該過程的表達式為:
式中:Si為第i只蜻蜓的分離量;t為迭代次數(shù);Xi(t)為第t次迭代時第i只蜻蜓的位置;為Xi(t)的第j只臨近蜻蜓個體;N為臨近蜻蜓個體的總量。
(2)對齊
蜻蜓個體在飛行過程中要與蜻蜓種群中的其他個體相互對齊,該過程的表達式為:
式中:Ai為第i只蜻蜓的對齊量;為第t次迭代時第j只臨近蜻蜓個體的速度。
(3)凝聚
蜻蜓個體在飛行過程中會向自己所屬的群體靠近,該過程的表達式為:
式中:Ci為第i只蜻蜓的凝聚量。
(4)尋獵
蜻蜓個體在飛行過程中會受到食物的吸引,此時蜻蜓個體會向食物靠攏,食物所在位置即為最優(yōu)蜻蜓個體的位置,該過程的表達式為:
式中:Fi為第i只蜻蜓在尋找獵物時移動的距離;為第t次迭代時食物的位置。
(5)避敵
蜻蜓個體在飛行過程中盡可能遠離天敵,以防止遭受天敵攻擊,天敵所在位置即為最差蜻蜓個體的位置,該過程的表達式為:
式中:Ei為第i只蜻蜓在躲避天敵時移動的距離;為第t次迭代時天敵的位置。
蜻蜓的活動方式取決于上述五種行為,因此可以得到蜻蜓的飛行步長為:
式中:ΔXi(t)、ΔXi(t+1)分別為第i只蜻蜓在第t次迭代和第t+1 次迭代時飛行步長;s為分離量權(quán)重;a為對齊量權(quán)重;c為凝聚量權(quán)重;f為尋找食物的權(quán)重系數(shù);e為逃避天敵的權(quán)重系數(shù);ω為慣性權(quán)重。
由此可以得到蜻蜓個體的位置更新公式為:
如果蜻蜓個體周圍沒有鄰近個體,則利用萊維飛行策略進行隨機飛行,其表達式為
式中:D 為空間維數(shù),Levy為萊維飛行函數(shù),其表達式為:
式中:r1、r2均為隨機數(shù),取值范圍為(0,1);Γ為Gamma 函數(shù);β為常數(shù),取值為1.5。
本文采用算法對分布式電源優(yōu)化配置模型進行求解,主要求解步驟如下,具體流程如圖1所示。
圖1 DG 優(yōu)化配置流程圖
1)輸入DG 個數(shù),初始化相關(guān)參數(shù)。輸入配電網(wǎng)運行數(shù)據(jù),對DA 算法的相關(guān)參數(shù)進行設(shè)置,主要包括蜻蜓種群規(guī)模的最大迭代次數(shù)。
2)初始化蜻蜓個體的位置和蜻蜓飛行步長。
3)更新DA 算法的相關(guān)系數(shù),隨機初始化相鄰半徑、各權(quán)重量和權(quán)重系數(shù)。
4)計算適應(yīng)度值。將目標函數(shù)作為適應(yīng)度函數(shù),計算蜻蜓飛行一次后的適應(yīng)度值,并選出其中的最優(yōu)適應(yīng)度值。
5)判斷蜻蜓個體是否存在相鄰蜻蜓個體,若是則利用式(13)進行迭代,否則利用式(14)進行迭代;
6)計算蜻蜓個體的行為參數(shù)。利用式(7)~(11)分別對分離量權(quán)重、對齊量權(quán)重、凝聚量權(quán)重、尋找食物的權(quán)重系數(shù)、逃避天敵的權(quán)重系數(shù)進行計算。
7)更新蜻蜓位置,利用步驟(5)對蜻蜓位置進行更新,同時利用式(12)調(diào)整蜻蜓飛行步長。
8)判斷算法是否能夠繼續(xù)運行,若已達到最大迭代次數(shù),則輸出最優(yōu)解,否則返回步驟(4)繼續(xù)迭代。
采用如圖2 所示的IEEE33 節(jié)點測試系統(tǒng)進行仿真分析,該系統(tǒng)中共有33個節(jié)點,32條支路,其中節(jié)點1 為電源點,系統(tǒng)基準電壓為12.66 kV,三相基準功率為10 MVA,系統(tǒng)總負荷為5 084.26+j2 547.32kVA,各節(jié)點及支路參數(shù)可參考文獻[11]。
圖2 IEEE33 節(jié)點系統(tǒng)
DA 算法的相關(guān)參數(shù)設(shè)置為[12]:蜻蜓種群容量N=30、最大迭代次數(shù)Tmax=200,分離量權(quán)重s=0.2;對齊量權(quán)重a=0.2;凝聚量權(quán)重c=0.1;尋找食物的權(quán)重系數(shù)=0.1;逃避天敵的權(quán)重系數(shù)e=0.25;ω慣性權(quán)重ω=0.2。
采用蜻蜓算法對分布式電源優(yōu)化配置模型進行優(yōu)化計算,并根據(jù)DG 接入個數(shù)的不同設(shè)置下列三種不同場景進行仿真分析,三種場景下的DG 接入有功容量和無功容量均相同。
(1)場景一:接入1個DG
在IEEE33 節(jié)點測試系統(tǒng)接入1 個DG 后的最優(yōu)配置結(jié)果見表1,此時系統(tǒng)電壓、各支路損耗和支路電流相比DG 接入前的分布情況分別如圖3~圖5所示。
表1 四種算法優(yōu)化重構(gòu)的收斂曲線
圖3 接入1 個DG 前后的系統(tǒng)各節(jié)點電壓對比
圖4 接入1 個DG 前后的系統(tǒng)各支路損耗對比
圖5 接入1 個DG 前后的系統(tǒng)各支路電流對比
(2)場景二:接入2個DG
在IEEE33 節(jié)點測試系統(tǒng)接入2 個DG 后的最優(yōu)配置結(jié)果見表2,此時系統(tǒng)電壓、各支路損耗和支路電流相比DG 接入前的分布情況分別如圖6~圖8所示。
表2 四種算法優(yōu)化重構(gòu)的收斂曲線
圖7 接入2 個DG 前后的系統(tǒng)各支路損耗對比
圖8 接入2 個DG 前后的系統(tǒng)各支路電流對比
(3)場景三:接入3個DG
在IEEE33 節(jié)點測試系統(tǒng)接入3 個DG 后的最優(yōu)配置結(jié)果見表3,此時系統(tǒng)電壓、各支路損耗和支路電流相比DG 接入前的分布情況分別如圖9~圖11所示。
表3 四種算法優(yōu)化重構(gòu)的收斂曲線
圖9 接入3 個DG 前后的系統(tǒng)各節(jié)點電壓對比
圖10 接入3 個DG 前后的系統(tǒng)各支路損耗對比
圖11 接入3 個DG 前后的系統(tǒng)各支路電流對比
在接入容量一定時,三種不同場景下DG 接入后的網(wǎng)損情況見表4。由表4 可知,在配電網(wǎng)中配置一定數(shù)量的DG 后,配電網(wǎng)網(wǎng)損明顯降低,且隨著接入DG 個數(shù)的增加,配電網(wǎng)網(wǎng)損進一步減小,可見光伏分散式接入更加有利于降低系統(tǒng)網(wǎng)絡(luò)損耗。
表4 三種場景優(yōu)化結(jié)果對比
在場景三的基礎(chǔ)上,對滿足DG 接入容量約束下的最小網(wǎng)損進行計算,DG 配置結(jié)果見表5。由表5 可知,在配電網(wǎng)中按照表5 中的方案接入DG 時,配電網(wǎng)系統(tǒng)的網(wǎng)損最小,最小網(wǎng)損為22.89 kW,相比DG 接入前,配電網(wǎng)網(wǎng)損降幅高達88.71%。綜上所述,在配電網(wǎng)中合理配置DG,能夠使配電網(wǎng)系統(tǒng)的各支路損耗明顯降低,各支路電流分布更加均衡,配電網(wǎng)運行的經(jīng)濟性和穩(wěn)定性更好,驗證了本文所提分布式電源優(yōu)化配置方法的正確性。
表5 網(wǎng)損最小時的DG 配置方案
本文以配電網(wǎng)網(wǎng)損最小為目標函數(shù),建立了基于蜻蜓算法的分布式電源優(yōu)化配置模型,根據(jù)DG 接入數(shù)量的不同設(shè)置三種場景進行仿真分析,采用蜻蜓算法對目標函數(shù)進行優(yōu)化,仿真結(jié)果表明,在配電網(wǎng)中配置一定數(shù)量的DG 后,配電網(wǎng)網(wǎng)損明顯降低,且隨著接入DG 個數(shù)的增加,配電網(wǎng)網(wǎng)損進一步減小,當系統(tǒng)配置3 個DG 時的優(yōu)化效果更好,此時系統(tǒng)節(jié)點電壓波動更小,各支路損耗最低,且支路電流分布更均衡,配電網(wǎng)運行的經(jīng)濟性和穩(wěn)定性更好。