基于改进NSGA-Ⅱ算法的配电网分布式电源规划

尹 杭,孟 涛

(1.吉林省电力有限公司长春供电公司,长春 130600;2.东北电力大学 电气工程学院,吉林 吉林 132012)

基于改进NSGA-Ⅱ算法的配电网分布式电源规划

尹 杭1,孟 涛2

(1.吉林省电力有限公司长春供电公司,长春 130600;2.东北电力大学 电气工程学院,吉林 吉林 132012)

分析配电网中分布式电源的优化规划问题,提出一种系统有功网损指标,建立了综合考虑分布式电源投资运行成本、系统有功损耗及电压质量的多目标优化规划数学模型。采用改进的快速非支配遗传算法用于分布式电源在配电网中的优化规划,在计算过程中引入累积排序适应度赋值策略以改善算法的寻优性能。对IEEE-33节点配电网进行仿真计算,结果表明该方法能提供全面合理的规划方案,有助于实际工程应用。

配电网;分布式电源;NSGA-Ⅱ算法;有功网损;多目标优化规划

大规模分布式电源(distributed generation,DG)接入配电网会对系统潮流、网损、电能质量、供电可靠性等方面产生不同程度的影响[1-2]。因此,合理规划分布式电源的接入对研究配电网稳定运行具有重要现实意义。文献[3]利用解析法研究了光伏发电在配电网中的优化配置问题;文献[4]探讨不同负荷水平下的多类型分布式电源的优化配置方案;文献[5]将NSGA-Ⅱ算法应用于输电网络多目标无功优化中;文献[6]提出了一种基于NSGA-Ⅱ算法的混合智能算法。但是这些文献在处理多目标优化问题上有的采用线性权重的方法,这样对研究DG的规划有所欠缺;有的研究对象主要是针对输电网络,很少考虑NSGA-Ⅱ算法存在保持种群多样性及全局搜索能力不足的问题。对此,本文提出一种简易的系统有功损耗指标,建立综合考虑分布式电源投资成本、系统有功损耗及电压质量的多目标优化规划数学模型;针对NSGA-Ⅱ算法存在保持种群多样性及全局搜索能力不足的问题,在优化过程中引入了累积排序适应度赋值策略,提出一种改进的NSGA-Ⅱ算法用于模型求解。

1 配电系统数学模型

研究配电网分布式电源规划问题,首先需要建立负荷及DG单元的数学模型。本文选取风力发电、光伏发电2种典型的分布式电源进行优化规划,分布式电源功率因数设置为1。

1.1 风力发电模型

受间歇性风力资源的影响,风力发电机组的出力服从Weibull分布[7]:

GPS/北斗模块正常工作时能接收到8种不同类型的导航数据信息,设计中选用双模最简导航数据。接收并处理导航信息的流程为:首先初始化串口,当GPS/北斗模块接收到信号时,将变量flag_rec赋值为1,串口产生中断,并判断是否是有效定位$GNRMC,若是有效的定位,将以“,”为数据节点,将数据存入变量flag_data,并对变量flag_data中的数据进行处理,其中变量byte_count用来存储数据中检测到“,”的次数,以此决定该条数据是否已经解析完毕。定位信息获取的程序流程如图8所示。

式中:k为形状参数;c为尺度参数;k1=Pr/(vr-vci)为风机有功出力变化率;k2=-k1vci为风机初始有功出力;vci为切入风速;vr为额定风速;Pr为额定输出有功。

1.2 光伏发电模型

光伏发电输出功率主要与太阳光照强度、环境温度、光照面积及光电转换效率有关,其输出功率的概率密度函数为[8]

水资源司在网站开辟试点工作专栏，报道试点工作动态和各试点地区经验做法，建立了试点工作联系人和信息上报制度。试点工作开展以来，被《人民日报》（海外版）、《中国水利报》、《水利部优秀调研报告集》、《水资源工作信息》、水利部门户网等报刊网站收录信息及文章50余条 （篇），部分信息经新华网、新浪网等转载，扩大了试点工作的社会影响力，发挥了试点的示范作用。

式中:Γ为Gamma函数;α和β为Beta分布的形状参数;Pmax为光伏发电最大输出有功功率。

1.3 负荷模型

算法参数设置如下:迭代次数为300,种群规模100,交叉和变异率分别为0.92、0.2。采用类均值的方法将风力发电、光伏发电随机波动出力等效为常规机组出力,负荷模型中设置np=nq=0。

由于我国目前的电力调度系统的局限性，各系统间的数据资源无法共享，这在很大程度上影响了我国电力调度的效率，减缓了我国经济发展的速度，对东部发达地区的影响尤为突出。因此，建设公共信息平台来开展电力调度系统的数据资源共享和整合工作显得着实必要。

1.1.3 试验动物和细胞。SD大鼠，第四军医大学试验动物中心；黑色素瘤B16细胞株，中国科学院上海细胞生物研究所。

式中:Pi(t)和Qi(t)分别为时段t中节点i处注入的有功和无功功率;PLi(t)和QLi(t)分别为时段t中节点i处额定电压下的有功和无功负荷功率;Vi为节点i处电压幅值;np和nq为相关电压指标。

2 配电网DG优化规划多目标数学模型

2.2 网络损耗目标函数

综合考虑DG的投资及运行维护费用,建立考虑年投资运行费用的指标为

图2(b)为偏向镁合金的焊接断口放大12倍的形貌图，无明显周期性特征结构存在，说明断裂形貌还与基体金属和及其成分有关。除焊缝底部组织致密，其他区域存在大量孔洞和丝状拉拔结构。其缺陷形成机理可能是由于搅拌头偏向镁侧，镁板搅入焊缝量增加，镁塑性较差，随搅拌头旋转填充的金属量不足，导致大量孔洞出现。部分塑性较好的区域，由于镁合金均匀附着在铝基体上，结合搅拌头搅拌作用，形成丝状疏松连接，拉伸断裂后形成图示丝状拉拔结构。

2.1 投资运行成本目标函数

小波变换是通过伸缩和平移运算对信号函数逐步进行多尺度细化，可以聚焦到信号的任意细节，能自动适应时频信号分析的要求[5]。本文采用Mallat算法实现小波变换。

典型的3节点配电系统如图1所示。

图1 典型3节点配电系统

基于网络潮流计算得支路j的有功损耗为

式中:Rj为支路j上的电阻和电抗;Vi为节点i处的电压幅值;Pi+1和Qi+1分别为节点i+1处流过的有功和无功功率。

DG未接入时整个配电系统的网络损耗为

(1)

式中:Nb为配电网络支路个数。

护理教师通过临床实践,可以开阔视野、发现护理教育与临床护理中存在的问题,借助双方优势,联合开展科研项目,既能提高临床护士和专任教师的科研水准,又能解决临床实际问题、促进专业发展,实现院校深度合作、共赢的目的。

考虑DG接入时支路j的有功损耗为

(2)

结合式(1)、(2)建立配网中有功损耗指标为

(3)

由式(3)可知,本文所建立的有功损耗指标越大越合理。

2.3 电压稳定性目标函数

为了更好地促进创业型中小企业的发展，企业应该在企业核心竞争能力的基础上，及时对自己企业所具备人力资源或人才质量进行检测，并及时为企业增添新的力量，及时为企业培养有发展潜力的人才，以在企业面临问题的时候很快地提供核心人才。除此之外，企业还应该适当地在企业中建立人才招聘标准、工作人员绩效考核、后备人才的培训以及企业各岗位的职业技能培训等等。总而言之，不断地加强人力资源管理战略是促进创业型中小企业快速发展的关键部分。

由图1可见,基于网络潮流得支路j的电压稳定性指标为[9]

整个配电网络的电压稳定性指标定义为

maxVSI=1-max(Lj)

2.4 DG优化规划目标函数

综合考虑DG投资运行指标、网络有功损耗指标及电压稳定性指标的多目标优化数学模型为

NSGA-Ⅱ算法提出的精英保留策略、快速非支配排序策略及拥挤度策略,很大程度改善了传统多目标优化算法收敛速度及全局搜索性能[10],但是其采用的个体pareto排序值策略不能很好地反映个体周围的密度信息。因此,引入累积排序适应度赋值策略时从个体的pareto排序值和密度信息的角度选择更新当前代个体[11]。基于改进NSGA-Ⅱ算法的分布式电源优化规划流程如图2所示。

f1=minZcost，f2=maxPLDG，f3=maxVSI，

h(u,x)=0，g(u,x)=0

4.1 算例相关参数

对于袁宏道的《袁中郎集》，馆臣认为“其诗文变板重为轻巧，变粉饰为本色，致天下耳目於一新，又复靡然而从之。然七子犹根於学问，三袁则惟恃聪明；学七子者不过赝古，学三袁者，乃至矜其小慧，破律而坏度，名为救七子之弊，而弊又甚焉。”[2]806在四库馆臣看来，复古派虽不得要领，也以汉唐为宗，根基正统。而公安派却走向了另一个极端，工于轻巧，将文以明道的传统弃之不顾了。“轻巧”，或“清巧”，[2]826本意为风格清新奇巧，锺嵘《诗品》评价鲍令晖其诗：“令晖歌诗，往往崭绝清巧。”[11]444在四库馆臣笔下，“清巧”则用来指摘公安一派厚重不足，轻佻有余的诗风文风，立场倾向可见一斑。

3 改进NSGA-Ⅱ算法

甲醇，色谱纯，赛默飞世尔科技（中国）有限公司；盐酸（分析纯）、氢氧化钠（分析纯），永华化学科技（江苏）有限公司；磷酸二氢钾（分析纯）、磷酸（分析纯）、三乙胺（分析纯）、氢氧化钾（分析纯）、四氢呋喃（色谱纯），国药集团化学试剂有限公司；纯化水。

图2 改进NSGA-Ⅱ算法流程图

4 算例分析

式中,h(u,x)=0和g(u,x)=0分别为DG优化规划过程中的等式约束和不等式约束。

基于matlab7.0仿真软件编写分布式电源多目标优化规划程序,测试系统采用IEEE-33节点配电网,其网架结构如图3所示,对应主要参数见文献[12]。风力发电(WT)的待选安装位置为18、22,光伏发电(PV)的待选安装位置25、33号节点。分布式电源投资与维护相关参数如表1所示。

图3 IEEE-33节点配电系统

建立的负荷模型考虑了其时变特性及电压特性,对应模型为[3]

表1 分布式电源相关数据

4.2 方法可行性分析

分布式电源在配电网中的多目标优化规划pareto解集空间分布如图4所示。其pareto解集空间分布均匀,其中电压稳定裕度指标由于变化幅度很小,具体指标从图形上难以显示,说明利用改进的NSGA-Ⅱ算法很好地改善了原有算法的全局搜索性能。

孙中山去世后留下的政治遗产成为继承者确立自身合法性的重要资源，故而后孙中山时代的国民党党统之争亦表现为对“总理遗教”解释权的争夺。在国民党高层的政治竞争中，无论是谁，都要高举孙中山和三民主义的旗帜。

图4 pareto解的空间分布情况

选取几种典型的多目标优化规划解进行比较分析,其相关指标如表2所示。

表2 多目标优化规划相关指标

由表2可知,方案1投资维护成本最低,但其有功损耗及电压稳定裕度最差;方案2有功损耗及电压稳定裕度指标最优,但其投资成本最高;方案3折中了方案1和方案2目标函数权重,目标函数综合较优。

考虑到优化规划过程中电压稳定裕度指标变化相对较小,故从系统整体电压水平来分析其电压性能,不同方案下的系统电压水平分布情况如图5所示。

图5 不同方案下电压分布水平

从图5可知,方案1的有功损耗为176.09 kW,方案2的有功损耗为160.47 kW,方案3的有功损耗为167.11 kW;而潮流计算下的有功损耗为202.66 kW。可见,最佳的电压分布水平为方案2。

综合以上分析可知,分布式电源合理接入配电网能有效提高系统电压水平和降低系统网络损耗,但是,大规模分布式电源接入会导致投资运行成本过高,因此,根据从多目标优化的角度合理规划分布式电源接入就显得尤为重要。

5 结 论

1) 建立了综合考虑分布式电源投资成本、系统有功损耗及电压质量的多目标优化规划数学模型。提出了一种改进的快速非支配遗传算法用于分布式电源在配电网中的优化规划。

2) 算例结果表明,随着投资成本增加,分布式电源合理规划能有效减少有功网络损耗和提高系统运行电压水平。

3) 采用多目标优化算法进行分布式电源规划能为决策者提供多样性的优化方案,有助于实际工程运用。

[1] 沈正元,初翠平.含风电场的电网无功配置方案研究[J].黑龙江电力,2013,35(2):115-119. SHEN Zhengyuan, CHU Cuiping. Research on reactive power configuration for power network with wind farm [J]. Heilongjiang Electric Power, 2013,35(2):115-119.

[2] 潘超,孟涛,尹杭.基于萤火虫优化算法的主动配电网广义电源规划模型[J].水电能源科学,2014,32(12):186-190. PAN Chao, MENG Tao, YIN Hang. Optimal configuration of generalized power sources in active distributed network based on firefly algorithm [J]. Water Resources and Power, 2014,32(12):186-190.

[3] NADARAJAH H,LEE K Y. Determining PV penetration for distribution systems with time-varying load models[J]. IEEE Transactions on Power Systems, 2014,29(6):3048-3057.

[4] KARIMYAN P,GHAREHPETIAN G B,ABEDI M , et.al. Long term scheduling for optimal allocation and sizing of DG unit considering load variations and DG type[J]. Electrical Power and Energy Systems, 2014, 9 (54):277-287.

[5] 冯士刚,艾芊.带精英策略的快速非支配排序遗传算法在多目标无功优化中的应用[J].电工技术学报,2007,22(12):146-152. FENG Shigang,AI Qian.Application of fast and elitist non-dominated sorting generic algorithm in multi-objective reactive power optimization[J].Transactions of China Electrotechnical Society,2007,22(12)：146-152.

[6] 王茜,张粒子.采用NSGA-II混合智能算法的风电场多目标电网规划[J].电工技术学报,2011,31(19):17-24. WANG Qian, ZHANG Lizi. Multi-objective transmission planning associated with wind farms applying NSGA-II hybrid intelligent algorithm [J]. Transactions of China Electrotechnical Society, 2011,31(19):17-24.

[7] 李传健,刘前进.考虑风力发电随机性的配电网重构[J].电力系统自动化,2010,34(20):34-39. LI Chuanjian, LIU Qianjin. Distribution network reconfiguration considering randomness of wind power generation [J]. Automation of Electric Power Systems, 2010,34(20):34-39.

[8] 张喆,李庚银,魏军强.考虑分布式电源随机特性的配电网电压质量概率评估[J].中国电机工程学报,2013,33(13):150-156. ZHANG Zhe,LI Gengyin,WEI Junqiang.Probabilistic evaluation of voltage quality in distribution networks considering the stochastic characteristic of distributed generators[J].Proceedings of the CSEE,2013,33(13):150-156.

[9] 张立群.基于混沌优化鱼群算法的配电网无功优化[J].水电能源科学,2013,31(6):222-224. ZHANG Liqun. Distribution network reactive power optimization based on chaos optimization algorithm [J]. Hydropower energy science, 2013,31 (6): 222-224.

[10] DEB K, PRATAP A， AGARWAL S ,et.al. A fast and elitist multiobjective genetic algorithm: NSGA-Ⅱ[J]. IEEE Transactions on Evolutionary Computation, 2002,6(2):182-197.

[11] 刘旭红,刘玉树,张国英,等.多目标优化算法NSGA-II的改进[J].计算机工程与应用,2005,15(4):73-75. LIU Xuhong,LIU Yushu,ZHANG Guoying,et al.Improvement of multi-objective optimization algorithm NSGA-Ⅱ [J].Computer Engineering and Applications，2005，15(4)：73-75.

[12] AMAN M M, JASMON G B, BAKAR A H A, et al. A new approach for optimum simultaneous multi-DG distributed generation units placement and sizing based on maximization of system loadability using HPSO(hybrid particle swarm optimization algorithm)[J]. Energy, 2014, 6(66): 202-215.

(责任编辑 郭金光)

Planning of distributed generation in distribution network based on improved NSGA-II algorithm

YIN Hang1, MENG Tao2

(1. Jilinsheng Electric Power Supply Company Changchun Electric Supply Company,Changchun 130600, China;2.School of Electrical Engineering, Northeast Dianli University, Jilin 132012, China)

This paper analyzed the optimization problems of distribution generation (DG) in distribution network, proposed an index of active power loss, and established the mathematical multi-objective optimization planning model considering the cost of investment, the active loss of network and the quality of voltage. Meanwhile, the improved non-dominated sorting genetic algorithm (NSGA-Ⅱ) was proposed to solve this model. In order to enhance the global search ability, the strategy of accumulative rank fitness assignment was adopted in this paper. Finally, the model and algorithm were tested by IEEE 33-node power system. The simulation result shows that the proposed algorithm can provide comprehensive and reasonable planning schemes, which is helpful to the practical application of engineering.

distribution network; distributed generation; NSGA-II algorithm; active loss; multi-objective optimization

2015-03-19

尹 杭(1990—),女,工程师,主要研究方向为配电网运行与维护、电力系统无功优化。

TM715+.3

A

2095-6843(2015)06-0504-04