考虑相关性的微电网DG接入优化研究

曾品卓， 李国杰， 汪可友， 江秀臣

(上海交通大学 电气工程系 电力传输与功率变换控制教育部重点实验室，上海 200240)

考虑相关性的微电网DG接入优化研究

曾品卓， 李国杰， 汪可友， 江秀臣

(上海交通大学 电气工程系 电力传输与功率变换控制教育部重点实验室，上海 200240)

对微电网中的分布式电源(DG)接入进行优化配置可以大大地提高微电网运行的可靠性和经济性。在考虑DG接入的相关性以及负荷重要性的基础上，建立了以考虑DG接入相关性并以微电网运行经济性最优为目标函数的多目标分层优化模型,并采用改进的粒子群算法(IPSO)进行求解。将优化模型及IPSO算法应用于一28节点微电网网架中，通过不同优化方案的对比证明了微电网中对DG接入进行优化配置的重要性，同时表明IPSO算法对于求解此类问题的可行性和有效性。

微电网；经济性；分布式电源；相关性；多目标优化；改进粒子群算法

0 引 言

由于能源紧缺问题日益突出，微网技术日益成熟，使得分布式发电技术得到了快速发展，电力系统正在经历基于微网的分布式发电技术带来的巨大冲击。将分布式电源(Distributed Generation, 简称DG)以微电网的形式接入大电网并网运行[1]，与传统的大电网互为补充，可提高系统运行的经济性及可靠性，是智能电网发展的必然趋势，已成为电力系统研究的一大热点。分布式发电一般包括大量的新能源发电，具有较强的波动性和不确定性。大量DG的接入会导致微电网潮流、电压等发生变化，不合理的DG接入位置和容量可能会带来许多不利影响[2-4]。因此，在发展智能电网和微电网技术的研究进程中，如何安全可靠、经济地优化配置各类型DG的接入位置和容量，具有重要的研究意义。

为了有效降低微电网系统的网络损耗、降低微电网系统整体的发电成本，在考虑分布式电源接入的相关性以及负荷重要性的基础上，本文建立了考虑DG接入相关性并以微电网运行经济性最优为目标函数的多目标分层优化模型。求解过程中，采用了一种改进的粒子群算法(Improved particle swarm optimization,简称IPSO)，并以某28节点微电网网架为例进行分析，证明IPSO算法对微电网的DG接入优化可行有效。

1 基于微电网的DG接入优化

1.1 DG接入的相关性影响及选址原则

在微电网规划中，首先应考虑DG接入后，可以充分发挥微电网低成本、低能耗以及高电能质量的特点，对该地区的经济和环境有所改善。由于城镇片区设施建设己成型，DG的安装位置受到地理环境、负荷类型、用户需求等因素的影响[5-6]，其一次能源的分布也与地形、高度、气候等条件密切相关。微电网基于配电系统组网的方式和系统规模使其覆盖区域的环境特征往往具有较强的相似性，其一次能源的分布具有相关关系。这种相关性会导致微电网线路各个负荷节点的电压升高，影响整个微电网的电压稳定性，所以在优化接入风电、光伏等可再生能源时，本文引入一个电压稳定性指标σ：

(1)

式(1)中，P、Q为线路的有功和无功功率，u1、u2为线路两端电压，R+jX为线路阻抗。σ≥0时，微电网稳定运行，σ越大微电网稳定性越好。

同时,从电力市场的角度考虑，将微电网内负荷按重要性和敏感度分为两类:重要负荷与非重要负荷。因此本文引入一个负荷重要性指标ε，根据各个DG接入区域对供电可靠性需求的不同，引入该地区负荷重要等级μ：

(2)

式(2)中，si为j地区中第i个负荷的面积，ρi为j地区第i个负荷的负荷密度。

而确定分布式电源的接入类型主要是从国家能源政策以及电力市场的要求出发，根据地区的资源优势和DG的特点，确定目标地区可选用的DG类型。表1是常见DG类型的基本性能，可作为DG接入类型的选择参考。

表1 常见DG类型的基本性能

1.2 微电网潮流计算

对微电网进行正确的潮流计算是对微电网中的分布式电源接入进行优化的基础，本文采用前推回代潮流算法。前推回代潮流算法是目前应用最为广泛的潮流算法之一，具有很好的线性收敛能力[7-8]。微电网中分布式电源所采用的模型即可简化为PV节点或PQ节点，本文将其看成是具有恒定功率因数的PV节点。由于DG一般安装在靠近负荷中心的位置，所以可假定DG直接安装于负荷节点上。

1.3 考虑DG接入相关性的多目标分层优化模型

为了实现微电网效益最大化，对微电网中分布式电源的接入位置及接入容量进行优化，根据网络结构以及电网中各负荷节点的负荷增长情况，在满足电网各个约束条件的前提下实现微电网的经济性优化运行。本文考虑的微电网规划期限为10年。首先对DG的接入位置进行选择，在排除地理环境不适合接入DG的节点的基础上，结合DG接入位置的相关性、电压稳定性以及接入点负荷重要性，形成DG接入相关性综合指标E：

E=ω1μ+ω2σ+ω3ε

(3)

式(3)中，ω为各项指标对应的权重，根据接入位置的具体进行调整。之后将综合指标E的大小作为DG接入位置选择的重要依据。

然后采用微电网运行经济性最优为目标函数的优化模型对DG的接入容量进行优化，整体目标函数如下：

Cmin=CDG+CEN+CL

(4)

对式(4)中的各目标分量进行求解：

(1) DG运行的综合费用CDG

(5)

式(5)中，Tmax为年最大负荷小时数(h)；m为引入的分布式电源总数；ηi为功率因数；SDGi为第i个分布式电源的容量；CeDGi为单位容量DG的发电量的成本；r为年利率；nDG为投资回收期；CDGi为单位容量DG的建设投资成本；CDMi为维护费用。

(2) 微电网购电费用CEN

(6)

(3) 网络损耗费用CL

(7)

式(7)中，n为线路个数，Ce为单位电价(元/kWh)；τjmax为支路j的年最大负荷时间(h)；Pj为流过支路j的有功功率；Rj为支路j的电阻；ηj为线路j的负荷功率因数；UN为线路的额定电压。

1.4 约束条件

潮流方程：

(8)

节点电压约束：

Uimin

(9)

每个分布式电源的容量约束：

PkLOAD

(10)

式(10)中，PkLOAD为节点k处负荷大小，PDGmax为分布式电源容量上限。

2 粒子群算法及其改进

为了增强基本粒子群算法[9](Particle swarm optimization, PSO)的收敛能力，尽量避免陷入局部最优，同时提高搜索能力，本文对基本粒子群算法进行如下几个方面的改进：

(1) 对PSO算法的初始化方法进行改进

本文采用单纯形法来对算法进行初始化。粒子经过单纯形法处理过后能够充分体现搜索过程中函数的“峰谷”特性，因此使用单纯形法对粒子群进行初始化可以得到非常理想的效果。

(2) 引入控制因子动态调整惯性权重

基本粒子群算法使用线性递减策略的惯性权重容易使算法陷入局部极值点邻域，本文引入了一个控制因子来动态的调整惯性权重方法，数学表达式为[10]：

(11)

式(13)中，k为控制因子，用来随时间t动态调整惯性权重ω。再根据目标函数的不同来选取k值，就可以得到一个随目标函数变化的非线性惯性权重系数，可以有效的提高算法的收敛能力。

(3) 引入平均极值项

基本粒子群算法中，每个粒子只利用了粒子的个体极值和全局极值来更新自己的速度和位置。因此，本文考虑在粒子的速度更新公式中加入一个平均值项[11]。设第t次迭代时粒子个体极值的平均值向量为：

(12)

改进后的粒子速度更新公式为：

(13)

式(13)中，r3为均匀分布在(0,1)的随机数；c3为学习因子。

(4) 引入变异因子

为了使算法在收敛后期能够有效的跳出局部最优找到全局最优解，本文引入了变异因子。每次迭代后根据变异率Pm选择一定数量的粒子进行变异处理，其中全局最优粒子每次都会被选中。

(14)

3 基于IPSO算法的DG优化求解过程

IPSO算法求解微电网中的DG规划问题的流程如图1所示。

图1 IPSO算法求解DG接入优化问题流程图

4 算例分析

图2 某28节点微电网网架

本算例以某28节点微电网网架为例，如图2所示。假定网络母线电压等级为10 kV，DG接入前的微电网总有功负荷为9.7 MW，总无功负荷为6.2 kVar。每个节点安装分布式电源的单位容量为100 kW，分布式电源年最大发电小时数为3 000 h。负荷年最大损耗小时数为4 000 h。算例中假设投资回收期为10年。设定粒子群算法的维数D=10，种群规模200，变异率Pm=0.3 ，迭代次数为20次。

根据分布式电源的接入位置的相关性原则，考察微电网网架所在的地区地理环境、风力大小、日照强度等情况后，考虑接入风力发电机、光伏发电和微型燃气轮机三种类型的DG。三种DG的投资成本及运行维护成本分别如表2所示。

表2 DG的成本和维护费用

根据DG接入相关性综合指标确定分布式电源安装位置，在此基础上，以经济性最佳为目标对该网络中的5个重要负荷节点进行分布式电源接入优化，通过反复调试，并采用IPSO算法进行求解，确定下DG的最优接入方案，接入位置及容量如表3所示。

表3 DG接入的位置和容量

此时分别对优化接入分布式电源以及不含分布式电源的微电网的优化方案结果进行对比分析，如表4所示。

表4 微电网优化方案结果

通过表4结果对比分析，可以发现不含分布式电源的微电网运行总费用为1 865.43万元，优化接入DG后的方案在经济性方面明显优于不含分布式电源的微电网。

虽然DG的建设成本、运行维护费用以及燃料费用较为昂贵，但是由于大电网对微电网进行购电所得的购电成本和根据政策使用可再生能源得到的环境补贴，从在微电网接入DG运行之后的综合运行费用及环保效益等指标来看，接入DG后的微电网具有更好的经济效益。

由此也可以看出分布式电源合理的分配接入位置、接入容量会大大提高分布式电源的经济性，不同类型的分布式电源接入之后也会对微电网的可靠性造成极大的影响。同时，随着科技的发展进步、可再生能源的开发和应用，分布式电源的建设成本会越来越低，DG的接入所带来的经济效益及社会效益也会越来越显著。

5 IPSO算法和PSO算法优化效果对比

图3 IPSO算法与PSO算法优化效果对比

以微电网运行费用为目标函数，分别使用PSO算法和IPSO算法进行优化求解，优化过程中两种算法的适应度曲线对比如图3所示。

从图3中可以看出，本文提出的IPSO算法在求解微电网运行总费用优化目标上收敛更有效，具有很高的寻优效率和计算精度。

6 结束语

本文根据负荷的重要性以及不同类型分布式电源接入的相关性，在确定分布式电源接入位置的基础上，以微电网网损最小和微电网综合费用最小为目标函数，建立了考虑DG接入相关性并以微电网运行经济性最优为目标函数的多目标分层优化模型。所提出的改进粒子群算法(IPSO)算法采用单纯形法对PSO算法进行初始化，提高了算法的收敛能力，并引入平均值项和变异因子对算法进行改进，有效提高了算法的寻优效率和计算精度。与

PSO算法相比，本文提出的IPSO算法在求解微电网运行总费用的问题上更加优秀。通过对某28节点微电网网架进行算例分析，采用IPSO算法求出微电网中的DG优化配置结果。优化结果显示，DG的接入能提高微电网经济性和可靠性，而DG接入的方式和类型的不同会对微电网产生不同的影响，证明本文所提的模型和算法的有效性和正确性。

[ 1 ] 杨建新,苏剑,吕志鹏,等.微电网技术综述[J].中国电机工程学报,2014,34(1):57-70.

[ 2 ] 张立梅,唐巍,赵云军,等.分布式发电接入配电网后对系统电压及损耗的影响分析[J].电力系统保护与控制,2011,39(5):91-96.

[ 3 ] 梁才浩,段献忠.分布式发电及其对电力系统的影响[J].电力系统自动化,2001,25(12):53-56.

[ 4 ] 邱晓燕,夏莉丽,李兴源.智能电网建设中分布式电源的规划[J].电网技术,2010,34(4):7-10.

[ 5 ] 张立梅,唐巍,赵云军,等.分布式发电对配电网影响的综合评估[J].电力系统保护与控制,2010,38(21):132-136.

[ 6 ] 杨琦,马世英,宋云亭,等.分布式电源规划方案综合评判方法[J].电网技术,2012,36(2):212-216.

[ 7 ] 张立梅,唐巍. 计及分布式电源的配电网前推回代潮流计算[J].电工技术学报,2010,25(8):123-130.

[ 8 ] 陈眩姿.基于粒子群算法的微电网分布式电源优化规划[J].电力电子,2013,11(3):19-24.

[ 9 ] 吴常胜. 基于改进粒子群优化算法的多目标分布式发电规划[J].广东电力,2012,25(1):54-58.

[10] 汪兴旺,邱晓燕.基于改进粒子群算法的配电网分布式电源规划[J].电力系统保护与控制,2009,37(14):16-20.

[11] 苏晋荣,李兵义,王晓凯.一种利用种群平均信息的粒子群优化算法[J].计算机工程与应用,2007,43(10):58-59.

Research on Optimization of Micro-grid DG Access under Consideration of Relevance

ZENG Pin-zhuo, LI Guo-jie, WANG Ke-you, JIANG Xiu-chen,

(Key Laboratory of Control of Power Transmission and Power Conversion Control, Ministry of Education in the Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China)

Optimal allocation of distributed generation (DG) in micro grids can significantly improve the stability and benefit the economy of micro grid operation. Under consideration of relevance of DG access and load importance, a multi-objective model is established under consideration of DG access relevance, taking optimized economy of micro grid operation as its objective function, and the improved particle swarm optimization (IPSO) is used for the solution. The optimized model and IPSO are applied to a 28-node micro-grid network structure. The comparison between different optimization schemes demonstrates the importance of optimal configuration of DG access in micro-grids. It is shown that the IPSO algorithm in this study is feasible and effective for solving such problems.

micro-grid; economy; distributed generation; relevance; multi-objective optimization; improved particle swarm optimization

国家高技术研究发展计划863计划资助项目(2014AA050212),与国家国际科技合作专项项目(2013DFG71630)

10.3969/j·issn.1000-3886.2015.04.019

TM76

A

1000-3886(2015)04-0057-04

曾品卓(1990-)，男，上海人，硕士生，研究方向为微电网分析、电力系统分析等。 李国杰(1965-)，男，浙江温州人，博士，教授，研究方向为新能源控制与接入、微电网分析与控制。 汪可友(1979-)，男，河南郑州人，博士，副教授，研究方向为电力系统分析等。江秀臣(1965-)，男，山东人，博士，教授，研究方向为智能电网。

定稿日期: 2014-12-25