基于改进人工蜂群算法的分布式电源规划

娄宁娜+毛弋+黄媛玉

摘 要 通过改进人工蜂群算法， 建立了系统网损最小、电压质量最优的综合优化目标， 应用判断矩阵法确定多目标的权重系数， 进一步优化分布式电源的选址与定容.在改进的算法中， 运用均匀设计-反向寻优的方法来优化初始群体， 提高全局寻优率.同时， 为了解决基于比例适应度选择不足的问题， 用基于适应度排序的选择概率代替了基于比例适应度的选择概率， 不仅使种群的多样性得到了保护， 而且扩大了全局搜索的范围.最后采用IEEE33标准节点配电网仿真， 通过算例分析来验证该算法的有效性和可靠性.

关键词 分布式电源；人工蜂群算法；适应度排序选择；均匀设计；反向寻优

中图分类号 TM714 文献标识码 A 文章编号 1000-2537（2016）03-0056-06

Abstract In order to further optimize the sitting and sizing of distributed generation， a comprehensive optimization goal was proposed， which aims to minimize the transmission loss and maintain better voltage level， and determine the weight coefficient of different objectives using judgment matrix method. In order to improve the rate of global optimization， the uniform design and opposition-based optimizing were used. Meanwhile， in the improved algorithm， to overcome the shortage of selection based on the proportion of fitness， the selection based on fitness ranking probability is adopted instead of depending on the proportion of fitness， which not only protects the diversity of the population but also expands the global search range. Calculation results of standards IEEE 33-bus radial distribution system show that the proposed model is effective and reliable.

Key words distributed power； artificial bee colony algorithm； rank fitness selection； uniform design； opposition-based optimizing

随着电力技术的不断发展和进步， 人们总是在寻求更好的办法来解决各种弊端， 电力系统规模的不断扩大和负荷的持续增加给大电网带来了诸多问题， 比如输电系统和配电系统损耗过大、电网可靠性降低、跟踪负荷变化的灵活性降低、对环境的破坏日益严重[1]等.本文通过采用分布式发电（Distributed Generation， DG）与大型电网相结合的供电方式， 提高了供电的可靠性、减轻了环境污染等， 最终实现能源的可持续发展[2-3].

分布式电源一般是指独立分散的小容量电源， 通过较小容量的发电设备（容量一般小于30 MW）为其独立供电， 来满足特定用户的需求.近几年， 越来越多的智能算法比如免疫学算法、蚁群算法等应用到DG的选址与定容.文献[4]和文献[5]对分布式电源的大小及接入点分别采用了标准的遗传算法和模糊的遗传算法进行研究.文献[6]提出了采用量子微分进化算法对分布式电源接入配电网进行优化配置.文献[7]采用粒子群算法进行寻优， 并以系统的有功网损为目标进行优化.但是， 为了获取全局最优解， 多种智能算法结合用于配电网问题造成算法的复杂性.人工蜂群（Artificial Bee Colony， ABC）算法[8]是Karaboga在2005年提出的一种新的智能算法.它最突出的特点是操作简便， 鲁棒性强.本文建立了以系统网损及节点电压为目标的优化模型， 应用判断矩阵法确定多目标的权重系数， 进一步优化分布式电源的选址与定容.传统人工蜂群算法具有收敛速度慢， 易陷入局部最优等缺点， 会发生失真现象.本文提出均匀设计-反向寻优来初始化群体， 并且采用基于排序的选择策略可以对目标进行一次搜寻， 能避免算法陷入局部最优解， 提高收敛率.

（2）雇佣蜂先在蜜源的某个区域进行一次搜索， 算出并与原位置蜜源的适应度值进行对比， 进行贪婪选择， 若新位置适应度值大于原位置， 则取代原位置的蜜源.

（3）雇佣蜂进行全部搜索后在固定的区域内以跳舞的形式将蜜源的信息传递给观察蜂， 观察蜂以轮赌盘的形式通过概率对雇佣蜂传递过来的信息重新选择蜜源.

（4）若某个蜜源经过多次搜索仍没有更新， 则与之对应的雇佣蜂放弃该处的蜜源， 并转换成一侦查蜂， 按照公式（1）在搜索空间探寻新蜜源位置替代原来的位置.

3 基于IABC算法的分布式电源选址与定容的实现

IABC算法流程见图1，具体步骤如下：

（1）输入配电网的原始数据， 获取系统节点和支路的信息.

（2）雇佣蜂在蜜源附近的有效区域内依据公式（2）对蜜源搜索， 并与原来蜜源进行贪婪选择观察蜂根据选择概率公式（3）和（4）对食物源进行选择， 并按照公式（2）搜索， 并在新旧蜜源之间进行贪婪选择.

（3）以limit为依据判定是否存在未被选择的蜜源， 如果存在， 放弃该位置， 此处的雇佣蜂转换为一侦查蜂， 重新搜索新位置的蜜源.

（4）首先记录当前的最优解， 根据最大迭代次数 Mmax来判断最优解是否符合要求， 若当前的迭代次数达到Mmax， 计算停止， 将此时的最优解输出， 否则， 返回（2）循环执行命令.

4 算例分析

采用标准IEEE33节点配电测试系统作为算例来验证改进人工蜂群算法的有效性， 首先进行DG的布点规划， 如图2所示， 数字代表节点的编号.IEEE33节点网络是辐射状的配电网络， 该系统的额定电压为12.66 kV， 相角为0， 分布式电源接在1～32任意节点上[13]， 总有功和无功功率分别是3 715.0 kW，2 300.0 kW.在该算法中， 设置参数为： 权重系数α=0.5， β=0.5，Sn取30， 交叉概率CR取0.5， limit取8， Mmax取60次， 有功功率的权重系数为w1=0.6；电压水平的权重系数为w2=0.4.运行算法程序.未接入DG时， 系统有功损耗是220.15 kW， 优化后系统的有功损耗是62.85 kW.

两种算法在收敛性的比较如图3， 由图3可知， IABC算法较ABC算法在迭代次数以及收敛快慢上有着明显的提升.

表2为IABC和其他算法寻优结果.比较可得IABC算法中接入配电网中DG的总容量小于其余算法， 而且系统的网络损耗更小.因此IABC算法对于DG规划更加行之有效.

合理的规划DG的选址与定容， 也可以提高系统电压水平.在接入DG前后， 网络节点最低电压由0.913 1 p.u.上升到0.942 8 p.u.配电系统电压普遍有明显的改善.图4给出了系统节点电压比较.

5 结论

本文以降低配电网的网损及提高电压质量为优化目标， 为了避免陷入局部最优， 在标准人工蜂群算法的基础上， 运用均匀设计-反向寻优的方法来优化初始群体， 加快了全局寻优率.同时， 为了解决基于比例适应度选择不足的问题， 用基于适应度排序的选择概率代替了基于比例适应度的选择概率， 不仅使种群的多样性得到了保护， 而且扩大了全局搜索的范围.通过比较DG接入前后的配电网规划方案可以得出， DG的接入降低了网损， 改善了系统电压水平.

参考文献：

[1] 刘 健， 林 涛， 李 龙， 等. 分布式光伏接入情况下配电自动化系统的适应性[J]. 电力系统保护与控制， 2014，42（20）：7-12.

[2] 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.

[3] 李 俊， 邓大上， 房鑫炎， 等. 考虑电压稳定裕度约束的点估计随机最优无功调度方法[J]. 电工技术学报， 2015，30（7）：27-33.

[4] 张建华， 曾博， 张玉莹， 等. 主动配电网规划关键问题与研究展望[J]. 电工技术学报， 2014，29（2）：13-23.

[5] LANNOYE E， FLYNN D， OMALLEY M. Evaluation of power system flexibility[J]. IEEE Trans Power Syst， 2012，27（2）：922-931.

[6] 胡殿刚， 张雪佼， 陈乃仕， 等. 新能源发电项目多维度后评价方法体系研究[J]. 电力系统保护与控制， 2015，43（4）：10-17.

[7] 张 跃， 杨汾艳， 曾 杰， 等. 主动配电网的分布式电源优化规划方案研究[J]. 电力系统保护与控制， 2014，43（15）：67-72.

[8] KARABOGA D. An idea based on honey bee swarm for numerical optimization [R]. Kayseri： Engineering Faculty Computer Engineering Department， Bath University， 2005.

[9] 胡泽春， 宋永华， 徐智威， 等. 电动汽车接入电网的影响与利用[J]. 中国电机工程学报， 2012，32（4）：1-10，25.

[10] 王振树， 卞绍润， 刘晓宇， 等. 基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究[J]. 电工技术学报， 2014，29（12）：211-217.

[11] North American Electric Reliability Corporation. Special report： potential reliability impacts of emerging flexible resources[R]. America： North American Electric Reliability Corporation （NERC）， 2010：2-6.

[12] NIKNAM T. An efficient multi-objective HBMO algorithm for distribution feeder reconfiguration[J].Expert Syst Appl， 2011，38（3）：2878-2887.

[13] KEHLER J H， HU M. Planning and operational considerations for power system flexibility[C] //Power and Energy Society General Meeting， Detroit， Michigan， IEEE， 2011：1-3.

（编辑 CXM）