配电网中分布式电源规划研究综述

邱坚石，陈 铁

(1.吉林省长春市新区空港经济开发区管委会,吉林 长春 130054；2.国网哈尔滨供电公司,黑龙江 哈尔滨150010)



配电网中分布式电源规划研究综述

邱坚石1，陈 铁2

(1.吉林省长春市新区空港经济开发区管委会,吉林 长春 130054；2.国网哈尔滨供电公司,黑龙江 哈尔滨150010)

首先介绍了目前配电网中分布式电源(distributed generation，DG)规划模型目标函数和约束条件的选取，并将现有的优化算法分为经典数学方法、灵敏度分析方法、启发式算法和混合算法；其次，综述了DG规划过程中不确定因素的建模方法；最后，分析了现有DG规划方法中存在的不足，并对未来研究方向提出了建议。

配电网；分布式电源；规划

分布式电源(distributed generation，DG)可以有效地缓解配电网当前面临的经济、技术和环境问题，因此对DG进行合理的规划对配电网的经济安全运行至关重要。现有的DG包括柴油发电机组、燃气轮机、分布式光伏、分布式风电、燃料电池等[1，2]。

DG的接入会对配电网产生很大的影响：由于DG安装位置距负荷较近，可以减小线路潮流输送压力，避免了城市配电网升级改造困难和投资费用高的问题，减小了系统网络损耗；通过DG向高峰负荷供电，减少配电网针对高峰负荷的额外投资；对于辐射状配电网，沿着馈线潮流方向，电压逐渐降低，通过合理的DG规划，可以对配电网进行无功补偿，改善电压质量；DG和配电网联合协调运行，当系统发生故障时，DG可以继续向重要负荷供电，提高系统可靠性；DG中可再生能源的使用，减少了传统发电过程中环境污染气体的排放。综上所述，DG可以改善配电网运行的经济性、可靠性，减少对环境的污染，但同时DG的大规模接入对配电网的电压、可靠性、继电保护、谐波污染等带来影响，并且其影响程度与DG安装位置和容量密切相关。基于可再生能源的DG，如分布式光伏和风电，其出力具有随机性和波动性，因此容易造成系统电压波动；传统配电网中潮流方向是单向的，即从电源侧流向负荷侧，DG的接入改变了配电网结构，可能出现潮流倒送的情况，影响继电保护装置的正常工作；不合理的DG的接入位置和容量可能引起非同期重合闸，增加停电时间，降低系统的可靠性；由于DG需要通过电力电子器件并入电网，但电力电子开关设备的频繁动作会使大量谐波注入电网，造成谐波污染[1-5]。

本文将对DG规划模型中的目标函数、约束条件和优化算法进行分析，介绍规划过程+-中不确定因素的建模方法，最后针对现有DG规划中存在的不足，提出未来需要重点研究的方向。

1 DG规划的数学模型及优化算法

1.1 DG规划模型

早期DG规划研究中，仅选取网络损耗作为目标函数[3]，缺少对DG接入配电网的多目标特性进行综合考虑，很难满足电力系统实际运行需求。为了满足DG接入配电网后的电压质量要求，文献[6]同时考虑将网损和电压指标作为优化目标。随着传统集中式发电系统对环境污染问题的日益突出，DG的环境效益得到越来越多的关注，文献[7]在构建DG规划模型时，考虑选取污染气体排放量作为目标函数，并对得到的DG接入配电网方案和未接入DG的配电网污染气体排放量进行对比，证明了DG的接入带来良好的环境效益。

同时约束条件的选取对DG规划的合理性具有重要意义。通常选取潮流方程作为规划模型等式约束条件，不等式约束考虑节点电压满足电网最大电压偏差要求、线路传输功率不越限、DG输出功率约束、变电站容量不越限。为了避免DG接入配电网后，产生双向潮流对配电保护装置的影响，文献[8]将支路潮流方向作为约束条件，提高了系统可靠性。

1.2 DG规划模型的优化算法

DG规划是一个复杂的非线性、混合整数、多目标优化问题，很难找到相应的Pareto最优解集。现有DG规划问题的优化算法可以分为经典数学方法、灵敏度分析方法、启发式算法和混合算法。

(1)经典数学方法：用于解决DG规划问题的经典数学优化算法主要包括二次规划方法、线性规划和非线性规划方法。但是这些方法存在计算量大、灵活性不足和“维数灾难”的问题，并且通常需要线性和目标函数连续等先验条件，但实际的DG规划很难满足这些条件。

(2)灵敏度分析方法：通过对各节点进行灵敏度分析，将各节点灵敏度因子按从大到小进行排序，找到最有潜力的DG安装位置。当需要接入DG的配电网存在较多节点时，灵敏度分析方法可以减小安装位置搜索空间，提高优化效率，但该方法只能获得DG最优的安装位置，不能确定DG接入类型和容量。

(3)启发式算法：通常为基于群智能算法的随机优化方法，包括遗传算法、粒子群算法、蚁群算法等。启发式算法对复杂的非线性优化问题具有良好的解决能力和鲁棒性，但具有容易陷入局部最优的缺陷。

(4)混合算法：首先通过灵敏度分析方法找到最优的DG安装位置，然后利用经典方法或启发式优化算法确定DG的容量，提高了优化效率，避免了处理混合整数优化问题，但不能同时确定最优的DG接入位置和容量。

文献[9]以网损和能源成本作为目标函数，通过序贯二次规划方法对DG规划模型进行求解。实验结果证明文中所提方法可以有效提高配电网运行的经济性。文献[10]以改善电压分布和减小网络损耗为目标函数，并通过计算各节点电压稳定指标的灵敏度指数来确定最佳的DG安装位置。通过开展对比实验证明，与选取功率稳定指标和网损敏感指标作为灵敏度因子相比，文中所提方法能获得更好的DG规划方案。文献[11]综合考虑网络损耗、能源成本、电压稳定性和污染气体排放量作为目标函数建立规划模型，通过蚁群算法和人工蜂群算法确定多类型DG的安装位置和容量。由于蚁群算法和人工蜂群算法分别对离散问题和连续问题具有良好的寻优效果，因此，首先，采用蚁群算法找到DG的最佳接入位置，然后，采用人工蜂群算法确定DG的最优安装容量。文献[12]以减小网损和提高节点电压质量作为目标函数，首先，通过灵敏度分析方法找到合理的DG安装节点，然后通过粒子群算法确定DG的安装容量。

2 DG规划中不确定因素的建模

间歇性DG主要包括分布式光伏和风电，由于其输出功率分别受太阳辐照和风速等外界气象因素的影响很大，因此其出力具有很强的随机性。同时由于负荷预测误差的存在和用户用电行为的随机性导致配电网中负荷的不确定性。为了得到合理的DG规划方案，需要在实际规划过程中考虑间歇性DG出力和负荷的不确定性。针对不确定因素建模的常用方法有模糊方法、概率模型和典型场景规划方法等。文献[13]根据模糊理论，用三角模糊数对负荷和DG出力进行了描述。通过对IEEE33节点系统开展实验，证明了在考虑未来负荷增长趋势的情况下，在DG规划中对不确定因素建立模糊模型的有效性。文献[14]分别建立Weibull分布、Beta分布和正态分布概率模型对风速、太阳光照强度和负荷的不确定性进行描述。文献[15]以网络损耗和系统可靠性作为优化目标，通过对历史气象数据和负荷特性进行分析，建立典型的配电网运行场景。基于一系列场景的组合，构建合理的数学模型进行DG选址定容规划。

3 DG规划未来研究方向

本文在分析了现有DG规划方法存在不足的基础上，对未来研究需要考虑的方向进行综述。

(1)虽然现有研究提出了大量的DG规划模型优化算法，但它们大都存在优化效率不足和容易陷入局部最优的缺陷，因此，需要提出更加有效的优化算法对DG规划问题进行求解。

(2)构建DG规划数学模型时，目标函数的选取需要同时从经济、技术和环境的角度进行考虑，但是现有研究在建立目标函数时缺少对以上因素的综合考虑。

(3)现有研究在构建DG规划模型时，缺少对相关的技术、经济、环境和地理约束条件的综合考虑。例如在实际DG规划中，某些特定的母线不允许DG的接入，但大部分研究忽略了对相关约束条件的考虑。

(4)通过DG和储能设备的配合使用，可以向配电网提供更加平稳的功率输出并缓解间歇性DG出力的随机性，但在现有DG规划中缺少对储能系统的分析和使用。

(5)现有研究缺少对分布式光伏、风电和负荷等不确定性因素的建模。为了更加准确地模拟配电网运行过程，需要通过合理的方法对以上不确定因素进行建模，从而得到更加有效的DG规划方案。

(6)现有研究大部分从选址定容角度对DG进行规划，缺少对同一节点不同类型DG接入效果的分析。在未来DG规划研究工作中，需要对接入DG类型、接入位置和容量进行综合考虑。

4 结束语

随着DG渗透率的不断增加，对配电网中的DG进行合理的规划至关重要。本文首先介绍了现有DG规划研究中模型目标函数与约束条件的选取，并对相应的优化算法进行分类；其次，综述了现有文献在规划过程中对间歇性DG出力和负荷不确定因素的建模方法；最后，针对现有规划方法中存在的不足，提出了未来工作需要考虑的研究方向。

[1] A.R.Jordehi.Allocation of distributed generation units in electric power systems：A review[J].Renewable & Sustainable Energy Reviews，2016，56：893-905.

[2] 段双明，郭阳，任俊，等.含分布式电源的低压直流配电网研究综述[J].东北电力大学学报，2015，35(6)：1-7.

[3] 李介夫，王光，李卫国，等.一种利用混合储能系统平抑风光功率波动的控制策略[J].东北电力大学学报，2014，34(5)：32-38.

[4] P.S.Georgilakis，N.D.Hatziargyriou.Optimal distributed generation placement in power distribution networks：Models，Methods，and Future Research[J].IEEE Transactions on Power Systems，2013，28(3)：3420-3428.

[5] 刘波，张焰，杨娜．改进的粒子群优化算法在分布式电源选址和定容中的应用[J]．电工技术学报，2008，23(2)：103-108.

[6] V.Hengsritawat，T.Tayjasanant，N.Nimpitiwan.Optimal sizing of photovoltaic distributed generators in a distribution system with consideration of solar radiation and harmonic distortion[J].International Journal of Electrical Power & Energy Systems，2012，39(1)：36-47.

[7] 栗然，申雪，钟超，等．考虑环境效益的分布式电源多目标规划[J]．电网技术，2014，38(6)：1471-1478.

[8] 章力，高元海，熊宁，等．考虑潮流倒送约束的分布式光伏电站选址定容规划[J]．电力系统自动化，2014，38(17)：43-48．

[9] Y.A.Knirel，Q.Sun，S.N.Senchenkova，et al.Simultaneous capacity optimization of distributed generation and storage in medium voltage microgrids[J].International Journal of Electrical Power & Energy Systems，2015，67(7)：101-113.

[10] V.V.S.N.Murty ，A.Kumar.Optimal placement of DG in radial distribution systems based on new voltage stability index under load growth[J].International Journal of Electrical Power & Energy Systems，2015，69：246-256.

[11] M.Kefayat，A.L.Ara，S.A.N.Niaki.A hybrid of ant colony optimization and artificial bee colony algorithm for probabilistic optimal placement and sizing of distributed energy resources[J].Energy Conversion & Management，2015，92(3)：149-161.

[12] S.Devi，M.Geethanjali.Optimal location and sizing determination of distributed generation and DSTATCOM using particle swarm optimization algorithm[J].International Journal of Electrical Power & Energy Systems，2014，62：562-570.

[13] S.Ganguly，D.Samajpati.Distributed generation allocation on radial distribution networks under uncertainties of load and generation using genetic algorithm[J].IEEE Transactions on Sustainable Energy，2015，6(3)：688-697.

[14] 陈颖．分布式电源接入配电网的选址与定容研究[D]．北京：华北电力大学，2013．

[15] 李亮，唐巍，白牧可，等．考虑时序特性的多目标分布式电源选址定容规划[J].电力系统自动化，2013，37(3)：58-63，128．

Review of Distributed Generation Planning in Distribution Network

Qiu Jianshi1，Chen Tie2

(1.The Management Committee of Changchun Airport Economic Development Area of Changchun New Area,Changchun Jilin 130000；2.State Grid Haerbin City Electric Power Supply Company,Harbin Heilongjiang 150000)

Firstly，the objective functions and the applied constraints of distributed generation (DG) programming model in distribution network are introduced.And the existing optimization algorithms that have been applied to DG planning are divided into classic approaches，sensitivity analysis-based approaches，metaheuristic-based approaches and hybrid approaches.Secondly，the modeling method of uncertain factors in the process of DG planning is reviewed.Finally，the shortcomings of the existing DG planning methods are analyzed，and the suggestions for the future research are provide.

Distribution network；Distributed generation；Planning

2016-12-09

邱坚石(1989-),男,硕士,工程师,主要研究方向:输配电技术.

1005-2992(2017)02-0089-04

TM732

A

电子邮箱： qiujianshi@126.com(邱坚石)；ct5246@sina.com(陈铁)