基于改进粒子群算法的分布式电源并网优化配置方法

张仁和

国网宁夏电力有限公司，宁夏银川，750000

0 引言

在分布式电源的接入作用下，传统配电网的运作模式发生了新的变化，不再是以简单的辐射受电网络作为运行载体，而是更加侧重于复杂的电源网络环境。在实际环境因素的影响下，分布式电源的输出表现出了明显的间歇性和不确定性，并且为了适应实际用电需求总量的变化，发展出了以稳定供电为目标的反调峰特性。通常情况下，配网规划阶段的考虑因素相对单一，对配网内其他资源的利用程度相对较低，受大规模分布式电源的作用，电力系统能够安全运行也成了资源配置的重要前提。

分布式电源并网资源管理是关系到电力系统配电合理性和可靠性的关键，受客观因素影响，用电负荷存在一定的动态特征，波峰和波谷阶段的差异较大，为了适应这种波动，对并网配置进行进一步优化研究是十分必要的。以区间鲁棒控制为基础对配电设备进行协调配置，可以降低储能成本开销，但是对资源的利用程度仍存在提升空间[1]。将改进的FPA算法应用于分布式光伏配电网多目标优化研究中，可以实现对能源的充分利用，但是稳定性依旧存在波动[2]。

因此，本文提出了基于改进粒子群算法的分布式电源并网优化配置方法，并开展了试验和测试，对配置方法的实际应用效果进行分析。

1 分布式电源并网优化配置方法

1.1 构建分布式电源并网优化配置目标函数

受分布式电源属性特征的影响，对其进行配置研究的过程中需要综合考虑不同的参数，为此，本文在进行配置前建立了分布式电源并网优化配置目标函数，并将其当作改进粒子群算法计算的依据。在具体的计算过程中，考虑算法能够适应多投入多产出的相对效率分析，本文采用超效率数据包络分析的方法。

根据分布式电源机组的输入和输出数据，将其输入超效率DEA模型中，并设立了各目标函数的权重系数向量R={r1,r2,…ri}，将其作为超效率DEA模型的决策单元，此时分布式电源并网优化配置目标函数可以表示为：

式中，f（*）表示分布式电源并网优化配置目标函数，xi表示目标函数对应的数据信息，X表示分布式电源机组的总输入数据，ri表示对应xi的权重系数，Ci表示分布式电源机组对应xi的输出数据，Pi表示对应xi的输出功率。

在此模式下，要得到配置优化的最小化目标值和最大化目标值，必须要结合机组的历史输出负荷数据极值和储能系统的允许负荷数据极值。假设配电系统的历史用电负荷峰值为Wmax，波谷值为Wmin，那么分别将其作为超效率DEA模型决策单元输入的阈值范围，在系统电压稳定裕度的限制下，目标函数需要满足：

式中，W（xi）表示目标函数的负荷参数。

用电负荷处于波谷阶段时，储能系统是主要的能量输入阶段。因此，此时应有：

式中，Qmax和Qmin分别表示储能系统允许输入负荷的最大值和最小值，Q（xi）表示目标函数的输入负荷参数。

通过这样的方式，确定改进粒子群算法寻优的范围，为分布式电源并网配置的合理性提供保障。

1.2 改进粒子群算法的配置寻优

在上述基础上，本文采用粒子群算法实现对分布式电源并网配置的寻优计算，但是考虑到其波动性，本文在粒子群算法中引入了萤火虫机制，以此实现对其的改进，提高寻优的效率。

首先，本文将配置参数作为萤火虫，其亮度和吸引度决定粒子的移动方向和单位移动步距。萤火虫的相对荧光亮度可以表示为：

式中，L（xi）代表相对荧光亮度，Lmax表示萤火虫的最大荧光亮度，即最优配置参数对应的荧光亮度值，其具体参数信息为上文1.1部分超效率DEA模型输出的目标函数值，λ表示光强吸收作用，e表示荧光亮度波动变化，dij代表萤火虫i与萤火虫j的间距。

其次就是对萤火虫吸引度的计算，可以表示为：

式中，A（xi）代表萤火虫的吸引度，Amax代表萤火虫的最大吸引度，即最优配置参数对应的吸引度值，同样对应1.1部分超效率DEA模型输出的目标函数值。为了防止粒子群算法在寻找最优的历程中落入部分最优[3]，本文设置了随机扰动值，其取值范围为[0.02,0.05]，在此基础上对分布式电源的并网配置进行寻优。其计算过程如图1所示。

图1 基于改进粒子群的分布式电源的并网配置寻优方法

按照图1所示的方式，首先根据符合约束条件的并网配置参数，对萤火虫的位置进行初始化，在此基础上分别将输出的目标函数作为粒子群算法的寻优目标，求出对应情况下的最优配置参数。计算粒子群算法的寻优参数与萤火虫之间的距离，将亮度和吸引度作为指标，进行趋近计算，直至目标函数的亮度无限接近萤火虫的最大亮度值，将此时的参数作为最终的配置寻优结果。

2 实验分析

为了证明本文提出的基于改进粒子群算法的分布式电源并网优化配置方法的有效性，以实际配电网为基础进行了测试分析。选择基于区间鲁棒控制的配电信息物理双层设备协调配置方法和基于改进FPA算法的含分布式光伏配电网选址定容的多目标优化方法作为对比方法，比较三种方法的应用性能[4]。

2.1 测试环境

本文开展测试的配电系统中，共包含25个节点，并以网络拓扑的形式建立了连接关系。系统配电线路的25个节点中，有19个为负荷节点，对应编号为F01、F02…F19；T节点数量为2个，对应编号为T01、T02；电源点数量为1个，对应编号为D00；末梢节点数量为3个，对应编号为M01、M02、M03。对该配电系统的运行参数进行统计，其首端电压强度为15.0kV，对应机组的初始相位为0，储能装置的额定容量为 100MV·A。受分布式结构的作用，配电系统的可靠性为0.95，可以实现对相关调度管理操作的顺利执行。在该配电系统覆盖的用电范围内，负荷波动表现出了明显的特征，对应的高峰时段为9:00～13:00和18:00～21:00，波谷时段为0:00～5:00。为了适应这种用电变化特征，分布式电源设置了反调峰特性参数，虽然在一定程度上降低了系统供电负荷的波动强度，但是也降低了负荷低谷期的资源利用率，出现了弃风现象，高峰期因供电不足发生的切负荷现象也偶有发生。对配电系统的经济参数进行统计，其中，可平移分布式电源的单位电量成本为0.25元/kW·h，可转移分布式电源的单位电量成本为0.75元/kW·h，灵活分布式电源的单位电量成本为0.80元/kW·h，储能装置储存单位电量的成本为104.50元/年。

在此基础上，分别采用三种方法统计其资源配置效果。考虑到配电系统的主要任务是实现对用电需求的保障，因此本文统计了10个测试日内系统负荷由于供电异常出现切负荷的次数。为了最大限度提高对资源的利用率，对负荷低谷期的弃风量进行统计，以10个测试日的总值作为最终的评价指标[5]。

2.2 测试结果

在上述基础上，统计了三种方法的测试结果。首先，分析了10个测试日内系统负荷由于供电异常在高峰时期出现切负荷的次数。其次，对比三种方法：区间鲁棒控制方法虽然实现了对高峰时期出现切负荷次数的有效控制，但是切负荷总数为26次，日均仍达到2次以上；改进FPA算法的切负荷总数为19次，波动性较强，日最小切负荷次数为1次，最大次数达到了4次，稳定性相对较低；本文所用方法的切负荷总数为2次，仅在测试第5天和第8天各出现1次切负荷，能够实现对峰值用电需求的稳定供电。

在上述基础上，对10个测试日内系统负荷在低谷时期的弃风总量进行统计，其结果见表1。

表1 配电系统弃风总量（kW）

从表1中可以看出，在三种方法中，区间鲁棒控制方法在低谷时期的弃风量最大值达到了156.37kW，最小值也达到了106.85kW，10个测试日弃风总量为1251.79kW；改进FPA算法与之相比有所提升，但测试期间的弃风总量也达到了1104.32kW。观察本文方法的数据结果可以看出，其单日弃风总量基本稳定在50.00kW以内，且测试期间的弃风总量也仅为461.54kW，低于改进FPA算法642.78kW，与区间鲁棒控制方法相比降低了63.13%。测试结果表明，本文设计的分布式电源并网优化配置方法可以提高配电系统对资源的利用率。

3 结语

本文提出基于改进粒子群算法的分布式电源并网优化配置方法，降低了在波峰阶段出现切负荷的次数，同时还能够降低波谷阶段的弃风量，提高了电力系统的运行效果，实现了对资源的有效利用。

由于时间限制，本文方法在实验中仅针对10个测试日的电网切负荷情况进行了测试，虽然当前结果可以满足设计需求，但是还需要更多测试来提高设计方法的科学性与鲁棒性。在接下来的研究中，将进行更多的实验测试，以期为相关电力资源管理部门工作的开展提供技术支持，保障城市用电环境的安全，提高供电质量。