基于改进粒子群算法的智能配电网日内分布式优化调度方法

摘要：当前配电网调度中，约束条件的设定往往采用目标式方法，导致调度覆盖范围受限。为此，文章提出了一种基于改进粒子群算法的智能配电网日内分布式优化调度方法。该方法根据实时调度需求，设定了日内配电网优化调度目标，采用多阶策略，突破传统调度覆盖范围的限制，制定多阶调度约束条件，对基础变量进行优化。在此基础上，文章构建了改进粒子群算法的电网日内分布式优化调度模型，通过反向核验处理机制实现高效优化调度。测试结果显示，该方法在调度后显著降低了线路损耗，具有较高的实用价值。

关键词：改进粒子群算法；智能配电网；日内分布；分布式调度；调度方法；电网控制

中图分类号：TM73" 文献标志码：A

0 引言

智能配电网作为连接能源生产与消费的桥梁，其运行效率和安全性在电力系统运行中至关重要。随着智能配电网的深入发展，分布式电源（如光伏、风电等）的广泛接入，使得配电网的运行环境变得愈发复杂多变。为解决这一问题，研究人员不断探索有效的配电网日内分布式优化调度方法。

梅鹏等^［1］通过云模型模拟不确定性因素，构建了优化调度模型，以实现能源的高效利用和电网的稳定运行。张明^［2］基于智能终端的实时监测数据，通过负载预测和分析，制定了分布式优化调度策略。尽管这些方法在一定程度上达到了预期目标，但在复杂多变的运行环境下，其稳定性和可靠性仍面临挑战，难以满足日益严格的调度要求。鉴于此，本文提出了基于改进粒子群算法的智能配电网日内分布式优化调度方法。

1 设计改进粒子群算法的日内分布式优化调度方法

1.1 设置日内配电网优化调度目标

在日常的优化调度中，首要目标便是实现能源利用效率的最大化^［3］。将当前的可再生能源消纳率控制在预设的标准之内，减少化石能源消耗，以此来进一步降低环境污染和碳排放^［4-5］。本文结合改进粒子群算法，有效寻找最优解。当前先设定基础的目标函数并精准标定分布范围之内的馈线位置。当馈线上分段开关之间存在分布式电源时，本文将这2个区段合并为一个统一区域。然而，若馈线上分支界定开关与尾端线路之间的分布式电源存在不稳定性，则须要进行调度区域的独立划分。在已预设的分区中，本文将优化目标设定为最小化配电网的运行费用。目标函数如公式（1）所示。

min ds=min∑m=1［KXP2+KESSP^ESSA+θm］-Km（1）

其中，min ds为目标函数；KXP2为负荷有功值；KESS为储能装置在放电和充电时的实际调度成本系数；P^ESSA为分区储能装置有功；θ为补偿因数；K为柔性负荷值；m为基础调度频次。

结合当前的分区，本文将实际需要执行的目标设定为最大消纳率，测定单位时段最小分布式可再生能源发电（Distributed Renewable Energy Generation， DREG）削减率，如公式（2）所示。

min f^s=min∑y=1（P-y2L+H）×100%（2）

其中，min f^s为最小DREG削减率；y为削减频率；P为最大消纳率；为初始DREG削减率；L为预设区段；H为最小电压偏差。

依据得出的最小DREG削减率，调整上述计算的目标函数，形成更加符合优化调度的目标，为后续处理奠定基础。

1.2 多阶调度约束条件制定

相较于传统的配电网优化调度约束条件，此次设计的多阶约束条件不仅覆盖范围更广，而且针对性更强，能更有效地实现配电网的调度平衡。其中，电力平衡约束作为最基础的约束条件，要求配电网在任何时刻的电力供应必须严格等于电力需求，以确保电网的稳定运行。设定支路潮流的约束条件，如公式（3）所示。

Wei≤W^e+1i

ia=（a-x）2+W（3）

其中，Wei和W^e+1i分别为支路潮流约束的基础值和实际值；ia为约束范围；a和x分别为最大约束限制值和最小约束限制值；为调度差值。

结合当前的测定结果，本文对每一个调度支路进行细致的调整。为确保调度的有效性和安全性，还须设定严格的容量约束条件。考虑到各分布式能源资源、储能系统以及输电设备均存在容量限制，优化调度过程中必须确保这些设备的工作状态始终在其规定的容量限制范围内。计算容量约束限值，如公式（4）所示。

b=δ2+wσ（1-ξ）2c-τ（4）

其中，b为容量约束限值；δ为配电调度均值；w和σ分别为基础调度区域和调度点；ξ为重复调度区域；c为频率波动；τ为日内电力调度值。

结合容量约束限值，调整配电网的电压、频率等，确保测试的稳定与安全，形成基础的约束条件。

1.3 构建改进粒子群算法电网日内分布式优化调度模型

结合改进粒子群算法，本文构建了电网日内分布式优化调度模型。在复杂的运行背景下，该模型能够结合调度的实时状态，精准输出最优解。基于之前设定的目标函数，利用改进粒子群算法，本文建立了个体最优与群体最优之间的有效联系，设计了模型的优化调度结构，以确保调度的高效性和准确性。设计模型的优化调度结构如图1所示。

在该流程中，计算个体最优与群体最优之间的最优解，如公式（5）所示。

Vqj（t-1）=phestqj-gbestq2+dqj（5）

其中，Vqj（t-1）为调度最优解；phestqj和gbestq分别为基础调度区域和实际调度区域；dqj为调度均值。针对模型输出结果，本文进行了多周期对比分析。具体而言，将配电网合理划分为多个子区域，每个子区域作为一个独立的优化单元进行并行优化。随后，通过协调机制整合各子区域的优化结果，实现全局最优处理，确保基础性调度的有效实施。利用改进粒子群算法计算调度优化核验最大差，如公式（6）所示。

Y=2-（1+I）（6）

其中，Y为调度优化核验最大差；为实际负荷值；I为核验均值。

为确保优化调度方案的经济性和可行性，本文设定了基于计算得出的调度优化核验最大差为核验标准。通过模拟实验，验证该方案是否满足电力系统的物理约束和技术限制，进而确认优化调度方案的经济可行性。

2 方法测试

2.1 测试准备

选定A配电网供电区域，划分为6个独立单元测试区域。在区域内，部署边缘节点和高位核心节点，核心节点控制边缘节点并汇总数据。结合实际需求，设定辅助测试指标及参数标准如表1所示。

2.2 测试过程与结果分析

测定出优化调度过程中的线路损耗值如图2所示。从图2可以看到，随着优化调度策略的实施，线路损耗呈现一个显著下降的趋势。这不仅验证了改进粒子群算法在智能配电网优化调度中的有效性，还进一步表明了多阶调度约束条件的合理设定对于降低线路损耗、提升电网运行效率的重要性。具体而言，优化调度过程中，系统通过实时调整各分布式电源的输出功率和电网结构，使得能量流动更加合理，减少不必要的能量损失。此外，算法的高效性和稳定性也为持续降低线路损耗提供了有力保障。综上所述，该优化调度方法在实现节能减排、提高电网经济效益方面展现出了实际应用价值。

3 结语

本文对基于改进粒子群算法的智能配电网日内分布式优化调度方法进行探索，结合局部搜索和自适 应日内引导调度，强化调度标准，提升可控性与稳定性。改进后的粒子群算法有效克服了传统方法的不足，提高了求解效率和全局优化能力，为应对复杂电网环境，构建安全、高效、绿色的电力系统作出贡献。

参考文献

［1］梅鹏，林志贤，李腾飞.基于云模型的含分布式光伏配电网双层优化调度方法［J］.无线电工程，2023（9）：2158-2164.

［2］张明.基于负载均衡的主动配电网分布式优化调度方法［J］.电器工业，2022（12）：27-30，43.

［3］闫丽梅，曾家威，徐建军，等.含电动汽车和光伏的配电网演化动态博弈调度策略［J］.太阳能学报，2024（5）：316-323.

［4］李扬，胡兆华.跨区域协同指挥下的配电网分布式目标优化调度方法［J］.微型电脑应用，2023（8）：146-148，152.

［5］孙景涛，许晓阳，张鑫，等.一种基于混合整数线性规划的交直流混联配电网多层优化调度方法［J］.广东电力，2023（1）：35-47.

（编辑 王雪芬编辑）

Optimal intra-day distributed dispatching method of intelligent distribution network

based on improved particle swarm algorithm

LI" Xiye

（State Grid Wuxiang County Electric Power Supply Company， Wuxiang 046300， China）

Abstract：" In current distribution network scheduling， the setting of constraint conditions often adopts a goal based approach， resulting in limited scheduling coverage. Therefore， this article proposes an intelligent distribution network intraday distributed optimization scheduling method based on improved particle swarm optimization algorithm. This method sets the goal of optimizing the daily distribution network scheduling based on real-time scheduling needs， and adopts a multi-level strategy to breakthrough the limitations of traditional scheduling coverage. It formulates multi-level scheduling constraints and optimizes the basic variables. On this basis， an improved particle swarm optimization algorithm based intraday distributed optimization scheduling model for power grids was constructed， and efficient optimization scheduling was achieved through reverse verification processing mechanism. The test results show that this method significantly reduces line losses after scheduling and has high practical value.

Key words： improved particle swarm algorithm; intelligent distribution network; intra-day distribution; distributed dispatching; dispatching method; power grid control