關(guān)添升，王琦，劉赫，鄭媛，李德鑫，劉亞東，潘超

(1.國網(wǎng)吉林省電力有限公司培訓(xùn)中心，長春市 130062；2.中國電力工程顧問集團(tuán)東北電力設(shè)計(jì)院有限公司，長春市 130021；3.國網(wǎng)吉林省電力有限公司電力科學(xué)研究院，長春市 130021；4.吉林工程職業(yè)學(xué)院，吉林省四平市 136001；5.東北電力大學(xué)電氣工程學(xué)院，吉林省吉林市 132012)

基于改進(jìn)果蠅優(yōu)化算法的分布式電源優(yōu)化配置

關(guān)添升1，王琦2，劉赫3，鄭媛4，李德鑫3，劉亞東3，潘超5

(1.國網(wǎng)吉林省電力有限公司培訓(xùn)中心，長春市 130062；2.中國電力工程顧問集團(tuán)東北電力設(shè)計(jì)院有限公司，長春市 130021；3.國網(wǎng)吉林省電力有限公司電力科學(xué)研究院，長春市 130021；4.吉林工程職業(yè)學(xué)院，吉林省四平市 136001；5.東北電力大學(xué)電氣工程學(xué)院，吉林省吉林市 132012)

研究分布式電源(distributed generation，DG)接入配電網(wǎng)的優(yōu)化配置問題，基于模糊隸屬度技術(shù)建立綜合考慮投資效益、電壓指標(biāo)和網(wǎng)損的多目標(biāo)優(yōu)化配置模型，有效解決了因各子目標(biāo)數(shù)量級不同而導(dǎo)致的過度優(yōu)化問題。對一種新穎的仿生智能算法——果蠅優(yōu)化算法(fruit fly optimization algorithm，F(xiàn)OA)進(jìn)行改進(jìn)，效仿細(xì)菌在覓食過程中的趨化思想，在算法尋優(yōu)過程中引入吸引和排斥操作，有效提高了種群多樣性，降低了算法陷入局部最優(yōu)的可能。IEEE 33節(jié)點(diǎn)系統(tǒng)的仿真結(jié)果表明，與傳統(tǒng)果蠅優(yōu)化算法和粒子群優(yōu)化算法(particle swarm optimization，PSO)相比，改進(jìn)果蠅優(yōu)化算法(improved fruit fly optimization algorithm，IFOA)在尋優(yōu)速度和求解精度上都具有較大優(yōu)勢，能快速、有效地搜索到最優(yōu)配置方案，從而驗(yàn)證了改進(jìn)算法的有效性與合理性。

改進(jìn)果蠅優(yōu)化算法(IFOA)；配電網(wǎng)；分布式電源(DG)；多目標(biāo)優(yōu)化；綜合隸屬度

0 引 言

分布式電源(distributed generation，DG)作為未來能源戰(zhàn)略結(jié)構(gòu)的重要組成部分，以低污染、安裝方式靈活多變和便于維護(hù)等優(yōu)點(diǎn)獲得了國內(nèi)外的廣泛關(guān)注，并得到了迅速的發(fā)展[1]。但大規(guī)模DG接入配電網(wǎng)，對配電網(wǎng)的規(guī)劃、運(yùn)行和保護(hù)提出了更高的要求和挑戰(zhàn)[2-4]。DG的合理優(yōu)化配置將有助于降低網(wǎng)絡(luò)損耗、改善電壓質(zhì)量和提高系統(tǒng)負(fù)荷率；若配置不合理將適得其反，甚至?xí)霈F(xiàn)電壓質(zhì)量惡化、功率倒流、系統(tǒng)安全性降低等一系列問題[5-6]。因此，研究DG在配電網(wǎng)中的優(yōu)化配置問題具有重要的理論價(jià)值和現(xiàn)實(shí)意義。

含DG的配電網(wǎng)優(yōu)化配置問題已成國內(nèi)外的研究熱點(diǎn)，目前已取得了一定的進(jìn)展。文獻(xiàn)[7]建立了有功網(wǎng)損最優(yōu)的DG單目標(biāo)規(guī)劃模型，將電壓約束以罰函數(shù)的形式納入目標(biāo)函數(shù)，采用改進(jìn)粒子群算法對模型求解，但未考慮DG投資效益對規(guī)劃結(jié)果的影響。文獻(xiàn)[8]建立了綜合考慮DG單位投資效益和其接入后改善電網(wǎng)收益的多目標(biāo)規(guī)劃模型，采用改進(jìn)非劣解排序遺傳算法對問題求解，尋找發(fā)電企業(yè)和供電公司利益均衡的規(guī)劃方案，但僅從經(jīng)濟(jì)性的角度考慮DG優(yōu)化配置問題并不全面。文獻(xiàn)[9]從線路升級費(fèi)用、供電可靠性和網(wǎng)損的角度建立了DG多目標(biāo)規(guī)劃模型，采用線性權(quán)重法將多目標(biāo)轉(zhuǎn)化為單目標(biāo)處理，雖然降低了求解難度，但由于各指標(biāo)的數(shù)量級相差較大，不同權(quán)重系數(shù)對優(yōu)化結(jié)果的影響并不明顯，不能真實(shí)反映決策者對各指標(biāo)的側(cè)重程度。文獻(xiàn)[10]采用果蠅優(yōu)化算法(fruit fly optimization algorithm，F(xiàn)OA)對配電網(wǎng)中變電站規(guī)劃模型進(jìn)行求解，但算法在求解過程中易出現(xiàn)收斂精度低、尋優(yōu)速度慢和早熟收斂等問題。

目前關(guān)于果蠅優(yōu)化算法的改進(jìn)研究仍處于起步階段，并且還沒有關(guān)于將果蠅優(yōu)化算法應(yīng)用于求解DG優(yōu)化配置問題的相關(guān)研究。

針對以上問題，從DG投資效益、電壓指標(biāo)和網(wǎng)損的角度出發(fā)，采用模糊隸屬度處理技術(shù)，建立配電網(wǎng)多目標(biāo)模糊規(guī)劃模型。將細(xì)菌趨化思想中的吸引和排斥操作引入果蠅優(yōu)化算法，提出一種改進(jìn)的果蠅優(yōu)化算法(improved fruit fly optimization algorithm，IFOA)，并首次將其應(yīng)用于求解DG優(yōu)化配置問題。算例仿真結(jié)果表明，與粒子群優(yōu)化算法(particle swarm optimization，PSO)和果蠅優(yōu)化算法相比，改進(jìn)的果蠅優(yōu)化算法在求解精度和尋優(yōu)速度上優(yōu)勢明顯。

1 含DG的多目標(biāo)模糊規(guī)劃數(shù)學(xué)模型

1.1 目標(biāo)函數(shù)

1.1.1 DG投資效益

單位DG投資所獲得的年收益為[8]

(1)

式中：CTPF為DG并網(wǎng)后折算到每年的收益，包括DG的賣電收益和國家政策補(bǔ)貼；CINV為DG投資折算到每年的投資成本，包括占地費(fèi)用、安裝費(fèi)用和運(yùn)行維護(hù)費(fèi)用等。

(2)

(3)

1.1.2 電壓指標(biāo)

電壓指標(biāo)包括支路電壓穩(wěn)定性指標(biāo)和節(jié)點(diǎn)電壓偏移指標(biāo)。支路電壓穩(wěn)定性指標(biāo)為所有支路電壓穩(wěn)定指數(shù)之和，描述的是所有支路的電壓穩(wěn)定性[11]。電壓偏移指標(biāo)為所有節(jié)點(diǎn)電壓與基準(zhǔn)電壓差之和，反映的是整體節(jié)點(diǎn)電壓的偏移程度。這2個(gè)指標(biāo)能充分衡量配電網(wǎng)電壓質(zhì)量。

(4)

(5)式中：UVSI為支路電壓穩(wěn)定性指標(biāo)；UVDI為電壓偏移指標(biāo)；N為網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)；T為網(wǎng)絡(luò)負(fù)荷節(jié)點(diǎn)數(shù)；Pj、Qj分別為節(jié)點(diǎn)j的有功負(fù)荷和無功負(fù)荷；Rij、Xij分別為ij支路的電阻和電抗；Ui為節(jié)點(diǎn)i的電壓幅值；Urate為基準(zhǔn)電壓值。

綜合考慮節(jié)點(diǎn)電壓偏移和支路電壓穩(wěn)定性的電壓評價(jià)指標(biāo)為[12]

U=α1UVSI+α2UVDI

(6)

式中：α1和α2分別為UVSI和UVDI的權(quán)重系數(shù)，取值均為0.5。

1.1.3 網(wǎng)損

網(wǎng)損是評價(jià)配電網(wǎng)經(jīng)濟(jì)運(yùn)行的重要指標(biāo)，DG的合理優(yōu)化配置能有效降低網(wǎng)損，網(wǎng)損表達(dá)式為

(7)

式中：Yij為ij支路的導(dǎo)納；θij為支路ij的阻抗角；δij為節(jié)點(diǎn)i、j的電壓相角差。

1.2 隸屬度函數(shù)

考慮不同目標(biāo)函數(shù)間的數(shù)量級不同，為避免過度優(yōu)化某一指標(biāo)，采用線性函數(shù)表示各子目標(biāo)的隸屬度函數(shù)，將其加權(quán)求和作為最終優(yōu)化目標(biāo)函數(shù)。

(8)

(9)

(10)

式中：λ1、λ2、λ3分別為DG投資效益、電壓指標(biāo)和網(wǎng)損的隸屬度；Cpsc,max、Cpsc,min分別為單獨(dú)優(yōu)化DG投資效益時(shí)的最大值與最小值；Umax、Umin分別為單獨(dú)優(yōu)化電壓指標(biāo)時(shí)的最大值與最小值；Ploss,max、Ploss,min分別為單獨(dú)優(yōu)化網(wǎng)損時(shí)的最大值與最小值。

由上述分析，采用模糊隸屬度技術(shù)將多目標(biāo)規(guī)劃問題轉(zhuǎn)化為單目標(biāo)規(guī)劃問題處理，具體為

maxF=aλ1+bλ2+cλ3

(11)

式中：F為綜合隸屬度，其值越大表示規(guī)劃方案越優(yōu)；a、b、c分別為λ1、λ2、λ3的權(quán)重系數(shù)，取值均為1/3。

1.3 約束條件

DG多目標(biāo)優(yōu)化配置的等式約束條件和不等式約束條件為

(12)

式中：PDGi和QDGi分別為節(jié)點(diǎn)i處DG注入的有功功率和無功功率；Gij和Bij分別為ij支路的電導(dǎo)和電納；ei和fi分別為節(jié)點(diǎn)i電壓的實(shí)部和虛部；Ui,max、Ui,min分別為節(jié)點(diǎn)i電壓允許的最大值和最小值；δ為DG滲透率極限系數(shù)；NDG為DG安裝節(jié)點(diǎn)集合；SDGi和SDGi,max分別為節(jié)點(diǎn)i處DG安裝容量及其最大值；Iij和Iij,max分別為支路ij的電流和允許電流的最大值。

2 DG多目標(biāo)配置求解算法

2.1 果蠅優(yōu)化算法

果蠅優(yōu)化算法[13]是通過效仿果蠅覓食行為而提出一種新穎的仿生智能算法。果蠅具有靈敏的感知器官，尤其是嗅覺和視覺。果蠅在覓食過程中，首先通過嗅覺搜集漂浮在空氣中的食物氣味，可探知數(shù)十公里外的食物源，然后向該區(qū)域飛行，再通過視覺尋找食物和伙伴聚集的位置進(jìn)而確定最終的食物位置。

根據(jù)果蠅搜索食物的特征，果蠅優(yōu)化算法的實(shí)現(xiàn)步驟可以歸納為：

(1)設(shè)置種群規(guī)模Mpop和最大迭代次數(shù)nmax，在可行域范圍內(nèi)隨機(jī)初始化群體位置Xaxis和Yaxis。

(2)計(jì)算果蠅個(gè)體搜索的隨機(jī)方向和距離。

(13)

式中：Xi、Yi為果蠅i的位置；Drandvalue為隨機(jī)搜索距離。

(3)由于食物位置為待求量，首先估計(jì)果蠅個(gè)體與原點(diǎn)的距離Dist,i，然后計(jì)算個(gè)體的氣味濃度判定值ci。

(14)

(4)將每一個(gè)體氣味濃度判定值代入氣味濃度函數(shù)(或稱目標(biāo)函數(shù))，計(jì)算得到當(dāng)前個(gè)體的氣味濃度值csmell。

csmell,i=f(ci)

(15)

(5)對果蠅個(gè)體氣味濃度值排序，找到氣味濃度最佳的個(gè)體(適用于求解極小值問題)。

[csmell,best,cindex,best]=min(csmell,i)

(16)

式中：csmell,best為當(dāng)代最佳味道濃度值；cindex,best為當(dāng)代最優(yōu)個(gè)體位置索引。

(6)記錄并保存最佳氣味濃度值和群體位置。

(17)

式中：csmell,history為歷史最佳味道濃度值。

(7)進(jìn)入迭代尋優(yōu)，重復(fù)進(jìn)行步驟(1)—(5)，并判斷當(dāng)前迭代次數(shù)是否小于最大迭代次數(shù)且每次迭代最佳氣味濃度值是否優(yōu)于上次最佳味道濃度值，若是，進(jìn)行步驟(6)。

2.2 改進(jìn)果蠅優(yōu)化算法

果蠅優(yōu)化算法在尋優(yōu)過程中僅追蹤當(dāng)代最優(yōu)個(gè)體實(shí)現(xiàn)群體位置的更新，即一旦發(fā)現(xiàn)最優(yōu)個(gè)體位置，所有果蠅都將向該位置飛行。這種搜索方式不僅使種群過于擁擠，降低了種群多樣性，同時(shí)也縮小了可行域的搜索空間，并且若該個(gè)體并非全局最優(yōu)時(shí)，很容易使算法陷入局部最優(yōu)，早熟收斂。針對這一問題，本文效仿細(xì)菌在覓食過程中的趨化思想[14]，將排斥(遠(yuǎn)離驅(qū)除劑)和吸引(靠近引誘劑)操作引入果蠅優(yōu)化算法尋優(yōu)過程中，根據(jù)氣味濃度值的方差判斷果蠅是執(zhí)行排斥操作，還是執(zhí)行吸引操作，動態(tài)調(diào)整群體位置更新策略，以提高種群多樣性，降低算法陷入局部最優(yōu)的可能。

改進(jìn)果蠅優(yōu)化算法的求解步驟如下：

(1)設(shè)置種群規(guī)模Mpop和最大迭代次數(shù)nmax，在可行域范圍內(nèi)隨機(jī)初始化群體位置Xaxis和Yaxis。

(2)按公式(13)對果蠅位置初始化，按公式(14)—(15)計(jì)算果蠅個(gè)體的氣味濃度值判定值及氣味濃度值。

(3)按式(18)記錄并保存最佳和最差味道濃度值和其位置。

(18)

式中：Xb、Yb分別為當(dāng)代最優(yōu)個(gè)體位置；csmell,worst、csmell,history分別為當(dāng)代和歷史最差味道濃度值；cindex,worst為當(dāng)代最差個(gè)體位置索引；Xw、Yw為當(dāng)代最差個(gè)體位置。

(4)按式(19)和式(20)計(jì)算種群氣味濃度平均值csmell,avg及方差σ2。

(19)

(20)

(5)給定方差閥值δ，若σ2≤δ，則執(zhí)行排斥操作，按式(21)更新群體位置；若σ2>δ，則執(zhí)行吸引操作，按式(22)更新群體位置。

(21)

(22)

(6)進(jìn)入迭代尋優(yōu)，重復(fù)執(zhí)行步驟(2)—(3)，并判斷當(dāng)前迭代次數(shù)是否小于最大迭代次數(shù)且每次迭代最佳味道濃度值是否優(yōu)于上次最佳味道濃度值，若是，進(jìn)行步驟(4)—(6)。

基于細(xì)菌趨化思想的果蠅位置更新策略，有效解決了傳統(tǒng)FOA僅向最優(yōu)個(gè)體靠近所引起的種群多樣性降低和早熟收斂的問題。采用改進(jìn)果蠅優(yōu)化算法對DG多目標(biāo)模糊規(guī)劃模型進(jìn)行求解，其求解流程如圖1所示。

圖1 基于IFOA的DG多目標(biāo)模糊規(guī)劃求解流程Fig.1 Solution process of DG multi-objective fuzzy programming based on IFOA

3 算例分析

基于Matlab仿真軟件平臺，采用IEEE 33節(jié)點(diǎn)配電網(wǎng)系統(tǒng)作為仿真算例，其中系統(tǒng)總有功負(fù)荷為 3 715 kW，總無功負(fù)荷為2 300 kvar，基準(zhǔn)電壓為 12.66 kV，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示，系統(tǒng)詳細(xì)參數(shù)見文獻(xiàn)[15]。

圖2 IEEE 33節(jié)點(diǎn)配電網(wǎng)拓?fù)鋱DFig.2 Topology of IEEE 33 node distribution network

DG類型包括風(fēng)電(wind turbine，WT)、光伏(photovoltaic，PV)、微型燃料汽輪機(jī)(micro-turbine，MT)和燃料電池(fuel cell，F(xiàn)C)，將接入配電網(wǎng)的DG當(dāng)作負(fù)的PQ節(jié)點(diǎn)處理，DG投資運(yùn)行參數(shù)詳見表1。DG待安裝位置分別為：MT待安裝位置為13號節(jié)點(diǎn)；PV待安裝位置為18號節(jié)點(diǎn)；FC待安裝位置為21號節(jié)點(diǎn)；WT待安裝位置為33號節(jié)點(diǎn)。假定4種類型DG的功率因數(shù)恒定均為0.9，DG總出力不超過系統(tǒng)負(fù)荷的30%，單位安裝容量均為10 kW。算法參數(shù)設(shè)置：果蠅種群規(guī)模為Mpop=40；最大迭代次數(shù)為nmax=200；方差閥值δ=0.000 1；果蠅群體位置隨機(jī)初始化區(qū)間為[0，100]；果蠅個(gè)體隨機(jī)搜索方向和距離為[-10，10]。

表1 DG投資運(yùn)行參數(shù)

Table 1 Investment operation parameters of DG

為驗(yàn)證IFOA在求解此類問題的有效性，分別采用IFOA、FOA和PSO進(jìn)行優(yōu)化計(jì)算。其中FOA參數(shù)設(shè)置與本文一致，PSO參數(shù)設(shè)置見文獻(xiàn)[16]。圖3為3種智能算法的收斂曲線。由圖3可知，IFOA和PSO收斂速度相同，均在迭代60次左右收斂，但其求解精度卻遠(yuǎn)不如IFOA；FOA收斂速度最差，在迭代150次左右才收斂，其求解精度優(yōu)于PSO，但不如IFOA。綜上分析可知，IFOA在收斂速度和求解精度方面都優(yōu)于FOA和PSO，同時(shí)也說明了采用IFOA進(jìn)行DG優(yōu)化配置計(jì)算的可行性。

表2為不同優(yōu)化方法求解得到的DG最優(yōu)配置情況。從表2數(shù)據(jù)可知，3種智能算法中IFOA的降損效果和電壓指標(biāo)最好，分別較未優(yōu)化前降低了57.5%和41.6%，但其投資效益卻是最差的。結(jié)合圖3分析可知，雖然IFOA優(yōu)化計(jì)算得到的3個(gè)子目標(biāo)并非都是最優(yōu)，但其綜合隸屬度明顯優(yōu)于其余2種算法。同時(shí)可得，配電網(wǎng)的電壓質(zhì)量和網(wǎng)損的改善是以損害DG投資效益為代價(jià)的，即3個(gè)子目標(biāo)存在競爭關(guān)系。因此，在對DG進(jìn)行優(yōu)化配置時(shí)，應(yīng)綜合衡量各指標(biāo)的重要程度。本文建立的多目標(biāo)模糊規(guī)劃模型，能合理協(xié)調(diào)各子目標(biāo)間的關(guān)系，更加直觀地反映各規(guī)劃方案的優(yōu)劣。

圖3 不同優(yōu)化方法的收斂曲線Fig.3 Convergence curve of different optimization methods

表2 不同優(yōu)化方法的DG優(yōu)化配置情況

Table 2 Optimal allocation of DG with different methods

圖4為不同優(yōu)化算法得到的電壓曲線。從圖4可知，采用IFOA、FOA和PSO 3種算法進(jìn)行DG優(yōu)化后的電壓曲線都得到了顯著改善，其中采用IFOA優(yōu)化的電壓曲線最為理想。未優(yōu)化前系統(tǒng)最低電壓為0.903 8 pu，平均電壓為0.945 4 pu。而經(jīng)IFOA優(yōu)化得到的最低電壓為0.936 0 pu，平均電壓為0.971 8 pu，最低電壓和平均電壓較優(yōu)化前分別提高了0.032 2 pu和0.026 4 pu。綜上分析可知，DG合理優(yōu)化配置不僅能有效降低網(wǎng)損，也能改善電壓質(zhì)量，提高配電網(wǎng)供電可靠性。

圖4 不同優(yōu)化方法的電壓曲線Fig.4 Voltage curve of different optimization methods

4 結(jié) 論

(1)從經(jīng)濟(jì)效益、網(wǎng)損和電壓質(zhì)量等多角度評價(jià)DG優(yōu)化配置的可行性，使得到的規(guī)劃方案更具說服力。應(yīng)用模糊技術(shù)建模，克服了由于各子目標(biāo)數(shù)量級不同所帶來的過度優(yōu)化問題，方便決策者更加直觀地評價(jià)各規(guī)劃方案的優(yōu)劣。

(2)改進(jìn)的果蠅優(yōu)化算法將吸引和排斥操作引入算法尋優(yōu)過程中，根據(jù)當(dāng)前環(huán)境信息動態(tài)調(diào)整群體位置更新策略，提高了種群多樣性，有效降低了算法陷入局部最優(yōu)的可能性。

[1]丁明，石雪梅. 新能源接入主動配電網(wǎng)的影響[J].電力建設(shè)，2015，36(1)：76-84. DING Ming, SHI Xuemei. Effective of new energy paralleling to the active distribution networks [J]. Electric Power Construction, 2015, 36(1): 76-84.

[2]劉健，張志華，黃煒，等.分布式電源接入對配電網(wǎng)故障及電壓質(zhì)量的影響分析[J].電力建設(shè)，2015，36(1)：115-121. LIU Jian, ZHANG Zhihua, HUANG Wei, et al. Influence of distributed generation on fault location and voltage quality of distribution network[J]. Electric Power Construction, 2015, 36(1): 115-121.

[3]陳海東，莊平，夏建礦，等.基于改進(jìn)螢火蟲算法的分布式電源優(yōu)化配置[J].電力系統(tǒng)保護(hù)與控制，2016，44(1): 149-154. CHEN Haidong, ZHUANG Ping, XIA Jiankuang, et al. Optimal power flow of distribution network with distributed generation based on modified firefly algorithm [J]. Power System Protection and Control, 2016, 44(1): 149-154.

[4]蘆晶晶，趙淵，趙勇帥，等.含分布式電源配電網(wǎng)可靠性評估的點(diǎn)估計(jì)法[J].電網(wǎng)技術(shù)，2013，37(8)：2250-2257. LU Jingjing, ZHAO Yuan, ZHAO Yongshuai, et al. A pointestimation method for reliability evaluation of distribution network with distributed generation [J]. Power System Technology, 2013, 37(8): 2250-2257.

[5]孫建龍，吳鎖平，陳燕超.基于改進(jìn)NSGA2算法的配電網(wǎng)分布式電源優(yōu)化配置[J].電力建設(shè)，2014，35(2)：86-90. SUN Jianlong, WU Suoping, CHEN Yanchao. Optimal configuration of distributed generation in distribution network based on improved NSGA2[J]. Electric Power Construction, 2014, 35(2): 86-90.

[6]GOLSHAN M E H, AREFIFAR S A. Distributed generation, reactive sources and network-configuration planning for power and energy-loss reduction[J]. IEE Proceedings-Generation, Transmission and Distribution, 2006, 153(2): 127-136.

[7]朱勇，楊京燕，張冬清.基于有功網(wǎng)損最優(yōu)的分布式電源規(guī)劃[J].電力系統(tǒng)保護(hù)與控制，2011，39(21)：12-16. ZHU Yong, YANG Jingyan, ZHANG Dongqing. Planning of distributed generation based on optimal real power losses [J]. Power System Protection and Control, 2011, 39(21): 12-16.

[8]張立梅，唐巍，王少林，等.綜合考慮配電公司及獨(dú)立發(fā)電商利益的分布式電源規(guī)劃[J].電力系統(tǒng)自動化，2011，35(4)：23-28. ZHANG Limei, TANG Wei, WANG Shaolin, el al. Distributed generators planning considering benefits for distribution power company and independent power suppliers [J]. Automation of Electric Power Systems, 2011, 35(4): 23-28.

[9]SHAABAN M F, ATWA Y M, EI-SAADANY E F. DG allocation for benefit maximization in distribution networks [J]. IEEE Transactions on Power Systems, 2013, 28(2): 639-649.

[10]彭文，杜曉東，石敏.基于負(fù)荷區(qū)域劃分的配電變電站規(guī)劃模型[J].電力自動化設(shè)備，2015，35(1)：112-117. PENG Wen, DU Xiaodong, SHI Min. Distribution substation planning model based on load region division [J]. Electric Power Automation Equipment, 2015, 35(1): 112-117.

[11]CHAKRAVOTRY M，DAS D. Voltage stability analysis of radial distribution networks [J]. International Journal of Electrical Power & Energy Systems, 2001, 23(2): 129:135.

[12]栗然，馬慧卓，祝晉堯，等.分布式電源接入配電網(wǎng)多目標(biāo)優(yōu)化規(guī)劃[J].電力自動化設(shè)備，2014，34(1)：6-13. LI Ran, MA Huizhuo, ZHU Jinrao, et al. Multi-objective optimization for DG integration into distribution system[J]. Electric Power Automation Equipment, 2014, 34(1): 6-13.

[13]PAN W T. A new fruit fly optimization algorithm: taking the financial distress model as an example [J]. Knowledge-Based Systems, 2012, 26: 69-74.

[14]CHO J H, PARK J I, JEONG J S, et al. Bacterial foraging with quorum sensing based optimization algorithm[C] //Fuzzy Systems, 2009. FUZZ-IEEE 2009. IEEE International Conference on. IEEE, 2009: 29-34.

[15]AMAN M M, JASMON G B, BAKAR A H A, et al. A new approach for optimum simultaneous multi-DG distributed generation Units placement and sizing based on maximization of system loadability using HPSO (hybrid particle swarm optimization) algorithm [J]. Energy, 2014, 66: 202-215.

[16]吳凱，周西峰，郭前崗.基于粒子群神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法研究[J].電測與儀表，2013，50(3)：29-32. WU Kai, ZHOU Xifeng, GUO Qiangang. Study of load forecasting method based on particle swarm optimization neural network[J]. Electrical Measurement & Instrumentation, 2013, 50(3): 29-32.

(編輯 景賀峰)

Optimal Configuration of Distributed Generation Based on Improved Fruit Fly Optimization Algorithm

GUAN Tiansheng1, WANG Qi2, LIU He3,ZHENG Yuan4, LI Dexin3, LIU Yadong3, PAN Chao5

(1.Training Centre of State Grid Jilinsheng Electric Power Supply Company, Changchun 130062, China;2. China Power Engineering Consulting Group Northeast Electric Power Design Institute Co., Ltd., Changchun 130021, China; 3. Electric Power Research Institute, State Grid Jilinsheng Electric Power Supply Company,Changchun 130021, China; 4. Jilin Engineering Vocational College, Siping 136001, Jinlin Province, China;5. School of Electrical Engineering, Northeast Dianli University, Jilin 132012, Jilin Province, China)

This paper researches the optimal allocation problem of distributed generation (DG) in distribution network, and establishes a multi-objective optimal configuration considering investment benefit, voltage quality and power loss comprehensively based on fuzzy membership technique, which can effectively solve the excessive optimization problem caused by different magnitude of targets. We improve a new bionic intelligent algorithm-fruit fly optimization algorithm (FOA) and introduce the operation of attraction and repulsion into the algorithm optimization process by following the chemotaxis of bacteria in foraging process to improve the population diversity and reduce the possibility of falling into local optimum. The simulation results of IEEE 33 node system show that, compared with the traditional FOA and particle swarm optimization (PSO) algorithm, the improved fruit fly optimization algorithm (IFOA) has a great advantage in search speed and accuracy and can quickly and effectively search the optimal configuration, which verify the validity and rationality of the improved algorithm.

improved fruit fly optimization algorithm (IFOA); distribution network; distributed generation (DG); multi-objective optimization; comprehensive membership degree

TM 72

A

1000-7229(2016)06-0103-06

10.3969/j.issn.1000-7229.2016.06.015

2016-03-01

關(guān)添升(1984)，女，碩士，工程師，主要研究方向?yàn)橹悄茏冸娬炯夹g(shù)和分布式電源規(guī)劃；

王琦(1983)，男，碩士，工程師，主要研究方向?yàn)樾履茉床⒕W(wǎng)和電力工程造價(jià)；

劉赫(1984)，男，博士，工程師，主要研究方向?yàn)橹悄茈娋W(wǎng)設(shè)備故障檢測與診斷技術(shù)及分布式電源規(guī)劃；

鄭媛(1988)，女，本科，助理工程師，主要研究方向?yàn)橛?jì)及新能源隨機(jī)性的優(yōu)化調(diào)度以及新能源并網(wǎng)；

李德鑫(1985)，男，碩士，工程師，主要研究方向?yàn)樾履茉床⒕W(wǎng)；

劉亞東(1983)，男，碩士，工程師，主要研究方向?yàn)榕潆娋W(wǎng)規(guī)劃與運(yùn)行；

潘超(1981)，男，博士，副教授，主要研究方向?yàn)榕潆娋W(wǎng)規(guī)劃與運(yùn)行。