關(guān)鍵詞：電力；分布式電源；配網(wǎng)規(guī)劃；粒子群

中圖分類號(hào)：TM715；TP18 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

隨著能源需求的不斷增長(zhǎng)和環(huán)境保護(hù)意識(shí)的加強(qiáng)，分布式電源的開(kāi)發(fā)和應(yīng)用成為能源領(lǐng)域研究的熱點(diǎn)[1]。分布式電源是指靠近用電地點(diǎn)的小型電源設(shè)施，包括太陽(yáng)能、風(fēng)能、小水力、生物質(zhì)能等可再生能源以及燃?xì)廨啓C(jī)、燃料電池等。這些電源的接入，不僅可以提高電能質(zhì)量和供電可靠性，降低能源傳輸損失，而且有助于實(shí)現(xiàn)能源的可持續(xù)發(fā)展。然而，分布式電源的有效接入和優(yōu)化配置是一個(gè)復(fù)雜的多目標(biāo)問(wèn)題，涉及經(jīng)濟(jì)成本、環(huán)境影響、技術(shù)性能等多個(gè)方面的考量[2]。

多目標(biāo)粒子群優(yōu)化（multi-objective particleswarm optimization，MOPSO）算法作為一種有效的進(jìn)化計(jì)算技術(shù)，已被廣泛應(yīng)用于解決多目標(biāo)優(yōu)化問(wèn)題。在分布式電源配網(wǎng)規(guī)劃中，MOPSO 算法能夠有效處理多個(gè)互相沖突的目標(biāo)，如最小化投資與運(yùn)營(yíng)成本、最小化環(huán)境影響以及最大化系統(tǒng)可靠性等，為決策者提供一系列優(yōu)化方案。因此，基于多目標(biāo)粒子群優(yōu)化算法的分布式電源配網(wǎng)規(guī)劃顯得尤為重要[3]。本文旨在探討MOPSO 算法在分布式電源配網(wǎng)規(guī)劃中的應(yīng)用，分析其在實(shí)現(xiàn)電網(wǎng)優(yōu)化配置中的有效性和實(shí)用性，為分布式電源的發(fā)展和電網(wǎng)的可持續(xù)性提供理論與實(shí)踐支持。

1 粒子群優(yōu)化算法

粒子群優(yōu)化（particle swarm optimization，PSO）算法的基本思想是模擬一群鳥(niǎo)（粒子）在多維搜索空間中飛行并尋找食物的行為[4]。每個(gè)粒子代表潛在的解，其在搜索空間中的位置由位置向量x 表示，其移動(dòng)速度由速度向量v 表示。每個(gè)粒子都有一個(gè)記憶，能夠記住自己找到的最好位置，同時(shí)在群體中也會(huì)分享各自找到的最好位置。粒子通過(guò)跟蹤這兩個(gè)最優(yōu)值來(lái)更新自己的速度和位置，從而探索解空間，尋找全局最優(yōu)解。粒子群優(yōu)化算法流程如圖1 所示，其執(zhí)行過(guò)程如下。

步驟1：初始化一群粒子的位置和速度。

步驟2：評(píng)估每個(gè)粒子的適應(yīng)度值，并更新個(gè)體最優(yōu)和全局最優(yōu)位置。

步驟3：根據(jù)速度和位置更新規(guī)則調(diào)整每個(gè)粒子的速度和位置；通過(guò)比較每個(gè)粒子在當(dāng)前位置的目標(biāo)函數(shù)值更新全局最優(yōu)位置。

步驟4：重復(fù)步驟2和步驟3，直至滿足終止條件。

2 基于多目標(biāo)粒子群算法的分布式電源配網(wǎng)規(guī)劃

2.2 改進(jìn)的多目標(biāo)粒子群優(yōu)化算法

在研究配電系統(tǒng)優(yōu)化問(wèn)題時(shí)，關(guān)鍵步驟包括初始化參數(shù)設(shè)定、初始迭代準(zhǔn)備、目標(biāo)函數(shù)適應(yīng)度計(jì)算、迭代過(guò)程更新以及優(yōu)化過(guò)程的終止條件檢驗(yàn)，如圖2 所示。

（1）對(duì)配電系統(tǒng)中的關(guān)鍵參數(shù)進(jìn)行初始化設(shè)定，這些參數(shù)包括節(jié)點(diǎn)電壓范圍、線路功率范圍、分布式發(fā)電輸出范圍、粒子群優(yōu)化算法中粒子數(shù)量、迭代次數(shù)和算子概率范圍。

（2）初始迭代準(zhǔn)備。通過(guò)生成一個(gè)符合初始參數(shù)設(shè)定條件約束的粒子群開(kāi)始迭代過(guò)程，粒子群規(guī)模設(shè)定為Nfkdrf1gBfTA+XJkW49+wjpx4rbn8D/chEKqaKMkO+4=80 個(gè)個(gè)體。這些個(gè)體構(gòu)成了優(yōu)化問(wèn)題的初始解空間。

（3）目標(biāo)函數(shù)適應(yīng)度計(jì)算。對(duì)初始粒子群中的每個(gè)個(gè)體，計(jì)算其在特定目標(biāo)函數(shù)下的適應(yīng)度值。在本文中，目標(biāo)函數(shù)考慮了經(jīng)濟(jì)性和系統(tǒng)穩(wěn)定性兩個(gè)方面，通過(guò)適應(yīng)度值的計(jì)算，為每個(gè)個(gè)體分配一個(gè)適應(yīng)度等級(jí)。

（4）迭代更新。在完成初始適應(yīng)度評(píng)估后，根據(jù)粒子群優(yōu)化算法的規(guī)則更新粒子位置，即進(jìn)行新一輪的迭代。迭代更新考慮個(gè)體的當(dāng)前狀態(tài)和整個(gè)群體的最優(yōu)解，并且依據(jù)特定的粒子更新公式進(jìn)行計(jì)算。

（5）在每次迭代后，檢驗(yàn)是否達(dá)到了預(yù)設(shè)的迭代次數(shù)，以及解的質(zhì)量（適應(yīng)度值）在連續(xù)多代迭代中是否無(wú)顯著變化，若滿足上述任一條件，則終止優(yōu)化過(guò)程，并輸出當(dāng)前找到的最優(yōu)解集合。若未滿足終止條件，則基于當(dāng)前的最優(yōu)解和個(gè)體適應(yīng)度等級(jí)，繼續(xù)進(jìn)行新一輪的迭代，以進(jìn)一步探索解空間，尋求更優(yōu)解。

3 實(shí)驗(yàn)結(jié)果與分析

本文以某地區(qū)分布式電源接入規(guī)劃研究為例，假設(shè)該地區(qū)未有新增負(fù)載接入，并且區(qū)域負(fù)荷預(yù)計(jì)以每年5% 的速度增長(zhǎng)。基于這些假設(shè)，本文選擇了一個(gè)案例進(jìn)行分布式電源接入的配置與容量設(shè)定方案的優(yōu)化探索。系統(tǒng)配電示意圖如圖3 所示。變壓器側(cè)的第一個(gè)節(jié)點(diǎn)標(biāo)記為節(jié)點(diǎn)1，這個(gè)節(jié)點(diǎn)不允許接入任何分布式電源。而節(jié)點(diǎn)2 至節(jié)點(diǎn)10 則被指定為可以安裝分布式電源的位置。分布式電源包括小型燃機(jī)、風(fēng)電、電池和光伏，所有接入的分布式電源的功率因數(shù)均為0.95。為簡(jiǎn)化分析和計(jì)算過(guò)程，這些分布式電源的輸出功率被設(shè)置為5 kW 的整數(shù)倍。

本文將所提出的方法與基于遺傳算法的方法進(jìn)行對(duì)比分析，實(shí)驗(yàn)結(jié)果對(duì)比如表1 所示。對(duì)于小型燃機(jī)，遺傳算法選擇了8個(gè)地點(diǎn)，總?cè)萘繛?0 kW；而多目標(biāo)粒子群算法選擇了10個(gè)地點(diǎn)，總?cè)萘繛?5 kW，顯示出后者在選址數(shù)量和容量上靈活性更高。風(fēng)電方面，遺傳算法在5 個(gè)地點(diǎn)配置了80 kW，而多目標(biāo)粒子群算法則在2 個(gè)地點(diǎn)集中配置了100kW，反映出兩種算法具有不同的資源優(yōu)化策略。電池配置方面，遺傳算法未選擇電池，而多目標(biāo)粒子群算法在8 個(gè)地點(diǎn)配置了50 kW·h，這展示了后者在儲(chǔ)能系統(tǒng)上的優(yōu)勢(shì)。光伏選址方面，遺傳算法在10個(gè)地點(diǎn)配置了30 kW，而多目標(biāo)粒子群算法沒(méi)有選擇光伏方案，表明遺傳算法更注重光伏的分布式應(yīng)用。對(duì)于新建線路，遺傳算法選擇了3、10兩個(gè)節(jié)點(diǎn)，而多目標(biāo)粒子群算法選擇了2、5 兩個(gè)節(jié)點(diǎn)，表明兩種算法在新建線路規(guī)劃上的不同策略。通過(guò)對(duì)比兩種算法分布式電源接入的配置與容量設(shè)定方案經(jīng)濟(jì)成本，遺傳算法方案需要673.0萬(wàn)元，而多目標(biāo)粒子群算法方案需要621.7 萬(wàn)元，后者成本更低。

4 結(jié)論

在當(dāng)前能源格局轉(zhuǎn)型和電網(wǎng)現(xiàn)代化的背景下，分布式電源的接入和優(yōu)化配置對(duì)于提高電網(wǎng)的可靠性和效率至關(guān)重要。本文提出了一種基于改進(jìn)多目標(biāo)粒子群優(yōu)化算法的分布式電源配網(wǎng)規(guī)劃方法。通過(guò)引入最劣目標(biāo)函數(shù)和帕累托最優(yōu)解，顯著提升了算法的收斂速度和解的質(zhì)量。實(shí)驗(yàn)結(jié)果表明，相較于遺傳方法，多目標(biāo)粒子群算法能夠表現(xiàn)出顯著的成本優(yōu)勢(shì)。未來(lái)的研究將探索算法在不同類型和規(guī)模電網(wǎng)中的適用性和優(yōu)化潛力，進(jìn)一步促進(jìn)分布式電源在全球能源系統(tǒng)中的高效集成。