基于改進粒子群算法的新能源配電網優化調度

　　摘 要：為了提升新能源配電網的優化效果，文章設計了基于改進粒子群算法的新能源配電網優化調度模型，簡化數據收集流程，提升測算效率，利用目標函數和約束條件可以對新能源的配電網模式進行有效識別，以此有效提高電網使用頻率，緩解用電緊張。研究表明，通過改進粒子群算法，可以有效優化電網的有功網損和電壓偏差，總體滿意度達到0.950以上，因此改進粒子群算法將會越來越廣泛地應用于新能源配電網的優化。

　　關鍵詞：改進粒子群算法;新能源;配電網;調度優化

　　0 引 言

　　隨著新能源技術的發展，在目前的配電網中，接入了越來越多的分布式能源，使得配電網運行更為安全、經濟與優質。主動配電網(ADN)的目標是控制分布式發電(DG)設備和負荷側資源，以提高供電可靠性和間歇性能源消耗能力，減少配電網損耗，改善電能質量。而建設新能源配電網可以有效緩解我國目前電網使用頻率高、用電緊張的問題。但新能源配電網中，光伏以及風電存在著較強的波動性與間歇性，這種不穩定性與非連續性影響著新能源配電網的高效運行。賁樹俊[1]等人構建了兩階段的優化調度模型，用于測算電力系統的實際運行成本消耗和用電負荷數值，利用聚合商的算法可以根據使用時間和方向的差異進行靈活性測算分析，以此提高新能源電力系統使用效能。陳文彬[2]等人利用新型的電力負荷測試，得出精準的數據信息，以此對比新能源的電網實際使用成本的差異性，為日后新型能源化的電力系統提出進一步的指導方法。格日勒圖[3]等人基于Shapely值分配合作剩余，使用混沌粒子群算法設計模型求解流程，以此得出市場電網匹配度。根據研究人員的測試分析，本文提出了進一步的優化測試方法，利用改進后的粒子群算法，構建新型能源配電網調度模型，以此達到優化電網的效能。

　　1 新能源配電網優化調度模型設計

　　1.1 新能源配電網中多目標優化模型

　　在大多數工程問題中，包括成本和效率在內的問題公式化似乎很明顯。市場自由化造成復雜性的電力分配等領域需要制定多目標優化問題。配電領域在過去幾年經歷了向有源網絡的重要重組，其特征是分布式發電機組的高滲透率，基于內燃機、小型和微型燃氣輪機、燃料電池、光伏和風能等技術植物;這些系統可能還包括存儲單元。以物理分布的方式生產能源的可能性提供了許多需要高質量和經濟運行的利益的想法。這就是為什么目前配電管理問題可以表述為多目標優化問題的原因。

　　電力系統在實際工作過程中，需要多個控制變量和約束條件對其進行不同程度的分工，以此達到高效穩定的電力運行。在電力輸出中，需要增強發電機的無法處理效能以此滿足高峰負荷下的電力正常運行能力，可以通過利用靜止無功補償器和DG輸出的無功功率實時調整控制電力系統，確保變量在有效控制范圍內。因此，電力系統下的無功優化能力在新能源配電網中具有重要意義，可以有效簡化非線性混合規則問題，提高控制變量能力，減少約束條件。電力系統多目標無功優化模型為：

　　(1)

　　式(1)中：目標函數fi(x)(i=1，2，…，n)中，x表示控制變量，x∈RN;g(x)為潮流約束方程;xmin和xmax為控制變量;ymin和ymax為系統其他變量約束。

　　1.2 目標函數

　　目標函數可以測算系統的性能標準，通過目標函數的數值分析可以得到電力系統的實際用電情況，實際工作提供指導方法即：

　　(2)

　　式(2)中：N1為支路數量;Gk(i，j)為節點適應度值;k為權重系數;Vi和Vj為電壓幅值;θ為電壓相角差;Nnode為系統實際電壓值;ViN為額定電壓;Δvmax為最大允許偏差。

　　1.3 約束條件

　　在約束條件下測算電力有功功率與無功功率，潮流計算約束公式為：

　　(3)

　　式(3)中：Pi為節點i注入的有功功率;Qi為節點i注入的無功功率，m為節點個數;Gij和Bij為支路ij上的電導和電納。

　　不等式約束為：

　　Vmin≤Vi≤Vmax (4)

　　0≤ΔVi≤Vmax (5)

　　Iij≤Iijmax (6)

　　Tmin≤T≤Tmax (7)

　　由此分析可以得出，Vmin和Vmax分別為電壓的最小值和最大值;ΔVi=Vi-ViN為節點i的電壓偏差，ΔVmax為節點i的最大允許電壓偏差，Iijmax為ij支路上電流最大值;Tmin和Tmax為檔位下限值和上限值。

　　2 新能源配電網調度模型的求解

　　2.1 改進粒子群算法

　　粒子群算法在配電網中具有廣泛的應用前景，可以更全面地測試配電網的用電程度、有功網損和配電偏差等實際情況。粒子群算法是對鳥群算法的簡化和更新，加入了新的測算方式和規則，可以更全面地測算配電網實際使用情況。改進后的粒子群算法具有以下3種優勢：

　　(1)數據測試范圍更加廣泛，避免個體數據出現交叉碰撞情況，導致數據計算錯誤。

　　(2)提升測算速度，在抓取數據后與相應測算公式結合，保持數據測算結果協調一致。

　　(3)主動靠近測算個體，高效集中化處理信息[4，5]。

　　基于上述改進粒子群算法的優勢，提出具體測算算法，假設粒子群算法中的每個粒子在z維度的搜索空間進行一定速度的搜索測試，zj=(zj1，zj2，…，zjx)為粒子j在z維度空間下的位置，vj=(vj1，vj2，…，vjx)為粒子j在z維度的空間內的測試速度，Obestj=(Obestj1，Obestj2，…，Obestjx)為粒子j在z維度空間內的最優測試位置。在z維度空間內，粒子j的測試速度和位置，可以根據自身的測試能力和具體經驗進行部分調整，以動態模擬的形式對其測試速度和位置進行部分調整，以此達到最優效果：

　　vjn(t+1)=vjn(t)+a1b1((Obestjn(t)-zj(t))

　　+a2b2((Ebestjn(t)-zj(t)) (8)

　　式(8)中，vjn(t)為迭代次數為t代時j粒子的第n維速度分量;Obestjn(t)表示迭代次數為t代時粒子j第n維個體最優位置分量;a1、a2為學習常數因子;b1、b2的取值范圍為[0，1]，取值方式為隨機取值，用以保證測試結果的普遍性[6];Ebestjn(t)表示整個粒子群的最優測算位置。在matlab中編程實現的改進粒子群算法，圖1顯示了改進算法的迭代輸出，群的平均值(3.67)接近全局最優值(3.676)。

　　2.2 新能源配電網調度模型求解優化

　　新能源配電網調度模型求解優化具體步驟為：

　　(1)設定主動配電網的經濟調度模式(模型式1)，讀取配電網系統數據及設置的參數，以此測算數據最優解。

　　(2)對主動配電網內各個數據進行初始化設置，保證測試的統一性和完整性。通過目標函數(式2)計算實際用電及系統網損數據，判斷其是否滿足設定的約束(式3～7)的條件。滿足條件的情況下，網損值為適應度值。不滿足條件的情況下再減少約束條件，重新進行步驟(1)的計算。根據實際的調度時段對配電網的內部運行條件和相關成本進行參數設定，設定主動配電網的迭代通道數、最大粒子速度和運行加速因子[7]。

　　(3)設定主動配電網的初始迭代次數為0，隨后通過隨機生成粒子的方式形成配電網內所有初始粒子，確定每個初始粒子的數量和z維空間位置。

　　(4)最末次的迭代各粒子通過測算后得出主動配電網的經濟調度值，測算當前粒子與歷史粒子對比分析后，進行優化替換。