基于改進NSGA-Ⅱ算法的配電網分布式電源規劃

尹 杭,孟 濤

(1.吉林省電力有限公司長春供電公司,長春 130600;2.東北電力大學 電氣工程學院,吉林 吉林 132012)

基于改進NSGA-Ⅱ算法的配電網分布式電源規劃

尹 杭1,孟 濤2

(1.吉林省電力有限公司長春供電公司,長春 130600;2.東北電力大學 電氣工程學院,吉林 吉林 132012)

分析配電網中分布式電源的優化規劃問題,提出一種系統有功網損指標,建立了綜合考慮分布式電源投資運行成本、系統有功損耗及電壓質量的多目標優化規劃數學模型。采用改進的快速非支配遺傳算法用于分布式電源在配電網中的優化規劃,在計算過程中引入累積排序適應度賦值策略以改善算法的尋優性能。對IEEE-33節點配電網進行仿真計算,結果表明該方法能提供全面合理的規劃方案,有助于實際工程應用。

配電網;分布式電源;NSGA-Ⅱ算法;有功網損;多目標優化規劃

大規模分布式電源(distributed generation,DG)接入配電網會對系統潮流、網損、電能質量、供電可靠性等方面產生不同程度的影響[1-2]。因此,合理規劃分布式電源的接入對研究配電網穩定運行具有重要現實意義。文獻[3]利用解析法研究了光伏發電在配電網中的優化配置問題;文獻[4]探討不同負荷水平下的多類型分布式電源的優化配置方案;文獻[5]將NSGA-Ⅱ算法應用于輸電網絡多目標無功優化中;文獻[6]提出了一種基于NSGA-Ⅱ算法的混合智能算法。但是這些文獻在處理多目標優化問題上有的采用線性權重的方法,這樣對研究DG的規劃有所欠缺;有的研究對象主要是針對輸電網絡,很少考慮NSGA-Ⅱ算法存在保持種群多樣性及全局搜索能力不足的問題。對此,本文提出一種簡易的系統有功損耗指標,建立綜合考慮分布式電源投資成本、系統有功損耗及電壓質量的多目標優化規劃數學模型;針對NSGA-Ⅱ算法存在保持種群多樣性及全局搜索能力不足的問題,在優化過程中引入了累積排序適應度賦值策略,提出一種改進的NSGA-Ⅱ算法用于模型求解。

1 配電系統數學模型

研究配電網分布式電源規劃問題,首先需要建立負荷及DG單元的數學模型。本文選取風力發電、光伏發電2種典型的分布式電源進行優化規劃,分布式電源功率因數設置為1。

1.1 風力發電模型

受間歇性風力資源的影響,風力發電機組的出力服從Weibull分布[7]:

GPS/北斗模塊正常工作時能接收到8種不同類型的導航數據信息,設計中選用雙模最簡導航數據。接收并處理導航信息的流程為:首先初始化串口,當GPS/北斗模塊接收到信號時,將變量flag_rec賦值為1,串口產生中斷,并判斷是否是有效定位$GNRMC,若是有效的定位,將以“,”為數據節點,將數據存入變量flag_data,并對變量flag_data中的數據進行處理,其中變量byte_count用來存儲數據中檢測到“,”的次數,以此決定該條數據是否已經解析完畢。定位信息獲取的程序流程如圖8所示。

式中:k為形狀參數;c為尺度參數;k1=Pr/(vr-vci)為風機有功出力變化率;k2=-k1vci為風機初始有功出力;vci為切入風速;vr為額定風速;Pr為額定輸出有功。

1.2 光伏發電模型

光伏發電輸出功率主要與太陽光照強度、環境溫度、光照面積及光電轉換效率有關,其輸出功率的概率密度函數為[8]

水資源司在網站開辟試點工作專欄，報道試點工作動態和各試點地區經驗做法，建立了試點工作聯系人和信息上報制度。試點工作開展以來，被《人民日報》（海外版）、《中國水利報》、《水利部優秀調研報告集》、《水資源工作信息》、水利部門戶網等報刊網站收錄信息及文章50余條 （篇），部分信息經新華網、新浪網等轉載，擴大了試點工作的社會影響力，發揮了試點的示范作用。

式中:Γ為Gamma函數;α和β為Beta分布的形狀參數;Pmax為光伏發電最大輸出有功功率。

1.3 負荷模型

算法參數設置如下:迭代次數為300,種群規模100,交叉和變異率分別為0.92、0.2。采用類均值的方法將風力發電、光伏發電隨機波動出力等效為常規機組出力,負荷模型中設置np=nq=0。

由于我國目前的電力調度系統的局限性，各系統間的數據資源無法共享，這在很大程度上影響了我國電力調度的效率，減緩了我國經濟發展的速度，對東部發達地區的影響尤為突出。因此，建設公共信息平臺來開展電力調度系統的數據資源共享和整合工作顯得著實必要。

1.1.3 試驗動物和細胞。SD大鼠，第四軍醫大學試驗動物中心；黑色素瘤B16細胞株，中國科學院上海細胞生物研究所。

式中:Pi(t)和Qi(t)分別為時段t中節點i處注入的有功和無功功率;PLi(t)和QLi(t)分別為時段t中節點i處額定電壓下的有功和無功負荷功率;Vi為節點i處電壓幅值;np和nq為相關電壓指標。

2 配電網DG優化規劃多目標數學模型

2.2 網絡損耗目標函數

綜合考慮DG的投資及運行維護費用,建立考慮年投資運行費用的指標為

圖2(b)為偏向鎂合金的焊接斷口放大12倍的形貌圖，無明顯周期性特征結構存在，說明斷裂形貌還與基體金屬和及其成分有關。除焊縫底部組織致密，其他區域存在大量孔洞和絲狀拉拔結構。其缺陷形成機理可能是由于攪拌頭偏向鎂側，鎂板攪入焊縫量增加，鎂塑性較差，隨攪拌頭旋轉填充的金屬量不足，導致大量孔洞出現。部分塑性較好的區域，由于鎂合金均勻附著在鋁基體上，結合攪拌頭攪拌作用，形成絲狀疏松連接，拉伸斷裂后形成圖示絲狀拉拔結構。

2.1 投資運行成本目標函數

小波變換是通過伸縮和平移運算對信號函數逐步進行多尺度細化，可以聚焦到信號的任意細節，能自動適應時頻信號分析的要求[5]。本文采用Mallat算法實現小波變換。

典型的3節點配電系統如圖1所示。

圖1 典型3節點配電系統

基于網絡潮流計算得支路j的有功損耗為

式中:Rj為支路j上的電阻和電抗;Vi為節點i處的電壓幅值;Pi+1和Qi+1分別為節點i+1處流過的有功和無功功率。

DG未接入時整個配電系統的網絡損耗為

(1)

式中:Nb為配電網絡支路個數。

護理教師通過臨床實踐,可以開闊視野、發現護理教育與臨床護理中存在的問題,借助雙方優勢,聯合開展科研項目,既能提高臨床護士和專任教師的科研水準,又能解決臨床實際問題、促進專業發展,實現院校深度合作、共贏的目的。

考慮DG接入時支路j的有功損耗為

(2)

結合式(1)、(2)建立配網中有功損耗指標為

(3)

由式(3)可知,本文所建立的有功損耗指標越大越合理。

2.3 電壓穩定性目標函數

為了更好地促進創業型中小企業的發展，企業應該在企業核心競爭能力的基礎上，及時對自己企業所具備人力資源或人才質量進行檢測，并及時為企業增添新的力量，及時為企業培養有發展潛力的人才，以在企業面臨問題的時候很快地提供核心人才。除此之外，企業還應該適當地在企業中建立人才招聘標準、工作人員績效考核、后備人才的培訓以及企業各崗位的職業技能培訓等等。總而言之，不斷地加強人力資源管理戰略是促進創業型中小企業快速發展的關鍵部分。

由圖1可見,基于網絡潮流得支路j的電壓穩定性指標為[9]

整個配電網絡的電壓穩定性指標定義為

maxVSI=1-max(Lj)

2.4 DG優化規劃目標函數

綜合考慮DG投資運行指標、網絡有功損耗指標及電壓穩定性指標的多目標優化數學模型為

NSGA-Ⅱ算法提出的精英保留策略、快速非支配排序策略及擁擠度策略,很大程度改善了傳統多目標優化算法收斂速度及全局搜索性能[10],但是其采用的個體pareto排序值策略不能很好地反映個體周圍的密度信息。因此,引入累積排序適應度賦值策略時從個體的pareto排序值和密度信息的角度選擇更新當前代個體[11]?；诟倪MNSGA-Ⅱ算法的分布式電源優化規劃流程如圖2所示。

f1=minZcost，f2=maxPLDG，f3=maxVSI，

h(u,x)=0，g(u,x)=0

4.1 算例相關參數

對于袁宏道的《袁中郎集》，館臣認為“其詩文變板重為輕巧，變粉飾為本色，致天下耳目於一新，又復靡然而從之。然七子猶根於學問，三袁則惟恃聰明；學七子者不過贗古，學三袁者，乃至矜其小慧，破律而壞度，名為救七子之弊，而弊又甚焉。”[2]806在四庫館臣看來，復古派雖不得要領，也以漢唐為宗，根基正統。而公安派卻走向了另一個極端，工于輕巧，將文以明道的傳統棄之不顧了?！拜p巧”，或“清巧”，[2]826本意為風格清新奇巧，鍾嶸《詩品》評價鮑令暉其詩：“令暉歌詩，往往嶄絕清巧。”[11]444在四庫館臣筆下，“清巧”則用來指摘公安一派厚重不足，輕佻有余的詩風文風，立場傾向可見一斑。

3 改進NSGA-Ⅱ算法

甲醇，色譜純，賽默飛世爾科技（中國）有限公司；鹽酸（分析純）、氫氧化鈉（分析純），永華化學科技（江蘇）有限公司；磷酸二氫鉀（分析純）、磷酸（分析純）、三乙胺（分析純）、氫氧化鉀（分析純）、四氫呋喃（色譜純），國藥集團化學試劑有限公司；純化水。

圖2 改進NSGA-Ⅱ算法流程圖

4 算例分析

式中,h(u,x)=0和g(u,x)=0分別為DG優化規劃過程中的等式約束和不等式約束。

基于matlab7.0仿真軟件編寫分布式電源多目標優化規劃程序,測試系統采用IEEE-33節點配電網,其網架結構如圖3所示,對應主要參數見文獻[12]。風力發電(WT)的待選安裝位置為18、22,光伏發電(PV)的待選安裝位置25、33號節點。分布式電源投資與維護相關參數如表1所示。

圖3 IEEE-33節點配電系統

建立的負荷模型考慮了其時變特性及電壓特性,對應模型為[3]

表1 分布式電源相關數據

4.2 方法可行性分析

分布式電源在配電網中的多目標優化規劃pareto解集空間分布如圖4所示。其pareto解集空間分布均勻,其中電壓穩定裕度指標由于變化幅度很小,具體指標從圖形上難以顯示,說明利用改進的NSGA-Ⅱ算法很好地改善了原有算法的全局搜索性能。

孫中山去世后留下的政治遺產成為繼承者確立自身合法性的重要資源，故而后孫中山時代的國民黨黨統之爭亦表現為對“總理遺教”解釋權的爭奪。在國民黨高層的政治競爭中，無論是誰，都要高舉孫中山和三民主義的旗幟。

圖4 pareto解的空間分布情況

選取幾種典型的多目標優化規劃解進行比較分析,其相關指標如表2所示。

表2 多目標優化規劃相關指標

由表2可知,方案1投資維護成本最低,但其有功損耗及電壓穩定裕度最差;方案2有功損耗及電壓穩定裕度指標最優,但其投資成本最高;方案3折中了方案1和方案2目標函數權重,目標函數綜合較優。

考慮到優化規劃過程中電壓穩定裕度指標變化相對較小,故從系統整體電壓水平來分析其電壓性能,不同方案下的系統電壓水平分布情況如圖5所示。

圖5 不同方案下電壓分布水平

從圖5可知,方案1的有功損耗為176.09 kW,方案2的有功損耗為160.47 kW,方案3的有功損耗為167.11 kW;而潮流計算下的有功損耗為202.66 kW。可見,最佳的電壓分布水平為方案2。

綜合以上分析可知,分布式電源合理接入配電網能有效提高系統電壓水平和降低系統網絡損耗,但是,大規模分布式電源接入會導致投資運行成本過高,因此,根據從多目標優化的角度合理規劃分布式電源接入就顯得尤為重要。

5 結 論

1) 建立了綜合考慮分布式電源投資成本、系統有功損耗及電壓質量的多目標優化規劃數學模型。提出了一種改進的快速非支配遺傳算法用于分布式電源在配電網中的優化規劃。

2) 算例結果表明,隨著投資成本增加,分布式電源合理規劃能有效減少有功網絡損耗和提高系統運行電壓水平。

3) 采用多目標優化算法進行分布式電源規劃能為決策者提供多樣性的優化方案,有助于實際工程運用。

[1] 沈正元,初翠平.含風電場的電網無功配置方案研究[J].黑龍江電力,2013,35(2):115-119. SHEN Zhengyuan, CHU Cuiping. Research on reactive power configuration for power network with wind farm [J]. Heilongjiang Electric Power, 2013,35(2):115-119.

[2] 潘超,孟濤,尹杭.基于螢火蟲優化算法的主動配電網廣義電源規劃模型[J].水電能源科學,2014,32(12):186-190. PAN Chao, MENG Tao, YIN Hang. Optimal configuration of generalized power sources in active distributed network based on firefly algorithm [J]. Water Resources and Power, 2014,32(12):186-190.

[3] NADARAJAH H,LEE K Y. Determining PV penetration for distribution systems with time-varying load models[J]. IEEE Transactions on Power Systems, 2014,29(6):3048-3057.

[4] KARIMYAN P,GHAREHPETIAN G B,ABEDI M , et.al. Long term scheduling for optimal allocation and sizing of DG unit considering load variations and DG type[J]. Electrical Power and Energy Systems, 2014, 9 (54):277-287.

[5] 馮士剛,艾芊.帶精英策略的快速非支配排序遺傳算法在多目標無功優化中的應用[J].電工技術學報,2007,22(12):146-152. FENG Shigang,AI Qian.Application of fast and elitist non-dominated sorting generic algorithm in multi-objective reactive power optimization[J].Transactions of China Electrotechnical Society,2007,22(12)：146-152.

[6] 王茜,張粒子.采用NSGA-II混合智能算法的風電場多目標電網規劃[J].電工技術學報,2011,31(19):17-24. WANG Qian, ZHANG Lizi. Multi-objective transmission planning associated with wind farms applying NSGA-II hybrid intelligent algorithm [J]. Transactions of China Electrotechnical Society, 2011,31(19):17-24.

[7] 李傳健,劉前進.考慮風力發電隨機性的配電網重構[J].電力系統自動化,2010,34(20):34-39. LI Chuanjian, LIU Qianjin. Distribution network reconfiguration considering randomness of wind power generation [J]. Automation of Electric Power Systems, 2010,34(20):34-39.

[8] 張喆,李庚銀,魏軍強.考慮分布式電源隨機特性的配電網電壓質量概率評估[J].中國電機工程學報,2013,33(13):150-156. ZHANG Zhe,LI Gengyin,WEI Junqiang.Probabilistic evaluation of voltage quality in distribution networks considering the stochastic characteristic of distributed generators[J].Proceedings of the CSEE,2013,33(13):150-156.

[9] 張立群.基于混沌優化魚群算法的配電網無功優化[J].水電能源科學,2013,31(6):222-224. ZHANG Liqun. Distribution network reactive power optimization based on chaos optimization algorithm [J]. Hydropower energy science, 2013,31 (6): 222-224.

[10] DEB K, PRATAP A， AGARWAL S ,et.al. A fast and elitist multiobjective genetic algorithm: NSGA-Ⅱ[J]. IEEE Transactions on Evolutionary Computation, 2002,6(2):182-197.

[11] 劉旭紅,劉玉樹,張國英,等.多目標優化算法NSGA-II的改進[J].計算機工程與應用,2005,15(4):73-75. LIU Xuhong,LIU Yushu,ZHANG Guoying,et al.Improvement of multi-objective optimization algorithm NSGA-Ⅱ [J].Computer Engineering and Applications，2005，15(4)：73-75.

[12] 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, 6(66): 202-215.

(責任編輯 郭金光)

Planning of distributed generation in distribution network based on improved NSGA-II algorithm

YIN Hang1, MENG Tao2

(1. Jilinsheng Electric Power Supply Company Changchun Electric Supply Company,Changchun 130600, China;2.School of Electrical Engineering, Northeast Dianli University, Jilin 132012, China)

This paper analyzed the optimization problems of distribution generation (DG) in distribution network, proposed an index of active power loss, and established the mathematical multi-objective optimization planning model considering the cost of investment, the active loss of network and the quality of voltage. Meanwhile, the improved non-dominated sorting genetic algorithm (NSGA-Ⅱ) was proposed to solve this model. In order to enhance the global search ability, the strategy of accumulative rank fitness assignment was adopted in this paper. Finally, the model and algorithm were tested by IEEE 33-node power system. The simulation result shows that the proposed algorithm can provide comprehensive and reasonable planning schemes, which is helpful to the practical application of engineering.

distribution network; distributed generation; NSGA-II algorithm; active loss; multi-objective optimization

2015-03-19

尹 杭(1990—),女,工程師,主要研究方向為配電網運行與維護、電力系統無功優化。

TM715+.3

A

2095-6843(2015)06-0504-04