計及氣象因素的分布式電源在配電網的優化配置

吳 昊， 許躍進， 殷德聰， 楊 建

（1.國網浙江省電力公司嘉興供電公司，浙江 嘉興 314000；2.中國農業大學信息與電氣工程學院，北京 100083）

計及氣象因素的分布式電源在配電網的優化配置

吳 昊1， 許躍進2， 殷德聰2， 楊 建2

（1.國網浙江省電力公司嘉興供電公司，浙江 嘉興 314000；2.中國農業大學信息與電氣工程學院，北京 100083）

以DG接入配電網配置方案為研究對象，考慮包括風速、溫度和光照強度在內的環境因素，基于配電網所處環境的歷史氣象數據，通過建立DG的工程計算模型，分析了DG出力四季綜合日時段變化特性，得出由DG出力四季綜合日時段變化確定的96時段場景。為了得到光伏和風力式DG在配電網中的優化配置方案，以配置DG后網損下降率最大為目標函數，引入免疫接種和選擇淘汰更新策略對粒子群算法進行改進，對所建模型尋優求解。以IEEE33節點配電系統為算例，得出了科學合理的DG定容定址方案，驗證了模型及算法的有效性，同時與不考慮配電網環境的DG規劃結果相比較，體現了DG規劃中考慮配電網環境因素的必要性。

分布式電源；氣象因素；優化配置；四季綜合日變化；改進粒子群算法

0 引言

DG（分布式電源）一般是指靠近用戶，為滿足用戶的特殊需求，發電功率在幾千瓦至50 MW的小型模塊化發電單位。DG的類型主要有風力發電、太陽能光伏發電、冷熱聯產發電、燃料電池、微型燃氣輪機等[1-2]。DG相對于常規集中式電源的優勢在于：可以高效利用用戶處各種分散的能源，實現就近供電，提高能源的利用率，以減少遠距離供電產生的網損，對于減輕環保壓力、降低終端用戶的費用具有積極作用。DG既能直接滿足用戶用電需要，又能接入配電網，作為配電網電源的補充，使負荷的供電可靠性及電能質量都得到增強，它的靈活性和高效性能滿足未來能源可持續發展的要求[3-4]。

隨著分布式發電技術的日益成熟，分布式發電的成本日益降低，分布式發電在電力系統中所占比重會逐漸增大。但是當DG接入配電網后，它對配電網的節點電壓、線路潮流、短路電流、可靠性等都會帶來影響[5-6]，其影響程度與DG的接入點和容量有密切關系[1]。因此為了使DG在配電網中發揮最大優勢，DG在配電網中的優化配置就顯得十分重要。

近年來，國內外學者已針對DG規劃問題進行了多個方面的研究。文獻[7]以實現配電網網損最小為目標函數，應用改進粒子群算法進行分布式電源規劃，結合懲罰函數將約束并入到目標函數中來求取極值，實現DG的選址與定容。文獻[8]分析DG接入配電網前后對網損的影響，提出采用混合模擬退火算法的改進粒子群優化算法進行分布式電源選址和定容計算，實例證明該算法有良好的全局搜索和快速收斂能力。文獻[9]考慮了網損、電壓和電流質量的多目標規劃模型，運用改進多目標微分進化算法進行求解，實現DG多目標定容定址。文獻[10]在DG單個容量、個數、位置未知的情況下，以配電網有功網損為目標函數，采用自適應權重粒子群算法進行尋優求解，但該算法易陷入局部最優解。上述文獻提出的目標函數側重不同，采取了智能算法對模型求解，但都缺乏對影響DG規劃結果的配電網環境因素的必要考慮，光伏和風力式DG模型并不是恒定功率模型，要得到合理的DG配置方案，必須結合配電網的環境來分析綜合DG的出力特性。

本文基于配電網歷史氣象數據，通過DG工程模型分析了光伏和風力式DG出力特點，分別建立了光伏和風力式DG四季綜合日出力變化曲線。以此為基礎，考慮DG配置在配電網中對網絡損耗和節點電壓的影響，運用改進的粒子群算法對目標函數進行求解尋優，并與不考慮配電網環境的DG優化配置方案比較，證明DG優化規劃中考慮配電網環境的重要性。

1 計及自然環境的DG四季綜合日出力變化

1.1 配電網環境因素

配電網環境因素即配電網中對DG出力有直接影響的因素。光伏發電系統的輸出受到光照、溫度等環境因素的影響，由于不同季節氣候環境的差異性，光照強度及太陽入射角度都會發生變化，因此季節變化對光伏發電影響也很大[11]。風機出力存在間歇性，主要受到自然風速的影響。雖然配電網中不同日期、時間點的溫度、光照強度以及風速都不固定，任意一天的氣候條件都相互獨立，但基于歷史數據的配電網環境卻會呈現一定的季節性和時段性變化規律。采集配電網中各個季節中若干典型天的風速、光照強度和溫度數據，將屬于同一季節不同天中各個相同時刻的數據作均值處理，可得到配電網環境四季綜合日變化曲線，如圖1—3所示。

圖1 配電網四季綜合日風速變化曲線

圖2 配電網四季綜合日溫度變化曲線

1.2 DG出力建模

1.2.1 風機出力模型

風機出力與風速的關系可由分段函數[12]如式（1）近似表示為：

圖3 配電網四季綜合日光照強度變化曲線

式中：Pt為t時刻風機出力；Pr為風機額定功率；Vt為 t時刻的風速；Vin，Vr，Vo分別為風機的切入風速、額定風速以及停機風速；A，B，C 3個參數，可以由式（2）給出：

1.2.2 光伏出力模型

文獻[13]對光伏發電模型進行了數學簡化，可以僅利用光伏電池生產廠商提供的短路電流Isc、最大工作電流Im、開路電壓Voc、最大工作電壓Vm，將光伏電池陣列在不同光照強度和溫度條件下的V-I特性得以復現，并確定光伏最大輸出功率Pm。

光伏標準測試環境下，日照射度Sref為1 000 W/m2，環境溫度Tref為25℃。多數情況下光伏電池并不處于標準測試環境中，假設在工作環境中，光伏板溫度為T，光照強度為S，則光伏電池最大工作電流Im_new、最大工作電壓Vm_new、最大輸出功率Pm_new可分別由式（3），（4）和（5）獲得。

式中：ΔT為工作狀態下光伏板溫度T與標準測試環境中Tref的差值；ΔS為（S-Sref）/Sref；式中系數a，b，c采用典型值[14]，a=0.002 5，b=0.2，c= 0.002 88。

1.3 DG四季綜合日出力曲線

基于配電網歷史風速、溫度和光照強度數據，結合DG的出力計算數學模型，可以得到按季節分類、以綜合日24小時出力變化為單元的DG出力曲線。綜合歷史數據得出的DG出力變化可作為特定配電網DG配置規劃的自然環境基礎，這不僅進一步考慮了配電網環境對DG配置方案的影響，更體現了光伏和風力式DG出力變化的本質特征。假設風機Vin為3 m/s，Vo為25 m/s，Vr為13 m/s，該配電網中光伏和風力式DG四季綜合日出力曲線如圖4、圖5所示。

圖4 配電網光伏DG四季綜合日出力變化曲線

圖5 配電網風力DG四季綜合日出力變化曲線

2 配電網中DG優化配置的目標規劃

2.1 考慮配電網環境的規劃場景

根據上文對DG四季出力的分析，將DG在配電網中四季的變化曲線進行離散化，各季節綜合日的DG出力曲線被離散為以每小時為間隔的24個時段場景，四季共96個時段場景。這96個時段場景包含了DG在各個季節綜合日中24個時刻的典型出力情況。

2.2 DG規劃模型

本文考慮網損下降率最大為目標的規劃模型，并以電壓偏移的改善情況作為附加指標來參考。網損的減少能在一定程度上降低電網公司向上級電網的購電量，是可以進行經濟性量化的指標，屬于DG投資商和電網企業的綜合收益，如果考慮將該收益部分歸于DG投資商，將會引導更多資金進入DG投資領域，并促使DG投資商考慮電網企業提出的分布式電源接入方案，因此DG接入配電網對網損指標有著重要意義。同樣，合理的DG配置方案能改善電網的電壓分布，隨著負荷的增長，配電系統的電壓穩定性會下降，DG接入配電網后能夠改善電壓分布情況，使電壓偏移維持在較小范圍內，因此DG配置后對改善電壓水平也有著重要意義。

2.2.1 配電網有功網損及網損下降率

考慮由DG出力變化構成的96個場景配電網平均有功網損最小，由式（6）表示：

式中：PL為配電網系統的有功網損；cj為由DG出力變化構成的場景數；Ii為支路i電流；ri為支路i的電阻；L為配電網系統中的支路數。

配置DG后網損下降率η1為：

式中：PL和PL_dg分別為未配置和配置DG情況下配電系統有功網損量。

2.2.2 配電網節點電壓偏移及偏移下降率

電壓改善用配電網各個節點的電壓偏移來表示，目標函數考慮為由DG出力變化構成的96個場景配電網電壓偏移[9]最小，表示為：

式中：dV為配電系統電壓偏移指標；N為配電系統節點個數；V0為配電網首節點電壓；Vi為配電系統節點i電壓。

配置DG后電壓偏移下降率η2為：

式中：dV和dVdg分別為未配置和配置DG情況下配電系統的電壓偏移。

2.2.3 目標函數

規劃模型中以網損下降率最大為目標函數F，以電壓偏移的改善情況作為附加指標來參考。

上述目標函數的約束條件由式（11）構成，包括潮流約束、電壓約束以及DG接入總容量約束：

式中：PG_i和QG_i分別表示i節點電網有功功率和無功功率注入；PD_i和QD_i分別表示i節點配置的DG有功功率和無功功率輸入；PL_i和QL_i分別表示i節點的有功和無功負荷；Ui表示節點i電壓；Gij和Bij分別表示節點ij間的電導和電納；Umin和Umax分別表示節點電壓的下限及上限。

3 改進粒子群算法在DG優化配置中的應用

3.1 標準粒子群算法

標準粒子群算法[15]中更新速度和位置公式如式（12）所示：

式中：t表示迭代次數；r1，r2為[0，1]間相互獨立的隨機數；m表示粒子群規模；向量vi，xi表示粒子i的速度及位置；g表示全局最優；p表示粒子的個體極值；c1，c2為學習因子；w為保持原來速度的系數，也叫慣性權重。

3.2 MPSO粒子群算法改進

MPSO算法也稱為自適應粒子群算法，主要特征是對式（12）中的慣性權重w采用線性動態改變的策略，讓w隨著算法迭代次數的增加而線性減小，這樣可使粒子群算法在初期有較強的全局搜索能力，在末期有較強的局部搜索能力。具體算法如式（13）所示：

式中：wmax為慣性權重的最大取值；wmin為慣性權重的最小取值；CurCount為當前迭代次數；Loop-Count為最大迭代次數。

為了使MPSO算法能適應高維的DG選址定容，避免算法過早陷入局部最優解，在MPSO算法的基礎上引入以下改進方案。

（1）免疫接種策略。

DG規劃問題由于接入待選點較多，因此維度大，為了加速收斂，可以借鑒免疫接種，引入免疫接種過程來指導粒子群尋優的大致搜索方向。免疫接種的策略如下：

配電網中DG配置的待選節點有N個，建立含有N個粒子的試探種群S，S中第i個粒子的構成如式（14）所示：

式中：n為可接入節點總數。計算S中所有粒子適應度，并依據適應度大小對待選節點進行排序。設定接受免疫的小種群為M，將M中排序靠前的節點位置的DG配置容量設置為最大，同時滿足DG接入的總容量不超過限定值，因此優先級靠后的節點設置為0。

（2）選擇性淘汰更新策略。

在每次迭代后，對粒子群中的各粒子按適應度進行排序，將適應度較差的一半粒子進行變異更新，變異過程通過重新隨機初始化這部分粒子來實現。這種做法能提高使解跳出局部最優的能力，同時不破壞當前最優的一部分解。

3.3 編碼規則

本文采用十進制編碼表示DG配置情況。假設配電系統中有N個節點，DG配置方案按節點排序用{X1，X2，…，Xi，…，XN}表示，單位容量為P，若Xi不為0，即表示在節點i處配置DG，配置容量為Xi×P。這樣的編碼形式既能體現DG配置位置，也能體現DG容量。

3.4 改進粒子群算法優化流程

運用改進粒子群算法求解多目標DG在配電網中的規劃流程如圖6所示。

4 算例分析

假設該IEEE33節點配電網環境與第一節中分析的配電網環境相同（見圖7），分布式電源作為PQ節點處理，功率因數取0.95。DG接入配電網的總容量不超過配電網最大負荷的45%，因此DG的總接入容量限制為1 450 kW。單個配電網負荷點接入DG規模限定為C·50，C=（0，1，2，3，4，5，6）。假設該IEEE33節點配電網環境與前文分析的配電網環境相同，單位容量光伏和風力式DG在配電網中96個場景的出力則已知。

圖6 改進粒子群算法用于DG規劃流程

圖7 IEEE33節點配電系統

4.1 不考慮配電網環境因素的光伏和風力式DG優化配置

本節不考慮配電網環境因素，對光伏和風力式DG進行優化配置。由于不考慮配電網環境因素，DG在此規劃中作為恒定輸出，因此光伏和風力式DG所得到的規劃結果相同。不考慮配電網環境的DG優化配置結果如表1及表2所示。

表1 DG配置方案結果（不考慮環境因素）

從表2中可以看出，該方案以配電網網損最小為目標，DG優先滿足離首端節點最遠的負荷點。配置滿足限定條件的DG后，網損最大可降低70.96%。與此同時，配置DG前電壓偏移為5.33%，且部分節點電壓存在越限情況，配置DG后，節點電壓得到了較好改善，總的電壓偏移減小了57.41%。

4.2 考慮配電網環境因素的DG優化配置及比較分析

在DG規劃中考慮配電網環境因素，分別將光伏和風力式DG單獨配置在IEEE33節點配電系統中。光伏及風力式DG的配置方案如表3及表4所示。

表2 網損及電壓偏移（不考慮環境因素）

表3 光伏及風力式DG配置方案（考慮環境因素）

表4 網損及電壓偏移（考慮環境因素）

從表4中可以看出，配置相同容量的光伏和風力式DG，后者在網絡損耗和電壓偏移改善方面表現更為出色，這是因為光伏電池發電受時間限制，一天中只在白天才有功率輸出，夜晚功率輸出為零，而風機的動力來源于風能，不受時間的制約，因此單位容量的風力式DG在配電系統降損和電壓質量改善上要優于光伏DG。

表2為沒有考慮環境因素的DG規劃結果，表4為考慮環境因素的光伏和風力式DG規劃結果，二者比較如圖8所示。可以發現不考慮配電網環境的DG規劃結果過于樂觀，且無法體現光伏和風力式DG規劃的差異性，因此不考慮配電網環境的規劃結果缺乏實際意義。

將未考慮配電網環境的DG規劃結果分別配置以光伏和風力式DG，代入DG出力時段性變化的配電網環境中進行潮流計算，以光伏和風力DG接入得到的實際優化網損分別為157.404 kW和140.11 kW。而考慮配電網環境以光伏和風力式DG接入得到的優化網損（表4）分別為157.106 kW和138.422 kW，結果均優于不考慮配電網環境的優化方案。因此，考慮配電網環境的DG配置方案的實際結果更為準確。

圖8 是否考慮環境因素的DG規劃結果比較

5 結論

本文通過建立DG出力模型，并基于包括風速、光照強度以及溫度在內的配電網環境，分析了DG在春夏秋冬4個季節里綜合日24小時出力變化，以此作為DG在配電網規劃的環境基礎，建立了網損下降率最大為目標的規劃模型，從算例分析中可以得到以下結論：

（1）合理的配電網DG優化配置方案能夠有效降損并改善配電網系統節點電壓水平。

（2）不考慮配電網環境得到的DG優化配置，其對應的網損和電壓偏移指標過于樂觀，缺乏實際參考價值。

（3）配電網的環境因素對于DG的選址定容有著很大的影響，考慮配電網環境的優化方案實際表現要優于不考慮配電網環境得到的優化配置方案，這是因為考慮配電網環境后，優化算法能根據DG容量的實際輸出來匹配負荷，而不再只是根據容量大小。

（4）單位容量的風力DG在配電網降損和改善節點電壓偏移上要優于光伏DG。

[1]王敏，丁明.含DG的配電系統規劃[J].電力系統及其自動化學報，2004，16（6）∶5-8.

[2]蔡麗霞.含DG的配電網規劃研究[D].濟南：山東大學，2009.

[3]莫穎濤.分布式發電及其對系統規劃的影響[D].杭州：浙江大學，2006.

[4]崔金蘭,劉天琪.分布式發電技術及其并網問題研究綜述[J].現代電力，2007，24（3）∶53-57.

[5]梁才浩，段獻忠.分布式發電及其對電力系統的影響[J].電力系統及其自動化，2001，25（12）∶53-56.

[6]韋鋼，吳偉力，胡丹云.分布式電源及其并網時對電網的影響[J].高電壓技術，2007，33（1）∶36-40.

[7]汪興旺，邱曉燕.基于改進粒子群算法的配電網分布式電源規劃[J].電力系統保護與控制，2009，37（14）∶16-40.

[8]劉波，張焰，楊娜.改進的粒子群優化算法在分布式電源選址和定容中的應用[J].電工技術學報，2008，23（2）∶103-108.

[9]夏澍，周明，李庚銀.分布式電源選址定容的多目標優化算法[J].電網技術，2011，35（9）∶115-121.

[10]朱勇，楊京燕，張冬清.基于有功網損最優的分布式電源規劃[J].電力系統保護與控制，2011，39（21）∶12-16.

[11]張雪莉，劉其輝.光伏電站輸出功率影響因素分析[J].電網與清潔能源，2012，28（5）∶75-81.

[12]BILLINTOR，GUANGBAI.Generating capacity adequacy associated with wind energy[J].IEEE Transactions on Energy Conversion，2004，19（3）∶641-646.

[13]蘇建徽，余世杰，趙為，等.硅太陽電池工程用數學模型[J].太陽能學報，2011，22（4）∶409-412.

[14]YUSHAIZAD Y，SITIHS，MUHAMMAD AL.Modeling and simulation of maximum power point tracker for photovoltaic system[C].National Power&Energy Conference, 2004∶88-103.

[15]錢科軍，袁越，石曉月.分布式發電的環境效益分析[J].中國電機工程學報，2008，28（29）∶11-15.

（本文編輯：方明霞）

Optimized Allocation of Distributed Generation Based on Meteorological Factors in Power Distribution Networks

WU Hao1，XU Yuejin2，YIN Decong2，YANG Jian2
（1．State Grid Jiaxing Power Supply Company，Jiaxing Zhejiang 314000，China；2．College of Information and Electrical Engineering，China Agricultural University，Beijing100083，China）

Scheme for integration of distributed generation（DG）into distribution networks is taken as research object in this paper.By considering environmental factors such as wind speed，temperature and illumination intensity，alternation characteristics of DG output in daytime of each season are analyzed by establishment of DG calculation model to conclude 96 time scenes in accordance to historical meteorological data of the distribution networks.In order to obtain optimized configuration schemes for photovoltaic and wind power generation in distribution networks，maximum power loss in the distribution networks is taken as objective function to improve particle swarm optimization by introduction of immunization and selection of elimination and update to optimize the model.By taking IEEE33 node distribution system as an example，a scientific and reasonable scheme of DG capacity and location is determined to validate effectiveness of the model and algorithm；necessity of DG planning in consideration of environmental factors is reflected.

distributed generation；meteorological factor；optimized allocation；four seasons diurnal variation in four seasons；improved particle swarm optimization

TM715+.3

B

1007-1881（2015）12-0001-07

2015-07-21

吳 昊（1989），男，研究方向為分布式電源、配電網規劃。