基于改進人工蜂群算法的分布式電源規劃

婁寧娜+毛弋+黃媛玉

摘 要 通過改進人工蜂群算法， 建立了系統網損最小、電壓質量最優的綜合優化目標， 應用判斷矩陣法確定多目標的權重系數， 進一步優化分布式電源的選址與定容.在改進的算法中， 運用均勻設計-反向尋優的方法來優化初始群體， 提高全局尋優率.同時， 為了解決基于比例適應度選擇不足的問題， 用基于適應度排序的選擇概率代替了基于比例適應度的選擇概率， 不僅使種群的多樣性得到了保護， 而且擴大了全局搜索的范圍.最后采用IEEE33標準節點配電網仿真， 通過算例分析來驗證該算法的有效性和可靠性.

關鍵詞 分布式電源；人工蜂群算法；適應度排序選擇；均勻設計；反向尋優

中圖分類號 TM714 文獻標識碼 A 文章編號 1000-2537（2016）03-0056-06

Abstract In order to further optimize the sitting and sizing of distributed generation， a comprehensive optimization goal was proposed， which aims to minimize the transmission loss and maintain better voltage level， and determine the weight coefficient of different objectives using judgment matrix method. In order to improve the rate of global optimization， the uniform design and opposition-based optimizing were used. Meanwhile， in the improved algorithm， to overcome the shortage of selection based on the proportion of fitness， the selection based on fitness ranking probability is adopted instead of depending on the proportion of fitness， which not only protects the diversity of the population but also expands the global search range. Calculation results of standards IEEE 33-bus radial distribution system show that the proposed model is effective and reliable.

Key words distributed power； artificial bee colony algorithm； rank fitness selection； uniform design； opposition-based optimizing

隨著電力技術的不斷發展和進步， 人們總是在尋求更好的辦法來解決各種弊端， 電力系統規模的不斷擴大和負荷的持續增加給大電網帶來了諸多問題， 比如輸電系統和配電系統損耗過大、電網可靠性降低、跟蹤負荷變化的靈活性降低、對環境的破壞日益嚴重[1]等.本文通過采用分布式發電（Distributed Generation， DG）與大型電網相結合的供電方式， 提高了供電的可靠性、減輕了環境污染等， 最終實現能源的可持續發展[2-3].

分布式電源一般是指獨立分散的小容量電源， 通過較小容量的發電設備（容量一般小于30 MW）為其獨立供電， 來滿足特定用戶的需求.近幾年， 越來越多的智能算法比如免疫學算法、蟻群算法等應用到DG的選址與定容.文獻[4]和文獻[5]對分布式電源的大小及接入點分別采用了標準的遺傳算法和模糊的遺傳算法進行研究.文獻[6]提出了采用量子微分進化算法對分布式電源接入配電網進行優化配置.文獻[7]采用粒子群算法進行尋優， 并以系統的有功網損為目標進行優化.但是， 為了獲取全局最優解， 多種智能算法結合用于配電網問題造成算法的復雜性.人工蜂群（Artificial Bee Colony， ABC）算法[8]是Karaboga在2005年提出的一種新的智能算法.它最突出的特點是操作簡便， 魯棒性強.本文建立了以系統網損及節點電壓為目標的優化模型， 應用判斷矩陣法確定多目標的權重系數， 進一步優化分布式電源的選址與定容.傳統人工蜂群算法具有收斂速度慢， 易陷入局部最優等缺點， 會發生失真現象.本文提出均勻設計-反向尋優來初始化群體， 并且采用基于排序的選擇策略可以對目標進行一次搜尋， 能避免算法陷入局部最優解， 提高收斂率.

（2）雇傭蜂先在蜜源的某個區域進行一次搜索， 算出并與原位置蜜源的適應度值進行對比， 進行貪婪選擇， 若新位置適應度值大于原位置， 則取代原位置的蜜源.

（3）雇傭蜂進行全部搜索后在固定的區域內以跳舞的形式將蜜源的信息傳遞給觀察蜂， 觀察蜂以輪賭盤的形式通過概率對雇傭蜂傳遞過來的信息重新選擇蜜源.

（4）若某個蜜源經過多次搜索仍沒有更新， 則與之對應的雇傭蜂放棄該處的蜜源， 并轉換成一偵查蜂， 按照公式（1）在搜索空間探尋新蜜源位置替代原來的位置.

3 基于IABC算法的分布式電源選址與定容的實現

IABC算法流程見圖1，具體步驟如下：

（1）輸入配電網的原始數據， 獲取系統節點和支路的信息.

（2）雇傭蜂在蜜源附近的有效區域內依據公式（2）對蜜源搜索， 并與原來蜜源進行貪婪選擇觀察蜂根據選擇概率公式（3）和（4）對食物源進行選擇， 并按照公式（2）搜索， 并在新舊蜜源之間進行貪婪選擇.

（3）以limit為依據判定是否存在未被選擇的蜜源， 如果存在， 放棄該位置， 此處的雇傭蜂轉換為一偵查蜂， 重新搜索新位置的蜜源.

（4）首先記錄當前的最優解， 根據最大迭代次數 Mmax來判斷最優解是否符合要求， 若當前的迭代次數達到Mmax， 計算停止， 將此時的最優解輸出， 否則， 返回（2）循環執行命令.

4 算例分析

采用標準IEEE33節點配電測試系統作為算例來驗證改進人工蜂群算法的有效性， 首先進行DG的布點規劃， 如圖2所示， 數字代表節點的編號.IEEE33節點網絡是輻射狀的配電網絡， 該系統的額定電壓為12.66 kV， 相角為0， 分布式電源接在1～32任意節點上[13]， 總有功和無功功率分別是3 715.0 kW，2 300.0 kW.在該算法中， 設置參數為： 權重系數α=0.5， β=0.5，Sn取30， 交叉概率CR取0.5， limit取8， Mmax取60次， 有功功率的權重系數為w1=0.6；電壓水平的權重系數為w2=0.4.運行算法程序.未接入DG時， 系統有功損耗是220.15 kW， 優化后系統的有功損耗是62.85 kW.

兩種算法在收斂性的比較如圖3， 由圖3可知， IABC算法較ABC算法在迭代次數以及收斂快慢上有著明顯的提升.

表2為IABC和其他算法尋優結果.比較可得IABC算法中接入配電網中DG的總容量小于其余算法， 而且系統的網絡損耗更小.因此IABC算法對于DG規劃更加行之有效.

合理的規劃DG的選址與定容， 也可以提高系統電壓水平.在接入DG前后， 網絡節點最低電壓由0.913 1 p.u.上升到0.942 8 p.u.配電系統電壓普遍有明顯的改善.圖4給出了系統節點電壓比較.

5 結論

本文以降低配電網的網損及提高電壓質量為優化目標， 為了避免陷入局部最優， 在標準人工蜂群算法的基礎上， 運用均勻設計-反向尋優的方法來優化初始群體， 加快了全局尋優率.同時， 為了解決基于比例適應度選擇不足的問題， 用基于適應度排序的選擇概率代替了基于比例適應度的選擇概率， 不僅使種群的多樣性得到了保護， 而且擴大了全局搜索的范圍.通過比較DG接入前后的配電網規劃方案可以得出， DG的接入降低了網損， 改善了系統電壓水平.

參考文獻：

[1] 劉 健， 林 濤， 李 龍， 等. 分布式光伏接入情況下配電自動化系統的適應性[J]. 電力系統保護與控制， 2014，42（20）：7-12.

[2] 邱曉燕， 夏莉麗， 李興源. 智能電網建設中分布式電源的規劃[J]. 電網技術， 2010，34（4）：7-10.

[3] 李 俊， 鄧大上， 房鑫炎， 等. 考慮電壓穩定裕度約束的點估計隨機最優無功調度方法[J]. 電工技術學報， 2015，30（7）：27-33.

[4] 張建華， 曾博， 張玉瑩， 等. 主動配電網規劃關鍵問題與研究展望[J]. 電工技術學報， 2014，29（2）：13-23.

[5] LANNOYE E， FLYNN D， OMALLEY M. Evaluation of power system flexibility[J]. IEEE Trans Power Syst， 2012，27（2）：922-931.

[6] 胡殿剛， 張雪佼， 陳乃仕， 等. 新能源發電項目多維度后評價方法體系研究[J]. 電力系統保護與控制， 2015，43（4）：10-17.

[7] 張 躍， 楊汾艷， 曾 杰， 等. 主動配電網的分布式電源優化規劃方案研究[J]. 電力系統保護與控制， 2014，43（15）：67-72.

[8] KARABOGA D. An idea based on honey bee swarm for numerical optimization [R]. Kayseri： Engineering Faculty Computer Engineering Department， Bath University， 2005.

[9] 胡澤春， 宋永華， 徐智威， 等. 電動汽車接入電網的影響與利用[J]. 中國電機工程學報， 2012，32（4）：1-10，25.

[10] 王振樹， 卞紹潤， 劉曉宇， 等. 基于混沌與量子粒子群算法相結合的負荷模型參數辨識研究[J]. 電工技術學報， 2014，29（12）：211-217.

[11] North American Electric Reliability Corporation. Special report： potential reliability impacts of emerging flexible resources[R]. America： North American Electric Reliability Corporation （NERC）， 2010：2-6.

[12] NIKNAM T. An efficient multi-objective HBMO algorithm for distribution feeder reconfiguration[J].Expert Syst Appl， 2011，38（3）：2878-2887.

[13] KEHLER J H， HU M. Planning and operational considerations for power system flexibility[C] //Power and Energy Society General Meeting， Detroit， Michigan， IEEE， 2011：1-3.

（編輯 CXM）