分布式電源對配電網的影響及優化配置模型

黃 升

?

分布式電源對配電網的影響及優化配置模型

黃 升

（湖南電網公司湘潭供電局，湖南湘潭 411100)

隨著用電負荷的急劇增長，分布式發電成為了當今電力系統的研究熱點。為了更好地發揮分布式電源的經濟效應，本文首先對分布式電源接入電網后對傳統配電網的影響作了分析研究。在此基礎上，建立了電源的優化配置模型，確立了以減少節點電壓偏移量、降低系統損耗量和提高并網電壓穩定度的多目標函數優化模型，并利用自適應混沌粒子群算法進行函數求解。最后通過算例分析，驗證了模型的實際效果和求解算法的準確性。

分布式電源（DG）；多目標優化；自適應混沌粒子群算法

0 前言

隨著能源危機的日益嚴重，分布式電源(DG)以其在經濟和生態方面獨有的優勢，在電能生產中的比重不斷增加，成為當今能源領域的重要發展方向之一。DG是為滿足某些終端用戶的需要，與電網聯合運行的，配置在用戶側或負荷集中區域的規模較小的獨立電源(一般小于50WM)，主要發電設施包括：光伏發電、風力發電、小水電、內燃機、微型燃氣輪機、燃料電池等。DG在給用戶帶來方便的同時，它的接入也改變了傳統配電網絡的結構，給電網帶來了許多消極影響，包括網損，電能質量，系統保護等方面，因此，研究DG接入配電網的影響和其優化配置問題，對發揮DG的優勢和全面推廣DG的應用具有重要的研究價值。

文章構建了以節點電壓偏移量、系統損耗最少和并網電壓穩定度最大的多目標優化模型。為保證算法在多目標函數的準確性和適應性，利用混沌思想，提高粒子種群的多樣性和遍歷性，擇優選擇適應度好的粒子，避免陷入局部最優，最后通過案例驗證算法的實際效果。

1 DG并網對配電網的影響

DG接入配電網后，首先改變了傳統配電系統饋線的潮流大小和方向，對系統網損產生了直接影響。當DG的輸出量小于或等于系統中節點的負荷量時，配電網有減少網損的作用。當DG的輸出量小于系統中節點的負荷量，同時最少有一個DG的輸出量大于該節點負荷量時，配電網可能會使線路損耗增加，當DG的輸出量大于系統中節點的負荷量，同時至少有一個DG的輸出量大于該節點負荷量時，系統的損耗一定會增加。其次影響了節點電壓分布。圖1是DG加入前后節點電壓的變化。可以看出，DG安裝的位置和容量將直接影響節點電壓的水平。最后由于傳統的配電網是一個單電源系統，一般采用三段式電流保護。DG接入，配電網成為了一個多電源系統，不僅要求設備保護具有方向性而且對線路的保護范圍和保護靈敏度都會有影響等。因此建立合適的DG優化模型，對提高系統的穩定性和可靠性，具有重要的意義。

圖1 DG加入前后對電壓的影響

2 DG優化配置數學模型

2.1 目標函數

目標函數定義為綜合節點電壓偏移量1、系統網損2和并網電壓穩定度3的復合函數，可以寫成：

式中，1、2、3是目標函數的權重系數，根據實際情況設定為：1>2>3>0。

以配電網節點電壓最小為目標函數1:

以系統網損最小為目標函數2

式中，N為支路數總數，G為節點和之間的電導，V、V分別為節點、電壓的幅值，為節點之間的電壓相角差。

以靜態電壓穩定裕度最小為目標函數3:

式中，λmin為牛頓潮流方程中雅克比矩陣的最小奇異值。

2.2 約束方程

（1）節點潮流約束方程：

式中：是支路個數；P,i、Q,i分別為節點處電源的有功、無功出力；P,i、Q,i分別為節點處的有功、無功負荷；G、B為系統導納；δ為節點電壓相角差；

（2）節點電壓約束方程：

式中：U為節點電壓的大小；

（3）支路傳輸功率約束方程：

（4）分布式電源總容量約束方程：

式中，是節點數；N為DG的個數；P,min和P,max分別表示DG注入有功的上、下限；為DG有功總量占系統負荷總量的比例上限。

3 DG優化配置算法

傳統的粒子群算法是基于種群全局搜索的無約束極小優化問題。在尋優過程中，粒子通過跟蹤個體最優值best和全局最優值best對自己的位置和速度不斷更新，搜索最佳位置。但也會出現陷入局部最優解和后期停滯現象，針對該情況，本文引入了粒子的適應度和混沌算法。算法利用混沌算法特有的遍歷性，使粒子跳出局部極值區域，然后自適應的調整慣性系數，使系統時刻保持者較好的全局收索能力。PSO算法為：

利用自適應混沌算法在解多目標函數時的具體流程如下：

（1）初始化多目標函數，設置算法的最大迭代次數和粒子數等參數。

（2）以DG在配電網各節點的注入功率為基本粒子，對個粒子的速度x和位置V進行混沌初始化；

（3）據公式(13)計算種群中個粒子適應值。

min適應度W的最小值，max表示最大值，avg當前目標函數的平均值。

（4）將個粒子適應值的大小，分別與best，和best進行比較，將適應度最小的粒子，賦值給best，best。利用公式（12）（13），更新個粒子速度x和位置V，然后進行潮流計算和對目標函數F求解。

（5）按適應值的大小，擇優對前個粒子進行混沌優化，避免陷入局部最優

（6）返回步驟（3）（4），繼續進行新的潮流計算和求解。

（7）達到最大迭代次數，結束，返回全局最優解。

4 算例分析

（1）對IEEE33進行實例仿真，驗證所提算法的有效性。圖2是IEEE33饋線網絡模型該配電網電壓等級為12.6kV，有功損耗為812.3kW，粒子群算法配置參數：種群規模=50，最大迭代次數100，自適應系數1=0.1345，2=0.7058，3=0.1597，慣性權重上限0.9，下限0.2，學習因子1=3.0，2=2.0，仿真結果如下：

圖2 IEEE33饋線網絡模型

圖3是優化前后節點電壓比較圖。三角形是優化之前節點電壓，五角星曲線為優化之后電壓。可以看出優化之后最低電壓為0.945p.u.，比優化之前的節點最低電壓值得到了有效提高，整體電壓水平明顯改善。表1是目標量參數，采用該算法后，系統的有功網損由優化前的812.3kW變為498.32kW，降損率約為38.65%，說明該優化配置模型減少了電網網損、降低了發電成本，提高系統靈活性和電壓穩定性。

圖3 優化前與優化后節點電壓比較

表1 目標量參數

5 結論

本文首先描述了DG對配電網的影響，然后構建了以降低網損，改善電壓質量為目標的優化數學模型，并采用自適應混沌粒子群算法進行優化求解。算例表明，進行分布式電源優化配置后，節點電壓偏差變小，系統整體性能得到優化。說明該優化配置模型可以達到節省投資、降低損耗、提高電能質量和系統可靠性的目的。

[1] 劉偉, 張海燕, 時婧, 等. 改進PSO與AHP算法優化配置分布式電源網絡[J]. 系統仿真學報, 2013, 25(12): 3057-3063.

[2] 賀海, 呂娟, 王磊. 改進粒子群算法在分布式電源優化配置中的應用研究[J]. 2013,29(2):21-25.

[3] 郭偉. 基于ACPSO算法的分布式電源優化配置研究[D]. 長沙理工大學. 2013.

[4] 龔莉莉, 吳紅斌. 基于ACPSO算法的含分布式電源配電網無功優化[J]. 合肥工業大學學報, 2014,37(12): 1442-1445.

[5] 陳海東. 基于細菌菌落優化算法分布式電源優化配置[J]. 電力系統保護與控制, 2015, 43(21): 106-111.

[6] 閻鼎. 分布式電源優化配置及其對電能質量的影響[D]. 上海交通大學, 2014.

[7] 陳浩. 分布式電源對配電網網損影響的研究[J]. 電力與能源, 2011(1): 371-372.

[8] 王賽一. 分布式電源及對配電網系統的影響[J]. 上海電力, 2006(5): 515-518.

[9] 張勇, 吳淳. 分布式發電機在配電網中的優化配置[J]. 電力系統保護與控制, 2010,38(11): 33-37.

[10] 葉德意, 何正友, 臧天磊. 基于自適應變異粒子群算法的分布式電源選址與容量確定[J]. 電網技術, 2011,36(6): 155-160.

[11] WANG Caisheng, NEHRIR M H. Analytical approaches for optimal placement of distributed generation sources in power systems[J]. IEEE Trans on Power Systems, 2004, 19(4):2068-2076.

[12] BORGES C L T, FALCAO D M. Optimal distributed generation allocation for reliability, losses, and voltage improvement [J]. Electrical Power and Energy Systems, 2006, 28(6):413-420.

Effect of Distributed Generation on Distribution and Optimal Allocation Model

HUANG Sheng

(Xiangtan Power Supply Bureau of Hunan Power Gird Crop, Xiangtan 411100, China)

With the rapid growth of electricity load, distributed generation has become the hot spot in power systems. In order to better fulfill their economic effects, firstly distributed power grid and then analyzes the impact on traditional distribution network of research . On this basis, and establishes the power of the optimal allocation model establishes the nodal voltage offset, system loss of minimum and max mum grid voltage stability of multi-objective optimization model and adaptive chaotic Particle Swarm Optimization algorithm for solving. Finally, analysis of examples verify the accuracy of the actual effects of the mode land its solution algorithm.

distributed generation(DG); multi-objective optimization; ACPSO

TM722

B

1000-3983(2016)06-0062-03

2015-12-20

黃升（1974-），1995年6月畢業于長沙理工大學電力系電力系統自動化專業，主要從事配電運行維護及配電自動化工作，工程師。

審稿人：宮海龍