基于多目標粒子群算法的分布式電源配網規劃

關鍵詞：電力；分布式電源；配網規劃；粒子群

中圖分類號：TM715；TP18 文獻標識碼：A

0 引言

隨著能源需求的不斷增長和環境保護意識的加強，分布式電源的開發和應用成為能源領域研究的熱點[1]。分布式電源是指靠近用電地點的小型電源設施，包括太陽能、風能、小水力、生物質能等可再生能源以及燃氣輪機、燃料電池等。這些電源的接入，不僅可以提高電能質量和供電可靠性，降低能源傳輸損失，而且有助于實現能源的可持續發展。然而，分布式電源的有效接入和優化配置是一個復雜的多目標問題，涉及經濟成本、環境影響、技術性能等多個方面的考量[2]。

多目標粒子群優化（multi-objective particleswarm optimization，MOPSO）算法作為一種有效的進化計算技術，已被廣泛應用于解決多目標優化問題。在分布式電源配網規劃中，MOPSO 算法能夠有效處理多個互相沖突的目標，如最小化投資與運營成本、最小化環境影響以及最大化系統可靠性等，為決策者提供一系列優化方案。因此，基于多目標粒子群優化算法的分布式電源配網規劃顯得尤為重要[3]。本文旨在探討MOPSO 算法在分布式電源配網規劃中的應用，分析其在實現電網優化配置中的有效性和實用性，為分布式電源的發展和電網的可持續性提供理論與實踐支持。

1 粒子群優化算法

粒子群優化（particle swarm optimization，PSO）算法的基本思想是模擬一群鳥（粒子）在多維搜索空間中飛行并尋找食物的行為[4]。每個粒子代表潛在的解，其在搜索空間中的位置由位置向量x 表示，其移動速度由速度向量v 表示。每個粒子都有一個記憶，能夠記住自己找到的最好位置，同時在群體中也會分享各自找到的最好位置。粒子通過跟蹤這兩個最優值來更新自己的速度和位置，從而探索解空間，尋找全局最優解。粒子群優化算法流程如圖1 所示，其執行過程如下。

步驟1：初始化一群粒子的位置和速度。

步驟2：評估每個粒子的適應度值，并更新個體最優和全局最優位置。

步驟3：根據速度和位置更新規則調整每個粒子的速度和位置；通過比較每個粒子在當前位置的目標函數值更新全局最優位置。

步驟4：重復步驟2和步驟3，直至滿足終止條件。

2 基于多目標粒子群算法的分布式電源配網規劃

2.2 改進的多目標粒子群優化算法

在研究配電系統優化問題時，關鍵步驟包括初始化參數設定、初始迭代準備、目標函數適應度計算、迭代過程更新以及優化過程的終止條件檢驗，如圖2 所示。

（1）對配電系統中的關鍵參數進行初始化設定，這些參數包括節點電壓范圍、線路功率范圍、分布式發電輸出范圍、粒子群優化算法中粒子數量、迭代次數和算子概率范圍。

（2）初始迭代準備。通過生成一個符合初始參數設定條件約束的粒子群開始迭代過程，粒子群規模設定為Nfkdrf1gBfTA+XJkW49+wjpx4rbn8D/chEKqaKMkO+4=80 個個體。這些個體構成了優化問題的初始解空間。

（3）目標函數適應度計算。對初始粒子群中的每個個體，計算其在特定目標函數下的適應度值。在本文中，目標函數考慮了經濟性和系統穩定性兩個方面，通過適應度值的計算，為每個個體分配一個適應度等級。

（4）迭代更新。在完成初始適應度評估后，根據粒子群優化算法的規則更新粒子位置，即進行新一輪的迭代。迭代更新考慮個體的當前狀態和整個群體的最優解，并且依據特定的粒子更新公式進行計算。

（5）在每次迭代后，檢驗是否達到了預設的迭代次數，以及解的質量（適應度值）在連續多代迭代中是否無顯著變化，若滿足上述任一條件，則終止優化過程，并輸出當前找到的最優解集合。若未滿足終止條件，則基于當前的最優解和個體適應度等級，繼續進行新一輪的迭代，以進一步探索解空間，尋求更優解。

3 實驗結果與分析

本文以某地區分布式電源接入規劃研究為例，假設該地區未有新增負載接入，并且區域負荷預計以每年5% 的速度增長。基于這些假設，本文選擇了一個案例進行分布式電源接入的配置與容量設定方案的優化探索。系統配電示意圖如圖3 所示。變壓器側的第一個節點標記為節點1，這個節點不允許接入任何分布式電源。而節點2 至節點10 則被指定為可以安裝分布式電源的位置。分布式電源包括小型燃機、風電、電池和光伏，所有接入的分布式電源的功率因數均為0.95。為簡化分析和計算過程，這些分布式電源的輸出功率被設置為5 kW 的整數倍。

本文將所提出的方法與基于遺傳算法的方法進行對比分析，實驗結果對比如表1 所示。對于小型燃機，遺傳算法選擇了8個地點，總容量為30 kW；而多目標粒子群算法選擇了10個地點，總容量為35 kW，顯示出后者在選址數量和容量上靈活性更高。風電方面，遺傳算法在5 個地點配置了80 kW，而多目標粒子群算法則在2 個地點集中配置了100kW，反映出兩種算法具有不同的資源優化策略。電池配置方面，遺傳算法未選擇電池，而多目標粒子群算法在8 個地點配置了50 kW·h，這展示了后者在儲能系統上的優勢。光伏選址方面，遺傳算法在10個地點配置了30 kW，而多目標粒子群算法沒有選擇光伏方案，表明遺傳算法更注重光伏的分布式應用。對于新建線路，遺傳算法選擇了3、10兩個節點，而多目標粒子群算法選擇了2、5 兩個節點，表明兩種算法在新建線路規劃上的不同策略。通過對比兩種算法分布式電源接入的配置與容量設定方案經濟成本，遺傳算法方案需要673.0萬元，而多目標粒子群算法方案需要621.7 萬元，后者成本更低。

4 結論

在當前能源格局轉型和電網現代化的背景下，分布式電源的接入和優化配置對于提高電網的可靠性和效率至關重要。本文提出了一種基于改進多目標粒子群優化算法的分布式電源配網規劃方法。通過引入最劣目標函數和帕累托最優解，顯著提升了算法的收斂速度和解的質量。實驗結果表明，相較于遺傳方法，多目標粒子群算法能夠表現出顯著的成本優勢。未來的研究將探索算法在不同類型和規模電網中的適用性和優化潛力，進一步促進分布式電源在全球能源系統中的高效集成。