学术︱基于改进粒子群算法的分布式电源优化配置

江苏镇江发电有限公司的研究人员徐卫星,在2015年第12期《电气技术》杂志上撰文,分布式电源位置和容量的优化配置可确保其发挥更好的技术经济效用。在分析DG特性的基础上,建立了考虑含分布式电源的有功网损费用最小和综合投资成本最小的多目标优化模型;鉴于传统粒子群算法具有容易早熟,易于陷入局部最优值的缺点,将自适应调整和二次项策略融入到粒子群算法,提出了一种改进型粒子群算法;并将其应用在解决含分布式电源的配电网的布局规划问题。通过算例验证所提算法具有良好实用性和适应性,并且也验证所提模型的实际意义。

分布式电源接入配电网后,会引起各支路潮流大小和方向改变,使得系统损耗不仅与负荷大小有关,同时还与DG选址及定容有关。因此,深入研究DG的合理规划具有重要意义[1]。

文献[2]提出基于细菌菌落优化算法的含分布式电源优化配置,建立了以系统有功网损最小的优化模型,但是细菌菌落优化算法寻优过程复杂,且难以寻找到高质量的优化解。

文献[3]提出基于萤火虫算法的分布式电源的优化配置,以配电网有功网损最小以及投资成本最小为目标函数,将萤火虫算法应用在分布式电源优化配置中,验证该算法的优越性。

文献[4]提出基于粒子群算法的含分布式电源的配电网优化配置,以分布式电源的接入后发电效益最大化为目标函数,但是基本粒子群算法收敛速度过慢,且种群易于陷入局部最优值。

文献[5]提出基于改进粒子群算法的分布式电源优化配置,将动态调整机制以及混沌思想融入到粒子群算法中,对于参数进行调整,实现对于粒子群算法的改进,并将改进之后的粒子群算法应用在DG的定容和选址中,通过与其他智能算法的比较验证所提方法的有效性和实际意义。

文献[6]提出基于改进遗传算法的分布式电源多目标优化配置,鉴于遗传算法寻优的不足之处,将粒子群与遗传算法相结合,实现两者结合的智能优化算法,该算法在一定程度上提高算法的收敛速度,能够寻找更高质量的优化解,但是两者的结合使得算法程序非常复杂,参数设置也比较复杂。

文献[7]提出基于改进人工鱼群算法的含分布式电源的配电网无功优化,该文章对于分布式电源与无功优化关系进行分类,在此基础上,应用改进人工鱼群算法进行算法分析,结果表面算法的有效性。

本文首先建立了包含有功网损费用最小和分布式电源综合投资成本最小的多目标优化模型,其次,详细介绍粒子群算法,并对其进行改进,对分布式电源选址和定容问题进行优化求解,最后,将计算结果与粒子群算法、细菌觅食优化算法的计算结果进行比较,验证了所提算法的有效性与优越性。

图1  IEEE-33节点配电网测试系统图

小结

首先从电力系统经济总利益的角度出发,在DG接入容量和接入位置不确定的情况下,采用将配电网网络损耗转化为经济指标的损耗费用以及分布式单元投资安装成本最小的目标函数,合理的建立了分布式电源的综合成本。运用改进粒子群优化算法对该模型进行求解,并与标准粒子群算法和细菌觅食优化算法的优化结果进行比较,验证了该算法的实用性和优越性。

分布式发电与微电网(微信号:dggrid)

关注新能源行业技术发展动态

(0)

相关推荐