基于改进粒子群算法的新能源配电网优化调度

　　摘 要：为了提升新能源配电网的优化效果，文章设计了基于改进粒子群算法的新能源配电网优化调度模型，简化数据收集流程，提升测算效率，利用目标函数和约束条件可以对新能源的配电网模式进行有效识别，以此有效提高电网使用頻率，缓解用电紧张。研究表明，通过改进粒子群算法，可以有效优化电网的有功网损和电压偏差，总体满意度达到0.950以上，因此改进粒子群算法将会越来越广泛地应用于新能源配电网的优化。

　　关键词：改进粒子群算法;新能源;配电网;调度优化

　　0 引 言

　　随着新能源技术的发展，在目前的配电网中，接入了越来越多的分布式能源，使得配电网运行更为安全、经济与优质。主动配电网(ADN)的目标是控制分布式发电(DG)设备和负荷侧资源，以提高供电可靠性和间歇性能源消耗能力，减少配电网损耗，改善电能质量。而建设新能源配电网可以有效缓解我国目前电网使用频率高、用电紧张的问题。但新能源配电网中，光伏以及风电存在着较强的波动性与间歇性，这种不稳定性与非连续性影响着新能源配电网的高效运行。贲树俊[1]等人构建了两阶段的优化调度模型，用于测算电力系统的实际运行成本消耗和用电负荷数值，利用聚合商的算法可以根据使用时间和方向的差异进行灵活性测算分析，以此提高新能源电力系统使用效能。陈文彬[2]等人利用新型的电力负荷测试，得出精准的数据信息，以此对比新能源的电网实际使用成本的差异性，为日后新型能源化的电力系统提出进一步的指导方法。格日勒图[3]等人基于Shapely值分配合作剩余，使用混沌粒子群算法设计模型求解流程，以此得出市场电网匹配度。根据研究人员的测试分析，本文提出了进一步的优化测试方法，利用改进后的粒子群算法，构建新型能源配电网调度模型，以此达到优化电网的效能。

　　1 新能源配电网优化调度模型设计

　　1.1 新能源配电网中多目标优化模型

　　在大多数工程问题中，包括成本和效率在内的问题公式化似乎很明显。市场自由化造成复杂性的电力分配等领域需要制定多目标优化问题。配电领域在过去几年经历了向有源网络的重要重组，其特征是分布式发电机组的高渗透率，基于内燃机、小型和微型燃气轮机、燃料电池、光伏和风能等技术植物;这些系统可能还包括存储单元。以物理分布的方式生产能源的可能性提供了许多需要高质量和经济运行的利益的想法。这就是为什么目前配电管理问题可以表述为多目标优化问题的原因。

　　电力系统在实际工作过程中，需要多个控制变量和约束条件对其进行不同程度的分工，以此达到高效稳定的电力运行。在电力输出中，需要增强发电机的无法处理效能以此满足高峰负荷下的电力正常运行能力，可以通过利用静止无功补偿器和DG输出的无功功率实时调整控制电力系统，确保变量在有效控制范围内。因此，电力系统下的无功优化能力在新能源配电网中具有重要意义，可以有效简化非线性混合规则问题，提高控制变量能力，减少约束条件。电力系统多目标无功优化模型为：

　　(1)

　　式(1)中：目标函数fi(x)(i=1，2，…，n)中，x表示控制变量，x∈RN;g(x)为潮流约束方程;xmin和xmax为控制变量;ymin和ymax为系统其他变量约束。

　　1.2 目標函数

　　目标函数可以测算系统的性能标准，通过目标函数的数值分析可以得到电力系统的实际用电情况，实际工作提供指导方法即：

　　(2)

　　式(2)中：N1为支路数量;Gk(i，j)为节点适应度值;k为权重系数;Vi和Vj为电压幅值;θ为电压相角差;Nnode为系统实际电压值;ViN为额定电压;Δvmax为最大允许偏差。

　　1.3 约束条件

　　在约束条件下测算电力有功功率与无功功率，潮流计算约束公式为：

　　(3)

　　式(3)中：Pi为节点i注入的有功功率;Qi为节点i注入的无功功率，m为节点个数;Gij和Bij为支路ij上的电导和电纳。

　　不等式约束为：

　　Vmin≤Vi≤Vmax (4)

　　0≤ΔVi≤Vmax (5)

　　Iij≤Iijmax (6)

　　Tmin≤T≤Tmax (7)

　　由此分析可以得出，Vmin和Vmax分别为电压的最小值和最大值;ΔVi=Vi-ViN为节点i的电压偏差，ΔVmax为节点i的最大允许电压偏差，Iijmax为ij支路上电流最大值;Tmin和Tmax为档位下限值和上限值。

　　2 新能源配电网调度模型的求解

　　2.1 改进粒子群算法

　　粒子群算法在配电网中具有广泛的应用前景，可以更全面地测试配电网的用电程度、有功网损和配电偏差等实际情况。粒子群算法是对鸟群算法的简化和更新，加入了新的测算方式和规则，可以更全面地测算配电网实际使用情况。改进后的粒子群算法具有以下3种优势：

　　(1)数据测试范围更加广泛，避免个体数据出现交叉碰撞情况，导致数据计算错误。

　　(2)提升测算速度，在抓取数据后与相应测算公式结合，保持数据测算结果协调一致。

　　(3)主动靠近测算个体，高效集中化处理信息[4，5]。

　　基于上述改进粒子群算法的优势，提出具体测算算法，假设粒子群算法中的每个粒子在z维度的搜索空间进行一定速度的搜索测试，zj=(zj1，zj2，…，zjx)为粒子j在z维度空间下的位置，vj=(vj1，vj2，…，vjx)为粒子j在z维度的空间内的测试速度，Obestj=(Obestj1，Obestj2，…，Obestjx)为粒子j在z维度空间内的最优测试位置。在z维度空间内，粒子j的测试速度和位置，可以根据自身的测试能力和具体经验进行部分调整，以动态模拟的形式对其测试速度和位置进行部分调整，以此达到最优效果：

　　vjn(t+1)=vjn(t)+a1b1((Obestjn(t)-zj(t))

　　+a2b2((Ebestjn(t)-zj(t)) (8)

　　式(8)中，vjn(t)为迭代次数为t代时j粒子的第n维速度分量;Obestjn(t)表示迭代次数为t代时粒子j第n维个体最优位置分量;a1、a2为学习常数因子;b1、b2的取值范围为[0，1]，取值方式为随机取值，用以保证测试结果的普遍性[6];Ebestjn(t)表示整个粒子群的最优测算位置。在matlab中编程实现的改进粒子群算法，图1显示了改进算法的迭代输出，群的平均值(3.67)接近全局最优值(3.676)。

　　2.2 新能源配电网调度模型求解优化

　　新能源配电网调度模型求解优化具体步骤为：

　　(1)设定主动配电网的经济调度模式(模型式1)，读取配电网系统数据及设置的参数，以此测算数据最优解。

　　(2)对主动配电网内各个数据进行初始化设置，保证测试的统一性和完整性。通过目标函数(式2)计算实际用电及系统网损数据，判断其是否满足设定的约束(式3～7)的条件。满足条件的情况下，网损值为适应度值。不满足条件的情况下再减少约束条件，重新进行步骤(1)的计算。根据实际的调度时段对配电网的内部运行条件和相关成本进行参数设定，设定主动配电网的迭代通道数、最大粒子速度和运行加速因子[7]。

　　(3)设定主动配电网的初始迭代次数为0，随后通过随机生成粒子的方式形成配电网内所有初始粒子，确定每个初始粒子的数量和z维空间位置。

　　(4)最末次的迭代各粒子通过测算后得出主动配电网的经济调度值，测算当前粒子与历史粒子对比分析后，进行优化替换。