CN106845626A - 一种基于混合蛙跳粒子群的dg优化配置应用方法 - Google Patents

Abstract

本发明涉及一种基于混合蛙跳粒子群的DG优化配置应用方法。首先在考虑传统分布式电源优化配置目标的基础上，将分布式电源的环境成本纳入评价指标，所建立的优化配置模型目标函数包括：分布式电源投资成本、运行成本、网损成本、购电成本和环境成本；然后利用基于混合蛙跳的改进粒子群算法对模型寻优，首次提出了在标准粒子群算法中融入人工蜂群的局部搜索策略以搜索新的解，再利用混合蛙跳算法更新种群内最差粒子，最后求解出满足DG并网的最优解条件。本发明有效地解决标准粒子群算法易陷入局部最优及收敛速度慢的缺点。

Description

一种基于混合蛙跳粒子群的DG优化配置应用方法

技术领域

本发明涉及分布式电源优化配置领域，具体涉及一种基于混合蛙跳粒子群的DG优化配置应用方法。

背景技术

随着社会经济的不断发展，国家对能源的需求越来越高，传统主要依靠化石能源发电的模式已经不能满足现有的环保要求。与传统化石能源相比，分布式电源具有节能环保、配置灵活、能源利用率高等特点，但大规模分布式电源接入配电网会对系统潮流、电能质量、供电可靠性产生影响。因此，合理地进行DG的选址与容量配置对配电网的稳定高效运行具有重要意义。

目前，国内学者对分布式电源在配电网中优化配置的研究还有待深入，大部分文献还是针对传统配电网中分布式电源的选址定容问题进行研究。目前优化寻优算法主要由遗传算法、禁忌搜索算法、粒子群算法以及在原始寻优算法基础上对单个算法进行改进或多种算法相组合进行算法性能的提升。在目标函数的选取上，多数学者选取经济性、可靠性和稳定性等方面对分布式电源接入后的优劣进行对比，解决分布式电源优化配置的问题。

以上介绍的分布式电源规划方法分别基于不同的考核指标，分别建立各自目标函数对分布式电源的接入进行优化，对配电网中分布式电源接入优化配置的后续研究有着很大的启发与借鉴作用。分布式电源的规模化接入与应用将对系统潮流分布、电压水平、短路容量等原有电气特性造成显著影响。而传统配电网在设计阶段并未考虑上述因素，因此难以满足低碳经济背景下高渗透率可再生能源发电接入与高效利用的要求。

粒子群算法(particle swarm optimization,PSO)是1995年James.Kennedy和Russell.Eberhart两位学者源于对鸟类觅食行为的研究和模仿提出的群智能进化计算方法，模仿鸟类在一定区域内随机搜寻食物，用于解决寻找最优解问题。因其简单易行，优化效率高，在电力系统无功和电压控制、最优潮流以及分布式电源优化配置等工程优化领域中取得了瞩目的成果。PSO种群的初始化一般采用随机法产生，算法前期搜索速度很快，但在搜索后期粒子不断向个体最优和群体最优两个“最优值”靠近，粒子渐趋同一化，甚至停滞，使寻优过程逐渐沦为“半盲目”状态，从而减缓了收敛速度，粒子极可能收敛于局部而不是全局最优，系统陷入局部最优很难跳出。鉴于此，本次发明在充分利用PSO算法优势的基础上将人工蜂群和混合蛙跳算法的思想融入粒子群算法，进一步提高算法的实用性，达到更理想的寻优效果。

发明内容

本发明的目的在于提供一种基于混合蛙跳粒子群的DG优化配置应用方法，该方法有效地解决标准粒子群算法易陷入局部最优及收敛速度慢的缺点。

为实现上述目的，本发明的技术方案是：一种基于混合蛙跳粒子群的DG优化配置应用方法，该方法具体如下，

S1、初始化：输入线路原始参数，在定义域内产生初始粒子，并设定粒子速度因子和惯性权重，以及分布式电源并网的功率因素；

S2、根据需求建立分布式电源优化配置模型，并对系统中分布式电源接入的总有功容量进行限制；

S3、基于混合蛙跳的改进粒子群算法执行优化配置计算：对每个粒子进行仿真，获得每个粒子接入配电网后包括系统节点电压以及线路损耗的运行参数，进而计算出包括分布式电源年投资成本、运行成本、购电成本、网损成本、环境成本，而后对不同方案的配置结果进行综合评估，通过基于混合蛙跳的改进粒子群算法对个体极值和全局极值进行记录和优化；

S4、判断全局迭代次数是否达到设定值，若达到则停止算法输出最优解，否则转至步骤S3。

在本发明一实施例中，所述步骤S2中建立分布式电源优化配置模型的目标函数为：

Z＝(Z_invest+Z_op+Z_pur+Z_loss+Z_E) (1)

其中，

Z_op＝T_max·P_DG·Z_opi (3)

Z_pur＝Z_price·T_max·(P_total-P_DG) (4)

Zl_oss＝Z_price·P_loss·τ_max (5)

式中，Z_invest为分布式电源年投资成本；Z_op为分布式电源年运行成本；Z_pur为向上级电网购电成本；Z_loss为DG接入配电网后的线路网络损耗成本；Z_E为系统的环境成本；P_DG为分布式电源的安装总有功容量；Z_cost为分布式电源的投资成本；r为投资回报率；N_DG为分布式电源规划使用年限；T_max为年需用电量/年最大负荷；Z_opi为分布式电源单位容量的运行成本；Z_price为单位电价；P_total为系统有功负荷总量；P_loss为线路有功损耗总量；τ_max为系统年最大负荷损耗小时数；K_emi为系统单位发电量温室气体的排放强度；P_G为系统年火力发电总量；Z_CO分别为各个温室气体排放惩罚价格。

在本发明一实施例中，所述步骤S2中建立分布式电源优化配置模型的目标函数将节点电压约束作为罚函数，提高配电网电压运行水平：

其中，U_ki为节点电压罚函数系数：

在本发明一实施例中，所述步骤S3中基于混合蛙跳的改进粒子群算法执行优化配置计算流程如下，

S31、初始化粒子群，设置参数，所述参数包括粒子总数、全局迭代次数、最差粒子个数、最大飞行速度、最小飞行速度、惯性权重、人工蜂群搜索系数；

S32、根据分布式电源优化配置模型的目标函数计算每个粒子的适应度值，将粒子按适应度值大小排序，排在第一位的粒子为全局最优个体X_g；

S33、利用粒子群算法更新粒子速度和位置：设定种群粒子总数为n，粒子维数为D；在寻优过程中，n个粒子组成的种群为X＝(X₁,X₂,X₃,…X_n)，其中第i个粒子在搜索空间中的位置为X_i＝(x_i1,x_i2,x_i3,…x_iD)，第i个粒子的速度为V_i＝(v_i1,v_i2,v_i3,…v_iD)，其中i＝1,2,3,…n；设定第i粒子搜索到的最优位置为P_best.i，种群内所有粒子搜索到的最优位置为G_best；则在寻优过程中，粒子的位置及速度更新公式如式(9)、(10)所示：

式中，ω为惯性权重；c₁、c₂为速度因子，通常为非负常数；r₁、r₂为[0,1]之间的随机数；在粒子群算法中，参数选取不同，算法性能也有所差异，尤其是惯性权重、速度因子这两大参数会较大程度影响算法的性能；

S34、利用人工蜂群算法在全局最优粒子基础上寻找新的优势粒子：

z_i,j＝x_i,j+b·(x_i,j-x_randam,j) (11)

式中，x_i,j为目前适应度值最优的粒子位置；x_random,j为最优粒子附近的随机粒子，其个数代表人工蜂群搜索次数m，在寻优开始前设定为固定值；b为人工蜂群搜索系数，其为[-1,1]之间的随机数；

S35、利用混合蛙跳算法的思想，对种群内适应度值排名最低的K个个体进行更新：

式中，r是[0,1]之间的随机数；i＝[n-k+1,n]；x₁、x₂为适应度值排名第一、第二的粒子位置；若新粒子x_new的适应度值比原有第i粒子x_i的适应度值高，则X_i＝X_new；

S35、判断全局迭代次数是否达到设定值，若达到则停止算法输出最优解，否则转至步骤S33。

相较于现有技术，本发明具有以下有益效果：

(1)在粒子群算法寻优基础上，运用人工蜂群算法思想对目标函数进行进一步寻优，提升搜索速度及精度；

(2)基于混合蛙跳算法思想，对种群内最差的K个体进行更新，能够有效避免搜索最优个体时陷入局部最优；

(3)在考虑配电网的分布式电源接入方案时，将等效碳排放这一节能与分布式电源建设费用、损耗费用、购电费用等进行综合考虑，建立基于低碳效益的综合优化配置模型，有效地提高电网运行的经济性与电压质量，在电网稳定运行的基础上降低了电网等效碳排放，具有一定的环保应用价值。

附图说明

图1为本发明改进粒子群算法流程图。

图2为本发明实施例提供的IEEE-33节点系统结构图。

图3为本发明实施例提供的寻优迭代效果对比图。

图4为本发明实施例提供的节点电压对比图。

具体实施方式

下面结合附图1-4，对本发明的技术方案进行具体说明。

如图1所示，本发明的一种基于混合蛙跳粒子群的DG优化配置应用方法，该方法具体如下，

S1、初始化：输入线路原始参数，在定义域内产生初始粒子，并设定粒子速度因子和惯性权重，以及分布式电源并网的功率因素；

S2、根据需求建立分布式电源优化配置模型，并对系统中分布式电源接入的总有功容量进行限制；

S3、基于混合蛙跳的改进粒子群算法执行优化配置计算：对每个粒子进行仿真，获得每个粒子接入配电网后包括系统节点电压以及线路损耗的运行参数，进而计算出包括分布式电源年投资成本、运行成本、购电成本、网损成本、环境成本，而后对不同方案的配置结果进行综合评估，通过基于混合蛙跳的改进粒子群算法对个体极值和全局极值进行记录和优化；

S4、判断全局迭代次数是否达到设定值，若达到则停止算法输出最优解，否则转至步骤S3。

在本发明一实施例中，所述步骤S2中建立分布式电源优化配置模型的目标函数为：

Z＝(Z_invest+Z_op+Z_pur+Z_loss+Z_E) (1)

其中，

Z_op＝T_max·P_DG·Z_opi (3)

Z_pur＝Z_price·T_max· (Pt_otal-P_DG) (4)

Zl_oss＝Z_price· P_loss· τ_max (5)

式中，Z_invest为分布式电源年投资成本；Z_op为分布式电源年运行成本；Z_pur为向上级电网购电成本；Z_loss为DG接入配电网后的线路网络损耗成本；Z_E为系统的环境成本；P_DG为分布式电源的安装总有功容量；Z_cost为分布式电源的投资成本；r为投资回报率；N_DG为分布式电源规划使用年限；T_max为年需用电量/年最大负荷；Z_opi为分布式电源单位容量的运行成本；Z_price为单位电价；P_total为系统有功负荷总量；P_loss为线路有功损耗总量；τ_max为系统年最大负荷损耗小时数；K_emi为系统单位发电量温室气体的排放强度；P_G为系统年火力发电总量；Z_CO分别为各个温室气体排放惩罚价格。

所述步骤S2中建立分布式电源优化配置模型的目标函数将节点电压约束作为罚函数，提高配电网电压运行水平：

其中，U_ki为节点电压罚函数系数：

所述步骤S3中基于混合蛙跳的改进粒子群算法执行优化配置计算流程如下，

S31、初始化粒子群，设置参数，所述参数包括粒子总数、全局迭代次数、最差粒子个数、最大飞行速度、最小飞行速度、惯性权重、人工蜂群搜索系数；

S32、根据分布式电源优化配置模型的目标函数计算每个粒子的适应度值，并根据要求将粒子按适应度值大小排序，排在第一位的粒子为全局最优个体X_g；

S33、利用粒子群算法更新粒子速度和位置：设定种群粒子总数为n，粒子维数为D；在寻优过程中，n个粒子组成的种群为X＝(X₁,X₂,X₃,…X_n)，其中第i个粒子在搜索空间中的位置为X_i＝(x_i1,x_i2,x_i3,…x_iD)，第i个粒子的速度为V_i＝(v_i1,v_i2,v_i3,…v_iD)，其中i＝1,2,3,…n；设定第i粒子搜索到的最优位置为P_best.i，种群内所有粒子搜索到的最优位置为G_best；则在寻优过程中，粒子的位置及速度更新公式如式(9)、(10)所示：

式中，ω为惯性权重；c₁、c₂为速度因子，通常为非负常数；r₁、r₂为[0,1]之间的随机数；在粒子群算法中，参数选取不同，算法性能也有所差异，尤其是惯性权重、速度因子这两大参数会较大程度影响算法的性能；

S34、利用人工蜂群算法在全局最优粒子基础上寻找新的优势粒子：

z_i,j＝x_i,j+b·(x_i,j-x_randam,j) (11)

式中，x_i,j为目前适应度值最优的粒子位置；x_random,j为最优粒子附近的随机粒子，其个数代表人工蜂群搜索次数m，在寻优开始前设定为固定值；b为人工蜂群搜索系数，其为[-1,1]之间的随机数；

S35、利用混合蛙跳算法的思想，对种群内适应度值排名最低的K个个体进行更新：

式中，r是[0,1]之间的随机数；i＝[n-k+1,n]；x₁、x₂为适应度值排名第一、第二的粒子位置；若新粒子x_new的适应度值比原有第i粒子x_i的适应度值高，则X_i＝X_new；

S35、判断全局迭代次数是否达到设定值，若达到则停止算法输出最优解，否则转至步骤S33。

下述引用仿真实例说明基于混合蛙跳的改进粒子群算法在分布式电源优化配置的应用中具有优越性。

本发明选用IEEE-33节点系统对模型及改进算法进行仿真测试。该系统含有32条馈线及33个负荷节点，系统的额定电压为12.66kV，三相功率基准值为10MVA，系统的有功功率及无功功率总量分别为3715kW及2300kvar。节点系统具体结构如图2所示。

优化算法参数设置为：粒子总数n＝100；种群总进化迭代数MAXGEN＝100；人工蜂群搜索迭代次数m＝50；混合蛙跳对种群内最差K＝10个粒子进行优化。目标函数参数设置为：年最大负荷损耗小时数T_max＝4600h，年最大负荷利用小时数τ_max＝3200h，分布式电源投资回报率r为0.1，分布式电源规划使用20年。利用改进粒子群算法对目标函数进行寻优，最优解为分别在节点5接入100kW，节点6接入100kW，节点19接入300kW，节点24接入200kW，节点27接入100kW，节点29接入100kW。系统内接入的分布式电源总容量为900kW，满足最高渗透率限制要求。

表1规划方案对比

表1为本文的BFPSO算法与其他智能算法的寻优结果对比。由表中可看出，在系统中接入分布式电源之前，系统网损成本为31.49万元，环境成本为15.69万元。此时，系统网络损耗较高，使得系统运行经济性降低，而且污染物排放较多使得环境成本上升。利用本发明改进的粒子群算法对分布式电源进行优化配置后，每年网损成本降低了17.40万元，年环境成本也降低了21.47％，在系统年运行费用上大幅降低至813.52万元。将改进算法与基本粒子群算法、人工蜂群算法和原始蛙跳算法进行对比，由表中结果可明显看出，改进算法的优化结果在网损成本、购电成本、环境成本等各方面都优于其他三种算法，说明了本发明的BFPSO算法能够有效地提高寻优能力，避免算法陷入局部最优，使得分布式电源的配置更加合理，图3给出了四种智能算法的寻优迭代效果图，也验证了这一结果。

图4为不同智能算法配置方案的节点电压对比图。由图中可以看出，基于混合蛙跳算法的改进粒子群算法的配置方案将节点电压最低值提升至0.9699p.u.。同时，整个系统的电压水平也得到提高，平均电压由0.9413p.u.提高到0.9959p.u.。相较于其他几个方案，明显看出本发明提出的改进粒子群算法对于电压质量的改善最优。这说明了本发明改进算法配置结果能够在有效提升系统经济性以及降低污染排放的同时，有效地提高了系统的电压水平。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于混合蛙跳粒子群的DG优化配置应用方法，其特征在于：该方法具体如下，

S1、初始化：输入线路原始参数，在定义域内产生初始粒子，并设定粒子速度因子和惯性权重，以及分布式电源并网的功率因素；

S2、根据需求建立分布式电源优化配置模型，并对系统中分布式电源接入的总有功容量进行限制；

S3、基于混合蛙跳的改进粒子群算法执行优化配置计算：对每个粒子进行仿真，获得每个粒子接入配电网后包括系统节点电压以及线路损耗的运行参数，进而计算出包括分布式电源年投资成本、运行成本、购电成本、网损成本、环境成本，而后对不同方案的配置结果进行综合评估，通过基于混合蛙跳的改进粒子群算法对个体极值和全局极值进行记录和优化；

S4、判断全局迭代次数是否达到设定值，若达到则停止算法输出最优解，否则转至步骤S3。

2.根据权利要求1所述的一种基于混合蛙跳粒子群的DG优化配置应用方法，其特征在于：所述步骤S2中建立分布式电源优化配置模型的目标函数为：

Z＝(Z_invest+Z_op+Z_pur+Z_loss+Z_E) (1)

其中，

$Z_{invest}=\frac{P_{DG}\·Z_{\cos t}\·r\·{(1+r)}^{N_{DG}}}{{(1+r)}^{N_{DG}}-1}---\left(2\right)$

Z_op＝T_max· P_DG· Z_opi (3)

Z_pur＝Z_price· T_max· (P_total-P_DG) (4)

Z_loss＝Z_price·P_loss·τ_max (5)

$Z_E=(Z_{{\mathrm{co}}_2}+Z_{{\mathrm{NO}}_X}+Z_{{\mathrm{SO}}_2}+Z_{\mathrm{CO}})\·K_{\mathrm{emi}}\·P_G---\left(6\right)$

式中，Z_invest为分布式电源年投资成本；Z_op为分布式电源年运行成本；Z_pur为向上级电网购电成本；Z_loss为DG接入配电网后的线路网络损耗成本；Z_E为系统的环境成本；P_DG为分布式电源的安装总有功容量；Z_cost为分布式电源的投资成本；r为投资回报率；N_DG为分布式电源规划使用年限；T_max为年需用电量/年最大负荷；Z_opi为分布式电源单位容量的运行成本；Z_price为单位电价；P_total为系统有功负荷总量；P_loss为线路有功损耗总量；τ_max为系统年最大负荷损耗小时数；K_emi为系统单位发电量温室气体的排放强度；P_G为系统年火力发电总量；Z_CO分别为各个温室气体排放惩罚价格。

3.根据权利要求1所述的一种基于混合蛙跳粒子群的DG优化配置应用方法，其特征在于：所述步骤S2中建立分布式电源优化配置模型的目标函数将节点电压约束作为罚函数，提高配电网电压运行水平：

$F=min(c_{total}+\mathrm{\λ}\underset{i=1}{\overset{N}{\Σ}}|\frac{U_{ki}}{U_{imax}-U_{imin}}{|}^2)---\left(7\right)$

其中，U_ki为节点电压罚函数系数：

$U_{ki}=\left\{\begin{array}{cc}{U}_{i\min }-U_i& U_i<U_{i\min }\\ 0& U_{i\min }\&le;U_i\&le;U_{i\max }\\ U_i-U_{i\max }& U_i>U_{i\max }\end{array}\right.---\left(8\right).$

4.根据权利要求1所述的一种基于混合蛙跳粒子群的DG优化配置应用方法，其特征在于：所述步骤S3中基于混合蛙跳的改进粒子群算法执行优化配置计算流程如下，

S31、初始化粒子群，设置参数，所述参数包括粒子总数、全局迭代次数、最差粒子个数、最大飞行速度、最小飞行速度、惯性权重、人工蜂群搜索系数；

S32、根据分布式电源优化配置模型的目标函数计算每个粒子的适应度值，将粒子按适应度值大小排序，排在第一位的粒子为全局最优个体X_g；

S33、利用粒子群算法更新粒子速度和位置：设定种群粒子总数为n，粒子维数为D；在寻优过程中，n个粒子组成的种群为X＝(X₁,X₂,X₃,…X_n)，其中第i个粒子在搜索空间中的位置为X_i＝(x_i1,x_i2,x_i3,…x_iD)，第i个粒子的速度为V_i＝(v_i1,v_i2,v_i3,…v_iD)，其中i＝1,2,3,…n；设定第i粒子搜索到的最优位置为P_best.i，种群内所有粒子搜索到的最优位置为G_best；则在寻优过程中，粒子的位置及速度更新公式如式(9)、(10)所示：

$V_{i.d}^{k+1}={\mathrm{\&omega;V}}_{i.d}^k+c_1{r}_1(P_{best.i.d}^k-X_{i.d}^k)+c_2{r}_2(G_{best.d}^k-X_{i.d}^k)---\left(9\right)$

$x_{i.d}^{k+1}=x_{i.d}^k+v_{i.d}^{k+1}---\left(10\right)$

式中，ω为惯性权重；c₁、c₂为速度因子，通常为非负常数；r₁、r₂为[0,1]之间的随机数；在粒子群算法中，参数选取不同，算法性能也有所差异，尤其是惯性权重、速度因子这两大参数会较大程度影响算法的性能；

S34、利用人工蜂群算法在全局最优粒子基础上寻找新的优势粒子：

z_i,j＝x_i,j+b·(x_i,j-x_randam,j) (11)

式中，x_i,j为目前适应度值最优的粒子位置；x_random,j为最优粒子附近的随机粒子，其个数代表人工蜂群搜索次数m，在寻优开始前设定为固定值；b为人工蜂群搜索系数，其为[-1,1]之间的随机数；

S35、利用混合蛙跳算法的思想，对种群内适应度值排名最低的K个个体进行更新：

$x_{new}=x_i+r\&times;\left(\frac{x_1+x_2}{2}\right)---\left(12\right)$

式中，r是[0,1]之间的随机数；i＝[n-k+1,n]；x₁、x₂为适应度值排名第一、第二的粒子位置；若新粒子x_new的适应度值比原有第i粒子x_i的适应度值高，则X_i＝X_new；

S35、判断全局迭代次数是否达到设定值，若达到则停止算法输出最优解，否则转至步骤S33。