CN111293687B - 一种基于三维粒子群算法的分布式电源选址定容的方法 - Google Patents

Abstract

一种基于三维粒子群算法的分布式电源选址定容的方法：分布式电源在配电网当中进行规划配置时，将接入配电网中的分布式电源等效为PQ节点模型，设定配电网负荷节点作为各负荷中心；确定分布式电源待接入点集，用以最大程度降低接入分布式电源后的配电网的网络损耗并且从源头上提高规划结果的精度；建立分布式电源在配电网中规划配置模型，分布式电源投资与维护年折算成本、年缺供电量成本、网络年损耗成本、社会环境效益、分布式电源发电补贴；节点功率、馈线容量、节点电压、节点分布式电源安装容量和分布式电源安装总容量；运用三维粒子群算法分布式电源在配电网中规划配置模型进行求解。本发明从源头上提高了规划结果的精度。

Description

一种基于三维粒子群算法的分布式电源选址定容的方法

技术领域

本发明涉及一种分布式电源选址定容的方法。特别是涉及一种基于三维粒子群算法的分布式电源选址定容的方法。

背景技术

随着传统化石能源的日渐枯竭与社会经济的飞速发展，传统大电网发电形式逐渐不能满足将能源高效利用的需求，而电能清洁生产也对传统大电网发电形式的改进提出了更高的要求。作为电力系统中与需求侧关系最为紧密的一部分，配电网以其电能需求量大、负荷密度高和供电质量要求高等特点，使得它的发展一直是电力系统发展中比较薄弱的一个环节，如何开展对配电网的节能降损也成为了电力系统中亟待解决的问题。

分布式电源(Distributed Generator，简称DG)靠近用户且规模较小，可直接向负荷供电或者向电网输送电能，用以提高配电网的经济性和可靠性，也可就地用于热电联产，使效率得到提高。同集中发电形式相比，分布式电源具有投资相对较小，发电形式灵活，环境友好程度高等优点。

目前全世界公认的既能节省设备投资、减少网络损耗，又能提升电力系统可靠性和灵活性的环境友好的发电形式是大电网和分布式发电相结合的方式，这种方式符合21世纪电力行业发展的大趋势。

设计一个分布式系统的前提条件是对DG进行选址定容。配电网的电能损耗由配电网潮流所决定，DG配置的不合理将会对系统潮流产生严重影响，甚至使潮流反向或者过载，进而增大损耗，其出力随机性又将对系统的无功调度产生影响，从而影响配电网系统电压的稳定性，同时DG的存在使得当配电网故障进行重合闸时，可能会导致出现重合闸失败或者非同期重合的情况，降低配电网系统的配电可靠性等。这一系列都表明不合理的DG配置将对配电网运行带来巨大的负面影响，错误选择DG的接入的位置或者容量会造成投资方资金浪费并且配电网技术指标恶化的后果，而合理的DG配置可以有效的提升配电网系统的可靠性、经济性和灵活性。因此，如何合理有效的对DG选址定容进行规划对于配电网系统的安全经济运行具有重要意义。

求解含分布式电源配电网中的DG安装成本、运行维护成本、主网购电成本、配网网络损耗以及环境成本等目标函数构成的非线性、多目标、多约束的数学模型是分布式电源在配电网选址定容问题中难题之一。

发明内容

本发明所要解决的技术问题是，提供一种能够解决不同负荷节点对降低网损灵敏度不同问题的基于三维粒子群算法的分布式电源选址定容的方法。

本发明所采用的技术方案是：一种基于三维粒子群算法的分布式电源选址定容的方法，包括如下步骤：

1)分布式电源在配电网当中进行规划配置时，将接入配电网中的分布式电源等效为PQ节点模型，设定配电网负荷节点作为各负荷中心；

2)运用综合网损微增率法确定分布式电源待接入点集，用以最大程度降低接入分布式电源后的配电网的网络损耗并且从源头上提高规划结果的精度；

3)建立分布式电源在配电网中规划配置模型，所述分布式电源在配电网中规划配置模型的目标函数包括：分布式电源投资与维护年折算成本、年缺供电量成本、网络年损耗成本、社会环境效益、分布式电源发电补贴；所述求解模型的约束条件包括：节点功率、馈线容量、节点电压、节点分布式电源安装容量和分布式电源安装总容量；

4)运用三维粒子群算法分布式电源在配电网中规划配置模型进行求解。

步骤2)所述的运用综合网损微增率法确定分布式电源待接入点集公式如下：

其中，L表示配电网的总有功损耗；G_ij表示节点i与节点j之间节点导纳矩阵元素的实部部分；U_i表示节点i的节点电压值；U_j表示节点j的节点电压值；N表示配电网节点的总数目；θ_i表示节点i的节点电压相角；θ_j表示节点j的节点电压相角；

分别对L表达式中的U_i和θ_i求偏导数，得：

根据电力系统的潮流计算方程得：

得出配电网总有功损耗分别对节点有功和无功的微增率：

其中，k_Pi表示节点i的有功网损微增率；k_Qi表示节点i的无功网损微增率；

综合网损微增率dL通过节点i的功率因数角θ_j将有功网损微增率与无功网损微增率结合在一起，即：

其中，表示节点i的有功网损微增率；/>表示节点i的无功网损微增率；

将各个节点的综合网损微增率从大到小进行排序，将系统中由于客观原因不能接入分布式电源的节点去除后取前m个节点构成分布式电源待接入点集进行分布式电源的配置。

步骤4)包括：

(4.1)算法初始化，在变量允许范围内设置粒子的初始位置x_ij ¹、初始速度v_ij ¹和各个粒子的个体极值p_ij ¹，全局极值g_ij ¹初始化为个体极值p_ij ¹中适应度函数评价最好的值，设置高度参数h_ij ¹为算法搜索空间中的最小高度值，设置惯性权重因子的初始值w₁为惯性权重因子的取值范围w_min～w_max中的最大值w_max；

(4.2)每一个粒子的当前位置代表一种分布式电源在配电网中的选址定容方案，对每种方案进行潮流计算并进一步计算出各个粒子对应的适应度函数，即目标函数；分别将每个粒子适应度值与当前粒子个体极值p_ij ¹进行比较，若粒子适应度值优于后者，则替换后者；将各个粒子适应度值与极值g_ij ¹进行比较，将最优的适应度值替换当前粒子个体极值。

(4.3)对每个粒子的位置参数、速度参数、惯性权重系数及高度参数按照以下原则进行更新：

ω^k+1＝ω^k-(ω_max-ω_min)K_k/K_max

其中：

i＝1,2,…,m，m为粒子总规模；

j＝1,2,…,D，表示粒子群搜索空间的第j维分量；

表示粒子i对应的第j个分量在第k次迭代时对应的位置；

表示粒子i对应的第j个分量在第k次迭代时对应的速度；

c₁和c₂为学习因子，均取非负常数；

r₁与r₂为相互独立分布于0～1之间的随机数；

表示粒子i对应的第j维分量在第k次迭代时历经过的个体最优位置；

表示整个群体对应的第j维分量在第k次迭代时经历过的全局最优位置；

ω^k为粒子第k次迭代时的惯性权重值；

ω_max与ω_min分别为惯性权重的最大值与最小值；

K_k为三维粒子群算法当前迭代次数；

K_max为三维粒子群算法迭代的最大次数。

本发明的一种基于三维粒子群算法的分布式电源选址定容的方法，首先运用综合网损微增率来确定DG的配置节点，解决了不同负荷节点对降低网损灵敏度不同的问题，在减少DG电源规划过程中所需的计算量的同时从源头上提高了规划结果的精度。其次本发明采用三维粒子群算法，解决了一般粒子群算法寻优过程过早收敛、陷入局部最优等问题，通过增加高度参数，使寻优过程易于跳出早熟区间，降低寻有结果的随机性。

附图说明

图1是本发明一种基于三维粒子群算法的分布式电源选址定容的方法的流程图；

图2是IEEE33节点标准测试系统各节点综合网损微增率；

图3是IEEE33节点标准测试系统DG待接入节点；

图4是传统粒子群算法和三维粒子群算法独立运行20次结果；

图5是传统粒子群算法对IEEE33节点标准测试系统进行DG选址定容寻优收敛过程；

图6是三维粒子群算法对IEEE33节点标准测试系统进行DG选址定容寻优收敛过程；

具体实施方式

下面结合实施例和附图对本发明的一种基于三维粒子群算法的分布式电源选址定容的方法做出详细说明。

本发明的一种基于三维粒子群算法的分布式电源选址定容的方法，将光伏发电、风力发电以及微型燃气轮机发电作为待选分布式电源的形式，考虑使用场景的普遍性以及几种分布式电源不同的环保特性，在不改变网络拓扑结构的前提下达到规划目标。首先运用既考虑有功网损又考虑无功网损的等效网损微增率法确定配电网待接入分布式电源的节点集，使含分布式电源的配电网运行时网络损耗最小，同时减少计算量和提高规划模型初始解的质量，提升规划结果的准确性；然后构建计及分布式电源建设运行成本、网络损耗成本、购电成本、环境成本在内的多约束、非线性规划模型，并运用三维粒子群算法对此进行求解。

如图1所示，本发明的一种基于三维粒子群算法的分布式电源选址定容的方法，包括如下步骤：

1)分布式电源在配电网当中进行规划配置时，为方便容量计算，将接入配电网中的分布式电源等效为PQ节点模型，在实际工程中，分布式电源配置的地点一般靠近负荷，为了简化网络损耗计算，本发明不计同一节点中分布式电源与负荷之间电能传输的损耗量，设定分布式电源位于配电网接入节点的负荷中心；

2)在降低配电网网损方面考虑，在不同节点接入分布式电源对降低网络损耗的灵敏度是不同的，即：同样的分布式电源，配置在灵敏度较大的节点对降低网损产生的作用较大。而传统的负荷功率法存在一定的弊端，若不加以改进会受到馈线末端和重负荷节点灵敏度虚高的影响。本发明运用综合网损微增率法确定分布式电源待接入点集，用以最大程度降低接入分布式电源后的配电网的网络损耗并且从源头上提高规划结果的精度；

所述的运用综合网损微增率法确定分布式电源待接入点集公式如下：

其中，L表示配电网的总有功损耗；G_ij表示节点i与节点j之间节点导纳矩阵元素的实部部分；U_i表示节点i的节点电压值；U_j表示节点j的节点电压值；N表示配电网节点的总数目；θ_i表示节点i的节点电压相角；θ_j表示节点j的节点电压相角；

分别对L表达式中的U_i和θ_i求偏导数，得：

根据电力系统的潮流计算方程得：

得出配电网总有功损耗分别对节点有功和无功的微增率：

其中，k_Pi表示节点i的有功网损微增率；k_Qi表示节点i的无功网损微增率；

将分布式电源(DG)视为值为负的负荷，若网损微增率为正值，则代表此节点接入DG有利于降低网络损耗；若网损微增率为负值，则相反。

为克服传统负荷功率法馈线末端以及重负荷区域灵敏度虚高的弊端，本发明提出综合网损微增率概念，将有功网损微增率与无功网损微增率相结合来表征不同负荷节点接入DG对网损降低影响的灵敏度。

综合网损微增率dL通过节点i的功率因数角θ_j将有功网损微增率与无功网损微增率结合在一起，即：

其中，表示节点i的有功网损微增率；/>表示节点i的无功网损微增率；

综合网损微增率结合了有功功率与无功功率对配电网网络损耗的影响，在一定程度上缓解了馈线末端以及重负荷区域灵敏度虚高的情况。为了确定分布式电源在配电网中的待接入点集，将各个节点的综合网损微增率从大到小进行排序，将系统中由于客观原因不能接入分布式电源的节点去除后取前m个节点构成分布式电源待接入点集进行分布式电源的配置。

3)建立分布式电源在配电网中规划配置模型，所述分布式电源在配电网中规划配置模型的目标函数包括：分布式电源投资与维护年折算成本、年缺供电量成本、网络年损耗成本、社会环境效益、分布式电源发电补贴；所述求解模型的约束条件包括：节点功率、馈线容量、节点电压、节点分布式电源安装容量和分布式电源安装总容量；

分布式电源在配电网中规划配置模型的目标函数：

minC_cost＝C_DG+C_Loss+C_e+C_en-C_D

其中：

(1)分布式电源投资与维护年折算成本：

(2)年缺供电量成本

C_en＝C_pu(P_load+P_Loss-P_DG)

(3)网络年损耗成本

(4)社会环境效益

(5)分布式电源发电补贴

其中，C_cost表示分布式电源在配电网中配置运行的综合年成本现值；C_DG表示分布式电源总投资固定成本与运行维护成本折算到年成本现值之和，r为分布式电源年折旧率，N_DG表示分布式电源安装待选节点集，c_i为第i个待选节点处安装单位DG的费用，S_i表示第i个待选节点处接入DG容量,q表示分布式电源发出单位电量需要的运行维护费用；C_Loss为网络损耗费用，c_loss表示单位网络损耗成本，I_i表示第i条线路的电流(kA)，r_i表示第i条线路的电阻(欧)；C_en为缺电量购电成本，C_pu表示向大电网购电的单位电价，P_load表示配电网系统总负荷，P_loss表示电能传输过程中的电能损耗，P_DG表示分布式电源发出的有功总量；C_e为社会环境成本，V_Ei表示第i项污染物的单位环境成本，e_i表示传统发电第i项污染物的排放指标；C_D为政府对分布式电源的发电补贴，P_L表示配电网全年平均负荷，λ表示可以根据需要进行调节的常数，c_D表示政府对DG发电的基础补贴。

所述求解模型的约束条件：

(1)节点功率约束

(2)馈线容量约束

(3)节点电压约束

(4)节点分布式电源安装容量限制

0≤P_iDG≤P_iDGmax

(5)分布式电源安装总容量限制

其中，P_is和Q_is表示注入节点i处的有功功率和无功功率，U_i表示节点i处的电压幅值，G_ij和B_ij表示支路电导和支路电纳，θ_ij表示节点i和j之间的电压相位差，S_ij表示i支路第j条馈线的容量，表示i支路第j条馈线所允许的最大容量，/>和/>分别表示节点i处节点电压允许波动的最大值与最小值，φ表示配电网中所有负荷节点的集合，P_iDG表示节点i处接入的分布式电源容量实际值，P_iDGmax表示节点i处允许接入的分布式电源容量的最大值，N表示配电网中的节点总数，n_i表示反映节点i是否接入分布式电源的状态变量：若节点i接入分布式电源，则n_i＝1；否则n_i＝0，P_DGmax表示配电网中允许接入的分布式电源容量的最大值，P_imax表示配电网中节点i正常运行时的最大负荷，γ表示接入的分布式电源总容量占配电网最大负荷的比例的最大值。

4)为得到步骤3)中的较优解，同时解决传统惯性权重粒子群算法寻优过程中收敛过早、陷入局部最优以及最优解的随机性较大等问题，本发明在惯性权重粒子群算法的基础上增加第三维参数——高度参数，提出三维粒子群算法，使所有粒子在一个全新的空间内进行寻优，改变寻优视角，通过比对扩大搜索区域，在高度参数的作用下，粒子易跳出早熟区间，降低寻优结果的随机性。运用三维粒子群算法分布式电源在配电网中规划配置模型进行求解，在降低寻优结果的随机性的同时提升了求解精度，易得最符合目标函数的最优解。

经典粒子群算法速度与位置更新原则：

其中，i＝1,2,…,m(m为粒子总规模)；j＝1,2,…,D表示粒子群搜索三维的第j维分量；c₁与c₂为学习因子，均取非负常数；r₁与r₂为相互独立分布于0～1之间的随机数；与分别表示粒子i对应的第j个分量在第k次迭代时对应的速度与位置；/>表示粒子i对应的第j维分量在第k次迭代时历经过的个体最优位置；/>表示整个群体对应的第j维分量在第k次迭代时经历过的全局最优位置；ω^k为粒子第k次迭代时的惯性权重值，用于调节对解的搜索能力，一般用惯性权重法来确定：

ω^k+1＝ω^k-(ω_max-ω_min)/K_max

其中，ω_max与ω_min分别为惯性权重的最大值与最小值，按照经验分别取值为0.9与0.4；K_max为迭代的最大次数。

本发明的三维粒子群算法包括：

(4.1)算法初始化，在变量允许范围内设置粒子的初始位置x_ij ¹、初始速度v_ij ¹和各个粒子的个体极值p_ij ¹，全局极值g_ij ¹初始化为个体极值p_ij ¹中适应度函数评价最好的值，设置高度参数h_ij ¹为算法搜索空间中的最小高度值，设置惯性权重因子的初始值w₁为惯性权重因子的取值范围w_min～w_max中的最大值w_max；

(4.2)每一个粒子的当前位置代表一种分布式电源在配电网中的选址定容方案，对每种方案进行潮流计算并进一步计算出各个粒子对应的适应度函数，即目标函数；分别将每个粒子适应度值与当前粒子个体极值p_ij ¹进行比较，若粒子适应度值优于后者，则替换后者；将各个粒子适应度值与极值g_ij ¹进行比较，将最优的适应度值替换当前粒子个体极值。

(4.3)对每个粒子的位置参数、速度参数、惯性权重系数及高度参数按照以下原则进行更新：

ω^k+1＝ω^k-(ω_max-ω_min)K_k/K_max

其中：

i＝1,2,…,m，m为粒子总规模；

j＝1,2,…,D，表示粒子群搜索空间的第j维分量；

表示粒子i对应的第j个分量在第k次迭代时对应的位置；

表示粒子i对应的第j个分量在第k次迭代时对应的速度；

c₁和c₂为学习因子，均取非负常数；

r₁与r₂为相互独立分布于0～1之间的随机数；

表示粒子i对应的第j维分量在第k次迭代时历经过的个体最优位置；

表示整个群体对应的第j维分量在第k次迭代时经历过的全局最优位置；

ω^k为粒子第k次迭代时的惯性权重值；

ω_max与ω_min分别为惯性权重的最大值与最小值；

K_k为三维粒子群算法当前迭代次数；

K_max为三维粒子群算法迭代的最大次数。

表1仿真算例参数

表2火力发电环境成本参数

最后，为验证本发明所提方法的正确性和可行性，根据图1所示的分布式电源选址定容流程框图，分别运用惯性权重粒子群算法和三维粒子群算法对IEEE33节点标准测试系统在分布式电源位置、数量以及容量均不确定的情况下进行选址定容，运算参数如表1、表2所示。本发明通过对两种算法得出的最优解以及两种算法的收敛曲线与运算时间进行对比来分析比较算法的综合运算性能。

本发明将两种算法的初始粒子数均设为1000，将迭代次数设为100，每种算法分别独立运行20次，运行结果如图4所示。

对图4的数据进行观察分析计算，首先分别对两种算法20次运算得到的综合成本取算术平均值，得到三维粒子群算法运算得到的DG选址定容综合成本为441.76万元，而传统粒子群算法运算得到的对应结果为468.57万元；然后分别对两种算法的20次运算结果进行求取方差、标准差的计算，得到三维粒子群算法20个运算结果的方差、标准差分别为167.20、12.93，而传统粒子群算法的对应结果为312.80、17.69。结果表明，三维粒子群算法运算得到的结果较经济性更优，运算结果的随机性更低，更不容易陷入局部最优进而影响运算结果准确性。

5)为了更好地对两种算法性能进行比较，本发明分别选取最典型的一次运算过程来进行算法性能的分析对比。

(1)算法准确性分析

运用传统粒子群算法与三维粒子群算法对IEEE33节点标准测试系统进行DG的选址定容结果分别如表3、表4所示。

表3传统粒子群算法DG选址定容结果

表4三维粒子群算法DG选址定容结果

对表3、表4中的数据进行分析计算，运用传统粒子群算法进行DG选址定容容量配置的总量为1705kVA，三维粒子群算法的相应结果则为1760kVA。因而，运用三维粒子群算法进行DG选址定容在一定程度上提高了分布式电源的渗透率，对分布式电源在配电网中消纳水平的提高有显著的作用。

两种算法对IEEE33节点标准测试系统进行DG的选址定容结果各项成本与综合成本的对比如表5所示。

表5两种算法选址定容各项成本与综合成本对比

表3对两种算法选址定容的DG配置运行费用、网络损耗费用、缺电量购电费用等五项成本进行横向对比，传统粒子群算法与三维粒子群算法分别对应表格中的方案一和方案二，通过观察可知：运用三维粒子群算法对DG进行选址定容更具优势，其中网络损耗费用、缺电量购电费用、社会环境成本相较于传统粒子群算法均比较低，虽然配置运行费用高，但高渗透率带来的一系列的经济红利使得其年综合成本只有441.24万元，远远小于后者的472.40万元，得到了较为理想的结果，在很大程度上提高了配电网运行的经济性。

(2)算法收敛性分析

传统粒子群算法对IEEE33节点标准测试系统进行DG的选址定容的寻优过程与收敛过程分别如图5所示。

三维粒子群算法对IEEE33节点标准测试系统进行DG的选址定容的寻优过程与收敛过程分别如图6所示。

将图5和图6进行对比可得，三维粒子群算法在解决分布式电源选址定容的问题时，比传统粒子群算法拥有更好的收敛性与寻优能力，减轻了传统粒子群算法在寻优过程中极易陷入局部最优解难以逃脱从而造成收敛过早的问题。传统粒子群算法在迭代25次左右陷入了局部最优解而直到65代左右才逐渐逃脱继续寻优过程，并且由图6可见当迭代进行到100代时适应度值仍然在降低而没有稳定下来，说明此算法寻优缓慢且不稳定；三维粒子群算法从迭代开始适应度值就单调递减直到迭代到86代左右稳定下来，说明此算法在寻优过程中不间断地进行自我调整以避免寻优过程陷入局部最优，并且在迭代100次之前就得到了更加精准的适应度值，说明此算法具有比较优良的收敛性以及更迅速稳定的寻优能力。

(3)算法运算时间

运用传统粒子群算法与三维粒子群算法对IEEE33节点标准测试系统分别进行二十次分布式电源选址定容运算的平均运算时间如表6所示。

表6各算法平均运算时间

通过对比表6中两种算法的平均运算时间，可以看到，虽然三维粒子群算法加入了h高度参数，在迭代过程与更新逻辑中计算更为复杂，但是其迭代100次的平均运算时间仅比传统粒子群算法多了10.76s，进一步证明了三维粒子群算法的优越性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变换或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (2)

1.一种基于三维粒子群算法的分布式电源选址定容的方法，其特征在于，包括如下步骤：

1)分布式电源在配电网当中进行规划配置时，将接入配电网中的分布式电源等效为PQ节点模型，设定配电网负荷节点作为各负荷中心；

2)运用综合网损微增率法确定分布式电源待接入点集；

3)建立分布式电源在配电网中规划配置模型，分布式电源在配电网中规划配置模型的目标函数包括：分布式电源投资与维护年折算成本、年缺供电量成本、网络年损耗成本、社会环境效益、分布式电源发电补贴；求解模型的约束条件包括：节点功率、馈线容量、节点电压、节点分布式电源安装容量和分布式电源安装总容量；

4)运用三维粒子群算法分布式电源在配电网中规划配置模型进行求解；包括：

(4.1)算法初始化，在变量允许范围内设置粒子的初始位置x_ij ¹、初始速度v_ij ¹和各个粒子的个体极值p_ij ¹，全局极值g_ij ¹初始化为个体极值p_ij ¹中适应度函数评价最好的值，设置高度参数h_ij ¹为算法搜索空间中的最小高度值，设置惯性权重因子的初始值w₁为惯性权重因子的取值范围w_min～w_max中的最大值w_max；

(4.2)每一个粒子的当前位置代表一种分布式电源在配电网中的选址定容方案，对每种方案进行潮流计算并进一步计算出各个粒子对应的适应度函数，即目标函数；分别将每个粒子适应度值与当前粒子个体极值p_ij ¹进行比较，若粒子适应度值优于后者，则替换后者；将各个粒子适应度值与极值g_ij ¹进行比较，将最优的适应度值替换当前粒子个体极值；

(4.3)对每个粒子的位置参数、速度参数、惯性权重系数及高度参数按照以下原则进行更新：

ω^k+1＝ω^k-(ω_max-ω_min)K_k/K_max

其中：

i＝1,2,…,m，m为粒子总规模；

j＝1,2,…,D，表示粒子群搜索空间的第j维分量；

表示粒子i对应的第j个分量在第k次迭代时对应的位置；

表示粒子i对应的第j个分量在第k次迭代时对应的速度；

c₁和c₂为学习因子，均取非负常数；

r₁与r₂为相互独立分布于0～1之间的随机数；

表示粒子i对应的第j维分量在第k次迭代时历经过的个体最优位置；

表示整个群体对应的第j维分量在第k次迭代时经历过的全局最优位置；

ω^k为粒子第k次迭代时的惯性权重值；

ω_max与ω_min分别为惯性权重的最大值与最小值；

K_k为三维粒子群算法当前迭代次数；

K_max为三维粒子群算法迭代的最大次数。

2.根据权利要求1所述的一种基于三维粒子群算法的分布式电源选址定容的方法，其特征在于，步骤2)所述的运用综合网损微增率法确定分布式电源待接入点集公式如下：

其中，L表示配电网的总有功损耗；G_ij表示节点i与节点j之间节点导纳矩阵元素的实部部分；U_i表示节点i的节点电压值；U_j表示节点j的节点电压值；N表示配电网节点的总数目；θ_i表示节点i的节点电压相角；θ_j表示节点j的节点电压相角；

分别对L表达式中的U_i和θ_i求偏导数，得：

根据电力系统的潮流计算方程得：

得出配电网总有功损耗分别对节点有功和无功的微增率：

其中，k_Pi表示节点i的有功网损微增率；k_Qi表示节点i的无功网损微增率；

综合网损微增率dL通过节点i的功率因数角θ_j将有功网损微增率与无功网损微增率结合在一起，即：

其中，表示节点i的有功网损微增率；/>表示节点i的无功网损微增率；

将各个节点的综合网损微增率从大到小进行排序，将系统中由于客观原因不能接入分布式电源的节点去除后取前m个节点构成分布式电源待接入点集进行分布式电源的配置。