CAMPSO在含分布式电源的配电网运行优化中的应用

含分布式电源的配电网多目标优化问题是一类复杂的工程优化问题，其目标空间是一个多维、离散并且不一定为凸的空间，需要有效的多目标优化方法求解，为决策者的决策提供有力支撑。《CAMPSO在含分布式电源的配电网运行优化中的应用》探讨综合自适应多目标粒子群优化算法及其在含分布式电源的配电网多目标优化问题中的应用。《CAMPSO在含分布式电源的配电网运行优化中的应用》第1章为绪论，即工程背景及研究意义和相关研究现状回顾。第2章为综合自适应多目标粒子群优化算法及其性能验证。第3章至第5章为综合自适应多目标粒子群优化算法在含分布式电源的配电网规划与运行多目标优化问题中的应用，包括分布式电源和混合储能的优化配置，以及含分布式电源的配电网无功优化。第6章为基于超效率数据包络分析和动态自适应粒子群优化算法的电动汽车充电站多目标规划。

含分布式电源的配电网多目标优化问题是一类复杂的工程优化问题，其目标空间是一个多维、离散并且不一定为凸的空间，需要有效的多目标优化方法求解，为决策者的决策提供有力支撑。《CAMPSO在含分布式电源的配电网运行优化中的应用》探讨综合自适应多目标粒子群优化算法及其在含分布式电源的配电网多目标优化问题中的应用。《CAMPSO在含分布式电源的配电网运行优化中的应用》第1章为绪论，即工程背景及研究意义和相关研究现状回顾。第2章为综合自适应多目标粒子群优化算法及其性能验证。第3章至第5章为综合自适应多目标粒子群优化算法在含分布式电源的配电网规划与运行多目标优化问题中的应用，包括分布式电源和混合储能的优化配置，以及含分布式电源的配电网无功优化。第6章为基于超效率数据包络分析和动态自适应粒子群优化算法的电动汽车充电站多目标规划。

目录
第1章 绪论/1
1.1 工程背景及意义/2
1.2 含DG的配电网优化问题/4
1.2.1 DG在配电网中的优化配置/4
1.2.2 储能系统优化配置/6
1.2.3 含DG的配电网络重构、故障恢复和无功优化/7
1.2.4 含DG的微电网能量管理/9
1.3 配电网多目标优化问题/10
1.4 配电网多目标优化问题的传统解法/11
1.5 启发式智能多目标优化方法/12
第2章 综合自适应多目标粒子群优化算法/15
2.1 引言/16
2.2 多目标优化算法问题概述/16
2.2.1 多目标优化算法设计原则/16
2.2.2 多目标粒子群优化算法问题概述/18
2.3 PSO算法开拓与探索能力提升策略/19
2.3.1 惯性权重和加速因子的动态变化/19
2.3.2 随机黑洞机制/20
2.4 领导粒子动态选择及保持种群多样性策略/22
2.4.1 基于细菌群体感应机理的扰动机制/22
2.4.2 领导粒子的动态选择/23
2.5 提高Pareto解的多样性和均匀分布性策略/24
2.5.1 NSGA-II拥挤距离排序/24
2.5.2 逐步淘汰策略/26
2.5.3 下一次迭代粒子的选择/28
2.6 CAMPSO算法流程/29
2.7 CAMPSO算法性能验证及分析/31
2.7.1 三种主要策略的有效性验证/33
2.7.2 CAMPSO算法性能综合评价/36
2.8 本章小结/39
第3章 分布式电源在配电网中的多目标优化配置/41
3.1 引言/42
3.2 多目标优化配置数学模型/44
3.2.1 目标函数/44
3.2.2 约束条件/46
3.2.3 变量及其表达式/47
3.3 偏好策略/48
3.3.1 偏好多目标优化/48
3.3.2 电压偏好策略和供电可靠性偏好策略/51
3.4 基于CAMPSO算法的DG多目标优化配置求解/52
3.5 DG多目标优化配置仿真及其分析/54
3.5.1 **组仿真实验/54
3.5.2 第二组仿真实验/60
3.5.3 第三组仿真实验：偏好策略研究/62
3.6 本章小结/64
第4章 混合储能多目标优化配置/67
4.1 引言/68
4.2 HESS多目标优化配置模型/70
4.2.1 HESS数学模型/70
4.2.2 风电输出功率平滑效果评估指标/71
4.2.3 HESS多目标优化配置数学模型/71
4.3 HESS储能设备参考功率计算及功率分配策略/72
4.4 基于CAMPSO算法的HESS多目标优化配置求解/74
4.4.1 求解变量的离散化处理/74
4.4.2 求解流程/74
4.5 仿真与分析/76
4.6 本章小结/79
第5章 含分布式电源的配电网多目标无功优化策略/81
5.1 引言/82
5.2 含DG的配电网多目标无功优化数学模型/83
5.2.1 目标函数/83
5.2.2 约束条件及决策变量表述/84
5.2.3 无功优化中的电压偏好/85
5.3 基于CAMPSO算法的多目标无功优化问题求解/86
5.3.1 离散变量的离散化/86
5.3.2 状态变量越限及潮流计算不收敛惩罚/86
5.3.3 含DG的配电网多目标无功优化求解流程/87
5.4 含DG的配电网多目标无功优化算例及其分析/89
5.4.1 考虑不同目标时的无功优化/89
5.4.2 分析与讨论/93
5.5 本章小结/94
第6章 基于DEA和DAPSO算法的电动汽车充电站多目标规划/95
6.1 引言/96
6.2 满足充电可靠性的候选站址确定方法/96
6.2.1 OD分析/97
6.2.2 充电可靠性/99
6.3 选址定容规划模型/100
6.3.1 经济性指标/100
6.3.2 系统电压稳定性指标/101
6.3.3 充电服务质量指标/101
6.3.4 充电排队时间/102
6.3.5 多目标模型转化为单目标模型/102
6.3.6 约束条件/103
6.4 DAPSO算法及其算例分析/104
6.4.1 DAPSO算法/104
6.4.2 算例分析/107
6.5 本章小结/113
参考文献/115

含分布式电源的配电网多目标优化问题是一类复杂的工程优化问题，其目标空间是一个多维、离散并且不一定为凸的空间，需要有效的多目标优化方法求解，为决策者的决策提供有力支撑。《CAMPSO在含分布式电源的配电网运行优化中的应用》探讨综合自适应多目标粒子群优化算法及其在含分布式电源的配电网多目标优化问题中的应用。《CAMPSO在含分布式电源的配电网运行优化中的应用》第1章为绪论，即工程背景及研究意义和相关研究现状回顾。第2章为综合自适应多目标粒子群优化算法及其性能验证。第3章至第5章为综合自适应多目标粒子群优化算法在含分布式电源的配电网规划与运行多目标优化问题中的应用，包括分布式电源和混合储能的优化配置，以及含分布式电源的配电网无功优化。第6章为基于超效率数据包络分析和动态自适应粒子群优化算法的电动汽车充电站多目标规划。

电力系统运行,研究,电力系统规划,研究

第1章 绪论
　　1.1 工程背景及意义
　　**化问题是工程实践和科学研究中主要的问题形式之一，其中，多目标优化问题（multi-objective optimization problem，MOP）是非常常见的，而且其所涉及的目标函数通常是不可比较的（大多数情况下是彼此相互冲突的）。尤其是在当前配电网中，分布式电源（distributed generation，DG）并网规划、含DG的配电网重构与无功优化，以及含DG的微电网能量管理等是具有挑战性的多目标优化问题。
　　与传统的火力发电相比，DG具有投资小、清洁环保、供电可靠和发电方式灵活等优点，近年来越来越受到人们的关注。DG是指发电功率在几千瓦至50 MW的分散的、能独立输出电能的小规模发电系统。分布式发电系统中的发电设施称为分布式电源，一般包括风能、太阳能、潮汐能和生物质能等可再生能源发电机，以及以石化能源为燃料的内燃机、微型燃气轮机等小型发电机。分布式发电与集中发电方式相结合将是电力系统发展的趋势，其并网已被世界许多能源、电力专家公认为是能够节省投资、降低能耗、提高电力系统可靠性和灵活性的主要方式[1-4]。为能够更加适应多种能源类型发电方式的需要，给用户提供更加安全、可靠、清洁、优质的电力供应，以美国和欧盟为代表的多个国家和组织提出建设智能电网并将其视为未来电网的发展方向。由于90%以上的停电和近一半的损耗发生在配电网，配电网本身也是造成电能质量恶化且影响系统整体性能和效率的薄弱环节，因此，智能配电网在智能电网中具有举足轻重的作用[5]，其研究的目标主要包括配电网安全稳定运行、分布式电源的有效利用、配电网资产的利用率及提高用电的效率和电能质量等[6，7]。
　　目前，DG设备研发、制造和设备自身控制方面具有一些较成熟的技术，但涉及配电网的DG规划、并网后的配电网优化运行、协调控制及能量管理等诸多领域的研究大多还处于初始阶段[8]。DG并网使配电网由一个辐射状网络结构变为一个遍布电源与用户互联的系统，会对系统电压、损耗和可靠性等产生影响，其影响优劣程度与DG的安装位置和容量有着密切的关系[2，8-16]。DG合理配置可以有效地降低系统有功损耗，改善电压水平，提高系统负荷率等；否则，将严重影响电网的经济性、安全性和可靠性[17]。因此，DG配置问题是配电网规划阶段的重要课题，将其转化为优化问题进行求解具有较好的应用前景[18]。当DG出现在规划方案中的比重增加时，大量的随机性使得系统的复杂度成倍增加，通常需要同时考虑几千个节点。若规划区内出现许多DG，则采用传统的规划方法去寻找**网络布置方案将非常困难[19]。
　　在DG技术中，风电和太阳能发电等具有明显的随机性和间歇性的特点，其输出功率存在很大的波动性。大量间歇性DG接入配电网后会对区域电网带来显著影响。随着风电、光伏发电等分布式可再生能源发电装机容量的不断增加，为提升配电网对可再生能源的吸纳能力，满足国家对新能源发电并网的标准要求[20]，需要合理配置分布式储能系统以减少间歇性电源（如风电）输出功率波动对电网的影响，改善DG并网的电能质量和稳定性问题[21，22]。为了取得比较满意的风电输出功率平滑效果，如何确定分布式储能系统的额定功率和额定容量及制定合理的储能系统功率分配策略是需要解决的关键问题。
　　大量DG的并网运行使得配电网由无源网络变成有源网络，改变了系统的潮流分布，也给配电网的优化运行带来了新问题。配电网运行优化通常包括电压/无功调节和网络重构。重构问题属于非线性组合优化问题，常常存在组合爆炸的问题，对此类问题目前尚没有能够有效求得全局**解的数学规划算法。DG并网后，需要保持网络连通，并维持辐射形拓扑结构不变，这进一步增加了问题的求解难度[23]。DG接入的位置、注入功率的大小及功率因数的变化，都对网络重构方案造成较大的影响。例如，当功率因数由滞后变为超前时，DG由向系统提供无功功率转变为从系统吸收无功功率，因此，网络重构方案也将随之改变；总出力相同的DG集中接入或分散接入，重构结果也可能不同；随着DG注入有功功率的增加，系统有功损耗降低，节点电压升高，同样也会影响到重构方案[24]。对于含DG的配电网，DG和配电网都可以进行无功调节，两者之间有很强的互补性[5]。充分发挥各并网DG的无功补偿能力，将有效地减少电压波动和设备动作次数，有助于提高配电网的运行水平[25，26]。因此，在DG渗透率逐渐上升的情况下，如何利用并网DG的无功补偿能力，与传统的电压调节手段相结合，实现含DG的配电网无功优化，也是重要的研究课题[25-27]。配电网无功优化的数学模型较复杂，具有解空间复杂、多约束、多极值和多不确定性等特点[23]，并且目标函数和约束条件均含有非线性方程，其控制变量常混杂有离散变量和连续变量，还往往需要同时考虑多个优化目标，这就使得求解含DG的配电网无功优化问题更加困难。
　　为了**限度地提高能源利用效率，通常将具有不同特性且相互补充的多种DG以微电网的形式整合起来运行。微电网从系统观点看问题，将发电机、负荷、储能装置和控制装置等结合，形成单一可控的单元。微电网中的电源多为分布式电源，包括微型燃气轮机、燃料电池、光伏电池，以及超级电容、飞轮和蓄电池等储能装置。微电网不仅解决了DG的大规模接入问题，充分发挥了DG的各项优势，还为用户带来了其他多方面的效益[28]。相对于大电网，含DG的微电网可视为可控的电源或负荷，根据大电网需求和微电网运行目标，调节与大电网之间的能量交换。如何对这些不同类型的DG进行管理，以保证微电网在不同时段都能满足负荷的电能质量要求，确保微电网安全、稳定、经济地运行，是研究含多DG的微电网技术的关键问题之一。为此，根据DG特性，将不同类型的电源区别对待，运用智能优化算法得到整个微电网的**化运行点，这就是微电网的能量管理。然而，微电网的网络结构会随着分布式发电单元出力和负荷需求的变化而变化，这对优化算法的实时性要求就比较高，常规的优化算法很难在优化结果与计算速度之间取得一个较好的平衡点[29]。
　　综上所述，含DG的配电网规划与运行优化是智能电网建设的重要组成部分，对于该问题的研究属于电力系统研究领域的热点和前沿，具有重要的理论意义和应用价值。DG并网规划、含DG的配电网重构与无功优化，以及含多类型DG的微电网能量管理等归纳为数学优化问题，可通过建立数学优化模型并借助于优化工具求解。但是，由于含DG的配电网优化问题的特殊性，目前还没有专门的优化算法能够很好地解决这一问题。在大量、复杂、不确定性条件的约束下，如何构建与求解电力系统中提出的各种优化问题，是新能源电力系统面临的重大课题。本书以DG在配电网中的优化配置、分布式储能系统优化配置和含DG的配电网无功优化为对象，研究含DG的配电网多目标优化问题，应用群智能原理、优化理论和算法设计理论，建立基于粒子群算法的多目标协同优化模型及其算法，加强算法的收敛性和多样性，为求解电力工程中复杂的综合多目标优化问题提供实用、有效的方法。
　　1.2 含DG的配电网优化问题
　　为提高配电网对分布式发电的吸纳能力，以及DG并网后配电网运行的安全性、经济性和可靠性，国内外研究人员对DG并网后的电力系统规划问题及系统运行安全和可靠性问题等进行了研究。从不同角度看，含DG的配电网优化问题可以描述为各种目标不同的优化计算模型，国内外研究人员针对具体的优化问题构建了不同的优化模型，并提出或改进了问题求解方法。DG并网后配电网规划与优化运行中涉及的优化问题主要包括以下几个方面。
　　1.2.1 DG在配电网中的优化配置
　　为充分发挥DG优势及并网的积极作用，DG接入配电网需要进行合理的规划。按照决策变量类型，DG并网规划可分为单一规划和综合规划两类[30]。单一规划（本书采用文献[30]中常用说法“DG优化配置”），即在不改变现有网络馈线和变电站安置配置的情况下，以DG的安装位置和容量为决策变量、以单个指标或多个指标为目标函数进行求解；综合规划则是整体规划，即除对DG优化配置外，包括对馈线或变电站等设备的规划[30]。目前，国内外的研究集中于单一规划，即DG安装位置的选取及额定容量的确定[18]。表1.1列出了具有代表性的研究。
　　表1.1 分布式发电优化配置研究
　　由表1.1可见，DG优化配置问题的初期研究以DG的位置或容量之一为求解变量，以网损、DG投资与运行费用、独立发电商或供电公司的收益、DG的安装容量、系统可靠性和污染气体排放量等指标为单目标函数；优化方法以解析法、传统的数学规划方法和单目标智能算法为主。为确保DG并网被*好利用，关键之一就是在配电网中适宜的位置安装适当容量的DG。另外，为发挥DG接入配电网的积极作用，一个指标并不能有效地作为决策的准则，有必要采用多目标分析的方法同时对技术、经济和环境等方面的因素进行分析[48]。为此，考虑DG的安装涉及多方利益，并网后对网络造成多方面的影响，且其影响与选择DG的位置和容量密切相关，研究人员将单一目标优化模型扩展到多目标优化模型。但是，对于多目标优化问题的求解却采用了两种不同的方式，即将多目标优化问题通过权重加权[14，41，42，44-46]或模糊理论[10，40，48]转化为单目标优化问题后，采用单目标智能算法或多目标优化方法求解。
　　1.2.2 储能系统优化配置
　　DG中的风力发电和光伏发电等都具有不可控性，其功率波动难以预测和控制，合理配置分布式储能系统可以减少间歇式电源（如风电）输出功率波动对电网的影响，能够提高电网运行的安全性和经济性。文献[56]～[61]从理论上和实验上验证了混合储能系统辅之以合适的功率分配策略可以减少蓄电池的充放电次数，更加有效地平抑风机等输出功率的波动。因此，由功率型和能量型储能设备组成的混合储能系统的优化配置和功率分配控制策略引起了人们的关注。混合储能系统通过采用小容量、长寿命和高功率比的功率型储能设备辅助大容量、相对循环次数受限、高相对能量比和低功率比的能量型储能设备，以取得优于单一储能设备的平滑效果和储能设备投资[56]。其中，确定储能系统的配置（各储能设备的额定容量和额定功率）是一个关键问题，储能设备配置情况不但直接影响储能系统的投资、运行维护费用及混合储能系统的推广和应用，而且严重影响混合储能系统对间歇式DG输出功率的补偿效果。因此，配置混合储能系统并对其进行优化配置成为建设具有随机性和间歇性特点分布式发电系统的关键步骤[22]。
　　为了对混合储能系统的储能设备进行功率分配，多时滞调节控制策略[59]、考虑储能设备荷电状态的模糊控制策略[56，57，60]和神经网络策略[62]等控制策略被提出，并用于储能系统对风电等输出功率的补偿。为了优化配置混合储能系统，文献[22]以实验的方法，根据风机连续3个月的运行数据，提出了一种配置大规模储能系统的方案，初步优化了储能系统的容量，而且指出了储能系统的输出功率限制和容量限制对平滑结果均有明显的影响；文献[63]研究了储能设备的容量和**充放电功率对平滑效果的影响，初步探讨了针对风力发电如何确定储能设备的参数，但文中仅从平滑风电功率波动和平滑系统功率波动两个角度考虑，未计及储能装置的初始投资和运行维护费用等问题；文献[61]则建立了针对蓄电池-超级电容器混合储能系统的容量优化模型，该模型以混合储能系统一次性投资*少、全年运行成本**和综合费用*少为目标函数，采用遗传算法求解