随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义.
DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源.
为此,本文提出了一种考虑有功功率损耗、电压分布、DG成本、污染排放以及气象条件的多目标数学优化模型,为降低启发式算法均有一定概率陷入局部最优的固有缺陷[14 ] ,采用自适应蝠鲼觅食优化 (AMRFO) 算法进行求解,其具有自适应链式搜索、自适应螺旋觅食和翻滚觅食3种先进的寻优机制可显著降低陷入局部最优的概率,并利用基于马氏距离的理想点决策法客观地做出折中解选择,从而客观地设置各目标函数之间的权重系数.随后,在IEEE 33, 69节点配电网算例下对所提模型进行仿真,其结果表明AMRFO算法能够在风光资源丰富地区合理安装光伏系统和风电机组,兼顾经济性的同时,显著改善配电网的有功功率损耗、电压分布,以及降低二氧化碳、二氧化硫、氮化物等有害气体的排放.最后,通过孤网运行的IEEE 33, 69节点配电网进行进一步仿真,其结果显示AMRFO算法能够在孤网系统下合理地配置各类型的新能源机组,满足孤网系统内各负荷的供电需求.
1 DG选址定容的多目标数学优化模型
1.1 负荷与DG出力时序性模型
1.1.1 风电机组出力时序性模型 风电机组的输出功率主要取决于风速,可用如下分段函数表示[15 ] :
(1) P ( v ) = 0 ( v ≤ v ci 或 v ≥ v co ) P R v - v ci v R - v ci ( v ci ≤ v ≤ v R ) P R ( v R ≤ v ≤ v co )
式中:P (v )为风电机组的功率输出;v ci 为切入风速;v co 为切出风速;v R 为额定风速;P R 为额定输出功率.根据季节风速均值对风机出力曲线建模,得到风机出力曲线如图1 所示,其中:t 为时间;D rat 为机组出力比例[15 ] .
图1
图1
风电机组全年出力曲线[15 ]
Fig.1
Annual output curves of wind turbine[15 ]
1.1.2 光伏系统出力时序性模型 光伏系统的输出功率P PV 可由下式近似得到[15 ] :
(2) P PV = P stc I act I stc [ 1 + α T ( T act - T stc ) ]
式中:P stc 为光伏系统在太阳辐射强度I stc =1000 W/m2 ,温度T stc =25 ℃时的输出功率;I act 为实际运行时的辐射强度;α T 为光伏系统的功率温度系数;T act 为光伏系统实际运行时的温度.另外,根据四季典型日的辐照度拟合得到的光伏系统出力曲线图如图2 所示[15 ] .
图2
图2
光伏系统全年出力曲线[15 ]
Fig.2
Annual output curves of photovoltaic system[15 ]
1.1.3 负荷时序模型 负荷大小因人们的生活习惯而展现出一定的规律性,图3 给出了居民负荷一年四季的典型负荷曲线[15 ] .
图3
图3
居民年负荷曲线[15 ]
Fig.3
Annual load curves of residents[15 ]
1.2 目标函数
1.2.1 功率损耗指标 功率损耗指标计及4个典型日内96个小时的总有功功率损耗,建立如下[16 ] :
(3) min f 1 ( x ) = ∑ d = 1 d sum ∑ a = 1 n A ab ( P a P b + Q a Q b ) + B ab ( Q a P b - P a Q b )
(4) A ab = R ab cos ( δ a - δ b ) U a U b B ab = R ab sin ( δ a - δ b ) U a U b
式中:Pa ,Pb 分别为注入第a个节点与第b个节点的有功功率;Qa ,Qb 分别为注入第a个节点与第b个节点的无功功率;Rab 为连接第a个节点与第b个节点的输电线的电阻;n为配电网中的节点数量;Ua ,Ub 分别为第a个节点与第b个节点的电压;δa ,δb 分别为第a个节点与第b个节点的功角;dsum 为仿真时段数量,值为96.
1.2.2 电压分布指标 DG合理地接入配电网能够很好地改善电压分布,为此,本文采用4个典型日内96个小时的总电压偏差来衡量优化效果,电压分布指标建立如下[16 ] :
(5) min f 2 ( x ) = ∑ d = 1 d sum ∑ a = 1 n ( U DG a - U R ) 2
式中;U DG a 为配电网配置DG后第a 个节点的电压;U R 为额定电压,取值为1 p.u..
1.2.3 污染排放指标 为减少污染气体的排放,本文采用考虑二氧化碳、二氧化硫、氮化物的污染排放指标,如下[16 ] :
(6) min f 3 ( x ) = ∑ d = 1 d sum ∑ a = 1 n DG P DG a η a , d ( w C O 2 E Pa c + w S O 2 E Pa s + w N O x E Pa N )
式中: P DG a 为第 a 台DG的额定有功功率输出; η a , d 为第 a 台DG在 d 时刻的输出效率;n DG 为配电网中的DG数量; E Pa c 、 E Pa s 和 E Pa N 分别为第a台DG单位功率输出释放的二氧化碳、二氧化硫、氮化物气体质量; w C O 2 、 w S O 2 和 w N O x 为不同气体之间的权重系数,其取值分别为0.5、0.25和0.25.
1.2.4 经济指标 DG选址定容的经济成本一共包括所有机组的投资成本、平均运维成本,可由下式表示[16 ] :
(7) min f 4 ( x ) = ∑ a = 1 n DG ( 1.3 C c , a P DG a + C m , a P DG a t ope )
式中: C c , a 和 C m , a 分别为第a台DG的投资、平均运维成本;t ope 为DG运行时间,本文考虑各机组总工作时间为20 a,每年工作300 d,即t ope =144000 h.另外,表1 给出了不同种类DG成本及污染排放统计[16 ] .
1.2.5 气象指标 本文提出一种考虑年平均风速 v - w 、年平均辐射强度 I - s 的目标函数,可表示如下:
(8) min f 5 ( x ) = 1 ∑ a n w 1 , a v - w , a + w 2 , a I - s , a
(9) w 1 , a = 0,1 w 2 , a = 0,1
式中: v - w , a 和 I - s , a 分别为第a个节点的年平均风速和年平均辐射强度; w 1 , a 和 w 2 , a 分别为第a个节点处风能和太阳能的权重系数,取值为0或1,当取值为1时,表示第a个节点为DG的选址点.值得注意的是,若 w 1 , a 和 w 2 , a 同时为1,则表示第a个节点配置风光互补发电系统.
1.3 约束条件
为保证系统的安全平稳运行,需要进行如下约束[16 ,17 ] :
(10) ∑ a = 1 n P a = ∑ a = 1 n P lo a + P L - ∑ a = 1 n P DG a
(11) ∑ a = 1 n Q a = ∑ a = 1 n Q lo a + Q L - ∑ a = 1 n Q DG a
式中: P lo a 和 Q lo a 分别为位于第a个节点的有功负荷和无功负荷; Q DG a 为第a个节点DG输出的无功功率; P L 和 Q L 分别为配电网中的有功功率损耗和无功功率损耗.
(12) P l = ∑ a = 1 n U l U k Y lk cos ( θ lk - δ l + δ k )
(13) Q l = ∑ a = 1 n U l U k Y lk sin ( θ lk - δ l + δ k )
(14) S l = P l 2 + Q l 2
(15) S l ≤ | S l max |
式中:Pl 、Ql 分别为流入节点l的有功功率、无功功率;Ul 和Uk 分别为节点l和节点k的电压;Ylk 为节点l和节点k之间的导纳;θlk 为节点l和节点k之间的相角;δl 和δk 分别为节点l和节点k的功角;Sl 为流入第l个节点的视在功率; S l max 为允许流入第l个节点的最大视在功率.
根据功率型前推回代法,配置DG后第b 个节点的电压可由下式进行计算[18 ] :
(16) U DG b min ≤ U DG b ≤ U DG b max
U DG b = U DG a - P ab R ab + Q ab X ab U DG a 2 + P ab X ab - Q ab R ab U DG a 2
式中: U DG b 为配置DG后第b个节点的电压; U DG b max 和 U min DG b 分别为配置DG后第b个节点的电压上下限,其取值分别为1.05和 0.9 p.u . [19 ] ;Pab 和Qab 分别为流经第a个节点和第b个节点之间的有功功率、无功功率;Xab 为连接第a个节点与第b个节点的输电线的电抗.
(17) P DG min ≤ P DG ≤ P DG max
(18) P DG min = 0.1 ∑ a = 1 n P lo a
(19) P DG max = 0.8 ∑ a = 1 n P lo a
式中:P DG 为DG的输出的总有功功率; P DG max 和 P DG min 分别为其上下限.
若DG处于孤网中运行,所有负荷将与电网断开连接,均由DG来进行供电,因此式(19)应改写为
(20) ∑ a = 1 n DG P DG a > ∑ a = 1 n P lo a
2 自适应蝠鲼觅食优化算法
蝠鲼觅食优化 (MRFO) 算法通过链式搜索、螺旋觅食和翻滚觅食3种寻优机制完成迭代更新,详见文献[20 ].AMRFO算法在链式搜索和螺旋觅食中引入Sigmoid函数,将随机步长改为变步长,由于Sigmoid函数的横坐标越远离坐标轴原点其函数值越大,可加快劣势解向最优解的移动速度,提升算法的收敛速度,称为自适应链式搜索和自适应螺旋觅食.此外,改进后的个体更新机制可保存一些高质量的局部最优解,增强算法的随机性,使得算法的全局搜索能力显著提升.
值得注意的是,本文模型的选址、定容工作分别是一个离散、连续变量,且含有多个约束条件以及涉及电气、经济、气象等多个方向的优化目标,是一个高度非线性、含离散优化变量的复杂模型.而传统算法NSGA-II的搜索机制、Pareto解筛选机制较为单一,无法根据搜索进度自适应调整搜索机制.与其相比,AMRFO算法具有丰富多样的搜索机制,个体更新机制以及先进的Pareto解筛选机,离散变量可以采用取整的方式处理,而约束条件采用罚函数处理,因此AMRFO算法针对该模型能够获得更加优异的高质量解.
2.1 自适应链式搜索
(21) x i d ( g + 1 ) = x i d ( g ) + β [ x best d ( g ) - x i d ( g ) ] + ε [ x best d ( g ) - x i d ( g ) ] , i = 1 x i d ( g ) + β [ x i - 1 d ( g ) - x i d ( g ) ] + ε [ x best d ( g ) - x i d ( g ) ] , i = 2,3 , … , N
(22) γ = 1 1 + e - [ x best d ( g ) - x i d ( g ) + 10 ]
(23) ε = 2 γ | lg ( γ ) | 1 2
式中: x i d g 为第i个个体在第g次迭代第d维里的位置;β为随机数,取值[0,1]; x best d g 为当前最优解在第g次迭代时第d维里的位置;N为种群数量.
2.2 自适应螺旋觅食
在每次迭代中,都会生成一个取值为[0, 1]内的随机数r ran ,当g/g max (g max 为最大迭代次数)小于随机数r ran 时,选择当前最优解作为参考位置,则有:
(24) x i d ( g + 1 ) = x best d + β [ x best d ( g ) - x i d ( g ) ] + ε [ x best d ( g ) - x i d ( g ) ] , i = 1 x best d + β [ x i - 1 d ( g ) - x i d ( g ) ] + ε [ x best d ( g ) - x i d ( g ) ] , i = 2,3 , … , N
当g/g max >r ran 时,选择随机位置作为参考位置,则有:
(25) x i d ( g + 1 ) = x ran d + β [ x ran d - x i d ( g ) ] + ε [ x ran d - x i d ( g ) ] , i = 1 x ran d + β [ x i - 1 d ( g ) - x i d ( g ) ] + ε [ x ran d - x i d ( g ) ] , i = 2,3 , … , N
(26) x ran d = V min d + β ( V max d - V min d )
式中: x ran d 为在第d维生成的随机位置; V max d 和 V min d 分别为该变量在第d维里的上下限.另外,图4 描述了2维平面下该算法的寻优策略,其中: r 2 和 r 3 均为取值[0, 1]的随机数.
图4
图4
AMRFO算法的觅食示意图
Fig.4
Foraging behavior of AMRFO algorithm
2.3 个体更新
在每一次迭代过程中,种群会根据生成的随机数r ran 决定采用链觅食或螺旋觅食,两种觅食策略并不会同时进行.随后,每个个体将通过翻滚觅食来更新自己的位置.最后,每个个体计算自己的适应度,决定是否用得到新的位置代替原来的位置,在AMRFO算法中可表示为
(27) x i d ( g + 1 ) = x i d ( g + 1 ) , if f [ x i d ( g + 1 ) ] > f [ x i d ( g ) ] x i d ( g + 1 ) = x i d ( g ) , if | f [ x i d ( g + 1 ) ] - f [ x i d ( g ) ] | ≤ J jug
式中:J jug 为决定是否采用新个体替代上一次迭代个体的阈值,本文取值为0.05.
2.4 Pareto解集存储与筛选
AMRFO算法会不停更新有限规模的存储池里Pareto解集以完成迭代过程.在该过程中,所获得的新的非支配解会与存储池里非支配解进行比较,从而判断新的非支配解是否对存储池进行更新,当非支配解的分布过于密集时,算法将通过下式剔除部分非支配解:
(28) f h x i - f h x j < D h , ∀ h ∈ H D h = f h max - f h min n r
式中:fh 为第h个目标函数的适应度值;H为目标函数的集合;Dh 为第h个目标函数值的Pareto前沿距离阈值; f h max , f h min 分别为当前存储池中第h个目标函数的适应度最大值和最小值; n r 为存储池保存非支配解的个数上限; x i , x j 为第i,j个非支配解.
2.5 算法应用设计
本文提出一种基于马氏距离的理想点决策法以回避人为设置目标权重带来的主观性影响,其考虑到各目标函数之间存在的特性联系,使得不受各目标函数量纲不同的影响,可客观地选择折中解并设置各目标间的权重系数[21 ] .
(29) f fi t h ( x i ) = f h ( x i ) + μq , h ∈ H
式中:μ为一个数值较大的惩罚系数;q为不满足约束条件的个数.
因此,本文Pareto理想点前沿为(f 1 min , f 2 min , f 3 min , f 4 min , f 5 min ) ,考虑到各目标函数的量纲不同,且存在一定的耦合性,采用马式距离计算各非支配解到理想点的距离[22 ] :
(30) D m = ∑ h ∈ H [ y h ( x m ) - f min ] T ∑ - 1 [ y h ( x m ) - f min ] ω h 2
式中:yh 为第m 个非支配解的目标函数值;xm 为第m 个非支配解;f min 为各目标函数的最小适应度函数值构成的矩阵; D m 为第m个非支配解到理想点的马氏距离; ω h 为第h个目标函数的权重系数.
(31) min Z = ∑ m = 1 n r D m s.t. ∑ h ∈ H ω h = 1 , ω h > 0 , h ∈ H
(32) ω h = 1 / { ∑ h ∈ H 1 ∑ m = 1 n r ( y h ( x m ) - f min ) T ∑ - 1 ( y h ( x m ) - f min ) × ∑ m = 1 n r ( y h ( x m ) - f min ) T ∑ - 1 ( y h ( x m ) - f min ) }
(33) z best = arg min m = 1,2 , … , n r ∑ h ∈ H D m
综上所述,图5 给出了AMRFO算法求解DG选址定容规划问题的具体流程.
图5
图5
AMRFO算法求解DG选址定容流程图
Fig.5
Flow chart of AMRFO algorithm for DG allocation
3 算例分析
为验证所提算法的有效性,本文在如图6 和图7 所示的IEEE 33, 69节点配电网进行选址定容研究,包括光伏系统(2个节点安装)、风电机组(2个节点安装)、燃料电池(1个节点安装)以及微型燃气轮机(1个节点安装),并与MRFO、NSGA-II[11 ] 和多目标粒子群优化 (MOPSO) 算法[23 ] 进行比较.值得注意的是,燃料电池与微型燃气轮机能够稳定地进行功率输出,与光伏系统、风电机组的配合使用,能够很好地弥补其输出功率具有波动性的缺陷.
图6
图6
IEEE 33节点配电网
Fig.6
IEEE 33-bus distribution network
图7
图7
IEEE 69节点配电网
Fig.7
IEEE 69-bus distribution network
值得注意的是,目标函数、约束条件、算法搜索机制、种群大小以及测试系统大小共同决定了Pareto解集的复杂程度,储存池选择过小虽能提升算法的收敛速度,但会致使最优解有较大的概率被遗漏,相反,若舍弃较快的收敛速度选择一个较大的储存池,能够提高获取最优解的概率.本文采用试错法确定各算法的种群大小、最大迭代次数以及储存池大小,目标函数建立如下:
(34) f try = ω 1 [ ∑ h n obj ω fh f n , h ] + ω 2 t run
(35) f norm , h = f h - f h min f h max - f h min
式中: ω fh 为基于马氏距离的理想点决策法得到的各目标函数权重; n obj 为目标函数个数; f n , h 为决策得到的非支配解的第i个目标函数的归一值; t run 为运行时间; ω 1 和 ω 2 为两者之间的权重系数,由于本文为离线优化,因此 ω 1 和 ω 2 分别取值为0.9和0.1.式(35)中,前半部分为解的质量.随后调整各参数,根据各参数变化得到的 f try 值确定出种群大小、最大迭代次数以及储存池大小可分别在区间[100, 300],[100, 300],[50, 150]内设置.最终,为公平比较各算法性能,各算法的种群大小、最大迭代次数以及储存池大小均分别设置为200,200,100,算法参数按默认值设置.另外,4个典型日内IEEE 33, 69节点配电网的总有功功率损耗分别为 4061.87 kW和 4449.99 kW,总电压偏差分别为 66.1991 p.u.和 71.3853 p.u.,总负荷分别为3.715 MW和3.802 MW,其余系统参数见文献[24 ,25 ].值得注意的是,由于测试系统难以在实际工程中找到,本文采用的气象数据均为2020年某地光伏发电站的历史实测数据,对其各测量点实测数据取平均值后随机作为各节点的气象数据,如表2 和3所示.此外,所有算法均在主频为2.80 GHz的Intel(R) Core(TM) i5-8400 CPU,内存为8 GB的计算机,MATLAB 2018b环境下进行优化计算.
3.1 IEEE 33节点配电网
各算法获得的优化结果和各算法优化后的IEEE 33节点配电网电压分布分别如表4 和图8 所示.由图8 和表4 可以看出,经AMRFO算法寻优优化,配置不同类型的DG后配电网的功率损耗和电压分布得到显著地改善,与其相比,NSGA-II和MOPSO算法将风电机组安装于无功负荷较重的地区,进一步加重了该地区的无功缺额,使得该节点电压分布明显恶化.此外,各算法获得的Pareto前沿在基于马氏距离的理想点决策法下合理分配目标函数权重,有效地对各目标函数进行权衡优化,回避了权重系数人为设置主观性带来的影响.
图8
图8
IEEE 33节点配电网下不同算法获得的电压分布
Fig.8
Voltage profiles obtained by different algorithms in IEEE 33-bus distribution network
图9
图9
IEEE 69节点配电网下不同算法获得的电压分布
Fig.9
Voltage profiles obtained by different algorithms in IEEE 69-bus distribution network
图10
图10
孤网运行的IEEE 33节点配电网下不同算法获得的电压分布
Fig.10
Voltage profiles obtained by different algorithms in IEEE 33-bus distribution network in isolated network operation
3.2 IEEE 69节点配电网
表5 和图9 分别给出了各算法获得的优化结果以及优化后的电压分布.由图9 和表5 可以发现,AMRFO算法在节点更为庞大的系统依旧具有较强的搜索效果,能够有效改善配电网的功率损耗和电压分布.与其相比,NSGA-II和MOPSO算法不可避免地陷入了局部最优,功率损耗和电压分布指标明显偏大,无法在保证经济性的同时给配电网带来最佳的综合优化效果.
3.3 孤网运行的IEEE 33节点配电网
由于DG与电网并联工作时,电网不可避免地因故障、检修等原因而导致停止向配电网供电,即孤岛效应.因此,有必要研究孤网运行的DG选址定容,本文采用断开1号公共母线的IEEE 33, 69节点配电网的孤立系统进行规划.表6 和图10 分别给出了孤网运行的IEEE 33节点配电网规划方案以及该系统的电压分布.由图10 和表6 可以发现,AMRFO算法依旧能够获得孤网运行下的最佳规划方案,其全年总有功功率损耗和全年平均电压分布明显优于其他算法.值得注意的是,孤网运行下,有功功率损耗远大于与电网连接的系统,这是由于孤网系统内所有负荷均由DG进行供电,增加了电网潮流所流经的距离.
3.4 孤网运行的IEEE 69节点配电网
为进一步验证AMRFO算法对于更为庞大且复杂的孤网系统的优化效果,表7 和图11 分别给出了孤网运行的IEEE 69节点配电网规划方案和电压分布.由图11 和表7 可以发现,AMRFO算法依旧能够在满足孤网运行条件的前提下,兼顾各指标进行综合性优化.
图11
图11
孤网运行的IEEE 69节点配电网下不同算法获得的电压分布
Fig.11
Voltage profiles obtained by different algorithms in IEEE 69-bus distribution network in isolated network operation
3.5 算法性能评估
图12 和13 给出了各算法在不同算例下运行10次后,包括其值越小,性能更佳的4种指标(图中用紫色表示),即反转世代距离(IGD)、世代距离(GD)、广泛性和空间分布(SP);另外,还给出了其值越大,性能更佳的3种指标(图中用粉色表示),即纯粹多样性(PD)、超体积(HV)、分布度指标(DM)[26 ] ,进而比较各算法的搜索性能.由图12 和13可以看出:① 在不同算例下各算法的GD、IGD平均值中,AMRFO算法的值最小,因此其收敛性能最佳,可证明使用Sigmoid函数自适应步长能够有效提升其收敛性;② 不同算例下AMRFO算法的HV、PD、DM平均值均明显大于其他算法,证明了其具有表现良好的Pareto前沿多样性;③ 不同算例下AMRFO算法均具有最小的广泛性、SP平均值,证明了AMRFO算法的个体更新策略能够使得其获得分布最为均匀且广泛的Pareto前沿.
图12
图12
不同算例下各指标的平均值比较
Fig.12
Comparison of average values of different indicators in different case studies
图13
图13
不同算例下各指标的标准差比较
Fig.13
Comparison of standard deviations of different indexes in different case studies
此外,由于本文针对5个不同指标进行优化,笛卡尔坐标系下无法绘制Pareto解集图,因此采用文献[27 ]描述的将Pareto解集从笛卡尔坐标系映射至平行格坐标系的方法.AMRFO算法运行10次获得的Pareto解集如图14 所示,不同优化目标被映射到平行格坐标系的不同列.其中: 虚线连接了同一个目标向量在不同列的平行格坐标分量.由图14 可以发现,面对不同节点的复杂系统, AMRFO算法均能够表现出良好的搜索能力,获得分布广泛且均匀的Pareto前沿.
图14
图14
Pareto寻优结果
Fig.14
Results of Pareto front
4 结论
考虑到气象条件参与到DG选址定容研究,本文提出了基于AMRFO算法的Pareto多目标优化算法,其贡献主要如下.
(1) 建立了考虑有功功率损耗、电压分布、污染排放、经济成本以及气象条件的DG选址定容模型,气象条件的引入可以有效地将光伏系统、风电机组安装于风光资源丰富的地区;
(2) 提出了基于AMRFO算法的Pareto多目标优化算法,并给出了具体应用及设计过程,通过IEEE 33, 69节点配电网以及孤网运行的IEEE 33, 69节点配电网测试,得到7个Pareto评估指标,有效地证明了AMRFO算法具有良好的收敛效果和全局搜索能力,能够获得分布广泛且均匀的Pareto前沿;
(3) 提出了基于马氏距离的理想点决策法,其决策时考虑到各目标函数之间的特性联系,不受各目标函数量纲不同的影响,能够更客观地设置权重系数,选择最接近理想点的折中解;
(4) 针对IEEE 33, 69节点配电网测试,其结果显示AMRFO能够得到在兼顾经济性、环境污染排放的同时有效改善配电网的有功功率损耗和电压分布;此外,针对孤网运行的IEEE 33, 69节点配电网测试,AMRFO算法依旧能在满足运行要求的条件下获取最佳规划方案,证明了该策略能有效地解决多目标规划问题.
为更合理地将DG接入配电网运行,未来将研究装配储能系统的新能源场站,实现DG高效利用.
参考文献
View Option
[1]
YANG B , YU T , SHU H C , et al . Adaptive fractional-order PID control of PMSG-based wind energy conversion system for MPPT using linear observers
[J]. International Transactions on Electrical Energy Systems , 2019 , 29 (1 ):2697 .
[本文引用: 1]
[2]
孙立明 , 杨博 . 蓄电池/超导混合储能系统非线性鲁棒分数阶控制
[J]. 电力系统保护与控制 , 2020 , 48 (22 ):76 -83 .
[本文引用: 1]
SUN Liming , YANG Bo . Nonlinear robust fractional-order control of battery/SMES hybrid energy storage systems
[J]. Power System Protection and Control , 2020 , 48 (22 ):76 -83 .
[本文引用: 1]
[3]
YANG B , WANG J T , CHEN Y X , et al . Optimal sizing and placement of energy storage system in power grids: A state-of-the-art one-stop handbook
[J]. Journal of Energy Storage , 2020 , 32 :101 814.
[本文引用: 1]
[4]
付学谦 , 陈皓勇 , 刘国特 , 等 . 分布式电源电能质量综合评估方法
[J]. 中国电机工程学报 , 2014 , 34 (25 ):4270 -4276 .
[本文引用: 1]
FU Xueqian , CHEN Haoyong , LIU Guote , et al . Power quality comprehensive evaluation method for distributed generation
[J]. Proceedings of the Chinese Society for Electrical Engineering , 2014 , 34 (25 ):4270 -4276 .
[本文引用: 1]
[5]
薛帅 , 高厚磊 , 郭一飞 , 等 . 大规模海上风电场的双层分布式有功控制
[J]. 电力系统保护与控制 , 2021 , 49 (3 ):1 -9 .
[本文引用: 1]
XUE Shuai , GAO Houlei , GUO Yifei , et al . Bi-level distributed active power control for a large-scale wind farm
[J]. Power System Protection and Control , 2021 , 49 (3 ):1 -9 .
[本文引用: 1]
[6]
沈鑫 , 曹敏 . 分布式电源并网对于配电网的影响研究
[J]. 电工技术学报 , 2015 , 30 (S1 ):346 -351 .
[本文引用: 1]
SHEN Xin , CAO Min . Research on the influence of distributed power grid for distribution network
[J]. Transactions of China Electrotechnical Society , 2015 , 30 (S1 ):346 -351 .
[本文引用: 1]
[7]
曲绍杰 , 王绍然 , 刘明波 , 等 . 基于互补内点法的多目标静态电压稳定约束无功规划
[J]. 电力系统保护与控制 , 2010 , 38 (23 ):49 -54 .
[本文引用: 1]
QU Shaojie , WANG Shaoran , LIU Mingbo , et al . Static voltage stability constrained multi-objective reactive power planning based on complementary interior point method
[J]. Power System Protection and Control , 2010 , 38 (23 ):49 -54 .
[本文引用: 1]
[8]
YANG B , YU L , CHEN Y X , et al . Modelling, applications, and evaluations of optimal sizing and placement of distributed generations: A critical state-of-the-art survey
[J]. International Journal of Energy Research , 2021 , 45 (3 ):3615 -3642 .
DOI:10.1002/er.v45.3
URL
[本文引用: 1]
[9]
ABU-MOUTI F S , EL-HAWARY M E . Optimal distributed generation allocation and sizing in distribution systems via artificial bee colony algorithm
[J]. IEEE Transactions on Power Delivery , 2011 , 26 (4 ):2090 -2101 .
DOI:10.1109/TPWRD.2011.2158246
URL
[本文引用: 1]
[10]
QUADRI I A , BHOWMICK S , JOSHI D . A hybrid teaching-learning-based optimization technique for optimal DG sizing and placement in radial distribution systems
[J]. Soft Computing , 2019 , 23 (20 ):9899 -9917 .
DOI:10.1007/s00500-018-3544-8
URL
[本文引用: 1]
[11]
李珂 , 邰能灵 , 张沈习 , 等 . 考虑相关性的分布式电源多目标规划方法
[J]. 电力系统自动化 , 2017 , 41 (9 ):51 -57 .
[本文引用: 2]
LI Ke , TAI Nengling , ZHANG Shenxi , et al . Multi-objective planning method of distributed generators considering correlations
[J]. Automation of Electric Power Systems , 2017 , 41 (9 ):51 -57 .
[本文引用: 2]
[12]
任洪伟 , 韩丛英 , 裴玮 , 等 . 基于多目标优化模型的分布式电源选址方案研究
[J]. 电力系统保护与控制 , 2013 , 41 (24 ):64 -69 .
[本文引用: 1]
REN Hongwei , HAN Congying , PEI Wei , et al . Research on distributed generation locating based on multi-objective optimization model
[J]. Power System Protection and Control , 2013 , 41 (24 ):64 -69 .
[本文引用: 1]
[13]
KEFAYAT M , LASHKAR ARA A , NABAVI NIAKI S A . A hybrid of ant colony optimization and artificial bee colony algorithm for probabilistic optimal placement and sizing of distributed energy resources
[J]. Energy Conversion and Management , 2015 , 92 :149 -161 .
DOI:10.1016/j.enconman.2014.12.037
URL
[本文引用: 1]
[14]
徐俊杰 . 元启发式优化算法: 理论阐释与应用 [M]. 合肥 : 中国科学技术大学出版社 , 2015 .
[本文引用: 1]
XU Junjie . Theoretical interpretation and application: Meta-heuristic optimization algorithm [M]. Hefei : University of Science and Technology of China Press , 2015 .
[本文引用: 1]
[15]
徐迅 , 陈楷 , 龙禹 , 等 . 考虑环境成本和时序特性的微网多类型分布式电源选址定容规划
[J]. 电网技术 , 2013 , 37 (4 ):914 -921 .
[本文引用: 11]
XU Xun , CHEN Kai , LONG Yu , et al . Optimal site selection and capacity determination of multi-types of distributed generation in microgrid considering environment cost and timing characteristics
[J]. Power System Technology , 2013 , 37 (4 ):914 -921 .
[本文引用: 11]
[16]
DOAGOU-MOJARRAD H , GHAREHPETIAN G B , RASTEGAR H , et al . Optimal placement and sizing of DG (distributed generation) units in distribution networks by novel hybrid evolutionary algorithm
[J]. Energy , 2013 , 54 :129 -138 .
DOI:10.1016/j.energy.2013.01.043
URL
[本文引用: 6]
[17]
UGRANLı F , KARATEPE E . Multiple-distributed generation planning under load uncertainty and different penetration levels
[J]. International Journal of Electrical Power & Energy Systems , 2013 , 46 :132 -144 .
DOI:10.1016/j.ijepes.2012.10.043
URL
[本文引用: 1]
[18]
吴小刚 , 刘宗歧 , 田立亭 , 等 . 基于改进多目标粒子群算法的配电网储能选址定容
[J]. 电网技术 , 2014 , 38 (12 ):3405 -3411 .
[本文引用: 1]
WU Xiaogang , LIU Zongqi , TIAN Liting , et al . Energy storage device locating and sizing for distribution network based on improved multi-objective particle swarm optimizer
[J]. Power System Technology , 2014 , 38 (12 ):3405 -3411 .
[本文引用: 1]
[19]
ZHAO W G , ZHANG Z X , WANG L Y . Manta ray foraging optimization: An effective bio-inspired optimizer for engineering applications
[J]. Engineering Applications of Artificial Intelligence , 2020 , 87 :103 300.
[本文引用: 1]
[20]
杨蕾 , 吴琛 , 黄伟 , 等 . 含高比例风光新能源电网的多目标无功优化算法
[J]. 电力建设 , 2020 , 41 (7 ):100 -109 .
[本文引用: 1]
YANG Lei , WU Chen , HUANG Wei , et al . Pareto-based multi-objective reactive power optimization for power grid with high-penetration wind and solar renewable energies
[J]. Electric Power Construction , 2020 , 41 (7 ):100 -109 .
[本文引用: 1]
[21]
YANEZ-BORJAS J J , MACHORRO-LOPEZ J M , CAMARENA-MARTINEZ D , et al . A new damage index based on statistical features, PCA, and mahalanobis distance for detecting and locating cables loss in a cable-stayed bridge
[J]. International Journal of Structural Stability and Dynamics , 2021 , 21 (9 ):215 0127.
[本文引用: 1]
[22]
刘煌煌 , 雷金勇 , 蔡润庆 , 等 . 基于SVM-MOPSO混合智能算法的配电网分布式电源规划
[J]. 电力系统保护与控制 , 2014 , 42 (10 ):46 -54 .
[本文引用: 1]
LIU Huanghuang , LEI Jinyong , CAI Runqing , et al . Distributed generation planning in distribution network based on hybrid intelligent algorithm by SVM-MOPSO
[J]. Power System Protection and Control , 2014 , 42 (10 ):46 -54 .
[本文引用: 1]
[23]
GOSWAMI S K , BASU S K . A new algorithm for the reconfiguration of distribution feeders for loss minimization
[J]. IEEE Transactions on Power Delivery , 1992 , 7 (3 ):1484 -1491 .
DOI:10.1109/61.141868
URL
[本文引用: 1]
[24]
李亮 , 唐巍 , 白牧可 , 等 . 考虑时序特性的多目标分布式电源选址定容规划
[J]. 电力系统自动化 , 2013 , 37 (3 ):58 -63 .
[本文引用: 1]
LI Liang , TANG Wei , BAI Muke , et al . Multi-objective locating and sizing of distributed generators based on time-sequence characteristics
[J]. Automation of Electric Power Systems , 2013 , 37 (3 ):58 -63 .
[本文引用: 1]
[25]
王丽萍 , 邱飞岳 . 复杂多目标问题的优化方法及应用 [M]. 北京 : 科学出版社 , 2018 .
[本文引用: 1]
WANG Liping , QIU Feiyue . Complex multi-objective optimization and it’s applications [M]. Beijing : Science Press , 2018 .
[本文引用: 1]
[26]
胡旺 , YEN Gary G , 张鑫 . 基于Pareto熵的多目标粒子群优化算法
[J]. 软件学报 , 2014 , 25 (5 ):1025 -1050 .
[本文引用: 1]
HU Wang , YEN Gary G , ZHANG Xin . Multiobjective particle swarm optimization based on Pareto entropy
[J]. Journal of Software , 2014 , 25 (5 ):1025 -1050 .
[本文引用: 1]
Adaptive fractional-order PID control of PMSG-based wind energy conversion system for MPPT using linear observers
1
2019
... 随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义. ...
蓄电池/超导混合储能系统非线性鲁棒分数阶控制
1
2020
... 随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义. ...
蓄电池/超导混合储能系统非线性鲁棒分数阶控制
1
2020
... 随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义. ...
Optimal sizing and placement of energy storage system in power grids: A state-of-the-art one-stop handbook
1
2020
... 随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义. ...
分布式电源电能质量综合评估方法
1
2014
... 随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义. ...
分布式电源电能质量综合评估方法
1
2014
... 随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义. ...
大规模海上风电场的双层分布式有功控制
1
2021
... 随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义. ...
大规模海上风电场的双层分布式有功控制
1
2021
... 随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义. ...
分布式电源并网对于配电网的影响研究
1
2015
... 随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义. ...
分布式电源并网对于配电网的影响研究
1
2015
... 随着全世界各国致力于建设低碳社会,针对分布式电源(DG)的研究得到国内外学者的重点关注[1 ,2 ] .DG合理地接入配电网运行可以起到降低配电网功率损耗、改善电压分布以及减少环境污染等作用[3 ] .然而,风机和光伏系统技术较为成熟而作为DG安装的首选,其输出很大程度上取决于环境条件,具有明显的随机性和波动性[4 ,5 ] ,使得DG的不合理接入不仅会造成投资资金的浪费还会严重危害电力系统的正常运行[6 ] .因此,采用科学的方法研究DG选址定容问题,对配电网的安全稳定经济运行具有重要意义. ...
基于互补内点法的多目标静态电压稳定约束无功规划
1
2010
... DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源. ...
基于互补内点法的多目标静态电压稳定约束无功规划
1
2010
... DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源. ...
Modelling, applications, and evaluations of optimal sizing and placement of distributed generations: A critical state-of-the-art survey
1
2021
... DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源. ...
Optimal distributed generation allocation and sizing in distribution systems via artificial bee colony algorithm
1
2011
... DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源. ...
A hybrid teaching-learning-based optimization technique for optimal DG sizing and placement in radial distribution systems
1
2019
... DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源. ...
考虑相关性的分布式电源多目标规划方法
2
2017
... DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源. ...
... 为验证所提算法的有效性,本文在如图6 和图7 所示的IEEE 33, 69节点配电网进行选址定容研究,包括光伏系统(2个节点安装)、风电机组(2个节点安装)、燃料电池(1个节点安装)以及微型燃气轮机(1个节点安装),并与MRFO、NSGA-II[11 ] 和多目标粒子群优化 (MOPSO) 算法[23 ] 进行比较.值得注意的是,燃料电池与微型燃气轮机能够稳定地进行功率输出,与光伏系统、风电机组的配合使用,能够很好地弥补其输出功率具有波动性的缺陷. ...
考虑相关性的分布式电源多目标规划方法
2
2017
... DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源. ...
... 为验证所提算法的有效性,本文在如图6 和图7 所示的IEEE 33, 69节点配电网进行选址定容研究,包括光伏系统(2个节点安装)、风电机组(2个节点安装)、燃料电池(1个节点安装)以及微型燃气轮机(1个节点安装),并与MRFO、NSGA-II[11 ] 和多目标粒子群优化 (MOPSO) 算法[23 ] 进行比较.值得注意的是,燃料电池与微型燃气轮机能够稳定地进行功率输出,与光伏系统、风电机组的配合使用,能够很好地弥补其输出功率具有波动性的缺陷. ...
基于多目标优化模型的分布式电源选址方案研究
1
2013
... DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源. ...
基于多目标优化模型的分布式电源选址方案研究
1
2013
... DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源. ...
A hybrid of ant colony optimization and artificial bee colony algorithm for probabilistic optimal placement and sizing of distributed energy resources
1
2015
... DG选址定容是一个非线性、含离散优化变量的复杂多目标优化问题,致使以内点法为代表的传统数学优化方法难以获得全局最优解[7 ] .此外,国内外不少学者只是利用线性加权等方法将多个优化目标转为单个优化目标,导致优化结果很大程度上受到研究人员依据个人经验设置的权重系数的影响,无法实现DG选址定容的多目标最优优化[8 ,9 ,10 ] .与之相比,基于Pareto的多目标启发式算法能够更好地解决复杂非线性多目标优化问题.文献[11 ]基于机会约束规划理论建立了DG多目标规划模型,提出采用计及相关性的配电网概率潮流嵌入非支配排序遗传算法(NSGA-II)求解规划模型,得到Pareto最优解集,供决策者进行选择.文献[12 ]采用建立了考虑电压稳定以及电网损耗的多目标的优化仿真模型,并利用多岛遗传算法进行全局寻优求解.文献[13 ]采用混合的蚁群-人工蜂群算法求解考虑功率损耗、电压分布、环境污染以及DG成本的多目标DG优化模型.另一方面,上述文献均忽略了气象条件的影响,安装风机、光伏系统时未在优化目标中考虑当地风速、光照条件,难以将风机、光伏系统安装于风、光资源丰富的地区,最大化消纳风光能源. ...
1
2015
... 为此,本文提出了一种考虑有功功率损耗、电压分布、DG成本、污染排放以及气象条件的多目标数学优化模型,为降低启发式算法均有一定概率陷入局部最优的固有缺陷[14 ] ,采用自适应蝠鲼觅食优化 (AMRFO) 算法进行求解,其具有自适应链式搜索、自适应螺旋觅食和翻滚觅食3种先进的寻优机制可显著降低陷入局部最优的概率,并利用基于马氏距离的理想点决策法客观地做出折中解选择,从而客观地设置各目标函数之间的权重系数.随后,在IEEE 33, 69节点配电网算例下对所提模型进行仿真,其结果表明AMRFO算法能够在风光资源丰富地区合理安装光伏系统和风电机组,兼顾经济性的同时,显著改善配电网的有功功率损耗、电压分布,以及降低二氧化碳、二氧化硫、氮化物等有害气体的排放.最后,通过孤网运行的IEEE 33, 69节点配电网进行进一步仿真,其结果显示AMRFO算法能够在孤网系统下合理地配置各类型的新能源机组,满足孤网系统内各负荷的供电需求. ...
1
2015
... 为此,本文提出了一种考虑有功功率损耗、电压分布、DG成本、污染排放以及气象条件的多目标数学优化模型,为降低启发式算法均有一定概率陷入局部最优的固有缺陷[14 ] ,采用自适应蝠鲼觅食优化 (AMRFO) 算法进行求解,其具有自适应链式搜索、自适应螺旋觅食和翻滚觅食3种先进的寻优机制可显著降低陷入局部最优的概率,并利用基于马氏距离的理想点决策法客观地做出折中解选择,从而客观地设置各目标函数之间的权重系数.随后,在IEEE 33, 69节点配电网算例下对所提模型进行仿真,其结果表明AMRFO算法能够在风光资源丰富地区合理安装光伏系统和风电机组,兼顾经济性的同时,显著改善配电网的有功功率损耗、电压分布,以及降低二氧化碳、二氧化硫、氮化物等有害气体的排放.最后,通过孤网运行的IEEE 33, 69节点配电网进行进一步仿真,其结果显示AMRFO算法能够在孤网系统下合理地配置各类型的新能源机组,满足孤网系统内各负荷的供电需求. ...
考虑环境成本和时序特性的微网多类型分布式电源选址定容规划
11
2013
... 1.1.1 风电机组出力时序性模型 风电机组的输出功率主要取决于风速,可用如下分段函数表示[15 ] : ...
... 式中:P (v )为风电机组的功率输出;v ci 为切入风速;v co 为切出风速;v R 为额定风速;P R 为额定输出功率.根据季节风速均值对风机出力曲线建模,得到风机出力曲线如图1 所示,其中:t 为时间;D rat 为机组出力比例[15 ] . ...
... [
15 ]
Annual output curves of wind turbine[15 ] Fig.1 ![]()
1.1.2 光伏系统出力时序性模型 光伏系统的输出功率P PV 可由下式近似得到[15 ] : ...
... [
15 ]
Fig.1 ![]()
1.1.2 光伏系统出力时序性模型 光伏系统的输出功率P PV 可由下式近似得到[15 ] : ...
... 1.1.2 光伏系统出力时序性模型 光伏系统的输出功率P PV 可由下式近似得到[15 ] : ...
... 式中:P stc 为光伏系统在太阳辐射强度I stc =1000 W/m2 ,温度T stc =25 ℃时的输出功率;I act 为实际运行时的辐射强度;α T 为光伏系统的功率温度系数;T act 为光伏系统实际运行时的温度.另外,根据四季典型日的辐照度拟合得到的光伏系统出力曲线图如图2 所示[15 ] . ...
... [
15 ]
Annual output curves of photovoltaic system[15 ] Fig.2 ![]()
1.1.3 负荷时序模型 负荷大小因人们的生活习惯而展现出一定的规律性,图3 给出了居民负荷一年四季的典型负荷曲线[15 ] . ...
... [
15 ]
Fig.2 ![]()
1.1.3 负荷时序模型 负荷大小因人们的生活习惯而展现出一定的规律性,图3 给出了居民负荷一年四季的典型负荷曲线[15 ] . ...
... 1.1.3 负荷时序模型 负荷大小因人们的生活习惯而展现出一定的规律性,图3 给出了居民负荷一年四季的典型负荷曲线[15 ] . ...
... [
15 ]
Annual load curves of residents[15 ] Fig.3 ![]()
1.2 目标函数 1.2.1 功率损耗指标 功率损耗指标计及4个典型日内96个小时的总有功功率损耗,建立如下[16 ] : ...
... [
15 ]
Fig.3 ![]()
1.2 目标函数 1.2.1 功率损耗指标 功率损耗指标计及4个典型日内96个小时的总有功功率损耗,建立如下[16 ] : ...
考虑环境成本和时序特性的微网多类型分布式电源选址定容规划
11
2013
... 1.1.1 风电机组出力时序性模型 风电机组的输出功率主要取决于风速,可用如下分段函数表示[15 ] : ...
... 式中:P (v )为风电机组的功率输出;v ci 为切入风速;v co 为切出风速;v R 为额定风速;P R 为额定输出功率.根据季节风速均值对风机出力曲线建模,得到风机出力曲线如图1 所示,其中:t 为时间;D rat 为机组出力比例[15 ] . ...
... [
15 ]
Annual output curves of wind turbine[15 ] Fig.1 ![]()
1.1.2 光伏系统出力时序性模型 光伏系统的输出功率P PV 可由下式近似得到[15 ] : ...
... [
15 ]
Fig.1 ![]()
1.1.2 光伏系统出力时序性模型 光伏系统的输出功率P PV 可由下式近似得到[15 ] : ...
... 1.1.2 光伏系统出力时序性模型 光伏系统的输出功率P PV 可由下式近似得到[15 ] : ...
... 式中:P stc 为光伏系统在太阳辐射强度I stc =1000 W/m2 ,温度T stc =25 ℃时的输出功率;I act 为实际运行时的辐射强度;α T 为光伏系统的功率温度系数;T act 为光伏系统实际运行时的温度.另外,根据四季典型日的辐照度拟合得到的光伏系统出力曲线图如图2 所示[15 ] . ...
... [
15 ]
Annual output curves of photovoltaic system[15 ] Fig.2 ![]()
1.1.3 负荷时序模型 负荷大小因人们的生活习惯而展现出一定的规律性,图3 给出了居民负荷一年四季的典型负荷曲线[15 ] . ...
... [
15 ]
Fig.2 ![]()
1.1.3 负荷时序模型 负荷大小因人们的生活习惯而展现出一定的规律性,图3 给出了居民负荷一年四季的典型负荷曲线[15 ] . ...
... 1.1.3 负荷时序模型 负荷大小因人们的生活习惯而展现出一定的规律性,图3 给出了居民负荷一年四季的典型负荷曲线[15 ] . ...
... [
15 ]
Annual load curves of residents[15 ] Fig.3 ![]()
1.2 目标函数 1.2.1 功率损耗指标 功率损耗指标计及4个典型日内96个小时的总有功功率损耗,建立如下[16 ] : ...
... [
15 ]
Fig.3 ![]()
1.2 目标函数 1.2.1 功率损耗指标 功率损耗指标计及4个典型日内96个小时的总有功功率损耗,建立如下[16 ] : ...
Optimal placement and sizing of DG (distributed generation) units in distribution networks by novel hybrid evolutionary algorithm
6
2013
... 1.2.1 功率损耗指标 功率损耗指标计及4个典型日内96个小时的总有功功率损耗,建立如下[16 ] : ...
... 1.2.2 电压分布指标 DG合理地接入配电网能够很好地改善电压分布,为此,本文采用4个典型日内96个小时的总电压偏差来衡量优化效果,电压分布指标建立如下[16 ] : ...
... 1.2.3 污染排放指标 为减少污染气体的排放,本文采用考虑二氧化碳、二氧化硫、氮化物的污染排放指标,如下[16 ] : ...
... 1.2.4 经济指标 DG选址定容的经济成本一共包括所有机组的投资成本、平均运维成本,可由下式表示[16 ] : ...
... 式中: C c , a 和 C m , a 分别为第a台DG的投资、平均运维成本;t ope 为DG运行时间,本文考虑各机组总工作时间为20 a,每年工作300 d,即t ope =144000 h.另外,表1 给出了不同种类DG成本及污染排放统计[16 ] . ...
... 为保证系统的安全平稳运行,需要进行如下约束[16 ,17 ] : ...
Multiple-distributed generation planning under load uncertainty and different penetration levels
1
2013
... 为保证系统的安全平稳运行,需要进行如下约束[16 ,17 ] : ...
基于改进多目标粒子群算法的配电网储能选址定容
1
2014
... 根据功率型前推回代法,配置DG后第b 个节点的电压可由下式进行计算[18 ] : ...
基于改进多目标粒子群算法的配电网储能选址定容
1
2014
... 根据功率型前推回代法,配置DG后第b 个节点的电压可由下式进行计算[18 ] : ...
Manta ray foraging optimization: An effective bio-inspired optimizer for engineering applications
1
2020
... 式中: U DG b 为配置DG后第b个节点的电压; U DG b max 和 U min DG b 分别为配置DG后第b个节点的电压上下限,其取值分别为1.05和 0.9 p.u . [19 ] ;Pab 和Qab 分别为流经第a个节点和第b个节点之间的有功功率、无功功率;Xab 为连接第a个节点与第b个节点的输电线的电抗. ...
含高比例风光新能源电网的多目标无功优化算法
1
2020
... 蝠鲼觅食优化 (MRFO) 算法通过链式搜索、螺旋觅食和翻滚觅食3种寻优机制完成迭代更新,详见文献[20 ].AMRFO算法在链式搜索和螺旋觅食中引入Sigmoid函数,将随机步长改为变步长,由于Sigmoid函数的横坐标越远离坐标轴原点其函数值越大,可加快劣势解向最优解的移动速度,提升算法的收敛速度,称为自适应链式搜索和自适应螺旋觅食.此外,改进后的个体更新机制可保存一些高质量的局部最优解,增强算法的随机性,使得算法的全局搜索能力显著提升. ...
含高比例风光新能源电网的多目标无功优化算法
1
2020
... 蝠鲼觅食优化 (MRFO) 算法通过链式搜索、螺旋觅食和翻滚觅食3种寻优机制完成迭代更新,详见文献[20 ].AMRFO算法在链式搜索和螺旋觅食中引入Sigmoid函数,将随机步长改为变步长,由于Sigmoid函数的横坐标越远离坐标轴原点其函数值越大,可加快劣势解向最优解的移动速度,提升算法的收敛速度,称为自适应链式搜索和自适应螺旋觅食.此外,改进后的个体更新机制可保存一些高质量的局部最优解,增强算法的随机性,使得算法的全局搜索能力显著提升. ...
A new damage index based on statistical features, PCA, and mahalanobis distance for detecting and locating cables loss in a cable-stayed bridge
1
2021
... 本文提出一种基于马氏距离的理想点决策法以回避人为设置目标权重带来的主观性影响,其考虑到各目标函数之间存在的特性联系,使得不受各目标函数量纲不同的影响,可客观地选择折中解并设置各目标间的权重系数[21 ] . ...
基于SVM-MOPSO混合智能算法的配电网分布式电源规划
1
2014
... 因此,本文Pareto理想点前沿为( f 1 min , f 2 min , f 3 min , f 4 min , f 5 min ) ,考虑到各目标函数的量纲不同,且存在一定的耦合性,采用马式距离计算各非支配解到理想点的距离[22 ] : ...
基于SVM-MOPSO混合智能算法的配电网分布式电源规划
1
2014
... 因此,本文Pareto理想点前沿为( f 1 min , f 2 min , f 3 min , f 4 min , f 5 min ) ,考虑到各目标函数的量纲不同,且存在一定的耦合性,采用马式距离计算各非支配解到理想点的距离[22 ] : ...
A new algorithm for the reconfiguration of distribution feeders for loss minimization
1
1992
... 为验证所提算法的有效性,本文在如图6 和图7 所示的IEEE 33, 69节点配电网进行选址定容研究,包括光伏系统(2个节点安装)、风电机组(2个节点安装)、燃料电池(1个节点安装)以及微型燃气轮机(1个节点安装),并与MRFO、NSGA-II[11 ] 和多目标粒子群优化 (MOPSO) 算法[23 ] 进行比较.值得注意的是,燃料电池与微型燃气轮机能够稳定地进行功率输出,与光伏系统、风电机组的配合使用,能够很好地弥补其输出功率具有波动性的缺陷. ...
考虑时序特性的多目标分布式电源选址定容规划
1
2013
... 式中: ω fh 为基于马氏距离的理想点决策法得到的各目标函数权重; n obj 为目标函数个数; f n , h 为决策得到的非支配解的第i个目标函数的归一值; t run 为运行时间; ω 1 和 ω 2 为两者之间的权重系数,由于本文为离线优化,因此 ω 1 和 ω 2 分别取值为0.9和0.1.式(35)中,前半部分为解的质量.随后调整各参数,根据各参数变化得到的 f try 值确定出种群大小、最大迭代次数以及储存池大小可分别在区间[100, 300],[100, 300],[50, 150]内设置.最终,为公平比较各算法性能,各算法的种群大小、最大迭代次数以及储存池大小均分别设置为200,200,100,算法参数按默认值设置.另外,4个典型日内IEEE 33, 69节点配电网的总有功功率损耗分别为 4061.87 kW和 4449.99 kW,总电压偏差分别为 66.1991 p.u.和 71.3853 p.u.,总负荷分别为3.715 MW和3.802 MW,其余系统参数见文献[24 ,25 ].值得注意的是,由于测试系统难以在实际工程中找到,本文采用的气象数据均为2020年某地光伏发电站的历史实测数据,对其各测量点实测数据取平均值后随机作为各节点的气象数据,如表2 和3所示.此外,所有算法均在主频为2.80 GHz的Intel(R) Core(TM) i5-8400 CPU,内存为8 GB的计算机,MATLAB 2018b环境下进行优化计算. ...
考虑时序特性的多目标分布式电源选址定容规划
1
2013
... 式中: ω fh 为基于马氏距离的理想点决策法得到的各目标函数权重; n obj 为目标函数个数; f n , h 为决策得到的非支配解的第i个目标函数的归一值; t run 为运行时间; ω 1 和 ω 2 为两者之间的权重系数,由于本文为离线优化,因此 ω 1 和 ω 2 分别取值为0.9和0.1.式(35)中,前半部分为解的质量.随后调整各参数,根据各参数变化得到的 f try 值确定出种群大小、最大迭代次数以及储存池大小可分别在区间[100, 300],[100, 300],[50, 150]内设置.最终,为公平比较各算法性能,各算法的种群大小、最大迭代次数以及储存池大小均分别设置为200,200,100,算法参数按默认值设置.另外,4个典型日内IEEE 33, 69节点配电网的总有功功率损耗分别为 4061.87 kW和 4449.99 kW,总电压偏差分别为 66.1991 p.u.和 71.3853 p.u.,总负荷分别为3.715 MW和3.802 MW,其余系统参数见文献[24 ,25 ].值得注意的是,由于测试系统难以在实际工程中找到,本文采用的气象数据均为2020年某地光伏发电站的历史实测数据,对其各测量点实测数据取平均值后随机作为各节点的气象数据,如表2 和3所示.此外,所有算法均在主频为2.80 GHz的Intel(R) Core(TM) i5-8400 CPU,内存为8 GB的计算机,MATLAB 2018b环境下进行优化计算. ...
1
2018
... 式中: ω fh 为基于马氏距离的理想点决策法得到的各目标函数权重; n obj 为目标函数个数; f n , h 为决策得到的非支配解的第i个目标函数的归一值; t run 为运行时间; ω 1 和 ω 2 为两者之间的权重系数,由于本文为离线优化,因此 ω 1 和 ω 2 分别取值为0.9和0.1.式(35)中,前半部分为解的质量.随后调整各参数,根据各参数变化得到的 f try 值确定出种群大小、最大迭代次数以及储存池大小可分别在区间[100, 300],[100, 300],[50, 150]内设置.最终,为公平比较各算法性能,各算法的种群大小、最大迭代次数以及储存池大小均分别设置为200,200,100,算法参数按默认值设置.另外,4个典型日内IEEE 33, 69节点配电网的总有功功率损耗分别为 4061.87 kW和 4449.99 kW,总电压偏差分别为 66.1991 p.u.和 71.3853 p.u.,总负荷分别为3.715 MW和3.802 MW,其余系统参数见文献[24 ,25 ].值得注意的是,由于测试系统难以在实际工程中找到,本文采用的气象数据均为2020年某地光伏发电站的历史实测数据,对其各测量点实测数据取平均值后随机作为各节点的气象数据,如表2 和3所示.此外,所有算法均在主频为2.80 GHz的Intel(R) Core(TM) i5-8400 CPU,内存为8 GB的计算机,MATLAB 2018b环境下进行优化计算. ...
1
2018
... 式中: ω fh 为基于马氏距离的理想点决策法得到的各目标函数权重; n obj 为目标函数个数; f n , h 为决策得到的非支配解的第i个目标函数的归一值; t run 为运行时间; ω 1 和 ω 2 为两者之间的权重系数,由于本文为离线优化,因此 ω 1 和 ω 2 分别取值为0.9和0.1.式(35)中,前半部分为解的质量.随后调整各参数,根据各参数变化得到的 f try 值确定出种群大小、最大迭代次数以及储存池大小可分别在区间[100, 300],[100, 300],[50, 150]内设置.最终,为公平比较各算法性能,各算法的种群大小、最大迭代次数以及储存池大小均分别设置为200,200,100,算法参数按默认值设置.另外,4个典型日内IEEE 33, 69节点配电网的总有功功率损耗分别为 4061.87 kW和 4449.99 kW,总电压偏差分别为 66.1991 p.u.和 71.3853 p.u.,总负荷分别为3.715 MW和3.802 MW,其余系统参数见文献[24 ,25 ].值得注意的是,由于测试系统难以在实际工程中找到,本文采用的气象数据均为2020年某地光伏发电站的历史实测数据,对其各测量点实测数据取平均值后随机作为各节点的气象数据,如表2 和3所示.此外,所有算法均在主频为2.80 GHz的Intel(R) Core(TM) i5-8400 CPU,内存为8 GB的计算机,MATLAB 2018b环境下进行优化计算. ...
基于Pareto熵的多目标粒子群优化算法
1
2014
... 图12 和13 给出了各算法在不同算例下运行10次后,包括其值越小,性能更佳的4种指标(图中用紫色表示),即反转世代距离(IGD)、世代距离(GD)、广泛性和空间分布(SP);另外,还给出了其值越大,性能更佳的3种指标(图中用粉色表示),即纯粹多样性(PD)、超体积(HV)、分布度指标(DM)[26 ] ,进而比较各算法的搜索性能.由图12 和13可以看出:① 在不同算例下各算法的GD、IGD平均值中,AMRFO算法的值最小,因此其收敛性能最佳,可证明使用Sigmoid函数自适应步长能够有效提升其收敛性;② 不同算例下AMRFO算法的HV、PD、DM平均值均明显大于其他算法,证明了其具有表现良好的Pareto前沿多样性;③ 不同算例下AMRFO算法均具有最小的广泛性、SP平均值,证明了AMRFO算法的个体更新策略能够使得其获得分布最为均匀且广泛的Pareto前沿. ...
基于Pareto熵的多目标粒子群优化算法
1
2014
... 图12 和13 给出了各算法在不同算例下运行10次后,包括其值越小,性能更佳的4种指标(图中用紫色表示),即反转世代距离(IGD)、世代距离(GD)、广泛性和空间分布(SP);另外,还给出了其值越大,性能更佳的3种指标(图中用粉色表示),即纯粹多样性(PD)、超体积(HV)、分布度指标(DM)[26 ] ,进而比较各算法的搜索性能.由图12 和13可以看出:① 在不同算例下各算法的GD、IGD平均值中,AMRFO算法的值最小,因此其收敛性能最佳,可证明使用Sigmoid函数自适应步长能够有效提升其收敛性;② 不同算例下AMRFO算法的HV、PD、DM平均值均明显大于其他算法,证明了其具有表现良好的Pareto前沿多样性;③ 不同算例下AMRFO算法均具有最小的广泛性、SP平均值,证明了AMRFO算法的个体更新策略能够使得其获得分布最为均匀且广泛的Pareto前沿. ...