计及气象因素的分布式电源在配电网的优化配置

吴 昊， 许跃进， 殷德聪， 杨 建

（1.国网浙江省电力公司嘉兴供电公司，浙江 嘉兴 314000；2.中国农业大学信息与电气工程学院，北京 100083）

计及气象因素的分布式电源在配电网的优化配置

吴 昊1， 许跃进2， 殷德聪2， 杨 建2

（1.国网浙江省电力公司嘉兴供电公司，浙江 嘉兴 314000；2.中国农业大学信息与电气工程学院，北京 100083）

以DG接入配电网配置方案为研究对象，考虑包括风速、温度和光照强度在内的环境因素，基于配电网所处环境的历史气象数据，通过建立DG的工程计算模型，分析了DG出力四季综合日时段变化特性，得出由DG出力四季综合日时段变化确定的96时段场景。为了得到光伏和风力式DG在配电网中的优化配置方案，以配置DG后网损下降率最大为目标函数，引入免疫接种和选择淘汰更新策略对粒子群算法进行改进，对所建模型寻优求解。以IEEE33节点配电系统为算例，得出了科学合理的DG定容定址方案，验证了模型及算法的有效性，同时与不考虑配电网环境的DG规划结果相比较，体现了DG规划中考虑配电网环境因素的必要性。

分布式电源；气象因素；优化配置；四季综合日变化；改进粒子群算法

0 引言

DG（分布式电源）一般是指靠近用户，为满足用户的特殊需求，发电功率在几千瓦至50 MW的小型模块化发电单位。DG的类型主要有风力发电、太阳能光伏发电、冷热联产发电、燃料电池、微型燃气轮机等[1-2]。DG相对于常规集中式电源的优势在于：可以高效利用用户处各种分散的能源，实现就近供电，提高能源的利用率，以减少远距离供电产生的网损，对于减轻环保压力、降低终端用户的费用具有积极作用。DG既能直接满足用户用电需要，又能接入配电网，作为配电网电源的补充，使负荷的供电可靠性及电能质量都得到增强，它的灵活性和高效性能满足未来能源可持续发展的要求[3-4]。

随着分布式发电技术的日益成熟，分布式发电的成本日益降低，分布式发电在电力系统中所占比重会逐渐增大。但是当DG接入配电网后，它对配电网的节点电压、线路潮流、短路电流、可靠性等都会带来影响[5-6]，其影响程度与DG的接入点和容量有密切关系[1]。因此为了使DG在配电网中发挥最大优势，DG在配电网中的优化配置就显得十分重要。

近年来，国内外学者已针对DG规划问题进行了多个方面的研究。文献[7]以实现配电网网损最小为目标函数，应用改进粒子群算法进行分布式电源规划，结合惩罚函数将约束并入到目标函数中来求取极值，实现DG的选址与定容。文献[8]分析DG接入配电网前后对网损的影响，提出采用混合模拟退火算法的改进粒子群优化算法进行分布式电源选址和定容计算，实例证明该算法有良好的全局搜索和快速收敛能力。文献[9]考虑了网损、电压和电流质量的多目标规划模型，运用改进多目标微分进化算法进行求解，实现DG多目标定容定址。文献[10]在DG单个容量、个数、位置未知的情况下，以配电网有功网损为目标函数，采用自适应权重粒子群算法进行寻优求解，但该算法易陷入局部最优解。上述文献提出的目标函数侧重不同，采取了智能算法对模型求解，但都缺乏对影响DG规划结果的配电网环境因素的必要考虑，光伏和风力式DG模型并不是恒定功率模型，要得到合理的DG配置方案，必须结合配电网的环境来分析综合DG的出力特性。

本文基于配电网历史气象数据，通过DG工程模型分析了光伏和风力式DG出力特点，分别建立了光伏和风力式DG四季综合日出力变化曲线。以此为基础，考虑DG配置在配电网中对网络损耗和节点电压的影响，运用改进的粒子群算法对目标函数进行求解寻优，并与不考虑配电网环境的DG优化配置方案比较，证明DG优化规划中考虑配电网环境的重要性。

1 计及自然环境的DG四季综合日出力变化

1.1 配电网环境因素

配电网环境因素即配电网中对DG出力有直接影响的因素。光伏发电系统的输出受到光照、温度等环境因素的影响，由于不同季节气候环境的差异性，光照强度及太阳入射角度都会发生变化，因此季节变化对光伏发电影响也很大[11]。风机出力存在间歇性，主要受到自然风速的影响。虽然配电网中不同日期、时间点的温度、光照强度以及风速都不固定，任意一天的气候条件都相互独立，但基于历史数据的配电网环境却会呈现一定的季节性和时段性变化规律。采集配电网中各个季节中若干典型天的风速、光照强度和温度数据，将属于同一季节不同天中各个相同时刻的数据作均值处理，可得到配电网环境四季综合日变化曲线，如图1—3所示。

图1 配电网四季综合日风速变化曲线

图2 配电网四季综合日温度变化曲线

1.2 DG出力建模

1.2.1 风机出力模型

风机出力与风速的关系可由分段函数[12]如式（1）近似表示为：

图3 配电网四季综合日光照强度变化曲线

式中：Pt为t时刻风机出力；Pr为风机额定功率；Vt为 t时刻的风速；Vin，Vr，Vo分别为风机的切入风速、额定风速以及停机风速；A，B，C 3个参数，可以由式（2）给出：

1.2.2 光伏出力模型

文献[13]对光伏发电模型进行了数学简化，可以仅利用光伏电池生产厂商提供的短路电流Isc、最大工作电流Im、开路电压Voc、最大工作电压Vm，将光伏电池阵列在不同光照强度和温度条件下的V-I特性得以复现，并确定光伏最大输出功率Pm。

光伏标准测试环境下，日照射度Sref为1 000 W/m2，环境温度Tref为25℃。多数情况下光伏电池并不处于标准测试环境中，假设在工作环境中，光伏板温度为T，光照强度为S，则光伏电池最大工作电流Im_new、最大工作电压Vm_new、最大输出功率Pm_new可分别由式（3），（4）和（5）获得。

式中：ΔT为工作状态下光伏板温度T与标准测试环境中Tref的差值；ΔS为（S-Sref）/Sref；式中系数a，b，c采用典型值[14]，a=0.002 5，b=0.2，c= 0.002 88。

1.3 DG四季综合日出力曲线

基于配电网历史风速、温度和光照强度数据，结合DG的出力计算数学模型，可以得到按季节分类、以综合日24小时出力变化为单元的DG出力曲线。综合历史数据得出的DG出力变化可作为特定配电网DG配置规划的自然环境基础，这不仅进一步考虑了配电网环境对DG配置方案的影响，更体现了光伏和风力式DG出力变化的本质特征。假设风机Vin为3 m/s，Vo为25 m/s，Vr为13 m/s，该配电网中光伏和风力式DG四季综合日出力曲线如图4、图5所示。

图4 配电网光伏DG四季综合日出力变化曲线

图5 配电网风力DG四季综合日出力变化曲线

2 配电网中DG优化配置的目标规划

2.1 考虑配电网环境的规划场景

根据上文对DG四季出力的分析，将DG在配电网中四季的变化曲线进行离散化，各季节综合日的DG出力曲线被离散为以每小时为间隔的24个时段场景，四季共96个时段场景。这96个时段场景包含了DG在各个季节综合日中24个时刻的典型出力情况。

2.2 DG规划模型

本文考虑网损下降率最大为目标的规划模型，并以电压偏移的改善情况作为附加指标来参考。网损的减少能在一定程度上降低电网公司向上级电网的购电量，是可以进行经济性量化的指标，属于DG投资商和电网企业的综合收益，如果考虑将该收益部分归于DG投资商，将会引导更多资金进入DG投资领域，并促使DG投资商考虑电网企业提出的分布式电源接入方案，因此DG接入配电网对网损指标有着重要意义。同样，合理的DG配置方案能改善电网的电压分布，随着负荷的增长，配电系统的电压稳定性会下降，DG接入配电网后能够改善电压分布情况，使电压偏移维持在较小范围内，因此DG配置后对改善电压水平也有着重要意义。

2.2.1 配电网有功网损及网损下降率

考虑由DG出力变化构成的96个场景配电网平均有功网损最小，由式（6）表示：

式中：PL为配电网系统的有功网损；cj为由DG出力变化构成的场景数；Ii为支路i电流；ri为支路i的电阻；L为配电网系统中的支路数。

配置DG后网损下降率η1为：

式中：PL和PL_dg分别为未配置和配置DG情况下配电系统有功网损量。

2.2.2 配电网节点电压偏移及偏移下降率

电压改善用配电网各个节点的电压偏移来表示，目标函数考虑为由DG出力变化构成的96个场景配电网电压偏移[9]最小，表示为：

式中：dV为配电系统电压偏移指标；N为配电系统节点个数；V0为配电网首节点电压；Vi为配电系统节点i电压。

配置DG后电压偏移下降率η2为：

式中：dV和dVdg分别为未配置和配置DG情况下配电系统的电压偏移。

2.2.3 目标函数

规划模型中以网损下降率最大为目标函数F，以电压偏移的改善情况作为附加指标来参考。

上述目标函数的约束条件由式（11）构成，包括潮流约束、电压约束以及DG接入总容量约束：

式中：PG_i和QG_i分别表示i节点电网有功功率和无功功率注入；PD_i和QD_i分别表示i节点配置的DG有功功率和无功功率输入；PL_i和QL_i分别表示i节点的有功和无功负荷；Ui表示节点i电压；Gij和Bij分别表示节点ij间的电导和电纳；Umin和Umax分别表示节点电压的下限及上限。

3 改进粒子群算法在DG优化配置中的应用

3.1 标准粒子群算法

标准粒子群算法[15]中更新速度和位置公式如式（12）所示：

式中：t表示迭代次数；r1，r2为[0，1]间相互独立的随机数；m表示粒子群规模；向量vi，xi表示粒子i的速度及位置；g表示全局最优；p表示粒子的个体极值；c1，c2为学习因子；w为保持原来速度的系数，也叫惯性权重。

3.2 MPSO粒子群算法改进

MPSO算法也称为自适应粒子群算法，主要特征是对式（12）中的惯性权重w采用线性动态改变的策略，让w随着算法迭代次数的增加而线性减小，这样可使粒子群算法在初期有较强的全局搜索能力，在末期有较强的局部搜索能力。具体算法如式（13）所示：

式中：wmax为惯性权重的最大取值；wmin为惯性权重的最小取值；CurCount为当前迭代次数；Loop-Count为最大迭代次数。

为了使MPSO算法能适应高维的DG选址定容，避免算法过早陷入局部最优解，在MPSO算法的基础上引入以下改进方案。

（1）免疫接种策略。

DG规划问题由于接入待选点较多，因此维度大，为了加速收敛，可以借鉴免疫接种，引入免疫接种过程来指导粒子群寻优的大致搜索方向。免疫接种的策略如下：

配电网中DG配置的待选节点有N个，建立含有N个粒子的试探种群S，S中第i个粒子的构成如式（14）所示：

式中：n为可接入节点总数。计算S中所有粒子适应度，并依据适应度大小对待选节点进行排序。设定接受免疫的小种群为M，将M中排序靠前的节点位置的DG配置容量设置为最大，同时满足DG接入的总容量不超过限定值，因此优先级靠后的节点设置为0。

（2）选择性淘汰更新策略。

在每次迭代后，对粒子群中的各粒子按适应度进行排序，将适应度较差的一半粒子进行变异更新，变异过程通过重新随机初始化这部分粒子来实现。这种做法能提高使解跳出局部最优的能力，同时不破坏当前最优的一部分解。

3.3 编码规则

本文采用十进制编码表示DG配置情况。假设配电系统中有N个节点，DG配置方案按节点排序用{X1，X2，…，Xi，…，XN}表示，单位容量为P，若Xi不为0，即表示在节点i处配置DG，配置容量为Xi×P。这样的编码形式既能体现DG配置位置，也能体现DG容量。

3.4 改进粒子群算法优化流程

运用改进粒子群算法求解多目标DG在配电网中的规划流程如图6所示。

4 算例分析

假设该IEEE33节点配电网环境与第一节中分析的配电网环境相同（见图7），分布式电源作为PQ节点处理，功率因数取0.95。DG接入配电网的总容量不超过配电网最大负荷的45%，因此DG的总接入容量限制为1 450 kW。单个配电网负荷点接入DG规模限定为C·50，C=（0，1，2，3，4，5，6）。假设该IEEE33节点配电网环境与前文分析的配电网环境相同，单位容量光伏和风力式DG在配电网中96个场景的出力则已知。

图6 改进粒子群算法用于DG规划流程

图7 IEEE33节点配电系统

4.1 不考虑配电网环境因素的光伏和风力式DG优化配置

本节不考虑配电网环境因素，对光伏和风力式DG进行优化配置。由于不考虑配电网环境因素，DG在此规划中作为恒定输出，因此光伏和风力式DG所得到的规划结果相同。不考虑配电网环境的DG优化配置结果如表1及表2所示。

表1 DG配置方案结果（不考虑环境因素）

从表2中可以看出，该方案以配电网网损最小为目标，DG优先满足离首端节点最远的负荷点。配置满足限定条件的DG后，网损最大可降低70.96%。与此同时，配置DG前电压偏移为5.33%，且部分节点电压存在越限情况，配置DG后，节点电压得到了较好改善，总的电压偏移减小了57.41%。

4.2 考虑配电网环境因素的DG优化配置及比较分析

在DG规划中考虑配电网环境因素，分别将光伏和风力式DG单独配置在IEEE33节点配电系统中。光伏及风力式DG的配置方案如表3及表4所示。

表2 网损及电压偏移（不考虑环境因素）

表3 光伏及风力式DG配置方案（考虑环境因素）

表4 网损及电压偏移（考虑环境因素）

从表4中可以看出，配置相同容量的光伏和风力式DG，后者在网络损耗和电压偏移改善方面表现更为出色，这是因为光伏电池发电受时间限制，一天中只在白天才有功率输出，夜晚功率输出为零，而风机的动力来源于风能，不受时间的制约，因此单位容量的风力式DG在配电系统降损和电压质量改善上要优于光伏DG。

表2为没有考虑环境因素的DG规划结果，表4为考虑环境因素的光伏和风力式DG规划结果，二者比较如图8所示。可以发现不考虑配电网环境的DG规划结果过于乐观，且无法体现光伏和风力式DG规划的差异性，因此不考虑配电网环境的规划结果缺乏实际意义。

将未考虑配电网环境的DG规划结果分别配置以光伏和风力式DG，代入DG出力时段性变化的配电网环境中进行潮流计算，以光伏和风力DG接入得到的实际优化网损分别为157.404 kW和140.11 kW。而考虑配电网环境以光伏和风力式DG接入得到的优化网损（表4）分别为157.106 kW和138.422 kW，结果均优于不考虑配电网环境的优化方案。因此，考虑配电网环境的DG配置方案的实际结果更为准确。

图8 是否考虑环境因素的DG规划结果比较

5 结论

本文通过建立DG出力模型，并基于包括风速、光照强度以及温度在内的配电网环境，分析了DG在春夏秋冬4个季节里综合日24小时出力变化，以此作为DG在配电网规划的环境基础，建立了网损下降率最大为目标的规划模型，从算例分析中可以得到以下结论：

（1）合理的配电网DG优化配置方案能够有效降损并改善配电网系统节点电压水平。

（2）不考虑配电网环境得到的DG优化配置，其对应的网损和电压偏移指标过于乐观，缺乏实际参考价值。

（3）配电网的环境因素对于DG的选址定容有着很大的影响，考虑配电网环境的优化方案实际表现要优于不考虑配电网环境得到的优化配置方案，这是因为考虑配电网环境后，优化算法能根据DG容量的实际输出来匹配负荷，而不再只是根据容量大小。

（4）单位容量的风力DG在配电网降损和改善节点电压偏移上要优于光伏DG。

[1]王敏，丁明.含DG的配电系统规划[J].电力系统及其自动化学报，2004，16（6）∶5-8.

[2]蔡丽霞.含DG的配电网规划研究[D].济南：山东大学，2009.

[3]莫颖涛.分布式发电及其对系统规划的影响[D].杭州：浙江大学，2006.

[4]崔金兰,刘天琪.分布式发电技术及其并网问题研究综述[J].现代电力，2007，24（3）∶53-57.

[5]梁才浩，段献忠.分布式发电及其对电力系统的影响[J].电力系统及其自动化，2001，25（12）∶53-56.

[6]韦钢，吴伟力，胡丹云.分布式电源及其并网时对电网的影响[J].高电压技术，2007，33（1）∶36-40.

[7]汪兴旺，邱晓燕.基于改进粒子群算法的配电网分布式电源规划[J].电力系统保护与控制，2009，37（14）∶16-40.

[8]刘波，张焰，杨娜.改进的粒子群优化算法在分布式电源选址和定容中的应用[J].电工技术学报，2008，23（2）∶103-108.

[9]夏澍，周明，李庚银.分布式电源选址定容的多目标优化算法[J].电网技术，2011，35（9）∶115-121.

[10]朱勇，杨京燕，张冬清.基于有功网损最优的分布式电源规划[J].电力系统保护与控制，2011，39（21）∶12-16.

[11]张雪莉，刘其辉.光伏电站输出功率影响因素分析[J].电网与清洁能源，2012，28（5）∶75-81.

[12]BILLINTOR，GUANGBAI.Generating capacity adequacy associated with wind energy[J].IEEE Transactions on Energy Conversion，2004，19（3）∶641-646.

[13]苏建徽，余世杰，赵为，等.硅太阳电池工程用数学模型[J].太阳能学报，2011，22（4）∶409-412.

[14]YUSHAIZAD Y，SITIHS，MUHAMMAD AL.Modeling and simulation of maximum power point tracker for photovoltaic system[C].National Power&Energy Conference, 2004∶88-103.

[15]钱科军，袁越，石晓月.分布式发电的环境效益分析[J].中国电机工程学报，2008，28（29）∶11-15.

（本文编辑：方明霞）

Optimized Allocation of Distributed Generation Based on Meteorological Factors in Power Distribution Networks

WU Hao1，XU Yuejin2，YIN Decong2，YANG Jian2
（1．State Grid Jiaxing Power Supply Company，Jiaxing Zhejiang 314000，China；2．College of Information and Electrical Engineering，China Agricultural University，Beijing100083，China）

Scheme for integration of distributed generation（DG）into distribution networks is taken as research object in this paper.By considering environmental factors such as wind speed，temperature and illumination intensity，alternation characteristics of DG output in daytime of each season are analyzed by establishment of DG calculation model to conclude 96 time scenes in accordance to historical meteorological data of the distribution networks.In order to obtain optimized configuration schemes for photovoltaic and wind power generation in distribution networks，maximum power loss in the distribution networks is taken as objective function to improve particle swarm optimization by introduction of immunization and selection of elimination and update to optimize the model.By taking IEEE33 node distribution system as an example，a scientific and reasonable scheme of DG capacity and location is determined to validate effectiveness of the model and algorithm；necessity of DG planning in consideration of environmental factors is reflected.

distributed generation；meteorological factor；optimized allocation；four seasons diurnal variation in four seasons；improved particle swarm optimization

TM715+.3

B

1007-1881（2015）12-0001-07

2015-07-21

吴 昊（1989），男，研究方向为分布式电源、配电网规划。