含分布式電源的配電網(wǎng)無功優(yōu)化研究綜述

任凱

【摘要】：隨著新時期經(jīng)濟的不斷發(fā)展，我國配電網(wǎng)系統(tǒng)有了很大進步，分布式電源接入電網(wǎng)對配電網(wǎng)運行損耗、可靠性等有著至關重要的作用，研究含DG的配電網(wǎng)無功優(yōu)化對于提高電網(wǎng)安全穩(wěn)定與經(jīng)濟性能具有重要意義。本文主要結合實際情況對分布式電源的配電網(wǎng)無功優(yōu)化展開分析，列舉出智能優(yōu)化的幾種算法，希望可以進一步促進配電網(wǎng)無功優(yōu)化工作的順利開展。

【關鍵詞】：分布式電源；配電網(wǎng)；無功優(yōu)化； 配電網(wǎng)優(yōu)化

引言

分布式電源（distributedgeneration，DG）作為一種運行方式靈活多變的新型清潔能源，獲得了國內(nèi)外研究人員的廣泛關注。由于風、光分布式電源所特有的間歇性、波動性和隨機性，并且隨著其并網(wǎng)容量在電網(wǎng)中所占比例的逐漸增加，其出力的不穩(wěn)定性固然將給電網(wǎng)運行的安全性、可靠性及電能質(zhì)量帶來很大的影響，這將嚴重限制分布式電源的發(fā)展。但是，DG的合理配置能有效降低系統(tǒng)網(wǎng)絡損耗、改善系統(tǒng)電壓運行水平，提高系統(tǒng)整體運行的可靠性，進而提高清潔能源的滲透率。

1、分布式電源的特點

分布式電源的出力受到所利用的一次能源限制，因此其出力與常規(guī)的火力發(fā)電等呈現(xiàn)出不同的特點，主要有以下幾個方面的不同：首先，分布式電源出力具有很大的隨機性和波動性這是以風能和光伏為主的分布式電源出力的最大特點，也是其主要缺陷。風電和光伏分布式電源的出力受到風速和光照強度等氣象條件的直接影響，而氣象條件處于隨時變化的狀態(tài)中，這就導致了風電場和光伏電站的出力出現(xiàn)不斷波動變化的情況。以風力發(fā)電為例，風機的輸出功率與風速有直接的關系，當風速低于風機設定的切入風速時，風機的輸出功率為零；當風速高于切入風速，風機開始輸出有功功率，其輸出的功率隨風速的增大而增大；而當風速大于風機的切出風速時，風機不再輸出功率。這種輸出功率的頻繁波動的特性是分布式電源不可避免的特性，也是分布式電源并網(wǎng)后帶來各種安全和穩(wěn)定性問題的根源。其次，分布式電源不可調(diào)度由于風電和光伏等分布式電源的出力受到自身采用的一次能源的限制而具有隨機性和波動性等特征。而這種一次能源通常是人為不可控的。此外，目前分布式電源按照國家政策要求強制上網(wǎng)，因此基本不具備調(diào)度性。

2、智能優(yōu)化算法

2.1遺傳算法

遺傳算法是一種通過模擬自然進化過程搜索最優(yōu)解的方法。它是由美國密西根大學的Holland教授于1926年首先提出來的，是一種基于自然選擇和基因遺傳學原理的優(yōu)化搜索方法。遺傳算法具有通用性強，并行性好，對可行性解表示廣泛，群體搜索等特性。但同時，它也同樣具有收斂速度較慢，容易陷入局部最優(yōu)等缺點。

2.2小生境遺傳算法

遺傳算法是模擬生物界進化過程方法，在1969年由J.Holland教授提出后經(jīng)由DeJong.Goldberg等人在1975年歸納總結出來。與其他智能算法相比對于一些大型的、非線性多變量的復雜的數(shù)學問題，遺傳算法更能顯示出比傳統(tǒng)的數(shù)學算法更加獨特的優(yōu)越性能。但是，傳統(tǒng)的遺傳算法存在搜索全局最優(yōu)能力不強、易早熟收斂的缺陷，從而不能得到全局最優(yōu)解。因此，小生境技術可以保持整個種群的多樣性，將那些染色體中遺傳基因較為相似的個體聚集成小種群，并將它們分到適應度函數(shù)圖像中“峰值”上，然后再通過遺傳算法對這些“峰值”進行處理，結果是使得適應較高的個體繼續(xù)可以保持或者增加其適應度值，而適應度較低的個體其適應度值將大幅度降低而被淘汰，這樣既可以保證個體可以分散在全局范圍中擴大了搜索范圍，也可避免整個函數(shù)陷入局部最優(yōu)。

2.3人工蜂群算法

利用局部搜索因子對當前尋到的最佳位置進行局部搜索。選擇排序好的概率，從而避免進化過程中超常規(guī)個體導致的局部最優(yōu)解，增強魯棒性，從而使人工蜂群算法實現(xiàn)對配電網(wǎng)無功補償?shù)膬?yōu)化。人工蜂群算法具有較強的全局搜索能力，但算法局部搜索性能較差。每次蜜蜂接近最優(yōu)目標時尋找效率明顯減弱，這就致使收斂速度減緩。為了解決算法探索能力強局部搜索能力弱的問題，加入局部搜索因子對目前最優(yōu)解的鄰域進行搜索有效的加強了局部搜索能力。為了選擇過程和蜜源的順序相關，與適應度無關，將選擇概率進行排序，該方法加大了相對差的蜜源被選擇概率，保證了基因多樣性。

2.4模擬退火算法

模擬退火法源于物理中的固體退火原理，它是基于蒙特卡洛迭代求解策略的隨機優(yōu)化計算方法。其雙向隨機搜索是基于概率進行的，對于解決帶約束的組合優(yōu)化問題成效顯著。在優(yōu)化問題的計算中，退火系統(tǒng)的能量函數(shù)作為所研究目標，退火的溫度代表控制變量，模擬退火法追尋基態(tài)的過程就是一系列的“產(chǎn)生新解—判斷—接受/舍棄”的迭代過程，通過這樣的迭代過程令目標函數(shù)取極小值。模擬退火法對于不十分理想的目標函數(shù)值對應的狀態(tài)在一定的概率下也可以接收，該方法既可去往好的方向也可去往差的方向。理論上，模擬退火法只要擁有足夠的計算時間就可以確保收斂于全局最優(yōu)，但實際計算速度及時間往往不夠，造成優(yōu)化結果受計算時間影響，故而可能造成優(yōu)化結果只是局部最優(yōu)。

3、分布式電源配電網(wǎng)無功優(yōu)化的展望

以風電和光伏為代表的分布式發(fā)電在世界范圍內(nèi)得到了迅猛的發(fā)展，一方面分布式電源能夠緩解全球能源危機和環(huán)境污染的問題，另一方面風電場和光伏電站出力的相關性、隨機性和不可調(diào)度性給傳統(tǒng)的電力系統(tǒng)優(yōu)化控制方法帶來新的問題。大量間歇性DG接入電網(wǎng)使得電力系統(tǒng)無功優(yōu)化變得更加復雜，含有DG的配電網(wǎng)無功優(yōu)化是多變量、多約束、多目標的優(yōu)化問題，采取合理的方法處理DG出力的不確定性問題、求解多目標函數(shù)以及運用合適的優(yōu)化算法是進行含有DG的配電網(wǎng)無功優(yōu)化的關鍵所在。各種智能算法既有自身的優(yōu)勢也存在一些不足，為了得到更好的優(yōu)化結果，需DG要將單一算法改進或者與其他算法結合，優(yōu)勢互補。解決分布式電源優(yōu)化配置的傳統(tǒng)優(yōu)化算法大DG多局限在單目標的智能優(yōu)化算法，利用權重系數(shù)的處DG理手段能有效提高算法的處理速度，但未能揭示各目DG標函數(shù)之間的內(nèi)在聯(lián)系，因此，未來方向建議從多目標DG的角度來優(yōu)化DG配置問題。

結語

綜上所述，隨著現(xiàn)代智能技術的發(fā)展和人們對優(yōu)化算法的深入研究，越來越多的新算法將被應用于配電網(wǎng)無功優(yōu)化當中，無功優(yōu)化方法會日益完善，將大大增強電網(wǎng)的安全穩(wěn)定與經(jīng)濟性能。

【參考文獻】：

[1]劉青松.基于改進遺傳算法的配電網(wǎng)無功優(yōu)化[J].電力學報，2005，20（1）：17-20.endprint