孙 晨

国网甘肃省电力公司兰州供电公司西固供电分公司，甘肃 兰州 730070

0 引言

在对分布式电源进行配置的过程中，电力单位需要深入研究其网损影响，并通过建立优化配置数学模型来计算分布式电源的配置，以此解决分布式电源应用中的电网网损问题。在确保电网供电效果的同时尽最大限度提升电力企业的经济效益，进一步促进电力企业的发展。

1 分布式电源的概念

分布式电源就是合理安排电源位置，以此确保其发电效果的一种技术形式。在具体设置中，需要按照相应的标准进行电源的分散排列，这和传统电源集中配置的方式存在明显区别。分布式电源的合理应用，不仅可显著提升配网工作效率，也可以进一步降低电力损耗，这与可持续发展战略十分相符[1]。但是此种配置方法需要用智能电网作依托，对于材料和技术的要求都很高。

2 分布式发电技术的类型

（1）往复式内燃机技术。其主要工作原理是通过汽缸内部的燃料燃烧来实现热能到机械能的转化，从而带动发电机。凭借着发电效率高、成本低的优势，往复式内燃机的应用十分广泛。但是该技术也具备一定的缺点，如噪声大、污染物排放量高、维修成本高等。

（2）微型燃气轮机技术。微型燃气轮机是一种以柴油、汽油、甲烷、天然气等为燃料，功率为数百千瓦的小型燃气轮机。微型燃气轮机具有质量轻、体积小、维护简单、污染小、发电效率高等优势，在分布式发电中十分适用[2]。

（3）燃料电池技术。其主要工作原理是让燃料电池在低温条件下直接实现化学能到电能的转变，主要通过电化学过程来获取电能。其主要优势是转换效率高、噪声低、无污染、功率高等，可在集中式与分布式发电系统中应用。

（4）风力发电技术。该技术通过风电机来实现风能到电能的转化，作为一种新型的清洁能源发电技术，此项技术已经趋于成熟。

（5）太阳能发电技术。此项技术主要包括光热转换与利用、光电转换与利用及光化学转换与利用等。该技术的主要优势是清洁无污染、规模灵活、安全可靠、维护简单、不受地域限制。凭借着这些优势，此项技术在分布式发电中已经得到广泛应用。

3 分布式电源接入配电网的主要影响

将分布式电源接入电网之后，传统电网中的馈线潮流的大小及方向会发生明显改变，从而直接对电网网损产生影响[3]。

4 分布式电源配置优化数学模型建立

4.1 目标函数

要想合理优化分布式电源配置，就需要将电网中的最小有功网损作为目标函数。以下是其目标函数公式：

式中：f为目标函数，P1为电网中的有功网损。

4.2 约束条件

在对配电网中的分布式电源进行配置优化时，其约束条件主要包括以下几个方面。

4.2.1 状态变量方面的约束条件

状态变量方面的约束条件是对各个节点中的电压幅值加以约束，其公式为

式中：Umin为节点下限电压幅值；Umax为上限电压幅值用表示；Ui为第i个节点上的电压幅值。

4.2.2 控制变量方面的约束条件

控制变量方面的约束条件，是对安装在每一个节点位置的分布式电源进行有功功率及无功功率的约束。

有功功率约束条件公式为

式中：PDGmin为有功功率的下限值；PDGmax为有功功率的上限值；PDG为分布式电源实际的有功功率值。

无功功率约束条件公式为

式中：QDGmin为无功功率的下限值；QDGmax为无功功率的上限值；QDG为分布式电源实际的无功功率值。

4.2.3 潮流方面的约束条件

潮流方面的约束条件，是对数学模型中的状态变量及控制变量加以约束，其公式为

式中：x为数学模型的状态变量；u为控制变量。

4.3 配置优化计算

4.3.1 粒子群算法原理

通过上述模型和改进之后的粒子群算法对分布式电源进行配置优化计算。粒子群算法的基本原理：假设有一群鸟正在随机地对食物进行搜索，假设一个区域内的食物只有一块，鸟群中的每一只鸟都不知道这块食物的具体位置，但是知道自己目前所在位置和食物之间的距离。在此过程中，最简单有效的方法就是对目前和食物距离最近的周边区域进行搜索[4]。

4.3.2 粒子群算法计算公式

将鸟抽象成一个没有体积和质量的粒子i，并以此为基准，向N维空间进行延伸，在N维空间内，粒子i的位置可用xi=(x1,x2,…,xN)这一矢量来表示；鸟的飞行速度v可以用vi=(v1,v2,…,vN)这一矢量来表示。其中的每一个粒子都具有一个适应值，这个适应值由目标函数决定。每一个粒子都知道自身目前所在位置及其发现的最好位置（pbest），可以将其作为粒子自身的飞行经验；每一个粒子也知道自己目前在整个群体中所发现的最好位置（gbest），是pbest中的一个最佳值，可以将其看成粒子同伴经验值。粒子的下一步运动正是根据自身的经验以及同伴的最佳经验来决定。在每一次迭代的过程中，粒子都会对pbest及gbest两个极值进行追踪，在寻到两个最佳值之后，粒子便会对自身速度及其位置进行更新，相关公式为

式中：i的取值为1,2,…,M，M是整个群体内的总粒子数量；ω为惯性权重；c1及c2为加速常数；rand()为均匀分布在[0,1]这一范围之内的随机数值。ωvi为记忆项，它所代表的是上一次的速度大小以及方向影响。ωvi+c1rand()(pbesti+xi)为自认认知项，代表的是从粒子自身目前所在位置指向最佳点的一个矢量值；同时，这一部分也代表了粒子所做出的动作来自于其自身经验。c2rand()(gbesti-xi)为群体认知项，它是一个从粒子目前所在位置指向群体最佳点的矢量值，所反映的是粒子之间所进行的协同合作以及知识共享。

4.3.3 动态惯性权重值的计算公式

粒子下一步运动主要根据自身经验及同伴的最佳经验来决定。粒子需要按照自身搜索经验及群体搜索经验向最优解的方向移动，在移动的过程中，如果不能够合理选择惯性权重，粒子便很可能错过最优解。

如果惯性权重值比较大，该算法会具有较强的全局寻优能力和较弱的局部寻优能力，得到的解不够精确；如果惯性权重值较小，该算法会具有较强的局部寻优能力和较弱的全局寻优能力，得到的解更加精确。基于此，在本次研究中，主要应用动态惯性权重，让惯性权重值随着搜索的推进而逐渐线性减小。在搜索之初，惯性权重值较大，其搜索范围也比较大；在搜索后期，惯性权重值较小，这样更容易获得精确解[5]。以下是其改进公式：

式中：ω为惯性权重；ωmax为惯性权重最大值；ωmin为惯性权重最小值；k为目前的迭代次数；kmax为迭代次数最大值；k为迭代次数。

4.4 算例与仿真

4.4.1 计算步骤

具体计算步骤如下：

（1）确定配电网数据；

（2）确定粒子数等PSO 参数；

（3）对粒子群进行初始化；

（4）对电网潮流进行计算，以此确定有功网损；

（5）将粒子适应值作为依据，对个体最优值及群体最优值进行更新；

（6）以速度及位置公式为依据，对粒子速度及其位置进行更新。在完成了上述操作之后，如果得到的结果与迭代停止条件相符，便可将最终的结果输出；如果不能满足迭代停止条件，需要返回到第（4）步，并继续第（4）步及以后的程序，一直到结果与迭代停止条件相符为止。

4.4.2 IEEE9 节点形式的标准系统

在本次算例的仿真分析中，主要应用的是IEEE9节点形式的标准系统，该系统为辐射形式的馈线结构，其中有负荷点9 个，段数9 个。文章应用的IEEE9 节点形式标准系统结构示意图如图1 所示，文章应用的IEEE 节点形式标准系统线路及其负荷数据如表1 所示。

图1 IEEE9 节点形式标准系统结构示意图

表1 IEEE 节点形式标准系统线路及其负荷数据

4.4.3 算例仿真结果分析

在具体优化设计中，将功率基准值SB设置为100 MVA，电压基准值VB设置为23 kV。在对分布式电源进行配置优化之前，该系统中的有功网损是783.81 kW。然后通过改进之后的粒子群算法对其进行仿真模拟。在具体仿真中，将粒子数目N设置为50；将迭代次数最小值设置为100；将加速常数c1及c2均设置为1.49；将惯性权重上限值设置为1.2；将惯性权重下限值设置为0.4。改进之后的粒子群算法进行算例仿真获得的结果如表2 所示。

表2 改进之后的粒子群算法进行算例仿真获得的结果

在通过上述方式进行分布式电源配置优化计算仿真之后，让该系统中的有功网损降低到了661.12 kW，相比于配置优化之前，其网损降低了15.65%。同时，经进一步的仿真试验分析发现，在进行了分布式电源的配置优化之后，系统电压也变得更加稳定。

5 结束语

综上所述，在对分布式电源进行应用研究的过程中，电力企业应该了解其网损影响，然后通过合理的方式来建立数学模型，并对其配置进行仿真分析。通过应用数字化模型，改进相应的算法，可得到分布式电源配置的最优解，以此实现其配置的合理优化，从而尽最大限度降低分布式电源应用过程中的网损，在确保供电效果的同时，实现电力企业经济效益的最大化，并实现电力能源的最大化节约。