梅红兴，程浩忠，王 宸，张 逸

（1.上海交通大学电力传输与功率变换控制教育部重点实验室，上海 200240；2.国网福建省电力有限公司电力科学研究院，福州 350007）

主动配电网中分布式电源优化配置

梅红兴1，程浩忠1，王 宸1，张 逸2

（1.上海交通大学电力传输与功率变换控制教育部重点实验室，上海 200240；2.国网福建省电力有限公司电力科学研究院，福州 350007）

主动配电网规划将主动管理模式与配电网规划、控制及运行相结合，在分布式电源优化配置阶段，充分考虑通过主动管理控制配电网运行。首先建立双层分布式电源规划模型，上层规划以主动配电网运营商年收益最大为目标，下层规划通过主动管理使分布式电源有功出力切除量最小；然后，为计及负荷及分布式电源出力的时序特性，分析了不同类型负荷及分布式电源在典型场景下的日曲线，并且引入分时电价机制来反映主动配电网需求侧特性；再采利用改进粒子群算法求解上层规划模型，采用原对偶内点法对下层规划模型求解；最后以IEEE-33节点配电网作为算例，验证了所提模型的合理性和算法的有效性。

主动配电网；分布式电源；优化配置；双层规划；时序特性；改进粒子群算法

随着电力需求的持续增长、传统能源紧缺形势的不断加深以及环境问题的日益突出，分布式电源DG（distributed generation）尤其是可再生能源发电技术的发展获得了广泛支持。分布式电源具有能源利用效率高、清洁环保、安装地点灵活等多方面的优点，可以有效地解决目前电网中成本高、运行难度大等许多潜在问题[1-2]，为我国“节能减排”措施的开展提供保障。

国内外学者对分布式电源的优化配置做了大量研究。文献[3]对比了含DG的配电网规划与传统的配电网规划的差别，并分别从经济效益和规划所面临的问题两个方面对分布式电源规划进行了阐述；文献[4]提出了一种考虑网络升级费用、网损费用、缺电损失和用户购电费用最小的多目标分布式发电选址定容模型；文献[5]考虑了网损、电压质量和电能质量3个指标，建立了分布式电源选址定容规划的多目标模型；文献[6]将分布式电源的选址定容与配电网网架扩展规划综合考虑，并分别用遗传算法和支路交换与模拟退火算法相结合的方法对模型进行求解；文献[7-8]在不考虑负荷新增节点的情况下分别采用自适应变异粒子群算法和自适应遗传算法实现DG的选址定容规划。然而，现阶段大多数DG在规划过程中的处理方法主要是根据DG出力的额定值，均没有考虑负荷和分布式电源的时序特性，与实际情况有一定的偏离，有必要在规划过程中充分考虑负荷和分布式电源的时序特性。此外，在目前的管理制度下，大部分DG接入配电网后遵循“安装即忘记”原则，系统对DG出力只能被动地吸收和接纳，无法充分利用DG在改善系统运行和需求侧管理等方面的优势。

为了应对新的要求和挑战，传统的无源被动配电网正在向具备主动控制能力的主动配电网ADN（active distribution network）转变。主动管理就是在更加细致地测量和评估配电网的运行数据之后，对DG和配电网设备进行实时控制并采取一定的措施进行协调[9-10]。文献[11]提出主动管理模式下的配电网可以采取多种控制和管理方法，根据系统实际运行和规划的需要，主动地控制DG出力、投切无功补偿容量等，使得含有DG的配电网达到最优运行状态。

本文基于时序特性建立了主动配电网中双层规划的DG优化配置模型。DG包括风力发电机WG（wind generator）、光伏电源PV（photovoltaic）以及微型燃气轮机MT（micro turbine）。考虑主动配电网运营商以一定价格从发电厂购电，然后以分时电价售电给负荷，考虑居民负荷和商业负荷两种类型。以主动配电网运营商年收益最大为上层规划目标，以DG有功出力切除量最小为下层规划目标。利用改进离散粒子群算法对上层规划模型进行求解，在下层规划模型中，本文考虑3种主动管理模式：①分布式发电机出力控制；②调节有载调压变压器抽头；③无功补偿的投切[12-13]。采用原对偶内点法进行模型求解，最后采用IEEE-33节点配电网算例验证规划模型的合理性和求解方法的有效性。

1 分时电价以及DG、负荷时序特性

1.1 分时电价

电力需求的峰谷差，既造成了发电资源的浪费，又增加了供电成本[14]。价格是配置资源、调节生产与消费的杠杆。分时电价可引导用户削峰填谷，提高电力资源利用效率。主动配电网在负荷需求侧通过实行峰谷分时电价，有利于鼓励用户合理转移用电负荷，削峰填谷。表1为某地区的分时电价情况。

表1 商业和居民用户的分时电价制度Tab.1 Time of use power price system of commercial and residential load（元（/kW·h））

1.2 DG、负荷时序特性的考虑

首先，风力发电机和光伏不可能持续额定出力，而且大部分时间出力较小；其次，不考虑时序特性后，风力发电机、光伏等无本质区别，无法体现不同分布式电源的出力特性及其随自然条件的变化规律。因而对于具有随机性和波动性的分布式电源的优化配置，必须将时序特性纳入考虑之中。风力和光伏发电的出力大小主要由地理位置及气候环境决定，具有明显的时序特性[15-16]。不同季节的风速日变化差异明显，根据气象资料可以得出规划地区不同季节的风速时序特性曲线，由此可以计算出风机时序出力。光伏电源的出力时序特性与规划地区的光照强度有着直接关系，而光照强度受季节和天气直接影响。故将光伏电源的出力按照季节划分，并将每个季节的日光照强度细分为晴天、阴天和雨天3种情况。

现阶段在电力规划及电力行业统计中，把电力负荷分成工业、农业、商业和居民4类典型负荷[17]，负荷具有一定的时序性，而且DG最大出力和最大负荷时刻往往不在同一时刻。居民负荷和商业负荷特点各异，且在不同的季节呈现不同的规律。

1.3 DG、负荷出力时序特性曲线

图1 风力发电机的日出力时序特性曲线Fig.1 Chronological curves of daily power output of wind generator

风机和光伏出力时序特性分别如图1、图2所示。由图1、图2可知，风力发电机冬季出力最大，夏季出力最小；光伏夏季出力最大，冬季出力最小；春秋两季出力接近；从季节上，风机出力和光伏电源有一定的互补性；从日出力来看，这种互补的特性也同样存在。例如，在光伏不出力的时间段19∶00—次日05∶00，风力发电机均保持有一定的出力；在白天12∶00左右光伏出力较大的时间段内风机出力较小。可以利用这种特点对WG和PV进行联合优化配置以减弱分布式电源出力随机性带来的不利影响。

图2 光伏电源的日出力时序特性曲线Fig.2 Chronological curves of daily power output of photovoltaic generation

结合某地区情况将负荷分为商业负荷和居民负荷，这两种负荷时序特性曲线如图3、图4所示。

图3 商业负荷时序特性曲线Fig.3 Chronological curves of daily commercial load

图4 居民负荷时序特性曲线Fig.4 Chronological curves of daily residential load

从图3、图4中可以看出，商业负荷四季的用电差异较小，且用电时段集中在09∶00—23∶00之间，10：00后基本接近最大负荷且较稳定；而居民负荷四季以夏季负荷最高，每日用电时段主要为10∶00—14∶00和18∶00—22∶00，每日最高负荷出现在20∶00左右，最低负荷出现在03∶00左右（夏季最低负荷在早上07∶00左右），中午11∶00左右会出现一个小高峰。

1.4 模拟场景及场景天数处理

合理找出负荷和DG出力时序特性曲线的典型场景及权重是能够准确地对配电网运行进行时序全过程模拟的关键。负荷和风力发电出力主要与季节有关，光伏发电出力与季节和天气有关，因此，可以用春晴、春阴、春雨、夏晴、夏阴、夏雨、秋晴、秋阴、秋雨、冬晴、冬阴、冬雨12个典型日来表示。通过对规划地区的气候特点统计资料进行分析，可以得出不同典型日下在一年中所占的天数wj[15]，如表2所示。对每种典型日全天有24个时刻，故将全年所有时刻分成288（24×12）个时段对配电网进行时序全过程模拟。

表2 不同季节天气场景所占天数Tab.2 Proportion of different seasons and weather

2 主动配电网中DG双层规划模型

2.1 上层规划数学模型

上层规划目标函数即主动配电网年收益最大为

式中：CTOL为主动配电网运营商年收益；CS为售电收益；CE为DG的环保补贴；CB为运营商从上级购电费用；CI为DG投资费用等年值；COM为DG年运行维护费用；CF为DG燃料成本；CP为DG环境成本。上述变量单位均为万元。具体可表示为

式中：wj为不同场景在一年中的天数；c1t和c2t分别为居民和商业负荷在第t个时段的电价；E1t和E2t分别为居民和商业负荷在第t个时段从配电公司购买的总用电量；cWG和cPV分别为风力发电和光伏发电单位电量的环保补贴，元/（kW·h）；NWG、NPV分别为风机和光伏接入的节点集；cB为从发电厂购电价格；EPCC为从发电厂购买电量；cIi为安装在第i个节点DG单位投资费用，万元/MW；Si为接入DG的容量，MW；NDG为DG接入节点集；r为贴现率；ny为DG的投资回收期，a；cOMi为安装在第i处节点DG单位电量的运行维护费用，元/（kW·h）；Ei,t为第i个节点所接DG在t时段的发电量，kW·h；cf为微型燃气轮机单位电量的燃料成本，元/（kW·h）；NMT为微型燃气轮机安装节点的集合；k为污染物的种类，包括SO2、NOx和CO 3类；Vek为第k种污染物的环境价值，元/kg；Vk为排放第k种污染应交纳的罚款，元/kg；wik为微型燃气轮机每发单位电量的污染物排放水平，g/（kW·h）。

上层规划数学模型约束条件如下。

1）DG安装容量约束

太阳辐射强度、风速等具较强不确定性，如果电网中引入此类型DG的总容量过大，将会影响整个系统的供电质量。因而需要对风机、光伏的安装容量加以限制。微型燃气轮机发电对于电网的分布式电源渗透率也有影响，也要考虑其装机总容量。则约束条件为

式中：SWGi、SPVi、SMTi分别表示节点i接入的风机、光伏和微型燃气轮机容量；SWGimax、SPVimax、SMTimax为其对应的最大接入容量。

2）DG总安装容量约束

DG总安装容量约束为

式中：SDGmax为总安装容量最大值，此值应不大于所有负荷的总和。

2.2 下层规划数学模型

下层规划模型以DG的有功出力切除量最小为目标函数，其表达式为

式中：Pcuri为第i处节点安装DG有功出力切除量。

下层规划数学模型约束条件如下。

（1）节点功率平衡约束为

式中：PLi为节点i的有功负荷；PDGi为节点i的分布式电源有功注入；QLi为节点i的无功负荷；QDGi为节点i的分布式电源无功注入；QCi为节点i的无功补偿注入；V为电压幅值；θ为电压相角；T为有载调压变压器抽头位置。

（2）节点电压约束为

式中：Vi为节点i的电压；Vimin、Vimax分别为节点i所允许的最大电压值。

（3）支路潮流约束为

式中：Sj为通过支路j的视在功率；Sjmax为支路传输容量极限，通常取热稳定极限值。

（4）变压器抽头约束为

式中：Tk为变压器k的抽头位置；Tkmin和Tkmax分别为变压器k的抽头最小、最大值。

（5）无功补偿装置约束为

式中：QCimin、QCimax为节点i无功补偿最小、最大值。

（6）分布式电源出力控制约束为

式中：PCimin、PCimax分别为节点i的分布式电源有功输出最小、最大值。

3 求解算法

3.1 改进粒子群优化算法

粒子群算法具有计算简单、收敛速度快的优点。但是在一个种群内，由于粒子群的快速收敛性易导致种群趋向于局部收敛。本文提出改进粒子群优化APSO（advanced particle swarm optimization）算法。

3.1.1 APSO第1阶段

首先将粒子分成M组大小相等的子群，每个子群里面包含N个粒子，分两个阶段进行粒子群寻优。在第1阶段，根据M×N个粒子中的全局最优粒子、组内最优粒子以及自身最优粒子，组内每个粒子按粒子群算法进化，其速度和位置更新公式为

式中：pid为第i个粒子经过迭代留下的个体最优值中的第d维度的值；pgd为该组粒子群的组内最优值的第d维度的值；Xgd为所有粒子的全局最优粒子的第d维度的值。式（12）与标准粒子群速度公式相比，增加了全局最优反馈和2个影响因子μ1和μ2，根据实验经验，取 μ1=0.5，μ2=0.25，避免速度过大，还可以降低最优粒子的影响，保持粒子的多样性，避免陷入局部最优；同理，取学习因子c1= c2=c3=2，以及引入自适应的惯性权重w，wmax=1，wmin=0，具有好的收敛效果，即

3.1.2 APSO第2阶段

多组粒子群经过第1阶段一定代数进化后进入第2阶段，将各组的最好粒子组成新的群体，含M个粒子，进行第2阶段的进化，即在M个粒子中用标准粒子群算法进行搜索，找出最好粒子。进化公式为

改进粒子群算法加入了组内寻优，有效地引导粒子群算法避免陷入局部最优。此时，与在M×N个粒子群中寻优相比，种群规模规模变为M，大大减小了寻优规模，有效地加快了粒子群的收敛速度。

3.1.3 APSO算法流程

改进粒子群优化算法流程如图5所示。

图5 APSO算法流程Fig.5 Flow chart of APSO algorithm

3.2 DG优化配置双层规划求解流程

在上层规划中给出一个分布式电源的配置，传递到下层规划，采用改进粒子群算法求解相应模型，下层规划通过主动管理，采用原对偶内点法PDIPM（primal-dual interior point method）进行求解，并将最优值反馈给上层规划模型从而影响整体规划决策。其优化配置流程如图6所示。

图6 APSO结合PDIPM求解双层优化配置流程Fig.6 Flow chart of bi-level optimal allocation using APSO and PDIPM

4 算例及结果分析

4.1 算例介绍

本文采用IEEE-33节点配电网作为算例[18]，如图7所示。

图7 IEEE 33节点配电网Fig.7 IEEE 33-node distribution system

算例电压等级为12.66 kV，总有功负荷为3 715 kW，总无功负荷为2 300 kvar，系统参数详见文献[18]。风机WG的待选安装节点为5、10、14，光伏PV的待选安装节点为17、21、24，微型燃气轮机MT的待选安装节点为2、30；单台分布式电源的额定容量100 kW，每个节点总的安装上限为4台，贴现率r为0.1，DG投资回收期ny为20 a，取配电网运营商购买电的电价为0.6元/（kW·h）。此外节点电压允许范围为0.93～1.07 p.u.，节点0～5支路功率上限为4.5 MW，其他支路功率上限为3 MW。改进的粒子群控制参数：种群规模，随机初始化20组粒子，每个组内10个粒子，在组内迭代5次，返回每个组内的最优粒子，组成20个粒子的粒子群，迭代45次，返回最优粒子。

根据规划区负荷的特点，将负荷分为商业和居民负荷，分布情况如表3所示。

表3 商业和居民负荷的分布情况Tab.3 Distribution of commercial and residential load

[19-20]，假定DG投资、运行费用、环保补贴和燃料费如表4所示，风力发电和光伏发电不排放污染气体，而微型燃气轮机会排放污染气体，其排放量、环境价值及罚款标准如表5所示。

表4 DG投资、运行、环保补贴和燃料费Tab.4 DG costs of investment，operation，environmental subsidy and fuel fee

表5 火力发电及微型燃气轮机发电污染物排放数据及其环境价值和罚款标准Tab.5 Environment value and penalty costs of pollution emission by thermal power and MT

4.2 结果分析

（1）从是否考虑主动管理模式的角度，表6列出了2种情况下DG规划方案以及接入总容量。IEEE-33配网有部分节点是处于节点电压很低的状态，可以通过安装分布式电源改善节点电压。表中数据比较得出考虑主动管理模式可以减少接入的分布式电源总容量。这表明主动管理模式在保证电压和支路潮流不越限的情况下可以减少安装造价较高的分布式电源总容量。这是因为主动管理方法可以根据系统实际运行情况对DG出力，有载调压器分接头和无功补偿的投切来使系统主动地配合DG运行，使每个时刻运行状态达到最优。

表6 考虑和不考虑主动管理的优化配置方案Tab.6 Optimal allocation schemes with and without active management

（2）从售电费用、环保补贴、购电成本、投资费用、运行维护费用、燃料费用、环境费用、年收益以及节点电压越限概率等角度比较3种方案的优劣，结果如表7所示。在不安装DG的方案中，由于存在3.31%的电压越限概率（0.93～1.07为合理电压区间），不符合实际运行，因此年收益就算是最大也没有意义。目前分布式电源的投资运行费用较高，因此安装DG后的年收益会相对减少，但是能够使得电压不越限，充分改善电能质量。考虑主动管理的配置方案由于安装DG较少，年投资费用较少，年收益远大于不考虑主动管理模式的分布式电源安装方案。

表7 不同规划方案的年投资运行费用Tab.7 Investment and operation cost per year under different planning schemes

（3）对于每一个节点的电压，由于该文对全年12个典型日的24个时刻进行了288次模拟，记录每一次模拟时的节点电压，每一个节点的电压加权平均作为期望值，图8所示为3种方案下不同节点电压的期望值，由图可以发现，安装DG使电压更接近于合理负荷中心值，对于节点电压有一定的改善作用，且考虑主动管理模式的节点电压期望更加接近于电压标幺值。至于在不安装DG的情况下，因为该文考虑负荷的时序特性，在不同典型日下的不同时刻负荷不一定同时达到额定负荷，因此据计算节点电压期望值仍然在合理区间内，但是电压越限概率如表7所示为3.31%，即存在一定的越限概率。

（4）该文通过模拟负荷和DG的时序特性，得出符合主动配电网运行实际的规划方案。若不考虑时序特性，规划方案如表8所示。系统中分布式电源均按照额定容量出力，由于微型燃气轮机的燃料费用和环境赔偿费用较高，因此安装数量少。而风机和光伏相比，光伏的光伏补贴费用高以及运行维护费用少，因此较多的安装光伏。如果考虑确定的DG与负荷值而没有考虑时序性，无法体现不同分布式电源的出力特性和负荷随自然条件的变化规律。

图8 各节点全年电压期望曲线Fig.8 Yearly expectation curves of node voltage

表8 考虑和不考虑时序特性的优化配置方案Tab.8 Optimal allocation schemes with and without chronological characteristics

（5）分别利用改进的粒子群算法与标准粒子群算法对双层规划进行优化。标准粒子群种群为50，迭代次数为50。APSO算法和PSO算法的收敛特性对比如图9所示，可以得出APSO算法收敛迭代次数更少，能够有效避免局部收敛，稳定性更好。

图9 APSO和PSO收敛曲线Fig.9 Convergence curves of APSO and PSO

5 结论

该文旨在主动配电网中分布式电源优化配置，在考虑负荷和DG出力不同典型日下的时序特性基础上建立了双层DG规划模型，提出了改进的粒子群算法与原对偶内点法相结合的混合算法求解双层模型，通过算例验证得到如下结论：

（1）考虑主动管理模式的DG优化配置方案优于不考虑主动管理的方案。主动管理可以减少造价较高的DG安装容量，提高配电网年收益。

（2）引入分布式电源对于规划区节点电压改善具有积极作用。

（3）考虑负荷、分布式电源时序特性以及分时电价的全过程模拟体现不同分布式电源的出力特性和负荷随自然条件的变化规律，更接近于实际。

（4）改进粒子群算法较标准粒子群算法具有收敛速度快、有效避免粒子陷入局部最优解的特点。

[1]江知瀚，陈金富（Jiang Zhihan，Chen Jinfu）.计及不确定性和多投资主体需求指标的分布式电源优化配置方法研究（Study on optimal distributed generator allocation method considering uncertainties and requirements of dif⁃ferent investment entities）[J].中国电机工程学报（Pro⁃ceedings of the CSEE），2013，33（31）：34-42.

[2]董凯，江辉，黄泽荣，等（Dong Kai，Jiang Hui，Huang Ze⁃rong，et al）.运用成本效益分析的风/柴/储能系统规划方法（Planning method of wind-diesel-storage system us⁃ing cost-benefit analysis）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2010，22（3）：67-72.

[3]El-Khattam W，Salama M M A.Distribution system plan⁃ning using distributed generation[C]//Canadian Confer⁃ence on Electrical and Computer Engineering.Montreal，Canada，2003：579-582.

[4]Gianni C，Emillio G，Susanna M，et al.A multiobjective evolutionary algorithm for the sizing and siting of distribut⁃ed generation[J].IEEE Trans on Power Systems，2005，20（2）：750-757.

[5]夏澍，周明，李庚银（Xia Shu，Zhou Ming，Li Gengyin）.分布式电源选址定容的多目标优化算法（Multi-objective optimization algorithm for distributed generation locating and sizing）[J].电网技术（Power System Technology），2011，35（9）：115-121.

[6]王成山，陈恺，谢莹华，等（Wang Chengshan，Chen Kai，Xie Yinghua，et al）.配电网扩展规划中分布式电源的选址和定容（Siting and sizing of distributed generation in distribution network expansion planning）[J].电力系统自动化（Automation of Electric Power Systems），2006，30（3）：38-43.

[7]叶德意，何正友，臧天磊（Ye Deyi，He Zhengyou，Zang Tianlei）.基于自适应变异粒子群算法的分布式电源选址与容量确定（Siting and sizing of distributed generation planning based on adaptive mutation particle swarm opti⁃mization algorithm）[J].电网技术（Power System Technol⁃ogy），2011，35（6）：155-160.

[8]邱晓燕，夏莉丽，李兴源（Qiu Xiaoyan，Xia Lili，Li Xingyuan）.智能电网建设中分布式电源的规划（Plan⁃ning of distributed generation in construction of smart grid）[J].电网技术（Power System Technology），2010，34（4）：7-10.

[9]Siano P，Chen P，Chen Z，et al.Evaluating maximum wind energy exploitation in active distribution networks[J].IET Generation，Transmission and Distribution，2010，4（5）：598-608.

[10]Romero-Ramos E，Gomez-Exposito A，Marano-Marcolini A，et al.Assessing the loadability of active distribution networks in the presence of DC controllable links[J].IET Generation，Transmission and Distribution，2011，5（11）：1105-1113.

[11]范明天，张祖平，苏傲雪，等（Fan Mingtian，Zhang Zup⁃ing，Su Aoxue，et al）.主动配电系统可行技术的研究（Enabling technologies of active distribution systems）[J].中国电机工程学报（Proceedings of the CSEE），2013，33（22）：12-18.

[12]Zhang Jietan，Cheng Haozhong，Wang Chun.Technical and economic impacts of active management on distribu⁃tion network[J].International Journal of Electrical Power and Energy Systems，2009，31（2/3）：130-138.

[13]张节潭，程浩忠，姚良忠，等（Zhang Jietan，Cheng Hao⁃zhong，Yao Liangzhong，et al）.主动管理在含有分布式电源的配电网中的应用（Application of active manage⁃ment to distribution network with distributed generation）[J].电力科学与技术学报（Journal of Electric Power Sci⁃ence and Technology），2008，23（1）：18-23，30．

[14]周浩，陈建华，孙维真（Zhou Hao，Chen Jianhua，Sun Weizhen）.电力市场中的电价分析与调控（Analysis and adjustment of electricity price in electricity market）[J].电网技术（Power System Technology），2004，28（6）：37-40.

[15]李亮，唐巍，白牧可，等（Li Liang，Tang Wei，Bai Muke，et al）.考虑时序特性的多目标分布式电源选址定容规划（Multi-objective locating and sizing of distributed gen⁃ erators based on time-sequence characteristics）[J].电力系统自动化（Automation of Electric Power Systems），2013，37（3）：58-63，128.

[16]何乃光（He Naiguang）.渤海湾海陆风速日变化对比分析（Comparative analysis of Bohai bay sea wind speed changes）[J].气象（Meteorological Monthly），1980（4）：30-32.

[17]鞠平，陈谦，熊传平，等（Ju Ping，Chen Qian，Xiong Ch⁃uanping，et al）.基于日负荷曲线的负荷分类和综合建模（Load clustering and synthetic modeling based on daily load curves）[J].电力系统自动化（Automation of Electric Power Systems），2006，30（16）：6-9.

[18]Baran M E，Wu F F.Network reconfiguration in distribu⁃tion systems for loss reduction and load balancing[J].IEEE Trans on Power Delivery，1989，4（2）：1401-1407.

[19]郭贤，程浩忠，Masoud Bazargan，等（Guo Xian，Cheng Haozhong，Masoud Bazargan，et al）.基于自适应离散粒子群优化算法的微网中DG选址定容（Optimal siting and sizing of distributed generation in microgrid based on adaptive DPSO）[J].水电能源科学（Water Resource and Power），2013，31（9）：220-224，130.

[20]徐迅，陈楷，龙禹，等（Xu Xun，Chen Kai，Long Yu，et al）.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（Optimal site selection and capacity de⁃termination of multi-types of distributed generation in mi⁃crogrid considering environment cost and timing charac⁃teristics）[J].电网技术（Power System Technology），2013，37（4）：914-921.

Optimal Allocation of Distributed Generation in Active Distribution Network

MEI Hongxing1，CHENG Haozhong1，WANG Chen1，ZHANG Yi2
（1.Key Laboratory of Control of Power Transmission and Conversion of Ministry of Education，Shanghai Jiao Tong University，Shanghai 200240，China；2.Electric Power Research Institute，State Grid Fujian Electric Power Company，Fuzhou 350007，China）

Active distribution network planning is characterized by the combination of active management with plan⁃ning，control and operation of distribution network.In the stage of optimally allocating distributed generation，active management model is fully considered to control the operation of distribution network.A bi-level planning model is pro⁃posed，in which the objective of upper level planning is to maximize the profit of active distributed network operator，while the objective of lower level planning is to minimize the curtailment of distributed generation by active manage⁃ment.As to the chronological characteristics of the load and distributed generation，different kinds of load and distribut⁃ed generation are considered.In addition，time-of-use power price system is utilized to reflect the demand side charac⁃teristic of active distribution network.The upper planning model is solved by advanced particle swarm algorithm，while the lower one is optimized by the prime-dual interior point method.The feasibility of the model and the effectiveness of the algorithm are verified with the IEEE 33-node bus distribution system.

active distribution network；distributed generation；optimal allocation；bi-level planning；chronological characteristics；advanced particle swarm algorithm

TM714.3

A

1003-8930（2016）11-0001-08

10.3969/j.issn.1003-8930.2016.11.001

2014-08-27；

2016-03-17

国家高技术研究发展计划（863计划）资助项目（2014AA051901）

梅红兴（1989—），男，硕士研究生，研究方向为电力系统规划。Email：meihongxing163@163.com

程浩忠（1962—），男，博士，教授、博士生导师，研究方向为电力系统规划、电压稳定、电能质量等。Email：hzcheng@sj⁃tu.edu.cn

王宸（1989—），男，硕士研究生，研究方向为电力系统规划。Email：wangchen3829@163.com