赵 玮

（国网沧州供电公司，河北 沧州 061000）

0 引 言

配电网是电力系统中面向电力用户用电需求的重要环节，分布式配电网是应用较为广泛的一种类型[1]。随着互联网时代的快速发展，人们对电力的需求日益增长，同时对于用电品质也提出了更高的要求，关于配电网规划的相关问题也开始受到了越来越多的关注[2]。

现阶段，国内相关研究学者针对配电网规划问题展开研究。

史晨豪等人引入二进制交叉和多项式突变等方法改进二代非支配排序遗传算法（Non-dominated Sorting Genetic Algorithms Ⅱ，NSGAⅡ）算法，采用改进蚁群层次聚类算法对配电网节点进行划分，更新节点欧氏距离，引入最优目标函数，设置约束条件，利用模糊理论求得方案最优解[3]。

张凯越等人针对配电网重构，采用自适应多种群果蝇算法进行多目标优化。通过协调不同指标获取配电网规划方案的最优解，并引入AHP-CRITIC算法计算主观权重，结合逼近理想解（Technique for Order Perference by Similarity to an Ideal Solution，TOPSIS）法确定最优解方案[4]。郑云飞等人提出基于NSGA Ⅱ算法的配电网可靠性优化规划方法，按措施类型划分配电网可靠性成本曲线，以低成本和高可靠性为指标，采用NSGA Ⅱ算法求取Pareto最优解，并依据用户满意度选择最终的配网规划方案[5]。

虽然上述方法都能够实现对配电网的多目标规划，但是由于受分布式电源构成元素的不稳定性影响，配网负荷的波动性较大，导致配电网在运行期间的无功负荷较高，造成了大量的电力资源浪费，影响了资源的利用效率。因此，要实现稳定的供电，配电网的规划也要结合实际情况进行适应性调节。电力市场的逐渐成熟化发展使得在信息通信技术的支持下可以实现对需求侧资源的实际情况作出准确评估和判断[6]。借助用户和电网之间的双向互动关系，对供电模式进行适应性调节是十分必要的，其不仅可以在极大程度上降低无效电能的输出总量，同时对于提高资源的利用率也有重要的现实意义[7]。

为解决上述问题，本文基于自适应粒子群算法针对含分布式电源配电网的多目标规划展开研究。并通过试验测试的方式分析验证了设计规划方法在实际电网环境中的应用价值。借助本文的研究内容，希望可以为实际的电网资源管理提供有价值的参考，助力配电网实现长期稳定运行。

1 分布式电源配电网多目标规划方法设计

1.1 构建配网负荷需求模型

在配网的实际运行过程中，其覆盖区域产生的负荷需求是以相对稳态的趋势周期性变化，对具体的负荷情况进行细化分析，其可以分为可避免负荷和可转移负荷2个部分。以此为基础，本文综合这2个部分负荷构成情况构建了分布式配电网负荷需求模型。

受用户需求的自弹性特征影响，用户的部分负荷需求是可以通过分时电价与激励补偿措施实现削减或者避免的，该部分负荷即为可避免负荷需求。其具体的计算方式可以表示为

式中：pi为i用户的可避免电荷需求；p0为i用户的原始负荷需求；e为i用户的自弹性系数；wi为i用户的实际响应电价参数；w0为i用户的原始电价参数；a为激励补偿作用系数。

对可转移负荷需求进行分析，在分时电价与激励补偿措施的作用下，用户相关电力需求的发生时段会发生一定的变化，该类负荷需求的计算方式可以表示为

式中：pj为可转移负荷需求总量；k为用户电荷需求的交叉弹性系数；b为在j时段的激励补偿作用强度；wj表示在j时段的实际响应电价参数。结合不同时期的需求调节目标，当负荷处于波峰阶段时，b为正值；当负荷处于波谷阶段时，b为负值；其他时段b为0。

那么，结合式（1）和式（2）的计算结果，配网负荷需求模型可以表示为

式中：P表示配网负荷需求模型。

通过这样的方式计算得到电网在不同时段的实际负荷需求，为其后续的规划管理提供执行基础，确保供电的稳定性。

1.2 基于自适应粒子群的配网规划

在对含分布式电源配电网进行规划的过程中，既要确保供电总量能够满足实际的用电负荷，同时又要最大限度降低供电期间的无效负荷总量。不仅如此，考虑到电网的实际配置情况，需要协调各部分发电机组的实际输出情况，因此其是一个涉及多个因素的多目标寻优问题，本文采用粒子群算法实现对其的规划，并在其中引入适应度函数，确保寻优结果的可靠性。

假设配网在发电构成上包括风电、光伏和燃气3种形式，其对应的输出功率分别为W1、W2、W3，储能装置的可执行容量上下限分别为Cmax和Cmin。那么，分别令粒子的搜索域为W1、W2、W3和Cmax。

在此基础上，按照随机分布的方式对粒子的位置进行初始化处理。需要注意的是，由于不同时段的实际负荷需求是相对波动的，因此本文将构建的配网负荷需求模型作为粒子寻优的目标函数，其可以表示为

式中：f(X)为目标函数；X为粒子群的位置参量。

在寻优的过程中，可能存在部分多个结果同时满足寻优需求的情况，为上述参数建立适应度函数，以此对寻优结果进行约束。其可以表示为

通过式（5）可以看出，本文设置的适应度函数为储能装置趋近于最小值，通过这样的方式，可以最大限度降低由于能源存贮带来的成本问题，确保在满足负荷需求的同时最大限度降低配电网的成本开销。

2 应用测试与分析

本文为了测试设计规划方法的实际应用效果，以实际配网环境为基础开展了对比应用测试。选取3种已有的配电网规划方法作为测试的对照组，分别为文献[3]提出建立在NSGA Ⅱ算法多要素改进基础上的配电网多目标优化方法，文献[4]提出的利用自适应多种群果蝇算法（Adaptive Multi Fruit Fly Optimization Algorithm，AMFOA）分析主客观因素的配电网多目标规划方法以及文献[5]提出的以NSGA Ⅱ算法为基础的配电网可规划方法。将上述3种配电网规划方法与本文设计的基于自适应粒子群的含分布式电源配电网多目标规划方法共同进行测试，对比不同规划方法在电网运行管理中的应用价值。

2.1 测试环境及参数

本文开展测试的分布式配网环境如图1所示。

图1 测试环境配网设置

如图1所示，测试环境的配网中共包含24个节点。在发电机组配置上，其包括2台500 kW的微型燃气发电机组，1台500 kW的光伏发电机组，以及2台分别为500 kW和300 kW的风电发电机组。不仅如此，配网中还包含3个容量分别为400 kW·h的储能装置，对应的充电和放电功率均为80 kW，可以执行的最低储能为10.0%，最高储能为90.0%。在测试配网区域的负荷曲线上，其峰值为1 158.06 kW，谷值为462.35 kW。在此基础上，分别统计4种测试方法下的电网无功负荷情况。

2.2 测试结果与分析

统计了在不同负荷状态下，不同方法对应的电网无功负荷，其结果如表1所示。

表1 不同方法下电网无功负荷输出情况对比表 单位：kW

通过表1数据，对4种电网规划方法的应用效果进行分析。文献[3]方法的无功负荷输出随着用电侧负荷的逐渐增加呈现出逐渐下降的趋势，但是在波谷时期，其无功负荷值达到了55.70 kW，处于较高水平。文献[4]方法无功负荷输出表现出了与文献[3]方法相同的发展趋势，虽然整体上实现了一定程度的下降，但是当用户侧负荷需求处于波谷时，其无功负荷也达到了256.44 kW，且当用户侧负荷需求达到1 250 kW时，其无功负荷为8.93 kW，已经处于相对临界状态，随着用电侧负荷的发展，可能会出现供电量低于实际需求的情况。文献[5]方法的无功负荷输出并未明显受到用电侧负荷的影响，始终处于100～120 kW，具有较高的稳定性，但是所处水平存在一定提升空间。观察本文方法的应用效果可以看出，无功负荷输出的最大值和最小值分别为62.44 kW和14.37 kW，与其他3种方法相比，无功负荷输出值较低，证明本文设计的规划方法的应用效果较好。

测试结果表明，本文设计的基于自适应粒子群的含分布式电源配电网多目标规划方法可以实现对配电网资源的合理管理，有效降低无功负荷输出值，提高能源的有效利用率，具有一定的实际应用价值。

3 结 论

在配电网环境中，用电需求具有一定的规律性特征，由此形成的负荷波峰和波谷是影响配电网供电效果的重要因素。在此基础上，为了满足配电网供需平衡关系，在电力负荷持续增长的背景下，本文基于自适应粒子群算法，针对含分布式电源配电网进行多目标规划，解决了分布式电源中可再生能源渗透率不断增加的问题，提出了切实可行的资源管理方法，进一步提高了能源的有效利用率。