基于山羊瞪羚优化算法的可再生能源分布式发电系统在配电网中的最优分配新方法

本文提出了一种创新的山羊瞪羚优化算法（MGO），用于解决配电网（DNs）中可再生能源分布式发电系统（RDGs）的最优分配问题。该研究通过整合风电（WT）和光伏（PV）的随机出力不确定性，并采用包含居民、商业和工业需求的时变负荷模型，实现了对配电网能量损耗（ETloss）、节点电压偏差（NVD）和电压稳定指数（VSIi）的多目标优化。在33节点和69节点测试系统上的仿真结果表明，MGO算法在减少能量损耗（分别降低78.47%和92.09%）和改善电压剖面方面显著优于遗传算法（GA）、粒子群优化（PSO）等传统元启发式算法，为高比例可再生能源接入下的配电网规划提供了鲁棒解决方案。

　　

研究亮点

• •
  • 首次将山羊瞪羚优化算法（Mountain Gazelle Optimization, MGO）这一创新方法应用于解决标准径向配电网（DNs）中可再生能源分布式发电系统（Renewable Distributed Generation Systems, RDGs）的最优分配难题。
• •
  • 整合了光伏（PV）和风力涡轮机（WT）为基础的RDGs，并利用历史气象数据对其随机输出变异性进行建模，以确保真实反映可再生能源的不确定性。
• •
  • 引入了一个时变负荷模型，该模型融合了工业、居民和商业需求曲线，以精确表征配电网中电力消耗的动态特性。
• •
  • 采用MGO算法最小化目标函数（OF_min），该函数旨在减少配电网中的能量损耗（E_Tloss）和电压偏差（NVD），同时提升电压稳定指数（VSI_i）。
• •
  • 在两个标准测试系统上，对MGO算法与遗传算法（GA）、蚁群优化（ACO）、粒子群优化（PSO）、灰狼优化（GWO）以及改进型灰狼优化（IGWO）算法进行了比较分析。

结果与讨论

本研究将标准基准测试系统-I（33节点）和测试系统-II（69节点）径向配电网作为主要测试平台。测试系统-I和测试系统-II的配置分别如图7和图8所示。此外，表2提供了两个测试系统的节点分组信息。实施过程中，所提出的方法在配备i5处理器（主频2.20 GHz）的标准个人计算机上使用MATLAB (R2021a) 运行。

可扩展性与未来展望

在本研究中，MGO算法已在标准的33节点和69节点测试系统上进行了评估，结果表明其性能优于多种其他元启发式算法。此外，MGO还在52个基准测试函数和七个工程优化问题上成功通过了测试，进一步确立了其在解决多样复杂优化任务方面的鲁棒性。基于如此广泛的基准测试，有理由预期MGO能够有效处理更大规模、更复杂的配电网系统，例如具有数百个节点或包含储能系统（ESS）和电动汽车（EV）充电站等额外组件的网络。未来的研究工作可以探索MGO在主动配电网（Active Distribution Networks, ADNs）优化、微电网（Microgrids）调度以及输配电联合系统规划等更复杂问题中的应用。

结论

本文提出了一种使用山羊瞪羚优化算法（MGO）在配电网（DNs）中实现可再生能源分布式发电系统（RDGs）最优分配的新方法。该提议方法考虑了风能和太阳能发电的不确定性，同时引入了一个由居民、商业和工业负荷组成的现实时变负荷模型。MGO的有效性在标准的33节点和69节点径向配电系统上得到了验证，并与多种元启发式算法（包括GA、ACO、PSO、GWO和IGWO）进行了比较。结果表明，MGO在寻找RDGs最优位置和容量方面表现卓越，实现了显著的能量损耗减少和电压剖面改善。MGO在探索和利用之间取得的平衡使其成为解决RDGs分配这一复杂、非线性优化问题的强大且高效的工具。未来的研究将集中于将所提出的方法扩展到具有更高可再生能源渗透率的更大规模、更复杂的多目标配电网优化问题上。