深度睡眠优化器在电力分配系统中分布式发电的战略性布局与规模确定中的应用

《Franklin Open》：Application of Deep Sleep Optimizer for strategic placement and sizing of distributed generation in power distribution systems

本研究提出了一种基于Deep Sleep Optimizer（DSO）的Python-DIgSILENT直接框架，用于优化分布式发电机的布局和容量。通过在IEEE-33总线网络中对比遗传算法（GA）、教学-学习优化算法（TLBO）和DSO，验证了DSO在减少有功和无功功率损失、提升电压稳定性方面的优越性。DSO在3个DG场景中均以更少迭代次数达到更优解，且参数配置更简单，适合大规模电网规划。

　　分布式发电（DG）的选址和容量优化在现代配电网中起着至关重要的作用，它不仅有助于降低技术损失，还能有效提升电压质量。随着可再生能源技术的广泛应用，如太阳能光伏、风能和微型燃气轮机，这些技术正在改变全球的能源系统。然而，DG的集成带来了技术和经济上的挑战，如电压不稳定、功率流动反向和设备成本等。因此，如何高效地进行DG的选址和容量优化成为电力系统规划中的一个关键问题。

在本文中，研究者提出了一种基于Python和DIgSILENT PowerFactory的全新优化框架，该框架能够直接执行优化和仿真任务，避免了传统MATLAB协同仿真的文件交换开销。通过引入一种名为“深睡优化器”（DSO）的新型元启发式算法，该研究展示了其在减少电力损失和提高电压稳定性方面的显著优势。DSO算法结合了“深睡”阶段的全局探索和“清醒”阶段的局部优化，模仿了人类的睡眠-觉醒周期，以动态平衡探索和利用过程。这种算法的无参数特性使得其在实际应用中更加简便，减少了人工调参的负担，为日常规划提供了便利。

本文以IEEE-33配电网为测试平台，对DSO算法进行了全面的评估，并与遗传算法（GA）和教学-学习优化（TLBO）进行了对比。结果表明，在单个DG情况下，DSO和TLBO各将有功损失减少了约56%，并将最弱节点的电压提升至0.983 p.u.，优于GA的0.978 p.u.。在两个DG的场景中，DSO实现了最低的有功损失（55.9 kW，减少73%），仅需2.72 MW的容量，且计算时间仅为TLBO的三分之一（528秒）。在三个DG的场景中，DSO进一步将有功损失降低至28.9 kW（减少86%），而最弱节点的电压提升至0.998 p.u.，所有节点的电压均不超过1.013 p.u.，并且DSO所需的容量（3.84 MW）比GA少30%，计算时间（666秒）也比TLBO少81%。此外，DSO还减少了81%的无功损失，并且电压曲线的标准差低于0.005 p.u.，在不超出法定电压范围的前提下，提升了电压曲线的平滑度。

与GA和TLBO相比，DSO的收敛速度更快，计算效率更高，且在多个优化指标上表现更优。GA在优化过程中需要约70次迭代才能稳定，而TLBO则需要约40次迭代，相比之下，DSO仅需不到20次迭代即可达到稳定状态。这表明DSO在处理多目标优化问题时具有更强的收敛能力和更快的计算速度。此外，DSO在不增加额外计算负担的情况下，能够显著提升系统稳定性，降低有功和无功损失，使其成为当前分布式发电优化领域的前沿技术。

在实际应用中，由于DSO无需参数调优，因此其使用更为简便，适用于日常的规划工作。同时，其快速收敛特性使其在需要实时优化或大规模网络分析时具有明显优势。研究还指出，虽然GA在计算速度上占优，但其收敛到的最优解往往不如DSO和TLBO。TLBO虽然在某些情况下能够达到更低的有功损失，但其计算时间较长，而DSO则在两者之间找到了一个良好的平衡点。

对于不同的DG部署场景，研究结果表明，单个DG的部署已能显著改善网络性能，将有功损失降低至约一半，并解决主要的电压不足问题。当允许部署两个DG时，DSO能够以较低的容量和计算时间实现更大的技术收益，而三个DG的部署则进一步优化了网络性能，使得电压曲线更加平滑，有功和无功损失显著减少。然而，随着DG数量的增加，技术收益的边际效应逐渐减小，因此在实际规划中，是否增加DG的数量需要根据具体的经济和技术指标综合判断。

此外，研究还指出，DSO算法在保持电压稳定性的前提下，能够有效减少有功和无功损失。这在实际电网规划中具有重要意义，因为电压稳定性和损失最小化是配电网优化的两个关键目标。同时，DSO的无参数特性使其在优化过程中更加稳定，减少了因参数调整不当而带来的不确定性。

未来的研究将致力于扩展该方法，使其能够应用于时间序列优化，结合随机的光伏和负载数据，以评估其在不同时间段的优化效果。此外，该方法还将应用于网状馈线和更大规模的配电网，以验证其可扩展性。最终，研究者计划引入经济评估模型，结合投资成本、能源损失费用和可能的上网电价，对不同DG部署策略进行成本效益分析。这些扩展将使DSO算法在智能电网环境中发挥更全面的作用，为未来的电网规划提供更深入的技术支持。

总体而言，本文的研究成果为分布式发电的优化提供了新的思路和方法，展示了DSO算法在减少损失、提升电压稳定性和降低计算成本方面的显著优势。同时，研究还强调了在电网规划中，合理选择优化算法对于实现高效、稳定的电力系统至关重要。