一种基于分类的全局优化方法用于辐射状配电网络中分布式发电、电容器组与电动汽车充电站的综合规划

《Energies》：A Classification-Based Global Optimization Approach for Integrated Planning of Distributed Generation, Capacitor Banks, and Electric Vehicle Charging Stations in Radial Distribution Networks

　　

为提高电网灵活性与运行效率，分布式能源资源（DERs）、电容器组（CBs）以及电动汽车充电站（EVCSs）正被集成到有源配电网络中。然而，辐射状配电网络由于单向潮流以及电动汽车（EV）渗透率持续增长，面临较大的电能损耗，同时还存在电压降以及部分配电支路潮流超过热容量上限等问题。该研究基于分类全局优化（CGO）方法，在不同接纳因子（hosting factors，30%、40%和50%）条件下纳入EVCS。所采用的CGO框架使用确定性全局目标函数，对电能损耗最小化、电压偏差指标降低、因损耗减少而带来的节能收益提升以及年度CO₂排放量降低进行综合优化；该过程在依据电压灵敏度和功率消耗对网络母线分类之后，实现EVCSs、DGs和CBs的同时选址与定容。通过在IEEE 33节点和69节点系统上的验证，结果表明，组合式集成可实现最高94.75%和98.061%的有功功率损耗降低，同时保持较高的计算效率（仿真时间 < 5 s）。该改进技术为现代有源配电网络提供了一种可扩展的解决方案，并可通过在高EV接入条件下提升电网性能，直接支持可持续发展目标（SDGs）7、9、11和13。

该文发表于《Energies》，围绕辐射状配电网络中电动汽车充电负荷快速增长背景下的资源协同规划问题，提出了一种基于分类的全局优化（CGO）综合规划方法，用于分布式发电（DGs）、电容器组（CBs）与电动汽车充电站（EVCSs）的同步选址与定容。研究背景在于，现代配电系统正在由传统被动式供电网络向有源配电网络（APDNs）演进，分布式能源资源（DERs）与电动汽车基础设施的大规模接入虽然能够提升清洁能源利用水平、降低碳排放并增强系统灵活性，但也给辐射状配电网络带来了更突出的运行难题。由于辐射状结构固有的单向潮流特征，系统本就容易出现电压跌落、有功与无功损耗偏大、支路过载以及电压稳定裕度不足等问题，而高渗透率EV充电负荷具有集中性和强扰动性，会进一步加剧馈线负载、增大网损并恶化电压分布。既有研究虽已针对DG、CB或EVCS中的单一设备、单一目标或某些启发式算法展开了广泛优化，但对三类设备在不同EV接纳水平下的协同规划研究仍不充分，尤其是在同时考虑网络损耗、电压偏差、热容量约束、经济收益与环境效益方面，仍存在进一步研究的必要性。

针对上述问题，研究人员构建了一个确定性的多目标综合优化框架。该方法的核心思想并非完全依赖粒子群优化（PSO）、遗传算法（GA）、灰狼优化（GWO）等随机型元启发式搜索，而是首先基于电气工程特性对网络母线和支路进行分类，再在高需求、高敏感度区域内执行结构化搜索，以此缩小搜索空间、提升结果可解释性并降低参数敏感性。研究将EV接纳因子设置为30%、40%和50%，在每种渗透水平下，对两座EVCS、两台DG与两组CB实施联合规划；优化目标包括降低有功损耗与无功损耗、减小电压偏差指标（VDI）、提高年节能收益、减少年度CO₂排放，并同时满足功率平衡约束、电压上下限约束以及支路热容量约束。研究对象选取IEEE 33节点与IEEE 69节点两个典型辐射状配电系统，以验证该方法在不同网络规模下的有效性与可扩展性。

方法上，研究人员首先进行基准潮流计算，获得系统初始损耗、电压分布与负荷水平；随后依据径向树结构对网络支路进行分解和排序。EVCS与DG的候选支路主要依据有功负荷需求进行分类，CB的候选支路则依据无功负荷需求进行分类；同时结合母线电压灵敏度进行筛选，使资源优先配置于负荷较重、对电压调节更敏感的区域。在优化过程中，先进行EVCS规划，再进行DG规划，最后进行CB规划，并在统一框架中完成全系统联合评价。全局目标函数通过加权形式综合考虑有功损耗、无功损耗、电压偏差、年节能收益与CO₂减排效益，其中权重由归一化目标及灵敏度分析确定。系统建模部分给出了网损计算、功率平衡、DG与CB运行约束、电压偏差指标、线路视在功率约束、CO₂减排模型、投资成本、年节能收益及投资回收期等表达式，为综合规划提供了明确的数学基础。

研究所采用的主要关键技术方法可概括为以下几类：第一，基于母线电压灵敏度、有功需求和无功需求的工程化分类策略，用于缩小EVCS、DG和CB的候选布置范围；第二，基于潮流计算的确定性多目标全局优化函数，对网损、电压偏差、年经济收益和年度CO₂减排进行联合权衡；第三，基于支路热容量限制与电压约束的递增式选址定容搜索机制；第四，在IEEE 33节点和69节点标准辐射状配电系统上，针对30%、40%、50% EV接纳因子开展算例验证，并与PSO、GWO等启发式方法进行比较。

在研究结果部分，论文按照不同系统、不同集成场景展开了系统分析。

5.1.1. IEEE 33-Bus System中DGs and EVCS Integration for IEEE 33-Bus System
在IEEE 33节点系统中，仅集成DG与EVCS时，最优DG与EVCS位置在不同EV接纳因子下均保持于14号和30号母线。随着EV渗透率升高，总DG容量随之增加，在HF = 50%时达到3.69 MW，EVCS容量则由1.11 MW增加至1.86 MW。结果表明，与基准工况相比，有功损耗约降低58.6%，最小节点电压由0.9038 p.u.显著提高至约0.968 p.u.。不过，随着EV渗透率升高，末端电压仍出现轻微下降。与此同时，变电站功率因数由0.85下降至0.61～0.64，说明仅靠按单位功率因数运行的DG提供有功支撑，尚不足以抵消EVCS带来的无功需求增长。

5.1.2. Combined DGs, CBs, and EVCS Integration IEEE 33-Bus System
在进一步加入布置于13号和30号母线的CB后，IEEE 33节点系统性能显著改善。研究结果显示，有功损耗降幅提升至86.4%～86.6%，明显优于仅配置DG与EVCS的情形；系统最小电压接近0.98 p.u.，VDI降低一个数量级，表明电压稳定性显著增强。更重要的是，CB提供的无功补偿有效改善了变电站侧功率因数，使其恢复至0.90以上，说明在高EV接入条件下，主动有功支撑与无功补偿的协同配置对维持供电质量具有关键作用。

5.1.3. Thermal Capacity Limits Effect IEEE 33-Bus System
针对IEEE 33节点系统支路热容量约束的分析表明，在所有EV接纳因子条件下，经EVCS、DG和CB联合优化后，各支路潮流均低于各自允许的热容量上限。这说明所提方法不仅改善了损耗与电压性能，也保证了配电支路的安全运行边界未被突破。

5.2.1. DGs and EVCS Integration for IEEE 69-Bus System
在更大规模的IEEE 69节点系统中，仅集成DG与EVCS时，最优布置位置位于21号和61号母线。研究表明，该系统的有功损耗约降低68%，最小节点电压提高至0.976 p.u.以上，电压下陷问题得到明显缓解，尤其是在馈线后半段母线处改善更为突出。然而，变电站功率因数进一步下降至0.50～0.54，反映出EVCS带来的无功需求在较长馈线系统中更为显著，而单位功率因数运行的DG无法对此提供补偿。

5.2.2. Combined DGs, CBs, and EVCS Integration for IEEE 69-Bus System
在69节点系统中，当CB进一步布置于21号和61号母线后，联合优化效果更加突出。有功损耗约降低96.5%，无功损耗降幅超过91%；最小电压接近0.994 p.u.，且VDI保持在0.1 × 10^?3以下，表明全网电压分布近乎平坦。与此同时，变电站功率因数恢复至0.81以上。该结果说明，在较大规模辐射状网络中，DG、CB与EVCS的协同规划对于同时改善损耗、电压和无功平衡尤为必要，综合方法优于单一资源规划。

5.2.3. Thermal Capacity Limits Effect for IEEE 69-Bus System
对于IEEE 69节点系统，研究同样验证了各支路的视在功率潮流均低于可接受热容量上限。优化方案在提升电网运行指标的同时，确保线路未发生热过载，从而证明了该方法在复杂网络中的工程可行性。

5.3.1. IEEE-33 Bus with DGs, CBs, and EVCS Integration
在33节点系统的综合配置结果中，EVCS与DG的最优布置均位于30号和14号母线，CB则配置于30号和13号母线。论文通过表格进一步给出了不同EV接纳因子下各设备的最优容量以及相关目标函数值，说明该配置模式在不同负载水平下具有稳定适用性。

5.3.2. IEEE-69 Bus with DGs, CBs, and EVCS Integration
在69节点系统中，EVCS、DG和CB的最优位置集中在61号和21号母线。该结果表明，CGO框架能够基于负荷分布和电压敏感性，在较大规模系统中识别关键支撑节点，实现资源集中而有效的部署。

5.4. Comparison with Heuristic Methods
在与PSO和GWO等启发式方法的对比中，论文以30% EV_HF为例进行验证。结果显示，所提出的CGO方法在IEEE 33节点和69节点系统中均获得更低的有功损耗和更优的电压分布，并可满足支路热容量约束。作者指出，该优势主要来源于分类策略对搜索空间的有效收缩及对高敏感母线的定向引导。虽然其他方法亦能得到可接受解，但通常计算时间更长，且在高EV渗透条件下识别全局最优解的一致性较弱。文中还指出，该方法具备较高计算效率，适于面向实际规划应用。

在讨论层面，论文强调，EV接纳因子可作为评估配电网络新增充电负荷承载能力的简化规划指标。随着EV负荷增加，支路热应力、线路电流与电压降均会增大；若仅增加EVCS而缺乏本地有功和无功支撑，则网络性能将明显恶化。DG通过本地注入有功功率降低上级线路潮流，CB则提供无功补偿、抑制电压下跌并改善功率因数，两者与EVCS联合规划形成了针对辐射状配电网典型问题的完整解决思路。论文同时指出，该研究是在两座EVCS、两台DG和两组CB的假设下完成，适用于所选测试网络规模，且全部结论均由潮流分析结果验证。

研究结论部分可译述为：该研究提出了一种新型的基于分类的全局优化（CGO）方法，用于辐射状配电网络中DGs、CBs和EVCSs的综合规划。通过将基于工程特性的母线分类机制引入确定性优化框架，该方法在损耗降低、 电压稳定性提升、配电支路热容量约束满足以及计算效率方面，相较传统元启发式方法表现出显著优势。其中，IEEE 33节点系统和IEEE 69节点系统的损耗降幅分别达到94.75%和98.061%。较大的损耗降低归因于DG的最优布置、无功功率支撑以及基于分类的候选母线选择。该工作是在两座EVCS、两台DG和两组CB的设定条件下完成的，并将所得结果与无额外EVCS负荷的基准运行工况进行了比较。全部结果均通过潮流分析得到验证。未来研究将进一步把CGO框架扩展到不平衡网络、时变负荷、储能集成以及真实馈线数据场景中，并考虑更真实的随机EV需求、分布式发电随机出力、运行维护成本变化以及分时电价等因素，以增强方法的工程适用性。