基于能量谷优化器的IEEE 123节点不平衡配电网分布式电源与D-STATCOM最优协同配置

《Next Energy》：Optimal co-allocation of DG units and D-STATCOMs in the IEEE 123-bus unbalanced distribution network using the energy valley optimiser

　　

本文提出一种用于在IEEE 123节点不平衡配电网络（UDN）中对分布式发电（DG）单元与D-STATCOM单元进行协同配置的优化框架。该公式联合优化设备安装位置、额定容量、连接配置以及适用情况下的DG功率因数（PF），同时最小化有功功率损耗和平均电压不平衡因子（AVUF）。为全面评估该框架，在两种协同配置场景下考察了四种DG运行类型，即平衡三相注入和不平衡相选择注入，形成八种案例。针对每个案例，通过MATLAB–OpenDSS COM接口在OpenDSS中评估三相潮流。所得的优化问题采用能量谷优化器（EVO）求解。随后，将EVO的性能与灰狼优化器（GWO）、电鳗觅食优化（EEFO）、哈里斯鹰优化（HHO）和差分进化（DE）在解质量、统计鲁棒性和运行时间效率方面进行比较，每个案例进行100次独立运行。进一步使用Friedman检验和Holm校正的Wilcoxon检验评估案例级平均目标的统计差异。结果证实，EVO在所有八种案例中均获得最低平均目标。协同配置后，通过自动抽头控制调整电压调节器（VR）的抽头，作为稳态后优化阶段，从而将DG和D-STATCOM单元的设备规划决策与运行电压调节分离。经过VR协调后，平衡有功注入案例的有功功率损耗降低超过84%，而相选择协同配置在VR协调后的AVUF降低最高达54.4%。最后，使用每个案例1000个样本（对应8000次潮流评估）的蒙特卡洛评估，确认了在所测试的负荷需求和DG输出不确定性下的电压可行性。这些结果证明了在IEEE 123节点UDN中协调DG–D-STATCOM规划的有效性。

**基于EVO的IEEE 123节点不平衡配电网DG与D-STATCOM协同优化配置研究解读**

全球能源转型推动分布式发电（DG）大量接入配电网，但传统配电网的馈线存在不对称阻抗和单相负荷不均衡，导致功率损耗、电压偏差和三相不平衡。无序部署DG会进一步加剧相位电压不对称，并增加对上级电网的无功需求。D-STATCOM具备全容量无功补偿能力，可与DG形成互补，但两者的协同配置必须考虑相互依赖，且不能忽略网络中既有电压调节器（VR）的影响。现有研究大多局限于平衡辐射状网络，通常固定连接配置和功率因数，未将平均电压不平衡因子（AVUF）纳入优化目标，也没有充分模拟VR的动态响应，且测试网络规模较小。为此，研究人员构建了一个统一混合整数规划框架，在IEEE 123节点不平衡配电网络（UDN）中同时优化DG和D-STATCOM的安装位置、额定容量、连接配置及DG功率因数（PF），以最小化有功损耗和AVUF，并在优化后通过自动抽头控制协调VR，实现设备规划决策与运行电压调节的分离。该框架覆盖四种DG运行类型和两种注入场景（平衡三相注入与相选择注入），并在大型不平衡网络上完成了多场景验证，为实际配电网规划提供了技术依据。

研究人员主要采用以下关键技术：①通过MATLAB–OpenDSS COM接口进行三相不平衡潮流计算；②采用能量谷优化器（EVO）求解混合整数优化问题，并与灰狼优化器（GWO）、电鳗觅食优化（EEFO）、哈里斯鹰优化（HHO）和差分进化（DE）对比；③构建归一化加权和双目标函数，同时最小化有功损耗与AVUF；④优化后启用OpenDSS中的自动抽头控制协调四台电压调节器（VR）；⑤采用蒙特卡洛模拟，对每个案例采集1000个负荷与DG输出乘数样本，评估电压可行性；⑥采用Friedman检验和Holm校正Wilcoxon检验进行统计显著性分析。测试网络为IEEE 123节点不平衡馈线，不含生物样本队列。

**基础案例（Base Case）**：研究人员移除原始电容器组后，基础网络总有功损耗为110.942 kW，AVUF为0.8407%，所有母线电压均在0.95–1.05 p.u.内，但电压质量已有明显下降，该状态作为后续改进基准。

**场景1：平衡三相注入（Scenario 1: Balanced Three-Phase Injection）**：对于三相平衡注入，EVO优化结果显示Buses 65、47、76等电气关键节点被重复选择，D-STATCOM全部采用三角形（Δ）连接。Case 1、3、4在VR协调前的有功损耗降幅超过85%，而纯无功注入的Case 2仅降21.74%。VR协调后，Case 1、3、4的损耗降幅仍超过84%，AVUF较基础案例降低38.7%–41.7%；Case 2的AVUF仅降1.64%，说明平衡纯无功注入对损耗和三相不平衡的改善有限。

**场景2：不平衡相选择注入（Scenario 2: Unbalanced Phase-Selective Injection）**：相选择注入允许单相或线间接线，八种案例中D-STATCOM同时采用星形（Y）和三角形（Δ）连接。优化结果显示，四个案例在VR协调前的AVUF降低69%–74%，远优于场景1的27%–28%。但VR协调后，部分AVUF回升，最终Case 2的AVUF降低54.38%，Case 1、3、4降低17.92%–48.56%，说明自动抽头调节会部分破坏相选择补偿形成的相位平衡。

**场景1与场景2的比较（Comparison between Scenario 1 and Scenario 2）**：在Case 1、3、4中，场景1的有功损耗更低，因为三相DG单机容量较大，可集中降低主干线电流；在Case 2和4中，场景2的VR协调后AVUF更低。因此，平衡三相配置更适合以降低损耗为目标，相选择配置更适合以抑制电压不平衡为目标。

**目标函数权重敏感性分析（Sensitivity Analysis of the Objective-Function Weights）**：对功率损耗权重w_P取0、0.25、0.5、0.75和1进行测试，等权重设置获得最低的总排名分数，从而验证了主研究中w_P=w_U=0.5并非任意选择，而是损耗与AVUF之间的较平衡折衷。

**渗透率评估（Penetration-Level Assessment）**：场景1中Case 1、3、4的总DG有功容量占馈线总负荷的101.9%–105.1%，场景2中为67.4%–92.9%。由于未设馈线级总容量上限，这些结果应视为技术上界而非直接可落地的接入方案。

**与已发表结果的比较（Comparison with Published Results）**：与仅优化DG的均衡优化器（EO）和鲸鱼优化器（WO）方法相比，所提方法在Type I下损耗更低，Type II下结果相近，Type III下因同时优化AVUF而有较大损耗，但实现了显著的AVUF降低，且能处理参考方法未覆盖的Type IV。

**算法基准测试（Algorithm Benchmarking）**：EVO在所有八个案例中均获得最低的最佳和平均组合目标，在场景2中相对次优算法的改进最高达16.2%。Friedman检验显示算法间存在显著差异（χ²=21.300，p=2.761×10^-4），Holm校正Wilcoxon检验确认EVO显著优于每种对比算法。GWO运行时间快但目标质量差，HHO收敛慢且运行时间长。

**负荷与DG输出不确定性下的鲁棒性（Robustness under load and DG-output uncertainty）**：对八个案例各1000个样本（共8000次潮流评估）的蒙特卡洛评估表明，所有样本的电压可行率均为100%，最差最小/最大母线电压分别为0.964498 p.u.和1.037492 p.u.，均在允许范围内。

讨论部分指出，该框架作为离线稳态规划工具，场景1适用于以降低有功损耗为主要目标的规划，场景2适用于以抑制三相不平衡为主要目标的规划。VR协调对最终AVUF有显著影响，规划中不能忽略。研究局限性包括：蒙特卡洛评估为稳态快照，未反映时序相关性和空间异质性；仅在IEEE 123节点单一网络上验证；未计入经济成本；未设置渗透率上限；未考虑暂态稳定、保护配合、反向潮流和动态相互作用等。

结论翻译：本研究证实，EVO能在IEEE 123节点UDN中有效协同配置DG单元和D-STATCOM。与先前联合DG–D-STATCOM研究不同，该框架将无功设备连接配置作为决策变量，并结合电压调节器协调和显式电压不平衡目标。优化框架在满足所有运行限制的同时，共同最小化有功损耗和电压不平衡。在此规划框架内，研究人员在平衡三相注入和相选择注入场景下，覆盖全部四种DG运行类型，优化了设备位置、连接配置、额定容量和DG功率因数。通过自动VR抽头控制的运行框架随后确认了最终运行条件满足所有约束。在场景1中，平衡有功注入案例在VR协调后实现了超过84%的有功损耗降低，证实了有功注入与无功补偿相结合的有效性；相比之下，纯无功注入的损耗降低仅为21.42%。在电压质量方面，案例1、3、4的VR协调后AVUF分别降低38.74%、38.67%和41.68%。在场景2中，相选择注入在VR协调前实现了69%–74%的AVUF降低。VR协调后，保留的AVUF降低范围为17.92%至54.38%。这些结果确立了明确的设计准则：当有功损耗降低为主要目标时，平衡三相协同配置更优；而相选择协同配置对电压不平衡抑制更有效。对于两者兼需的应用，场景2中的Type III运行在有功和无功支持之间提供了良好的折衷。在算法性能方面，与GWO、EEFO、HHO和DE相比，EVO在全部八个案例研究中获得了最低的最佳和平均组合目标。在场景2中，对次优算法的改进高达16.2%。Holm校正的Wilcoxon符号秩检验证实EVO与每种对比算法之间存在统计显著差异，EVO在所有八项案例层面比较中获胜。尽管GWO在某些个案中运行时间更短，但EVO的平均运行时间为292.4–304.8秒，快于EEFO（336.8–381.5秒）和HHO（413.6–431.3秒），与DE（303.1–315.0秒）相当。从工程角度看，该框架作为经过验证的离线稳态规划工具，