《International Transactions on Electrical Energy Systems》:Reconfiguration and Optimal Placement of the DVR and DG Units in Distribution Grid Using Driving Training–Based Optimization and Genetic Algorithm
编辑推荐:
该研究提出了一种在模糊逻辑框架下结合驾驶训练优化算法(DTBO)与遗传算法(GA)的新方法,用于解决配电网重构及动态电压恢复器(DVR)与分布式发电(DG)单元最优配置问题。这是电力工程领域中具有离散-连续混合性质的实际任务之一。研究构建了一个多目标函数,涵盖
该研究提出了一种在模糊逻辑框架下结合驾驶训练优化算法(DTBO)与遗传算法(GA)的新方法,用于解决配电网重构及动态电压恢复器(DVR)与分布式发电(DG)单元最优配置问题。这是电力工程领域中具有离散-连续混合性质的实际任务之一。研究构建了一个多目标函数,涵盖了降低功率损耗、改善可靠性、提升电压稳定性及降低运行成本等目标。此外,研究人员还利用所提算法及多种知名优化方法在包含70条母线的测试网络上实施了另外四种场景。研究中通过将适当的概率密度函数分配给风速和太阳辐射,对风能和太阳能单元出力的不确定性进行了建模。结果评估表明,新的GA-DTBO算法在求解上述复杂场景方面取得了成功,不仅提供了新的开关拓扑,还给出了更优的DG和DVR单元安装位置与容量,实现了更低损耗、更稳定电压、改善的电压分布、更高可靠性和更低运行成本。同时,计算结果也表明,与其他方法相比,所提出的混合算法在寻优精度和收敛时间方面具有相对优越性。
**一、研究背景与问题提出**
随着敏感负荷在配电网中的比例不断增加,电能质量问题日益突出。配电网络由于规模庞大且R/X比值较高,其线损问题尤为严重。网络重构作为一种低成本、高效率的改善手段,通过开关组合优化可在不增加额外设备的条件下降低损耗、改善电压分布并提升供电可靠性。分布式发电(DG)因在环境、经济和技术方面的多重优势被广泛应用于配电系统,但风电和光伏出力的随机性为系统运行带来了新的不确定性。同时,动态电压恢复器(DVR)等柔性交流输电系统(FACTS)器件在维持高质量电能供应方面作用显著。然而,现有研究大多孤立地处理重构、DG优化配置或DVR配置问题,鲜有研究将三者联合优化。重构和DG/DVR安装位置的确定属于离散决策问题,而容量优化则为连续变量,这种离散-连续混合特性对求解算法的收敛能力和计算效率提出了严苛要求。为此,该研究旨在提出一种具备高精度和合理收敛时间的鲁棒优化方法,以同时求解配电网重构与DG、DVR单元的最优配置问题。
**二、研究目标与主要工作**
研究人员提出了一种融合驾驶训练优化算法(DTBO)与遗传算法(GA)的新型混合优化算法GA-DTBO,并在模糊逻辑框架下构建了多目标优化模型。该模型的目标函数包括降低有功功率损耗、提升电压稳定性指标(VSI)、通过降低未供电能量指标(ENSI)提高可靠性以及减少运行成本四个方面。研究在70母线测试网络上设计了五种场景,依次为:基础网络、仅优化重构、重构与DG优化配置、重构与DVR优化配置、重构同时优化DG与DVR配置。不确定性方面,采用Weibull分布和beta分布分别对风速和太阳辐射进行概率建模,以刻画可再生DG出力的随机性。此外,采用Pareto最优解集结合模糊决策方法,从多个非支配解中筛选出综合最优的折中方案。
**三、关键技术方法**
研究所用的主要技术方法包括以下几个环节。第一,采用前推回代法(BFS)进行配电网潮流计算,该方法通过逐节点迭代计算电流和电压,具有收敛性有保障和计算速度快的优点。第二,对于风速不确定性采用两参数Weibull分布建模,并将风速样本经功率-转速曲线转换为风机出力;对于太阳辐射不确定性则利用beta分布描述其概率密度函数,并计入电池温度和辐射强度对光伏实际出力的影响。第三,采用Pareto最优解方法处理多目标优化,并通过模糊隶属度函数从Pareto前沿中选出满意度最高的折中解,权重向量通过归一化重要性排序法确定并经过±10%扰动敏感性验证。第四,将GA与DTBO串行耦合,GA负责离散决策变量(开关状态、DG/DVR安装位置)的全局搜索,DTBO的三阶段学习机制(教练指导、教学模拟、个人练习)则负责连续变量(DG/DVR容量)的自适应精细调节。测试网络为70节点、79条支路的11 kV配电系统,由两个变电站供电,初始网架中69至79号线路为常开联络线,算例参数通过试错法整定。
**四、研究结果**
**4.1 场景I:基础网格**
不加任何优化措施时,测试系统总有功损耗为227.36 kW,VSI为0.66 p.u.,ENSI为13,663 kWh/年,运行成本为16,780美元(记为1 p.u.)。该场景作为后续所有对比的基准。
**4.2 场景II:最优重构**
仅实施重构优化后,算法建议断开第50、66、61、75、76、77、13、79、38、47、30号共11条线路。与基础网络相比,网络损耗降至204.09 kW,VSI升至0.69 p.u.,ENSI降至12,701 kWh/年,运行成本为0.96 p.u.。重构在不增加设备投入的前提下使各项技术指标均获得改善。
**4.3 场景III:重构与DG优化配置**
在重构的同时于母线22、15和9分别接入容量为600 kW、700 kW和500 kW的三台DG机组,推荐断开的联络开关为47、75、61、30、66、77、79、76、13、50、38号线路。此时系统总有功损耗进一步降至164.3 kW,VSI大幅升至0.89 p.u.,ENSI显著缩减至2,803 kWh/年,运行成本为1.76 p.u.。DG的引入虽然提升了运营成本,但技术指标的改善幅度明显超过仅重构的场景。
**4.4 场景IV:重构与DVR优化配置**
在该场景下,推荐断开的线路为30、38、75、76、77、13、61、50、79、47、66号,同时在母线17接入容量为300 kVA的DVR单元。优化后网络损耗为181.4 kW,VSI提升至0.87 p.u.,ENSI降至3,968 kWh/年,运行成本为1.45 p.u.。研究表明单台DVR对电压分布和稳定性的改善效果弱于多台DG的综合作用,但其技术提升仍明显优于前两个场景。
**4.5 场景V:重构与DG、DVR联合优化配置**
该场景在重构的同时联合优化三台DG机组和一台DVR单元。算法推荐的断开线路为75、38、13、66、50、76、77、30、47、61、79号,DG分别安装于母线31(450 kW)、51(650 kW)和17(700 kW),DVR则安装于母线68(300 kVA)。优化后系统有功损耗降至96.6 kW,VSI提高至0.97 p.u.,ENSI降至2,268 kWh/年,运行成本为1.94 p.u.。该场景在全部技术指标上均取得了五种场景中的最优结果,验证了联合优化策略的综合效果。
**4.6 不同算法的对比评估**
将GA-DTBO与GA、粒子群优化(PSO)、蚁群优化(ACO)、蝙蝠算法(BA)、GA-PSO、海鞘群算法(TSA)及DTBO在场景V下进行对比。GA-DTBO获得的网络损耗最低,为96.6 kW,VSI最高,为0.97 p.u.,ENSI最低,为2,268 kWh/年,运行成本也最低,为1.94 p.u.。统计检验方面,经Wilcoxon符号秩检验(α=0.05),GA-DTBO与GA-PSO、鲸鱼优化算法(WOA)、花授粉算法(FPA)、模拟退火(SA)之间的性能差异的p值为0.001~0.004,差异具有统计学显著性;标准差分析显示GA-DTBO在各项目标上的标准差均明显低于对比算法(如损耗的标准差为0.371,而其余算法介于1.122~1.891之间),表明其具有更高的稳定性和对随机初始化的鲁棒性。收敛行为方面,GA-DTBO每代平均计算时间为17.9 ms,总运行时间7.2 s,均优于GA-PSO(8.1 s)、WOA(9.6 s)、FPA(9.1 s)和SA(7.8 s),兼具快速收敛与高精度优势。
**五、讨论与结论总结**
讨论部分指出,GA与DTBO的协同机制有效匹配了问题的混合整数结构:GA的交叉和变异操作充分遍历离散空间,而DTBO的三阶段学习机制则为连续空间提供了自适应的局部与全局搜索平衡,避免了GA-PSO等混合方法中粒子速度更新机制在离散-连续问题中易陷入停滞的缺陷。模糊Pareto决策方法使算法能够在相互冲突的目标之间自动寻找满意度最高的折中解,权重敏感性分析证实了决策的稳定性。此外,网络电压分布结果显示,场景V在全部母线上均获得了最优电压轮廓,母线68的最低电压由此前的0.9010 p.u.提高至0.9495 p.u.,充分表明所提联合优化策略在工程应用方面具有显著潜力。
本研究得出的最终结论是:所提出的GA-DTBO混合优化算法能够有效求解配电网重构与DG、DVR单元协同最优配置这一复杂混合整数非线性规划问题。在70母线测试网络上,优化后系统总有功损耗降至96.6 kW,电压稳定性指标提高到0.97 p.u.,未供电能量指数降至2,268 kWh/年,运行成本为1.94 p.u.。与GA、PSO、BA、TSA、GA-PSO、DTBO等方法相比,该算法在降低损耗、改善电压分布、增强电压稳定性、提升可靠性以及降低运行成本方面均表现出更优越的性能。收敛行为评估进一步确认了该方法在搜索最优解方面具有高速度、良好的收敛性和适当的精度。