雷竞技网页版研究和评论-国际期刊雷竞技苹果下载

国际电气、电子与仪器工程高级研究杂志

菜单

Issn online (2278-8875) print (2320-3765)

所有提交的电子邮件系统将被重定向到在线稿件提交系统．请作者将文章直接提交给在线稿件提交系统各自期刊的。

基于粒子群算法的多类型DG资源优化设计

p.p amisha Vishnu Priya1, s.k alyani2
  1. 印度泰米尔纳德邦，Virudhunagar, Kamaraj工程技术学院，电子电气工程系，研究生[PSE]
  2. 印度泰米尔纳德邦，Virudhunagar, Kamaraj工程技术学院，电子电气系主任，教授
相关文章Pubmed，谷歌学者

浏览更多相关文章国际电气、电子与仪器工程高级研究杂志

国际电气、电子与仪器工程高级研究杂志

摘要

对绿色技术应用的兴趣增加和分布式载流能力的不足导致了分布式发电(DG)系统的使用。未来对DG的估计使用量要求配电系统工程师在系统规划中适当考虑其影响。因此，配电网中DG的最优配置和规模是电力公司关注的问题。在配电网中对不同类型的可再生DG机组进行优化配置，使能量损失最小化。DG机组在电力系统中的合理位置，可以最大限度地发挥潜在效益，减少对电力系统的影响。启发式优化技术，如粒子群优化(PSO)，被用作求解工具，通过改变DG的位置和大小来最小化功率损失。模拟将在标准的农村配电网络上进行，即15总线和69总线配电系统。





关键字
粒子群优化(PSO)，分布式发电(DG)，最佳位置，最佳尺寸，功率损耗。

介绍
电力需求的快速增长鼓励了分布式发电(DG)的广泛服务，因为人们一直有兴趣将其与公用事业配电系统并行运行。新引入的分布式或分散式发电机组连接到本地配电系统，中央运营商无法调度，但它们会对客户和电力供应商的电力流、电压分布、稳定性、连续性、短路水平和质量产生重大影响。人们普遍认为，可再生能源是可持续能源供应基础设施的关键，因为它们既取之不尽，又无污染。DG具有许多特性，使其具有吸引力，并为不断增长的电力需求提供了良好的即时解决方案[2-3]。许多研究结果表明，不适当的分配和尺寸可能导致高功率损耗，并可能危及系统性能或导致不稳定[4]。功率损耗的影响已成为一个主要问题，因为它降低了功率传输的效率和电压分布的恶化。与输电系统相比，配电网的功率损耗最小化显得越来越重要。在现有的电网系统中，DG机组的最佳布局和尺寸试图在相当程度上减少功率损失。应采用各种优化技术，以实现DG的最佳分配。

文献综述
[5]中提出了“2/3规则”，将DG放置在负荷均匀分布的径向馈线上，建议将DG安装在距离发送端约2/3的线路长度处，容量约为进电的2/3。这条规则简单易用，但它不能直接用于其他类型负载分配的馈线。在b[6]中，作者利用遗传算法研究了以使径向配电网有功损耗最小为目标的多DG分配情况。然而，从消费者角度评估了技术效益，在分析中只考虑了有功电源。同样，[7]提出了一种新的优化技术，称为人工蜂群(ABC)算法，以优化DG的大小和分配，以实现真正的功率最小化。尽管该方法具有参数可控的优点，但其在种群初始化过程中涉及到随机过程，可能多次给出不一致的结果。[8]采用损耗公式，通过计算母线导纳来优化单DG的大小和分配。随着系统复杂性的增加，这种技术缺乏鲁棒性。在相同的方向上，作者在[9]中制定了一个多目标函数，包括DG的积极影响，如电压分布的改善，以及消极影响，如系统损耗和短路水平的增加。这种现象可能是由于DG的位置错误造成的。
[10]提出使用连续潮流来确定对电压崩溃最敏感的母线，并将其用作DG放置的申请。许多其他方法使用启发式技术来解决配电网络中的DG布局问题，其中一种方法是禁忌搜索[11]，该方法基于帕累托最优的概念来优化问题。在[12]中，基于网络可靠性，采用蚁群搜索(ACS)算法实现DG的最优放置和重合限。
本文以目标函数为精确损失公式，利用粒子群算法求解最优布局问题。本文提出了一种基于损耗减少准则的电力系统DG优化配置的简单粒子群算法。分析了分布式负载模式下DG的布局，选择了分布式负载模式下DG的最佳母线位置。进行了大量的模拟，以显示所提出的方法在确定DG放置的最佳总线和减少系统中的功率损耗方面的有效性。该方法已在标准IEEE配电网中进行了测试。在确定了DG的优化设计方案后，分析了配电网的升压降损效果。

分布式发电
分布式发电是一种直接连接到配电网或电表用户端的电源。分布式发电的定义在不同的市场和国家有不同的形式，不同的机构也有不同的定义。国际能源署(IEA)将分布式发电定义为为客户提供现场服务或为配电网提供支持的发电厂，以配电水平电压连接到电网。CIGRE将DG定义为具有以下特征的发电:非中央计划;目前还没有集中调度;它通常与配电网相连;小于50 - 100mw。分布式发电又称现场发电、分散发电、嵌入式发电、分散发电、分散能源或分布式能源。分布式发电的主要好处可分为两类:经济效益和运行效益。一般来说，DG指的是小规模发电。
许多DG技术是可获得的，但很少仍处于研究和扩大阶段。在放松管制的环境下，DG的主要相关性在于辅助服务的形式。DG还有其他好处，比如降低能源成本，减少受价格波动的影响。在本研究中，考虑了既能提供实功率又能提供无功功率的dg。不同类型的DG可被描述为[13]:
I型:只能注入实际电力的DG，如光伏、燃料电池等，是I型DG的好例子。II型:仅能注入无功功率以改善电压分布的DG，例如kvar补偿器、同步补偿器、电容器等。第三类:能够同时注入实功率和无功功率的DG，例如同步电机。IV型:能够注入真实但消耗无功功率的DG，例如风电场中使用的感应发电机。目前提出的DG最优布局问题的大多数方法只考虑了i型DG。在本工作中，考虑了第一类、第二类和第三类DG的最优放置和尺寸问题。以精确损失公式为目标函数，采用粒子群算法求解最优布局问题。

问题公式化
DG的最佳尺寸和位置使配电系统的损耗最小。大多数DGP目标是使配电系统的MVA损失最小化，由式(1)给出。
图像
考虑N个母线配电系统，实功和无功总损耗的最小化可表示为式(2)和式(3):
图像
图像
在哪里
图像
在哪里
图像

约束:
优化模型中需要定义的另一个重要部分是约束。有两种类型的约束
1.等式约束
2.不等式约束
1)等式约束
这些约束与非线性潮流方程有关。
图像
图像
在哪里
PDGI、QDGI为实数，DG注入的无功功率位于节点i。
PDI、QDI为节点i的负荷需求。
2) .Inequality约束:
不等式约束是与母线电压和要安装的DG相关的约束。
(a)母线电压限制:
在整个优化过程中，母线电压值应保持在可接受的工作范围内。
图像
在哪里
图像

粒子群优化

A. pso概述
粒子群优化是一种随机的、基于种群的问题求解进化计算机算法。它是一种基于社会心理学原理的群体智能，提供了对社会行为的见解，并有助于工程应用。粒子群优化算法是由JAMES KENNEDY和RUSSELL C.EBERHART在1995年首次提出的。对于给定的问题，以适应度函数的形式对其提出的解决方案进行评估。沟通结构或社会网络也被定义;初始化为每个定义为问题解决方案随机猜测的个体分配邻居。这些个体是候选解。它们也被称为粒子，因此被称为粒子群。一个改进这些候选解决方案的迭代过程开始了。粒子群算法是组合启发式优化算法的最新发展之一。 [14]The particles iteratively evaluate the fitness of the candidate solutions and remember the location where they had their best success. The individuals bet solution is called the particle best or local best. Each particle makes this information available to their neighbours. The particle velocity and position update equations in the simplest form that govern the PSO are given by equations (7) and (8)
图像
图像
在哪里
N表示群体中的粒子数;
I表示群中的第I个粒子，
Sik是第k次迭代中的第i个粒子位置，
Vik+1是粒子j在k+1次迭代中的速度，
Pbesti是第i个粒子的最佳位置，
Gbest是群中所有粒子的最佳位置，
W是惯性权值，
1 C和2 C是认知参数和社会参数，
1r和2r是随机数，
K是一个迭代数，
Kmax是最大迭代。
加速度常数1c将每个粒子拉向局部最佳位置，而常数2c将粒子拉向全局最佳位置。适当选择权重因子w有助于快速收敛。在本研究中，我们考虑的是线性递减的权重w，而不是恒定的权重，其表示为式(9)。
图像
速度更新方程的每一项在粒子群算法中都有不同的作用，每个粒子保持其位置，由候选解及其评估适应度组成，并保持其速度。算法运行过程中迄今为止所达到的最佳适应度值称为个体最佳适应度，达到该适应度的候选解称为个体最佳位置。最后，PSO算法将群中所有粒子之间达到的最佳适应度值保持为全局最佳适应度，并将达到该适应度的候选解称为全局最佳位置或全局最佳候选解。
粒子群算法只包括三个步骤，这些步骤不断重复，直到满足某个停止条件:
1.评估每个粒子的适应度
2.更新个人和全球最佳健身和位置
3.更新每个粒子的速度和位置。

B. pso的基本模型
在粒子群算法中，随机初始化所有粒子并对其进行评估以计算适应度，同时寻找个体最佳值(每个粒子的最佳值)和全局最佳值(整个群体中粒子的最佳值)。在此之后，循环开始寻找最优解。在循环中，首先粒子的速度由个人和全局最佳速度更新，然后每个粒子的位置由当前速度更新。循环以预先确定的停止准则结束。
图像
粒子群算法由一群在搜索空间中寻找最佳解的个体(粒子)组成。每个粒子用一个长度为n的表示位置的向量s来表示，并有一个速度向量v来更新当前位置，根据自身的飞行经验以及其他粒子的飞行经验来调整自己的飞行。每个粒子都跟踪其在解空间中的坐标，这些坐标与该粒子迄今为止获得的最佳解(适应度)相关联。这种价值被称为个人最佳，pbest。粒子群跟踪的另一个最佳值是该粒子附近的任何粒子到目前为止获得的最佳值。这个值称为gbest。PSO的基本概念是将每个粒子加速到其pbest和gbest位置，在每个时间步长的加速度随机加权，如图5.1所示。

C.粒子群算法
基于粒子群算法的总功率损耗DG最优布置图的求解步骤如下:
步骤1输入系统线路、母线数据和母线电压限值，DG实功率和无功功率限值。
步骤2根据基准潮流计算母线电压和MVA损耗。
step3定义控制变量(实功率大小、无功功率大小和DG位置)在允许范围内，随机初始化第i个粒子位置为Si、速度为Vi的粒子群。
步骤4设置PSO参数，C1 = C2 = 2, Wmax = 0.9, Wmin = 0.4。
步骤5对每个粒子运行潮流程序，得到母线电压幅值和角度。
步骤6使用式(1)计算每个粒子的适应度函数。
step7比较当前位置与粒子之前的最佳经验pbest的适应度值，从而更新种群中每个粒子的pbest。
更新完pbest后，在pbest的所有粒子中选择最优值，称其为Global best, gbest。
步骤9设置iteration =iteration+1。
步骤10计算每个粒子的速度，如果违反约束限制则更新。
步骤11计算每个粒子的新位置。
步骤12对每个粒子运行负荷流程序，计算适应度函数。
步骤13执行步骤6，直到达到停止条件或最大迭代次数。
最后，通过跟踪最佳粒子来评估DG的最佳尺寸和放置位置，并使用适应度函数获得MVA损失的优化(最小化)值。

测试系统和结果
在MATLAB环境下开发了基于粒子群算法的DG机组最优布置和尺寸优化程序代码。在MATLAB环境下，使用MATLAB 7.9版本对所提出的方法进行了开发和仿真。在具有2.6GHz core i5 CPU和6gb RAM的PC上，设计了DG单元优化配置和实际功耗最小化的合适解决方案技术。

A.测试系统
所提出的方法在一个由15个母线和69个母线组成的配电系统上进行了测试。在此仿真中，使用了两种不同的测试系统来验证最佳尺寸，放置和降低功耗的结果。第一个试验系统为15母线系统，总负荷为1.23 MW, 1.25 MVAr。第二个试验系统为69母线系统，总负荷为3.80 MW，总负荷为2.69 MVAr[16]。

. 1。测试系统-15总线分配系统
第一个试验系统为总负荷1.23 MW、1.25 MVAr的15母线配电系统。15母线配电系统单线框图如图6.1所示。在[18]中给出了15总线系统的总线数据和线路数据。

由信用证。测试系统-69总线配电系统
第二个试验系统为69母线配电系统，总负荷为3.80 MW, 2.69 MVAr。69母线配电系统的单线框图如图6.2所示，69母线系统的母线数据和线路数据在[19]中给出。

B.结果和讨论
通过应用5.3节中讨论的PSO算法，可以最小化总MVA损耗，并在每个母线上计算DG单元的最佳尺寸。所提出的方法已被开发，以计算各种总线上DG的最佳尺寸和DG在不同位置的MVA损耗，以确定最佳位置。因此，发现DG的最优放置使功率损耗最小。在确定最佳DG布局后，还研究了系统电压分布。

责任。结果15总线分配系统
在每个母线位置放置大小的DG单元，并计算相应的系统平均MVA损耗和平均电压。DG机组放置在最优母线上后，计算单位值的实际功率损耗如下表6.1所示。从表6.1可以看出，通过安装合适尺寸的DG单元，实际功率损耗最小，即在DG放置之前，平均损耗为0.0597 (p.u)，而在DG放置之后，平均损耗为0.0257 (p.u)。采用PSO后，15个母线系统的平均实际功率损耗降低为56.95%。实际功率损耗减少的百分比是通过比较安装DG和不安装DG的平均损耗结果来计算的。
DG机组放置在最优母线上后，计算单位值无功损耗，如下表6.2所示。安装DG前平均无功损耗为0.0553 (p.u)，安装DG后平均无功损耗为0.0215 (p.u)。15母线系统无功损耗降低61.12%。通过比较加DG和不加DG的平均Qloss的结果来计算无功损耗减少的百分比。
使用DG可以在满足电压限制的情况下大幅降低总损耗。表6.3给出了未放置DG前后的平均电压值，平均电压为0.9581 (p.u)，放置DG后15母线系统的平均电压为0.9772 (p.u)。在最佳位置安装DG可以改善电压分布，同时降低电网的总MVA损耗。DG机组放置在选定的最优母线上后，根据各母线电压幅值计算单位值的平均电压，如下表6.3所示。放置DG后的电压改善率为1.9935个百分点。
Figure.6.3。显示了在IEEE 15总线系统中使用PSO放置DG和未放置DG的每个总线的单位MVA损耗值。未放置DG时总功率损耗为122.99 MVA，放置DG后总功率损耗为50.29 MVA。
各母线上DG布置最优时的总实际功率损耗如图6.4所示。不安装DG的总实际损耗为544.9 MW，安装DG后的实际功率损耗为38.12 MW。
各母线DG最优配置下的总无功损耗如图6.5所示。未布设DG时无功损耗为48.84 MVAr，布设DG后无功损耗为32.30 MVAr。
该优化方法还可用于确定DG机组的位置和尺寸，从而达到改善配电系统电压分布的目的。放置DG单元与未放置DG的情况下，各母线上母线电压幅值的对比如图6.6所示。将DG机组置于最优位置时，母线电压分布得到改善。此外，已观察到最佳DG放置也有助于避免违反系统上的母线电压限制。因此，通过减少功率损耗，可以在放置DG后提高系统的总电压。

B.2。69总线分配系统的结果
计算出除参考母线外各母线上DG机组的最优尺寸，DG机组放置在最优选择的母线上后，计算出单位值的实际功率损耗如下表6.4所示。由表6.4可以看出，通过安装合适尺寸的DG机组，实际功率损耗最小，即DG安装前的平均实际功率损耗为0.3162 (p.u)， DG安装后的平均实际功率损耗为0.2244 (p.u)。采用PSO后，69母线系统的平均实际功率损耗降低率为29.032%。实际功率损耗减少的百分比是通过比较安装DG和不安装DG的平均损耗结果来计算的。
DG机组放置在最优母线上后，计算单位值平均无功损耗，见表6.5。DG安装前的平均无功损耗为0.1431 (p.u)， DG安装后的平均无功损耗为0.1040 (p.u)。69个母线系统平均无功损耗降低27.32%。通过比较加DG和不加DG的平均Qloss的结果来计算无功损耗减少的百分比。
在最佳位置安装DG可以改善电压分布，同时降低网络的总MVA损耗。未放置DG时的平均电压为0.9637 (p.u)，放置DG后69母线系统的平均电压为0.9681(p.u)。在每个母线位置放置大小的DG单元，并计算相应的系统平均MVA损耗和平均电压。DG单元放置在各母线上后，计算单位值内的平均电压，如表6.6所示。在下面。发现DG放置后电压改善的百分比为0.4544。
图6.7显示了IEEE 69总线系统中使用PSO放置DG和不放置DG时的MVA损耗表示。不放置DG时总损耗为2394.83 MVA，放置DG后总损耗为1706.44 MVA。
图6.8显示了69母线系统在各母线上DG的最佳放置时的总实际功率损耗。因此DG的放置可以在满足约束条件的情况下大幅降低总实际功率损耗。
图6.9显示了69母线系统的最佳DG布局的总无功功率损耗，并且可以观察到，与15母线系统相比，69母线系统的损耗大幅降低。DG的最佳位置是母线64，此处无功损耗最小。可见，配电网中加入DG后，总无功损耗显著降低。
如图6.10所示，将放置DG单元与未放置DG的情况下各母线处的母线电压幅值进行比较。结果表明，在配电系统中加入DG后，各母线的电压分布都得到了改善。69母线配电系统安装DG前的平均电压为0.9637 (p.u)，安装DG后的平均电压为0.9681 (p.u)。

结论
系统的改进很大程度上取决于DG的位置。功率损耗的影响已成为一个主要问题，因为它降低了功率传输的效率和电压分布的恶化。与输电系统相比，配电网的功率损耗最小化显得越来越重要。利用粒子群算法在现有系统中优化DG机组的布局和尺寸，试图在很大程度上降低实际和无功功率损耗。该方法已在标准IEEE农村配电系统(即15和69总线测试系统)上进行了测试。在关键总线上安装DG资源已被证明是最有效地提高系统性能的方法。结果表明，分布式电源的位置和规模是降低系统MVA损耗的决定性因素。“进一步的工作将集中在DG单元的成本最小化以及受系统运行限制的损失最小化上。

表格一览
表的图标 表的图标 表的图标
表1 表2 表3
表的图标 表的图标 表的图标
表4 表5 表6

数字一览
数字 数字 数字 数字
图1 图2 图3 图4
数字 数字 数字 数字
图5 图6 图7 图8
数字 数字 数字
图9 图10 图11

参考文献



















全球科技峰会