基于遗传-蚁群混合算法的分布式电源配电网规划

来源:用户上传      作者:

　　请保留作者简介和英文部分：李凯 男 1979年4月生 沈阳供电公司工程师，辽宁海城人
　　摘要：本文针对分布式电源在配电网规划中产生的问题，以分布式发电的经济性为基础，提出了改进的遗传-蚁群融合算法，在遗传算法中引入逆转变异和精英保留策略，蚁群算法部分采用改进的最大-最小蚂蚁系统，并对两者衔接点的选取方法进行了改进。通过对仿真算例的求解，表明了利用该算法与单纯利用遗传或蚁群算法所得的方案相比，能够取得具有更强的全局经济性和求解速度更快的规划方案。
　　关键词：分布式电源；配电网规划；遗传算法；蚁群算法
　　中图分类号：TM727.2文献标识码：A
　　
　　Distribution Network Planning With Distributed Generation Based on GA-ACG
　　LI Kai1, Dong liang2
　　(1 Shenyang power supply company, Shenyang, 110003, China
　　2 School of Information Science and Engineering, Northeastern University, Shenyang 110004, China)
　　ABSTRACT: In this paper, to solve the problem of distribution network planning with distributed generation(DG) , the author establishes the optimized model based on the considerations of economy of DG, and puts forward an improved algorithm integrating the genetic algorithm(GA) and ant colony algorithm(ACG), in which reversal variation and elite reservation strategie are introduced in GA and modified max-min ant system is utilized. What’s more, the selection method of juncture is also modified. In comparison with the GA or ACG, the advantages in economy and solution speed of the new confluent algorithm in terms of the planning scheme of the location and capacity are demonstrated by solution of the same emulation example.
　　KEY WORDS：distributed generation, distribution network planning, genetic algorithm, ant colony algorithm.
　　
　　
　　1 引言
　　分布式发电系统与大电网相结合后，对传统配电网中的电压节点、线路潮流计算、短路电流、电能质量和可靠性等都会带来影响，其影响的程度与分布式电源的安装位置和安装容量有着决定性的关系[1-4]。上述问题给传统配电网规划带来实质性的挑战，使得电网规划人员在选择最优方案时必须考虑由分布式发电系统所带来的影响。
　　近年来发展的人工智能算法，如遗传算法[5]，模拟退火算法[6]，蚁群算法[7]，粒子群算法等[8]，为求解分布式电源在配电网中得规划问题提供了新思路，在一定程度上克服了传统算法的缺陷，但由于每种算法自身的特点，都存在着一些不足，如求解速度慢，产生局部收敛和运算时间长等。
　　遗传-蚁群融合算法(GA-ACG)是将遗传算法的全局搜索性和蚁群算法的正反馈特性有效的结合，使得计算的速度和取得的结果更加优化，并避免了早熟和局部收敛等问题。本文对GA-ACG进行了改进， 并结合分布式电源的配电网规划问题，对规划的模型进行了求解和验证。
　　2 遗传算法与蚁群算法的融合与改进
　　2.1遗传算法部分的改进
　　遗传算法的应用，首先要产生随机种群。对于含DG的配电网规划问题，种群里的每一个个体都代表着一组解，每组解都代表着每个DG在配电网中的位置和安装容量。其质量优劣由适应度函数来评价。每一个个体按照一定的概率，通常是按照适应度得大小来选择选择个体进行交叉和变异产生新一代的种群。适应度高的个体更有机会来繁殖下一代，随着连续的繁殖，种群趋于收敛于高的那些种群，从而找到可能的最优解。再通过优化后的最优解来对蚂蚁路径上的信息素进行合理分布，使蚁群算法跳过信息素积累过程，加快收敛速度。
　　2.1.1编码与适应度函数
　　对于含DG的配电网规划问题，采用十进制进行种群编码，适应度函数结合目标函数而定。
　　2.1.2种群生成与染色体选择
　　利用随机生成的一定数量的编码种群。利用赌轮盘的方法对染色体进行选择，根据个体的适应度函数值选择准备进行交配的一对染色体。
　　交叉算子：采用顺序交叉方法。先对染色体进行常规的双点交叉，再进行维持原有相对访问顺序的巡回路线修改
　　变异算子：采用逆转变异方法。所谓“逆转”，如染色体(1-2-3-4-5-6)在区间2-3和区间5-6处发生断裂，断裂片段又以反向顺序插入，于是逆转后的染色体变为(1-2-5-4-3-6)。这里的“进化”是指逆转算子的单方向性，只有经逆转后适应度函数值有提高的个体才被接受下来，否则逆转无效。
　　2.1.3精英保留策略
　　利用这种策略，当前解中的一部分优秀个体无需进行再繁殖而直接成为下一代种群的成员，这样能有效地提高遗传算法的全局效果。
　　2.2蚁群算法部分的改进
　　考虑到将MMAS与GA算法的衔接，对信息素的初始设置及信息素更新做以下处理。
　　信息素的初始设置
　　MMAS是把个路径信息素的初始值设为最大 。本文通过上述遗传算法得到了一定的路径信息素分布，所以将信息素初始值设置为：
　　(1)
　　其中， 为根据具体求解问题规模给定的一个信息素常数，相当于最大-最小蚁群系统算法中的 ， 是通过遗传算法求解结果转化的信息素分布。
　　信息素更新模型
　　采用蚁周模型进行信息素更新，即一周中只有最短路径的蚂蚁才能进行信息素修改更新，而所以路径的轨迹更新方程均采用
　　(2)
　　其中 为路径 在 时刻的信息素轨迹强度； 为蚂蚁 在路径 上留下的单位长度轨迹信息素数量。
　　3 算例分析
　　假设年最大负荷利用小时数 ；单位电价 元/kWh，额定电压为35kV，电压波动上、下限分别为6%、8%，待接入的DG的功率因数均为0.9，DG容量为0.1MVA的整数倍，DG单位容量设备安装成本为 元/MVA，单位容量设备综合成本为 元/MVA。单个DG容量小于所处节点的负荷量，而DG的总装机容量不得超过最大负荷总量的10%。原有负荷总有功功率为12.06MW，则新增分布式电源在电网中的最大接入容量为1.206MW。

　　遗传算法部分参数选择：种群群体大小M=60，交叉概率 ，变异概率 ，惩罚系数 。
　　蚁群算法部分参数选择：人工蚂蚁数量 ， ， ， ，信息素挥发因子 ，总迭代次数 ， ， 为遗传算法部分的迭代次数。当 时，遗传算法中止，转入蚁群算法。
　　表1 DG的接入节点和容量
　　Table 1 Sources allocation and sizing of DG
　　DG的接入节点 DG的接入容量(MVA)
　　11 0.9
　　12 1.1
　　20 0.6
　　24 1.1
　　29 1.0
　　35 0.3
　　41 1.1
　　通过改进的遗传-蚁群融合算法最终得到的分布式电源的位置和安装容量结果如表1所示。
　　从表1可以看出，通过改进的遗传-蚁群融合算法得到的分布式电源接入节点与利用蚁群算法所得到的接入节点一致，且分布式电源接入的总容量不变，说明分布式电源在处于最优的接入节点。
　　
　　图1接入DG的节点配电网络结构图
　　Fig.4.4 Bus system with DG
　　图1为通过改进的遗传-蚁群融合算法得到的分布式电源的位置配置图可以看出，改进的遗传-蚁群融合算法的所得的规划结果中，分布式电源的安装节点基本上是在配电线路的末端。
　　表2 求解结果比较
　　Table 2 Comparison of results
　　费用分类 改进的遗传-蚁群融合算法 遗传算法 蚁群算法
　　分布式发电运行年费用 286.8 286.8 286.8
　　购电年费用 900.2 902.9 900.6
　　线路损耗年费用 75.34 82.25 76.12
　　总的年费用 1262.34 1271.95 1263.52
　　表2为改进的遗传-蚁群融合算法与单独使用遗传算法或蚁群算法的比较，可以看出，改进的遗传-蚁群融合算法的求解所得的总的年费最省，蚁群算法其次，遗传算法所得结果花费最多，这是由于改进的遗传-蚁群融合算法在所算出的DG安装位置与另外两种算法有所差异，并容量上进行了调整，使得线路损耗减少。证明了改进的遗传-蚁群融合算法在求解分布式电源的配电网规划为题是行之有效的，且相比单纯的遗传和蚁群算法更具优越性。
　　4 结论
　　本文提出了一种改进的遗传-蚁群融合算法。针对含分布式电源的配电网规划问题，对遗传-蚁群融合算法中的遗传算法部分，蚁群算法部分和两种算法的融合点进行改进。并通过算例证明，改进的遗传-蚁群融合算法对求解分布式电源在配电网中得规划问题时具有很好的规划效果，且收敛时间段等一系列优点。由于分布式电源的发电成本目前还比较高，因此引入分布式电源后的配电网规划的经济优势相对还不是特别明显。但从长远来看，考虑到分布式电源接入系统所带来的巨大的社会效应，尤其是面对全球能源紧缺的现状，同时科技的发展也使得分布式电源的成本越来越低，在配电网中引入分布式电源具有非常重大的意义。
　　参考文献
　　[1] 钱科军，袁越．分布式发电技术及其对电力系统的影响[J]．继电器，2007，35(13)：25-29．
　　[2] Peng F Z. Editorial Special Issue on Distributed Power Generation [J]. IEEE Tran on Power Electronics, 2004, 19(5): 58-62.
　　[3] 杨素萍，赵永亮，架凤奎，于静冉．分布式发电技术及其在国外的发展状况[J]．电力需求侧管理，2006，8(2)：57-60．
　　[4] 方兴，郭志忠.配电网规划研究述评[J]．电力自动化设备，2003，23(5)：71-74．
　　[5] 席裕庚，柴天佑，恽为民．遗传算法综述[J]．控制理论与应用，1996，13(6)：697-708．
　　[6] 王志群，朱守真，周双喜．分布式发电接入位置和注入容量限制的研究[J]．电力系统及其自动化，2005，1(17)：53-58．
　　[7] 刘彦鹏．蚁群优化算法的理论研究及其应用[D]．浙江大学，2007．
　　[8] Yang Wenyu, Yang Xuying, Duan Jiandong. Power flow calculation in distribution networks containing distributed generation [J]. Electricity Distribution, 2008, 1-5.
　　
　　
　　注：文章内所有公式及图表请用PDF形式查看。

转载注明来源:https://www.xzbu.com/2/view-560311.htm