智能优化算法在分布式电源规划中的应用综述 汪兴旺（国网四川省电力公司宜宾供电公司，四川宜宾６４４００２） 【摘 要】智能优化算法与传统数学规划方法相比，具有全局优化性能、鲁棒性强、通用性强且适于进行并行计算的特点，因而更能有效地处理 非线性混合整数规划问题，评价全局最优解。本文综述了各种优化算法在分布式电源规划中的应用，分析了各种算法的优缺点，并对今后研究 方向提出一些建议。 【关键词】分布式电源；配网规划；遗传算法；模拟退火算法；禁忌搜索算法；蚁群算法；粒子群算法 【中图分类号】ＴＭ６１ 【文献标识码】Ｂ 【文章编号】１００６—４２２２（２０１４）１５—００２４—０２ 引言 分布式电源（Ｄｉｓｔｒｉｂｕｔｉｏｎ Ｇｅｎｅｒａｔｉｏｎ．ＤＧ）是指直接布置在 配电网或者分布在负荷附近的小型发电机组＿１＿。分布式电源凭 文献ｆ９１提出一种计及信息不确定性的ＤＧ优化配置模型 与算法。该方法在ＤＧ类型、位置和容量不确定的情况下，建 立了以投资成本最少、网损最小、收益最高和环境效益最高为 优化子目标的多目标、非线性优化模型 采用一种基于区间 借其投资省、发电方式灵活、与环境兼容等优点而备受关注， 灵活性，并且满足了可持续发展的要求。大大减轻了环保的压 力。分布式电源主要包括风力发电、光伏发电、燃料电池、内燃 机、微型燃气轮机等形式口 。２００９年国家电网公司提出了建 设“统一的坚强智能电网”发展战略．智能配电及分布式电源 接入是坚强智能电网发展中不可缺少的重要环节。 近年来，许多学者将智能优化算法引入来求解电网规划 问题．取得瞩目的成果。含分布式电源的配电网通常需要深入 分析和规划 分布式电源的容量和位置一般根据安装ＤＧ的 Ｓ算法与遗传算法相结合的计算方法对ＤＧ的类型、选 它与电网联合运行可以提高系统的经济性、安全性、可靠性和 ＴＯＰＳＩ址和定容问题进行寻优 １．２模拟退火算法（ｓＡ） 模拟退火算法是以马尔科夫链的遍历理论为基础的一种 适用于大型组合优化问题的随机搜索技术。算法的核心在于 模仿热力学中的液体的冻结与结晶的冷却和退火过程，采用 Ｍｅｔｒｏｐｏｌｉｓ接受准则避免落入局部最优．渐进收敛于全局最 优。模拟退火法可以较有效地防止陷入局部最优．但为使每一 步冷却的状态分布平衡很耗时间．而且属于单点寻优。对求解 目的和已有的配电系统基础设施来确定。负荷增长、ＤＧ的成 本以及ＤＧ设备在ＤＧ的定容选址中起重要作用 。 存在多个最优解的问题有一定的困难．需要改进。通常将模拟 退火方法与其他方法结合使用，以发挥各自的优势。 文献［１０】考虑了配电网扩展条件下新增负荷节点的情况， 根据新增负荷总量确定待建分布式电源的总容量，在分布式 本文综述了遗传算法、模拟退火算法、禁忌搜索算法、蚁 群算法、粒子群算法等智能优化算法在分布式电源规划中的 应用，分析了各种算法的优缺点，并对含ＤＧ的配电网规ｊｉＪｌ提 出若干建议。 电源个数、位置和单个电源容量均不确定的情况下，以网络建 设成本和运行为目标函数。应用遗传算法对分布式电源的位 １分布式发电系统规划中的智能优化算法 智能优化算法．或称现代启发式算法与传统数学规３Ｌ，Ｊ方 并行计算的特点．因而更能有效地处理非线性混合整数规划 问题，评价全局最优解［５１。 置和容量进行优化。对于遗传算法中每个分布式电源位置和 容量方案。再运用基于支路交换的模拟退火算法进行网络扩 优化方案。 法相比．具有全局优化性能、鲁棒性强、通用性强且适于进行 展规划。遗传搜索终止时得到分布式电源和配电网络的综合 文献『１１１在分布式电源最大安装数量、安装总容量、可能接 入点、节点电压上下限以及馈线电流容量给定的条件下，采用 １．１遗传算法（ＧＡ） 遗传算法是基于生物进化论的一种高度并行、随机和自 适应的优化算法。与传统算法相比，遗传算法具有多路径搜 索、隐并行性、随机操作等特点，对数据的要求低，不受搜索空 间的性约束，不要求连续性、导数存在、单峰等假设，可以 考虑多种目标函数和约束条件。但遗传算法也存在计算速度 慢，有时会收敛到局部最优解等不足。 遗传一模拟退火算法对配电网中的分布式电源进行最优配置 １．３禁忌搜索算法（ＴＳ） 禁忌搜索算法是一种扩展邻域的启发式搜索技术．其通 过记录（Ｔａｂｕ表）搜索历史，从中获得知识并利用其来指导后 续的搜索方向以避开局部最优解。ＴＳ算法灵活的记忆功能． 避免了搜索时陷入局部最优．但对初始值有较强的依赖性．搜 索过程是单对单的串行操作，而非并行操作。 文献【７】建立基于链式配电网络、恒功率静态负荷模型和 分布式电源的功率模型．并考虑ＤＧ对降低线损和调节电压 文献【１２］从损耗最小的角度出发，提出一种应用禁忌搜索 算法来优化位置和容量的分解协调方法 同时与使用模拟退 火法的算例结果比较，表明禁忌搜索算法优于模拟退化算法。 文献［１３］中提出一个目标函数包含馈线优化安装成本、系 统网损以及停电损失的配网扩展规划问题，并通过并行禁忌搜 索方法（ＰＴＳ）得出优化解。作者认为并行禁忌搜索比传统禁忌 的作用，提出一种图解与遗传算法相结合的计算方法。采用图 示法求解分布式电源的最佳位置，使用改进遗传算法来 电源越界并决定分布式电源的最佳容量 文献『８］在分布式电源单个容量、个数和位置不确定的情 况下，建立了多目标优化模型，并将多目标函数归一化．采用 布式电源接入后的最优规划方案。 而且对于大系统，表现优于模拟退火法和遗传算法。 改进自适应遗传算法优化分布式电源的位置和容量，得到分 搜索更快，１．４蚁群算法（ＡＣＯ） 蚁群算法是由意大利科学家Ｄｏｒｉｇｏ研究总结出的一种新 确定配电网中不同类型ＤＧ的安装地点、安装容量和渗透极 型的仿生启发式优化寻优算法，应用表明，其算法效率、寻优 能力均强于目前已有的其它智能优化算法适宜于求解有约束 限，以保证系统的经济性、安全性，以及环保性的综合最优化。 为此，ＤＧ规划的模型应该考虑分布式电源的种类、ＤＧ的安装 成本、运行维护成本、排污成本、电网购电成本以及有功网损 成本。 问题，有着广阔应用前景。但是该算法需要较长的计算时间， 容易出现停滞现象 文ａ［１４１建立目标函数考虑ＤＧ的投资成本、运行维护成 本、输电网电能购买成本和网损成本的模型．将ＤＧ看作是恒 定功率源。采用蚁群优化算法求解配电系统中ＤＧ的最优定 容和选址问题。测试结果表明合理配置ＤＧ不但可以减少运 （５）由于在电力市场环境下ＤＧ通常归不同所有者拥有， 其规划与运营具有较强的性。因此需要研究ＤＧ对现有 电力市场机制的影响以及投资。 参考文献 行成本，而且可以提高用户服务的质量和可靠性。同时还能够 Ｔｈｏｍａｓ Ａ，Ｇｆｉｒａｎ Ａ，Ｌｅｎｎａｒｔ Ｓ．Ｄｉｓｔｒｉｂｕｔｅｄ ｇｅｎｅｒａｔｉｏｎ：ａ ｄｅｆｉｎｉｔｉｏｎ叨． 消除电压越限及负荷约束。然而作者并未进行可靠性评估，系 ［１］统模型也没有包含系统可靠性，因而有待于进一步研究。 Ｅｌｅｃｔｉｒｃ Ｐｏｗｅｒ Ｓｙｓｔｅｍ Ｒｅｓｅａｒｃｈ，２００１，５７（３）：１９５～２０４． １．５粒子群算法（ＰＳＯ） 粒子群算法是由Ｋｅｎｎｅｄｙ和Ｅｂｅｒｈａｒｔ于１９９５年提出的 一［２】梁才浩，段献忠．分布式发电及其对电力系统的影响［Ｊ］．电力系统自 动化，２００１，２５（１２）：５３～５６． ［３］王建，李兴源，邱晓燕．含分布式发电装置的电力系统研究综述［Ｊ］． 电力系统自动化，２０ｏ５，２９（２４）：９０—９７． 种仿生类算法 该方法通过记忆与反馈机制实现了高效的 寻优搜索。与ＧＡ、ＳＡ、 ｒｓ、ＡＣＯ方法不同之处在于，这４种方 ［４］翟海保，程浩忠，等．输电网络优化规划研究综述［ＪＪ＿电力系统及其 自动化学报．２００４，１６（２）：１７～２３． 『５１金义雄，程浩忠，等．现代启发式算法及其在输电网络扩展规划中的 法的搜索方式全属于邻域搜索．就是其算法的搜索范围为当 前搜索点的邻近区域。其中只有ＧＡ的变异机制实现了非邻 Ｊ］．华东电力，２００５，３３（８）：１９－２５． 域搜索，而这种变异是缺乏目标指导的随机变异，而ＰＳＯ的搜 应用［６】王守相，王慧，等．分布式发电优化配置研究综述［Ｊ］．电力系统自动 索实现了粒子信息的共享。粒子的搜索是在整个空间根据粒 ［子整体搜索到的信息来确定下一步行动的．所以其最大特点 是搜索速度快，但缺点是容易陷入局部最优。 化，２００９，３３（１８）：ｌ１０—１１５． 【７降鹏，廉超，等．分布式电源并网优化配置的图解方法［Ｊ】．中国电机 工程学报，２ｏｏ９，２９（４）：９１～９６． 文ａ［１５１分析了分布式电源接入配电网前后网络损耗的 变化情况．并在此基础上提出采用混合模拟退火的改进粒子 群优化算法．对分布式电源选址和定容问题进行优化求解。 ［８】邱晓燕，夏莉丽，李兴源．智能电网建设中的分布式电源规划［Ｊ】＿电 力系统保护与控制，２０１０（４）：７—１０． 『９］韩亮，王守相，赵歌．基于区间ＴＯＰＳＩＳ与遗传算法混合的分布式 文献『１６］应用改进粒子群优化算法进行配电网分布式电 电源优化配置［Ｊ］．电力系统自动化，２０１３，３７（２４）：３７～４２． 源（ＤＧ）规划．并结合罚函数法将ＤＧ规划问题转化成无约束 ［１Ｏ］王成山，陈恺，等．配电网扩展规划中分布式电源的选址和定容【Ｊ】． 求极值问题．从而有效地提高了改进粒子群优化算法的全局 电力系统自动化，２００６，３０（３）：３８～４３． 收敛能力和计算精度。 ［１１］Ｇａｎｄｏｍｋａｒ Ｍ，Ｖａｋｉｌｉａｎ Ｍ，Ｅｈｓａｎ Ｍ．Ａ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏ— ｒｉｔｈｍ ａｎｄ ｓｉｍｕｌａｔｅｄ ａｎｎｅａｌｉｎｇ ｆｏｒ ｏｐｔｉｍａｌ ＤＧ ａｌｌｏｃａｔｉｏｎ ｉｎ ｄｉｓｔｉｂｕｔｒｉｏｎ ２结束语 智能优化算法凭借其独特的优越性为分布式电源规划问 ｎｅｔｗｏｒｋｓ［Ｃ］．ＩＥＥＥ ２００５ Ｅｌｅｃｔｉｒｃａｌ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃａｎａｄｉａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ １—４ Ｍａｙ ２００５：６４５－６４８． 题的解决带来了很好的思路。然而这些优化算法还不够完善， 需要不断改进．同时还需要结合含分布式电源的电网规划的 『１２］Ｗａｌｉｄ Ａｈｍｅｄ，Ａｌａａ Ｆ Ｓｈｅｔａ．Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｅｌｅｃｔｒｉｃ ｐｏｗｅｒ ｄｉｓｔｒｉｂｕ． ｔｉｏｎ ｕｓｉｎｇ ｈｙｂｒｉｄ ｓｉｍｕｌａｔｅｄ ａｎｎｅａｌｉｎｇ ａｐｐｒｏａｃｈ［Ｊ］．Ａｍｅｒｉｃａｎ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｓｃｉｅｎｃｅｓ，２００８，５（５）：５５９￣５６４． 特点、实际物理特性对各种算法进行改进，以提高算法的搜索 性能和搜索速度。具体的研究方向如下： ［１３］Ｍｏｒｉ Ｈ，Ｉｉｍｕｒａ Ｙ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｐａｒａｌｌｅｌ ｔａｂｕ ｓｅａｒｃｈ ｔｏ ｄｉｓｔｉｒｂｕｔｉｏｎ （１）在ＤＧ规划的单个优化算法选择上，若从搜索效率的 角度考虑，首选ＰＳＯ算法；若从最优性角度考虑，首选ＳＡ算 ｎｅｔｗｏｒｋ ｅｘｐａｎｓｉｏｎ ｐｌａｎｎｉｎｇ ｗｉｔｈ ｄｉｓｔｒｉｂｕｔｉｏｎ ｇｅｎｅｒａｔｉｏｎ【Ｒ】．Ｃｏｎｆ Ｐｒｏｃ ２００３ ＩＥＥＥ Ｐｏｗｅｒ Ｔｅｃｈ，Ｂｏｌｏｇｎａ，２３—２６ Ｊｕｎｅ，２００３，６． 法：上述算法不易解决的问题，常常采用ＧＡ算法。 （２）加强对新型寻优算法（如ＡＣＯ、ＰＳＯ）的研究，寻找更 快速、高效的实用规划求解方法。如何合理地将规划模型转变 ［１４］Ｆａｌａｇｈｉ Ｈａｍｉｄ，Ｈａｇｈｉｆａｍ Ｍａｈｍｏｏｄ—Ｒｅｚａ．ＡＣＯ Ｂａｓｅｄ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｄｉｓｔｉｂｕｔｒｅｄ Ｇｅｎｅｒａｔｉｏｎ Ｓｏｕｒｃｅｓ Ａｌｌｏｃａｔｉｏｎ ａｎｄ Ｓｉｚｉｎｇ ｉｎ Ｄｉｓｔｉｂｕｔｉｒｏｎ Ｓｙｓｔｅｍｓ［Ｒ］．２００７ ＩＥＥＥ Ｐｏｗｅｒ Ｔｅｃｈ，Ｌａｕｓａｎｎｅ，１－５ Ｊｕｌｙ，２００７：５５５－５６０． 成适合ＡＣＯ的模型有待进一步研究。致力于ＰＳＯ收敛性、收 敛速度估计等方面的数学证明．以及补充和扩展ＰＳＯ与其他 『１５１刘波，张焰，杨娜．改进的粒子群优化算法在分布式电源选址和 定容中的应用ｆＪ］．电工技术学报，２００８，２３（２）：１０３￣１０８． 『１６１汪兴旺，邱晓燕．基于改进粒子群算法的配电网分布式电源规划 ＩＪ１．电力系统保护与控制，２００９，３７（１４）：１６－２０． 算法或技术的结合，解决ＰＳＯ易陷入局部最优的问题。 （３）对各种算法相互借鉴、相互补充，基于算法统一框架 发展高效新型的混合优化算法。例如考虑到ＧＡ算法具有隐含 并行性，且能进行全局解空间的搜索，实现简单，但易于陷入早 收稿１３期：２０１４—７—１ 作者简介：汪兴旺（１９８２一），男，工程师，主要研究方向为电网 建设管理、电力系统自动化。 熟收敛：ＴＳ算法具有较强的“爬山”能力，且能有效避免重复搜 索，速度快．但对初始解比较敏感，且为串行搜索。因此，将这两 种算法结合起来构造出的ＧＡＴＳ混合优化策略，既具有ＴＳ优 良的局部搜索能力．又能实现ＧＡ的并行搜索方式。 （４）针对分布式电源规划，应当研究电力市场环境下如何 毒 罐
