改进遗传算法在含DG配电网规划中应用.docVIP

改进遗传算法在含DG配电网规划中的应用 　　摘要：由于分布式电源融入到配电网中，分布式电源和配电网规划间存在相互影响的关系。文章进行了一定的框架规划，同时在框架中加入了DG效益奖励因子，对于原有的遗传算法存在的译码复杂、迭代时间长、次数多等缺点，提出了一种改进的遗传算法 关键词：改进遗传算法；分布式电源；配电网规划；DG效益奖励因子；电力负荷 文献标识码：A 中图分类号：TM76 文章编号：1009-2374（2016）31-0035-02 DOI：10.13535/j.cnki.11-4406/n.2016.31.018 配电网规划的目的是在已知的电力负荷以及电源规划的基础上，依照现有电力网络合理地对电网进行完善，使其可以达到经济的最大化。分布式电源简称为DG，可对能源危机有所缓解，并且可以对供电故障有所改变，确保电力供应的稳定高效。将DG加入到配电网中，DG的容量以及位置的确定对规划有所影响，合理进行DG的位置与容量的明确对配电网有着很大的积极 意义 1 含DG的配电网规划简介 1.1 分布式电源和配电网的协调规划 配电网规划是一类目标众多的规划问题，增加了DG后，使规划的难度以及维数都得到了提高。以往传统的方法是先进行DG的容量与位置的确定，再据此进行配电网的规划，这是一类纵向规划方式。然而，DG与配电网架在配电网中有着相互影响的作用，凡是一个有所变化对另一个也会产生一定的作用，因此纵向规划已经不能使规划达到最佳状态。采取协调规划的方式，建立出配电网和分布式电源的科学关联，一同进行协调、规划，从而使整体规划达到完美。协调规划不但可以保证规划的整体性，而且计算简便，节省大量的计算时间 1.2 含DG的配电网模型 含DG的配电网在进行规划时常常是以稳定性和经济性综合评定最佳为目标。本文以经济效益为基础，对环境效益进行考虑，依据DG的污染物与其他形式的区别，将DG所减少的污染治理费作为奖励因子添加到目标函数中，可以得到目标函数为： 式中：f1是配电线路以及DG建设与运行年费；f2是停电损失费用；f3是DG环境效益；ω是权重因子；n0规划节点数；N是安装DG节点数；r0是折射率；T是投资回收期限；gi和ui分别是建设费以及运行年费；c1是单位线路的维修和造价；lj，k是线路长度；A[j，k]是投资决策变量。ΔPj，k是线路有功损耗， τmax是最大负荷小时数；c2是电价；λ是单位长线路故障率；c3j是j处停电损失；γ是DG的环境效益，是CO2、NOx、SO2等排放减少量和治理成本的乘积，即： 在进行配电网规划过程中有着诸多的约束条件，例如节点电压、电流、网络连通性、网络辐射性、DG容量等约束。在进行计算时，可以将电流、电压以及DG容量约束经由罚函数形式添进目标函数f中，将无法达到网络辐射与连通性的解加以修正 1.3 规划算法 以往的算法在进行配电网规划时，有着搜索错误、逼近速度慢、迭代收敛难等缺点，特别是在约束及变量较多时出现问题更多。遗传算法与传统算法相比，有着不需要梯度信息、目标函数可导等优势，尤其在整数变量进行组合优化时极为适用，致使得到了非常广泛的使用。但是因为传统的遗传算法有着先收敛局部解、计算量大、时间长等缺点，从而产生了多种优化了的遗传算法。本文对传统的遗传算法进行改进，使其在配电网规划过程中可以得到最为科学合理的结果 2 改进的遗传算法 2.1 编码 在进行以0-1向量作为编码模式来对适应值展开计算时，要根据一些规则来进行解码。如果数字量越大，在进行解码的计算时计算量也会很大，这会浪费大量的计算时间。对此将采取矩阵编码的方式，对拓扑结构如图1的网络连接采用矩阵编码与传统编码进行编码，分别是A和B B=（0，1，1，0，0，0，0，0，0，0，0，0，0，01，1，0，0，0，1，1，0，0，0，1，0，0，0） A是经过关联矩阵进行变化获得，对角线右上的点安放分布式电源的容量，右上角中对应的是各个节点连接方式，其中1代表连接，0代表未连接，左下角的M不具有实际意义。如果电网的规模相对较大时，可以很轻松地看出矩阵编码方式要比B的编码形式要好。此外矩阵编码可以将配电网络的辐射性和连通性进行快速的修复，对分布式电源的联合迭代有着极大的作用。在适应值计算时不必再进行解码，可以将矩阵直接代入 运算 通常来说，DG编码就是将分布式电源的容量和位置由0、1进行代替。假设DG较多时，在进行编码和解码时都会异常的复杂，同时交叉点选取出现不合理会对分布式电源的整体性有着极大的破坏力。矩阵进行编码的过程，第一，明确分布式电源的安装节点；第二，对分布式电源容量进行确定，同时对其初始数值加以明确，将初始数值安放在矩阵对角的节点位