考虑配电网静态电压稳定性的微电网优化配置方法

1.本发明涉及含高渗透率分布式电源的配电网协调规划技术领域，具体涉及一种考虑配电网静态电压稳定性的微电网优化配置方法。


背景技术：

2.随着国民经济的发展和人们对能源节约意识的提高，分布式电源(distributed generation，dg)因其投资小、清洁环保和发电方式灵活的优势而广泛应用。与常规发电机相比，风力发电、光伏出力具有随机性和波动性的特点，对配电网静态电压稳定性和运行经济性产生明显的影响，同时这种风险会随着dg并网容量的不断增加而放大。将一定比例的可再生能源和储能装置以微电网形式接入配电网合适位置，可以降低可再生能源出力波动从而提高电网电能质量，改善系统电压分布，减小网络损耗，降低对一次能源的需求消耗。因此，风光储微电网的合理配置对配电网的稳定运行具有重要意义。
3.目前，国内外学者对配电网中dg的规划问题已进行深入的分析和研究，并取得了一定的进展。这些文献大多以威布尔分布和贝塔分布来模拟可再生能源的出力并以此作为dg定容选址的根据，忽略了可再生能源在时序上出力互补的特点，并且主要从经济效益角度决定dg并网的位置和容量。现有的储能装置规划方案主要是在配电网中dg并网容量和位置确定的情况下进行的，只能降低弃风弃光而无法从dg安装容量上提高可再生能源的渗透率。利用储能装置可以平抑dg出力和风光资源时序上出力互补的特点，将风光储三者按照一定的比例配置并以微电网的形式并网，可以降低可再生能源出力的波动，为可再生能源的高渗透率并网提供了思路。
4.现有的配电网静态电压稳定指标在多分布式电源接入条件下，无法准确反映系统裕度以及对电压越限的影响，同时具有计算过程中不收敛、计算复杂且速度慢的缺点。有鉴于此，研究一种考虑配电网静态电压稳定性的微电网优化配置方法具有重要意义。


技术实现要素：

5.针对现有配电网dg规划方案无法满足适应高比例可再生能源的接入，以及dg规划过程中高维度、非线性的复杂计算问题。本发明提供了一种考虑配电网静态电压稳定性的微电网优化配置方法，将风力发电、光伏发电、储能装置按照一定比例以微电网的形式接入配电网，可以实现可再生能源的高比例接入；同时改进后的多目标平衡器算法可以针对配电网静态电压稳定性和运行经济性两个目标求出帕累托解集，实现微电网定容选址的最优决策。
6.本发明采取的技术方案为：
7.考虑配电网静态电压稳定性的微电网优化配置方法，首先，对现有配电网静态电压稳定性指标进行改进得到综合电压质量评估指标，并以此作为微电网定容选址的目标函数之一；然后，利用k
‑
means++聚类方法对可再生能源全年出力进行场景缩减，计算风力发电、光伏发电、储能装置的最佳容量配置比例；结合tent混沌映射、拥挤度和非支配排序策
略对平衡优化器算法进行改进，用来求解微电网定容选址问题；最后，在ieee
‑
33系统上对所建模型及改进后的多目标平衡优化器算法进行验证。
8.考虑配电网静态电压稳定性的微电网优化配置方法，利用风力发电、光伏发电两种分布式电源出力在时间上互补和储能装置功率双向流动的特点，将风力发电、光伏发电和储能装置以微电网的形式接入配电网，实现可再生能源的高比例接入；结合含高渗透率分布式电源配电网的特征，根据几种配电网静态电压稳定性指标的不足，提出考虑电压稳定性与越限的综合电压稳定指标；采用基于k
‑
means++方法的多场景技术处理可再生能源的出力不确定性问题，计算出微电网内风力发电、光伏发电、储能装置的最佳容量配置比例；利用tent映射产生的混沌序列代替平衡优化器算法中随机生成的初始种群，根据拥挤度和非支配排序策略实现多目标问题寻优；以配电网的静态电压稳定性和运行经济性为目标解决微电网系统的定容选址问题。
9.考虑配电网静态电压稳定性的微电网优化配置方法，包括以下步骤：
10.步骤1：结合含高渗透率分布式电源配电网的特征，分析现有的配电网静态电压稳定指标的不足，提出考虑电压稳定性与越限的综合电压稳定指标；
11.步骤2：以全年风力发电和光伏发电出力数据为基础，考虑储能装置配置成本，计算风力发电、光伏发电和储能装置的最佳容量配置比例，最后通过多场景缩减技术对全年场景进行缩减，从而降低优化配置时的计算量；
12.步骤3：利用tent混沌映射序列，代替平衡优化器算法中随机生成的初始个体，提高算法的全局搜索能力，结合拥挤度和非支配排序策略将平衡优化器算法改进为多目标平衡优化器算法；
13.步骤4：构建含高渗透率分布式电源的配电网系统，利用多目标平衡优化器算法解决微电网定容选址规划问题。
14.所述步骤1中，含高渗透率分布式电源配电网的特征包括：
15.①
、风力发电、光伏发电可再生能源的出力占全网发电机出力比重大，具有强随机性和波动性；
16.②
、分布式电源接入位置灵活，能够通过并网逆变器控制其输出功率；
17.③
、光伏发电与风力发电出力在时间上具有互补的特征。
18.所述步骤1中，将简化静态电压稳定指标与模拟阶跃特性函数相结合，构造综合考虑电压稳定性与越限的综合电压稳定指标(compositevoltage stability index，cvsi)，如公式(1)所示：
[0019][0020]
其中，
△
v
i
为母线i中戴维南等效阻抗上的压降；β为修正因子，由配电网中电压极值决定；v
i
为母线i电压；u
n
为系统额定电压；a、b和c为常数，根据不同电压等级的配电网对电压偏移的不同要求来确定。
[0021]
所述步骤2中，根据气象数据和dg出力方程，计算得到风力发电和光伏发电全年8760h的时序出力数据，在不考虑加入储能装置情况下，利用风力发电与光伏发电出力时间上互补的特点，计算两种dg的最佳安装容量比例，实现总出力方差最小，如公式(2)所示：
[0022][0023]
其中，p
wt_i
＝[p
wt1
…
p
wt24
]为单位容量风力发电在第i天有功出力矩阵；p
pv_i
＝[p
pv1
…
p
pv24
]为单位容量光伏第i天有功出力矩阵；η为风力发电与光伏发电的安装容量比例。
[0024]
所述步骤2中，采用基于k
‑
means++的多场景分析法对全年数据进行聚类，得到多个具有代表性的场景数据及其对应概率。与仅考虑四季出力特点的同类方法相比，保留场景数目更多，能够更好地反映可再生能源出力的波动特点，一定程度上降低了电网运行中因电力调度而产生的弃风弃光现象。
[0025]
所述步骤2中，从储能装置对dg出力的平抑效果和减少储能系统成本支出两个方面出发，计算储能装置容量与风力发电、光伏发电两种dg的配比，设dg出力全部被电网消纳无弃风弃光现象，对于第i个场景内储能装置容量配置的目标函数如公式(3)：
[0026]
min std(p
res_i
+p
ess_i
)+γc
ess_i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0027]
其中，p
res_i
为场景i中可再生能源出力矩阵；p
ess_i
为场景i中储能装置出力矩阵；c
ess_i
为场景i中储能装置安装容量；γ为储能装置安装成本系数。
[0028]
储能装置运行过程中，应满足输出功率限制约束和荷电状态约束条件，如公式(4)所示。
[0029][0030]
其中，p
ess
为储能装置输出功率；p
max
为储能装置充放电功率极限；soc为储能装置荷电状态。
[0031]
根据k
‑
means++聚类得到的各个场景的权重数据，储能装置的最终安装容量如公式(5)所示。
[0032][0033]
其中，c
ess_i
为场景i中储能装置安装容量；w
i
为场景i所占权重；n为场景个数。
[0034]
所述步骤3中，平衡优化器算法是受到物理学中溶液质量平衡方程的启发而提出的一种新型智能算法。溶液质量变化量由流入溶液质量，流出溶液质量和溶液内新产生质量三部分组成，可以用一阶微分方程(6)表示。
[0035][0036]
其中，v为溶液体积；c为溶液浓度；为溶液浓度对时间的微分；q为溶液流入或者流出的体积；c
eq
为平衡状态下溶液的浓度；g为溶液质量生成速率。
[0037]
令带入公式(6)中，变形后对等式两侧取积分可得：
[0038][0039]
其中，v为溶液体积；c为溶液浓度；c
eq
为平衡状态下溶液的浓度；g为溶液质量生成速率；t0和c0分别为初始时间和初始溶液浓度；dc为对溶液浓度的微分；dt为对时间的微分。
[0040]
为简化算法表达形式，定义f为与时间有关的衰减变量，如公式(8)所示。
[0041][0042]
其中，λ为溶液周转率；t为当前时间；t0为初始时间。
[0043]
整理可得平衡优化器算法中浓度更新公式为：
[0044][0045]
其中，c为溶液浓度；c0为初始溶液浓度；c
eq
为平衡状态下溶液的浓度；g为溶液质量生成速率；v为溶液体积；λ为溶液周转率；f为与时间有关的衰减变量。
[0046]
在公式(9)中，第一项溶液平衡状态浓度c
eq
表示在适应度较好个体基础上进行位置更新；第二项(c0‑
c
eq
)f表示当前个体与平衡池内适应度较好个体之间的差值决定算法的全局搜索能力；第三项决定算法的局部开发能力，受g的取值影响较大。
[0047]
所述步骤3中，通过tent映射生成混沌序列，对个体进行初始化提高算法的全局搜索能力，如公式(10)所示：
[0048][0049]
其中，μ为混沌参数；y
i
为混沌变量序列。
[0050]
得到混沌变量序列y
i
后，对其做逆映射到相应的个体搜索空间得到变量序列x
i
，如公式(11)所示：
[0051]
x
i
＝lb
i
+(ub
i
‑
lb
i
)y
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0052]
其中，ub
i
和lb
i
分别表示变量x
i
的上界和下界；y
i
为混沌变量序列。
[0053]
为保证最终结果中帕累托前沿的覆盖性，采用轮盘赌思想优先保留拥挤度比较低的个体，个体x
i
被保留的概率计算公式为：
[0054][0055]
其中，crowd(x
i
)表示x
i
拥挤度；n表示个体数量。
[0056]
在得到帕累托解集后，通过模糊集理论对所有个体的不同目标函数求取隶属度，如公式(13)所示。：
[0057][0058]
其中，f
fit
(x
i
,k)为x
i
在目标函数k中的模糊隶属度；f(x
i
,k)为x
i
在目标函数k中的函数值；f
k,min
为所有个体中目标函数k中最小值；f
k,max
为所有个体中目标函数k中最大值。
[0059]
所述步骤4中，将步骤2中计算得到的风力发电、光伏发电和储能装置的最佳容量配置比例，作为微电网的规划依据，利用改进后的多目标平衡优化器算法求解目标问题的帕累托解集。与其他算法对比可以发现：改进后的多目标平衡优化器算法得到的帕累托解集覆盖性更好，更适合于微电网定容选址规划。
[0060]
本发明一种考虑配电网静态电压稳定性的微电网优化配置方法，技术效果如下：
[0061]
1)、本发明针对现有配电网中静态电压稳定性指标计算量大，可能存在不收敛且无法反映电压越限现象的缺点进行改进。提出的综合电压稳定指标不仅具有表示配网电压稳定性的功能，而且可以有效地反映出配电网电压越限问题。
[0062]
2)、本发明通过k
‑
means++方法对全年可再生能源出力进行场景缩减，根据各个场景内出力数据以及对应概率计算风光储三者的最佳容量配置比例，不仅可以实现高比例可再生能源的接入而且能够降低微电网规划过程中计算量。
[0063]
3)、本发明对平衡优化器算法进行改进，在测试函数以及微电网规划算例中进行仿真。结果表明与粒子群算法、灰狼算法、遗传算法等几种算法对比改进后的多目标平衡优化器算法优势明显。
[0064]
4)、本发明与传统的配电网规划方法相比，通过风光储微电网系统的形式能够实现高比例可再生能源并网，利用改进后的多目标平衡优化器算法可以解决以配电网静态电压稳定性和运行经济性为目标的微电网定容选址问题。
附图说明
[0065]
图1为ieee
‑
33接入dg前各指标及电压极值随负荷增长变化曲线图。
[0066]
图2为ieee
‑
33接入dg后各指标及电压极值随负荷增长变化曲线图。
[0067]
图3为各场景比重分配图。
[0068]
图4为帕累托最优前沿分布图。
[0069]
图5为本发明的流程图。
具体实施方式
[0070]
考虑配电网静态电压稳定性的微电网优化配置方法，包括以下步骤：
[0071]
步骤1：结合含高渗透率分布式电源配电网的特征，分析现有的配电网静态电压稳定指标的不足，提出考虑电压稳定性与越限的综合电压稳定指标。
[0072]
现有的配电网静态电压稳定指标在多分布式电源接入条件下，无法准确反映系统裕度以及对电压越限的影响，同时具有计算过程中不收敛、计算复杂且速度慢的缺点。
[0073]
步骤2：以全年风力发电和光伏发电出力数据为基础，考虑储能装置配置成本，计算风力发电、光伏发电和储能装置的最佳容量配置比例，最后通过多场景缩减技术对全年场景进行缩减，从而降低优化配置时的计算量。
[0074]
步骤3：利用tent混沌映射序列，代替平衡优化器算法中随机生成的初始个体，提高算法的全局搜索能力，结合拥挤度和非支配排序策略将平衡优化器算法改进为多目标平衡优化器算法。
[0075]
步骤4：构建含高渗透率分布式电源的配电网系统，利用多目标平衡优化器算法解决微电网规划问题。
[0076]
下面结合附图，对优选实施例进行详细说明:
[0077]
1、含高渗透率分布式电源配电网特征：
[0078]
(1)风力发电、光伏等可再生能源的出力占全网发电机出力比重大，具有强随机性和波动性。
[0079]
(2)分布式电源接入位置灵活，可以通过并网逆变器控制其输出功率。
[0080]
(3)光伏与风力发电出力在时间上具有互补的特征。
[0081]
2、现有的配电网静态电压稳定性指标的缺点：
[0082]
(1)基于潮流雅可比矩阵构造的指标：雅可比矩阵奇异的特性来评估当前状态的负荷裕度。虽然这种指标精确度较高，但需要获得全网信息，对计算要求高，不适合于在线计算；
[0083]
(2)利用系统中的有功功率或无功功率与电压之间的微分关系构造的灵敏度指标：可以直观的反映出系统的薄弱环节，但没有考虑发电机的无功约束等现实问题；
[0084]
(3)利用潮流方程有解的条件构造指标：在系统负荷增长过程中，指标容易跃变，不适用于评估当前系统安全裕度。
[0085]
3、考虑电压稳定性与越限的综合电压稳定指标：
[0086]
根据戴维南等效电路可知，当线路处于最大负载时即p
‑
v曲线的鞍结分岔点时，负载测电压与戴维南等效阻抗上的电压相等，从而可以快速求解鞍结分岔点，避免了连续潮流法中潮流方程出现不收敛、计算复杂且速度慢的缺点。
[0087]
鉴于配电网特别是分布式电源并网后容易出现的电压越限问题，本发明构造一个功能性函数，在节点电压处于安全允许范围内时该函数值很小，接近于0，当即将发生电压越限时，函数值迅速增大起到安全预警的作用。将该函数与简化静态电压稳定性指标相结合，构造出综合考虑电压稳定性与越限的稳定性指标，如公式(1)所示。
[0088][0089]
其中，
△
v
i
为母线i中戴维南等效阻抗上的压降；β为修正因子，由配电网中电压极值决定；v
i
为母线i电压；u
n
为系统额定电压；a、b和c为常数，根据不同电压等级的配电网对电压偏移的不同要求来确定。
[0090]
在ieee
‑
33系统和pg&e
‑
69系统中对综合电压稳定指标进行仿真实验，并与几种现有静态电压稳定指标进行对比。图1和图2分别为ieee
‑
33系统在接入dg前和接入dg后四种静态电压稳定性指标以及配电网电压极值随负荷增长变化的曲线。
[0091]
图1可以看出，当svsi＝1时，母线最低电压为0.55p.u.；当l＝1时，母线最低电压为0.65p.u.，均远远超出额定标准。d指标则始终未达到1，表示系统处于稳定状态。而当l＝1时，系统母线电压极小值为0.902p.u.，系统母线电压处于安全范围内。如图2所示，将dg容量按照系统总负荷功率20％接入后，高渗透率分布式电源的接入改变了电网中潮流原有方向，系统母线电压最高达1.04p.u.，系统稳定性相对较差，随着负荷增加，电压稳定性先上升后下降，与其他静态电压稳定性指标相比，cvsi在电压越限时能够达到预警值，从而发挥作用。
[0092]
在pg&e
‑
69系统中将容量为系统总负荷40％的dg接入12，55，65，67节点进行数据仿真实验。不同方法的计算时间对比如表1所示。
[0093]
表1不同方法的计算时间对比
[0094][0095]
由于l指标需要多次计算选择最近的pv型发电机判断是否越限，与cvsi仅需根据相对电气距离计算最近pv型发电机状态相比，计算时间更长，且这种差距会随着配电网母线和并网dg数量的增加更加明显。综上所述，所提出的cvsi指标不仅在配网母线电压偏移较小时，具有svsi、l、d指标表示配网电压稳定性的功能，而且在母线电压偏移较大时可以弥补几种指标的不足，有效地反映出配网电压越限问题。
[0096]
4、风光储系统多场景缩减模型：
[0097]
可再生能源出力的波动性限制了其在电网中大规模接入，本发明将含风光储的微电网系统作为整体接入配电网中，从而降低可再生能源出力波动，并以全年风力发电和光伏出力数据为基础考虑储能装置配置成本，计算风光储三者最佳配置比例，最后通过多场景缩减技术对全年场景进行缩减，从而降低优化配置时的计算量。
[0098]
风力发电与光伏的出力受到所处地理环境和气候的影响，根据气象数据和dg出力方程计算得到风力发电和光伏全年8760h的时序出力数据。在不考虑加入储能装置情况下，利用风力发电与光伏出力时间上互补的特点计算两种dg的最佳安装容量比例实现总出力方差最小，如公式(2)所示。
[0099][0100]
其中，p
wt_i
＝[p
wt1
…
p
wt24
]为单位容量风力发电在第i天有功出力矩阵；p
pv_i
＝[p
pv1
…
p
pv24
]为单位容量光伏第i天有功出力矩阵；η为风力发电与光伏的安装容量比例。
[0101]
在dg规划过程中，如果直接将全年dg出力数据运用到优化过程中会导致计算量剧增。考虑到k
‑
means方法易受初始点选取不准确影响聚类效果的缺点，本发明采用基于k
‑
means++的多场景分析法对全年数据进行聚类，从而得到多个具有代表性的场景数据及其对应概率。与仅考虑四季出力特点的同类方法相比，其保留场景数目更多，能够更好地反映可再生能源出力的波动特点，一定程度上降低了电网运行中因电力调度而产生的弃风弃光现象，具体步骤如下：
[0102]
1)根据风光最佳配置比例得到描述可再生能源全年出力数据的365
×
24维矩阵，用ξ
s
表示不同场景。
[0103]
2)从365天数据中随机选取1天数据作为初始场景质心，集合表示为
[0104]
3)去除场景质心后，剩余场景集合为以欧式距离作为场景相似性评价指标，计算剩余场景到质心场景的距离。
[0105]
4)将距离最远的场景添加为新的场景质心，重复进行步骤3)直至场景质心数到k。
[0106]
随着聚类个数k的增加，每个组内的聚合程度逐渐提高，聚类集合内部距离和逐渐变小，而当k超过真实聚类数后距离减小的速度会减慢。聚类个数k的取值决定着计算的复杂度和缩减后场景包含特征的多样性，本发明采用肘方法确定聚类个数k。
[0107]
5、储能装置容量配置比例计算方法：
[0108]
储能装置能量双向流动的特点为高比例可再生能源的接入提供了可能。本发明从储能系统对dg出力的平抑效果和减少储能系统成本支出两个方面，研究储能装置容量与风力发电、光伏两种dg的配比方案。
[0109]
假设dg出力全部被电网消纳，无弃风弃光现象，对于第i个场景内储能装置容量配置的目标函数如公式(3)所示。
[0110]
min std(p
res_i
+p
ess_i
)+γc
ess_i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，p
res_i
为场景i中可再生能源出力矩阵；p
ess_i
为场景i中储能装置出力矩阵；c
ess_i
为场景i中储能装置安装容量；γ为储能装置安装成本系数。
[0111]
储能装置运行过程中应满足输出功率限制约束和荷电状态约束条件，如公式(4)所示。
[0112][0113]
其中，p
ess
为储能装置输出功率；p
max
为储能装置充放电功率极限；soc为储能装置荷电状态。
[0114]
结合通过k
‑
means++聚类得到的各个场景的权重数据，储能装置的最终安装容量如公式(5)所示。
[0115][0116]
其中，c
ess_i
为场景i中储能装置安装容量；w
i
为场景i所占权重；n为场景个数。
[0117]
6、对平衡优化器算法的改进：
[0118]
平衡优化器算法是受到物理学中溶液质量平衡方程的启发而提出的一种新型智能算法。溶液质量变化量由流入溶液质量，流出溶液质量和溶液内新产生质量三部分组成，可以用一阶微分方程(6)表示。
[0119][0120]
其中，v为溶液体积；c为溶液浓度；为溶液浓度对时间的微分；q为溶液流入或者流出的体积；c
eq
为平衡状态下溶液的浓度；g为溶液质量生成速率。
[0121]
令带入公式(6)中，变形后对等式两侧取积分可得：
[0122][0123]
其中，v为溶液体积；c为溶液浓度；c
eq
为平衡状态下溶液的浓度；g为溶液质量生成速率；t0和c0分别为初始时间和初始溶液浓度；dc为对溶液浓度的微分；dt为对时间的微分。
[0124]
为简化算法表达形式，定义f为与时间有关的衰减变量，如公式(8)所示。
[0125]
generational distance,igd)用来评价算法的收敛性能和分布性能，igd值越小表示算法的综合性能越好。超体积指标(hypervolume,hv)表示算法获得的非支配解集与参照点围成的目标空间中区域的体积，用来评价算法的收敛性能和分布性能，hv值越大表示算法的综合性能越好。间距指标(spacing,sp)表示算法获得的非支配解集中每个解到其他解的最小距离的标准差，sp值越小表示非支配解集分布越均匀。多目标平衡优化器算法参数设置为a1＝2.5，a2＝1，gp＝0.5。为保证算法对比公平性，各个算法中最大迭代次数、种群规模、pareto解集存档数量均设置为100。每种算法进行5次优化后四种评价指标的平均值和标准差见表2
‑
表7。
[0145]
表2不同算法在测试函数uf1中指标对比表
[0146][0147]
表3不同算法在测试函数uf2中指标对比表
[0148][0149]
表4不同算法在测试函数uf3中指标对比表
[0150][0151]
表5不同算法在测试函数uf4中指标对比表
[0152][0153]
表6不同算法在测试函数uf5中指标对比表
[0154][0155]
表7不同算法在测试函数uf6中指标对比表
[0156][0157]
从表1～表7中数据可以看出，多目标平衡优化器算法在测试函数uf1、uf3和uf5中四种指标的平均值和标准差均为最佳；在测试函数uf4和uf6中分别只有sp_avg和hv_std一项指标不是最佳，但与其他四种算法相比仍具有优势；在测试函数uf2中，hv_std、igd_std和sp_avg虽然不是七种算法中的最佳数据，但与最佳数据差别极小，排名均为第二或者第三。综上所述，没有一种算法在六种测试函数中所有评价指标中均排名第一。多目标平衡优化器算法在一定程度上保留了平衡优化器算法在单目标优化算法上的优势，与其他多目标优化算法相比通过平衡优化器算法得到的帕累托解集在收敛性和分布性上优势明显。
[0158]
8、ieee
‑
33系统微电网定容选址仿真：
[0159]
根据步骤2中的多场景缩减模型，以实际可再生能源出力数据计算风光储三者的最佳容量配置比例为1：0.34：0.33，k
‑
means++方法聚类得到缩减后的20个典型日场景，各个场景所占比重如图3所示。
[0160]
假设有4个微电网并网，种群个体中前四列表示微电网并网位置采用整数编码，后四列表示微电网并网容量，规划中忽略弃风弃光现象，微电网内风光储配置比例按照最佳比例进行配置。考虑风光储设备使用寿命和投资成本，取微电网年运行成本为12000rmb/kw，网损成本0.7rmb/kw
·
h。
[0161]
对得到的帕累托解集中各目标函数对应的满意度用模糊隶属度表示，如图4所示。
[0162]
由图4可知，最佳配置方案是a点，即在13、18、30和31节点分别并入500kw、1195.6kw、809.6kw和1623.2kw的风光储系统。根据三者最佳容量配置比例和设备型号容量限制，最终配置方案为如表8所示。
[0163]
表8多目标平衡优化器算法优化结果
[0164][0165]
此时cvsi＝0.0267，年运行成本为51632万元，全年网损共46272.8kw
·
h。
[0166]
在种群规模与最大迭代次数与多目标平衡优化器算法相同前提下，通过多目标灰
狼计算得到的最优配置方案如表9所示。
[0167]
表9多目标灰狼算法优化结果
[0168][0169]
此时cvsi＝0.0268，年运行成本为54037万元，全年网损共52384.8kw
·
h。
[0170]
对表8和表9数据进行分析可以发现，两种算法在并网节点的选择上几乎一致，但多目标灰狼算法由于后期局部寻优能力较弱在13节点和17节点的配置方案一致。因为考虑dg全年出力波动性后，两种配置方案在静态电压稳定性指标已经接近稳定极限区别不大，但在运行成本方面多目标平衡优化器算法优化结果具有明显优势，这说明通过多目标平衡优化器算法得到的帕累托前沿解集覆盖性更好，适合于微电网定容选址规划中。