[发明专利]一种基于混合蛙跳粒子群的DG优化配置应用方法

说明书

本发明涉及一种基于混合蛙跳粒子群的DG优化配置应用方法。首先在考虑传统分布式电源优化配置目标的基础上，将分布式电源的环境成本纳入评价指标，所建立的优化配置模型目标函数包括：分布式电源投资成本、运行成本、网损成本、购电成本和环境成本；然后利用基于混合蛙跳的改进粒子群算法对模型寻优，首次提出了在标准粒子群算法中融入人工蜂群的局部搜索策略以搜索新的解，再利用混合蛙跳算法更新种群内最差粒子，最后求解出满足DG并网的最优解条件。本发明有效地解决标准粒子群算法易陷入局部最优及收敛速度慢的缺点。

技术领域

本发明涉及分布式电源优化配置领域，具体涉及一种基于混合蛙跳粒子群的DG优化配置应用方法。

背景技术

随着社会经济的不断发展，国家对能源的需求越来越高，传统主要依靠化石能源发电的模式已经不能满足现有的环保要求。与传统化石能源相比，分布式电源具有节能环保、配置灵活、能源利用率高等特点，但大规模分布式电源接入配电网会对系统潮流、电能质量、供电可靠性产生影响。因此，合理地进行DG的选址与容量配置对配电网的稳定高效运行具有重要意义。

目前，国内学者对分布式电源在配电网中优化配置的研究还有待深入，大部分文献还是针对传统配电网中分布式电源的选址定容问题进行研究。目前优化寻优算法主要由遗传算法、禁忌搜索算法、粒子群算法以及在原始寻优算法基础上对单个算法进行改进或多种算法相组合进行算法性能的提升。在目标函数的选取上，多数学者选取经济性、可靠性和稳定性等方面对分布式电源接入后的优劣进行对比，解决分布式电源优化配置的问题。

以上介绍的分布式电源规划方法分别基于不同的考核指标，分别建立各自目标函数对分布式电源的接入进行优化，对配电网中分布式电源接入优化配置的后续研究有着很大的启发与借鉴作用。分布式电源的规模化接入与应用将对系统潮流分布、电压水平、短路容量等原有电气特性造成显著影响。而传统配电网在设计阶段并未考虑上述因素，因此难以满足低碳经济背景下高渗透率可再生能源发电接入与高效利用的要求。

粒子群算法(particle swarm optimization,PSO)是1995年James.Kennedy和Russell.Eberhart两位学者源于对鸟类觅食行为的研究和模仿提出的群智能进化计算方法，模仿鸟类在一定区域内随机搜寻食物，用于解决寻找最优解问题。因其简单易行，优化效率高，在电力系统无功和电压控制、最优潮流以及分布式电源优化配置等工程优化领域中取得了瞩目的成果。PSO种群的初始化一般采用随机法产生，算法前期搜索速度很快，但在搜索后期粒子不断向个体最优和群体最优两个“最优值”靠近，粒子渐趋同一化，甚至停滞，使寻优过程逐渐沦为“半盲目”状态，从而减缓了收敛速度，粒子极可能收敛于局部而不是全局最优，系统陷入局部最优很难跳出。鉴于此，本次发明在充分利用PSO算法优势的基础上将人工蜂群和混合蛙跳算法的思想融入粒子群算法，进一步提高算法的实用性，达到更理想的寻优效果。

发明内容

本发明的目的在于提供一种基于混合蛙跳粒子群的DG优化配置应用方法，该方法有效地解决标准粒子群算法易陷入局部最优及收敛速度慢的缺点。

为实现上述目的，本发明的技术方案是：一种基于混合蛙跳粒子群的DG优化配置应用方法，该方法具体如下，

S1、初始化：输入线路原始参数，在定义域内产生初始粒子，并设定粒子速度因子和惯性权重，以及分布式电源并网的功率因素；

S2、根据需求建立分布式电源优化配置模型，并对系统中分布式电源接入的总有功容量进行限制；

S3、基于混合蛙跳的改进粒子群算法执行优化配置计算：对每个粒子进行仿真，获得每个粒子接入配电网后包括系统节点电压以及线路损耗的运行参数，进而计算出包括分布式电源年投资成本、运行成本、购电成本、网损成本、环境成本，而后对不同方案的配置结果进行综合评估，通过基于混合蛙跳的改进粒子群算法对个体极值和全局极值进行记录和优化；