基于飞蛾扑火算法的分布式储能选址定容优化方法研究

0引言

在"双碳”目标驱动下,电力系统正加速向高比例可再生能源渗透与高灵活性调节能力转型。配电网作为分布式能源消纳与用户侧互动的重要载体,其运行模式面临深刻变革。储能凭借快速响应与能量时移能力,成为提升配电网灵活性、改善电能质量、降低网损的关键技术支撑。然而,储能接入的效益与其选址和容量配置密切相关。若规划不当,可能加剧节点电压波动、增加网损,甚至引发设备过载问题,导致经济性下降^[1]。因此,如何科学制定储能选址定容方案,实现技术经济性多目标协同优化,是当前配电网规划领域亟待解决的核心问题。

近年来,国内外学者围绕储能规划开展了广泛研究。传统方法多基于启发式规则或单一目标优化,难以兼顾电压稳定性、网损最小化与经济性等多元约束。随着智能算法的发展,粒子群优化(PSO)、遗传算法(GA)等被引入储能规划领域,但其易陷入局部最优、收敛速度慢等问题仍制约着大规模配电网的应用^[2]。飞蛾扑火算法(Moth—FlameOptimization, MFO)作为一种新型群智能算法,具有结构简单、全局搜索能力强等优势,但其在解决高维、多 目标优化问题时存在收敛精度不足的缺陷^[3]。此外,现有研究较少综合考虑储能接入对配电网动态潮流与长期运行成本的影响,导致规划方案与实际需求存在偏差。

针对上述问题,本文提出一种基于改进飞蛾扑火算法的分布式储能选址定容优化方法。首先,深入剖析储能接入对配电网电压分布与网损的作用机理,构建以综合成本最低、电压偏差最小及网损最优为目标的规划模型;其次,引入动态惯性权重与自适应变异策略改进MFO算法,增强其全局寻优能力与收敛速度;最后,通过IEEE 33节点系统进行多场景仿真,验证所提方法的有效性与经济性。本文的研究成果可为高比例可再生能源并网背景下配电网储能规划提供理论支撑与工程借鉴。

1储能接入对配电网的影响分析

1.1储能接入对配电网电压分布的影响

储能主要用于平衡电力供需,特别是在可再生能源波动性较大的情况下,可以促进可再生能源消纳。当这些能源发电不稳定时,储能可以储存多余的电能,然后在需要的时候释放,这样可以平滑输出,减少对电网的冲击。集中式储能在发电侧大规模建设,比如配套大型风电场或光伏电站,而分布式储能则分散布置于用户侧,属于配电网的组成部分。分布式储能的优点在于减少输电损耗,因为电能不需要长距离传输,就近储存和使用,效率更高。同时,分布式储能可以提高局部电网的可靠性,比如在发生故障时,分布式储能可以作为备用电源,维持关键负荷的供电。

分布式储能并网会改变配电网的原有潮流分布,且分布式储能配套的大量大功率电力电子器件并网,可能导致配电网电能质量降低,其中主要包括电压偏差、电压波动、闪变及谐波等。

1.1.1储能对接入点电压的影响

在分布式储能接入配电网之后,其会对接入点的电压产生直接影响。在储能接入点将系统进行简化,得到图1。

当分布式储能接入比例不高时,busI的电压可视为定值,当储能的输出功率发生改变时,线路电流亦产生相应改变,设电流变化值为ΔI,由图1分析可得接入点busⅡ的电压变化量Δu:

式中:zl为线路阻抗;R1、x1分别为线路的电阻和电抗;ΔIp与ΔIq分别为ΔI的实部、虚部;φ为线路阻抗角;θ为储能功率因数角。

1.1.2储能对配电网电压分布的影响

配电网一般为单电源辐射型或开环运行的环网,只考虑其线路电阻、电抗,将电网视为无穷大电源,而负荷采用恒功率模型处理,在储能接入配电网前配电系统如图2所示。

Rn、xn分别为第n段线路的电阻、电抗,各节点处负荷大小为pn十jQn。

忽略损耗,第m和第m-1节点电压差Δum如下式所示:

式中:pi、Qi分别为第i号节点负荷的有功、无功功率;rm、xm分别为第m段线路的单位电阻、电抗;lm为第m段线路的长度;um-1表示第m-1个节点的电压。

由于每个节点的负荷功率都大于等于零,则电压差Δum恒小于零。因此,在没有接入储能的情况下,稳态下电压也是沿线路逐渐降低的。

当分布式储能接入后,潮流流向可能被改变,储能出力较多时,潮流可能反向,电压降低的方向也会相应反向,这会导致负荷点电压高于正常值。

配电网接入储能系统后负荷分布如图3所示。

由前述可得在辐射状配电网中,流经馈线线路的电能会在线路上产生损耗,引起压降,在未接入储能时末端电压是最低的,整个系统由线路损耗产生的电压降落ΔuΣ1^[4]如下:

式中:pn、Qn分别为n号节点负荷的有功、无功功率,n ∈(0,M),M为配电网节点总数;un表示第n个节点的电压。

储能系统流入电网的电流设为IESS,则M节点至N节点的馈线电流不变,0节点至M节点的馈线电流为In-IESS,In为未接入储能时0节点至M节点的馈线电流,此时全网的总电压降落ΔuΣ2[4]如下:

式中:zn为n号节点和n-1号节点之间的线路阻抗。

接入储能后相邻节点的电压满足式(5):

式中:udiag为节点电压组成的对角矩阵;Rn'、xn'分别为n号节点的电阻、电抗;Ps和Qs分别为各个节点的有功、无功功率列向量;PESS和QESS分别为各个节点的储能系统有功、无功功率。

由此可知,配电网线路的电压损耗、电压分布与储能接入位置和容量大小密切相关^[4]。

1.2储能接入对配电网网损的影响

为研究储能系统接入对线路网损的影响,可忽略馈线上的电压降落,认为全馈线各处电压均为U,分布式储能接入配电网前后的模型分别如图4及图5所示^[5]。

储能系统的输出功率为PDG+jQDG,M为线路长度,l为储能至电源的距离。

当储能系统未接入时,配电网线路有功损耗ΔP如下:

式中:Pl+jQl为用户负荷功率;r、x分别为线路单位电阻、电抗;u为节点电压。

当储能系统接入后,损耗可分为两部分,一部分是电源到储能系统的线损ΔP1,一部分是储能到负荷的线损ΔP2,则接入储能系统后的馈线网损ΔPES如下:

式中:PES、QES分别为储能输出有功、无功功率。

则储能系统接入前后线路有功损耗ΔP/变化如式(8)所示:

储能系统接入配电网前后损耗的变化主要由储能系统的输出功率、接入位置决定。

2配电网储能规划模型及优化方法

2.1目标函数及约束条件

2.1.1目标函数

f1、f2、f3分别表示电压偏移量、储能设备投资成本、线路损耗,计算公式如下:

式中:vm为节点m的电压模值;vm,exp为节点m的期望电压值;N为配电网节点数;chCN为第h个所投入的储能装置的年平均成本;Ik和Rk分别为第k条支路的电流和电阻。

考虑多目标优化时总目标函数如下:

式中:α、β、X为 目标函数1、2、3的权重系数 ,满足α+β+X=1。

2.1.2约束条件

1)功率平衡约束:

式中:Pl,n为n节点的负荷功率;Pess,m为储能m的出力;Pg,q为发电机组q的出力;Nbus为总节点数;Ness为接入分布式储能的节点数;Ng为接入发电机组的节点总数。

2)节点电压约束:

式中:vmin、vmax分别为系统节点电压下限和上限;vn为第n个节点的电压。

3)储能接入约束:

式中:Pess,n为第n个储能装置的输出功率;P^miness,n、P^maxess,n分别为其输出功率下限和上限。

2.2 多目标优化求解方法

飞蛾扑火算法(Moth—Flameoptimization,MFO)源于仿生学,模拟了飞蛾在光源附近受吸引而调整飞行的行为。该算法通过调节飞蛾个体的位置,使其根据光源的亮度(即优化目标函数值)来优化解的搜索过程^[6]。飞蛾被视为潜在的解,光源则代表当前最优解的位置。算法结合全局和局部搜索策略,适用于工程设计、电力系统规划调度和图像处理等领域的多种优化问题。其优势在于易于实现和高效的全局搜索能力,能够有效提升解决方案的质量和搜索效率,从而成为解决复杂优化问题的有力工具。

飞蛾扑火算法求解流程如图6所示。

首先,输入配电网原始参数,包括支路阻抗、原始负荷等;其次,随机生成初始飞蛾种群,包括储能装置的接入位置和接入容量等,该初始飞蛾种群是在满足上述约束条件下随机生成;然后,计算节点导纳矩阵和潮流分布,并计算目标函数值,包括电压偏移量、线路损耗以及投资成本;最后,计算该代种群的适应度函数,评估该种群的适应度,若为最优解,则输出结果,反之则更新飞蛾的位置信息进行迭代,直到找到最优解或迭代次数达到上限。

3算例分析

本文采用IEEE 33节点系统作为分布式储能选址定容的仿真测试平台,算法程序采用MATLAB编制,其具体参数设置如下:迭代次数为100,种群数量为80,交叉概率为0.7,突变概率为0.3。

以本文第2节建立的模型为基础,采用改进飞蛾扑火算法来处理分布式储能选址定容的问题,最终选入的分布式储能接入节点为1、19、20及23,在IEEE 33系统中的仿真结果如图7所示,其表明在分布式储能接入之后系统在电能质量上有明显改善。

同时,图8说明其在多 目标下寻找到了最优解。对于多 目标的优化,其最大特点就是没有办法和解决单目标问题一样找到唯一的最优解。在多目标优化过程中,由于多个目标之间相互冲突与制约,算法最终将得到一组权衡各个目标后的解集来表征多目标优化处理结果^[1]。

此外,作为对比还加入了 目前已经应用于电力系统中的粒子群算法(PSO)和遗传算法(GA)的数据处理结果,主要数据对比如表1所示。

如表1所示,通过对比可以发现,改进MFO相对于其他两种传统算法有着明显的优势,特别是在运行时间及功率损耗上,改进MFO相对于PSO和GA优势显著,虽然在电压偏差上改进MFO表现一般,在节点电压合格率上仅有微弱优势,但综合来看改进MFO仍有着很大的优势。综上所述,从分布式储能选址定容的整体情况来看,改进MFO的表现更好,并且具有更大的潜力。

4 结论

本文提出了基于改进飞蛾扑火算法(MFO)的储能选址定容优化方法,通过动态惯性权重与自适应变异策略提升算法收敛性能,构建电压—网损—经济性多目标优化模型。仿真表明:改进MFO算法较传统粒子群算法(P5O)和遗传算法(GA)优势显著,迭代次数分别减少28%和41%,运行时间缩短31.5%和49.5%;优化方案使IEEE 33节点系统网损较P5O降低20.1%、较GA降低24.9%,储能全生命周期成本分别下降15.2%和22.8%,验证了储能有功/无功协同调控对改善电压分布和降低损耗的双重效益。研究成果为高比例新能源配电网规划提供了兼顾技术性和经济性的决策工具,可扩展至多类型灵活性资源协同优化,助力新型电力系统建设。后续将结合时序不确定性建模深化动态优化研究。

[参考文献]

[1]李伟琨,阙波,王万良,等.基于多目标飞蛾算法的电力系统无功优化研究 [J].计算机科学,2017,44(增刊2):503—509.

[2]刘亚男,李伟龙,张晓晴,等.基于飞蛾扑火算法的电力系统无功优化控制[J].电气开关,2024,62(5):42—44.

[3]王子琪,陈金富,张国芳,等.基于飞蛾扑火优化算法的电力系统最优潮流计算 [J]. 电网技术,2017,41 (11):3641—3647.

[4]贾兆昊.配电网考虑四象限功率运行策略的储能选址定容研究[D].济南:山东大学,2020.

[5]麻杰.含分布式电源配电网的电压无功综合控制研究[D].太原:太原理工大学,2017.

[6]王智慧.飞蛾扑火优化算法改进及应用[D].兰州:甘肃农业大学,2024.

《机电信息》2025年第14期第4篇