基于改進(jìn)蝴蝶算法的變電站分布式電源容量優(yōu)化配置

楊 陽,孫 杰,王 慧,盧小鐘,孫國平

(蘇州電力設(shè)計研究院有限公司,江蘇 蘇州 215000)

0 引言

當(dāng)前,中國已經(jīng)全面確立了2030年前碳達(dá)峰、2060年前碳中和的“雙碳”目標(biāo)。其中,能源行業(yè)是實現(xiàn)綠色發(fā)展的出發(fā)點,電力行業(yè)是實現(xiàn)低碳減排戰(zhàn)略的著力點[1-2]。作為碳達(dá)峰、碳中和的重要實現(xiàn)途徑,新型電力系統(tǒng)建設(shè)上升為國家戰(zhàn)略[3]。新型電力系統(tǒng)的構(gòu)建深刻改變了傳統(tǒng)電力系統(tǒng)的電源結(jié)構(gòu)、電網(wǎng)形態(tài)、業(yè)務(wù)模式和技術(shù)基礎(chǔ)[4-5],以風(fēng)光為代表的新能源發(fā)電占比逐步提升,海量風(fēng)、光、儲等小型分布式設(shè)備接入電網(wǎng)。變電站作為電力系統(tǒng)的核心樞紐,在電力輸配和供應(yīng)方面發(fā)揮著至關(guān)重要的作用[6]。以變電站為主體,接入風(fēng)、光、儲等小型分布式新能源是構(gòu)建新型電力系統(tǒng)的良好選擇。

分布式能源方式相較于集中式能源方式,具有以下3點優(yōu)勢：①分布式能源可以靈活地進(jìn)行能源的優(yōu)化配置,以滿足用戶的多類型能源需求,同時能夠利用余熱來制熱、制冷,實現(xiàn)能源的梯級利用,提高能源的利用率;②分布式能源更加靠近用戶負(fù)荷中心,降低了網(wǎng)絡(luò)輸配損耗,其相較于集中式,分布式能源系統(tǒng)能夠減少大型電網(wǎng)和大型管網(wǎng)的建設(shè),節(jié)約了大量的集中供應(yīng)成本,實現(xiàn)良好的經(jīng)濟(jì)效益;③無需遠(yuǎn)距離傳輸環(huán)節(jié),系統(tǒng)可靠性和安全性得到了提升[7-8]。變電站是電力系統(tǒng)的關(guān)鍵節(jié)點,承擔(dān)著電能的分配、優(yōu)化控制及測量監(jiān)測的作用,是分布式電源接入的有利落點。考慮變電站分布廣泛及靠近用戶負(fù)荷中心的特點,將分布式電源接入與變電站相結(jié)合,且經(jīng)濟(jì)投建分布式電源也是新型電力系統(tǒng)建設(shè)的主要內(nèi)容之一[9]。

本文針對新型電力系統(tǒng)環(huán)境下,變電站中分布式電源容量的優(yōu)化配置問題,以蘇州市為例,首先分析了該市變電站的建設(shè)情況及分布式新能源發(fā)電的可行性,其次采用改進(jìn)蝴蝶算法對變電站中分布式電源的容量優(yōu)化配置進(jìn)行分析。

1 變電站分布式電源配置分析

1.1 變電站建設(shè)情況

蘇州市總面積約8000 km2,建成區(qū)域面積約500 km2,人口近1200萬人,蘇州市2020年平均用電量近1500億kWh,平均用電負(fù)荷密度50～60 MW/km2。由此可知,蘇州市是一個高人口密度、高用電負(fù)荷密度、高用電量的城市,對電網(wǎng)的供電可靠性要求高。因此,為了保證城市生活的供電可靠性,蘇州市電網(wǎng)形成了以特高壓交直流混聯(lián)接入作為支撐、500 kV為骨干網(wǎng)架、220 kV電網(wǎng)分區(qū)互濟(jì)運行、110 kV及以下智能配電網(wǎng)協(xié)調(diào)發(fā)展的網(wǎng)架結(jié)構(gòu)。

截至2020年,該市已投運500 kV變電站11座,變電站站級容量3000～5000 MVA。220 kV電網(wǎng)等級分為10個供電分區(qū),已投運變電站100座左右,變電容量約45 000 MVA。110 kV變電站已投運近350座,建設(shè)變電容量約35 000 MVA。35 kV變電站已投運近80座,建設(shè)變電容量近25 000 MVA。

在蘇州市4個電壓等級的變電站中,110 kV變電站的建設(shè)數(shù)量最多。同時,由于城市高人口密度、高用電負(fù)荷密度的特點,變電站的供電半徑相應(yīng)較小,為了滿足居民生產(chǎn)生活的需求,電網(wǎng)建設(shè)將廣泛分布于蘇州市各個地區(qū),分散程度廣。同時,從投建安全性的角度考慮,110 kV變電站需距離用戶15 m左右,220 kV變電站需距離用戶30 m左右,500 kV變電站需距離用戶50 m左右。因此,110 kV變電站要距離用戶負(fù)荷中心更近,能夠根據(jù)用戶不同的能源類型需求及時提供相應(yīng)的服務(wù)。并且,按照通用設(shè)計規(guī)則,110 kV變電站占地約1000 m2,相較于35 kV變電站面積增大60%左右,建設(shè)容量提高1.5倍,能夠更多地搭配不同類型的新能源,更好地為用戶提供高質(zhì)量的服務(wù)。因此,本文以110 kV變電站為落點實現(xiàn)分布式電源接入。

1.2 新能源發(fā)電可行性分析

目前,分布式新能源主要考慮風(fēng)電、光伏。其中,影響風(fēng)電出力的主要因素是風(fēng)速,要保證風(fēng)速大于風(fēng)機(jī)的切入風(fēng)速,小于切出風(fēng)速;影響光伏出力的主要因素為太陽輻射強(qiáng)度。

1.2.1 風(fēng)力發(fā)電可行性分析

經(jīng)過調(diào)研發(fā)現(xiàn),蘇州市位于北亞熱帶季風(fēng)海洋性氣候區(qū),溫暖潮濕多雨,季風(fēng)明顯,冬夏季長,春秋季短。據(jù)資料分析,該市全年最多風(fēng)向是東南風(fēng),最少風(fēng)向是西北風(fēng)。調(diào)研該市近3個月風(fēng)力相關(guān)數(shù)據(jù)發(fā)現(xiàn),3～4級風(fēng)力占據(jù)3個月總天數(shù)的87%,1～2級風(fēng)力占13%。分析該地風(fēng)速與風(fēng)功率密度數(shù)據(jù)可知,該地風(fēng)速年平均值為6.0 m/s,風(fēng)能年有效小時數(shù)為6300 h,年平均風(fēng)功率密度為250 W/m2。以美國Bergey Windpower公司的Bergey Excel型風(fēng)機(jī)為例[10],考慮該市本地風(fēng)力相關(guān)資源數(shù)據(jù),該市具備風(fēng)能開發(fā)的潛力。

經(jīng)濟(jì)效益方面,目前風(fēng)電機(jī)組投建成本為0.58元/kWh,項目投建周期一般為25年。期間風(fēng)電機(jī)組每千瓦時產(chǎn)生的運維成本為投建成本的5%。由此可見,風(fēng)電機(jī)組總的建設(shè)成本已經(jīng)可以和燃煤電廠競爭,并且其相較于燃煤電廠在后期更具備一定的收益價值。因此,從經(jīng)濟(jì)建設(shè)上分析,該市發(fā)展風(fēng)力發(fā)電是可行的。

從政策上分析,國家能源局發(fā)布的《關(guān)于報送“十四五電力源網(wǎng)荷儲一體化和多能互補工作方案的通知”》中鼓勵“風(fēng)光儲”一體化發(fā)展,擴(kuò)展新能源電力打捆規(guī)模。當(dāng)?shù)匕l(fā)布《能源發(fā)展“十四五”規(guī)劃》,要求加強(qiáng)太陽能、風(fēng)能的利用,促進(jìn)可再生能源的發(fā)展。由此從政策上進(jìn)行分析,該市發(fā)展風(fēng)力發(fā)電是可行的。

1.2.2 太陽能發(fā)電可行性分析

分析該地全年太陽能資源數(shù)據(jù)可知,該地太陽能資源年總輻射量為4805.13 MJ/m2,日均太陽能輻射量為15.48 MJ/m2。依據(jù)資料顯示,該地夏季每日太陽輻射量最大,為18.84 MJ/m2;冬季太陽輻射量最小,為8.25 MJ/m2。從太陽能的資源分布上來考慮,該市具備太陽能開發(fā)的潛力。

同時,由于該地屬于全國太陽能資源劃分區(qū)域中的第三類資源區(qū),該地光伏機(jī)組的收入為0.88元/kWh。對于正常情況下,光伏機(jī)組的收入一般高于當(dāng)?shù)氐娜济簷C(jī)組收入,當(dāng)自發(fā)自用的比例越高,其所獲得的收益也就越高。因此,從經(jīng)濟(jì)上分析,該市光伏發(fā)電是可行的。

從政策可行性上分析,國家發(fā)改委發(fā)布的[2013]24號《國務(wù)院關(guān)于促進(jìn)光伏產(chǎn)業(yè)健康發(fā)展的若干意見》和當(dāng)?shù)匕l(fā)布的《關(guān)于加快推進(jìn)全市光伏發(fā)電開發(fā)利用的工作意見(試行)》文件都強(qiáng)烈推進(jìn)光伏產(chǎn)業(yè)發(fā)展,以促進(jìn)綠色低碳化發(fā)展。因此,對于太陽能發(fā)電從政策上分析是可行的。

1.3 儲能配置必要性

隨著新能源的高比例接入,對電網(wǎng)的調(diào)峰能力提出了更高要求。由于在電力系統(tǒng)中,發(fā)電、供電實時完成,電網(wǎng)運行必須滿足電力平衡約束,保持發(fā)、供電實時平衡,而新能源發(fā)電具有隨機(jī)性、波動性的特點,將導(dǎo)致發(fā)電波動大幅增加,增加了維持電力平衡的難度。同時,新能源高比例接入后,增大了電力外送需求,對網(wǎng)架輸送能力提出了更高要求,可能會導(dǎo)致電網(wǎng)電壓穩(wěn)定性降低、線路傳輸功率超出熱穩(wěn)極限、系統(tǒng)轉(zhuǎn)動慣量下降等問題,增加了電網(wǎng)安全運行風(fēng)險。因此,需要通過配置儲能來提高電網(wǎng)的調(diào)峰能力,加強(qiáng)電網(wǎng)的安全性。

其次,由于電網(wǎng)消納能力不足等原因,也會帶來棄風(fēng)、棄光現(xiàn)象,配置儲能能夠提高新能源的消納能力,實現(xiàn)新能源的就地消納。同時,通過低谷充電、高峰放電,儲能能夠?qū)崿F(xiàn)削峰填谷的作用,提升能源的利用率,防止新能源過剩。

最后,對于變電站,配置儲能可以提高用戶的供電可靠性,減少用戶容量電費,并進(jìn)行峰谷套利。同時,變電站還可以搭配電動汽車充電站,開展電動汽車充電、租賃服務(wù),擴(kuò)大充電服務(wù)市場,提高用戶黏性,保證變電站的合理收益

基于上述分析,給新能源配置儲能是必要的。

2 分布式電源優(yōu)化配置模型

通過前文分析,該市具備發(fā)展風(fēng)電、光伏的潛在資源及發(fā)展可行性。因此,本文以風(fēng)電、光伏、儲能為基礎(chǔ)研究分布式電源容量的優(yōu)化配置問題。

2.1 分布式電源模型

2.1.1 風(fēng)電機(jī)組設(shè)備模型

風(fēng)電機(jī)組的輸出[11]可由式(1)表示：

(1)

式中：v1為設(shè)備的切入風(fēng)速;v3為設(shè)備的切出風(fēng)速;v2為設(shè)備的額定風(fēng)速;Pe為風(fēng)力發(fā)電機(jī)額定功率。當(dāng)風(fēng)速位于切入風(fēng)速與切出風(fēng)速之間時,其輸出功率一般可以近似表示為線性函數(shù)關(guān)系：

η(v)=Pe(v-v1)/(v2-v1)

(2)

2.1.2 光伏設(shè)備模型

光伏設(shè)備的輸出[12]為

(3)

式中：PPV為光伏設(shè)備的輸出功率;GSTC為標(biāo)準(zhǔn)工況下的太陽輻射強(qiáng)度,一般取值為1 kW/m2;TSTC為標(biāo)準(zhǔn)工況下的溫度,一般取值為25 ℃[13];Gc為實際的太陽輻射強(qiáng)度;k為功率溫度系數(shù);PSTC為設(shè)備的額定功率;Tc為設(shè)備的工作溫度[14]。

由式(4)可得Tc：

Tc=Ta+αGc

(4)

式中：Ta為環(huán)境溫度;α為比例系數(shù)。

由式(5)可得α：

α=f(v)=c1+c2ec3v

(5)

式中：c1、c2、c3為常系數(shù)。

2.1.3 儲能設(shè)備模型

本文采用蓄電池組作為儲能設(shè)備,其實際可用容量函數(shù)為

Ebat=ESTC[1+δB(Tbat-Tbat STC)]

(6)

式中：Ebat為蓄電池實際可用容量;ESTC為標(biāo)準(zhǔn)狀況下蓄電池的額定容量;Tbat為工作點蓄電池溫度,即為環(huán)境溫度Ta;標(biāo)準(zhǔn)狀況下溫度Tbat STC為25 ℃;δB為容量溫度系數(shù),通常情況下為0.6%。

2.2 目標(biāo)函數(shù)

本文通過研究分布式電源規(guī)劃容量,以求分布式電源接入更加經(jīng)濟(jì)。因此,本文的目標(biāo)函數(shù)為總成本,主要分為建設(shè)投資費用、運行維護(hù)費用、置換費用、購電費用4部分?？偝杀灸Ｐ兔枋鋈缦拢?/p>

(7)

式中：N為電源的類型數(shù)目;CCPi為第i種電源的投資費用;COMi為第i種電源的運維費用;COLi為第i種電源的置換費用;CBUY為總體向電網(wǎng)購電費用。

2.2.1 設(shè)備建設(shè)投資費用

本文中,設(shè)備建設(shè)投資費用的計算如式(8)所示：

CCP=UPr(1+r)L/((1+r)L-1)

(8)

式中：U為單位容量電源投資成本;P為電源投建容量;r為資金貼現(xiàn)率;L為電源建設(shè)壽命。

2.2.2 運行維護(hù)費用

分布式電源的運維費用正比于容量。

COM=MP

(9)

式中：M為電源單位容量的運維費用。

2.2.3 置換費用

計算分布式電源的置換費用時需要考慮其設(shè)備殘值,其置換費用計算為

COM=DP·f·SFF(r,L′)-CWS·SFF(r,L)

(10)

SFF(r,L)=r/((1+r)L-1)

(11)

(12)

(13)

(14)

式中：D為電源單位容量折舊成本;f為折算系數(shù);CRF(r,L)為資金回收系數(shù);INT為取整函數(shù);LWR為項目周期內(nèi)風(fēng)機(jī)壽命與置換次數(shù)乘積;L′為電源使用壽命;CWS為項目周期結(jié)束時電源設(shè)備殘值;SFF為償債基金因子。

2.2.4 購電費用

當(dāng)分布式電源的出力不能滿足負(fù)荷需求時,需要大電網(wǎng)出力以彌補缺額,視為分布式電源總體向大電網(wǎng)購買此部分電量。因此,該部分費用表示為

CBUY=λ∑E(t)

(15)

式中：λ為購電單價,取0.4元/kWh;E(t)為t時刻向大電網(wǎng)購買電量。

2.3 約束條件

a. 出力約束

電源的出力約束為

P≤Pmax

(16)

b.蓄電池充放電約束

為保證蓄電池的安全運行,保證電池的使用壽命,電池的荷電狀態(tài)[15](state of charge, SOC)要在規(guī)定范圍內(nèi)。同時,電池的充放電需要滿足每小時的充放電容量不能超過其容量的20%[16],約束如下：

SOC_min≤SOC≤SOC_max

(17)

|PB(t)-PB(t-1)|≤0.2PB/Δt

(18)

式中：SOC_min、SOC_max為電池荷電狀態(tài)的最小值和最大值;PB為電池容量;Δt為單位時間,取1 h。

c.功率平衡約束

為保證負(fù)荷供電可靠性,風(fēng)機(jī)、光伏、儲能三者無法提供負(fù)荷供電時,所缺部分需要由電網(wǎng)提供,因此負(fù)荷需要保證實時平衡。同時,考慮到系統(tǒng)中負(fù)荷可能會逐年增加,因此配置必須能保證為每年逐漸增加的負(fù)荷供電。因此,按規(guī)劃20年來考慮,假定每年負(fù)荷增長率5%,到規(guī)劃年末時期負(fù)荷將達(dá)到最大,則功率平衡為

PWT(t)+PPV(t)+PB_char(t)+Pp(t)=

1.0520·Pload(t)+PB_disc(t)

(19)

式中：PWT為風(fēng)機(jī)設(shè)備的輸出功率;PB_char、PB_disc分別為蓄電池放、充電功率;Pload為負(fù)荷功率;Pp為電網(wǎng)提供的功率。

d.占地面積約束

實際安裝時,土地資源有限,設(shè)備安裝將受此影響,因此還有占地面積的約束。風(fēng)機(jī)布置時,一般要求在盛行風(fēng)向上機(jī)組間隔6～10倍的風(fēng)輪直徑,在垂直于盛行風(fēng)向上機(jī)組間隔3～5倍風(fēng)輪直徑[17]。假定盛行風(fēng)向上間距取6倍風(fēng)輪直徑,垂直盛行風(fēng)向上間距取4倍風(fēng)輪直徑。因此,在占地面積為S,長為L,寬為W的區(qū)域內(nèi),該約束表示為

(20)

式中：NWT為該區(qū)域內(nèi)所能允許的風(fēng)機(jī)安裝數(shù)量;[x]為取整函數(shù),表示不超過x的最大整數(shù);d為風(fēng)機(jī)的風(fēng)輪直徑。

同理,光伏、儲能則為

(21)

(22)

式中：SPV、SB分別為光伏組件和儲能設(shè)備單件的占地面積;α為光伏設(shè)備遮陰系數(shù);NPV、NB分別為區(qū)域內(nèi)所能允許的光伏、儲能安裝數(shù)量。

3 改進(jìn)蝴蝶算法

3.1 蝴蝶算法

蝴蝶優(yōu)化算法(butterfly optimization algorithm, BOA)是由Arora等人受蝴蝶覓食和求偶行為提出的一種新的全局優(yōu)化算法[18],其分為全局搜索和局部開采2個階段,全局搜索階段為每當(dāng)蝴蝶在搜索空間中感受到來自最優(yōu)蝴蝶的香味時,會朝著最優(yōu)蝴蝶移動;當(dāng)蝴蝶無法感受到任何蝴蝶時,將無規(guī)律游走,即局部開采階段。

BOA算法中蝴蝶產(chǎn)生香味的數(shù)學(xué)公式為

f=cIa

(23)

式中：f為香味感知強(qiáng)度;c為蝴蝶感官因子,一般取0.01;I為刺激強(qiáng)度;a為基于模態(tài)的冪指數(shù),一般取[0,1]。

算法隨機(jī)初始化后,通過計算在各自位置產(chǎn)生的香味,然后開始進(jìn)行全局搜索或局部開采。全局搜索的位置更新如下：

(24)

在算法運行過程中,蝴蝶的全局搜索和局部開采以一定概率隨機(jī)發(fā)生,因此需要設(shè)定1個開關(guān)頻率P為0.8對2種模式進(jìn)行轉(zhuǎn)換,同時在每1次迭代過程中,需要產(chǎn)生一個[0,1]的隨機(jī)數(shù)與開關(guān)頻率進(jìn)行比較,以選擇全局搜索還是局部開采。局部開采更新公式為

(25)

式中：xj、xk為從解空間中隨機(jī)選取的第j只和第k只蝴蝶。

3.2 改進(jìn)蝴蝶算法

針對BOA中存在易陷入局部最優(yōu)值的缺陷,提出一種基于混沌映射和柯西變異的改進(jìn)BOA算法。首先基于Tent混沌映射對種群進(jìn)行初始化,使得種群在前期盡可能均勻分布在解空間內(nèi),然后引入自適應(yīng)權(quán)重系數(shù)對全局搜索和局部開采位置更新公式進(jìn)行改進(jìn),提高尋優(yōu)精度,最后針對全局最優(yōu)解采用柯西變異算子對其產(chǎn)生更大的擾動,以便于其跳出局部最優(yōu)值。

(26)

式中：k為種群數(shù);i為當(dāng)前迭代次數(shù);u為[0,1]的隨機(jī)數(shù)。

(27)

b.柯西變異算法具備較大的變異步長,使用柯西變異算子對當(dāng)前迭代中的最優(yōu)解進(jìn)行柯西變異,不僅可以提高種群的多樣性,還能使種群更加廣泛地分布于搜索空間中,從而到達(dá)跳出局部最優(yōu)值目標(biāo)。改進(jìn)如下：

xnewbest=xbest+xbest·cauchy(0,1)

(28)

式中：xnewbest為經(jīng)由柯西變異后獲得的新的最優(yōu)解;xbest為當(dāng)前全局最優(yōu)解;cauchy(0,1)為標(biāo)準(zhǔn)柯西分布函數(shù)。

c.本文在算法的群居搜索和局部開采階段共同引入自適應(yīng)權(quán)重系數(shù)來更新搜索公式,該系數(shù)能夠隨迭代次數(shù)而變化,同時利用3種個體的位置信息,控制當(dāng)前蝴蝶個體的移動方向和距離,從而提高算法尋優(yōu)精度。自適應(yīng)權(quán)重系數(shù)表達(dá)式如下：

(29)

式中：tmax為最大迭代次數(shù)。

基于自適應(yīng)權(quán)重系數(shù),改進(jìn)后全局搜索和局部開采位置更新公式為

(30)

綜上所述,改進(jìn)后的BOA算法流程見圖1。

圖1 改進(jìn)后BOA算法流程

4 案例分析

4.1 算例概況

本文為求解新型電力系統(tǒng)分布式電源容量的優(yōu)化配置問題,使用改進(jìn)BOA算法對風(fēng)機(jī)、光伏、儲能3種常用分布式電源的容量進(jìn)行多目標(biāo)優(yōu)化,將3種電源的容量作為變量構(gòu)建蝴蝶個體,以最小化成本函數(shù)作為適應(yīng)度函數(shù)進(jìn)行尋優(yōu),以風(fēng)機(jī)、光伏、儲能的模型計算所需的風(fēng)速、太陽輻射強(qiáng)度、溫度、負(fù)荷功率數(shù)據(jù)作為輸入,獲得分布式電源的最優(yōu)配置。因為成本的計算最少需要考慮1年的成本才更有意義,因此搜集1年中某變電站周邊逐小時的風(fēng)速、太陽輻射強(qiáng)度、溫度、負(fù)荷功率數(shù)據(jù)作為輸入,如圖2所示。

(a)風(fēng)速

在目標(biāo)函數(shù)計算中,成本計算的主要參數(shù)設(shè)置如表1所示。在風(fēng)機(jī)模型中,vci為2.5 m/s,vr為12 m/s,vco為18 m/s。在光伏模型中,功率溫度系數(shù)k為-0.0038。在成本函數(shù)計算中,資金貼現(xiàn)率r為0.12。在改進(jìn)BOA算法中,種群數(shù)量設(shè)定為30,轉(zhuǎn)換概率為0.8,最大迭代次數(shù)500次。容量的上限值為10倍的最大負(fù)荷功率,要求總的最優(yōu)容量不超過此限值。

表1 成本計算相關(guān)參數(shù)

4.2 結(jié)果分析

本文采用改進(jìn)BOA算法對新型電力系統(tǒng)環(huán)境下變電站中常見分布式電源的容量進(jìn)行尋優(yōu),所得最優(yōu)容量結(jié)果及對應(yīng)收益如表2所示。

表2 改進(jìn)BOA算法結(jié)果

由表2可知,在最優(yōu)容量構(gòu)成中,光伏的最優(yōu)容量在整體總的最優(yōu)容量中占比最大,風(fēng)機(jī)在總體容量中占比最小。在成本構(gòu)成中,占比最大的是光伏,最少的是風(fēng)機(jī),這是因為光伏建設(shè)投資和運維的單價最高,從而提高了所帶來的成本。因此,在新型電力系統(tǒng)分布式電源配置過程中,在滿足條件的前提下,可以考慮增大風(fēng)機(jī)的容量配置,減小光伏的容量配置,從而減小所帶來的成本。

4.3 改進(jìn)的BOA算法分析

為證明本文所提改進(jìn)BOA算法的有效性,利用改進(jìn)BOA算法和未改進(jìn)BOA算法分別進(jìn)行仿真,未改進(jìn)BOA算法參數(shù)設(shè)置為種群數(shù)量30,轉(zhuǎn)換概率為0.8,最大迭代次數(shù)為500次,結(jié)果如圖3所示。

圖3 改進(jìn)BOA算法與未改進(jìn)BOA算法對比

由圖3可知,改進(jìn)后的BOA算法收斂速度較快且沒有出現(xiàn)局部收斂情況,收斂后未出現(xiàn)較大偏差,證明了改進(jìn)BOA算法有效,相較于未改進(jìn)BOA算法有顯著提升。

5 結(jié)語

本文針對我國新型電力系統(tǒng)環(huán)境下變電站中分布式電源容量的優(yōu)化配置問題,首先建立了相關(guān)的分布式電源容量優(yōu)化配置模型,其次提出改進(jìn)BOA算法并將其應(yīng)用于優(yōu)化配置模型中,最后以某地變電站周邊以及自身建設(shè)相應(yīng)數(shù)據(jù)進(jìn)行試驗仿真分析,得到了最優(yōu)容量配置方案。采用BOA算法求解多目標(biāo)優(yōu)化問題,并在算法基礎(chǔ)上進(jìn)行3部分改進(jìn)創(chuàng)新。相較于傳統(tǒng)算法,改進(jìn)BOA算法更能跳出局部最優(yōu)值陷阱,尋優(yōu)更加精確。