700字范文 > 【分布式能源的选址与定容】基于非支配排序多目标遗传优化算法求解分布式能源的选址与

【分布式能源的选址与定容】基于非支配排序多目标遗传优化算法求解分布式能源的选址与

时间：2018-06-28 17:59:21

👨‍🎓个人主页：研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
1.1功率损耗
编辑1.2电压质量
1.3 DG总容量
📚2 运行结果
🌈3 Matlab代码+数据
🎉4参考文献

💥1 概述

参考文献：

本文采用的是换一个算法解决，基于非支配排序多目标遗传优化算法求解分布式能源的选址与定容。

将可再生能源的分布式发电技术与大电网结合，是普遍公认的节能减排、绿色环保、安全可靠的电力系统运行方式，是电力发展的方向。分布式电源(DG)是指在一定的地域范围内，以分散方式布置在用户附近，与环境兼容的小型模块化发电单元，其发电功率为几千瓦到几十兆瓦。

分布式发电系统目前大多与配电网并网运行。ＤＧ入电网后，会对配电网的潮流分布产生影响，进而可以优化配电网络，缓解配电网输配用电压力。但是由于ＤＧ的投入和退出有很大的随机性，且输出功率的稳定性易受环境影响，因此，ＤＧ的不当接入会对电网产生诸多负面影响，如影响配电网的稳定性及电压质量，产生谐波等。这些影响的大小与ＤＧ的容量和接入位置有很大关，因此，ＤＧ的选址定容是在ＤＧ规划阶段中需要考虑的重点问题。

由于规划的优化目标较为单一，传统的规划方法无法很好地解决这一问题。近年来，考虑电压、电流质量和环境等因素的多目标优化迅速发展，但量纲的不统一，使得求解的复杂性大大提高，给多目标优化提出了新的挑战。本文在研究标准粒子群优化算法的基础上，针对配电网中ＤＧ的选址定容问题，建立了包括有功率损耗、电压质量及接入ＤＧ的总容量为目标函数的数学模型，运用模糊理论将多目标优化模型转化为基于模糊隶属度的单目标优化模型，并利用非支配排序多目标遗传优化算法进行优化。在IEEE14标准节点测试系统上进行仿真，提出了具有实用价值的ＤＧ配置方案。

1.1功率损耗

电能在从发电端传输到负载端的过程中,输电线路上产生的电能损耗不可址见，只议r地减小有功功率损耗,提理地配置配电网中的 DG,可以有效地减小有功功率损耗，提高发电利用率,节约能量。基于有功功率损耗的目标函数最优数学表达式为:

1.2电压质量

某些状况下,电力系统在遭受干扰后的几秒或几分钟内，系统中的某些母线电压可能经历大幅度﹑持续性降低,从而使得系统的完整性遭到破坏,功率不能正常地传送给用户。这种灾变称为系统电压不稳定﹐其灾难后果则是电压崩溃。通常用静态电压稳定指标来表示系统电压稳定性。配电网中电

压质量受配电系统的电压稳定性影呵。今乂术用能T网P电压基于期望电压的方差来描述电压质量。基于电压质量的目标函数最优数学表达式为:

1.3 DG总容量

在实际应用中不仅要考虑改善电网带来的经济效应,还需要考虑DG安装、运行和维护的成本费用问题。本文中不涉及经济模型,仅考虑接入配电网的DG总容量。基于DG总容量的目标函数最优数学表达式为:

📚2 运行结果

🌈3 Matlab代码+数据

部分代码：

%% 雅可比矩阵

J=[jpt jpv; jqt jqv];

X = (inv(J))*M;%偏差

%% 相位偏差

dTh = X(1:nbus-1);

%% 电压偏差

dV = X(nbus:end);

[e1,d1,n1]=eig(JR);%计算矩阵A的特征值和特征向量的函数是eig(A)[V,D,W] = eig(A)，[V,D,W] = eig(A)返回满矩阵 W，其列是对应的左特征向量，使得 W’A = DW’。

%diag(A),若A是一个矩阵，则diag函数的作用是产生提取矩阵的对角线；若a是一个向量，则diag函数的作用是产生一个对角线为a的矩阵

%% 目标2 电压稳定性

f2val=max(1./diag((d1)))*max(abs(dQ));%目标2，稳定性

del(2:nbus) = dTh + del(2:nbus);

k = 1;

for i = 2:nbus

if type(i) == 3

V(i) = dV(k) + V(i);

k = k+1;

end

%% 目标2和目标3

tval=sum(1./diag((d1)));

po_val=flow_cal(nbus,V,del,BMva);

f1val=sum(po_val);%各支路网损和

f3val=sum(datain(5:8));%DG容量和

fout=[f1val; f2val; f3val];