光伏、风力发电机和SSB蓄电池的最佳规划，以减轻配电网络中的闪烁和电力损失

2026-08-07 20:45:50

本研究弥补了闪烁缓解的空白，同时优化了光伏（PV）、风力涡轮机（WT）和电池储能在综合配电网络中的定位和规模。它使用信息交换高斯Pied翠鸟优化器和准对抗学习，解决负载分布不均和电力质量问题，如功率损失、闪烁发射和电压偏移。IEEE 69-总线测试网络在MATLAB中模拟了三种不同场景：带电池储能的光伏、带电池储能的水电，以及包含三者皆有的混合系统。结果显示出显著的进步，混合系统获得了最高的可再生能源消耗。闪烁发射显著降低，整体闪烁降至11%，切换闪烁降至14%，持续闪烁降至7%。此外，该方法提高了23%的频率稳定性，展示了建议优化方案在 配电网络中可再生能源规划的有效性。

简介

通过整合多种可再生能源形式（如光伏系统和风力涡轮机）与低压和中压（LV/MV）配电网（DN），这些分布式能源资源（DER）已成为全球战略。DER相较于传统系统具有诸多优势，包括降低成本、提升电力传输可靠性、减少能源浪费以及提升电力质量（PQ）。这些元件协同工作，确保电力持续流向消费者[1]。尽管有诸多优势，分布式发电（DG）在电网渗透方面存在重大问题。可再生的DG源，尤其是光伏和湿地电，高度依赖于地点，通常安装在可再生资源丰富的地区以最大化效率。然而，这也阻止了它在电网的理想位置连接，这些点常被迫在配电系统较弱的区域运行，这些区域的PQ问题（如电压偏差（VD）更为严重[2]。而采用光伏系统，转换率不足，仅为18%。而水电系统面临诸多挑战，如供应不规则性和DN地区的波动率[3]。对于DN，服务提供商资产管理对于网络的安全和稳定运行至关重要。然而，实现这些期望目标可能需要额外成本，如网络升级以提升电压稳定性或热效率，这也可能导致电价上涨[4]。此外，PQ可能通过增强电压分布以及最小化在部分遮蔽条件下瞬态功率峰值期间导致电压闪烁的突然变化来保持[5]。

最优的配电总理是确保其规模合适且位于配电网上。它还能在功率波动时最佳调节电压。在DN内高效布置和定位这些DER对于缓解如VD和潜在电力损失等问题至关重要。建议开发关于DER位置和规模的新思路，因为这些挑战复杂，尤其是在需求多样且能源产能多样的国家网络中。将可再生能源系统纳入DG框架，不仅提升能源供应的可持续性，也有助于维持电网的稳定性和可靠性。当风力涡轮机和光伏电池板等DG设备尺寸合理并部署在合适地点，以提升效率并降低DN内成本时，DG的全部效益得以实现[6]。这需要一套综合方法论，考虑负载需求、资源可用性和电网限制，以提升系统性能。随着电力行业向更去中心化的能源未来迁移，包括创造性的可再生资源配置机制，对于开发高效、稳健且经济可行的能源系统至关重要。研究人员采用多种策略解决DG分配问题，分为元启发式[7,8]、混合优化[9,10]分析[11]和数值方法[12,13]，用于解决VD的非线性控制[14]和功率调节问题，如优化位置、DER规模，正如下一节所述。

本节讨论了研究人员在解决VD和PQ问题方面做出了重要贡献，以确保光伏、风力涡轮机和电池的最佳规划，这些系统集成在DN中。
A. Ghaffari 等人[15]研究了由于RES高度集成，尤其是WT和非线性电负载的技术挑战，重点关注了电压和网络电压谐波等PQ问题。GA优化方法用于WT、VD和ESS的最佳位置和尺寸。M.J. Moghaddam 等人[16]提出了一种多目标技术，用于在33条不平衡的DN中分配混合DG系统。使用逃逸鸟类搜索（EBS）算法后，PQ指数显著优于基础系统。S. Maji 等人[17]提出了价值自适应权重聚合（VAWA）灰狼优化器（GWO），以解决三相电力网络中负载分配不均和电压不平衡的挑战，这些问题因间歇性光伏发电而加剧，GWO 在实现最优解方面优于 PSO。A. Ahlawat等人[18]提出了一种独特的电池储能（BES）与可再生DG的布局和尺寸调整策略。采用这种策略，可以降低有功功率损耗，并改善母线电压曲线。该表述考虑了洪氏点估计（HPE）方法论确定的DN不确定性。
在微电网领域，J. Zhu等人[19]开发了一种多目标调度模型，解决风光/光伏电力供应与负荷需求之间的不匹配，这影响了稳定性和经济绩效。通过多级数指数迭代优化（MSEIO）策略，成本和负载供电可靠性得到优化。为应对RES的不可预测性，M.M. Ahmed等人[20]提出了一种在径向配电系统（RDS）中优化BESS定位和尺寸测量的方法。利用长期记忆人工蜂鸟算法（LMAHA），该研究优化了投资成本的长期变化。Parajuli等人[21]分析了三种不同的优化方法，如firefly、pso和bat算法用于频率稳定性评估。选择了电池的最佳位置和尺寸，并在IEEE 9总线和39总线测试系统上评估性能。另外，发现系统频率在所有场景下都有提升。
O.D. Montoya 等人[22]引入了结合 DN 中 ESS 与 RE 的多目标调度（MOD）策略。Behera 等人[23]采用了无漂移扰动与观测（DF-P&O）算法来优化风光供电低压微电网的位置和规模。S. Pemmada等人[24]提出了一种混合方法，有效融合了增强型大象放牧算法（EEHA）和Jaya算法（JA），以满足将太阳能光伏分布式发电（SPVDG）和BESSS纳入DN的需求。此外，他通过提出一个聚焦于最小化功率损失和改善电压曲线的问题，解决了SPVDG中的间歇性和不确定性等挑战。表1中列出了一些现有的方法。

通过将燃料电池、电池和超级电容器与基于人工智能的能源管理策略整合，提升微电网中储能系统（ESS）的效率和可靠性[25,26]。DN中储能和可再生能源调度的优化还包括将非凸模型转换为凸模型以最小化电网运营成本，而先前研究中对能源损失的分析较少。此外，现有研究尚未有效有效地选择DN内WT和PV的位置和尺寸，包括将太阳能DER与BES结合以优化电压分布、最小化间歇性和不确定性中的功率损失。
元启发式算法、深度强化学习和高性能计算是计算发展的例子，为应对这些挑战提供了有前景的解决方案。因此，采用尖端优化方法有望显著提升微电网中ESS和DER的性能，推动可持续且有韧性的能源解决方案。

光伏分布式发电（PVDG）、ESS和可再生能源在DN中的整合带来了与PQ和系统性能相关的重大挑战。此前的研究主要关注特定PQ问题，如VD、全谐波失真（THD）和网络VD。优化BESS和DER的尺寸和位置是减少功率损耗和改善电压曲线的关键。此外，微电网中风能和光伏电力与负载需求同步以提升系统稳定性和经济性能的挑战，以及径向配电系统中电池储能和风力涡轮机的变异性。

• ➢
  本研究提出了一种混合技术，通过考虑DN规划中的PQ问题，缓解WT产生的闪烁，称为信息交换高斯Pied翠鸟优化器与准对立学习（IEGQO-PKO），旨在最小化功率损失、ESS成本、闪烁发射和VD。
• ➢
  提出的改进算法旨在优化WT和ESS的定位和规模，考虑到规划问题中的难题。IEGQO-PKO利用高质量的解决方案信息来生成新的解决方案。
• ➢
  拟在MATLAB 2024b版本上模拟的模型性能，并可通过IEEE 69测试总线系统评估，并确定光伏系统、WT和储能系统的最优布置和尺寸。