２０１９年９月１０日现代信息科技第３卷第１７期Modern Information Technology Sep.2019 Vol.3 No.17基于生物地理优化算法的ＢＩＰＶ多目标规划程蒙1，赵双芝2，韩雪龙3，杨永前1（1.国网江苏省电力工程咨询有限公司，江苏 南京 210008；2.江苏方天电力技术有限公司，江苏 南京 211102，3.衢州学院，浙江 衢州 324000）摘 要：本文针对城市光伏建筑一体化（BIPV）接入城市配电网的优化规划问题，建立了以光伏发电（PV）投资的动态回收年限最小和光伏发电接入后配电系统的静态电压稳定性最好为目标的多目标优化规划模型。将NSGA-Ⅱ中的快速非支配排序策略与精英保留策略引入生物地理算法，形成多目标生物地理算法（MOBBO），并用此算法求解PV接入城市配电网的位置及容量的Pareto最优解集。最后以IEEE33节点配电系统为例进行PV的多目标优化规划，并将优化结果与NSGA-Ⅱ算法进行比较，结果表明多目标生物地理算法具有更好的收敛性能和寻优能力，最后的优化结果大大增加了PV优化配置的灵活性和科学性。关键词：NSGA-Ⅱ；生物地理算法；BIPV；动态回收年限；Pareto最优解中图分类号：TM715 文献标识码：A 文章编号：2096-4706（2019）17-0029-05Ｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅ ＢＩＰＶ Ｐｌａｎｎｉｎｇ Ｂａｓｅｄ ｏｎ Ｂｉｏｇｅｏｇｒａｐｈｙ－ｂａｓｅｄＯｐｔｉｍｉｚａｔｉｏｎ ＡｌｇｏｒｉｔｈｍCHENG Meng1，ZHAO Shuangzhi2，HAN Xuelong3，YANG Yongqian1（1.State Grid Jiangsu Electric Power Engineering Consulting Co.，Ltd.，Nanjing 210008，China；2.Jiangsu Frontier Electric Technology Co.，Ltd.，Nanjing 211102，China；3.Quzhou University，Quzhou 324000，China）a multi-objectiveAbstract：In allusion to the optimal planning problem of building integrated photovoltaic（BIPV） in the distribution network，，in which the minimization of dynamic payback period as well as optimal stability of steady state voltage are token as objectives，is built. The optimal Pareto solution set of network-connecting positions and configured capacity of PV are solved by multi-objective biogeography-based optimization algorithm（MOBBO），which is formed by putting rapid non-dominated sorting strategy and elitism strategy of NSGA-Ⅱ algorithm into biogeography-based optimization algorithm. Finally，taking testing system of IEEE33 node distribution network as an example to proceed multi-objective optimal planning of PV. The proposed algorithm has better global convergence and searching capability compared to the results obtained with the NSGA-Ⅱ algorithm. The final optimal results increased the flexibility and scientificity of the optimized configuration of PV.Keywords：NSGA-Ⅱ；biogeography-based algorithm；BIPV；dynamic recovery period；Pareto optimal solution0 引 言会影响电网的安全运行，影响配电网电压的稳定性[2]。针对太阳能光伏发电系统一般可以分为以下三种类型：离网分布式电源接入配电网的选址与定容问题，国内外学者进行式光伏发电系统、并网式光伏发电系统和分散式光伏发电系了一些研究。文献[3]和[4]以系统网损最小为目标函数，文统。在中国的大中型城市，分散式的并网型光伏发电系统，献[5]和[6]则是以综合系统费用为目标，分别构建了分布式尤其是依附于城市建筑的BIPV系统，具有项目投资少、建电源优化配置的单目标模型。但是随着我国分布式发电相关设速度快、不会造成环境污染，并且有的大力支持等优技术的快速发展和电力市场的逐步完善，在分布式电源优化点，已经成为城市光伏发电系统的主流。光伏建筑一体化广规划中需要考虑的因素逐渐增多，例如电压稳定性、环境因义上可以理解为安装在所有建筑上的太阳能光伏发电系统。素、入网电价、回收年限等。所以单目标规划模型往往不能《可再生能源中长期发展规划》中提出“建设与建筑物一体满足目前大量的分布式电源接入城市配电系统的优化规划要化的屋顶太阳能并网光伏发电设施，到2020年，全国建成求。文献[7]以系统网损、电压质量和环境因素为目标构建2万个屋顶光伏发电项目，总容量100万kW”，建筑光伏分布式电源多目标优化规划模型，但其实质是将多目标函数系统的规模化应用已提上日程[1]。研究表明，合理配置光伏通过加权转化为单目标函数，改变权重将直接对分布式电源建筑一体化以及其他类型的分布式电源接入城市配电网的接的配置方案产生影响。文献[8]-[10]运用不同的算法求解分入点及接入容量，可以有效地改善配电网电压质量、减小系布式电源多目标优化规划模型，最终得到一组Pareto最优解，统有功网损、提高系统负荷率；反之，如果配置不合理，将但都未考虑不同类型的分布式电源发电的不同特点，得到的规划方案缺乏针对性。本文以光伏发电系统接入城市配电网的选址与定容问题收稿日期：2019-07-06为研究对象，以光伏发电系统接入配电网的经济性指标（动2019.929现代信息科技9月17期排版文件 .indd 292019/9/26 12:26:41第17期现代信息科技态回收年限）和安全性指标（电压稳定性）为目标，构建多Ppv，loss为安装PV后的系统网损；γ为对光伏发电的度目标的优化规划模型，并采用多目标生物地理算法进行求解。电补贴。最后，通过对IEEE33节点算例的仿真分析，验证所提模型1.2 静态电压稳定性指标和算法的可行性，并将所得结果与NSGA-Ⅱ算法进行比较。城市光伏发电系统接入配电网后，会对原有的配电系统1 光伏发电系统多目标优化规划模型的电压分布产生影响，如果配置合理则能提高电压的稳定性，本文以配电公司为投资主体建设城市光伏发电系统。构反之则有可能使电压失稳。一般用电压稳定性指标Lij来衡建的模型力图使所投资金的动态回收年限最小、电压稳定性量系统电压稳定性，研究表明L越小系统电压稳定性越好，指标最好，以达到城市光伏发电系统的经济性要求和接入城反之则越差，当L接近1时系统电压崩溃[12]。电压稳定性市配电网后的安全性要求。因此，城市光伏发电系统的优化指标L表达式如下：规划目标函数表达式为：L=max{Lij=4[（P2iX-QiR）+（PiR+QiX）U24i]/Ui} （8）其中，R、X为支路j的线路电阻和电抗；Pi、Qi为支=（ ）路末节点有功功率和无功功率；U（ ） （1）i为送端节点i节点的电压幅值。其中，T为动态回收年限；L为电压稳定性指标。1.3 约束条件1.1 动态回收年限动态投资回收年限是在考虑货币时间价值的条件下，1.3.1 潮流方程约束以系统净现金流量的现值抵偿初期投资现值需要的全部时+=-++-，++，+间[11]。假设项目预期投资为Q，预期年收益为A，年利率为i，可得动态回收年限的表达式为：=-+++-，++，+=（ +）-（ +） （2）+=-（ +++）+（ +++）+由式（2）可解出动态回收年限T：（ -）其中，Pi、Qi为第i节点的有功功率和无功功率；PL，i+1，=- （3）Q（ +）L，i+1为第i+1节点上负荷的有功功率和无功功率；Ppv，i、Qpv，i分别为第i节点上PV的有功功率和无功功率；Ui为第1.1.1 项目投资费用i节点的电压幅值；Ri+1、Xi+1为第i+1条支路的电阻和电抗。项目的投资费用主要包括光伏发电系统的购置与安装费1.3.2 节点电压与支路电流约束用，以及光伏发电系统的运行与维护费用。Q=CUi，min≤Ui≤Ui，max （10）pv+Co&m （4）Ii≤Ii，max （11）N=，其中，Ui为第i节点的电压幅值，Ui，max、Ui，min为第i （5）节点电压的上下限。Ii为流过支路i的电流；Ii，max为支路i=的电流上限。其中，Cpv为光伏发电系统的购置与安装费用，Co&m为1.3.3 光伏发电容量的约束光伏发电系统的运行与维护费用，N为可以安装PV的节点Ppv，i≤Pi，max （12）总数；Cpv，i为第i个节点的PV单位容量的投资成本；Pi为安装在第i节点的PV安装容量；a为PV的运行与维护费用Ppv，i≤Ppv，max （13）占总投资的比例。其中，Pi为节点i上接入的pv容量；Pi，max为节点i上1.1.2 项目年收益可接入PV的最大容量；Ppv，max为系统最大准入pv容量。城市光伏发电系统接入配电网运行后，能有效减少配电公司的购电费用和网损费用，同时光伏发电还能享受到国家2 多目标生物地理算法的发电补贴。将这些费用并入项目年收益中，则有：2.1 生物地理算法A=Cin+Closs+Csub （6）生物地理学优化算法（BBO）是由Simon于2008年提=出的，它是将生物地理学理论用于求解优化问题的一种新型群体智能算法[13]。在生物地理学优化算法中，用栖息地代表=（ -，） （7）智能优化算法中的个体、用适应度指数变量（SIV）代表个=体中的变量、用栖息地适应指数（HSI）代表个体适应度、用HSI较高的栖息地代表种群中的优秀个体。HSI高的栖其中，Cin为节省的购电费用；Closs为节省的网损费用；息地能容纳的物种较多，因此拥有较高的物种迁出率和较低Csub为的光伏发电补贴；β为脱硫燃煤电价；Tpv为光伏的物种迁入率，反之，HSI低的栖息地容纳物种少，迁出率发电年等效利用小时数；Ploss为安装PV之前的系统网损；低，迁入率高。栖息地上的个体通过迁移共享优秀的SIV，302019.9现代信息科技9月17期排版文件 .indd 302019/9/26 12:26:42程蒙，等：基于生物地理优化算法的BIPV多目标规划第17期通过有选择的变异来更新个体和保持物种的多样性，从而提1的栖息地之后，等级设为2；重复以上过程，直到所有栖高栖息地的HSI，得到最优解。息地都得到相应的等级。对于位于同一等级的栖息地，则按2.1.1 迁移操作栖息地的拥挤距离由大到小排序。定义第i个栖息地的拥挤在BBO算法中，每个栖息地都有自己的迁入率和迁出距离L[i]d=L[i]d+（L[i+1]m-L[i-1]m），其中L[i]m为第i个栖率，通过实施迁移操作来实现各栖息地之间的信息共享。高息地的第m个HSI。HSI栖息地有较高的迁出率，将优质信息共享给低HSI的2.2.2 精英保留策略栖息地，低HSI栖息地有较高的迁入率，接收高HSI的栖精英保留策略是将前一次迭代中的优良栖息地保留到本息地的优质信息，BBO算法中的迁移模型主要有线性迁移次迭代中，它是多目标生物地理学算法以概率1收敛的必要模型、梯形迁移模型、二次迁移模型和余弦迁移模型。为了条件。其具体方法是：将上一次迭代中等级为1的栖息地与得到更好的迁移效果，本文采用余弦迁移模型。本次迭代的栖息地合并为一组新的栖息地，按照快速非支配排序选出最前端的N个栖息地进入下次迭代。最大迁入率I迁入率λ（S）多目标生物地理算法的流程图如图2所示。最大迁出率E开始率迁出率μ（S）移迁初始化一组栖息地P（t），t=0快速非支配和拥挤度排序物种数量S计算每个栖息地的迁入和迁出率图1 余弦迁移模型其迁入率λ（S）和迁出率μ（S）分别为：进行迁移和变异操作（ ）=（ （ ）+） （14）产生新的栖息地Q（t）（ ）=（- （ ）+） （15）t=t+1R（t）=P（t）∪Q（t）其中，S为物种数量。在迁移过程中，栖息地上物种较少和较多时，迁移速度较慢，在中间部分，迁移速度较快，快速非支配和拥挤度排序这样能保证算法的速率和精确性。2.1.2 变异操作选择前N个栖息地产生变异操作是用来模拟疾病和自然灾害等因素改变栖息地新的栖息地P（t+1）的生存环境，并导致栖息地的种群数量偏离平衡点的现象。N物种的突变概率MS由式（16）计算，由式（16）知物种突t=Gmax变概率与物种数量概率成反比，即物种数量越多，突变率Y越大。输出最优解MS=Mmax（1- PPS） （16）图2 多目标生物地理算法流程图S，max其中，Mmax为物种的最大变异率；PS为栖息地中数量S3 算例分析的物种的概率；PS，max为PS的最大值。为验证多目标生物地理优化算法用于BIPV的优化规划2.2 多目标生物地理学优化算法的可行性和效果，本文采用IEEE33节点算例进行仿真，其基本的生物地理学优化算法只能处理单目标的优化问系统结构如图3所示。题，而不能处理多目标优化问题。在单目标生物地理学优将各分布式电源负的PQ节点处理，功率因数取0.9[14]。化算法中，用栖息地的适应度指数HSI来比较栖息地的好根据文献[15]所提供的数据，本算例中的参数汇总如表1所示。坏，但是在处理多目标问题时，栖息地的HSI不再唯一，表1 参数汇总表必须采用新的比较策略来比较栖息地的优劣。本文采用与参数数值NSGA-Ⅱ相似的快速非支配排序策略与精英保留策略处理栖息地的多个HSI的比较问题。BIPV单位容量的投资成本Cpv，i（万元/kW）12.2.1 快速非支配排序策略BIPV的运行与维护费用占总投资的比例a（%）2计算当前所有栖息地的HSI，找出不受其他栖息地支配脱硫燃煤电价β（元/kW·h）0.39的栖息地，即这组栖息地的Pareto最优解，将其排在最前端，光伏发电的度电补贴γ（元/kW·h）0.42等级为1；在剩下的栖息地继续寻找非支配解，放在等级为光伏发电年等效利用小时数Tpv（h）15002019.931现代信息科技9月17期排版文件 .indd 312019/9/26 12:26:42第17期现代信息科技PVPVPVPV22 23 2425 26 27 28 29 30 31 320 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17PVPV18 19 20 21图3 IEEE33节点算例多目标生物地理优化算法参数设置如下：种群规模N= 算法程序，各计算50次，其运算结果的对比如表2所示。50；最大迭代次数Gmax=200；全局迁移率Pmod=1；最大迁入从表2中可以看出与传统的多目标优化算法NSGA-Ⅱ相率E=1；最大迁出率I=1；种群的最大突变率Mmax=0.01。比，MOBBO算法具有计算速度快、收敛性强和计算精度本文在Matlab环境下分别编写NSGA-Ⅱ和MOBBO高等优点。表2 计算结果对比算法平均计算时间/S收敛次数动态回收年限最小值/年静态电压稳定度最小值NSGA-Ⅱ2379.5230.0512MOBBO213469.4870.0493从分别利用NSGA-Ⅱ和MOBBO算法进行BIPV多目题的所有Pareto最优解，在Pareto解的两端其搜索性较标优化规划的结果可以看出，BIPV项目的动态回收年限与差。因此，在处理BIPV的多目标优化规划问题时，本文BIPV接入配电网后的静态电压稳定度是相互冲突的两个目提出的MOBBO算法能取得比NSGA-Ⅱ算法更好的优标，即要使系统静态电压稳定度提高，就得投入更多的资金，化结果。延长项目的动态回收年限。因此就需要对这两个目标函数进该算法所得到的解之间互不支配，所有的解都是最优解，行协调优化，从而找到一组折中的优化方案，即多目标问题不同的解代表不同的优化效果。方案一、方案二和方案三是的Pareto最优解集。其中三个有代表性的BIPV优化配置方案，方案一的静态电通过对NSGA-Ⅱ和MOBBO算法所得结果的对比，压稳定性最高，但动态回收年限最长；方案三的动态回收年可以看出MOBBO算法能找到比NSGA-Ⅱ算法更优的解，限最短，但网损和电压稳定性最差；方案二则是一个折中方即在静态电压稳定裕度相同时，MOBBO能找到动态回收案，各项指标均适中。三个方案的BIPV的接入点位置如图年限更小的解。而且NSGA-Ⅱ无法找到该多目标优化问3所示，其具体配置情况如表3所示。表3 BIPV优化规划方案 BIPV的接入点 接入容量/kW161728293031总计方案方案一5088118196114185751方案二0261031561261565方案三0039673456196表4 各方案优化结果对比稳定性。三种方案的优化结果如表4所示。方案网损/kW静态电压稳定度动态回收年限/年为了表现BIPV接入后对静态电压稳定性的影响，对采原系统202.680.0746——用这三种方案配置BIPV后各节点的电压进行对比。方案一102.690.04939.85方案一接入的BIPV容量大，需要的投资也最大，但是方案二125.240.05559.615在BIPV接入后的网损最小，系统的静态电压稳定度最好。方案三172.20.07269.487因此在资金充足、对网损、电压稳定度要求较高时可优先选择此方案。方案三的BIPV接入容量最小，投资小、资金动原有的配电网系统在未接入BIPV时，系统网损为态回收年限小，但是网损与动态电压稳定度的改善效果较差，202.68kW，系统的静态电压稳定度为0.0746。采用以上三在资金不充足的情况下可以优先选择此方案，待以后太阳能种方案配置BIPV后，能有效减少系统网损，提高静态电压光伏组件价格下降后，再进一步加大BIPV的配置。方案二322019.9现代信息科技9月17期排版文件 .indd 322019/9/26 12:26:42程蒙，等：基于生物地理优化算法的BIPV多目标规划第17期则是一个折中方案，投资较少，而网损和电压稳定性也能得（2）：1158-1165.到有效改善。由于基于MOBBO算法的BIPV优化规划得出[6] 叶承晋，黄民翔. 基于改进粒子群算法的分布式电源经的是一种Pareto最优解，这样大大增加了规划的灵活性，济性最优规划 [J].电力系统保护与控制，2012，40（19）：126-在实际规划中，可以根据具体情况选择合适的方案，以期达132.到更好的优化规划结果。[7] 郑漳华，艾芊，顾承红，等.考虑环境因素的分布式发电4 结 论多目标优化配置 [J].中国电机工程学报，2009，29（13）：23-28.[8] 于青，，刘自发，等.基于量子微分进化算法的分布本文以城市光伏发电投资的动态回收年限和静态电压稳式电源多目标优化规划 [J].电力系统保护与控制，2013，41（14）：定性为优化目标，建立了BIPV的多目标优化规划模型，通66-72.过本文提出的多目标生物地理算法求解及算例结果分析，得[9] Moradi M H，Tousi S M R，Abedini M. Multi-objective 出以下结论：PFDE algorithm for solving the optimal siting and sizing problem of （1）在城市配电网推进光伏建筑一体化项目能有效减multiple DG sources [J].International Journal of Electrical Power & 少配电系统网损，提高静态电压稳定性，同时也能大大减少Energy Systems，2014，56（3）：117-126.对火力发电的需求，提高电力供应的多样性，缓解城市环境[10] 王瑞琪，李珂，张承慧，等.基于多目标混沌量子遗传污染。算法的分布式电源规划 [J].电网技术，2011，35（12）：183-1.（2）与传统的NSGA-Ⅱ算法相比，多目标生物地理[11] 魏峰.火电与风电投资效益比较研究 [D].保定：华北电学优化算法在处理PV接入城市配电网的多目标优化规划问力大学，2013.题上，具有更好的收敛性能，同时也为多目标优化问题提出[12] 黄松，杨建华，季宇，等.基于NSGA-Ⅱ的多类型分了一种新的方法。其所得出的Pareto最优解能兼顾各个规布式电源在配电网中的优化配置 [J].华东电力，2013，41（12）：划目标，规划人员可以根据实际需求进行选择，增加了规划2484-2488.的灵活性和科学性。[13] SHAH A，SIMON D，RICHTER H. Constrained biogeography-参考文献：based optimization for invariant set computation [C]//American Control [1] 徐静，陈正洪，唐俊，等.建筑光伏并网发电系统的发电Conference （ACC），2012. S.l.：s.n.，2012：2639-24.量预测初探 [J].电力系统保护与控制，2012，40（18）：81-85.[14] 刘学平，刘天琪，王剑.基于小生境的配电网多目标分[2] 王守相，王慧，蔡声霞.分布式发电优化配置研究综述 [J].布式电源规划 [J].电网技术，2010，34（10）：126-130.电力系统自动化，2009，33（18）：110-115.[15] 王斯成.分布式光伏发电现状及发展趋势 [J].太阳[3] NERVES AC，RONCESVALLES JCK. Application of 能，2013（8）：8-19.evolutionary programming to optimal siting and sizing and optimal 作者简介：程蒙（1990-），男，汉族，河南信阳人，项目经理，scheduling of distributed generation [C]//TENCON 2009-2009 IEEE 助理工程师，硕士研究生，研究方向：电网建设与经济运行；赵双Region 10 Conference.S.l.：s.n.，2009：1-6.芝（1988-），女，汉族，河北保定人，专业员，助理工程师，硕士[4] 朱勇，杨京燕，张冬清.基于有功网损最优的分布式电源研究生，研究方向：新能源涉网试验及配网规划；韩雪龙（1988-），规划 [J].电力系统保护与控制，2011，39（21）：12-16.男，汉族，河北石家庄人，实验员，助理工程师，硕士研究生，研[5] EL-KHATTAM W，HEGAZY YG，SALAMA MMA. An 究方向：分布式发电并网及微电网技术；杨永前（1988-），男，Integrated Distributed Generation Optimization Model for Distribution 汉族，河南平顶山人，项目经理，工程师，硕士研究生，研究方向：System Planning [J].IEEE Transactions on Power Systems，2005，20电网建设及电力系统暂态稳定控制。（上接28页）科，学士学位，研究方向：图像分析与机器视觉；黄讯（1996.03-），[5] Henriques J F，Caseiro R，Martins P，et al. High-Speed 男，汉族，广东江门人，本科，学士学位，研究方向：机械自动Tracking with Kernelized Correlation Filters [J].IEEE Transactions on 化；叶坤（1997.03-），男，汉族，广东江门人，本科，学士学位，Pattern Analysis and Machine Intelligence，2015，37（3）：583-研究方向：图像分析与机器学习；通讯作者：李鹤喜（1961.11-），596.男，汉族，辽宁昌图人，教授，博士，研究方向：人工智能与机器作者简介：邱敏卿（1995.11-），女，汉族，广东江门人，本视觉。2019.933现代信息科技9月17期排版文件 .indd 332019/9/26 12:26:42
