1. 分布式电源选址定容的核心挑战
在电力系统规划中，分布式电源（Distributed Generation, DG）的选址和容量确定是一个典型的多目标优化问题。传统方法往往将选址和定容分开处理，先确定位置再计算容量，这种割裂的处理方式难以获得全局最优解。而粒子群算法（Particle Swarm Optimization, PSO）作为一种群体智能优化技术，能够同时考虑位置和容量两个变量，通过模拟鸟群觅食行为来寻找最优解。
实际工程中主要面临三个技术难点：首先，电网节点电压对DG接入极为敏感，不当的选址可能导致局部电压越限；其次，DG容量与线路损耗之间存在非线性关系，小容量DG可能无法充分发挥降损作用，而过大的容量又可能引起潮流反向；最后，多DG协同运行时还存在相互影响的问题，需要综合考虑系统整体性能指标。
提示：IEEE 33节点系统是验证配电网络算法的标准测试案例，包含33个节点和32条支路，基准电压12.66kV，总负荷3.715MW+2.3Mvar，非常适合作为分布式电源接入的研究平台。
2. 粒子群算法的适应性改造
标准PSO算法最初由Kennedy和Eberhart于1995年提出，其核心是通过粒子位置和速度的迭代更新来寻找最优解。在DG优化问题中，每个粒子需要同时编码位置和容量信息。一个包含N个DG的系统中，粒子的位置向量可表示为：
code复制X = [node_1, P_1, Q_1, node_2, P_2, Q_2, ..., node_N, P_N, Q_N]
其中node_i表示第i个DG的接入节点编号，P_i和Q_i分别表示有功和无功容量。
算法需要针对电力系统特点进行三项关键改进：
- 离散-连续混合处理：节点编号是离散变量，而容量是连续变量。我们采用整数编码处理节点选择，保留连续变量处理容量。
- 约束处理机制：引入罚函数处理电压约束（0.95-1.05p.u.）和容量约束（单个DG不超过系统总负荷的15%）。
- 惯性权重动态调整：采用线性递减策略，初期大权重（w=0.9）增强全局搜索能力，后期小权重（w=0.4）提高局部精细搜索。
典型参数设置为：种群规模50，迭代次数100，认知因子c1=1.5，社会因子c2=2.0。这些参数在IEEE 33节点系统上表现出良好的收敛性。
3. 多目标优化模型构建
分布式电源规划需要平衡多个相互冲突的目标，建立合理的评价体系至关重要。我们构建包含三个核心目标的加权模型：
3.1 目标函数设计
- 网络损耗最小化：
code复制f1 = min(Ploss) = ∑ Ii²Ri - 电压偏差最小化：
code复制f2 = min(Vdev) = ∑ |Vi - 1.0| - 投资效益最大化：
code复制f3 = max(Benefit) = ∑ (C_loss + C_defer - C_DG)
3.2 权重分配策略
采用熵权法确定各目标权重，避免主观偏差。首先对三个目标进行归一化处理：
code复制f1' = (f1 - f1_min)/(f1_max - f1_min)
f2' = (f2 - f2_min)/(f2_max - f2_min)
f3' = (f3 - f3_min)/(f3_max - f3_min)
然后计算信息熵和权重系数：
code复制Ej = -k∑(p_ij ln p_ij), 其中p_ij = fij'/∑fij'
wj = (1-Ej)/∑(1-Ej)
实测表明，在33节点系统中典型权重分布为：损耗0.45，电压0.3，效益0.25。
3.3 约束条件处理
除了基本的电压和容量约束外，还需考虑：
- 节点唯一性约束：一个节点最多安装一个DG
- 地理分布约束：DG间最小距离不小于2个节点
- 功率平衡约束：∑P_DG + P_grid = ∑P_load + Ploss
4. IEEE 33节点系统实证分析
我们以标准IEEE 33节点系统为测试平台，使用MATLAB 2021b进行仿真验证。系统基准情况下的总有功损耗为202.7kW，最小电压0.9038p.u.（节点18）。
4.1 单DG接入场景
经过PSO优化后，最佳接入点为节点6，容量2.15MW。此时：
- 网络损耗降至138.6kW（降低31.6%）
- 最低电压提升至0.9412p.u.
- 电压偏差指数下降42.3%
值得注意的是，节点6并非直觉上负载中心的节点12或13，这体现了优化算法的价值——发现人工分析难以察觉的最佳位置。
4.2 双DG接入场景
优化结果为节点6（1.42MW）和节点30（0.98MW）：
- 总损耗进一步降至109.3kW
- 电压剖面更加平坦，最大偏差仅0.028p.u.
- 投资回收期缩短至4.2年
对比发现，双DG方案虽增加投资，但年运行费用节省更多，综合效益更优。下表展示了不同方案的性能对比：
| 方案 | 损耗(kW) | 最低电压(p.u.) | 投资(万元) | 年节省(万元) |
|---|---|---|---|---|
| 无DG | 202.7 | 0.9038 | 0 | 0 |
| 单DG | 138.6 | 0.9412 | 215 | 38.5 |
| 双DG | 109.3 | 0.9720 | 320 | 58.2 |
4.3 算法性能分析
与传统遗传算法（GA）相比，PSO在收敛速度和结果质量上均表现出优势：
- 平均收敛代数：PSO 45代 vs GA 72代
- 最优解稳定性：PSO 10次运行标准差0.8% vs GA 2.3%
- 计算时间：PSO 12.7s vs GA 18.3s（同一硬件平台）
这种优势源于PSO的群体信息共享机制，粒子能更快地向全局最优区域聚集。下图展示了典型收敛过程，PSO在30代后已接近最优，而GA仍在持续震荡。
5. 工程实施中的关键考量
在实际项目应用中，我们还需要考虑标准测试案例中未涉及的现实因素：
5.1 负荷时变特性
前述分析基于峰值负荷场景，更精确的做法是考虑全年8760小时的负荷变化。可采用典型日曲线加权法：
- 将全年分为夏冬两季
- 每季取典型工作日和休息日
- 对每个时段单独优化，最后综合评估
实测表明，考虑负荷变化后，DG最佳容量通常比峰值场景设计值小15%-20%。
5.2 可再生能源不确定性
当DG为光伏或风电时，需采用概率潮流计算。建议的处理步骤：
- 建立光伏出力Beta分布模型
- 采用蒙特卡洛抽样生成场景
- 对每个场景计算指标
- 统计各方案的综合表现
5.3 保护配合调整
DG接入会改变故障电流分布，必须校核：
- 过电流保护范围是否仍满足要求
- 重合闸时序是否需要调整
- 孤岛检测功能是否有效
在33节点系统中，DG容量超过1.5MW时，需要重新整定节点6-18区段的保护定值。
我在某工业园区项目中实际应用该算法时，发现两个值得注意的现象：一是算法倾向于将DG布置在馈线中后段而非始端，这与常规直觉相反；二是当考虑变压器老化成本后，DG的最佳容量通常会增大10%左右。这些经验在标准测试案例中往往无法体现，需要在具体项目中特别注意。