基于粒子群优化算法的配电网光伏储能双层优化配置模型[IEEE33节点]（选址定容）(Matlab代码实现)

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

2 运行结果

3 参考文献

4 Matlab代码、数据、讲解

---

1 概述

由于能源的日益匮乏，电力需求的不断增长等，配电网中分布式能源渗透率不断提高，且逐渐向主动配电网方向发展。此外，需求响应(demand response，DR)的加入对配电网的规划运行也带来了新的因素[1-2]。因此，如何综合考虑分布式发电 (distributed generation，DG)和负荷，甚至需求响应负荷的关系，从而制定有效的协同规划方案，来应对高渗透分布式电源接入给主动配电网带来的诸多问题，具有较大的意义和价值。国内外学者对传统配电网规划方案作了大量的研究工作，如 DG 规划[3-4]、网架规划[5-6]、无功补偿规划[7]等。文献[3-7]均为单一规划，然而在分布式能源大力提倡和发展环境下，配电网公司应综合考虑 DG 和用户响应等关联因素，制定协同规划方案。当前配电网协同规划领域研究主要集中在变 电站和线路协同规划[8]及变电站、线路和电容的协同规划[9]等，其设计目标主要集中于减少传统配电网规划的设备投资，进而满足负荷的长。

随着分布式电源（distributed generation，DG）的渗透率不断增长，其出力的不确定性限制了配电网的消纳能力［1］ 。安装储能设备等传统的解决措施又受到规划成本、设备灵活性等诸多方面的制约。柔性负荷具有成本低、灵活度高的特点，可代替储能设备实现一定的辅助功能，其与实际储能被统称为广义储能系统［2⁃3］ ，是现代配电网规划中的重要部分。

粒子群优化算法（particle swarm optimization，PSO）是一种利用微粒模拟飞鸟捕食行为，不断更新粒子位置和速度，寻找目标最优解的优化算法。该算法因收敛速度快，搜索能力强的特点而受到广泛应用。本文采用惯性权重因子和学习因子调整的改进粒子群算法，进一步优化粒子搜索能力，提高运算收敛性。改进粒子群算法求解双层优化模型步骤如下：

1）输入配电网络参数，采用 K-均值多场景分析法对风光荷年历史数据进行处理，将风光荷随机特性用不同季节不同气候下多个典型日确定化描述，得到各典型日场景数据和概率；

2）初始化粒子位置和速度，即规划层灵活性资源的位置和容量，作为运行层的输入；

然后上下两层规划如下：

2 运行结果

 

 

 

3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]高红均,刘俊勇.考虑不同类型DG和负荷建模的主动配电网协同规划[J].中国电机工程学报,2016,36(18):4911-4922+5115.DOI:10.13334/j.0258-8013.pcsee.152440.

[2]刘自发,于普洋,李颉雨.计及运行特性的配电网分布式电源与广义储能规划[J].电力自动化设备,2023,43(03):72-79.DOI:10.16081/j.epae.202208029.

[3]任智君,郭红霞,杨苹等.含高比例可再生能源配电网灵活资源双层优化配置[J].太阳能学报,2021,42(09):33-38.DOI:10.19912/j.0254-0096.tynxb.2019-0783.

4 Matlab代码、数据、讲解