《表2 DG选址与定容相关优化算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《启发式多目标优化算法在能源和电力系统中的典型应用综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

分布式发电是消纳局部新能源、减小线路损耗、提高电力系统灵活性的有效途径.分布式电源的位置和容量对节点电压、线路潮流和可靠性均会产生影响，科学有效地对其进行优化配置，是保证分布式发电合理性的必要手段.由于分布式电源（DG）具有间歇性和随机性的特点，在实现电压偏差、功率及成本优化时，需要考虑的约束条件较多，且多数为强非线性[62]，故该优化问题被认为是多约束多目标的非线性非连续规划问题.文献[63]中采用综合多目标优化方法，将NSGA-Ⅱ算法与点估计方法PEM结合，以总成本和总网络损耗以及客户的停电成本作为优化目标，达到了预期效果.文献[64]对NSGA-Ⅱ算法进行改进，为了增强全局最优搜索能力，引入了DE算法中的变异重组策略，提出INSGA-Ⅱ算法，并采用分层聚类方法和改进的排序策略，在给定的目标条件下，该算法能够保持种群的多样性，并且得到了最优帕累托解集.MOEA/D算法在分布式发电的选址和定容优化上也取得了较好的应用效果[65]，实现了分布式发电机（DGS）和并联电容有功和无功损耗的同步优化，达到了最优化选择DGS的规模和位置.文献[66]对蛙跳算法进行改进，提出洗牌蛙跳优化方法，并应用于DGS的选址和定容，以实际功率损耗和成本为优化目标，达到了理想的效果.文献[67]提出了Pareto-front非支配排序多目标粒子群优化算法（PFNDMOPSO），该方法在帕累托最优集中得到目标函数的数值输出结果，然后采用模糊决策模型选择出最终的解决方案，已在径向电网DG中得到应用.其他一些改进的启发式算法在DG选址和定容优化上也有应用，如帕累托前沿差分进化算法（PFDE）[68].改进的协调搜索算法（IMOHS）[69]以及改进的PSO算法[70].另外一些组合类的优化方法，如文献[71]提出的GA和PSO组合的方法、文献[72]提出的GA和帝国主义竞争算法（ICA）组合方法等都可实现DG选址和定容中的优化目标要求.该应用的相关算法及优化目标如表2所示.