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)

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：