粒子群算法，分布式电源选址定容。 以IEEE33节点系统为算例，对分布式电源最佳接入位置及接入容量进行选取，以电压越限惩罚和网损为目标，利用粒子群算法进行优化设计，得到最佳接入位置和接入容量，完成选址定容。 最终可得到最优接入位置及定容具体数据，接入前后电压幅值和相角对比图，迭代次数收敛图。

在电力系统领域，分布式电源的选址定容一直是个关键问题。合理地确定分布式电源的接入位置和容量，对于提升电力系统的稳定性、降低网损等方面有着重要意义。今天咱们就来聊聊基于粒子群算法，在IEEE33节点系统中进行分布式电源选址定容的事儿。

为什么选粒子群算法

粒子群算法（PSO）是一种基于群体智能的优化算法，它模拟鸟群觅食的行为。每个粒子就好比一只鸟，在解空间中飞行寻找最优解。粒子们通过自身的飞行经验以及群体中其他粒子的经验来调整自己的飞行方向和速度，从而逐渐靠近最优解。这种算法简单易实现，收敛速度也比较快，所以很适合用来处理分布式电源选址定容这种多变量的优化问题。

IEEE33节点系统简介

IEEE33节点系统是一个被广泛应用于电力系统研究的标准测试系统，它包含33个节点，有明确的线路参数、负荷分布等信息。在这个系统上进行分布式电源选址定容研究，能较好地反映实际电力系统的部分特性，而且研究成果也具有一定的通用性和参考价值。

目标设定

咱们这次的优化目标主要有两个：电压越限惩罚和网损。

电压越限惩罚

电力系统中，节点电压需要维持在一定范围内。如果电压超出了允许范围，就会对电气设备造成损害，影响电力系统的正常运行。所以我们要对电压越限的情况进行惩罚。假设有 $n$ 个节点，节点 $i$ 的实际电压为 $Vi$，允许的电压下限为 $V{min}$，上限为 $V_{max}$，电压越限惩罚函数可以这样写：

def voltage_violation_penalty(V, Vmin, Vmax):
    penalty = 0
    for Vi in V:
        if Vi < Vmin:
            penalty += (Vmin - Vi) ** 2
        elif Vi > Vmax:
            penalty += (Vi - Vmax) ** 2
    return penalty

这里采用了平方的形式来加大对越限情况的惩罚力度，这样算法在优化过程中就会尽量避免电压越限的情况。

网损

网损是指电能在传输过程中，由于线路电阻等因素造成的能量损耗。降低网损能提高电力系统的能源利用效率。计算网损的公式较为复杂，简单来说，它与线路电流、电阻等参数有关。假设线路电阻为 $R{ij}$，流过线路 $(i, j)$ 的电流为 $I{ij}$，网损 $P_{loss}$ 可以表示为：

\[P{loss}=\sum{(i,j)}R{ij}I{ij}^2\]

在代码实现中，我们可以根据IEEE33节点系统的线路参数和节点电压、功率等信息来计算电流，进而得到网损。

# 假设已经有线路电阻R和电流I的数组
def calculate_power_loss(R, I):
    power_loss = 0
    for i in range(len(R)):
        power_loss += R[i] * I[i] ** 2
    return power_loss

粒子群算法实现分布式电源选址定容

粒子编码

每个粒子代表一种分布式电源的选址定容方案。在IEEE33节点系统中，我们可以将粒子编码为一个向量，向量的每个元素对应一个节点，元素的值表示该节点是否接入分布式电源以及接入的容量大小。比如，假设向量为 $[0, 0.5, 0, 0, 1.2, 0,...]$，表示第2个节点接入容量为0.5的分布式电源，第5个节点接入容量为1.2的分布式电源，其他节点不接入。

初始化粒子群

随机生成一定数量的粒子，每个粒子的位置（即选址定容方案）和速度都在一定范围内随机取值。

import numpy as np

# 粒子数量
num_particles = 50
# 节点数量
num_nodes = 33
# 初始化粒子位置
particles_position = np.random.rand(num_particles, num_nodes)
# 初始化粒子速度
particles_velocity = np.random.rand(num_particles, num_nodes)

适应度函数

适应度函数就是我们前面提到的目标函数，综合考虑电压越限惩罚和网损。

def fitness_function(particles_position, Vmin, Vmax, R, I):
    fitness_values = []
    for position in particles_position:
        # 根据粒子位置计算当前方案下的电压和电流等参数
        # 这里省略具体计算过程，假设已经有函数可以得到这些参数
        V = calculate_voltages(position)
        I = calculate_currents(position)
        voltage_penalty = voltage_violation_penalty(V, Vmin, Vmax)
        power_loss = calculate_power_loss(R, I)
        fitness = voltage_penalty + power_loss
        fitness_values.append(fitness)
    return np.array(fitness_values)

粒子更新

粒子根据自身的历史最优位置（pbest）和全局最优位置（gbest）来更新自己的速度和位置。

# 学习因子
c1 = 1.5
c2 = 1.5
# 惯性权重
w = 0.7

for iteration in range(max_iterations):
    fitness = fitness_function(particles_position, Vmin, Vmax, R, I)
    pbest_fitness = np.min(pbest_fitness, axis=1)
    improved_indices = fitness < pbest_fitness
    pbest_position[improved_indices] = particles_position[improved_indices]
    pbest_fitness[improved_indices] = fitness[improved_indices]
    gbest_index = np.argmin(pbest_fitness)
    gbest_position = pbest_position[gbest_index]
    gbest_fitness = pbest_fitness[gbest_index]
    particles_velocity = w * particles_velocity + c1 * np.random.rand(num_particles, num_nodes) * (pbest_position - particles_position) + c2 * np.random.rand(num_particles, num_nodes) * (gbest_position - particles_position)
    particles_position = particles_position + particles_velocity

结果分析

经过一定次数的迭代后，粒子群算法会收敛到一个最优解，也就是分布式电源的最佳接入位置和接入容量。我们可以得到具体的数据，比如最优接入位置是节点 $x1, x2,...$，接入容量分别为 $y1, y2,...$。

通过绘制接入前后电压幅值和相角对比图，能直观地看到分布式电源接入后对节点电压的影响。从图中可以发现，原本一些电压偏低或偏高的节点，在接入分布式电源后，电压幅值回到了合理范围，相角也更加稳定。

迭代次数收敛图则展示了粒子群算法在优化过程中的收敛情况。随着迭代次数的增加，适应度值逐渐减小，最终趋于稳定，说明算法成功找到了最优解。

总之，利用粒子群算法在IEEE33节点系统中进行分布式电源选址定容，是一种有效的优化方法，能为实际电力系统的分布式电源规划提供有力的支持。希望这篇博文能给对这个领域感兴趣的小伙伴们一些启发！