工程科学与技术,国际期刊24(2021)795使用混合足球联赛竞争模式搜索算法的WT、PV、ESS和EVCS的最佳选址和规模艾哈迈德·多甘Nuh Naci Yazgan大学,工程学院,电气电子工程系,38050 Kocasinan,Kayseri,Tukey阿提奇莱因福奥文章历史记录:收到2020年2020年8月26日修订2020年12月2日接受2021年2月3日在线提供保留字:分布式发电可再生能源电动汽车充电站储能站优化A B S T R A C T随着环境敏感性的增加和技术的发展,分布式发电(DG)、电动汽车充电站(EVCS)和储能系统(ESS)已经成为配电网的重要然而,这些组件的不适当的位置和尺寸可能会对配电网的性能产生负面影响。此外,配电网的高效运行可以通过选择合适的DG、EVCS、ESS的尺寸并将它们放置在电网中的合适本文建立了一个加权和多目标函数,同时考虑降低网损、提高电压等级和DG、EVCS、ESS的集成能力。此外,混合足球联赛考虑光伏发电(PV)和风力涡轮机(WT)发电和EVCS负载需求的时变和随机性质进行模拟。在33节点和85节点的测试系统上对该方法的性能进行了研究,并将统计结果与SLC算法和灰狼优化(GWO)算法进行了比较,验证了该算法的有效性。统计学结果清楚地揭示了hSLC-PS在DG、EVCS和ESS的同时就位和定径方面的优越性。©2020 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍1.1. 一般上下文由于化石燃料资源的枯竭、环境的敏感性和可持续能源基础设施的必要性,人们对可再生能源系统的整合越来越感兴趣。因此,能源部门正在以一种充满希望的方式进行转型。据统计,2018年安装的净电力中有64%是RESs[1]。PV和WT在最近安装的可再生能源容量中的份额分别占55%和28%。此外,预计到2050年,可再生能源在发电中的份额将从26%增加到85%[2]。当可再生能源的规模达到可持续水平时,缩略语:RES,可再生能源系统; WT,风力涡轮机; PV,光伏发电; ESS,储能系统;EVCS,电动汽车充电站; DG,分布式发电; hSLC-PS,混合足球联赛竞赛-模式搜索;GWO,灰狼优化; EV,电动汽车; KHA,磷虾群算法; GA,遗传算法; PSO,粒子群优化;DiGs,柴油发电机; SLC,足球联赛竞赛; BFS,向后/向前横扫; PS,模式搜索; FP,固定球员; RP,预备球员; SP,明星球员; SSP,超级明星球员; SOE,能量状态。电子邮件地址:adogan@nny.edu.tr储能将在提供能源转型所需的灵活性方面发挥重要作用。另一方面,预计到2030年,锂离子电池在固定应用中的价格将下降到60%[3]。使用可再生能源的意识和电池技术的发展也在改变交通运输部门世界各地的许多国家政府和地方当局都2018年超过200万的新注册量使可用电动汽车的数量翻了据[4]预测,到2030年,电动汽车将占欧洲所有汽车销量的50%,中国为42%,美国为30%所有的预测都表明,未来的电网将是环境友好的组件,如RES,EVCS和ESS的组合。1.2. 动机虽然基于可再生能源的技术提供了许多好处,但也应该考虑到它们的缺点。大多数可再生能源(包括风能和太阳能发电)的最大缺点是依赖于气象条件。此外,EVCS和ESS的额外充电功率在高集成率下对现有电网产生负面影响。此外,DG、EVCS和ESS的放置和尺寸https://doi.org/10.1016/j.jestch.2020.12.0072215-0986/©2020 Karabuk University. 出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestchA. Dogan工程科学与技术,国际期刊24(2021)795796我我我我我nð ÞVvðÞð Þ ð Þ不不K命名法DGi;t总PV在时间t时DGith总线的总功率注入[kW]时间t时PV向第i条母线的总功率注入CEESSDEESS连接到第i条总线的ESS单元的充电效率连接到第i条总线的ESS单元的放电效率PWT总计在时间t时向第i条tt和t-1之间的时间间隔i;tnPV;i连接到第i条总线的PV数CAPESSSOEESS连接到第i条母线的ESS装置的容量[kWh]在时间t-1连接到第i条总线的ESS的能量状态。Pi;tI_在时间t从单个PV到第i条母线的注入功率i;t-1[千瓦时]nWT;i连接到第i条总线的WT数量ESSi;t在时间t连接到第i条总线的ESS的能量状态。重量i;tPDG帽I_在时间t从单个WT向第i条母线注入的功率[kW]连接至第i条母线的DG的总容量[kW]SOCESS;minESS[千瓦时]ESS充电状态的最小值连接到第i总线iPV最大值@Tref重量额定单个光伏阵列的最大功率[kW]风力涡轮机的额定功率[kW]SOCi负荷t;maxESS充电状态的最大值连接到第i总线时间t时的配电系统负荷[kW]It在时间t时PV的输出电流[A] Pchlimit开始充电时ESS的功率限制[kW]在t [A]时阵列的PVPV和二极管饱和电流0时间t时阵列的二极管饱和电流[A] Vt时间t时PV的输出电压[V]RsPV电池的串联电阻[ohm]ESS;chi;t@min SOEESS;ch额定i;t@最小SOEESS的充电功率在时间t处具有最低能量状态并且连接到第i总线[kW]ESS的额定充电功率在时间t具有最低能量状态,并连接到第i条母线[kW]RpPV电池的并联电阻[ohm] Pdislimit开始放电时ESS的功率限制[kW]三度时间t时阵列中PV的热电压[V]分散的 ESS额定放电功率最大状态为Ns在时间t时q电子电荷(q=1.60217646x10- 19 C)a二极管理想常数k玻尔兹曼常数(k= 1.3806503 × 10- 23 J/K)TTemperature of the在时间t和连接到第i总线的能量[kW]Vi=j;t时间t时第i/j条总线上的电压[V]Yi;j第i条和第j条总线之间的导纳[mho]di;t时间t时第i条母线上的电压相角PV;n不标称条件下t时的光生电流[A]dj;t第j条母线在时间t时的电压相角hj;t时间t时的导纳相角[deg]KI电流系数我很高兴J第k次迭代时第i条总线上的电流DT;t实际温度与标称温度之差Si第i条母线上的视在功率[kVA][K]Gt表面实际辐照[W/m2]JkZn克雷奇第k次迭代时第n个分支上的电流[A]第n个分支的阻抗[ohm]Gn标称辐照[W/m2]Tt时间t时的实际温度[K]Tn标称温度[K]半导体的带隙能量[eV]DVi第k次迭代时第i条总线的电压失配e敏感率J x目标函数V i;t时间t时第i条总线上 的电压[p.u.]I0;ntoc;n时间t时的标称饱和电流[A]标称开路电压电池[V]k1;k2;k31/基本值w1;w2;w3加权系数NB巴士数目Isc;n电池标称短路电流[A]PV PV的功率输出[kW]WT在时间t时从风输送的功率[kW]NT次数c已安装DGTRlimTransformer限制q空气密度[kg/m3]CP功率系数Pgi;tt时刻第i条母线上的发电功率k叶尖速比h俯仰角[度]b叶尖速度[m/s]w转子上游轮毂高度处的风速[m/s]风力涡轮机转子覆盖的WT面积[m2]Pdi;t在时间t时第i条母线上的所需功率PPi;j第i队第j名球员的力量nFP固定玩家nRP后备队员人数TPii队实力TPkk队EVCSi;tt时刻第i条母线上的EVCS负载[kW]Pvii队获胜的概率nEVch;k;i;t在时间t在第i总线上充电的k型EV的数量P ch;k;i;t在时间t连接到第i总线的k型EV的充电功率x i;j;k第i队的第j名球员的第k个变量s1;s2仿算子EVCS帽时间t[kW]Ri;j获胜队的最弱RPPi每i条母线的EVCS总容量[kW] n EV总计;k;i第i路公交车上充电的kv1;v2激发算子r突变率额定ch;k;iESS电容我第i条母线上k型电动汽车的额定充电功率[kW]连接到第i个ESS的容量[kWh]RP新 i;jRP i;j的新组合a替换算子的系数([0,1])B基矩阵鼻内窥镜时间t时来自第i条k生成矩阵ESS;dissi;t额定血压ESS在时间t向第i条母线放电的功率[kW]连接到第i条母线P模式矩阵Dk步长参数我[千瓦]i最终试验步骤p分散的连接到ithci的ESS的额定放电功率色谱柱Ck½c1;::;c]我ESSi;t母线[kW]第i条总线的ESS单元在时间t的实际充电状态k k k新估计数sωk最佳试步PPSOEPPPP我PVi;t@max SOE我PPvPPEPPSSoC不不不不PA. Dogan工程科学与技术,国际期刊24(2021)795797i;ti;ti;t导致电网性能紧张和运行成本增加应该指出的是,容量和位置的组件的选择是未来电网的主要问题因此,必须仔细决定基于清洁能源的部件的位置和容量,以提高整体系统性能,同时提高上述部件的渗透率1.3. 文献调查有几篇论文涉及DG、EVCS和ESS的规模和位置。然而,只有少数几个国家同时考虑到所有这些组成部分。在[5]中,对不同的方法进行了全面的审查,以优化DG的位置和大小。在[6]中,就功率流、电压分布和功率损耗而言,研究了单个和多个DG场景。在[7-14]中,不同的场景和方法被用于DG分配,但是没有对连续时间的工作进行模拟。它们考虑DG的峰值或恒定值。恒定时间分析可能不足以全面调查连续系统的性能。在[15]中,考虑到可靠性,PV和微型涡轮机的资本成本和燃料成本的年度付款最小化。然而,配电系统的结果没有提出。在[16]中,建议使用KHA来定位DG,以便在保持母线电压和电压稳定性指标的同时使有功功率损耗最小化。该方法的缺点是参数选择不当可能会收敛于局部最优.在[17]中,从DG所有者和系统运营商的角度进行了经济分析,给出了Pareto最优解,并且每次DG的输出都是固定的。在[18]中,应用多目标优化来确定配送系统中停车场的最佳位置和大小然而,假设停车场中的电池大小相同在[19]中,只有充电器的数量是由GA决定的,并且考虑候选总线以安装充电器。已知位置被考虑用于放置。在[20]中,一种混合算法结合了GA和PSO,目标函数包括电能质量和安装成本。对电动汽车充电功率的设定值进行了仿真。[18-在[21]中,提出了多学科方法来分配EVCS和PV。四种类型的电动汽车被认为是模拟,但充电动态,如到达时间和充电状态的每辆电动汽车被忽略。在[22]中,作者的目标是结合不同类型的DG实现电动汽车的高渗透率,并将NDSGA-II用于Pareto解决方案。DG的位置被用作输入参数。在[23]中,制定了加权和多目标函数,以获得EVCS和DG的最佳位置和容量。然而,假设所有EV的电池存储容量相等。在[24]中,提出了一种两阶段的方法来放置电动汽车停车场和DG在配电网中。候选总线决定与灵敏度指标,但可能不会提供最佳的解决方案。在[25]中,优化了具有加权系数的函数,以确定RES和EVCS的最佳位置和容量。不同的场景只在33总线测试系统上进行测试。 [21在[26]中,混合PV、WT和ESS在[31]中,计算了DG、ESS和EVCS的最佳组合只有PV被视为DG。在[32]中,为了防止过电压,采用分析方法使能量存储要求最小化EVCS负载被视为系统负载,但未提供EVCS的尺寸和位置在[33]中,提出了作为智能能源枢纽配置的并网PV、ESS和EVCS的优化设计然而,商业软件用于优化过程,并且没有讨论软件的效率在[34]中,首先,使用蒙特卡罗方法对EVCS负载和DG生成进行建模然后,EVCS的布局和操作进行了优化。然而,配电系统集成被忽略,因此 优 化 结 果 没 有 从 配 电 网 的 角 度 来 评 估 。 在 [35] 中 , 考 虑 到Transformer速率限制,对不同DG、EVCS和ESS的尺寸和位置进行了优化。模拟研究提供了30分钟。interval.1.4. 贡献和范围在这项工作中,同时坐在和大小的PV,WT,EVCS,和ESS提供。定义了一个加权和多目标函数,此外,提出了一种新的hSLCA-PS优化算法,以最小化目标函数。该算法的优点是使用模式搜索来微调SLC算法的最佳结果。另一方面,在文献中,许多论文只考虑峰值时间或恒定值进行模拟考虑了时变负荷、电动汽车充电需求和基于可再生能源发电的分布式发电此外,使用均匀分布来改变三种类型的EV的用户行为和仿真应用于33节点和85节点测试系统,不同的场景和36小时的时间间隔为10分钟。此外,对于每种情况考虑不同的气象条件。统计结果进行了比较,SLC和GWO算法,以证明所提出的算法的有效性。1.5. 文件的结构本文的其余部分组织如下:第2节解释了PV,WT,EVCS和ESS的系统模型。此外,还介绍了辐射状配电网潮流计算的前推/后推潮流算法。第三节给出了待优化的加权和多目标函数的表达式。第4节和第5节分别提供SLC和PS算法的原理。第6节提供了针对该问题的混合SLC-PS的实现。此外,计算实现表示和结果进行了讨论。最后,第七部分是本文的主要结论。2. 系统模型在本节中,介绍了与同时确定PV、WT、EVCS和ESS的位置和容量相关的公式和模型。如在(1)中那样,聚合PV和WT的总功率来计算在时间t处DGi_th总线的总功率注入。模拟负载转移策略。 工作考虑只有HVAC负载。 在[27]中,放置和充电/放电PDG¼PPVtotPWT totð1ÞESS基于PV容量已知的成本函数进行优化在[28]中,提出了一种用于包括PV、WT和ESS的典型独立微电网的最佳尺寸的方法怎么--分别使用(2)和(3)计算PV和WT在时间t处到第i对于集成分布,PPV总PV;iPPVð2Þ网格在[29]中,ESS放置用于已知位置,i;ti;tDG的能力。在[30]中,使用了WT的简化模型。EVCSPWT tot nWT;iPWTð3Þ在[26i;ti;tA. Dogan工程科学与技术,国际期刊24(2021)795798S联系我们PDt-D t.V=aV1>;Pi;t@min SOEi;t@min SOE负的WTP.不不P.-It¼IPV-I0不-1-不V t¼ESS鼻内窥镜= CAPESS不不;Gn不2不不不ESS;ch额定i;t@最小SOEi;t@maxSOE8>
Pdislimit&Pload-PdislimitPESS;disratedP=9>i;t;; ;;; ;i;t@max SOE不我¼ch;k;i我额定i;ti89我连接到第i条总线的DG的总容量由(4)计算。EV的真实时间使用均匀分布指定,平均值为上午7:30下午5时30分1小时标准偏差。PDG cap¼nPV;iPV最大值@TrefnWT;iPWTð4Þ电动汽车的最小和最大充电状态分别在[0.3,0.4]和[0.90,0.99]之间均匀分布。2.1. 光伏PV装置通过光伏材料将太阳光转化为电能。在这项工作中,为了简单起见,考虑光伏电池的单二极管模型。该模型包括一个带有并联二极管以及并联和串联电阻的电流源[36]。光伏电池的效率取决于太阳能温度和2.4. 储能系统ESS用于平衡可再生穿透配电系统中的发电和消耗。ESS的充电和放电功率受ESS额定功率的约束如下:辐射作为天气条件。如(5)-(9)所示,在时间t处定义单二极管模型06PESS;ch6PESS;ch额定0ESS;disESS;disratedð14Þ“的。V你好!不#V 阿尔布尔岛6Pi;t6Pi15ð5Þ第i条总线的ESS单元在时间t的实际充电状态为之三t tNs kTVteraR计算(16)。.ð6ÞSOCESS¼SOEESS去吧!qi;ti;t-1ii;tDEESSiIPV¼.IPN;nKIDTtGtð7Þ第i总线的ESS单元的实际SOC以较低和较低为界,上限如下;SOCESS;minESSESS;max00n. Tn3Tt克雷奇湾11 ΣΣi6SOCi;t 6 SOCi17It<$It;0埃普阿克Isc;nTn-Ttð8Þ在这项工作中,ESS操作提供了负载跟踪法根据该方法,电池观察配电系统负载。负荷跟随充放电原理为It;n不9.在(18)和(19)中总结的。PV阵列在时间t处的功率输出如下乘以电压和电流来计算:不ESS;chi;t@min SOE>P;PPV¼Vt It10V2.2. 风力涡轮机不CH额定值i;t@min SOE不如果.磷负荷i;t@min SOECH额定值i;t@min SOEð18Þ风力发电机将风的动能转化为机械能,如果P负载低于Pch限制,ESS从ESS开始充电它在时间t具有最低能量状态,能量,并由发电机转换成电能。时间t处的风力涡轮机功率计算如下[37]:第i条总线,其值为PESS;ch.如果Pch限值与负载不低于PESS;ch额定值,充电功率等于PWT¼CPk;hq. vw=3;k/v b=vwð11ÞPch极限 -P t. 否则,ESS的充电功率被限制为2.3. 电动汽车充电站ESS;disi;t@max SOE不不不:>PESS;disrated;if.Pload>Pdislimit&P负荷-P分布极限>PESS;分布速率d>;考虑到电动汽车的规格和充电行为的EV车主。通过对第i条总线上的每个EV的充电功率求和来获得在时间t处的第i条总线上的EV充电功率i;t@max SOE tt i;t@max SOEð19Þ在时间t,如下所示;NK如果P负载超过Pdis限值,ESS从ESS开始放电,在时间t具有最高能量状态并连接到第i条总线PEVCS¼XnEV chk i tPchk it 12位k¼1与PESS;discPESS;偏离i;t@最大SOE.如果P载荷和P分布限值之间的差值低于将连接到第i条总线的所有EV的额定充电功率相加,计算用于每一条第i条总线的nk型EVCS的总容量如下;NKP负载P显示极限。否则,ESS的充电功率等于ESS;偏离i;t@最大SOE2.5.向后/向前扫描PEVCS电容器¼XnEV总计;k;iP额定值P不不不PPexp不不pð16Þ连接到第i条总线的EVCS处的EV充电负载可以被确定为:放电功率的的ESS是计算的:>¼PA. Dogan工程科学与技术,国际期刊24(2021)795799ð13ÞBFS算法是一种简单、快速、鲁棒的潮流计算算法假设为住宅区提供模拟,并且大多数EV车主在早上离开家,晚上到达家因此,到达时间和depar-配电网中的位置。BFS算法基于基尔霍夫电流定律和基尔霍夫电压定律.BFS算法分三个阶段:节点电流计算、后向扫描和k¼1A. Dogan工程科学与技术,国际期刊24(2021)795800XP6 cTR2500X.ΣNB公司简介.X Xð ÞJ我ngi;t;;;;;;PiPiEii;j;ki;j;kð28Þ向前扫。这些阶段重复应用,直到达到收敛标准[38]。在图1中,呈现了配电系统中具有分支的两个节点。节点电流计算:第k次迭代节点处的节点电流注入公式如下:ωk3分别为0.00004、1和0.0002。 此外,w1、w2和w3是加权和多目标优化中函数的加权因子[39]。它们可以根据系统要求和系统操作员的偏好进行调整。 所有目标被视为同等重要程度;w1 1/4 w2/4w3/41= 3。我知道。Sj=Vk-1ð20Þ为确保可靠性,所连接DG的总容量JJ后向扫描:在第k次不应超过(25)所示连接Transformer额定功率的规定比率;NBDG帽缘我JkIkX.SM !ωð21Þ1/1 c是限制DG总装机容量的百分比。N Jm¼1VJk-1给出了标准有功和无功潮流方程前向扫描:在第k次迭代时,通过使用基尔霍夫电压定律从第一分支到末端节点在迭代k处的接收总线j,end处的电压可以被计算为:如[25]。NBPgi; t ¼Pdi;tVi;tVj;tYi;jcosdi;t-dj;t-hi;t26j1VkVk-ZnJkð22ÞQ¼QV itXV jt Y ijsin.dit-djt-hit27检查电压失配或迭代:在应用前三个步骤之后,根据先前的迭代计算所有节点的电压失配。迭代k时总线j处的电压失配定义如下:j1考虑DG、EVCS和ESS的主动供需平衡可以表示如下:Pgi;t总肺静脉压EVCS ESS;chdi;tD.V.K.Vk. - 我是说... Vk-1..NBVi;tj.. J.. j...Σ克终止。3. 目标函数从优化的角度来看,结果取决于DG,EVCS和ESS的位置和装机容量作为控制变量。不同的目标可以通过制定加权和多目标函数来优化[39]。系统性能4. 足球联赛竞争算法SLC算法于2014年提出,用于精确求解复杂问题[40在足球联赛中,球队试图在赛季结束时成为冠军。玩家实力定义如下:可以通过最小化目标函数的值来衡量。目标函数的值越小,结果越好。目标函数为降低功率损耗,提高最小功率损耗。PPi;j1=Ji;j;i2team;j2player;Jobj:funct:i<$1; 2;:;nTeam;j< $1; 2;:;nFPnRPð29ÞDG、EVCS和ESS的μ m电压水平和穿透率的公式如下:在一个团队中,固定玩家的平均团队力量如(30);最小值:1k时的J/x±1NTt1/2NB1/1损失-w2k2min-1;t-w3k3TP=nFPNFPj1PP3000;j3000X注。DGcapEVCScapESScap1/1团队i的比赛获胜概率由下式给出:Pv iTPi=TPiTPk 31函数的第一项表示模拟期间的总功率损耗第二项用于提高每段母线每次的最小最后一个术语定义了基于清洁能源的系统组件的总集成容量(24)中的每个目标都是无量纲的,并且通过除以其基础值[25]来防止任何缩放问题。基准值被指定为目标的最大值。因此,k1;k2Fig. 1. 分布系统中的两个节点。Pvi 表示i队的获胜概率和获胜的和-i和k的概率等于1。算法的阶段表示如下:i) 样本生成:通过(32)随机生成构成球员和球队的决策变量;xi;j;krandhxmin;xmaxi;i2team;j2player;k2var:32ii) 团队评估:团队中的球员根据他们的实力进行排序,并分为团队。MXXPdi;t如果DVMax6e或最大迭代次数达到时,j1Vj;tYi;jcosdi;t-dj;t-hi;t×ð24Þ!A. Dogan工程科学与技术,国际期刊24(2021)795801KKK.Σ¼KKKKi;j;ki;j;ki;j;ki;j;k你好。Σð Þiii) 联赛开始:球队互相比赛。如果队伍i的获胜概率高于0到1范围内的随机生成值,则该队伍获胜,其中,ci给出一列Ck1/2c1;::;cp]。使用步长参数Dk来调整si的长度。产生不同的试验点通过为每个iter将i^l; 2;:;p的试验步骤si添加到迭代xk在(33)中表示。否则,对方球队赢得比赛。k如下;xi¼x ksið42Þ队i赢r;如果Pvi>rand½0;1]33失败者;否则每场比赛结束后,获胜者和失败者团队将进行更改,以便在下一场比赛中表现更好。模仿算子和挑衅算子分别作用于获胜方的FP和RP.突变和替换操作符分别应用于失败者团队的FP和RP。模拟运算符:FP被修改为SP和SSP。如(34)中那样,模仿算子被应用于第i队第j固定参与者。除非获得更好的结果,否则解向量执行如(35)中的较小移动。FPi;jl1FPi;js1SSP-FPi;js2SPi-FPi;j3435挑衅运营商:最弱的RP的赢家团队试图成为FP应用(36)和(37)。Ri;jTPiv1TPi-Ri;j;v1~U0:9;136Ri;jTPiv2Ri-TPi;j;v2~U0:4; 0:637突变算子:失败队伍的FP也被修改,以使队伍更强大。K K在迭代k处接受的任何步长sk的方向被表示为模式与模式的步长的乘积,如下所示:sk¼DkP kDkBCk 43目标函数的计算是针对所产生的试验点,在所建立的试验点之间进行探索性运动。提供了试验点的值与Jx k之间的比较。之后,最佳试验步骤sωk提供最小结果,选择J x ks i-Jx k<0以生成模式轮询的下一估计,如xk1^xksωk。 试验步骤si是由步长参数D k产生的,该步长参数D k建立了算法的收敛特性。重复该过程,直到达到最小值6. 测试结果和讨论6.1. SLC-PS算法SLC-PS的流程图如图所示。 二、首先,生成球员样本,然后根据球员的实力将其发送到团队。下一步,每支球队互相竞争,球员们努力成为球队和联盟中最好的球员赢家和输家团队都得到了改进,应用了第4中表达的运算符。经多次海试,效果最好在此基础上,将PS算法的起始点视为x¼xrand1/20;rnFPrnRPrand1/2];r1/20:1。xmax-xmin最多38分钟SLC创建的控制器变量的最终值。为了使网格,当前点被添加一组向量,替换操作员:为下一次匹配测试RPRP新i;ja RPi;j 1-a RPi;k;a ~U0;139RP新i;ka RPi;k 1-a RPi;j;a ~U0;140iv) 联赛更新:每个赛季结束后,球员会根据他们在赛季末更新的能力进行分类和分配。最强大的球员被转移到最好的球队,弱的球员被送到最差的球队,中等球队有中等实力的球员。v) 检查停止标准:重复步骤iii-v5.模式搜索算法PS是无导数算法,可以很容易地实现微调局部搜索。网格是通过在初始点周围添加由标量向量集组成的点集来创建的如果网格中的点具有更好的目标函数值,则将其视为下一次迭代的实际点[43,44]。通过提供新路径的模式生成新的试验点一个模式有两个基本组成部分,即基矩阵B和生成矩阵Ck.然后将图案设计为矩阵P BCk。Dk提供了方向长度的调节,最终的试验步如下生成;乘以常数。 通过该算法计算网格点的适应度函数。如果一个点提高了适应度函数值,则轮询成功,并且该点被选为下一次迭代的当前点。如果轮询成功,则扩展网格大小。除非,网格尺寸为下一次迭代而收缩SLC在许多其他Meta启发式优化算法中脱颖而出,其特征在于将搜索空间分为粗阶段和细阶段,固定和替代玩家上的不同搜索策略和操作符[41]。由于SLC具有全局搜索能力,可以提供全局收敛,因此使用SLC执行初始解此外,PS算法在局部搜索方面比启发式算法更快因此,第一个算法用SLC初始化,然后用PS重新开始,PS具有有效的直接搜索能力,可提高收敛性能[26]。PS的参数选择为网格尺寸= 1,网格扩展因子= 2,网格收缩因子= 0.5。该算法具有灵敏、均衡的算子,可以发展和适应全局搜索,调整局部搜索。在这种情况下,固定球员的数量,替补球员的数量和球队的数量被选择为4,3和3。另一方面,虽然个别SLC和GWO的迭代次数100次重复模拟用于统计结果。6.2. 结果分析在这项研究中,新的hSLC-PS算法被提出来确定WT,PV,EVCS和ESS的最佳位置和容量,这些是未来配电系统不可或缺的前沿技术。对于当前的分析,33总线[45]和85总线si¼DkBcið41Þ[46]考虑了辐射状配电网。 hSLC-PS算法K KRithm与单个SLC和GWO[47]算法进行了比较A. Dogan工程科学与技术,国际期刊24(2021)795802---图二、SLC-PS算法流程图以显示所提出的方法的有效性。模拟时间为36 h,从上午12点到下午12点。第二天,间隔10分钟。使用GridLAB-D软件创建配电系统的负载配置文件,该软件允许模拟每个家用电器的功耗,考虑用户模式和实际天气条件[48]。此外,已使用MATLAB实现了所提出的hSLC-PS算法[49]。进行了模拟,以反映样本的夏季和冬季的样本生成和消费概况使用从[50]和[51]中获得的美国德克萨斯州德克萨斯州的实际天气信息计算DG的时变输出功率。 图图3还显示了夏季和冬季样本日的辐照度和风速变化。在本研究中,将250 Wp的三菱太阳能光伏模型[52]和60 kW额定功率的Espe FX EVO 21以下三种不同规格的EV模型被认为在EVCS中充电:日产e-NV200,Evalia(40kWh电池组和6.6 kW充电功率)[54],特斯拉Model 3(75 kWh电池组和11 kW充电功率)[55]和大众ID.3配备48 kWh电池组和7.2 kW充电功率[56]。应该注意的是,三辆巴士将被确定为WT、PV、EVCS和ESS的位置。每个站点的WT和PV的最小数量分别设置为2和300此外,每个EVCS的EV容量的最小数量被指定为30。如[57ESS的总容量和最小容量分别限制为3000 kWh和250 kWh。额定充电/放电功率指示在给定时间点可以从电池充电/向电池放电的额定瞬时功率量。ESS-1、ESS-2和ESS-3的额定充电/放电功率分别规定为750 kW、750 kW和500 kW。总载荷值配电系统的容量限制为6000 kW,表示Transformer的容量。此外,可再生能源并网的最大容量限制为Transformer容量的30%,电压限制规定为0.9000p.u。[15]第10段。另一方面,目标函数以降低功率损耗、最大化基于清洁能源的组件的容量为和尽可能低的总线电压水平权重因子对于在优化过程中为每个项提供竞争力很重要,并且值在第3中给出。6.3. 33-总线测试系统首先,考虑33母线配电系统,以实现12.66 kV标称电压和100MVA基本功率的最佳位置和尺寸[45]。模拟是在七月的一个样本夏日执行的。获得的总损耗为4930.5 kWh,在母线18处观察到的最小电压为0.8808p.u。基本负载。表I包括hSLC-PS与33总线测试系统的各种方法相比的统计结果。hSLC-PS在重复100次运行中提供了最佳、平均和最差值方面的最小结果。用hSLC-PS获得目标函数的平均值(0.3832)相比到SLC(0.3746)和GWO(0.3794)。从表I可以清楚地看出,所提出的算法优于其他两种算法。此外,该算法具有较小的标准差和方差值。SLC-PS 、 SLC 和 GWO 算 法 的 标 准 偏 差 分 别 为 0.0152 、 0.0169 和0.0177。较小的标准差意味着大多数最佳解决方案接近平均值。所有这些结果都证明了该方法的优越性和鲁棒性。图3.第三章。冬季和夏季样本日的辐照度和风速。A. Dogan工程科学与技术,国际期刊24(2021)795803---表1使用GWO、SLC和hSLC-PS对33总线和85总线测试系统进行最佳安装和调整的比较结果33总线测试系统85总线测试系统(最佳)-0.4015-0.4126-0.4140-0.1617-0.1681-0.1677(最差)-0.3272-0.3335-0.3523 0.0233 0.0197-0.1166(差异)3.1438 ×10-42.865 ×10-42.2959 x 10-40.00280.00510.0002(标准Dev.)0.01770.01690.01520.05260.07110.0173时间(秒)91832161814252386407254最小电压(p.u.)0.91510.91600.91530.90000.90150.9020总损耗(kWh)3548.53454.73428.538343736.83755.5EVCS总容量(kW)905.2953.8947.22635.22741.62741.6总光伏容量(kW)132014401440722.5777.5780总WT容量(kW)480360360102010201020ESS总容量(kW)300030003000300030003000见图4。使用hSLC- PS将PV、WT、EVCS和ESS分配到33总线测试系统中。图五.使用hSLC-PS的33总线测试系统的功率生成和消耗曲线。提出的算法。与SLC相比,模拟时间缩短,但仍高于GWO。对于33总线测试系统,与SLC(0.4126)和GWO(0.4015)相比,使用hSLC-PS(0.4140)获得了最佳解决方案。此外,通过hSLC-PS的总损失为3428.5kWh,使用SLC的总损失为3454.7kWh,并且使用GWO的总损失为3548.5kWh。同样,结果表明,最小的能量损失也得到了新的算法。最小总线电压为0.9153p.u.,0.9160p.u.和0.9151p.u.在仿真期间分别使用hSLC-PS、SLC和GWO算法。DGS的总容量被指定为1800 kW,ESS的容量被确定为3000 kWh。此外,hSLC-PS提供第二高的EVCS容量率,为947.2 kW,仅次于SLC。使用hSLC-PS将PV、WT、EVCS和ESS分配到33总线测试系统中如图4所示。PV的最佳位置被确定为总线11、16和32。位于公交车上的太阳能光伏容量分别为517.5 kW、525 kW和397.5 kW。已安装PV的总容量为1440 kW。在17、32和33号母线上安装的风力涡轮机数量分别为2、2和2台。风力发电机组的总装机容量为360千瓦。EVCS被放置到总线2、19和20,其中32辆EV具有258 kW,52辆EV具有432千瓦和32辆电动汽车,257.2千瓦。最佳位置和大小的ESS被确定为总线6,7,8的容量分别为1250千瓦时,1500千瓦时和250千瓦时。在图5中,为使用hSLC-PS的33节点测试系统提供了时变配电系统负载和分布式发电。基础工况的峰值负荷在5.50p.m时为4968 kW。EVCS集成在下午6点20分将峰值负载增加到5549.2 kW。总充电负荷峰值在下午7点达到798.2 kW。WT和PV的发电曲线也在图5中描绘。ESS的充电和放电限值分别设定为1750 kW和4000 kW。选择合适尺寸的ESS可使总载荷保持在规定的范围内。否则,一些ESS的能量可能会在一个意想不到的时期结束,可能会违反峰值负荷值。仿真结果表明,通过DG、EVCS和ESS的合理设置和规模调整,系统的功率极限不会被超过。应该注意的是,对于所考虑的所有算法,每个时间步长处每个母线的最小电压值不会降低到允许的最小电压极限以下。此外,使用hSLC-PS获得最小总线电压的最高平均值(0.9464p.u.)与SLC(0.9462p.u.)和GWO(0.9444p.u.)33总线测试系统。在图6中,示出了采用所提出的SLC-PS算法在36 h期间每条总线的电压变化。最小电压根据安装的DG、EVCS和ESS的位置和尺寸而电源的布置一般在电压等级相对较低的母线上进行。这一过程在临界电压水平的母线上导致了显著的电压改善。PV位于总线11、16和32上,它们具有相对较低的平均值0.9453p.u.,0.9356p.u.在基本情况模拟期间为0.9365。应用SLC-PS后,母线平均电压增加到0.9591p.u,0.9538p.u.ve 0.9476p.u.,分别其中连接WT的总线17、32和33中的电压值低于0.9000p.u。在高峰时段。SLC-PS优化后,这些母线的最小电压值提高到0.9172p.u.,0.9156p.u.和0.9153p.u.,分别此外,EVCS集成在母线2、19和20处,其最小电压为0.9967p.u.,0.9955p.u.和0.9892p.u.,分别6.4. 85-总线测试系统还对标称