配电系统是电力系统的最终环节,负责将电力从变电站输送至终端用户。其正常运行对于确保可靠、稳定和高质量的供电至关重要。由于它们最靠近用电点,因此也是整个电力系统中能量损耗最高的环节[1]。提高这些系统的效率可减少能量损失,优化运营成本,并降低对新增发电容量的需求,从而直接提升系统的可持续性和经济表现[2]。同时,更高的能源效率通过限制不必要地使用化石能源,支持电力部门的脱碳进程[3]。技术损耗仍是配电网面临的主要挑战之一。这些损耗主要包括电阻(I2R)导体和变压器中的损耗,以及读档不平衡和低功率因数的影响[4]。这些损耗会不利地影响电压稳定性,产生过载情况,增加运行成本,并恶化供电质量[2]。此外,受城市增长、电动交通技术融合以及电网内可再生能源扩展的驱动,配电系统的电力需求正持续增长。这种背景下,需要新的自动化、控制和规划策略来维持服务可靠性[5,6]。此外,综合技术和商业损失等指标揭示了影响配电公用事业财务可持续性的结构性低效问题。对这些指标的监测对于制定有效的投资政策和公平的电价方案至关重要[7]。在这种背景下,多准则决策系统等优化工具和技术对于设计具有更低能量损失、更高韧性和更优电压分布的网络变得日益重要[8,9]. 储能已成为电力系统现代化的关键要素,它能增强配电网的运行能力和功能稳定性。其应用使得应对可再生能源的波动性、缓解用电高峰以及提供频率和电压调节等辅助服务成为可能[10]. 在这一框架下,锂离子电池凭借其高能量密度、充放电效率高、自放电率低以及使用寿命长等优势脱颖而出,性能优于铅酸电池和液流电池等其他技术 [11,12]。这些电池已证明其能够通过减少技术损耗、支持负荷曲线以及实时电压调节,来提高电网的运行效率 [13,14]。多项案例研究已证实,它们对电源性能有显著的贡献。例如在芬兰,锂离子电池储能系统(BESS)的整合通过主动电网管理方案实现了电压稳定,并改善了对可再生能源波动性的响应[15]。同样,这些电池已被证明能够执行削峰填谷、时移储能和应急备用等功能,从而提高系统的整体可靠性[16]。其他研究表明,即使在快速充电或老化等苛刻的运行条件下,锂离子电池也能通过自适应控制系统和先进的热管理模型保持良好的性能[17]。研究还引入了智能模型来预测荷电状态(SOC)、健康状态(SOH)和电池寿命,从而改善其在智能电网中的运行[18,19,20]. 数据驱动电池管理的最新进展表明,迁移学习和混合深度学习结构可以在有限数据和实际运行条件下改善SOC和SOH估计。这些进展与BESS规划研究相关,因为准确的电池状态估计有助于更安全的运行、提高储能容量利用率,以及更可靠地将锂离子电池长期整合到配电网中。 储能系统的安装直接影响配电网的技术和经济性能。合理的位置布局能够最大化降低损耗、电压调节和缓解过载带来的效益[21]。相反,不当的布置可能导致线路拥塞、增加有功能量损耗并恶化供电质量。这还可能阻碍有效利用锂离子电池提供的快速响应能力[22]。多项研究量化了战略选址的效益,报告称其可实现高达50%的有功损耗降低,并显著改善电压分布[23,24]。在最有效的方法中,包括蚁群算法(ACO)、粒子群算法(PSO)、哈里斯鹰优化算法(HHO)以及多目标进化变体等启发式优化算法。这些方法允许同时考虑多个标准,包括损耗最小化、电压调节和运行成本[25,26]。此外,已有研究提出将电池健康状态等变量纳入考量的策略,从而将该模型扩展为更全面、更可持续的优化框架[CO2]。近期研究还探索了将电压灵敏度作为确定最佳节点位置的准则,在能源效率方面取得了更好的结果[27,28]。同样,基于先进算法的选址定容联合优化已成为通过高效安全地整合储能系统来实现配电网现代化的关键工具[29,30]. Similarly, the combined optimization of siting and sizing based on advanced algorithms has become a key tool for modernizing distribution networks through the efficient and secure integration of energy storage [31]. 配电系统日益复杂的特性促使人们采用先进的优化技术来解决与能量损耗、电压波动和资源分配相关的问题。在这种背景下,元启发式算法为探索广泛且非线性的搜索空间提供了高效的解决方案,而传统技术在这些空间中往往力有不逮[32]。在应用最广泛的方法中,包括遗传算法(GA)、粒子群优化(PSO)、差分进化(DE)和模拟退火(SA),每种方法根据所考虑的问题提供特定的优势。GA和PSO在中压网络中表现出良好的收敛特性,而DE在具有高不确定性的场景中表现出更好的性能[33,34]。在配电系统中,这些算法已被应用于分布式发电机、电容器组和储能系统的配置,以减少损耗、稳定电压水平并提高网络资源的有效利用率[35,36在此背景下,ACO因其处理与组合搜索空间相关的离散优化问题的能力而变得尤为重要。通过模拟蚁群的集体路径选择行为,ACO为识别径向配电系统中适合BESS配置的电气化公交提供了有效机制[37与几种基于种群的优化技术相比,ACO在搜索初期表现出强大的探索能力,并通过信息素强化逐步收敛至高质量解。这些特性对于搜索空间高度非线性且强烈依赖馈线拓扑和电压条件的BESS选址问题具有优势。 多项研究表明,在多性向运行约束下,ACO在电压曲线改善、损耗降低和解稳定性方面,相较于PSO和GA等方法具有竞争优势或更优性能[38,39]。此外,将ACO与其他元启发式算法相结合的混合优化策略,在分布式能源规划问题中也取得了良好效果[40,41]。在本研究中,选择遗传算法(GA)作为对比基准,是因为它是分布式能源分配中最广泛采用的优化技术之一,并且在配电网优化研究中构成了一种成熟的参考方法。 尽管在将元启发式算法应用于配电网储能系统配置方面已取得进展,但仍存在重要的方法论和操作局限性。许多研究聚焦于简化网络,或未考虑电池特有的技术约束,如放电深度或老化[42]。同样,大量文献优先考虑PSO、GA或DE等技术,而蚁群优化(ACO)元启发式算法受到的关注相对较少,特别是在其直接应用于配电系统中锂离子电池的配置方面[43]。另一个常见的局限性是使用单准则优化,例如技术损耗或电压剖面改善,而没有同时整合技术和经济方面的联合评估[44]。此外,许多研究依赖于简化的储能模型,这阻碍了其结果向实际运行条件的推广[45]。这些局限性表明,需要一种严谨且实用的方法论,能够通过技术上有意义且经济上合理的框架来解决电池储能系统(BESS)的配置问题。 针对这些研究空白,本研究提出了一种基于蚁群优化算法的框架,用于径向配电网中锂离子电池储能系统(BESS)单元的最优配置。该方法将基准潮流评估、关键节点识别、离散BESS选址、技术经济目标评估以及优化后验证整合到一个可重复的单一流程中。与仅关注损耗最小化、电压曲线校正或通用元启发式基准测试的方法不同,本框架通过综合考虑电压偏差、安装相关成本、有功功率损耗、电压稳定性、年度损耗成本以及BESS运行模式来评估BESS的配置。 主要的理论贡献在于,在径向运行条件下,结构化地应用蚁群算法(ACO)进行离散式电池储能系统(BESS)配置,并结合了一套验证方案,该方案包括在等效计算设置下与遗传算法(GA)进行对比,以及对充电、待机和放电运行情况的评估。这一方法为识别配电系统中有效的BESS位置提供了一个透明且计算可行的流程,在这些系统中,电压恶化和技术损耗受到馈线拓扑结构以及与变电站电气距离的强烈影响。 本文余下部分的结构安排如下。第2节介绍了所提出的方法论,包括对问题背景的简要技术回顾、该方法的数学和算法表述,以及用于验证的案例研究。第3节展示并讨论了将所提框架应用于测试系统后获得的结果。最后,第四节总结了研究的主要发现,并概述了未来的研究方向。