通过混合大猩猩部落优化-遗传算法对配电网中分布式发电的多目标选址与容量配置：一项真实案例研究

为日常可靠性提供更聪明的本地电力

当你合上灯开关时，希望得到瞬时且稳定的电力——但随着电力需求增长和更多可再生能源接入电网，维持这种可靠性变得更加困难。一个有前景的思路是将较小的发电单元（称为分布式发电）分散布置在本地网络中，而不是仅依赖远端的大型电厂。该研究展示了一种新的基于计算的规划方法，能够决定这些小型单元的放置位置与容量，从而减少电网能量浪费、保持电压稳定，并每年节省可观的费用。

本地发电为何重要

传统电力系统将电力从大型电厂长距离输送到家庭和工厂。输送过程中，部分能量在线路中以热能形式损失，远端社区的电压也可能下垂，尤其是在需求上升时。将分布式发电（如小型燃气机组或太阳能、风能等可再生能源）直接部署在本地网络中，可以减轻过载线路压力、降低损耗并改善电压质量。但放置这些单元并非简单地填补空位：每个可能的位置和容量都会影响网络的其他部分，且决策必须遵守严格的工程约束。规划任务因此变成了一个混合了开/关选择（在哪些节点放置发电机）与连续数值选择（它们的具体出力）且需同时兼顾多个目标的复杂难题。

一种混合的数字“搜索队”

为了解决这一难题，作者设计了一种将两类著名优化工具结合的混合搜索方法。一部分是受进化启发的遗传算法，用于处理是/否和离散决策——例如哪些网络节点应部署新发电机。另一部分是大猩猩部落优化器，这是一种基于群体运动与领导行为模拟的大群体智能方法，擅长在连续范围内探索数值——例如每台发电机的精确出力。在每个迭代周期中，两个组件提出候选方案，将它们合并为完整的网络布局并测试其性能。能显著降低能量损耗并改善电压的方案会被保留和优化，而较差的方案则被淘汰。通过让每种方法聚焦其最擅长的部分，混合方法能够更有效地在非常复杂的决策空间中搜索，并避免陷入劣解。

在逼真的电力网络上测试

研究人员首先在23个常用的数学测试函数上验证了他们的混合工具，这些测试函数常用于评估优化方法在复杂搜索空间中的探索能力。该混合方法稳定地找到了很好的解，并且比若干已有技术（包括经典遗传算法和其他群体智能方法）更快收敛。随后，他们将该方法应用于两个配电网：一个广泛使用的 33 节点基准系统和一个简化到 143 节点的真实大型网络。两种情况下，工具都探索了分布式发电在不同运行条件下的表现，并分别考察了单一目标（仅减少损耗或仅改善电压）与多目标（同时平衡二者）。该方法不仅找到能大幅降低损耗并平滑电压的布置，还绘制出权衡曲线，展示在获得更多一种收益时必须放弃多少另一种收益。

显著减少浪费与成本

报告的收益令人瞩目。在 33 节点测试系统中，最佳方案将线路损耗降低了约 94%，电压质量改善接近 100%，与未加装分布式发电的原始网络相比。以经济指标衡量，该系统的年经济损失从大约 92,000 美元降至约 14,000 美元——每年节省超过 78,000 美元。在更大的真实 143 节点网络中，损耗下降近 94%，电压问题几乎消除，年损失从约 178,000 美元降至略高于 32,000 美元，节省超过 145,000 美元。分析还揭示了网络中哪些特定部分最为敏感，为规划者提供了具体的升级目标。

对未来电网的意义

对于非专业读者，核心信息是更智能的规划工具可以从已有且日益普及的本地电源（如屋顶太阳能、社区级电池和小型发电机）中释放出更大价值。与通过试错或简单规则放置这些单元不同，此处描述的混合方法在无数可能性中搜索，找到能显著减少能量浪费、稳定电压并大幅降低运行成本的布局。随着电网接纳更多可再生能源并服务不断增长的需求，这类智能化、自动化的规划方法可帮助使本地网络更高效、更可靠，并为更清洁的能源未来做好准备。

引用: Gacem, A., Romdhane, M., Kechida, R. et al. Multi-objective sizing and location of DG in distribution network by hybrid gorilla troops optimization-genetic algorithm: a real case study. Sci Rep 16, 11334 (2026). https://doi.org/10.1038/s41598-026-41868-7

关键词: 分布式发电, 配电网, 优化算法, 电压稳定性, 减少能量损耗