分布式電源位置和容量的優化配置可確保其發揮更好的技術經濟效用。在分析DG特性的基礎上，建立了考慮含分布式電源的有功網損費用最小和綜合投資成本最小的多目標優化模型；鑒于傳統粒子群算法具有容易早熟，易于陷入局部最優值的缺點，將自適應調整和二次項策略融入到粒子群算法，提出了一種改進型粒子群算法；并將其應用在解決含分布式電源的配電網的布局規劃問題。通過算例驗證所提算法具有良好實用性和適應性，并且也驗證所提模型的實際意義。

　　分布式電源接入配電網后，會引起各支路潮流大小和方向改變，使得系統損耗不僅與負荷大小有關，同時還與DG選址及定容有關。因此，深入研究DG的合理規劃具有重要意義。

　　文獻提出基于細菌菌落優化算法的含分布式電源優化配置，建立了以系統有功網損最小的優化模型，但是細菌菌落優化算法尋優過程復雜，且難以尋找到高質量的優化解。

　　提出基于螢火蟲算法的分布式電源的優化配置，以配電網有功網損最小以及投資成本最小為目標函數，將螢火蟲算法應用在分布式電源優化配置中，驗證該算法的優越性。

　　提出基于粒子群算法的含分布式電源的配電網優化配置，以分布式電源的接入后發電效益最大化為目標函數，但是基本粒子群算法收斂速度過慢，且種群易于陷入局部最優值。

　　提出基于改進粒子群算法的分布式電源優化配置，將動態調整機制以及混沌思想融入到粒子群算法中，對于參數進行調整，實現對于粒子群算法的改進，并將改進之后的粒子群算法應用在DG的定容和選址中，通過與其他智能算法的比較驗證所提方法的有效性和實際意義。

　　提出基于改進遺傳算法的分布式電源多目標優化配置，鑒于遺傳算法尋優的不足之處，將粒子群與遺傳算法相結合，實現兩者結合的智能優化算法，該算法在一定程度上提高算法的收斂速度，能夠尋找更高質量的優化解，但是兩者的結合使得算法程序非常復雜，參數設置也比較復雜。

　　提出基于改進人工魚群算法的含分布式電源的配電網無功優化，該文章對于分布式電源與無功優化關系進行分類，在此基礎上，應用改進人工魚群算法進行算法分析，結果表面算法的有效性。

　　本文首先建立了包含有功網損費用最小和分布式電源綜合投資成本最小的多目標優化模型，其次，詳細介紹粒子群算法，并對其進行改進，對分布式電源選址和定容問題進行優化求解，最后，將計算結果與粒子群算法、細菌覓食優化算法的計算結果進行比較，驗證了所提算法的有效性與優越性。

　　圖1 IEEE-33節點配電網測試系統圖

　　小結

　　首先從電力系統經濟總利益的角度出發，在DG接入容量和接入位置不確定的情況下，采用將配電網網絡損耗轉化為經濟指標的損耗費用以及分布式單元投資安裝成本最小的目標函數，合理的建立了分布式電源的綜合成本。運用改進粒子群優化算法對該模型進行求解，并與標準粒子群算法和細菌覓食優化算法的優化結果進行比較，驗證了該算法的實用性和優越性。