基于多场景技术的主动配电网源网荷储协同优化运行方法

1.本发明涉及配电网运行技术领域，尤其涉及一种基于多场景技术的主动配电网源网荷储协同优化方法，适用于制定主动配电网的运行策略，实现主动配电网的经济调度。


背景技术：

2.分布式可再生能源发电的有功出力具有不确定性，与传统的经济调度相比，主动配电网的经济调度应当科学合理地制定源网荷储的协同优化运行策略，实现分布式可再生能源发电的充分消纳，提高主动配电网的经济性。因此，主动配电网的源网荷储协同优化运行成为当前领域所关注的热点。为了充分消纳可再生能源发电，主动配电网的源网荷储协同优化运行首先需要考虑分布式可再生能源发电有功出力的不确定性。其次，需要考虑如何利用运行环节中各种可调度资源包括源网荷储等，使之协同优化运行，实现分布式可再生能源发电的充分消纳。
3.现有的研究在考虑分布式可再生能源发电有功出力的不确定性的基础上，制定了需求侧分时峰谷电价、柔性负荷调度策略、储能的充放电策略等可调度资源的运行策略，实现了源荷储的协同优化运行，但没有考虑网络重构、分布式可再生能源发电逆变器和储能逆变器的无功出力等可调度资源与分布式可再生能源发电有功出力的协同优化运行。另一方面，考虑了源网荷储协同优化运行的研究将分布式可再生能源发电的有功出力视为恒定，虽然考虑了多种可调度资源，但是限制了分布式可再生能源发电的有功出力，没有考虑其不确定性，无法充分消纳分布式可再生能源发电。


技术实现要素：

4.本发明目的就是为了弥补已有技术的缺陷，提供一种基于多场景技术的主动配电网源网荷储协同优化运行方法，考虑分布式可再生能源发电有功出力的不确定性对主动配电网的源网荷储进行协同优化，给出源网荷储的优化运行策略。
5.本发明针对现有研究的不足，基于多场景技术解决了分布式可再生能源发电有功出力不确定性的问题，考虑分布式可再生能源发电有功出力不确定性，以主动配电网日内综合运行成本最低为目标函数，建立了主动配电网源网荷储协同优化模型，对源网荷储进行协同优化，保证了主动配电网运行的安全性和经济性。
6.本发明是通过以下技术方案实现的：
7.一种基于多场景技术的主动配电网源网荷储协同优化运行方法，具体包括以下步骤：
8.(1)运用多场景技术将分布式可再生能源发电有功出力划分为多个场景并给出每种场景发生的概率；
9.(2)以主动配电网日内综合运行成本最低为目标建立主动配电网源网荷储协同优化模型；
10.(3)基于所述的主动配电网源网荷储协同优化模型，采用粒子群优化算法将离散
变量连续化参加迭代，求出最优解后进行归整。
11.所述的步骤(1)具体过程如下：
12.首先，根据预测模型预测较长时间内的光照强度、风速的时序值；其次，以15min为基本步长建立分布式可再生能源发电有功出力的时序出力模型p
dg
(t)，认为15min内分布式可再生能源发电的有功出力不变；最后，运用多场景技术对分布式可再生能源发电有功出力进行聚类，得到s个分布式可再生能源发电有功出力的典型日p
dg,s
(t)与每个典型日出现的概率p
s
，其中s＝1,2,
…
,s。
13.所述的步骤(2)具体过程如下：
14.以主动配电网日内综合运行成本最低为目标函数，对源网荷储进行协同优化，决策变量包括分布式可再生能源发电逆变器的无功出力、动态重构联络开关动作方案、可中断负荷的调度策略、储能的充放电策略、储能系统逆变器的无功出力及网络上的无功补偿装置的无功出力，目标函数如下：
15.min c＝c
up
+c
loss
+c
dg
+c
grid
+c
dsm
+c
ess
ꢀꢀꢀ
(1)
16.式中：c为主动配电网日内综合运行成本；c
up
为向上级购电成本；c
loss
为网损成本；c
dg
为向dg投资运营商购电成本；c
grid
为动态重构联络开关动作成本；c
dsm
为可中断负荷的需求响应成本；c
ess
为储能运行维护成本；
17.各部分成本计算如下所示：
18.1)主动配电网向上级电网购电成本：
[0019][0020]
式中：s为主动配电网运行场景总数；p
s
为第s个运行场景发生的概率；t为15min时间间隔；t为计算时间段；c
up
为向上级购电价格；p
up,t
为第t个时间段内向上级购电的电量；
[0021]
2)主动配电网网损成本：
[0022][0023]
式中：c为向主动配电网售电价格；p
loss,t
为第t个时间段内的网损电量；
[0024]
3)主动配电网向dg投资运营商购电成本：
[0025][0026]
式中：c
dg
为向dg投资运营商购电价格；p
dg,t
为第t个时间段内向dg投资运营商购电的电量；
[0027]
4)主动配电网动态重构联络开关动作成本：
[0028][0029]
式中：c
grid
为联络开关切换动作成本；d为日内联络开关动作切换次数；
[0030]
5)可中断负荷的需求响应成本：
[0031][0032]
f
t
＝r
‑
f
ꢀꢀꢀ
(7)
[0033][0034][0035]
式中：f
t
为第t个时间段内可中断负荷的需求响应费用；r为可中断负荷响应时的收益；f为可中断负荷未达到规定响应时的惩罚；c
r
为中断补偿价格；δp
n
为电网公司规定的负荷削减量；δp
a
表示用户实际的负荷削减量；c
f
为惩罚价格；
[0036]
6)储能运行维护成本：
[0037][0038]
式中：c
up
为储能单位电量运维费用；p
ess,t
为第t个时间段内储能充电和放电的电量；
[0039]
约束条件如下：
[0040]
(1)潮流平衡约束
[0041][0042]
式中：p
dgi,s,t
为节点i第t个时间段内第s个运行场景下分布式可再生能源发电输出的有功功率；p
essi,t
、p
dsmi,t
、p
li,t
分别为节点i第t个时间段内储能的有功功率、可中断负荷消耗的有功功率和其他负荷消耗的有功功率；q
dgi,t
、q
essi,t
、q
li,t
和q
ci,t
分别为节点i第t个时间段内分布式可再生能源发电逆变器输出的无功功率、储能逆变器输出的无功功率、负荷消耗的无功功率和网络上的无功补偿装置输出的无功功率；
[0043]
(2)节点电压约束
[0044]
u
min
≤u
i
≤u
max
ꢀꢀꢀ
(12)
[0045]
式中：u
min
和u
max
分别为主动配电网节点电压幅值的上下限；
[0046]
(3)分布式可再生能源发电出力约束
[0047][0048]
式中：p
dgi,min
和p
dgi,max
分别为节点i分布式可再生能源发电输出的有功功率的上下限；q
dgi,min
和q
dgi,max
分别为节点i分布式可再生能源发电逆变器输出的无功功率的上下限；
[0049]
(4)联络开关动作次数约束
[0050]
n
total
≤n
total,max
ꢀꢀꢀ
(14)
[0051]
n
n
≤n
n,max
ꢀꢀꢀ
(15)
[0052]
式中：n
total
为总的开关操作次数，n
total,max
为总的开关操作次数的上限；n
n
为第n个开关的动作次数，n
n,max
为第n个开关的动作次数的上限；
[0053]
(5)负荷削减系数约束
[0054]
λ
imin
＜λ
i
＜λ
imax
ꢀꢀꢀ
(16)
[0055]
式中：λ
i
为节点i的负荷削减系数；λ
i,max
、λ
i,min
分别为节点i负荷削减系数的上下限；
[0056]
(6)储能充放电功率约束
[0057][0058]
式中：p
c
、p
d
为储能的实际充放电功率；p
c,max
、p
d,max
分别为充放电功率的上限；u
c
、u
d
为储能的充放电标志位；由于储能装置不可能同时进行充放电，因此储能的充放电标志位还满足：
[0059][0060]
(7)储能系统剩余容量约束
[0061]
s
min
e
s
≤e
soc
≤s
max
e
s
ꢀꢀꢀ
(19)
[0062]
式中：e
soc
为储能的剩余容量；e
s
为储能的额定安装容量；s
min
和s
max
分别为储能的最小荷电状态和最大荷电状态；
[0063]
(8)储能逆变器无功出力约束
[0064]
q
essi,min
≤q
essi,t
≤q
essi,max
ꢀꢀꢀ
(20)
[0065]
式中：q
essi,min
，q
essi,max
为节点i储能逆变器输出的无功功率的上下限；
[0066]
(9)网络上的无功补偿装置无功出力约束
[0067]
q
ci,min
≤q
ci,t
≤q
ci,max
ꢀꢀꢀ
(21)
[0068]
式中：q
ci,min
，q
ci,max
为节点i网络上的无功补偿装置输出的无功功率的上下限；
[0069]
(10)网络上的无功补偿装置的投切次数约束
[0070][0071]
式中：c
i
(t)，c
i
(t
‑
1)为t时刻和t
‑
1时刻节点i网络上的无功补偿装置的接入容量；n
cmax
表示一天内网络上的无功补偿装置的最大投切次数。
[0072]
步骤(3)所述的粒子群优化算法具体过程如下：
[0073]
为了解决粒子群算法局部搜索能力与全局搜索能力的平衡问题，引入惯性权重因子ω，据此得到粒子群算法的速度更新公式为：
[0074][0075]
式中：v
i
表示粒子飞行速度，x
i
表示粒子位置，k为迭代次数，p
i
、p
g
表示当前个体极值和全局极值；个体学习因子c1和社会学习因子c2一般取值为2；r1和r2是位于[0,1]区间内
的随机数；
[0076]
在优化过程中，大的惯性权重因子有较强搜索全局的能力，小的惯性权重因子有较强搜索局部的能力；采取惯性权重因子为0.9～0.4线性下降，惯性权重因子计算公式为：
[0077][0078]
其中，maxiter为理想的迭代次数，iter为当前迭代次数。
[0079]
所述步骤(3)的具体过程如下：
[0080]
1)将主动配电网源网荷储协同优化模型的解即源网荷储运行策略作为一个序列，表示为一个粒子；
[0081]
2)初始化理想的迭代次数、种群数、位置和速度；
[0082]
3)根据公式(23)计算粒子的适应值，并初始化个体极值和全局极值；
[0083]
4)更新粒子的速度和位置；
[0084]
5)若在迭代过程中粒子飞出了解空间，即源网荷储的运行策略不满足约束条件时，需重置粒子的位置，令它处于边界处；
[0085]
6)根据公式(23)计算种群中每个粒子对应的适应值；
[0086]
7)判断种群中的每个粒子是否是活跃粒子，如果不是，要求重置，重新计算；
[0087]
8)根据适应值选择出最优的粒子；(每个粒子都对应一个适应值，适应值最优的所对应的那个粒子就是最优粒子)
[0088]
9)判别算法是否结束，若是，则结束计算，输出当前的最优结果；若算法尚未结束，则前往步骤4)重新进行迭代优化；
[0089]
10)将最优结果解码，得到最优的源网荷储的运行策略。
[0090]
本发明的优点是：本发明一方面考虑了分布式可再生能源发电有功出力的不确定性的影响，与限制分布式可再生能源发电有功出力的传统调度方法相比，可以充分的消纳分布式可再生能源发电，提高了系统经济性；另一方面，本发明考虑了源网荷储等较多的可调度资源，对主动配电网运行环节中的各种可控资源进行协同优化，与可控资源单独调度控制相比可以取得更好地效果，进一步提高了主动配电网运行的经济性。
附图说明
[0091]
图1为本发明的流程图。
具体实施方式
[0092]
如图1所示，首先本发明针对上述主动配电网优化运行中没有考虑分布式可再生能源发电有功出力的不确定性的问题，基于多场景技术将分布式可再生能源发电的有功出力进行了场景划分，从而考虑了分布式可再生能源发电有功出力的不确定性；其次，以主动配电网日内综合运行成本最低为目标建立了主动配电网源网荷储协同优化模型，在上述只考虑了源荷储协同优化运行模型的基础上，还考虑了网络重构、分布式可再生能源发电逆变器和储能逆变器的无功出力与分布式可再生能源发电有功出力的协同优化运行，实现了主动配电网源网荷储协同优化运行；最后，针对主动配电网源网荷储协同优化模型，与粒子群优化算法相结合，求解了混合整数规划问题。
[0093]
1多场景划分
[0094]
为了充分消纳可再生能源发电，主动配电网的源网荷储协同优化运行需要考虑分布式可再生能源发电有功出力的不确定性。本发明运用多场景技术解决分布式可再生能源发电有功出力不确定性的问题，将分布式可再生能源发电有功出力划分为多个场景并给出每种场景发生的概率。
[0095]
首先，根据预测模型预测较长时间内的光照强度、风速的时序值。其次，以15min为基本步长建立分布式可再生能源发电有功出力的时序出力模型p
dg
(t)，认为15min内分布式可再生能源发电的有功出力不变。最后，运用多场景技术对分布式可再生能源发电有功出力进行聚类，得到s个分布式可再生能源发电有功出力的典型日p
dg,s
(t)与每个典型日出现的概率p
s
，其中s＝1,2,
…
,s。
[0096]
得到分布式可再生能源发电有功出力的典型场景和概率后，可以计算每种场景下主动配电网的运行成本，并对每种场景下的运行成本进行概率加权，由此考虑了分布式可再生能源发电有功出力不确定性对主动配电网源网荷储协同优化的影响。
[0097]
2主动配电网源网荷储协同优化模型
[0098]
主动配电网源网荷储协同优化模型以主动配电网日内综合运行成本最低为目标函数，对源网荷储进行协同优化，决策变量包括分布式可再生能源发电逆变器的无功出力、动态重构联络开关动作方案、可中断负荷的调度策略、储能的充放电策略、储能系统逆变器的无功出力及网络上的无功补偿装置的无功出力，目标函数如下：
[0099]
min c＝c
up
+c
loss
+c
dg
+c
grid
+c
dsm
+c
ess
ꢀꢀꢀ
(1)
[0100]
式中：c为主动配电网日内综合运行成本；c
up
为向上级购电成本；c
loss
为网损成本；c
dg
为向dg投资运营商购电成本；c
grid
为动态重构联络开关动作成本；c
dsm
为可中断负荷的需求响应成本；c
ess
为储能运行维护成本。
[0101]
各部分成本计算如下所示：
[0102]
1)主动配电网向上级电网购电成本：
[0103][0104]
式中：s为主动配电网运行场景总数；p
s
为第s个运行场景发生的概率；t为15min时间间隔；t为计算时间段(24h)；c
up
为向上级购电价格；p
up,t
为第t个时间段内向上级购电的电量。
[0105]
2)主动配电网网损成本：
[0106][0107]
式中：c为向主动配电网售电价格；p
loss,t
为第t个时间段内的网损电量。
[0108]
3)主动配电网向dg投资运营商购电成本：
[0109][0110]
式中：c
dg
为向dg投资运营商购电价格；p
dg,t
为第t个时间段内向dg投资运营商购电的电量。
[0111]
4)主动配电网动态重构联络开关动作成本：
[0112][0113]
式中：c
grid
为联络开关切换动作成本；d为日内联络开关动作切换次数。
[0114]
5)可中断负荷的需求响应成本：
[0115][0116]
f
t
＝r
‑
f(7)
[0117][0118][0119]
式中：f
t
为第t个时间段内可中断负荷的需求响应费用；r为可中断负荷响应时的收益；f为可中断负荷未达到规定响应时的惩罚；c
r
为中断补偿价格；δp
n
为电网公司规定的负荷削减量；δp
a
表示用户实际的负荷削减量；c
f
为惩罚价格。
[0120]
6)储能运行维护成本：
[0121][0122]
式中：c
up
为储能单位电量运维费用；p
ess,t
为第t个时间段内储能充电和放电的电量。
[0123]
主要的约束条件如下：
[0124]
(1)潮流平衡约束
[0125][0126]
式中：p
dgi,s,t
为节点i第t个时间段内第s个运行场景下分布式可再生能源发电输出的有功功率；p
essi,t
，p
dsmi,t
，p
li,t
分别为节点i第t个时间段内储能的有功功率(放电时为正，充电时为负)，可中断负荷消耗的有功功率和其他负荷消耗的有功功率；q
dgi,t
，q
essi,t
，q
li,t
和q
ci,t
分别为节点i第t个时间段内分布式可再生能源发电逆变器输出的无功功率、储能逆变器输出的无功功率、负荷消耗的无功功率和网络上的无功补偿装置输出的无功功率。
[0127]
(2)节点电压约束
[0128]
u
min
≤u
i
≤u
max
ꢀꢀꢀ
(12)
[0129]
式中：u
min
，u
max
为主动配电网节点电压幅值的上下限。
[0130]
(3)分布式可再生能源发电出力约束
[0131][0132]
式中：p
dgi,min
，p
dgi,max
为节点i分布式可再生能源发电输出的有功功率的上下限；q
dgi,min
，q
dgi,max
为节点i分布式可再生能源发电逆变器输出的无功功率的上下限，本发明中考虑分布式可再生能源发电逆变器可以发出容性或者感性两种无功功率。
[0133]
(4)联络开关动作次数约束
[0134]
n
total
≤n
total,max
ꢀꢀꢀ
(14)
[0135]
n
n
≤n
n,max
ꢀꢀꢀ
(15)
[0136]
式中：n
total
为总的开关操作次数，n
total,max
为总的开关操作次数的上限；n
n
为第n个开关的动作次数，n
n,max
为第n个开关的动作次数的上限。
[0137]
(5)负荷削减系数约束
[0138]
λ
imin
＜λ
i
＜λ
imax
ꢀꢀꢀ
(16)
[0139]
式中：λ
i
为节点i的负荷削减系数；λ
i,max
、λ
i,min
为节点i负荷削减系数的上下限；
[0140]
(6)储能充放电功率约束
[0141][0142]
式中：p
c
、p
d
为储能的实际充放电功率；p
c,max
、p
d,max
分别为充放电功率的上限；u
c
、u
d
为储能的充放电标志位。由于储能装置不可能同时进行充放电，因此储能的充放电标志位还将满足：
[0143][0144]
(7)储能系统剩余容量约束
[0145]
s
min
e
s
≤e
soc
≤s
max
e
s
ꢀꢀꢀ
(19)
[0146]
式中：e
soc
为储能的剩余容量；e
s
为储能的额定安装容量；s
min
和s
max
分别为储能的最小荷电状态和最大荷电状态。
[0147]
(8)储能逆变器无功出力约束
[0148]
q
essi,min
≤q
essi,t
≤q
essi,max
ꢀꢀꢀ
(20)
[0149]
式中：q
essi,min
，q
essi,max
为节点i储能逆变器输出的无功功率的上下限，本发明中考虑储能逆变器可以发出容性或者感性两种无功功率。
[0150]
(9)网络上的无功补偿装置无功出力约束
[0151]
q
ci,min
≤q
ci,t
≤q
ci,max
ꢀꢀꢀ
(21)
[0152]
式中：q
ci,min
，q
ci,max
为节点i网络上的无功补偿装置输出的无功功率的上下限。
[0153]
(10)网络上的无功补偿装置的投切次数约束
[0154]
[0155]
式中：c
i
(t)，c
i
(t
‑
1)为t时刻和t
‑
1时刻节点i网络上的无功补偿装置的接入容量；n
cmax
表示一天内网络上的无功补偿装置的最大投切次数。
[0156]
3求解方法
[0157]
在主动配电网源网荷储协同优化模型中，动态重构联络开关动作方案、可投切的网络上的无功补偿装置的无功出力是离散的，分布式可再生能源发电逆变器的无功出力、可中断负荷的调度策略、储能的充放电策略、储能系统逆变器的无功出力是连续的。因此，主动配电网源网荷储协同优化需要求解的是一个混合整数规划问题。解决方案是，基于所提的主动配电网源网荷储协同优化模型，应将离散变量连续化参加迭代，求出最优解后进行归整。
[0158]
本发明采用粒子群算法进行求解。为了解决粒子群算法局部搜索能力与全局搜索能力的平衡问题，本文引入惯性权重因子ω，据此得到粒子群算法的速度更新公式为：
[0159][0160]
式中：v
i
表示粒子飞行速度，x
i
表示粒子位置，k为迭代次数，p
i
、p
g
表示当前个体极值和全局极值；个体学习因子c1和社会学习因子c2一般取值为2；r1和r2是位于[0,1]区间内的随机数。
[0161]
在优化过程中，大的惯性权重因子有较强搜索全局的能力，小的惯性权重因子有较强搜索局部的能力。如果在整个搜索过程中算法均保持惯性权重因子不变，容易导致全局和局部的矛盾。因此，本文采取惯性权重因子为0.9～0.4线性下降，据此可列些惯性权重因子计算公式为：
[0162][0163]
其中，maxiter为理想的迭代次数，iter为当前迭代次数。搜索一开始，惯性权重因子最大，有着最强的搜索全局能力，有利于直接锁定最优解的位置；在迭代后期，惯性权重因子逐渐变小，算法局部搜索能力增强，能相当精确地确定最优解位置。
[0164]
pso算法实现的步骤如下：
[0165]
1)将主动配电网源网荷储协同优化模型的解即源网荷储运行策略作为一个序列，可以表示为一个粒子；
[0166]
2)初始化理想的迭代次数、种群数、位置和速度；
[0167]
3)根据公式(23)计算粒子的适应值，并初始化个体极值和全局极值；
[0168]
4)更新粒子的速度和位置；
[0169]
5)若在迭代过程中粒子飞出了解空间，即源网荷储的运行策略不满足约束条件时，需重置粒子的位置，令它处于边界处；
[0170]
6)根据公式(23)计算种群中每个粒子对应的适应值；
[0171]
7)判断种群中的每个粒子是否是活跃粒子，如果不是，要求重置，重新计算；
[0172]
8)根据适应值选择出最优的粒子；(每个粒子都对应一个适应值，适应值最优的所对应的那个粒子就是最优粒子)
[0173]
9)判别算法是否结束，若是，则结束计算，输出当前的最优结果；若算法尚未结束，则前往步骤4)重新进行迭代优化；
[0174]
10)将最优结果解码，得到最优的源网荷储的运行策略。