基于MAS的主动配电网多源协调优化调度

蒲天骄李烨陈乃仕王晓辉刘广一

（中国电力科学研究院北京100192）

基于MAS的主动配电网多源协调优化调度

蒲天骄李烨陈乃仕王晓辉刘广一

（中国电力科学研究院北京100192）

为实现主动配电网（ADN）中大量间歇式可再生能源的充分消纳以及储能装置、柔性负荷等可调资源的有效利用，提出了适用于主动配电网的储能实时优化调度模型和考虑用户与电网互动特性的柔性负荷模型；在此基础上，构建了一种基于多代理系统（MAS）的主动配电网三层多源协调优化调度架构，提出了区域自治协调优化调度策略，以支持主动配电网中多种可调设备的联合优化调度；最后，采用JADE开发平台搭建了多代理系统仿真环境，通过算例系统，验证了所提出的实时优化调度策略的有效性。

主动配电网储能模型柔性负荷模型多源协调优化多代理系统

3　引言

在配电网中应用分布式可再生能源发电，不仅能提高资源利用效率，降低发电带来的环境污染，还能降低主网远距离输电产生的损耗，提高配电网的灵活性。因此，为了实现大量间歇式新能源的充分消纳和多种可控设备的优化控制，提出了主动配电网技术。主动配电网（Active Distribution Network，ADN）是运用更灵活的网络拓扑结构来进行潮流管理，从而对局部的分布式能源进行主动控制和主动管理的配电系统［1］。如何通过有效优化调度策略实现接入的大量间歇式新能源的充分消纳和可调资源的优化调度，以保证电网安全、经济和高效运行，是目前主动配电网研究的核心问题［2，3］。

目前，国内外学者已开展了主动配电网的多源协调优化调度技术研究及示范工程建设。其中最具影响力的是欧盟FP6主导的ADINE（即Active Distribution Network）示范工程［4］，其演示了主动配电网调度管理系统如何有效平抑大规模分布式电源接入带来的波动，以使网络的运行状况更加优化。文献［5-7］提出了基于最优潮流算法的主动配电网优化调度模型，以找到各种控制选项的最优组合（分布式电源、需求侧管理、可控负载、无功补偿、变压器分接头），实现配电网运行过程的总成本最小。但由于主动配电网中可调设备数量过多，对全网进行最优潮流计算难以保证计算速度，且长时间尺度的优化计算未充分体现主动配电网主动、灵活的运行特性。文献［8，9］提出了一种适用于主动配电网的多时间尺度、多源协调优化调度框架，以基于最优潮流计算的长时间尺度下全局优化策略和短时间尺度下的区域自治控制相配合，实现主动配电网的优化运行。该协调优化调度方法印证了分布式控制是未来主动配电网运行控制模式的趋势，但对分布式电源出力预测的准确度依赖很大，且并未考虑主动配电网中储能系统实时变化的能量约束及柔性负荷参与协调控制。

由于主动配电网具有大量分布式可调资源、数据交互多、控制方式灵活等特点，因此其分布式优化调度技术成为研究热点。人工智能范畴的多代理系统（Multi-Agent System，MAS）具有良好的自治性、适应性、协调性和社会性，能很好地解决分布式系统的协调优化问题［10-13］，目前被广泛应用于配电网和微电网的研究领域［14-17］。文献［14］建立了多微网环境中的能量协调调度方法，提出了分层调度方案，在负荷变化时以可调发电单元作为主要调控手段。

本文提出了储能实时优化调度模型和柔性负荷模型，并利用MAS构建适用于主动配电网的分布式多源协调优化调度架构以及区域自治协调优化调度策略。最后基于JADE开发平台搭建仿真环境，结合算例系统进行验证。

3　储能实时优化调度模型

1.1储能传统优化调度模型

储能设备一般受最大存储容量限制，且为了延长蓄电池的使用寿命，不允许过充过放，其基本模型及约束如式（1）所示。式中：Ec为储能额定容量；SOC（t）、SOC（t-1）分别为储能t时刻和t-1时刻的荷电状态；Pch（t）、Pdis（t）分别为t时刻储能充电功率和放电功率；ηch和ηdis分别为充电效率和放电效率；SOCmin和SOCmax分别为最小、最大充电状态值，取值范围为（0，1］；Pc，max和Pd，max分别为充、放电最大功率。

传统的运行优化模型中储能一般考虑其运行周期内充放电量平衡约束（如式（2）所示），进行长时间尺度优化。

式中T为一个周期的时间，一般取24 h。

但因可再生能源受天气影响出力波动性很大，进行长时间尺度优化准确性不高，也未充分发挥储能设备在主动配电网中的调节作用，因此提出储能虚拟充放电价格，即对储能不同SOC、不同充放电功率定义不同的虚拟价格，以指导储能进行充放电。

1.2储能虚拟放电价格

设置储能虚拟放电价格为

式中a1、a2、a3、a4分别为虚拟放电价格系数，可根据储能优化目标设置不同的系数，但虚拟放电价格需满足一定规律：当Pdis（t）一定时，SOC（t）越大，表示储能电量越充足，虚拟放电价格应越低；当SOC（t）一定时，Pdis（t）越大，表示该时段储能电量消耗较多，虚拟放电价格应越高。

根据上述规律、储能优化目标和约束，设置储能运行关键点的虚拟放电价格，进行曲线拟合后，得到储能虚拟放电价格与SOC、Pdis的关系曲线如图1所示，对其进行求解即可得到系数a1、a2、a3、a4的值。

图1　储能虚拟放电价格曲线Fig.1 Virtual discharge price of energy storage

通过储能虚拟放电价格的设置，可引导储能在电网电价高且剩余电量较多时，采用大功率放电，以缓解电网供电压力；在电网电价不高且剩余电量不多时，减小放电功率，使储能维持一定能量，能在紧急时提供功率支持，提高系统运行可靠性。

1.3储能虚拟充电价格

储能中储存的能量也来自电网，需要设置其充电策略。为了平抑负荷峰谷，根据分时电价设置储能充电策略，如表1所示。

表1　储能充电策略Tab.1 Charge strategy of energy storage

储能充电策略主要跟储能剩余电量有关，其虚拟充电价格为

式中b1、b2为虚拟充电价格系数，可根据电网电价设置。SOC（t）越小，表示储能电量越少，为保持一定存储能量，需要充电，充电获得的虚拟效益越高，虚拟充电价格应越高。

通过虚拟充电价格的设置，可引导储能在电网电价低且剩余电量较少时，采用大功率进行充电，快速提高储能电量；在电网电价平时且剩余电量较少时，采用小功率进行充电。

3　柔性负荷模型

主动配电网中的柔性负荷包括热水器、冰箱、空调、洗衣机、电视等家用电器以及商场和单位的中央空调等设备。由于这类负荷具有热惯性或用电行为具有较大的灵活性，所以在不影响用户使用感受的前提下允许对这类负荷进行开停控制，或通过电价信号引导用户的用电行为。因此从负荷的灵活可控特性出发，可将负荷分为刚性负荷和柔性负荷，如式（5）所示。

式中：PLdr为刚性负荷，负荷量变化不受电网电价波动影响，在t时刻可表示为不随外界变化的常数；PLf为柔性负荷，其用电行为具有较大的灵活性，受电网电价C以及其他影响负荷用电行为的参数因子λ（如气温、日照强度等）的影响。相同参数因子λ下，电价C越高，柔性负荷越少；电价C越低，柔性负荷越高。

为引导用户将柔性负荷从电价高时转移至电价低时，实现削峰填谷和系统经济运行，引入用户柔性负荷期望电价CLf（t），如式（6）所示。

式中ρ1、ρ2为柔性负荷期望电价系数。

当t时刻用户柔性负荷用电需求越多时，柔性负荷的期望电价越低；相反，柔性负荷用电需求越少时，其期望电价越高。以此可实现当电网电价高于柔性负荷的期望电价，减少柔性负荷；当电网电价低于负荷期望电价时，增加柔性负荷，实现柔性负荷削峰填谷双重调峰效益。

3　基于MAS的主动配电网多源协调优化调度架构

3.1Agent的通用结构

MAS是由多个Agent组成，每个Agent可代表一个物理的或抽象的实体。Agent相互之间是独立自主的，能作用于自身和环境，也能对环境的变化作出反应，更重要的是能与其他Agent通信、交互，彼此协调工作，完成共同任务，其通用结构如图2所示。

图2　Agent单元通用结构Fig.2 Fundamental structure of Agent subjectmodel

在实际应用中，主要对Agent的“内部数据库”和“知识方法库”进行设置，实现Agent内部自治控制，并通过设置Agent之间的交互模式，实现各Agent间的协调交互。

3.2总体架构设计

基于MAS的主动配电网实时优化调度系统按照“主导Agent—节点Agent—单元Agent”三层架构设计，如图3所示。

1）主导Agent层，派发电网电价信号给各区域，引导区域自治优化，并收集各区域优化的反馈信息，对全网安全约束进行校验。

2）节点Agent层，响应主导Agent的电价信号，按照区域运行成本最小目标，对区域内部的单元进行优化调度。

3）单元Agent层，用于模拟可控型分布式发电（燃料电池、燃汽轮机等）、柔性负荷、储能等不同的可调对象，响应节点Agent的调度指令。

图3　基于MAS的多源协调优化调度结构Fig.3 The framework ofmulti-source coordinated optimal dispatch

3.3主导Agent

主导Agent功能主要包括电网电价信号的派发和系统安全约束的校验。前者实现优化调度信号的传送，后者实现对各节点自治结果进行校验。

各节点Agent接收到主导Agent的电价信号后进行自治优化，控制该区域各可调设备。

主导Agent收集各节点Agent的自治优化结果后进行全网校验。例如节点电压校验，各节点电压需满足式（7）。

式中Umax、Umin为节点电压的上下限值。

3.4节点Agent

节点Agent根据区域运行成本最小为目标进行优化计算，所求得的调度策略会由单元Agent来执行实现。节点Agent只需要收集数据进行优化计算以及计算结果的下发和上报，其优化目标为

式中：Cgrid（t）为t时段主导Agent下发的电网电价，是已知量；Pgrid（t）为t时段流入节点i的电网电量；CL（t）为t时段柔性负荷的期望电价；PL（t，CL，λ）为t时段该节点负荷期望电价下的负荷量；M为该节点储能放电设备数量；N为该节点储能充电设备数量；M和N的和为总储能设备数量；Cdis，m（t，Pdis，SOC）为t时段该节点第m个储能设备的虚拟放电成本；Pdis，m（t）为t时段该节点第m个储能设备的放电功率；Cch，n（t，Pch，SOC）为t时段该节点第n个储能设备的虚拟充电效益；Pch，n（t）为t时段该节点第n个储能设备的充电功率。

式（8）优化目标的实际意义是：在确保可再生能源发电最大化利用的前提下，即优化模型中不计风机光伏的运行成本，采用最大功率跟踪点输出模式，最大化利用可再生能源，节点Agent响应主导Agent下发的电网电价信号，对该节点中可控单元Agent进行自治优化调度，实现该区域的运行成本最低。当t时刻负荷的期望电价小于主导Agent下发的电网电价时，减少负荷量，反之增加；当t时刻储能虚拟放电成本小于电网电价时，则储能放电；当t时刻储能虚拟充电效益大于电网电价时，则储能充电。以此实现该区域在电价高时多用分布式电源和储能来代替上级电网供电，并实现削峰填谷。

节点Agent优化时考虑的约束如下：

1）功率平衡约束

式中：D为该节点分布式电源的数量，包括风机、光伏等；Pdg，d（t）为t时段该节点第d个分布式电源的有功出力；Ploss（t）表示t时段的该区域网损。

2）联络线约束

式中Pgrid，max、Pgrid，min分别为该节点与主网联络线上允许交互功率的上下限值。

3）负荷约束

式中PL，max、PL，min分别为该节点负荷量的上下限值。

4）储能约束

储能约束包括荷电状态约束和充放电功率约束，如式（1）所示。

3　区域自治协调优化调度策略

在“主导Agent—节点Agent—单元Agent”三层架构的基础上，提出区域自治协调优化调度策略，即节点Agent在主导Agent下发的电价信号引导下，进行区域自治优化，当优化结果不越限时，各区域保持自治状态；越限时，主导Agent进行区域间协调优化，详细调度过程如图4所示。

图4　区域自治协调优化调度流程Fig.4 Flow chart of optimal dispatch in regional autonomy coordination mode

步骤1：主导Agent网络初始化，载入初始断面。

步骤2：t=1，主导Agent下发t时刻激励信号St。

步骤3：各节点接收St，通过目标函数内部协调。

步骤4：各节点向主导Agent发送信息。

步骤5：主导Agent进行全网安全校验，检验各节点的自治优化调度策略是否满足全局安全约束。

步骤6：若无越限，进入步骤7，若安全越限，则主导Agent进行区域协调优化调度，进入子流程：①主导Agent向各下属节点Agent询问各区域的负荷调节裕度和储能充放电裕度；②各节点计算内部负荷和储能的调节裕度，并向主导Agent汇报；③主导Agent根据上报的调节容量，优化调整各节点的潮流功率值；④各节点Agent按照优化的功率值调整内部资源；⑤返回步骤5。

步骤7：t=t+1，St→St+1，回到步骤2。

区域自治协调优化调度策略主要采用各区域分布式自治调度，仅当区域自治不满足时，进行区域间的协调优化。该方法的区域自治调度保证了电网实时优化的计算速度，切合主动配电网中间歇式能源的就地消纳原则。而区域协调考虑了全网可调资源的优化利用，作为区域自治时的补充。

3　仿真算例

5.1仿真环境

采用JADE（Java Agent Development Environment）作为基础平台，搭建多代理系统的仿真环境。JADE是基于Java语言的Agent开发框架，用于开发MAS和符合FIPA标准的智能Agent应用程序。

5.2算例1

1）算例模型

算例基于标准IEEE33节点，对其中4个负荷较大的节点（6、14、24、30）添加了分布式电源和储能，具体算例参数如附图1、附图2和附表1所示。在JADE平台中构建4个节点Agent，分别对各自所管辖的单元Agent进行优化调度，并建立主导Agent进行全局管理，实现光伏和风电充分消纳，并实现负荷削峰填谷。

根据主导Agent的电价信号，制定各节点储能参数和负荷参数，如表2、表3所示。

表2　储能参数Tab.2 Parameters of Storage

表3　负荷参数Tab.3 Parameters of load

2）仿真结果及说明

图5为节点6的仿真结果。节点6负荷曲线为凸型，与该节点接入的光伏特性相似。在谷时（0∶00～8∶00）电价较低，该节点Agent调度储能进行充电，增加了该节点向电网的购电量。在平时（8∶00～11∶00），电价中等，此时负荷量不大，优化结果是增加柔性负荷，而储能因为已充满，则小电流放电维持SOC满足约束，光伏也有部分出力支持，因此此时向电网的购电量与优化前基本持平。在峰时（11∶00～16∶00），优化结果是储能多放电、柔性负荷减小，且此时光伏出力也很大，因此电网电量需求减少，同时也减少了整个电网高峰时负荷电量。在平时（16∶00～19∶00），由于储能在上个时段放电较多，导致SOC接近最小值，在该时段进行充电，且柔性负荷有所增加，导致该时段电网购电量有所增加。在峰时（19∶00～22∶00），同样由于柔性负荷的减少和储能放电支持，该时段向电网购电量减少。在平时（22∶00～0∶00），柔性负荷有所增加，该时段向电网购电量略微增加。

图5　节点6的仿真结果Fig.5 Simulation results of node 6#

如图6所示，节点14进行了类似的策略，但负荷为凹型曲线，同样接入光伏，在光伏出力高时负荷量较低，在电网价格高时，此时光伏和储能作为主要供电手段。

图6　节点14的仿真结果Fig.6 Simulation results of node 14#

如图7、图8所示，节点24、31与前两个节点类似，但接入的分布式电源不再是光伏而是风电，由图可见风电出力特性更随机。

图7　节点24的仿真结果Fig.7 Simulation results of node 24#

图8　节点30的仿真结果Fig.8 Simulation results of node 30#

如图7、图8所示，在电价峰时，负荷量很低，风电出力和储能高于负荷量时，可向电网送电。

结合图5～图8，各节点均实现了分布式电源接入后总购电量的下降，同时实现了区域自治优化调度。以上各节点自治优化全部基于主导Agent下发的电价信号和安全校验，图9为24时段连续仿真过程中，主导Agent全网电压的校验结果，从图中可看出，优化后全网电压水平有所提高，未出现越限情况。图10为优化前后仿真算例0-1线路传输功率的比较曲线，从图中可看出，相比于优化前的全网与上级电网的传输功率波动有所平缓。

图9　全网最低电压幅值曲线Fig.9 Compare of the lowest voltage amplitude

图10　0-1线路传输功率曲线Fig.10 Compare of the 0-1 line transmission power

5.3算例2

1）算例模型

对欧盟MOREMICROGRIDS项目NTUA（国立雅典理工大学）提出的测试网络进行了一定程度的简化，并作为算例系统，如附图3所示。系统共包含3个区域，每个区域包含负荷、风机、光伏、储能等几类单元Agent。每个区域都被分配一个区域Agent（相当于节点Agent）负责根据区域协调策略对各区域进行协调管理。还有一个主导Agent负责对区域Agent进行协调。主导Agent目标为控制相邻时段之间4#联络线传输功率波动不超过60 kW，各区域的节点Agent目标为控制各区与上级电网传输功率波动不超过20 kW，如果超过，则进行区域间协调调度。为便于研究，假设以1 h为一个时段，每个时段内各模型功率不变。

2）仿真结果及分析

得到区域1优化调度结果如图11所示。从图11中可看出，调度后1#联络线的传输功率的波动幅度明显减小。3时段区域1的节点Agent进行优化控制后，1#联络线传输功率比2时段增加27.5 kW，超过了区域自治目标，主导Agent进行了区域间的协调调度，维持4#联络线传输功率小于60 kW。在大多数时刻，区域1的节点Agent通过自治优化即可消纳风机出力的波动，满足自治目标。

图11　区域1优化调度结果Fig.11 Result of area one optimal dispatch

第3时段区域协调调度过程的通信信息图如图12所示。df表示JADE平台的通信注册表，所有Agent之间的互联关系都贮存在df表中，当两个Agent需要通信时，由df表给出通信路径。

图12　区域协调调度过程的通信信息图Fig.12 Communication chart of regional coordination

通过上述算例流程可看出：各区域如果可内部协调满足要求，则不需要向上级传输信息。对主导Agent来说，当节点Agent不能内部协调时会发来协调请求，节点内部具体的协调过程相对主导Agent是隐藏的。当某时刻某区域调度策略发生变化时，只需修改该节点Agent的策略；当区域间策略发生变化时也只需修改主导Agent，不需要对整个系统的优化调度模型进行修改。

3　结论

对主动配电网多源协调优化调度模型、优化调度架构以及优化调度策略进行了研究，所得结论如下：

1）为了实现主动配电网实时优化调度，对传统的储能模型进行了改进，提出了储能虚拟充放电成本。还建立了具有可控特性的负荷模型，并通过仿真算例验证了模型的有效性。

2）提出的“主导Agent—节点Agent—单元Agent”三层多源协调优化调度架构将全网优化模型的目标和约束分散到节点Agent和单元Agent中，利用Agent之间的交互和通信，通过主导Agent引导各区域进行分布式优化调度。该架构可扩展性强，交互方式灵活，计算效率高。

3）提出了基于MAS的区域自治协调优化调度策略，并基于JADE开发平台搭建了仿真环境，以两个典型系统为例，采用区域自治协调优化调度策略可实现主动配电网多源协调优化调度。

附录仿真系统参数

附图1　IEEE配网33节点改造模型App.Fig.1 IEEE 33 enhanced model

附图1中，DES表示储能，L表示负荷，WT表示风电，PV表示光伏，由节点Agent进行节点调度，在0节点上建立主导Agent进行全局管理。

附表1节点分配App.Tab.1 Classified-processing node allocation

附图2　24 h连续分时价格曲线App.Fig.2 Continuous price signal in 24 h

附图2中的分时价格曲线分为峰时、平时和谷时，分别为0.83元、0.49元和0.17元。

附图3算例系统App.Fig.3 Moremicrogrids in ntua

［1］D'Adamo C，Jupe S，Abbey C.Global survey on planning and operation of active distribution networksupdate of CIGRE C6.11 working group activities［C］. 20th International Conference and Exhibition on Electricity Distribution，Prague，Czech Republic，2009：1-4.

［2］范明天，张祖平，苏傲雪，等.主动配电系统可行技术的研究［J］.中国电机工程学报，2013，33（22）：12-18.

Fan Mingtian，Zhang Zuping，Su Aoxue，et al. Enabling technologies for active distribution systems［J］. Proceedings of the CSEE，2013，33（22）：12-18.

［3］尤毅，刘东，于文鹏，等.主动配电网技术及其进展［J］.电力系统自动化，2012，36（18）：10-16.

You Yi，Liu Dong，Yu Wenpeng，et al.Technology andits trends of active distribution network［J］.Automation of Electric Power Systems，2012，36（18）：10-16.

［4］Samuelsson O，Repo S，Jessler R，et al.Active distribution network—demonstration project ADINE［C］. 2010 IEEE PES Innovative Smart Grid Technologies Conference Europe（ISGT Europe），Gothenburg，2010：1-8.

［5］Pilo F，Pisano G，Soma G G.Advanced DMS to manage active distribution networks［C］.2009 IEEE Bucharest Power Tech，Bucharest，2009：1-8.

［6］Pilo F，Pisano G，Soma G G.Digital model of a distribution management system for the optimal operation of active distribution systems［C］.Proceedings of the CIRED Seminar Smart Grids for Distribution，Frankfurt，2008：1-5.

［7］Peikherfeh M，Seifi H，Sheikh-El-Eslami M K.Active management of distribution networks in presence of distributed generations［C］.2011 International Conference on Clean Electrical Power（ICCEP），Ischia，2011：725-729.

［8］尤毅，刘东，钟清，等.多时间尺度下基于主动配电网的分布式电源协调控制［J］.电力系统自动化，2014，38（9）：192-198.

You Yi，Liu Dong，Zhong Qing，et al.Multi-time scale coordinated control of distributed generators based on active distribution network［J］.Automation of Electric Power Systems，2014，38（9）：192-198.

［9］尤毅，刘东，钟清，等.主动配电网优化调度策略研究［J］.电力系统自动化，2014，38（9）：177-183.

You Yi，Liu Dong，Zhong Qing，et al.Research on optimal schedule strategy for active distribution network［J］.Automation of Electric Power Systems，2014，38（9）：177-183.

［10］Jacques F.Multi-Agent Systems：An Introduction to Distributed Artificial Intelligence［M］.New York：Addision-Wesley，1999.

［11］Maja H，Elizabeth C.Onto-agentmethodology for design of ontology-based multi-agent systems［J］.International Journal of Computer Systems Science&Engineering，2008，23（1）：19-30.

［12］Wooldridge M.Agent-based software engineering［J］. IEE Proceedings Software Engineering，1997，144（l）：26-37.

［13］刘宏进，袁斌，戴宏伟，等.多代理系统及其在电力系统中的应用［J］.电力系统自动化，2001，25（19）：45-51.

Liu Hongjin，Yuan Bin，Dai Hongwei，et al.Multiagent system and its application in power systems［J］. Automation of Electric Power Systems，2001，25（19）：45-51.

［14］丁明，马凯，毕锐.基于多代理系统的多微网能量协调控制［J］.电力系统保护与控制，2013，41（24）：1-8.

Ding Ming，Ma Kai，Bi Rui.Energy coordination control of multi-microgrid based on multi-agent system［J］.Power System Protection and Control，2013，41（24）：1-8.

［15］Davidson EM，McArthur S D J.Exploiting multi-agent system technology within an autonomous regional active networkmanagement system［C］.International Conference on Intelligent Systems Applications to Power Systems，TokiMesse，Niigata，2007：1-6.

［16］章健，艾芊，王新刚，等.多代理系统在微电网中的应用［J］.电力系统自动化，2008，32（24）：80-82，87.

Zhang Jian，Ai Qian，Wang Xingang，et al. Application of multi-agent system in a microgrid［J］. Automation of Electric Power Systems，2008，32（24）：80-82，87.

［17］茆美琴，金鹏，奚媛媛，等.基于多因子和合同网协调机制的微网多Agent混和能量管理方法［J］.中国电机工程学报，2014，34（31）：5542-5552.

Mao Meiqin，Jin Peng，Xi Yuanyuan，etal.Method of multi-agent hybrid energymanagement formicrogrids［J］. Proceedings of the CSEE，2014，34（31）：5542-5552.

M ulti-source Coordinated Optimal Dispatch for Active Distribution Network Based on M ulti-agent System

Pu Tianjiao Li Ye Chen Naishi Wang Xiaohui Liu Guangyi
（China Electric Power Research Institute Beijing 100192 China）

In order to fully consume large amounts of intermittent renewable energy and achieve effective utilization of storage devices，flexible loads and other controllable devices，an optimal dispatch model of energy storage in real time and a flexible load model considering the interaction between the consumers and the grid are proposed in this paper.On that basis，a distributed 3-tier framework ofmulti-source coordinated optimal dispatch for ADN based onmulti-agent system（MAS）is constructed and an optimal dispatch strategy of regional autonomy coordination in order to support the joint optimal dispatch ofmultiple controllable devices is proposed.Finally，in JADE MAS development platform，a simulation framework is built.The feasibility of the proposed multi-source coordinated real-time optimal dispatch strategy is then verified.

Active distribution network，energy storage model，flexible load model，multi-source coordinated optimal，multi-agent system

TM315

蒲天骄男，1970年生，教授级高工，研究方向为电力系统控制、智能电网仿真和主动配电网。（通信作者）

李烨女，1990年生，助理工程师，研究方向为智能电网仿真以及新能源优化调度。

国家高技术研究发展（863）计划项目（2014AA051901）和国家电网公司科技项目（52020115001F）资助。

2015-06-01改稿日期2015-10-10