兼顾不同主体利益的主动配电网优化调度

卢锦玲， 赵大千， 陈传宝， 杨 进

(1.华北电力大学 电气与电子工程学院，河北 保定 071003；2.国网保定供电公司，河北 保定 071051)

兼顾不同主体利益的主动配电网优化调度

卢锦玲1， 赵大千1， 陈传宝1， 杨 进2

(1.华北电力大学 电气与电子工程学院，河北 保定 071003；2.国网保定供电公司，河北 保定 071051)

基于先进的量测和通信技术，对电源、电网和负荷侧设备进行灵活的控制和管理，以提高配电网对大规模分布式电源的消纳能力，是主动配电网区别于传统配电网的重要特点。综合考虑可调度分布式电源、储能、有载调压变压器、分组投切电容器和需求侧资源的主动控制和管理，在考虑环境效益的同时，兼顾配电公司和分布式发电商2个不同主体的利益，建立了以配电公司运行成本最小、分布式发电商净收益最大、污染气体排放量最低为目标的主动配电网日前优化调度模型，并提出了一种基于多样性策略的改进蝙蝠算法进行求解。采用熵权TOPSIS法进行综合决策，从Pareto解集中选取最优调度方案。最后以扩展的IEEE 33节点配电系统为算例，证明了上述调度模型和算法的合理性和有效性。

主动配电网； 多目标优化； 日前调度； 环境效益； 不同主体利益

0 引言

电力系统中的分布式电源(Distributed Generation，DG)根据其控制特性可分为可调度分布式电源和不可调度分布式电源2类。可调度DG一般都是非间歇性的、可控的电源，如微型燃气轮机(Micro-gas Turbine，MT)、燃料电池等；不可调度DG的出力则取决于环境因素，具有间歇性和不确定性，因此是不可控的，如光伏电源(Photovoltaic，PV)、风机(Wind Turbine，WT)等。通过对可调度分布式电源等可控资源的控制和管理，保证配电网安全经济运行，是配电网优化调度的首要目标。

主动配电网(Active Distribution Network，ADN)的概念首次提出于2008年的国际大电网会议，旨在通过对电源侧、电网侧和负荷侧设备进行灵活的主动控制和管理，以促进配电网对大规模分布式电源的安全经济消纳[1]。因此，相对于传统配电网ADN具有更多的可控资源。主动配电网优化调度需考虑储能、有载调压变压器、无功补偿、需求侧资源的控制和管理，具有更多的决策变量和约束条件，其优化模型也更加复杂。

相对于传统配电网，主动配电网优化调度研究在国内外尚处于起步阶段，但是也取得了一定的研究成果。文献[2]基于主动配电网能量管理系统，采用机会约束规划方法建立了考虑分布式风机和光伏电源出力不确定性的主动配电网能量调度数学模型；文献[3]通过设定调度优先级对主动配电网中的分布式可控资源进行协调优化调度，以一天24 h作为一个调度周期，实现可再生能源利用率、网损和用户满意度多个目标的综合优化；文献[4-6]采用多时间尺度优化调度方法，即基于负荷预测的日前优化调度和基于当前状态的实时优化调度相结合，实现了ADN可再生能源的高效利用；文献[7]在考虑分布式电源出力和电价不确定性的基础上，建立了可控负荷、有载调压变压器(On-Load Tap Changer，OLTC)、并联电容器协同调度的线性化优化模型，并采用一种降压节能的控制策略使ADN运行收益最大化；文献[8]将分布式电源、储能和微网作为控制对象，建立了网损最少、电压偏移最小、负荷峰谷差最小的主动配电网多目标优化调度模型，并采用粒子群-菌群算法解出最优调度方案。但是多数研究成果存在以下问题：没有考虑调度方案的环境效益，未把环境指标加入优化目标之中；只考虑了配电公司的运行成本进行优化，没有兼顾配电公司和分布式发电商不同主体的利益。

针对上述问题，本文以配电公司运行成本最小、分布式发电商净收益最大和污染气体排放量最小为目标，全面考虑可调度分布式电源、储能、有载调压变压器、分组投切电容器和需求侧资源作为控制对象，建立ADN多目标日前优化调度模型。提出了一种改进蝙蝠算法求解上述模型，并采用熵权TOPSIS法选择最终调度方案。最后以算例仿真结果证明了本文调度模型和算法的合理性和有效性。

1 主动配电网多目标优化调度模型

1.1目标函数

(1)配电公司运行成本最小。

主动配电网的运行成本为：

(1)

(2)

(2)分布式发电商净收益最大。计算公式如下：

(3)

(4)

式中：cf、com分别为DG单位有功出力的燃料费用和运行维护费用。

(3)污染气体排放量最低。假设储能和不可调度DG在运行过程中不产生污染气体，即仅考虑上级火电厂和可调度DG的污染气体排放。计算公式如下：

(5)

式中：ΩN-DG为ADN中所有不可调度DG节点的集合；K为污染气体种类数；ωk为第k种污染气体的权重；eg,k为g节点处不可调度DG单位有功出力时排放的第k种污染气体的量；ek为火电厂发电机单位有功出力时排放的第k种污染气体的量。

1.2约束条件

(1)功率平衡约束。

(6)

(2)节点电压约束。

(7)

(3)线路潮流约束。

(8)

(4)可调度DG出力及爬坡率约束。

(9)

(5)储能设备功率及荷电状态约束。

(10)

为保证持续性充放电调度，储能设备一个周期内的充放电能量应保持大致平衡，即满足：

(11)

(6)OLTC分接头调节约束。

(12)

(7)电容器投切约束。

(13)

(8)需求侧负荷中断约束。

主动配电网的需求侧管理一般包括2种方法：一是基于峰谷电价的负荷转移，即通过制定峰谷电价来引导用户改变其用电行为，属于被动的、不可控的管理措施；二是基于合同的负荷中断，即配电公司按照事先与用户签订的合同对其负荷进行削减，并给予该用户一定经济补偿[9]。本文考虑第2种方法，即基于合同的负荷中断。可中断负荷是一种可控的需求侧资源，在对其进行主动控制时要满足以下约束：

(14)

2 多目标优化调度模型求解方法

2.1传统蝙蝠算法

蝙蝠算法(Bat Algorithm，BA)首次提出于文献[10]。它通过模拟自然界中蝙蝠群利用回声定位进行捕食的行为，对某个问题的目标函数进行优化。在BA中，每个优化问题的解都可看作搜索空间中的一个“蝙蝠”。t时刻，每个蝙蝠都有自己的空间位置xit和飞行速度vit，同时具有不同的频率fi(或波长)、响度Ait和脉冲发射率rit。蝙蝠在追捕猎物的同时，改变自身的频率、响度和脉冲发射率，进行最优解的选择，直到目标停止或条件得到满足。

蝙蝠的频率、速度和位置的更新公式为：

(15)

式中：fmax、fmin为脉冲频率的上下限；β为[0,1]上均匀分布的随机变量；x*为当前时刻蝙蝠群中的最优蝙蝠位置。

蝙蝠的响度和脉冲发射率采用下式进行更新：

(16)

式中：α为取值[0,1]之间的常数；ri0为蝙蝠i的最大脉冲响度；γ为正常数。

2.2基于多样性策略的改进蝙蝠算法

传统蝙蝠算法收敛速度快、鲁棒性强，已经在多个学科领域得到了实践和应用；但是该算法后期收敛速度慢、缺乏种群多样性、易陷入局部最优解[11-12]。针对传统蝙蝠算法的不足之处，本文提出了一种基于多样性策略的改进蝙蝠算法进行求解。

(1)引入线性递减惯性权重系数。

在蝙蝠速度更新公式中引入惯性权重系数ω，如下式：

(17)

式中：ω是随着算法迭代次数的增加而线性递减的参数。算法迭代前期，ω值比较大，有利于蝙蝠在更大的空间范围内进行搜索，从而提高BA的全局搜索能力，避免算法过快收敛、陷入局部最优；算法迭代后期，ω值变小，有利于提高算法的局部搜索能力，后期收敛速度较快、精度较高。

(2)运用吸引排斥机制保持种群多样性。

蝙蝠算法种群多样性(div)的计算公式为：

(18)

吸引排斥机制就是通过引入种群多样性阈值dth，将蝙蝠种群进行“吸引”或“排斥”操作。当div≥dth时，种群向中心进行吸引操作、减少种群多样性，即按照式(17)进行蝙蝠速度更新；当div

(19)

可见，吸引排斥机制能够有效防止蝙蝠群多样性在迭代后期不断减少，有利于保持种群多样性，避免算法进入早熟、陷入局部最优。

采用改进蝙蝠算法的ADN优化调度流程图如图1所示。

图1 采用改进蝙蝠算法的ADN优化调度流程图

3 熵权TOPSIS法综合决策

熵权法是一种根据各评价指标变异程度的大小来确定其客观权重的方法[13]。一般情况下，若某个评价指标的变异程度越大，则这个指标包含的信息量就越多，在综合决策中所占的权重就越大。反之，则权重越小。

TOPSIS法(Technique for Order Preference by Similarity to Ideal Solution)[14]是一种逼近于理想解的排序法，即根据评价对象与理想化目标的接近程度来判定对象的优劣程度：若评价对象在离理想解最近的同时离负理想解最远，则为最优；否则不为最优。熵权TOPSIS法就是采用熵权法指导TOPSIS法中各指标权重的确定，可以全面利用评价对象的信息，得出不受决策者主观偏好影响的最终方案。熵权TOPSIS法综合决策步骤如下：

4 算例分析

4.1算例参数

本文算例采用扩展IEEE 33节点配电系统[15]，如图2所示。

图2 扩展IEEE 33节点配电系统

系统的额定电压为12.66 kV，网络最大总负荷为(4 427+j2 547)kVA。节点电压取值范围为0.95～1.05 p.u.，节点1到节点5之间的线路最大载流量为0.474 kA，其他线路的最大载流量为0.316 kA。本文假设光伏电源、储能为纯有功出力，风机、微型燃气轮机和可中断负荷的功率因数均为0.95。单台光伏电源、风机的额定容量均为1 MW；微型燃气轮机的可调容量为600 kW，最大爬坡率为180 kW/h。储能装置容量为1 MW·h，最大充放电功率为200 kW，充放电效率为0.9，SOC调节范围为20%～90%，充放电能量平衡阈值ε为0.01。每个调度周期储能的初始电量为其总容量的20%。OLTC分接头调节范围为0.95～1.05(8×0.012 5)，一天内最大调整次数为6次。分组投切电容器共10组，每组无功补偿量为100 kVar，一天内最大投切次数为4次。可中断负荷节点为5、17、30，最大中断量为该点负荷的60%，一天内最大中断时长为2 h。上级火电厂和可调度DG排放的污染气体有CO2、SO2和NO2，考虑环境成本确定其权重分别为0.001 9、0.411 0和0.587 1[16]。

算例以一个典型日24 h为调度周期，调度间隔为1 h。负荷、光伏电源、风机全天的有功出力变化参考文献[17]；优化模型中的成本参数和环境参数取值见表1和表2。改进蝙蝠算法种群规模Np=60，最大迭代次数Gmax=100，最大和最小惯性权重系数分别为1和0.6。

表1 优化模型的成本参数取值

注：峰时为8∶00～22∶00，谷时为22∶00～次日8∶00。

表2 优化模型的环境参数取值

4.2结果分析

熵权TOPSIS法综合决策中理想解、负理想解和最终Pareto解集(未进行归一和加权)的分布情况如图3所示。如本文第3节所述，通过计算Pareto解集中各解与理想解的相对接近度，即可确定最终决策方案。

图3 最终Pareto解集的分布情况

采用本文改进蝙蝠算法得到的最优调度结果如图4所示。由图4可以看出，储能设备在高峰负荷时段(8∶00～22∶00)一般进行充电，而在低谷负荷时段(22∶00～次日8∶00)进行放电。这是因为电力市场中峰时电价高于谷时电价，通过储能的有序充放电可以将部分峰时负荷转移到谷时，从而减少峰时的购电量，降低运行成本。对于储能设备在峰时的个别放电行为和在谷时的个别充电行为，这是由于储能充放电需满足一定的荷电状态约束，不能过分充电或放电。另外，可中断负荷一般在峰时进行中断，这是因为在中断量相同的情况下，中断峰时的负荷相对于中断谷时的负荷具有更优的经济效益。

图4 主动配电网多目标优化调度结果

仅考虑配电公司运行成本的单目标优化调度结果如图5所示。

图5 主动配电网单目标优化调度结果

多目标优化调度和单目标优化调度的系统指标对比见表3。其中，平均最大/最小电压是指ADN中各节点最大/最小电压在一个调度周期的平均值。由图5和表3可见，多目标和单目标优化的最终调度方案不同。多目标优化调度中MT的出力总体高于单目标优化调度，即：考虑环境效益和不同主体利益的优化调度方案中可调度DG的消纳容量更高。相对于单目标优化调度，多目标优化调度方案虽然具有较高的运行成本，但是分布式发电商收益更大、污染气体排放量较少，且系统平均电压水平较高。这是因为多目标优化调度方案的MT出力较大，而MT的上网电价高于主动配电网从上级电网的购电电价，MT单位有功出力的污染气体排放量少于上级火电厂。

表3 多目标优化调度和单目标优化调度的系统指标对比

以单目标优化调度为例，分别采用传统蝙蝠算法和本文提出的改进蝙蝠算法进行求解，其迭代收敛曲线如图6所示。可见，改进蝙蝠算法的收敛速度比传统蝙蝠算法快；同时，由于引入了线性递减惯性权重系数和吸引排斥机制，改进蝙蝠算法具有更强的全局寻优能力，可以得到比传统蝙蝠算法更优的解。

图6 传统蝙蝠算法和改进蝙蝠算法迭代收敛曲线

5 结论

本文在全面考虑主动配电网可控资源的基础上，以一天24 h为一个调度周期，建立了综合考虑配电公司运行成本、分布式发电商净收益和污染气体排放量的主动配电网多目标优化调度模型，提出了一种改进蝙蝠算法对模型进行求解，并采用熵权TOPSIS法选择最终调度方案。算例仿真结果说明：考虑环境效益和不同主体利益进行优化调度，有利于提高可调度DG的利用率，促进主动配电网对可调度DG的充分消纳。随着电力电子和通信技术的发展，主动配电网中分布式风电、光伏等间歇性可再生能源的可控性也越来越高；因此，本文的多目标优化调度方案对于促进可再生能源的高效利用，具有较好的应用前景。

[1] 张欣悦，荆志朋，谢晓琳．面向用户的智能配电网综合评价指标体系及应用[J]．华北电力大学学报(自然科学版)，2016，43(1)：106-110．

[2] 王健，谢桦，孙健．基于机会约束规划的主动配电网能量优化调度研究[J]．电力系统保护与控制，2014，42(13)：45-52．

[3] 沙熠，邱晓燕，宁雪姣，等．协调储能与柔性负荷的主动配电网多目标优化调度[J]．电网技术，2016，40(5)：1394-1399．

[4] 董雷，陈卉，蒲天骄，等．基于模型预测控制的主动配电网多时间尺度动态优化调度[J]．中国电机工程学报，2016，36(17)：4609-4616．

[5] 庄慧敏，肖建．主动配电网的两阶段优化调度模型[J]．西南交通大学学报，2015，50(5)：928-934．

[6] 曾鸣，彭丽霖，王丽华，等．主动配电网下分布式能源系统双层双阶段调度优化模型[J]．电力自动化设备，2016，36(6)：108-115．

[7] 蔡宇，林今，万灿，等．市场环境下考虑降压节能调节的主动配电网运行优化策略[J]．电网技术，2016，40(10)：2951-2960．

[8] ZHAO F，SI J，WANG J．Research on optimal schedule strategy for active distribution network using particle swarm optimization combined with bacterial foraging algorithm[J]．International Journal of Electrical Power & Energy Systems，2016，78(6)：637-646．

[9] 叶中行，孙明远．家庭需求侧资源与电力供应商双向交互策略[J]．电力科学与工程，2017，33(3)：1-6．

[10] YANG X．Bat algorithm for multi-objective optimization[J]．International Journal of Bio-Inspired Computation，2011，3(5)：267-274．

[11] YANG X，GANDOMI A H．Bat algorithm：A novel approach for global engineering optimization[J]．Engineering Computation，2012，29(5)：267-289．

[12] 贺兴时，丁文静，杨新社．基于模拟退火高斯扰动的蝙蝠优化算法[J]．计算机应用研究，2014，31(2)：392-397．

[13] 余健，房莉，仓定帮，等．熵权模糊物元模型在土地生态安全评价中的应用[J]．农业工程学报，2012，28(5)：260-266．

[14] HWANG C L，YOON K P．Multiple attribute decision making methods and applications：A state-of-the-art survey[J]． Lecture Notes in Economics & Mathematical Systems, 1981, 375(4):525-531.

[15] BARAN M E，WU F F．Network reconfiguration in distribution systems for loss reduction and load balancing[J]．IEEE Transactions on Power Delivery，1989，4(2)：1401-1407．

[16] 栗然，申雪，钟超，等．考虑环境效益的分布式电源多目标规划[J]．电网技术，2014，38(6)：1471-1478．

[17] ZENG B，ZHANG J，YANG X，et al．Integrated planning for transition to low-carbon distribution system with renewable energy generation and demand response[J]．IEEE Transactions on Power Systems，2014，29(3)：1153-1165．

《电力科学与工程》

欢迎投稿

欢迎订阅

投稿网址：http://www.dlkxygc.com

Optimal Dispatch of Active Distribution Network Considering Benefits of Different Agents

LU Jinling1， ZHAO Daqian1， CHEN Chuanbao1， YANG Jin2

(1．School of Electrical and Electronic Engineering，North China Electric Power University，Baoding 071003，China; 2．State Grid Baoding Power Supply Company，Baoding 071051，China)

Based on the advanced measurements and communication technologies, the flexible control and management are applied to the equipment at power side, grid side and load side, to improve the consumptive ability of distribution network for large-scale distributed generation. And it becomes a key characteristic that distinguishes active distribution network from traditional distribution network. Considering the active control and management of dispatchable distributed generation and equipment such as energy storage, on-load tap changer, packet switching capacitor and demand-side resources, etc., a day-ahead scheduling model for active distribution network is set up in this paper, which also takes the benefits of two different agents, distribution company and distributed generators, into account. The proposed model is established aiming at the goals of the lowest operating cost for distribution company, largest net income for distributed generators, and lowest emission of polluting gases. An improved bat algorithm based on the diversity strategy is proposed to solve the optimization model. The entropy weight TOPSIS method is used to make comprehensive decision, and the optimal scheduling scheme is selected from the Pareto solution set. Finally, an example of the extended IEEE 33 bus distribution system is given to prove the rationality and effectiveness of the scheduling model and algorithm.

active distribution network；multi-objective optimization；day-ahead scheduling；environmental benefit；benefits of different agents

2017-05-08。

10.3969/j.ISSN.1672-0792.2017.08.004

TM732

：A

：1672-0792(2017)08-0019-08

赵大千(1993-)，男，硕士研究生，研究方向为主动配电网规划与运行。

卢锦玲(1971-)，女，博士，副教授，主要研究方向为电力系统运行、分析与控制。