考虑负荷提前通知时间的配电网两阶段云边协同调控方法

梁纪峰，曾四鸣，李安燚，杨少波，张晓博，孙玲玲

考虑负荷提前通知时间的配电网两阶段云边协同调控方法

梁纪峰1，曾四鸣1，李安燚1，杨少波1，张晓博2，孙玲玲2

(1.国网河北省电力有限公司电力科学研究院，河北 石家庄 050021；2.电力电子节能与传动控制河北省重点实验室(燕山大学电气工程学院)，河北 秦皇岛 066004)

随着光伏等新能源并网规模不断增大，其波动性与不确定性给系统带来了巨大挑战，通过需求侧响应技术充分调动用户侧柔性资源可以提高配电网调控弹性和系统运行稳定性。针对激励型可控负荷提前通知时间的不同，将其划分为日前型与日内型，提出配电网两阶段云边协同调控方法。首先，基于云边协同调控架构，提出日前预测日内修正的云边协同调控策略。然后，在日前阶段，建立考虑日内资源预测的日前调控模型，基于日前调控方案，在日内阶段建立日内修正调控模型。最后，采用交替方向乘子法对所建模型进行求解。算例证明了上述方法在减小系统峰谷差、提高配电网调控弹性上的有效性，并验证了所提模型具有较好的经济性。

配电网；需求侧响应；云边协同；两阶段调控；交替方向乘子法

0 引言

在我国“双碳”目标驱动下，电网面临低碳清洁能源转型和加快构建以新能源为主体的新型电力系统的挑战。由于新能源发电的随机间歇性和弱支撑性，其规模化接入使电力系统面临可靠供电和新能源消纳的挑战[1-2]。随着电力物联网技术的发展，海量具有需求响应能力的可控负荷参与电网精细化管控，是促进新能源消纳的有效途径[3-4]。然而可控负荷特性各异，且规模庞大、资源分散，极大阻碍了需求响应资源的开发利用。

由于间歇性新能源高比例接入和海量可调控资源的灵活响应，配电网运行调控具有高度复杂性和多态性[5-6]。文献[7]建立面向高弹性配电网的两层分布式协调调度模型，对储能、可控负荷等资源进行优化调控；文献[8]提出计及可控负荷动态调节的配电网优化调度策略，通过动态调节可控负荷接入点提高配电网对间歇式能源的消纳能力；文献[9]考虑电价型需求响应，以直流配电网与上级电网联络线功率最平滑及日前调度成本最小为优化目标，建立了模糊随机日前优化调度模型。上述文献均从单一时间尺度对可控负荷资源进行建模，然而，可控负荷资源在多时间尺度上具备不同的响应能力和响应特性，单一时间尺度机理模型难以发挥其在不同时间尺度上的调节特性。针对上述问题，文献[10]提出考虑广义储能与火电机组联合调峰的日前-日内两阶段滚动优化模型，协同优化储能与需求响应资源；文献[11]针对微电网新能源出力的不确定性，从并网型微电网运营商的角度提出一种供需协同两阶段日前实时优化调度模型；文献[12]基于多时间尺度思想，以最小化可调节量和最大化消纳新能源为目标，建立主动配电网日前-日内优化调度模型。在此基础上，文献[13]针对需求响应实际响应的不确定性，提出了考虑柔性负荷响应不确定性的多时间尺度协调调度模型；文献[14]根据需求响应资源响应时间长短进行分类，考虑调度周期内的响应过程，提出需求响应分段参与机制。

可控负荷对提前通知时间的需求存在差异[15]，有些可控负荷要求提前通知时间长，有些则较短。例如蓄热热水器可以随时响应，而一些电机类负荷需要提前一定时间进行准备才能响应，因此可控负荷调控具有提前通知特性差异，无法在同一时间尺度对全部可控负荷实施调控，需要适应可控负荷的时间特性采取多阶段调控，不同阶段调控不同时间尺度的对象。但文献[13-14]不同调控阶段难以有效衔接，不能保障全局最优。

为解决该问题，本文提出考虑可控负荷提前通知时间的配电网两阶段云边协同调控方法。将激励型可控负荷划分为日前型与日内型。在日前阶段，由于日内可控负荷的资源潜力尚属未知，将日前可控负荷真实值与日内可控负荷预测值联合进行日前多时段全局优化，保障长时间尺度优化效果；但仅执行日前可控负荷的决策指令，暂不发布和执行日内可控负荷的指令，仅作为日内决策的参考。在日内阶段，基于日前调控方案，对日内可控负荷进行二次优化，以成本最小为目标进行偏差滚动修正。这样保证了日前决策基于全部可控负荷资源，而日内修正则继承了日前全局方案，从而实现优化方法的协同。在调控架构上，采用云边思想实现调控层次的协同。

1 日前预测日内修正的云边协同调控策略

1.1 云边调控协同架构

在能源互联网蓬勃发展的环境下，云边协同调控模式契合配电网新能源高比例分布特征，因此被广泛应用于配电网的优化调控中[16]，可有效解决海量分布式资源接入带来的复杂计算与通信数据量大的问题，减少数据往返云端等待时间。云边协同调控模式可将复杂的计算任务进行合理的分配。边缘计算是在靠近数据侧进行本地计算，进行数据的采集和分析，再上传至云中心；云中心收集边缘侧传送过来的数据，进行整个系统的优化决策，再将调控任务下发至各边缘。云与边之间通过公共信道进行信息交换。

基于上述思想，本文构建了配电网云边调控协同框架，如图1所示。

图1 配电网云边调控协同框架

其中，云为配电网控制中心，负责配电网系统的全局管控；边为各配电台区，配置有智能配变终端。配电台区是配电网分布式资源的富集区，是包含分布式电源、柔性负荷、分布式储能系统的综合可控单元。本文着重对调控方法进行深入研究，对用户侧负荷聚合与可控能力评估方法的研究不做讨论。在日前阶段，由边采集、聚合并上传台区可控资源信息，由云集中优化决策；在日内阶段，为了适应日内可控负荷的随机性、调控的低时延性，尽可能及时传输并处理数据信息，每个边除了采集处理信息外，还依托于台区智能配变终端完成分布式边缘调控，采用交替方向乘子法(alternating direction method of multipliers, ADMM)将整个系统的计算任务分配到各个边内完成，此过程云发挥协助边缘计算的作用。

1.2 日前日内两阶段调控协同策略

在云边调控协同架构基础上，提出配电网日前预测日内修正的两阶段云边协同调控策略。该策略分为日前优化调控阶段和日内滚动优化调控阶段，两阶段的调控对象及协同关系如图2所示。

图2 配电网两阶段协同调控策略

1) 日前优化调控

日前优化阶段基于日负荷曲线日前预测值、日前型可控负荷日前申报信息、日内型可控负荷预测值进行调控，目标是实现全局多时段总调控成本最小，制定配电网次日全天的调控计划。考虑到日前阶段仅针对日前型可控负荷进行调控，则可能导致出现日前可控负荷资源有功削减过多的情形，造成不必要的资源浪费和更多的调控成本，结果将不再是全局最优。因此，本文在日前优化调控阶段对日内型可控负荷的可能申报值进行预测，令该预测值与日前型可控资源共同参与日前优化。对于日前调控计划实际通知用户时，设定仅通知日前型负荷，对日内型可控负荷的日前调控结果不执行发布。分布式储能系统灵活度高、可靠性强且响应时间短，在日前、日内调控中都能发挥较大作用，日前阶段令全部储能参与调控。

2) 日内滚动优化调控

日内优化阶段对负荷的预测精度进一步提高，本文基于日负荷曲线的日内实测值，对日内型可控负荷实际申报值及分布式储能等资源进行修正调控，目标是日内总调控成本最小。考虑到负荷曲线的日前预测值与日内实测值存在偏差，且日前型可控负荷的实际响应程度具有较大不确定性，因此日负荷曲线的日内实测值与日前调控结果值存在偏差，需要通过对日内型可控负荷功率、储能等资源进行修正以满足功率平衡条件。对于分布式储能等其他资源，日内调控阶段在日前调控结果基础上，对其进一步修正优化。考虑到日内型可控负荷随机性、实时性较强，日内优化调控采用滚动优化方式，提前1小时制定4个小时的调控计划，仅通知用户第1个小时的调控结果。

2 考虑提前通知特性的可控负荷分类

激励型可控负荷通过与电网签订调控合约来履行用电响应，能够提供可靠的响应能力，在参与配电网优化调控方面具有良好潜力[14]。本文方法以激励型可控负荷为对象实施调控。不同可控负荷在响应时间上存在差异，对需要提前一段时间进行准备才能做出响应的负荷，需将调控指令提前较长时间告知，而响应迅速的负荷提前较短时间告知即可，因此可控负荷呈现出不同的提前通知特性。

根据提前通知特性差异对激励型可控负荷进行划分，分为提前1天通知的日前型可控负荷和提前1 h通知的日内型可控负荷。日前型可控负荷用电计划性和可预知性强，在日前向电网申报可控参数，并提前1天通知用户次日各时段调整行为。日内型可控负荷随机性强，由用户在日内向调控平台以一定提前时间申报可控量，电网做出调控决策，通知用户响应调控。可中断负荷、可转移负荷及可平移负荷的提前通知特性与调控参数如表1所示。

1) 可中断负荷

可中断负荷是根据实际需要进行削减的负荷。由于可中断负荷具有提前安排生产生活的可预知属性和临时调整用电的临时属性，所以可中断负荷既包含日前型，也包含日内型。其调控特性模型可表示为

(2) 可转移负荷

可转移负荷是在一个调度周期用电总量不变、但各时段用电量在一定范围可控的负荷。居民、工业、商业用户都有一定的可转移特性，可转移负荷与可中断负荷类似，也包含日前型与日内型两种，调控模型可表示为

3) 可平移负荷

可平移负荷是指受生产线制约不能改变负荷曲线的整体形状，只能将负荷曲线整体从某时段向其他时段平移的负荷、可平移负荷在日前安排次日生产活动，与电网签订合约，属于日前型可控负荷。其调控模型可表示为

表1 激励型可控负荷的参数与提前通知特性

3 考虑日内资源预测的日前调控方法

3.1 日前优化调控目标函数

日前优化调控提前一天制定次日24 h的调控计划。日前决策对象包括配电网台区向上级购售电功率、储能充放电功率、日前型可控负荷可控功率、日内型可控负荷可控功率及台区间交互功率。日前优化调控以配电网日前多时段总调控成本最小为目标函数，目标函数可表示为

日前型可控负荷调控成本包含可中断负荷、可转移负荷与可平移负荷调控成本。

日内型可控负荷预调控成本包含可中断负荷、可转移负荷预调控成本。

配电网台区向上级购售电费用为

储能系统充放电损耗成本为

台区间功率交互成本为

3.2 日前优化调控约束条件

配电网日前优化调控的约束条件包括日前型可控负荷约束、日内型可控负荷约束、储能充放电约束、配电网台区购售电功率上下限约束、台区交互功率上下限约束、台区功率平衡约束、支路潮流约束和电压约束以及台区间交互功率平衡约束。

分布式储能单元的约束条件为

配电网台区购售电功率上下限约束为

台区间交互功率上下限约束为

支路潮流约束和电压约束为

台区间交互功率平衡约束为

4 第二阶段日内滚动修正调控方法

4.1 日内优化调控目标函数

日内采用滚动优化方式，滚动优化以4 h为一个调控周期，提前1 h制定4 h的调控计划，但只执行第1 h的调控结果，直至下一小时重复上述过程。滚动优化调控方案如图3所示。日内滚动优化决策对象为配电网台区向上级购售电功率、日内型可中断负荷可中断功率、日内型可转移负荷可转移功率、储能充放电功率和台区间交互功率。

图3 滚动优化调控方案

日内调控针对日负荷功率日前调控结果值与日负荷功率的日内实测值的偏差，对日内型可控负荷及储能等资源进行修正。负荷日内实测值与负荷日前调控值的差值小于0的时刻，日内负荷实测值小于日前调控值，应对缺少的部分进行负荷补偿或者将多出的电量转出台区；日负荷日内实测值与日负荷日前调控值的差值大于0的时刻，日内负荷实测值大于日前调控值，应对多出的部分继续削减负荷或者接收能够转入台区的电量。日内调控以配电网日内总调控成本最小为目标函数，目标函数可写为

日内优化调控的约束条件包括日内型可控负荷约束、配电网台区购售电功率上下限约束、储能充放电约束、台区交互功率上下限约束、台区功率平衡约束、支路潮流约束和电压约束以及台区间交互功率平衡约束。日内型可控负荷功率约束包括日内型可中断负荷约束和日内型可转移负荷约束。

4.2 基于ADMM的云边分布式调控策略

ADMM可将集中优化模型等价分解为多个子模型进行分布式求解，具有高计算效率、低通信时延和良好收敛特性的优势，因而适合本文针对多配电台区建立的调控模型采用，适用于日内短期调控。多区域ADMM的算法基本形式[17-19]为

式(22)对应的增广拉格朗日函数如式(23)所示，迭代过程如式(24)所示。

算法的迭代收敛条件为

基于本文提出的云边协同架构及式(28)所示的迭代过程求解日内优化问题，优化过程如图4所示，优化调控具体步骤如下所述。

步骤1：台区边缘服务器进行每个台区变量的迭代更新，迭代更新的最新结果上传至云控制中心；

步骤2：云中心根据边缘服务器上传的每个台区的变量最新值，更新辅助变量；

步骤3：云中心根据边上传的每个台区的变量最新值和辅助变量最新值，更新拉格朗日乘子向量；

步骤4：云中心将辅助变量最新值和拉格朗日乘子向量最新值下发给每个台区。

如此反复，直至满足收敛条件，收敛至最优解。

图4 ADMM优化过程

5 算例分析

5.1 算例条件

图5 某区域配电网拓扑结构图

表2 分布式电源及储能配置情况

表3 两阶段可控负荷的组成情况

图6 日前台区源荷预测曲线

表4 峰-平-谷时段划分情况

5.2 优化调控结果

5.2.1日前优化调控结果

配电台区各类型可控资源参与日前调控后优化结果如图7所示；以台区3为例给出了日前型与日内型可控负荷的响应情况如图8所示。

日前阶段优化调控结果如下：

1) 由图7(a)分析可知，在用电高峰时段(16：00—21：00)各台区系统总负荷有所降低，在用电低谷时段(11：00—13：00)各台区系统总负荷有所上升。以台区3为例，可控负荷参与调控前系统峰谷差达到451 kW，可控负荷参与调控后峰谷差降至314 kW，相较于传统调控方式，峰谷差下降了30.38%，可见可控负荷参与调控能有效实现削峰填谷。

2) 分析图7、图8可知，激励型可转移负荷和可平移负荷能够将高峰时段的用电转移到低谷时段，台区3晚高峰时段的部分负荷被转移到夜间(00：00—07：00)，具有明显的削峰填谷效果。激励型可中断负荷调控更为灵活，能够在多个时段相继削减用电。

图7 日前各台区优化调控结果

图8 台区3可控负荷响应情况

3) 分析图7还可以发现，09：00—16：00时段台区间功率传输方向为由台区1分别传输至台区2、3、4，实现了光伏近端消纳，降低了配电网峰谷差。

5.2.2 日内优化调控结果

日内阶段负荷曲线的预测值与理论上的日前调控结果值存在一定偏差。当日内负荷预测值大于日前调控值时，该偏差为正；当日内负荷预测值小于日前调控值时，该偏差为负。各台区的日内可控资源分布情况如表3所示，日内负荷实测值与日前调控值的偏差量、日内型可控负荷的响应结果、储能等资源的日内调整量见图9。

1) 观察分析图9可知，在23：00—01：00、04：00、06：00—07：00和12：00—16：00时段，台区1功率偏差量小于0，通过在上述时刻转入其他时刻的可转移负荷、给储能充电、向其他台区转出功率以及调整购售电量来补偿这部分功率；在05：00、08：00—10：00和17：00—22：00时段，台区1功率偏差量大于0，通过进一步削减可中断负荷、转出可转移负荷、给储能放电、接收其他台区的交互功率或调整购售电量来满足功率平衡要求。

图9 日内可控资源调整量与负荷响应结果

2) 日内型可转移负荷与可中断负荷可响应日内短期调控，对比分析图7和图9可以看出，日内型负荷日内调控较日前长时间调控结果做出了修正。图9(a)中04：00—08：00时段对储能调控值进一步做出修正，而对于日前储能容量与功率用尽的10：00—14：00时段则不再调控。

5.3 不同调控模型对比分析

为分析本文两阶段云边协同调控方法对配电网运营成本的影响，与传统调控策略进行对比，对比结果如表5所示。

表5 不同调控模型的经济性对比结果

1) 模型1：传统集中式调控模型

2) 模型2：本文两阶段云边协同调控模型

分析表5可知，相较于传统的调控方式，本文模型2的可控负荷、储能等资源日前日内调控成本之和有所提高，但调控总成本降低了1862.8元，相较于传统模型成本降低了8.62%。由于充分调动了可提前申报的日前型负荷，日前调控阶段模型2的调控成本要大于模型1，而模型2日内修正产生成本与模型1日内成本相比较小。综上所述，采用本文两阶段云边协同调控方法，能够提高激励型负荷资源及储能参与优化调控时的调控性能，提前做出合理的资源收集调动安排以及制定更优的协同调控策略，进而降低成本取得更好的经济效益。

6 结论

本文考虑激励型可控负荷提前通知时间特性的差异，提出配电网日前预测日内修正的两阶段云边协同调控方法。通过模型求解和仿真验证得到如下结论：

1) 考虑不同类型激励型可控负荷的提前通知时间特性差异，日前阶段联合日前可控负荷、日内可控负荷预测值及其他资源进行优化，日内阶段针对日内可控负荷实测值及储能等其他资源修正日前调控偏差，能够充分挖掘并发挥可控资源潜力，提高负荷资源及储能参与优化调控时的调控性能。

2) 以配电台区为边缘平台优化得到日前、日内阶段每个台区间的交互功率，台区间的能量交互提升了光伏利用率，降低了系统峰谷差。

3) 通过中心云和台区边的协同配合实现两阶段协同调控，可以降低配电网运营成本，取得更好的经济效益。

附录A

表A1 配电网分时段购售电电价

Table A1 Purchasing and selling electricity price by time in distribution network

时段购电电价(元/kWh)售电电价(元/kWh) 峰时段1.211.02 平时段0.690.50 谷时段0.430.27

表A2 可转移负荷的响应参数

Table A2 Response parameters of transferable load

类型死区拐点电价差/(元/kWh)饱和区拐点电价差/(元/kWh)转移率上限/%最大波动范围/% 峰-谷转移0.1050.16053 峰-平转移0.1050.87242 平-谷转移0.1050.11641

表A3 可中断负荷的补偿价格

Table A3 Compensation price of interruptible load

中断挡位第一挡/(元/kWh)第二挡/(元/kWh)第三挡/(元/kWh)最大波动范围/% 可中断负荷10.91.41.94 可中断负荷20.91.41.94

图A1 可中断负荷响应类型

Fig. A1 Interruptible load response type

图A2 可中断负荷响应参数

Fig. A2 Interruptible load response parameters

[1] ASENSIO M, DE QUEVEDO P M, MUNOZ-DELGADO G, et al. Joint distribution network and renewable energy expansion planning considering demand response and energy storage-part I: stochastic programming model[J]. IEEE Transactions on Smart Grid, 2018, 9(2): 655-666.

[2] 俞拙非, 刘菲, 刘瑞环, 等. 面向配电网弹性提升的源网荷灵活资源优化研究综述及展望[J]. 中国电力, 2022, 55(4): 132-144.

YU Zhuofei, LIU Fei, LIU Ruihuan, et al. Resilience- oriented optimization of source-grid-load flexible resources in distribution systems: review and Prospect[J]. Electric Power, 2022, 55(4): 132-144.

[3] DINI A, HASSANKASHI A, PIROUZI S, et al. A flexible- reliable operation optimization model of the networked energy hubs with distributed generations, energy storage systems and demand response[J]. Energy, 2022, 239.

[4] 陈岩, 靳伟, 王文宾, 等. 兼顾区域自律和消纳品质的配电网新能源消纳能力分析方法[J]. 中国电力, 2021, 54(9): 143-155.

CHEN Yan, JIN Wei, WANG Wenbin, et al. Analyzing method of the absorption capability of new energy in distribution network with consideration of regional self-discipline and absorption quality[J]. Electric Power, 2021, 54(9): 143-155.

[5] REN D, LI H, JI Y. Home energy management system for the residential load control based on the price prediction[C] // Online Conference on Green Communications (GreenCom), September 26-29, 2011, Piscataway, NJ, USA.

[6] 张爱祥, 宋士瞻, 高扬, 等. 含能源互联微网的主动配电网分层分布式协调控制[J]. 电力系统保护与控制, 2019, 47(19): 131-138.

ZHANG Aixiang, SONG Shizhan, GAO Yang, et al. Hierarchical distributed coordinated control of active distribution network including energy interconnection micro grid[J]. Power System Protection and Control, 2019, 47(19): 131-138.

[7] 倪萌, 王蓓蓓, 朱红, 等. 能源互联背景下面向高弹性的多元融合配电网双层分布式优化调度方法研究[J]. 电工技术学报, 2022, 37(1): 208-219.

NI Meng, WANG Beibei, ZHU Hong, et al. Study of two-layer distributed optimal scheduling strategy for highly elastic multi-resource fusion distribution network in energy interconnection environment[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 208-219.

[8] 张煜, 牟龙华, 王蕴敏, 等. 计及可控负荷动态调节的主动配电网优化调度[J]. 电力系统保护与控制, 2021, 49(4): 104-110.

ZHANG Yu, MU Longhua, WANG Yunmin, et al. Optimal dispatching of an active distribution network considering dynamic regulation of controllable load[J]. Power System Protection and Control, 2021, 49(4): 104-110.

[9] 金国彬, 潘狄, 陈庆, 等. 考虑源荷不确定性的直流配电网模糊随机日前优化调度[J]. 电工技术学报, 2021, 36(21): 4517-4528.

JIN Guobin, PAN Di, CHEN Qing, et al. Fuzzy random day-ahead optimal dispatch of DC distribution network considering the uncertainty of source-load[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4517-4528.

[10] 崔杨, 周慧娟, 仲悟之, 等. 考虑广义储能与火电联合调峰的日前-日内两阶段滚动优化调度[J]. 电网技术, 2021, 45(1): 10-20.

CUI Yang, ZHOU Huijuan, ZHONG Wuzhi, et al. Two-stage day-ahead and intra-day rolling optimization scheduling considering joint peak regulation of generalized energy storage and thermal power[J]. Power System Technology, 2021, 45(1): 10-20.

[11] 张虹, 马鸿君, 闫贺, 等. 计及WCVaR评估的微电网供需协同两阶段日前优化调度[J]. 电力系统自动化, 2021, 45(2): 55-63.

ZHANG Hong, MA Hongjun, YAN He, et al. Two-stage day-ahead optimal microgrid scheduling with coordination between supply and demand considering WCVaR assessment[J]. Automation of Electric Power Systems, 2021, 45(2): 55-63.

[12] 罗金满, 刘丽媛, 刘飘, 等. 考虑源网荷储协调的主动配电网优化调度方法研究[J]. 电力系统保护与控制, 2022, 50(1): 167-173.

LUO Jinman, LIU Liyuan, LIU Piao, et al. An optimal scheduling method for active distribution network considering source network load storage coordination[J]. Power System Protection and Control, 2022, 50(1): 167-173.

[13] 赵冬梅, 宋原, 王云龙, 等. 考虑柔性负荷响应不确定性的多时间尺度协调调度模型[J]. 电力系统自动化, 2019, 43(22): 21-30.

ZHAO Dongmei, SONG Yuan, WANG Yunlong, et al. Coordinated scheduling model with multiple time scales considering response uncertainty of flexible load[J]. Automation of Electric Power Systems, 2019, 43(22): 21-30.

[14] 祁江浩, 李凤婷, 张高航. 需求响应分段参与的多时间尺度源荷协调调度策略[J]. 电力系统保护与控制, 2021, 49(11): 61-69.

QI Jianghao, LI Fengting, ZHANG Gaohang. Multi-time scale scheduling strategy for source-load coordination considering demand response block participation[J], Power System Protection and Control, 2021, 49(11): 61-69.

[15] 包宇庆, 王蓓蓓, 李扬, 等. 考虑大规模风电接入并计及多时间尺度需求响应资源协调优化的滚动调度模型[J]. 中国电机工程学报, 2016, 36(17): 4589-4600.

BAO Yuqing, WANG Beibei, LI Yang, et al. Rolling dispatch model considering wind penetration and multi-scale demand response resources[J]. Proceedings of the CSEE, 2016, 36(17): 4589-4600.

[16] 李知艺, 宋克轩. 基于云边协同计算的主动配电网调度研究评述[J]. 浙江电力, 2021, 40(6): 15-21.

LI Zhiyi, SONG Kexuan. An overview of ADNs dispatching based on coordinated cloud-edge computing[J]. Zhejiang Electric Power, 2021, 40(6): 15-21.

[17] 李佩杰, 陆镛, 白晓清, 等. 基于交替方向乘子法的动态经济调度分散式优化[J]. 中国电机工程学报, 2015, 35(10): 2428-2435.

LI Peijie, LU Yong, BAI Xiaoqing, et al. Decentralized optimization for dynamic economic dispatch based on alternating direction method of multipliers[J]. Proceedings of the CSEE, 2015, 35(10): 2428-2435.

[18] 吴成辉, 林声宏, 夏成军, 等. 基于模型预测控制的微电网群分布式优化调度[J]. 电网技术, 2020, 44(2): 530-538.

WU Chenghui, LIN Shenghong, XIA Chengjun, et al. Distributed optimal dispatch of microgrid cluster based on model predictive control[J]. Power System Technology, 2020, 44(2): 530-538.

[19] BOYD S, PARIKH N, CHU E, et al. Distributed optimization and statistical learning via the alternating direction method of multipliers[J]. Foundations and Trends in Machine Learning, 2010, 3(1): 1-12.

[20] 顾慧杰, 彭超逸, 许丹莉, 等. 激励性含柔性负荷日前市场出清电价机制的建模[J]. 电力系统保护与控制, 2020, 48(12): 23-32.

GU Huijie, PENG Chaoyi, XU Danli, et al. Research on modeling the incentive electricity pricing mechanism in day-ahead electricity market clearing containing flexible loads[J]. Power System Protection and Control, 2020, 48(12): 23-32.

[21] CHEN X, WANG J, XIE J, et al. Demand response potential evaluation for residential air conditioning loads[J]. IET Generation, Transmission & Distribution,2018, 12(19): 4260-4268.

[22] 孙伟卿, 罗静, 张婕. 高比例风电接入的电力系统储能容量配置及影响因素分析[J]. 电力系统保护与控制, 2021, 49(15): 9-18.

SUN Weiqing, LUO Jing, ZHANG Jie. Energy storage capacity allocation and influence factor analysis of a power system with a high proportion of wind power[J]. Power System Protection and Control, 2021, 49(15): 9-18.

[23] HUANG Z, FANG B, DENG J. Multi-objective optimization strategy for distribution network considering V2G enabled electric vehicles in building integrated energy system[J]. Protection and Control of Modern Power Systems, 2020, 5(1): 48-55.

[24] 王利平, 庞晓艳, 朱雨, 等. 基于物联网和移动互联的二次设备运维技术研究与应用[J]. 中国电力, 2019, 52(3): 177-184.

WANG Liping, PANG Xiaoyan, ZHU Yu, et al. Research and application of secondary equipment operation and maintenance technology based on internet of things and mobile interconnection[J]. Electric Power, 2019, 52(3): 177-184.

[25] 高慧, 晏寒婷, 黄春艳. 考虑“源-荷-储”灵活性资源协调的主动配电网双层规划[J]. 广东电力, 2019, 32(5): 29-35.

GAO Hui, YAN Hanting, HUANG Chunyan. Bi-level planning of active power distribution network considering coordination of flexible resources of source-load-storage[J]. Guangdong Electric Power, 2019, 32(5): 29-35.

[26] 陈思宇, 柴庆宣, 李延松, 等. 综合能源系统潮流及最优潮流计算模型与方法综述[J]. 热力发电, 2020, 49(7): 1-12.

CHEN Siyu, CHAI Qingxuan, LI Yansong, et al. Overview of power flow and optimal power flow calculation models and methods for integrated energy systems[J]. Thermal Power Generation, 2020, 49(7): 1-12.

A two-stage cloud edge collaborative regulation method for a distribution network considering the advance notification time of load

LIANG Jifeng1, ZENG Siming1, LI Anyi1, YANG Shaobo1, ZHANG Xiaobo2, SUN Lingling2

(1. State Grid Hebei Electric Power Co., Ltd. Research Institute, Shijiazhuang 050021, China; 2. Hebei Provincial Key Laboratory of Power Electronics Energy Conservation and Transmission Control (School of Electrical Engineering, Yanshan University), Qinhuangdao 066004, China)

With the increasing scale of photovoltaic and other new energy that is grid connected, their volatility and uncertainty have brought great challenges to the system. Fully mobilizing user side flexible resources through demand side response technology can improve the flexibility of distribution network control and system stability. In this paper, from the different advance notification times of incentive controllable load, it is divided into day-ahead and day-in, and a two-stage cloud edge coordinated control method for the distribution network is proposed. First, based on a cloud edge collaborative regulation framework, a cloud edge collaborative regulation strategy with day-ahead prediction and intra-day correction is proposed. Then, in the day-ahead stage, the day-ahead control model considering intra-day resource prediction is established. Based on the day-ahead control scheme, an intra-day correction control model is established. Finally, the alternating direction multiplier method is used to analyze the model. The example proves the effectiveness of the above method in reducing the peak-valley difference of the system and improving the regulation elasticity of the distribution network, and verifies that the proposed model has good economy.

distribution network; demand side response; cloud edge collaboration; two-stage coordination control; alternating direction method of multipliers

10.19783/j.cnki.pspc.220629

河北省科技计划项目资助(20314301D)；国网河北省电力有限公司科技项目资助(kj2021-001)

This work is supported by the Science and Technology Program of Hebei Province (No. 20314301D).

2022-04-30；

2022-05-26

梁纪峰(1985—)，男，硕士，高级工程师，研究方向为电力系统运行分析与控制、新能源并网控制技术；E-mail: ljifeng@126.com

曾四鸣(1970—)，男，硕士，高级工程师，主要从事新能源电力系统分析与控制、电力市场技术研究与管理； E-mail: zengsiming123@126.com

李安燚(1994—)，女，硕士研究生，工程师，研究方向为新能源电力系统经济运行与优化调度控制。E-mail: 18712799775@163.com

(编辑 魏小丽)