主動配電網(wǎng)中計(jì)及網(wǎng)絡(luò)重構(gòu)的分布式電源魯棒規(guī)劃

馬麗葉, 王玉翠, 王楚通

(燕山大學(xué)電氣工程學(xué)院, 河北省秦皇島市 066004)

0 引言

隨著化石能源的不斷匱乏及環(huán)保需求的逐漸增加,清潔能源在能源系統(tǒng)中所占比例不斷提高。尤其是近年來隨著風(fēng)力發(fā)電和光伏發(fā)電技術(shù)的快速發(fā)展,風(fēng)力發(fā)電和光伏發(fā)電得到了廣泛應(yīng)用,因此,主動配電網(wǎng)(active distribution network,ADN)應(yīng)運(yùn)而生。ADN中裝設(shè)有大量分布式電源(distributed generator,DG)設(shè)備,一方面提高了清潔能源的利用率,增加了網(wǎng)絡(luò)的靈活性;另一方面,也給網(wǎng)絡(luò)的穩(wěn)定和安全運(yùn)行帶來了一定影響。因此,有必要對DG進(jìn)行合理的規(guī)劃,以使ADN運(yùn)行更加安全可靠,同時充分利用可再生能源發(fā)電。

ADN強(qiáng)調(diào)現(xiàn)代配電網(wǎng)中的各種可控源,特別是可再生能源發(fā)電,應(yīng)從被動消納到主動管理與利用[1],因此,需在配電網(wǎng)規(guī)劃的同時考慮ADN的運(yùn)行特征。文獻(xiàn)[2]在主動管理模式下,提出一種考慮ADN專供能力的可再生能源優(yōu)化配置模型。文獻(xiàn)[3]在考慮ADN主動網(wǎng)絡(luò)管理(ANM)優(yōu)化控制能力的基礎(chǔ)上,建立了以促進(jìn)間歇性DG高效利用為目標(biāo)的ADN雙層規(guī)劃模型。文獻(xiàn)[4-5]考慮DG和負(fù)荷的時序運(yùn)行模擬,分別建立了考慮投資層面和運(yùn)行模擬層面的多時間尺度優(yōu)化模式和多目標(biāo)DG選址定容規(guī)劃模型。文獻(xiàn)[6]在ADN規(guī)劃階段,考慮DG和儲能系統(tǒng)(ESS)的經(jīng)濟(jì)調(diào)度策略,提出了一種規(guī)劃—運(yùn)行聯(lián)合優(yōu)化模型。上述文獻(xiàn)雖在DG規(guī)劃階段考慮了ADN的某些運(yùn)行特性,但網(wǎng)絡(luò)重構(gòu)作為配電網(wǎng)的重要運(yùn)行手段之一,研究較少。

同時,可再生能源的大規(guī)模滲透,增加了配電網(wǎng)的不確定性,對配電網(wǎng)規(guī)劃提出了挑戰(zhàn)。為此,文獻(xiàn)[7-8]針對間歇性DG出力和負(fù)荷行為的不確定性,建立了相應(yīng)的多目標(biāo)規(guī)劃模型。文獻(xiàn)[9-10]考慮DG出力和負(fù)荷增長的不確定性,以DG和網(wǎng)架為規(guī)劃對象建立了ADN規(guī)劃模型。文獻(xiàn)[11]考慮DG的不確定性,建立了概率模型,并利用多狀態(tài)系統(tǒng)理論,將隨機(jī)性問題轉(zhuǎn)化為確定性問題。文獻(xiàn)[12-14]分別以網(wǎng)損最小、風(fēng)電滲透容量最大和風(fēng)電發(fā)電量消納最大為目標(biāo)函數(shù),建立了ADN中的DG規(guī)劃模型,并采用多場景分析求解模型。文獻(xiàn)[15]考慮DG的間歇性,并計(jì)及風(fēng)速、光照強(qiáng)度和負(fù)荷間的相關(guān)性,以年綜合費(fèi)用最小為目標(biāo),以機(jī)會約束規(guī)劃方法為基礎(chǔ)建立了間歇性DG規(guī)劃模型。文獻(xiàn)[16]考慮風(fēng)電機(jī)組輸出功率的隨機(jī)波動性,建立了風(fēng)力發(fā)電的概率分析模型。以上文獻(xiàn)均在規(guī)劃階段考慮了DG的不確定性,但較少采用魯棒優(yōu)化模型。根據(jù)文獻(xiàn)[17],魯棒優(yōu)化模型針對DG和負(fù)荷的不確定性具有顯著適應(yīng)性,應(yīng)得到廣泛應(yīng)用。

特別地,文獻(xiàn)[18]以綜合費(fèi)用最小為目標(biāo)函數(shù),以多種主動管理約束、DG投資限制和電氣限制為約束條件,建立了計(jì)及需求側(cè)響應(yīng)和網(wǎng)絡(luò)重構(gòu)的DG規(guī)劃模型。但該文獻(xiàn)在規(guī)劃模型中并未體現(xiàn)網(wǎng)絡(luò)重構(gòu)問題,僅在模型轉(zhuǎn)化階段進(jìn)行了考慮。

因此,本文采用文獻(xiàn)[18]的思想,在DG規(guī)劃階段考慮了網(wǎng)絡(luò)重構(gòu)問題,但本文在規(guī)劃模型中考慮了重構(gòu)成本和重構(gòu)次數(shù)限制約束,使該問題更加嚴(yán)謹(jǐn)。同時,本文針對ADN特點(diǎn),除考慮DG運(yùn)行約束外,還考慮了DG的滲透率約束,并計(jì)及風(fēng)速、光照強(qiáng)度和負(fù)荷的不確定性,給出“風(fēng)—光—負(fù)荷”的不確定場景集,建立了計(jì)及網(wǎng)絡(luò)重構(gòu)的DG魯棒優(yōu)化模型。同時,本文利用雙層優(yōu)化思想將模型進(jìn)行分解,并分別采用粒子群優(yōu)化(particle swarm optimization,PSO)算法和二進(jìn)制粒子群優(yōu)化(binary particle swarm optimization,BPSO)算法求解該兩層規(guī)劃模型。最后,利用IEEE 33節(jié)點(diǎn)系統(tǒng)進(jìn)行仿真分析,驗(yàn)證了本文模型及算法的有效性。

1 不確定時序場景集的確定

由于分層魯棒規(guī)劃模型以適應(yīng)DG和負(fù)荷的不確定性發(fā)展為目標(biāo)[19],因此,其關(guān)鍵在于不確定集的構(gòu)建。

本文待選DG為風(fēng)電機(jī)組(WTG)和光伏發(fā)電機(jī)組(PVG),針對風(fēng)速、光照強(qiáng)度和負(fù)荷不確定性的特點(diǎn),通過收集典型地區(qū)的風(fēng)速、光照和負(fù)荷等歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)預(yù)測。本文以24 h數(shù)據(jù)作為模擬運(yùn)行的研究對象,從而保證風(fēng)電、光伏發(fā)電和負(fù)荷的不同時序特性得到充分體現(xiàn)。本文給出不確定性時序場景集確定步驟如下。

1)確定風(fēng)速、光照強(qiáng)度和負(fù)荷的波動比例范圍為:[-δw,δw],[-δp,δp],[-δl,δl]。

2)運(yùn)用拉丁超立方采樣技術(shù)隨機(jī)生成24時刻的波動百分比,并根據(jù)風(fēng)速、光照強(qiáng)度和負(fù)荷的歷史數(shù)據(jù),生成“風(fēng)速—光照強(qiáng)度—負(fù)荷”多場景集。

3)根據(jù)式(1)和式(2)將風(fēng)速和光照強(qiáng)度轉(zhuǎn)化為風(fēng)電和光伏發(fā)電的有功功率PWTG和PPVG[20]。

(1)

(2)

2 DG魯棒規(guī)劃模型的建立

本文針對風(fēng)速、光照及負(fù)荷的不確定性,在上述不確定時序場景集的基礎(chǔ)上,考慮網(wǎng)絡(luò)重構(gòu),建立了計(jì)及網(wǎng)絡(luò)重構(gòu)的DG魯棒規(guī)劃模型。

2.1 目標(biāo)函數(shù)

本文以年綜合費(fèi)用最小為目標(biāo)函數(shù),包括折算到每年的DG固定投資費(fèi)用CI、DG的年運(yùn)行維護(hù)費(fèi)用COM、網(wǎng)絡(luò)損耗Closs,以及向上級電網(wǎng)的購電費(fèi)用Cup,且特別考慮重構(gòu)成本CC。同時,根據(jù)ADN的特點(diǎn),在規(guī)劃階段考慮了ADN的運(yùn)行過程,因此,目標(biāo)函數(shù)中還應(yīng)包括DG的主動管理費(fèi)用CAM。

綜上所述,目標(biāo)函數(shù)表達(dá)式為:

minF=CI+COM+Closs+Cup+CAM+CC

(3)

式(3)中各部分費(fèi)用的具體表達(dá)式如下所示。

1)折算到每年的DG固定投資費(fèi)用CI:

(4)

其中

2)DG的年運(yùn)行維護(hù)費(fèi)用COM:

(5)

3)網(wǎng)絡(luò)損耗Closs:

(6)

4)向上級電網(wǎng)購電費(fèi)用Cup:

(7)

式中:psub,s為第s個場景時向上級電網(wǎng)購電的有功功率;ρs為ADN在第s個場景向上級電網(wǎng)購電的單位購電成本。

5) 考慮重構(gòu)成本CC:

(8)

式中:EBj為編號為j的開關(guān)改變一次分合狀態(tài)所引起的費(fèi)用;sj,i為在第i時段編號為j的開關(guān)的分合狀態(tài),值為1時表示開關(guān)閉合,值為0時表示開關(guān)斷開。

6)DG的主動管理費(fèi)用CAM:

(9)

2.2 約束條件

本文的約束條件為系統(tǒng)潮流約束、節(jié)點(diǎn)電壓約束、支路功率約束、DG運(yùn)行約束、開關(guān)次數(shù)約束、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)約束。特別地,由文獻(xiàn)[21]可知,ADN區(qū)別于傳統(tǒng)配電網(wǎng)的特征之一即具備一定比例的分布式可控資源,因此,在ADN規(guī)劃階段就應(yīng)保證DG的投入比例、滿足ADN的需求,從而保證電網(wǎng)更加穩(wěn)定地運(yùn)行,故加入DG滲透率約束。各約束條件的具體公式如下所示。

1)系統(tǒng)的潮流約束方程為:

(10)

式中:Pi,s和Qi,s分別為節(jié)點(diǎn)i在場景s下注入的有功和無功功率;Ui,s和Uj,s分別為在場景s下節(jié)點(diǎn)i和節(jié)點(diǎn)j的電壓幅值;Gij和Bij分別為節(jié)點(diǎn)導(dǎo)納矩陣的實(shí)部和虛部;θij,s為在場景s下節(jié)點(diǎn)i和j之間的相角差。

2)節(jié)點(diǎn)電壓約束為:

(11)

3)支路功率約束為:

(12)

4)WTG在每個場景的運(yùn)行約束為:

(13)

5)PVG在每個場景的運(yùn)行約束為:

(14)

6)開關(guān)次數(shù)約束為:

(15)

式中:Ts為第l條支路的開關(guān)動作次數(shù)上限值;Tt為所有開關(guān)操作次數(shù)在整段時間內(nèi)的上限值;N為時段劃分后的時段總數(shù);nb為可操作的開關(guān)總數(shù)。

7)DG滲透率約束為:

(16)

8)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)約束為:ADN在每個運(yùn)行場景下均為輻射狀連通性網(wǎng)絡(luò)。

3 模型求解

本文所建魯棒規(guī)劃模型主要包括網(wǎng)絡(luò)重構(gòu)部分和DG規(guī)劃部分。由于兩部分內(nèi)容均為非線性規(guī)劃且維數(shù)較多,整體求解難度大。因此,本文首先采用雙層求解方法對模型進(jìn)行分解,從而減少模型維數(shù),降低求解難度。

本文采用文獻(xiàn)[22]的ADN分層規(guī)劃模型,具體表示為:

(17)

式中:F(·)和f(·)分別為上下層目標(biāo)函數(shù);G(·),H(·),g(·),h(·)為上下層約束條件；xY表示主動配電網(wǎng)的運(yùn)行和重構(gòu)參數(shù)；xDG表示DG的規(guī)劃參數(shù)。

本文中,上層模型旨在求解DG的位置和容量,從而使綜合成本最小,約束條件為DG規(guī)劃相關(guān)約束;下層模型旨在求解網(wǎng)絡(luò)的最優(yōu)重構(gòu)組合,從而使網(wǎng)絡(luò)運(yùn)行成本最小,約束條件為網(wǎng)絡(luò)重構(gòu)次數(shù)約束和網(wǎng)絡(luò)運(yùn)行相關(guān)約束。

上下層之間分別求解又相互聯(lián)系:上層將DG規(guī)劃結(jié)果傳遞給下層;下層則將重構(gòu)后的拓?fù)浣Y(jié)構(gòu)及運(yùn)行成本傳遞給上層,從而得出使系統(tǒng)綜合費(fèi)用最小的規(guī)劃方案。

然后,本文分別采用PSO算法[23]和BPSO算法[24]對上、下兩層模型進(jìn)行求解。其中,PSO算法用于規(guī)劃問題的外部求解,求解DG的規(guī)劃問題,BPSO算法用于內(nèi)部求解,求解運(yùn)行問題(考慮了網(wǎng)絡(luò)重構(gòu))。具體求解過程見附錄A。

4 算例仿真分析

本文以IEEE 33節(jié)點(diǎn)配電系統(tǒng)[25]為算例,仿真驗(yàn)證本文規(guī)劃模型和求解方法的有效性。在此配電系統(tǒng)中,開關(guān)1～32為分段開關(guān),開關(guān)33～37為聯(lián)絡(luò)開關(guān)。電壓等級為10 kV,節(jié)點(diǎn)7,14,24,25可安裝DG,其余均為常規(guī)負(fù)荷節(jié)點(diǎn)。

每個待選節(jié)點(diǎn)所允許安裝的DG容量的最大值為2 000 kW。DG的待選類型為WTG和PVG,單臺WTG的額定容量為100 kW。切入風(fēng)速、額定風(fēng)速和切出風(fēng)速分別為4.3,17.9,7.7 m/s,Weibull分布的參數(shù)k和c分別為1.68和5.93,WTG單位容量固定投資成本為7 800元/kW,單位發(fā)電量運(yùn)行維護(hù)成本為0.30元/(kW·h),單位電量主動管理成本為0.08元/(kW·h);WTG的最大允許削減率為20%,功率因數(shù)可調(diào)范圍為遲相0.98到進(jìn)相0.98。單臺PVG額定容量為200 kW,PVG額定光照強(qiáng)度為500 W/m2,該配電網(wǎng)所在區(qū)域的光照強(qiáng)度服從α=0.54,β=2.75的Beta分布。PVG單位容量固定投資成本為8 200元/kW,單位發(fā)電量運(yùn)行維護(hù)成本為0.30元/(kW·h),單位電量的主動管理成本為0.08元/(kW·h),PVG的最大允許削減率為20%,功率因數(shù)可調(diào)范圍為遲相0.98到進(jìn)相0.98。WTG和PVG的經(jīng)濟(jì)使用年限均為20年。貼現(xiàn)率為0.06。ADN向上級電網(wǎng)購電的單位成本為0.48元/(kW·h)。單位電量網(wǎng)絡(luò)損失成本為0.7元/(kW·h)。開關(guān)改變一次分合狀態(tài)所引起的成本為50元。DG的滲透率范圍為0.3～0.7。網(wǎng)絡(luò)重構(gòu)的開關(guān)次數(shù)約束為5。IEEE 33節(jié)點(diǎn)配電系統(tǒng)的拓?fù)浣Y(jié)構(gòu)、網(wǎng)絡(luò)負(fù)荷和線路阻抗見附錄B。

PSO的最大迭代次數(shù)M=30,種群規(guī)模N=100,收縮因子φ1=2.05,φ2=2.05,慣性權(quán)重系數(shù)ω=0.6,學(xué)習(xí)因子c1=1.23,c2=1.23。BPSO的最大迭代次數(shù)M′=30,種群規(guī)模N′=100,慣性權(quán)重系數(shù)ω′=1,學(xué)習(xí)因子C1′=2,C2′=2。風(fēng)速和光照強(qiáng)度的波動比例范圍均為-0.2～0.2;負(fù)荷的波動范圍為-0.1～0.1。

4.1 仿真結(jié)果及分析

本文分4種情形分別對上述ADN系統(tǒng)進(jìn)行規(guī)劃,分別如下。情形1:不考慮網(wǎng)絡(luò)重構(gòu)且采用確定性規(guī)劃模型;情形2:不考慮網(wǎng)絡(luò)重構(gòu)而采用魯棒規(guī)劃模型;情形3:考慮網(wǎng)絡(luò)重構(gòu)而采用確定性規(guī)劃模型;情形4:考慮網(wǎng)絡(luò)重構(gòu)且采用魯棒規(guī)劃模型。仿真得到的規(guī)劃方案及各項(xiàng)成本分別見表1和表2。

表1 規(guī)劃方案Table 1 Planning scheme

4.1.1考慮網(wǎng)絡(luò)重構(gòu)對仿真結(jié)果的影響分析

網(wǎng)絡(luò)重構(gòu)對ADN中DG的規(guī)劃結(jié)果有一定的影響,具體分析如下。

1)情形1和情形3的對比分析

情形1下,不考慮網(wǎng)絡(luò)重構(gòu)且采用確定性規(guī)劃模型,僅用PSO算法對含DG的ADN規(guī)劃模型進(jìn)行求解。

表2 規(guī)劃成本Table 2 Planning cost 萬元

該規(guī)劃方案中,節(jié)點(diǎn)7和14安裝WTG,安裝容量均為400 kW,節(jié)點(diǎn)24和25安裝PVG,安裝容量均為400 kW。夏季最大負(fù)荷為4 000 kW,清潔能源的滲透率為40.0%,符合ADN清潔能源高滲透率的要求。年平均綜合費(fèi)用為741.36萬元,其中網(wǎng)損費(fèi)用為25.03萬元,DG綜合成本為186.28萬元,向上級電網(wǎng)的購電成本為530.05萬元。

情形3下,考慮網(wǎng)絡(luò)重構(gòu)但采用確定性規(guī)劃模型對網(wǎng)絡(luò)進(jìn)行規(guī)劃,運(yùn)用PSO和BPSO算法分別對上層模型和下層模型進(jìn)行求解。該規(guī)劃方案中,由于考慮網(wǎng)絡(luò)重構(gòu),配電網(wǎng)能通過動作支路開關(guān)及聯(lián)絡(luò)開關(guān),變換網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),從而使網(wǎng)絡(luò)潮流最優(yōu),因此在負(fù)荷一定的前提下,DG的安裝總?cè)萘繙p少,如表1所示,DG的安裝總?cè)萘繛? 500 kW(滲透率為37.5%),減少了100 kW,因此,DG的總成本相應(yīng)降低了8.97萬元。通過優(yōu)化潮流,使系統(tǒng)網(wǎng)損下降了38.35%,對節(jié)約能源具有重大意義,購電成本也降低了29.97萬元。同時,由于該規(guī)劃方案對系統(tǒng)進(jìn)行網(wǎng)絡(luò)重構(gòu),因此產(chǎn)生重構(gòu)成本3.84萬元,該成本較低,這是因?yàn)樵谝?guī)劃年中,負(fù)荷的波動主要體現(xiàn)為季節(jié)性的變化,因此重構(gòu)次數(shù)較少。綜上,系統(tǒng)的年平均綜合費(fèi)用降低了44.70萬元。

2)情形2和情形4的對比分析

由于情形2和情形4均采用魯棒規(guī)劃模型,使得系統(tǒng)對負(fù)荷、風(fēng)電和光伏的不確定性適應(yīng)性較好,系統(tǒng)不必頻繁進(jìn)行重構(gòu),因此,情形2和情形4的DG安裝總?cè)萘肯嗤?均為1 800 kW。同時,情形4的重構(gòu)成本較情形3小,為1.92萬元。但對DG的運(yùn)行維護(hù)成本和從大電網(wǎng)的購電成本,情形4均略低于情形2。同時,情形4的網(wǎng)損成本大幅降低,年平均綜合費(fèi)用降低了14.75萬元。因此采用魯棒規(guī)劃模型時,考慮網(wǎng)絡(luò)重構(gòu)仍具有優(yōu)越性。

通過以上對比發(fā)現(xiàn),ADN規(guī)劃時考慮網(wǎng)絡(luò)重構(gòu),對降低網(wǎng)損、延緩DG投資具有重要意義,使配電系統(tǒng)更具經(jīng)濟(jì)性。

4.1.2魯棒模型對仿真結(jié)果的影響分析

魯棒規(guī)劃模型能增加系統(tǒng)對不確定性的適應(yīng)性,具體分析如下。

1)情形1和情形2的對比分析

情形1下,DG總安裝容量為1 600 kW,清潔能源滲透率為 40.0%,年平均綜合費(fèi)用為741.36萬元,其中網(wǎng)損費(fèi)用25.03萬元,DG綜合成本186.28萬元,向上級電網(wǎng)的購電成本為530.05萬元。

情形2下,不考慮網(wǎng)絡(luò)重構(gòu)而采用魯棒規(guī)劃模型對網(wǎng)絡(luò)進(jìn)行規(guī)劃,僅運(yùn)用PSO算法對上層模型進(jìn)行求解。該規(guī)劃方案中采用魯棒規(guī)劃模型,規(guī)劃方案更加保守,DG總安裝容量增大,如表1所示,DG總安裝容量為1 800 kW(滲透率為45.0%),增加了200 kW。DG的綜合費(fèi)用增加了18.42萬元,但提高了系統(tǒng)對DG的利用率,因此從大電網(wǎng)的購電成本降低了77.09萬元。同時,由于DG的利用率提高,源荷距離大大縮短,使得網(wǎng)損降低了20.18%,對節(jié)約電能、提高清潔能源利用率意義重大。情形2比情形1的年平均綜合費(fèi)用降低了63.72萬元。

2)情形3和情形4的對比分析

情形3為考慮網(wǎng)絡(luò)重構(gòu)但采用確定性規(guī)劃模型,情形4為考慮網(wǎng)絡(luò)重構(gòu)且采用魯棒規(guī)劃模型。由表1和表2可知:當(dāng)考慮網(wǎng)絡(luò)重構(gòu)時,魯棒優(yōu)化模型對規(guī)劃結(jié)果的影響與情形1和情形2的對比分析類似。由于采用魯棒規(guī)劃模型,情形4與情形3相比,DG的總安裝容量增加了300 kW,從而DG的綜合費(fèi)用增加了28.04萬元,但購電成本和網(wǎng)損分別降低了49.78萬元和10.11萬元,重構(gòu)成本降低1.92萬元,綜合成本降低了33.77萬元。尤其是情形4的網(wǎng)損費(fèi)用僅為5.32萬元,與其他幾種情形相比均有大幅度降低,這是因?yàn)榍樾?既考慮網(wǎng)絡(luò)重構(gòu),又采用魯棒優(yōu)化模型,從而優(yōu)化了潮流,使DG就地消納,線路上的傳輸功率降低、網(wǎng)損減小。

綜上可知,采用考慮網(wǎng)絡(luò)重構(gòu)的DG魯棒規(guī)劃模型對ADN進(jìn)行規(guī)劃,不僅能降低網(wǎng)損,延緩DG的投資,還能提高DG的利用率,減小從大電網(wǎng)的購電成本,提高配電網(wǎng)的經(jīng)濟(jì)性。

4.2 魯棒規(guī)劃模型對系統(tǒng)可靠性的影響分析

為分析規(guī)劃階段采用魯棒規(guī)劃模型對系統(tǒng)可靠性的影響,本文引入了失負(fù)荷成本CLL和棄風(fēng)(棄光)成本CLW兩個評價指標(biāo)。由于光照強(qiáng)度的波動對系統(tǒng)的影響與風(fēng)速類似,因此本文僅以風(fēng)速波動和負(fù)荷波動為例進(jìn)行分析。失負(fù)荷成本CLL和棄風(fēng)成本CLW的公式如下:

(18)

(19)

當(dāng)負(fù)荷和風(fēng)速分別增加10%,20%,30%時,CLL和CLW計(jì)算結(jié)果如表3所示(cENS取0.6元/(kW·h),cWNS取0.4元/(kW·h))。

表3 不同負(fù)荷和風(fēng)速波動下的成本Table 3 Costs under different loads and wind speeds

由表3可知,當(dāng)負(fù)荷波動分別為10%,20%和30%時,本文所建魯棒規(guī)劃模型的失負(fù)荷成本分別為26,52,77萬元,對比確定性規(guī)劃模型相應(yīng)減少了0.2,0.3,0.9萬元。由此可得,本文所建魯棒規(guī)劃模型能保證系統(tǒng)具有更高的安全性與可靠性,能適應(yīng)負(fù)荷波動帶來的影響,并能保證負(fù)荷安全用電,且隨著負(fù)荷波動的增大,模型的抗擾動優(yōu)點(diǎn)越發(fā)突顯。

當(dāng)風(fēng)速波動分別為10%,20%和30%時,本文所建魯棒規(guī)劃模型的棄風(fēng)成本分別為6.4,11.1,17.1萬元,與確定性規(guī)劃模型相比,棄風(fēng)成本大幅降低,分別減少了44.5,45.5,45.1萬元。由此可得,本文所建魯棒性規(guī)劃模型更適應(yīng)ADN清潔能源滲透率高、不確定性大的特點(diǎn),能更加高效地利用清潔能源,符合未來配電網(wǎng)的發(fā)展趨勢。

5 結(jié)論

本文建立了ADN中計(jì)及網(wǎng)絡(luò)重構(gòu)的DG魯棒優(yōu)化模型,同時,分別采用PSO和BPSO算法對上、下兩層模型進(jìn)行求解,并利用IEEE 33節(jié)點(diǎn)系統(tǒng)為算例進(jìn)行仿真和驗(yàn)證,得到如下結(jié)論。

1)在ADN中進(jìn)行DG規(guī)劃時,考慮網(wǎng)絡(luò)重構(gòu)不僅會影響DG的規(guī)劃結(jié)果,還會影響系統(tǒng)的各項(xiàng)經(jīng)濟(jì)成本。在考慮網(wǎng)絡(luò)重構(gòu)時,在某些場景下,不需要新增大量的DG滿足負(fù)荷增長的需求,只需調(diào)節(jié)開關(guān)狀態(tài)、優(yōu)化潮流來滿足ADN的安全運(yùn)行。雖然會因此產(chǎn)生少量的重構(gòu)成本,但能使網(wǎng)損費(fèi)用大幅度減少,還能降低DG的綜合費(fèi)用,從而使系統(tǒng)年綜合費(fèi)用降低,提高了經(jīng)濟(jì)性。

2)本文所建立的DG魯棒規(guī)劃模型,能在規(guī)劃階段考慮DG的運(yùn)行限制和DG的滲透率限制，從而增加了DG的利用率,使DG就地被消納,降低了網(wǎng)損,減小了從大電網(wǎng)的購電量,使系統(tǒng)具備更好的經(jīng)濟(jì)性。

3)本文考慮多種主動管理手段,能在DG規(guī)劃階段模擬多場景運(yùn)行,考慮風(fēng)速、光照強(qiáng)度和負(fù)荷的不確定性,使規(guī)劃系統(tǒng)具有更好的適應(yīng)性和穩(wěn)定性,也使系統(tǒng)的可靠性大大提高。

但本文僅對ADN中的DG進(jìn)行了規(guī)劃,未對配電網(wǎng)的網(wǎng)架及儲能裝置等進(jìn)行規(guī)劃分析,這也是下一步的研究方向。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。

參 考 文 獻(xiàn)

[1] 劉廣一,黃仁樂.主動配電網(wǎng)的運(yùn)行控制技術(shù)[J].供用電,2014(1):30-32.

LIU Guangyi, HUANG Renle. The operation control technology of active distribution network[J]. Distribution and Utilization, 2014(1): 30-32.

[2] 劉佳,徐謙,程浩忠,等.計(jì)及主動配電網(wǎng)轉(zhuǎn)供能的可再生電源雙層優(yōu)化規(guī)劃[J].電工技術(shù)學(xué)報(bào),2017,32(9):179-188.

LIU Jia, XU Qian, CHENG Haozhong, et al. Bi-level optimal renewable energy sources planning considering active distribution network power transfer capability[J]. Transactions of China Electrotechnical Society, 2017, 32(9): 179-188.

[3] 曾博,劉念,張玉瑩,等.促進(jìn)間歇性分布式電源高效利用的主動配電網(wǎng)雙層場景規(guī)劃方法[J].電工技術(shù)學(xué)報(bào),2013,28(9):155-163.

ZENG Bo, LIU Nian, ZHANG Yuying, et al. Bi-level scenario programming of active distribution network for promoting intermittent distributed generation utilization[J]. Transactions of China Electrotechnical Society, 2013, 28(9): 155-163.

[4] 高紅均,劉俊勇.考慮不同類型DG和負(fù)荷建模的主動配電網(wǎng)協(xié)同規(guī)劃[J].中國電機(jī)工程學(xué)報(bào),2016,36(18):4911-4922.

GAO Hongjun, LIU Junyong. Coordinated planning considering different types of DG and load in active distribution network[J]. Proceedings of the CSEE, 2016, 36(18): 4911-4922.

[5] 李亮,唐巍,白牧可,等.考慮時序特性的多目標(biāo)分布式電源選址定容規(guī)劃[J].電力系統(tǒng)自動化,2013,37(3):58-63.

LI Liang, TANG Wei, BAI Muke, et al. Multi-objective locating and sizing of distributed generators based on time sequence characteristics[J]. Automation of Electric Power Systems, 2013, 37(3): 58-63.

[6] 沈欣煒,朱守真,鄭競宏,等.考慮分布式電源及儲能配合的主動配電網(wǎng)規(guī)劃-運(yùn)行聯(lián)合優(yōu)化[J].電網(wǎng)技術(shù),2015,39(7):1913-1920.

SHEN Xinwei, ZHU Shouzhen, ZHENG Jinghong, et al. Active distribution network planning-operation co-optimization considering the coordination of ESS and DG[J]. Power System Technology, 2015, 39(7): 1913-1920.

[7] GANGULY S, SAHOO N C, DAS D. A novel multi-objective PSO for electrical distribution system planning incorporating distributed generation[J]. Energy Systems, 2010, 1(3): 291-337.

[8] SOROUDI A, EHSAN M. A distribution network expansion planning model considering distributed generation options and techo-economical issues[J]. Energy, 2010, 35(8): 3364-3374.

[9] MARTINS V F, BORGES C L T. Active distribution network integrated planning incorporating distributed generation and load response uncertainties[J]. IEEE Transactions on Power Systems, 2011, 26(4): 2164-2172.

[10] BORGES C L T, MARTINS V F. Multistage expansion planning for active distribution networks under demand and distributed generation uncertainties[J]. International Journal of Electrical Power & Energy Systems, 2012, 36(1): 107-116.

[11] 唐念,夏明超,肖偉棟,等.考慮多種分布式電源及其隨機(jī)特性的配電網(wǎng)多目標(biāo)擴(kuò)展規(guī)劃[J].電力系統(tǒng)自動化,2015,39(8):45-52.DOI:10.7500/AEPS20140330005.

TANG Nian, XIA Mingchao, XIAO Weidong, et al. Multi-objective expansion planning of active distribution systems considering distributed generator types and uncertainties[J]. Automation of Electric Power Systems, 2015, 39(8): 45-52. DOI: 10.7500/AEPS20140330005.

[12] OCHOA L F, HARRISON G P. Minimizing energy losses: optimal accommodation and smart operation of renewable distributed generation[J]. IEEE Transactions on Power Systems, 2011, 26(1): 198-205.

[13] OCHOA L F, DENT C J, HARRISON G P. Distribution network capacity assessment: variable DG and active networks[J]. IEEE Transactions on Power Systems, 2010, 25(1): 87-95.

[14] SIANO P, CHEN P, CHEN Z, et al. Evaluating maximum wind energy exploitation in active distribution networks[J]. IET Generation Transmission & Distribution, 2010, 4(5): 598-608.

[15] 張沈習(xí),李珂,程浩忠,等.考慮相關(guān)性的間歇性分布式電源選址定容規(guī)劃[J].電力系統(tǒng)自動化,2015,39(8):53-58.DOI:10.7500/AEPS20140423008.

ZHANG Shenxi, LI Ke, CHENG Haozhong, et al. Optimal siting and sizing of intermittent distributed generator considering correlations[J]. Automation of Electric Power Systems, 2015, 39(8): 53-58. DOI: 10.7500/AEPS20140423008.

[16] 李靜,韋巍,辛煥海,等.基于概率潮流的風(fēng)電分布式電源優(yōu)化配置[J].電力系統(tǒng)自動化,2014,38(14):70-76.DOI:10.7500/AEPS20130713002.

LI Jing, WEI Wei, XIN Huanhai, et al. Optimal allocation of wind power distributed generator based on probabilistic power flow[J]. Automation of Electric Power Systems, 2014, 38(14): 70-76. DOI: 10.7500/AEPS20130713002.

[17] SOROUDI A, AMRAEE T. Decision making under uncertainty in energy systems: state of the art[J]. Renewable and Sustainable Energy Reviews, 2013, 28(8): 376-384.

[18] 張沈習(xí),袁加妍,程浩忠,等.主動配電網(wǎng)中考慮需求側(cè)管理和網(wǎng)絡(luò)重構(gòu)的分布式電源規(guī)劃方法[J]. 中國電機(jī)工程學(xué)報(bào), 2016,36(S1):1-9.

ZHANG Shenxi, YUAN Jiayan, CHENG Haozhong, et al. Optimal distributed generation planning in active distribution network considering demand side management and network reconfiguration[J]. Proceedings of the CSEE, 2016, 36(S1): 1-9.

[19] 向月,劉俊勇,魏震波,等.考慮可再生能源出力不確定性的微電網(wǎng)能量優(yōu)化魯棒模型[J].中國電機(jī)工程學(xué)報(bào),2014,34(19):3063-3072.

XIANG Yue, LIU Junyong, WEI Zhenbo, et al. Robust model of microgrid energy optimization with uncertain renewable energy sources[J]. Proceedings of the CSEE, 2014, 34(19): 3063-3072.

[20] 張翔,程浩忠,方陳,等.考慮主動管理模式的多目標(biāo)分布式電源規(guī)劃[J].上海交通大學(xué)學(xué)報(bào),2014,48(9):1231-1238.

ZHANG Xiang, CHENG Haozhong, FANG Chen, et al. Multiobjective distributed generation planning considering active management[J]. Journal of Shanghai Jiao Tong University, 2014, 48(9): 1231-1238.

[21] 劉廣一,張凱,舒彬.主動配電網(wǎng)的6個主動與技術(shù)實(shí)現(xiàn)[J].電力建設(shè),2015,36(1):33-37.

LIU Guangyi, ZHANG Kai, SHU Bin. Six actives and key technologies of active distribution network[J]. Electric Power Construction, 2015, 36(1): 33-37.

[22] 高紅均,劉俊勇,魏震波,等.主動配電網(wǎng)分層魯棒規(guī)劃模型及其求解方法[J].中國電機(jī)工程學(xué)報(bào),2017,37(5):1389-1400.

GAO Hongjun, LIU Junyong, WEI Zhenbo, et al. A bi-level robust planning model of active distribution network and its solution method[J]. Proceedings of the CSEE, 2017, 37(5): 1389-1400.

[23] 張林,金忠達(dá).基于粒子群算法的配電網(wǎng)分層規(guī)劃方法研究[J].陜西電力,2014,42(12):44-47.

ZHANG Lin, JIN Zhongda. Prone into distribution network hierarchical planning method based on particle swarm optimization[J]. Shaanxi Electric Power, 2014, 42(12): 44-47.

[24] 何宏杰.基于二進(jìn)制粒子群優(yōu)化算法的配電網(wǎng)重構(gòu)研究[D].杭州:浙江大學(xué),2006.

[25] 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.