基于概率潮流的主動(dòng)配電網(wǎng)日前—實(shí)時(shí)兩級(jí)優(yōu)化調(diào)度

黃 偉, 葛良軍, 華亮亮, 楊舒文, 劉明昌

(1. 華北電力大學(xué)電氣與電子工程學(xué)院, 北京市 102206;2. 國(guó)網(wǎng)內(nèi)蒙古東部電力有限公司通遼供電公司, 內(nèi)蒙古自治區(qū)通遼市 028000)

0 引言

隨著環(huán)保壓力與能源危機(jī)的不斷加重,電力作為應(yīng)用最為廣泛的二次能源,正在進(jìn)行源、荷雙重技術(shù)革命,即分布式電源(DG)、儲(chǔ)能系統(tǒng)、柔性負(fù)荷等分布式能源(DER)大規(guī)模并網(wǎng)運(yùn)行[1-3]。相對(duì)于傳統(tǒng)配電網(wǎng),DER的接入一方面導(dǎo)致潮流雙向流動(dòng),另一方面其本身往往具有較強(qiáng)的波動(dòng)性,難以準(zhǔn)確預(yù)測(cè)。因此配電網(wǎng)運(yùn)行邊界條件更加復(fù)雜。

傳統(tǒng)配電網(wǎng)不能有效對(duì)DER實(shí)現(xiàn)主動(dòng)管理,無法滿足配電網(wǎng)未來發(fā)展需求。為此主動(dòng)配電網(wǎng)(ADN)應(yīng)運(yùn)而生[4]。它通過靈活的拓?fù)浣Y(jié)構(gòu)、先進(jìn)的調(diào)度策略對(duì)DER進(jìn)行主動(dòng)管理,實(shí)施需求側(cè)響應(yīng)引導(dǎo)源荷參與互動(dòng)[5],保障配電網(wǎng)經(jīng)濟(jì)安全運(yùn)行的同時(shí)實(shí)現(xiàn)DER的高效消納。

ADN優(yōu)化調(diào)度包含有日前調(diào)度和實(shí)時(shí)調(diào)度[6],前者根據(jù)日前負(fù)荷和DER預(yù)測(cè)結(jié)果制定次日24 h內(nèi)各單元購(gòu)、發(fā)電計(jì)劃;后者根據(jù)實(shí)際運(yùn)行工況和超短期預(yù)測(cè)結(jié)果,對(duì)日前調(diào)度做出相應(yīng)調(diào)整優(yōu)化,時(shí)間尺度多以15～30 min為主[7]。

文獻(xiàn)[8]運(yùn)用多代理對(duì)DER進(jìn)行管控,構(gòu)建日前—實(shí)時(shí)多時(shí)間尺度調(diào)度模型,實(shí)現(xiàn)ADN運(yùn)行經(jīng)濟(jì)性和穩(wěn)定性,但未充分考慮ADN中間歇性電源和柔性負(fù)荷不確定性;文獻(xiàn)[9]在日前調(diào)度中運(yùn)用多場(chǎng)景技術(shù)擬合ADN運(yùn)行中不確定因素,使運(yùn)行收益期望值達(dá)到最優(yōu),但其調(diào)度過程側(cè)重于功率分配,未充分考慮配電網(wǎng)運(yùn)行安全性;文獻(xiàn)[5]考慮ADN的不確定性,提出基于概率潮流的日前調(diào)度模型,但考慮到日前預(yù)測(cè)較大的波動(dòng)性,可能會(huì)使得概率潮流的計(jì)算誤差有所增加,影響調(diào)度精度;文獻(xiàn)[10]通過“源荷雙側(cè)”的協(xié)同性處理ADN中的隨機(jī)性,提出運(yùn)行成本與環(huán)境成本最優(yōu)的供需互動(dòng)優(yōu)化調(diào)度策略。

現(xiàn)有研究尚未針對(duì)實(shí)時(shí)調(diào)度中超短期預(yù)測(cè)結(jié)果的波動(dòng)性加以考慮,可能會(huì)使得調(diào)度安全裕度小,系統(tǒng)穩(wěn)定性差。概率潮流能夠有效反映系統(tǒng)中各因素波動(dòng)對(duì)系統(tǒng)運(yùn)行的影響,適合應(yīng)用于預(yù)測(cè)時(shí)間尺度短、預(yù)測(cè)波動(dòng)小的實(shí)時(shí)調(diào)度[11]。為此本文提出基于概率潮流的日前—實(shí)時(shí)兩級(jí)優(yōu)化調(diào)度策略,日前調(diào)度根據(jù)ADN日前預(yù)測(cè)結(jié)果,確定ADN中各調(diào)度單元次日運(yùn)行計(jì)劃;然后結(jié)合實(shí)際運(yùn)行時(shí)工況和超短期預(yù)測(cè)結(jié)果,考慮各不確定因素,基于概率潮流進(jìn)行實(shí)時(shí)調(diào)度,對(duì)日前計(jì)劃進(jìn)行修正,降低運(yùn)行成本并確保各不確定性變量在正常范圍內(nèi)波動(dòng)時(shí),ADN能夠主動(dòng)有效應(yīng)對(duì),提高系統(tǒng)安全裕度,實(shí)現(xiàn)安全經(jīng)濟(jì)運(yùn)行。

1 ADN調(diào)度框架

1.1 調(diào)度機(jī)制與調(diào)度單元

ADN調(diào)度框架見附錄A圖A1,主要組成單元包括DG、虛擬微網(wǎng)(VMG)、負(fù)荷、儲(chǔ)能系統(tǒng)等。

1)DG

DG分為可控電源和間歇式電源(IPS),前者主要有微型燃?xì)廨啓C(jī)、燃料電池等,其出力大小完全受控,可提前確定發(fā)電計(jì)劃,下面以微型燃?xì)廨啓C(jī)為例進(jìn)行討論。后者主要為分布式風(fēng)電和光伏,其最大出力受風(fēng)速、光照等因素決定,具有很強(qiáng)的波動(dòng)性,一般根據(jù)天氣預(yù)報(bào)對(duì)其未來出力大小進(jìn)行預(yù)測(cè),難以精確控制。

2)VMG

VMG是指不參與ADN統(tǒng)一管理調(diào)度的配電區(qū)域,經(jīng)營(yíng)權(quán)往往屬于第三方,能夠獨(dú)立控制調(diào)度其內(nèi)部資源[5]。VMG是傳統(tǒng)微網(wǎng)概念的延伸,具有專屬的調(diào)度中心,根據(jù)自身內(nèi)部DER信息、負(fù)荷預(yù)測(cè)以及電價(jià)等制定購(gòu)售電計(jì)劃,以區(qū)域作為整體與ADN進(jìn)行功率交換,最大化自身收益。具有獨(dú)立調(diào)控中心的微網(wǎng)、虛擬發(fā)電廠[12]等都屬于此范疇。

從ADN角度看,VMG在不同情況下角色不同,既可能作為電源向電網(wǎng)售電,也可能作為負(fù)荷向ADN購(gòu)電。且其內(nèi)部DER、負(fù)荷的波動(dòng)也使得VMG與ADN功率交換具有一定不確定性。

3)負(fù)荷

負(fù)荷包括常規(guī)負(fù)荷和柔性負(fù)荷。前者通常指彈性較小的剛性負(fù)荷,一般不參與需求響應(yīng);后者一般會(huì)主動(dòng)參與源荷供需互動(dòng),根據(jù)激勵(lì)或電價(jià)積極調(diào)整自身用電計(jì)劃,能夠有助于電網(wǎng)經(jīng)濟(jì)穩(wěn)定運(yùn)行。柔性負(fù)荷既含電動(dòng)汽車、儲(chǔ)能等具有“源荷”雙重特征的新型負(fù)荷[13],也含有一定用電彈性的傳統(tǒng)負(fù)荷。

1.2 不確定性分析

間歇式電源、負(fù)荷與VMG購(gòu)售電受多種因素影響,預(yù)測(cè)結(jié)果均存在一定程度的不確定性。概率學(xué)上認(rèn)為正態(tài)分布可近似分析目前大部分的概率分布,是最常用的一類分布函數(shù)。目前有部分文獻(xiàn)應(yīng)用正態(tài)分布對(duì)配電網(wǎng)中的不確定因素進(jìn)行分析[9],各單元分布如表1所示。表中:f1(PPV,t),f2(PWT,t),f3(PVMG,t),f4(PIL,t)分別為超短期預(yù)測(cè)時(shí)段t內(nèi)光伏、風(fēng)機(jī)、VMG和柔性負(fù)荷的功率概率密度函數(shù);PPV,t,PPVP,t,δPV,t分別為時(shí)段t內(nèi)光伏出力預(yù)測(cè)最大值、期望值和標(biāo)準(zhǔn)差(其他變量同理,不一一敘述)。

表1 正態(tài)分布模型參數(shù)Table 1 Model parameters of normal distribution

2 概率潮流

ADN中不確定單元使系統(tǒng)運(yùn)行狀態(tài)具有一定的不確定性。本文在實(shí)時(shí)調(diào)度中應(yīng)用概率潮流,將各不確定單元功率作為隨機(jī)變量,求出節(jié)點(diǎn)電壓與支路功率概率分布[14],從而在確保運(yùn)行時(shí)節(jié)點(diǎn)電壓和支路功率不發(fā)生越限的前提下使目標(biāo)函數(shù)最優(yōu),實(shí)現(xiàn)系統(tǒng)安全經(jīng)濟(jì)運(yùn)行。式(1)為節(jié)點(diǎn)電壓方程。

(1)

式中:Pi和Qi分別為節(jié)點(diǎn)i注入有功功率和無功功率;θij為節(jié)點(diǎn)i,j之間電壓相角差;Vi和Vj分別為節(jié)點(diǎn)i,j的電壓幅值;Gij和Bij為節(jié)點(diǎn)導(dǎo)納矩陣對(duì)應(yīng)元素;N為系統(tǒng)節(jié)點(diǎn)集。

可將式(1)寫成矩陣形式:

S=f(X)

(2)

同理,支路功率方程如式(3)和式(4)所示。

(3)

(4)

式中:Pij和Qij分別為節(jié)點(diǎn)i向節(jié)點(diǎn)j所傳輸有功和無功功率;kij為線路i-j上變壓器的變比;bij0為線路i-j容納的一半。

可寫成矩陣形式為:

Z=g(X)

(5)

對(duì)式(2)和式(5)進(jìn)行泰勒級(jí)數(shù)展開,并忽略其中二次項(xiàng)及以上,可得:

(6)

式中:J0為雅可比矩陣;G0=?Z/?X|X=X0。

變換式(6)可得:

(7)

根據(jù)半不變量可加性[15]的特點(diǎn),可通過輸入功率半不變量求節(jié)點(diǎn)電壓和支路功率半不變量,繼而運(yùn)用級(jí)數(shù)得到其概率分布。

3 優(yōu)化調(diào)度模型

3.1 日前調(diào)度

3.1.1目標(biāo)函數(shù)

基于負(fù)荷、分布式風(fēng)光出力和VMG購(gòu)售電日前預(yù)測(cè)結(jié)果,以ADN全周期內(nèi)運(yùn)行成本最小為目標(biāo)函數(shù)進(jìn)行日前調(diào)度,確定各時(shí)段DG發(fā)電功率、與主網(wǎng)和VMG購(gòu)售電功率以及儲(chǔ)能系統(tǒng)充放電功率。將一天24 h分為T個(gè)時(shí)段,假定每一時(shí)段內(nèi)各組成單元功率基本保持不變,目標(biāo)函數(shù)為:

(8)

1)分布式風(fēng)光發(fā)電成本

風(fēng)光發(fā)電成本包括建設(shè)成本和運(yùn)行成本,根據(jù)其全壽命內(nèi)發(fā)電總量估計(jì),折合到單位發(fā)電量里,如式(9)所示。

(9)

2)VMG購(gòu)售電成本

(10)

(11)

3)微型燃?xì)廨啓C(jī)發(fā)電成本

(12)

4)主網(wǎng)購(gòu)售電成本

(13)

5)儲(chǔ)能系統(tǒng)運(yùn)行成本

儲(chǔ)能系統(tǒng)運(yùn)行成本包括安裝費(fèi)用與維護(hù)費(fèi)用,即

(14)

3.1.2不等式約束

1)功率平衡約束

(15)

2)儲(chǔ)能系統(tǒng)約束

(16)

3)各調(diào)度單元均需滿足的約束

(17)

4)節(jié)點(diǎn)電壓和支路功率約束

(18)

3.2 實(shí)時(shí)調(diào)度

3.2.1目標(biāo)函數(shù)

實(shí)時(shí)調(diào)度充分考慮部分可調(diào)度單元的不確定性,結(jié)合ADN實(shí)際運(yùn)行工況和超短期預(yù)測(cè)結(jié)果及概率分布進(jìn)行計(jì)算分析,通過控制可中斷負(fù)荷中斷、調(diào)整各調(diào)度單元運(yùn)行計(jì)劃和變壓器變比,使ADN在滿足安全約束前提下實(shí)現(xiàn)調(diào)度成本最優(yōu)。

對(duì)于ADN而言,上級(jí)主網(wǎng)和VMG是相對(duì)獨(dú)立的利益主體。實(shí)時(shí)調(diào)度中ADN若要改變?nèi)涨罢{(diào)度中同其確定的交互功率值,則主網(wǎng)和VMG須作出相應(yīng)調(diào)整,會(huì)影響其自身收益,因此本文考慮違約懲罰。而ADN所屬的DG為其自身資源,可以根據(jù)自身利益進(jìn)行調(diào)整。目標(biāo)函數(shù)見式(19)。

(19)

1)中斷負(fù)荷補(bǔ)償費(fèi)用

可中斷負(fù)荷通常提前和電力公司簽訂合同,當(dāng)電網(wǎng)處于緊急狀態(tài)下,可予以切除,保障電網(wǎng)安全,并按照合同獲得經(jīng)濟(jì)賠償。一般按照梯度補(bǔ)償機(jī)制進(jìn)行補(bǔ)償[10],如附錄A圖A2所示,將可中斷負(fù)荷量劃分為K個(gè)等級(jí),各等級(jí)中斷單位負(fù)荷賠償價(jià)格為CK,則補(bǔ)償成本為:

(20)

2)違約賠償費(fèi)用

當(dāng)ADN向主網(wǎng)實(shí)際購(gòu)售電量與日前調(diào)度確定電量偏差大于閾值時(shí),超過部分收取違約成本,如式(21)所示。

(21)

式中:Pup,limit為主網(wǎng)偏差閾值;ΔPup為向主網(wǎng)實(shí)際購(gòu)電量與計(jì)劃購(gòu)電量偏差;ρup,bp為超出閾值向主網(wǎng)單位電量賠償成本。

同理,VMG違約補(bǔ)償為:

(22)

式中:Pvt,limit為VMG偏差閾值;ΔPvt為VMG實(shí)際購(gòu)電量與計(jì)劃購(gòu)電量偏差;ρvt,bp為超出閾值向VMG單位電量賠償成本。

3.2.2不等式約束

為保證ADN安全運(yùn)行,實(shí)時(shí)調(diào)度時(shí)需預(yù)留足夠的安全裕度。為此應(yīng)用概率潮流計(jì)算各不確定性單元引起的節(jié)點(diǎn)電壓和支路功率概率分布,調(diào)度過程中使得節(jié)點(diǎn)電壓與支路功率在3倍標(biāo)準(zhǔn)差內(nèi)波動(dòng)時(shí)滿足約束條件。

(23)

式中:i，j∈N；δΔUi和δΔSij分別為節(jié)點(diǎn)電壓與支路功率標(biāo)準(zhǔn)差。

此外,可中斷負(fù)荷、儲(chǔ)能系統(tǒng)和變壓器變比滿足以下約束:

(24)

除此之外,實(shí)時(shí)調(diào)度仍需滿足約束式(15)至式(17)。

3.3 模型求解

引力搜索算法(GSA)具有搜索能力強(qiáng)、收斂快等優(yōu)點(diǎn)[16],但它只能基于本代粒子及其適應(yīng)值進(jìn)行下一時(shí)刻速度和位置跟新,易陷入局部最優(yōu)。粒子群算法[17]具有記憶迭代過程中全局最優(yōu)粒子和局部最優(yōu)粒子的特點(diǎn),因此可參照粒子群算法改進(jìn)GSA中粒子記憶性,其速度和位置更新如式(25)所示。

(25)

式中:ai(t),Vi(t),Xi(t)分別為第t代粒子i加速度、速度和位置;pbest,i為粒子i迄今搜索到的最優(yōu)位置;gbest為整個(gè)物質(zhì)群迄今搜索到的最優(yōu)位置;r1,r2,r3為0～1間隨機(jī)數(shù);c1和c2為學(xué)習(xí)因子。

圖1為實(shí)時(shí)調(diào)度求解流程(日前調(diào)度求解流程見附錄A圖A3)。其中粒子是指優(yōu)化模型的一個(gè)可能解,以向量x=[x1,x2, …,xn]表示,n表示解的維數(shù),即所求變量個(gè)數(shù)。日前調(diào)度中解每一維分別為風(fēng)機(jī)、光伏、VMG購(gòu)售電,微型燃?xì)廨啓C(jī)、主網(wǎng)購(gòu)電和儲(chǔ)能系統(tǒng)充放電功率期望值;實(shí)時(shí)調(diào)度解的每一維分別為各調(diào)度單元功率調(diào)整量和負(fù)荷中斷量期望值以及變壓器變比。

圖1 實(shí)時(shí)調(diào)度計(jì)算流程Fig.1 Calculation process of real-time scheduling

適應(yīng)度計(jì)算公式為:

(26)

式中:F為目標(biāo)函數(shù);Hi為第i個(gè)約束懲罰項(xiàng),若約束i滿足約束,Hi=0,否則Hi為越限值;λi為約束i的懲罰系數(shù)。

4 算例分析

本文利用改進(jìn)的IEEE 14節(jié)點(diǎn)ADN驗(yàn)證調(diào)度策略的有效性,圖2為其拓?fù)浣Y(jié)構(gòu),ADN包含3條饋線,共14個(gè)節(jié)點(diǎn),基礎(chǔ)參數(shù)見附錄B表B1。其中節(jié)點(diǎn)1通過變壓器與主網(wǎng)相連,變壓器變比范圍為1±4×1.25%。分布式風(fēng)電、光伏和微型燃?xì)廨啓C(jī)分別通過節(jié)點(diǎn)7,9,14接入ADN,VMG通過節(jié)點(diǎn)10接入ADN,儲(chǔ)能系統(tǒng)通過節(jié)點(diǎn)8接入ADN,節(jié)點(diǎn)3和節(jié)點(diǎn)11接有可中斷負(fù)荷。負(fù)荷、分布式風(fēng)電與光伏、VMG功率日前預(yù)測(cè)如附錄A圖A4和圖A5所示。

參考文獻(xiàn)[18],主網(wǎng)電價(jià)分為峰、谷、平,見附錄A圖A6,分別為0.55,0.488,0.33元/(kW·h)。設(shè)微型燃?xì)廨啓C(jī)發(fā)電成本為0.51元/(kW·h),其夜間負(fù)荷低谷期處于停機(jī)狀態(tài),白天08:00—24:00處于運(yùn)行狀態(tài),最大和最小輸出功率分別為6 MW和3 MW;儲(chǔ)能系統(tǒng)容量為4 MW,充放電功率限值為2 MW。各調(diào)度單元發(fā)電成本詳見附錄B表B2。

圖2 ADN拓?fù)浣Y(jié)構(gòu)Fig.2 Topological structure of ADN

1)日前調(diào)度結(jié)果分析

圖3為ADN日前調(diào)度結(jié)果。風(fēng)光發(fā)電成本主要集中在建設(shè)投資時(shí),運(yùn)行成本較低且有政府補(bǔ)貼;VMG購(gòu)售電價(jià)也較低。因此日前調(diào)度這三者在滿足約束時(shí)盡可能以最大功率消納,調(diào)度結(jié)果見附錄B表B3。在00:00—08:00時(shí)段處于負(fù)荷低谷,主網(wǎng)電價(jià)低至0.33元/(kW·h),此時(shí)儲(chǔ)能處于充電狀態(tài)。時(shí)段08:00—12:00內(nèi),負(fù)荷逐漸增加,微型燃?xì)廨啓C(jī)開始運(yùn)行。此時(shí)段微型燃?xì)廨啓C(jī)發(fā)電成本略高于主網(wǎng)電價(jià)0.488元/(kW·h),因此以最低功率運(yùn)行,儲(chǔ)能系統(tǒng)既不充電也不放電。在12:00—15:00時(shí)段和17:00—22:00時(shí)段內(nèi),負(fù)荷處于高峰期,主網(wǎng)的電價(jià)高達(dá)0.55元/(kW·h),此時(shí)微型燃?xì)廨啓C(jī)滿載運(yùn)行,儲(chǔ)能系統(tǒng)以較大的放電功率向電網(wǎng)供電。15:00—17:00時(shí)段內(nèi)主網(wǎng)電價(jià)為0.488元/(kW·h),此時(shí)段微型燃?xì)廨啓C(jī)低功率運(yùn)行,而儲(chǔ)能系統(tǒng)為應(yīng)對(duì)即將到來的負(fù)荷高峰快速充電。

圖3 日前調(diào)度各時(shí)段各單元功率值Fig.3 Power value of each unit dispatched by day-ahead scheduling

2)實(shí)時(shí)調(diào)度結(jié)果分析

以14:00—15:00時(shí)段為例進(jìn)行實(shí)時(shí)調(diào)度。日前調(diào)度確定此時(shí)段同主網(wǎng)和VMG簽約功率分別為14.31 MW和0.93 MW,前者實(shí)際購(gòu)電功率與日前調(diào)度結(jié)果偏差不得超過1 MW,后者為實(shí)際功率與日前調(diào)度結(jié)果偏差不得超過0.5 MW。超過部分需支付違約賠償,價(jià)格均為600元/(MW·h)。節(jié)點(diǎn)3和11負(fù)荷可中斷量分別為1.5 MW和1 MW,中斷賠償價(jià)格見附錄B表B4。超短期預(yù)測(cè)這一時(shí)段各節(jié)點(diǎn)負(fù)荷期望值、DER功率以及VMG最大交互功率見附錄B表B5和表B6。對(duì)此時(shí)段設(shè)計(jì)3種場(chǎng)景進(jìn)行分析。

場(chǎng)景1:風(fēng)光功率波動(dòng)分別為±10%與±8%,VMG功率波動(dòng)±6%,節(jié)點(diǎn)3和11處負(fù)荷波動(dòng)為±6%。

場(chǎng)景2:風(fēng)光功率波動(dòng)分別為±6%與±4%,VMG功率波動(dòng)4%，節(jié)點(diǎn)3和11負(fù)荷波動(dòng)±4%。

場(chǎng)景3:風(fēng)光功率波動(dòng)分別為±4%與2%,VMG功率波動(dòng)±2%,節(jié)點(diǎn)3和11負(fù)荷波動(dòng)±2%。

實(shí)時(shí)調(diào)度求得各調(diào)度單元功率期望值如表2所示。圖4為三種場(chǎng)景下節(jié)點(diǎn)9和10的電壓概率分布。

表2 某一時(shí)段不同場(chǎng)景可調(diào)度單元運(yùn)行計(jì)劃Table 2 Operation plans of scheduling units under different cases in a certain period

圖4 不同場(chǎng)景下部分布節(jié)點(diǎn)電壓概率密度分布Fig.4 Voltage probability density distribution of partial nodes under different cases

由附錄B表B5可知:此時(shí)段饋線1負(fù)荷較輕而饋線2負(fù)荷很重。結(jié)合圖4和表2可知,節(jié)點(diǎn)電壓在場(chǎng)景1中波動(dòng)性最大,須預(yù)留最多的安全裕度,防止越限,為此場(chǎng)景1中負(fù)荷中斷量和棄風(fēng)量均最大,同理場(chǎng)景2次之。3種場(chǎng)景下儲(chǔ)能系統(tǒng)和VMG功率均已達(dá)到約束條件下的最大值,主網(wǎng)和VMG購(gòu)售電量偏差均小于規(guī)定值,無需違約懲罰。各場(chǎng)景下節(jié)點(diǎn)電壓波動(dòng)范圍見附錄B表B7。

表3對(duì)比了3種調(diào)度模式下調(diào)度結(jié)果,調(diào)度模式分別為:①本文所提的基于概率潮流的實(shí)時(shí)調(diào)度;②不進(jìn)行實(shí)時(shí)調(diào)度,遵守日前調(diào)度計(jì)劃,功率差額由上級(jí)主網(wǎng)進(jìn)行調(diào)節(jié);③未考慮不確定單元功率波動(dòng),基于確定性潮流的實(shí)時(shí)調(diào)度。

表3 某一時(shí)段不同調(diào)度方式運(yùn)行結(jié)果對(duì)比Table 3 Comparison of operation results under different scheduling models in a certain period

調(diào)度模式2和3均未考慮不確定性單元波動(dòng)性,因此在3個(gè)場(chǎng)景下調(diào)度方案和運(yùn)行成本期望值均相同,但不同場(chǎng)景下節(jié)點(diǎn)電壓越限個(gè)數(shù)可能不同,如調(diào)度模式2的場(chǎng)景2和3。由表3可知,調(diào)度模式3未進(jìn)行實(shí)時(shí)調(diào)度,運(yùn)行成本最高,且5個(gè)節(jié)點(diǎn)有可能發(fā)生電壓越限,存在較大運(yùn)行風(fēng)險(xiǎn)。調(diào)度模式1在3個(gè)場(chǎng)景下運(yùn)行成本較調(diào)度模式3分別下降了1.86%,2.51%和3.20%,且節(jié)點(diǎn)電壓不發(fā)生越限。因此調(diào)度模式1兼顧了系統(tǒng)運(yùn)行的經(jīng)濟(jì)性和安全性,且隨著不確定性單元波動(dòng)性減小,運(yùn)行成本能夠稍有下降。調(diào)度模式2成本最低,但未考慮不確定性單元波動(dòng)性,使得節(jié)點(diǎn)電壓的安全裕度較低,可能會(huì)發(fā)生節(jié)點(diǎn)電壓越限。ADN線路有足夠的容量裕度,3種調(diào)度模式中均未發(fā)生支路功率越限。

5 結(jié)語

本文充分考慮ADN不確定單元功率波動(dòng)性,提出了基于概率潮流的日前—實(shí)時(shí)兩級(jí)優(yōu)化調(diào)度策略。日前調(diào)度基于日前預(yù)測(cè)結(jié)果,確定次日ADN各時(shí)段向主網(wǎng)購(gòu)售電電功率、與VMG交換功率大小以及DG、儲(chǔ)能的運(yùn)行計(jì)劃;實(shí)時(shí)調(diào)度結(jié)合ADN實(shí)時(shí)運(yùn)行工況和超短期預(yù)測(cè)結(jié)果,應(yīng)用概率潮流計(jì)算計(jì)及不確定單元的波動(dòng)性,優(yōu)化調(diào)整日前調(diào)度安排和制定負(fù)荷中斷計(jì)劃。該調(diào)度模型兼顧了系統(tǒng)運(yùn)行的經(jīng)濟(jì)性和安全性,能夠有效應(yīng)對(duì)ADN運(yùn)行中的不確定因素,實(shí)現(xiàn)高效供電。

本文調(diào)度模型暫未計(jì)及無功補(bǔ)償措施和電動(dòng)汽車,概率潮流計(jì)算未考慮不確定變量之間的相關(guān)性。在接下來的研究過程中將予以考慮,為ADN優(yōu)化調(diào)度和能量管理提供科學(xué)依據(jù)。

本文獲得國(guó)網(wǎng)內(nèi)蒙古東部電力有限公司“分布式新能源與配網(wǎng)協(xié)同發(fā)展體系建設(shè)及規(guī)劃技術(shù)研究”項(xiàng)目支持,在此表示感謝。

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] 孫輝,沈鐘浩,周瑋,等.主動(dòng)配電網(wǎng)源荷協(xié)調(diào)多目標(biāo)阻塞調(diào)度[J].電力系統(tǒng)自動(dòng)化,2017,41(16):88-95.DOI:10.7500/AEPS20170120015.

SUN Hui, SHEN Zhonghao, ZHOU Wei, et al. Multi-objective congestion dispatch of active distribution network based on source-load coordination[J]. Automation of Electric Power Systems, 2017, 41(16): 88-95. DOI: 10.7500/AEPS20170120015.

[2] 蒲天驕,陳乃仕,王曉輝,等.主動(dòng)配電網(wǎng)多源協(xié)同優(yōu)化調(diào)度架構(gòu)分析及應(yīng)用設(shè)計(jì)[J].電力系統(tǒng)自動(dòng)化,2016,40(1):17-23.DOI:10.7500/AEPS20150520010.

PU Tianjiao, CHEN Naishi, WANG Xiaohui, et al. Application and architecture of multi-source coordinated optimal dispatch for active distribution network[J]. Automation of Electric Power Systems, 2016, 40(1): 17-23. DOI: 10.7500/AEPS20150520010.

[3] CALDERARO V, CONIO G, GALDI V, et al. Active management of renewable energy sources for maximizing power production[J]. International Journal of Electrical Power & Energy System, 2014, 57(5): 64-72.

[4] MOKRYANI G. Active distribution networks planning with integration of demand response[J]. Solar Energy, 2015, 122: 1362-1370.

[5] 黃偉,楊舒文,葛良軍.基于概率潮流的主動(dòng)配電網(wǎng)供需群體協(xié)同優(yōu)化運(yùn)行策略[J].電力系統(tǒng)自動(dòng)化,2017,41(13):39-44.DOI:10.7500/AEPS20170116009.

HUANG Wei, YANG Shuwen, GE Liangjun. Source and load coordinated optimal operation strategy based on probabilistic load flow in ADN[J]. Automation of Electric Power Systems, 2017, 41(13): 39-44. DOI: 10.7500/AEPS20170116009.

[6] 莊慧敏,肖建.主動(dòng)配電網(wǎng)的兩階段優(yōu)化調(diào)度模型[J].西南交通大學(xué)學(xué)報(bào),2015,50(5):928-934.

ZHUANG Huimin, XIAO Jian. Two-stage optimal schedule model for active distribution network[J]. Journal of Southwest Jiaotong University, 2015, 50(5): 928-934.

[7] 丁濤,孫宏斌,柏瑞,等.考慮最大風(fēng)電容量接入的帶禁止區(qū)間實(shí)時(shí)經(jīng)濟(jì)調(diào)度模型[J].中國(guó)電機(jī)工程學(xué)報(bào),2015,35(4):759-765.

DING Tao, SUN Hongbin, BO Rui, et al. Real-time economic dispatch model with prohibited zones considering maximum wind power injection[J]. Proceedings of the CSEE, 2015, 35(4): 759-765.

[8] 黃偉,李寧坤,田羽洲,等.主動(dòng)配電網(wǎng)日前-實(shí)時(shí)調(diào)度策略研究[J].現(xiàn)代電力,2017,34(3):52-59.

HUANG Wei, LI Ningkun, TIAN Yuzhou, et al. Research on day-head and real-time schedule strategy for ADN[J]. Modern Electric Power, 2017, 34(3): 52-59.

[9] 高雅靜,李瑞環(huán),梁海峰,等.考慮間歇性電源與負(fù)荷不確定性情況下基于多場(chǎng)景技術(shù)的主動(dòng)配電系統(tǒng)兩步優(yōu)化調(diào)度[J].中國(guó)電機(jī)工程學(xué)報(bào),2015,35(7):1657-1665.

GAO Yajing, LI Ruihuan, LIANG Haifeng, et al. Two step optimal dispatch based on multiple scenarios technique considering uncertainties of intermittent distributed generations and loads in the active distribution system[J]. Proceedings of the CSEE, 2015, 35(7): 1657-1665.

[10] 曾鳴,楊雍琦,向紅偉,等.兼容需求側(cè)資源的“源-網(wǎng)-荷-儲(chǔ)”協(xié)調(diào)優(yōu)化調(diào)度模型[J]. 電力自動(dòng)化設(shè)備,2016,36(2):102-111.

ZENG Ming, YANG Yongqi, XIANG Hongwei, et al. Optimal dispatch model based on coordination between “generation-grid-load-energy storage” and demand-side resource[J]. Electric Power Automation Equipment, 2016, 36(2): 102-111.

[11] 胡澤春,王錫凡.基于半不變量法的隨機(jī)潮流誤差分析[J].電網(wǎng)技術(shù),2009,33(18):32-37.

HU Zechun, WANG Xifan. Error analysis of the probabilistic load flow based on cumulant method[J]. Power System Technology, 2009, 33(18): 32-37.

[12] 張江林,夏榆杭,段登偉,等.基于WCVaR評(píng)估的虛擬發(fā)電廠能量市場(chǎng)收益——風(fēng)險(xiǎn)模型[J].電力系統(tǒng)自動(dòng)化,2017,41(9):77-83.DOI:10.7500/AEPS20160716004.

ZHANG Jianglin, XIA Yuhang, DUAN Dengwei, et al. Benefit-risk model of virtual power plant in energy market based on WCVaR assessment[J]. Automation of Electirc Power Systems, 2017, 41(9): 77-83. DOI: 10.7500/AEPS20160716004.

[13] 曾丹,姚建國(guó),楊勝春,等.柔性負(fù)荷與電網(wǎng)互動(dòng)的系統(tǒng)動(dòng)力學(xué)仿真模型[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2014,34(25):4227-4233.

ZENG Dan, YAO Jianguo， YANG Shengchun, et al. System dynamics simulation model of flexible load in intearactive power grid[J]. Proceedings of the CSEE, 2014, 34(25): 4227-4233.

[14] PRUSTY B R, JENA D. A critical review on probabilistic load flow studies in uncertainty constrained power systems with photovoltaic generation and a new approach[J]. Renewable and Sustainable Energy Reviews, 2017, 69: 1286-1302.

[15] 熊強(qiáng),陳維榮,張雪霞,等.考慮多風(fēng)電場(chǎng)相關(guān)性的場(chǎng)景概率潮流計(jì)算[J].電網(wǎng)技術(shù),2015,39(8):2154-2159.

XIONG Qiang, CHEN Weiroong, ZHANG Xuexia, et al. Scenario probabilistic load flow calculation considering wind farms correlation[J]. Power System Technology, 2015, 39(8): 2154-2159.

[16] 李鵬,徐偉娜,周澤遠(yuǎn),等.基于改進(jìn)萬有引力搜索算法的微網(wǎng)優(yōu)化運(yùn)行[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2014,34(19):3073-3079.

LI Peng, XU Weina, ZHOU Zeyuan, et al. Optimal operation of microgrid based on improved gravitational search algorithm[J]. Proceedings of the CSEE, 2014, 34(19): 3073-3079.

[17] 黃太安,生佳根,徐紅洋,等.一種改進(jìn)的簡(jiǎn)化粒子群算法[J]. 計(jì)算機(jī)仿真,2013,30(2):327-330.

HUANG Taian, SHENG Jiagen, XU Hongyang, et al. Improved simplified particle swarm optimization[J]. Computer Simulation, 2013, 30(2): 327-330.

[18] 尤毅,劉東,鐘清,等.主動(dòng)配電網(wǎng)優(yōu)化調(diào)度策略研究[J].電力系統(tǒng)自動(dòng)化,2014,38(9):177-183.DOI:10.7500/AEPS20130804001.

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. DOI: 10.7500/AEPS20130804001.