一種考慮風險厭惡程度與阻塞抵抗性的配電網(wǎng)阻塞管理方法

謝 鋒，劉麗軍，林儒顯，陳俊生，鄭文迪

一種考慮風險厭惡程度與阻塞抵抗性的配電網(wǎng)阻塞管理方法

謝 鋒，劉麗軍，林儒顯，陳俊生，鄭文迪

(福州大學電氣工程與自動化學院，福建 福州 350108)

為評估大規(guī)模分布式可再生能源發(fā)電和靈活性負荷的不確定性對配電網(wǎng)線路阻塞的影響，基于效用理論和靈活性能力提出了一種計及不同程度越限風險的厭惡程度和置信區(qū)間外潛在阻塞風險抵御能力的配電網(wǎng)阻塞調(diào)度管理方法。綜合配電線路阻塞概率、阻塞嚴重程度和風險厭惡程度三方面要素構(gòu)建阻塞風險評估模型。以阻塞線路功率傳輸方向定義線路阻塞類型，分區(qū)域考慮線路阻塞造成的實際影響，在置信區(qū)間外以燃氣輪機、儲能系統(tǒng)和可中斷負荷的靈活性供給能力對潛在阻塞風險的應(yīng)對程度反映系統(tǒng)的阻塞抵抗性水平。以配電系統(tǒng)網(wǎng)損體現(xiàn)配電網(wǎng)的經(jīng)濟效益，以虛擬電廠收益呈現(xiàn)分布式發(fā)電的規(guī)?；б妗Ｓ纱藰?gòu)建配電系統(tǒng)安全經(jīng)濟調(diào)度的多目標優(yōu)化模型。最后，基于IEEE33節(jié)點系統(tǒng)對所提模型進行分析與驗證。結(jié)果表明基于該方法生成的日前調(diào)度計劃在兼顧經(jīng)濟效益的同時，可有效降低系統(tǒng)阻塞風險并增強對潛在阻塞風險的抵御能力。

分布式發(fā)電；風險厭惡；線路阻塞；阻塞抵抗性；日前調(diào)度

0 引言

大量分布式發(fā)電(distributed generation, DG)和靈活性負荷從負荷側(cè)接入導(dǎo)致了配電網(wǎng)源荷界限模糊、潮流突變及雙向化等特征的形成[1]，風光等分布式可再生能源發(fā)電(renewable distributed generation, RDG)出力的不確定性和用戶無序的電能消費計劃易導(dǎo)致配網(wǎng)潮流在時空分布上過于集中，配電網(wǎng)線路出現(xiàn)阻塞[2]，給配電網(wǎng)的安全穩(wěn)定運行造成巨大的沖擊[3]。

目前，配電網(wǎng)線路阻塞風險的評估和管理得到越來越多的關(guān)注。文獻[4]定義切負荷風險為故障概率與所造成停電損失的乘積，將運行風險指標轉(zhuǎn)化為經(jīng)濟性指標進行風險調(diào)度；文獻[5]采用機會約束方法對含大規(guī)模風電的電力系統(tǒng)的實時運行風險進行處理，但機會約束方法存在求解工作量大和未對阻塞風險進行具體的刻畫等不足。文獻[2]建立了基于智能軟開關(guān)與市場機制的配電網(wǎng)阻塞管理模型，通過直接控制手段結(jié)合制定的阻塞費用間接引導(dǎo)用戶用電計劃，解決了線路阻塞問題；文獻[6]采用調(diào)整充放電服務(wù)費和設(shè)置針對可控DG的補償獎勵機制，緩解了主動配電網(wǎng)的線路阻塞問題；文獻[7]以節(jié)點邊際電價為調(diào)節(jié)手段，通過調(diào)整直流配電系統(tǒng)內(nèi)儲能系統(tǒng)(energy storage system, ESS)和需求響應(yīng)(demand response, DR)等負荷的調(diào)度計劃，改變交-直流網(wǎng)絡(luò)間的互動方案，從而解決系統(tǒng)的阻塞問題。但上述文獻均是在RDG出力確定的前提下應(yīng)用市場調(diào)節(jié)機制改善線路阻塞問題，未能在不確定性環(huán)境下對系統(tǒng)的阻塞風險進行有效地度量。文獻[8]針對原有風險評估方法存在的問題，引入條件風險價值(conditional value at risk, CVaR)理論綜合考慮線路阻塞風險的隨機性、概率分布和置信度等多方面因素，為構(gòu)建阻塞風險度量指標提供了新思路。文獻[9]對比了熵風險價值與CVaR在阻塞風險調(diào)度中的效果差異。但上述研究在描述風險指標時不能很好地比較小概率、高越限程度風險和大概率、低越限程度風險間的差異[10]。

為評估RDG接入對系統(tǒng)線路安全造成的不利影響，文獻[11-12]在描述線路安全時將風電、光伏機組出力以確定性的形式進行考慮，但確定性的RDG出力難以對線路阻塞風險的真實狀態(tài)進行全面、準確的刻畫。采用概率形式描述新能源發(fā)電的不確定性能較為準確地反映風光波動對系統(tǒng)安全及阻塞管理的影響，但機會約束方法[5,13]和CVaR方法[8-9,14]在處理其不確定性時，僅考慮置信區(qū)間下的安全約束，無法對置信區(qū)間外部的系統(tǒng)潛在阻塞風險進行有效的評估與管理。

本文基于風光等分布式可再生能源出力和電動汽車(electric vehicle, EV)充電負荷的不確定性對線路阻塞的具體影響，將可控DG和柔性負荷(flexible load, FL)作為調(diào)度對象，聚合配電系統(tǒng)內(nèi)各類型DG組成虛擬電廠(virtual power plant, VPP)，以配電系統(tǒng)網(wǎng)絡(luò)損耗最小、系統(tǒng)阻塞風險最低、VPP收益最大和系統(tǒng)阻塞抵抗性最強為目標函數(shù)建立安全經(jīng)濟調(diào)度模型。在風險評估模型中計及調(diào)度過程中決策者對不同程度越限風險的厭惡程度，以風險厭惡型效用函數(shù)描述阻塞線路功率越限程度厭惡值的方式對CVaR風險評估方法進行改進；同時，以線路潮流越限方向定義線路阻塞類型，根據(jù)線路阻塞情況進行分區(qū)，分析各阻塞區(qū)域靈活性資源的供給能力與靈活性需求間的關(guān)系，以此評估調(diào)度方案對潛在阻塞風險的實時應(yīng)對能力。最后，采用多目標遺傳算法(non-dominated sorting genetic algorithm II, NSGA-II)對IEEE33節(jié)點系統(tǒng)進行求解分析，驗證了所述模型的有效性。

1 不確定性建模

本文在以風速、光照強度和EV充電負荷轉(zhuǎn)移率預(yù)測值作為確定性變量的基礎(chǔ)上，以相應(yīng)的預(yù)測誤差作為隨機變量，考慮風電、光伏出力和EV充電負荷轉(zhuǎn)移的不確定性，如式(1)所示。

1.1 風光不確定性模型

分布式風電、光伏發(fā)電機組出力受風速和光照強度的影響，具有較強的不確定性。在進行風電、光伏出力預(yù)測時，常采用正態(tài)分布描述其預(yù)測誤差[15-16]，故本文以均值為0、標準差服從當前時段預(yù)測值的正態(tài)分布描述風速和光照強度的預(yù)測偏差，如式(2)所示。

1.2 需求響應(yīng)不確定性模型

EV、可中斷負荷(Interruptible Load, IL)等柔性負荷具有較強的可調(diào)度潛力，為配電系統(tǒng)負荷側(cè)的重要靈活性資源，可作為需求響應(yīng)參與配電系統(tǒng)的優(yōu)化調(diào)度。DR對于改善系統(tǒng)峰谷差[17]、降低系統(tǒng)阻塞風險[18]、減小系統(tǒng)網(wǎng)絡(luò)損耗成本[19]、提高系統(tǒng)安全經(jīng)濟運行具有重要作用，其實施方式包括引導(dǎo)和簽訂合同等形式，實際優(yōu)化調(diào)度過程中其響應(yīng)水平受用戶層面的不確定性影響較大。

1.2.1價格型需求響應(yīng)

價格型需求響應(yīng)(price based demand response, PBDR)以價格為引導(dǎo)信號和管理機制，促進用戶用電方式和用電結(jié)構(gòu)的改善，常以分時電價機制實現(xiàn)。不同電價下的用戶響應(yīng)率或負荷轉(zhuǎn)移率是衡量其響應(yīng)程度的常用指標，由于PBDR機制基于宏觀引導(dǎo)和用戶自愿原則，其響應(yīng)易受諸多非經(jīng)濟因素的影響而出現(xiàn)波動[20]，故實際實現(xiàn)過程中需要考慮其不確定性。文獻[21-22]分析指出，激勵水平一定時負荷響應(yīng)率在一定誤差范圍內(nèi)上下波動，且隨著激勵水平的提高，誤差范圍呈現(xiàn)出“先增大后減小”的特點，本文采用圖1所示的轉(zhuǎn)移率曲線描述EV充電負荷轉(zhuǎn)移特性的不確定性。

圖1 EV充電負荷轉(zhuǎn)移率的不確定性

線性區(qū)內(nèi)用戶負荷轉(zhuǎn)移率與價格差值成線性關(guān)系，死區(qū)和飽和區(qū)則分別表征了價格差較小時響應(yīng)不明顯和價格差較大時響應(yīng)趨于飽和的特征；死區(qū)和線性區(qū)內(nèi)電價激勵水平還不足以使用戶完全忽視非經(jīng)濟因素的影響，因此其不確定性隨響應(yīng)率的增大而增大；飽和區(qū)內(nèi)，用戶受經(jīng)濟利益驅(qū)動，響應(yīng)的積極性不斷提升，負荷轉(zhuǎn)移率的不確定性主要受經(jīng)濟因素影響，逐漸趨于穩(wěn)定。用戶負荷轉(zhuǎn)移率與電價激勵水平表達式為

1.2.2激勵型需求響應(yīng)

激勵型需求響應(yīng)按照合同方式實施，受非經(jīng)濟因素的影響較小，故負荷響應(yīng)率的波動范圍較小，實際實現(xiàn)過程可以忽略其不確定性[23]。本文利用可中斷負荷作為激勵型需求響應(yīng)，通過電力公司與用戶簽署相應(yīng)的補償合同，在系統(tǒng)負荷尖峰或易產(chǎn)生線路阻塞現(xiàn)象的時段適當按計劃削減部分負荷，電力公司按削減負荷量給予一定的補償。故本文在系統(tǒng)調(diào)度過程中將IL作為負荷與備用電源，不考慮其不確定性的影響。

2 阻塞風險評估模型

2.1 VaR和CVaR的數(shù)學描述

VaR存在無法計及尾部風險、計算不便等不足[8]，基于此，文獻[25]提出了CVaR風險度量方法：在VaR的基礎(chǔ)上，以超額風險損失的期望值對風險水平進行刻畫。根據(jù)其定義可將CVaR描述為

其數(shù)學上的積分表達式為

CVaR綜合考慮了風險的概率分布、置信度等多方面因素，將不確定因素造成的影響由概率型指標轉(zhuǎn)化為置信度水平下的數(shù)值型指標[26]，更為直觀地體現(xiàn)了不確定性造成的影響, 在描述風險時具有良好的數(shù)學性質(zhì)。但文獻[27]指出其在特定情況下具有一定局限性，如表1所示，置信度為0.95時，事件A和事件B的CVaR值是相同的，即CVaR方法無法對高概率、低越限事件和低概率、高越限事件進行有效區(qū)分。

表1 事件A和事件B的線路負載率

2.2 基于效用函數(shù)改進CVaR方法的阻塞風險刻畫

2.2.1線路阻塞程度

RDG出力及負荷的不確定性導(dǎo)致負荷尖峰過高、線路潮流分布不均勻等現(xiàn)象的發(fā)生，配電網(wǎng)線路傳輸容量成為配電系統(tǒng)安全經(jīng)濟調(diào)度的一種資源，當線路潮流實際需求值高于其極限傳輸容量時，即出現(xiàn)線路阻塞現(xiàn)象，導(dǎo)致系統(tǒng)供電量缺額或棄風棄光等現(xiàn)象的發(fā)生?？捎镁€路過載程度對線路阻塞程度進行描述，即

2.2.2線路阻塞風險

文獻[28]指出，風險評估中的嚴重度函數(shù)應(yīng)能反映元件越限的程度和不同問題間的相對嚴重程度，線路阻塞程度指標能夠直觀地體現(xiàn)配電網(wǎng)線路的有功功率越限程度。但線路過載程度為線性函數(shù)，傳統(tǒng)的CVaR方法直接將其作為嚴重度函數(shù)，對不同阻塞情形下的相對嚴重程度的區(qū)分能力不足；效用函數(shù)體現(xiàn)決策者對故障事件導(dǎo)致的后果的感受或傾向[23]。本文結(jié)合效用理論，基于調(diào)度人員對線路阻塞不滿意程度的效用，采用風險厭惡型效用函數(shù)作為線路過載程度的權(quán)函數(shù)，對CVaR方法進行改進，以此描述決策者對不同線路過載程度的厭惡程度。

式中，、、均為常數(shù)，且、為正數(shù)，此時權(quán)函數(shù)關(guān)于線路過載程度的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)均為正數(shù)，表明當線路阻塞程度增加時，調(diào)度人員對于線路阻塞風險的重視程度以及重視程度的變化率均在上升，評價指標的風險厭惡特征更符合電力系統(tǒng)的實際運行狀況。

3 阻塞抵抗性

高比例RDG接入配電網(wǎng)導(dǎo)致了潮流突變與雙向化等特征的形成，潮流分布在時空維度上大規(guī)模堆積，可能導(dǎo)致配電網(wǎng)部分線路傳輸功率雙向越限。線路阻塞可能導(dǎo)致配電網(wǎng)相應(yīng)阻塞區(qū)域出現(xiàn)缺電或棄電現(xiàn)象，不僅違背了新能源發(fā)展的初衷，還影響了負荷側(cè)的正常用電需求，這就要求日前制定的調(diào)度方案具備更強的不確定性應(yīng)對能力，以應(yīng)對線路阻塞帶來的風險。

3.1 靈活性能力

燃氣輪機(micro turbine, MT)、儲能系統(tǒng)和IL可作為靈活性資源參與調(diào)度[29]，并用于應(yīng)對配電系統(tǒng)的潛在阻塞風險。文獻[30]指出電力系統(tǒng)靈活性具有方向性，本文基于靈活性上調(diào)與下調(diào)的特性，結(jié)合線路阻塞方向考慮靈活性資源調(diào)節(jié)能力的具體作用：當阻塞線路的實際功率傳輸方向為上游節(jié)點指向下游節(jié)點時，定義其阻塞類型為正向阻塞，此時說明該線路需要向下游區(qū)域傳輸更多的有功功率，但線路傳輸容量的限制導(dǎo)致下游區(qū)域供電量不足，產(chǎn)生負荷缺口，本文所提模型考慮調(diào)用系統(tǒng)靈活性資源的上調(diào)靈活性供給能力進行應(yīng)對；當阻塞線路實際傳輸功率方向為下游節(jié)點指向上游節(jié)點時，定義其阻塞類型為反向阻塞，該現(xiàn)象表明阻塞線路傳輸容量限制了下游區(qū)域新能源發(fā)電的消納，產(chǎn)生棄電現(xiàn)象，此時，系統(tǒng)可通過調(diào)用靈活性資源的下調(diào)靈活性供給能力促進風光等新能源發(fā)電的進一步消納。但實際補償或消納過程中，靈活性供給能力的傳輸會受到線路傳輸容量的限制。以圖2為例，IEEE33節(jié)點系統(tǒng)內(nèi)靈活性資源ESS1、ESS2、MT1和MT2均具備上調(diào)靈活性供給能力，當線路12-13發(fā)生正向阻塞時，上游未阻塞區(qū)域內(nèi)靈活性資源ESS1、ESS2和MT2的上調(diào)靈活性能力需要經(jīng)過阻塞線路才能傳輸至阻塞區(qū)域，實際調(diào)度過程中并不可用，阻塞區(qū)域僅可利用區(qū)域內(nèi)部的MT1對缺電風險進行電量補償。

圖2 靈活性能力傳輸限制

故本文在分析阻塞抵抗性時，先根據(jù)線路阻塞情況對系統(tǒng)進行分區(qū)，再根據(jù)式(11)分析各阻塞區(qū)域內(nèi)的靈活性供給能力。

3.2 阻塞抵抗性

為量化阻塞調(diào)度方案對系統(tǒng)潛在阻塞風險的應(yīng)對能力，本文從靈活性供給能力與阻塞風險應(yīng)對需求的角度出發(fā)，在日前調(diào)度計劃的基礎(chǔ)上提出阻塞抵抗性的概念：正向阻塞區(qū)域內(nèi)，阻塞抵抗性表現(xiàn)為上調(diào)靈活性供給能力對區(qū)域內(nèi)負荷缺口的補償程度；反向阻塞區(qū)域內(nèi)，阻塞抵抗性以下調(diào)靈活性供給能力對區(qū)域內(nèi)盈余電量的消納程度進行衡量。具體表述過程如式(12)。

4 多目標優(yōu)化模型

本文以配電網(wǎng)為研究對象，綜合考慮高比例RDG入網(wǎng)背景下配電系統(tǒng)的經(jīng)濟性與安全性。由于RDG的出力間斷性和隨機性、DG存在容量小且安裝位置相對分散的特點，需要將不同類型的DG聚合成一個集合體以輔助配電網(wǎng)進行安全經(jīng)濟調(diào)度。虛擬電廠可在不改變配網(wǎng)結(jié)構(gòu)及DG并網(wǎng)方式的基礎(chǔ)上，通過先進的控制、計量和通信等技術(shù)將不同類型、不同區(qū)域的DG聚合成整體以實施協(xié)調(diào)管理，可有效地呈現(xiàn)出DG對大電網(wǎng)的規(guī)模化效益。本文模型的系統(tǒng)結(jié)構(gòu)如圖3所示。

圖3 系統(tǒng)結(jié)構(gòu)圖

4.1 目標函數(shù)

現(xiàn)有配電網(wǎng)線路阻塞管理研究主要針對首端線路有功潮流進行限制，但DG和IL可在配電網(wǎng)負荷側(cè)靈活分布，對配電網(wǎng)中多條線路均可能造成較大程度的沖擊。因此，配電網(wǎng)線路阻塞風險評估需要結(jié)合DG和IL的實際容量和安裝位置，對受不確定性影響較大的多條線路同時進行分析。當考慮配電系統(tǒng)中多條線路的阻塞情況時，整個系統(tǒng)的阻塞風險可表示為

4.2 約束條件

1) 配電網(wǎng)約束

(1) 潮流約束

(2) 節(jié)點電壓約束

2) 分布式發(fā)電約束

(1) 燃氣輪機約束

(2) 儲能約束

(3) 風光運行約束

3) 需求響應(yīng)約束

(1) 電動汽車充電負荷約束

(2) 可中斷負荷約束

5 算例分析

本文以圖4的IEEE33節(jié)點系統(tǒng)對所提模型進行分析與驗證。設(shè)各EV充電負荷為價格型需求響應(yīng)，各EV充電站電動汽車數(shù)量為360臺、270臺和270臺。接入系統(tǒng)的風電機組、光伏機組的最大功率分別為1500 kW和500 kW，IL1和IL2的有功負荷大小分別為500 kW和300 kW，最大可切除比例為40%和30%。系統(tǒng)內(nèi)MT最小發(fā)電功率為200 kW，最大發(fā)電功率為800 kW，最大向上和向下爬坡速率為200 kW/h；ESS的電池容量變化范圍為200～500 kW·h，最大充放電速率為100 kW/h。因研究需要，設(shè)置線路1-2、2-3、3-4和5-6的功率傳輸上限為4000 kW，線路6-7、10-11、12-13、2-19、3-23和6-26的功率傳輸上限為1300 kW。為便于描述EV充電負荷轉(zhuǎn)移率曲線的參數(shù)，本文根據(jù)文獻[31]，在表2中將線性區(qū)EV充電負荷的轉(zhuǎn)移率以其上下邊界參數(shù)的形式對其進行表征。

圖4 IEEE33節(jié)點系統(tǒng)

表2 EV充電負荷轉(zhuǎn)移率曲線的參數(shù)

5.1 目標函數(shù)的相關(guān)性與矛盾性分析

圖5 F1、F2、F3分布情況擬合曲面

5.2 系統(tǒng)阻塞風險分析

為驗證本文所提模型對于系統(tǒng)阻塞風險控制的有效性，基于不同優(yōu)化策略進行阻塞調(diào)度安排，并對比各優(yōu)化策略對系統(tǒng)阻塞風險的影響，各優(yōu)化策略對應(yīng)模型如下。

優(yōu)化策略1：本文所提模型即考慮分時電價機制的風險厭惡CVaR優(yōu)化模型。

優(yōu)化策略2：基于分時電價機制的CVaR優(yōu)化模型。

優(yōu)化策略3：未考慮分時電價機制的風險厭惡CVaR優(yōu)化模型。

5.2.1系統(tǒng)阻塞概率對比

圖6 線路12-13各時段最大傳輸功率

圖7 系統(tǒng)各線路傳輸功率標幺值的累積概率

從圖6可以看出，優(yōu)化策略2、優(yōu)化策略3在一定程度上緩解了線路傳輸功率越限問題，但線路12-13在負荷高峰時仍存在阻塞風險，而優(yōu)化策略1的調(diào)度方案有效解決了線路傳輸功率超額的問題。

圖7中線路傳輸功率標幺值的符號代表線路中有功功率傳輸?shù)膶嶋H方向，當線路10-11的傳輸功率標幺值為-0.5時，表明此時線路10-11的負載率為50%，且有功功率由節(jié)點11向節(jié)點10流動。線路潮流正向流動的場景中，未優(yōu)化方案、優(yōu)化策略3對應(yīng)方案、優(yōu)化策略2對應(yīng)方案和優(yōu)化策略1對應(yīng)方案的線路傳輸功率標幺值的累積概率在線路正向傳輸功率上限處依次上升，說明3個優(yōu)化方案均存在正向阻塞風險且阻塞風險依次降低，同時，3個方案的線路傳輸功率的標幺值在累積概率為1處依次下降，表明各優(yōu)化方案的阻塞嚴重程度依次降低；在線路潮流反向流動的場景中，優(yōu)化策略2和優(yōu)化策略3對反向潮流越限具有較為明顯的抑制作用，但仍存在一定概率出現(xiàn)反向阻塞現(xiàn)象，而在優(yōu)化策略1對應(yīng)的調(diào)度計劃下，系統(tǒng)中線路的反向阻塞現(xiàn)象被完全消除。綜上，本文所提的基于分時電價機制的風險厭惡CVaR優(yōu)化方案能夠更為有效地對阻塞風險進行控制。

5.2.2共同越限風險分析

本文所提模型同時考慮系統(tǒng)中10條線路的傳輸功率情況，存在多條線路同時發(fā)生阻塞的情形。多條線路同時阻塞增加了系統(tǒng)阻塞風險的復(fù)雜度與調(diào)度管理的難度，故合理分析并降低系統(tǒng)共同越限風險，對促進配電系統(tǒng)安全經(jīng)濟運行具有重要的意義。

1) 系統(tǒng)共同越限風險

圖8 系統(tǒng)共同越限風險

由圖8可知，若系統(tǒng)內(nèi)有線路阻塞則認為此時系統(tǒng)阻塞，故圖8中各優(yōu)化策略對應(yīng)方案的系統(tǒng)阻塞風險高于圖7中的線路總體阻塞風險。未優(yōu)化方案的系統(tǒng)阻塞概率為34%，系統(tǒng)多條線路同時阻塞的風險較高，且存在4條線路同時阻塞的情形。經(jīng)過優(yōu)化后，系統(tǒng)阻塞概率和多條線路同時阻塞的風險得到了不同程度的改善，其中優(yōu)化策略1對應(yīng)的優(yōu)化方案效果最好，該優(yōu)化模式下系統(tǒng)阻塞概率降低至3%且多條線路同時阻塞的風險被消除。

2) 風光偏差對系統(tǒng)阻塞的影響分析

表3 各優(yōu)化策略F3最優(yōu)時的調(diào)度方案在時段11的系統(tǒng)阻塞情況

圖9 各優(yōu)化策略F3最優(yōu)時的調(diào)度方案在時段11的系統(tǒng)阻塞情況

由表3可知，相較于優(yōu)化策略2，優(yōu)化策略1側(cè)重優(yōu)化VPP收益時，對系統(tǒng)阻塞風險和共同越限風險的控制能力更強。從圖9可以看出，各優(yōu)化方案的阻塞場景均集中于風速正向偏差的區(qū)域，表明該時刻造成系統(tǒng)線路阻塞的主要原因是風速的正向波動，若系統(tǒng)要實現(xiàn)VPP收益最大化且降低阻塞風險，需要提升風電機組相關(guān)線路的傳輸容量或設(shè)置相應(yīng)的下調(diào)靈活性資源，以應(yīng)對該時刻風速的正向偏差。

5.3 系統(tǒng)阻塞抵抗性分析

本文在概率形式的不確定性環(huán)境下，使用改進的CVaR方法對線路阻塞風險進行限制，但多目標優(yōu)化模型及CVaR方法的調(diào)度策略使系統(tǒng)仍存在潛在阻塞風險，故本文基于系統(tǒng)阻塞抵抗性評估模型，在分析置信區(qū)間外不確定性因素對線路阻塞的影響的同時，度量調(diào)度方案對潛在阻塞風險的應(yīng)對能力。

故本節(jié)在優(yōu)化策略1模式下，選取下述優(yōu)化方案：在場景1條件下選取阻塞抵抗性最佳和VPP收益最佳的方案，在場景2條件下選取VPP收益最佳方案，分析置信區(qū)間外RDG出力不確定性所導(dǎo)致的潛在阻塞風險及系統(tǒng)應(yīng)對阻塞風險的實際能力。

VPP收益最佳出力方案在風光出力場景1條件下，線路1-2、線路2-3和線路3-23發(fā)生正向阻塞；在風光出力場景2條件下，線路12-13發(fā)生反向阻塞。兩個場景條件下VPP收益最佳調(diào)度方案的對應(yīng)阻塞分區(qū)情況如圖10、圖11所示，圖12為在場景1和場景2條件下各阻塞區(qū)域的阻塞抵抗性情況。

由圖12可知，在場景1條件下，阻塞抵抗性最佳方案在線路1-2處發(fā)生反向阻塞，此時系統(tǒng)可通過調(diào)用MT2、ESS1和ESS2上調(diào)靈活性供給能力，增加阻塞區(qū)域內(nèi)靈活性資源出力，解決因線路1-2阻塞產(chǎn)生的失負荷風險；VPP收益最佳方案在場景1條件下有3條線路發(fā)生正向阻塞，各阻塞區(qū)域內(nèi)缺負荷量分別為53 kW、78 kW和487 kW，此時各阻塞區(qū)域內(nèi)靈活性資源可提供的額外出力值為0 kW、100 kW和80 kW，阻塞區(qū)域1和阻塞區(qū)域3應(yīng)對線路阻塞的靈活性能力不足，阻塞區(qū)域2的靈活性資源在應(yīng)對本區(qū)域缺負荷風險后仍有上調(diào)裕度，但由于阻塞線路的傳輸功率限制，剩余的上調(diào)靈活性僅可作用于阻塞區(qū)域1而無法傳輸至阻塞區(qū)域3，同時，阻塞區(qū)域2的剩余靈活性上調(diào)能力仍無法滿足阻塞區(qū)域1的負荷需求，因此系統(tǒng)在調(diào)用靈活性資源后，阻塞區(qū)域1和阻塞區(qū)域3阻塞抵抗性不足，存在用電負荷缺口。

圖10 場景1下F3最優(yōu)時的調(diào)度方案對應(yīng)分區(qū)情況

圖11 場景2下F3最優(yōu)時的調(diào)度方案對應(yīng)分區(qū)情況

圖12 部分場景系統(tǒng)阻塞抵抗性

場景2條件下，VPP收益最佳方案導(dǎo)致線路12-13出現(xiàn)反向潮流越限，此時未阻塞區(qū)域中的ESS1、ESS2、IL1、IL2和MT2等DG雖具有一定的下調(diào)靈活性供給能力，但由于線路12-13傳輸容量的限制，未阻塞區(qū)域內(nèi)的靈活性資源下調(diào)能力無法用于消納阻塞區(qū)域內(nèi)部的盈余電量，此時，阻塞區(qū)域僅依靠MT1提供額外的下調(diào)能力，但無法滿足風電的消納需求，因此仍存在反向阻塞現(xiàn)象。

6 結(jié)論

MT等可控DG的可調(diào)度性、EV和IL等柔性負荷的可約束性與可引導(dǎo)性為配電系統(tǒng)阻塞管理提供了解決途徑。本文基于RDG和FL大規(guī)模入網(wǎng)的背景，針對配電網(wǎng)線路阻塞風險，提出了一種計及風險厭惡程度和阻塞風險應(yīng)對能力的阻塞管理方法。通過算例仿真分析，可得出以下結(jié)論。

1) 線路阻塞風險評估是分析阻塞抵抗性的基礎(chǔ)，合理約束線路阻塞風險可避免系統(tǒng)的甩負荷與棄電現(xiàn)象，提升系統(tǒng)的阻塞抵抗性。本文以風險厭惡型效用函數(shù)對線路阻塞的嚴重程度進行細致刻畫，相較于傳統(tǒng)的CVaR方法，能有效降低系統(tǒng)線路阻塞概率，改善線路阻塞嚴重程度并規(guī)避多條線路共同阻塞的風險。

2) 需求響應(yīng)作為負荷側(cè)靈活性資源，對于系統(tǒng)阻塞風險的整體優(yōu)化具有較好的促進作用。本文以分時電價機制對EV充電的無序性進行控制，降低系統(tǒng)峰谷負荷差值，使優(yōu)化策略能夠更好地平抑風光出力的波動性，緩解系統(tǒng)阻塞問題。

3) 傳統(tǒng)的阻塞風險評估方法忽視了對系統(tǒng)潛在風險的評估與應(yīng)對，本文提出的阻塞抵抗性是對線路阻塞風險評估的補充。本文計及線路容量限值對靈活性資源調(diào)用的約束，結(jié)合線路傳輸容量上限和線路阻塞類型，在以系統(tǒng)實時阻塞情況進行分區(qū)的基礎(chǔ)上評估系統(tǒng)對潛在阻塞風險的耐受能力，進一步提升了調(diào)度方案的安全性。

[1] 康重慶, 姚良忠. 高比例可再生能源電力系統(tǒng)的關(guān)鍵科學問題與理論研究框架[J]. 電力系統(tǒng)自動化, 2017, 41(9): 2-11.

KANG Chongqing, YAO Liangzhong. Key scientific issues and theoretical research framework for power systems with high proportion of renewable energy[J]. Automation of Electric Power Systems, 2017, 41(9): 2-11.

[2] 李鵬, 張培深, 王成山, 等. 基于智能軟開關(guān)與市場機制的有源配電網(wǎng)阻塞管理方法[J]. 電力系統(tǒng)自動化, 2017, 41(20): 9-16.

LI Peng, ZHANG Peishen, WANG Chengshan, et al. Congestion management method for active distribution networks based on soft open point and market mechanism[J]. Automation of Electric Power Systems, 2017, 41(20): 9-16.

[3] 李軍徽, 馮喜超, 嚴干貴, 等. 高風電滲透率下的電力系統(tǒng)調(diào)頻研究綜述[J]. 電力系統(tǒng)保護與控制, 2018, 46(2): 163-170.

LI Junhui, FENG Xichao, YAN Gangui, et al. Survey on frequency regulation technology in high wind penetration power system[J]. Power System Protection and Control, 2018, 46(2): 163-170.

[4] 文云峰, 江宇飛, 沈策, 等. 多階段協(xié)調(diào)的風險調(diào)度模型及算法研究[J]. 中國電機工程學報, 2014, 34(1): 153-160.

WEN Yunfeng, JIANG Yufei, SHEN Ce, et al. Research on the model and algorithm of multistage coordinated risk-based dispatch[J]. Proceedings of the CSEE, 2014, 34(1): 153-160.

[5] 王智冬, 婁素華, 范臻, 等. 基于機會約束規(guī)劃的含大規(guī)模風電電力系統(tǒng)阻塞調(diào)度優(yōu)化[J]. 電力系統(tǒng)自動化, 2019, 43(23): 147-154.

WANG Zhidong, LOU Suhua, FAN Zhen, et al. Chance-constrained programming based congestion dispatching optimization of power system with large-scale wind power integration[J]. Automation of Electric Power Systems, 2019, 43(23): 147-154.

[6] 孫輝, 沈鐘浩, 周瑋, 等. 主動配電網(wǎng)源荷協(xié)調(diào)多目標阻塞調(diào)度[J]. 電力系統(tǒng)自動化, 2017, 41(16): 88-95.

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.

[7] 趙一奇, 郭力, 劉一欣, 等. 計及阻塞管理的交直流柔性配電網(wǎng)協(xié)調(diào)優(yōu)化調(diào)度方法[J]. 電網(wǎng)技術(shù), 2021, 45(2): 622-633.

ZHAO Yiqi, GUO Li, LIU Yixin, et al. Coordinated optimal scheduling method of AC/DC flexible distribution network considering congestion management[J]. Power System Technology, 2021, 45(2): 622-633.

[8] 周任軍, 姚龍華, 童小嬌, 等. 采用條件風險方法的含風電系統(tǒng)安全經(jīng)濟調(diào)度[J]. 中國電機工程學報, 2012, 32(1): 56-63.

ZHOU Renjun, YAO Longhua, TONG Xiaojiao, et al. Security economic dispatch in wind power integrated systems using a conditional risk method[J]. Proceedings of the CSEE, 2012, 32(1): 56-63.

[9] 易國偉, 童小嬌, 周鵬, 等. CVaR 和EVaR 安全運行風險管理下的電力系統(tǒng)經(jīng)濟調(diào)度[J]. 電力系統(tǒng)保護與控制, 2016, 44(8): 49-56.

YI Guowei, TONG Xiaojiao, ZHOU Peng, et al. Power system economic dispatch under CVaR and EVaR security operation risk management[J]. Power System Protection and Control, 2016, 44(8): 49-56.

[10] 邱威, 張建華. 計及運行風險的多目標發(fā)電優(yōu)化調(diào)度[J]. 中國電機工程學報, 2012, 32(22): 64-72.

QIU Wei, ZHANG Jianhua. Multi-objective optimal generation dispatch with consideration of operation risk[J]. Proceedings of the CSEE, 2012, 32(22): 64-72.

[11] 李惠琴, 陳燕, 王崗紅, 等. 計及功率預(yù)測誤差的主動配電網(wǎng)實時經(jīng)濟調(diào)度方法[J]. 電力系統(tǒng)保護與控制, 2020, 48(16): 100-107.

LI Huiqin, CHEN Yan, WANG Ganghong, et al. Real-time economic dispatching method for active distribution networks considering power prediction errors[J]. Power System Protection and Control, 2020, 48(16): 100-107.

[12] 雷雪姣, 潘士娟, 管曉宏, 等. 考慮傳輸安全裕度的電力系統(tǒng)發(fā)電經(jīng)濟調(diào)度[J]. 中國電機工程學報, 2014, 34(31): 5651-5658.

LEI Xuejiao, PAN Shijuan, GUAN Xiaohong, et al. Transmission safety margin constrained unit commitment in power systems[J]. Proceedings of the CSEE, 2014, 34(31): 5651-5658.

[13] 劉德偉, 郭劍波, 黃越輝, 等. 基于風電功率概率預(yù)測和運行風險約束的含風電場電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度[J]. 中國電機工程學報, 2013, 33(16): 9-15.

LIU Dewei, GUO Jianbo, HUANG Yuehui, et al. Dynamic economic dispatch of wind integrated power system based on wind power probabilistic forecasting and operation risk constraints[J]. Proceedings of the CSEE, 2013, 33(16): 9-15.

[14] 周任軍, 陳瑞先, 童小嬌, 等. 考慮線路阻塞的風險限制調(diào)度多步整合模型[J]. 中國電機工程學報, 2015, 35(19): 4930-4936.

ZHOU Renjun, CHEN Ruixian, RONG Xiaojiao, et al. Multi-step integration models for risk-limiting dispatch of line congestion[J]. Proceeding of the CSEE, 2015, 35(19): 4930-4936.

[15] 劉斌, 劉鋒, 王程, 等. 考慮風電場靈活性及出力不確定性的機組組合[J]. 電網(wǎng)技術(shù), 2015, 39(3): 730-736.

LIU Bin, LIU Feng, WANG Cheng, et al. Unit commitment considering flexibility and uncertainty of wind power generation[J]. Power System Technology, 2015, 39(3): 730-736.

[16] 林少伯, 韓民曉, 趙國鵬, 等. 基于隨機預(yù)測誤差的分布式光伏配網(wǎng)儲能系統(tǒng)容量配置方法[J]. 中國電機工程學報, 2013, 33(4): 25-33.

LIN Shaobo, HAN Minxiao, ZHAO Guopeng, et al. Capacity allocation of energy storage in distributed photovoltaic power system based on stochastic prediction error[J]. Proceedings of the CSEE, 2013, 33(4): 25-33.

[17] 張海靜, 楊雍琦, 趙昕, 等. 計及需求響應(yīng)的區(qū)域綜合能源系統(tǒng)雙層優(yōu)化調(diào)度策略[J]. 中國電力, 2021, 54(4): 141-150.

ZHANG Haijing, YANG Yongqi, ZHAO Xin, et al. Two-level optimal dispatching strategy of regional integrated energy system considering demand response[J]. Electric Power, 2021, 54(4): 141-150.

[18] 王堯, 譚彩霞, 王佳偉, 等. 分時電價機制下計及用戶需求響應(yīng)的微網(wǎng)優(yōu)化調(diào)度模型[J]. 智慧電力, 2020, 48(10): 9-15.

WANG Yao, TAN Caixia, WANG Jiawei, et al. Micro-grid optimization scheduling model considering user demand response under time-of-use electricity price mechanism[J]. Smart Power, 2020, 48(10): 9-15.

[19] MURTY V V S N, KUMAR A. Multi-objective energy management in microgrids with hybrid energy sources and battery energy storage systems[J]. Protection and Control of Modern Power Systems, 2020, 5(1): 1-20.

[20] 孫宇軍, 李揚, 王蓓蓓, 等. 計及不確定性需求響應(yīng)的日前調(diào)度計劃模型[J].電網(wǎng)技術(shù), 2014, 38(10): 2708-2714.

SUN Yujun, LI Yang, WANG Beibei, et al. A day-ahead scheduling model considering demand response and its uncertainty[J]. Power System Technology, 2014, 38(10): 2708-2714.

[21] 羅純堅, 李姚旺, 許漢平, 等. 需求響應(yīng)不確定性對日前優(yōu)化調(diào)度的影響分析[J]. 電力系統(tǒng)自動化, 2017, 41(5): 22-29.

LUO Chunjian, LI Yaowang, XU Hanping, et al. Influence of demand response uncertainty on day-ahead optimization dispatching[J]. Automation of Electric Power Systems, 2017, 41(5): 22-29.

[22] 趙冬梅, 宋原, 王云龍, 等. 考慮柔性負荷響應(yīng)不確定性的多時間尺度協(xié)調(diào)調(diào)度模型[J]. 電力系統(tǒng)自動化, 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.

[23] 趙冬梅, 殷加玞. 考慮源荷雙側(cè)不確定性的模糊隨機機會約束優(yōu)先目標規(guī)劃調(diào)度模型[J]. 電工技術(shù)學報, 2018, 33(5): 1076-1085.

ZHAO Dongmei, YIN Jiafu. Fuzzy random chance constrained preemptive goal programming scheduling model considering source side and load-side uncertainty[J]. Transactions of China Electrotechnical Society, 2018, 33(5): 1076-1085.

[24] URYASEV S. Conditional value-at-risk: optimization algorithms and application[J]. Financial Engineering News, 2000, 2(3): 1-5.

[25] ROCKAFELLER T R, URYASEV S. Conditional value- at-risk for general loss distributions[J]. Journal of Banking and Finance, 2002, 26(7): 1443-1471.

[26] 陳寒, 唐忠, 魯家陽, 等. 基于CVaR量化不確定性的微電網(wǎng)優(yōu)化調(diào)度研究[J]. 電力系統(tǒng)保護與制, 2021, 49(5): 105-115.

CHEN Han, TANG Zhong, LU Jiayang, et al. Research on optimal dispatch of a microgrid based on CVaR quantitative uncertainty[J]. Power System Protection and Control, 2021, 49(5): 105-115.

[27] CHEN Z, LI Y. Nonlinearly weighted convex risk measure and its application[J]. Journal of Banking & Finance, 2011, 35(7): 1777-1793.

[28] 張國華, 段滿銀, 張建華, 等. 基于證據(jù)理論和效用理論的電力系統(tǒng)風險評估[J]. 電力系統(tǒng)自動化, 2009, 33(23): 1-4, 47.

ZHANG Guohua, DUAN Manyin, ZHANG Jianhua, et al. Power system risk assessment based on the evidence theory and utility theory[J]. Automation of Electric Power Systems, 2009, 33(23): 1-4, 47.

[29] 白帆, 陳紅坤, 陳磊, 等. 基于確定型評價指標的電力系統(tǒng)調(diào)度靈活性研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(10): 52-60.

BAI Fan, CHEN Hongkun, CHEN Lei, et al. Research on dispatching flexibility of power system based on deterministic evaluation index[J]. Power System Protection and Control, 2020, 48(10): 52-60.

[30]趙福林, 俞嘯玲, 杜詩嘉, 等. 計及需求響應(yīng)的含大規(guī)模風電并網(wǎng)下電力系統(tǒng)靈活性評估[J]. 電力系統(tǒng)保護與控制, 2021, 49(1): 42-51.

ZHAO Fulin, YU Xiaoling, DU Shijia, et al. Assessment on flexibility of a power grid with large-scale wind farm integration considering demand response[J]. Power System Protection and Control, 2021, 49(1): 42-51.

[31] 劉博. 計及電動汽車充電的居民分時電價方案研究[D]. 北京: 華北電力大學, 2018.

LIU Bo. Research on the residential TOU price considering electric vehicles charging[D]. Beijing: North China Electric Power University, 2018.

A distribution network congestion management method considering risk aversion and congestion resistance

XIE Feng, LIU Lijun, LIN Ruxian, CHEN Junsheng, ZHENG Wendi

(College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, China)

To evaluate the impact of the uncertainty of large-scale renewable distributed generation and flexible load on distribution network line congestion, a scheduling management method considering the aversion of different degrees of out of limit risk and the resistance to potential congestion risk outside the confidence interval is proposed based on utility theory and flexibility. The congestion risk assessment model is constructed by integrating the three factors of distribution line congestion probability, congestion severity and risk aversion. The line blocking type is defined by the power transmission direction of the blocking line. The actual impact caused by line blocking is considered in different regions, and the blocking resistance level of the system is reflected in the response degree of the flexible supply capacity of the gas turbine, the energy storage system and the interruptible load to the potential blocking risk outside the confidence interval. The economic benefits of the distribution network are reflected by the network loss of the distribution system, and the scale benefits of distributed generation are presented by the benefits of virtual power plants. A multi-objective optimization model for safe and economic dispatching of the distribution system is constructed. Finally, based on the analysis and verification of the proposed model based on the IEEE33 node system. The results show that the day ahead scheduling scheme based on this method can effectively reduce system congestion risk and enhance the ability to resist potential congestion risk while taking account of economic benefits.

distributed generation; risk aversion; line blocking; blocking resistance;day-ahead scheduling

10.19783/j.cnki.pspc.211701

福建省自然科學基金項目資助(2017J01480)

This work is supported by the Natural Science Foundation of Fujian Province (No. 2017J01480).

2021-12-14；

2022-02-26

謝 鋒(1997—)，男，碩士研究生，研究方向為電力系統(tǒng)規(guī)劃、運行及優(yōu)化；E-mail: fengx067@163.com

劉麗軍(1982—)，女，通信作者，博士，副教授，研究方向為電力系統(tǒng)規(guī)劃與運行、分布式發(fā)電技術(shù)、微電網(wǎng)的運行與控制。E-mail: liulijun0120@fzu.edu.cn

(編輯 許 威)