分布式儲(chǔ)能運(yùn)行規(guī)劃一體的多目標(biāo)選址定容方法

方 磊，薛云霞，池宇琪，金 峰，劉 明，陳兵兵，劉 俊

（1.國網(wǎng)山東濰坊供電公司，山東濰坊 261000；2.西安交通大學(xué)電氣工程學(xué)院，陜西西安 710049）

0 引言

近年來新能源裝機(jī)容量迅猛增長，新能源滲透率也節(jié)節(jié)攀升，由于風(fēng)光電源出力易受天氣環(huán)境影響，其出力的間歇性、波動(dòng)性會(huì)對電網(wǎng)電壓穩(wěn)定造成沖擊[1-3]；分布式風(fēng)光電源還會(huì)改變系統(tǒng)潮流、造成線路堵塞，且其出力的反調(diào)峰特性還使棄風(fēng)棄光的現(xiàn)象愈加頻繁[4-6]。分布式儲(chǔ)能（Distributed Battery Energy Storage System，DBESS）具備雙向功率輸出、能量時(shí)移、快速響應(yīng)等優(yōu)點(diǎn)[7-8]，是解決高新能源比例配網(wǎng)諸多問題的最優(yōu)選項(xiàng)之一[9-12]。

目前DBESS 在配網(wǎng)中的選址定容優(yōu)化框架主要分為單層和雙層兩種[13]。雙層優(yōu)化框架主要是將規(guī)劃時(shí)間尺度分離，文獻(xiàn)[14-16]將儲(chǔ)能安裝位置和額定容量作為上層變量同時(shí)也作為下層須滿足的約束條件，下層則大多以儲(chǔ)能出力為決策變量，通過這種上下層相互迭代求解方式求解分布式儲(chǔ)能選址定容模型，雙層結(jié)構(gòu)能夠更好地分離不同時(shí)間變量，對其分別進(jìn)行求解，但這種結(jié)構(gòu)也存在儲(chǔ)能容量冗余、求解時(shí)間長、難收斂等問題。在單層優(yōu)化框架方面，著重解決的是不同時(shí)間尺度變量的耦合問題，文獻(xiàn)[17]通過最大連續(xù)充放電量方式對儲(chǔ)能容量進(jìn)行校驗(yàn)。文獻(xiàn)[18]還考慮了多類型的分布式電源規(guī)劃，文獻(xiàn)[19]將風(fēng)光資源與負(fù)荷的耦合性也加入模型的構(gòu)建中，文獻(xiàn)[20]則主要針對功率時(shí)序不平衡引起的電壓越限問題進(jìn)行DBESS 規(guī)劃。

考慮到配網(wǎng)中的分布式電源單機(jī)容量小、位置分散、出力波動(dòng)性大，且系統(tǒng)的集中控制變量過多過程復(fù)雜，分區(qū)控制方法越來越成為解決配網(wǎng)控制的主流方法[21-22]。文獻(xiàn)[23]提出了一種根據(jù)節(jié)點(diǎn)電壓靈敏度對集群內(nèi)各儲(chǔ)能進(jìn)行功率分配的調(diào)壓控制策略，但僅將經(jīng)濟(jì)性作為優(yōu)化目標(biāo)，電壓作為約束，無法進(jìn)一步提升配網(wǎng)的電壓質(zhì)量。文獻(xiàn)[24]提出了一種分布式光伏與儲(chǔ)能的雙層協(xié)調(diào)選址定容模型，上下層分別以綜合費(fèi)用和網(wǎng)損最小為目標(biāo)將分布式光伏和儲(chǔ)能分別配置到各個(gè)節(jié)點(diǎn)，但所提優(yōu)化框架中沒有考慮儲(chǔ)能的優(yōu)化運(yùn)行策略，定儲(chǔ)能出力曲線無法保證儲(chǔ)能工作在最佳出力點(diǎn)。

針對現(xiàn)有研究中存在的單目標(biāo)規(guī)劃的儲(chǔ)能應(yīng)用場景單一[17]、位置變量不進(jìn)行針對性編碼導(dǎo)致的優(yōu)化難收斂[13]、雙層模型優(yōu)化時(shí)間長以及不考慮DBESS優(yōu)化運(yùn)行[24]等問題，本文提出了一種基于集群劃分的DBESS 運(yùn)行規(guī)劃一體的多目標(biāo)選址定容方法。本文對配網(wǎng)進(jìn)行集群劃分，基于劃分結(jié)果，建立以配網(wǎng)購電成本、儲(chǔ)能日均成本、電壓波動(dòng)和網(wǎng)損為優(yōu)化目標(biāo)的DBESS 選址定容模型；針對第三代非支配排序遺傳算法[25]（the Third-generation Non-dominant Sequencing Genetic Algorithm，NSGA-III）在處理位置變量時(shí)存在的問題[26-27]，提出一種改進(jìn)的交叉偏移操作方法，且對目標(biāo)和多時(shí)間尺度規(guī)劃變量分別采用嵌入式潮流和混合編碼的方式[28-29]進(jìn)行處理；使用改進(jìn)后的NSGA-III 算法對模型進(jìn)行求解，在IEEE33節(jié)點(diǎn)配網(wǎng)模型上驗(yàn)證了所提模型和方法的有效性。

1 基于集群劃分的儲(chǔ)能配置模型

1.1 配網(wǎng)多目標(biāo)集群劃分方法

在進(jìn)行DBESS 配置之前先對配網(wǎng)進(jìn)行集群劃分，文獻(xiàn)[22]提出了模塊度、有功和無功平衡度的綜合性能指標(biāo)，本文參考該文獻(xiàn)采用了系統(tǒng)模塊度指標(biāo)f1，并對有功平衡度f2及集群功率波動(dòng)性指標(biāo)f3進(jìn)行了相應(yīng)的改進(jìn)：

式中：dij為網(wǎng)絡(luò)邊權(quán)鄰接矩陣，這里選用電壓幅值/有功功率靈敏度矩陣確定的節(jié)點(diǎn)空間電氣距離矩陣作為鄰接矩陣；m為網(wǎng)絡(luò)邊權(quán)總和；ki為與節(jié)點(diǎn)i相連的節(jié)點(diǎn)邊權(quán)總和；δ(i,j)=1 表示節(jié)點(diǎn)i與節(jié)點(diǎn)j位于同一集群內(nèi)；Ng為集群的數(shù)量；Nlg為集群g與外界交互的聯(lián)絡(luò)線的數(shù)量；Pg,l,t為集群g線路l在t時(shí)段的功率平均值；為集群g在t時(shí)段內(nèi)的負(fù)荷均值；f3中聯(lián)絡(luò)線功率波動(dòng)分為兩部分，λ1為第一部分順序波動(dòng)幅度的對應(yīng)權(quán)值，λ2為第二部分聯(lián)絡(luò)線Pg,l在時(shí)段T內(nèi)的方差。

改進(jìn)的優(yōu)化目標(biāo)式（1）—式（3）和文獻(xiàn)[22]中提到的其他約束一起構(gòu)成了本文提出的配網(wǎng)多目標(biāo)集群劃分模型，在IEEE 33 節(jié)點(diǎn)配網(wǎng)上使用改進(jìn)的NSGA-III 算法進(jìn)行求解，使用基于TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）的多屬性決策方法從得到的Pareto 解集中選出最優(yōu)解。求解時(shí)，權(quán)值λ1,λ2分別設(shè)置為0.5，0.5。得到的集群劃分結(jié)果如圖1 所示。

圖1 配網(wǎng)多目標(biāo)集群劃分結(jié)果Fig.1 Result of distribution network multi-objective cluster division

1.2 多目標(biāo)DBESS選址定容模型

含高比例新能源的配網(wǎng)存在電壓波動(dòng)大、網(wǎng)損增加等問題，在配網(wǎng)中分布地配置儲(chǔ)能裝置能很好地解決這一難題，但DBESS 目前的價(jià)格仍居高不下，在配置時(shí)，其功率和容量大小也是需要考慮的重要因素。為減小調(diào)峰壓力，分時(shí)電價(jià)也逐漸在全國推廣應(yīng)用，在此環(huán)境下，儲(chǔ)能也可發(fā)揮其能量時(shí)移特性，減小配網(wǎng)購電成本。因此，考慮配網(wǎng)運(yùn)行的經(jīng)濟(jì)性和安全性指標(biāo)，選取了配網(wǎng)購電費(fèi)用F1，儲(chǔ)能日均運(yùn)行成本F2，電壓波動(dòng)F3，網(wǎng)損F4作為優(yōu)化目標(biāo)：

式中：et為t時(shí)段向主網(wǎng)購電的實(shí)時(shí)電價(jià)；Cin為DBESS 的年化投資成本；Cop為儲(chǔ)能的日均運(yùn)行維護(hù)費(fèi)用；γ為銀行利率；y為儲(chǔ)能使用年限；Nb為配網(wǎng)中第b座DBESS 的數(shù)量；cp,ce分別為DBESS 的功率、容量的單位安裝費(fèi)用；Pb,Eb分別為第b座DBESS 的功率和容量；Pb,t為第b座DBESS 在時(shí)段t內(nèi)的功率；cop為其單位運(yùn)行維護(hù)費(fèi)用；Ui,t為節(jié)點(diǎn)i在時(shí)段t內(nèi)的電壓均值；Uˉi為規(guī)劃總時(shí)段數(shù)T內(nèi)的電壓均值；Nl為配網(wǎng)的支路數(shù)；Nbus為配網(wǎng)中節(jié)點(diǎn)的數(shù)量；為支路lb在t時(shí)段的線路損耗功率。DBESS 選址定容模型的決策變量涉及DBESS安裝位置的0-1 變量和儲(chǔ)能出力的浮點(diǎn)數(shù)變量，因此本文采用混合編碼方式如式（9），并在NSGA-III的交叉變異操作中對不同類型的變量采用不同的操作方式。

式中：si=1 表示節(jié)點(diǎn)i配置了儲(chǔ)能，si=0 表示節(jié)點(diǎn)i沒有配置儲(chǔ)能。

對考慮集群劃分的DBESS 進(jìn)行選址定容時(shí)除了滿足電壓偏差范圍約束、潮流約束、功率平衡、DBESS 充放電等常規(guī)約束，還需要滿足集群內(nèi)儲(chǔ)能數(shù)量恒定的約束，具體如下：

1）電壓偏差范圍約束。

2）潮流約束。

式中：Pi,t,Qi,t分別為節(jié)點(diǎn)i在t時(shí)段的有功功率和無功功率；Gij,Bij分別為節(jié)點(diǎn)i和j間的電導(dǎo)和電納；θij,t為節(jié)點(diǎn)i和j間的電壓相角。

3）有功功率平衡約束。

式中：NW為分布式風(fēng)場的數(shù)量；為第w座分布式風(fēng)場在時(shí)段t內(nèi)的發(fā)電功率；NV為分布式光場的數(shù)量；為第v座分布式光場在時(shí)段t內(nèi)的發(fā)電功率。

4）DBESS 充放電約束。

式中：Soc,b,t為第b座DBESS 在t時(shí)段末的荷電狀態(tài)，分別為第b座DBESS 荷電狀態(tài)的上下限；σ為DBESS 首末荷電狀態(tài)最大偏差幅度，設(shè)置為0.1；Eb為 第b座DBESS 的額定容量，η為DBESS的歸算充放電效率；ηc,ηd分別為DBESS 的充放電效率。

為提升優(yōu)化效率，DBESS 的額定容量Eb采用最大累計(jì)充放電量E′b和最大單次充放電量E″b來計(jì)算，具體計(jì)算如下：

式中：Δt為t時(shí)段的時(shí)間跨度。

5）DBESS 集群數(shù)量約束。

式中：和Sg分別為集群g包含的節(jié)點(diǎn)數(shù)目和DBESS 數(shù)目。

2 改進(jìn)的NSGA-III多目標(biāo)優(yōu)化算法

2.1 多目標(biāo)DBESS選址定容優(yōu)化框架

求解多目標(biāo)DBESS 選址定容模型是一個(gè)混合整數(shù)非線性的多目標(biāo)問題，NSGA-III 是一種在遺傳算法基礎(chǔ)上改進(jìn)的多目標(biāo)優(yōu)化算法，在求解該類問題方面具有較高的求解效率。前代NSGA-II 與NSGA-III，兩者在框架上基本相同，不同的是NSGAIII 摒棄了前者基于擁擠度的非支配排序方法，轉(zhuǎn)而改用基于參考點(diǎn)的非支配排序方法。NSGA-III 在處理目標(biāo)數(shù)大于3 的優(yōu)化問題時(shí)，非支配個(gè)體呈指數(shù)增長而導(dǎo)致的個(gè)體間難以進(jìn)行優(yōu)劣區(qū)分的難題得以有效解決，在處理高維優(yōu)化問題時(shí)相比于NSGA-II和其他多目標(biāo)進(jìn)化算法具有更高的效率和分布性更好的解集。因此，本文提出了多目標(biāo)DBESS 選址定容優(yōu)化框架，如圖2 所示，其中G,G_max 分別為當(dāng)前節(jié)點(diǎn)的迭代次數(shù)和最大的迭代次數(shù)。

圖2 多目標(biāo)DBESS選址定容優(yōu)化框架Fig.2 Multi objective DBESS location and capacity determination optimization framework

2.2 偏移交叉操作方法

各個(gè)集群內(nèi)部儲(chǔ)能位置的選取雖然采用0-1編碼方式，但其0-1 符號表征對應(yīng)節(jié)點(diǎn)無/有配置儲(chǔ)能而不是二進(jìn)制的0-1。分集群配置分布式儲(chǔ)能的問題中需要保持各集群內(nèi)儲(chǔ)能數(shù)量恒定，為此會(huì)導(dǎo)致迭代過程中的不可行解的數(shù)目增加，問題的求解難度也大幅增加，為此提出針對位置變量改進(jìn)的偏移交叉操作方法，把約束（18）融合在改進(jìn)后的交叉變異中。具體步驟如下：

1）采用二元聯(lián)賽選擇法從種群中不放回地兩兩選擇個(gè)體依次排序，前后兩個(gè)個(gè)體以交叉概率pc進(jìn)行交叉。

2）選中待交叉的兩個(gè)個(gè)體，假設(shè)其在集群g的儲(chǔ)能位置分別為位于該集群內(nèi)的第a,b和c,d個(gè)節(jié)點(diǎn)，即對應(yīng)的位置變量sa=sb=1,sc=sd=1；參考模擬二進(jìn)制交叉操作，交叉前后的變量應(yīng)滿足a+b+c+d=a1+b1+c1+d1，隨機(jī)偏移概率為pi，當(dāng)rand()＞pi則兩個(gè)體位置直接進(jìn)行交叉，不對位置進(jìn)行偏移；當(dāng)rand()≤pi，則隨機(jī)生成兩個(gè)在[-2，2]區(qū)間的隨機(jī)整數(shù)r1,r2，其交叉后的位置為a1=c+r1,b1=d-r1和c1=a+r2,d1=b-r2，即交叉后兩個(gè)個(gè)體的集群g中，sa1=sb1=1，sc1=sd1=1，對交叉后的個(gè)體重新進(jìn)行校驗(yàn)，防止位置溢出集群。

3）對于交叉后的個(gè)體以變異概率pm進(jìn)行變異，變異操作為在各集群內(nèi)隨機(jī)進(jìn)行儲(chǔ)能的選點(diǎn)覆蓋原來的位置。

通過這種改進(jìn)的交叉變異操作，式（18）直接嵌入交叉變異操作中，即滿足了約束條件，也保留了交叉變異的遺傳特性，使得可行解的數(shù)目增加，利于模型的求解。同時(shí)，為改進(jìn)收斂性，這里采用動(dòng)態(tài)的交叉、偏移、變異概率。

2.3 Pareto約束支配方法

對于模型需滿足的電壓偏差范圍約束和DBESS 的首末電量約束，本文采取Pareto 約束支配方法對其進(jìn)行處理，相比于罰函數(shù)的處理方式，約束支配不會(huì)掩蓋目標(biāo)函數(shù)本身的真實(shí)性從而避免影響解集分布的均勻性。

對于多目標(biāo)約束問題：

式中：f,x分別為優(yōu)化目標(biāo)和待優(yōu)化變量；fm為第m個(gè)優(yōu)化目標(biāo)；xi為第i個(gè)待優(yōu)化變量；分別為變量xi取值的上下限。

對于不等式約束gk(x)和等式約束hr(x)，全部滿足約束的解為可行解，反之為不可行解。對于不可行解，采用約束違反值CV(x)衡量來定量描述一個(gè)解違反約束條件的程度。

對于一個(gè)可行解，其CV值為0；對于不可行解，CV值越小，其違反約束的程度越低。

當(dāng)滿足以下條件任何1 項(xiàng)時(shí)，意味著在約束支配關(guān)系中，解m支配解n：（1）m為可行解，n為不可行解；（2）m,n均為不可行解，但CV(m)＜CV(n)；（3）m,n均為可行解，并且m帕累托支配n。

在選取下一代種群的過程中，優(yōu)先從可行解中選取，若數(shù)目不足則從不可行解中根據(jù)CV值選取剩余個(gè)體。

3 算例分析

本文使用IEEE33 節(jié)點(diǎn)配網(wǎng)的網(wǎng)架參數(shù)，風(fēng)光荷典型場景來源于山東濰坊市統(tǒng)計(jì)數(shù)據(jù)。仿真場景設(shè)置如圖3 所示。

圖3 場景設(shè)置Fig.3 Scene setting

圖3 中，在節(jié)點(diǎn)8，9，14，15 上各安裝了2 MW的分布式風(fēng)電場，在節(jié)點(diǎn)24，25，31，32 上各安裝了1.5 MW 的光場，最大負(fù)荷4 MW，該場景下新能源滲透率為60%，集群劃分結(jié)果見圖1。各集群節(jié)點(diǎn)數(shù)目為17，8，8，因此各集群內(nèi)的儲(chǔ)能數(shù)目分別設(shè)為2，1，1。DBESS 采用鋰電池基材儲(chǔ)能裝置，單位功率成本為1 500 元/kW，單位容量成本為3 000 元/kWh，單位運(yùn)行維護(hù)成本為0.08 元/kWh，銀行利率為0.08，設(shè)定儲(chǔ)能使用壽命為10 年。

為了證明本文所提DBESS 選址定容方案的優(yōu)越性，設(shè)置對比方案如下：方案1 本文所提方案；方案2 不進(jìn)行集群劃分的DBESS 選址定容方案；方案3 不配置儲(chǔ)能。

3.1 算法收斂性及計(jì)算時(shí)間對比

目前有不少研究著重于雙層優(yōu)化框架，即上層為儲(chǔ)能位置、功率、容量，下層為優(yōu)化儲(chǔ)能出力，此類型優(yōu)化突出的問題在于計(jì)算時(shí)間長。本文采用仿真平臺(tái)的CPU 為銳龍4 650 g 臺(tái)式計(jì)算機(jī)，軟件為Matlab2020b。為體現(xiàn)本文提出的運(yùn)行規(guī)劃一體的單層優(yōu)化框架在計(jì)算效率方面的優(yōu)勢，與使用優(yōu)化后的NSGA-III 算法的雙層優(yōu)化框架計(jì)算結(jié)果對比如表1 所示。

表1 單層、雙層優(yōu)化框架結(jié)果對比Table 1 Comparison of single-layer and double-layer optimization frames results

從表1 可以看到，本文提出的融合變量后的單層優(yōu)化框架平均每輪迭代耗時(shí)為雙層框架板的5%，主要是雙層優(yōu)化框架中上層的迭代更新都依賴于下層優(yōu)化的完成，因此每輪迭代都需要下層反復(fù)進(jìn)行潮流計(jì)算來更行目標(biāo)函數(shù)，其潮流計(jì)算次數(shù)是本文提出優(yōu)化方法的20 倍以上。同時(shí)，本文采用的DBESS 額定容量的校驗(yàn)方式也使得變量數(shù)目減少，且優(yōu)化得到的DBESS 功率和容量更小。

將改進(jìn)后的NSGA-III 算法與未改進(jìn)的NSGA-III算法和基于分解的多目標(biāo)進(jìn)化算法（Multi-objective Evolutionary Algorithm Based on Decomposition，MOEAD）進(jìn)行對比，在迭代中各輪最優(yōu)Pareto 層的解數(shù)目如圖4 所示。從圖4 中可以看到，得益于對位置變量約束關(guān)系的偏移交叉操作，改進(jìn)后的NSGA-III在每輪迭代過程中得到的最優(yōu)Pareto 層解集的數(shù)目都要優(yōu)于未改進(jìn)的NSGA-III 算法和MOEAD，有利于求解得到分布性和性能指標(biāo)都更好的非支配解集。

圖4 迭代中最優(yōu)Pareto解集數(shù)量對比Fig.4 Number comparison of optimal Pareto solution sets in iteration

3.2 規(guī)劃結(jié)果分析

方案1 使用基于TOPSIS 的多屬性決策方法得到各目標(biāo)的評價(jià)權(quán)重為0.208:0.355:0.213:0.223，以相同方法得到方案2 的評價(jià)權(quán)重為0.162：0.222：0.356:0.258；由此得到各方案的最優(yōu)DBESS 配置方案、優(yōu)化目標(biāo)分別如表2、表3 所示。

表2 DBESS配置結(jié)果Table 2 DBESS configuration results

各方案的目標(biāo)優(yōu)化如表3 所示。

表3 各方案優(yōu)化目標(biāo)Table 3 Optimization objectives of each scheme

由表2、表3 可以看到，與不配置DBESS 的方案3 相比，方案1、2 在配網(wǎng)購電成本、電壓波動(dòng)、網(wǎng)損上均有明顯降低，證明DBESS 在進(jìn)行能量套利、削峰填谷、改善電能質(zhì)量方面具有重要作用。方案1 與方案2 相比，雖然DBESS 日均費(fèi)用有所增加，但配網(wǎng)購電費(fèi)用、電壓波動(dòng)、網(wǎng)損方面相比方案2分別降低了1.7%，30.3%，9.76%，且方案2 與方案1相比，DBESS 存在扎堆配置的情況，說明了基于集群進(jìn)行規(guī)劃能夠使DBESS 更加合理分布，能夠給偏遠(yuǎn)節(jié)點(diǎn)提供電壓和功率支撐，改善系統(tǒng)潮流、降低網(wǎng)損。

3.3 運(yùn)行結(jié)果分析

1）DBESS 優(yōu)化運(yùn)行結(jié)果。

DBESS 優(yōu)化運(yùn)行結(jié)果如圖5 所示，相比于不加DBESS 的方案3，本文所提方法能使整個(gè)配網(wǎng)的凈負(fù)荷盡可能均勻地分布在1 d 中的各時(shí)段，在新能源高發(fā)期10:00—18:00，DBESS 充電吸收過發(fā)的新能源功率以降低凈負(fù)荷峰值，在其他時(shí)段DBESS 主要放電進(jìn)行能量套利以及平衡新能源發(fā)電低谷，因此方案1 的凈負(fù)荷峰谷差從方案3 的5.088 MW 降低到了2.994 MW，降低了41.16%，而配網(wǎng)購電費(fèi)用從2.518 萬元降低到了2.135 萬元，降低了15.21%。

圖5 DBESS優(yōu)化運(yùn)行結(jié)果及配網(wǎng)凈負(fù)荷對比Fig.5 Optimized operation results of DBESS and payload comparison of distribution network

2）電壓波動(dòng)情況。

選取分布式光場和風(fēng)場所在的節(jié)點(diǎn)來對比分析電壓波動(dòng)情況，因方案1、方案2 電壓波動(dòng)差異比較小，這里僅選取了方案1（圖6 中實(shí)線所示）與方案3（圖6 中虛線所示）相比，方案1、方案3 電壓波動(dòng)情況如圖6 所示。

圖6 各節(jié)點(diǎn)電壓波動(dòng)情況Fig.6 Voltage fluctuation of each node

由圖6 可以看到，大部分實(shí)線的總體波動(dòng)情況要小于相同的顏色的虛線，說明在加入DBESS 之后，方案1 電壓波動(dòng)情況相比方案3 有顯著改善，電壓波動(dòng)降低了46.25%。

3）網(wǎng)損分布對比。

1 d 中3 個(gè)方案在規(guī)劃典型場景各時(shí)段的全網(wǎng)網(wǎng)損情況如圖7 所示。由圖7 可以看到，分布式新能源在高發(fā)期間會(huì)增加配網(wǎng)的網(wǎng)絡(luò)損耗，且方案1相比于方案2 和方案3，網(wǎng)損分別降低了9.76%和16.47%，其在大部分時(shí)間的網(wǎng)損都維持在較低水平，說明分集群配置儲(chǔ)能不僅可使區(qū)域功率平衡、降低電壓波動(dòng)，最大的優(yōu)點(diǎn)在于還可改善系統(tǒng)潮流分布，減少網(wǎng)損。

圖7 各方案網(wǎng)損對比Fig.7 Comparison of network losses of various schemes

4 結(jié)論

本文基于配網(wǎng)集群劃分結(jié)果，以購電費(fèi)用、DBESS 日均成本、電壓波動(dòng)和網(wǎng)損的經(jīng)濟(jì)性和安全性指標(biāo)為優(yōu)化目標(biāo)，構(gòu)建了DBESS 運(yùn)行規(guī)劃一體的多目標(biāo)選址定容規(guī)劃模型，并使用改進(jìn)的NSGA-III算法對模型進(jìn)行求解。與多種方案和算法進(jìn)行對比，得到的結(jié)論如下：

1）本文構(gòu)建的DBESS 運(yùn)行規(guī)劃一體的選址定容模型相比于雙層優(yōu)化模型，在保證求解精度的同時(shí)大幅度減少了求解時(shí)間；針對位置變量提出的交叉偏移操作方法，使得改進(jìn)后的NSGA-III 相比于其他多目標(biāo)優(yōu)化算法得到的帕累托支配解的數(shù)量更多。

2）配網(wǎng)中加入DBESS 能夠提升分布式新能源消納，降低配網(wǎng)凈負(fù)荷峰谷差，且可以通過響應(yīng)分時(shí)電價(jià)進(jìn)行能量套利，降低配網(wǎng)購電費(fèi)用。

3）分集群配置DBESS 的方法相比全局配置方法能夠使DBESS 的規(guī)劃接入點(diǎn)分布更加均勻合理，能夠給配網(wǎng)中的偏遠(yuǎn)節(jié)點(diǎn)提供更好的電壓和功率支撐，并且可以改善系統(tǒng)潮流分布，進(jìn)一步降低網(wǎng)損。

后續(xù)研究將考慮多場景下分布式電源和儲(chǔ)能的聯(lián)合規(guī)劃方法。