主动配电网分布式鲁棒优化调度方法
大型钢铁生产多工序过程的分布鲁棒优化调度技术
大型钢铁生产是一个复杂而多工序的过程，涉及到原料准备、炼铁、炼钢、连铸、热轧等多个阶段。
为了提高生产效率、降低成本以及保证生产质量，需要进行合理的调度规划。
分布鲁棒优化调度技术是一种用于优化多工序生产过程的方法。
以下是一些可能应用于大型钢铁生产多工序过程的分布鲁棒优化调度技术：
1. 数学规划模型：使用数学规划方法建立钢铁生产的优化模型，考虑到多个工序之间的依赖关系、资源约束、时间窗口等因素，以最大化产量、降低能耗和成本。
2. 人工智能和机器学习：应用人工智能和机器学习技术来处理大量的生产数据，预测潜在的生产问题，优化工序的调度，提高生产效率和质量。
3. 智能算法：使用智能算法，如遗传算法、模拟退火算法、蚁群算法等，进行分布鲁棒优化，以处理生产中的不确定性和波动。
4. 实时生产调度系统：建立实时的生产调度系统，通过实时监控生产过程、获取数据，迅速做出决策，适应生产环境的变化。
5. 多目标优化：考虑多个目标，如最大化产量、最小化成本、最大化资源利用率等，并通过多目标优化方法找到这些目标的平衡。
6. 鲁棒性优化：考虑生产环境中的不确定性和随机性，设计鲁棒的优化调度策略，以应对各种突发情况和波动。
7. 协同优化：在整个生产过程中，协同不同工序之间的调度，以确保各个环节的协调运作，最大程度地提高生产效率。
以上方法的选择和应用需要根据具体的钢铁生产流程、生产规模和要达到的优化目标进行。
同时，需要考虑到现实生产环境中的复杂性和不确定性，以保证所采用的调度技术在实际应用中的鲁棒性。
分布鲁棒优化方法在电力系统中的理论分析与应用综述
求最恶劣场景下的决策方案并已经在电力系统中得 到广泛应用。文献[8]用 2 种不确定集合分别描述 2 个不确定变量的波动范围来进行配电网扩展规划。 文 献 [9]提 出 了 一 种 可 调 鲁 棒 方 法 ，通 过 调 节 不 确 定 预 算 来 控 制 决 策 结 果 的 保 守 性 。 文 献 [10]考 虑 市 场 电 价 和 清 洁 能 源 出 力 的 不 确 定 性 ，并 计 及 碳 排 放 约 束 ，构 建 了 虚 拟 电 厂 鲁 棒 竞 标 模 型 。 RO 通 过 构 建 不 确 定 集 合 描 述 不 确 定 参 数 的 变 化 范 围 ，仅 须 知 道 不 确 定 参 数 的 边 界 信 息 ，求 解 速 度 相 较 SO 也 得 到 提 升 ，但 RO 方 法 并 不 包 含 不 确 定 变 量 可 利 用 的 概 率 信 息 。 可 见 ，现 有 电 力 系 统 不 确 定 性 因 素 的 处 理 方 法 存 在 很 大 的 局 限 性 ，迫 [18-20] 切 需 要 寻 找 一 种 新 的处理方法以应对电力系统中复杂的不确定性 因素。
DRO 方法最初是基于随机变量的均值和方差 提 出 的 ，经 过 一 系 列 的 发 展［27-30］，主 要 形 成 了 基 于 概 率 密 度[28] 和 基 于 矩 信 息 2 [31-33] 种 类 型 的 DRO 方 法 ， 被 广 泛 应 用 于 供 应 链 管 理[34-35]、控 制 论[36-37] 等 领 域 。 2014 年 ，文献[38]首先将 DRO 方法引入电力系统领 域，用于解决电力调度中的低碳环保问题[38]，2015 年 之 后 在 电 力 系 统 领 域 特 别 是 经 济 调 度 [39]和 机 组 组 合 领域 的 [23] 应用得到了快速发展。
考虑配电网灵活性的分布鲁棒优化调度
考虑配电网灵活性的分布鲁棒优化调度
高万胜;蔺红
【期刊名称】《智慧电力》
【年(卷),期】2024(52)1
【摘要】针对新能源占比不断增加导致的配电网线路过载和灵活性不足问题,提出一种考虑配电网灵活性的分布鲁棒优化调度方法。
首先,考虑节点灵活性资源的功率支撑作用、网络灵活性资源智能软开关的系统潮流优化,提高配电网灵活运行能力;其次,考虑供需平衡和功率传输能力提出了灵活性裕度和线路容量裕度灵活性评价指标;然后,以灵活性裕度、线路容量裕度最优和运行成本最小为目标,构建基于数据驱动的两阶段分布鲁棒优化模型,通过列与约束生成算法对模型求解。
最后,通过算例仿真验证了所提模型对提升配电网经济灵活运行的有效性。
【总页数】8页(P65-72)
【作者】高万胜;蔺红
【作者单位】新疆大学电气工程学院
【正文语种】中文
【中图分类】TM732
【相关文献】
1.考虑分布式储能功率四象限输出的主动配电网鲁棒优化调度模型
2.考虑灵活性供需鲁棒平衡的两阶段配电网日内分布式优化调度
3.考虑灵活性供需平衡的含电转
氢综合能源系统鲁棒优化调度4.考虑风电不确定性的交直流配电网低碳分布鲁棒优化调度
因版权原因，仅展示原文概要，查看原文内容请购买。
主动配电网中计及网络重构的分布式电源鲁棒规划
主动配电网中计及网络重构的分布式电源鲁棒规划随着化石能源的匮乏,以及环保需求的逐渐增加,清洁能源在能源系统中所占的比例不断提高。
尤其是近年来随着风力发电(Wind Turbine Generator,WTG)和光伏发电(Photo Voltaic Generator,PVG)技术的快速发展,风机发电和光伏发电得到了广泛应用,因此,主动配电网(Active Distribution Network,ADN)应运而生。
主动配电网中装设有大量分布式电源(Distributed Generation,DG)设备,一方面提高了清洁能源的利用率,增加了网络的灵活性;另一方面,也给网络的稳定、安全运行带来了一定影响。
为了充分利用可再生能源,减小分布式电源接入对系统造成的不利影响,应对分布式电源进行合理规划。
同时,网络重构作为主动配电网中优化潮流,减小网损的重要手段,有必要在规划阶段进行考虑。
因此,本文主要分两部分对主动配电网下的分布式电源规划进行研究。
本文第一部分以年综合费用最小为目标函数,并针对风速、光照和负荷的不确定性,给出了“风-光-负荷”的不确定场景集,建立了主动配电网中分布式电源的鲁棒优化模型。
第二部分在电源规划中计及网络重构,在第一部分的基础上,建立了主动配电网中考虑网络重构的分布式电源鲁棒规划模型。
具体研究内容如下:(1)介绍了主动配电网的定义和特点,分析了在主动管理模式下配电网规划所面临的挑战;阐述了网络重构作为一种有效的主动管理手段的重要地位及其在分布式电源规划阶段的应用;分析了分布式电源高渗透率下网络的不确定性,并给出了主动配电网不确定性的应对措施。
(2)针对风速、光照和负荷的不确定性,制定了“风-光-负荷”的不确定场景集,建立了主动配电网中分布式电源的鲁棒优化模型。
该模型以年综合费用最小为目标函数,除传统规划约束,还考虑了分布式电源运行约束和分布式电源的渗透率约束。
同时,采用标准粒子群算法(Standard Particle Swarm Optimization,PSO)对规划模型进行求解。
含共享储能的微电网群分布鲁棒博弈优化调度方法
第51卷第24期电力系统保护与控制Vol.51 No.24 2023年12月16日Power System Protection and Control Dec. 16, 2023 DOI: 10.19783/ki.pspc.230448含共享储能的微电网群分布鲁棒博弈优化调度方法臧云帆1，夏 晟2，李嘉文1，杨 程1，李 珂1，刘 诚3，崔昊杨1(1.上海电力大学电子与信息工程学院，上海 200090；2.国网浙江省宁波市奉化区供电公司，浙江 宁波 315500；3.长沙市泓泽电力技术有限公司，湖南 长沙 410015)摘要：共享储能作为一种新兴的储能方案，有助于微电网内部新能源的消纳并降低运行成本，释放微网作为独立的利益相关者的资源共享潜力。
而传统的共享储能和微网间的互联忽略了各主体交易的信息隐私问题，且合作策略往往不能实现合理的利益分配。
为此，提出了一种含有共享储能的微电网群分布鲁棒博弈优化调度方法。
首先，建立了具有多种能量形式的微电网模型以及共享储能模型。
其次，为降低风光出力不确定性对系统经济性的影响，采用分布鲁棒优化理论对其进行处理，求解最恶劣概率分布下的运行策略。
最后，基于纳什谈判理论，建立了共享储能与微电网系统的联合运行模型，并利用具有良好收敛性与私密性的交替方向乘子法将模型分解为联合系统运行成本最小化问题和系统内部电能交易谈判问题进行求解。
通过合作前后对比分析，所提方法使得微电网运行成本分别降低了2.99%、4.90%和4.27%，说明所提方法能够在有效应对风光出力不确定性的同时降低各主体的运行成本，使系统兼具灵活性与经济性。
关键词：共享储能；分布鲁棒优化；纳什谈判；微电网A robust game optimization scheduling method for shared energy storage microelectric network group distributionZANG Yunfan1, XIA Sheng2, LI Jiawen1, YANG Cheng1, LI Ke1, LIU Cheng3, CUI Haoyang1(1.College of Electronics and Information Engineering, Shanghai University of Electric Power, Shanghai 200090, China;2.State Grid Zhejiang Ningbo Fenghua District Power Supply Company, Ningbo315500, China;3.Changsha Hongze Power Technology Co., Ltd., Changsha 410015, China)Abstract: Shared energy storage, as an emerging energy storage solution, helps to integrate renewable energy sources within microgrids and reduce operational costs, unleashing the potential for resource sharing among independent stakeholders in the microgrid. However, traditional approaches to shared energy storage and interconnection between microgrids overlook the issue of information privacy in transactions among entities, and cooperative strategies often fail to achieve fair benefit allocation. To address this, a distributed robust game-theoretic optimization scheduling method is proposed for microgrid clusters with shared energy storage. First, a microgrid model with multiple energy forms and a shared energy storage model are established. Second, to mitigate the impact of uncertain wind and solar power outputs on system economics, robust optimization theory is applied to handle uncertainty and solve for the worst-case probability distribution of operational strategies. Finally, based on the Nash bargaining theory, a joint operation model for shared energy storage and microgrid systems is developed, and the model is decomposed into two sub-problems: minimizing the joint system operational cost and negotiating internal electricity transactions within the system, using the alternating direction method of multipliers with good convergence and privacy properties. Through comparative analysis before and after cooperation, the proposed method reduces microgrid operational costs by 2.99%, 4.90%, and 4.27%, respectively, demonstrating its effectiveness in addressing wind and solar power uncertainty while reducing operational costs for all stakeholders, achieving both flexibility and economic efficiency in the system.This work is supported by the National Natural Science Foundation of China (No. 52177185).Key words: shared energy storage; distributed robust optimization; Nash negotiations; microgrid基金项目：国家自然科学基金项目资助(52177185)臧云帆，含共享储能的微电网群分布鲁棒博弈优化调度方法- 91 -0 引言目前，储能仍面临投建成本高、设备利用率低、容量定制困难等问题，近年产生的共享经济模式可为上述问题的解决提供新思路。
分布式光伏电站接入配电网的分布鲁棒优化配置方法
DOI: 10.19783/ki.pspc.201082
电力系统保护与控制
Power System Protection and Control
Vol.49 No.13 Jul. 1, 2021
分布式光伏电站接入配电网的分布鲁棒优化配置方法
陈泽雄 1，张新民 1，王雪锋 1，彭灵利 1，温伟弘 1，梁炜焜 2，林舜江 2
(1.广东电网有限责任公司广州供电局，广东 广州 510000；2.华南理工大学电力学院，广东 广州 510640)
摘要：随着分布式光伏(Distributed Photovoltaic, DPV)电站接入配电网的规模日益增大，光伏出力的不确定波动特 性造成配电网运行状态的频繁波动，故对接入配电网的 DPV 电站进行合理规划对于配电网的安全运行尤为重要。 针对 DPV 电站接入配电网的并网点和容量选择问题，以并网位置节点和配置容量同时作为决策变量，并考虑 DPV 出力的不确定性，建立了 DPV 电站接入配电网的并网点和容量选择的分布鲁棒优化配置模型。以当地光照强度和 环境温度的历史数据计算出的 DPV 电站单位容量光伏的日出力曲线作为数据驱动构建出基于 KL 散度的模糊集。 通过优化计算出模糊集中最大和最小期望的概率分布以得到单位容量光伏出力不确定波动的范围，将分布鲁棒优 化模型转化为鲁棒优化模型，并采用 Benders 分解法求解得到优化配置方案。最后，以某个实际 180 节点配电网 为例进行仿真计算，并与确定性优化和传统鲁棒优化方法进行对比分析。验证了所提出的分布鲁棒优化方法既能 够保证在光伏出力不确定波动下配电网的安全运行，又能够克服鲁棒优化方法的保守性，使求得的配置方案在经 济性和鲁棒性之间达到良好的平衡。 关键词：分布式光伏；优化配置；分布鲁棒优化；模糊集；KL 散度
分布鲁棒优化求解算法
分布鲁棒优化求解算法引言分布鲁棒优化求解算法是一种用于解决优化问题的方法，它能够在分布式环境下进行高效的求解，并且对于噪声和扰动具有一定的鲁棒性。
本文将对分布鲁棒优化求解算法进行详细的介绍和探讨。
什么是分布鲁棒优化求解算法分布鲁棒优化求解算法是一种基于分布式计算的优化方法。
在传统的优化求解算法中，通常采用集中式的方式进行求解，即将所有的计算任务集中在一个计算节点上进行。
而分布鲁棒优化求解算法则将计算任务分配给多个计算节点，并通过协同合作的方式进行求解。
分布鲁棒优化求解算法的优势相比于传统的集中式优化求解算法，分布鲁棒优化求解算法具有以下几个优势：1.高效性：分布鲁棒优化求解算法能够利用多个计算节点的并行计算能力，从而显著提高求解速度。
在大规模优化问题中，分布式计算能够充分利用计算资源，加快求解过程。
2.鲁棒性：分布鲁棒优化求解算法对于噪声和扰动具有一定的鲁棒性。
在实际应用中，往往存在各种不确定性因素，如测量误差、环境变化等，这些因素可能会对求解结果产生影响。
分布鲁棒优化求解算法通过多次迭代和集成学习的方式，能够减小不确定性的影响，提高求解的准确性和稳定性。
3.可扩展性：分布鲁棒优化求解算法能够方便地进行扩展。
通过增加计算节点的数量，可以进一步提高求解速度和鲁棒性。
同时，分布式计算框架的发展也为分布鲁棒优化求解算法的扩展提供了良好的支持。
分布鲁棒优化求解算法的应用领域分布鲁棒优化求解算法在各个领域都有广泛的应用。
以下是一些常见的应用领域：1. 机器学习在机器学习中，分布鲁棒优化求解算法能够用于模型训练和参数优化。
通过将计算任务分配给多个计算节点，可以加快模型的训练速度，并提高模型的鲁棒性和泛化能力。
2. 能源系统优化在能源系统中，分布鲁棒优化求解算法能够用于电网调度、能源供应链优化等问题。
通过将计算任务分布到多个计算节点，可以提高电网调度的效率，并减小不确定性对系统运行的影响。
3. 交通运输规划在交通运输规划中，分布鲁棒优化求解算法能够用于路网优化、路径规划等问题。
含分布式储能的主动配电网鲁棒优化经济调度方法
文章编号：１６７３ ５１９６（２０２０）０６ ０１１２ ０７含分布式储能的主动配电网鲁棒优化经济调度方法陆玉姣１，游青山１，林林馨妍２，黎 博３（１．重庆工程职业技术学院，重庆 ４０２２６０；２．河海大学能源与电气学院，江苏南京 ２１１１００；３．重庆大学电气工程学院输配电装备及系统安全与新技术国家重点实验室，重庆 ４０００４４）摘要：为克服风电输出的不确定性，基于鲁棒优化中的ｗｏｒｓｔ ｂｅｓｔ理论，提出一种主动配电网的鲁棒优化经济调度模型．该模型采用拉丁超立方采样方法生成风电场景集表征风电预测的不确定性．在建模过程中，引入分布式储能的等效运维成本，同时以微型燃气轮机、分布式储能和主动配电网购电／售电调度成本最低为目标函数，采用基于随机变异的粒子群优化算法对模型进行求解，可得到极端场景下运行成本最小的调度方案．仿真结果验证了该模型及求解算法的有效性，得到的调度方案能在风电预测误差范围内满足系统所有约束条件，并给出经济性最优的调度方案．与确定性经济调度方案进行对比可知，本文所提出的调度方案具有更强的鲁棒性．关键词：主动配电网；经济调度；鲁棒优化；分布式储能系统中图分类号：ＴＭ７ 文献标志码：Ａ犚狅犫狌狊狋犲犮狅狀狅犿犻犮犱犻狊狆犪狋犮犺狅犳犪犮狋犻狏犲犱犻狊狋狉犻犫狌狋犻狅狀狀犲狋狑狅狉犽狊狑犻狋犺犱犻狊狋狉犻犫狌狋犲犱犲狀犲狉犵狔狊狋狅狉犪犵犲狊狔狊狋犲犿狊ＬＵＹｕ ｊｉａｏ１，ＹＯＵＱｉｎｇ ｓｈａｎ１，ＬＩＮＬｉｎ ｘｉｎ ｙａｎ２，ＬＩＢｏ３（１．ＣｈｏｎｇｑｉｎｇＶｏｃａｔｉｏｎａｌＩｎｓｔｉｔｕｔｅｏｆＥｎｇｉｎｅｅｒｉｎｇ，Ｃｈｏｎｇｑｉｎｇ ４０２２６０，Ｃｈｉｎａ；２．ＣｏｌｌｅｇｅｏｆＥｎｅｒｇｙａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＨｏｈａｉＵｎｉ ｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ ２１１１００，Ｃｈｉｎａ；３．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＰｏｗｅｒＴｒａｎｓｍｉｓｓｉｏｎＥｑｕｉｐｍｅｎｔ＆ＳｙｓｔｅｍＳｅｃｕｒｉｔｙａｎｄＮｅｗＴｅｃｈｎｏｌｏｇｙ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ ４０００４４，Ｃｈｉｎａ）犃犫狊狋狉犪犮狋：Ｔｏａｄｄｒｅｓｓｔｈｅｉｍｐａｃｔｓｏｆｕｎｃｅｒｔａｉｎｔｙｏｆｗｉｎｄｏｕｔｐｕｔｓｏｎｔｈｅｐｏｗｅｒｓｙｓｔｅｍｏｐｅｒａｔｉｏｎ，ｔｈｉｓｐａ ｐｅｒｐｒｏｐｏｓｅｓａｒｏｂｕｓｔｏｐｔｉｍｉｚａｔｉｏｎｅｃｏｎｏｍｉｃｄｉｓｐａｔｃｈｍｅｔｈｏｄｉｎｔｈｅａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋ．Ｔｈｅｍｏｄ ｅｌｉｓｂｕｉｌｔｏｎａｗｏｒｓｔ ｂｅｓｔｔｈｅｏｒｙｔｈａｔｉｎｔｅｇｒａｔｅｓＬａｔｉｎｈｙｐｅｒｃｕｂｅｓａｍｐｌｉｎｇｍｅｔｈｏｄｆｏｒｇｅｎｅｒａｔｉｎｇｗｉｎｄｏｕｔｐｕｔｓｃｅｎｅｓｅｔｔｏｒｅｐｒｅｓｅｎｔｕｎｃｅｒｔａｉｎｔｙｏｆｗｉｎｄｏｕｔｐｕｔｓ．Ｔｈｅａｉｍｓｏｆｔｈｅｍｏｄｅｌｉｓｔｏｍｉｎｉｍｉｚｅｔｈｅｏｐｅｒａ ｔｉｏｎｃｏｓｔｓｆｏｒｄｉｓｔｒｉｂｕｔｅｄｅｎｅｒｇｙｓｔｏｒａｇｅａｎｄｍｉｃｒｏｔｕｒｂｉｎｅ，ａｎｄｐｕｒｃｈａｓｅｃｏｓｔｓｆｒｏｍｔｈｅｕｐｐｅｒｇｒｉｄ．Ｔｈｅｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｒａｎｄｏｍｍｕｔａｔｉｏｎｉｓｕｓｅｄｔｏｓｏｌｖｅｔｈｅｍｏｄｅｌ，ａｎｄｔｈｅｏｐｔｉ ｍｉｚｅｄｒｅｓｕｌｔｓｗｉｔｈｔｈｅｌｅａｓｔｏｐｅｒａｔｉｎｇｃｏｓｔｉｎｅｘｔｒｅｍｅｓｃｅｎａｒｉｏｓｃａｎｂｅｏｂｔａｉｎｅｄ．Ｔｈｅｐｒｏｐｏｓｅｄａｐｐｒｏａｃｈｉｓｉｍｐｌｅｍｅｎｔｅｄｏｎａ３３ ｂｕｓｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍ．Ｏｕｒｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｏｐｔｉｍｉｚｅｄｄｉｓｐａｔｃｈｃａｎｓａｔｉｓｆｙａｌｌｏｆｔｈｅｃｏｎｓｔｒａｉｎｔｓｗｉｔｈｉｎｆｏｒｅｃａｓｔｅｒｒｏｒｏｆｗｉｎｄｏｕｔｐｕｔｓ．Ｔｈｅｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｄｅｔｅｒｍｉｎｅｄｅｃｏｎｏｍｉｃｄｉｓｐａｔｃｈｍｅｔｈｏｄｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｍｏｒｅｒｏｂｕｓｔ．犓犲狔狑狅狉犱狊：ａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋ；ｅｃｏｎｏｍｉｃｄｉｓｐａｔｃｈ；ｒｏｂｕｓｔｏｐｔｉｍｉｚａｔｉｏｎ；ｄｉｓｔｒｉｂｕｔｅｄｅｎｅｒｇｙｓｔｏｒ ａｇｅｓｙｓｔｅｍｓ 随着环境保护、碳排放减排的发展，可再生能源得到了大规模的应用［１］．但是，可再生能源如风机、光伏的输出随着环境变化而剧烈波动，其随机性与不确定性给电网的稳定、经济调度带来了巨大挑战［２］．主动配电网技术为大规模可再生能源的接入 收稿日期：２０１９ ０９ １５ 基金项目：国家电网公司科技项目（５２２０００１６００Ｖ６） 作者简介：陆玉姣（１９８１ ），女，山东临沂人，硕士，高级工程师．电网提供了条件［３］，同时随着储能技术发展与成本的降低［４］，储能系统凭借其灵活的充放电特性，在电网的平抑可再生能源波动、削峰填谷中都具备显著的作用［５ ６］．在含间歇式电源的主动配电网经济调度中，根据确定性的风电预测进行经济调度，考虑到预测误差，其结果可能是“激进”的，存在一定的系统安全性风险［７］．如何在经济调度模型考虑可再生能源输出第４６卷第６期２０２０年１２月兰 州 理 工 大 学 学 报ＪｏｕｒｎａｌｏｆＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＶｏｌ．４６Ｎｏ．６Ｄｅｃ．２０２０的不确定性，使其调度方案同时满足经济性与系统安全性要求是亟待解决的问题．目前，计及可再生能源不确定性的经济调度方法主要有随机规划与鲁棒优化［８］等．在随机规划中，分布式电源（ｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｏｒ，ＤＧ）输出通常被定义为一个已知概率分布的随机变量［９］．Ｗｅｎ等［１０］将风机输出功率视为基于韦伯分布的概率密度函数，建立了一个考虑风电预测误差成本的经济调度模型．王群等［１１］通过场景生成与削减算法对风电输出场景进行建模，将风电的不确定性通过有限的场景进行模拟．进一步，Ｂａｚｒａｆｓｈａｎ等［１２］建立了基于风电场景削减的最优潮流模型，但是随机变量的概率分布精度还有待提高，同时，通过场景生成法得到大量风电场景，这极大地增加了模型求解的规模．在鲁棒优化中，将可再生能源输出视为一个处于不确定集中的不确定参数，优化结果能确保系统不违反其约束［１３］．Ｌｏｒｃａ等［１４ １５］建立了两阶段鲁棒机组组合优化问题，在风机出力最劣（最大化目标函数）情况下，实现了经济、可靠的机组组合与出力计划．Ｓａｌｏｍｏｎ等［１６］基于ｗｏｒｓｔ ｂｅｓｔ理论，建立了自适应鲁棒优化，对环境变化自适应强．Ｊａｂｒ［１７］建立了自适应两阶段鲁棒最优潮流模型，可控发电机的输出随着可再生能源的输出自适应调节．对比确定性优化与基于场景的随机优化，鲁棒优化只需预测数据的波动范围，无需参数精确的概率分布．但是鲁棒优化是在最劣情况下求最优方案，因此优化结果会相对保守．由于风光输出不确定性的研究方法类似，故本文以风电输出不确定性为研究对象，在主动配电网日前调度中，如何将风电输出预测误差的不确定性纳入调度中，在保证系统运行安全性的前提下最大限度利用风能的同时实现最小化系统运行成本是一个亟待研究与解决的问题．针对这一问题，本文提出一种含分布式储能系统的主动配电网鲁棒经济调度方法．该方法采用不确定集合描述风电输出的不确定性，同时考虑储能的等效运行维护成本，从而将确定性经济调度模型转化为鲁棒经济调度模型．最后以改进的ＩＥＥＥ３３节点为例，从风电预测精度、储能成本系数以及鲁棒性特性讨论了所提模型的有效性．１ 问题描述１．１ 风电不确定性表示方法风电的预测输出表示为犘ｗ狋（）＝犘—ｗ狋（）＋犘ｗ，ｅｒｒｏｒ（狋）（１）式中：犘ｗ（狋）为风机在狋时间段内的风电输出预测值；犘—ｗ（狋）为风机在狋时间段内的风电输出的真实值；犘ｗ，ｅｒｒｏｒ（狋）为风机在狋时间段内的风电输出预测误差．假设风电输出的预测误差服从均值为０、标准差为δｗ（狋）的高斯分布，假设该预测方法的置信度区间为９５％，那么风电输出预测集合犇为［１８］犇∈［犘—ｗ（狋）－１．９６×δｗ（狋），犘—ｗ（狋）＋１．９６×δｗ（狋）］（２）式中：狋∈Ω，Ω为预测时间段的集合．由于风电功率的间歇性和随机性，其预测误差仍无法避免，考虑到风电输出的不确定性，本文采用基于拉丁超立方采样法［１９ ２０］的场景生成方法，对每个时段的出力采样，从而得到风机典型日２４小时的出力．选取２个极端场景与犿个常规场景作为风电输出集合．定义系统所有风电机组的出力均达到其最小出力为“系统等效负荷最大场景”，定义系统所有风电机组的出力均达到其最大出力为“系统等效负荷最小场景”．常规场景随机选择生成［２１］．采用拉丁超立方采样算法对概率密度函数进行采样，采样值犡犽可表示为犡犽＝ＰＤＦ－１犽犢犽（） （犽＝１，２，…，犖）（３）犢犽＝（犽－０．５）／犖（４）式中：犢犽为概率密度函数第犽个采样区间的中间值；ＰＤＦ犽是风电预测输出的概率密度函数．根据式（３，４），得到一个犽×犜阶的矩阵，即为风电预测输出场景集：犡＝犡１１犡１２…犡１犜犡２１犡２２…犡２犜犡犽１犡犽２…犡犽犜熿燀燄燅（５）式中：犡犽犜为第犜个小时内第犽个采样值．为了获得任意一天２４小时内的风电场景数据，风电场景生成的流程为：（１）采用拉丁超立方方法对犘ｗ（狋）数据进行采样，根据式（２）得到采样集合；（２）根据式（３～５）得到犽组风电场景值，每组场景包含２４个数据，每个数据代表每小时的风电预测输出（狋＝１，２，…，２４）．１．２ 储能系统建模［２２］本文中储能系统为常规蓄电池储能系统，储能的能量转换系统在充电时作为整流器，而放电时作为逆变器工作，能够快速、独立地调节储能的有功和无功输出．储能的运行成本主要包括投资成本和运行维护成本，由于投资成本为常数，将投资成本与运行维护成本换算为储能每一次的充放电成本，其等·３１１·第６期 陆玉姣等：含分布式储能的主动配电网鲁棒优化经济调度方法 效运行成本表示为犳ＥＳ，犻（狋）＝犽ＥＳ，犻×犘ＥＳ，犻（狋）（６）式中：犽ＥＳ，犻为储能犻的等效运行成本系数．储能系统视在功率的限制表示为犘ＥＳ，犻（狋）（）２＋犙ＥＳ，犻（狋）（）２≤犛ｍａｘＥＳ，犻（）２（７）式中：犛ｍａｘＥＳ，犻为储能犻的最大视在功率；犘ＥＳ，犻（狋）和犙ＥＳ，犻（狋）分别为储能犻在狋时刻的有功、无功输出．用荷电状态（ｓｔａｔｅｏｆｃｈａｒｇｅ，ＳＯＣ）表示储能的能量水平，储能经过Δ狋时间充放电后的ＳＯＣ变化过程表示为ＳＯＣ犻狋＋１（）＝ＳＯＣ犻（狋）－Δ狋·η犆犘ＥＳ，犻（狋）犠ＥＳ，犻ＳＯＣ犻（狋）－Δ狋·犘ＥＳ，犻（狋）η犇犠ＥＳ，犻烅烄烆（８）式中：ＳＯＣ犻（狋）为储能犻在狋时刻的ＳＯＣ值；η犆、η犇分别为储能的充电、放电效率；犠ＥＳ，犻为储能犻的额定容量；当犘ＥＳ，犻（狋）＜０时表示储能充电，犘ＥＳ，犻（狋）＞０时表示储能放电．储能的荷电状态约束为ＳＯＣｍｉｎ≤ＳＯＣ犻（狋）≤ＳＯＣｍａｘ（９）ＳＯＣ犻犜（）＝ＳＯＣ犻（０）（１０）式中：ＳＯＣｍｉｎ和ＳＯＣｍａｘ为荷电状态的最小值和最大值；ＳＯＣ犻（０）、ＳＯＣ犻犜（）分别表示储能犻初始时刻与调度结束时刻犜的荷电状态；犜表示调度时间周期．储能的输出功率约束为犘ＥＳ，犻（狋）≤犘ｍａｘＥＳ，犻（１１）１．３ 可控分布式电源分布式电源例如微型燃气轮机的运行成本为犳ＤＧ，犻（狋）＝犪犻犘２ＤＧ，犻（狋）＋犫犻犘ＤＧ，犻（狋）＋犮犻 （１２）式中：犪犻、犫犻和犮犻为微型燃气轮机犻的发电成本系数；犘ＤＧ，犻（狋）为微型燃气轮机犻在狋时刻的发电功率．微型燃气轮机的输出功率约束、爬坡约束为犘ｍｉｎＤＧ，犻≤犘ＤＧ，犻（狋）≤犘ｍａｘＤＧ，犻（１３）犘ＤＧ，犻（狋）－犘ＤＧ，犻（狋－１）≤犚犝犻犘ＤＧ，犻（狋－１）－犘ＤＧ，犻（狋）≤犚犇犻｛（１４）式中：犚犝犻、犚犇犻分别为第犻个微型燃气轮机爬坡率的上限和下限．１．４ 与主网交互功率主动配电网通过ＰＣＣ点（ｐｏｉｎｔｏｆｃｏｍｍｏｎｃｏｕｐｌｉｎｇ，ＰＣＣ）与主网连接，当主动配电网内部功率不足时，需要向主网买电，主动配电网功率有剩余时向主网卖电，因此主动配电网与主网的交互功率成本为犳Ｇｒｉｄ（狋）＝犮ｐ（狋）犘Ｇ，ｐ（狋）－犮ｓ（狋）犘Ｇ，ｓ（狋） （１５）０≤犘Ｇ，ｐ（狋）≤犘ｍａｘＧ０≤犘Ｇ，ｓ（狋）≤犘ｍａｘＧ｛（１６）式中：犮ｐ（狋）、犮ｓ（狋）分别为狋时刻主动配电网向主网买电、卖电的价格；犘Ｇ，ｐ（狋）、犘Ｇ，ｓ（狋）分别为狋时刻主动配电网向主网购买的功率与出售的功率；犘ｍａｘＧ为主动配电网与主网交互的功率上限值．同时，主动配电网需满足系统功率平衡，即：∑犻∈狀犘ＤＧ，犻（狋）＋∑犻∈狇犘ＥＳ，犻（狋）＋∑犻∈犺犘ｗ，犻（狋）＋ 犘Ｇ，ｐ（狋）＝∑犻∈犿犘Ｌ，犻（狋）＋犘Ｇ，ｓ（狋）（１７）式中：犘Ｌ，犻（狋）为负载犻在狋时刻的功率需求；狀、狇、犺、犿分别为ＤＧ、储能、风机、负载的数量．２ 鲁棒优化模型鲁棒优化的目的是求得这样一个解，对于可能出现的所有情况，约束条件均满足，并且使得最坏情况下的目标函数的函数值最优．在考虑含高渗透率风电的主动配电网经济调度中，由于风机输出预测存在误差，因此将风机输出视为一个不确定变量，假设风机输出在某一区间内变化，那么鲁棒优化能使最优化问题的解在最坏情况下约束条件都满足，且优化目标函数最优．基于鲁棒优化中ｗｏｒｓｔ ｂｅｓｔ［１６］优化方法，使用ｍｉｎ ｍａｘ方法处理风机输出预测误差，使得风机在给定输出预测误差范围内，最小化在最坏情况下的经济目标，且满足约束条件，给电网提供相对可靠的调度方案．该鲁棒优化模型可以表示为ｍｉｎ狓∈犡ｍａｘ狆∈犘犳狓，狆（）（１８）ｓ．ｔ．犵犻狓，狆犼（）≤０（犻＝１，２，…，犖）狆犼∈犘（犼＝１，２，…，犾）｛ （１９）式中：犳·（）为目标函数；狆为不确定集合犘中的不确定变量；狓为可行域犡中的决策变量；犖是不等式约束个数；犾是场景数．主动配电网的优化目标为日运行成本最小化，配电网的经济成本主要体现在储能与微型燃气轮机的运行成本以及配电网向上层电网的购电成本．基于ｗｏｒｓｔ ｂｅｓｔ理论的主动配电网鲁棒经济调度方法旨在采用不确定集合的方法描述可再生能源出力的不确定性，当风电出力在一定区间内时，减少最坏情况下的运行成本，得到相对可靠的主动配电网调度·４１１· 兰州理工大学学报 第４６卷方案，根据式（６，７），主动配电网鲁棒经济调度优化目标为ｍｉｎ狓∈犡ｍａｘ狆∈犘∑犜狋＝１［∑犻∈狇犳ＥＳ，犻狓，狆（）＋∑犻∈狀犳ＤＧ，犻狓，狆（）＋ 犳Ｇｒｉｄ狓，狆（）］（２０）ｓ．ｔ．狓＝犘ＥＳ，犻（狋），犘ＤＧ，犻（狋），犘Ｇ，ｐ（狋），犘Ｇ，ｓ（狋）［］Ｔ狓∈犡狆∈犘ｗ犝ｍｉｎ≤犝犻≤犝ｍａｘ犾犻≤犾犻，ｍａｘ烅烄烆（２１）式中：犳·（）为系统运行目标函数，对应式（６，１２，１５）；狓是可行域犡中的决策变量，包括储能充放电功率、微型燃气轮机的输出功率、主动配电网与主网购电、售电功率；可行域犡包括决策变量的系统功率平衡约束式（１７）、储能输出上下限约束式（７，１１）、机组出力上下限式（１３）、与主网交互功率上下限约束式（１６）、机组爬坡率约束式（１４）、储能状态约束式（９，１０）、系统节点电压约束与线路传输功率限制；狆为风电预测输出不确定变量；犘ｗ为风电预测输出不确定集；犝犻为节点犻电压；犝ｍｉｎ为系统电压最小值；犝ｍａｘ为系统电压最大值；犾犻为线路犻的传输功率；犾犻，ｍａｘ为线路犻的最大传输功率限制．在鲁棒优化模型中，外层的最小化问题为第一阶段，内层的最大化问题为第二阶段．本文将储能充放电功率、ＤＧ出力、主动配电网与主网交互功率作为决策变量，风电预测输出作为扰动变量．在内层最大化阶段，首先生成犓组风电场景集，选取其中的极端场景，对于每一组场景，都能将不确定性变量转化为确定性变量，从而将鲁棒优化模型转化为确定性优化问题．通过最大化系统的运行成本，来模拟扰动出现的最坏场景．在外层最小化问题中，通过对决策变量进行优化来实现最小化内层的最坏场景下的运行成本．主动配电网与主网的交互功率作为平衡节点来平抑风电功率的波动，当主动配电网出现功率不平衡时，由平衡节点分担，即不考虑扰动后不平衡功率的再分配问题，此时调度方案不随风电扰动而改变，从而提高鲁棒优化模型对扰动的自适应性．３ 基于随机变异的粒子群优化算法３．１ 基于随机变异的粒子群优化算法粒子群算法（ＰＳＯ）［２３］是智能算法的一种，模拟鸟群捕食行为设计，通过粒子之间的信息传递和搜索，来寻找目标函数中的最优解．ＰＳＯ算法的速度和位置更新模型可表示为犞犻（狋＋１）＝ω犞犻（狋）＋犮１狉１×犘ｂｅｓｔ犻－犡犻（狋）（）＋ 犮２狉２×犌ｂｅｓｔ－犡犻（狋）（）（２２）犡犻（狋＋１）＝犡犻（狋）＋犞犻（狋＋１）（２３）式中：犞犻和犡犻分别为第犻个粒子的速度和位置；狑为惯性系数；犮１和犮２为加速系数，分别代表自身经验、社会经验系数；狉１和狉２为０到１之间的随机常数；犘ｂｅｓｔ犻和犌ｂｅｓｔ分别为粒子犻的历史最佳位置和种群历史最佳位置．ＰＳＯ算法在求解优化模型中容易陷入局部最优，因此对随机选择的粒子进行变异，该算法的稳定性与收敛性已在文献中有详细说明，当粒子速度小于阈值时，粒子变异方式为［２４］狓犻犱＝狓犻犱＋α狏ｍａｘ，犱ｓｉｇｎ（２狉３－１）（２４）式中：狓犻犱为粒子犻的第犱维；α∈０，１［］为粒子变异程度；狏ｍａｘ，犱为粒子第犱维的最大飞行速度；狉３∈０，１［］为随机数．３．２ 约束处理本文通过限制粒子速度的上下限，满足机组出力上下限、爬坡率、储能出力上下限以及与主网交互功率上下限约束．此外，配电网中的节点电压约束、线路传输容量约束，储能一天的充放电功率之和为０的约束均采用惩罚的方法，当违反约束条件时在目标函数式（２０）中增加惩罚函数，减少选择违反约束条件的粒子概率．３．３ 求解流程鲁棒经济调度模型求解流程如图１所示．在所建立的主动配电网鲁棒经济调度模型中，通过选取场景集中极端场景的方式将不确定性变量转化为确定性变量，进而将鲁棒经济调度模型转化为确定性经济调度模型，采取粒子群优化算法进行求解．图１ 鲁棒经济调度求解流程犉犻犵．１ 犜犺犲狊狅犾狏犻狀犵犳犾狅狑犮犺犪狉狋狅犳狉狅犫狌狊狋犲犮狅狀狅犿犻犮犱犻狊狆犪狋犮犺犿狅犱犲犾·５１１·第６期 陆玉姣等：含分布式储能的主动配电网鲁棒优化经济调度方法 ４ 算例分析４．１ 系统仿真设定为验证本文所提出的主动配电网鲁棒经济调度方案的可行性，使用ＩＥＥＥ３３节点系统进行仿真验证．图２为改进的ＩＥＥＥ３３节点配电系统图，１号节点为系统平衡节点，在１４号和３２号节点安装微型燃气轮机，在８号节点安装风机，在９号和１７号节点安装储能，其参数见表１．分时电价、负荷曲线与风电出力曲线参考文献［２５］．节点电压为［０．９５，１．０５］ｐ．ｕ．，分时电价参数见表２，粒子群优化算法参数见表３，选取２个极限场景与１００个常规场景，满足统计要求，２４小时风电、负荷预测结果见图３，假设负荷数据预测足够精确，风电预测数据误差分别为５％、１０％和２０％；调度模型以每日００：００～２４：００作为一个完整调度周期，单次调度时段为１ｈ．为检验本文所提的主动配电网鲁棒经济调度算法的有效性，对无预测误差的含储能的确定性经济调度算例１以及考虑预测误差的含储能的鲁棒经济调度的算例２进行仿真验证．图２ 犐犈犈犈３３节点系统图犉犻犵．２ 犜犺犲犱犻犪犵狉犪犿狅犳犐犈犈犈３３狀狅犱犲狊狊狔狊狋犲犿表１ 分布式发电单元参数犜犪犫．１ 犘犪狉犪犿犲狋犲狉狊狅犳犱犻狊狋狉犻犫狌狋犲犱犵犲狀犲狉犪狋犻狅狀狌狀犻狋发电单元装机容量犘ｍｉｎ／ＭＷ犘ｍａｘ／ＭＷＵＲ／（ＭＷ·ｈ－１）ＤＲ／（ＭＷ·ｈ－１）ＳＯＣ约束充放电效率犪／（＄·（（ＭＷ）２·ｈ）－１）犫／（＄·（ＭＷ·ｈ）－１）犮／＄犓／（＄·ＭＷ－１）ＭＴ１ＭＴ２ＥＳ１ＥＳ２ＷＴ０．８ＭＷ０．６ＭＷ０．５ＭＷ·ｈ２ＭＷ·ｈ１ＭＷ ０．６ ０．５－０．５－０．５００．２０．１０．５０．５１．００．２００．１５０．２００．１５［０．２，０．８］［０．２，０．８］０．９５０．９５０．００２００．００１８２．０１．８０００．３０．３表２ 分时电价参数犜犪犫．２ 犘犪狉犪犿犲狋犲狉狊狅犳犜犻犿犲 狅犳 狌狊犲犲犾犲犮狋狉犻犮犻狋狔狆狉犻犮犲时段时段类型电价／（元·（ｋＷ·ｈ）－１）１７：００～２２：００峰时０．９５００：００～０７：００２２：００～２４：００谷时０．４５其他平时０．６０表３ 优化算法参数犜犪犫．３ 犘犪狉犪犿犲狋犲狉狊狅犳狅狆狋犻犿犻狕犪狋犻狅狀犪犾犵狅狉犻狋犺犿狊种群大小最大迭代次数变异概率其他参数１５０５００１／犱（犱为决策变量）ω＝０．６５，犮１＝２，犮２＝０．６图３ 负荷、风电发电预测曲线犉犻犵．３ 犜犺犲狆狅狑犲狉犳狅狉犲犮犪狊狋犮狌狉狏犲狅犳犾狅犪犱，狑犻狀犱狆狅狑犲狉４．２ 鲁棒经济调度方案鲁棒经济调度结果如图４～７所示．图４为微型燃气轮机输出功率；图５为储能输出功率，当储能充电时为负值，放电时为正值；图６为储能充电后对应的ＳＯＣ值；图７为主动配电网与主网交互功率的值，当向主网购电价格低于微型燃气轮机发电成本时，多向主网购电，高于发电成本时微型燃气轮机保持多发电．在０～７ｈ及２２～２４ｈ时，风机输出功率较低，此时主要由微型燃气轮机与主网向主动配电网供电．同时，此时处于低谷电价期，因此主动配电网向主网大量买电，微型燃气轮机发电量低，如图４中０～图４ 微型燃气轮机输出功率犉犻犵．４ 犜犺犲狅狌狋狆狌狋狆狅狑犲狉狅犳犿犻犮狉狅狋狌狉犫犻狀犲狊·６１１· 兰州理工大学学报 第４６卷图５ 储能输出功率犉犻犵．５ 犜犺犲狅狌狋狆狌狋狆狅狑犲狉狅犳犿犻犮狉狅狋狌狉犫犻狀犲狊狊图６ 储能犛犗犆值犉犻犵．６ 犜犺犲狏犪犾狌犲狅犳犛犗犆狅犳犲狀犲狉犵狔狊狋狅狉犪犵犲狊狔狊狋犲犿狊图７ 主动配电网购电、售电功率犉犻犵．７ 犜犺犲犲狓犮犺犪狀犵犲狆狅狑犲狉狅犳犃犖犇狑犻狋犺犿犪犻狀犵狉犻犱７ｈ及２２～２４ｈ所示；在其余时间段（８～１７ｈ，１７～２２ｈ），微型燃气轮机输出功率增加，为了减少向主网购电，从而减少主动配电网运行成本．在１０～２４ｈ，微型燃气轮机２输出比微型燃气轮机１普遍少，这是由于微型燃气轮机２处于节点１４位置，而风机与储能分别处于节点７、８、１７，由于风机、储能的输出承担了节点６～１８的馈线负载的部分需求，因此降低了对微型燃气轮机２的输出功率要求．由图５和图６可以看出，储能１与储能２在００：００～０９：００充电，其ＳＯＣ由３０％分别上升至５５％和５４％，然后在１５：００～２２：００放电，下降至２５％，最后充电上升至调度初始状态３０％．为了满足调度末储能ＳＯＣ与调度初的ＳＯＣ一致的约束，储能１与储能２在２２：００～２４：００进行充电，ＳＯＣ上升至３０％．以上储能的充放电过程表明，根据分时电价，储能在电价低时充电，电价高时放电，通过储能的“低储高发”，实现储能的套利，间接实现负荷的削峰填谷．根据算例１和算例２，主动配电网运行成本见表４，系统无预测误差时，运行成本为４．３８５１万元．当风电预测误差由１０％上升至３０％，随着预测误差的增加，运行成本也相应增加．以上结果表明，鲁棒经济调度方案会牺牲系统一部分的经济性来保证系统的稳定性，保证系统在一定预测范围内都能满足系统功率平衡和约束条件，其调度方案比确定性经济调度方案更加保守．表４ 主动配电网运行成本犜犪犫．４ 犜犺犲狅狆犲狉犪狋犻狅狀犪犾犮狅狊狋狅犳犃犇犖优化模型主动配电网运行成本／（万元）不考虑预测误差３０．６９７５预测误差为１０％３１．２６４１预测误差为２０％３１．７２６１预测误差为３０％３２．２６４４４．３ 鲁棒性分析为了验证本文经济调度模型对风电输出的鲁棒性，将算例１中的确定性调度方案代入算例２中的不同风电预测误差场景进行验证，结果见表５．表５ 考虑电压越限的主动配电网运行成本 犜犪犫．５ 犜犺犲狅狆犲狉犪狋犻狅狀犪犾犮狅狊狋狅犳犃犇犖犮狅狀狊犻犱犲狉犻狀犵狏狅犾狋犪犵犲犾犻犿犻狋狊优化模型主动配电网运行成本／（万元）电压越限成本／（万元）不考虑预测误差３０．６９７５０预测误差为１０％２７９３．０２１０．０预测误差为１５％３９３４．０３５７．０预测误差为２０％６３３５．０５６０．０表５的结果表明，不考虑风电预测的确定性经济调度方案，由于风电预测误差的存在，当表５的风电输出与预测值有预测误差时，该调度方案可能会导致主动配电网的运行出现电压越限或者储能ＳＯＣ不满足状态约束的情况，根据系统对罚函数的处理，主动配电网运行成本会急剧增加，因此当存在风电误差时，算例１中的确定性调度方案为不可行方案．而对比算例２中的鲁棒经济调度方案，系统电压或者储能ＳＯＣ无越限情况．因此算例２中考虑风电预测误差的调度方案对比算例１的调度方案更具有鲁棒性．同时，随着风电预测误差的不断增大，根据算例１调度方案运行的主动配电网运行成本、电压越限成本也相应增大．·７１１·第６期 陆玉姣等：含分布式储能的主动配电网鲁棒优化经济调度方法 一般而言，在日内实时运行时，由于需要额外调度备用容量对风电预测误差进行平抑需要支付额外的成本，导致实际运行成本比日前调度运行成本高．此时，保守的鲁棒调度方案反而比确定性的经济调度方案具备更强的抵御实时市场变化的风险．５ 结论本文基于ｍｉｎ ｍａｘ鲁棒优化方法建立了考虑风电预测误差的主动配电网鲁棒经济调度模型，通过拉丁超立方方法得到风电运行场景集合，通过对该经济调度模型求解，得到“最劣场景”下系统运行成本最小的调度方案；同时，通过改变风电预测误差系数，可以得到不同预测误差场景下的经济调度方案，调度员可以在运行成本与运行风险间进行合理选择．结果表明，随着风电预测误差的增加，鲁棒优化结果的目标函数代价越大．储能在经济调度中，通过储能的“低储高发”，实现储能的套利，间接实现负荷的削峰填谷，提高系统调度的灵活性．参考文献：［１］ ＨＥＧ，ＡＶＲＩＮＡＰ，ＮＥＬＳＯＮＪＨ，犲狋犪犾．ＳＷＩＴＣＨ Ｃｈｉｎａ：ａｓｙｓｔｅｍｓａｐｐｒｏａｃｈｔｏｄｅｃａｒｂｏｎｉｚｉｎｇＣｈｉｎａ’ｓｐｏｗｅｒｓｙｓｔｅｍ［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，２０１６，５０（１１）：５４６７５４７３．［２］ ＧＵＰＴＡＮ．Ａｒｅｖｉｅｗｏｎｔｈｅｉｎｃｌｕｓｉｏｎｏｆｗｉｎｄｇｅｎｅｒａｔｉｏｎｉｎｐｏｗｅｒｓｙｓｔｅｍｓｔｕｄｉｅｓ［Ｊ］．Ｒｅｎｅｗａｂｌｅ＆ＳｕｓｔａｉｎａｂｌｅＥｎｅｒｇｙＲｅｖｉｅｗｓ，２０１６，５９：５３０ ５４３．［３］ ＥＶＡＮＧＥＬＯＰＯＵＬＯＳＶＡ，ＧＥＯＲＧＩＬＡＫＩＳＰＳ，ＨＡＴＺＩＡＲ ＧＹＲＩＯＵＮＤ．Ｏｐｔｉｍａｌｏｐｅｒａｔｉｏｎｏｆｓｍａｒｔｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｓ：ａｒｅｖｉｅｗｏｆｍｏｄｅｌｓ，ｍｅｔｈｏｄｓａｎｄｆｕｔｕｒｅｒｅｓｅａｒｃｈ［Ｊ］．Ｅ ｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓＲｅｓｅａｒｃｈ，２０１６，１４０：９５ １０６．［４］ ＤＵＮＮＢ，ＫＡＭＡＴＨＨ，ＴＡＲＡＳＣＯＮＪＭ．Ｅｌｅｃｔｒｉｃａｌｅｎｅｒｇｙｓｔｏｒａｇｅｆｏｒｔｈｅｇｒｉｄ：ａｂａｔｔｅｒｙｏｆｃｈｏｉｃｅｓ［Ｊ］．Ｓｃｉｅｎｃｅ，２０１１，３３４（６０５８）：９２８ ９３５．［５］ 李建林，马会萌，袁晓冬，等．规模化分布式储能的关键应用技术研究综述［Ｊ］．电网技术，２０１７（１０）：２８９ ２９９．［６］ 赵军超，陈 洁，马小晶，等．计及调度计划与经济性的风／氢系统储能容量优化［Ｊ］．电测与仪表，２０１７，５５（２４）：９４ ９９．［７］ 汪超群，韦 化，吴思缘．计及风电不确定性的随机安全约束机组组合［Ｊ］．电网技术，２０１７，４１（５）：１４１９ １４２７．［８］ 单福州，李晓露，宋燕敏，等．基于改进两阶段鲁棒优化的区域综合能源系统经济调度［Ｊ］．电测与仪表，２０１８，５５（２３）：１０３１０８．［９］ ＬＩＵＧ，ＺＨＵＹＬ，ＪＩＡＮＧＷ．Ｗｉｎｄ ｔｈｅｒｍａｌｄｙｎａｍｉｃｅｃｏｎｏｍｉｃｅｍｉｓｓｉｏｎｄｉｓｐａｔｃｈｗｉｔｈａｈｙｂｒｉｄｍｕｌｔｉ ｏｂｊｅｃｔｉｖｅａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｗｉｎｄｓｐｅｅｄｓｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓ［Ｊ］．ＩＥＴＧｅｎｅｒａｔｉｏｎ，Ｔｒａｎｓｍｉｓｓｉｏｎ＆Ｄｉｓｔｒｉｂｕｔｉｏｎ，２０１８，１２（１７）：３９７２ ３９８４．［１０］ ＷＥＮＳ，ＬＡＮＨ，ＦＵＱ，犲狋犪犾．Ｅｃｏｎｏｍｉｃａｌｌｏｃａｔｉｏｎｆｏｒｅｎｅｒｇｙｓｔｏｒａｇｅｓｙｓｔｅｍｃｏｎｓｉｄｅｒｉｎｇｗｉｎｄｐｏｗｅｒｄｉｓｔｒｉｂｕｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，２０１５，３０（２）：６４４ ６５２．［１１］ 王 群，董文略，杨 莉．基于Ｗａｓｓｅｒｓｔｅｉｎ距离和改进Ｋ ｍｅ ｄｏｉｄｓ聚类的风电／光伏经典场景集生成算法［Ｊ］．中国电机工程学报，２０１５，３５（１１）：２６５４ ２６６１．［１２］ ＢＡＺＲＡＦＳＨＡＮＭ，ＧＡＴＳＩＳＮ．Ｄｅｃｅｎｔｒａｌｉｚｅｄｓｔｏｃｈａｓｔｉｃｏｐｔｉ ｍａｌｐｏｗｅｒｆｌｏｗｉｎｒａｄｉａｌｎｅｔｗｏｒｋｓｗｉｔｈｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｍａｒｔＧｒｉｄ，２０１６，８（２）：７８７ ８０１．［１３］ ＹＵＡＮＹ，ＬＩＺ，ＨＵＡＮＧＢ．Ｒｏｂｕｓｔｏｐｔｉｍｉｚａｔｉｏｎｕｎｄｅｒｃｏｒｒｅ ｌａｔｅｄｕｎｃｅｒｔａｉｎｔｙ：Ｆｏｒｍｕｌａｔｉｏｎｓａｎｄｃｏｍｐｕｔａｔｉｏｎａｌｓｔｕｄｙ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ＆ＣｈｅｍｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１６，８５：５８ ７１．［１４］ ＬＯＲＣＡＡ，ＳＵＮＡ．Ｍｕｌｔｉｓｔａｇｅｒｏｂｕｓｔｕｎｉｔｃｏｍｍｉｔｍｅｎｔｗｉｔｈｄｙｎａｍｉｃｕｎｃｅｒｔａｉｎｔｙｓｅｔｓａｎｄｅｎｅｒｇｙｓｔｏｒａｇｅ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，２０１７，３２（３）：１６７８ １６８８．［１５］ ＢＥＲＴＳＩＭＡＳＤ，ＬＩＴＶＩＮＯＶＥ，ＳＵＮＸＡ，犲狋犪犾．Ａｄａｐｔｉｖｅｒｏ ｂｕｓｔｏｐｔｉｍｉｚａｔｉｏｎｆｏｒｔｈｅｓｅｃｕｒｉｔｙｃｏｎｓｔｒａｉｎｅｄｕｎｉｔｃｏｍｍｉｔｍｅｎｔｐｒｏｂｌｅｍ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，２０１３，２８（１）：５２ ６３．［１６］ ＳＡＬＯＭＯＮＳ，ＡＶＩＧＡＤＧ，ＦＬＥＭＩＮＧＰＪ，犲狋犪犾．Ａｃｔｉｖｅｒｏ ｂｕｓｔｏｐｔｉｍｉｚａｔｉｏｎ：ｅｎｈａｎｃｉｎｇｒｏｂｕｓｔｎｅｓｓｔｏｕｎｃｅｒｔａｉｎｅｎｖｉｒｏｎｍｅｎｔｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＣｙｂｅｒｎｅｔｉｃｓ，２０１４，４４（１１）：２２２１ ２２３１．［１７］ ＪＡＢＲＲＡ．ＡｄｊｕｓｔａｂｌｅｒｏｂｕｓｔＯＰＦｗｉｔｈｒｅｎｅｗａｂｌｅｅｎｅｒｇｙｓｏｕｒｃｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，２０１３，２８（４）：４７４２ ４７５１．［１８］ 于丹文，杨 明，翟鹤峰，等．鲁棒优化在电力系统调度决策中的应用研究综述［Ｊ］．电力系统自动化，２０１６，４０（７）：１３４ １４３．［１９］ ＹＵＨ，ＣＨＵＮＧＣＹ，ＷＯＮＧＫＰ，犲狋犪犾．Ｐｒｏｂａｂｉｌｉｓｔｉｃｌｏａｄｆｌｏｗｅｖａｌｕａｔｉｏｎｗｉｔｈｈｙｂｒｉｄｌａｔｉｎｈｙｐｅｒｃｕｂｅｓａｍｐｌｉｎｇａｎｄｃｈｏｌｅｓｋｙｄｅｃｏｍｐｏｓｉｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，２００９，２４（２）：６６１ ６６７．［２０］ ＹＡＮＧＺ，ＬＩＫ，ＮＩＵＱ，犲狋犪犾．Ａｃｏｍｐｒｅｈｅｎｓｉｖｅｓｔｕｄｙｏｆｅｃｏ ｎｏｍｉｃｕｎｉｔｃｏｍｍｉｔｍｅｎｔｏｆｐｏｗｅｒｓｙｓｔｅｍｓｉｎｔｅｇｒａｔｉｎｇｖａｒｉｏｕｓｒｅｎｅｗａｂｌｅｇｅｎｅｒａｔｉｏｎｓａｎｄｐｌｕｇ ｉｎｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓ［Ｊ］．ＥｎｅｒｇｙＣｏｎｖｅｒｓｉｏｎａｎｄＭａｎａｇｅｍｅｎｔ，２０１７，１３２：４６０ ４８１．［２１］ 白 杨，汪 洋，夏 清，等．水 火 风协调优化的全景安全约束经济调度［Ｊ］．中国电机工程学报，２０１３，３３（１３）：２ ９．［２２］ ＣＡＣＣＩＡＴＯＭ，ＮＯＢＩＬＥＧ，ＳＣＡＲＣＥＬＬＡＧ，犲狋犪犾．Ｒｅａｌ ＴｉｍｅＭｏｄｅｌ ＢａｓｅｄＥｓｔｉｍａｔｉｏｎｏｆＳＯＣａｎｄＳＯＨｆｏｒＥｎｅｒｇｙＳｔｏｒａｇｅＳｙｓｔｅｍｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＥｌｅｃｔｒｏｎｉｃｓ，２０１６，３２（１）：７９４ ８０３．［２３］ ＫＨＡＮＳＵ，ＹＡＮＧＳ，ＷＡＮＧＬ，犲狋犪犾．Ａｍｏｄｉｆｉｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎｓｏｆｉｎｖｅｒｓｅｐｒｏｂｌｅｍｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＭａｇｎｅｔｉｃｓ，２０１６，５２（３）：１ ４．［２４］ 陈民铀，程 杉．基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法［Ｊ］．控制与决策，２０１３（１１）：１７２９ １７３４．［２５］ ＣＨＥＮＧＴ，ＣＨＥＮＭ，ＷＡＮＧＹ，犲狋犪犾．Ａｄａｐｔｉｖｅｒｏｂｕｓｔｍｅｔｈｏｄｆｏｒｄｙｎａｍｉｃｅｃｏｎｏｍｉｃｅｍｉｓｓｉｏｎｄｉｓｐａｔｃｈｉｎｃｏｒｐｏｒａｔｉｎｇｒｅｎｅｗａｂｌｅｅｎｅｒｇｙａｎｄｅｎｅｒｇｙｓｔｏｒａｇｅ［Ｊ］．Ｃｏｍｐｌｅｘｉｔｙ，２０１８（６）：１ １３．·８１１· 兰州理工大学学报 第４６卷。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
主动配电网分布式鲁棒优化调度方法
摘要：为了能克服风电负荷率的不确定性，根据鲁棒性提升的最坏-最好是
基础理论，提出了积极配电网鲁棒性最佳经济发展调度实体模型。
在该模式中，
选用拉丁舞超立方米抽样法形成风电情景，以表明风电预测分析的不确定性。
在
建模过程中，引进了分布式系统储能技术的等效电路运行维护成本。
与此同时，
以微型燃气轮机、分布式系统储能技术和积极配电网的调度成本最少为目标函数，选用根据任意基因变异的粒子群优化计算方法模型拟合开展求得，能够获得极端
化情景下运作成本最少的调度方案。
模拟仿真结论验证了实体模型和求得优化算
法的实效性，获得的调度方案在风电输出功率预测分析误差范围内可以达到系统
软件的全部约束，得出了最好的经济发展调度方案。
与可预测性经济发展调度方
案对比，本篇文章明确提出的调度方案具备更强的可扩展性。
关键词：主动配电网；分布式优化调度；鲁棒优化；线性化潮流；交替方向
乘子法
引言
主动配电网是主网和配电网集中控制的配电网，以可靠和经济发展
为保障措施，依据供电系统的具体运行状态响应式地调节其应等电源、负荷调控
手段，具有分布式电源、储能技术、需求方回应等开关电源和负载调整方式。
从
行业角度来看，ADN由电网公司、发电量顾客、用电量顾客等利益相关方构成。
每一个主体全是相对独立的，在自身的运营管束下，寻找利益最大化或成本费降
到最低。
因而，ADN的最佳调度必须充分考虑系统软件中各主体的利润和安全运
行的管束。
传统式的集中式提升调度方法必须监测和收集系统中全部主体的生产
制造信息，由中央控制器融洽提升调度对策，并把调度管理决策结论发给全部主体。
可是，生产制造信息是利益者的关键商业机密，具备隐秘性，无法获得。
并
且集中式提升必须搜集海量信息，通讯负担过重。
一旦中央控制器无效，最佳调
度系统软件便会崩溃。
因而，集中式方式早已无法满足ADN发展趋势的要求，必
须一种分布式系统方式来处理ADN提升调度难题。
在分布式系统方式中，一般将
优化问题溶解为好几个智能体的子难题，根据融洽求得子难题来获取系统软件的
全局性优化策略。
以便解决对中央控制器的依靠，每一个主体只必须与邻近主体
互换界限信息，进而维护每一个主体生产制造信息的个人隐私。
一、主动配电网运行与控制
积极配电网的运作控制对策是确保其可以信赖供电系统的前提条件。
与传统
的的供电系统融洽控制方法对比，积极配电网必须考虑到分布式电源的种类、负
载特点和运行方式。
进而完成积极配电网中各种各样网络资源的融合。
现阶段，
世界各国对数字功放配电网运作控制的科学研究关键集中化在改进其电能质量分析、调整功率因素改进工作频率误差、调整无功负荷改进工作电压误差等融洽控
制技术上。
就控制方法来讲，积极配电网的融洽控制可分成三类：集中化控制、单面分
布式系统控制和双层分布式系统控制。
在最初的科学研究中，集中化控制是使用
最广泛的一种。
其运用构思持续了传统式的配电网控制方式，优化了配电网的电
力工程资源优化配置。
常见的优化算法对策是根据最佳时尚潮流法的全局最佳控
制对策。
该对策搜集各种各样分布式发电资源信息，根据统一测算获得各控制模
块的情况量。
但是，伴随着越来越多分布式发电连接配电网，各种各样管理决策
情况的总数大幅度提升，测算抗压强度太高，难以达到即时控制。
分布式系统控
制选用“go”控制方法，各控制模块可独立完成内部结构优化控制，实用性好。
文中选用分布式系统多智能体实体模型对配电网里的可控性负载和分布式电源开
展模型，并实现了控制总体目标系统软件。
但是，单面控制并不是全局优化的，
这将会促使优化结论仅是部分最佳的。
文中选用一致性优化算法控制各智能体的
初始条件，实现了彻底分布式系统控制架构下的全局优化。
二、算例分析
1、算例描述
如下图1所示，改善的IEEE 33节点系统软件包含节点16处的光伏发电站、节点31处的风力发电场节点4 的一台燃气轮机，节点17和29处的2个电池储
能机器设备及其节点25和32处的DR负荷，功率因数都取为 0.95。
购电单价
K t n。
间歇性能源的出力预测曲线如图 2。
一个间歇性周期时间具体动能导出的波动范围为估计值的30%。
各节点负荷功率因素按图3所示24点归一化日负荷曲线图转变，在其中周期时间12的有功功率值相匹配IEEE 33节点系统软件各节点的有功功率值，各周期时间负荷功率因数保持一致。
节点1为均衡节点，工作电压12.66 kV，相位角0°；标准值为1mva的工作电压安全性上下限设定为
1.05 pu和0.95 pu，线电流安全性上下限设定为4 pu和-4 pu。
收敛条件中
设置为 10-4。
ADMM 罚参数ρ 设置为 1.5。
运用GAMS手机软件的求解器CPLEX 来摆脱困境。
图1 IEEE 33节点配电网系统
图2间歇性可再生能源预测出力
图3归一化日负荷变化曲线
2、线性化潮流方程正确性分析
原IEEE 33连接点系统软件用以静态数据潮流测算，根据较为线性化潮流方程(7)和原离散系统潮流方程获得潮流结论，如下图4所显示。
看得出，线性化潮流方程与原离散系统潮流方程获得的工作电压实部(幅值)和虚部(相角)偏差不大，各结点工作电压幅值较大偏差为0.0064 pu，工作电压相角较大偏差为
0.0012 rad，验证了文中线性化潮流方程的精确性，线性化潮流方程能够合理地靠近原离散系统潮流方程。
图4潮流对比结果
3、鲁棒性分析
较为鲁棒性最佳调度计划方案和确定性最佳调度计划方案下的配网侧成本和可控性网络资源侧成本。
二种调度计划方案下取得的可控性网络资源导出计划方案如下图5和图6所显示。
看得出，鲁棒优化调度对策获得的配网总运作成本高过确定性提升调度，提升的成本关键来源于储能的运作成本，而网络损耗费用、燃气轮机发电费用和需求响应调
度费用则与确定性优化调度相近，鲁棒优化调度计划方案略大。
融合二种调度计划方案下可控性网络资源的功率因素导出整体规划曲线图剖析得知，鲁棒优化调度获得的燃汽轮机组的出力和DR负载整体规划曲线图与确定性提升调度获得的主要类似。
而鲁棒优化调度获得的2个储能设备的出力曲线图与确定性提升获得的显著不一样。
在确定性提升调度中，连接点17和29的储能机器设备参加调度的积极性不高，蓄电池充放电输出功率相对性较低；但鲁棒优化调度时，连接点17和29的储能设备在晚间00336000-0636000的低用电量时间段持续电池充电，在大白天10336000-18336000的用电量高峰期向电力网充放电，蓄电池充放电输出功率相对性比较高，因而积极开展调度。
积极开展调度是为了避免电力
负荷高峰期可再生资源出力降低造成周边连接点工作电压超出低限，保证系统在
可再生资源出力最少的极端化情景下安全运行。
图5燃气轮机出力对比
图6储能装置出力对比
结束语
1)明确提出的鲁棒优化调度模型考虑了连接点工作电压和路线电流量的安全
性管束，可以确保ADN在间断性动能导出的不确定性波动范围内安全运行，有着
优良的可扩展性。
2)利用层递优化理论将鲁棒优化调度模型转换为线形管束的凸二次规划模型。
用ADMM优化算法对凸二次规划模型开展分布式系统求得，能迅速收敛性到原现
象的全局性最优解，并能确保配网与可控性网络资源不一样行为主体中间的信息
隐秘性。
参考文献：
［1］李建林，马会萌，袁晓冬，等．规模化分布式储能的关键应用技术研
究综述［J］．电网技术，2020（10）：289－299．
［2］赵军超，陈洁，马小晶，等．计及调度计划与经济性的风／氢系统储
能容量优化［J］．电测与仪表，2020，55（24）：94－99．
［3］汪超群，韦化，吴思缘．计及风电不确定性的随机安全约束机组组合［J］．电网技术，2020，41（5）：1419－1427．。