一种主动配电网和虚拟电厂协同运行的分布式优化方法

技术领域

本发明涉及主动配电网和虚拟电厂之间的协同互动和分布式优化运行领 域，具体是一种主动配电网和虚拟电厂协同运行的分布式优化方法。

背景技术

分布式电源、微网、储能装置、柔性负荷等电网新元素的出现，对配电网 的运行与调度提出了新的挑战，主动配电网(active distribution network， ADN)的概念应运而生。主动配电网是根据电力系统的实际运行状态，以经济性、 安全性为目标，对大量接入的分布式电源进行主动管理，能够自适应调节网络、 电源、负荷的配电网。主动配电网的建设目标是提升配电网对分布式能源的消 纳能力，降低配电网运行过程中的峰谷差和综合网损，满足用户对高品质供用 电的定制需求，促进终端用户对电力系统优化运行的主动参与能力，进一步挖 掘电力系统的设备利用潜力，有效提升能源综合利用水平。国内外学者从不同 角度对主动配电网多源协同优化调度展开了研究，其中虚拟电厂(virtual powerplant，VPP)被认为是一种有效实现多源协同的控制手段。

近年来为深化我国电力体制改革，加快电力市场建设步伐，虚拟电厂技术 迅速发展。相比传统发电机组，虚拟电厂内部可包含新能源设备、储能装置和 主动用户等多种灵活性资源；目前，虚拟电厂技术已被逐渐应用于电力市场运 营、新能源消纳和能量管理等多个方面。此外，虚拟电厂可利用不同种类灵活 性资源的各自优势为电网提供诸如能量平衡、无功电压支持、旋转备用、频率 调节和阻塞管理等多类服务，展现出一定经济价值。然而随着配电侧市场的逐 渐开放，传统的集中式调度模式不适用于市场化的环境。为了保障市场中多利 益主体的利益和隐私，有必要研究分布式算法实现主动配电网与虚拟电厂的分 布式互动。

发明内容

本发明的目的在于提供一种主动配电网和虚拟电厂协同运行的分布式优化 方法，该方法可以充分考虑主动配电网和虚拟电厂之间的经济利益，保护不同 利益主体的隐私，合理优化配置能源生产，充分发挥具有不同灵活性资源的虚 拟电厂之间的互补特性和协同效应。

本发明的目的可以通过以下技术方案实现：

一种主动配电网和虚拟电厂协同运行的分布式优化方法，优化方法包括以 下步骤：

S1:主动配电网和虚拟电厂协同优化模型构建；

S2：构建S1中协同优化模型的紧凑形式；

S3：计算初始迭代点，求解可行子问题，构建二次型信息交换函数并计算 临界区域，并将这些信息反馈给主问题；

S4：解决退化问题；

S5：求解不可行子问题，利用Benders分解法中的割集刻画不可行子问题 的可行域，并将可行域反馈给主问题，更新主问题的可行域并求解新的最优解； 将新的最优解其发送给各个子问题，作为子问题的边界条件，各子问题重新进 行独立优化计算。

进一步的，所述S1具体包括构建以能源生产者的生产成本最小为目标，以 设备和系统运行安全性为约束的主动配电网和虚拟电厂协同优化模型；具体模 型如下：

目标函数：

式中，Γ表示优化时域区间集合，VPP表示虚拟电厂的集合，G

主动配电网安全约束：

虚拟电厂安全约束：

边界约束：

进一步的，所述Bus

进一步的，所述

进一步的，所述S2具体包括：构建S1中协同优化模型的紧凑形式；具体 模型如下：

x

进一步的，所述x

进一步的，所述S3具体包括：计算初始迭代点，求解可行子问题，构建二 次型信息交换函数并计算临界区域，并将这些信息反馈给主问题；

为了开始迭代计算，需要建立一个简单的主问题优化模型以初始化参数；

s.t.x

求解优化问题(36)-(37)，得到初始迭代点

用n表示迭代次数，得到

由于

式中，

λ≥0 (45)

式中，

因为

将式(47)代入(46)，得

对于起作用约束，式(39)中的等号永远成立；因此后面只需要考虑不起作 用的约束，式(49)简化为如下形式：

上标

根据式(50)和(51)可得临界区域

此外，将式(48)代入式(41)得到新的只与x

进一步的，所述S4具体包括：为了顺利构建临界区域

假设决策变量

进一步的，所述S5具体包括：利用Benders分解法中的割集刻画不可行子 问题的可行域，并将可行域反馈给主问题，更新主问题的可行域并求解新的最 优解；将新的最优解其发送给各个子问题，作为子问题的边界条件，各子问题 重新进行独立优化计算；

当子问题(38)-(40)不可行时，意味着(39)-(40)中存在相互冲突的约束条 件；为计算合理的Benders割集，需要松弛冲突的约束，得到如下新的子问题 形式：

式中，

在求解完子问题之后，主问题的模型根据临界区域和Benders割集构建；

x

FC为Benders割集，式(63)即为Benders割集的构建方法；将主问题的最 优解

本发明的有益效果：

本发明与现有技术相比，其显著优点是：传统的配网侧调度采用集中式的 控制方式，当局部地区负荷改变或者分布式机组的参数发生改变都需要向配网 操作员汇报，配网调度中心需要实时采集大量的信息，优化问题的规模也较大， 实时性较差。此外，由于配电侧市场的开放，多种社会资本投资分布式发电项 目，配网集中式优化的控制方法在一定程度上侵犯了分布式能源供应商的隐私。 本发明提出一种分布式算法，可以实现主动配电网与分布式能源的解耦优化， 引入虚拟电厂的概念，实现主动配电网与虚拟电厂的分布式优化，配网操作员 不再需要采集全局信息，只需要与虚拟电厂交换部分边界信息即可，降低了数 据传输量，提高了配网操作员求解优化问题的效率。此外，本发明提出的分布 式算法较常见的分布式算法有了较大的性能提升，极大的减小了数据的交互次 数。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本发明的D33V5网络拓扑示意图；

图2为本发明的测试算例D33V5中VPP1的总有功出力图；

图3为本发明的迭代收敛过程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造 性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

一种主动配电网和虚拟电厂协同运行的分布式优化方法，优化方法包括以 下步骤：

S1：构建以能源生产者的生产成本最小为目标，以设备和系统运行安全性 为约束的主动配电网和虚拟电厂协同优化模型。具体模型如下：

目标函数：

式中，Γ表示优化时域区间集合，VPP表示虚拟电厂的集合，G

主动配电网安全约束：

式中，Bus

虚拟电厂安全约束：

边界约束：

式中，

S2:构建S1中协同优化模型的紧凑形式。具体模型如下：

x

式中，x

S3：计算初始迭代点，求解可行子问题，构建二次型信息交换函数并计算 临界区域，并将这些信息反馈给主问题。

为了开始迭代计算，需要建立一个简单的主问题优化模型以初始化参数。

s.t.x

求解优化问题-，得到初始迭代点

用n表示迭代次数，得到

由于

式中，

λ≥0 (45)

式中，

因为

将式代入，得

对于起作用约束，式中的等号永远成立。因此后面只需要考虑不起作用的 约束即可，式可以简化为如下形式：

上标

根据式和可得临界区域

此外，将式代入式得到新的只与x

S4：解决退化问题。

为了顺利构建临界区域

假设决策变量

S5:求解不可行子问题

利用Benders分解法中的割集刻画不可行子问题的可行域，并将可行域反 馈给主问题，更新主问题的可行域并求解新的最优解。将新的最优解其发送给 各个子问题，作为子问题的边界条件，各子问题重新进行独立优化计算。

当子问题-不可行时，意味着-中存在相互冲突的约束条件。为计算合理的Benders割集，需要松弛冲突的约束，得到如下新的子问题形式：

式中，

在求解完子问题之后，主问题的模型可根据临界区域和Benders割集构建。

s.t.x

x

FC为Benders割集，式即为Benders割集的构建方法。将主问题的最优解

算例说明：

本发明所述的分布式优化算法有效性使用D33V5和D141V33两个算例尽心 验证。D33V5算例包含一个IEEE-33节点的主动配电网(Active distribution network,ADN)和2个5节点的虚拟电厂(Virtual power plant,VPP)网络， 其网络拓扑由IEEE-5节点输电网调整而来。属于主动配电网的发电机连接在5 号母线上，虚拟电厂分别连接在15号和20号母线上，如附图1所示。每个虚 拟电厂中含有2台分布式发电机分别连接在虚拟电厂网络的3号和4号母线上。 D141V33算例包含一个IEEE-141节点的配电网和4个33节点的虚拟电厂组成， 虚拟电厂的网络拓扑结构采用IEEE-33节点配网结构。所有虚拟电厂的1号节 点为根节点，并与主动配电网相连。

在传统潮流优化中，主动配电网和虚拟电厂的潮流优化是独立进行的。虚 拟电厂首先进行潮流优化，不足/过剩的电力需求请求主动配电网予以补充/消 纳，电力通过主动配电网和虚拟电厂之间的联络线传输。在平衡虚拟电厂的电 力需求之后，主动配电网再独立的进行潮流优化。本发明采用协同优化的方式， 主动配电网和虚拟电厂同时进行潮流优化。此外，本发明提出的方法属于一种 分布式计算算法，使主动配电网和虚拟电厂可以同时分布式的进行潮流优化。 关于发电成本的对比如表1所示。

表1结果对比

如表1所示，由本发明的方法计算出的成本与集中式协同优化算法计算出 的成本相同。这说明本发明具有与集中式算法相同的精度和有效性。通过协同 ADN和VPP的潮流优化，D33V5算例可以降低7.9％的成本，D141V33可以降低13.4％ 的成本。这是因为协同优化可以从全局角度挑选经济性最优的发电机，安排最 具经济性经济调度方案。此外，本发明的算法仅需交换部分边界信息，因此保 护了AND和VPP关于机组经济参数的隐私性。

由于D33V5中的所有VPP具有相同的经济参数和网络拓扑结构，所以他们的 机组出力计划相同。附图2展示了传统潮流优化方法和本发明方法计算出的VPP1 中机组的总出力情况。与传统潮流优化相比，本发明方法得到的VPP机组出力更 少，因为VPP可以从ADN中购买更为便宜的电力，而不是由自己的发电机完全 满足负荷。这一行为在附图2中的时段1-3和5-7中比较明显。即时在这些时 段的负荷比较高，VPP中的发电机组仍然处于较低的出力水平。

本发明方法的收敛过程如附图3所示。一般情况下，本方法在5次迭代后 收敛，结果表明算例的复杂度对本发明迭代次数的影响不大。

表2不同方法的性能比较

LM：拉格朗日乘子法AL：增广拉格朗日乘子法C-MPQP：传统多参数二 次规划法

CBD：传统Benders分解法OCD：最优条件法APP：辅助问题原理法

M-CPC：改进割面一致算法

从表2可以看出，与其他方法相比，本发明所需的总时间和单次迭代耗时 最少。由于切割面的数量取决于子问题本身的复杂度，因此CBD和M-CPC相比 于其他算法需要更多的迭代次数。计算时间第三长的是LM，因为拉格朗日乘子 需要再每次迭代中更新，步长的选取对收敛速度也有较大的影响。由于凸性的 先住增强，AL算法的收敛性能明显强于LM，但其收敛速度很大程度取决于惩 罚项系数的整定。虽然LM在每次迭代计算中逗比AL快，但是AL得迭代次数较 少，所以AL的总耗时更少。总体来看，ADMM、AL和APP计算速度总是较慢，这是因为它们都有额外的参数需要确定。它们都不可避免的需要求解大量的子 问题，所以他们的单次迭代需要近乎相同的时间。OCD的表现优于其他传统算 法，但是其稳定性比ADMM差。在实际计算测试中，OCD的表现过度依赖初始 值，因此在使用OCD之前需要构建一个初始可行域。表2中展现的OCD的性能 是通过多次初值尝试，选取了性能最优的一组参数得到的计算结果。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例” 等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含 于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表 述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或 者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业 的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中 描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明 还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。