一种计及风光不确定性的配电网双层优化调度方法

技术领域

本发明属于电网调控技术领域，尤其涉及一种计及风光不确定性的配电网双层优化调度方法。

背景技术

随着环保政策和新能源发展政策的推动，分布式电源越来越多地融入到现代配电网中，使得传统电力系统逐渐向新型电力系统形态转变。在可再生能源发电的高渗透率背景下，分布式发电的间歇性和配电网的高阻抗比可能引发电压波动甚至越限，给配电网的电压控制和经济运行带来更大的技术挑战。网络重构技术是支撑有源配电网优化运行的重要手段，具有改善电压分布、消除过载、降低网损和提高运行经济性等重要作用。

传统的电压调整设备，如电容器组和有载调压变压器等属于机械设备，响应速度较慢；电力电子化的无功补偿设备，如SVC和STATCOM，响应速度相对较快，然而价格昂贵，阻碍了其广泛应用。在有源配电网中，光伏、风机等分布式电源在正常的运行条件下可以通过控制提供灵活、快速的无功支持。因此，分布式电源可以在有源配电网的电压控制和网络重构中发挥更大的作用。

而且传统的调压与优化调度方法之间缺乏协调，未能充分考虑分布式电源的优化调度潜力，忽略分布式电源发电与负荷的随机性。因此，需要一种计及风光不确定性的配电网双层优化调度方法。

发明内容

本发明的目的在于提供一种计及风光不确定性的配电网双层优化调度方法，从而克服了传统的调压与优化调度方法之间缺乏协调的缺点。

为实现上述目的，本发明提供了一种计及风光不确定性的配电网双层优化调度方法，包括：

采用概率建模方法，通过构造具有代表性的场景来逼近风电、光伏出力和负荷的实时不确定性来构建双层优化模型，所述双层优化模型包括上层优化模型和下层优化模型，所述上层优化模型为配网重构优化模型，以网络损耗最小为优化目标，采用基于骨干粒子群的混合遗传算法优化网络开关状态得到最优网络拓扑结构；所述下层优化模型为配网运行优化模型，以电压质量最优为目标，通过求解混合整数随机规划得到优化的风光伏发电系统和电容器组无功出力、储能有功出力的调度计划；

通过对所述双层优化模型进行求解，使所述双层优化模型达到稳定状态，得到配电网的最优调度计划和最优动态网架拓扑。

优选地，所述上层优化模型为配网重构优化模型，以网络损耗最小为优化目标，通过优化网络开关状态得到最优网络拓扑，所述最优网络拓扑满足功率潮流约束、节点电压约束和辐射状拓扑约束；同时在潮流计算中考虑典型场景，得到概率加权得到网络损耗，将优化得到的网络拓扑结构传递到下层模型作为输入。

优选地，所述下层优化模型还需要考虑的约束有功率潮流约束、分布式电源约束、电容器组约束以及节点电压约束。

优选地，所述上层优化模型的构建包括以下步骤：

根据综合考虑风光出力的不确定变量采用概率建模方法，建立基于约束的上层目标函数，从而得到初始配网拓扑结构；

采用基于骨干粒子群的混合遗传算法优化初始配网拓扑结构中的网络开关状态，得到最优网络拓扑结构。

优选地，采用基于骨干粒子群的混合遗传算法优化初始配网拓扑结构中的网络开关状态，得到最优网络拓扑结构，具体包括：

初始化参数；

求取各染色体适应度值，并将各染色体适应度值与历史最优解、种群全局最优解的适应度值比较，更新个体历史最优解及种群全局最优解；

执行选择操作；

根据交叉概率，执行交叉操作，完成全局搜索；

根据变异概率，采用骨干粒子群的位置更新方式作为变异算子，执行变异操作；

判断是否满足终止条件，若是，则算法结束，得到种群最优解，对种群最优解解码得到最优网络拓扑结构，若否，则返回重新求取各染色体适应度值。

优选地，以电压质量最优为目标，通过求解混合整数随机规划得到优化的风光伏发电系统和电容器组无功出力、储能有功出力的调度计划，具体包括：

采用混合整数随机规划方法求解上层配网运行优化模型，得到最优运行计划；

将最优运行计划传递给上层优化模型，作为上层优化模型的运行设置。

优选地，所述最优运行计划包括风电光伏以及电容器组无功出力和储能有功出力的调度值。

优选地，采用博弈论中纳什均衡理论对所述双层优化模型进行求解，使所述双层优化模型达到稳定状态，得到配电网的最优调度计划和最优动态网架拓扑。

优选地，采用博弈论中纳什均衡理论对所述双层优化模型进行求解，具体包括：基于纳什均衡条件判断迭代过程是否收敛，若是，则输出最优调度计划和最优动态网架拓扑。

与现有的技术相比，本发明具有如下有益效果：

本发明所提供的计及风光不确定性的配电网双层优化调度方法，采用概率建模方法，通过构造具有代表性的场景来逼近风电、光伏出力和负荷的实时不确定性来构建双层优化模型，所述双层优化模型包括上层优化模型和下层优化模型，所述上层优化模型为配网重构优化模型，以网络损耗最小为优化目标，采用基于骨干粒子群的混合遗传算法优化网络开关状态得到最优网络拓扑结构；所述下层优化模型为配网运行优化模型，以电压质量最优为目标，通过求解混合整数随机规划得到优化的风光伏发电系统和电容器组无功出力、储能有功出力的调度计划；通过对所述双层优化模型进行求解，使所述双层优化模型达到稳定状态，得到配电网的最优调度计划和最优动态网架拓扑。本发明考虑全局电压及负荷特性，通过调整网络拓扑结构来实现有源配电网电压控制，而且本发明求解效率高，能够有效改善电压偏差和减小电压损耗，为计及风光不确定性下主动配网的最优运行提供了有力的算法支撑。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一种计及风光不确定性的配电网双层优化调度方法结构示意图；

图2是本发明的配电网的双层优化模型结构示意图；

图3是本发明其中一个实施例有源配电网双层优化调度方法实施前后的有源配电网网损对比结果示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明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的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明所提供的计及风光不确定性的配电网双层优化调度方法包括：

S1、采用概率建模方法，通过构造具有代表性的场景来逼近风电、光伏出力和负荷的实时不确定性来构建双层优化模型，如图2所示，所述双层优化模型包括上层优化模型和下层优化模型，

其中，所述上层优化模型为配网重构优化模型，以网络损耗最小为优化目标，以联络开关的状态为优化变量，考虑基本的网络潮流约束和辐射状拓扑约束，采用基于骨干粒子群的混合遗传算法优化网络开关状态，同时在潮流计算中考虑典型场景，得到概率加权得到网络损耗，将优化得到的网络拓扑结构传递到下层模型作为输入。因此，上层优化模型的构建包括以下步骤：

S111、上层优化模型考虑风光出力、负荷波动以及无功补偿装置对有源配电网网络潮流及结构的影响，以网损最小为优化目标，通过网络重构改善系统的电压分布。因此，综合考虑风光出力、负荷等的不确定变量采用概率建模方构建配网重构优化模型，

概率建模方法是通过构造具有代表性的场景来逼近风电、光伏出力和负荷的实时不确定性。区别于传统的蒙特卡洛采样方法需要大量生成场景并简化的繁琐过程，概率建模方法可以直接生成少量的典型场景。考虑有源配电网中光伏、风力发电和负荷的随机变化，风力发电系统采用服从Weibull分布的概率密度函数描述其风力发电的功率，光伏发电系统采用服从Beta分布的概率密度函数来近似其最大功率输出，配电系统负荷采用服从正态分布描述的概率密度函数来体现其波动变化。对于以上不确定变量，根据描述其概率分布的概率密度函数，可以将变量划分为多个等长区间。因此，在每个区间内，通过对变量与概率密度函数乘积项进行积分可以计算变量在该区间内加权平均值，同时对概率密度函数积分可以求得变量值在该区间内的概率。概率建模方法是通过将风力、光伏发电输出功率和负荷的概率分布函数分别划分为E、F和G个区间，分为定义为E、F和G种状态，三个随机变量的状态相互映射构成E*F*G组典型场景，每组典型场景发生的概率对应风力、光伏发电和负荷的组合状态同时发生的概率，这些典型场景可以应用到双层优化模型中以描述变量的不确定性。此外，储能可通过充放电能的方式减小分布式电源弃风弃光量，在新能源渗透率较高的时段，储能能够缓解部分新能源消纳压力；

S112、建立上层优化模型的上层目标函数，即配网重构优化模型的上层目标函数，表达式为：

上式中，

考虑风光出力等的不确定变量，计算上层目标函数的概率约束，概率约束的表达式为：

上式中，Pr表示事件合格的概率；β为给定的置信水平

根据上层目标函数和有概率约束，从而得到的初始配网拓扑结构。

S113、上层优化模型的决策变量为离散的开关变量，考虑基本的网络潮流约束和辐射状拓扑约束，采用基于骨干粒子群的混合遗传算法优化初始配网拓扑结构中的网络开关状态，求解得到当前运行条件下的最优配网拓扑结构，对应最优的网络损耗值。

采用基于骨干粒子群的混合遗传算法优化网络开关状态得到最优网络拓扑结构，具体包括：

S121、初始化参数，参数包括：杂交概率Pc，变异概率Pm及种群大小；初始化种群，历史最优解及种群全局最优解；

S122、求取各染色体适应度值，并将各染色体适应度值与历史最优解、种群全局最优解的适应度值比较，更新个体历史最优解及种群全局最优解；

S123、执行选择操作，通过轮盘选择法选取部分个体保留；

S124、根据交叉概率，执行交叉操作，完成全局搜索；

S125、根据变异概率，采用骨干粒子群的位置更新方式作为变异算子，执行变异操作；

具体的，标准粒子群算法中的例子群位置x

v

x

上式中，w为惯性权重，c

然而标准粒子群算法的演化方程并不能保证绝对收敛到全局最优解，其每个粒子向它的个体历史极值和全局极值的加权平均值收敛，通过协作式概率搜索方式，可以提高算法搜索的效率和精度，同时避免了标准粒子群算法复杂的参数调节，因此，采用骨干粒子群的位置x

S126、判断是否满足终止条件，若是，则算法结束，得到种群最优解，对种群最优解解码得到最优网络拓扑结构；若则，否返回步骤S122重新求取各染色体适应度值，直至满足终止条件；

S127、上层优化模型将最优拓扑结构传递给下层优化模型，作为下层优化模型中设定的网架结构。

其中，所述下层优化模型为配网运行优化模型，以电压质量最优为目标，通过求解混合整数随机规划优化风力、光伏发电系统和电容器组无功出力，储能有功出力得到调度计划得到调度计划；所述下层优化模型还需要考虑的约束包括：有功率潮流约束、分布式电源约束、电容器组约束以及节点电压约束；

所述下层优化模型用于对上层优化模型传送的最优网络拓扑结构进行求解得到调度决策值，包括以下步骤：

S131、采用混合整数随机规划方法求解上层配网运行优化模型，得到风力、光伏发电系统和电容器组无功出力，储能有功出力的最优计划，对应最小的电压偏差值；具体包括：

将下层优化模型中的优化问题建立为混合整数随机规划模型，优化问题本质上属于混合整数随机规划问题，以最小电压偏差为优化目标，优化变量包括：了多组典型场景下潮流约束的相关变量、风电光伏以及电容器组无功出力、储能有功出力，优化问题可以采用Cplex一类商用求解器快速求解，从而得到风电光伏以及电容器组无功出力、储能有功出力的调度值；

其中，混合整数随机规划模型的约束包括：支路潮流约束和设备约束，

支路潮流约束包括：节点功率平衡和电压约束(如式(6)-(8)表示)、节点电压约束(式(9)表示)、支路功率约束(如式(10)表示)以及辐射状网络拓扑约束(如式(11)表示)。

上式中，P

设备约束包括：分布式电源出力约束(如式(12)-(13)表示)、电容器运行约束(如式(14)-(15)表示)和储能运行约束(如式(16)-(19)表示)，

上式中，

S132、下层优化模型将最优运行计划(即风电光伏以及电容器组无功出力、储能有功出力的调度值)传递给上层优化模型，作为上层优化模型中设定的相应设备有功、无功出力的调度值。通过充分利用分布式电源和武功补偿装置的无功出力，减小网络损耗，通过储能的能量管理作用，削峰填谷，改善电压偏差。

S2、采用博弈论中纳什均衡理论对所述双层优化模型进行迭代求解，使所述双层优化模型达到稳定状态，得到配电网的最优调度计划和最优动态网架拓扑，具体包括：

基于纳什均衡条件判断迭代过程是否收敛，若是，则输出最优调度计划和最优动态网架拓扑。

对本发明计及风光不确定性的配电网双层优化调度方法的其中一个实施例进行详细说明，以使本领域技术人员更了解本发明：

基于IEEE33节点配电系统进行算例分析，在部分节点上接入电容器组、储能设备以及风电和光伏发电，考虑风机，光伏发电和负荷的随机性。图3给出了应用所提有源配电网双层优化调度方法前后的有源配电网网损对比，可以看出所提模型能有效地降低网络损耗。在随机场景下，表1对比有源配电网双层优化调度和单层调度方法的优化效果，初始情景下平均网损为147.9kW，平均电压偏差为0.0392pu，断开线路开关为33/34/35/36/37，上层优化情景下平均网损为118.8kW，平均电压偏差为0.0242pu，断开线路开关为5/9/15/27/32，双层优化情景下平均网损为72.7kW，平均电压偏差为0.0153pu，断开线路开关为7/9/14/28/36。

表1对比有源配电网双层优化调度和单层调度方法的优化效果

通过表1能够看出双层优化调度相比单层优化调度减少网损和电压偏差的效果。

以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。