基于机会约束规划的主动配电网能量优化调度研究.pdf

第４２卷第１３期２０１４年７月１日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｂ１．４２Ｎ０．１３Ｊｕ１．１．２０１４基于机会约束规划的主动配电网能量优化调度研究王健，谢桦，孙健（１．国家能源主动配电网技术研发中心，北京交通大学，北京１０００４４２．国家电网北京电力科学研究院，北京１０００７５）摘要：主动配电网（ＡｃｔｉｖｅＤｉＳｔｒｉｂｕｔｉ０１１Ｎｅｔｗｏｒｋ）的产生对于加大可再生能源的消纳能力、提高用电互动化水平、实现配电网的灵活智能管理发挥着重要的作用，逐渐成为未来智能电网发展的重要方向。其中主动配电网能量管理系统（ＤＭＳｓ）作为主动配电网的最高决策中心，通过对各分布式电源的有效控制和调度，保障配电网的全局优化运行。为提高主动配电网运行的经济Ｉ｝生和可靠性，通过对主动配电网能量优化调度技术进行分析，考虑到风力发电和光伏发电的不确定性，结合随机模拟技术和惩罚函数方法，基于机会约束规划建立了含有风力发电机、光伏发电单元以及储能装置的主动配电网能量调度随机数学模型。在满足各种约束条件的基础上，使用改进的粒子群算法求解该模型。并以某地区实际系统为算例，通过与标准粒子群算法进行比较，验证所提模型的正确性与有效性。关键词：主动配电网；能量管理系统；随机模拟技术；机会约束规划；改进粒子群算法Ｓｔｕｄｙｏｎｅｎｅｒｇｙｄｉｓｐａｔｃｈｓｔｒａｔｅｇｙｏｆａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｕｓｉｎｇｃｈａｎｃｅ－ｃｏｎｓｔｒａｉｎｅｄｐｒｏｇｒａｍｍｉｎｇＷＡＮＧＪｉａｎ，ＸＩＥＨｕａ，ＳＵＮＪｉａｎ２（１．ＮｅｗＥｎｅｒｇｙＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，ＢｅｉｊｉｎｇＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００４４，Ｃｈｉｎａ；２．ＢｅｉｊｉｎｇＥｌｅｃｔｒｉｃＰｏｗｅｒＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ１０００７５，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｈａｓｇｒａｄｕａｌｌｙｂｅｃｏｍｅｔｈｅｉｍｐｏｒｔａｎｔｄｉｒｅｃｔｉｏｎｏｆｔｈｅｆｕｔｕｒｅｓｍａｒｔｐｏｗｅｒｇｒｉｄ．Ｉｔｐｌａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｉｎｃｒｅａｓｉｎｇｃａｐａｂｉｌｉｔｙｏｆｒｅｎｅｗａｂｌｅｅｎｅｒｇｙａｃｃｏｍｍｏｄａｔｉｏｎ，ｉｍｐｒｏｖｉｎｇｔｈｅｐｏｗｅｒｕｔｉｌｉｚａｔｉｏｎｌｅｖｅｌａｎｄｒｅａｌｉｚｉｎｇｔｈｅｆｌｅｘｉｂｌｅｉｎｔｅｌｌｉｇｅｎｔｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｍａｎａｇｅｍｅｎｔ．Ｔｈｅａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｅｎｅｒｇｙｍａｎａｇｅｍｅｎｔｓｙｓｔｅｍ（ＤＭＳｓ），ｗｈｉｃｈｉｓｔｈｅｈｉｇｈｅｓｔｄｅｃｉｓｉｏｎ・ｍａｋｉｎｇｃｅｎｔｅｒｏｆａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋ，ｕｓｅｓｅｆｆｅｃｔｉｖｅｃｏｎｔｒｏｌｌｉｎｇａｎｄｓｃｈｅｄｕｌｉｎｇｏｆｔｈｅｄｉｓｔｒｉｂｕｔｅｄｐｏｗｅｒｔｏｇｕａｒａｎｔｅｅｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎｏｐｅｒａｔｉｏｎｏｆｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋ．Ｔｈｉｓｐａｐｅｒａｉｍｓｔｏｉｍｐｒｏｖｅｔｈｅｅｃｏｎｏｍｙａｎｄｒｅｌｉａｂｉｌｉｔｙｏｆｔｈｅａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋ．Ａｓｔｈｅｗｉｎｄｐｏｗｅｒａｎｄｐｈｏｔｏｖｏｌｔａｉｃｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｈａｖｅｕｎｃｅｒｔａｉｎｔｙ，ｉｔｕｓｅｓｒａｎｄｏｍｓｉｍｕｌａｔｉｏｎｔｅｃｈｎｉｑｕｅａｎｄｔｈｅｐｅｎａｌｔｙｆｕｎｃｔｉｏｎｍｅｔｈｏｄ，ｂａｓｅｄｏｎｔｈｅｃｈａｎｃｅ－ｃｏｎｓｔｒａｉｎｅｄｐｒｏｇｒａｍｍｉｎｇｔｏｅｓｔａｂｌｉｓｈａｅｎｅｒｇｙｓｃｈｅｄｕｌｉｎｇｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌ，ｗｈｉｃｈｈａｓｗｉｎｄｔｕｒｂｉｎｅｓ，ｐｈｏｔｏｖｏｌｔａｉｃｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｕｎｉｔａｎｄｔｈｅａｃｔｉｖｅｐｏｗｅｒｅｎｅｒｇｙｓｔｏｒａｇｅｄｅｖｉｃｅ．Ｃｏｎｓｉｄｅｒｉｎｇｖａｒｉｏｕｓｃｏｎｓｔｒａｉｎｔｃｏｎｄｉｔｉｏｎｓ，ｔｈｅｍｏｄｅｌｕｓｅｓｔｈｅｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅＳＷａｌｑＴＩａｌｇｏｒｉｔｈｍｔｏｓｏｌｖｅ．Ｉｎｏｒｄｅｒｔｏｖｅｒｉｆｙｔｈｅｃｏｒｒｅｃｔｎｅｓｓａｎｄｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｐｒｏｖｉｄｅｄｍｏｄｅｌ，ａｎａｃｔｕａｌｓｙｓｔｅｍｉｎａｃｅｒｔａｉｎａｒｅａｉｓｕｓｅｄａｓａｎｅｘａｍｐｌｅａｎｄｔｈｅｓｔａｎｄａｒｄｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍｉｓｃｏｍｐａｒｅｄ．—ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＨｉｇｈｔｅｃｈＲ＆ＤＰｒｏｇｒａｍｏｆＣｈｉｎａ（８６３Ｐｒｏｇｒａｍ）（Ｎｏ．２０１１ＡＡ０５Ａ３０６）．Ｋｅｙｗｏｒｄｓ：ａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋ；ＤＭＳｓ；ｒａｎｄｏｍｓｉｍｕｌａｔｉｏｎｔｅｃｈｎｉｑｕｅ；ｃｈａｎｃｅ－ｃｏｎｓｔｒａｉｎｅｄｐｒｏｇｒａｍｍｉｎｇ；ｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａＩ１ＴＩａｌｇｏｒｉｔｈｍ中图分类号：ＴＭ７３文献标识码：Ａ——文章编号：１６７４－３４１５（２０１４）１３００４５０８０引言分布式发电技术在环境保护，提高电网供电可靠性和经济效益方面发挥着重要作用，因此得到各基金项目：清华大学电力系统国家重点实验室开放基金资助；国家电网北京市电力公司科技项目（５２０２０１１３０４ＨＨ）；国家８６３高技术基金项目（２０１１ＡＡ０５Ａ３０６）个国家的广泛关注，并且取得了快速的发展。然而规模化的可再生电源接入到配电网中，对传统配电网的运行控制产生了深远的影响ＬｌＪ。此时，配电系统从单向辐射式的网络转变为遍布分布式电源和负载互联的网络，这种双向供电的多电源配电网在运行和管理过程中暴露出越来越多的问题，主要表现在设备可利用率不高，系统白愈恢复能力薄弱，顾．．４６．．电力系统保护与控制客与电网的自适应交互水平较低，供电可靠性及电能质量的恶化等，因此主动配电网技术应运而生Ｌ２Ｊ。主动配电网（ＡＤＮ）作为一种新兴的电力系统自动化发展方向，是智能配电网技术的高级模式。２００８年在ＣＩＧＲＥ会议上被首次提出，其基本定义是：通过使用灵活的网络拓扑结构来管理潮流，以便对局部的ＤＥＲ进行主动控制和主动管理的配电系统【３Ｊ。因而主动配电网的特点主要是能够有效管理配电网中的间歇式新能源、储能装置、柔性负载、无功补偿设备等可控分布式电源的优化运行，为系统提供一定的电力支持，实现配电网络的安全、经济、高效运行［４］ｏ主动配电网的核心价值在于通过源网的协调控制系统，将ＤＧ作为可控可调机组参与最优潮流的运行调度，实现主动配电网的全局优化能量管理［５］。因此主动配电网能量管理系统（ＤＭＳｓ）是主动配电网技术的实现形式，是最高层次的决策中心。ＤＭＳｓ通过状态估计、智能优化算法数据处理以及控制策略输出的方式完成对整个配电网的电压控制、潮流管理、ＤＧ协调运行以及快速网络重构控制，如图１所示。其中主动配电网能量管理系统状态估计中信息收集主要包括用户负荷实时数据、网络拓扑结构、ＤＧ的运行工况以及储能装置的电荷状态等全局运行数据信息【ｏＪ。图１主动配电网能量管理系统示意图Ｆｉｇ．１Ａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｅｎｅｒｇｙｍａｎａｇｅｍｅｎｔｓｙｓｔｅｍ主动配电网能量调度依托于主动配电网能量管理系统，通过协调各分布式电源、储能设备、可调度发电机，对分布式电源的输出功率、用户需求侧以及分布式发电系统与上级电网间的电能交换进行有效能量调度，保证配电网在满足各种可靠性指标的前提下实现有功潮流最优，促使配电网络安全、高效、经济运行。从数学上讲，主动配电网的能量调度是典型的大规模非线性混合整数优化问题，同时由于间歇式可再生能源输出功率的随机性和问歇性，使得能量调度过程增加了不确定性因素。文献【７１按照确定性的方法调度系统中的可控资源，引入“”了旋转备用约束条件。这种旋转备用调整法优势在于易以实现，但是其结果取决于特设的规则，因此很难保证经济性要求。文献［８】基于方案树的随机规划方法解决能量调度问题，该方法用有限数量的场景构造方案树来模拟无限维的不确定性，并给定各方案相应的概率作为权重，求取各方案综合的最优发电计划。为了进一步提高调度方案的可靠性，文献［９］提出双重随机性考虑：即固定备用大小的传统做法与方案树随机优化方法相结合。然而基于方案树的方法解决能量调度问题计算过程较为复杂，调度方案的可行性和合理性过分依赖于方案树的选择。文献［１０］使用模糊决策概念和在模糊环境下的决策优化模型，用模糊的方式处理优化问题中的不确定量，按照距离可行域的远近程度模糊越界结果，然而这种方法受制于具体研究对象，难以保障调度方案的最优。而后基于机会约束规划的随机优化方法被广泛地应用到各种优化问题中，并且在解决实际问题中取得了较好的效果。本文为了提高主动配电网运行可靠性和经济性，建立了基于机会约束规划的主动配电网能量调度数学模型。该模型一方面充分考虑风力发电以及光伏发电输出功率不确定性给系统带来的影响，将间歇式可再生能源的随机性和预测的规律性相结合，利用区间随机模拟的方法预测其出力；另一方面在目标函数中综合考虑配电网系统运行成本、能量交互成本等经济指标，力求在满足各种系统可靠性约束条件的基础上，实现配电网运行的经济效益最大化。文中采用改进的粒子群算法对分布式电源能量调度问题进行求解，该方法搜索能力强，寻优速度快，具有较好的鲁棒性，并且经过改进后的粒子群算法能够避免求解过程中陷入局部最优，极大地提高了调度方案的可行性。１基于随机优化的主动配电网能量调度模型１．１机会约束规划机会约束规划是随机优化的重要分支，是由Ｃｈａｒｌｅｓ和Ｃｏｏｐｅｒ首先提出来的，用于解决在给定置信度水平下具有不确定性因素的优化问题。如果约束条件中含有随机变量，且必须在观测到随机变量的实现之前做出决策，考虑到所做的决策在一定程度上不能满足约束条件的要求，采用允许所做的决策在一定水平下不满足约束条件，但是该决策必须使约束条件成立的概率高于某一置信水平的原则王健，等基于机会约束规划的主动配电网能量优化调度研究．４７一加以解决。系统的极值问题可以归结为以下非线性规划问题：ｍｉｎｆ（ｘ）ｓｔ．｛厂（，）７（））（１）≤…｛ｇｉ（，）０，ｉ＝１，２，，Ｐ｝其中：为一个维决策向量；为随机向量；触，‘为目标函数；ｇｉ，为随机约束条件；Ｐｒ（）为时间成立的概率；ａ为事先给定的约束条件置信水平；为目标函数的置信水平；厂为目标函数Ｊ（ｘ，在置信水平至少为所取的最小值。１．２主动配电网能量调度模型１．２．１目标函数在主动配电网能量调度模型中，目标函数主要考虑的是整个配电网的经济优化运行。配电网经济运行指电网在供电成本率低或发电能源消耗率及网损率最小的条件下运行。分布式电源接入配电网中，能够极大地提高系统供电的经济性，相对于火力发电等传统机组发电，光伏发电以及风力发电的发电成本比较低廉，各分布式电源的运行维护成本主要考虑可调度发电机和储能装置的成本。在能量调度过程中，需尽可能提高可再生能源的利用效率，优化主网与分布式电源系统之间的能量交互成本同样需要重视。具体目标函数如式（２）。ｍｉｎ［喜［叁／（）＋（ｃＥ（。）＋，ｓＥ（月。））］］ｃ２其中：Ｗ、Ｗ２为加权系数，表征各优化目标的权重，且满足Ｗ１＋Ｗ２＝１；Ｎ１为ＤＧ的数目，主要包括柴油发电机、光伏电站、风力发电机以及储能装置。目标函数中各分布式电源运行成本ｔｉＰ，）包括折旧费用和运行维护成本。折旧费用（㈩ｃｒ４）式中：ｃ，ＤＥＰ为折旧成本；Ｃ１Ｎｓ为安装成本；为资本回收系数；Ｐ。为机组额定发电功率；为年可利用小时数；ｉ为利息率；，ｚ为折旧年限；Ｐｉ为ＤＧ输出功率；ｋ为ＤＧ数目。运行维护成本‘ＯＭ（Ｐｉ）＝ｋｏ￣（Ｐｉ）。Ａｔ（５）式中，Ｍ为运行维护系数。微网系统与主网交互能量成本：分布式电源系统从主网系统购电的支出（元）为（）＝｛Ｐｇｒｉｄｔ＜ｕ，≥ｒｉｄｔｏ其中：ｔ为分布式电源系统从主网系统购电时的电价；Ｐｇｒｉｄｔ为分布式电源系统与主网系统间交互功率（ｋｗ），购电为正，售电为负。分布式电源系统向主网系统售电的收益（元）为）：｛Ｃｓ㈩式中，Ｃｓｔ为分布式电源系统向主网系统售电的电价（元）。在本文中，采用罚函数的形式处理目标函数中状态变量的越界情况，总目标函数表达式如式（８）。ｌ丁ｆ．＼ｌ∑∑‰∑ｍｉｎＥＪ，（）＋ｃＰＦ（）＋，ｓＦ（）ｌ＋＋ＪＬ”ｔ＝ｌ１／Ｊ＝Ｕ，ｏａ￣一－ＵＩ％．］（８）ｃ：ｆ二１一“ｊ其中，ｕ和分别为节点电压约束和分布式电源有功出力的罚因子。经过分析，本文取２ｕ＝８、２ｐ＝４。Ｉ。ｄ。＞ｖｕｎ０ｄｌｉｍ。＝…｛Ｕｎｏｄ。Ｕｍｌｎ。Ｕｎ０ｄ。【，（９）ｆ≤Ｕ０ｄｅ【，ｒａ。ｉｄｎ。其中，ｕ表示主动配电网系统中各节点电压的上限或下限。ｆｐｉｍａｘ＞“＝｛“≤Ｐ（１０）【Ｐｎ“其中，表示主动配电网系统中分布式电源有功Ｐ的上限或下限。１．２．２约束条件主动配电网能量调度约束条件的选取主要考虑各分布式电源的运行状态限制以及配电网的可靠性要求，提高供电质量，促使主动配电网安全、高效、稳定运行。传统配电网中能量调度约束条件中不含．４８．电力系统保护与控制有随机变量，因此等式约束和不等式约束条件都是确定性的。在本文中，考虑到风力发电以及光伏发电输出功率的不确定性，基于机会约束规划方法，利用概率的形式描述约束条件，使得调度方案满足一定的约束条件置信水平，从而更加符合主动配电网的实际运行需求，保证能量调度方案的可行性。具体约束如下：功率平衡约束ｆ］∑‰｛尸ｃ＋＋尸ｐ＋ａｔ＋Ｐｌｉｅｔ＝尸Ｌ。ｄ≥｝局（１１）【ｎ＝ｌＪ线路传输约束≤…尸ｒ（三－，）（１２）其中：为ｆ时段线路流过的有功功率；１．ｍ为线路的最大传输容量。柴油机发电爬坡约束柴油发电机在相邻调度时段的有功调整出力值．，必须在其可调范围内，具体数学表达式为≤．，一，一。己吸，。、……：Ｉ，，Ｇｔ＝ｌ，，）其中，ＵＲ。、ＵＤ分别表示机组的最大向上爬坡速率和最大向下爬坡速率。储能单元相关约束［１２］对于储能单元的约束条件“础Ｐｂａｔ（１４）其中，ａｔ为时刻储能单元的充放电功率。分布式电源与主网能够允许交互的最大传输功率约束（ｒｐｌｉｎｅ≤≤ｌｍｉｎ硫。础）（１５）１．２．３风电与光伏发电单元输出功率的随机模拟技术主动配电网中风力和光伏发电随着天气条件的变化而变化，其出力是不可控的，需要对这种间歇式可再生能源进行输出功率预测。然而精确的风速以及光照强度很难预测，实际的风力发电机和光伏器件的出力会在预测值的基础上产生波动，对配电网的运行增加不确定性。因此本文在考虑间歇式可再生能源输出功率预测的前提下，利用随机模拟技术处理预测偏差，保证主动配电网运行稳定性ｕ引。基于随机模拟技术预测得出风机和光伏电池的输出功率如图２所示。ｈ图２风机和光伏电站输出功率示意图Ｆｉｇ．２Ｐｏｗｅｒｏｆｗｉｎｄｔｕｒｂｉｎｅａｎｄｐｈｏｔｏｖｏｌｔａｉｃｐｏｗｅｒｓｔａｔｉｏｎ２主动配电网能量调度模型求解方法２．１改进粒子群算法标准粒子群算法（ＰＳＯ）的基本思想是：随机初始化一群没有质量和体积的粒子，将每个粒子看成是待求问题的一个解，用适应度函数来衡量粒子的优劣，所有粒子在可行解空间内按一定的速度运动并不断追随当前最优粒子，经过若干代搜索后得到该问题的最优解。上述能量调度模型的求解，本文主要利用改进的粒子群算法。同时，针对ＰＳＯ在迭代后期容易陷入局部最优、收敛精度低、易发散等缺点，本文对标准粒子群算法进行了一些修正和改进。首先利用收缩因子替代传统的惯性权重，使ＰＳＯ算法速度趋于０时，迫使粒子的速度在一定的约束范围内重新完成搜索，提高算法跳出局部最优的能力。其次将遗传算法中的选择操作应用到粒子群算法中，即混合ＰＳＯ算法（ＨＰＳ０），可以提高整体平均适应度值，有利于算法快速收敛。具体操作如下：（１）收缩因子替代惯性权重ＩＪ５ｌ利用收缩因子替代传统的惯性权重，此时粒子群算法的速度公式为Ｖｉｔａ＋ｌ＝［Ｖ＋ｃ（一）＋ｃ（ｐ一ｘ）］２’『￣Ｏ＝Ｃｌ＋ｃ２６经过测试，本文中的取值为３．６，此时算得收缩因子的值ｙ＝Ｏ．６２４７。（２）粒子群算法与遗传算法的结合粒子群算法的寻优过程中，采用混合ＰＳＯ算法（ＨＰＳＯ），可以使粒子群能迅速锁定最优解的范围，提高算法寻找最优解的计算效率。具体改进方法如下：寻优过程中，利用适应度函数值比例法对王健，等基于机会约束规划的主动配电网能量优化调度研究．．４９．．所有粒子进行选择，即以比例于每个个体适应度函数值的概率来决定后代的遗传概率，保存种群中最好的粒子，将最好的粒子取代最差的粒子，计算每Ⅳ个粒子的选择概率ｆ，并进行累加，得到个累加概率，通过随机生成选择概率进行选择，得到新种群【ｌ。个体的被选中概率计算公式如式（１７）。Ｐｃｉ＝１一∑＝１…ｉ＝１，２，，Ｎ（１７）其中：ＪＶ为粒子群粒子数日；为第ｉ个粒子的适应度值。２．２约束条件验证中的蒙特卡罗模拟技术ｌ１机会约束规划方法中，利用概率的形式描述约束条件，调度方案需要满足一定的约束条件置信水平。蒙特卡罗模拟技术为验证该类型概率形式的约束条件提供了有效的途径，其中，程序具体实现过程如下：概率形式约束条件如式（１８）。…尸ｒ｛ｇｉ（，）０，ｉ＝１，２，，Ｐ｝（１８）对于任意给定的决策变量，首先设定Ｎ１＝Ｏ，Ⅳ然后由概率密度函数生成个随机变量，如果将生成的随机变量和决策变量代入式（】８），满足Ⅳ不等式ｇ，）０，则Ｎ１加１，当足够大时，根ⅣⅣ据大数定理可知，若式（１８）成立，当且仅当１／ⅣⅣ成立。如果／不成立，则说明通过粒子群算法产生的粒子不符合式（１８）水平，这样的粒子应舍弃，重新生成新的粒子。２．３主动配电网能量调度模型求解流程采用基于随机模拟的改进粒子群算法求解调度模型步骤如图３所示。３算例结果与分析以某地区包含有风电、光伏电站、储能装置和柴油发电机的主动配电网系统为例【Ｊ圳，如图４所示。其中两台柴油发电机额定容量分别为５０ｋＷ和１００ｋＷ，５０ｋＷ柴油机的爬坡速率为２０ｋＷ／ｈ，１００ｋＷ柴油机的爬坡速率为３０ｋＷ／ｈ。风力发电机的额定输出功率为３００ｋＷ，光伏发电站输出额定功率为２００ｋＷ，两个储能装置的容量均为５０ｋＷ。设调度周期为２４ｈ，并将每个小时划分为一个时段，共２４个调度时段，该地区的典型日负荷曲线如图５所示。该日最高负荷为４７５ｋＷ，最低负荷为３２４ｋＷ。上级电网交互购／售电电价数据如表１中所列ＩＪ引。开始信息采集，读入原始数据及ＰＳＯ参数初始化粒群速度和位置初始化潮流计算，确定备粒子适应度函数值根据初始适应度评价粒子好坏，保存仞始个体最优和全局最优基ＪＨＰＳＯ算法，对所有粒子进行选择操作得出新种群采用线性递减权和线性调整学习因子策略更新种群的速度和位簧，并进行越界枪验潮流计算，进行越界惩罚，更新各粒子的个体最优位置和伞局最优值粒子适应度排序，优秀粒子进行小的扰动，不良粒予蘑新初始化，更新个体最优值和全局最优值（输出结果，终Ｊ图３基于随机模拟的粒子群算法模型求解流程Ｆｉｇ．３ＦｌｏｗｃｈａｒｔｏｆｔｈｅＰＳＯａｌｇｏｒｉｔｈｍｂａｓｅｄｒａｎｄｏｍｓｉｍｕｌａｔｉｏｎｔｅｃｈｎｉｑｕｅ图４某地实际配电网接线图Ｆｉｇ．４Ｃｏｎｎｅｃｔｉｏｎｏｆａｒｅａｌｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｔ图５该地区的典型日负荷曲线Ｆｉｇ．５Ｔｙｐｉｃａｌｄａｉｌｙｌｏａｄｃｕｒｖｅｉｎｔｈｉｓｒｅｇｉｏｎ电力系统保护与控制表１实时购／售电电价表ＴａｂｌｅｌＲｅａｌｔｉｍｅｐｕｒｃｈａｓｉｎｇ／ｅｌｅｃｔｒｉｃｉ够ｐｒｉｃｅ时段／实时购电价／实时售电价／时段／实时购电价／实时售电价／ｈ（元／ｋＷｈ）（元／ｋＷｈ）ｈ（元／ｋＷｈ）（元／ｋＷｈ）１Ｏ．２４Ｏ．１３１３０．９９０．４９２Ｏ．１８０．１１１４１．４９０７４３０．１３０．０６１５０．９９Ｏ．５ｌ４０．１Ｏ０．Ｏ６１６０．７９０．４９５０．Ｏ３Ｏ．０２１７０．４００．２８６Ｏ．１７Ｏ．２Ｏ１８Ｏｌ３６Ｏ．２４７Ｏ．２７０．１７１９０＿３６０．１３８０．３９０．１１２００．４１Ｏ．１０９０．５２Ｏ．２２２１Ｏ．４４Ｏ．１５１００．５３０．３０２２０３５０．１５ｌ１０．８１０４４２３０＿３ＯＯ．１７１２１．ＯＯ０．５８２４０－２３０．１３本文用Ｍａｔｌａｂ编程求解上述主动配电网能量调度模型，改进的粒子群算法参数设置为：种群规模为２００，最大迭代次数为１００，收缩因子按上文中式（１６）设定，蒙特卡罗模拟的次数取Ｎ＝１０００。具体求解结果如图６、图７所示。１＼闼蜷皿图６各可调单元的实时出力曲线Ｆｉｇ．６Ｒｅａｌ－ｔｉｍｅｏｕｔｐｕｔｃｕｒｖｅｏｆＤＧｓ图７本文算法与标准粒子群算法迭代次数比较Ｆｉｇ．７Ｅｖｏｌｕｔｉｏｎａｒｙｇｅｎｅｒａｔｉｏｎｃｏｍｐａｒｉｓｏｎｏｆｔｗｏｍｅｔｈｏｄｓ分析图６中各调度单元输出功率值曲线可以看出，主动配电网整个调度时段中，２２．１２时段风力发电机和光伏电站的输出功率无法满足实时电网负荷需求，需要增加柴油发电机出力和上级电网输送功率来弥补功率差额，保证配电网功率供需平衡。此时上级电网的输送电量与柴油发电机之间形成一种博弈关系，主要考虑在满足各种配电网约束条件的前提下实时售／购电价格与柴油发电机发电成本之问的价格比较，确定优先调度权。在１３．２１时段负荷需求急剧增加，此时柴油发电机以最大功率输出，上级电网输送电量与实时负荷曲线呈正比例关系。同时通过储能装置电荷状态可以看出，在主动配电网运行中储能装置发挥着削峰填谷和功率跟踪的作用，保证了配电网络的安全可靠运行。从图７可知，标准的粒子群算法计算主动配电网的运行总成本为２９８１元，算法迭代次数为３７次，而使用本文所提出的改进粒子群算法求得运行总成本为２７６３元，迭代次数为２２次，因此该算法极大地提高了最优调度方案的搜索能力，实现了配电网的经济效益最大化。本文中将功率平衡约束条件置信水平、线路传输约束条件置信水平、主网允许交互的最大传输功率约束条件置信水平均设定为０．９５。然而上述基于机会约束规划的主动配电网能量优化调度模型约束条件置信水平的选取会对调度决策方案产生影响。较小的置信水平能够提高主动配电网运行稳定性，但是会降低配电网的经济性，而较大的置信水平能够尽可能地减少主动配电网运行成本，但是伴随着电网的高风险运行。表２中列出了不同置信水平下主动配电网能量优化调度数学模型目标函数的变化值。在不同运行要求下可以参照表２中计算结果设定模型置信水平，寻求主动配电网最佳优化调度决策方案。４结论本文将随机规划理论应用到主动配电网能量调度系统中，解决了由于间歇式可再生能源接入配电网中所带来的不确定性影响。利用随机模拟技术预测风电与光伏发电单元输出功率，建立了基于机会约束规划的能量调度模型，采用改进的粒子群算法进行求解。以某地区实际系统为例，验证了该模型和求解方法能够有效地实现对主动配电网的能量优化调度，并分析讨论了不同约束条件置信水平对调度方案产生的影响，为各种运行标准下调度模型的确定提供参照。王健，等基于机会约束规划的主动配电网能量优化调度研究一５１．表２该系统不同置信水平下运行成本Ｔａｂｌｅ２Ｏｐｅｒａｔｉｎｇｃｏｓｔｉｎｄｉｆｆｅｒｅｎｔｃｏｎｆｉｄｅｎｃｅｌｅｖｅｌｓ１８成本／元１成本／元１３成本／元９Ｏ％９０％９０％２６５８９５％９Ｏ％９０％２６７５１００％９Ｏ％９０％２７１３９０％９０％９５％２６８７９５％９Ｏ％９５％２７０８１ＯＯ％９０％９５％２７５８９Ｏ％９０％１Ｏ０％２７４０９５％９Ｏ％ｌＯＯ％２７４７１００％９Ｏ％１Ｏ０％２７９６９０％９５％９０％２６７８９５％９５％９０％２７３２１ＯＯ％９５％９Ｏ％２７８３９Ｏ％９５％９５％２６９７９５％９５％９５％２７６３１００％９５％９５％２８２６９０％９５％１００％２７３５９５％９５％１０Ｏ％２７８９ｌＯＯ％９５％ｌ０Ｏ％２８４９９０％１００％９０％２６９６９５％１Ｏ０％９Ｏ％２７７３１００％１０Ｏ％９０％２８５４９０％１ＯＯ％９５％２７４５９５％１００％９５％２８０６ｌＯＯ％１Ｏ０％９５％２８７２９Ｏ％１０Ｏ％１００％２７８６９５％１０Ｏ％ｌＯ０％２８３４１ＯＯ％ｌ００％１００％２８８５参考文献［１］李兴源，魏巍，王渝红，等．坚强智能电网发展技术的研究［Ｊ］．电力系统保护控制，２００９，３７（１７）：１－７．ＬＩＸｉｎｇ－ｙｕａｎ，ＷＥＩＷｅｉ，ＷＡＮＧＹｕ・ｈｏｎｇ，ｅｔａ１．Ｓｔｕｄｙｏｎｔｈｅｄｅｖｅｌｏｐｍｅｎｔａｎｄｔｅｃｈｎｏｌｏｇｙｏｆｓｔｒｏｎｇｓｍａｒｔｇｒｉｄ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２００９，３７（１７）：１－７．［２］ＰＩＬＯＰＩＳＡＮＯＧＳＯＭＡＧＡｄｖａｎｃｅｄＤＭＳｔｏｍａｎａｇｅａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｓ［Ｃ】／／２００９ＩＥＥＥＢｕｃｈａｒｅｓｔＰｏｗｅｒＴｅｃｈ，Ｂｕｃｈａｒｅｓｔ，Ｒｏｍａｎｉａ，Ｊｕｎｅ２８一Ｊｕｌｙ２，２００９．［３］范明天，张祖平，苏傲雪，等．主动配电系统可行技术的研究［ＪＪ．中国电机工学报，２０１３，３３（２２）：１２－１８．—ＦＡＮＭｉｎｇ・ｔｉａｎ，ＺＨＡＮＧＺｕ－ｐｉｎｇ，ＳＵＡｏｘｕｅ，ｅｔａ１．Ｅｎａｂｌｉｎｇｔｅｃｈｎｏｌｏｇｉｅｓｆｏｒａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１３，２３（２２）：１２－１８．［４］陈昌松，段善旭，蔡涛，等．基于改进遗传算法的微网—能量管理模型【Ｊｊ＿电工技术学报，２０１３，２８（４）：１９７２０１．——ＣＨＥＮＣｈａｎｇｓｏｎｇ，ＤＵＡＮＳｈａｎＸＨ，ＣＡＩＴａｏ，ｅｔａ１．Ｍｉｃｒｏｇｒｉｄｅｎｅｒｇｇｙｍａｎａｇｅｍｅｎｔｍｏｄｅｌｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｇｅｎｅｔｉｃａｒｉｔｈｍｅｔｉｃ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａ—ＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１３，２８（４）：１９７２０１．［５］牛焕娜，杨明皓，井天，等．农村主动型配电网优化调度线性模型与算法【Ｊ】＿农业工程学报，２０１３，２９（１６）：—１９０１９７．——ＮＩＵＨｕａｎｎａ，ＹＡＮＧＭｉｎｇｈａｏ，ＪＩＮＧＴｉａｎ－ｊｕｎ，ｅｔａ１．Ｌｉｎｅａｒｏｐｔｉｍａｌｏｐｅｒａｔｉｏｎｍｏｄｅｌａｎｄａｌｇｏｒｉｔｈｍｆｏｒａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｉｎｒｕｒａｌａｒｅａｓ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１３，２９（１６、：１９０－１９７．［６］尤毅，刘东，于文鹏，等．主动配电网技术及其进展［Ｊ］—电力系统自动化，２０１２，３６（１８）：１０１６．—ＹＯＵＹｉ，ＬＩＵＤｏｎｇ，ＹＵＷｅｎｐｅｎｇ，ｅｔａ１．Ｔｅｃｈｎｏｌｏｇｙａｎｄｉｔｓｔｒｅｎｄｓｏｆａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１２，３６（１８）：１Ｏ一１６．—［７］ＢＩＬＬＩＮＴＯＮＲ，ＦＯＴＵＨＩＦＩＲＵＺＡＢＡＤＭ．Ａｒｅｌｉａｂｉｌｉｔｙｆｒａｍｅｗｏｒｋｆｏｒｇｅｎｅｒａｔｉｎｇｕｎｉｔｃｏｍｍｉｔｍｅｎｔ［Ｊ］．Ｅｌｅｃｔｒｉｃ—ＰｏｗｅｒＳｙｓｔｅｍｓＲｅｓｅａｒｃｈ，２０００，５６（１）：８１８８．［８］雷宇，杨明，韩学山，等．基于场景分析的含风电系统机组组合的两阶段随机优化【ＪＪ．电力系统保护与控制，２０１２，４０（２３）：５９－６７．——ＬＥＩＹｕ，ＹＡＮＧＭｉｎｇ，ＨＡＮＸｕｅｓｈａｎ，ｅｔａ１．Ａｔｗｏｓｔａｇｅｓｔｏｃｈａｓｔｉｃｏｐｔｉｍｉｚａｔｉｏｎｏｆｕｎｉｔｃｏｍｍｉｔｍｅｎｔｃｏｎｓｉｄｅｒｉｎｇｗｉｎｄｐｏｗｅｒｂａｓｅｄｏｎｓｃｅｎａｒｉｏａｎａｌｙｓｉｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍ—ＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０ｌ２，４０（２３）：５９６７．［９］ＲＵＩＺＰＡＢＬＯＡ，ＰＨＩＬＢＲＩＣＫＣ，ＺＡＫＥＵＧＥＮＥ，ｅｔａ１．Ｕｎｃｅｒｔａｉｎｔｙｍａｎａｇｅｍｅｎｔｉｎｔｈｅｕｎｉｔｃｏｍｍｉｔｍｅｎｔｐｒｏｂｌｅｍ［Ｊ］．ＩＥＥＥＴｒａｎｓ０ｎＰｏｗｅｒＳｙｓｔｅｍｓ，２００９，２４（２）：—６４２６５１．［１Ｏ］周念成，邓浩，王强钢，等．光伏与微型燃气轮机混合微网能量管理研究［Ｊ］－电工技术学报，２０１２，２７（１）：—７４８４．ＺＨＯＵＮｉａｎ－ｃｈｅｎｇ，ＤＥＮＧＨａｏ，ＷＡＮＧＱｉａｎｇ－ｇａｎｇ，ｅｔａ１．ＥｎｅｒｇｙｍａｎａｇｅｍｅｎｔｓｔｒａｔｅｇｙｏｆＰＶａｎｄｍｉｃｒｏ－ｔｕｒｂｉｎｅ—ｈｙｂｒｉｄｍｉｃｒｏｇｒｉｄ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌ—Ｓｏｃｉｅｔｙ，２０１２，２７（１）：７４８４．［１１］孔令志，唐西胜，齐智平，等．光柴储微网系统的储能动态能量调度策略研究［Ｊ］．电力系统保护与控制，．５２一电力系统保护与控制２０１２，４０（２０）：６－１２．——ＫＯＮＧＬｉｎｇｚｈｉ，ＴＡＮＧＸｉｓｈｅｎｇ，ＱＩＺｈｉ－ｐｉｎｇ，ｅｔａ１．Ｓｔｕｄｙｏｎｄｙｎａｍｉｃｅｎｅｒｇｙｄｉｓｐａｔｃｈｓｔｒａｔｅｇｙｏｆｅｎｅｒｇｙ—ｓｔｏｒａｇｅｉｎＰＶ－ｄｉｅｓｅｌｅｎｅｒｇｙｓｔｏｒａｇｅｍｉｃｒｏｇｒｉｄｓｙｓｔｅｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２，４０（２０）：６．１２．—［１２］ＬＩＵＸｉａｏｐｉｎｇ，ＤＩＮＧＭｉｎｇ－ｈａｎ，ＪＩＡＮＧＨｏｎｇ，ｅｔａ１．Ｄｙｎａｍｉｃｅｃｏｎｏｍｉｃｄｉｓｐａｔｃｈｆｏｒｍｉｃｒｏｇｒｉｄｓｉｎｃｌｕｄｉｎｇｂａｋｅｒｙｅｎｅｒｇｙｓｔｏｒａｇｅ［Ｃ】／／ＰｒｏｃｅｅｄｉｎｇｓｏｆＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＰｏｗｅｒＥｌｅｃｔｒｏｎｉｃｓｆｏｒＤｉｓｔｒｉｂｕｔｅｄＧｅｎｅｒａｔｉｏｎＳｙｓｔｅｍｓ，Ｈｅｆｅｉ，ＩＥＥＥＰＥＳ，２０１０：—９１４９１７．［１３］刘小平，丁明，张颖缘．微网系统的动态经济调度【Ｊ】．中国电机工程学报，２０１１，３１（３１）：７７－８３．—ＬＩＵＸｉａｏｐｉｎｇ，ＤＩＮＧＭｉｎｇ，ＺＨＡＮＧＹｉｎｇ－ｙｕａｎ．Ｄｙｎａｍｉｃｅｃｏｎｏｍｉｃｄｉｓｐａｔｃｈｆｏｒｍｉｃｒｏｇｒｉｄｓ［Ｊ］．—ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１１，３ｌ（３１）：７７８３．［１４］卢锦玲，苗雨阳，张成相，等．基于改进多目标粒子群算法的含风电场电力系统优化调度【Ｊ］．电力系统保护与控制，２０１３，４１（１７）：２６－３０．——ＬＵＪｉｎｌｉｎｇ，ＭＩＡＯＹｕｙａｎｇ，ＺＨＡＮＧＣｈｅｎｇ・ｘｉａｎｇ，ｅｔａ１．Ｐｏｗｅｒｓｙｓｔｅｍｏｐｔｉｍａｌｄｉｓｐａｔｃｈｃｏｎｓｉｄｅｒｉｎｇｗｉｎｄｆａｒｍｓ—ｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｍｕｌｔｉｏｂｊｅｃｔｉｖｅｐａｒｔｉｃｌｅｓｗａｌＴｎａｌｇｏｒｉｔｈｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１３，４１（１７：２６－３０．［１５］ＣＬＥＲＣＭ．Ｔｈｅｓｗａｒｍａｎｄｔｈｅｑｕｅｅｎｔｏｗａｒｄｓａｄｅｔｅｒｍｉｎｉｓｔｉｃａｎｄａｄａｐｔｉｖｅｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣｏｎｇｒｅｓｓｏｎＥｖｏｌｕｔｉｏｎａｒｙＣｏｍｐｕｔａｔｉｏｎ，Ｐｉｓｃａｔａｗａｙ，１９９９：１９５１－１９５７．［１６］张炯，刘天琪，苏鹏，等．基于遗传粒子群混合算法的机组组合优化【Ｊ】＿电力系统保护与控制，２００９，３７（９）：—２５２９．．ＺＨＡＮＧＪｉｏｎｇ，ＬＩＵＴｉａｎ・ｑｉ，ＳＵＰｅｎｇ，ｅｔａ１．Ｕｎｉｔｃｏｍｍｉｔｍｅｎｔｏｐｔｉｍｉｚａｔｉｏｎｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｐａｒｔｉｃｌｅｓｗａｒｒｎｏｐｔｉｍｉｚａｔｉｏｎｈｙｂｉｒｄａｌｇｏｒｉｔｈｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２００９，３７（９）：２５－２９．［１７］江岳文，陈冲，温步瀛．含风电场的电力系统机组组合问题随机模拟粒子群算法［Ｊ】．电工技术学报，２００９，—２４（６）：１２９１３７．—ＪＩＡＮＧＹｕｅ・ｗｅｎ，ＣＨＥＮＣｈｏｎｇ，ＷＥＮＢｕｙｉｎｇ．Ｐａｒｔｉｃｌｅｓｗａｒｍｒｅｓｅａｒｃｈｏｆｓｔｏｃｈａｓｔｉｃｓｉｍｕｌａｔｉｏｎｆｏｒｕｎｉｔｃｏｍｍｉｔｍｅｎｔｉｎｗｉｎｄｆａｒｍｓｉｎｔｅｇｒａｔｅｄｐｏｗｅｒｓｙｓｔｅｍ［Ｊ］，ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２００９，—２４（６）：１２９１３７．［１８］苏辛一，何光宇，张雪敏，等．配电网无功优化逐层筛—选寻优算法［Ｊ］．电力系统自动化，２０１０，３４（２１）：４０４４．——ＳＵＸｉｎｙｉ，ＨＥＧｕａｎｇｙｕ，ＺＨＡＮＧＸｕｅ・ｍｉｎ，ｅｔａ１．Ａｈｉｅｒａｒｃｈｉｃａｌｓｃｒｅｅｎｉｎｇａｌｇｏｒｉｔｈｍｆｏｒｒｅａｃｔｉｖｅｐｏｗｅｒｏｐｔｉｍｉｚａｔｉｏｎｉｎｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｓ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１０，３４（２１）：４０－４４．—收稿日期；２０１３－０９１４；—修回日期：２０１３－１２１１作者简介：王健（１９８９一），男，硕士研究生，从事主动配电网能—量调度方向的研究；Ｅｍａｉｌ：ｒｅｎｃａｉｗｊ＠ｇｍａｉｌ．ｃｏｒｎ谢桦（１９７０－），女，博士，副教授，从事电力系统与新能源方向的研究；孙健（１９８卜），男，博士，工程师，从事电力系统控制与仿真方向的研究。