曾 博 楊 煦 張建華

?

考慮可再生能源跨區(qū)域消納的主動配電網多目標優(yōu)化調度

曾 博 楊 煦 張建華

（新能源電力系統(tǒng)國家重點實驗室（華北電力大學）北京 102206）

提高對可再生能源的綜合利用能力是主動配電網（ADN）運行控制面臨的新增重要任務。為此，提出了一種面向促進可再生能源跨區(qū)域消納的ADN多目標運行優(yōu)化方法。首先，基于并網接口模型，推導了集中控制模式下分布式發(fā)電（DG）的有功、無功功率解耦可調范圍，并提出考慮可再生能源跨區(qū)域消納的ADN能量管理策略。在此基礎上，分別以系統(tǒng)運行成本、可再生能源發(fā)電功率削減量以及系統(tǒng)網損三方面最小化作為目標，構建ADN多目標優(yōu)化調度模型。該模型綜合考慮了DG有功、無功出力控制、儲能設備充放電以及可中斷負荷的調用，并詳細分析了網絡潮流和分布式資源特性兩方面的約束及其多時段耦合特征。鑒于所建模型具有高維、非線性特點，采用基于啟發(fā)式策略的多目標和聲搜索算法實現(xiàn)高效求解。以擴展的33節(jié)點配網系統(tǒng)為例，驗證了所提模型的有效性以及ADN運行中計及可再生能源DG無功控制潛力的必要性。

主動配電網 可再生能源發(fā)電 優(yōu)化運行 多目標優(yōu)化

0 引言

全球性環(huán)境危機及傳統(tǒng)化石能源不斷減少使得基于可再生能源的分布式發(fā)電技術（Distributed Renewable Energy Generation, DREG）在近年得到飛速發(fā)展。隨著以風電、光伏為代表的DREG在不同電壓等級的規(guī)?；尤耄绾卧诔浞直ＷC電網安全經濟的條件下最大限度地提高可再生能源利用效率成為當前配電網運行管理中面臨的重要問題[1]。

作為智能配電網未來發(fā)展的重要形態(tài)之一，主動配電網（Active Distribution Network, ADN）已被證明是實現(xiàn)上述目標的一種有效技術手段。與面向用戶自治的微電網技術不同，ADN強調借助先進的信息通信及自動控制技術，對系統(tǒng)中各類可調分布式資源，包括分布式發(fā)電（Distributed Generation, DG）、儲能設備、可中斷負荷等，實施綜合協(xié)調管理，從而在整個配電網層面實現(xiàn)對可再生能源的高效主動利用[2,3]。因此，ADN無論在運行方式還是調度目標上均有著鮮明的特點。同時，受分布式資源（Distributed Energy Resources，DER）類型及控制方式多樣性的影響，ADN運行在控制維度及尋優(yōu)空間方面也將變得更加復雜，從而也對求解算法的性能提出了更高要求。

針對ADN運行控制問題，目前國內外學者已開展了大量相關研究工作。文獻[4]基于智能電網標準通信協(xié)議，構建了面向風力發(fā)電主動控制的ADN優(yōu)化調度模型。文獻[5-8]以運行成本最小化為目標，基于最優(yōu)潮流（Optimal Power Flow, OPF）技術，建立了面向ADN的日前、實時優(yōu)化調度模型。在上述研究基礎上，文獻[9]分析了電價波動、開關動作及特定管制體制下DG調用次序對系統(tǒng)運行成本的影響。文獻[10]則進一步關注了儲能、可控負荷等DER的多斷面時間耦合特性，以配電網從上級電網獲取電量最小為目標，建立了ADN動態(tài)調度模型。考慮到實際運行中某些約束條件并非需要嚴格滿足，文獻[11]提出了基于機會約束規(guī)劃的ADN能量調度策略。文獻[12]結合分散控制及集中優(yōu)化的思想，建立了面向DG協(xié)調運行的多時間尺度OPF模型。此外，為支持AND中多種可調設備的高效優(yōu)化調度，文獻[13]設計了一種基于多代理系統(tǒng)（Multi-Agent System, MAS）的AND三層多源協(xié)調優(yōu)化調度架構，并提出了與之相適應的區(qū)域自治協(xié)調調度策略。在ADN中，有功和無功功率存在天然的強耦合特性，因此脫離無功控制的單純有功優(yōu)化很難保證最終調度方案具有全局最優(yōu)性。為此，文獻[14]基于混合整數二階錐規(guī)劃方法，研究并提出了綜合考慮DG有功出力與系統(tǒng)無功調節(jié)裝置協(xié)調控制的ADN優(yōu)化運行模型及其快速求解策略。

上述成果為本領域研究的展開奠定了重要基礎，但仍然存在著以下三個方面的不足：①在優(yōu)化模型方面，已有研究對ADN內涵特點的挖掘尚不夠充分，所建模型在立足于電能就地分配，大多僅關注了運行成本或網絡損耗等方面因素，未能準確反映ADN對促進綠色電能主動利用及廣域消納的目標要求；②在建模方法方面，針對ADN運行涉及的多方面目標，大多采用簡單的加權和方式將其轉化為單目標問題處理。由于這種方式難以清晰表征不同屬性之間的內在聯(lián)系，最終可能導致所得策略與運行者的主觀意愿之間存在較大偏差；③在控制對象方面，目前研究大多將DREG處理為基于最大功率點跟蹤的不可調度單元，而忽略了DREG本身具有無功調節(jié)能力及其對ADN整體運行性能的影響，因而難以確保最終所得調度方案具備全局最優(yōu)性。

針對上述問題，本文提出了一種促進可再生能源消納的ADN多目標運行優(yōu)化方法。在深入分析解耦條件下DG有功、無功功率可調能力的基礎上，提出了可再生能源跨區(qū)域消納的ADN能量管理策略，并進一步構建了多目標日前優(yōu)化調度模型。該模型綜合考慮DG有功、無功出力控制、儲能設備充放電以及可中斷負荷的調用，并計及DER運行的多時段耦合特征。采用基于啟發(fā)式策略的多目標和聲搜索（Multi-Objective Harmony Search, MOHS）算法對所建模型進行高效求解，相關結果驗證了所提模型的有效性。

1 基于逆變器接口的DG有功、無功功率解耦控制

在ADN下，由于主動管理（Active Network Management, ANM）模式的實施，各類DG由傳統(tǒng)配電網下“不可見”的單純有功功率注入源逐漸轉變?yōu)榭缮疃葏⑴c系統(tǒng)全局能量調度的可控機組。鑒于可再生能源的波動性，目前對于DREG的控制方式主要包括不調控和功率因數調控兩種基本模式[1]。在不調控模式下，DREG所發(fā)電能全部注入配電網，配電能量管理系統(tǒng)（Distribution Management System, DMS）通過對其他可調度單元（如微型燃氣輪機、儲能單元、可控負荷等）進行協(xié)調控制實現(xiàn)系統(tǒng)優(yōu)化運行。在該模式下，由于DREG作為非調控單元參與運行，因此難以有效應對DREG高滲透情況下所引發(fā)的電壓偏移和輸電阻塞問題。在功率因數調控模式下，DMS通過調控功率因數實現(xiàn)對DREG的主動控制。然而這種模式的不足在于DG的有功、無功輸出之間存在耦合關系，其無功出力將受制于同時段的有功出力波動情況，因此靈活性較低，難以充分滿足ADN最優(yōu)運行的目標要求。鑒于以上不足，本文將基于逆變器接口模型[15,16]，分析DG有功、無功功率解耦控制策略。

圖1為基于逆變器DC-AC接口模型下DG拓撲結構。首先通過換流器將DG單元的電能輸出轉換為標準直流電流，直流電流再通過逆變器轉換為工頻下的交流電流，最后通過變壓器實現(xiàn)并網運行。在換流器輸出的直流電流一定的條件下，主要通過對電網側逆變器控制實現(xiàn)對DG有功、無功功率的解耦控制。其中，測量裝置對并網點的有功功率DG，無功功率DG和節(jié)點電壓g進行采集，通過通信系統(tǒng)傳輸至DMS，DMS將下一階段的運行參數反饋至DG控制端，實現(xiàn)對DG輸出功率控制。在上述并網模式下，對DG有功、無功功率解耦可控能力進行推導。

圖1 DC-AC接口模型下DG拓撲結構

當考慮DG換流器輸出電流c一定的條件下，端口有功、無功功率及電壓滿足

（2）

式中，c為從DG出口到并網點的所有變壓器和濾波器阻抗值。式（2）可進一步改寫為

綜合式（2）、式（3）可知，當有功取值一定時，DG輸出無功與換流器輸出電流c以及端口電壓g相關。根據文獻[17]提供的等價轉換方程，可進一步得到DG的最大調節(jié)容量為

（4）

（6）

式中，c,max和c,max分別為DG逆變端口側的最大輸出電流和最大端口電壓，其具體獲取方法詳見文獻[16]。由式（4）～式（6）可見，當DG的有功功率輸出和功率因數確定時，其無功功率可調節(jié)范圍也可隨之確定。與傳統(tǒng)功率因數控制方式[12]相比，在上述解耦狀態(tài)下，DG無功功率出力將在既定范圍內實現(xiàn)靈活調控。

2 ADN多目標運行優(yōu)化模型

當DREG大量接入后，將顯著改變配電網原有潮流分布，進而可能引起線路過載、供電質量下降等一系列問題。因此，傳統(tǒng)以“本區(qū)利用，就地消納”為核心的DG控制策略已很難有效滿足ADN對可再生能源規(guī)?；玫男枨蟆４送?，伴隨ADN下各類新型拓撲結構及先進控制技術的應用，配電網網架的互聯(lián)程度得到極大提升，從而使得對可再生能源的跨區(qū)域消納成為了一種可能。

2.1 考慮可再生能源跨區(qū)域消納的ADN能量管理策略

為便于說明，圖2給出了一個跨區(qū)互聯(lián)的主動配電網系統(tǒng)。其中，DN1、DN2分別代表兩個具有相同電壓等級的供電區(qū)域，通過跨區(qū)聯(lián)絡線實現(xiàn)相連。假設DN1為DREG高滲透系統(tǒng)，即研究對象，而DN2為無源配電網絡，由上級電網供電，并可接受由DN1提供的可再生能源電能。為實現(xiàn)可再生能源高效消納目標，設計ADN能量管理策略如下。

圖2 跨區(qū)域互聯(lián)的主動配電網系統(tǒng)

對于DN1，其內部負荷需求由上級電網、儲能設備、區(qū)域內的DREG與可控DG四方面提供： ①當DREG發(fā)電超過負荷需求時，多余功率將首先為儲能設備進行充電。待儲能充滿后，再通過聯(lián)絡線外送至DN2；若外送功率到達相關設備容量上限，則被迫削減DREG出力或使其完全退出運行；②當DREG發(fā)電不足時，不足差額將首先由區(qū)域內儲能及上級電網順次提供，若仍舊不能滿足相關要求（如因約束越限等），再選擇調用可控DG或可中斷負荷實現(xiàn)功率平衡。

為簡便起見，在潮流計算過程中，本文將DN2設置為等效虛擬節(jié)點，其調度方式與節(jié)點類型則由式（7）中判據產生：①當式（7）滿足條件時，表明DN1中可再生能源出力過剩，此時將區(qū)域聯(lián)絡線開關閉合，設為平衡節(jié)點，上級電網為PV節(jié)點；②當式（7）不滿足條件時，表明DN1中可再生能源出力不足，此時則將區(qū)域聯(lián)絡線斷開，并選取上級電網為平衡節(jié)點。

為保證調度過程中潮流流向的確定性，本文假設DN1聯(lián)絡線節(jié)點處已加裝靜止無功補償裝置。此外，針對上述策略，若目標ADN與多個區(qū)域配電網相連時，則選取聯(lián)絡線容量最大的電網作為平衡節(jié)點。

2.2 目標函數

基于上述能量管理策略，分別從系統(tǒng)運行成本、可再生能源利用率及網損水平3個維度構建ADN日前調度模型的優(yōu)化目標。

（1）目標函數1：ADN運行成本最小。

（9）

（11）

（12）

（2）目標函數2：DREG的功率削減量最小。

（3）目標函數3：系統(tǒng)能量損耗最小。網損是反映配電網運行水平的重要指標之一。在ADN框架下，各類DG規(guī)?；瘧脤⒏淖兣潆娋W的固有潮流分布，進而影響網絡損耗。因此，構建基于系統(tǒng)網損最小的目標函數為

式中，F為系統(tǒng)中線路通道集合；Z為線路對應饋線的阻抗值；P、Q分別為線路流過的有功功率和無功功率；U為線路的末端電壓。

2.3 約束條件

模型約束條件主要包括網絡潮流約束和DER特性約束兩個方面。

2.3.1 網絡潮流約束

（1）功率平衡約束。

（2）線路電流約束。

（17）

（3）平衡節(jié)點約束。在本文模型中，分別將上級電網及區(qū)域聯(lián)絡線作為正向及負向平衡節(jié)點。為抑制ADN功率波動對外部系統(tǒng)造成的影響，需要對關口交換功率進行必要限制，因此即有

2.3.2 DER特性約束

（1）DG出力約束。受制于技術特性及自身容量限制，DG的有功、無功可調出力需要滿足約束

（2）可控DG的爬坡率約束。為保證可控型DG的安全穩(wěn)定運行，需對其輸出功率在多時段間的變化速率進行必要限制，即有

（3）儲能裝置調控約束。儲能裝置運行需同時滿足充放電狀態(tài)約束、充放電功率約束以及荷電狀態(tài)約束[19]

（22）

（23）

（4）可中斷負荷調用約束。在ADN中，對可中斷負荷的調用受限于可用容量、中斷持續(xù)時間、時間間隔以及調用次數等一系列限制[20]，即滿足如下約束條件

（25）

（27）

（28）

3 求解方法

3.1 Pareto最優(yōu)解集的獲取

本文上述所建模型屬于一個復雜的多時段多目標優(yōu)化問題，且具有高維度及非線性的特點。和聲搜索（Harmony Search, HS）算法是由Z.W. Geem等在2001年所提出的一種新型智能優(yōu)化算法，其基本原理是通過模仿創(chuàng)作家反復尋找最優(yōu)聲調的方法，來實現(xiàn)對相關問題的方案尋優(yōu)。與遺傳算法、粒子群算法等傳統(tǒng)智能優(yōu)化方法相比，HS算法具有全局搜索能力強，收斂速度快的優(yōu)點[21]。文獻[22,23]通過引進多尺度變異和參數動態(tài)調整策略，使其能夠在保證收斂速度條件下具有更強的全局搜索能力，從而更好地適應多目標優(yōu)化的求解需要。

本文采用基于啟發(fā)式策略的多目標和聲搜索（Multi-Objective HS, MOHS）算法對模型進行求解，以獲取Pareto最優(yōu)解集，基于MOHS算法的求解流程如圖3所示。對上述計算中的關鍵步驟說明如下：

（1）算法參數初始化。需要初始化的MOHS算法計算參數包括和聲記憶庫容量（Harmony Memory Search, HMS），和聲記憶考慮概率（Harmony Memory Considering Rate, HMCR），最大迭代次數max。

（2）支配排序。多目標優(yōu)化問題可定義為

（30）

圖3 基于MOHS算法的求解流程

按順序計算所有和聲的被支配數量，選取其中的非支配解移入和聲存儲庫，并對支配解根據被支配數量進行分級排序。

（3）擁擠度計算。對處于相同等級的和聲，利用文獻[24]中的方法計算各和聲的擁擠度，根據擁擠度對同級和聲進行排序。

（4）雜交策略。在智能優(yōu)化算法中，隨著迭代次數的增加，解集的多樣性會下降，而提高解集多樣性又會降低算法的收斂速度。本文利用雜交策略來對算法性能進行優(yōu)化，新和聲生成算法[22]為

3.2 折中方案的獲取

針對上述計算得到的Pareto前沿解，本文進一步采用逼近理想解排序（Technique for Order Performance by Similarity to Ideal Solution, TOPSIS）法以確定針對各個目標的最佳折中方案。TOPSIS法是一種經典的多屬性決策技術，具有原理直觀、計算簡便、對樣本量要求不大等優(yōu)點，其詳細執(zhí)行步驟可參見文獻[25]。

本文假設ADN運行者對不同目標持相同的偏好程度，因此權重向量=[0.33, 0.33, 0.33]。

4 算例分析

4.1 基礎數據

為驗證所提方法的有效性，本文選取擴展的33節(jié)點配電系統(tǒng)[24]作為算例進行計算分析，擴展33節(jié)點配網系統(tǒng)如圖4所示。該系統(tǒng)電壓等級為12.66kV，最大負荷為5.084+j2.547MV·A。其中，節(jié)點0為上級變電站的低壓側母線，系統(tǒng)通過聯(lián)絡線10-與外區(qū)域配電網互聯(lián)。假設其最大載流量為610A；為了避免運行過程中斷路器頻繁開斷，限定在一個調度周期24h內斷路器最大動作次數為4次。系統(tǒng)中DER信息如下：光伏安裝在7, 13, 32號節(jié)點上，各節(jié)點總裝機容量均為1MW；風電安裝在21，27號節(jié)點上，各節(jié)點總裝機容量均為0.8MW；微型燃氣輪機安裝在24, 30號節(jié)點上，并假設其基于“以熱定電”的運行方式，功率可控范圍為0.1～0.4MW；儲能安裝在6, 29號節(jié)點上，各節(jié)點總充放電功率上限為0.24MW，容量上限為1.2MW·h，SOC調節(jié)范圍為30%～90%，充電效率為80%。直控負荷通過饋線開關實現(xiàn)調節(jié)，以恒功率因數進行控制，各節(jié)點可控負荷容量見表1。假設各節(jié)點負荷在24h內最多中斷一次，且每次中斷持續(xù)時間不超過2h。

圖4 擴展33節(jié)點配網系統(tǒng)

系統(tǒng)的日間負荷曲線取自文獻[27]，光照及風速數據則選自對我國華北某市春季典型日的實際調研結果。此外，參考我國實際執(zhí)行標準，光伏和風電的上網電價分別取為1元/(kW·h)及0.8元/(kW·h)。微型燃氣輪機的上網電價為0.81元/(kW·h)；配電網從上級電網的購電價格為0.38元/(kW·h)；可中斷負荷成本系數1和2分別取為1=5 000，2=3 200[20]。此外，假設系統(tǒng)各節(jié)點的最大允許電壓偏移范圍為±5%。

表1 各節(jié)點可控負荷容量

Tab.1 Capacity of interruptible loads at different buses

算法中相關參數設置如下：HMS=40；max= 500；基于動態(tài)策略調整HMCR，HMCRmax=0.9，HMCRmin=0.6。

4.2 優(yōu)化結果分析

4.2.1 Pareto最優(yōu)解分析

經計算得到的Pareto前沿集如圖5所示，其中DREG算法按照功率因數為0.9進行控制?？梢姡贛OHS算法形成的Pareto解集分布均勻而廣泛，可為運行成本、網絡損耗、可再生能源利用率這三類沖突目標的相互妥協(xié)提供豐富的信息。

圖5 Pareto前沿集

根據上述Pareto優(yōu)化結果，在實際應用中可根據ADN運行者具體期望要求，考慮多方面因素影響，選擇優(yōu)化運行方案。

由圖5可知，調度目標中系統(tǒng)運行成本、DREG功率削減和系統(tǒng)能量損耗三者之間存在密切關聯(lián)。若調度者優(yōu)先考慮經濟性因素，即偏向選擇運行成本較小的方案，但這在一定程度上將不利于可再生能源的最大化利用（表現(xiàn)為DREG功率削減增大）。反之，若僅以可再生能源消納最大為目標，則將顯著增加系統(tǒng)運行成本及網絡損耗。這說明要實現(xiàn)可再生能源電力的跨區(qū)消納，伴隨輸電路徑的增長將不可避免地造成網損增加。同時，為應對DREG算法出力波動，還將不得不更頻繁地調用燃氣輪機、儲能及可中斷負荷等資源，進而導致系統(tǒng)總成本上升。由上述優(yōu)化結果可知，在實際應用中可由ADN運行者的具體期望要求，綜合權衡多方面因素，最終科學確定系統(tǒng)調度運行方案。

4.2.2 系統(tǒng)功率平衡分析

為清晰揭示ADN日間各機組的出力情況以及能量構成，分別對4.2.1節(jié)中DREG出力削減值為5%和15%時的系統(tǒng)優(yōu)化運行方案進行功率平衡分析。各類DG和儲能的運行基點以及可中斷負荷的調用狀況即AND優(yōu)化結果如圖6所示。

（a）DREG出力削減為5%

（b）DREG出力削減為15%

圖6 ADN運行優(yōu)化結果

Fig.6 Optimal scheduling plan of ADN

通過圖6結果對比可知，當DREG能量貢獻較低時（即削減率較大時），負荷供能主要由系統(tǒng)中DREG、電網購電以及燃氣輪機三方面構成，而較少調用儲能及可中斷負荷。此時，雖然DREG發(fā)電得到很大程度利用，但在部分時段（如對于光伏 12∶00～14∶00，對于風電則為早上1∶00～7∶00）仍存在部分棄光、棄風現(xiàn)象。隨著對可再生能源消納比率目標的提高，系統(tǒng)中DREG發(fā)電占總電力供應的比例增大，同時ADN從外部電網的購電比率將顯著降低。此時，儲能和可中斷負荷在系統(tǒng)運行中所起到的作用將更加明顯。這主要表現(xiàn)為：一方面，儲能設備的調用頻率增多。在DREG發(fā)電功率超過負荷需求時，多余功率將優(yōu)先對儲能系統(tǒng)充電（如圖6中時段），在DREG出力不足時進行放電（圖6中的時段）。同時，儲能系統(tǒng)的充放電功率和深度均有所上升，不僅出力波動范圍加大且總投入時間更長。另一方面，當2=5%時，系統(tǒng)運行者調用可中斷負荷的次數和容量均較2=15%的方案明顯增多。這說明要實現(xiàn)可再生能源高效利用的目標，一些情況下ADN運行者不得不對用戶固有用電行為進行干預，才能使之最大限度地追蹤可再生能源（風速、光照）的自然特性。

上述計算結果符合含高滲透率DREG的ADN運行易受環(huán)境因素影響這一基本特征。同時，對儲能及需求側資源的利用提高了系統(tǒng)對可再生能源的利用率。

4.2.3 跨區(qū)域消納策略分析

為驗證跨區(qū)域消納策略對可再生能源利用率的影響，分別構建計及跨區(qū)域消納策略（情景1）和僅考慮本區(qū)域消納（情景2）兩類情景進行對比分析，經過優(yōu)化計算，各情景下Pareto前端如圖7所示，同時表2給出不同情景下的系統(tǒng)目標函數值。

圖7 各情景下Pareto前端

根據計算結果可知，情景1及情景2中的可再生能源日利用率分別為88.2%和85.1%?？梢姡鐓^(qū)域消納策略促進了DREG利用效率的提升（即DREG出力削減逐步減少）。同時，可再生能源跨區(qū)域消納策略的實施，使得系統(tǒng)網損逐漸升高，見表2。說明系統(tǒng)間的互聯(lián)使得ADN中DG輸出能量輸送的范圍逐漸擴大，因此配電網的系統(tǒng)能量損耗也逐步增大；另一方面，隨著DREG出力減少，儲能設備和可控負荷調用頻率和調度深度降低，進而降低ADN的整體運行費用。

表2 不同情景下的系統(tǒng)目標函數值

Tab.2 Objective function values for different cases

需要指出的是，當潮流計算中以聯(lián)絡配電網作為負平衡節(jié)點時，本文中以聯(lián)絡線最大傳輸功率作為約束條件，當出現(xiàn)功率越限時，則通過減少DREG出力來保證系統(tǒng)穩(wěn)定運行。在實際電網運行過程中，作為受端電網的聯(lián)絡配電網在調度過程中處于被動方，聯(lián)絡點傳輸功率的增加以及變化速率的提高均會增加受端電網的調度與運行控制負擔。因此在實際運行中，應以受端電網安全穩(wěn)定為前提來確定聯(lián)絡線功率傳輸的限額與最大變化率。

4.2.4 DREG有功、無功功率解耦控制分析

由式（4）～式（6）可知，不同功率因數所對應的DG無功調節(jié)能力不同，為分析DREG的無功功率調節(jié)能力對運行目標的影響，將DREG的功率因數依次取為1, 0.9, 0.8，并進行優(yōu)化計算。圖8及表3分別給出了上述不同功率因數下所得Pareto前端及系統(tǒng)目標函數值。通過分析可得：①當=1時，DG不具備無功調節(jié)能力，僅以有功注入電網，此時DREG的利用率為86.7%；②當=0.9時，DG具備一定的無功調節(jié)能力，但需要犧牲一部分有功出力來實現(xiàn)無功調節(jié)，此時DREG的利用率為88.2%；③當=0.8時，DG的無功調節(jié)能力進一步提高，同時有功出力進一步降低，DREG的利用率為78.9%。通過場景1和場景2對比分析，當計及DREG的無功調節(jié)能力時，將有助于網絡中局部電壓質量改善，從而提升可再生能源的利用效率。

圖8 DREG在不同功率因數下的Pareto前端

表3 DREG在不同功率因數下的系統(tǒng)目標函數值

Tab.3 Objective function values under different power factors of DREG

通過表中系統(tǒng)網損項分析，DREG無功調節(jié)能力的提升有利于系統(tǒng)網損逐步降低。說明在計及DREG的無功調節(jié)能力，可以有效改善系統(tǒng)潮流分布，從而提高配電系統(tǒng)整體運行效率。通過對運行成本項進行分析，可知運行成本(=0.9)＞(=1)＞(=0.8)，說明隨著DREG利用率的下降，導致系統(tǒng)能量構成中可再生能源的比例降低，而由于從主網的購電成本要遠低于DREG的購電成本，因此使得運行成本整體下降。

綜上所述，當計及DREG的無功功率調節(jié)能力，雖然可以提高ADN的整體運行效率，改善電能質量，但以較低的功率因數運行同時也會犧牲DREG的有功功率出力。因此DREG的最優(yōu)功率因數應按照系統(tǒng)中的實際可再生能源的滲透率，通過靈敏度分析確定。

5 結論

為實現(xiàn)對可再生能源的高效主動利用能力，本文提出了一種ADN多目標運行優(yōu)化方法。在深入分析逆變器并網模式下DG有功、無功功率解耦可控能力的基礎上，提出了面向ADN的跨區(qū)域能源消納策略，并據此分別以系統(tǒng)運行成本、DREG出力削減和網損最小化作為目標，構建了ADN多目標優(yōu)化調度模型。以擴展33節(jié)點配網系統(tǒng)為例，利用MOHS算法對模型進行求解，相關計算結果表明：

1）在ADN下，DREG利用效率、系統(tǒng)運行成本以及系統(tǒng)網損之間存在著復雜的相互影響，要提高DREG的有效利用率，會在一定程度上使得系統(tǒng)運行成本上升，并間接增加系統(tǒng)整體運行網損。

2）跨區(qū)域電能消納策略有利于可再生能源的高效利用，但隨DG供電半徑的擴大將一定程度地增加系統(tǒng)運行網損。

3）計及DREG無功調節(jié)能力雖然會一定程度上制約其有功出力，但由于改善系統(tǒng)潮流分布及DG并網點電能質量，因此總體上仍舊對提高可再生能源利用及系統(tǒng)整體運行效率具有顯著積極作用。

綜上所述，本文所提方法能夠在實現(xiàn)可再生能源優(yōu)先消納的前提下，有效協(xié)調ADN運行的綜合效益，滿足不同系統(tǒng)運營商的差異化需求，相關結論可為ADN實際調度策略的制定提供必要的參考依據。

參考文獻：

[1] D’Adamo C, Abbey C, Baitch A, et al. Development and operation of active distribution network[R]. CIGRE, 2011.

[2] Ochoa L F, Harrison G P. Minimizing energy losses: optimal accommodation and smart operation of renewable distributed generation[J]. IEEE Transa- ctions on Power Systems, 2012, 26(1): 198-205.

[3] 張建華, 曾博, 張玉瑩, 等. 主動配電網規(guī)劃關鍵問題與研究展望[J]. 電工技術學報, 2014, 29(2): 13-23.

Zhang Jianhua, Zeng Bo, Zhang Yuying, et al. Key issues and research prospects of active distribution network planning[J]. Transactions of China Electro- technical Society, 2014, 29(2): 13-23.

[4] Adrian T, Mats L, Cherry Y. Active management of distributed energy resources using standardized communications and modern information techno- logies[J]. IEEE Transactions on Industrial Electronics, 2009, 56(10): 4029-4037.

[5] Fabrizio P, Giuditta P, Gian G S. Optimal coor- dination of energy resources with a two-stage online management[J]. IEEE Transactions on Industrial Electronics, 2011, 58(10): 4526-4537.

[6] Dolan M J, Davidson E M, Kockar I, et al. Distribution power flow management utilizing an online optimal power flow technique[J]. IEEE Transa- ctions on Power Systems, 2012, 27(2): 790-799.

[7] Borghetti A, Bosetti M, Grillo S, et al. Short-term scheduling and control of active distribution system with high penetration of renewable resources[J]. IEEE Journal on Systems, 2010, 4(3): 313-322.

[8] 王威, 黃大為. 含可調度分布式電源的配電網綜合優(yōu)化[J]. 電工技術學報, 2015, 30(12): 429-433.

Wang Wei, Huang Dawei. The coordination optimization of distribution networks with dispatched distributed generators[J]. Transactions of China Electrotechnical Society, 2015, 30(12): 429-433.

[9] 尤毅, 劉東, 鐘清, 等. 主動配電網優(yōu)化調度策略研究[J]. 電力系統(tǒng)自動化, 2014, 38(9): 177-183.

You Yi, Liu Dong, Zhong Qing, et al. Research on optimal schedule strategy for active distribution network[J]. Automation of Electric Power Systems, 2014, 38(9): 177-183.

[10] Gill S, Kockar I, Ault W. Dynamic optimal power flow for active distribution networks[J]. IEEE Transactions on Power Systems, 2014, 29(1): 121-131.

[11] 王健, 謝樺, 孫健. 基于機會約束規(guī)劃的主動配電網能量優(yōu)化調度研究[J]. 電力系統(tǒng)保護與控制, 2014, 42(13): 45-52.

Wang Jian, Xie Hua, Sun Jian. Study on energy dispatch strategy of active distribution network using chance-constrained programming[J]. Power System Protection and Control, 2014, 42(13): 45-52.

[12] 尤毅, 劉東, 鐘清, 等. 多時間尺度下基于主動配電網的分布式電源協(xié)調控制[J]. 電力系統(tǒng)自動化, 2014, 38(9): 192-203.

You Yi, Liu Dong, Zhong Qing, et al. Multi-time scale coordinated control of distributed generators based on active distribution network[J]. Automation of Electric Power Systems, 2014, 38(9): 192-203.

[13] 蒲天驕, 李燁, 陳乃仕, 等. 基于MAS的主動配電網多源協(xié)調優(yōu)化調度[J]. 電工技術學報, 2015, 30(23): 67-75.

Pu Tianjiao, Li Ye, Chen Naishi, et al. Multi-source coordinated optimal dispatch for active distribution network based on multi-agent system[J]. Transactions of China Electrotechnical Society, 2015, 30(23): 67-75.

[14] 劉一兵, 吳文傳, 張伯明, 等. 基于混合整數二階錐規(guī)劃的主動配電網有功-無功協(xié)調多時段優(yōu)化運行[J]. 中國電機工程學報, 2014, 34(16): 2575- 2583.

Liu Yibing, Wu Wenchuan, Zhang Boming, et al. A mixed integer second-order cone programming based active and reactive power coordinated multi period optimization for active distribution network[J]. Proceedings of the CSEE, 2014, 34(16): 2575-2583.

[15] Nayeem R U, Kankar B, Torbjorn T. Wind farms as reactive power ancillary service providers-technical and economic issues[J]. IEEE Transactions on Energy Conversion, 2009, 24(3): 661-672.

[16] Augusto C R, Antonio P. Distributed generators as providers of reactive power support—a market approach[J]. IEEE Transactions on Power Systems, 2013, 28(1): 490-502.

[17] Vito C, Gaspare C, Vincenzo G, et al. Optimal decentralized voltage control for distribution systems with inverter-based distributed generators[J]. IEEE Transactions on Power Systems, 2014, 29(1): 230-241.

[18] 曾博, 董軍, 張建華, 等. 節(jié)能服務環(huán)境下的電網綜合資源協(xié)調規(guī)劃新方法[J]. 電力系統(tǒng)自動化, 2013, 37(9): 34-40.

Zeng Bo, Dong Jun, Zhang Jianhua, et al. A coor- dinated planning approach for grid-side integrated resources in an energy-saving service environment[J]. Automation of Electric Power Systems, 2013, 37(9): 34-40.

[19] Aouss G, Pu L. Active-reactive optimal power flow in distribution networks with embedded generation and battery storage[J]. IEEE Transactions on Power Systems, 2012, 27(4): 2026-2035.

[20] Hyung-Geun K, Jin-O K, Optimal combined scheduling of generation and demand response with demand resource constraints[J]. Applied Energy, 2012, 96: 161-170.

[21] Geem Z W, Kim J H, Loganathan G V. A new heuristic optimization algorithm: harmony search[J]. Simulation, 2011, 76(2): 60-68.

[22] Zou D X, Gao L Q, Wu J H, et al. A novel global harmony search algorithm for reliability problems[J]. Computers & Industrial Engineering, 2010, 58(2): 307-316.

[23] Komail N, Malihe M F, Hossein, et al. An improved multi-objective harmony search for optimal place- ment of DGs in distribution systems[J]. IEEE Transa- ctions on Smart Grid, 2013, 4(1): 557-567.

[24] 彭春華, 孫惠娟. 基于非劣排序微分進化的多目標優(yōu)化發(fā)電調度[J]. 中國電機工程學報, 2009, 29(34): 71-76.

Peng Chunhua, Sun Huijuan. Multi-objective optimi- zation power dispatch based on non-dominated sorting differential evolution[J]. Proceedings of the CSEE, 2009, 29(34): 71-76.

[25] 邱威. 考慮間歇性能源接入和運行安全的多目標有功優(yōu)化調度[D]. 北京: 華北電力大學, 2012.

[26] Baran M E, Wu F F. Network reconfiguration in distribution systems for loss reduction and load balancing[J]. IEEE Transactions on Power Delivery, 1989, 4(2): 1401-1407.

[27] Zeng B, Zhang J H, Yang X, et al. Integrated planning for transition to low-carbon distribution system with renewable energy generation and demand response[J]. IEEE Transactions on Power Systems, 2014, 29(3): 1153-1165.

Multi-Objective Optimization for Active Distribution Network Scheduling Considering Renewable Energy Harvesting Across Regions

（State Key Laboratory for Alternate Electrical Power System with Renewable Energy Sources North China Electric Power University Beijing 102206 China）

Increasing the efficiency of renewable energy usage is a newly-supplemented target for active distribution network (ADN) operation. Thereby, a multi-objective optimization framework for ADN operation that considers cross-regional utilization of renewable energy is proposed in this study. Firstly, based on the DC/AC model, the active/reactive decouple model of DG units under the centralized control mode is derived, and then the strategy for ADN operation considering cross-regional usage of renewable energy is put forward. Accordingly, a multi-objective model for ADN scheduling is built, taking the minimization of operation cost, renewable energy curtailment and network losses as objectives. In this model, the management for the active/reactive power output from DG units, energy storages and interruptible loads has been considered, taken the inter-temporal constraints into account. Due to high dimension and nonlinearity of the proposed model, the multi-objective harmony search algorithm is adopted. A modified 33-bus distribution system has verified the proposed method as well as the necessity for incorporating reactive capability of renewable-based DG units.

Active distribution network, renewable energy generation, optimal scheduling, multi-objective optimization

TM732

國家重點研發(fā)計劃重點專項（2016YFB0101903），國家自然科學基金（51507061），中央高?；究蒲袠I(yè)務費專項基金（2015QN01）資助項目。

2014-11-02 改稿日期 2015-01-28

曾 博 男，1987年生，博士，研究方向為主動配電網規(guī)劃與運行技術、需求響應與電動汽車等。E-mail: alosecity@126.com（通信作者）

楊 煦 男，1989年生，碩士研究生，研究方向為主動配電網運行及分布式發(fā)電技術。E-mail: yangxul@ieee.org