吳海江， 唐 鶴， 吳 滔

（1.廣東電網(wǎng)有限責(zé)任公司佛山供電局， 廣東 佛山 528000； 2.中國(guó)農(nóng)業(yè)大學(xué) 煙臺(tái)研究院， 山東 煙臺(tái) 264670）

0 引言

隨著智能電網(wǎng)技術(shù)的發(fā)展，智慧能源理念滲入到配電網(wǎng)中，配網(wǎng)負(fù)荷不再被動(dòng)接受電能，而是主動(dòng)參與到需求響應(yīng)項(xiàng)目中，與配網(wǎng)運(yùn)行商、分布式電源形成了新的配電能源格局[1]。

此處是用典的最佳注釋。具體看是兩個(gè)典古的化用：秀才正做著“先天下/后天下/黃金屋/顏如玉”的美夢(mèng)，18個(gè)字采用范仲淹《岳陽(yáng)樓記》名句之典故，同時(shí)引用古語(yǔ)“書(shū)中自有黃金屋，書(shū)中自有顏如玉”，簡(jiǎn)練而深刻。

針對(duì)智慧能源中可響應(yīng)負(fù)荷，文獻(xiàn)[2]提出了計(jì)及用戶(hù)響應(yīng)不確定性的可中斷負(fù)荷儲(chǔ)蓄機(jī)制。文獻(xiàn)[3]提出了智能小區(qū)可轉(zhuǎn)移柔性負(fù)荷實(shí)時(shí)需求響應(yīng)策略。 文獻(xiàn)[4]建立了計(jì)及用戶(hù)可響應(yīng)負(fù)荷的區(qū)域多能源系統(tǒng)運(yùn)行優(yōu)化模型。 文獻(xiàn)[5]分析了需求響應(yīng)的負(fù)荷控制對(duì)供電可靠性的影響。 文獻(xiàn)[6] 建立了考慮可調(diào)負(fù)荷集群響應(yīng)不確定性的聯(lián)合調(diào)度模型。 根據(jù)以上文獻(xiàn)，可響應(yīng)負(fù)荷參與電力調(diào)度的機(jī)制已經(jīng)明確，并且潛力巨大。 在配網(wǎng)智慧能源研究方面，文獻(xiàn)[7]分析了需求側(cè)智慧能源系統(tǒng)關(guān)鍵技術(shù)。 文獻(xiàn)[8]分析了含智慧社區(qū)能量樞紐配電網(wǎng)三相不平衡動(dòng)態(tài)潮流模型預(yù)測(cè)控制方法。 文獻(xiàn)[9]分析了智能電網(wǎng)支撐智慧城市關(guān)鍵技術(shù)。 文獻(xiàn)[10]基于泛在電力物聯(lián)網(wǎng)分析了智慧清潔能源小鎮(zhèn)的建設(shè)。

綜上所述，可響應(yīng)負(fù)荷用于削減總的系統(tǒng)運(yùn)行成本、滿(mǎn)足功率平衡約束。 但是，可響應(yīng)負(fù)荷以及可再生能源并未計(jì)及到目標(biāo)函數(shù)中。 目前，對(duì)于電力系統(tǒng)多目標(biāo)優(yōu)化的求解方法分為分析法、啟發(fā)式算法、智能人工算法等[11]。啟發(fā)式算法在求解這類(lèi)問(wèn)題時(shí)應(yīng)用廣泛，主要包括對(duì)偶半定規(guī)劃、多目標(biāo)粒子群（MOPSO）算法、差分進(jìn)化算法[12]～[14]等。

本文考慮多目標(biāo)優(yōu)化，其中，目標(biāo)函數(shù)1 包括運(yùn)行成本以及排放成本，目標(biāo)函數(shù)2 考慮損失負(fù)荷期望，目標(biāo)函數(shù)3 考慮可延遲負(fù)荷與可再生能源出力之間的偏差。 同時(shí)，提出的多目標(biāo)優(yōu)化目標(biāo)函數(shù)中考慮了可再生能源及可延遲負(fù)荷的聯(lián)合調(diào)度優(yōu)化，根據(jù)可延遲負(fù)荷的最優(yōu)延遲策略提高功率因數(shù)。

（6）經(jīng)過(guò)多年的改造，村內(nèi)環(huán)境越來(lái)越好，生活垃圾集中收集并由專(zhuān)門(mén)單位集中處理，村內(nèi)的老式廁所已基本改造完畢，90%以上已用上水沖式廁所。生活污水有專(zhuān)門(mén)的下水管道排放收集，并由環(huán)保部門(mén)進(jìn)行污水處理。各村建有集中居住地，水電、網(wǎng)絡(luò)、道路等基礎(chǔ)設(shè)施完善，休閑娛樂(lè)廣場(chǎng)均已建成。村民的環(huán)保意識(shí)均較強(qiáng)，積極響應(yīng)政府號(hào)召，秸稈還田率較高，農(nóng)藥藥瓶使用后回收至村內(nèi)垃圾點(diǎn)。

1 居民智慧能源

1.1 居民智慧能源構(gòu)成

智慧能源是通過(guò)智能控制、現(xiàn)代化能源生產(chǎn)和能源交易、信息通信技術(shù)等實(shí)現(xiàn)的能源網(wǎng)絡(luò)不斷協(xié)調(diào)和優(yōu)化互補(bǔ)的能源形式。 在電力系統(tǒng)中，配網(wǎng)的能源豐富度最高，最能體現(xiàn)智慧能源的理念，尤其是居民用戶(hù)在智慧能源中扮演重要角色，其多種能源主體能夠?yàn)殡娏ο到y(tǒng)優(yōu)化提供一定思路。

式中：α 和β 為β 分布的形狀參數(shù)；s 和smax分別為實(shí)際光照輻射強(qiáng)度和最大光照輻射強(qiáng)度，W/m2。

用戶(hù)側(cè)的負(fù)荷因數(shù)是確定用電需求的一個(gè)重要因素， 是反映電網(wǎng)電能使用情況的一個(gè)重要指標(biāo)，負(fù)荷因數(shù)越高，電網(wǎng)的運(yùn)行成本和分布式網(wǎng)絡(luò)的可靠性也越高。另外，負(fù)荷因數(shù)可以用于顯示峰荷情況和資產(chǎn)使用情況。 用戶(hù)用能情況和需求響應(yīng)項(xiàng)目的實(shí)施情況也會(huì)對(duì)負(fù)荷因數(shù)產(chǎn)生間接影響。 本文負(fù)荷因數(shù)θ 計(jì)算式如下：

將Weibull 分布變換為離散形式，第t 個(gè)時(shí)間間隔分為NV種狀態(tài)，利用式（4）計(jì)算每個(gè)狀態(tài)下的風(fēng)速和概率。 利用所有時(shí)間間隔內(nèi)的所有可能狀態(tài)計(jì)算得到風(fēng)機(jī)的出力為

可再生能源接入配網(wǎng)， 主要包括電池儲(chǔ)能系統(tǒng)、微汽輪機(jī)、風(fēng)機(jī)和光伏機(jī)組等，這類(lèi)機(jī)組的運(yùn)行成本和維護(hù)成本均為可控。 其中風(fēng)機(jī)和光伏機(jī)組的出力具有不確定性， 調(diào)度控制較為困難。

1.2 風(fēng)電出力模型

工程上風(fēng)速用Weibull 分布函數(shù)模擬[15]，具體表達(dá)式如下：

當(dāng)另一個(gè)電器設(shè)備啟動(dòng)時(shí)，發(fā)動(dòng)機(jī)ECU通過(guò)檢測(cè)被提供的電壓值來(lái)判斷它是否運(yùn)行。圖11示顯示了一個(gè)停車(chē)燈電路，當(dāng)開(kāi)關(guān)合上時(shí)，12V電壓提供給ECU端子，當(dāng)開(kāi)關(guān)斷開(kāi)時(shí)，電壓變?yōu)?。

式中：v 為風(fēng)速，m/s；k 為形狀系數(shù)；c 為尺度系數(shù)。該Weibull 分布的概率累積密度函數(shù)為

由此得到風(fēng)速為

式中：r 為[0，1]之間均勻分布的隨機(jī)變量。

風(fēng)機(jī)的有功出力受風(fēng)速影響， 工程上雙饋感應(yīng)式風(fēng)機(jī)的出力PWi較為常用的計(jì)算方法如下[16]：

式中：Pri為額定容量；vcin，vcout，vr分別為切入風(fēng)速、切出風(fēng)速、額定風(fēng)速。

在智慧能源中， 通過(guò)一定的通信機(jī)制使電力負(fù)荷側(cè)用戶(hù)積極參與到各種需求響應(yīng)項(xiàng)目中，實(shí)現(xiàn)用戶(hù)、 配電系統(tǒng)運(yùn)行商及可再生能源三者之間的通信。 用戶(hù)側(cè)的負(fù)荷分為固定負(fù)荷和可響應(yīng)負(fù)荷，可響應(yīng)負(fù)荷又分為可削減負(fù)荷和可延遲負(fù)荷，可延遲負(fù)荷包括電動(dòng)汽車(chē)、烘干機(jī)、洗衣機(jī)等，這類(lèi)負(fù)荷的特點(diǎn)是可以延遲或更改使用時(shí)間。 配電系統(tǒng)運(yùn)行商是協(xié)調(diào)配網(wǎng)與主網(wǎng)的中間者， 負(fù)責(zé)配網(wǎng)運(yùn)行的調(diào)度以及需求響應(yīng)項(xiàng)目的執(zhí)行等。

1.3 光伏出力模型

光伏出力取決于光照強(qiáng)度，其表達(dá)式如下：

式中：Ppvn為光伏板的額定出力；S 為PV 模塊的光照輻射；Sstc為標(biāo)準(zhǔn)測(cè)試狀態(tài)下的光照輻射；Rc為光照輻射點(diǎn)。

光照輻射一般服從β 分布[17]，概率密度表達(dá)式如下：

傳統(tǒng)配網(wǎng)中，配網(wǎng)系統(tǒng)運(yùn)行商以網(wǎng)損最小為目標(biāo)，從輸電網(wǎng)中購(gòu)得電量售賣(mài)給用戶(hù)。 在這種模式下，配網(wǎng)不擁有發(fā)電設(shè)備，因而需要承擔(dān)輸電網(wǎng)機(jī)組的運(yùn)行成本。可再生能源接入配網(wǎng)后，一方面配網(wǎng)有機(jī)會(huì)控制機(jī)組的運(yùn)行成本； 另一方面通過(guò)實(shí)施需求響應(yīng)項(xiàng)目， 配電系統(tǒng)運(yùn)行商可以控制可響應(yīng)負(fù)荷參與，優(yōu)化機(jī)組出力。 在這種情況下，須要對(duì)機(jī)組進(jìn)行實(shí)時(shí)控制和持續(xù)優(yōu)化。

將β 分布變換為離散形式， 第t 個(gè)時(shí)間間隔分為Ns種狀態(tài)，利用式（7）計(jì)算每個(gè)狀態(tài)下的光照輻射和概率。 利用所有時(shí)間間隔內(nèi)的所有可能狀態(tài)計(jì)算得到光伏的出力為

柴油機(jī)組、BES 和主網(wǎng)購(gòu)電的運(yùn)行成本分別如式（10），（11）所示，其中式（10）前三項(xiàng)為柴油機(jī)組的燃料成本，其余部分為柴油機(jī)組啟停成本。柴油機(jī)組和主網(wǎng)的排放函數(shù)如式（12），（13）所示。

1.4 不確定性的考慮

本文將風(fēng)電和光伏出力的不確定性通過(guò)風(fēng)速和光照強(qiáng)度的日曲線表達(dá)出來(lái)， 通過(guò)相應(yīng)的概率密度函數(shù)生成多種場(chǎng)景， 在模型仿真中對(duì)多種風(fēng)電和光伏出力的情景進(jìn)行仿真， 以此作為不確定多場(chǎng)景的優(yōu)化手段，最終得到不同場(chǎng)景下的結(jié)果。

2 配網(wǎng)智慧能源多目標(biāo)優(yōu)化模型

本文對(duì)居民智慧能源負(fù)荷以及分布式電源的調(diào)度進(jìn)行優(yōu)化， 網(wǎng)絡(luò)系統(tǒng)運(yùn)行商基于日前可再生能源的利用情況來(lái)優(yōu)化負(fù)荷曲線，從而優(yōu)化經(jīng)濟(jì)、環(huán)境和可靠性指標(biāo)。 本文考慮了3 個(gè)目標(biāo)函數(shù)。

2.1 目標(biāo)函數(shù)

目標(biāo)函數(shù)1 以電網(wǎng)運(yùn)行的經(jīng)濟(jì)性最大為目標(biāo)，體現(xiàn)為運(yùn)行成本和排放成本最小。

式中：ρs為場(chǎng)景s 的概率；CDG（s，t，d）為t 時(shí)段場(chǎng)景s 柴油機(jī)組運(yùn)行成本；CBES（s，t，b）為t 時(shí)段場(chǎng)景s第b 個(gè)電池儲(chǔ)能（BES）系統(tǒng)總運(yùn)行成本；CUG（s，t）為t 時(shí)段場(chǎng)景s 主網(wǎng)運(yùn)行成本；EDG（t，d）為t 時(shí)段d個(gè)分布式電源的排放量；EUG（t）為t 時(shí)段主網(wǎng)傳統(tǒng)機(jī)組的排放量。

國(guó)內(nèi)企業(yè)走出去，員工屬地化是必經(jīng)之路，而如何做好屬地化員工管理，爭(zhēng)取文化認(rèn)同，避免文化沖突，將是必須要面對(duì)的課題。

不同分型并發(fā)癥發(fā)生率比較如表2。腹水、細(xì)菌感染、AKI、上消化道出血的發(fā)生率三型之間差異有統(tǒng)計(jì)學(xué)意義（χ2=53.96、20.03、16.07、14.46，P＜0.01），其中上消化道出血C型明顯高于A型和B型 （P＜0.01）。細(xì)菌感染中，腹腔感染在三型ACLF中的發(fā)生率C型和B型均顯著高于A型（P均 ＜0.05），肺部、血液和其他部位感染在各型間差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）。三型間HE的發(fā)生率差異無(wú)統(tǒng)計(jì)學(xué)意義（χ2=3.85，P＞0.05）。

式中：PLS（s，t）為t 時(shí)段場(chǎng)景s 削減負(fù)荷量。

1.2.1 對(duì)照組 對(duì)患者每個(gè)月開(kāi)展1次肺健康知識(shí)宣教，內(nèi)容包括COPD相關(guān)知識(shí)、肺康復(fù)理念，指導(dǎo)戒煙，給予氧療、藥物治療，共治療20周。

目標(biāo)函數(shù)3 以所有場(chǎng)景中負(fù)荷與電源出力之間的偏差最小為目標(biāo)。

式中：SOC（t）為t 時(shí)段電池的荷電參數(shù)。

可響應(yīng)用戶(hù)包括可削減和可延遲負(fù)荷，其中，可延遲負(fù)荷的使用時(shí)間從t 延遲至t′， 并且可以計(jì)算響應(yīng)負(fù)荷中的延遲負(fù)荷響應(yīng)水平[18]。

取不同凍藏時(shí)間的冷凍面團(tuán)，利用FID試驗(yàn)調(diào)節(jié)共振中心頻率，CPMG脈沖序列測(cè)量樣品的自旋弛豫時(shí)間(T2)，稱(chēng)取面團(tuán)(3.0±0.01) g放入試管中，置于永久磁場(chǎng)中心位置射頻線圈的中心，進(jìn)行CPMG脈沖序列的掃描試驗(yàn)。CPMG試驗(yàn)參數(shù)：主頻=21（MHz）,偏移頻率=99315.9（MHz），采樣點(diǎn)數(shù)TD=156492，重復(fù)掃描次數(shù)NS=64，重復(fù)時(shí)間TR=1500 ms，半回波時(shí)間τ=7 μs，溫度=32 ℃。利用T2反演擬合軟件對(duì)CPMG弛豫衰減曲線進(jìn)行反演得到弛豫圖譜和T2[10]。

深圳市佳士科技股份有限公司高級(jí)副總裁羅衛(wèi)紅先生、杭州華光焊接新材料股份有限公司董事長(zhǎng)金李梅、南京大地水刀股份有限公司技術(shù)總監(jiān)蔣鎮(zhèn)漢、伏能士智能設(shè)備（上海）有限公司中國(guó)技術(shù)支持總監(jiān)Gerd Holzschuh分別做了題目為“持續(xù)追求技術(shù)發(fā)展 全面打造佳士質(zhì)量”、“面向綠色智能制造的釬焊技術(shù)展望”、“超高壓水射流技術(shù)的應(yīng)用”、“TPS/i-基于焊接工藝和用戶(hù)設(shè)計(jì)的智能平臺(tái)”的精彩報(bào)告。

2.2 約束條件

①功率平衡約束

式中：Dnr（t，nr）為t 時(shí)段不可響應(yīng)負(fù)荷；PPW（s，t，p，w）為t 時(shí)段場(chǎng)景s 風(fēng)電和光伏出力；Pd（s，t，d）為t時(shí)段場(chǎng)景s 柴油機(jī)組出力。

②機(jī)組出力約束

式中：ηd和ηch分別為放電效率和充電效率；μBESch和μBESd分別為充、 放電二進(jìn)制變量；μLS為損失負(fù)荷期望二進(jìn)制參數(shù)。

③BES 運(yùn)行約束

式 中：Dn（t，n）為t 時(shí) 段 場(chǎng) 景s 可 響 應(yīng) 用 戶(hù) 負(fù) 荷需求；PRES（s，t）為t 時(shí)段場(chǎng)景s 可再生能源出力；DF（t，n）為t 時(shí)段固定負(fù)荷需求；DDL（t，n）為t 時(shí)段可延遲負(fù)荷需求。

④分布式電源約束

式中：RU 和RD 分別為上、下爬坡率。

⑤需求響應(yīng)約束

式中：ψ 為響應(yīng)水平。

2.3 負(fù)荷因數(shù)

閱讀能力的高低關(guān)系著學(xué)生將來(lái)語(yǔ)文學(xué)習(xí)能力的強(qiáng)弱，《語(yǔ)文課程標(biāo)準(zhǔn)》也明確指出小學(xué)語(yǔ)文教師應(yīng)該有目的地進(jìn)行閱讀教學(xué)，培養(yǎng)學(xué)生的閱讀能力，讓學(xué)生熱愛(ài)閱讀，通過(guò)閱讀享受到語(yǔ)文學(xué)習(xí)的樂(lè)趣。但很多語(yǔ)文教師受到傳統(tǒng)教育思想的影響，認(rèn)為語(yǔ)文閱讀教學(xué)并不重要，忽視了對(duì)學(xué)生閱讀能力的培養(yǎng)，這對(duì)學(xué)生的學(xué)習(xí)是非常不利的。下面我就從“培養(yǎng)學(xué)生專(zhuān)心閱讀的習(xí)慣”“通過(guò)閱讀完成知識(shí)積累”“引導(dǎo)學(xué)生將閱讀延伸至課外”三個(gè)方面出發(fā)，談一談如何培養(yǎng)小學(xué)低年級(jí)學(xué)生的閱讀能力。

百米林帶中鄉(xiāng)土樹(shù)種占22科27屬29種,外來(lái)樹(shù)種47科75屬94種,外來(lái)樹(shù)種的數(shù)量遠(yuǎn)高于原生的鄉(xiāng)土樹(shù)種[13],比例超過(guò)了3∶1 (94∶29),這與上海地區(qū)外來(lái)樹(shù)種和鄉(xiāng)土樹(shù)種的比例基本一致(547∶174),反映了高度人工化和城市化是上海地區(qū)人工植被的普遍特征。

3 模型求解

本文多目標(biāo)優(yōu)化模型的主要目的是尋找所有目標(biāo)函數(shù)空間的非支配解， 同時(shí)在有限選擇條件內(nèi)的目標(biāo)函數(shù)空間中得到Pareto 前沿（圖1）。 搜索和決策是求解多目標(biāo)優(yōu)化的兩個(gè)重要步驟，搜索是為了找到全局最優(yōu)解， 而決策是為了找到?jīng)Q策者滿(mǎn)意的一小部分解。 一般利用適應(yīng)性理論的進(jìn)化算法和搜索算法求解多目標(biāo)優(yōu)化。

圖1 Pareto 前沿Fig.1 Pareto front

本文選用模糊決策法得到非支配解中的最優(yōu)解，最優(yōu)解通過(guò)解集與理想點(diǎn)的距離確定，其求解步驟如下：首先歸一化目標(biāo)函數(shù)，然后確定每個(gè)歸一化后目標(biāo)函數(shù)最小值， 最后選擇理想點(diǎn)和最小空間距離。

4 算例分析

4.1 系統(tǒng)說(shuō)明

本文選取IEEE33 節(jié)點(diǎn)系統(tǒng)[19]進(jìn)行仿真分析，仿真環(huán)境為MATLAB2014b。 如圖2 所示，本文考慮了4 組柴油機(jī)組 （DG）、5 臺(tái)光伏太陽(yáng)能機(jī)組（PV）、7 臺(tái)風(fēng)機(jī)（W）和4 組電池儲(chǔ)能系統(tǒng)（E）。

本文考慮兩個(gè)情景：情景1 不考慮孤島模式；情景2 考慮孤島模式。4 組柴油機(jī)組參數(shù)如表1所示。 本文選擇10 個(gè)風(fēng)速和光照輻射強(qiáng)度場(chǎng)景，風(fēng)速概率分布、光照強(qiáng)度分布、日前市場(chǎng)電價(jià)、系統(tǒng)負(fù)荷需求分別如圖3～6 所示。 考慮可響應(yīng)負(fù)荷占比為95%，從主網(wǎng)獲得功率最小值和最大值分別為0 MW 和100 MW。 排放因子為950 kg/MW。

表1 柴油機(jī)組參數(shù)Table 1 Parameters of diesel generator

圖3 風(fēng)速分布Fig.3 Distribution of wind speed

圖4 光照強(qiáng)度分布Fig.4 Distribution of solar irradiance

圖5 電價(jià)曲線Fig.5 Electricity price curve

圖6 原始負(fù)荷需求Fig.6 Original demand profile

風(fēng)機(jī)的切入、額定和切出風(fēng)速分別為3，15 m/s 和25 m/s。 光伏和風(fēng)機(jī)的額定出力分別為1.1 MW 和2.5 MW。 EES 系統(tǒng)SOC 下限為10%，上限為100%， 充、 放電效率均為85%， 最大功率為1.125 MW，運(yùn)行成本為75$，維護(hù)成本為12$。

4.2 算例分析

①情景1

為使特殊兒童得到更好的康復(fù)和治療，享受高標(biāo)準(zhǔn)的文化教育，使其達(dá)到生活自理，甚至成為身心健康并對(duì)社會(huì)有用的人才。為此，莊園結(jié)合自身實(shí)際與前期經(jīng)驗(yàn)，共同組建了由特殊教育、康復(fù)、保育、心理、社工等多專(zhuān)業(yè)人員組成的專(zhuān)業(yè)團(tuán)隊(duì)，共同努力，為身心障礙兒童服務(wù)。2012年6月，在莊園領(lǐng)導(dǎo)的大力支持下，在重慶師范大學(xué)特殊教育專(zhuān)家張文京教授的指導(dǎo)下，教、康、保三位一體整合服務(wù)模式正式全面啟動(dòng)。

一陣涼風(fēng)透過(guò)窗戶(hù)縫隙吹進(jìn)來(lái)，把緊閉著的衛(wèi)生間窗簾掀開(kāi)了一條縫。她一驚，伸手要去拉攏來(lái)?？删驮谒氖钟|到窗簾的剎那間，她的目光無(wú)意間投向了窗外，她看到了一個(gè)令人心跳耳熱的鏡頭。對(duì)面一間房子的窗戶(hù)，窗口的大紅雙喜還未褪色，不知是疏忽，還是過(guò)于急切，那對(duì)年輕夫妻未拉上窗簾也未關(guān)燈就除去彼此的衣物，赤裸地滾落床第，兩具肉體像柔軟的藤條般纏繞在一起，似乎憋足了半個(gè)世紀(jì)的愛(ài)和欲要在這一刻盡情地傾瀉……

本情景不考慮孤島運(yùn)行，研究BES 系統(tǒng)對(duì)多目標(biāo)函數(shù)優(yōu)化之間的關(guān)系。 最優(yōu)解選擇在距離理想點(diǎn)的0.766 3 處，如圖7 所示。 3 個(gè)目標(biāo)函數(shù)的解分別為85 032.21，5.23 MW 和214.25 MW。 充放電運(yùn)行成本為207.6$和178.3$。 日前可再生能源出力與負(fù)荷需求對(duì)BES 的影響是積極的，分布式電源出力剩余部分均由需求側(cè)消耗， 并沒(méi)有將剩余電能充入儲(chǔ)能系統(tǒng)中。

圖7 情景1 Pareto 前沿Fig.7 Pareto front set in case 1

根據(jù)分布式電源和主網(wǎng)的調(diào)度結(jié)果， 從圖8可以看出，第4 個(gè)時(shí)段BES 充電0.736 MW，而在第20 個(gè)時(shí)段放電0.657 MW。另外，可再生能源和用戶(hù)負(fù)荷的聯(lián)合優(yōu)化在負(fù)荷削減和運(yùn)行成本削減方面都有一定作用。

圖8 情景1 BES 充放電結(jié)果Fig.8 Results of EES charging and discharging of scenario 1

②情景2

故障現(xiàn)象的多樣性使日常的維護(hù)不一定從開(kāi)始的切入點(diǎn)入手，針對(duì)不同階段的故障排查都可以從邏輯流程控制中找到準(zhǔn)確的切入點(diǎn)，為繼電保護(hù)通道的運(yùn)維提供正確的思路和著手點(diǎn)。

本情景考慮孤島運(yùn)行，不從主網(wǎng)購(gòu)電。圖9 給出了Pareto 前沿距離理想點(diǎn)的距離， 為0.712 5。相比情景1， 目標(biāo)函數(shù)1 和3 的結(jié)果分別減少2.45%和4.01%。 由于孤島模式的限制，目標(biāo)函數(shù)2 的結(jié)果為16.48 MW，較情景1 有所增加。 電池充、放電成本分別為2 765.25$和2 013.72$。 孤島模式下機(jī)組排放減少較多。 根據(jù)孤島模式下的機(jī)組調(diào)度方案， 如圖10 所示，1～4 時(shí)段的充電功率為7.26 MW，12，21 和22 時(shí)段的放電功率共計(jì)6.39 MW。

圖9 情景2 Pareto 前沿Fig.9 Pareto front set in case 2

圖10 情景2 BES 充放電結(jié)果Fig.10 Results of EES charging and discharging of scenario 2

負(fù)荷需求如圖11 所示，可以看出，情景1 和情景2 之間的負(fù)荷需求有所轉(zhuǎn)移。 BES 系統(tǒng)的SOC 如圖12 所示，可以看出，目標(biāo)函數(shù)3 對(duì)充放電成本以及電池壽命有直接影響。 表2 給出了負(fù)荷因數(shù)在本情景的結(jié)果。

圖11 負(fù)荷曲線Fig.11 Demand profiles

圖12 電池荷電狀態(tài)Fig.12 SOC of BES

表2 供需約束中可再生能源和主網(wǎng)參與度Table 2 Participation of RES and main grid %

5 結(jié)論

本文研究了居民智慧能源多目標(biāo)優(yōu)化， 以運(yùn)行成本、排放成本以及負(fù)荷損失期望最小為目標(biāo)，利用決策分析尋找Pareto 前沿集的最優(yōu)解。最后，在IEEE33 節(jié)點(diǎn)系統(tǒng)中分析了考慮孤島運(yùn)行和不考慮孤島運(yùn)行兩種情景。另外，本文提出的多目標(biāo)優(yōu)化目標(biāo)函數(shù)中考慮了可再生能源及可延遲負(fù)荷的聯(lián)合調(diào)度優(yōu)化， 根據(jù)可延遲負(fù)荷的最優(yōu)延遲策略提高功率因數(shù)。 仿真算例表明了本文所提模型的正確性和有效性。