梁棟，郭育威，王笑雪，劉琪，王守相

(1.省部共建電工裝備可靠性與智能化國家重點實驗室(河北工業(yè)大學(xué))，天津市 300130；2.石家莊科林電氣股份有限公司河北省智能配用電裝備產(chǎn)業(yè)技術(shù)研究院，石家莊市 050222；3.教育部智能電網(wǎng)重點實驗室(天津大學(xué))，天津市 300072)

0 引 言

大量分布式電源(distributed generation, DG)的接入有效改善了配電網(wǎng)能源結(jié)構(gòu)，對于推動我國能源轉(zhuǎn)型以及實現(xiàn)碳中和目標(biāo)具有重要意義[1-2]。然而，風(fēng)、光等DG出力的波動性特征也給配電系統(tǒng)帶來了運行成本增加、電壓頻繁越限等問題，迫切要求配電網(wǎng)具有靈活快速的反應(yīng)能力和準(zhǔn)確高效的調(diào)節(jié)能力[3]。

近年來，基于背靠背電壓源型換流器(voltage source converter, VSC)的柔性配電開關(guān)(flexible distribution switch, FDS)得到了廣泛關(guān)注[4]。FDS裝設(shè)在關(guān)聯(lián)饋線處用于替代機械聯(lián)絡(luò)開關(guān)，通過對其實施適當(dāng)?shù)目刂撇呗?，可實現(xiàn)功率的雙向靈活與精確控制，從而改善電壓分布[5]、均衡三相負(fù)載、節(jié)能降耗、實現(xiàn)故障快速恢復(fù)[6]。

針對DG出力預(yù)測不確定條件下的柔性互聯(lián)配電系統(tǒng)優(yōu)化調(diào)度問題，當(dāng)前研究方法主要包括模糊優(yōu)化、隨機優(yōu)化、魯棒優(yōu)化三大類。相比前兩者，魯棒優(yōu)化無需預(yù)知不確定參數(shù)的隸屬度函數(shù)和概率密度函數(shù)，只需搜尋給定不確定集合中的最惡劣場景即可保證決策方案的可靠性[7]。文獻(xiàn)[8]建立了柔性互聯(lián)配電系統(tǒng)的兩階段魯棒調(diào)度模型，對FDS進(jìn)行日前調(diào)度，然而未考慮其他控制手段。文獻(xiàn)[9]提出了FDS與儲能聯(lián)合調(diào)度方法，第一階段基于DG和負(fù)荷的日前預(yù)測區(qū)間，制定儲能系統(tǒng)的日前調(diào)度策略，第二階段根據(jù)更為精確的短期預(yù)測結(jié)果，優(yōu)化FDS的實時調(diào)度策略，但未考慮與網(wǎng)絡(luò)重構(gòu)的協(xié)調(diào)配合。由于當(dāng)前FDS投資及運行費用較高，暫時難以替換全部機械開關(guān)[10]，因此充分利用FDS與網(wǎng)絡(luò)重構(gòu)[11]進(jìn)行協(xié)調(diào)配合，對提高現(xiàn)階段柔性互聯(lián)配電系統(tǒng)的經(jīng)濟性和DG接納能力[12]有重要意義。文獻(xiàn)[13-14]考慮了兩者的協(xié)調(diào)配合以提高系統(tǒng)運行經(jīng)濟性，但文中僅采用了局部最優(yōu)的靜態(tài)重構(gòu)，未考慮開關(guān)動作次序在時間上的耦合性，也未考慮儲能等具有時序性的連續(xù)調(diào)控裝置來進(jìn)一步提升DG消納能力。

本文首先考慮儲能與動態(tài)重構(gòu)建立柔性互聯(lián)配電系統(tǒng)兩階段魯棒優(yōu)化調(diào)度模型。其中，第一階段考慮DG出力的不確定性以及網(wǎng)絡(luò)拓?fù)浜蛢δ茉跁r間上的連續(xù)性進(jìn)行全局優(yōu)化；第二階段基于第一階段的決策方案和超短期預(yù)測信息，在各獨立的時段對FDS進(jìn)行調(diào)度；其次，采用改進(jìn)的列與約束生成(column and constraint generation, CCG)算法對模型進(jìn)行求解，通過輔助變量和對偶變量交替迭代，顯著提高了子問題的求解效率；最后，通過算例測試驗證所提模型和算法的有效性。

1 柔性互聯(lián)配電系統(tǒng)優(yōu)化調(diào)度

1.1 目標(biāo)函數(shù)

本文以系統(tǒng)綜合成本最小、DG消納比例最高為目標(biāo)，目標(biāo)函數(shù)如下：

minf=floss+fact+fV+fcut

(1)

(2)

1.2 約束條件

1)FDS運行約束。多端FDS由多個VSC組成，正常運行模式下的控制變量為每個VSC傳輸?shù)挠泄Αo功功率[16]。假設(shè)FDS功率注入電網(wǎng)為正方向，則第v個FDS運行需滿足如下約束：

(3)

(4)

Qmin,FDS≤Qi,t,FDS≤Qmax,FDS,?i∈Ωb(v)

(5)

(6)

式中：Pi,t,FDS、Qi,t,FDS分別為t時刻FDS注入節(jié)點i的有功、無功功率；Aloss,FDS為FDS損耗系數(shù)；Qmax,FDS、Qmin,FDS分別為FDS無功功率上、下限；Smax,FDS為FDS允許通過的最大視在功率。式(4)使得FDS注入所有關(guān)聯(lián)饋線的有功功率和FDS內(nèi)部有功損耗之和為0；式(5)使得FDS補償?shù)臒o功功率不超過其可調(diào)無功極限值；式(6)使得FDS視在功率不超過其傳輸容量。

2)儲能充放電約束。儲能運行時需滿足如下約束：

(7)

(8)

(9)

Ei,ESSSi,min≤Ei,t≤Ei,ESS·Si,max

(10)

Ei,0=Ei,T

(11)

(12)

3)潮流平衡約束。采用DisFlow潮流模型，每個節(jié)點各時刻注入有功、無功功率應(yīng)等于該時刻發(fā)電與負(fù)荷之差，潮流平衡約束如下：

(13)

式中：Pi,t、Qi,t分別為t時刻節(jié)點i注入的有功無功功率；Pij,t、Qij,t、Iij,t分別為t時刻支路i-j的有功、無功功率、電流幅值；Pi,t,DG、Pi,t,L分別為t時刻節(jié)點i的DG注入有功功率和負(fù)荷抽取有功功率；Qi,t,DG、Qi,t,L分別為t時刻節(jié)點i的DG注入無功功率和負(fù)荷抽取無功功率；rij、xij分別為支路i-j的電阻和電抗；Ωl為所有線路集合。

4)輻射結(jié)構(gòu)約束。為保證輻射結(jié)構(gòu)需滿足如下約束：

βij,t+βji,t=αij,t,αij,t∈{0,1}

(14)

(15)

(16)

式中：βij,t為0-1變量，等于1表示t時刻節(jié)點j是節(jié)點i的父節(jié)點；αij,t為t時刻線路i-j的連通狀態(tài)；N(i)為節(jié)點i的鄰居節(jié)點集合；ΩREF為所有變電站節(jié)點集合；ΩbΩREF為除根節(jié)點外的節(jié)點集合。式(15)保證任意時刻每個節(jié)點僅有一個父節(jié)點；式(16)保證根節(jié)點沒有父節(jié)點。

5)開關(guān)動作次數(shù)約束。開關(guān)頻繁動作會降低其壽命，因此設(shè)置開關(guān)動作次數(shù)約束[17]：

(17)

6)線路熱極限約束。每條線路的電流幅值應(yīng)滿足載流量約束：

0≤(Iij,t)2≤αij(Iij,max)2

(18)

式中：Iij,max為支路i-j的載流量。

7)棄風(fēng)棄光約束。棄風(fēng)、棄光量應(yīng)小于裝機容量與最大棄置比例的乘積：

(19)

式中：μcut為最大風(fēng)、光切除比例。

1.3 模型轉(zhuǎn)化與求解

(20)

式中：M為一較大的正數(shù)。

對FDS容量約束式(6)進(jìn)行松弛：

(21)

引入輔助變量Ai,t對超出運行范圍的節(jié)點電壓進(jìn)行懲罰，以消除目標(biāo)函數(shù)中的絕對值項，電壓越限成本變?yōu)椋?/p>

(22)

由此，模型轉(zhuǎn)化為MISOCP問題，可采用成熟求解器高效求解。

2 柔性互聯(lián)配電系統(tǒng)魯棒優(yōu)化調(diào)度

2.1 兩階段魯棒優(yōu)化方法

在確定性優(yōu)化調(diào)度模型基礎(chǔ)上，本節(jié)建立了柔性互聯(lián)配電系統(tǒng)的兩階段魯棒優(yōu)化模型?？紤]到不同時段的儲能狀態(tài)和網(wǎng)絡(luò)拓?fù)浯嬖跁r間上的耦合，同時部分儲能存在所有權(quán)歸屬問題需要提前確定充放電指令，而開關(guān)屬于慢動作設(shè)備應(yīng)避免實時控制，因此第二天各時段的儲能充放電功率和各時段的網(wǎng)絡(luò)拓?fù)湫枰C合全天所有時段的日前預(yù)測信息進(jìn)行全局優(yōu)化，并在日前進(jìn)行決策。因此，在第一階段，以儲能和網(wǎng)絡(luò)重構(gòu)為控制手段建立日前調(diào)度模型，模型不再是各時段相互獨立的單時段優(yōu)化問題，其調(diào)度決策會作為固定值傳遞給下一階段；在第二階段，依據(jù)第一階段解得的各時段儲能充放電調(diào)度指令、網(wǎng)絡(luò)拓?fù)浼皽?zhǔn)確的超短期預(yù)測信息，以FDS為控制手段，進(jìn)行快速、準(zhǔn)確、連續(xù)的有功、無功調(diào)控。此外，在第一階段模型求解過程中，為保證優(yōu)化決策的全局最優(yōu)，還需要考慮日內(nèi)再調(diào)度階段FDS對于DG出力不確定性的實時響應(yīng)能力，將FDS也作為控制變量參與優(yōu)化求解，但解得的FDS優(yōu)化調(diào)度指令僅作為第二階段量測缺失情況下的備用參考值，無需傳遞給第二階段。

2.2 數(shù)學(xué)模型

為表述清晰，引入第一階段控制變量x、第二階段控制變量和所有狀態(tài)變量y及場景變量d，構(gòu)建如下緊湊形式魯棒模型：

(23)

式中：L(x,d)為第一階段決策方案x和場景d下的目標(biāo)函數(shù)；X為所有可行的日前決策方案集合，包括各個時刻的網(wǎng)絡(luò)拓?fù)浜蛢δ艹浞烹姏Q策；Y(x,d)為決策x和場景d下的所有變量集合，定義為：

(24)

式中：由上向下依次表征不等式約束、等式約束和錐約束；D、f、A為所有線性不等式約束改寫為矩陣向量形式后的系數(shù)矩陣和右端向量；C為所有線性等式約束改寫為矩陣向量形式后的系數(shù)矩陣；G、g為所有二階錐約束改寫為矩陣向量形式后的系數(shù)矩陣和向量；控制變量D為所有DG出力場景的盒式不確定集合，定義如下：

(25)

2.3 求解算法

采用CCG算法求解，將模型拆分為主問題和子問題[19]，主、子問題均為MISOCP問題。其中，主問題考慮有限個子問題返回的惡劣場景約束，求解第一階段決策，并更新目標(biāo)函數(shù)下界；子問題求解主問題決策下的最惡劣場景反饋給主問題，并更新目標(biāo)函數(shù)上界。主問題為：

(26)

式中：s為子問題選出的最惡劣場景數(shù)，其數(shù)值也用于表示迭代次數(shù)k。

在主問題求解完成后更新目標(biāo)函數(shù)下界，將網(wǎng)絡(luò)拓?fù)浜蛢δ軟Q策傳遞給子問題。子問題目標(biāo)函數(shù)為各時段目標(biāo)之和，控制變量僅為FDS傳輸功率，故各個時段不再具有時間上的耦合性，可以并行計算。子問題形式如下：

(27)

式中：b為目標(biāo)函數(shù)改寫為矩陣向量形式后的系數(shù)向量；π、λ、σ、μ為約束對應(yīng)的拉格朗日乘子向量(對偶變量);上標(biāo)*對應(yīng)最優(yōu)解。

由于子問題為max-min問題，需要通過構(gòu)建拉格朗日對等式，將min問題轉(zhuǎn)為對偶max問題，轉(zhuǎn)化后模型如下：

(28)

子問題求解完成后更新目標(biāo)函數(shù)下界，并判斷迭代是否收斂，若不滿足迭代終止條件則將篩選出的最惡劣場景傳遞給主問題，并為主問題增加變量和約束。

2.4 子問題求解方法

原CCG子問題為MISOCP模型，求解耗時較長[20]，因此本文將各個時段的子問題分解為易于求解的整數(shù)線性規(guī)劃(integer linear programming, ILP)和二階錐規(guī)劃問題(second-order cone programming, SOCP)，通過輔助變量和對偶變量交替迭代，加速子問題的求解。計算流程如下：

1)以預(yù)測場景為初始狀態(tài)，設(shè)置表征場景的整數(shù)變量初值d*=d0，同時設(shè)定一個較大的數(shù)字為迭代上界；

2)令輔助變量d固定，求解如下內(nèi)層SOCP問題，其最優(yōu)目標(biāo)函數(shù)值作為子問題內(nèi)層迭代下界，并將解得的對偶變量(π,λ,δ,μ)傳遞給內(nèi)層ILP問題：

(29)

3)令對偶變量(π,λ,δ,μ)固定，求解如下內(nèi)層ILP問題，更新子問題內(nèi)層迭代上界，并將解得的輔助變量d傳遞給內(nèi)層SOCP問題：

(30)

4)判斷內(nèi)層問題是否收斂，若收斂則子問題該時段內(nèi)層迭代停止，求解子問題其他時刻；否則，返回步驟2)。

若24時段計算完成，則統(tǒng)計24時段計算結(jié)果，更新外層迭代上界，并將子問題解得的最惡劣場景傳遞給主問題，進(jìn)行外層迭代。改進(jìn)的CCG算法整體流程如圖1所示，圖中fm、fs分別為主、子問題的最優(yōu)目標(biāo)函數(shù)值。

圖1 算法流程圖

3 算例分析

采用改進(jìn)的33和69節(jié)點配電系統(tǒng)進(jìn)行測試，33節(jié)點系統(tǒng)中光伏、風(fēng)機、儲能、FDS配置情況如圖2所示。其中，節(jié)點18、22、33之間通過一個三端FDS實現(xiàn)柔性互聯(lián)，F(xiàn)DS容量為1.5 MV·A，可調(diào)無功上限為0.5 MV·A，傳輸效率為98%；節(jié)點6配置了儲能，其最大充放電功率為300 kW，容量為1.0 MW·h，初始荷電狀態(tài)為50%，最大/最小荷電狀態(tài)為90%/20%，充放電效率為95%；單個光伏和風(fēng)機裝機容量分別為600 kW和300 kW，設(shè)置光伏、風(fēng)機出力在預(yù)測值基礎(chǔ)上分別上下波動20%、30%，如圖3所示。設(shè)置Cact=18，Ccut=1.5。采用AMPL建模語言[21]編程，調(diào)用CPLEX12.7求解器進(jìn)行求解，測試平臺為一使用i7-9700處理器的筆記本電腦，其運行頻率和內(nèi)存分別為2.40 GHz和16 GB。

圖2 33節(jié)點配電系統(tǒng)

圖3 DG出力波動區(qū)間

3.1 日前調(diào)度方案分析

將本文方法與基于DG出力日前預(yù)測值的確定性優(yōu)化(deterministic optimization, DO)以及文獻(xiàn)[7]中基于CCG算法的魯棒優(yōu)化(robust optimization, RO)結(jié)果對比。表1中展示了Г不同取值下的計算結(jié)果。其中，Г=0即為預(yù)測場景，其結(jié)果與確定性優(yōu)化方案一致。隨著Г的增大，相應(yīng)調(diào)度策略更為可靠，但其經(jīng)濟性能也會相應(yīng)變差。此外，在部分參數(shù)下本文方法目標(biāo)函數(shù)和所尋場景略有偏差。以Г=4為例，表征DG出力波動的336個整數(shù)變量僅有2處不同。

表1 不同Г下目標(biāo)函數(shù)

為進(jìn)一步測試該偏差對配電系統(tǒng)經(jīng)濟性與可靠性的影響，設(shè)定Г=4，三種求解方法下各個時段的網(wǎng)絡(luò)拓?fù)渑c儲能調(diào)度決策如表2和圖4所示。

表2 網(wǎng)絡(luò)拓?fù)錄Q策方案

圖4 儲能剩余電量曲線

由表2和圖4可見，魯棒優(yōu)化相較于確定性優(yōu)化選擇了更為保守的網(wǎng)絡(luò)重構(gòu)方案，在8時與16時均增加了開關(guān)的動作次數(shù)，儲能也在13時的光伏出力峰值到來前提前進(jìn)行放電。同時，本文方法與原CCG算法開關(guān)動作次序完全一致，儲能充放電功率僅在7時和11時略有差異。此外，三種決策方案的棄光、棄風(fēng)均為0，表明儲能、開關(guān)與FDS的協(xié)調(diào)配合能夠在保障供電可靠性的基礎(chǔ)上實現(xiàn)DG全消納。

基于上述決策，對DG出力進(jìn)行500組蒙特卡洛抽樣驗證，結(jié)果如表3所示。

表3 蒙特卡羅抽樣測試結(jié)果

由表3可見，魯棒優(yōu)化相較于確定性優(yōu)化犧牲了少量的平均有功損耗，大幅度降低了最大有功損耗，確保了電壓不發(fā)生越限，能夠更好地應(yīng)對較惡劣的DG出力場景。同時，相較于原CCG算法，本文方法生成的決策同樣保障了供電可靠性，且具有較小的平均成本，并未犧牲系統(tǒng)的經(jīng)濟性和可靠性。

3.2 日前與日內(nèi)優(yōu)化結(jié)果分析

為進(jìn)一步分析各階段優(yōu)化控制在不同場景下發(fā)揮的作用，以DG出力預(yù)測無偏差作為最理想場景；以3.1節(jié)500組蒙特卡羅抽樣場景中，使確定性優(yōu)化決策下電壓越限懲罰項最大的場景作為最惡劣場景進(jìn)行驗證，對日前魯棒優(yōu)化(day-ahead robust optimization, DA-RO)、日前確定性優(yōu)化(day-ahead deterministic optimization, DA-DO)、日內(nèi)優(yōu)化(intra-day optimization, IDO)結(jié)果進(jìn)行詳細(xì)分析。

在最理想場景下，DA-DO決策為全局最優(yōu)決策，其IDO前后結(jié)果一致。由于RO與DO方案均未發(fā)生電壓越限，故僅從經(jīng)濟性的角度進(jìn)行分析。圖5、6為FDS功率日前參考值與日內(nèi)調(diào)度決策；圖7為在最理想場景下，DA-DO、DA-RO、DA-RO+IDO三種調(diào)度方案的綜合運行成本及相對百分比，其中三種顏色的柱狀圖分別表示三種調(diào)度方案的綜合運行成本，兩條實線折線分別表示DA-RO、DA-RO+IDO與DA-DO綜合成本的相對百分比，即：

圖5 FDS日前調(diào)度參考值(理想場景, DA-RO)

圖6 FDS日內(nèi)調(diào)度結(jié)果(理想場景, DA-RO+IDO)

圖7 DA-RO決策下的IDO前后對比

(31)

式中：fDA-DO、fDA-RO、fDA-IDO分別為DA-DO、DA-RO、DA-IDO三種調(diào)度方案下各時刻系統(tǒng)綜合運行成本。

從折線圖來看，各時段中DA-RO的運行成本較DA-DO增加的相對百分比較大，尤其8、13、16時段，增幅可達(dá)20%，說明在DG真實出力已知的情況下，魯棒優(yōu)化決策較確定性優(yōu)化決策更加保守。其中，8和16時主要由于開關(guān)動作導(dǎo)致；而13時DA-RO決策為確保DG極限出力下電壓的魯棒性，選擇了更為保守的調(diào)度方案致使該時刻綜合成本相較于最優(yōu)方案增加了16.22%。經(jīng)由圖6所示的FDS實時調(diào)度，13時綜合成本降低了8.45%。此外，在22:00至次日06:00，因DA-RO與DA-DO得到的網(wǎng)絡(luò)拓?fù)渑c儲能決策一致，經(jīng)由FDS的IDO調(diào)度可將該時段的成本偏差降為0。綜合全天評判，DA-RO在最理想場景下的運行成本相較于DA-DO增加了11.43%；同時，這一幅度可以經(jīng)由IDO調(diào)度降至6.07%，有效提升系統(tǒng)運行的經(jīng)濟性。

在最惡劣場景下，DA-DO決策方案的電壓偏差幅度達(dá)到最大，其節(jié)點電壓曲線如圖8所示，可以明顯看出在光伏出力較大的12、13時電壓越過了上限；在負(fù)荷較大的20時電壓越過了下限。DA-DO經(jīng)由IDO調(diào)度后的節(jié)點電壓曲線如圖9所示，其FDS功率的日前參考值與日內(nèi)調(diào)度決策如圖10—11所示。作為對比，DA-RO與IDO結(jié)合的節(jié)點電壓曲線如圖12所示。

圖8 日前所有節(jié)點電壓參考值(惡劣場景, DA-DO)

圖9 日內(nèi)所有節(jié)點電壓(惡劣場景, DA-DO+IDO)

圖10 FDS功率日前參考值(惡劣場景, DA-RO)

圖11 FDS日內(nèi)調(diào)度結(jié)果(惡劣場景, DA-RO+IDO)

圖12 日前所有節(jié)點電壓(惡劣場景, DA-RO+IDO)

結(jié)合圖10的FDS的IDO調(diào)度決策，對比圖8、9可知，12時與20時的電壓經(jīng)由IDO達(dá)到安全運行范圍。但在13時，隨著FDS傳輸功率提升至最大，該時段的電壓峰值明顯降低，但由于傳輸容量限制仍未能達(dá)到安全運行范圍，體現(xiàn)了DA-DO與IDO相結(jié)合在部分惡劣場景下的局限性，驗證了DA-RO的必要性。

3.3 FDS和重構(gòu)協(xié)調(diào)對DG接納能力提升效果

本節(jié)在確保電壓的魯棒性的前提下，計算各種調(diào)控手段對DG接納能力的提升效果。設(shè)計了7種測試方案，如表4所示，方案2至4分別采用儲能、FDS以及重構(gòu)三種單一手段進(jìn)行測試；方案5至6對比了靜態(tài)重構(gòu)與動態(tài)重構(gòu)策略；方案7是基于本文兩階段調(diào)度框架下的多種手段協(xié)調(diào)配合方案。具體測試結(jié)果如表5所示。

表4 測試方案

表5 算例運行結(jié)果

由表5可見，本文采用多手段聯(lián)合調(diào)度方案7可有效降低系統(tǒng)綜合成本，實現(xiàn)DG出力全額消納。對比方案2至4可知，相較于儲能受限于安裝位置以及傳統(tǒng)機械開關(guān)需要頻繁動作，F(xiàn)DS依賴其潮流轉(zhuǎn)供與無功補償能力能夠更好地均衡各條饋線的電壓，有效提高DG接納能力。此外，方案5采用了提前劃分重構(gòu)時段的靜態(tài)網(wǎng)絡(luò)重構(gòu)方案，求解各個時段內(nèi)的局部最優(yōu)調(diào)度方案[13]，但是其模型在各個時段互不關(guān)聯(lián)，不能直接配合儲能進(jìn)行優(yōu)化調(diào)度。與之相對，方案6的動態(tài)重構(gòu)方案得到了相同開關(guān)動作次數(shù)下系統(tǒng)全天能量損耗更小的全局最優(yōu)解，并在方案7中添加了儲能進(jìn)一步提高DG消納能力。

3.4 計算時間

最后，采用不同規(guī)模的系統(tǒng)對本文方法進(jìn)行測試，兩個系統(tǒng)中DG的接入數(shù)量均為6，計算時間如表6所示。

表6 不同系統(tǒng)計算時間對比

由表6可知，本文方法在不同的測試系統(tǒng)中均具有良好的收斂性，且大幅提高了對偶子問題的求解速度。影響計算時間的主要因素是模型中整數(shù)變量的個數(shù)，主問題的整數(shù)變量個數(shù)取決于傳統(tǒng)機械開關(guān)的數(shù)量，子問題的整數(shù)變量個數(shù)取決于Г及DG接入數(shù)量。此外，迭代過程中主問題的變量與約束會隨迭代次數(shù)不斷增加也是其求解時間高于子問題的重要原因。

表7展示了計算時間隨DG數(shù)量的變化情況。由表7可見，隨著DG數(shù)量增加，模型中整數(shù)變量個數(shù)也在不斷增加，本文方法計算時間較原CCG算法漲幅更小，適用于未來DG大規(guī)模接入的場景。

表7 不同DG數(shù)量下的計算時間

4 結(jié) 論

本文考慮FDS與儲能、動態(tài)重構(gòu)等多種調(diào)控手段，提出了柔性互聯(lián)配電系統(tǒng)兩階段魯棒優(yōu)化調(diào)度方法，實現(xiàn)了DG出力全消納，確保了DG出力不確定下的供電可靠性。與其他方法相比具有如下優(yōu)勢：

1)相較于FDS與靜態(tài)重構(gòu)協(xié)調(diào)配合，本文采用FDS與全局動態(tài)重構(gòu)、儲能協(xié)調(diào)配合，考慮了各時段之間的關(guān)聯(lián)性，在保障DG接納比例的同時，具有更小的綜合成本與開關(guān)動作次數(shù)；

2)相較于原CCG算法，本文方法具有較快的求解速度，這一優(yōu)勢會隨著系統(tǒng)規(guī)模以及DG數(shù)量的增加而凸顯。此外，通過FDS的實時調(diào)控，可進(jìn)一步提升系統(tǒng)的可靠性與經(jīng)濟性。

由于本文選用了保守度可調(diào)的盒式不確定集合，未考慮各DG在時間和空間維度上的關(guān)聯(lián)性，具有一定的保守性。同時，本文側(cè)重于日前魯棒調(diào)度，對日內(nèi)協(xié)調(diào)控制策略的研究還不充分。后續(xù)將從不確定集合選取以及日內(nèi)多時間尺度滾動優(yōu)化等角度開展相關(guān)研究。