李 勇 凌 鋒 喬學(xué)博 鐘俊杰 曹一家

基于網(wǎng)側(cè)資源協(xié)調(diào)的自儲能柔性互聯(lián)配電系統(tǒng)日前-日內(nèi)優(yōu)化

李 勇1凌 鋒1喬學(xué)博2,3鐘俊杰1曹一家1

（1. 湖南大學(xué)電氣與信息工程學(xué)院 長沙 410082 2. 南方電網(wǎng)科學(xué)研究院有限責(zé)任公司 廣州 510663 3. 華中科技大學(xué)電氣與電子工程學(xué)院 武漢 430074）

為優(yōu)化儲能型智能軟開關(guān)（E-SOP）、傳統(tǒng)網(wǎng)側(cè)調(diào)控設(shè)備的運(yùn)行策略，提升高滲透率光伏配電網(wǎng)運(yùn)行水平，提出了基于網(wǎng)側(cè)資源協(xié)調(diào)的自儲能柔性互聯(lián)配電系統(tǒng)日前-日內(nèi)優(yōu)化模型。首先，提出了“源網(wǎng)荷儲”下多種網(wǎng)側(cè)資源協(xié)調(diào)利用的多時(shí)間尺度優(yōu)化控制架構(gòu)；其次，在日前階段構(gòu)建計(jì)及有載調(diào)壓變壓器、無功補(bǔ)償裝置、聯(lián)絡(luò)開關(guān)、E-SOP和柔性負(fù)荷的長時(shí)間有功-無功聯(lián)合優(yōu)化模型，在日內(nèi)階段建立多目標(biāo)滾動優(yōu)化模型，并采用線性化方法將模型轉(zhuǎn)換為混合整數(shù)線性規(guī)劃模型；然后，基于KL散度構(gòu)建源荷不確定性模糊集，給出日前兩階段分布魯棒優(yōu)化模型轉(zhuǎn)化過程和基于列與約束生成算法的求解方法；最后，算例仿真驗(yàn)證所提方法的有效性。

儲能型智能軟開關(guān) 柔性互聯(lián)配電系統(tǒng) 分布魯棒優(yōu)化 滾動優(yōu)化 日前-日內(nèi)優(yōu)化

0 引言

在“碳達(dá)峰、碳中和”目標(biāo)的推動下，分布式電源（Distributed Generation, DG）規(guī)模迅速發(fā)展，高滲透率可再生能源DG將成為新型配電系統(tǒng)的重要特征之一。然而，大量DG接入配電網(wǎng)后，其出力的隨機(jī)性和波動性極易造成系統(tǒng)雙向潮流、電壓越限、線路過載等問題[1]。主動配電網(wǎng)通過網(wǎng)側(cè)有載調(diào)壓變壓器（On-Load Tap Changer, OLTC）調(diào)節(jié)、電容器組（Capacitor Bank, CB）投切、拓?fù)渲貥?gòu)優(yōu)化、DG有功-無功控制等實(shí)現(xiàn)系統(tǒng)運(yùn)行優(yōu)化[2-3]。而智能軟開關(guān)（Soft Open Point, SOP）作為可替換聯(lián)絡(luò)開關(guān)的新型電力電子設(shè)備，接入配電網(wǎng)可實(shí)現(xiàn)饋線間潮流精準(zhǔn)控制、動態(tài)無功補(bǔ)償和供電方式靈活切換等功能[4]?？紤]到當(dāng)前SOP的成本仍然較高，有必要研究SOP和傳統(tǒng)調(diào)控設(shè)備的協(xié)調(diào)優(yōu)化以實(shí)現(xiàn)配電網(wǎng)多時(shí)間尺度經(jīng)濟(jì)安全運(yùn)行。

國內(nèi)外針對SOP與傳統(tǒng)調(diào)控設(shè)備協(xié)調(diào)參與配電網(wǎng)運(yùn)行優(yōu)化已開展了一定研究。文獻(xiàn)[5]建立了聯(lián)絡(luò)開關(guān)和SOP并存時(shí)配電網(wǎng)運(yùn)行的時(shí)序優(yōu)化模型；文獻(xiàn)[6]構(gòu)建了含SOP和CB的雙層運(yùn)行優(yōu)化模型；文獻(xiàn)[7]提出了考慮SOP和CB、OLTC的電壓和無功優(yōu)化協(xié)調(diào)控制模型；文獻(xiàn)[8]建立了考慮SOP、需求側(cè)響應(yīng)、儲能優(yōu)化和網(wǎng)絡(luò)重構(gòu)的配電網(wǎng)日前優(yōu)化模型；文獻(xiàn)[9]建立了SOP與聯(lián)絡(luò)開關(guān)協(xié)調(diào)的日前-日內(nèi)滾動兩階段優(yōu)化模型。上述文獻(xiàn)均基于確定性優(yōu)化模型展開研究，忽略了新型源荷大規(guī)模接入帶來的不確定性影響。

文獻(xiàn)[10]建立了基于場景分析法的有源配電網(wǎng)DG與SOP三層協(xié)調(diào)規(guī)劃模型，并采用并行遺傳算法與錐規(guī)劃混合算法求解模型；文獻(xiàn)[11]建立了DG和負(fù)荷的時(shí)序多狀態(tài)隨機(jī)場景模型，并提出了協(xié)調(diào)DG、CB和SOP的機(jī)會約束規(guī)劃模型。文獻(xiàn)[12]建立了考慮高滲透光伏接入的主動配電網(wǎng)兩階段SOP魯棒優(yōu)化模型；文獻(xiàn)[13]構(gòu)建了一種含SOP、OLTC和CB的柔性互聯(lián)配電網(wǎng)三階段魯棒電壓控制模型。然而，隨機(jī)優(yōu)化方法的不確定性參數(shù)概率分布獲取困難，而魯棒優(yōu)化在最惡劣情況下進(jìn)行決策，計(jì)算結(jié)果過于保守[14]。近年來，分布魯棒優(yōu)化（Distributionally Robust Optimization, DRO）開始受到廣泛關(guān)注。文獻(xiàn)[15]采用綜合范數(shù)約束不確定性場景概率分布置信集合，構(gòu)建了基于數(shù)據(jù)驅(qū)動的含SOP配電網(wǎng)多目標(biāo)DRO調(diào)度模型。文獻(xiàn)[16]建立源荷預(yù)測誤差的不確定性概率集合，計(jì)及OLTC和CB運(yùn)行約束構(gòu)建了柔性互聯(lián)配電網(wǎng)兩階段分布魯棒機(jī)會約束優(yōu)化模型。DRO方法通過尋找不確定變量最惡劣概率分布下的解[17]，可確保優(yōu)化方案的經(jīng)濟(jì)性和魯棒性。因此，本文將引入DRO方法進(jìn)行柔性互聯(lián)配電網(wǎng)不確定性優(yōu)化問題的研究。

儲能和SOP的聯(lián)合優(yōu)化能充分應(yīng)對源荷的不確定性，提升配電網(wǎng)運(yùn)行經(jīng)濟(jì)性[18]。相對于獨(dú)立配置儲能和SOP，儲能型SOP（Soft Open Points with Energy Storage, E-SOP）具備更為靈活的時(shí)空調(diào)節(jié)能力，且具有更小的體積和成本[19]。文獻(xiàn)[20]構(gòu)建了協(xié)調(diào)DG、E-SOP的柔性互聯(lián)配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度模型，重點(diǎn)分析了日前優(yōu)化階段E-SOP的有效性。文獻(xiàn)[3]提出了協(xié)調(diào)OLTC和E-SOP的日前-日內(nèi)兩階段區(qū)間優(yōu)化調(diào)度模型，日前階段優(yōu)化得到儲能荷電狀態(tài)（State of Charge, SOC）區(qū)間和OLTC狀態(tài)，日內(nèi)滾動優(yōu)化得到儲能SOC和SOP各端功率。文獻(xiàn)[19]建立了協(xié)調(diào)OLTC、CB和E-SOP的自儲能柔性互聯(lián)配電網(wǎng)多時(shí)間尺度電壓優(yōu)化模型。文獻(xiàn)[3]和[19]的結(jié)果表明多時(shí)間尺度優(yōu)化調(diào)度能更好地協(xié)調(diào)各種可調(diào)度資源，提升配電網(wǎng)運(yùn)行經(jīng)濟(jì)性和安全性。然而，以上文獻(xiàn)對網(wǎng)側(cè)多類型調(diào)控資源的考慮還不夠全面，多時(shí)間尺度協(xié)調(diào)運(yùn)行策略還需進(jìn)一步研究。

此外，傳統(tǒng)網(wǎng)側(cè)調(diào)控資源的離散性、快慢特性和E-SOP的時(shí)序性決定了自儲能柔性互聯(lián)配電網(wǎng)優(yōu)化調(diào)度模型是一個(gè)多時(shí)段強(qiáng)耦合的混合整數(shù)非線性規(guī)劃模型，且源荷的不確定性使得模型求解難度進(jìn)一步加大。文獻(xiàn)[21]通過凸松弛和線性化將混合整數(shù)非線性模型轉(zhuǎn)化為混合整數(shù)線性規(guī)劃模型進(jìn)行求解，文獻(xiàn)[14]采用列與約束生成（Column and Constraint Generation, C&CG）算法求解考慮不確定性的兩階段混合整數(shù)線性規(guī)劃模型以提升求解效率，本文同樣引入凸松弛、線性化方法轉(zhuǎn)化模型，并采用C&CG算法進(jìn)行優(yōu)化求解。

綜上所述，為發(fā)揮傳統(tǒng)網(wǎng)側(cè)調(diào)控資源和E-SOP的綜合優(yōu)勢并提升高滲透率分布式光伏（Distributed Photovoltaic, DPV）配電網(wǎng)的運(yùn)行效益，本文提出了基于網(wǎng)側(cè)資源協(xié)調(diào)的自儲能柔性互聯(lián)配電系統(tǒng)日前-日內(nèi)優(yōu)化方法。首先，提出了日前-日內(nèi)優(yōu)化框架；其次，建立日前長時(shí)間尺度不確定性優(yōu)化模型和日內(nèi)多目標(biāo)滾動優(yōu)化模型，并將模型線性化；然后，基于KL散度構(gòu)建源荷不確定性模糊集，將日前兩階段優(yōu)化模型轉(zhuǎn)化為分布魯棒優(yōu)化模型，并分別利用C&CG算法和理想點(diǎn)法求解日前和日內(nèi)優(yōu)化模型；最后，算例仿真驗(yàn)證所提方法的正確性和有效性。

1 日前-日內(nèi)優(yōu)化框架

本文以含高滲透率DPV的自儲能柔性互聯(lián)配電系統(tǒng)為研究對象，該系統(tǒng)包含基礎(chǔ)負(fù)荷和柔性負(fù)荷（Flexible Load, FL），網(wǎng)側(cè)資源包含OLTC、CB、靜止無功補(bǔ)償器（Static Var Compensator, SVC）、聯(lián)絡(luò)開關(guān)與E-SOP，其中E-SOP可替換聯(lián)絡(luò)開關(guān)與配電網(wǎng)節(jié)點(diǎn)相連，其典型結(jié)構(gòu)如附圖1所示。為充分協(xié)調(diào)發(fā)揮多種資源的快慢調(diào)節(jié)特性，提出了多時(shí)間尺度優(yōu)化控制框架如圖1所示，由日前優(yōu)化、日內(nèi)優(yōu)化和實(shí)時(shí)優(yōu)化三個(gè)階段組成。本文側(cè)重于網(wǎng)側(cè)資源協(xié)調(diào)利用，主要從日前和日內(nèi)兩個(gè)時(shí)間尺度進(jìn)行分析。

1.1 日前優(yōu)化階段

在配電網(wǎng)實(shí)際運(yùn)行中，OLTC和CB等離散裝置不做連續(xù)調(diào)節(jié)，網(wǎng)絡(luò)拓?fù)湟膊荒茴l繁調(diào)整，需要在日前階段給出其運(yùn)行方案。此外，儲能系統(tǒng)也需要調(diào)度中心預(yù)先下發(fā)充放電控制指令。根據(jù)DPV和負(fù)荷的預(yù)測不確定性集合，采用兩階段DRO方法進(jìn)行日前優(yōu)化，優(yōu)化時(shí)間間隔為1 h。然后，將日前網(wǎng)絡(luò)重構(gòu)方案、小時(shí)級的OLTC及CB動作情況、儲能充放電時(shí)刻和柔性負(fù)荷響應(yīng)時(shí)刻提前一天交付給運(yùn)行控制人員。同時(shí)，日前階段要將優(yōu)化得到的儲能運(yùn)行區(qū)間和FL響應(yīng)區(qū)間（即SOC上、下限和FL削減率的上、下限值）傳遞給日內(nèi)階段，作為日內(nèi)優(yōu)化模型的儲能和FL運(yùn)行約束。

1.2 日內(nèi)優(yōu)化階段

日內(nèi)優(yōu)化階段，DPV和負(fù)荷的短期預(yù)測能獲得更為精確的結(jié)果，以15 min為間隔循環(huán)滾動求解各裝置的運(yùn)行策略?；谌涨皟?yōu)化階段傳遞的調(diào)度策略，以E-SOP各端口出力、SVC無功功率、DPV無功出力和FL響應(yīng)功率作為控制變量，以系統(tǒng)網(wǎng)損和電壓偏移最小為目標(biāo)建立優(yōu)化模型，獲取各控制量的日內(nèi)分鐘級運(yùn)行策略。需要說明的是，實(shí)時(shí)優(yōu)化階段可以利用DPV無功調(diào)節(jié)、SVC和SOP控制實(shí)現(xiàn)就地電壓控制以減少高低電壓越限問題。

2 日前-日內(nèi)優(yōu)化調(diào)度模型

2.1 日前長時(shí)間優(yōu)化模型

2.1.1 目標(biāo)函數(shù)

2.1.2 約束條件

1）潮流約束[21]

2）安全約束

3）DPV無功約束[22]

4）E-SOP運(yùn)行約束

多端E-SOP的數(shù)學(xué)模型可表示為

為了保證在日內(nèi)優(yōu)化階段儲能運(yùn)行策略能滿足全時(shí)段最優(yōu)，即能滿足各源荷不確定性場景，本部分引入儲能功率區(qū)間約束[3]，即

5）網(wǎng)絡(luò)重構(gòu)約束

配電網(wǎng)絡(luò)需滿足輻射狀與連通性約束，約束可表示為[8]

考慮網(wǎng)絡(luò)重構(gòu)后，潮流方程可改寫成

上述改寫的潮流方程是非凸的，采用大M法引入不等式約束對其進(jìn)行松弛。此時(shí)，對斷開支路來說，其有功功率、無功功率和支路電流為0，而對于閉合支路該約束不起作用。

于是潮流方程可轉(zhuǎn)換為

式中，1～4為大法引入的足夠大的正數(shù)。

6）其他約束

OLTC、SVC、CB和FL等運(yùn)行約束可參考文獻(xiàn)[21]，如附錄所示。

2.2 日內(nèi)多目標(biāo)滾動優(yōu)化模型

在日內(nèi)優(yōu)化階段，超短期DPV出力和負(fù)荷預(yù)測相對準(zhǔn)確，DPV出力和負(fù)荷采用點(diǎn)預(yù)測值。以15 min為時(shí)間間隔，依據(jù)2 h的超短期源荷預(yù)測結(jié)果，對日前計(jì)劃進(jìn)行修正，前一時(shí)段結(jié)束后更新預(yù)測信息重新進(jìn)行優(yōu)化求解，不斷向前推移時(shí)段、循環(huán)滾動，直至24 h結(jié)束，實(shí)現(xiàn)日內(nèi)滾動優(yōu)化[23]。

1）目標(biāo)函數(shù)

以網(wǎng)損和電壓偏移最小為目標(biāo)，即

2）約束條件

日內(nèi)優(yōu)化的潮流約束、安全約束、SVC約束、DPV無功約束和E-SOP約束，與日前優(yōu)化一致。除此之外，還應(yīng)包含日前優(yōu)化得到的OLTC和CB動作狀態(tài)、聯(lián)絡(luò)開關(guān)動作方案、儲能和FL區(qū)間約束。

需要說明的是，上述日前、日內(nèi)優(yōu)化模型建立后，采用文獻(xiàn)[21]的線性化方法將其轉(zhuǎn)換為混合整數(shù)線性規(guī)劃模型，轉(zhuǎn)換過程見附錄。

3 模型轉(zhuǎn)換與求解方法

3.1 日前兩階段分布魯棒優(yōu)化模型

為處理源荷日前預(yù)測的不確定性，本文提出了基于數(shù)據(jù)驅(qū)動的兩階段自儲能柔性互聯(lián)配電網(wǎng)DRO模型。將2.1.1節(jié)中模型式（1）改寫為min-max-min形式。

本文研究中，第一階段以O(shè)LTC和CB控制策略、聯(lián)絡(luò)開關(guān)動作情況為決策變量；而第二階段則以DPV和負(fù)荷的不確定性出力場景概率分布、FL響應(yīng)功率為變量，不含二進(jìn)制變量。第一階段和第二階段交替迭代求解，第一階段得到最優(yōu)決策量傳遞給第二階段，第二階段優(yōu)化計(jì)算得到最差場景概率分布并返回給第一階段，給出日前調(diào)度方案。

3.1.1 基于KL散度的模糊集

通過統(tǒng)計(jì)DPV和負(fù)荷歷史數(shù)據(jù)，構(gòu)建基于KL散度的DPV和負(fù)荷模糊集。具體步驟如下：

當(dāng)樣本數(shù)量足夠大時(shí)，可用式（41）計(jì)算得到的離散概率分布作為某個(gè)時(shí)段單位容量DPV（或負(fù)荷）的參考概率分布[24]。

3.1.2 日前分布魯棒優(yōu)化模型求解

針對式（38）的DRO模型，本文采用C&CG算法求解，將模型解耦為、子問題和主問題迭代求解[14]。

1）子問題

（1）先求解下層個(gè)混合整數(shù)線性規(guī)劃模型，如式（44）所示。

（2）將下層模型求得的最優(yōu)值代入上層模型，此時(shí)優(yōu)化得到的目標(biāo)函數(shù)值即為原問題的上界。

2）主問題

3）C&CG算法求解步驟

采用C&CG算法求解上述模型的步驟如下：

（3）求解兩步解耦后的子問題，將最差場景概率分布傳遞給主問題，并更新上界值B

求解流程如圖2所示。

圖2 日前優(yōu)化算法求解流程

3.2 日內(nèi)多目標(biāo)優(yōu)化求解方法

日內(nèi)滾動優(yōu)化為多目標(biāo)優(yōu)化問題，本文采用理想點(diǎn)法將其轉(zhuǎn)換為單目標(biāo)優(yōu)化問題。

理想點(diǎn)法利用各個(gè)目標(biāo)的最優(yōu)解將目標(biāo)函數(shù)與最優(yōu)解的距離作為新的目標(biāo)函數(shù)，即

上述基于歐式距離的理想點(diǎn)法為非線性的，引入曼哈頓距離對求解方程進(jìn)行修正，則可以得到

經(jīng)過上述轉(zhuǎn)換后，式（49）中仍存在絕對值非線性項(xiàng)，同樣采用附錄的絕對值線性化處理方法。

將日前優(yōu)化階段的優(yōu)化結(jié)果傳遞給日內(nèi)優(yōu)化階段后，根據(jù)2.2節(jié)所述的求解流程，更新DPV和負(fù)荷預(yù)測結(jié)果以及各設(shè)備運(yùn)行狀態(tài)值進(jìn)行滾動求解。

4 算例分析

4.1 算例說明

本文以改進(jìn)的中國某51節(jié)點(diǎn)農(nóng)村配電網(wǎng)進(jìn)行算例分析，系統(tǒng)如附圖2所示[21]。DPV接入位置及容量見附表1，且逆變器最小功率因數(shù)為0.9；E-SOP各端分別與節(jié)點(diǎn)14、32、48相連，容量均設(shè)置為600 kV?A，損耗系數(shù)為0.02，儲能參數(shù)見附表2；OLTC抽頭可調(diào)節(jié)范圍為±4×1.25%；假設(shè)節(jié)點(diǎn)11、33、47、51為FL，最大削減率為1，削減速率系數(shù)為0.3；SVC安裝位置為節(jié)點(diǎn)14、48，可調(diào)范圍為-500～500 kvar；CB安裝位置為節(jié)點(diǎn)9、31，單位容量為100 kvar，共安裝5組；設(shè)置5條聯(lián)絡(luò)線路，其中2條由E-SOP替代，如附圖2所示。購售電分時(shí)電價(jià)見附表3[25]。FL補(bǔ)償成本系數(shù)為0.6元/(kW×h)[22]。日前DPV和負(fù)荷典型場景、日內(nèi)滾動預(yù)測結(jié)果分別如附圖3a、附圖3b所示。本文模型采用GAMS軟件調(diào)用CPLEX求解器進(jìn)行優(yōu)化求解。C&CG算法迭代收斂判據(jù)常數(shù)取0.01。

4.2 日前長時(shí)間優(yōu)化分析

日前優(yōu)化階段，設(shè)置4個(gè)案例進(jìn)行仿真分析。案例1：考慮CB、SVC和E-SOP優(yōu)化；案例2：考慮CB、SVC、E-SOP優(yōu)化和網(wǎng)絡(luò)重構(gòu)；案例3：考慮CB、SVC、E-SOP和OLTC優(yōu)化；案例4：考慮CB、SVC、E-SOP、OLTC優(yōu)化和網(wǎng)絡(luò)重構(gòu)。

4.2.1 運(yùn)行經(jīng)濟(jì)性分析

各算例運(yùn)行成本結(jié)果見表1。相比案例1，案例2、3、4的總運(yùn)行成本分別降低1.0%、7.42%和8.03%，且E-SOP、OLTC和網(wǎng)絡(luò)重構(gòu)協(xié)調(diào)優(yōu)化（即案例4）對運(yùn)行成本的降低是最優(yōu)的。由案例2、3的結(jié)果可知，OLTC相比網(wǎng)絡(luò)重構(gòu)優(yōu)化對系統(tǒng)運(yùn)行成本的降低效果更優(yōu)。相比案例2，案例3、4對系統(tǒng)網(wǎng)損成本降低效果更為明顯，分別降低了0.082 6萬元和0.088 4萬元，這是因?yàn)镺LTC通過調(diào)節(jié)系統(tǒng)首端電壓優(yōu)化了系統(tǒng)全局電壓分布情況，從而更好地降低系統(tǒng)網(wǎng)損。

表1 不同案例運(yùn)行成本

Tab.1 Operating costs of different cases （單位：萬元）

4.2.2 CB、OLTC和網(wǎng)絡(luò)重構(gòu)結(jié)果分析

案例1～4的CB投切組數(shù)情況如附圖4所示。由附圖4可知，各案例中節(jié)點(diǎn)9和節(jié)點(diǎn)31處的CB投切組數(shù)是不一致的，其中不考慮OLTC優(yōu)化的案例1、2中CB投切組數(shù)較多，且CB投切動作較頻繁，這是因?yàn)闉榱吮３窒到y(tǒng)電壓在允許范圍內(nèi)且降低網(wǎng)損，網(wǎng)側(cè)需要提供更多的無功支撐。

案例3、4的OLTC調(diào)節(jié)情況如圖3所示。由圖3可知，光伏出力較高時(shí)，系統(tǒng)整體電壓水平較高以減少系統(tǒng)網(wǎng)損，兩案例中OLTC也維持在較高擋位；且兩案例中OLTC的擋位均是大于4的，這是為了保證在光伏不出力時(shí)，系統(tǒng)末端節(jié)點(diǎn)也能維持較高的電壓水平以確保配電網(wǎng)安全運(yùn)行。

圖3 不同案例OLTC擋位優(yōu)化結(jié)果

案例2和4網(wǎng)絡(luò)重構(gòu)后的系統(tǒng)拓?fù)淙绺綀D5所示。由附圖5可知，兩種案例下網(wǎng)絡(luò)重構(gòu)結(jié)果是不一致的，但系統(tǒng)仍然滿足輻射狀運(yùn)行約束。

4.2.3 儲能和FL區(qū)間結(jié)果分析

案例4儲能SOC優(yōu)化區(qū)間和FL響應(yīng)時(shí)間/區(qū)間分別如附圖6和附圖7所示。由附圖6可知，優(yōu)化得到的初始SOC值為0.2～0.6，且儲能SOC值的區(qū)間寬度在0.2和0.4之間變化。由附圖7可知，4個(gè)FL節(jié)點(diǎn)的響應(yīng)時(shí)刻均為光伏出力較小的時(shí)刻，且此時(shí)段削減補(bǔ)償費(fèi)用是低于配網(wǎng)購電價(jià)格的，此時(shí)FL進(jìn)行需求響應(yīng)以維持系統(tǒng)運(yùn)行經(jīng)濟(jì)性。需要說明的是，與儲能SOC區(qū)間優(yōu)化不同，為應(yīng)對所有不確定性場景，F(xiàn)L區(qū)間結(jié)果是由所有場景下的FL響應(yīng)結(jié)果疊加得到的。

4.3 日內(nèi)滾動優(yōu)化分析

4.3.1 多目標(biāo)優(yōu)化結(jié)果分析

為說明本文多目標(biāo)優(yōu)化的有效性，本部分引入單目標(biāo)優(yōu)化進(jìn)行對比驗(yàn)證，對比結(jié)果見表2。其中，網(wǎng)損單目標(biāo)優(yōu)化中，電壓偏差根據(jù)96個(gè)時(shí)間段的實(shí)際電壓分布情況計(jì)算得到；電壓單目標(biāo)優(yōu)化中，網(wǎng)損值則根據(jù)優(yōu)化后的潮流分布計(jì)算得到。由表2可知，采用多目標(biāo)優(yōu)化的網(wǎng)損值和電壓偏差介于兩個(gè)單目標(biāo)的優(yōu)化結(jié)果之間，多目標(biāo)優(yōu)化可兼顧系統(tǒng)網(wǎng)損優(yōu)化和電壓優(yōu)化，確保系統(tǒng)具有較好的經(jīng)濟(jì)性和安全性。

表2 多目標(biāo)與單目標(biāo)優(yōu)化結(jié)果對比

Tab.2 Comparison results of multi-objective and single-objective optimization

此外，系統(tǒng)所有節(jié)點(diǎn)96個(gè)時(shí)間段的電壓分布情況如附圖8所示。由附圖8可知，網(wǎng)損單目標(biāo)優(yōu)化中，電壓水平整體相對較高，且電壓波動較大；而電壓單目標(biāo)優(yōu)化和多目標(biāo)優(yōu)化中，電壓水平相對較低且電壓波動較小，這進(jìn)一步說明多目標(biāo)優(yōu)化具有更好的網(wǎng)損和電壓優(yōu)化效果。此外，日內(nèi)多目標(biāo)優(yōu)化的求解時(shí)間為127 s，而日內(nèi)滾動優(yōu)化的時(shí)間尺度為15 min，滿足日內(nèi)運(yùn)行階段的時(shí)間要求。

4.3.2 日內(nèi)各設(shè)備運(yùn)行策略

日內(nèi)快速調(diào)控設(shè)備SVC、SOP、儲能和FL的出力情況如附圖9、附圖10和圖4、圖5所示。

圖4 日內(nèi)優(yōu)化SOC變化情況

圖5 日內(nèi)優(yōu)化FL響應(yīng)情況

為保證饋線功率分布最優(yōu)，通過SOP實(shí)現(xiàn)有功功率快速轉(zhuǎn)移，并且SOP具有一定的無功支撐能力，如附圖10所示。由附圖5b和附圖10可知，光伏出力較小時(shí)，由于14節(jié)點(diǎn)所在線路較長且負(fù)荷較大，為減少系統(tǒng)有功損耗，需要14節(jié)點(diǎn)所在饋線轉(zhuǎn)移有功功率到節(jié)點(diǎn)32和節(jié)點(diǎn)48所在饋線；而光伏出力較大時(shí)，可為各條饋線提供較充足的有功功率，各饋線間有功功率轉(zhuǎn)移較少。此外，由附圖9和附圖10可知，為改善系統(tǒng)電壓分布并降低網(wǎng)損，SVC和SOP在光伏出力較小時(shí)或光伏不出力時(shí)發(fā)出無功進(jìn)而提供無功支撐；而在光伏出力較大時(shí)，由于附圖8c節(jié)點(diǎn)電壓較高，基本不需要SOP提供無功支撐，SVC還吸收了無功以優(yōu)化系統(tǒng)網(wǎng)損和電壓。

由圖4可知，儲能在0 h—7.25 h不進(jìn)行充放電，在7.25 h—8.25 h進(jìn)行充電，8.25 h儲能SOC值已達(dá)到上限，雖然8.25 h—13.25 h光伏出力較大，但儲能不進(jìn)行充放電行為；儲能在13.25 h—14.25 h進(jìn)行快速放電，并在14.25 h達(dá)到日前優(yōu)化得到的最大放電深度，這是因?yàn)榇藭r(shí)配電網(wǎng)分時(shí)電價(jià)較高，儲能放電以降低系統(tǒng)運(yùn)行成本。由圖5可知，各節(jié)點(diǎn)FL在日前響應(yīng)時(shí)間和削減率約束下進(jìn)行日內(nèi)響應(yīng)，且每15 min對FL響應(yīng)情況更新一次。日內(nèi)FL削減時(shí)段均為配電網(wǎng)外購電價(jià)較高的時(shí)刻，而此時(shí)負(fù)荷需求較大而光伏出力較小，通過負(fù)荷有功削減能降低線路上的功率損耗并通過與網(wǎng)側(cè)調(diào)控設(shè)備的協(xié)調(diào)改善系統(tǒng)電壓分布。

4.3.3 日內(nèi)配電網(wǎng)購售電情況

日內(nèi)優(yōu)化階段配電網(wǎng)購售電情況如附圖11所示。由附圖11可知，由于本文配電網(wǎng)DPV滲透率較高，光伏出力較大的9:15—18:00，光伏發(fā)電量不能完全被本地負(fù)荷消納，配電網(wǎng)向上級電網(wǎng)售電。

4.4 DRO性能分析

為分析DRO方法處理日前不確定性優(yōu)化問題的有效性，本文選取文獻(xiàn)[14]提到的隨機(jī)優(yōu)化（Stochastic Optimization, SO）方法與DRO方法進(jìn)行對比分析。案例3和案例4的仿真結(jié)果如圖6所示。由圖6可知，SO方法對應(yīng)的總成本是小于DRO方法的，且DRO購電成本是高于SO方法的，DRO模型使得配電網(wǎng)向上級電網(wǎng)購買了更多電能以應(yīng)對DPV和負(fù)荷的不確定性，說明DRO方法相比SO方法具有更強(qiáng)的魯棒性。

圖6 SO和DRO方法運(yùn)行成本對比

圖7給出了案例3和案例4典型場景的概率分布變化情況。由圖7可知，場景1、3的概率分別由0.205上升到0.393、0.391，由0.303上升到0.330、0.333，而場景2的概率由0.492降低到0.277、0.276，這是因?yàn)榭紤]不確定性后，為了找到最差概率對應(yīng)的場景從而保證優(yōu)化結(jié)果的魯棒性，DRO模型使得運(yùn)行成本較低的場景概率變小，而運(yùn)行成本較高的場景概率則相應(yīng)增大。

圖7 各場景概率分布變化情況

本文采用C&CG算法將DRO模型解耦為主問題和子問題后進(jìn)行優(yōu)化求解，案例3和案例4均經(jīng)過2次迭代即滿足收斂要求，其中第二次迭代的上、下界差值分別為0.001 7和0.002 7。采用GAMS軟件調(diào)用CPLEX求解所提優(yōu)化模型，案例3求解時(shí)間為0.52 h，而案例4由于網(wǎng)絡(luò)重構(gòu)問題引入了大量0-1變量，求解時(shí)間較長，為8.81 h。結(jié)合表1結(jié)果可知，案例3的運(yùn)行成本僅比案例4高90元，但求解效率更高，因此如果要同時(shí)兼顧運(yùn)行成本和求解效率，可忽略網(wǎng)絡(luò)重構(gòu)優(yōu)化問題，重點(diǎn)協(xié)調(diào)利用網(wǎng)側(cè)OLTC、CB、SVC和E-SOP。

此外，KL 散度閾值決定了實(shí)際概率分布的不確定集合的范圍，也反映了決策者的風(fēng)險(xiǎn)偏好。圖8給出了不同KL散度閾值對應(yīng)的案例3日前優(yōu)化結(jié)果。由圖8可知，配電網(wǎng)日前總運(yùn)行成本會隨KL散度閾值增大而增大，這是因?yàn)镵L 散度閾值越大，不確定性集合的分布函數(shù)簇范圍也越大，而分布魯棒優(yōu)化方法是在分布函數(shù)簇中求解最壞情況下的配電網(wǎng)日前優(yōu)化運(yùn)行成本結(jié)果。

圖8 不同KL散度閾值的運(yùn)行結(jié)果影響

4.5 DPV滲透率和SOC區(qū)間靈敏度分析

為分析DPV容量滲透率對系統(tǒng)優(yōu)化運(yùn)行的影響，本節(jié)以4.2節(jié)案例3為基礎(chǔ)，改變節(jié)點(diǎn)32、34、43、47的DPV接入容量，其他節(jié)點(diǎn)DPV配置情況不變，DPV接入容量設(shè)置情況和仿真結(jié)果見附表4。由附表4可知，隨著DPV滲透率不斷增大，配網(wǎng)總運(yùn)行成本先降低后升高，這是因?yàn)楫?dāng)DPV滲透率升高時(shí)，網(wǎng)側(cè)資源調(diào)控能力不足，導(dǎo)致系統(tǒng)運(yùn)行成本增加。當(dāng)DPV滲透率為97.5%時(shí)，總運(yùn)行成本是最低的，此時(shí)網(wǎng)損成本也是相對較小的。

下面分析SOC不同區(qū)間寬度設(shè)置對日前優(yōu)化運(yùn)行成本的影響。SOC區(qū)間寬度設(shè)置情況和對應(yīng)的仿真結(jié)果見附表5。由附表5可知，儲能SOC區(qū)間寬度設(shè)置越大，系統(tǒng)總運(yùn)行成本越小，這是因?yàn)閮δ躍OC區(qū)間寬度越大，其可控范圍越大，其能為配電網(wǎng)提供的有功調(diào)節(jié)能力越大。對比附表5中定值區(qū)間0.2、0.3、0.4和對應(yīng)可變區(qū)間的日前優(yōu)化階段總運(yùn)行成本可知，可變的區(qū)間寬度相比固定的區(qū)間寬度對降低配電網(wǎng)總運(yùn)行成本作用更為明顯。此外，不同區(qū)間寬度下優(yōu)化得到的SOC初值是不一致的。

5 結(jié)論

本文在網(wǎng)側(cè)資源協(xié)調(diào)利用框架下，考慮源荷的不確定性，提出了基于分布魯棒優(yōu)化的日前長時(shí)間兩階段優(yōu)化調(diào)度模型和基于滾動優(yōu)化的日內(nèi)多目標(biāo)優(yōu)化模型，得到以下結(jié)論：

1）基于網(wǎng)側(cè)資源協(xié)調(diào)的日前-日內(nèi)優(yōu)化能夠充分發(fā)揮網(wǎng)側(cè)調(diào)控設(shè)備的快慢調(diào)節(jié)特性，提升配電網(wǎng)運(yùn)行效益。

2）日前階段的E-SOP、OLTC和網(wǎng)絡(luò)重構(gòu)協(xié)調(diào)優(yōu)化運(yùn)行總成本相比E-SOP單獨(dú)優(yōu)化降低了約8.04%。

3）日內(nèi)多目標(biāo)滾動優(yōu)化能夠兼顧網(wǎng)損和電壓優(yōu)化，且可得到更為精確的日內(nèi)各快速調(diào)控設(shè)備運(yùn)行策略。

本文僅針對日前、日內(nèi)兩個(gè)時(shí)間尺度進(jìn)行網(wǎng)側(cè)資源協(xié)調(diào)利用，下一步將考慮DPV有功削減、SVC和SOP控制等進(jìn)行“日前優(yōu)化-日內(nèi)滾動-實(shí)時(shí)校正”的多時(shí)間尺度運(yùn)行優(yōu)化。

附 錄

含高滲透率DPV的E-SOP配電系統(tǒng)的典型結(jié)構(gòu)如附圖1所示。

附圖1 含E-SOP配電系統(tǒng)結(jié)構(gòu)

App.Fig.1 Structure of distribution system with E-SOP

采用文獻(xiàn)[21]的線性化方法將其轉(zhuǎn)換為混合整數(shù)線性規(guī)劃模型，轉(zhuǎn)換過程如下。

1. 其他運(yùn)行約束

1）OLTC運(yùn)行約束

同時(shí)，需對OLTC每日動作次數(shù)進(jìn)行限制，即

2）SVC運(yùn)行約束

3）CB運(yùn)行約束

4）FL運(yùn)行約束

2. 線性化方法

潮流方程是非線性的，采用如下方式處理。

對式（A14）進(jìn)行二階錐松弛，得到

此時(shí)，式（A15）的右部可以表述為

相應(yīng)地，式（A15）則可以等價(jià)為

然后，式（A17）可以分解為兩個(gè)旋轉(zhuǎn)錐約束式。

式（A18）和式（A19）具有相同的一般形式，即

基于多面體近似方法，式（A20）可轉(zhuǎn)換為

附圖2 中國某51節(jié)點(diǎn)農(nóng)村配電網(wǎng)改進(jìn)系統(tǒng)

App.Fig.2 Improved 51-node system of a rural distribution network in China

附圖3 DPV出力和負(fù)荷需求情況

App.Fig.3 DPV output and load demand

附表1 DPV接入位置及容量

App.Tab.1 Accessed location and capacity of DPV

接入節(jié)點(diǎn)231112131516171819202132344347495051 容量/kW606018060120901206060901801201 0001 0001 0001 000300600600

附表2 儲能參數(shù)

App.Tab.2 Energy storage system parameters

參數(shù)數(shù)值 儲能安裝容量/(kW×h)1 000 最大充電功率/kW300 最大放電功率/kW300 儲能充電效率(%)70 儲能放電效率(%)70 儲能放電深度(%)90 儲能優(yōu)化充放電區(qū)間寬度0.2～0.4 儲能退化成本系數(shù)/[元/(kW×h)]0.5

附表3 分時(shí)電價(jià)

App.Tab.3 The time-of-use electricity price

交易方式價(jià)格/[元/(kW×h)] 0:00—8:008:00—12:0012:00—15:0015:00—19:0019:00—23:0023:00—24:00 購電0.4880.7791.2410.7791.2410.488 售電0.3570.3570.3570.3570.3570.357

附圖4 不同案例兩節(jié)點(diǎn)處CB投切情況

App.Fig.4 CB situations of two nodes in different cases

附圖5 網(wǎng)絡(luò)重構(gòu)后系統(tǒng)結(jié)構(gòu)

App.Fig.5 System diagram after network reconfiguration

附圖6 日前SOC區(qū)間優(yōu)化結(jié)果

App.Fig.6 The optimized SOC range of day-ahead optimization

附圖7 FL響應(yīng)時(shí)刻和區(qū)間

App.Fig.7 Response time and interval of FL

附圖8 不同方法下電壓分布比較

App.Fig.8 Comparisons of voltage distribution under different methods

附圖9 SVC無功功率出力

App.Fig.9 Reactive power output of SVC

附圖10 SOP各端有功/無功出力情況

App.Fig.10 Active and reactive power of each SOP port

附圖11 日內(nèi)階段購售電情況

App.Fig.11 Electricity purchase and salein in tra-day stage

附表4 不同DPV滲透率下日前運(yùn)行成本對比

App.Tab.4 Comparison of costs in day-ahead optimization under different DPV permeabilities

節(jié)點(diǎn)32, 34, 43, 47 DPV容量/kWDPV容量滲透率(%)購電成本/萬元網(wǎng)損成本/萬元FL補(bǔ)償成本/萬元儲能退化成本/萬元總運(yùn)行成本/萬元 039.32.139 20.200 30.105 40.017 22.462 1

（續(xù)）

節(jié)點(diǎn)32, 34, 43, 47 DPV容量/kWDPV容量滲透率(%)購電成本/萬元網(wǎng)損成本/萬元FL補(bǔ)償成本/萬元儲能退化成本/萬元總運(yùn)行成本/萬元 10045.12.002 10.164 60.105 60.020 32.292 6 30056.71.769 90.191 60.120 10.017 22.098 8 50068.41.553 90.033 30.111 501.698 7 70080.01.389 40.040 10.103 201.529 4 85088.71.260 50.060 30.096 00.007 51.424 2 1 00097.51.154 80.113 50.073 90.020 81.363 0 1 150106.21.072 70.213 20.065 60.021 91.373 4 1 300114.90.994 10.356 60.071 40.022 61.444 7

附表5 不同SOC區(qū)間下日前運(yùn)行成本對比

App.Tab.5 Comparison of costs in day-ahead optimization under different SOC ranges

SOC區(qū)間寬度購電成本/萬元網(wǎng)損成本/萬元FL補(bǔ)償成本/萬元儲能退化成本/萬元總運(yùn)行成本/萬元 0～0.11.178 70.112 10.073 90.005 31.369 9 0～0.21.169 90.112 20.073 90.010 81.366 8 0.2 (定值)1.175 40.112 30.073 90.006 71.368 3 0.1～0.31.161 40.112 30.073 90.016 51.364 1 0.3 (定值)1.169 40.112 70.073 90.010 41.366 4 0.2～0.41.154 80.113 50.073 90.020 81.363 0 0.1～0.41.143 80.112 40.073 90.027 81.357 9 0.4 (定值)1.163 00.112 00.073 90.014 11.363 0

[1] 劉佳, 程浩忠, 姚良忠, 等. 混合輸配電系統(tǒng)的分布式隨機(jī)優(yōu)化規(guī)劃[J].電工技術(shù)學(xué)報(bào), 2019, 34(10): 1987-1998.

Liu Jia, Cheng Haozhong, Yao Liangzhong, et al. A distributed stochastic optimization method for planning transmission and distribution systems[J]. Transactions of China Electrotechnical Society, 2019, 34(10): 1987-1998.

[2] Wang Bo, Zhang Cuo, Dong Zhaoyang. Interval optimization based coordination of demand response and battery energy storage system considering SOC management in a microgrid[J]. IEEE Transactions on Sustainable Energy, 2020, 11(4): 2922-2931.

[3] Hu Ruonan, Wang Wei, Wu Xuezhi, et al. Interval optimization based coordinated control for distribution networks with energy storage integrated soft open points[J]. International Journal of Electrical Power and Energy Systems, 2022, 136: 107725(1-16).

[4] 王成山, 宋關(guān)羽, 李鵬, 等. 基于智能軟開關(guān)的智能配電網(wǎng)柔性互聯(lián)技術(shù)及展望[J]. 電力系統(tǒng)自動化, 2016, 40(22): 168-175.

Wang Chengshan, Song Guanyu, Li Peng, et al. Research and prospect for soft open point based flexible interconnection technology for smart distribution network[J]. Automation of Electric Power Systems, 2016, 40(22): 168-175.

[5] 王成山, 宋關(guān)羽, 李鵬, 等. 一種聯(lián)絡(luò)開關(guān)和智能軟開關(guān)并存的配電網(wǎng)運(yùn)行時(shí)序優(yōu)化方法[J]. 中國電機(jī)工程學(xué)報(bào), 2016, 36(9): 2315-2321.

Wang Chengshan, Song Guanyu, Li Peng, et al. A hybrid optimization method for distribution network operation with SNOP and tie switch[J]. Proceedings of the CSEE, 2016, 36(9): 2315-2321.

[6] 鄭煥坤, 石甜靜. 基于智能軟開關(guān)和無功補(bǔ)償裝置的配電網(wǎng)雙層優(yōu)化[J]. 電力系統(tǒng)自動化, 2019, 43(19): 117-123.

Zheng Huankun, Shi Tianjing. Bi-level optimization of distribution network based on soft open point and reactive power compensation device[J]. Automation of Electric Power Systems, 2019, 43(19): 117-123.

[7] Li Peng, Ji Haoran, Wang Chengshan, et al. Coordinated control method of voltage and reactive power for active distribution networks based on soft open point[J]. IEEE Transactions on Sustainable Energy,2017,8(4):1430-1442.

[8] 章博, 劉晟源, 林振智, 等. 高比例新能源下考慮需求側(cè)響應(yīng)和智能軟開關(guān)的配電網(wǎng)重構(gòu)[J]. 電力系統(tǒng)自動化, 2021, 45(8): 86-94.

Zhang Bo, Liu Shengyuan, Lin Zhenzhi, et al. Distribution network reconfiguration with high penetration of renewable energyconsidering demand response and soft open point[J]. Automation of Electric Power Systems, 2021, 45(8): 86-94.

[9] 叢鵬偉, 唐巍, 婁鋮偉, 等. 含高滲透率可再生能源的主動配電網(wǎng)兩階段柔性軟開關(guān)與聯(lián)絡(luò)開關(guān)協(xié)調(diào)優(yōu)化控制[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(6): 1263-1272.

Cong Pengwei, Tang Wei, Lou Chengwei, et al. Two-stage coordination optimization control of soft open point and tie switch in active distribution network with high penetration renewable energy generation[J]. Transactions of China Electrotechnical Society, 2019, 34(6): 1263-1272.

[10] 馬麗, 薛飛, 石季英, 等. 有源配電網(wǎng)分布式電源與智能軟開關(guān)三層協(xié)調(diào)規(guī)劃模型[J]. 電力系統(tǒng)自動化, 2018, 42(11): 86-93.

Ma Li, Xue Fei, Shi Jiying, et al. Tri-level coordinated planning model of distributed generator and intelligent soft open point for active distribution network[J]. Automation of Electric Power Systems, 2018, 42(11): 86-93.

[11] Zhang Lu, Shen Chen, Chen Ying, et al. Coordinated allocation of distributed generation, capacitor banks and soft open points in active distribution networks considering dispatching results[J]. Applied Energy, 2018(231): 1122-1131.

[12] Ji Haoran, Wang Chengshan, Li Peng, etal. Robust operation of soft open points in active distribution networks with high penetration of photovoltaic integration[J]. IEEE Transactions on Sustainable Energy, 2019, 10(1): 280-289.

[13] 胡若男, 王瑋, 吳學(xué)智, 等. 含智能軟開關(guān)的主動配電網(wǎng)3階段魯棒電壓控制方法[J]. 高電壓技術(shù), 2020, 46(11): 3752-3761.

Hu Ruonan, Wang Wei, Wu Xuezhi, et al. Three-stage robust voltage control method for active distribution network with soft open points[J]. High Voltage Engineering, 2020, 46(11): 3752-3761.

[14] 魏梅芳, 吳燕, 黎躍龍, 等. 基于分布魯棒優(yōu)化的微電網(wǎng)日前經(jīng)濟(jì)運(yùn)行模型與求解方法[J].電力系統(tǒng)及其自動化學(xué)報(bào), 2022, 34(12): 81-90.

Wei Meifang, Wu Yan, Li Yuelong, et al. Economic operation model and solution method of microgrid based on distributionally robust optimization[J/OL]. Proceedings of the CSU-EPSA. 2022, 34(12): 81-90.

[15] 馬望, 高紅均, 李海波, 等. 考慮智能軟開關(guān)的配電網(wǎng)靈活性評估及優(yōu)化調(diào)度模型[J]. 電網(wǎng)技術(shù), 2019, 43(11): 3935-3943.

Ma Wang, Gao Hongjun, Li Haibo, et al. Flexibility evaluation and optimal dispatch model of distribution network considering soft open point[J]. Power System Technology, 2019, 43(11): 3935-3943.

[16] 蔡暉, 竇飛, 萬文文, 等. 計(jì)及源荷不確定性的柔性互聯(lián)配電系統(tǒng)兩階段電壓優(yōu)化[J]. 電網(wǎng)技術(shù), 2022, 46, 4(4): 1566-1574.

Cai Hui, Dou Fei, Wan Wenwen, et al. Two-stage voltage optimization of flexible interconnected distribution system considering source and load uncertainty[J]. Power System Technology, 2022, 46(4): 1566-1574.

[17] 賀帥佳, 阮賀彬, 高紅均, 等. 分布魯棒優(yōu)化方法在電力系統(tǒng)中的理論分析與應(yīng)用綜述[J]. 電力系統(tǒng)自動化, 2020, 44(14): 179-191.

He Shuaijia, Ruan Hebin, Gao Hongjun, et al. Overview on theory analysis and application of distributionally robust optimization method in power system[J]. Automation of Electric Power Systems, 2020, 44(14): 179-191.

[18] 孫充勃, 李敬如, 原凱, 等. 基于區(qū)間優(yōu)化的配電網(wǎng)智能軟開關(guān)與儲能系統(tǒng)聯(lián)合優(yōu)化方法[J]. 高電壓技術(shù), 2021, 47(1): 45-54.

Sun Chongbo, Li Jingru, Yuan Kai, et al. Two-stage optimization method of soft open point and energy storage system in distribution network based on interval optimization[J]. High Voltage Engineering, 2021, 47(1): 45-54.

[19] 褚國偉, 張友旺, 葛樂, 等. 自儲能柔性互聯(lián)配電網(wǎng)多時(shí)間尺度電壓優(yōu)化[J].電力系統(tǒng)自動化, 2021, 45(9): 71-79.

Chu Guowei, Zhang Youwang, Ge Le, et al. Multi-time-scale voltage optimization of flexible interconnected distribution network with self-energy storage[J]. Automation of Electric Power Systems, 2021, 45(9): 71-79.

[20] Baghban-Novin S, Hamidi A, Golshannavaz S, et al. E-SOP’s contribution in a techno-economic and clean operation of distribution networks: A multi-objective optimization approach based on linear models[J]. International Transactions on Electrical Energy Systems, 2020, 30(2): 1-21.

[21] 李勇, 姚天宇, 喬學(xué)博, 等. 基于聯(lián)合時(shí)序場景和源網(wǎng)荷協(xié)同的分布式光伏與儲能優(yōu)化配置[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(13): 3289-3303.

Li Yong, Yao Tianyu, Qiao Xuebo, et al. Optimal configuration of distributed photovoltaic and energy storage system based on joint sequential scenario and source-network-load coordination[J]. Transactions of China Electrotechnical Society, 2022, 37(13): 3289-3303.

[22] 姚天宇, 李勇, 喬學(xué)博, 等. 計(jì)及安全邊界和智能軟開關(guān)協(xié)同配置的配電網(wǎng)分布式光伏準(zhǔn)入容量優(yōu)化[J]. 電力自動化設(shè)備, 2022, 42(04): 63-70.

Yao Tianyu, Li Yong, Qiao Xuebo, et al. Hosting capacity optimization of distributed photovoltaic in distribution network considering security boundary and coordinate configuration of SOP[J]. Electric Power Automation Equipment, 2022, 42(04): 63-70.

[23] 曾飛, 蘇偉, 徐廣開, 等. 含快充負(fù)荷的低壓直流互聯(lián)配電網(wǎng)多時(shí)間尺度經(jīng)濟(jì)調(diào)度[J]. 電網(wǎng)與清潔能源, 2022, 38(1): 14-23.

Zeng Fei,Su Wei,Xu Guangkai, et al. Multi-time scale economic dispatch of LVDC distribution network with fast charging load[J]. Power System and Clean Energy, 2022, 38(1): 14-23.

[24] CaoYang, Wei Wei, WangJianhui, et al. Capacity planning of energy hub in multi-carrier energy networks: A data-driven robust stochastic programming approach[J]. IEEE Transactions on Sustainable Energy. 2020, 11(1): 3-14.

[25] 芮濤, 李國麗, 王群京, 等. 配電側(cè)多微電網(wǎng)日前電能交易納什議價(jià)方法[J]. 電網(wǎng)技術(shù), 2019, 43(7): 2576-2585.

Rui Tao, Li Guoli, Wang Qunjing, et al. Nash bargaining method for multi-microgrid energy trading in distribution network[J]. Power System Technology, 2019, 43(7): 2576-2585.

Day-Ahead and Intra-Day Optimization of Flexible Interconnected Distribution System with Self-Energy Storage Based on the Grid-Side Resource Coordination

Li Yong1Ling Feng1Qiao Xuebo2,3Zhong Junjie1Cao Yijia1

（1. College of Electrical and Information Engineering Hunan University Changsha 410082 China 2. Electric Power Research Institute of China Southern Power Grid Guangzhou 510663 China 3. School of Electric and Electronic Engineering Huazhong University of Science and Technology Wuhan 430074 China）

The integration of high-permeability distributed photovoltaic (DPV) has introduced new technical challenges for the operation and control of distribution networks. Soft open point (SOP), a typical flexible interconnection equipment that can replace traditional interconnection switches, is capable of accurately controlling power flow between feeders, as well as dynamic reactive power compensation. It provides a new approach to improving the operation level of distribution networks with high-permeability photovoltaics. However, the current cost of SOP remains high, making it necessary to investigate coordinated operating strategies between SOP and traditional grid-side control equipment, and achieve economic and efficient distribution network operations across multiple time scales. Therefore, this paper proposes a day-ahead and intra-day optimization model of flexible interconnected distribution system with self-energy storage based on grid-side resource coordination.

Firstly, a multi-time scale optimization control framework is proposed to facilitate the coordinated utilization of multiple grid-side resources within the 'source-network-load-storage' paradigm.In the day-ahead stage, this paper puts forward a long time-scale optimization model that coordinates the active and reactive power considering various devices such as on-load tap changers (OLTC), reactive power compensation devices, interconnection switches, E-SOP, and flexible loads (FL). For the intra-day stage, a comprehensive multi-objective rolling optimization model is presented, which is subsequently transformed into a mixed integer linear programming model through the application of linearization techniques. Moreover, a fuzzy set representing the uncertainties associated with source and load is developed using KL-divergence. The transformation process of the two-stage distributionally robust optimization (DRO) model is proposed, and the solution method based on the column and constraint generation (C&CG) algorithm for the day-ahead stage is provided. The multi-objective intra-day model is solved using the ideal point method.

The numerical results demonstrate that, in the day-ahead stage, the coordinated optimization of E-SOP, OLTC, and network reconfiguration proves beneficial in reducing operational costs. Moreover, it is observed that OLTC has a more significant impact on network loss reduction compared to network reconfiguration. Additionally, the utilization of the distributionally robust optimization (DRO) method allows for a balance between economic efficiency and robustness in the day-ahead optimization scheme. During the intra-day stage, the multi-objective optimization results in network loss values and voltage deviations that lie between those obtained from the two single-objective optimizations. This ensures that the distribution network attains improved economic efficiency while maintaining security. The operation strategy for rapid control equipment is optimized at 15-minute intervals. SOP plays a crucial role in swiftly transferring active power between feeders to optimize power flow and voltage distribution within the distribution network. It works in conjunction with SVC to provide reactive power support. Furthermore, energy storage charging/discharging and flexible load (FL) responses also contribute to network loss reduction and enhanced voltage distribution.

The following conclusions can be drawn from the study: (1) The day-ahead and intra-day optimization based on the grid-side resource coordination can give full play to the fast and slow regulation characteristics of the grid side control equipment, and improve the operation efficiency of the distribution network. (2) In the day-ahead stage, the total operation cost of coordinated optimization of E-SOP, OLTC and network reconfiguration is about 8.0% lower than that of E-SOP alone. (3) In the intra-day stage, multi-objective rolling optimization can take into account the network loss and voltage optimization, and can obtain more accurate operation strategies of various rapid control equipment.

This paper only aims at the coordinated utilization of grid-side resources in the day-ahead and intra-day stage. The next step is to research on the multi-time scale operation optimization of “day-ahead optimization, intra-day rolling and real-time correction”.

Soft open points with energy storage, flexible interconnected distribution system, distributionally robust optimization, rolling optimization, day-ahead and intra-day optimization

TM732

10.19595/j.cnki.1000-6753.tces.221929

國家自然科學(xué)基金聯(lián)合基金重點(diǎn)支持項(xiàng)目（U22B200134）、國家重點(diǎn)研發(fā)計(jì)劃政府間國際科技創(chuàng)新合作重點(diǎn)項(xiàng)目（2022YFE0129300）和南方電網(wǎng)公司科技項(xiàng)目（030400KK52210064（GDKJXM20210061））資助。

2022-10-09

2023-02-24

李 勇 男，1982年生，教授，博士生導(dǎo)師，研究方向?yàn)槟茉?電力系統(tǒng)優(yōu)化運(yùn)行與控制、電能變換系統(tǒng)與裝備。E-mail：yongli@hnu.edu.cn

喬學(xué)博 男，1992年生，博士后，研究方向?yàn)橹悄芘潆娋W(wǎng)運(yùn)行優(yōu)化與規(guī)劃、柔性直流配電技術(shù)。E-mail：qiaoxb@csg.cn（通信作者）

（編輯 郭麗軍）