柔性直流配电网优化调度研究

精密制造与自动化 2018年第1期

柔性直流配电网优化调度研究

于立杰1 张媛媛1 何天娇2 曲卫冬1 王淑琴1

(1. 国网冀北电力有限公司技能培训中心 河北保定071051； 2. 国网冀北电力有限公司卢龙县供电公司 河北秦皇岛0600)

摘 要 大规模可再生能源接入电网的需求对柔性直流配电网的研究起到了推动作用。合理调度是直流配电网的核心问题之一，直接关系到直流配电网的运行性能。可再生能源出力误差使得配电网调度更加复杂。针对上述问题，提出了基于机会约束规划的直流配电网多目标优化调度模型，并采用结合随机模拟的粒子群算法求解出给定直流配电网的调度方案。算例表明，机会约束规划的应用能有效减小可再生能源出力不确定性对调度造成的影响。 关键词 直流配电网 可再生能源 不确定性 机会约束规划 调度

为了应对日益严重的环境污染和能源危机，可再生能源RES (renewable energy source)在全世界范围内得到大力发展。可再生能源相对于传统能源具有对环境污染小、发电方式灵活等优点，然而RES并入配电网会对电网的运行、控制和保护等带来一

[1]

系列的影响，且大部分分布式电源产生的是直流电,风电则是一种随机波动的交流电，同样需要AC/DC/AC 换流器,并配置适当的储能装置和复杂

[2]

的控制系统才能实现交流并网。传统的交流配电网难以满足可再生能源的接入需求，柔性直流技术的发展为这一问题提供了解决方案。柔性直流配电网对可再生能源并网的兼容性更强，可以减少以直流功率作为直接或中间输出的RES在并网时的换流

[3]

环节，从而提高RES的能源利用率。柔性直流技术还具有功率控制、无无功补偿问题、可以向

[4]

无源网络供电等优势，深圳柔性直流配电示范工程的出现，表明直流配电网在未来城市电网建设中具有良好的应用前景。

目前国内外对于直流配电网的研究工作均处于起步阶段，调度是直流配电网的核心问题之一，直接关系到直流配电网的运行性能。对于直流配电网调度方面的研究，文献[5]提出了直流微电网处于并网、大电网供能不足、脱网3种运行方式下的能量管理策略，文中采用储能系统平抑可再生能源出力波动，其经济性有待进一步验证；文献[6]对直流配电网能量优化管理进行了综述，指出基于多时间尺度的能量管理策略更适合含多种分布式电源的直流配电网，对未来直流配电网优化运行的发展具有一定的指导意义。具有随机性、波动性特点的可再生

能源的接入使得配电网调度更加复杂。机会约束规划，在处理可再生能源出力不确定性问题上具有良

[7-9]

好的效果，因此本文将机会约束规划应用在含可再生能源的直流配电网优化调度建模中。

本文提出了基于机会约束规划的柔性直流配电网优化调度模型。为了实现高渗透率可再生能源的充分消纳，提高配电网能源配送和优化能力，实现能源的高效利用和高品质、高可靠性供电。考虑到可再生能源出力的随机性、间歇性建立了基于机会约束规划的直流配电网多目标优化调度模型，并采用结合随机模拟的粒子群算法对模型进行求解，最后，针对给定配电网求解调度方案，验证了所提模型的有效性。

1 多端柔性直流配电网结构及运行方式

本文选取多端环状直流配电网进行研究，主回路环状直流配电网结构如图1所示。该直流配电网电压等级为10 kV，最大总负荷为100 MW，风电和光伏容量均为35 MW，分别接入母线1和母线2，新能源渗透率高达70%。

#1#2 #3#4 #5#6 风电机组直流负载AC/DC交流网络1换流站1DC/DCBoost光伏阵列直流变压器1直流负载无源交流网络AC/DC换流站2DC/AC交流网络2换流站3交流网络3AC/DC换流站4DC/DC低压直流配电网直流负载直流变压器2图1 环状直流配电网结构示意图

16

于立杰 等 柔性直流配电网优化调度研究

该系统通过六条直流母线实现互联和电流传送，＇共有四个换流站，分别与交流网络相连，另外两条母线经直流变压器分别与直流电源和低压直流配网相连。

根据文献[10]中给出的换流站控制方式选取原则，各换流站控制方式选取结果如表1所示。

表1 换流站控制方式

换流站 换流站1 换流站2 换流站3 换流站4 控制 定有功功定交流电定直流电定有功功方式 率、定交压（幅值压、定交率、定交流电压幅和相角） 流电压幅流电压幅值 值 值 2 基于机会约束规划的直流配电网优化调度模型 2.1 机会约束规划

可再生能源出力具有不确定性，目前出力预测存在较大误差，若要满足所有可能发生的情况下的系统安全性要求，所需的旋转备用容量会相当大，相应的成本会非常高。事实上某些极端情况发生的概率非常低，这样，就需要在安全性和经济性之间进行权衡。采用机会约束规划的方法建模能很好的描述随机变量带来的不确定性。机会约束规划是一种随机规划方法，用来解决约束条件中含有随机变量，并且必须在观测到随机变量出现之前做出决策的问题。机会约束规划允许所做出的决策在一定程度上不满足约束条件，但为保证决策的合理性，所做决

策应使约束条件成立的概率不低于某置信水平[7]

。模型可表示为:

𝑚𝑖𝑛 𝑓 1, 𝑓 2 , ⋯ , 𝑓 m (1)

𝑠.𝑡.

𝑃 𝑓1 𝑥,𝜉 ≤ 𝑓𝑖 ≥𝛼𝑖𝑃 𝑔 (2) 𝑖 𝑥,𝜉 ≤0,𝑗=1,2,⋯,𝑝 ≥𝛽𝑗式中: 𝑓𝑖是目标函数𝑓1 𝑥,𝜉 在置信水平为𝛼𝑖时的最小值；𝑥表示𝑛维决策向量；𝜉表示随机向量；𝑃 ∙ 为 ∙ 中事件成立的概率；𝛽𝑗表示第𝑗个约束条件的置信水平。

2.2 随机变量的处理

本文把可再生能源出力看作预测值和误差值之和，预测值是确定变量，误差值可以看成随机变量。这样，风电和光伏出力可以表示为:

𝑃＇𝑤𝑡=𝑃𝑤𝑡+∆𝑃𝑤𝑡 (3)

𝑃𝑝𝑣𝑡=𝑃𝑝𝑣𝑡+∆𝑃𝑝𝑣𝑡 (4) 式中: 𝑃＇＇𝑤𝑡和𝑃𝑝𝑣𝑡分别表示𝑡时刻实际风电和光伏出力；𝑃𝑤𝑡和𝑃𝑝𝑣𝑡分别表示𝑡时刻风电和光伏日前预测出力；∆𝑃𝑤𝑡和∆𝑃𝑝𝑣𝑡分别表示𝑡时刻风电和光伏出力预测偏差；

假设以上2个偏差均服从均值为零的正态分布。

考虑预测误差在预测值的20%以内，标准差δ为[11]

：

δw=0.2𝑃𝑤𝑡+0.02𝑃𝑤𝑁 (5) 𝛿𝑝𝑣=0.2𝑃𝑝𝑣𝑡+0.02𝑃𝑝𝑣𝑁 (6) 式中：𝑃𝑤𝑁和𝑃𝑝𝑣𝑁分别为风电和光伏装机容量。 2.3 目标函数

由于光伏与风电是可再生清洁能源，应该尽可能多地利用，因此本文对其采用最大功率点跟踪(maximum power point tracking，MPPT)模式。将换流站作为可控单元进行优化调度。以电网公司收益最大为目标函数，考虑新能源购电成本、从上级交流电网购电成本、备用成本、网损成本。由于风电和光伏出力的不确定性，可控单元出力也应为随机变量，目标函数和约束条件中含有随机变量，表达方式与传统调度有所不同。

调度策略以一天为一个周期，每15分钟为一个时段，即一个周期分为96个时段。目标函数如下：

max𝑓 (7) s.t.p 𝑓≥𝑓 ≥𝛼1

𝑓=𝐶 (8)

𝑝𝑟𝑜−𝐶𝑊−𝐶𝑝𝑣−𝐶𝐺−𝐶𝑠𝑝𝑎−𝐶𝑙𝑜𝑠𝑠式中，𝛼1表示日前调度中目标函数的置信水平；𝐶𝑝𝑟𝑜表示调度周期内售电收益；𝐶𝑊表示风电购电成本；𝐶𝑝𝑣表示光伏购电成本；𝐶𝐺表示从交流电网购电成本；𝐶𝑠𝑝𝑎表示备用成本；𝐶𝑙𝑜𝑠𝑠表示网损成本。 1）售电收益 𝐶𝑝𝑟𝑜= 𝑁𝑖=1 𝑝𝑙𝑜𝑎𝑑𝑡∙∆𝑡∙𝑐𝑝𝑟𝑜𝑡 (9) 式中：𝑁表示划分时段数；𝑝𝑙𝑜𝑎𝑑𝑡表示𝑡时段配电网内总负荷；∆𝑡表示时段的长度；𝑐𝑝𝑟𝑜𝑡表示𝑡时刻售电电价。

2)风电购电成本 𝐶𝑤= 𝑁𝑖=1 𝑝𝑤𝑡∙∆𝑡∙𝑐𝑤 (10) 式中: 𝐶𝑤表示风电购电成本；𝑝𝑤𝑡表示 𝑡时段风电出力；𝑐𝑤表示风电购电电价。

3)光伏购电成本 𝐶𝑝𝑣= 𝑁𝑖=1 𝑝𝑝𝑣𝑡∙∆𝑡∙𝑐𝑝𝑣 (11)

17

精密制造与自动化 2018年第1期 式中: 𝐶𝑝𝑣表示光伏购电成本；𝑝𝑝𝑣𝑡表示 𝑡时段光伏出力；𝑐𝑝𝑣表示光伏购电电价。

4)从交流电网购电成本

𝑀

𝐶𝐺= 𝑁𝑖=1 𝑖=1𝑝𝑖𝑡∙∆𝑡∙𝑐𝑡 (12) 5)直流变压器容量约束

𝑃𝑡𝑓𝑘≤𝑃𝑡𝑓_𝑚𝑎𝑥,𝑘∈𝐾 (22) 式中： 𝐾表示直流变压器集合。

6)系统上下旋转备用约束 式中: 𝐶𝐺表示从交流电网购电成本；𝑀表示连接交流有源电网端口数；𝑝𝑖𝑡表示 𝑡时段各交流电网有功出力；𝑐𝑡表示 𝑡时段从交流电网购电电价。

5）备用成本 𝐶𝑠𝑝𝑎= 𝑁𝑖=1 𝐶𝑠𝑝𝑎𝑡,++𝐶𝑠𝑝𝑎𝑡,− (13) 𝐶𝑠𝑝𝑎𝑡,+=𝐻𝑡∙𝐶𝑠𝑝𝑎 (14) 𝐶𝑠𝑝𝑎𝑡,−=𝐷𝑡∙𝐶𝑠𝑝𝑎 (15) 式中: 𝐶𝑠𝑝𝑎𝑡,+表示𝑡时段正旋转备用成本；𝐶𝑠𝑝𝑎𝑡,−表示𝑡时段负旋转备用成本；𝐻𝑡和𝐷𝑡分别为𝑡时段正、负旋转备用需求,取总负荷的5%与RES预测出力的10%。；𝐶𝑠𝑝𝑎表示旋转备用补偿电价。 6)网损成本

𝐶𝑙𝑜𝑠𝑠= 𝑁𝑖=1 𝑝𝑙𝑜𝑠𝑠𝑡∙∆𝑡∙𝑐𝑡 (16) 式中：𝑝𝑙𝑜𝑠𝑠𝑡表示 𝑡时段系统网损。考虑到直流配电网运行时一般由上级交流电网平衡网络损耗,所以可以认为网损价格等于从交流电网购电电价。 2.4 约束条件

约束条件考虑功率平衡约束、换流站电压及容量约束、交流网络出力约束、线路潮流约束、直流变压器容量约束和系统的上下旋转备用约束

1)系统功率平衡约束

𝑀＇＇𝐼=1𝑃𝑖𝑡+𝑃𝑝𝑣𝑡+𝑃𝑤𝑡=𝑝𝑙𝑜𝑎𝑑𝑡+𝑝𝑙𝑜𝑠𝑠𝑡 (17) 式中: 𝑃＇＇𝑝𝑣𝑡、𝑃𝑤𝑡分别表示𝑡时刻光伏、风电出力。 2)换流站电压及容量约束

𝑈𝑐𝑖𝑚𝑖𝑛≤𝑈𝑐𝑖≤𝑈𝑐𝑖𝑚𝑎𝑥,𝑖∈𝑁 (18) 𝑃𝑐𝑖𝑚𝑖𝑛≤𝑃𝑐𝑖≤𝑃𝑐𝑖𝑚𝑎𝑥,,𝑖∈𝑁 (19) 式中: 𝑈𝑐𝑖𝑚𝑖𝑛和𝑈𝑐𝑖𝑚𝑎𝑥表示换流站电压限值；𝑃𝑐𝑖𝑚𝑖𝑛和𝑃𝑐𝑖𝑚𝑎𝑥表示换流站容量限值。

3)交流网络出力:有源交流网络出力应在上级交流电网给出的调度范围内

𝑃𝑐𝑖𝑚𝑖𝑛≤𝑃𝑖𝑡≤𝑃𝑐𝑖𝑚𝑎𝑥,𝑖∈𝑁 (20) 式中：𝑃𝑐𝑖𝑚𝑎𝑥和𝑃𝑐𝑖𝑚𝑖𝑛分别表示𝑡时段有源交流网络𝑖出力最大值和最小值，其大小由上级电网公司确定。

4)线路潮流约束

𝑃𝑙≤𝑃𝑖𝑚𝑎𝑥,𝑙∈𝐿 (21) 式中： 𝐿表示线路集合。

18

𝑃 𝑁𝑖=1 𝑃𝑖𝑡 𝑚𝑎𝑥−𝑃𝑖𝑡 ≥𝐻𝑡 ≥𝛽1 (23) 𝑃 𝑁𝑖=1 𝑃𝑖𝑡 −𝑃𝑖𝑡𝑚𝑖𝑛 ≥𝐷𝑡 ≥𝛽2 (24)

3 结合随机模拟的粒子群算法 3.1 随机模拟

采用结合随机模拟的粒子群算法对直流配电网优化调度模型进行求解。Monte-Carlo模拟是重要的随机模拟方法。采用Monte-Carlo模拟的求解方法

如下[9]

：

设有约束条件，𝑃 𝑔 𝑥,𝜀 ≤0 ≥𝛽，𝑥为决策变量，𝜀为随机变量，根据𝜀的概率分布产生𝑁个(𝑁足够大)的随机变量𝜀1，𝜀2，⋯，𝜀𝑁，检验这N个随机变量是否满足约束条件𝑔 𝑥,𝜀 ≤0，𝑖=1,2,⋯,N。满足约束条件的随机变量个数记作𝑁＇,当𝑁＇ 𝑁≥𝛽时机会约束成立。

若有目标函数，由随机变量𝜀1，𝜀2，⋯，𝜀𝑁得到序列 𝑓1,𝑓2,⋯𝑓𝑁 ，令𝑁＇为α𝑁的整数部分，根据大数定律，可将序列中第𝑁＇大的元素作为𝑓的估计。 3.2 粒子群优化算法

采用粒子群PSO (particle swarm optimization)对模型进行求解。以换流站控制指令为优化变量，即以换流站1和换流站4有功功率定值为粒子位置。设换流站3定直流电压值为1.006，换流站1、3、4的交流电压幅值均由相连交流系统决定。换流站2的控制指令(交流电压幅值与相角)也由所连交流系统决定。结合Monte-Carlo模拟的粒子群算法流程如图2所示。

4 算例

4.1 基本参数

以图1所示的直流配电网为例进行优化调度。光伏和风机日前出力预测曲线如图3所示，负荷预测曲线如图4所示，上级电网公司给出的各有源交流网络出力限值如图5所示。直流网售电电价采用峰谷分时电价，一个调度周期内从交流电网购电电

于立杰 等 柔性直流配电网优化调度研究

价与直流网售电电价如图6所示。其余各部分电价如表2所示。本文采用MATLAB编程对模型进行 有源交流网络出力限值5550求解，选取粒子数为30。

开始 初始化粒子群 置迭代次数,s=0 生成N个随机变量(风电和光伏出力误差） 直流潮流计算 检验随机变量是否满足约束条件，满足约束条件的随机变量个数记作N´ 否检验N/N´≥β是否成立 是计算{f1，f2，…，fN}，令N´为αN的整数部分，序列中第N´大的元素作为 f的估计 s=s+1 更新局部最优与全局最优 更新粒子速度和位置 是是否达到最大迭代次数 否否 是否达到收敛条件是 结束图2 结合Monte-Carlo模拟的粒子群算法流程图 光伏风机日前出力预测曲线 35光伏 30风机WM 25/值测 20预率 15功 10 500:000

02:0004:0006:0008:0010:0012:0014:0016:0018:0020:0022:0024:00时刻/h图3 光伏风机出力预测曲线

日前负荷预测曲线 30 母线2直流负载母线3交流负载 25母线4直流负载母线5直流负载 W母线6直流负载M20/ 值测15 预率10 功5

00:000 02:0004:0006:0008:0010:0012:0014:0016:0018:0020:0022:0024:00时刻/h图4 日前负荷预测曲线

45P2maxW40 35P3maxM/P3min 值30限25 功20有15 105P1max P1minP1min00:00002:0004:0006:0008:0010:0012:0014:0016:0018:0020:0022:0024:00

时刻/h图5 有源交流网络出力限值

0.22交流电网电价 0.2售电电价0.18 wm 0.16/值 h·0.14限W0.12功/ k/$0.1有 0.080.06 0.04 0.02 01234567101112131415161718192021222324

时刻h/h

图6 从交流电网购电电价与直流网售电电价

表2 其余各部分电价

类型 光伏 风电 备用 单价（元/kW•h） 0.08 0.075 0.005 4.2 结果

𝛼1,2,3=0.9, 𝛽1,2=0.9时，有源交流网络调度方案如图7所示。图中交流网络1出力较低，这是由于交流网络1与风电均连接到换流站1，二者出力之和受换流站容量。

40 有源交流网络出力有源交流网络出力 P1 wm30P2 /P3 值限功/20 有 10 00:000 02:00 04:0006:0008:0010:0012:0014:0016:0018:0020:0022:0024:00时刻时刻/h/h

图7 调度计划

19

/W功M有

精密制造与自动化 2018年第1期 考虑到可再生能源目前出力预测误差，若不采用机会约束规划，则调度计划需要保证所有可能状况下的系统稳定性，极大增加旋转备用容量，使得备用成本大幅上涨。不采用机会约束规划时，一个调度周期内电网公司收益为72 688元，采用机会约束规划时，一个调度周期内电网公司收益77 9元，不采用机会约束规划的情况下，电网公司收益大幅降低。然而，风电和光伏的预测误差同时达到最大，这样极端情况发生的可能性很小，备用设备的增加和对系统功率平衡的严格要求，极大地增大了系统运行成本，所以本文提出的采用机会约束规划处理RES出力不确定性，在直流配电网的优化调度中是极为必要的。

5 结语

本文考虑可再生能源出力不确定性，建立了基于机会约束规划的柔性直流配电网优化调度模型。模型中交流电网出力区间由上级调度安排决定，直流配电网调度在此基础上以电网公司收益最高为优化目标，采用基于随机模拟的粒子群算法求解出适用于指定直流配电网的调度方案。研究结果表明：模型中考虑RES出力不确定性能够降低RES接入电网带来的负面影响。

参考文献

[1] 鲍薇,胡学浩,何国庆,等.分布式电源并网标准研究

[J].电网技术,2012,36(11):46-52.

[2] 江道灼,郑欢.直流配电网研究现状与展望[J].电力系

2012,36(8):98-104.

[3] Reed GF，Grainger BM，Sparacino AR，et al．Ship to Grid:

Medium-Voltage DC Concepts in Theory and Practice[J]. IEEE Power Energy,2012,10(6):70-79.

[4] 王一振,赵彪,袁志昌,等.柔性直流技术在能源互联网

中的应用探讨[J].中国电机工程学报,2015,35(14): 3551-3560.

[5] Lie Xu, Dong Chen. Control and operation of a DC

microgrid with variable generation and energy storage[J]. IEEE Transactions on Power Delivery, 2011, 26(4): 2513-2522.

[6] 马骏超,江全元,余鹏,等.直流配电网能量优化控制技

术综述[J].电力系统自动化,2013,37(24):-96. [7] 于佳,任建文,周明.基于机会约束规划的风—蓄联合

动态经济调度[J].电网技术, 2013, 37(8): 2116-2122. [8] 杨婷婷,李相俊,齐磊,等.基于机会约束规划的储能系

统跟踪光伏发电计划出力控制方法[J].电力建设,2016,37(8): 115-121.

[9] 韩为超,刘俊勇,向月,等.基于目标机会约束规划的储

能容量优化配置模型[J].电力建设,2017,38(4): 71-78. [10] Haifeng Liang, Xiaoling Zhao, Xiaolei Yu, et al.

Study of Power Flow Algorithm of AC/DC Distribution System including VSC-MTDC[J].Energies, 2015, 8(8): 8391-8405.

[11] Bouffard F, Galiana F D. Stochastic security for

operations planning with significant wind power generation[J]. IEEE Trans on Power Systems, 2008, 23(2): 306-316.

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ (上接第6页)

信号的采集与处理[J].焊接技术,2012(7):17-21. [2] 朱思君,陆晓明,姚屏,等.脉冲MIG软开关逆变焊接

电源的研制[J].电焊机,2008,38(5):26-29.

[3] 段彬.全数字脉冲逆变焊接电源控制策略与应用的研

究[D].济南:山东大学博士学位论文,2010.

[4] LI P , KADIRKAMANATHAN V. Particle filtering

based likelihood ratio approach to fault diagnosis in nonlinear stochastic systems[J]. IEEE Trans. Syst., Man,Cybern. C, 2001,31(3):337-343.

[5] 夏楠,邱天爽,李景春,等.一种卡尔曼滤波与粒

子滤波相结合的非线性滤波算法[J].电子学报，

2013,41(1):148-152.

[6] 洪波,袁灿,等.电弧传感器小波信号处理系统[J].焊

接学报,2005,(1):61-.

[7] 杜健辉,石永华,王国荣,等.基于旋转电弧传感器的水

下电弧焊信号处理[J].电焊机,2009,39(12):63-66. [8] 刘继忠,毛凤辉.基于粒子滤波的焊接电流信号降噪处

理[J].热加工工艺,2014,43(3):1-166.

[9] 程洪炳,黄国荣,倪世宏,等.基于粒子滤波的自组织模

糊神经网络算法研究[J].仪器仪表学报,2011,32(3): 634-639.

20