含可響應分布式電源的智慧能源配網多目標優化調度

吳海江， 唐 鶴， 吳 滔

（1.廣東電網有限責任公司佛山供電局， 廣東 佛山 528000； 2.中國農業大學 煙臺研究院， 山東 煙臺 264670）

0 引言

隨著智能電網技術的發展，智慧能源理念滲入到配電網中，配網負荷不再被動接受電能，而是主動參與到需求響應項目中，與配網運行商、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，18個字采用范仲淹《岳陽樓記》名句之典故，同時引用古語“書中自有黃金屋，書中自有顏如玉”，簡練而深刻。

針對智慧能源中可響應負荷，文獻[2]提出了計及用戶響應不確定性的可中斷負荷儲蓄機制。文獻[3]提出了智能小區可轉移柔性負荷實時需求響應策略。 文獻[4]建立了計及用戶可響應負荷的區域多能源系統運行優化模型。 文獻[5]分析了需求響應的負荷控制對供電可靠性的影響。 文獻[6] 建立了考慮可調負荷集群響應不確定性的聯合調度模型。 根據以上文獻，可響應負荷參與電力調度的機制已經明確，并且潛力巨大。 在配網智慧能源研究方面，文獻[7]分析了需求側智慧能源系統關鍵技術。 文獻[8]分析了含智慧社區能量樞紐配電網三相不平衡動態潮流模型預測控制方法。 文獻[9]分析了智能電網支撐智慧城市關鍵技術。 文獻[10]基于泛在電力物聯網分析了智慧清潔能源小鎮的建設。

綜上所述，可響應負荷用于削減總的系統運行成本、滿足功率平衡約束。 但是，可響應負荷以及可再生能源并未計及到目標函數中。 目前，對于電力系統多目標優化的求解方法分為分析法、啟發式算法、智能人工算法等[11]。啟發式算法在求解這類問題時應用廣泛，主要包括對偶半定規劃、多目標粒子群（MOPSO）算法、差分進化算法[12]～[14]等。

本文考慮多目標優化，其中，目標函數1 包括運行成本以及排放成本，目標函數2 考慮損失負荷期望，目標函數3 考慮可延遲負荷與可再生能源出力之間的偏差。 同時，提出的多目標優化目標函數中考慮了可再生能源及可延遲負荷的聯合調度優化，根據可延遲負荷的最優延遲策略提高功率因數。

（6）經過多年的改造，村內環境越來越好，生活垃圾集中收集并由專門單位集中處理，村內的老式廁所已基本改造完畢，90%以上已用上水沖式廁所。生活污水有專門的下水管道排放收集，并由環保部門進行污水處理。各村建有集中居住地，水電、網絡、道路等基礎設施完善，休閑娛樂廣場均已建成。村民的環保意識均較強，積極響應政府號召，秸稈還田率較高，農藥藥瓶使用后回收至村內垃圾點。

1 居民智慧能源

1.1 居民智慧能源構成

智慧能源是通過智能控制、現代化能源生產和能源交易、信息通信技術等實現的能源網絡不斷協調和優化互補的能源形式。 在電力系統中，配網的能源豐富度最高，最能體現智慧能源的理念，尤其是居民用戶在智慧能源中扮演重要角色，其多種能源主體能夠為電力系統優化提供一定思路。

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

用戶側的負荷因數是確定用電需求的一個重要因素， 是反映電網電能使用情況的一個重要指標，負荷因數越高，電網的運行成本和分布式網絡的可靠性也越高。另外，負荷因數可以用于顯示峰荷情況和資產使用情況。 用戶用能情況和需求響應項目的實施情況也會對負荷因數產生間接影響。 本文負荷因數θ 計算式如下：

將Weibull 分布變換為離散形式，第t 個時間間隔分為NV種狀態，利用式（4）計算每個狀態下的風速和概率。 利用所有時間間隔內的所有可能狀態計算得到風機的出力為

可再生能源接入配網， 主要包括電池儲能系統、微汽輪機、風機和光伏機組等，這類機組的運行成本和維護成本均為可控。 其中風機和光伏機組的出力具有不確定性， 調度控制較為困難。

1.2 風電出力模型

工程上風速用Weibull 分布函數模擬[15]，具體表達式如下：

當另一個電器設備啟動時，發動機ECU通過檢測被提供的電壓值來判斷它是否運行。圖11示顯示了一個停車燈電路，當開關合上時，12V電壓提供給ECU端子，當開關斷開時，電壓變為0。

式中：v 為風速，m/s；k 為形狀系數；c 為尺度系數。該Weibull 分布的概率累積密度函數為

由此得到風速為

式中：r 為[0，1]之間均勻分布的隨機變量。

風機的有功出力受風速影響， 工程上雙饋感應式風機的出力PWi較為常用的計算方法如下[16]：

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

在智慧能源中， 通過一定的通信機制使電力負荷側用戶積極參與到各種需求響應項目中，實現用戶、 配電系統運行商及可再生能源三者之間的通信。 用戶側的負荷分為固定負荷和可響應負荷，可響應負荷又分為可削減負荷和可延遲負荷，可延遲負荷包括電動汽車、烘干機、洗衣機等，這類負荷的特點是可以延遲或更改使用時間。 配電系統運行商是協調配網與主網的中間者， 負責配網運行的調度以及需求響應項目的執行等。

1.3 光伏出力模型

光伏出力取決于光照強度，其表達式如下：

式中：Ppvn為光伏板的額定出力；S 為PV 模塊的光照輻射；Sstc為標準測試狀態下的光照輻射；Rc為光照輻射點。

光照輻射一般服從β 分布[17]，概率密度表達式如下：

傳統配網中，配網系統運行商以網損最小為目標，從輸電網中購得電量售賣給用戶。 在這種模式下，配網不擁有發電設備，因而需要承擔輸電網機組的運行成本。可再生能源接入配網后，一方面配網有機會控制機組的運行成本； 另一方面通過實施需求響應項目， 配電系統運行商可以控制可響應負荷參與，優化機組出力。 在這種情況下，須要對機組進行實時控制和持續優化。

將β 分布變換為離散形式， 第t 個時間間隔分為Ns種狀態，利用式（7）計算每個狀態下的光照輻射和概率。 利用所有時間間隔內的所有可能狀態計算得到光伏的出力為

柴油機組、BES 和主網購電的運行成本分別如式（10），（11）所示，其中式（10）前三項為柴油機組的燃料成本，其余部分為柴油機組啟停成本。柴油機組和主網的排放函數如式（12），（13）所示。

1.4 不確定性的考慮

本文將風電和光伏出力的不確定性通過風速和光照強度的日曲線表達出來， 通過相應的概率密度函數生成多種場景， 在模型仿真中對多種風電和光伏出力的情景進行仿真， 以此作為不確定多場景的優化手段，最終得到不同場景下的結果。

2 配網智慧能源多目標優化模型

本文對居民智慧能源負荷以及分布式電源的調度進行優化， 網絡系統運行商基于日前可再生能源的利用情況來優化負荷曲線，從而優化經濟、環境和可靠性指標。 本文考慮了3 個目標函數。

2.1 目標函數

目標函數1 以電網運行的經濟性最大為目標，體現為運行成本和排放成本最小。

式中：ρs為場景s 的概率；CDG（s，t，d）為t 時段場景s 柴油機組運行成本；CBES（s，t，b）為t 時段場景s第b 個電池儲能（BES）系統總運行成本；CUG（s，t）為t 時段場景s 主網運行成本；EDG（t，d）為t 時段d個分布式電源的排放量；EUG（t）為t 時段主網傳統機組的排放量。

國內企業走出去，員工屬地化是必經之路，而如何做好屬地化員工管理，爭取文化認同，避免文化沖突，將是必須要面對的課題。

不同分型并發癥發生率比較如表2。腹水、細菌感染、AKI、上消化道出血的發生率三型之間差異有統計學意義（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）。細菌感染中，腹腔感染在三型ACLF中的發生率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統計學意義（P＞0.05）。三型間HE的發生率差異無統計學意義（χ2=3.85，P＞0.05）。

式中：PLS（s，t）為t 時段場景s 削減負荷量。

1.2.1 對照組 對患者每個月開展1次肺健康知識宣教，內容包括COPD相關知識、肺康復理念，指導戒煙，給予氧療、藥物治療，共治療20周。

目標函數3 以所有場景中負荷與電源出力之間的偏差最小為目標。

式中：SOC（t）為t 時段電池的荷電參數。

可響應用戶包括可削減和可延遲負荷，其中，可延遲負荷的使用時間從t 延遲至t′， 并且可以計算響應負荷中的延遲負荷響應水平[18]。

取不同凍藏時間的冷凍面團，利用FID試驗調節共振中心頻率，CPMG脈沖序列測量樣品的自旋弛豫時間(T2)，稱取面團(3.0±0.01) g放入試管中，置于永久磁場中心位置射頻線圈的中心，進行CPMG脈沖序列的掃描試驗。CPMG試驗參數：主頻=21（MHz）,偏移頻率=99315.9（MHz），采樣點數TD=156492，重復掃描次數NS=64，重復時間TR=1500 ms，半回波時間τ=7 μs，溫度=32 ℃。利用T2反演擬合軟件對CPMG弛豫衰減曲線進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副總裁羅衛紅先生、杭州華光焊接新材料股份有限公司董事長金李梅、南京大地水刀股份有限公司技術總監蔣鎮漢、伏能士智能設備（上海）有限公司中國技術支持總監Gerd Holzschuh分別做了題目為“持續追求技術發展 全面打造佳士質量”、“面向綠色智能制造的釬焊技術展望”、“超高壓水射流技術的應用”、“TPS/i-基于焊接工藝和用戶設計的智能平臺”的精彩報告。

2.2 約束條件

①功率平衡約束

式中：Dnr（t，nr）為t 時段不可響應負荷；PPW（s，t，p，w）為t 時段場景s 風電和光伏出力；Pd（s，t，d）為t時段場景s 柴油機組出力。

②機組出力約束

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

③BES 運行約束

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

④分布式電源約束

式中：RU 和RD 分別為上、下爬坡率。

⑤需求響應約束

式中：ψ 為響應水平。

2.3 負荷因數

閱讀能力的高低關系著學生將來語文學習能力的強弱，《語文課程標準》也明確指出小學語文教師應該有目的地進行閱讀教學，培養學生的閱讀能力，讓學生熱愛閱讀，通過閱讀享受到語文學習的樂趣。但很多語文教師受到傳統教育思想的影響，認為語文閱讀教學并不重要，忽視了對學生閱讀能力的培養，這對學生的學習是非常不利的。下面我就從“培養學生專心閱讀的習慣”“通過閱讀完成知識積累”“引導學生將閱讀延伸至課外”三個方面出發，談一談如何培養小學低年級學生的閱讀能力。

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

3 模型求解

本文多目標優化模型的主要目的是尋找所有目標函數空間的非支配解， 同時在有限選擇條件內的目標函數空間中得到Pareto 前沿（圖1）。 搜索和決策是求解多目標優化的兩個重要步驟，搜索是為了找到全局最優解， 而決策是為了找到決策者滿意的一小部分解。 一般利用適應性理論的進化算法和搜索算法求解多目標優化。

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解，最優解通過解集與理想點的距離確定，其求解步驟如下：首先歸一化目標函數，然后確定每個歸一化后目標函數最小值， 最后選擇理想點和最小空間距離。

4 算例分析

4.1 系統說明

本文選取IEEE33 節點系統[19]進行仿真分析，仿真環境為MATLAB2014b。 如圖2 所示，本文考慮了4 組柴油機組 （DG）、5 臺光伏太陽能機組（PV）、7 臺風機（W）和4 組電池儲能系統（E）。

本文考慮兩個情景：情景1 不考慮孤島模式；情景2 考慮孤島模式。4 組柴油機組參數如表1所示。 本文選擇10 個風速和光照輻射強度場景，風速概率分布、光照強度分布、日前市場電價、系統負荷需求分別如圖3～6 所示。 考慮可響應負荷占比為95%，從主網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 柴油機組參數Table 1 Parameters of diesel generator

圖3 風速分布Fig.3 Distribution of wind speed

圖4 光照強度分布Fig.4 Distribution of solar irradiance

圖5 電價曲線Fig.5 Electricity price curve

圖6 原始負荷需求Fig.6 Original demand profile

風機的切入、額定和切出風速分別為3，15 m/s 和25 m/s。 光伏和風機的額定出力分別為1.1 MW 和2.5 MW。 EES 系統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，運行成本為75$，維護成本為12$。

4.2 算例分析

①情景1

為使特殊兒童得到更好的康復和治療，享受高標準的文化教育，使其達到生活自理，甚至成為身心健康并對社會有用的人才。為此，莊園結合自身實際與前期經驗，共同組建了由特殊教育、康復、保育、心理、社工等多專業人員組成的專業團隊，共同努力，為身心障礙兒童服務。2012年6月，在莊園領導的大力支持下，在重慶師范大學特殊教育專家張文京教授的指導下，教、康、保三位一體整合服務模式正式全面啟動。

一陣涼風透過窗戶縫隙吹進來，把緊閉著的衛生間窗簾掀開了一條縫。她一驚，伸手要去拉攏來。可就在她的手觸到窗簾的剎那間，她的目光無意間投向了窗外，她看到了一個令人心跳耳熱的鏡頭。對面一間房子的窗戶，窗口的大紅雙喜還未褪色，不知是疏忽，還是過于急切，那對年輕夫妻未拉上窗簾也未關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，似乎憋足了半個世紀的愛和欲要在這一刻盡情地傾瀉……

本情景不考慮孤島運行，研究BES 系統對多目標函數優化之間的關系。 最優解選擇在距離理想點的0.766 3 處，如圖7 所示。 3 個目標函數的解分別為85 032.21，5.23 MW 和214.25 MW。 充放電運行成本為207.6$和178.3$。 日前可再生能源出力與負荷需求對BES 的影響是積極的，分布式電源出力剩余部分均由需求側消耗， 并沒有將剩余電能充入儲能系統中。

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

根據分布式電源和主網的調度結果， 從圖8可以看出，第4 個時段BES 充電0.736 MW，而在第20 個時段放電0.657 MW。另外，可再生能源和用戶負荷的聯合優化在負荷削減和運行成本削減方面都有一定作用。

圖8 情景1 BES 充放電結果Fig.8 Results of EES charging and discharging of scenario 1

②情景2

故障現象的多樣性使日常的維護不一定從開始的切入點入手，針對不同階段的故障排查都可以從邏輯流程控制中找到準確的切入點，為繼電保護通道的運維提供正確的思路和著手點。

本情景考慮孤島運行，不從主網購電。圖9 給出了Pareto 前沿距離理想點的距離， 為0.712 5。相比情景1， 目標函數1 和3 的結果分別減少2.45%和4.01%。 由于孤島模式的限制，目標函數2 的結果為16.48 MW，較情景1 有所增加。 電池充、放電成本分別為2 765.25$和2 013.72$。 孤島模式下機組排放減少較多。 根據孤島模式下的機組調度方案， 如圖10 所示，1～4 時段的充電功率為7.26 MW，12，21 和22 時段的放電功率共計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 充放電結果Fig.10 Results of EES charging and discharging of scenario 2

負荷需求如圖11 所示，可以看出，情景1 和情景2 之間的負荷需求有所轉移。 BES 系統的SOC 如圖12 所示，可以看出，目標函數3 對充放電成本以及電池壽命有直接影響。 表2 給出了負荷因數在本情景的結果。

圖11 負荷曲線Fig.11 Demand profiles

圖12 電池荷電狀態Fig.12 SOC of BES

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

5 結論

本文研究了居民智慧能源多目標優化， 以運行成本、排放成本以及負荷損失期望最小為目標，利用決策分析尋找Pareto 前沿集的最優解。最后，在IEEE33 節點系統中分析了考慮孤島運行和不考慮孤島運行兩種情景。另外，本文提出的多目標優化目標函數中考慮了可再生能源及可延遲負荷的聯合調度優化， 根據可延遲負荷的最優延遲策略提高功率因數。 仿真算例表明了本文所提模型的正確性和有效性。