面向微型能源互聯網接入的交直流配電網協同優化調度策略

鄭 重 苗世洪 李 超 張 迪 韓 佶

面向微型能源互聯網接入的交直流配電網協同優化調度策略

鄭 重1,2苗世洪1,2李 超1,2張 迪1,2韓 佶1,2

（1. 華中科技大學電氣與電子工程學院強電磁工程與新技術國家重點實驗室 武漢 430074 2. 華中科技大學電力安全與高效湖北省重點實驗室 武漢 430074）

分布式電源通過微型能源互聯網（簡稱微能網）的方式接入配電網可以充分發揮微能網多能耦合互補的特點，促進可再生能源消納。該文充分考慮交直流配電網和微能網的技術優勢及交互影響，研究了計及動態網絡重構和多能源協同的交直流配電網優化調度策略。首先，根據含微能網的交直流配電網系統結構和調度模型特點，研究以配電網節點邊際電價和微能網購/售電功率為交互變量的協調運行機制；其次，以交直流配電網和微能網運行成本最低為目標，充分考慮網絡運行約束和網絡間交互耦合約束，建立交直流配電網協調調度模型；再次，在混合整數二階錐規劃模型的節點邊際電價推導基礎上，提出基于極限學習機耦合交互的模型快速求解方法；最后，在含微能網的改進IEEE 33節點交直流配電網開展了算例分析。仿真結果表明，所提調度架構能充分降低網絡運行成本，促進微能網和交直流配電網間信息交互，同時該文所提求解技術能夠在確保計算精度的前提下極大地提高求解效率。

交直流配電網 微型能源互聯網 協同優化調度 動態網絡重構 極限學習機

0 引言

大力發展清潔能源已經成為世界各國應對環境污染和資源枯竭等問題的重要戰略共識[1-2]。隨著清潔能源大規模以分布式電源（Distributed Generation, DG）的方式接入配電網，配電網的潮流分布發生了深刻變化，傳統的配電網調度模式已經無法滿足系統的運行需求[3]。交直流配電網由于具有拓撲結構靈活、潮流可控等優勢，成為未來智能配電網的一個重要發展趨勢[4-7]。與此同時，由于清潔能源具有隨機性、間歇性等特性，清潔能源的大量無序接入為電網安全穩定運行帶來了嚴峻挑戰，冷-熱-電-氣深度耦合的微型能源互聯網（簡稱微能網）的發展與應用為上述問題的解決提供了新的思路[8-11]。因此，如何充分發揮交直流配電網靈活拓撲重構和微能網多能耦合替代的優勢，并實現二者的協同優化，已經成為進一步促進清潔能源高效消納的關鍵問題之一。

在能源互聯網發展背景下，含多能微電網接入的交直流配電網協同優化相關研究近年來漸漸興起。傳統文獻建模思路大致可以分為集中式和分布式兩大類。針對集中式建模方法，文獻[12-13]對冷熱電聯供型多微網系統的優化配置模型開展研究，同時計及多主體利益關系制定系統最優配置方案，但微電網與微電網間、微電網與配電網間的協同交互作用未能得到充分考慮。針對該問題，文獻[14]建立考慮微電網間功率交互和微源出力協調的優化調度模型，該模型既考慮了微電網與配電網、微電網與微電網之間的功率交互，也考慮了微電網之間的功率交互對微電網內部制冷或制熱的微源出力的影響，但其本質仍是微電網間的相互影響分析，外接配電網等效為根據分時電價購售電的電能供應商。上述文獻利用集中式算法進行統一建模計算，普遍存在迭代次數多、計算復雜、收斂性無法保證等顯著缺陷。鑒于此，相關學者進一步提出了分布式建模方法。對于交直流配電網而言，其接入的微能網可類比為微電網，微能網和所接配電網間的協調機制也可以參考配電網和微電網間的協調機制。然而，微能網和配電網的協調關系中，配電網電價會直接影響到微能網中的運行成本和能源生產方案，從而影響微能網對配電網的購售電功率。由此可見，不同于常見配電網與微電網之間交互邊界功率的同構協調機制，此時的協調變量是異構的。為了解決這類問題，相關學者提出了異構分解法[15-16]，為不同系統之間的協同優化提供了一定基礎。針對多主體間信息私密性較差，通信需求較高等問題，文獻[17-19]將冷熱電聯供型多微網和主動配電網作為兩個不同的利益主體，采用分布式建模方法，建立考慮電能交互的冷熱電聯供型多微網系統優化調度模型。文獻[20]提出了含綜合能源聯供型微網的配電網日前魯棒優化調度模型，但其綜合能源微網模型中沒有考慮到綜合能源用戶參與，且模型需要進行多次迭代計算，計算效率較低。文獻[21-22]也從含微能網配電網協調調度和擴展規劃的角度展開了相關研究，但是優化模型中配電網調度資源較為有限。

綜上所述，現有微能網與配電網協同優化模型研究中大多未能充分考慮配電網與微能網間的交互耦合，且未充分挖掘交直流配電網動態網絡重構和微能網用戶需求響應等靈活調度資源，無法充分發揮配電網和微能網協調調度對可再生能源消納的促進作用；此外，現有協調調度求解算法普遍存在計算復雜、耗時較長等缺陷，工程應用價值有限。

針對上述問題，本文充分考慮交直流配電網與微能網的交互影響，研究計及動態網絡重構和多能源協同的交直流配電網優化調度策略。首先，根據含微能網的交直流配電網系統結構和調度模型特點，以配電網節點邊際電價和微能網購/售電功率為交互變量，結合異構分解技術構建了交直流配電網-微能網協調調度框架，進而以系統經濟性最優為目標，建立了交直流配電網協調調度模型；然后，通過二階錐約束等價變形和整數松弛定價，完成了混合整數二階錐規劃模型節點邊際電價的數學推導，并提出了一種基于極限學習機（Extreme Learning Machine, ELM）耦合交互的模型快速求解方法；最后，在含微能網的改進IEEE 33節點交直流配電網驗證本文所提模型的有效性和求解技術的高效性。

1 交直流配電網-微能網協調調度框架與建模

1.1 交直流配電網-微能網協調調度框架

對于交直流配電網而言，微能網接入后，相當于一個廣義負荷，需要重點關注微能網接入節點的邊界功率對系統安全經濟運行的影響；對于微能網而言，交直流配電網的電能售價會影響微能網的系統運行收益和能源生產方案，不同的電能售價也會導致微能網對交直流配電網有不同的購/售電需求。可見，微能網和交直流配電網之間將會通過邊界信息相互影響，實現交直流配電網和微能網的協調調度具有重要意義。本文提出了一種交直流配電網-微能網協調調度框架，其結構圖如圖1所示。

圖1 交直流配電網-微能網協調調度框架

該協調調度框架包括交直流配電網和微能網內部優化過程以及優化模型之間的耦合過程，具體介紹如下：

1）交直流配電網和微能網的內部優化

交直流配電網的內部優化模型以系統運行成本最低為目標，協調調度全網可控開關狀態、可控分布式發電（Distributed Generation, DG）出力、電壓源換流器（Voltage Source Converter, VSC）調制比、靜止無功補償裝置（Static Var Compensator, SVC）補償電位等調度資源，實現系統的安全經濟運行；微能網的內部優化模型以系統能源生產成本最低為目標，根據系統外部電價制定系統內部能源售價和能源生產方案。交直流配電網和微能網的內部優化模型的一般表達形式詳見鏈接（https://pan.baidu. com/s/1-ZNtYd98QThNeqZMQ4s_0w，提取碼：1111，后文簡稱鏈接）。

2）交直流配電網和微能網優化耦合模型

本文采用極限學習機實現交直流配電網和微能網優化模型之間的耦合，該過程如圖2所示。對于交直流配電網優化模型而言，將各個微能網購/售電功率作為極限學習機的輸入變量，將配電網的節點邊際電價作為極限學習機的輸出變量；對于微能網優化模型而言，將節點邊際電價作為極限學習機的輸入變量，將各個微能網購、售電功率作為極限學習機的輸出變量。本文將在2.3節對兩個優化模型的耦合模型進行詳細說明。

圖2 交直流配電網和微能網優化模型的耦合架構

1.2 上層交直流配電網優化調度模型

1.2.1 上層目標函數

上層交直流配電網優化調度模型的目標函數為

1.2.2 上層約束條件

1）潮流方程約束

考慮動態網絡重構和靜止無功補償器接入后的潮流方程約束為

2）網絡安全運行約束

3）換流站容量約束

4）無功調節裝置約束

由于DG接入，交直流配電網中潮流可能出現反向，導致某些母線出現過電壓問題，因此本文考慮交直流配電網中存在以靜止無功補償裝置為代表的無功調節裝置，靜止無功補償裝置的無功調節功率需要滿足范圍約束，即

5）電源出力約束

變電站傳輸功率、交流電網電源和直流電網電源的有功無功出力需要滿足出力上、下限約束，即

1.3 下層微能網優化調度模型

微能網系統運行商需要根據配電網電價制定系統內部能源生產方案，同時調整系統內部電價，激勵微能網中的綜合能源用戶通過用能替代效應積極參與系統優化。因此，本文以微能網生產成本最低為目標，在滿足供需雙側安全運行相關約束條件下構建微能網優化調度模型。

1.3.1 下層目標函數

接入交直流配電網后，微能網面臨變化的電價，且被允許在滿足安全約束的條件下向配電網倒送功率，目標函數為

1.3.2 下層約束條件

微能網約束條件可以分為能源供給側約束和能源需求側約束。

1）能源供給側約束

（1）能源平衡約束

系統運營商向上級能源網絡購買電力、天然氣、熱力能源資源，通過系統各類能源轉換設備向多能用戶供能，各類能源平衡約束為

（2）設備運行參數約束

主要考慮到各類能源轉換設備的容量限制，各設備的運行約束為

（3）能源價格變化范圍約束

系統運營商可以制定向用戶出售電能和熱能的價格，為了保證系統運營商的運行收益又不造成用戶用能成本過高，需要對能源價格變化范圍進行限定，即

（4）風光出力約束

2）能源需求側約束

需求側采用考慮用戶需求耦合響應特性的綜合需求響應模型。在此模型中，認定用戶有一個初始冷/熱/電需求；采用電價彈性矩陣模型描述用戶電負荷響應過程，同時考慮需求之間的耦合響應，假設用戶受電負荷影響的相關需求轉由熱負荷設備供給。由此建立相關約束如下。

（1）需求平衡約束

用戶需求可以分為原始用能需求和需求偏移量兩個部分，如式（21）所示。其中，原始用能需求見式（22），需求偏移量根據響應情況可由式（23）表示。

（2）響應量大小約束

在用戶自由分配負荷變化量時，需要保證各類需求對應負荷變化量在總負荷響應范圍內，表達式為

（3）用能成本約束

當用戶響應電價變化時，電、熱負荷變化將會改變用戶的用能成本。為避免用戶利益過度受損，需要考慮用能成本約束，即

2 基于ELM耦合交互的模型求解方法

本文將交直流配電網的節點邊際電價和微能網的購、售電功率作為交互變量，在異構分解框架中，利用極限學習機強大的非線性映射和泛化能力，實現兩交互變量的耦合，以提高調度模型的求解效率。下面首先介紹模型求解中的重要概念及計算工具——節點邊際電價和極限學習機；并在此基礎上，介紹交直流配電網和微能網的極限學習機耦合模型，給出模型快速求解的流程。

2.1 節點邊際電價

節點邊際電價以每個節點向用戶供電的邊際成本確定節點電價，通過向用戶提供經濟信號，利用節點邊際電價能夠科學衡量能量價值，充分促進市場合理競爭[24]。一般地，節點邊際電價是以最優潮流模型為基礎進行推導的，但是本文提出的交直流配電網優化調度模型是一個混合整數二階錐規劃問題，其節點邊際電價的推導主要面臨兩個難題：

1）傳統方法推導出的二階錐約束的互補松弛條件將為二次等式，節點邊際電價也將以二次形式存在，無法利用成熟的規劃方法獲取。因此，為了對節點邊際電價進行線性化表示，必須對二階錐約束的互補松弛條件形式等價變形，進而確定二階錐約束的拉格朗日乘子。

2）傳統的節點邊際電價推導模型是以連續模型為基礎進行推導的，但本文模型是一個混合整數規劃問題，其節點邊際電價會受到整數變量的影響，傳統的推導方式將不再適用[25]。

其二階錐標準表達形式為

式（29）和式（30）兩個約束的互補松弛條件需要匹配于相應的拉格朗日乘子，即式（29）和式（30）兩個二階錐的互補松弛條件形式如式（31）和式（32）所示。

在不考慮整數變量的情況下，本文提出的交直流混合配電網聯合優化調度模型是一個連續凸優化模型，其拉格朗日形式為

式中，G為交直流配電網電源集合。

根據穩定性條件可得

將式（31）和式（32）代入式（36）和式（37）可得

式（38）為該系統的預算平衡式。式中第一項加和代表電力系統生產費用，第三項加和代表為系統擁塞所產生的費用，第二項加和則代表網損和電壓降產生的費用。

前述模型是對連續模型的節點邊際電價進行求解。對于混合整數規劃問題，可以采用整數松弛定價的思路[26]。本文借鑒這一思路，先對原交直流混合配電網聯合優化調度模型進行整體優化求解，得到整數變量最優值后將其作為參數代入原模型中，進而通過式（27）～式（39）求解松弛后的節點邊際電價。

2.2 極限學習機

ELM的基本方程為

將式（40）寫成矩陣形式，即

其中

此外，本文采用標準方均根誤差[28-29]對ELM擬合誤差進行表征，其具體計算公式為

2.3 交直流配電網和微能網優化模型的耦合

對于交直流配電網優化模型而言，各個微能網購售電功率為模型的輸入變量，配電網的節點邊際電價為模型輸出變量。因此交直流配電網優化模型的ELM等效優化模型中輸入、輸出矩陣分別為

對于微能網優化模型而言，微能網接入節點的節點邊際電價為模型輸入變量，系統購售電功率為模型輸出變量。第個微能網模型的ELM等效優化模型中輸入、輸出矩陣分別為

2.4 模型快速求解流程

由圖1可知，本文需要分別訓練兩類ELM。第一類是針對交直流配電網優化模型的耦合，將各個微能網購、售電功率作為ELM的輸入變量，將配電網的節點邊際電價作為ELM的輸出變量；第二類是針對微能網優化模型的耦合，將節點邊際電價作為ELM輸入變量，將各微能網購、售電功率作為ELM輸出變量。兩類ELM的輸入輸出關系詳見鏈接。

由于兩類ELM的訓練過程完全相同，下面以第一類ELM為例，介紹ELM的訓練方法：

（1）隨機生成若干組微能網購、售電數據，利用交直流配電網優化調度程序求解節點邊際電價，進而將上述數據作為第一類ELM的輸入訓練數據。

（2）確定隱層節點總數，選擇激勵函數(?)。

（3）隨機初始化輸入權值和隱層閾值向量。

（4）根據式（42）計算出隱層輸出矩陣。

（5）根據式（43）計算出輸出權值矩陣。

在完成上述兩類ELM的訓練后，將其作為交直流配電網和微能網優化模型的耦合交互工具，完成整個優化模型的快速求解。交直流配電網-微能網協調調度模型求解的流程如圖3所示。

算法具體步驟如下：

（1）對交直流配電網和微能網中的優化變量進行隨機初始化，初始化迭代次數iter=1。

圖3 基于ELM的雙層模型求解流程

（2）將微能網購、售電數據輸入第一類ELM，求解交直流配電網優化模型，獲取節點電價。

（3）將電網節點電價數據輸入個第二類ELM，依次求解對應個微能網優化模型，獲取微能網購、售電數據。

（4）計算第iter次迭代節點邊際電價殘差及微能網購、售電功率殘差，判斷是否滿足式（50）所示的收斂判據，若滿足，輸出交直流配電網-微能網協調調度模型優化結果；若不滿足，返回步驟（2）。

3 算例分析

3.1 算例系統說明

為驗證所提計及動態網絡重構和多能源協同的交直流配電網優化調度模型的有效性，本文基于一個包含兩個微能網的交直流配電系統進行算例分析，算例系統結構如圖4所示。所用算例系統中交直流配電網采用改進的IEEE 33節點交直流配電網，微能網1對文獻[30]所用多能系統進行改進，微能網2在微能網1的基礎上進行改進，使其具備不同的負荷特性、DG出力特性和設備特性。兩個微能網分別接于交直流配電網中的交流節點24和交流節點5。

圖4 含微能網的交直流配電網結構

3.2 模型參數選取

為了建立足夠精度的等效優化模型，需要獲得足夠多的學習樣本。本文在邊界變量允許范圍內隨機設置1 000組變量參數，分別代入兩個優化模型中求出相應模型最優時的節點邊際電價和最優購售電功率。分別選用100、200、300、400、500、600、700、800和900組數據作為訓練樣本，分別輸入兩個ELM模型中進行訓練，再用剩余100組數據進行模型準確性測試，其中，ELM擬合誤差計算公式詳見式（44）和式（45）。不同數量訓練數據下ELM的擬合誤差見表1。

表1 不同數量訓練數據下ELM的擬合誤差

Tab.1 Fitting errors of extreme learning machine with different training data

從表1中可以看出，當訓練數據為600時，擬合誤差趨向于收斂，約為6%。因此，本文選擇利用900組訓練樣本得到的兩個ELM模型作為后續優化模型中的耦合工具。

需要說明的是，為了選擇合適的ELM核函數，本文分別針對RBF核函數（RBF kernel）、線性核函數（Linear kernel）、多項式核函數（Polynomial kernel）及波核函數（Wave kernel）的擬合誤差進行對比分析，利用900組樣本進行訓練，并利用另外100組數據進行測試，測試結果見表2。

表2 不同核函數下ELM的擬合誤差

Tab.2 Fitting errors of extreme learning machine with different kernel functions

由表2可知，采用RBF核函數時，模型的平均標準方均根誤差最低，擬合效果最優。因此，本文最終選取RBF核函數進行ELM訓練。

3.3 模型求解精度和效率

為了提高求解效率，本文提出了基于ELM的交直流配電網雙層協調調度模型，采用ELM算法實現交直流配電網優化模型和微能網優化模型的快速響應，避免每次迭代過程中求解高維子優化問題耗時過長的缺陷，極大地提升了計算效率。本文進一步分析引入ELM對模型求解精度的影響。

首先，本文將未采用ELM的協調調度模型優化結果作為基準值，對比分析采用ELM的優化結果，以驗證本文所提模型的精確性。ELM擬合節點邊際電價相對誤差曲線如圖5所示。LMP1和LMP2分別代表兩微能網接入節點的節點邊際電價。從圖5中可以看出，所得到各時段的節點邊際電價誤差均低于6%。因此，本文基于ELM的交直流配電網優化模型可以通過數據學習的方式建立交互變量與目標函數之間的關系，從而避免了迭代優化中交替進行的優化過程，在允許的誤差范圍內提高了優化過程的求解效率。

圖5 ELM擬合節點邊際電價相對誤差曲線

為進一步說明本文所提基于ELM耦合交互的模型求解方法在求解精度及計算效率上的優越性，引入傳統集中式求解算法及基于異構分解的分布式求解算法[15-16]與本文所提算法進行對比，結果見表3。

表3 模型求解精度及效率對比表

Tab.3 Comparison table of solving efficiency and accuracy

從表3可以看出，本文所提基于ELM耦合交互的模型求解方法的計算精度較高，生產總成本、交直流配電網發電成本及各微能網購能成本誤差均保持在3%以內，在工程應用上完全能夠接受。與此同時，相較于傳統分布式和集中式優化算法，本文所提算法在計算效率層面具有顯著優勢，整個優化過程在154s內完成。由此可見，基于ELM耦合交互的模型求解方法在允許小范圍犧牲最優性的條件下極大地提高了模型的求解效率，既克服了傳統分布式優化算法求解子優化問題耗時過長的缺陷，亦避免了傳統集中式優化算法在節點數量增加、網絡規模擴大時所面臨的收斂性問題，為高效求解此類多個主體、調度資源多樣、調度模型復雜的協同優化問題提供了堅實基礎。

3.4 協調調度和獨立調度結果對比

為進一步體現本文所提交直流配電網協調調度模型相較于傳統獨立調度模型的優勢，本文設置如下三種調度方式進行對比分析：

調度方式1（協調調度方式）：即本文提出的基于ELM的交直流配電網-微能網協調調度方式，交直流配電網和兩個微能網進行協調調度。微能網根據配電網給定電價分別進行自調度，將自身功率需求傳遞給配電網后，配電網進一步根據兩個微能網功率需求進行優化調度，將優化后的配電網節點電價傳遞給微能網，模型間反復交互迭代直至收斂。

調度方式2（獨立調度方式-1）：交直流配電網和兩個微能網進行獨立調度。兩個微能網根據交直流配電網給定節點電價進行自調度，并向配電網上傳24h功率需求，配電網根據微能網功率需求進行配電網優化。兩個微能網接入節點的電價統一參考河北南部電網1～10kV配電網峰谷銷售電價。

調度方式3（獨立調度方式-2）：該調度方式與調度方式2基本相同，唯一的區別之處在于調度方式3中微能網的優化目標調整為向交直流配電網購電功率最少（或者售電功率最多），以分析微能網向交直流配電網提供最小功率需求（或者最大功率支撐）時全系統的運行生產總成本。

需要說明的是，為驗證本文協調調度模型及求解算法在計及多微能網接入的交直流配電網系統中的有效性和優越性，本文進一步增加了計及三微能網接入的交直流配電網系統算例分析，詳見鏈接。此外，由于采用的交直流配電網系統和微能網系統參數不同，涉及金額單位的問題，因此本文在迭代優化過程中將美元電價按1:7的匯率轉換為人民幣進行，這并不會影響到最終調度結果。

1）生產成本優化結果

交直流配電網和微能網的生產成本優化結果見表4。

表4 三種調度方式下交直流配電網和微能網生產成本優化結果

Tab.4 The cost of AC-DC distribution network and micro-energy-internet under 3 dispatching modes

分析表4中數據可看出：

（1）獨立調度方式-1下的微能網購能成本最低，發電成本最高，獨立調度方式2下的微能網購能成本最高，發電成本最低；協調調度方式下的微能網購能成本和配電網發電成本介于兩者之間。這主要是由于在獨立調度方式-1下微能網的調度方式為自調度，其以微能網自身的運行成本最小為目標，所以犧牲了部分交直流配電網的運行經濟性，以確保微能網運行最優；而獨立調度方式-2則恰好相反，其以向交直流配電網提供最大功率支撐（或者最小功率需求）為目標，旨在充分發揮微能網的多能耦合替代特性，使得微能網內部資源利用最大化，所以該調度方式下微能網的購能成本最高、交直流配電網的發電成本最低；而協調調度方式則綜合考慮了微能網和交直流配電網的運行經濟性。

（2）協調調度方式下的生產總成本最低，其次是獨立調度方式-1，獨立調度方式-2下的生產總成本最高，協調調度方式下生產總成本相比獨立調度方式最高相差1532.33元/天。相較于獨立調度方式，協調調度方式能夠可觀地降低系統總生產成本。

（3）相較于協同調度方式所能夠實現配電網風光全額消納，兩種獨立調度方式中配電網均出現了不同程度的棄風棄光問題。這主要是由于兩種獨立調度方式中配電網與微能網間缺乏有效數據信息交互，配電網及微能網在優化過程中僅考慮自身經濟性，系統整體資源協同利用效率較為有限；此外，獨立調度方式-2以向交直流配電網購電功率最少為優化目標，該優化目標將導致配電網棄風棄光現象進一步加劇。同時，本文所提算法能夠通過節點邊際電價與微能網購售電功率的迭代交互獲取全局最優能源生產方案，進而有效地促進清潔能源消納。

2）交直流配電網優化調度結果

三種調度方式下，交直流配電網負荷曲線及電源出力情況如圖6所示。

圖6 三種調度方式下交直流配電網負荷及電源出力曲線

分析圖6中信息可以看出，協調調度方式下兩個微能網的購售電方案相對更為合理，對交直流配電網起到了一定的削峰填谷的作用。當交直流配電網位于負荷高峰期時，兩個微能網向配電網售電，反之則微能網向配電網購電，緩解了配電網調峰壓力，避免了配電網電源出力的頻繁調節。而兩種獨立調度方式下微能網由于缺乏與交直流配電網的有效交互機制，其能源生產方案與交直流配電網的實際需求并不匹配，常常會出現負荷低谷期微能網向配電網售電或者是負荷高峰期微能網向配電網購電的現象。因此，從系統層面而言，協調調度方式更有利于發揮不同調度資源的協調互補特性，優化系統的能源利用方式。

3）微能網優化調度結果

三種調度方式下，微能網1和微能網2內部的電能生產方案如圖7所示。

分析圖7可以發現：無論是協調調度方式還是兩種獨立調度方式，微能網接入交直流配電網后，由于微能網可以向交直流配電網倒送功率，所以當單獨考慮微能網調度時出現的棄風光現象將不再出現；另外，由于微能網2內部的風光資源更加充足，因此微能網2向交直流配電網的售電積極性更高，這也說明微能網是促進風光資源消納的有效手段之一。進一步縱向對比圖7中的相關數據可知，協調調度方式下微能網內部的負荷需求響應趨勢與配電網負荷峰谷分布幾乎相反，即在配電網負荷高峰期時微能網負荷下降，在配電網負荷低谷期時微能網負荷上升，而兩種獨立調度方式下的負荷需求響應則無明顯特征，說明協調調度方式更有利于發揮微能網的負荷需求響應特性，平滑配電網負荷曲線。

三種調度方式下，微能網1和微能網2內部的電能生產方案見鏈接，可以發現，協調調度方式對微能網內部的熱能生產方案具有較大的影響，其本質是由于用戶綜合需求響應的影響：不同調度方式下微能網的優化目標不同，對應不同的響應電價，電價將對用戶的熱負荷需求產生較大影響，進而影響了微能網內部的熱能生產方案。與此同時，獨立調度方式-2下微能網熱負荷僅由CHP機組和儲熱裝置供應，而協調調度方式和獨立調度方式-1下均有電熱泵參與熱負荷供應，且三種調度方式下均無燃氣鍋爐參與。這主要是由于CHP機組具有熱電聯產的獨特優勢，當微能網接入配電網后可以將其內部盈余的風電、光伏甚至是氣電倒送至交直流配電網中，使得CHP機組的優勢被進一步擴大，熱電聯產的效益遠遠高于燃氣鍋爐以氣產熱的效益，所以三種調度方式下燃氣鍋爐都沒有被安排熱負荷供應計劃。另一方面，協調調度方式和獨立調度方式-1電熱泵承擔熱負荷的時刻均為輕電重熱負荷階段，此時的節點電價一般也相對較低，所以通過電熱泵將電負荷轉換成熱負荷具備經濟性，而獨立調度方式-2的優化目標為向交直流配電網供給最大功率，所以調度計劃會避免出現電轉氣的現象，因此獨立調度方式-2沒有電熱泵參與熱負荷供應。

綜上所述，本文所提出的協調調度模型可以充分發揮不同調度資源的協調互補特性，促進微能網和交直流配電網之間的信息交互，降低社會生產的總成本。

4 結論

為充分發揮交直流配電網和微能網的協調互補特性，本文對計及動態網絡重構和多能源協同的交直流配電網優化調度技術開展研究，提出了基于ELM的交直流配電網協同優化調度模型快速求解方法，通過仿真算例對模型進行了驗證，結果表明：

1）本文提出了一種含微能網的交直流配電網協調運行框架，該框架能夠反映微能網和交直流配電網之間的影響機理，以節點邊際電價和購售電功率為交互變量的協調機制能夠有效地實現信息交互。

2）本文提出了一種基于ELM的交直流配電網雙層協調調度模型求解方法，該求解方法能夠在保證求解最優性的前提下，縮短每次迭代計算時間，實現交直流配電網協同優化模型的快速求解。

3）交直流配電網和接入的微能網之間的協調調度，對于提升系統整體經濟性，促進可再生能源消納和能源清潔化轉型具有重要意義。

[1] 國家能源局. 能源發展“十三五”規劃[EB/OL]. http://www.nea.gov.cn/135989417_14846217874961n.pdf.

[2] 國家發展和改革委員會, 國家能源局. 能源生產和消費革命戰略（2016-2030）[EB/OL]. https://www. ndrc.gov.cn/fggz/zcssfz/zcgh/201704/W020190910670685518802.pdf.

[3] 馬釗, 周孝信, 尚宇煒, 等. 未來配電系統形態及發展趨勢[J]. 中國電機工程學報, 2015, 35(6): 1289-1298.

Ma Zhao, Zhou Xiaoxin, Shang Yuwei, et al. Form and development trend of future distribution system[J]. Proceedings of the CSEE, 2015, 35(6): 1289-1298.

[4] 黃堃, 劉之涵, 付明, 等. 計及電壓風險感知的交直流配電網優化調度[J]. 電力系統自動化, 2021, 45(15): 45-54.

Huang Kun, Liu Zhihan, Fu Ming, et al. Optimal dispatch of AC/DC distribution network considering voltage risk perception[J]. Automation of Electric Power Systems, 2021, 45(15): 45-54.

[5] 曾夢隆, 韋鋼, 朱蘭, 等. 交直流配電網中電動汽車充換儲一體站規劃[J]. 電力系統自動化, 2021, 45(18): 52-60.

Zeng Menglong, Wei Gang, Zhu Lan, et al. Planning of electric vehicle charging-swapping-storage integrated station in AC/DC distribution network[J]. Automation of Electric Power Systems, 2021, 45(18): 52-60.

[6] 孫峰洲, 劉海濤, 陳慶, 等. 考慮新能源波動區間的交直流配電網下垂斜率魯棒優化方法[J]. 電力系統自動化, 2020, 44(14): 62-70.

Sun Fengzhou, Liu Haitao, Chen Qing, et al. Robust optimization method for droop slopes in AC/DC distribution network considering fluctuation interval of renewable energy source[J]. Automation of Electric Power Systems, 2020, 44(14): 62-70.

[7] 李幸芝, 韓蓓, 李國杰, 等. 考慮非高斯耦合不確定性的交直流配電網兩階段概率狀態估計[J]. 電工技術學報, 2020, 35(23): 4949-4960.

Li Xingzhi, Han Bei, Li Guojie, et al. Two-stage probabilistic state estimation for AC/DC distribution network considering non-Gaussian coupling uncertainties[J]. Transactions of China Electrotechnical Society, 2020, 35(23): 4949-4960.

[8] 刁涵彬, 李培強, 王繼飛, 等. 考慮電/熱儲能互補協調的綜合能源系統優化調度[J]. 電工技術學報, 2020, 35(21): 4532-4543.

Diao Hanbin, Li Peiqiang, Wang Jifei, et al. Optimal dispatch of integrated energy system considering complementary coordination of electric/thermal energy storage[J]. Transactions of China Electrotechnical Society, 2020, 35(21): 4532-4543.

[9] 陳柏翰, 馮偉, 孫凱, 等. 冷熱電聯供系統多元儲能及孤島運行優化調度方法[J]. 電工技術學報, 2019, 34(15): 3231-3243.

Chen Bohan, Feng Wei, Sun Kai, et al. Multi-energy storage system and islanded optimal dispatch method of CCHP[J]. Transactions of China Electrotechnical Society, 2019, 34(15): 3231-3243.

[10] 尹斌鑫, 苗世洪, 李姚旺, 等. 先進絕熱壓縮空氣儲能在綜合能源系統中的經濟性分析方法[J]. 電工技術學報, 2020, 35(19): 4062-4075.

Yin Binxin, Miao Shihong, Li Yaowang, et al. Study on the economic analysis method of advanced adiabatic compressed air energy storage in integrated energy system[J] Transactions of China Electrotechnical Society, 2020, 35(19): 4062-4075.

[11] 楊經緯, 張寧, 王毅, 等. 面向可再生能源消納的多能源系統: 述評與展望[J]. 電力系統自動化, 2018, 42(4): 11-24.

Yang Jingwei, Zhang Ning, Wang Yi, et al. Multi-energy system towards renewable energy accommodation: review and prospect[J]. Automation of Electric Power Systems, 2018, 42(4): 11-24.

[12] 林順富, 劉持濤, 李東東, 等. 考慮電能交互的冷熱電區域多微網系統雙層多場景協同優化配置[J]. 中國電機工程學報, 2020, 40(5): 1409-1421.

Lin Shunfu, Liu Jitao, Li Dongdong, et al. Bi-level multiple scenarios collaborative optimization configuration of CCHP regional multi-microgrid system considering power interaction among microgrids[J]. Proceedings of the CSEE, 2020, 40(5): 1409-1421.

[13] 李鵬, 吳迪凡, 李雨薇, 等. 基于談判博弈的多微網綜合能源系統多目標聯合優化配置[J]. 電網技術, 2020, 44(10): 3680-3690.

Li Peng, Wu Difan, Li Yuwei, et al. Multi-objective union optimal configuration strategy for multi-microgrid integrated energy system considering bargaining games[J]. Power System Technology, 2020, 44(10): 3680-3690.

[14] 王守相, 吳志佳, 莊劍. 考慮微網間功率交互和微源出力協調的冷熱電聯供型區域多微網優化調度模型[J]. 中國電機工程學報, 2017, 37(24): 7185-7194, 7432.

Wang Shouxiang, Wu Zhijia, Zhuang Jian. Optimal dispatching model of CCHP type regional multi-microgrids considering interactive power exchange among microgrids and output coordination among micro-sources[J]. Proceedings of the CSEE, 2017, 37(24): 7185-7194, 7432.

[15] Li Zhengshuo, Guo Qinglai, Sun Hongbin, et al. Coordinated economic dispatch of coupled transmission and distribution systems using heterogeneous decomposition[J]. IEEE Transactions on Power Systems, 2016, 31(6): 4817-4830.

[16] Li Zhengshuo, Guo Qinglai, Sun Hongbin, et al. A new LMP-sensitivity-based heterogeneous decomposition for transmission and distribution coordinated economic dispatch[J]. IEEE Transactions on Smart Grid, 2018, 9(2): 931-941.

[17] 徐青山, 李淋, 盛業宏, 等. 冷熱電聯供型多微網主動配電系統日前優化經濟調度[J]. 電網技術, 2018, 42(6): 1726-1735.

Xu Qingshan, Li Lin, Sheng Yehong, et al. Day-ahead optimized economic dispatch of active distribution power system with combined cooling heating and power-based microgrids[J]. Power System Technology, 2018, 42(6): 1726-1735.

[18] Xu Qingshan, Li Lin, Xi Chen, et al. Optimal economic dispatch of combined cooling, heating and power-type multi-microgrids considering interaction power among microgrids[J]. IET Smart Grid, 2019, 2(3): 391-398.

[19] 徐青山, 李淋, 蔡霽霖, 等. 考慮電能交互的冷熱電多微網系統日前優化經濟調度[J]. 電力系統自動化, 2018, 42(21): 36-44.

Xu Qingshan, Li Lin, Cai Jilin, et al. Day-ahead optimized economic dispatch of CCHP multi-microgrid system considering power interaction among microgrids[J]. Automation of Electric Power Systems, 2018, 42(21): 36-44.

[20] 周丹, 孫可, 張全明, 等. 含多個綜合能源聯供型微網的配電網日前魯棒優化調度[J]. 中國電機工程學報, 2020, 40(14): 4473-4485.

Zhou Dan, Sun Ke, Zhang Quanming, et al. Day-ahead robust dispatch of distribution network with multiple integrated energy system-based micro-grids[J]. Proceedings of the CSEE, 2020, 40(14): 4473-4485.

[21] 熊郁芬, 蘇潔瑩, 王獎, 等. 含多園區綜合能源系統的配電網雙層分布式調度[J]. 廣東電力, 2019, 32(10): 53-61.

Xiong Yufen, Su Jieying, Wang Jiang, et al. Bi-level distributed scheduling for distribution network with integrated energy system in parks[J]. Guangdong Electric Power, 2019, 32(10): 53-61.

[22] 雷霞, 唐文左, 李逐云, 等. 考慮區域綜合能源系統優化運行的配電網擴展規劃[J]. 電網技術, 2018, 42(11): 3459-3470.

Lei Xia, Tang Wenzuo, Li Zhuyun, et al. Distribution network expansion planning considering optimal operation of regional integrated energy system[J]. Power System Technology, 2018, 42(11): 3459-3470.

[23] Li Chao, Miao Shihong, Zhang Di, et al. A two-stage reactive power optimization strategy for AC/DC hybrid distribution network[C]//2020 5th Asia Conference on Power and Electrical Engineering (ACPEE), Chengdu, China, 2020: 426-431.

[24] 史新紅, 鄭亞先, 薛必克, 等. 機組運行約束對機組節點邊際電價的影響分析[J]. 電網技術, 2019, 43(8): 2658-2665.

Shi Xinhong, Zheng Yaxian, Xue Bike, et al. The effect analysis of units operation constraints on locational marginal price of unit nodes[J]. Power System Technology, 2019, 43(8): 2658-2665.

[25] Taylor J A. Convex optimization of power systems[M]. Cambridge: Cambridge University Press, 2015.

[26] 王宣元, 高峰, 康重慶, 等. 擴展的節點電價算法研究[J]. 電網技術, 2019, 43(10): 3587-3596.

Wang Xuanyuan, Gao Feng, Kang Chongqing, et al. Analysis of extended locational marginal price[J]. Power System Technology, 2019, 43(10): 3587-3596.

[27] Chen Y Q, Fink O, Sansavini G. Combined fault location and classification for power transmission lines fault diagnosis with integrated feature extraction[J]. IEEE Transactions on Industrial Electronics, 2017, 65(1): 561-569.

[28] 吳忠強, 戚松岐, 尚夢瑤, 等. 基于優化極限學習機的直流微電網并網等效建模[J]. 電力自動化設備, 2020, 40(6): 43-49.

Wu Zhongqiang, Qi Songqi, Shang Mengyao, et al. Grid-connected equivalent modeling of DC microgrid based on optimized extreme learning machine[J]. Electric Power Automation Equipment, 2020, 40(6): 43-49.

[29] 周鋒, 孫廷璽, 權少靜, 等. 基于集合經驗模態分解和極限學習機的變壓器油中溶解氣體體積分數預測方法[J]. 高電壓技術, 2020, 46(10): 3658-3665.

Zhou Feng, Sun Tingxi, Quan Shaojing, et al. Predication of dissolved gases concentration in transformer oil based on ensemble empirical mode decomposition and extreme learning machine[J]. High Voltage Engineering, 2020, 46(10): 3658-3665.

[30] 徐業琰, 廖清芬, 劉滌塵, 等. 基于綜合需求響應和博弈的區域綜合能源系統多主體日內聯合優化調度[J]. 電網技術, 2019, 43(7): 2506-2518.

Xu Yeyan, Liao Qingfen, Liu Dichen, et al. Multi-player intraday optimal dispatch of integrated energy system based on integrated demand response and games[J]. Power System Technology, 2019, 43(7): 2506-2518.

Coordinated Optimal Dispatching Strategy of AC/DC Distribution Network for the Integration of Micro Energy Internet

Zheng Zhong1,2Miao Shihong1,2Li Chao1,2Zhang Di1,2Han Ji1,2

（1. State Key Laboratory of Advanced Electromagnetic Engineering and Technology School of Electrical and Electronic Engineering Huazhong University of Science and Technology Wuhan 430074 China 2. Hubei Electric Power Security and High Efficiency Key Laboratory Huazhong University of Science and Technology Wuhan 430074 China）

By connecting distributed generations (DG) to the distribution network through micro-energy-internet (MEI), it can fully utilize the characteristics of the multi-energy coupling and complementation of MEI to promote the consumption of renewable energy. This paper gave full consideration to the technical advantages of AC/DC distribution network and MEI as well as the interaction between them, and studied the optimal dispatching strategy of AC/DC distribution network considering dynamic network reconfiguration and multi-energy collaboration. Firstly, according to the characteristics of the system structure and dispatching model of AC/DC distribution network containing MEI, the coordinated operation mechanism was studied with the locational marginal price of distribution network and the bought/sold power of MEI as interactive variables. Aiming at minimizing operating cost of AC/DC power distribution network and MEI, a coordinated dispatching model of AC/DC power distribution network was established with full consideration of network operation constraints and interaction coupling constraints. Then, based on the derivation of locational marginal price of the mixed integer second order cone programming model, a fast solving method based on the extreme learning machine coupling interaction model was proposed. Finally, an example analysis was carried out on the improved IEEE 33 node AC/DC distribution network containing MEI. The simulation results showed that the scheduling architecture can fully reduce the network operation cost and promote the information interaction between the micro energy grid and AC/DC distribution network. Meanwhile, the solution technology proposed in this paper can greatly improve the solution efficiency on the premise of ensuring the calculation accuracy.

AC/DC distribution network, micro energy internet, coordinated optimal scheduling, dynamic network reconfiguration, extreme learning machine

10.19595/j.cnki.1000-6753.tces.201374

TM732

2020-10-19

2021-10-09

鄭 重 男，1998年生，碩士研究生，研究方向為電網分布式發電及儲能規劃、電力系統凸優化。E-mail：zzheng@hust. edu. cn

苗世洪 男，1963年生，碩士，教授，博士生導師，研究方向為電力系統保護控制及微電網和主動配電網新技術等。E-mail：shmiao@mail. hust. edu. cn（通信作者）

（編輯 赫蕾）