考慮多靈活性資源協調調度的配電網新能源消納策略

姜云鵬 任洲洋 李秋燕 郭 勇 徐 巖

考慮多靈活性資源協調調度的配電網新能源消納策略

姜云鵬1任洲洋1李秋燕2郭 勇2徐 巖3

（1. 輸配電裝備及系統安全與新技術國家重點實驗室（重慶大學電氣工程學院） 重慶 400044 2. 國網河南省電力公司經濟技術研究院 鄭州 450052 3. 南洋理工大學電氣與電子工程學院 新加坡 639798）

針對雙碳目標下高比例新能源并網造成的靈活性調節資源匱乏及高效消納難題，該文提出一種考慮多靈活性資源協調調度的配電網新能源消納策略。首先，建立多靈活性資源靈活互動特性的刻畫方法，兼顧配電網新能源消納水平與經濟運行，構建考慮多靈活性資源協調調度的新能源優化消納模型；然后，為尋找優化消納模型非支配解的可行域，基于雙層嵌套結構建立多目標優化求解方法，并提出一種復合型線性化策略，將復雜的多目標非線性非凸優化消納模型轉換為多目標混合整數線性優化問題，實現優化消納模型的高效求解；最后，采用IEEE 33節點測試系統和中國某地級市110kV配電網，驗證所提消納策略的有效性和適應性。

配電網 新能源 多靈活性資源 靈活互動 多目標混合整數優化

0 引言

2021年3月15日，習近平主席提出構建以新能源為主體的新型電力系統。預計到2030年，我國風光裝機總量將超過12億kW[1-2]。國家“十四五”規劃提出堅持集中式和分布式并舉，大力提升風電和光伏發電規模[3]。

新能源出力具有較強的間歇性和波動性，高比例新能源并入配網，導致靈活調節資源需求大幅增加[4-6]，新能源的高效優質消納成為難題。國家發改委發布指導意見，明確提出要強化源網荷儲各環節間協調互動，充分挖掘系統靈活性調節能力和需求側資源[7]。

目前已有大量研究考慮大電網靈活性資源建立新能源消納模型，以解決大規模新能源場站的棄風棄光現象[8-12]。然而，配電網和大電網在運行邊界、網絡結構、運行特征等方面存在較大差異，兩者的新能源消納限制因素、靈活性資源類型和協同運行方式等并不相同[13]。因此，現有研究提出的考慮多種靈活性資源的大電網新能源消納模型，難以適用于配電網。

現有文獻通常考慮電源側、網絡側、負荷側和儲能側等單環節的靈活性資源研究配電網的新能源優化消納策略。針對節點電壓是限制新能源并網消納的瓶頸這一問題，文獻[14-15]利用光伏逆變器的靈活性進行連續動態無功補償，通過改善節點電壓質量以提高新能源消納量。配電網重構基于網架靈活性，能夠有效緩解電壓越限、線路過載等新能源消納的限制因素。文獻[16]利用靜態重構優化配電網拓撲結構，提升新能源消納電量。然而，風光出力和負荷均具有時變特性，靜態重構顯然難以適應該特點。為此，文獻[17-19]基于動態重構建立新能源消納策略。文獻[20-21]提出基于分布式電源出力優化調控和配網重構的主動配電網新能源消納策略，但其僅針對單一時段建模，難以考慮多時段靈活性調節措施的協調性。此外，文獻[16-21]基于生成樹或虛擬潮流模型模擬網架靈活性，須添加較多輔助變量，大大增加了建模難度和求解難度。合理利用荷儲靈活性有助于平滑新能源出力波動。文獻[22-23]提出了基于儲能和可控負荷優化調度的新能源消納策略，靈活利用可控負荷的時移特性及儲能裝置的充放電特性來提升配電網新能源消納水平，但其忽略了儲能的無功調節能力，因而無法有效利用儲能的靈活性解決新能源并網引起的電壓越限問題。

配電網新能源優化消納模型屬于非凸非線性的大規模優化求解問題。文獻[22-23]采用粒子群算法對加權轉換的單目標優化消納模型進行求解，但智能算法存在易陷入局部最優、尋優時間長等問題，且難以合理確定權重系數。二階錐松弛和線性化方法具有易獲得全局最優解、求解效率高等優點，得到了廣泛應用。文獻[20-21, 24]利用凸化松弛潮流約束，將非凸新能源優化消納模型轉換為混合整數二階錐優化問題，但該方法要求模型能夠嚴格滿足二階錐松弛準確性條件，適應性相對較差；文獻[18-19]采用線性化方法將非線性單目標的新能源優化消納模型轉換為混合整數線性規劃問題，提高了計算效率，但其難以適用于多目標優化消納模型的求解。

綜上所述，現有研究對靈活性措施的考慮較為單一，難以滿足高比例新能源并網消納的靈活性需求，且傳統網架靈活性建模復雜，消納模型難以高效求解。為此，本文通過對多種靈活性資源的有效建模，充分挖掘和協調配電網不同環節有功/無功靈活資源調節潛力，以消除限制配電網新能源消納的制約因素，并提出消納模型高效求解方法。

1 考慮多靈活性資源協調調度的配電網新能源優化消納模型

風光等間歇式發電資源大量并網，導致配電網靈活調節資源捉襟見肘，高效、經濟消納成為難題。配電網多靈活性資源的靈活互動特性能夠有效應對新能源出力的不確定性，提高配電網的安全經濟運行水平。本節基于源網荷儲不同環節，深入分析多靈活性資源的協調調度對新能源消納水平提升的作用機理，然后，基于多目標優化理論，建立計及多靈活性資源協調調度的配電網新能源優化消納模型。該模型綜合考慮靈活互動約束、潮流以及安全運行等約束，以新能源消納電量最大和配電網總運行成本最小為目標，充分挖掘配電網消納潛力，實現新能源的經濟、優質消納。

1.1 面向新能源消納的多靈活性資源協調調度機理淺析

高比例新能源并網后，有功-無功協調調控能夠有效緩解電壓越限、線路過載等消納限制性因素的制約作用，有助于提升配電網的消納能力與經濟運行水平[24]。源荷儲側靈活性資源通過合理調整出力和用電需求，可大幅降低凈負荷的波動性和峰谷差；充分聚合各環節的動態無功補償能力，能夠有效緩解高比例新能源并網的無功需求；靈活改變網絡拓撲可消除網絡阻塞，為多環節靈活性資源的靈活互動和優化調度提供通道。面向高比例新能源消納的多靈活性資源協調調度機理示意圖如圖1所示。

圖1 面向高比例新能源消納的多靈活性資源協調調度機理示意圖

在運行經濟性方面，通過協調調度多靈活性資源有功/無功輸出，能夠減少棄電成本、網絡損耗等配網運行成本；在新能源消納方面，多靈活性資源協調調度大幅改善配網節點電壓水平和潮流分布，避免高比例新能源并網引起的電壓越限、線路過載等問題，盡可能減少或消除消納限制因素制約作用，提高新能源消納量。可見，通過全方位多環節的多靈活性資源協調調度有助于實現新能源的經濟、優質消納。

1.2 目標函數

1.2.1 目標函數1：新能源消納電量最大

以配網新能源消納電量最大為目標函數1，即

1.2.2 目標函數2：配電網運行成本最小

多靈活性資源協調調度策略的多樣化將導致迥異的新能源消納電量與配電網運行成本。為合理利用多靈活性資源的靈活互動特性，本文在考慮棄電成本、購電成本和網損成本的基礎上，進一步計及多靈活性資源協調調度成本，以配電網運行總成本最低為目標函數2，即

式中，EC為配電網日運行成本；Curt、Buy和Loss分別為配電網的棄電成本、購電成本和網損成本；Flex為配電網的多靈活性資源協調調度成本。具體計算公式為

式中，DG.curt為節點處新能源有功削減量；DGcurt和Buy.DGp分別為新能源棄電懲罰成本系數和上網電價；grid、Buy.grid和Buy.grid分別為根節點和上級電網交互的有功功率以及購、售電價；Loss為網損成本系數；sw為支路的遙控開關狀態，“1”表示閉合，“0”表示斷開；I和R分別為支路的電流值和電阻值；Grid、SW和Close分別為根節點集合、網絡中存在遙控開關的支路集合和常閉支路集合。

配電網多靈活性資源協調調度成本Flex由新能源靈活無功補償成本DG、配網動態重構開關動作成本SW、可控負荷靈活調控成本DR以及儲能靈活充放電和無功補償成本ESS組成，具體為

式中，DGq為新能源無功輔助服務單位補償系數；SW為開關動作成本系數；DR為可控負荷的單位調度成本；ESSp和ESSq分別為儲能單位充放電和無功功率的折舊系數；DG和ESS分別為節點處新能源和儲能在時段的動態無功補償功率；Dsw為支路遙控開關的動作次數；Load.O和Load分別為節點處可控負荷原始功率和靈活性時移后的負荷功率；ESScha和ESS.cha分別為節點處儲能的充電功率和效率；ESSdischa和ESS.discha分別為節點處儲能的放電功率和效率；DR和ESS分別為可控負荷和儲能接入的節點集合。

1.3 約束條件

1.3.1多靈活性資源的靈活互動約束

為合理刻畫配電網多靈活性資源的靈活互動特性，需要分別對電源側、網絡側、負荷側和儲能側的靈活性建模。

1）電源端靈活性

風電和光伏電站既能輸出有功功率，又能快速、連續地進行動態無功補償[25]，其參與多靈活性資源的協調調度需要考慮功率因數限制和逆變器容量約束，即

式中，DG.av為節點處新能源輸出有功功率；DGdown和DGup分別為節點處新能源功率因數限值；DG為節點處新能源逆變器容量。

2）網架端靈活性

考慮到過于頻繁的開關動作會影響開關穩定性，降低開關壽命，為此，在配網動態重構中需要限制開關動作次數，即

式中，unitmax為支路的遙控開關在全天內允許的最大動作次數。

此外，重構前后必須保證配電網的輻射狀連通性要求。現有研究主要基于生成樹和虛擬潮流模型來滿足該要求，但須增加較多輔助變量，將會大大增加建模與求解的復雜度。為此，本文考慮配網中所有開關狀態，基于供電環路非連通理論，模擬配網重構的輻射狀連通性約束，即保證配網中閉合支路數等同于節點總數和電源總數差值，且不存在連通供電環路，具體如式（15）所示[26]，其構建的詳細步驟見附錄。

3）負荷端靈活性

部分配網負荷如中央空調、電動汽車等具有較強的可控性，能夠實現用電量的跨時空轉移，具有良好的削峰填谷效應[27]。式（16）表示可控負荷參與多靈活性資源的協調調度時自身的功率調節能力約束，式（17）表示可控負荷一定時段內的用電總量保持不變。

式中，Load.O和Load分別為節點處可控負荷原始無功功率和靈活性時移后的負荷無功功率；DR為節點處可控負荷的負荷時移率，在激勵型需求響應中，負荷時移率可由配電網調度人員在響應日的前日確定，并于響應日調度可控負荷；DR為節點處可控負荷功率調節能力限值，其根據可控負荷自身調節能力限制給定。

4）儲能端靈活性

為保護儲能使用壽命，防止過度充放電，儲能在進行充放電靈活性調控時需考慮自身荷電狀態約束和平衡約束（如式（18））以及充放電功率約束（如式（19）），具體為[28]

此外，儲能逆變器利用自身富余容量，結合功率因數運行范圍，可在四象限運行范圍內進行連續動態無功補償，儲能無功補償的逆變器約束和功率因數約束分別為

式中，SOC、min和max分別為節點處儲能的荷電狀態和荷電狀態限值，SOC=0和SOC=T分別為節點處儲能當日初始和最后的荷電狀態；ESS.maxcha和ESS.maxdischa分別為節點處儲能允許的最大充、放電功率；totalESS和ESS.rate分別為節點處儲能額定容量和儲能逆變器容量；ESSup和ESSdown分別為節點處儲能功率因數上、下限值。

1.3.2 配電網運行約束

配電網運行需滿足潮流約束、靜態安全等約束，具體如下所示。

1）支路潮流約束

式中，P和Q分別為支路的有功功率和無功功率；g和b分別為支路的電導和電納；C.ij為支路的對地電納；為節點、的電壓相位差；U和U分別為節點、的電壓幅值。

2）節點功率平衡約束

式中，Close.i和SW.i分別為與節點相連的常閉支路集合和含遙控開關支路集合；grid為上級電網和根節點交互的無功功率。

3）節點電壓約束

式中，Umax和U.min分別為節點電壓幅值上、下限。

4）支路電流約束

式中，I.max為支路的最大允許載流量。

5）上級電網交互功率約束

式中，gridup和gridup分別為上級電網和配網根節點交互的有功和無功功率限值。

2 基于雙層嵌套結構和復合型線性化策略共濟的優化消納模型求解方法

本文提出的新能源優化消納模型具有多目標、多時段耦合、高維混合變量、非線性、非凸等特點，屬于大規模多目標混合整數非線性優化問題，采用傳統優化算法求解，難以保證所得解的最優性和計算的高效性。為此，本文設計雙層嵌套結構高效尋找Pareto最優解集，并選取折中解。為更好地服務于雙層嵌套結構的多目標求解，提出了一種復合型線性化策略，將原模型轉換為多目標混合整數線性規劃（Multi-Objective Mixed Integer Linear Programming, MOMILP）問題，以實現模型的高效求解。

2.1 基于復合型線性化的優化消納模型線性化策略

結合變量替換、分段線性化和Big-M法等線性化技術，建立優化消納模型的復合型線性化策略，依次對不同靈活性資源中的非線性項進行線性化處理，其具體線性化過程如下所示。

2.1.1 電源側線性化策略

式（4）所示電源側購電成本和式（7）所示靈活無功補償成本由于存在分段函數項和絕對值函數項而呈現非線性特征，為此引入輔助變量和二進制變量，并結合Big-M法，將式（4）和式（7）等價線性化為

式中，grid.grid.grid.abs和DG.abs均為輔助變量，grid.1和grid.2、DG.1和DG.2均為二進制變量，1.t和2.t均為Big-M法中足夠大的正數。

此外，式（12）所示電源側逆變器容量約束由于二次項的存在而呈現非線性特征，可采用分段線性逼近思想，將二階函數近似為如下一階線性化形式，其具體推導過程見附錄。

式中，為當前分段編號；DGDG和DG均為新能源逆變器容量約束的第條分段線段表達式系數；DG為新能源逆變器容量約束的線性化分段段數。

2.1.2 電網側線性化策略

電網側潮流模型的高度非線性增加了模型求解難度，而基于熱啟動環境的低非線性度潮流模型準確度高，計算高效[29]，為此本文采用該方法將支路潮流約束式（22）線性化為

式中，3.t和4.t為Big-M法中足夠大的正數。

針對電網側的動態重構非線性約束公式（13），引入二進制變量1和2，以及足夠大正數6.t，利用Big-M法等價線性化處理式（13）中絕對值函數，得到

2.1.3 負荷側線性化策略

針對負荷側的靈活調控成本公式（9）存在絕對值函數項，引入輔助變量和二進制變量，利用Big-M法等價處理為

式中，Load.abs為輔助變量；Load.1和Load.2為二進制變量；7.t為Big-M法中足夠大正數。

2.1.4 儲能側線性化策略

儲能側的運行成本式（10）和充放電功率約束式（19）由于存在絕對值函數和連續變量乘積項而呈現非線性特征，可引入變量，并利用Big-M法對其依次等價線性化為

式中，ESS.abs為輔助變量；ESS.1和ESS.2、ESScha和ESSdischa為二進制變量；8.t為Big-M法中足夠大正數。

儲能逆變器容量約束式（20）的分段線性化方法同式（12）類似，此處不再贅述，式（20）可轉換為

可見，在原始模型的線性化過程中，本文基于等價線性化策略和高準確度的近似線性化策略，處理了經濟目標函數中的非線性項以及約束條件中的非線性項，將原模型轉換為基于熱啟動環境下的MOMILP問題，實現了模型的高效求解。

2.2 基于雙層嵌套結構的優化消納模型求解方法

考慮多靈活性資源協調調度將產生迥異的消納策略，為避免傳統多目標求解方法在求解中產生無效支配解，本文設計了基于雙層嵌套優化結構的求解方法。首先，基于線性化后的新能源優化消納模型，確定最優非支配解的可行域，即求解Pareto最優解集中目標函數DG的區間范圍，并將DG作為外層遍歷指標，然后，內層求解在不同外層目標函數DG指標約束下的內層目標函數EC最優值，以獲得Pareto最優解集。求解流程如圖2所示。

圖2 優化消納模型的求解流程

具體步驟簡述如下：

（1）在模型中分別僅考慮目標函數DG和EC，優化求解配網最大的新能源消納電量max DG和最小的運行成本min EC。

（2）將EC=min EC加入優化模型中，求解目標函數DG，獲得配網在最小運行成本時所對應的最大新能源消納電量down DG。

（3）選取區間[down DG,max DG]作為Pareto最優解集中DG范圍，因為若DG＜down DG，必然存在EC≥min EC，即獲得無效支配解。

（5）內層優化求解在外層目標函數DG約束下對應的內層目標函數EC最優值，經過遍歷外層目標函數DG約束，可以得到組Pareto最優解集，并利用模糊隸屬度函數[30]選取最優折中解。

步驟（1）、步驟（2）和步驟（5）均涉及求解單目標混合整數線性優化問題，其詳細求解流程如圖3所示。

圖3 單目標混合整數線性優化問題求解流程

值得注意的是，圖3中計算模型首次迭代的節點電壓和相位初始值，傳統方法普遍是基于電網歷史運行數據或直流最優潮流獲取[29]，但電網歷史信息難以完整獲取，而直流最優潮流則忽略了無功功率和電壓幅值，無法保證熱啟動初值的高質量性，增大了模型收斂難度。為此，本文結合電網實際運行狀況，基于支路兩端參數的近似假設[31]，忽略網絡損耗，將原始潮流模型部分簡化為式（44）～式（47），用于替換MOMILP模型中的約束式（30）、式（31）、式（34）和式（37），可以將模型轉換為無需初值的冷啟動模型，通過商業軟件直接求解，以提供首次迭代所需的高質量初始值，從而降低模型優化求解的收斂次數，提高求解效率。

3 算例分析

本文采用IEEE?33節點系統和某地級市110kV實際配網，基于如下三種方法進行仿真，驗證所提方法的有效性，并深入分析多靈活性資源的靈活互動特性對新能源消納水平的影響。

方法1：本文提出的新能源消納策略制定方法，即考慮多靈活性資源協調調度制定新能源消納策略。

方法2：基于文獻[18]所提的新能源消納策略制定方法，即僅考慮配網動態重構制定新能源消納策略。

方法3：基于文獻[22]所提的新能源消納策略制定方法，即考慮可控負荷和儲能裝置的靈活有功調節能力制定新能源消納策略。

3.1 基于IEEE 33節點測試系統的仿真分析

采用如圖4所示的IEEE33節點配電系統[21,32]進行仿真分析。新能源和儲能的接入容量見表1、表2。新能源、遙控開關、可控負荷和儲能的技術參數見附表1[33-39]，相關經濟參數見附表2[39-43]。

圖4 IEEE?33節點配電系統

表1 新能源配置參數

Tab.1 Configuration parameters of renewable energy

表2 儲能配置參數

3.1.1 仿真結果及分析

針對IEEE?33節點系統，采用上述三種方法分別制定配網新能源消納策略。其中，配網新能源消納情況和運行成本分別見表3、表4；24個時段的棄風光電量如圖5所示；靈活性調控前后系統節點電壓和支路載流量時序分布分別如圖6和圖7所示；多靈活性資源的調控情況如圖8和圖9所示。

表3 三種方法的仿真結果

表4 三種方法的經濟性成本

圖5 棄風光電量

圖6 靈活調控前節點電壓和支路載流量

由表3和圖5可知，本文方法（方法1）所得新能源消納電量、消納率及配網運行成本均最優，棄風光時段和棄風光電量最少。與方法2和3相比，新能源消納電量分別提升了23.28%和7.19%，消納率分別提高了21.86%和6.76%，運行成本分別降低了24.30%和16.05%，棄風光時段分別降低了7段和4段，棄風光電量分別降低了25.95MW?h和8.01MW?h。

圖8 方法1和方法3可控負荷的靈活調控對比

圖9 方法1和方法3儲能的靈活調控對比

由表4可知，相比于方法2和3，本文方法的棄電成本分別下降了0.908萬元和0.28萬元。盡管本文方法融入了多種靈活性調控措施，但其靈活互動成本相比方法3仍降低了0.283萬元。這是由于所提模型兼顧了消納電量和運行經濟性的綜合要求，故能合理利用多靈活性資源的靈活互動特性，以最小的運行成本實現新能源最大化消納，而方法3忽略了系統運行成本。本文方法的網損成本和購電成本均高于方法2和方法3，其原因是本文在利用多靈活性資源的靈活互動特性促進新能源消納時，會引發逆功率傳輸，增加了線路損耗，進而增大了網損和新能源購電量和購電費用。

為分析多靈活性資源協調調度對新能源消納限制因素的緩解作用，圖6給出了不考慮靈活性調節措施的系統節點電壓和支路載流量情況。可見，高比例新能源接入后，配網出現了大面積節點電壓越限和線路過載現象。圖7給出了三種方法所得各時段的節點電壓和支路載流量情況。方法2與方法3在部分時段的電壓水平過高，而本文方法利用多靈活性資源協調調度有效緩解了電壓過高的問題，提升了新能源消納電量。

由圖8、圖9可知，為提升新能源消納電量，方法3中可控負荷和儲能分別在全天24個時段和23個時段內參與響應，靈活性調控次數分別為24次和23次，本文中可控負荷時移次數和儲能充放電次數僅為10次和2次，可控負荷功率時移次數和時移量及儲能充放電次數和充放電量均明顯降低。

此外，方法1在方法2、方法3靈活性調控措施基礎上，同時計及了新能源和儲能逆變器靈活動態無功補償能力，如圖10所示，而方法2則根據固定功率因數確定新能源無功功率，方法3未計及二者無功出力，方法2與方法3均沒有充分利用新能源和儲能的無功補償作用來緩解消納的限制因素。

圖10 新能源和儲能動態無功補償量

綜上所述，本文方法從整體上協調調度多靈活性資源，最大化利用多環節靈活互動特性消除限制新能源消納的制約因素。兼顧經濟性和消納電量的綜合要求，以增加少量的網損成本和購電成本換取棄電成本的大幅下降，避免了可控負荷和儲能等靈活性調節資源的頻繁調度。

3.1.2 所提求解方法的計算性能分析

為驗證本文提出的優化求解方法，分別選用本文方法、優先目標規劃法[44]、模糊決策法[45]、理想點法[46]、多目標粒子群法[47]和-約束法[24]求解本文提出的優化消納模型，計算結果見表5。

由表5可知，與本文方法相比，優先目標規劃法和模糊決策法的消納率分別提升了4.58%和4.56%，但其經濟成本分別增加了9.46%和9.24%，這意味著所得消納策略提升了少量消納量，但需要付出大量的經濟代價。基于理想點法和多目標粒子群算法求解本文模型，需要結合啟發式算法，而本文構建的模型涉及大量的非凸和非線性約束、離散和連續型優化變量，使得啟發式算法和智能算法出現“維數災”問題，耗費大量時間后仍無法收斂。基于-約束法可實現新能源全額消納，消納率提升了6.11%，但其經濟成本相對增加了18.53%，更為關鍵的是，其所得消納策略導致配網出現了節點電壓越限和線路過載的現象。主要原因在于-約束法結合二階錐優化求解本文模型時的松弛間隙最大值為10-2，并不滿足二階錐松弛收斂判據數量級要求[24,48]，這表明基于-約束法的求解結果是在松弛域內獲得，本文模型不滿足其求解準確性的充要條件[48]。由此可以看出，與五種現有方法相比，本文提出的雙層嵌套結構和復合型線性化策略共濟的高效求解方法具有明顯優勢，可提供更科學的新能源消納策略。

表5 不同求解算法的計算結果

Tab.5 Calculation results under different solving methods

3.2 實際電網算例分析

3.2.1 算例說明

為了進一步驗證所提方法的適應性，采用中國某地級市110kV高壓配電系統進行仿真分析。為方便分析，將原系統等值簡化包含48個節點和48條支路的配電系統，網絡拓撲結構如圖11所示。新能源裝機總容量為358MW（光伏145MW/風電213MW），滲透率為51.79%。新能源和儲能電站的相關參數分別見附表3、附表4。

圖11 某地級市110?kV配網拓撲

3.2.2 仿真結果及分析

三種方法的仿真結果見表6。與方法2、方法3相比，本文方法使得新能源消納電量分別提高了25.23%和7.36%，消納率分別提高了24.89%和7.26%，總運行成本分別減少了32.14%和10.74%。仿真結果再次驗證了多靈活性資源協調調度對促進新能源消納和降低運行成本的積極作用。

表6 三種方法的仿真結果

Tab.6 Simulation results of three methods

4 結論

針對配電網新能源消納中靈活性資源有功、無功調節與協調運行潛力挖掘不足等問題，本文構建了兼顧新能源消納量和配電網經濟運行水平的配電網多靈活性資源協調調度的新能源優化消納模型，基于雙層嵌套結構和復合型線性化策略，提出了優化消納模型的高效求解方法。采用IEEE 33節點系統和某實際配網算例驗證所提消納策略的有效性和適應性，并得出如下結論：

1）在深入研究多靈活性資源協調調度對新能源優質消納作用機理的基礎上，通過全面刻畫多環節靈活性資源的靈活互動特性，充分發揮多靈活性資源間的協調互動特性，顯著提升了新能源消納電量，大幅降低了配電網運行成本。

2）多靈活性資源的協調調度可充分利用源荷儲側靈活的有功-無功調節能力，以及網絡側靈活傳輸通道，可大幅改善配網潮流分布和電壓水平，有效緩解配電網新能源消納限制因素的制約作用。

3）多靈活性資源的協調調度策略存在多樣化，將導致迥異的消納策略，而統籌兼顧新能源消納電量和配電網運行成本，構建多目標優化消納模型，制定新能源消納策略，可以經濟、有效地協調調度多靈活性資源，達到以配電網運行成本最小化來實現新能源消納電量最大化的目的。

4）設計雙層嵌套結構優化求解方法，并基于復合型線性化策略線性化處理新能源優化消納模型，能夠在保證求解結果最優性的同時，大幅度降低求解難度，有效提升求解效率。

附 錄

1. 基于供電環路非連通理論的配網動態重構

基于供電環路非連通理論的配網動態重構步驟如下：

1）獲取配電網的拓撲結構、遙控開關、常閉開關等數據信息。

2）設計深度優先搜索算法，搜索構建網絡中所有的供電環路。

3）依次計算配電網中的節點總數、根節點數量、常閉支路總數，以及各個供電環路中的支路數量和常閉支路數量。

4）基于上述數據，構建式（15）所示約束。

2. 模型線性化的相關說明

1）式（29）推導

新能源逆變器容量約束式（12）的分段線性化步驟如下：

附圖1 新能源逆變器容量分段線性化示意圖

App.Fig.1 Diagram of piecewise linearization of renewable energy inverter capacity

（3）基于解析幾何理論可知，利用DG條線段對應的線性約束組合可近似約束式（29）。

2）式（30）中的常系數

3）式（34）推導

式中，1、0、1、0分別為

2為

3. 仿真算例的相關數據

附表1 多靈活性資源靈活互動的技術參數[33-39]

App.Tab.1 Technical parameters of multi-flexible resources flexible interactive[33-39]

參數數值 新能源功率因數限值PFDG i.down和PFDG i.up0.8 遙控開關全天內最大動作次數swunit ij.max3 可控負荷功率調節能力限值gDR i(%)10 儲能的初始荷電狀態SOCi.t=0(%)50 儲能的充放電效率hESS i.cha和hESS i.discha0.95 儲能荷電狀態上限SOCmax i(%)90 儲能荷電狀態下限SOCmin i(%)25 儲能功率因數限值PFESS i.down和PFESS i.up0.75

附表2 模型經濟參數[39-43]

App.Tab.2 Economic parameters for the model[39-43]

參數數值 新能源上網電價lBuy.DGp/[元/(kW·h)]0.3 新能源棄電懲罰系數lDGcurt/[元/(kW·h)]0.35 新能源無功輔助服務補償系數lDGq/[元/(kvar·h)]0.05 單個開關動作成本系數lSW/(元/次)5 可控負荷單位調度成本系數lDR/[元/(kW·h)]0.4 儲能單位充放電折舊系數lESSp/[元/(kW·h)]0.6 儲能單位無功功率折舊系數lESSq/[元/(kvar·h)]0.067 售電電價lBuy.grid t.-/[元/(kW·h)]0.3 網損成本系數lLoss /[元/(kW·h)]0.68

附表3 新能源基本參數

App.Tab.3 Parameters of renewable energy

風電節點容量/MW光伏節點容量/MW 12201120 14202630 21252920 25203050 31484025 3250 4330

附表4 儲能基本參數

App.Tab.4 Parameters of energy storage

儲能節點儲能容量/(MW·h)儲能最大充放電功率/MW 1952.5

[1] 習近平．繼往開來，開啟全球應對氣候變化新征程[EB/OL]．人民網，[2020-12-14]．http://env.people. com.cn/n1/2020/1214 /c1010-31965084.html．

[2] 央視網．習近平主持召開中央財經委員會第九次會議強調推動平臺經濟規范健康持續發展把碳達峰碳中和納入生態文明建設整體布局[EB/OL]．[2021-03-15]．https://news.cctv.com/2021/ 03/15/ARTIFUhtqyI0GxogiEDWyY28210315.shtml．

[3] 新華社．中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要[EB/OL]. [2021-03-13].http://www.gov.cn/xinwen/2021-03/13/ content_5 59 2681.htm．

[4] Cruz M R M, Fitiwi D Z, Santos S F, et al. Multi-flexibility option integration to cope with large-scale integration of renewables[J]. IEEE Transactions on Sustainable Energy, 2020, 11(1): 48-60.

[5] 王雪純, 陳紅坤, 陳磊. 提升區域綜合能源系統運行靈活性的多主體互動決策模型[J]. 電工技術學報, 2021, 36(11): 2207-2219.

Wang Xuechun, Chen Hongkun, Chen Lei. Multi-player interactive decision-making model for operational flexibility improvement of regional integrated energy system[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2207-2219.

[6] 孫惠, 翟海保, 吳鑫. 源網荷儲多元協調控制系統的研究及應用[J]. 電工技術學報, 2021, 36(15): 3264-3271.

Sun Hui, Zhai Haibao, Wu Xin. Research and application of multi-energy coordinated control of generation, network, load and storage[J]. Transactions of China Electrotechnical Society, 2021, 36(15): 3264-3271.

[7] 國家發展改革委, 國家能源局. 國家發展改革委國家能源局關于推進電力源網荷儲一體化和多能互補發展的指導意見(發改能源規[2021]280號) [EB/OL]. [2021-02-25]. http://www.gov.cn/ zhengce/ zhengceku/2021-03/06/content_5590895.htm.

[8] 徐浩, 李華強. 火電機組靈活性改造規劃及運行綜合隨機優化模型[J]. 電網技術, 2020, 44(12): 4626-4638.

Xu Hao, Li Huaqiang. Planning and operation stochastic optimization model of power systems considering the flexibility reformation[J]. Power System Technology, 2020, 44(12): 4626-4638.

[9] 孫輝, 劉鑫, 賁馳, 等. 含風儲一體化電站的電力系統多目標風險調度模型[J]. 電力系統自動化, 2018, 42(5): 94-101.

Sun Hui, Liu Xin, Ben Chi, et al. Multi-objective risk scheduling model of power system containing power station with integrated wind power and energy storage[J]. Automation of Electric Power Systems, 2018, 42(5): 94-101.

[10] 李則衡, 陳磊, 路曉敏, 等. 基于系統靈活性的可再生能源接納評估[J]. 電網技術, 2017, 41(7): 2187-2194.

Li Zeheng, Chen Lei, Lu Xiaomin, et al. Assessment of renewable energy accommodation based on system flexibility analysis[J]. Power System Technology, 2017, 41(7): 2187-2194.

[11] 周任軍, 石亮緣, 湯吉鴻, 等. 多功率曲線協整度約束下的源-荷-儲優化協整模型[J]. 中國電機工程學報, 2019, 39(12): 3454-3465.

Zhou Renjun, Shi Liangyuan, Tang Jihong, et al. Source-load-storage optimization cointegration model under multi-power curve cointegration degree constraints[J]. Proceedings of the CSEE, 2019, 39(12): 3454-3465.

[12] 徐箭, 胡佳, 廖思陽, 等. 考慮網絡動態特性與綜合需求響應的綜合能源系統協同優化[J]. 電力系統自動化, 2021, 706(12): 40-48.

Xu Jian, Hu Jia, Liao Siyang, et al. Coordinated optimization of integrated energy system considering dynamic characteristics of network and integrated demand response [J]. Automation of Electric Power Systems, 2021, 706(12): 40-48.

[13] Mahmud N, Zahedi A. Review of control strategies for voltage regulation of the smart distribution network with high penetration of renewable distributed generation[J]. Renewable and Sustainable Energy Reviews, 2016, 64: 582-595.

[14] Verma A, Krishan R, Mishra S. A novel PV inverter control for maximization of wind power penetration[J]. IEEE Transactions on Industry Applications, 2018, 54(6): 6364-6373.

[15] Nguyen Q, Padullaparti H V, Lao K, et al. Exact optimal power dispatch in unbalanced distribution systems with high PV penetration[J]. IEEE Transactions on Power Systems, 2019, 34(1): 718-728.

[16] 龔思宇, 魏煒, 徐元孚, 等. 面向分布式電源最大消納的配電網重構[J]. 電力系統及其自動化學報, 2017, 29(3): 7-11, 41.

Gong Siyu, Wei Wei, Xu Yuanfu, et al. Reconfiguration of distribution network for the maximum consumption of distributed generations[J]. Proceedings of the CSU-EPSA, 2017, 29(3): 7-11, 41.

[17] 劉路寧, 彭春華, 溫澤之, 等. 基于配電網動態重構的分布式光伏消納策略[J]. 電力自動化設備, 2019, 39(12): 56-62.

Liu Luning, Peng Chunhua, Wen Zezhi, et al. Distributed photovoltaic consumption strategy based on dynamic reconfiguration of distribution network[J]. Electric Power Automation Equipment, 2019, 39(12): 56-62.

[18] Lei Shunbo, Hou Yunhe, Qiu Feng, et al. Identification of critical switches for integrating renewable distributed generation by dynamic network reconfiguration[J]. IEEE Transactions on Sustainable Energy, 2018, 9(1): 420-432.

[19] Wang Chong, Lei Shunbo, Ju Ping, et al. MDP-based distribution network reconfiguration with renewable distributed generation: approximate dynamic programming approach[J]. IEEE Transactions on Smart Grid, 2020, 11(4): 3620-3631.

[20] Capitanescu F, Bilibin I, Romero E R. A comprehensive centralized approach for voltage constraints management in active distribution grid[J]. IEEE Transactions on Power Systems, 2014, 29(2): 933-942.

[21] Capitanescu F, Bilibin I. A tractable two-step MILP-QCP approach to on-line thermal constraint management in large radial active distribution systems[J]. Electric Power Systems Research, 2016, 140: 580-587.

[22] 沙熠, 邱曉燕, 寧雪姣, 等. 協調儲能與柔性負荷的主動配電網多目標優化調度[J]. 電網技術, 2016, 40(5): 1394-1399.

Sha Yi, Qiu Xiaoyan, Ning Xuejiao, et al. Multi-objective optimization of active distribution network by coordinating energy storage system and flexible load[J]. Power System Technology, 2016, 40(5): 1394-1399.

[23] 黃偉, 熊偉鵬, 華亮亮, 等. 基于動態調度優先級的主動配電網多目標優化調度[J]. 電工技術學報, 2018, 33(15): 3486-3498.

Huang Wei, Xiong Weipeng, Hua Liangliang, et al. Multi-objective optimization dispatch of active distribution network based on dynamic schedule priority[J]. Transactions of China Electrotechnical Society, 2018, 33(15): 3486-3498.

[24] 鄭能, 丁曉群, 鄭程拓, 等. 含高比例光伏的配電網有功——無功功率多目標協調優化[J]. 電力系統自動化, 2018, 42(6): 33-39, 91.

Zheng Neng, Ding Xiaoqun, Zheng Chengtuo, et al. Multi-objective coordinated optimization of active and reactive power for distribution network integrated with high proportion of photovoltaic generation[J]. Automation of Electric Power Systems, 2018, 42(6): 33-39, 91.

[25] Zhu Xiaonan, Wang Hongliang, Zhang Wenyuan, et al. A novel single-phase five-level Transactionsformer-less photovoltaic (PV) inverter[J]. CES Transactions on Electrical Machines and Systems, 2020, 4(4): 329-338.

[26] 徐成司, 董樹鋒, 朱嘉麒, 等. 基于供電環路非連通條件的配電網輻射狀約束描述方法[J]. 電力系統自動化, 2019, 43(20): 82-94.

Xu Chengsi, Dong Shufeng, Zhu Jiaqi, et al. Description method of radial constraints for distribution network based on disconnection condition of power supply loop[J]. Automation of Electric Power Systems, 2019, 43(20): 82-94.

[27] 吳界辰, 艾欣, 胡俊杰. 需求側資源靈活性刻畫及其在日前優化調度中的應用[J]. 電工技術學報, 2020, 35(9): 1973-1984.

Wu Jiechen, Ai Xin, Hu Junjie. Methods for characterizing flexibilities from demand-side resources and their applications in the day-ahead optimal scheduling[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 1973-1984.

[28] 白樺, 王正用, 李晨, 等. 面向電網側、新能源側及用戶側的儲能容量配置方法研究[J]. 電氣技術, 2021, 22(1): 8-13.

Bai Hua, Wang Zhengyong, Li Chen, et al. Research on capacity allocation method of energy storage for grid side, new energy side and user side[J]. Electrical Engineering, 2021, 22(1): 8-13.

[29] Yang Zhifang, Bose A, Zhong Haiwang, et al. Optimal reactive power dispatch with accurately modeled discrete control devices: a successive linear approximation approach[J]. IEEE Transactions on Power Systems, 2017, 32, (3): 2435-2444.

[30] Sardou I G, Khodayar M E, Ameli M T. Coordinated operation of natural gas and electricity networks with microgrid aggregators[J]. IEEE Transactions on Smart Grid, 2018, 9(1): 199-210.

[31] Yuan Haoyu, Li Fangxing, Wei Yanli, et al. Novel linearized power flow and linearized OPF models for active distribution networks with application in distribution LMP[J]. IEEE Transactions on Smart Grid, 2017, 9(1): 438-448.

[32] Wang Shouxiang, Chen Sijia, Ge Leijiao, et al. Distributed generation hosting capacity evaluation for distribution systems considering the robust optimal operation of OLTC and SVC[J]. IEEE Transactions on Sustainable Energy, 2016, 7(3): 1111-1123.

[33] Stelt S V D, AlSkaif T, Sark W V. Techno-economic analysis of household and community energy storage for residential prosumers with smart appliances[J]. Applied Energy, 2018(209): 266-276.

[34] Soroudi A, Rabiee A, Keane A. Distribution networks' energy losses versus hosting capacity of wind power in the presence of demand flexibility[J]. Renewable Energy, 2017(102): 316-325.

[35] Cerbantes M C, Fernández-Blanco R, Ortega-Vazquez M A, et al. Incorporating a nodal reactive power pricing scheme into the DisCo’s short-term operation[J]. IEEE Transactions on Smart Grid, 2019, 10(4): 3720-3731.

[36] 趙冬梅, 陶然, 馬泰屹, 等. 基于多智能體深度確定策略梯度算法的有功-無功協調調度模型[J]. 電工技術學報, 2021, 36(9):1914-1925.

Zhao Dongmei, Tao Ran, Ma Taiyi, et al. Active and reactive power coordinated dispatching based on multi-agent deep deterministic policy gradient algorithm[J]. Transactions of China Electrotechnical Society, 2021, 36(9):1914-1925.

[37] Lazzeroni P, Repetto M. Optimal planning of battery systems for power losses reduction in distribution grids[J]. Electric Power Systems Research, 2019, 167: 94-112.

[38] 翟世濤, 劉澤槐, 楊家豪, 等. 考慮多時段并網點電壓控制的光儲容量匹配及優化運行[J]. 電網技術, 2017, 41(6): 1855-1865.

Zhai Shitao, Liu Zehuai, Yang Jiahao, et al. Capacity matching and optimal operation of photovoltaic-storage systems based on multi-period PCC voltage control[J]. Power System Technology, 2017, 41(6): 1855-1865.

[39] 謝琳宇, 唐忠, 黃星宇, 等. 考慮分布式電源和電動汽車不確定性的雙層動態配網重構[J]. 電力系統保護與控制, 2020, 48(10): 1-11.

Xie Linyu, Tang Zhong, Huang Xingyu, et al. Bi-layer dynamic reconfiguration of a distribution network considering the uncertainty of distributed generation and electric vehicles[J]. Power System Protection and Control, 2020, 48(10): 1-11.

[40] 楊楠, 董邦天, 黃禹, 等. 考慮不確定性和多主體博弈的增量配電網源網荷協同規劃方法[J]. 中國電機工程學報, 2019, 39(9): 2689-2702.

Yang Nan, Dong Bangtian, Huang Yu, et al. Incremental distribution network source-load collaborative planning method considering uncertainty and multi-agent game[J]. Proceedings of the CSEE, 2019, 39(9): 2689-2702.

[41] 麻秀范, 陳靜, 余思雨, 等. 計及容量市場的用戶側儲能優化配置研究[J]. 電工技術學報, 2020, 35(19): 4028-4037.

Ma Xiufan, Chen Jing, Yu Siyu, et al. Research on user side energy storage optimization configuration considering capacity market[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4028-4037.

[42] 張博, 唐巍, 蔡永翔, 等. 基于一致性算法的戶用光伏逆變器和儲能分布式控制策略[J]. 電力系統自動化, 2020, 44(2):86-96.

Zhang Bo, Tang Wei, Cai Yongxiang, et al. Distributed control strategy of residential photovoltaic inverter and energy storage based on consensus algorithm[J]. Automation of Electric Power Systems, 2020, 44(2): 86-96.

[43] 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, 4727.

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, 4727.

[44] 楊明, 程鳳璐, 韓學山. 電力系統實時調度的有效靜態安全域法[J]. 中國電機工程學報, 2015, 35(6): 1353-1362.

Yang Ming, Cheng Fenglu, Han Xueshan. Real-time dispatch based on effective steady-state security regions of power system[J]. Proceedings of the CSEE, 2015, 35(6): 1353-1362.

[45] 林凱駿, 吳俊勇, 郝亮亮, 等. 基于非合作博弈的冷熱電聯供微能源網運行策略優化[J]. 電力系統自動化, 2018, 42(6): 25-32.

Lin Kaijun, Wu Junyong, Hao liangliang, et al. Optimization of operation strategy for micro-energy grid with CCHE systems based on non-cooperative game[J]. Automation of Electric Power Systems, 2018, 42(6): 25-32.

[46] 孫建軍, 張世澤, 曾夢迪, 等. 考慮分時電價的主動配電網柔性負荷多目標優化控制[J]. 電工技術學報, 2018, 33(2): 401-412.

Sun Jianjun, Zhang Shize, Zeng Mengdi, et al. Multi-objective optimal control for flexible load in active distribution network considering time-of-use tariff[J]. Transactions of China Electrotechnical Society, 2018, 33(2): 401-412.

[47] 王僑僑, 曾君, 劉俊峰, 等. 面向微電網源–儲–荷互動的分布式多目標優化算法研究[J]. 中國電機工程學報, 2020, 40(5): 1421-1432.

Wang Qiaoqiao, Zeng Jun, Liu Junfeng, et al. A distributed multi-objective optimization algorithm for resource-storage-load interaction of microgrid[J]. Proceedings of the CSEE, 2020, 40(5): 1421-1432.

[48] Li Qifeng, Ayyanar R, Vittal V. Convex optimization for DES planning and operation in radial distribution systems with high penetration of photovoltaic resources[J]. IEEE Transactions on Sustainable Energy, 2016, 7(3): 985-995.

An Accommodation Strategy for Renewable Energy in Distribution Network Considering Coordinated Dispatching of Multi-Flexible Resources

Jiang Yunpeng1Ren Zhouyang1Li Qiuyan2Guo Yong2Xu Yan3

（1. State Key Laboratory of Power Transactionsmission Equipment & System Security and New Technology School of Electrical Engineering Chongqing University Chongqing 400044 China 2. State Grid Henan Economic Research Institute Zhengzhou 450052 China 3. School of Electrical and Electronic Engineering Nanyang Technological University 639798 Singapore）

Aiming at the challenges brought by flexible regulation resource scarcity and efficient accommodation with high penetration renewable energy integration under ‘double carbon goal’, an accommodation strategy for renewable energy in distribution network considering coordinated dispatching of multi-flexible resources is proposed. The method is established to depict the flexible interaction between multi-flexible resources. Considering both renewable energy accommodation and operating costs of distribution network. The accommodation optimization model for renewable energy is established considering coordinated dispatching of multi-flexible resources. In order to obtain the feasible region of non-dominant solutions of the accommodation optimization model, a multi-objective optimization solution method is established based on bi-layer embedded structure, and the composite linearization strategy is proposed to recast the complex multi-objective, non-linear and non-convex accommodation optimization model to a multi-objective mixed integer linear optimization model so that the accommodation optimization model can be efficiently solved. Finally, the effectiveness and applicability of the proposed accommodation strategy are verified by IEEE 33 bus system and a practical 110 kV distribution network in China.

Distribution network, renewable energy, multi-flexible resources, flexible interaction, multi-objective mixed integer optimization

10.19595/j.cnki.1000-6753.tces.211464

TM721

姜云鵬 男，1995年生，博士研究生，研究方向為配電網新能源消納、區域綜合能源系統等。E-mail：yunpeng_jiang@cqu.edu.cn

任洲洋 男，1986年生，副教授，博士生導師，研究方向為電力能源系統低碳運行及規劃、人工智能等。E-mail：rzhouyang1108@163.com（通信作者）

國家重點研發計劃資助項目（2019YFB1505400）。

2021-09-15

2021-12-15

（編輯 赫蕾）