CN116207746A - 考虑分布式电源功率注入的配电网协同优化运行方法 - Google Patents
考虑分布式电源功率注入的配电网协同优化运行方法 Download PDFInfo
- Publication number
- CN116207746A CN116207746A CN202211662579.9A CN202211662579A CN116207746A CN 116207746 A CN116207746 A CN 116207746A CN 202211662579 A CN202211662579 A CN 202211662579A CN 116207746 A CN116207746 A CN 116207746A
- Authority
- CN
- China
- Prior art keywords
- power
- microgrid
- distribution network
- cost
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 136
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002347 injection Methods 0.000 title claims abstract description 16
- 239000007924 injection Substances 0.000 title claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 79
- 238000010248 power generation Methods 0.000 claims abstract description 62
- 238000004146 energy storage Methods 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 15
- 230000005611 electricity Effects 0.000 claims description 66
- 239000007789 gas Substances 0.000 claims description 64
- 238000012423 maintenance Methods 0.000 claims description 43
- 239000003344 environmental pollutant Substances 0.000 claims description 36
- 231100000719 pollutant Toxicity 0.000 claims description 36
- 239000000446 fuel Substances 0.000 claims description 35
- 230000033228 biological regulation Effects 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 12
- 230000009194 climbing Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 239000002699 waste material Substances 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 239000004020 conductor Substances 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 17
- 230000035772 mutation Effects 0.000 description 14
- 239000013598 vector Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 239000000243 solution Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for AC mains or AC distribution networks
- H02J3/12—Circuit arrangements for AC mains or AC distribution networks for adjusting voltage in AC networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for AC mains or AC distribution networks for adjusting voltage in AC networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for AC mains or AC distribution networks
- H02J3/008—Circuit arrangements for AC mains or AC distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for AC mains or AC distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for AC mains or AC distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for AC mains or AC distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
考虑分布式电源功率注入的配电网协同优化运行方法，包括：步骤1：建立包含光伏发电系统、柴油机发电系统和微型燃气轮机发电系统的分布式电源数学模型，激励型需求响应数学模型，以及储能系统数学模型；步骤2：建立配电网‑微电网双层协同优化调度模型，下层模型基于“源‑荷‑储”对多微网优化调度，使得各微网的运行成本最低；上层模型以配电网收益最高为优化目标；步骤3：利用改进的差分进化算法对步骤2建立的双层协同优化调度模型进行优化计算。本发明实现了对分布式电源、储能系统、柔性负荷等可控调节单元进行优化调度。使微电网能够调度分布式电源、储能系统、柔性负荷等可调资源，能够降低微电网的运行成本且能够起到一定的削峰作用。
Description
技术领域
本发明属于配电网规划领域，具体涉及一种考虑分布式电源功率注入的配电网协同优化运行方法。
背景技术
传统的集中式发电是将发电厂产生的电能直接输送到大电网，再由大电网统一调配向用户供电。因此，用户与大电网之间的电力交换是单向的，即从大电网流向用户。此外，集中式发电厂大多离负荷中心距离较远，需依赖长距离输电线路送电入网，因此极易出现输电线路损耗、电压跌落、无功补偿等问题。现阶段的新能源发电并网主要是通过集中接入输电网或分布式接入配电网这两种方式实现。而分布式接入配电网因更有利于新能源就地分散利用以及提高用户供电可靠性和丰富电力市场的多样性而得到更广泛的研究与应用。然而，随着风机、光伏等可再生电源在配电网中渗透比率的不断提高，其间歇性和随机性的特点可能会导致配电网电压波动，频率波动、短路电流增大，供电可靠性降低、电能质量恶化等问题，给传统配电网的运行带来了诸多挑战。
微电网技术是解决分布式电源直接接入电网所引起的一系列问题的有效手段。微网是由分布式电源、储能装置、负荷、能量转换装置、监控和保护装置等组成的小型发电配电系统。对于大量分布式电源接入电网后引起问题，可通过调整微电网这个可控单元以满足外部输配电网络的需求和用户的特定需求。在电网覆盖不到的偏远地区或海岛，采用微电网的方式，可以提高配电网对分布式能源的消纳能力、解决偏远地区的供电问题，大大提高了分布式电源的利用效率。
在电力系统的运行调度中遵循供需功率平衡的原则。在用电高峰期时，用户用电量急速上升，为了保证系统功率平衡就需增加发电和输配电。但是用于调峰的发电机组通常为高成本、高污染的火电机组，在我国推进“双碳”目标期间给电力系统减排带来极大的压力。在用电低谷期，用户用电量可能无法满足发电机组的最小稳定技术出力，不得不使得部分火电机组关机，造成发电成本增加。实际情况中，负荷高峰期和低谷期持续时间较短，为调节这两段时间的功率平衡而启停发电机组产生的边际成本高，经济效益低，因此引入需求侧响应。供能侧可通过并网或与其他微网相连组成微网群两种方式获取自身所需能量，需求侧可通过进行需求侧响应灵活调节负荷，缓解负荷高峰期的供电压力。对微电网进行需求侧管理，通过电价和补偿激励的机制引导用户积极进行需求侧响应可以对微网发电机组容量进行优化配置，减少投资运营成本。
在如今的能源科学与技术领域当中，无论是可再生能源的接入，还是分布式供能，还是微网领域，从发电端到用户端的各环节均由点及面的指向一个共性科学与技术需求——储能。储能技术己被视为电力系统运行过程中的重要组成部分。在传统的电力系统中引入储能后，可以有消除昼夜间峰谷差，平滑负荷波动。此外，还能提高电力设备利用率，降低输配电成本，也可以作为保证系统稳定运行的有效手段。
发明内容
本发明提供一种考虑分布式电源功率注入的配电网协同优化运行方法，实现了对分布式电源、储能系统、柔性负荷等可控调节单元进行优化调度，使微电网能够调度网内的分布式电源、储能系统、柔性负荷等可调资源，能够降低微电网的运行成本且能够起到一定的削峰作用。
本发明采取的技术方案为：
考虑分布式电源功率注入的配电网协同优化运行方法，包括以下步骤：
步骤1：建立包含光伏发电系统、柴油机发电系统和微型燃气轮机发电系统的分布式电源数学模型，激励型需求响应数学模型，以及储能系统数学模型；
步骤2：建立配电网-微电网双层协同优化调度模型，下层模型基于“源-荷-储”对多微网优化调度，使得各微网的运行成本最低；上层模型以配电网收益最高为优化目标；
步骤3：利用改进的差分进化算法对步骤2建立的双层协同优化调度模型进行优化计算。
所述步骤1中，光伏发电系统数学模型的建立，具体包括：
1.1：从稳定性和控制性这两个方面考虑分布式电源DG的出力特性，其中，稳定性指从数s到1s之间的输出特性的稳定，控制性是指从外部加入控制信号时DG的经济性、输出特性的可控制程度；
1.2：在微电网与配电网的优化运行中，对光伏在一天中24个时间段内的输出功率进行预测，光伏发电的输出功率预测模型如下：
式(1)中：PPV表示在t时刻第i个微网预测的光伏输出功率；PP'V表示光伏在标准测试环境下的输出功率；qPV表示光伏的降额系数；IT表示实际情况下太阳的辐射强度；ISTC表示在标准测试环境下太阳的辐射强度；αPV表示光伏电池板的温度系数；Tc表示当前情况下的光伏电池板温度；TSTC表示标准测试环境下的光伏电池板的温度。
考虑光伏发电运维成本，模型如下：
CPV&OM,i＝KPVPPV,i,tTPV (2)；
式(2)中：CPV&OM,i表示第i个微网的光伏板运维成本；KPV为光伏电池板的运维系数；TPV为总调度时间内光伏发电的时间。
柴油机发电系统数学模型的建立，具体包括：
1.3：考虑柴油发电机在使用过程中的产生的燃料费用、运维费用以及污染物处理费用，对柴油发电机建模，
式(3)中：CDE&OM,i、CDE&Fuel,i、CDE&Waste,i分别表示第i个微网的柴油发电机的运维成本、燃料成本及污染物处理成本。PDE,i,t表示柴油发电机在t时刻第i个微网的输出功率；KDE表示柴油发电机的运维系数；αDE、βDE、γDE表示柴油发电机燃料系数；CDE,k表示柴油发电机处理k类污染气体的成本系数；γDE ,k表示柴油发电机k类污染气体的排放系数。k代表第几类，n表示柴油发电机在使用过程中的产生污染气体的总类数。
1.4：微型燃气轮机的输出功率模型如下：
式(4)中：ηMT表示微型燃气轮机的运行效率；PMT,i,t表示微型燃气轮机在t时刻第i个微网的输出功率；
式(4)中：65表示单位小时的燃料费用；0.0753、0.3095、0.4174、0.1068表示三次函数的系数，可通过发电机的耗量特性曲线拟合得到。
考虑微型燃气轮机在使用过程中的产生的燃料费用、运维费用以及污染物处理费用，对微型燃气轮机建模：
式(5)中：CMT&OM,i、CMT&Fuel,i、CMT&Waste,i分别表示第i个微网的微型燃气轮机的运维成本、燃料成本及污染物处理成本。KMT表示微型燃气轮机的运维系数；Cf表示天然气的价格；LHV表示天然气的低位热值；CMT,k表示微型燃气轮机处理k类污染气体的成本系数；γMT,k表示微型燃气轮机k类污染气体的排放系数；ηMT表示微型燃气轮机的运行效率。
所述步骤1中，需求侧响应的调节收益模型如下：
CDR,i＝ri,tPDR,i,t (6)；
式(6)中：CDR,i表示第i个微网的需求侧响应调节收益；PDR,i,t表示在t时刻第i个微网的需求侧响应功率；ri,t表示在t时刻第i个微网的需求侧响应补偿价格，即用电公司支付给参与需求侧响应的用户的补偿价格。
所述步骤1中，在储能系统中使用荷电状态(State of Charge，SOC),来描述储能设备的状态：
式(7)中：Ees表示当前蓄电池中的存储电量；Eesr表示蓄电池的最大储能电量。
充电时，蓄电池中的电量变化为：
式(8)中：ηES表示充放电效率；
表示在t时刻第i个微网的蓄电池的充电功率。
SOC(t-1)表示上一时刻的储能系统的荷电状态，△t为时间间隔。
放电时，蓄电池中的电量变化为：
式(9)中：
表示在t时刻第i个微网的蓄电池的放电功率；
储能单元的调节成本模型如下：
式(10)中：CES,i表示第i个微网的储能单元的调节成本；ηo表示折旧系数；N表示在系统中储能单元的总个数。
所述步骤2中，微电网的优化调度是使各微网售电收益及需求侧响应收益最高，各设备的运维成本及环境保护成本最低，微电网层的目标函数为总成本最低，表达式为：
式(11)中：T表示各微电网调度总小时数；N表示微电网个数；CDR,i表示第i个微网的需求侧响应调节收益；PDR,i,t表示在t时刻第i个微网的需求侧响应功率；ri,t表示在t时刻第i个微网的需求侧响应补偿价格，即用电公司支付给参与需求侧响应的用户的补偿价格。CPV&OM,i表示第i个微网的光伏板运维成本；CDE&OM,i、CDE&Fuel,i、CDE&Waste,i分别表示第i个微网的柴油发电机的运维成本、燃料成本及污染物处理成本；CMT&OM,i、CMT&Fuel,i、CMT&Waste,i分别表示第i个微网的微型燃气轮机的运维成本、燃料成本及污染物处理成本。
CNet,i,t表示在t时刻第i个微网向配电网的购电成本或者售电收益，具体表示如下：
式(12)中：PNet,i,t表示在t时刻第i个微网向配电网购售电功率；ρ1表示购电价格，在购电情况下PNet,i,t为正；ρ2表示售电价格，在售电情况下PNet,i,t为负。
约束条件如下：
(1)功率平衡约束:
式(13)中：PL,i,t表示在t时刻第i个微网的负荷需求；PDR,i,t表示在t时刻第i个微网的需求侧响应功率。
(2)光伏出力约束：
式(15)中：
表示光伏发电输出功率的上限；
分别表示光伏板爬坡功率上下限。PPV,i,t+1、PPV,i,t分别表示光伏阵列i在第t、t+1时刻下的发电功率。
(3)柴油发电机出力约束：
式(16)中：
分别表示柴油发电机输出功率的上下限；
分别表示柴油发电机爬坡功率上下限。PDE,i,t，PDE,i,t+1分别表示柴油发电机i在第t、t+1时刻下的发电功率。
(4)燃气轮机出力约束：
式(17)中：
分别表示燃气轮机输出功率的上下限；
分别表示燃气轮机爬坡功率上下限。PMT,i,t，PMT,i,t+1分别表示燃油汽轮机机i在第t、t+1时刻下的发电功率。
(5)储能出力约束：
式(18)中：
分别表示储能蓄电池充放电的上限；SOCmax、SOCmin分别表示最大存储容量和最小剩余容量。
(6)需求侧响应约束：
式(19)中：Pof,i,t表示可中断负荷功率；Ptr,i,t表示可转移负荷功率；
分别表示第i个微网可转移负荷和可中断负荷功率的上限。
为了体现需求侧响应可转移负荷的优先级高于可中断负荷，引入d1,i、d2,i分别表示第i个微网在t时刻的可中断负荷和可转移负荷的状态变量，与转入和转出的时段有关，表达式如下：
式(20)中：
表示第i个微网可转移负荷的转入时间段；
第i个微网可转移负荷的转出时间段；d2,t＝-1时表示转入负荷；d2,t＝1时表示转出负荷；可转移负荷在转入时间段内加入总负荷中计算。
(7)联络线功率约束：
式(21)中：
分别表示联络线传输功率的上下限。
所述步骤2中，配电网层以收益最大为目标，考虑微网购电时的收益，售电时的支出、网络损耗成本以及需求侧响应的补偿，目标函数如下：
式(22)中：CNetLoss,i,t表示配电网在传输电能过程中产生的电能损耗，表达式如下：
CNetLoss,i,t＝ρ1△PLoss+ρ2△PLoss (23)；
ρ1、ρ2分别表示有功功率网损、无功功率网损的所占比重，△PLoss电力系统总网损；
采用等值电阻法计算低压配电网的网络损耗，功率损耗△PLoss计算式如下：
或：
式中：Ii表示第i段线路上的电流；Ri表示第i段线路的导线电阻；Pi表示第i段线路上的有功功率；Qi表示第i段线路上的无功功率；Ui表示第i段线路上与Ii(Pi、Qi)同一点的电压；m表示该条线路的总段数。
设配电网的等值电阻为Rdz，此时网络损耗公式如下：
或：
式中：Rdz表示配电网的等值电阻，按下式计算：
配电网等值电阻的计算能改写成下式：
式(29)中：Si表示第i段线路上的视在功率；SNi表示第i段线路上的配变额定容量；S∑表示该配电线路上总视在功率；SN∑表示该配电线路上总配变额定容量；ki表示该配电线路上各配变的负荷系数；k∑表示该配电线路上总配变的负荷系数。
综上，最后低压配电网的网络损耗如下：
约束条件：
价格约束：
式(31)中：ρset表示固定的电价；ρt表示分时电价。
所述步骤3中，利用改进的差分进化算法，更新上层模型配电网的购售电价，并将上层模型的目标作为已知量输入到下层微电网模型中，下层微电网模型根据上层模型的输入，利用CPLEX求解器求解出微电网的总成本及买卖电功率，并将优化后的结果返回给上层模型，不断迭代优化，从而得到最终的结果。
本发明一种考虑分布式电源功率注入的配电网协同优化运行方法，技术效果如下：
1)本发明实现了对分布式电源、储能系统、柔性负荷等可控调节单元进行优化调度。使微电网通过调度网内的分布式电源、储能系统、柔性负荷等可调资源，能够降低微电网的运行成本且能够起到一定的削峰的作用。
2)本发明中，微电网通过与配电网进行电能交易，既可以在用电高峰期或者光伏发电不足时购电以满足用电需求，又可以在光伏发电充足时向配电网售电，这既提高了微电网的经济效益，也减少了弃光的情况发生，提高了微电网的消纳能力。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为中断负荷为例的激励型需求侧响应的作用机制示意图。
图2为差分进化算法的运算流程图。
图3为本发明的步骤3求解流程图。
图4为微网光伏出力及负荷预测图。
图5(a)为配电网购电价分布图；
图5(b)为配电网售电价分布图。
图6为各微网需求侧响应功率图。
图7为各微网买卖电功率图。
图8为各微网储能充放电功率图。
图9(a)为MG1实施DR后微网负荷功率图；
图9(b)为MG2实施DR后微网负荷功率图；
图9(c)为MG3实施DR后微网负荷功率图。
图10(a)为微网1供需平衡图；
图10(b)为微网3供需平衡图；
图10(c)为微网2供需平衡图。
图11(a)为微网1运行成本图；
图11(b)为微网2运行成本图；
图11(c)为微网3运行成本图；
图11(d)为配电网收益图。
具体实施方式
一种考虑分布式电源功率注入的配电网协同优化运行方法，首先充分分析微电网中“源-荷-储”各个相应模块的特性，从微电网系统中的“源-荷-储”等各个模块进行分析和数学模型的建立。确立了本发明研究微电网系统的主要分布式电源是光伏发电系统、柴油机发电系统和微型燃气轮机发电系统，确立了本发明研究的需求侧响应类型为激励型需求响应，并进行了数学模型的建立。对于储能系统，研究了单储能和多储能系统，并确立本发明采用的储能系统为单储能的系统。然后，考虑分布式电源、储能系统、需求侧响应，对配电网层和微电网层分别建模，建立了配电网-微电网双层协同优化调度模型，下层模型是基于“源-荷-储”的多微网优化调度，使得各微网的运行成本最低；上层模型以配电网收益最高为优化目标。最后，采用改进的差分进化算法进行算例仿真，并对结果进行分析。具体包括如下步骤：
步骤一：提出微电网中“源-荷-储”特性研究与各个模块工作原理的分析与建模：
1.1：提出了分布式电源的另一种分类方式，即按照其输出特性进行分类：
表1给出了分布式电源(DG)的另一种分类方式，即按照其输出特性进行分类。表中从稳定性和控制性这两个方面考虑DG的出力特性。其中稳定性指从数s到1s之间的输出特性的稳定，可控性是指从外部加入控制信号时DG的经济性、输出特性的可控制程度。
表1各种小型电源的分类与输出特性
1.2：确立了光伏发电的输出功率预测模型：
在微电网与配电网的优化运行中，光伏在一天中24个时间段内的输出功率进行预测。光伏发电的输出功率预测模型如下：
在上式中：PPV表示在t时刻第i个微网预测的光伏输出功率；P′PV表示光伏在标准测试环境下的输出功率；qPV表示光伏的降额系数，通常情况下取0.8；IT表示实际情况下太阳的辐射强度；ISTC表示在标准测试环境下太阳的辐射强度；αPV表示光伏电池板的温度系数；Tc表示当前情况下的光伏电池板温度；TSTC表示标准测试环境下的光伏电池板的温度。
由于光伏为清洁能源，在发电过程中不会产生污染环境的气体，故只需考虑其运维成本，模型如下：
CPV&OM,i＝KPVPPV,i,tTPV (2)
在上式中：CPV&OM,i表示第i个微网的光伏板运维成本；KPV为光伏电池板的运维系数；TPV为总调度时间内光伏发电的时间。
1.3：考虑柴油发电机在使用过程中的产生的燃料费用、运维费用以及污染物处理费用的模型建立。
柴油发电机因其使用的便利性而在日常生活中被广泛使用。柴油发电机是一种小型的发电设备，以柴油为燃料，因而在运行过程中会产生二氧化碳、二氧化硫、氮氧化物等气体危害环境。为了减少其对环境的危害，本发明在对柴油发电机建模时，考虑其在使用过程中的产生的燃料费用、运维费用以及污染物处理费用。
在上式中：CDE&OM,i、CDE&Fuel,i、CDE&Waste,i分别表示第i个微网的柴油发电机的运维成本、燃料成本及污染物处理成本。PDE,i,t表示柴油发电机在t时刻第i个微网的输出功率；KDE表示柴油发电机的运维系数；αDE、βDE、γDE表示柴油发电机燃料系数；CDE,k表示柴油发电机处理k类污染气体的成本系数；γDE,k表示柴油发电机k类污染气体的排放系数。
1.4：考虑微型燃气轮机在使用过程中的产生的燃料费用、运维费用以及污染物处理费用的模型建立。
微型燃气轮机的输出功率可以自由调节，响应速度快。
在上式中：ηMT表示微型燃气轮机的运行效率；PMT,i,t表示微型燃气轮机在t时刻第i个微网的输出功率，在本发明中取值0.8。
与柴油发电机类似，微型燃气轮机在运行过程中会污染气体危害环境。因此本发明在对微型燃气轮机建模时，考虑其在使用过程中的产生的燃料费用、运维费用以及污染物处理费用。
在上式中：CMT&OM,i、CMT&Fuel,i、CMT&Waste,i分别表示第i个微网的微型燃气轮机的运维成本、燃料成本及污染物处理成本。KMT表示微型燃气轮机的运维系数；Cf表示天然气的价格，本发明取2.53元/m3；LHV表示天然气的低位热值，本发明取9.7kWh/m3；CMT,k表示微型燃气轮机处理k类污染气体的成本系数；γMT,k表示微型燃气轮机k类污染气体的排放系数。
1.5：确立激励型的需求响应：
考虑基于激励的需求的响应方式，根据用户不同的响应方式，将需求响应划分为2种类型：基于价格的需求响应(Price-based Demand Response,PDR)和基于激励的需求响应(Incentive-based Demand Response,IDR)。
激励型的需求侧响应的特点是电力公司与用户根据政策制定需求侧响应协议合约，合约内明确响应时间、持续时长、负荷响应量和单位补偿格等。用户在指定时段内进行用电调整后得到相应的补偿，补偿机制是用户响应意愿的重要因素。以可中断负荷为例的激励型需求侧响应的作用机制如图1所示。图1中高峰时段指的是负荷高峰时段或者电价高峰时段，低谷时段指的是电价低谷时段或者负荷低谷时段。
传统的激励型需求侧响应类型有直接负荷控制(Direct Load Control，DLC)和可中断负荷(Interruptible Load,IL)。根据日前定制的合同完成负荷的消减，不同之处在于直接负荷控制是由用户聚合商直接对用户的用电设备进行开启或关闭的操作，可中断负荷则需用户自己完成需求侧响应操作。直接负荷控制响应速度快可进行集中控制但灵活性较低，可中断负荷具有较高灵活性但会降低供电可靠性。
在本发明涉及到的微电网中，用户负荷分为固定负荷和柔性负荷。其中，柔性负荷又包括可转移负荷和可中断负荷。需求侧响应可根据不同时段的用电情况转移或中断与之签订协议的柔性负荷，以调节电网的功率平衡，保证电力系统的安全稳定运行。需求侧响应的调节收益模型如下：
CDR,i＝ri,tPDR,i,t (6)
在上式中：CDR,i表示第i个微网的需求侧响应调节收益；PDR,i,t表示在t时刻第i个微网的需求侧响应功率；ri,t表示在t时刻第i个微网的需求侧响应补偿价格，即用电公司支付给参与需求侧响应的用户的补偿价格。
1.6：确立单储能的储能系统：
在微电网中，储能系统一般含有多种储能技术。在储能系统中通常使用荷电状态(State of Charge，SOC),来描述储能设备的状态。
上式中：Ees表示当前蓄电池中的存储电量；Eesr表示蓄电池的最大储能电量。
充电时，蓄电池中的电量变化为：
上式中：ηES表示充放电效率，本发明取90％；
表示在t时刻第i个微网的蓄电池的充电功率。
放电时，蓄电池中的电量变化为：
上式中：
表示在t时刻第i个微网的蓄电池的放电功率。
蓄电池作为储能系统中的主要储能设备，在微网中其他可再生能源无法满足用户负荷的情况下会将其储存的能量释放出来以满足用户需求，进而保证了微电网系统的安全稳定运行。蓄电池在充放电的过程中，其中粒子的运动产生的热效应会对蓄电池的使用寿命产生一定影响。因此，本发明考虑了储能单元(蓄电池)的调节成本，具体模型如下：
在上式中：CES,i表示第i个微网的储能单元的调节成本；ηo表示折旧系数。
步骤二：考虑配电网-微电网双层协同优化调度模型。
2.1：考虑各微网售电收益及需求侧响应收益最高，各设备的运维成本及环境保护成本最低的上层目标函数。
本发明微电网的优化调度是使各微网售电收益及需求侧响应收益最高，各设备的运维成本及环境保护成本最低，因此微电网层的目标函数是总成本最低，表达式为：
在上式中：T表示各微电网调度总小时数；N表示微电网个数；CDR,i表示第i个微网的需求侧响应调节收益；PDR,i,t表示在t时刻第i个微网的需求侧响应功率；ri,t表示在t时刻第i个微网的需求侧响应补偿价格，即用电公司支付给参与需求侧响应的用户的补偿价格。CNet,i,t表示在t时刻第i个微网向配电网的购电成本或者售电收益，具体表示如下：
PNet,i,t表示在t时刻第i个微网向配电网购售电功率；ρ1表示购电价格，在购电情况下PNet,i,t为正；ρ2表示售电价格，在售电情况下PNet,i,t为负。
约束条件：
(1)功率平衡约束
上式中：PL,i,t表示在t时刻第i个微网的负荷需求；PDR,i,t表示在t时刻第i个微网的需求侧响应功率。
PDR,i,t＝Ptr,i,t+Pof,i,t (14)
(2)光伏出力约束
上式中：
表示光伏发电输出功率的上限；
分别表示光伏板爬坡功率上下限。
(3)柴油发电机出力约束
上式中：
分别表示柴油发电机输出功率的上下限；
分别表示柴油发电机爬坡功率上下限。
(4)燃气轮机出力约束
上式中：
分别表示燃气轮机输出功率的上下限；
分别表示燃气轮机爬坡功率上下限。
(5)储能出力约束
上式中：
分别表示储能蓄电池充放电的上限；SOCmax、SOCmin分别表示最大存储容量和最小剩余容量。
(6)需求侧响应约束
上式中：Pof,i,t表示可中断负荷功率；Ptr,i,t表示可转移负荷功率；
分别表示第i个微网可转移负荷和可中断负荷功率的上限。
为了体现需求侧响应可转移负荷的优先级高于可中断负荷，引入d1,i、d2,i分别表示第i个微网在t时刻的可中断负荷和可转移负荷的状态变量，与转入和转出的时段有关，表达式如下：
上式中：
表示第i个微网可转移负荷的转入时间段；
第i个微网可转移负荷的转出时间段；d2,t＝-1时表示转入负荷；d2,t＝1时表示转出负荷；可转移负荷在转入时间段内加入总负荷中计算。
(7)联络线功率约束
上式中：
分别表示联络线传输功率的上下限。
2.2：考虑微网购电时的收益，售电时的支出、网络损耗成本以及需求侧响应的补偿。以配电网收益为最大的下层目标函数；
微电网在与配电网进行买卖电的交易时，配电网层会有相应的收益和支出，此外，在电能传输的过程中也会产生网络损耗。因此，配电网层以收益最大为目标，考虑微网购电时的收益，售电时的支出、网络损耗成本以及需求侧响应的补偿。目标函数如下：
上式中：CNetLoss,i,t表示配电网在传输电能过程中产生的电能损耗，表达式如下：
CNetLoss,i,t＝ρ1△PLoss+ρ2△PLoss (23)
由于低压配电网的多节点、多元件、多分支线，以及配变的容量、负载率参数、运行数据等均存在差异，使得低压配电网中的电能损耗△PLoss计算较为复杂。
为此，在满足实际工程计算精度的前提下，采用等值电阻法计算低压配电网的网络损耗具有较强的可行性。
功率损耗△PLoss计算式如下：
或
式中：Ii表示第i段线路上的电流；Ri表示第i段线路的导线电阻；Pi表示第i段线路上的有功功率；Qi表示第i段线路上的无功功率；Ui表示第i段线路上与Ii(Pi、Qi)同一点的电压；m表示该条线路的总段数。
由于配电网各线路上的运行数据不易采集，因此可以假设配电网的等值电阻为Rdz，此时网络损耗公式如下：
或
式中：Rdz表示配电网的等值电阻，按下式计算：
为了更方便的计算上式配电网的等值电阻，做出如下假设：
(1)变压器所带负荷的分布与负荷节点装设的变压器的额定容量成正比，即各变压器的负荷系数相同，均为0.6；
(2)各负荷点的功率因数相同；
(3)各节点的电压相同，即不考虑电压降的影响。
故配电网等值电阻的计算可改写成下式：
上式中：Si表示第i段线路上的视在功率；SNi表示第i段线路上的配变额定容量；S∑表示该配电线路上总视在功率；SN∑表示该配电线路上总配变额定容量；ki表示该配电线路上各配变的负荷系数；k∑表示该配电线路上总配变的负荷系数。
综上，最后低压配电网的网络损耗如下：
约束条件：
(1)价格约束
上式中：ρset表示固定的电价，本发明取0.35；ρt表示分时电价。
步骤三：差分进化算法求解方法：
差分进化算法是基于群体智能理论的优化算法，是通过群体内个体间的合作与竞争而产生的智能优化搜索算法。差分进化算法特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，它具有较强的全局收敛能力和稳健性。适用于求解一些利用常规的数学规划方法很难求解甚至无法求解的复杂优化问题。改进的差分进化算法步骤如下：
(1)初始化：
差分进化算法利用NP个维数为D的实数值参数向量，将它们作为每一代的种群,每个个体表示为：
xi,G(i＝1,2,…,NP) (32)
式中：i表示个体在种群中的序列；G表示进化代数；NP表示种群规模，在最小化过程中NP保持不变。
为了建立优化搜索的初始点，种群必须被初始化。通常，寻找初始种群的一个方法是从给定边界约束内的值中随机选择。在差分进化算法研究中，一般假定所有随机初始化种群均符合均匀概率分布。设参数变量的界限为
则有：
式中：rand[0,1]表示在[0,1]之间产生的均匀随机数。如果可以预先得到问题的初步解，则初始种群也可以通过对初步解加入正态分布随机偏差来产生，这样可以提高重建效果。
(2)变异：
对于每个目标向量xi,G(i＝1,2,…,NP)，差分进化算法的编译向量由下式产生：
vi,G+1＝xr1,G+F·(xr2,G-xr3,G) (34)
式中：随机选择的序号r1、r2和r3互不相同，且r1、r2和r3与目标向量序号i也应不同，所以必须满足NP≥4，变异算子F∈[0,2]，控制这偏差变量的放大作用。
基本差分进化算法在搜索过程中变异算子取实常数，实施中变异算子较难确定。变异率太大，算法搜索效率低下，所求得的全局最优解精度低；变异率太小，种群多样性降低，易出现“早熟”现象。因此可设计具有自适应变异算子的差分进化算法，根据算法搜索进展情况，自适应变异算子可设计如下：
式中：F0表示变异算子，Gm表示最大进化代数，G表示当前进化代数。在算法开始时自适应变异算子为2F0，具有较大值，在初期保持个体多样性，避免“早熟”；随着算法的进展，变异算子逐步降低，到后期变异率接近F0，保留优良信息，避免最优解遭到破坏，增加搜索到全局最优解的概率。
(3)交叉：
为了增加干扰参数向量的多样性，引入交叉操作，则试验向量变为：
式中：randb(j)表示产生[0,1]之间随机数发生器的第j个估计值；rnbr(i)∈(1,2,…,D)表示一个随机选择的序列，用它来确保ui,G+1至少从vi,G+1获得一个参数；CR表示交叉算子，其取值范围为[0,1]。
(4)选择：
为决定试验向量ui,G+1是否会成为下一代中的成员，差分进化算法按照贪婪准则将试验向量与当前种群中的目标向量xi,G进行比较。如果目标函数要被最小化，那么具有较小目标函数值的向量将在下一代种群中出现。下一代中的所有个体都比当前种群的对应个体更佳或者至少一样好。注意：在差分进化算法选择程序中，试验向量只与一个个体相比较，而不是与现有种群中的所有个体相比较。
(5)边界条件处理：
在有边界约束的问题中，必须保证产生新个体的参数值位于问题的可行域中，一个简单方法是将不符合边界约束的新个体用在可行域中随机产生的参数向量代替，即：若
或
那么
综上，改进的自适应变异差分进化算法流程图如图2所示，包括如下步骤：
Step 1：确定差分进化算法的控制参数和所要采用的具体策略。差分进化算法的控制参数包括：种群数量、变异算子、交叉算子、最大进化代数、终止条件等。
Step 2：随机产生初始种群，进化代数k＝1。
Step 3：对初始种群进行评价，即计算初始种群中每个个体的目标函数值。
Step 4：判断是否达到终止条件或达到最大进化代数：若是，则进化终止，将此时的最佳个体作为解输出；否则，继续下一步操作。
Step 5：进行变异操作和交叉操作，对边界条件进行处理，得到临时种群。
Step 6：对临时种群进行评价，计算临时种群中每个个体的目标函数值。
Step 7：对临时种群中的个体和原种群中对应的个体，进行“一对一”的选择操作，得到新种群。
Step 8：进化代数k＝k+1，转步骤Step 4。
求解流程如图3所示：
对于上层配电网来说，目标函数为调度时段内收益最大。变量为购售电价和买卖电功率，求解总调度时段内的购售电价与配电网收益。
对于下层微电网来说，目标为包括光伏发电的运维成本、柴油发电机以及微型燃气轮机的运维成本和环境保护成本、储能单元调节成本、需求侧响应调节成本的目标值最小。变量为柴油发电机以及微型燃气轮机的输出功率、储能充放电功率、微网与配电网买卖电功率、需求侧响应功率。求解在调度时段内微网各种功率的变化情况以及各微网的总成本。
利用改进的差分进化算法更新上层配电网的购售电价，并将上层模型的目标作为已知量输入到下层模型中，下层微电网模型根据上层的输入利用CPLEX求解器求解出微电网的总成本及买卖电功率，并将优化后的结果返回给上层，不断迭代优化，从而得到最终的结果。
验证实施例：
本发明选取湖北省某城区的3个微网为例，其中MG1是大型商场区域的微网，由于大型商场中商店较多，因此总负荷需求较高且高峰期集中在下午到晚上；MG2是办公楼型区域的微网，因职场人员上班时间主要集中在白天，因此负荷用电高峰期主要在上午到下午；MG3是住宅区域的微网，负荷的用电高峰期主要集中在早上8：00左右和晚上21：00左右。
假设光伏的消纳率为100％，则3个微网在一个调度周期24h内光伏预测出力如图4所示。图4中的负荷表示一个微网里的总负荷，包括固定负荷、可中断负荷以及可转移负荷，具体数据如表2所示。
表2各微网可转移负荷和可中断负荷
| 可转移负荷上限 | 可中断负荷上限 | |
| MG1 | 25 | 90 |
| MG2 | 0 | 55 |
| MG3 | 15 | 50 |
此外，为了提高各类型用户进行需求侧响应的积极性，对3个微网可进行需求侧响应的负荷制定了补偿价格，均为0.58元/kW。
各微网的光伏设备相关数据如下表3、表4所示：
表3光伏数据
| 光伏容量 | 功率上限 | 光伏维护系数 | 爬坡功率上限 | 爬坡功率下限 | |
| MG1 | 500*1 | 480 | 0.0096 | 240 | -240 |
| MG2 | 350*1 | 330 | 0.0096 | 165 | -165 |
| MG3 | 300*1 | 280 | 0.0096 | 140 | -140 |
各微网的其他分布式电源的相关数据如下，其中，MG1使用的为柴油发电机(DE1)、微型燃气轮机(MT1)，MG2和MG3使用的为同型号的柴油发电机(DE2)、微型燃气轮机(MT2)。
表4其他设备数据
柴油发电机和微型燃气轮机发电会产生的污染气体类型以及相对应的成本系数如下表5所示。在此，假设各微网使用不同类型的柴油发电机和微型燃气轮机的污染物排放系数相同。
表5污染物成本、排放系数
假设各微网蓄电池的初始荷电状态为10％，充放电效率为90％，充放电折旧系数为0.0元/kW，其他相关数据如下表6所示。
表6各微网储能系统数据
2)算例仿真结果及分析：
通过利用改进的差分进化算法不断更新上层配电网的购售电价，使得微电网的运行成本最小、配电网的收益最大。迭代50次后，配电网的购售电价如图5(a)、图5(b)所示。
结合图4与5(a)、图5(b)可知，时段9：00-15：00，20：00-21：00为负荷的用电高峰期，时段7：00-17：00为光伏出力充足时段。为了使配电网的利益尽可能高，因此在用电高峰期时段的配电网售电价格大部分较高，在光伏出力充足时段配电网购电价格大部分较低。在此购售电价下，微电网充分利用其各种可调资源，在实现微电网功率平衡的前提下使调节成本最小，获得更好的经济效益。对该系统进行24小时调度仿真，得到三个微电网以及配电网的调度结果，如图6～图8所示。
结合图4光伏出力曲线图和图6各微网需求侧响应功率图可知，在时段7：00～17：00左右，光伏出力充足且各微网在此时段内的需求侧响应功率为0。这说明了在该时段内各微网能实现自给自足，不需要通过转移或中断负荷等需求侧响应来调节功率平衡。
图7为在一个调度周期内各微网向配电网买卖电的功率，其中数值为正表示从配电网购电，数值为负表示向配电网售电。从图7可以看出，在白天光伏发电较为充足的9～15时段内，各微网都不需要向配电网购电以满足负荷需求，且均有剩余电能向配电网出售。而在夜间无光伏发电时，三个微电网均需要向配电网购电以满足负荷的用电需求。
图8表示在一个调度周期内各个微电网储能装置充放电功率，数值为正表示充电，数值为负表示放电。由图8可知，各微电网的储能充电时间集中在光伏发电充足的8～16时段，放电时间集中在夜间无光伏出力时段和负荷高峰期时段。由于MG1为大型商业区域微电网，其储能容量较大，因此MG1的充放电功率要比其他微电网的都要高。
此外在白天光伏发力充足的时段内，有部分微电网的储能除了会利用多余电能进行充电，还会在适当放电出售给配电网以减少微网运行的成本。在夜间储能装置除了会在负荷高峰期放电以满足用户用电需求，还会在配电网售电价格较低的时段充电，以降低充电的成本。
这种模式虽然能够降低微电网运行成本，但会造成储能蓄电池频繁充放电。虽然储能蓄电池在运行时不会直接产生运行费用，但频繁的充放电会影响电池寿命，后期的维护成本很大。因此对于储能充放电调度结果，在一个短期的调度周期内是可行的，利大于弊，但是对于长期运行来说，是得不偿失，弊大于利的。
大型商业型MG1和住宅型MG3的柔性负荷包含可转移负荷和可中断负荷，而办公室型MG2只包含可中断负荷。在一个调度周期内，各个微网24h的需求侧响应调度情况如图9(a)～图9(c)所示。由图9(a)～图9(c)可知，对比光伏出力曲线，在白天光伏出力充足时不需要进行需求侧响应就能满足用户的用电需求。而在夜间，无光伏出力且其他分布式电源运行成本较高，因此需要进行负荷的中断与转移。对于MG1来说，负荷高峰期为下午到晚上，在负荷高峰期对可中断负荷进行中断，能够起到“削峰”的作用。对于MG2和MG3来说，对可中断负荷进行中断后，负荷更加趋近光伏发电输出功率曲线。对于MG1和MG3来说，两者均是在微网的高峰期或者低谷区转出可转移负荷，并在电价较低的时段内转入，这有利于降低微电网的运行成本。
图10(a)～图10(c)表示各个微网的供需平衡情况，储能充放电数值为正表示储能放电，数值为负表示储能充电；配电网交换功率数值为正表示从配电网购电，数值为负表示向配电网售电。由于MG1为大型商场区域微网，总负荷大，因此其从配电网购电的功率较大，MG3次之，MG2最小。就微型燃气轮机和柴油发电机等非清洁分布式电源而言，它们发电成本较高，且还需承担污染物处理的费用，因此，除了MG1负荷总量较大且从配电网购电达到最大值后会启动微型燃气轮机和柴油发电机发电满足用电需求外，MG2和MG3尽可能少的启动微型燃气轮机和柴油发电机发电。此外，当微型燃气轮机和柴油发电机发电的成本比向配电网售电的收益低时，微电网会为了降低运行成本而启动微型燃气轮机和柴油发电机，例如MG2的16：00、MG3的6：00。
配电网的收益最大与微电网的成本最小是两个方向相反的目标，因此在求解的过程中这两个目标是相互博弈的，由上层制定购售电价引导下层微电网调度各种资源，而不直接干涉下层微电网，是广义上的“主从博弈”。
由图11(a)～图11(d)可知，经过50次迭代后，在一天内，微网1的成本为996.52元，微网2的成本为200.78元，微网3的成本为332.52元，配电网的收益为2393.11元。微网1的运行成本在所有微网中是最高的，这是因为MG1是大型商场区域的微网，总负荷需求较高且供需不平衡量较大，需要更多的需求侧响应功率、分布式电源功率、以及向配电网购电来调节。微网2与微网3的负荷总量相差不大，但微网3的负荷高峰期时段比微网2要多，不平衡量较大，因此需要较多的需求侧响应、分布式电源、以及配电网提供功率满足用户的用电需求。所以，微网3的运行成本要比微网2的运行成本略高。
Claims (9)
1.考虑分布式电源功率注入的配电网协同优化运行方法，其特征在于包括以下步骤：
步骤1：建立包含光伏发电系统、柴油机发电系统和微型燃气轮机发电系统的分布式电源数学模型，激励型需求响应数学模型，以及储能系统数学模型；
步骤2：建立配电网-微电网双层协同优化调度模型，下层模型基于“源-荷-储”对多微网优化调度，使得各微网的运行成本最低；上层模型以配电网收益最高为优化目标；
步骤3：利用改进的差分进化算法对步骤2建立的双层协同优化调度模型进行优化计算。
2.根据权利要求1所述考虑分布式电源功率注入的配电网协同优化运行方法，其特征在于：所述步骤1中，光伏发电系统数学模型的建立，具体包括：
1.1：从稳定性和控制性这两个方面考虑分布式电源DG的出力特性，其中，稳定性指从数s到1s之间的输出特性的稳定，控制性是指从外部加入控制信号时DG的经济性、输出特性的可控制程度；
1.2：在微电网与配电网的优化运行中，对光伏在一天中24个时间段内的输出功率进行预测，光伏发电的输出功率预测模型如下：
式(1)中：PPV表示在t时刻第i个微网预测的光伏输出功率；PP'V表示光伏在标准测试环境下的输出功率；qPV表示光伏的降额系数；IT表示实际情况下太阳的辐射强度；ISTC表示在标准测试环境下太阳的辐射强度；αPV表示光伏电池板的温度系数；Tc表示当前情况下的光伏电池板温度；TSTC表示标准测试环境下的光伏电池板的温度；
考虑光伏发电运维成本，模型如下：
CPV&OM,i＝KPVPPV,i,tTPV (2)；
式(2)中：CPV&OM,i表示第i个微网的光伏板运维成本；KPV为光伏电池板的运维系数；TPV为总调度时间内光伏发电的时间；
柴油机发电系统数学模型的建立，具体包括：
1.3：考虑柴油发电机在使用过程中的产生的燃料费用、运维费用以及污染物处理费用，对柴油发电机建模，
式(3)中：CDE&OM,i、CDE&Fuel,i、CDE&Waste,i分别表示第i个微网的柴油发电机的运维成本、燃料成本及污染物处理成本；PDE,i,t表示柴油发电机在t时刻第i个微网的输出功率；KDE表示柴油发电机的运维系数；αDE、βDE、γDE表示柴油发电机燃料系数；CDE,k表示柴油发电机处理k类污染气体的成本系数；γDE,k表示柴油发电机k类污染气体的排放系数；k代表第几类，n表示柴油发电机在使用过程中的产生污染气体的总类数；
1.4：微型燃气轮机的输出功率模型如下：
式(4)中：ηMT表示微型燃气轮机的运行效率；PMT,i,t表示微型燃气轮机在t时刻第i个微网的输出功率；
考虑微型燃气轮机在使用过程中的产生的燃料费用、运维费用以及污染物处理费用，对微型燃气轮机建模：
式(5)中：CMT&OM,i、CMT&Fuel,i、CMT&Waste,i分别表示第i个微网的微型燃气轮机的运维成本、燃料成本及污染物处理成本；KMT表示微型燃气轮机的运维系数；Cf表示天然气的价格；LHV表示天然气的低位热值；CMT,k表示微型燃气轮机处理k类污染气体的成本系数；γMT,k表示微型燃气轮机k类污染气体的排放系数；ηMT表示微型燃气轮机的运行效率。
3.根据权利要求1所述考虑分布式电源功率注入的配电网协同优化运行方法，其特征在于：所述步骤1中，需求侧响应的调节收益模型如下：
CDR,i＝ri,tPDR,i,t (6)；
式(6)中：CDR,i表示第i个微网的需求侧响应调节收益；PDR,i,t表示在t时刻第i个微网的需求侧响应功率；ri,t表示在t时刻第i个微网的需求侧响应补偿价格，即用电公司支付给参与需求侧响应的用户的补偿价格。
4.根据权利要求1所述考虑分布式电源功率注入的配电网协同优化运行方法，其特征在于：所述步骤1中，在储能系统中使用荷电状态(State of Charge，SOC),来描述储能设备的状态：
式(7)中：Ees表示当前蓄电池中的存储电量；Eesr表示蓄电池的最大储能电量；
充电时，蓄电池中的电量变化为：
式(8)中：ηES表示充放电效率；
表示在t时刻第i个微网的蓄电池的充电功率；
SOC(t-1)表示上一时刻的储能系统的荷电状态，△t为时间间隔；
放电时，蓄电池中的电量变化为：
式(9)中：
表示在t时刻第i个微网的蓄电池的放电功率；
储能单元的调节成本模型如下：
式(10)中：CES,i表示第i个微网的储能单元的调节成本；ηo表示折旧系数；N表示在系统中储能单元的总个数。
5.根据权利要求1所述考虑分布式电源功率注入的配电网协同优化运行方法，其特征在于：所述步骤2中，微电网的优化调度是使各微网售电收益及需求侧响应收益最高，各设备的运维成本及环境保护成本最低，微电网层的目标函数为总成本最低，表达式为：
式(11)中：T表示各微电网调度总小时数；N表示微电网个数；CDR,i表示第i个微网的需求侧响应调节收益；PDR,i,t表示在t时刻第i个微网的需求侧响应功率；ri,t表示在t时刻第i个微网的需求侧响应补偿价格，即用电公司支付给参与需求侧响应的用户的补偿价格；CPV&OM,i表示第i个微网的光伏板运维成本；CDE&OM,i、CDE&Fuel,i、CDE&Waste,i分别表示第i个微网的柴油发电机的运维成本、燃料成本及污染物处理成本；CMT&OM,i、CMT&Fuel,i、CMT&Waste,i分别表示第i个微网的微型燃气轮机的运维成本、燃料成本及污染物处理成本；
CNet,i,t表示在t时刻第i个微网向配电网的购电成本或者售电收益，具体表示如下：
式(12)中：PNet,i,t表示在t时刻第i个微网向配电网购售电功率；ρ1表示购电价格，在购电情况下PNet,i,t为正；ρ2表示售电价格，在售电情况下PNet,i,t为负。
6.根据权利要求5所述考虑分布式电源功率注入的配电网协同优化运行方法，其特征在于：约束条件如下：
(1)功率平衡约束:
式(13)中：PL,i,t表示在t时刻第i个微网的负荷需求；PDR,i,t表示在t时刻第i个微网的需求侧响应功率；
(2)光伏出力约束：
式(15)中：
表示光伏发电输出功率的上限；
分别表示光伏板爬坡功率上下限；PPV,i,t+1、PPV,i,t分别表示光伏阵列i在第t、t+1时刻下的发电功率；
(3)柴油发电机出力约束：
式(16)中：
分别表示柴油发电机输出功率的上下限；
分别表示柴油发电机爬坡功率上下限；PDE,i,t，PDE,i,t+1分别表示柴油发电机i在第t、t+1时刻下的发电功率；
(4)燃气轮机出力约束：
式(17)中：
分别表示燃气轮机输出功率的上下限；
分别表示燃气轮机爬坡功率上下限；PMT,i,t，PMT,i,t+1分别表示燃油汽轮机机i在第t、t+1时刻下的发电功率；
(5)储能出力约束：
式(18)中：
分别表示储能蓄电池充放电的上限；SOCmax、SOCmin分别表示最大存储容量和最小剩余容量；
(6)需求侧响应约束：
式(19)中：Pof,i,t表示可中断负荷功率；Ptr,i,t表示可转移负荷功率；
分别表示第i个微网可转移负荷和可中断负荷功率的上限；
为了体现需求侧响应可转移负荷的优先级高于可中断负荷，引入d1,i、d2,i分别表示第i个微网在t时刻的可中断负荷和可转移负荷的状态变量，与转入和转出的时段有关，表达式如下：
PDR,i,t＝d1,tPof,i,t+d2,tPtr,i,t
式(20)中：
表示第i个微网可转移负荷的转入时间段；
第i个微网可转移负荷的转出时间段；d2,t＝-1时表示转入负荷；d2,t＝1时表示转出负荷；可转移负荷在转入时间段内加入总负荷中计算；
(7)联络线功率约束：
式(21)中：
分别表示联络线传输功率的上下限。
7.根据权利要求1所述考虑分布式电源功率注入的配电网协同优化运行方法，其特征在于：所述步骤2中，配电网层以收益最大为目标，考虑微网购电时的收益，售电时的支出、网络损耗成本以及需求侧响应的补偿，目标函数如下：
式(22)中：CNetLoss,i,t表示配电网在传输电能过程中产生的电能损耗，表达式如下：
CNetLoss,i,t＝ρ1△PLoss+ρ2△PLoss (23)；
ρ1、ρ2分别表示有功功率网损、无功功率网损的所占比重，△PLoss电力系统总网损；
采用等值电阻法计算低压配电网的网络损耗，功率损耗△PLoss计算式如下：
或：
式中：Ii表示第i段线路上的电流；Ri表示第i段线路的导线电阻；Pi表示第i段线路上的有功功率；Qi表示第i段线路上的无功功率；Ui表示第i段线路上与Ii(Pi、Qi)同一点的电压；m表示该条线路的总段数；
设配电网的等值电阻为Rdz，此时网络损耗公式如下：
或：
式中：Rdz表示配电网的等值电阻，按下式计算：
配电网等值电阻的计算能改写成下式：
式(29)中：Si表示第i段线路上的视在功率；SNi表示第i段线路上的配变额定容量；
S∑表示该配电线路上总视在功率；SN∑表示该配电线路上总配变额定容量；ki表示该配电线路上各配变的负荷系数；k∑表示该配电线路上总配变的负荷系数；
综上，最后低压配电网的网络损耗如下：
8.根据权利要求7所述考虑分布式电源功率注入的配电网协同优化运行方法，其特征在于：约束条件包括：
价格约束：
式(31)中：ρset表示固定的电价；ρt表示分时电价。
9.根据权利要求1所述考虑分布式电源功率注入的配电网协同优化运行方法，其特征在于：所述步骤3中，利用改进的差分进化算法，更新上层模型配电网的购售电价，并将上层模型的目标作为已知量输入到下层微电网模型中，下层微电网模型根据上层模型的输入，利用CPLEX求解器求解出微电网的总成本及买卖电功率，并将优化后的结果返回给上层模型，不断迭代优化，从而得到最终的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211662579.9A CN116207746A (zh) | 2022-12-23 | 2022-12-23 | 考虑分布式电源功率注入的配电网协同优化运行方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211662579.9A CN116207746A (zh) | 2022-12-23 | 2022-12-23 | 考虑分布式电源功率注入的配电网协同优化运行方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116207746A true CN116207746A (zh) | 2023-06-02 |
Family
ID=86508485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211662579.9A Withdrawn CN116207746A (zh) | 2022-12-23 | 2022-12-23 | 考虑分布式电源功率注入的配电网协同优化运行方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116207746A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118747692A (zh) * | 2024-06-11 | 2024-10-08 | 国网黑龙江省电力有限公司 | 一种多层异构的智慧能源系统的优化协调方法 |
| CN118868160A (zh) * | 2024-06-18 | 2024-10-29 | 国网湖北省电力有限公司经济技术研究院 | 考虑分级孤网自平衡的抽蓄-光伏系统优化方法及系统 |
-
2022
- 2022-12-23 CN CN202211662579.9A patent/CN116207746A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118747692A (zh) * | 2024-06-11 | 2024-10-08 | 国网黑龙江省电力有限公司 | 一种多层异构的智慧能源系统的优化协调方法 |
| CN118747692B (zh) * | 2024-06-11 | 2025-02-14 | 国网黑龙江省电力有限公司 | 一种多层异构的智慧能源系统的优化协调方法 |
| CN118868160A (zh) * | 2024-06-18 | 2024-10-29 | 国网湖北省电力有限公司经济技术研究院 | 考虑分级孤网自平衡的抽蓄-光伏系统优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107958300B (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
| CN110188950B (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
| CN107301470B (zh) | 一种配电网扩展规划与光储选址定容的双层优化方法 | |
| CN111030188B (zh) | 一种含分布式和储能的分层分级控制策略 | |
| CN108229025B (zh) | 一种冷热电联供型多微网主动配电系统经济优化调度方法 | |
| Moghaddam et al. | Multi-operation management of a typical micro-grids using Particle Swarm Optimization: A comparative study | |
| CN111882111B (zh) | 一种源网荷储协同互动的电力现货市场出清方法 | |
| CN109713673B (zh) | 售电环境下并网型微电网系统配置及优化运行的方法 | |
| CN111400641A (zh) | 一种含蓄热式电采暖的综合能源系统日前优化调度方法 | |
| CN108009693A (zh) | 基于两级需求响应的并网微电网双层优化方法 | |
| CN107634518A (zh) | 一种“源‑网‑荷”相协调的主动配电网经济调度方法 | |
| CN106712114A (zh) | 一种考虑环境效益的主动配电网能量分层优化调度方法 | |
| CN116109076A (zh) | 能量和调峰市场下考虑需求响应的虚拟电厂优化调度方法 | |
| CN116402307A (zh) | 考虑可调度柔性资源运行特性的电网规划容量分析方法 | |
| CN116207746A (zh) | 考虑分布式电源功率注入的配电网协同优化运行方法 | |
| CN106451552A (zh) | 一种基于势博弈的微电网能量管理系统分布式优化算法 | |
| Zhu et al. | Optimal scheduling of a wind energy dominated distribution network via a deep reinforcement learning approach | |
| CN106786801A (zh) | 一种基于竞价均衡的微电网运行方法 | |
| CN116365507A (zh) | 适用于户用光储系统的储能能量管理方法 | |
| CN115204562A (zh) | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 | |
| CN112039126A (zh) | 含分布式电源的配电网多时间尺度协调调度方法及系统 | |
| CN116128193A (zh) | 一种基于区块链技术的园区微网调度方法及调度系统 | |
| CN115528670A (zh) | 基于多主体博弈的分布式电源及配套电网投资决策建模方法 | |
| CN116488231A (zh) | 一种计及输配电网形态演变的风光储协同规划方法 | |
| Qian et al. | Low carbon optimization dispatching of energy intensive industrial park based on adaptive stepped demand response incentive mechanism |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230602 |
|
| WW01 | Invention patent application withdrawn after publication |