主動配電網與主網協調調度

金堯, 王正宇，蔣傳文，張裕，趙巖

(1.上海交通大學電子信息與電氣工程學院，上海市 200240； 2.貴州電網公司電網規劃研究中心，貴陽市 550002；3.國網上海市電力公司，上海市200122)

主動配電網與主網協調調度

金堯1, 王正宇1，蔣傳文1，張裕2，趙巖3

(1.上海交通大學電子信息與電氣工程學院，上海市 200240； 2.貴州電網公司電網規劃研究中心，貴陽市 550002；3.國網上海市電力公司，上海市200122)

主動配電網(active distribution network， ADN)擁有更多的調度自主權，能夠主動管理分布式發電機、儲能設備以及主動負荷，實現配網的高效運行。主網與配網調度結果相互影響，因此在制定ADN優化調度方案時，除了考慮自身的運行成本，還應該兼顧與主網之間的協調問題。該文設計配網與主網實時信息交互模式，對主動負荷和儲能設備進行建模分析，提出基于實時電價的協調調度模型；并針對該調度模型，提出并行優化算法，通過對連接配網的IEEE 9節點系統進行仿真，驗證了模型及求解算法的有效性；最后，分析比較了需求側響應、儲能設備和聯絡線功率上限對調度結果產生的影響。

主動配電網(ADN)；協調調度；需求側響應；儲能設備；分布式發電機

0 引 言

受到資源短缺和環境污染的制約，傳統化石能源在電網中的比例逐漸下降，分布式能源滲透率不斷提高。在大規模可再生能源接入電網后，配電網不再是作為一個純粹的受電端，將擁有更多的自主權，能夠對分布式能源以及儲能設備進行調度，并且可以對負荷進行需求側管理。配網中分布式電源、儲能設備、需求側響應等新元素的出現，給傳統的配網運行調度模式帶來了新的挑戰，主動配電網(active distribution network，ADN)應運而生[1-5]。主動配電網是指能夠自主控制分布式發電機(distributed generation，DG)、主動負荷和儲能設備的配電網[6]，能夠通過靈活的調度方式消納可再生能源，減小間歇性能源不確定性對電網可靠性造成的影響。

現有的ADN調度模型研究中，往往只是單獨考慮配電網側的調度，忽略了配網與主網之間的信息交互與協調。文獻[7]的配網調度模型中綜合考慮了DG、儲能設備和主動負荷。文獻[8]基于用戶、電網和環境效率最優，建立主動負荷需求側響應決策模型。文獻[9]將隨機規劃理論應用于ADN調度模型中，考慮了風力和光伏發電帶來的不確定性影響。文獻[10]通過控制分布式電源和聯絡線開關來實現配電網運行成本最優。文獻[11]的調度模型中包含了基于經濟效益最優的日前調度模型和基于可靠性的實時調度模型。

需求側響應能夠削峰填谷，提高電網消納新能源的能力。文獻[12]驗證了通過需求側響應能夠有效降低電網成本，節省能源消耗。文獻[13-14]建立了能夠統一調配發電資源和互動負荷的發用電一體化調度模型，使用電側可以參與到電網的運行中。文獻[15]將可中斷負荷和用電激勵負荷視作系統備用的一部分。文獻[16]研究了電價響應和用戶滿意度機制。由于我國沒有實施實時電價，需求側響應主要通過分時電價引導，無法實現用戶與電網的信息互動，甚至有可能造成新的負荷高峰。本文提出的協調調度模型是基于實時電價機制，能夠更為精確地反映負荷及供電成本的變化，充分調動用戶參與需求側響應的積極性，更有利于主網與配網間協調互動。

主網一般通過電價因素來影響配電網的調度計劃，同時配電網的調度計劃反過來也會對主網產生影響，如果僅從主網側或者配網側研究，往往不能得到全局較優的方案，因此在制定調度計劃時，有必要做到主網與配網的協調。文獻[17]提出一種雙層調度模型，將聯絡線功率作為2個模型協調變量，能夠有效平衡主網成本和配網成本。文獻[18]提出的雙層調度模型分為用戶側模型和可控負荷模型，并驗證了通過雙層優化模型調度可控負荷能夠提高能源利用效率。文獻[19]研究了電動汽車車群與主網之間的協調調度問題。

基于上述背景，本文假設ADN可以與主網進行實時的信息互動，提出實時電價條件下主網與配電網的協調調度模型，以成本效益最優為目標函數， 綜合考慮分布式能源、儲能設備以及需求側響應的影響，并通過算例進行仿真分析。

1 協調調度架構

ADN調度的核心就是要充分發揮配網中分布式電源、儲能設備和需求側響應的作用，實現配網和主網的高效運行，在實現效益最優的同時，充分消納分布式電源，降低負荷峰谷差率，降低網絡損耗，提高電網的可靠性。

1.1 主網與配網協調調度

配網根據主網反饋的節點價格和售電量，又會調整自身的發電計劃與購電計劃，來確保自身成本最優以及聯絡線功率與售電量相符合。

從上述分析可以看出，一方面主網的節點價格會影響配網的調度方案，另一方面配網的購電量也會影響主網的調度方案，所以主網和配網在制定調度方案時，存在信息交互的過程，如圖1所示，通過這種信息交互能夠做到全局的優化，避免主網和配網調度方案陷入局部最優。

圖1 主網與配電網間信息交互

1.2 主動負荷模型

ADN一個重要的特點就是能夠對主動負荷進行需求側管理，將高峰的負荷平移到非高峰時段，這樣既能節省用電成本，又能夠緩解電網負荷壓力，本文的需求側響應方案主要基于對節點價格和配網自身負荷水平的響應[20]。

(1)

(2)

1.3 儲能設備模型

配網中加裝儲能設備一方面能夠平衡間歇性能源出力的波動，另一方面能夠在負荷低谷、充電高峰時放電，起到削峰填谷的作用。本文不考慮儲能設備的運行維護費用，對于儲能設備有以下約束[21]：

NSOCmin≤Et≤NSOCmax

(3)

(4)

E1=ET

(5)

2 協調調度模型

本文提出了一種實時電價背景下主網與配網的協調調度模型，主網調度模型以購電成本最優為目標函數，配網調度模型的目標函數中考慮了發電成本、購電成本以及懲罰項。

2.1 主網調度模型

主網調度采用單邊開放的有功競價交易模型，并按照發電機組的實際報價進行結算，目標函數為調度周期內主網購電成本最優，即

(6)

主網的約束條件如下。

(1)功率平衡約束：

(7)

(2)機組出力約束：

(8)

(3)機組爬坡速率約束：

(9)

式中：εDRi和εURi為機組i增減出力限制。

(4)線路傳輸容量約束：

(10)

(5)節點電壓約束：

(11)

2.2 配網調度模型

對于配電網i，其調度模型的目標函數為

(12)

系統的約束條件如下。

(1)功率平衡約束：

(13)

(2)可控機組出力約束：

(14)

(3)機組爬坡速率約束：

(15)

(4)機組連續運行、停運時間約束：

(16)

(17)

(5)聯絡線功率約束：

(18)

此外，需求側響應約束見公式(1)，儲能設備約束見公式(3)～(5)，線路傳輸功率約束、節點電壓約束與主網模型相同。

3 仿真分析

3.1 調度求解流程

本文中，主網的調度模型是最優潮流問題，通過MATPOWER進行計算求解，可以得到聯絡節點的節點價格，作為實際結算的價格。配網的調度模型采用粒子群算法進行求解，可以得到配網DG的出力計劃、需求響應和儲能設備的運行策略。

3.2 算例描述

本文選用IEEE 9節點系統作為主網的網架，在節點B7接入ADN，在配網的節點b3加裝風機和儲能設備，在節點b5和b6接入可控機組CG1和CG2，如圖3所示。假設主網所有線路傳輸容量均為300 MW，配網線路以及配網與主網聯絡線傳輸容量為80 MW，節點電壓上下限分別為額定電壓的1.1倍和0.9倍。

發電機組參數如表1所示，假設所有機組最小運行和停運時間為2 h，初始狀態為運行2 h，啟動費用為100 $，增減出力限制為 30 MW/h。配網的線路參數如表2所示，假設儲能設備的額定容量為20 MW·h，最大放電功率為6 MW，最大充電功率為3 MW，充放電效率均為0.9。需求側響應最大可轉出負荷為負荷的3%，最大可接收平移負荷為負荷的10%。

圖2 協調調度模型求解過程

圖3 含ADN的IEEE 9節點系統

表2 線路參數

ADN一天24 h的負荷和風力發電預測如表3所示，配網節點b1、b2、b5和b6的負荷比例為1:2:1:1，主網節點B5和B9負荷分別為配網負荷的69%和75%，所有節點負荷的功率因素設為0.95，儲能設備的功率因素為1，風力發電的功率因素為0.9。假設配網初始預測的節點價格為：8$/( MW·h) (01:00—06:00，19:00—24:00)，12 $/( MW·h) (07:00—12:00)，16 $/( MW·h)(13:00—18:00)。

表3 負荷及風力發電預測數據

Table 3 Forecasted load and wind power data MW

3.3 計算結果分析

利用本文中介紹的優化算法求解協調調度模型，得到機組的有功出力、需求側響應和儲能設備運行狀態，從結果可以看出主網機組由于成本較低全部開啟，配網機組成本較高并不是全天開啟，主要集中在負荷高峰時段開啟，這一方面是由于聯絡線功率限制，另一方面由于主網機組在負荷高峰時段邊際成本較高。

為了與協調調度方案對比，假設主網與配網之間沒有信息交互，各自制定自己的調度方案，配網根據預測的節點電價制定日前調度方案，并向主網申報購電量，主網再制定主網的購電方案，實時調度中聯絡線功率應與申報的購電量一致，并按照實際的節點價格結算。

表4對比了協調調度模型和無信息互動的調度模型的成本和收益，其中總發電成本包括主網機組和配網機組，主網收益指主網售電費用減去購電費用，配網成本指配網發電費用加上從主網購電費用。可以看出協調調度不僅能夠降低配網成本，還能增加主網收益，通過信息互動能夠優化全網的機組配置。

表4 系統成本和收益對比

Table 4 System cost and benefit comparison $

為了進一步驗證協調調度模型結果的優劣，將該配網模型接入IEEE 118系統，除主網參數外，其他條件不變。表5對比了不同系統，協調調度和全網優化調度的總成本。全網優化調度定義為，假設配網所有機組由主網統一調度，調度模型以經濟性最優為目標函數，考慮網絡和機組的約束。可以得到IEEE 9節點系統中協調調度比全網調度成本高1.2%，IEEE 118節點系統中協調調度比全網調度成本高0.7%，這主要是由于在較大系統中，ADN對節點電價的影響有限，所以ADN的調度策略對全網影響相對較小。盡管經濟性上稍遜于全網統一調度，協調調度模型中主網和配網間只需要傳遞購電量和節點價格等關鍵的協調變量，而統一調度需要傳遞配網所有節點用電信息和機組調度指令，所以協調調度模型能夠減小主網的調度壓力。

表5 不同運行方式下系統成本對比

Table 5 System cost comparison under different running modes $

圖4選取了某一天19：00的購電量與節點價格的變化情況，來展示協調調度算法的迭代收斂過程。可以看出，由于配網調度模型的目標函數加入了懲罰項，無論是購電量還是節點價格，在迭代3到4次時已經達到收斂，證明了算法具有良好的收斂性。

需求側響應能夠將一部分高峰負荷平移到非高峰時段，減小了高峰時的機組壓力，圖5對比了不同需求側響應參與度下的負荷曲線，原始負荷的峰谷差率為38.76%，可平移負荷為3%時峰谷差率為31.42%，為5%時峰谷差率為30.08%，可以看出用戶需求側響應的參與度越高，對電網削峰填谷貢獻越大。

圖4 協調調度算法迭代過程

圖5 不同可平移負荷水平下的負荷曲線

儲能設備的運行狀態主要取決于本身的容量功率限制和電網負荷水平，圖6顯示了儲能設備一天的充放電狀態，可以看出儲能設備基本集中在負荷低谷時(23:00—08:00)充電，負荷高峰時(12:00—18:00)放電，同樣能夠起到削峰填谷的作用。

圖6 儲能設備充放電狀態

聯絡線傳輸功率上限作為限制配網與主網能量交互的重要因素，同樣會對調度的結果產生影響。配網成本和總發電成本與聯絡線功率上限關系曲線如圖7所示，可以看出隨著聯絡線功率上限的增加，成本呈下降趨勢，這主要是由于主網機組的發電成本低于配網的機組，在只考慮價格因素的情況下，配網會優先選擇購買主網電量，系統的成本也會隨之下降。

圖7 成本與聯絡線功率上限的關系

4 結 論

本文重點研究了ADN與主網協調機制，提出了基于實時電價的協調調度模型，通過仿真結果可以看出，協調調度模型的成本和效益都優于無信息交互的模型。本文的主網模型采用的是單邊開放電力市場交易模型，ADN如何參與雙邊開放的電力市場以及相應的競價策略還有待于進一步研究。另外由于主動配電網靈活的調度方式，同樣可以參與輔助服務市場和電網的阻塞管理。

[1]范明天，張祖平，蘇傲雪，等. 主動配電系統可行技術的研究[J]. 中國電機工程學報，2013，33(22)：12-18. FAN Mingtian, ZHANG Zuping, SU Aoxue, et al. Enabling technologies for active distribution systems[J]. Proceedings of the CSEE, 2013，33(22): 12-18.

[2]尤毅，劉東，于文鵬，等. 主動配電網技術及其進展[J]. 電力系統自動化, 2012，36(18): 10-16. YOU Yi, LIU Dong, YU Wenpeng, et al. Technology and its trends of active distribution network[J]. Automation of Electric Power Systems, 2012，36(18): 10-16.

[3]程林，劉琛，康重慶，等. 主動配電網關鍵技術分析與展望[J]. 電力建設，2015，36(1): 26-32. CHENG Lin, LIU Chen， KANG Chongqing, et al. Analysis of development of key technologies in active distribution network[J]. Electric Power Construction, 2015，36(1): 26-32.

[4]趙波，王財勝，周金輝，等. 主動配電網現狀與未來發展[J]. 電力系統自動化，2014，38(18): 125-135. ZHAO Bo, WANG Caisheng, ZHOU Jinhui，et al. Present and future development trend of active distribution network [J]. Automation of Electric Power Systems，2014，38(18): 125-135.

[5]丁明，石雪梅. 新能源接入對主動配電網的影響[J]. 電力建設，2015，36(1): 76-84. DING Ming，SHI Xuemei. Effect of new energy paralleling to the active distribution networks[J]. Electric Power Construction, 2015,36(1): 76-84.

[6]D’ADAMO C, JUPE S, ABBEY C. Global survey on planning and operation of active distribution networks-update of CIGRE C6.11 working group activities[C]//20 International Conference and Exhibition on Electricity Distribution：Part 1，Prague，Czech，2009.

[7]GILL S, KOCKAR I, AULT G W. Dynamic optimal power flow for active distribution networks[J]. IEEE Transactions on Power System，2014, 29(1): 121-131.

[8]程瑜，安甦. 主動負荷互動響應行為分析[J]. 電力系統自動化，2013, 37(20): 63-70. CHENG Yu, AN Su. Analysis of active load’s interaction response behavior[J]. Automation of Electric Power Systems, 2013, 37(20): 63-70.

[9]王健，謝樺，孫健. 基于機會約束規劃的主動配電網能量優化調度研究[J]. 電力系統保護與控制，2014，42(13): 45-52. WANG Jian, XIE Hua, SUN Jian. Study on energy dispatch strategy of active distribution network using chance-constrained programming[J]. Power System Protection and Control, 2014，42(13): 45-52.

[10]尤毅，劉東，鐘清，等. 主動配電網優化調度策略研究[J]. 電力系統自動化，2014，38(9): 177-183. YOU Yi, LIU Dong, ZHONG Qing, et al. Research on optimal schedule strategy for active distribution network[J]. Automation of Electric Power Systems, 2014，38(9): 177-183.

[11]BORGHETTI A, BOSETTI M, GRILLO S, et al. Short-term scheduling and control of active distribution systems with high penetration of renewable resources[J]. IEEE Systems Journal, 2010, 4(3): 313-322.

[12]KHODAEI A, SHAHIDEHPOUR M, BAHRAMIRAD S. SCUC with hourly demand response considering intertemporal load characteristics[J]. IEEE Transactions on Smart Grid，2011, 2(3): 564-571.

[13]夏葉，康重慶，寧波，等. 用戶側互動模式下發用電一體化調度計劃[J]. 電力系統自動化， 2012, 36(1): 17-23. XIA Ye, KANG Chongqing, NING Bo, et al. A generation and load integrated scheduling on interaction mode on customer side[J]. Automation of Electric Power Systems, 2012, 36(1): 17-23.

[14] 劉小聰，王蓓蓓，李揚，等. 智能電網下計及用戶側互動的發電日前調度計劃模型[J]. 中國電機工程學報， 2013, 33(1): 30-38. LIU Xiaocong, WANG Beibei, LI Yang, et al. Day-ahead generation scheduling model considering demand side interaction under smart grid paradigm[J]. Proceedings of the CSEE, 2013, 33(1): 30-38.

[15] 王卿然，謝國輝，張粒子. 含風電系統的發用電一體化調度模型[J]. 電力系統自動化，2011, 35(5): 15-18, 30. WANG Qingran, XIE Guohui, ZHANG Lizi. An integrated generation-consumption dispatch model with wind power[J]. Automation of Electric Power Systems, 2011, 35(5): 15-18, 30.

[16]別朝紅，胡國偉，謝海鵬，等. 考慮需求響應的含風電電力系統的優化調度[J]. 電力系統自動化，2014，38(13): 115-120, 159. BIE Zhaohong, HU Guowei, XIE Haipeng, et al. Optimal dispatch for wind power integrated systems considering demand response[J]. Automation of Electric Power Systems, 2014，38(13): 115-120, 159.

[17]KARGARIAN A, YONG F. System of systems based securi-ty-constrained unit commitment incorporating active distribution grids[J]. IEEE Transactions on Power Systems，2014, 29(5): 2489-2498.

[18]NG S K K, ZHONG J. Smart dispatch of controllable loads with high penetration of renewables[C]//2012.

[19]GONZALEZ VAYA M, ANDERSSON G. Optimal bidding strategy of a plug-in electric vehicle aggregator in day-ahead electricity markets under uncertainty[Z]. 2014: 1-11.

[20]符楊，蔣一鎏，李振坤，等. 計及可平移負荷的微網經濟優化調度[J]. 中國電機工程學報,2014，35(16): 2612-2620. FU Yang, JIANG Yiliu, LI Zhenkun, et al. Optimal economic dispatch for microgrid considering shiftable loads[J]. Proceedings of the CSEE, 2014,35(16): 2612-2620.

[21]CHEN S X, GOOI H B, Wang M Q. Sizing of energy storage for microgrids[J]. IEEE Transactions on Smart Grid, 2012, 3(1):142-151.

(編輯 張媛媛)

Coordinative Dispatching Between Active Distribution Network and Main Network

JIN Yao1, WANG Zhengyu1, JIANG Chuanwen1, ZHANG Yu2, ZHAO Yan3

(1. School of Electronic Information and Electrical Engineering, Shanghai Jiaotong University, Shanghai 200240, China; 2. Power Grid Planning & Research Center， Guizhou Power Grid Corporation, Guiyang 550002, China; 3. State Grid Shanghai Municipal Electric Power Company, Shanghai 200122, China)

Active distribution network (ADN) with more autonomy in dispatching is able to control distributed generators, energy storage equipments and active load, which can realize the efficient operation of distribution network. The dispatching schedule of main network and distribution network influences each other. Besides the operating cost, the coordination of main network and distribution network should be considered when we make the optimal schedule of ADN. This paper provides a real-time information interaction mode, carries out modeling analysis on active load and energy storage equipments, and proposes a coordinative dispatching model based on real-time pricing. In addition, a parallel optimization algorithm is presented aiming at the scheduling model. Simulation results on the IEEE 9 node system connected with a distribution network verify the validity of the model and the algorithm. Finally, we analyze the influences of demand response, energy storage equipments and power limit in interconnecting lines on the dispatching schedule.

active distribution network (ADN); coordinative dispatching; demand response; energy storage equipment; distributed generator

國家高技術研究發展計劃項目(863計劃)(2014AA051902)；國家電網公司科技項目(5217L0140009)

TM 743

A

1000-7229(2016)01-0038-07

10.3969/j.issn.1000-7229.2016.01.006

2015-09-29

金堯(1991)，男，碩士研究生，主要研究方向為電力系統優化運行、主動配電網；

王正宇(1990)，男，碩士研究生，主要研究方向為配電網優化運行；

蔣傳文(1966)，男，博士，教授，主要研究方向為電力市場、電力系統優化運行、可再生能源及風險管理。

Project supported by the National High Technology Research and Development of China (863 Program) (2014AA051902)