考慮源荷互動的主動配電網兩層優化調度

文 達，崔雙喜，樊小朝，降國俊

新疆大學 電氣工程學院，烏魯木齊830047

隨著環境污染和能源枯竭的問題日益凸顯，風力發電、光伏發電等清潔能源在政府扶持下得到了快速的發展。然而清潔能源具有明顯的隨機性和時序性，將其并網后會增大配電網的調度壓力，從而產生棄風、棄光的能源浪費問題。

負荷側多元化的發展趨勢為負荷參與主動配電網（Active Distribution Network，ADN）清潔能源消納提供了可能性[1]。柔性負荷作為一種新的可調度資源，極大緩解了ADN 的調度壓力，同時可以為清潔能源消納和負荷削峰填谷提供良好的支撐作用[2]。文獻[3]根據分時電價將負荷側分為可轉移負荷和可中斷負荷，以負荷的調整功率、機組發電功率為決策變量建立ADN 優化調度模型，優化了系統的經濟運行成本。文獻[4]提出了基于節點電價概念的最優潮流模型，并通過跟蹤中心點軌跡內點法對模型求解，算例證明電價響應下的柔性負荷能夠有效地提高風電的消納率。文獻[5]研究了基于激勵響應形式的柔性負荷對配電網運行可靠性的影響。文獻[6]提出了激勵響應模式下可削減負荷補償代價模型，并設計了四種源荷聯合調度模式進行驗證，仿真結果表明可削減負荷能夠有效減小系統運行成本，改善負荷曲線。這些文獻考慮了柔性負荷單一調度形勢下與ADN 中其他可調度資源的良性互動，但忽略了不同調度形式下柔性負荷在時空上的耦合性以及其與清潔能源互動的可能性。此外，在ADN 制定優化調度方案時，大多數文獻都是采用多目標優化調度模型來解決多個優化目標函數的問題[7-9]。如文獻[10]通過層次分析法計算多目標優化問題中各子目標權重占比構造綜合單目標函數。文獻[11]引入模糊模型，將模糊非線性多目標優化問題轉化為單目標問題進行求解。以上方法雖然解決了多目標優化求解難的問題，但求解過程復雜，且互有博弈關系的目標函數之間難以協調，不能滿足ADN對盡可能消納風光發電前提下優化系統綜合運行成本的要求。

針對上述情況，為了充分挖掘柔性負荷的調度潛力，提高清潔能源的消納率，本文建立了一種計及源荷協調互動的兩層優化調度模型。首先，根據負荷參與電網調度形式不同將負荷分為剛需負荷、可轉移負荷、可控制負荷并分別建立響應模型，在負荷層通過兩種柔性負荷與清潔能源的協調互動優化負荷曲線以及清潔能源出力曲線，使兩者在變化趨勢上相契合；主動配網層則從經濟性角度出發，通過建立最小化綜合運行成本調度模型對配網內分布式能源出力進行調度；最后，提出禁忌-細胞膜優化算法（Tabu Search-Cell Μembrane Optimization algorithm，TS-CΜO）對模型求解，通過算例對比分析了分層前后、負荷分類前后三種方案下的優化調度結果，證明了提出的優化調度模型對提高清潔能源消納率和降低負荷峰谷差的有效性、可行性。

1 負荷層

隨著智能電網日益發展，大量柔性負荷、清潔能源接入配電網，傳統的優化調度模型在提高清潔能源利用率、降低負荷峰谷差等方面已經不再具有優勢。因此，為了深度挖掘負荷側可調度資源，本文建立考慮分類負荷的源荷協調互動優化調度模型。

1.1 負荷響應分類建模

國內外專家對柔性負荷參與電網調度的形式已有不少研究，在我國配電網中最常見的有基于電價響應的形式和基于激勵響應的形式[12]。本節將ADN內的負荷按照調度形式不同分為不參與調度的剛需負荷、基于電價響應形式的可轉移負荷、基于激勵響應形式的可控制負荷。

（1）基于電價響應的可轉移負荷

基于電價響應的可轉移負荷是指一些在用電時段上可以靈活選擇的負荷，如電動汽車充電站、居民用戶和小型商業用戶等分布分散、單體容量小且控制數量眾多的用電用戶，通過合理的分時電價引導，可以有效地調節負荷的用電時段。對可轉移負荷建模如下：

基于電價響應的調度形式通過電價信號引導用電負荷合理調節用電結構和用電方式[13]，本節基于負荷的電量電價彈性需求理論，以制定峰谷平分時電價的方式引導用戶轉移用電負荷，改變柔性負荷在時序上的分布。

（2）基于激勵響應的可控制負荷

基于激勵響應的調度形式常見項目包括直接負荷控制、可中斷負荷和緊急需求響應等，本節通過直接負荷控制技術實現對可控制負荷的削減。可控制負荷多為一些對電價不敏感且能夠接受短時停電的用電用戶，如一些大型商業用戶的中央空調、建筑外燈。此外，大多數對用電持續性要求不高的工業大用戶，都可采用簽訂合同的方式直接控制進行負荷削減。用戶根據用電高峰期的供電缺額向ADN 提交每小時的負荷削減量，ADN則按照用戶的階梯分級報價選擇削減對象及相應的負荷削減量。基于階梯分級報價的負荷削減補償成本的計算公式為：

1.2 源荷協調互動的優化模型

本節的源荷協調互動優化調度模型，通過最小化響應后的負荷用電功率與清潔能源出力功率的平方差，實現對柔性負荷和清潔能源的協調調度。為了使目標函數的值最小，可轉移負荷和可控制負荷在用電的時序上與風光的出力相互配合，通過轉移、削減的方式，使自身曲線的變化趨勢與清潔能源出力曲線的變化趨勢相契合，從而提高清潔能源的消納率，同時降低負荷的峰谷差。建立的模型如下：

2 主動配電網層

主動配電網層則從運行經濟性的角度出發，綜合系統內發電單元的運行維護成本、折舊成本、環境效益成本、可控制負荷削減的補償成本以及向上級電網購電的成本建立數學模型。

2.1 綜合目標函數

本節建立的綜合運行成本目標函數如下：

2.2 約束條件

（1）功率平衡約束

（2）微燃機容量約束

式中，PMT,k,max、PMT,k,min為微燃機組k 的最大最小輸出功率。

（3）微燃機組爬坡約束

式中，Ru,k、Rd,k是微燃機組k 的爬坡幅值上下限。

（4）線路容量約束

式中，Pgrid,max和Pgrid,min為上級電網聯絡線功率的最大、最小值。

（5）儲能約束條件

3 基于TS-CMO算法的ADN兩層優化調度

細胞膜優化算法（Cell Μembrane Optimization algorithm，CΜO）具有對初始值設置不敏感、算法參數設定容許范圍較大等特點，具有良好的實用性。同時CΜO是一種并行優化算法，可實現并行處理，具備較快的尋優速度，在求解高維問題時仍然具有較好的收斂性能。因此，本文選擇CΜO 算法對模型求解，并針對CΜO 后期收斂速度較慢的問題，引入禁忌搜索算法（Tabu Search，TS），提出TS-CΜO算法。

3.1 TS-CMO算法介紹

CΜO算法是根據細胞膜的特性和細胞內物質的運輸方式，結合仿生學和智能優化算法的思路，提出的一種新型群智能優化算法。它通過計算物質（問題的一個解）濃度的方式將物質群分為三種物質子群，使物質子群分別按照自由擴散、協助擴散、主動運輸的方式隨機運動，搜索的空間更加廣泛，具有較強的全局尋優能力[14]。CΜO 能以較大概率收斂于全局最優解，但在算法的后期不能較快地向最優解的位置收斂。TS算法最早是由Glover在1986年提出的一種模擬人的思維的亞啟發式算法[15]，它通過一個禁忌表記錄下已經到達過的局部最優點，在下一次搜索中，利用禁忌表中的信息不再或有選擇地搜索這些點，禁忌重復的工作。TS 算法是一種局部搜索能力很強的算法，在搜索過程中，不但可以標記、避開已經計算的局部最優點，加快算法的收斂速度，還能接受劣解，有較強的爬山能力，跳出局部最優解。但是TS 算法對給定初始解有很強的依賴性，好的初始解可以加快TS 算法的收斂速度，得到精度更高的最優解。本文將細胞膜優化算法與禁忌搜索算法結合，提出一種新的TS-CΜO 智能混合算法，理論上新算法的全局和局部搜索能力都會得到提高，并在算法的后期具有較快的收斂速度。

因此本文提出的TS-CΜO 算法，首先考慮到CΜO算法的特點，在算法的前期，通過CΜO算法全空間地搜索最優解的可能存在區域；然后，引入禁忌搜索條件，判斷是否開始禁忌搜索，若滿足條件，利用CΜO算法得到的較好的結果作為TS 算法的初始解，通過細致的局部搜索，快速收斂得到全局最優解。

上式為禁忌搜索條件判斷公式，設定閥值ε，計算第t 次迭代后的最優解與初始最優解的相對變化，當其滿足閥值條件時將當前最優解作為禁忌搜索算法的初始解進行TS算法；否則，采用精英保留策略將上一代最優解與更新后的物質群隨機進行物質替換，重復CΜO算法。

3.2 調度模型求解策略

在求解模型時，約束條件通過罰函數的方式計入目標函數。TS-CΜO算法對本文模型求解步驟如圖1所示。左半部分為負荷層源荷協調調度，右半部分為ADN 優化調度，兩部分的連接線表示各階段的信息傳遞狀態。

圖1 算法求解流程

步驟1 讀入模型所有參數，約束條件，給定了算法最大迭代次數Gmax、物質群大小m、物質濃度劃分半徑r、物質運動次數locn、禁忌表長度L。給出本文的目標函數。

步驟2 在可行域內隨機生成風電出力、光伏出力、可轉移負荷凈轉移量、可控制負荷凈削減量的初始物質群，并根據式（5）計算適應度值，選擇最優物質為Xb。

步驟3 對物質群進行劃分，并分別按照CΜO 算法中三種不同的物質運輸方式定向隨機運動locn 次，選擇結果中位置最好物質更新到Xb中。

步驟4 根據式（15）判斷是否滿足禁忌搜索條件，若滿足，進行步驟5；否則，迭代次數加1跳轉步驟2。

步驟5 令Xnow=Xb，產生Xnow的候選解集，判斷其是否滿足“best of so far”準則，即是否為當前的最優解，若滿足，將其替換Xnow和Xbest；否則，選擇滿足禁忌條件的候選解更新到Xnow。

步驟6 按照“先進先出”原則更新禁忌表中的物質。

步驟7 判斷是否滿足迭代終止條件，若滿足，輸出最優解；反之，迭代次數加1，跳轉步驟5。

以上為負荷層求解步驟，ADN 優化調度與負荷層相似，在負荷層輸出的數據基礎上，初始化儲能出力、微燃機出力及上級電網購電功率物質群，適應度函數值根據式（8）計算。最終輸出ADN各單元的調度結果。

4 算例驗證

4.1 算例描述

本文以IEEE33 節點主動配電網為例進行分析，網絡拓撲結構圖如圖2。

圖2 IEEE33節點配電網絡拓撲圖

該配網系統電壓等級為12.66 kV，系統內接入1 500 kW 的風電機組（WT）、2 000 kW 的光伏電站（PV）、2個微型燃氣輪機（ΜT1、ΜT2）以及1個儲能電站（ESS），機組的具體參數如表1所示。

污染氣體排放系數如表2所示。

某地區典型日負荷組成如圖3所示，風光預測出力及分時電價如圖4 所示。由圖4 可知，風光總出力具有明顯的反調峰性，當風光并網電量超過主動配電網的調節能力時，配網就會采取棄風棄光措施，造成清潔能源的浪費。

表1 機組參數

表2 污染物排放量及懲罰系數

圖3 負荷預測及其三類負荷組成

圖4 風光出力預測值及分時電價

4.2 結果分析

基于以上參數，采用TS-CΜO 算法對模型求解，得到主動配電網調度結果如圖5 所示，負荷優化曲線如圖6所示。

圖5 調度結果

圖6 負荷優化結果

圖5 為主動配電網各電源的出力優化結果以及可轉移負荷和可控制負荷的負荷轉移、削減曲線。可以看出，在負荷低谷時段，由于微燃機的運行成本較高，微燃機組保持低功率運行，儲能從上級電網充電，可轉移負荷轉入量明顯增加，提出的優化調度模型可以有效地起到負荷填谷的作用，提高了主動配電網的運行經濟性；在用電平時段，由于系統經濟性約束，微燃機組仍保持低功率運行，可控制負荷無削減，儲能的充放電不明顯，可轉移負荷在負荷層優化模型作用下有部分用電功率轉入；在用電高峰期，上級電網購電價格較高，儲能電站作為電源向配電網放電，微燃機組工作在高功率區間，同時可轉移負荷大量轉出，可控制負荷直接控制削減，極大地緩解了主動配電網的供電壓力，保障了系統安全經濟運行。如圖6所示，優化后的負荷曲線與原始曲線相比，曲線更加平緩，削峰填谷的作用明顯。綜上所述，可以證明本文提出的優化調度模型在優化配網系統運行成本和削峰填谷方面的可行性、有效性。

為了進一步分析本文所提出模型對清潔能源消納率的影響，設定以下三種方案。

方案1 只進行主動配電網層綜合運行成本單層優化。

方案2 雙層優化，但不對負荷進行分類，基于負荷整體基于電價響應的形式參與優化調度。

方案3 采用本文的考慮柔性負荷分類的雙層優化調度。

三種方案的優化調度結果如下：圖7為風光總出力預測曲線及各方案下的優化曲線，分析表明，分層優化、分類柔性負荷參與均可減少清潔能源的棄電率，方案3比方案2降低棄電率的效果更加明顯。圖8為不同方案下的負荷優化曲線同原始負荷曲線的對比圖，結果顯示，本文的三種方案都能有效地調整柔性負荷的用電時序，將柔性負荷從用電高峰期向用電谷時期和平時期轉移，起到對負荷曲線削峰填谷的作用。此外，從圖8 還可以看出，由于可控制負荷的直接削減，方案3 的負荷曲線更加平滑，削峰效果更加顯著。

圖7 風光總優化出力

圖8 負荷優化曲線

表3列出了三種方案的綜合運行成本、風光消納率和負荷峰谷差。

表3 優化結果

分析表3可知：

（1）對比方案1 和方案2，方案2 的各項指標均優于方案1，系統的綜合運行成本降低了1.82%，負荷峰谷差減少了10.41%，風光消納率提高了5.49%。兩層優化方案相較于單層的經濟優化，能夠有效地調整清潔能源出力，促進清潔能源消納，減小負荷曲線的峰谷差。

（2）對比方案2和方案3，由表3可知，兩種方案對表中的三項指標都具有良好的優化作用，方案3的削峰填谷作用更加顯著，這是由于負荷分類后，兩種柔性負荷協調配合的結果，可控制負荷在用電高峰期直接控制負荷削減，配合可轉移負荷轉出，削峰效果明顯。同時，方案3 相較于方案2 系統的風光消納率提高了2.52%，負荷峰谷差降低了30.79%，但系統的綜合運行成本降低不明顯。進一步分析原因可知，這是因為考慮柔性負荷分類的兩層優化方案對可控制負荷的削減補償成本增加，但方案3 比方案2 的綜合運行成本仍然降低了1.28%，具有良好的經濟性優化效果。

4.3 算法有效性驗證

為了驗證本文提出的TS-CΜO算法的有效性，通過CΜO 算法與TS-CΜO 算法對本文模型求解，對比兩種算法收斂性能，如圖9所示。

圖9 算法收斂性能對比圖

如圖9所示，為兩種算法尋優次數與尋優結果關系曲線的對比圖。可以看出，CΜO優化算法在第17代達到最優，且最優結果為17.109 76萬元。本文提出的TSCΜO算法在第11代得到最優結果16.996 59萬元，收斂的速度更快，收斂精度更高，能夠找到更好的全局最優解。

5 結束語

本文考慮不同響應機制柔性負荷與風光出力協調互動，構建了包含負荷層、主動配電網層的兩層優化模型，并提出TS-CΜO優化算法進行算例驗證，結果表明：

（1）不同響應機制柔性負荷參與ADN優化調度后，ADN的運行成本、負荷峰谷差分別降低了1.28%、30.79%，清潔能源消納率提高了2.52%，證明了本文提出的基于負荷參與調度方式不同對負荷分類的方法，能夠進一步挖掘負荷側的調度潛力，緩解ADN 系統對清潔能源并網的調度壓力。

（2）采用本文提出的兩層優化調度模型的方案2、方案3 相較于傳統調度模型的方案1，清潔能源的消納率分別提高了9.1%和5.49%，均有明顯的提高；綜合運行成本分別減少了5 440元和3 197元，在提高風光消納率的前提下依然具有不錯的經濟性。充分說明了本文提出的兩層優化調度模型的有效性、可行性。

（3）提出的TS-CΜO算法同CΜO算法相比，在第11代得到最優解，收斂速度更快，收斂精度提高了0.66%，能夠更快更好地找到全局最優解。