基于網側資源協調的自儲能柔性互聯配電系統日前-日內優化

李 勇 凌 鋒 喬學博 鐘俊杰 曹一家

基于網側資源協調的自儲能柔性互聯配電系統日前-日內優化

李 勇1凌 鋒1喬學博2,3鐘俊杰1曹一家1

（1. 湖南大學電氣與信息工程學院 長沙 410082 2. 南方電網科學研究院有限責任公司 廣州 510663 3. 華中科技大學電氣與電子工程學院 武漢 430074）

為優化儲能型智能軟開關（E-SOP）、傳統網側調控設備的運行策略，提升高滲透率光伏配電網運行水平，提出了基于網側資源協調的自儲能柔性互聯配電系統日前-日內優化模型。首先，提出了“源網荷儲”下多種網側資源協調利用的多時間尺度優化控制架構；其次，在日前階段構建計及有載調壓變壓器、無功補償裝置、聯絡開關、E-SOP和柔性負荷的長時間有功-無功聯合優化模型，在日內階段建立多目標滾動優化模型，并采用線性化方法將模型轉換為混合整數線性規劃模型；然后，基于KL散度構建源荷不確定性模糊集，給出日前兩階段分布魯棒優化模型轉化過程和基于列與約束生成算法的求解方法；最后，算例仿真驗證所提方法的有效性。

儲能型智能軟開關 柔性互聯配電系統 分布魯棒優化 滾動優化 日前-日內優化

0 引言

在“碳達峰、碳中和”目標的推動下，分布式電源（Distributed Generation, DG）規模迅速發展，高滲透率可再生能源DG將成為新型配電系統的重要特征之一。然而，大量DG接入配電網后，其出力的隨機性和波動性極易造成系統雙向潮流、電壓越限、線路過載等問題[1]。主動配電網通過網側有載調壓變壓器（On-Load Tap Changer, OLTC）調節、電容器組（Capacitor Bank, CB）投切、拓撲重構優化、DG有功-無功控制等實現系統運行優化[2-3]。而智能軟開關（Soft Open Point, SOP）作為可替換聯絡開關的新型電力電子設備，接入配電網可實現饋線間潮流精準控制、動態無功補償和供電方式靈活切換等功能[4]?？紤]到當前SOP的成本仍然較高，有必要研究SOP和傳統調控設備的協調優化以實現配電網多時間尺度經濟安全運行。

國內外針對SOP與傳統調控設備協調參與配電網運行優化已開展了一定研究。文獻[5]建立了聯絡開關和SOP并存時配電網運行的時序優化模型；文獻[6]構建了含SOP和CB的雙層運行優化模型；文獻[7]提出了考慮SOP和CB、OLTC的電壓和無功優化協調控制模型；文獻[8]建立了考慮SOP、需求側響應、儲能優化和網絡重構的配電網日前優化模型；文獻[9]建立了SOP與聯絡開關協調的日前-日內滾動兩階段優化模型。上述文獻均基于確定性優化模型展開研究，忽略了新型源荷大規模接入帶來的不確定性影響。

文獻[10]建立了基于場景分析法的有源配電網DG與SOP三層協調規劃模型，并采用并行遺傳算法與錐規劃混合算法求解模型；文獻[11]建立了DG和負荷的時序多狀態隨機場景模型，并提出了協調DG、CB和SOP的機會約束規劃模型。文獻[12]建立了考慮高滲透光伏接入的主動配電網兩階段SOP魯棒優化模型；文獻[13]構建了一種含SOP、OLTC和CB的柔性互聯配電網三階段魯棒電壓控制模型。然而，隨機優化方法的不確定性參數概率分布獲取困難，而魯棒優化在最惡劣情況下進行決策，計算結果過于保守[14]。近年來，分布魯棒優化（Distributionally Robust Optimization, DRO）開始受到廣泛關注。文獻[15]采用綜合范數約束不確定性場景概率分布置信集合，構建了基于數據驅動的含SOP配電網多目標DRO調度模型。文獻[16]建立源荷預測誤差的不確定性概率集合，計及OLTC和CB運行約束構建了柔性互聯配電網兩階段分布魯棒機會約束優化模型。DRO方法通過尋找不確定變量最惡劣概率分布下的解[17]，可確保優化方案的經濟性和魯棒性。因此，本文將引入DRO方法進行柔性互聯配電網不確定性優化問題的研究。

儲能和SOP的聯合優化能充分應對源荷的不確定性，提升配電網運行經濟性[18]。相對于獨立配置儲能和SOP，儲能型SOP（Soft Open Points with Energy Storage, E-SOP）具備更為靈活的時空調節能力，且具有更小的體積和成本[19]。文獻[20]構建了協調DG、E-SOP的柔性互聯配電網多目標優化調度模型，重點分析了日前優化階段E-SOP的有效性。文獻[3]提出了協調OLTC和E-SOP的日前-日內兩階段區間優化調度模型，日前階段優化得到儲能荷電狀態（State of Charge, SOC）區間和OLTC狀態，日內滾動優化得到儲能SOC和SOP各端功率。文獻[19]建立了協調OLTC、CB和E-SOP的自儲能柔性互聯配電網多時間尺度電壓優化模型。文獻[3]和[19]的結果表明多時間尺度優化調度能更好地協調各種可調度資源，提升配電網運行經濟性和安全性。然而，以上文獻對網側多類型調控資源的考慮還不夠全面，多時間尺度協調運行策略還需進一步研究。

此外，傳統網側調控資源的離散性、快慢特性和E-SOP的時序性決定了自儲能柔性互聯配電網優化調度模型是一個多時段強耦合的混合整數非線性規劃模型，且源荷的不確定性使得模型求解難度進一步加大。文獻[21]通過凸松弛和線性化將混合整數非線性模型轉化為混合整數線性規劃模型進行求解，文獻[14]采用列與約束生成（Column and Constraint Generation, C&CG）算法求解考慮不確定性的兩階段混合整數線性規劃模型以提升求解效率，本文同樣引入凸松弛、線性化方法轉化模型，并采用C&CG算法進行優化求解。

綜上所述，為發揮傳統網側調控資源和E-SOP的綜合優勢并提升高滲透率分布式光伏（Distributed Photovoltaic, DPV）配電網的運行效益，本文提出了基于網側資源協調的自儲能柔性互聯配電系統日前-日內優化方法。首先，提出了日前-日內優化框架；其次，建立日前長時間尺度不確定性優化模型和日內多目標滾動優化模型，并將模型線性化；然后，基于KL散度構建源荷不確定性模糊集，將日前兩階段優化模型轉化為分布魯棒優化模型，并分別利用C&CG算法和理想點法求解日前和日內優化模型；最后，算例仿真驗證所提方法的正確性和有效性。

1 日前-日內優化框架

本文以含高滲透率DPV的自儲能柔性互聯配電系統為研究對象，該系統包含基礎負荷和柔性負荷（Flexible Load, FL），網側資源包含OLTC、CB、靜止無功補償器（Static Var Compensator, SVC）、聯絡開關與E-SOP，其中E-SOP可替換聯絡開關與配電網節點相連，其典型結構如附圖1所示。為充分協調發揮多種資源的快慢調節特性，提出了多時間尺度優化控制框架如圖1所示，由日前優化、日內優化和實時優化三個階段組成。本文側重于網側資源協調利用，主要從日前和日內兩個時間尺度進行分析。

1.1 日前優化階段

在配電網實際運行中，OLTC和CB等離散裝置不做連續調節，網絡拓撲也不能頻繁調整，需要在日前階段給出其運行方案。此外，儲能系統也需要調度中心預先下發充放電控制指令。根據DPV和負荷的預測不確定性集合，采用兩階段DRO方法進行日前優化，優化時間間隔為1 h。然后，將日前網絡重構方案、小時級的OLTC及CB動作情況、儲能充放電時刻和柔性負荷響應時刻提前一天交付給運行控制人員。同時，日前階段要將優化得到的儲能運行區間和FL響應區間（即SOC上、下限和FL削減率的上、下限值）傳遞給日內階段，作為日內優化模型的儲能和FL運行約束。

1.2 日內優化階段

日內優化階段，DPV和負荷的短期預測能獲得更為精確的結果，以15 min為間隔循環滾動求解各裝置的運行策略?；谌涨皟灮A段傳遞的調度策略，以E-SOP各端口出力、SVC無功功率、DPV無功出力和FL響應功率作為控制變量，以系統網損和電壓偏移最小為目標建立優化模型，獲取各控制量的日內分鐘級運行策略。需要說明的是，實時優化階段可以利用DPV無功調節、SVC和SOP控制實現就地電壓控制以減少高低電壓越限問題。

2 日前-日內優化調度模型

2.1 日前長時間優化模型

2.1.1 目標函數

2.1.2 約束條件

1）潮流約束[21]

2）安全約束

3）DPV無功約束[22]

4）E-SOP運行約束

多端E-SOP的數學模型可表示為

為了保證在日內優化階段儲能運行策略能滿足全時段最優，即能滿足各源荷不確定性場景，本部分引入儲能功率區間約束[3]，即

5）網絡重構約束

配電網絡需滿足輻射狀與連通性約束，約束可表示為[8]

考慮網絡重構后，潮流方程可改寫成

上述改寫的潮流方程是非凸的，采用大M法引入不等式約束對其進行松弛。此時，對斷開支路來說，其有功功率、無功功率和支路電流為0，而對于閉合支路該約束不起作用。

于是潮流方程可轉換為

式中，1～4為大法引入的足夠大的正數。

6）其他約束

OLTC、SVC、CB和FL等運行約束可參考文獻[21]，如附錄所示。

2.2 日內多目標滾動優化模型

在日內優化階段，超短期DPV出力和負荷預測相對準確，DPV出力和負荷采用點預測值。以15 min為時間間隔，依據2 h的超短期源荷預測結果，對日前計劃進行修正，前一時段結束后更新預測信息重新進行優化求解，不斷向前推移時段、循環滾動，直至24 h結束，實現日內滾動優化[23]。

1）目標函數

以網損和電壓偏移最小為目標，即

2）約束條件

日內優化的潮流約束、安全約束、SVC約束、DPV無功約束和E-SOP約束，與日前優化一致。除此之外，還應包含日前優化得到的OLTC和CB動作狀態、聯絡開關動作方案、儲能和FL區間約束。

需要說明的是，上述日前、日內優化模型建立后，采用文獻[21]的線性化方法將其轉換為混合整數線性規劃模型，轉換過程見附錄。

3 模型轉換與求解方法

3.1 日前兩階段分布魯棒優化模型

為處理源荷日前預測的不確定性，本文提出了基于數據驅動的兩階段自儲能柔性互聯配電網DRO模型。將2.1.1節中模型式（1）改寫為min-max-min形式。

本文研究中，第一階段以OLTC和CB控制策略、聯絡開關動作情況為決策變量；而第二階段則以DPV和負荷的不確定性出力場景概率分布、FL響應功率為變量，不含二進制變量。第一階段和第二階段交替迭代求解，第一階段得到最優決策量傳遞給第二階段，第二階段優化計算得到最差場景概率分布并返回給第一階段，給出日前調度方案。

3.1.1 基于KL散度的模糊集

通過統計DPV和負荷歷史數據，構建基于KL散度的DPV和負荷模糊集。具體步驟如下：

當樣本數量足夠大時，可用式（41）計算得到的離散概率分布作為某個時段單位容量DPV（或負荷）的參考概率分布[24]。

3.1.2 日前分布魯棒優化模型求解

針對式（38）的DRO模型，本文采用C&CG算法求解，將模型解耦為、子問題和主問題迭代求解[14]。

1）子問題

（1）先求解下層個混合整數線性規劃模型，如式（44）所示。

（2）將下層模型求得的最優值代入上層模型，此時優化得到的目標函數值即為原問題的上界。

2）主問題

3）C&CG算法求解步驟

采用C&CG算法求解上述模型的步驟如下：

（3）求解兩步解耦后的子問題，將最差場景概率分布傳遞給主問題，并更新上界值B

求解流程如圖2所示。

圖2 日前優化算法求解流程

3.2 日內多目標優化求解方法

日內滾動優化為多目標優化問題，本文采用理想點法將其轉換為單目標優化問題。

理想點法利用各個目標的最優解將目標函數與最優解的距離作為新的目標函數，即

上述基于歐式距離的理想點法為非線性的，引入曼哈頓距離對求解方程進行修正，則可以得到

經過上述轉換后，式（49）中仍存在絕對值非線性項，同樣采用附錄的絕對值線性化處理方法。

將日前優化階段的優化結果傳遞給日內優化階段后，根據2.2節所述的求解流程，更新DPV和負荷預測結果以及各設備運行狀態值進行滾動求解。

4 算例分析

4.1 算例說明

本文以改進的中國某51節點農村配電網進行算例分析，系統如附圖2所示[21]。DPV接入位置及容量見附表1，且逆變器最小功率因數為0.9；E-SOP各端分別與節點14、32、48相連，容量均設置為600 kV?A，損耗系數為0.02，儲能參數見附表2；OLTC抽頭可調節范圍為±4×1.25%；假設節點11、33、47、51為FL，最大削減率為1，削減速率系數為0.3；SVC安裝位置為節點14、48，可調范圍為-500～500 kvar；CB安裝位置為節點9、31，單位容量為100 kvar，共安裝5組；設置5條聯絡線路，其中2條由E-SOP替代，如附圖2所示。購售電分時電價見附表3[25]。FL補償成本系數為0.6元/(kW×h)[22]。日前DPV和負荷典型場景、日內滾動預測結果分別如附圖3a、附圖3b所示。本文模型采用GAMS軟件調用CPLEX求解器進行優化求解。C&CG算法迭代收斂判據常數取0.01。

4.2 日前長時間優化分析

日前優化階段，設置4個案例進行仿真分析。案例1：考慮CB、SVC和E-SOP優化；案例2：考慮CB、SVC、E-SOP優化和網絡重構；案例3：考慮CB、SVC、E-SOP和OLTC優化；案例4：考慮CB、SVC、E-SOP、OLTC優化和網絡重構。

4.2.1 運行經濟性分析

各算例運行成本結果見表1。相比案例1，案例2、3、4的總運行成本分別降低1.0%、7.42%和8.03%，且E-SOP、OLTC和網絡重構協調優化（即案例4）對運行成本的降低是最優的。由案例2、3的結果可知，OLTC相比網絡重構優化對系統運行成本的降低效果更優。相比案例2，案例3、4對系統網損成本降低效果更為明顯，分別降低了0.082 6萬元和0.088 4萬元，這是因為OLTC通過調節系統首端電壓優化了系統全局電壓分布情況，從而更好地降低系統網損。

表1 不同案例運行成本

Tab.1 Operating costs of different cases （單位：萬元）

4.2.2 CB、OLTC和網絡重構結果分析

案例1～4的CB投切組數情況如附圖4所示。由附圖4可知，各案例中節點9和節點31處的CB投切組數是不一致的，其中不考慮OLTC優化的案例1、2中CB投切組數較多，且CB投切動作較頻繁，這是因為為了保持系統電壓在允許范圍內且降低網損，網側需要提供更多的無功支撐。

案例3、4的OLTC調節情況如圖3所示。由圖3可知，光伏出力較高時，系統整體電壓水平較高以減少系統網損，兩案例中OLTC也維持在較高擋位；且兩案例中OLTC的擋位均是大于4的，這是為了保證在光伏不出力時，系統末端節點也能維持較高的電壓水平以確保配電網安全運行。

圖3 不同案例OLTC擋位優化結果

案例2和4網絡重構后的系統拓撲如附圖5所示。由附圖5可知，兩種案例下網絡重構結果是不一致的，但系統仍然滿足輻射狀運行約束。

4.2.3 儲能和FL區間結果分析

案例4儲能SOC優化區間和FL響應時間/區間分別如附圖6和附圖7所示。由附圖6可知，優化得到的初始SOC值為0.2～0.6，且儲能SOC值的區間寬度在0.2和0.4之間變化。由附圖7可知，4個FL節點的響應時刻均為光伏出力較小的時刻，且此時段削減補償費用是低于配網購電價格的，此時FL進行需求響應以維持系統運行經濟性。需要說明的是，與儲能SOC區間優化不同，為應對所有不確定性場景，FL區間結果是由所有場景下的FL響應結果疊加得到的。

4.3 日內滾動優化分析

4.3.1 多目標優化結果分析

為說明本文多目標優化的有效性，本部分引入單目標優化進行對比驗證，對比結果見表2。其中，網損單目標優化中，電壓偏差根據96個時間段的實際電壓分布情況計算得到；電壓單目標優化中，網損值則根據優化后的潮流分布計算得到。由表2可知，采用多目標優化的網損值和電壓偏差介于兩個單目標的優化結果之間，多目標優化可兼顧系統網損優化和電壓優化，確保系統具有較好的經濟性和安全性。

表2 多目標與單目標優化結果對比

Tab.2 Comparison results of multi-objective and single-objective optimization

此外，系統所有節點96個時間段的電壓分布情況如附圖8所示。由附圖8可知，網損單目標優化中，電壓水平整體相對較高，且電壓波動較大；而電壓單目標優化和多目標優化中，電壓水平相對較低且電壓波動較小，這進一步說明多目標優化具有更好的網損和電壓優化效果。此外，日內多目標優化的求解時間為127 s，而日內滾動優化的時間尺度為15 min，滿足日內運行階段的時間要求。

4.3.2 日內各設備運行策略

日內快速調控設備SVC、SOP、儲能和FL的出力情況如附圖9、附圖10和圖4、圖5所示。

圖4 日內優化SOC變化情況

圖5 日內優化FL響應情況

為保證饋線功率分布最優，通過SOP實現有功功率快速轉移，并且SOP具有一定的無功支撐能力，如附圖10所示。由附圖5b和附圖10可知，光伏出力較小時，由于14節點所在線路較長且負荷較大，為減少系統有功損耗，需要14節點所在饋線轉移有功功率到節點32和節點48所在饋線；而光伏出力較大時，可為各條饋線提供較充足的有功功率，各饋線間有功功率轉移較少。此外，由附圖9和附圖10可知，為改善系統電壓分布并降低網損，SVC和SOP在光伏出力較小時或光伏不出力時發出無功進而提供無功支撐；而在光伏出力較大時，由于附圖8c節點電壓較高，基本不需要SOP提供無功支撐，SVC還吸收了無功以優化系統網損和電壓。

由圖4可知，儲能在0 h—7.25 h不進行充放電，在7.25 h—8.25 h進行充電，8.25 h儲能SOC值已達到上限，雖然8.25 h—13.25 h光伏出力較大，但儲能不進行充放電行為；儲能在13.25 h—14.25 h進行快速放電，并在14.25 h達到日前優化得到的最大放電深度，這是因為此時配電網分時電價較高，儲能放電以降低系統運行成本。由圖5可知，各節點FL在日前響應時間和削減率約束下進行日內響應，且每15 min對FL響應情況更新一次。日內FL削減時段均為配電網外購電價較高的時刻，而此時負荷需求較大而光伏出力較小，通過負荷有功削減能降低線路上的功率損耗并通過與網側調控設備的協調改善系統電壓分布。

4.3.3 日內配電網購售電情況

日內優化階段配電網購售電情況如附圖11所示。由附圖11可知，由于本文配電網DPV滲透率較高，光伏出力較大的9:15—18:00，光伏發電量不能完全被本地負荷消納，配電網向上級電網售電。

4.4 DRO性能分析

為分析DRO方法處理日前不確定性優化問題的有效性，本文選取文獻[14]提到的隨機優化（Stochastic Optimization, SO）方法與DRO方法進行對比分析。案例3和案例4的仿真結果如圖6所示。由圖6可知，SO方法對應的總成本是小于DRO方法的，且DRO購電成本是高于SO方法的，DRO模型使得配電網向上級電網購買了更多電能以應對DPV和負荷的不確定性，說明DRO方法相比SO方法具有更強的魯棒性。

圖6 SO和DRO方法運行成本對比

圖7給出了案例3和案例4典型場景的概率分布變化情況。由圖7可知，場景1、3的概率分別由0.205上升到0.393、0.391，由0.303上升到0.330、0.333，而場景2的概率由0.492降低到0.277、0.276，這是因為考慮不確定性后，為了找到最差概率對應的場景從而保證優化結果的魯棒性，DRO模型使得運行成本較低的場景概率變小，而運行成本較高的場景概率則相應增大。

圖7 各場景概率分布變化情況

本文采用C&CG算法將DRO模型解耦為主問題和子問題后進行優化求解，案例3和案例4均經過2次迭代即滿足收斂要求，其中第二次迭代的上、下界差值分別為0.001 7和0.002 7。采用GAMS軟件調用CPLEX求解所提優化模型，案例3求解時間為0.52 h，而案例4由于網絡重構問題引入了大量0-1變量，求解時間較長，為8.81 h。結合表1結果可知，案例3的運行成本僅比案例4高90元，但求解效率更高，因此如果要同時兼顧運行成本和求解效率，可忽略網絡重構優化問題，重點協調利用網側OLTC、CB、SVC和E-SOP。

此外，KL 散度閾值決定了實際概率分布的不確定集合的范圍，也反映了決策者的風險偏好。圖8給出了不同KL散度閾值對應的案例3日前優化結果。由圖8可知，配電網日前總運行成本會隨KL散度閾值增大而增大，這是因為KL 散度閾值越大，不確定性集合的分布函數簇范圍也越大，而分布魯棒優化方法是在分布函數簇中求解最壞情況下的配電網日前優化運行成本結果。

圖8 不同KL散度閾值的運行結果影響

4.5 DPV滲透率和SOC區間靈敏度分析

為分析DPV容量滲透率對系統優化運行的影響，本節以4.2節案例3為基礎，改變節點32、34、43、47的DPV接入容量，其他節點DPV配置情況不變，DPV接入容量設置情況和仿真結果見附表4。由附表4可知，隨著DPV滲透率不斷增大，配網總運行成本先降低后升高，這是因為當DPV滲透率升高時，網側資源調控能力不足，導致系統運行成本增加。當DPV滲透率為97.5%時，總運行成本是最低的，此時網損成本也是相對較小的。

下面分析SOC不同區間寬度設置對日前優化運行成本的影響。SOC區間寬度設置情況和對應的仿真結果見附表5。由附表5可知，儲能SOC區間寬度設置越大，系統總運行成本越小，這是因為儲能SOC區間寬度越大，其可控范圍越大，其能為配電網提供的有功調節能力越大。對比附表5中定值區間0.2、0.3、0.4和對應可變區間的日前優化階段總運行成本可知，可變的區間寬度相比固定的區間寬度對降低配電網總運行成本作用更為明顯。此外，不同區間寬度下優化得到的SOC初值是不一致的。

5 結論

本文在網側資源協調利用框架下，考慮源荷的不確定性，提出了基于分布魯棒優化的日前長時間兩階段優化調度模型和基于滾動優化的日內多目標優化模型，得到以下結論：

1）基于網側資源協調的日前-日內優化能夠充分發揮網側調控設備的快慢調節特性，提升配電網運行效益。

2）日前階段的E-SOP、OLTC和網絡重構協調優化運行總成本相比E-SOP單獨優化降低了約8.04%。

3）日內多目標滾動優化能夠兼顧網損和電壓優化，且可得到更為精確的日內各快速調控設備運行策略。

本文僅針對日前、日內兩個時間尺度進行網側資源協調利用，下一步將考慮DPV有功削減、SVC和SOP控制等進行“日前優化-日內滾動-實時校正”的多時間尺度運行優化。

附 錄

含高滲透率DPV的E-SOP配電系統的典型結構如附圖1所示。

附圖1 含E-SOP配電系統結構

App.Fig.1 Structure of distribution system with E-SOP

采用文獻[21]的線性化方法將其轉換為混合整數線性規劃模型，轉換過程如下。

1. 其他運行約束

1）OLTC運行約束

同時，需對OLTC每日動作次數進行限制，即

2）SVC運行約束

3）CB運行約束

4）FL運行約束

2. 線性化方法

潮流方程是非線性的，采用如下方式處理。

對式（A14）進行二階錐松弛，得到

此時，式（A15）的右部可以表述為

相應地，式（A15）則可以等價為

然后，式（A17）可以分解為兩個旋轉錐約束式。

式（A18）和式（A19）具有相同的一般形式，即

基于多面體近似方法，式（A20）可轉換為

附圖2 中國某51節點農村配電網改進系統

App.Fig.2 Improved 51-node system of a rural distribution network in China

附圖3 DPV出力和負荷需求情況

App.Fig.3 DPV output and load demand

附表1 DPV接入位置及容量

App.Tab.1 Accessed location and capacity of DPV

接入節點231112131516171819202132344347495051 容量/kW606018060120901206060901801201 0001 0001 0001 000300600600

附表2 儲能參數

App.Tab.2 Energy storage system parameters

參數數值 儲能安裝容量/(kW×h)1 000 最大充電功率/kW300 最大放電功率/kW300 儲能充電效率(%)70 儲能放電效率(%)70 儲能放電深度(%)90 儲能優化充放電區間寬度0.2～0.4 儲能退化成本系數/[元/(kW×h)]0.5

附表3 分時電價

App.Tab.3 The time-of-use electricity price

交易方式價格/[元/(kW×h)] 0:00—8:008:00—12:0012:00—15:0015:00—19:0019:00—23:0023:00—24:00 購電0.4880.7791.2410.7791.2410.488 售電0.3570.3570.3570.3570.3570.357

附圖4 不同案例兩節點處CB投切情況

App.Fig.4 CB situations of two nodes in different cases

附圖5 網絡重構后系統結構

App.Fig.5 System diagram after network reconfiguration

附圖6 日前SOC區間優化結果

App.Fig.6 The optimized SOC range of day-ahead optimization

附圖7 FL響應時刻和區間

App.Fig.7 Response time and interval of FL

附圖8 不同方法下電壓分布比較

App.Fig.8 Comparisons of voltage distribution under different methods

附圖9 SVC無功功率出力

App.Fig.9 Reactive power output of SVC

附圖10 SOP各端有功/無功出力情況

App.Fig.10 Active and reactive power of each SOP port

附圖11 日內階段購售電情況

App.Fig.11 Electricity purchase and salein in tra-day stage

附表4 不同DPV滲透率下日前運行成本對比

App.Tab.4 Comparison of costs in day-ahead optimization under different DPV permeabilities

節點32, 34, 43, 47 DPV容量/kWDPV容量滲透率(%)購電成本/萬元網損成本/萬元FL補償成本/萬元儲能退化成本/萬元總運行成本/萬元 039.32.139 20.200 30.105 40.017 22.462 1

（續）

節點32, 34, 43, 47 DPV容量/kWDPV容量滲透率(%)購電成本/萬元網損成本/萬元FL補償成本/萬元儲能退化成本/萬元總運行成本/萬元 10045.12.002 10.164 60.105 60.020 32.292 6 30056.71.769 90.191 60.120 10.017 22.098 8 50068.41.553 90.033 30.111 501.698 7 70080.01.389 40.040 10.103 201.529 4 85088.71.260 50.060 30.096 00.007 51.424 2 1 00097.51.154 80.113 50.073 90.020 81.363 0 1 150106.21.072 70.213 20.065 60.021 91.373 4 1 300114.90.994 10.356 60.071 40.022 61.444 7

附表5 不同SOC區間下日前運行成本對比

App.Tab.5 Comparison of costs in day-ahead optimization under different SOC ranges

SOC區間寬度購電成本/萬元網損成本/萬元FL補償成本/萬元儲能退化成本/萬元總運行成本/萬元 0～0.11.178 70.112 10.073 90.005 31.369 9 0～0.21.169 90.112 20.073 90.010 81.366 8 0.2 (定值)1.175 40.112 30.073 90.006 71.368 3 0.1～0.31.161 40.112 30.073 90.016 51.364 1 0.3 (定值)1.169 40.112 70.073 90.010 41.366 4 0.2～0.41.154 80.113 50.073 90.020 81.363 0 0.1～0.41.143 80.112 40.073 90.027 81.357 9 0.4 (定值)1.163 00.112 00.073 90.014 11.363 0

[1] 劉佳, 程浩忠, 姚良忠, 等. 混合輸配電系統的分布式隨機優化規劃[J].電工技術學報, 2019, 34(10): 1987-1998.

Liu Jia, Cheng Haozhong, Yao Liangzhong, et al. A distributed stochastic optimization method for planning transmission and distribution systems[J]. Transactions of China Electrotechnical Society, 2019, 34(10): 1987-1998.

[2] Wang Bo, Zhang Cuo, Dong Zhaoyang. Interval optimization based coordination of demand response and battery energy storage system considering SOC management in a microgrid[J]. IEEE Transactions on Sustainable Energy, 2020, 11(4): 2922-2931.

[3] Hu Ruonan, Wang Wei, Wu Xuezhi, et al. Interval optimization based coordinated control for distribution networks with energy storage integrated soft open points[J]. International Journal of Electrical Power and Energy Systems, 2022, 136: 107725(1-16).

[4] 王成山, 宋關羽, 李鵬, 等. 基于智能軟開關的智能配電網柔性互聯技術及展望[J]. 電力系統自動化, 2016, 40(22): 168-175.

Wang Chengshan, Song Guanyu, Li Peng, et al. Research and prospect for soft open point based flexible interconnection technology for smart distribution network[J]. Automation of Electric Power Systems, 2016, 40(22): 168-175.

[5] 王成山, 宋關羽, 李鵬, 等. 一種聯絡開關和智能軟開關并存的配電網運行時序優化方法[J]. 中國電機工程學報, 2016, 36(9): 2315-2321.

Wang Chengshan, Song Guanyu, Li Peng, et al. A hybrid optimization method for distribution network operation with SNOP and tie switch[J]. Proceedings of the CSEE, 2016, 36(9): 2315-2321.

[6] 鄭煥坤, 石甜靜. 基于智能軟開關和無功補償裝置的配電網雙層優化[J]. 電力系統自動化, 2019, 43(19): 117-123.

Zheng Huankun, Shi Tianjing. Bi-level optimization of distribution network based on soft open point and reactive power compensation device[J]. Automation of Electric Power Systems, 2019, 43(19): 117-123.

[7] Li Peng, Ji Haoran, Wang Chengshan, et al. Coordinated control method of voltage and reactive power for active distribution networks based on soft open point[J]. IEEE Transactions on Sustainable Energy,2017,8(4):1430-1442.

[8] 章博, 劉晟源, 林振智, 等. 高比例新能源下考慮需求側響應和智能軟開關的配電網重構[J]. 電力系統自動化, 2021, 45(8): 86-94.

Zhang Bo, Liu Shengyuan, Lin Zhenzhi, et al. Distribution network reconfiguration with high penetration of renewable energyconsidering demand response and soft open point[J]. Automation of Electric Power Systems, 2021, 45(8): 86-94.

[9] 叢鵬偉, 唐巍, 婁鋮偉, 等. 含高滲透率可再生能源的主動配電網兩階段柔性軟開關與聯絡開關協調優化控制[J]. 電工技術學報, 2019, 34(6): 1263-1272.

Cong Pengwei, Tang Wei, Lou Chengwei, et al. Two-stage coordination optimization control of soft open point and tie switch in active distribution network with high penetration renewable energy generation[J]. Transactions of China Electrotechnical Society, 2019, 34(6): 1263-1272.

[10] 馬麗, 薛飛, 石季英, 等. 有源配電網分布式電源與智能軟開關三層協調規劃模型[J]. 電力系統自動化, 2018, 42(11): 86-93.

Ma Li, Xue Fei, Shi Jiying, et al. Tri-level coordinated planning model of distributed generator and intelligent soft open point for active distribution network[J]. Automation of Electric Power Systems, 2018, 42(11): 86-93.

[11] Zhang Lu, Shen Chen, Chen Ying, et al. Coordinated allocation of distributed generation, capacitor banks and soft open points in active distribution networks considering dispatching results[J]. Applied Energy, 2018(231): 1122-1131.

[12] Ji Haoran, Wang Chengshan, Li Peng, etal. Robust operation of soft open points in active distribution networks with high penetration of photovoltaic integration[J]. IEEE Transactions on Sustainable Energy, 2019, 10(1): 280-289.

[13] 胡若男, 王瑋, 吳學智, 等. 含智能軟開關的主動配電網3階段魯棒電壓控制方法[J]. 高電壓技術, 2020, 46(11): 3752-3761.

Hu Ruonan, Wang Wei, Wu Xuezhi, et al. Three-stage robust voltage control method for active distribution network with soft open points[J]. High Voltage Engineering, 2020, 46(11): 3752-3761.

[14] 魏梅芳, 吳燕, 黎躍龍, 等. 基于分布魯棒優化的微電網日前經濟運行模型與求解方法[J].電力系統及其自動化學報, 2022, 34(12): 81-90.

Wei Meifang, Wu Yan, Li Yuelong, et al. Economic operation model and solution method of microgrid based on distributionally robust optimization[J/OL]. Proceedings of the CSU-EPSA. 2022, 34(12): 81-90.

[15] 馬望, 高紅均, 李海波, 等. 考慮智能軟開關的配電網靈活性評估及優化調度模型[J]. 電網技術, 2019, 43(11): 3935-3943.

Ma Wang, Gao Hongjun, Li Haibo, et al. Flexibility evaluation and optimal dispatch model of distribution network considering soft open point[J]. Power System Technology, 2019, 43(11): 3935-3943.

[16] 蔡暉, 竇飛, 萬文文, 等. 計及源荷不確定性的柔性互聯配電系統兩階段電壓優化[J]. 電網技術, 2022, 46, 4(4): 1566-1574.

Cai Hui, Dou Fei, Wan Wenwen, et al. Two-stage voltage optimization of flexible interconnected distribution system considering source and load uncertainty[J]. Power System Technology, 2022, 46(4): 1566-1574.

[17] 賀帥佳, 阮賀彬, 高紅均, 等. 分布魯棒優化方法在電力系統中的理論分析與應用綜述[J]. 電力系統自動化, 2020, 44(14): 179-191.

He Shuaijia, Ruan Hebin, Gao Hongjun, et al. Overview on theory analysis and application of distributionally robust optimization method in power system[J]. Automation of Electric Power Systems, 2020, 44(14): 179-191.

[18] 孫充勃, 李敬如, 原凱, 等. 基于區間優化的配電網智能軟開關與儲能系統聯合優化方法[J]. 高電壓技術, 2021, 47(1): 45-54.

Sun Chongbo, Li Jingru, Yuan Kai, et al. Two-stage optimization method of soft open point and energy storage system in distribution network based on interval optimization[J]. High Voltage Engineering, 2021, 47(1): 45-54.

[19] 褚國偉, 張友旺, 葛樂, 等. 自儲能柔性互聯配電網多時間尺度電壓優化[J].電力系統自動化, 2021, 45(9): 71-79.

Chu Guowei, Zhang Youwang, Ge Le, et al. Multi-time-scale voltage optimization of flexible interconnected distribution network with self-energy storage[J]. Automation of Electric Power Systems, 2021, 45(9): 71-79.

[20] Baghban-Novin S, Hamidi A, Golshannavaz S, et al. E-SOP’s contribution in a techno-economic and clean operation of distribution networks: A multi-objective optimization approach based on linear models[J]. International Transactions on Electrical Energy Systems, 2020, 30(2): 1-21.

[21] 李勇, 姚天宇, 喬學博, 等. 基于聯合時序場景和源網荷協同的分布式光伏與儲能優化配置[J]. 電工技術學報, 2022, 37(13): 3289-3303.

Li Yong, Yao Tianyu, Qiao Xuebo, et al. Optimal configuration of distributed photovoltaic and energy storage system based on joint sequential scenario and source-network-load coordination[J]. Transactions of China Electrotechnical Society, 2022, 37(13): 3289-3303.

[22] 姚天宇, 李勇, 喬學博, 等. 計及安全邊界和智能軟開關協同配置的配電網分布式光伏準入容量優化[J]. 電力自動化設備, 2022, 42(04): 63-70.

Yao Tianyu, Li Yong, Qiao Xuebo, et al. Hosting capacity optimization of distributed photovoltaic in distribution network considering security boundary and coordinate configuration of SOP[J]. Electric Power Automation Equipment, 2022, 42(04): 63-70.

[23] 曾飛, 蘇偉, 徐廣開, 等. 含快充負荷的低壓直流互聯配電網多時間尺度經濟調度[J]. 電網與清潔能源, 2022, 38(1): 14-23.

Zeng Fei,Su Wei,Xu Guangkai, et al. Multi-time scale economic dispatch of LVDC distribution network with fast charging load[J]. Power System and Clean Energy, 2022, 38(1): 14-23.

[24] CaoYang, Wei Wei, WangJianhui, et al. Capacity planning of energy hub in multi-carrier energy networks: A data-driven robust stochastic programming approach[J]. IEEE Transactions on Sustainable Energy. 2020, 11(1): 3-14.

[25] 芮濤, 李國麗, 王群京, 等. 配電側多微電網日前電能交易納什議價方法[J]. 電網技術, 2019, 43(7): 2576-2585.

Rui Tao, Li Guoli, Wang Qunjing, et al. Nash bargaining method for multi-microgrid energy trading in distribution network[J]. Power System Technology, 2019, 43(7): 2576-2585.

Day-Ahead and Intra-Day Optimization of Flexible Interconnected Distribution System with Self-Energy Storage Based on the Grid-Side Resource Coordination

Li Yong1Ling Feng1Qiao Xuebo2,3Zhong Junjie1Cao Yijia1

（1. College of Electrical and Information Engineering Hunan University Changsha 410082 China 2. Electric Power Research Institute of China Southern Power Grid Guangzhou 510663 China 3. School of Electric and Electronic Engineering Huazhong University of Science and Technology Wuhan 430074 China）

The integration of high-permeability distributed photovoltaic (DPV) has introduced new technical challenges for the operation and control of distribution networks. Soft open point (SOP), a typical flexible interconnection equipment that can replace traditional interconnection switches, is capable of accurately controlling power flow between feeders, as well as dynamic reactive power compensation. It provides a new approach to improving the operation level of distribution networks with high-permeability photovoltaics. However, the current cost of SOP remains high, making it necessary to investigate coordinated operating strategies between SOP and traditional grid-side control equipment, and achieve economic and efficient distribution network operations across multiple time scales. Therefore, this paper proposes a day-ahead and intra-day optimization model of flexible interconnected distribution system with self-energy storage based on grid-side resource coordination.

Firstly, a multi-time scale optimization control framework is proposed to facilitate the coordinated utilization of multiple grid-side resources within the 'source-network-load-storage' paradigm.In the day-ahead stage, this paper puts forward a long time-scale optimization model that coordinates the active and reactive power considering various devices such as on-load tap changers (OLTC), reactive power compensation devices, interconnection switches, E-SOP, and flexible loads (FL). For the intra-day stage, a comprehensive multi-objective rolling optimization model is presented, which is subsequently transformed into a mixed integer linear programming model through the application of linearization techniques. Moreover, a fuzzy set representing the uncertainties associated with source and load is developed using KL-divergence. The transformation process of the two-stage distributionally robust optimization (DRO) model is proposed, and the solution method based on the column and constraint generation (C&CG) algorithm for the day-ahead stage is provided. The multi-objective intra-day model is solved using the ideal point method.

The numerical results demonstrate that, in the day-ahead stage, the coordinated optimization of E-SOP, OLTC, and network reconfiguration proves beneficial in reducing operational costs. Moreover, it is observed that OLTC has a more significant impact on network loss reduction compared to network reconfiguration. Additionally, the utilization of the distributionally robust optimization (DRO) method allows for a balance between economic efficiency and robustness in the day-ahead optimization scheme. During the intra-day stage, the multi-objective optimization results in network loss values and voltage deviations that lie between those obtained from the two single-objective optimizations. This ensures that the distribution network attains improved economic efficiency while maintaining security. The operation strategy for rapid control equipment is optimized at 15-minute intervals. SOP plays a crucial role in swiftly transferring active power between feeders to optimize power flow and voltage distribution within the distribution network. It works in conjunction with SVC to provide reactive power support. Furthermore, energy storage charging/discharging and flexible load (FL) responses also contribute to network loss reduction and enhanced voltage distribution.

The following conclusions can be drawn from the study: (1) The day-ahead and intra-day optimization based on the grid-side resource coordination can give full play to the fast and slow regulation characteristics of the grid side control equipment, and improve the operation efficiency of the distribution network. (2) In the day-ahead stage, the total operation cost of coordinated optimization of E-SOP, OLTC and network reconfiguration is about 8.0% lower than that of E-SOP alone. (3) In the intra-day stage, multi-objective rolling optimization can take into account the network loss and voltage optimization, and can obtain more accurate operation strategies of various rapid control equipment.

This paper only aims at the coordinated utilization of grid-side resources in the day-ahead and intra-day stage. The next step is to research on the multi-time scale operation optimization of “day-ahead optimization, intra-day rolling and real-time correction”.

Soft open points with energy storage, flexible interconnected distribution system, distributionally robust optimization, rolling optimization, day-ahead and intra-day optimization

TM732

10.19595/j.cnki.1000-6753.tces.221929

國家自然科學基金聯合基金重點支持項目（U22B200134）、國家重點研發計劃政府間國際科技創新合作重點項目（2022YFE0129300）和南方電網公司科技項目（030400KK52210064（GDKJXM20210061））資助。

2022-10-09

2023-02-24

李 勇 男，1982年生，教授，博士生導師，研究方向為能源/電力系統優化運行與控制、電能變換系統與裝備。E-mail：yongli@hnu.edu.cn

喬學博 男，1992年生，博士后，研究方向為智能配電網運行優化與規劃、柔性直流配電技術。E-mail：qiaoxb@csg.cn（通信作者）

（編輯 郭麗軍）