电力系统保护与控制 第 50 卷 第 1 期 2022 年 1 月 1 日 Power System Protection and Control Vol.50 No.1 Jan. 1, 2022 DOI: 10.19783/j.cnki.pspc.210348 考虑源网荷储协调的主动配电网优化调度方法研究 罗金满 1，刘丽媛 1，刘 飘 1，叶睿菁 1，覃 朋 2 (1.广东电网有限责任公司东莞供电局信息中心，广东 东莞 523000； 2.南方电网深圳数字电网研究院有限公司，广东 深圳 518053) 摘要：针对源网荷储的一体化运行目标，提出一种考虑源网荷储的主动配电网协调运行调度方法。基于多时间尺 度的思想，以最小化可调节量和最大程度地增加新能源消纳为目标，建立一个具有两个互补时间尺度的主动配电 网日前-日内优化调度模型，将差分进化算法和帝国竞争算法相结合求解最优调度模型。仿真验证了所提出的多源 协同调度方法的优越性。仿真结果表明，该方法可有效减少负荷波动和运行成本，使新能源消纳增加 9.1%，具有 一定的实用性。 关键词：主动配电网；源网荷储；优化调度模型；帝国竞争算法；微分进化算法 An optimal scheduling method for active distribution network considering source network load storage coordination LUO Jinman1, LIU Liyuan1, LIU Piao1, YE Ruijing1, QIN Peng2 (1. Dongguan Power Supply Bureau Information Center, Guangdong Power Grid Corporation, Dongguan 523000, China; 2. Southern Power Grid Shenzhen Digital Grid Research Institute Co., Ltd., Shenzhen 518053, China) Abstract: Aiming at the integrated operational goal of source network load and storage, an active distribution network coordinated operation scheduling method considering source network load and storage is proposed. Based on the idea of multiple timescales, a day ahead day optimal dispatch model of an active distribution network with two complementary timescales is established with the objective of minimizing the adjustable quantity and maximizing the new energy consumption. A differential evolution algorithm and empire competition algorithm are combined to solve the optimal scheduling model. Simulation verifies the superiority of the proposed method. The simulation results show that this method can effectively reduce the load fluctuation and operational cost, increase the new energy consumption rate by 9.1%, and has clear practicality. This work is supported by the Science and Technology Project of China Southern Power Grid Co., Ltd. (No. 031900HK42200008). Key words: active distribution network; source network load storage; optimal scheduling model; imperial competitive algorithm; differential evolution algorithm 0 引言 随着我国经济的飞速发展，用电负荷也在不断 增加，传统资源越来越匮乏[1]。在这种情况下，基 于新能源的分布式发电在电网中起着越来越重要的 作用。随着高比例可控分布式发电、柔性负荷、储 能系统等设备的接入，逐渐过渡到主动配电网[2]。 由于分布式发电的随机性和多种类型负荷波动的叠 基金项目：南方电网公司科技项目资助(031900HK42200008) 加给配电网的运行和控制带来了很大的挑战。如何 提高系统的运行效率，对考虑源网荷储的主动配电 网进行优化调度，使系统实现最优运行是一个亟待 解决的问题。 目前，国内外许多学者对“源网荷储”协同优 化调度进行了大量研究，并取得了一定的成果。文 献[3]提出了一种考虑“源网荷”的协同优化方法， 以网损最小为目标，并从“源、源”输出配置和储 能最优接入点、最优接入容量、峰值负荷计算等方 面进行了分析。文献[4]提出一种考虑“源网荷储” - 168 - 电力系统保护与控制 的协调优化调度模型，通过改进遗传算法求解模型。 仿真结果表明，该方法可以有效降低配电网的运行 成本，提高新能源的消纳能力。文献[5]提出了一种 考虑源网荷的主动配电网规划方法，建立了一个以 投资者利润最大化、光伏就地消纳最大化为目标的 函数，通过改进差分进化算法进行求解。结果表明， 该方法有效提高了光伏就地消纳能力，提高了投资 者收益。文献[6]提出了一种考虑源网荷储协调优化 的配电网多目标调度方法。该方法考虑了源网荷储 之间的相互作用，建立了多电压等级含光伏的直流 配电网多目标优化调度模型。仿真结果表明，该源 网荷储交互模型可以显著降低系统运行成本、网络 损耗率和电压偏差，并有效提高光伏消纳水平。但 是，以上研究不能准确反映可控分布式能源和不同负 荷随机性等因素对主动配电网最优分配策略的影响， 适应性有待进一步加强。 基于此，本文提出一种考虑源网荷储的主动配 电网协调运行调度方法，建立了多时间尺度的日前日内优化调度模型，结合差分进化算法和帝国竞争 算法对模型进行求解，并通过仿真对其进行分析。 1 (1) 源。通过可控分布式发出的输出时序特性和 空间分布特性进行互补，可减少功率波动对系统运 行的影响，提高消纳能力[8]。 (2) 网。根据实时状态和历史数据，合理分配电 网中的可调度资源，并对整个网络资源进行协调， 以确保主动配电网的最优运行[9]。 (3) 荷。与“源”、“网”协调互动，以引导用 户改变用电方式，降低用电成本，削峰填谷并缓解 网络拥塞。 (4) 储。储能单元可以根据系统的调度指令快速 调整充电和放电功率。由于其响应速度快，不仅可 以长时间削峰填谷，还可以“低储高发”，提高运 营的经济性。 2 调度模型 风能和太阳能等新能源的预测值与负荷侧用电 量预测值之间存在时间差[10]。因此，文中建立一个 具有两个互补时间尺度的主动配电网日前-日内优 化调度模型，其结构如图 2 所示。 调度系统架构 图 1 所示为“源网荷储”协调优化系统的结构。 由四个部分组成：电源、电网、负荷和储能[7]。优 化模型主要考虑以下目标：能耗和储能设备损耗最 低，发挥用户侧和储能侧的作用。其中，协同优化 算法主要通过云计算和边缘计算的协同计算模式， 在电网侧实现。 图 2 模型结构 Fig. 2 Model structure 2.1 日前调度模型 日前调度是通过历史数据和调度日的天气预 报，预测调度日新能源出力和负荷量，然后根据历 史数据制定调度日计划。 (1) 目标函数 文中日前调度是使主动配电网的总运行费用 最小，如式(1)所示[11]。 min f1 = CDS + CES + CRY − CEC (1) 式中： CDS 为可控调度成本，包括柔性负荷、电动 汽车、储能、可控分布式电源调度成本； CES 为上 图 1 调度系统架构 Fig. 1 Dispatching system architecture 级电网购电成本；CRY 为可控能源运维成本；CEC 为 电动汽车充电成本。 (2) 约束条件 日前调度受主动配电网技术指标的约束，包括 节点电压、功率平衡、电动汽车、储能、可控分布 式发电、柔性负荷等。 罗金满，等 节点电压约束如式(2)所示[12]。 U imin ≤ U i ≤ U imax (2) 式中， U imax 、 U imin 分别为节点 i 电压的上、下限。 功率平衡约束条件如式(3)所示[13]。 M ∑P m =1 X ∑P x =1 t WT' 式中： P t t t + PWT' + PPV + PLOSS + PESt + t CDG, m t XJ, x J H t t min f 2 = ∑ α ( PDD,ref − PDD ) H t PV t ES 、 P 为 t 时刻的新能源消纳量； P 为 t 时刻与上级电网交互功率； P t t 布式能源在 t 时刻的消纳量； PLOSS 、∑ PXJ, x 分别为 x =1 I t t 时刻损耗量和总削减量； ∑ PEV, i 为电动汽车集群 i =1 在 t 时刻的总充/放电量。 电动汽车约束条件如式(4)所示[14]。 ⎧ SEV,min ≤ SEV,i ≤ S EV,max ⎪ t ⎪− Pc,i / ηc ≤ PEV,i ≤ Pd,i / ηd ⎨ (4) ⎛ ⎞ ⎪ t ⎪ SB,i + ⎜⎜ ∑ PEV,i Δt ⎟⎟ / Es ,i ≥ SE,i ⎝ t∈Tm ,i ⎠ ⎩ 式中： S EV,max 、 S EV,min 分别为电动汽车 SOC 的上下 限； Pc,i 、 Pd,i 分别为 i 节点电动汽车的额定充放电 量； ηc 、 ηd 分别为充放电转换率。 储能约束条件如式(5)所示[15]。 t t t ⎧ PESS,min ≤ PESS, j ≤ PESS