含可响应分布式电源的智慧能源配网多目标优化调度

吴海江， 唐 鹤， 吴 滔

（1.广东电网有限责任公司佛山供电局， 广东 佛山 528000； 2.中国农业大学 烟台研究院， 山东 烟台 264670）

0 引言

随着智能电网技术的发展，智慧能源理念渗入到配电网中，配网负荷不再被动接受电能，而是主动参与到需求响应项目中，与配网运行商、分布式电源形成了新的配电能源格局[1]。

此处是用典的最佳注释。具体看是两个典古的化用：秀才正做着“先天下/后天下/黄金屋/颜如玉”的美梦，18个字采用范仲淹《岳阳楼记》名句之典故，同时引用古语“书中自有黄金屋，书中自有颜如玉”，简练而深刻。

针对智慧能源中可响应负荷，文献[2]提出了计及用户响应不确定性的可中断负荷储蓄机制。文献[3]提出了智能小区可转移柔性负荷实时需求响应策略。 文献[4]建立了计及用户可响应负荷的区域多能源系统运行优化模型。 文献[5]分析了需求响应的负荷控制对供电可靠性的影响。 文献[6] 建立了考虑可调负荷集群响应不确定性的联合调度模型。 根据以上文献，可响应负荷参与电力调度的机制已经明确，并且潜力巨大。 在配网智慧能源研究方面，文献[7]分析了需求侧智慧能源系统关键技术。 文献[8]分析了含智慧社区能量枢纽配电网三相不平衡动态潮流模型预测控制方法。 文献[9]分析了智能电网支撑智慧城市关键技术。 文献[10]基于泛在电力物联网分析了智慧清洁能源小镇的建设。

综上所述，可响应负荷用于削减总的系统运行成本、满足功率平衡约束。 但是，可响应负荷以及可再生能源并未计及到目标函数中。 目前，对于电力系统多目标优化的求解方法分为分析法、启发式算法、智能人工算法等[11]。启发式算法在求解这类问题时应用广泛，主要包括对偶半定规划、多目标粒子群（MOPSO）算法、差分进化算法[12]～[14]等。

本文考虑多目标优化，其中，目标函数1 包括运行成本以及排放成本，目标函数2 考虑损失负荷期望，目标函数3 考虑可延迟负荷与可再生能源出力之间的偏差。 同时，提出的多目标优化目标函数中考虑了可再生能源及可延迟负荷的联合调度优化，根据可延迟负荷的最优延迟策略提高功率因数。

（6）经过多年的改造，村内环境越来越好，生活垃圾集中收集并由专门单位集中处理，村内的老式厕所已基本改造完毕，90%以上已用上水冲式厕所。生活污水有专门的下水管道排放收集，并由环保部门进行污水处理。各村建有集中居住地，水电、网络、道路等基础设施完善，休闲娱乐广场均已建成。村民的环保意识均较强，积极响应政府号召，秸秆还田率较高，农药药瓶使用后回收至村内垃圾点。

1 居民智慧能源

1.1 居民智慧能源构成

智慧能源是通过智能控制、现代化能源生产和能源交易、信息通信技术等实现的能源网络不断协调和优化互补的能源形式。 在电力系统中，配网的能源丰富度最高，最能体现智慧能源的理念，尤其是居民用户在智慧能源中扮演重要角色，其多种能源主体能够为电力系统优化提供一定思路。

式中：α 和β 为β 分布的形状参数；s 和smax分别为实际光照辐射强度和最大光照辐射强度，W/m2。

用户侧的负荷因数是确定用电需求的一个重要因素， 是反映电网电能使用情况的一个重要指标，负荷因数越高，电网的运行成本和分布式网络的可靠性也越高。另外，负荷因数可以用于显示峰荷情况和资产使用情况。 用户用能情况和需求响应项目的实施情况也会对负荷因数产生间接影响。 本文负荷因数θ 计算式如下：

将Weibull 分布变换为离散形式，第t 个时间间隔分为NV种状态，利用式（4）计算每个状态下的风速和概率。 利用所有时间间隔内的所有可能状态计算得到风机的出力为

可再生能源接入配网， 主要包括电池储能系统、微汽轮机、风机和光伏机组等，这类机组的运行成本和维护成本均为可控。 其中风机和光伏机组的出力具有不确定性， 调度控制较为困难。

1.2 风电出力模型

工程上风速用Weibull 分布函数模拟[15]，具体表达式如下：

当另一个电器设备启动时，发动机ECU通过检测被提供的电压值来判断它是否运行。图11示显示了一个停车灯电路，当开关合上时，12V电压提供给ECU端子，当开关断开时，电压变为0。

式中：v 为风速，m/s；k 为形状系数；c 为尺度系数。该Weibull 分布的概率累积密度函数为

由此得到风速为

式中：r 为[0，1]之间均匀分布的随机变量。

风机的有功出力受风速影响， 工程上双馈感应式风机的出力PWi较为常用的计算方法如下[16]：

式中：Pri为额定容量；vcin，vcout，vr分别为切入风速、切出风速、额定风速。

在智慧能源中， 通过一定的通信机制使电力负荷侧用户积极参与到各种需求响应项目中，实现用户、 配电系统运行商及可再生能源三者之间的通信。 用户侧的负荷分为固定负荷和可响应负荷，可响应负荷又分为可削减负荷和可延迟负荷，可延迟负荷包括电动汽车、烘干机、洗衣机等，这类负荷的特点是可以延迟或更改使用时间。 配电系统运行商是协调配网与主网的中间者， 负责配网运行的调度以及需求响应项目的执行等。

1.3 光伏出力模型

光伏出力取决于光照强度，其表达式如下：

式中：Ppvn为光伏板的额定出力；S 为PV 模块的光照辐射；Sstc为标准测试状态下的光照辐射；Rc为光照辐射点。

光照辐射一般服从β 分布[17]，概率密度表达式如下：

传统配网中，配网系统运行商以网损最小为目标，从输电网中购得电量售卖给用户。 在这种模式下，配网不拥有发电设备，因而需要承担输电网机组的运行成本。可再生能源接入配网后，一方面配网有机会控制机组的运行成本； 另一方面通过实施需求响应项目， 配电系统运行商可以控制可响应负荷参与，优化机组出力。 在这种情况下，须要对机组进行实时控制和持续优化。

将β 分布变换为离散形式， 第t 个时间间隔分为Ns种状态，利用式（7）计算每个状态下的光照辐射和概率。 利用所有时间间隔内的所有可能状态计算得到光伏的出力为

柴油机组、BES 和主网购电的运行成本分别如式（10），（11）所示，其中式（10）前三项为柴油机组的燃料成本，其余部分为柴油机组启停成本。柴油机组和主网的排放函数如式（12），（13）所示。

1.4 不确定性的考虑

本文将风电和光伏出力的不确定性通过风速和光照强度的日曲线表达出来， 通过相应的概率密度函数生成多种场景， 在模型仿真中对多种风电和光伏出力的情景进行仿真， 以此作为不确定多场景的优化手段，最终得到不同场景下的结果。

2 配网智慧能源多目标优化模型

本文对居民智慧能源负荷以及分布式电源的调度进行优化， 网络系统运行商基于日前可再生能源的利用情况来优化负荷曲线，从而优化经济、环境和可靠性指标。 本文考虑了3 个目标函数。

2.1 目标函数

目标函数1 以电网运行的经济性最大为目标，体现为运行成本和排放成本最小。

式中：ρs为场景s 的概率；CDG（s，t，d）为t 时段场景s 柴油机组运行成本；CBES（s，t，b）为t 时段场景s第b 个电池储能（BES）系统总运行成本；CUG（s，t）为t 时段场景s 主网运行成本；EDG（t，d）为t 时段d个分布式电源的排放量；EUG（t）为t 时段主网传统机组的排放量。

国内企业走出去，员工属地化是必经之路，而如何做好属地化员工管理，争取文化认同，避免文化冲突，将是必须要面对的课题。

不同分型并发症发生率比较如表2。腹水、细菌感染、AKI、上消化道出血的发生率三型之间差异有统计学意义（χ2=53.96、20.03、16.07、14.46，P＜0.01），其中上消化道出血C型明显高于A型和B型 （P＜0.01）。细菌感染中，腹腔感染在三型ACLF中的发生率C型和B型均显著高于A型（P均 ＜0.05），肺部、血液和其他部位感染在各型间差异无统计学意义（P＞0.05）。三型间HE的发生率差异无统计学意义（χ2=3.85，P＞0.05）。

式中：PLS（s，t）为t 时段场景s 削减负荷量。

1.2.1 对照组 对患者每个月开展1次肺健康知识宣教，内容包括COPD相关知识、肺康复理念，指导戒烟，给予氧疗、药物治疗，共治疗20周。

目标函数3 以所有场景中负荷与电源出力之间的偏差最小为目标。

式中：SOC（t）为t 时段电池的荷电参数。

可响应用户包括可削减和可延迟负荷，其中，可延迟负荷的使用时间从t 延迟至t′， 并且可以计算响应负荷中的延迟负荷响应水平[18]。

取不同冻藏时间的冷冻面团，利用FID试验调节共振中心频率，CPMG脉冲序列测量样品的自旋弛豫时间(T2)，称取面团(3.0±0.01) g放入试管中，置于永久磁场中心位置射频线圈的中心，进行CPMG脉冲序列的扫描试验。CPMG试验参数：主频=21（MHz）,偏移频率=99315.9（MHz），采样点数TD=156492，重复扫描次数NS=64，重复时间TR=1500 ms，半回波时间τ=7 μs，温度=32 ℃。利用T2反演拟合软件对CPMG弛豫衰减曲线进行反演得到弛豫图谱和T2[10]。

深圳市佳士科技股份有限公司高级副总裁罗卫红先生、杭州华光焊接新材料股份有限公司董事长金李梅、南京大地水刀股份有限公司技术总监蒋镇汉、伏能士智能设备（上海）有限公司中国技术支持总监Gerd Holzschuh分别做了题目为“持续追求技术发展 全面打造佳士质量”、“面向绿色智能制造的钎焊技术展望”、“超高压水射流技术的应用”、“TPS/i-基于焊接工艺和用户设计的智能平台”的精彩报告。

2.2 约束条件

①功率平衡约束

式中：Dnr（t，nr）为t 时段不可响应负荷；PPW（s，t，p，w）为t 时段场景s 风电和光伏出力；Pd（s，t，d）为t时段场景s 柴油机组出力。

②机组出力约束

式中：ηd和ηch分别为放电效率和充电效率；μBESch和μBESd分别为充、 放电二进制变量；μLS为损失负荷期望二进制参数。

③BES 运行约束

式 中：Dn（t，n）为t 时 段 场 景s 可 响 应 用 户 负 荷需求；PRES（s，t）为t 时段场景s 可再生能源出力；DF（t，n）为t 时段固定负荷需求；DDL（t，n）为t 时段可延迟负荷需求。

④分布式电源约束

式中：RU 和RD 分别为上、下爬坡率。

⑤需求响应约束

式中：ψ 为响应水平。

2.3 负荷因数

阅读能力的高低关系着学生将来语文学习能力的强弱，《语文课程标准》也明确指出小学语文教师应该有目的地进行阅读教学，培养学生的阅读能力，让学生热爱阅读，通过阅读享受到语文学习的乐趣。但很多语文教师受到传统教育思想的影响，认为语文阅读教学并不重要，忽视了对学生阅读能力的培养，这对学生的学习是非常不利的。下面我就从“培养学生专心阅读的习惯”“通过阅读完成知识积累”“引导学生将阅读延伸至课外”三个方面出发，谈一谈如何培养小学低年级学生的阅读能力。

百米林带中乡土树种占22科27属29种,外来树种47科75属94种,外来树种的数量远高于原生的乡土树种[13],比例超过了3∶1 (94∶29),这与上海地区外来树种和乡土树种的比例基本一致(547∶174),反映了高度人工化和城市化是上海地区人工植被的普遍特征。

3 模型求解

本文多目标优化模型的主要目的是寻找所有目标函数空间的非支配解， 同时在有限选择条件内的目标函数空间中得到Pareto 前沿（图1）。 搜索和决策是求解多目标优化的两个重要步骤，搜索是为了找到全局最优解， 而决策是为了找到决策者满意的一小部分解。 一般利用适应性理论的进化算法和搜索算法求解多目标优化。

图1 Pareto 前沿Fig.1 Pareto front

本文选用模糊决策法得到非支配解中的最优解，最优解通过解集与理想点的距离确定，其求解步骤如下：首先归一化目标函数，然后确定每个归一化后目标函数最小值， 最后选择理想点和最小空间距离。

4 算例分析

4.1 系统说明

本文选取IEEE33 节点系统[19]进行仿真分析，仿真环境为MATLAB2014b。 如图2 所示，本文考虑了4 组柴油机组 （DG）、5 台光伏太阳能机组（PV）、7 台风机（W）和4 组电池储能系统（E）。

本文考虑两个情景：情景1 不考虑孤岛模式；情景2 考虑孤岛模式。4 组柴油机组参数如表1所示。 本文选择10 个风速和光照辐射强度场景，风速概率分布、光照强度分布、日前市场电价、系统负荷需求分别如图3～6 所示。 考虑可响应负荷占比为95%，从主网获得功率最小值和最大值分别为0 MW 和100 MW。 排放因子为950 kg/MW。

表1 柴油机组参数Table 1 Parameters of diesel generator

图3 风速分布Fig.3 Distribution of wind speed

图4 光照强度分布Fig.4 Distribution of solar irradiance

图5 电价曲线Fig.5 Electricity price curve

图6 原始负荷需求Fig.6 Original demand profile

风机的切入、额定和切出风速分别为3，15 m/s 和25 m/s。 光伏和风机的额定出力分别为1.1 MW 和2.5 MW。 EES 系统SOC 下限为10%，上限为100%， 充、 放电效率均为85%， 最大功率为1.125 MW，运行成本为75$，维护成本为12$。

4.2 算例分析

①情景1

为使特殊儿童得到更好的康复和治疗，享受高标准的文化教育，使其达到生活自理，甚至成为身心健康并对社会有用的人才。为此，庄园结合自身实际与前期经验，共同组建了由特殊教育、康复、保育、心理、社工等多专业人员组成的专业团队，共同努力，为身心障碍儿童服务。2012年6月，在庄园领导的大力支持下，在重庆师范大学特殊教育专家张文京教授的指导下，教、康、保三位一体整合服务模式正式全面启动。

一阵凉风透过窗户缝隙吹进来，把紧闭着的卫生间窗帘掀开了一条缝。她一惊，伸手要去拉拢来。可就在她的手触到窗帘的刹那间，她的目光无意间投向了窗外，她看到了一个令人心跳耳热的镜头。对面一间房子的窗户，窗口的大红双喜还未褪色，不知是疏忽，还是过于急切，那对年轻夫妻未拉上窗帘也未关灯就除去彼此的衣物，赤裸地滚落床第，两具肉体像柔软的藤条般缠绕在一起，似乎憋足了半个世纪的爱和欲要在这一刻尽情地倾泻……

本情景不考虑孤岛运行，研究BES 系统对多目标函数优化之间的关系。 最优解选择在距离理想点的0.766 3 处，如图7 所示。 3 个目标函数的解分别为85 032.21，5.23 MW 和214.25 MW。 充放电运行成本为207.6$和178.3$。 日前可再生能源出力与负荷需求对BES 的影响是积极的，分布式电源出力剩余部分均由需求侧消耗， 并没有将剩余电能充入储能系统中。

图7 情景1 Pareto 前沿Fig.7 Pareto front set in case 1

根据分布式电源和主网的调度结果， 从图8可以看出，第4 个时段BES 充电0.736 MW，而在第20 个时段放电0.657 MW。另外，可再生能源和用户负荷的联合优化在负荷削减和运行成本削减方面都有一定作用。

图8 情景1 BES 充放电结果Fig.8 Results of EES charging and discharging of scenario 1

②情景2

故障现象的多样性使日常的维护不一定从开始的切入点入手，针对不同阶段的故障排查都可以从逻辑流程控制中找到准确的切入点，为继电保护通道的运维提供正确的思路和着手点。

本情景考虑孤岛运行，不从主网购电。图9 给出了Pareto 前沿距离理想点的距离， 为0.712 5。相比情景1， 目标函数1 和3 的结果分别减少2.45%和4.01%。 由于孤岛模式的限制，目标函数2 的结果为16.48 MW，较情景1 有所增加。 电池充、放电成本分别为2 765.25$和2 013.72$。 孤岛模式下机组排放减少较多。 根据孤岛模式下的机组调度方案， 如图10 所示，1～4 时段的充电功率为7.26 MW，12，21 和22 时段的放电功率共计6.39 MW。

图9 情景2 Pareto 前沿Fig.9 Pareto front set in case 2

图10 情景2 BES 充放电结果Fig.10 Results of EES charging and discharging of scenario 2

负荷需求如图11 所示，可以看出，情景1 和情景2 之间的负荷需求有所转移。 BES 系统的SOC 如图12 所示，可以看出，目标函数3 对充放电成本以及电池寿命有直接影响。 表2 给出了负荷因数在本情景的结果。

图11 负荷曲线Fig.11 Demand profiles

图12 电池荷电状态Fig.12 SOC of BES

表2 供需约束中可再生能源和主网参与度Table 2 Participation of RES and main grid %

5 结论

本文研究了居民智慧能源多目标优化， 以运行成本、排放成本以及负荷损失期望最小为目标，利用决策分析寻找Pareto 前沿集的最优解。最后，在IEEE33 节点系统中分析了考虑孤岛运行和不考虑孤岛运行两种情景。另外，本文提出的多目标优化目标函数中考虑了可再生能源及可延迟负荷的联合调度优化， 根据可延迟负荷的最优延迟策略提高功率因数。 仿真算例表明了本文所提模型的正确性和有效性。