一种考虑风险厌恶程度与阻塞抵抗性的配电网阻塞管理方法

谢 锋，刘丽军，林儒显，陈俊生，郑文迪

一种考虑风险厌恶程度与阻塞抵抗性的配电网阻塞管理方法

谢 锋，刘丽军，林儒显，陈俊生，郑文迪

(福州大学电气工程与自动化学院，福建 福州 350108)

为评估大规模分布式可再生能源发电和灵活性负荷的不确定性对配电网线路阻塞的影响，基于效用理论和灵活性能力提出了一种计及不同程度越限风险的厌恶程度和置信区间外潜在阻塞风险抵御能力的配电网阻塞调度管理方法。综合配电线路阻塞概率、阻塞严重程度和风险厌恶程度三方面要素构建阻塞风险评估模型。以阻塞线路功率传输方向定义线路阻塞类型，分区域考虑线路阻塞造成的实际影响，在置信区间外以燃气轮机、储能系统和可中断负荷的灵活性供给能力对潜在阻塞风险的应对程度反映系统的阻塞抵抗性水平。以配电系统网损体现配电网的经济效益，以虚拟电厂收益呈现分布式发电的规模化效益。由此构建配电系统安全经济调度的多目标优化模型。最后，基于IEEE33节点系统对所提模型进行分析与验证。结果表明基于该方法生成的日前调度计划在兼顾经济效益的同时，可有效降低系统阻塞风险并增强对潜在阻塞风险的抵御能力。

分布式发电；风险厌恶；线路阻塞；阻塞抵抗性；日前调度

0 引言

大量分布式发电(distributed generation, DG)和灵活性负荷从负荷侧接入导致了配电网源荷界限模糊、潮流突变及双向化等特征的形成[1]，风光等分布式可再生能源发电(renewable distributed generation, RDG)出力的不确定性和用户无序的电能消费计划易导致配网潮流在时空分布上过于集中，配电网线路出现阻塞[2]，给配电网的安全稳定运行造成巨大的冲击[3]。

目前，配电网线路阻塞风险的评估和管理得到越来越多的关注。文献[4]定义切负荷风险为故障概率与所造成停电损失的乘积，将运行风险指标转化为经济性指标进行风险调度；文献[5]采用机会约束方法对含大规模风电的电力系统的实时运行风险进行处理，但机会约束方法存在求解工作量大和未对阻塞风险进行具体的刻画等不足。文献[2]建立了基于智能软开关与市场机制的配电网阻塞管理模型，通过直接控制手段结合制定的阻塞费用间接引导用户用电计划，解决了线路阻塞问题；文献[6]采用调整充放电服务费和设置针对可控DG的补偿奖励机制，缓解了主动配电网的线路阻塞问题；文献[7]以节点边际电价为调节手段，通过调整直流配电系统内储能系统(energy storage system, ESS)和需求响应(demand response, DR)等负荷的调度计划，改变交-直流网络间的互动方案，从而解决系统的阻塞问题。但上述文献均是在RDG出力确定的前提下应用市场调节机制改善线路阻塞问题，未能在不确定性环境下对系统的阻塞风险进行有效地度量。文献[8]针对原有风险评估方法存在的问题，引入条件风险价值(conditional value at risk, CVaR)理论综合考虑线路阻塞风险的随机性、概率分布和置信度等多方面因素，为构建阻塞风险度量指标提供了新思路。文献[9]对比了熵风险价值与CVaR在阻塞风险调度中的效果差异。但上述研究在描述风险指标时不能很好地比较小概率、高越限程度风险和大概率、低越限程度风险间的差异[10]。

为评估RDG接入对系统线路安全造成的不利影响，文献[11-12]在描述线路安全时将风电、光伏机组出力以确定性的形式进行考虑，但确定性的RDG出力难以对线路阻塞风险的真实状态进行全面、准确的刻画。采用概率形式描述新能源发电的不确定性能较为准确地反映风光波动对系统安全及阻塞管理的影响，但机会约束方法[5,13]和CVaR方法[8-9,14]在处理其不确定性时，仅考虑置信区间下的安全约束，无法对置信区间外部的系统潜在阻塞风险进行有效的评估与管理。

本文基于风光等分布式可再生能源出力和电动汽车(electric vehicle, EV)充电负荷的不确定性对线路阻塞的具体影响，将可控DG和柔性负荷(flexible load, FL)作为调度对象，聚合配电系统内各类型DG组成虚拟电厂(virtual power plant, VPP)，以配电系统网络损耗最小、系统阻塞风险最低、VPP收益最大和系统阻塞抵抗性最强为目标函数建立安全经济调度模型。在风险评估模型中计及调度过程中决策者对不同程度越限风险的厌恶程度，以风险厌恶型效用函数描述阻塞线路功率越限程度厌恶值的方式对CVaR风险评估方法进行改进；同时，以线路潮流越限方向定义线路阻塞类型，根据线路阻塞情况进行分区，分析各阻塞区域灵活性资源的供给能力与灵活性需求间的关系，以此评估调度方案对潜在阻塞风险的实时应对能力。最后，采用多目标遗传算法(non-dominated sorting genetic algorithm II, NSGA-II)对IEEE33节点系统进行求解分析，验证了所述模型的有效性。

1 不确定性建模

本文在以风速、光照强度和EV充电负荷转移率预测值作为确定性变量的基础上，以相应的预测误差作为随机变量，考虑风电、光伏出力和EV充电负荷转移的不确定性，如式(1)所示。

1.1 风光不确定性模型

分布式风电、光伏发电机组出力受风速和光照强度的影响，具有较强的不确定性。在进行风电、光伏出力预测时，常采用正态分布描述其预测误差[15-16]，故本文以均值为0、标准差服从当前时段预测值的正态分布描述风速和光照强度的预测偏差，如式(2)所示。

1.2 需求响应不确定性模型

EV、可中断负荷(Interruptible Load, IL)等柔性负荷具有较强的可调度潜力，为配电系统负荷侧的重要灵活性资源，可作为需求响应参与配电系统的优化调度。DR对于改善系统峰谷差[17]、降低系统阻塞风险[18]、减小系统网络损耗成本[19]、提高系统安全经济运行具有重要作用，其实施方式包括引导和签订合同等形式，实际优化调度过程中其响应水平受用户层面的不确定性影响较大。

1.2.1价格型需求响应

价格型需求响应(price based demand response, PBDR)以价格为引导信号和管理机制，促进用户用电方式和用电结构的改善，常以分时电价机制实现。不同电价下的用户响应率或负荷转移率是衡量其响应程度的常用指标，由于PBDR机制基于宏观引导和用户自愿原则，其响应易受诸多非经济因素的影响而出现波动[20]，故实际实现过程中需要考虑其不确定性。文献[21-22]分析指出，激励水平一定时负荷响应率在一定误差范围内上下波动，且随着激励水平的提高，误差范围呈现出“先增大后减小”的特点，本文采用图1所示的转移率曲线描述EV充电负荷转移特性的不确定性。

图1 EV充电负荷转移率的不确定性

线性区内用户负荷转移率与价格差值成线性关系，死区和饱和区则分别表征了价格差较小时响应不明显和价格差较大时响应趋于饱和的特征；死区和线性区内电价激励水平还不足以使用户完全忽视非经济因素的影响，因此其不确定性随响应率的增大而增大；饱和区内，用户受经济利益驱动，响应的积极性不断提升，负荷转移率的不确定性主要受经济因素影响，逐渐趋于稳定。用户负荷转移率与电价激励水平表达式为

1.2.2激励型需求响应

激励型需求响应按照合同方式实施，受非经济因素的影响较小，故负荷响应率的波动范围较小，实际实现过程可以忽略其不确定性[23]。本文利用可中断负荷作为激励型需求响应，通过电力公司与用户签署相应的补偿合同，在系统负荷尖峰或易产生线路阻塞现象的时段适当按计划削减部分负荷，电力公司按削减负荷量给予一定的补偿。故本文在系统调度过程中将IL作为负荷与备用电源，不考虑其不确定性的影响。

2 阻塞风险评估模型

2.1 VaR和CVaR的数学描述

VaR存在无法计及尾部风险、计算不便等不足[8]，基于此，文献[25]提出了CVaR风险度量方法：在VaR的基础上，以超额风险损失的期望值对风险水平进行刻画。根据其定义可将CVaR描述为

其数学上的积分表达式为

CVaR综合考虑了风险的概率分布、置信度等多方面因素，将不确定因素造成的影响由概率型指标转化为置信度水平下的数值型指标[26]，更为直观地体现了不确定性造成的影响, 在描述风险时具有良好的数学性质。但文献[27]指出其在特定情况下具有一定局限性，如表1所示，置信度为0.95时，事件A和事件B的CVaR值是相同的，即CVaR方法无法对高概率、低越限事件和低概率、高越限事件进行有效区分。

表1 事件A和事件B的线路负载率

2.2 基于效用函数改进CVaR方法的阻塞风险刻画

2.2.1线路阻塞程度

RDG出力及负荷的不确定性导致负荷尖峰过高、线路潮流分布不均匀等现象的发生，配电网线路传输容量成为配电系统安全经济调度的一种资源，当线路潮流实际需求值高于其极限传输容量时，即出现线路阻塞现象，导致系统供电量缺额或弃风弃光等现象的发生。可用线路过载程度对线路阻塞程度进行描述，即

2.2.2线路阻塞风险

文献[28]指出，风险评估中的严重度函数应能反映元件越限的程度和不同问题间的相对严重程度，线路阻塞程度指标能够直观地体现配电网线路的有功功率越限程度。但线路过载程度为线性函数，传统的CVaR方法直接将其作为严重度函数，对不同阻塞情形下的相对严重程度的区分能力不足；效用函数体现决策者对故障事件导致的后果的感受或倾向[23]。本文结合效用理论，基于调度人员对线路阻塞不满意程度的效用，采用风险厌恶型效用函数作为线路过载程度的权函数，对CVaR方法进行改进，以此描述决策者对不同线路过载程度的厌恶程度。

式中，、、均为常数，且、为正数，此时权函数关于线路过载程度的一阶导数和二阶导数均为正数，表明当线路阻塞程度增加时，调度人员对于线路阻塞风险的重视程度以及重视程度的变化率均在上升，评价指标的风险厌恶特征更符合电力系统的实际运行状况。

3 阻塞抵抗性

高比例RDG接入配电网导致了潮流突变与双向化等特征的形成，潮流分布在时空维度上大规模堆积，可能导致配电网部分线路传输功率双向越限。线路阻塞可能导致配电网相应阻塞区域出现缺电或弃电现象，不仅违背了新能源发展的初衷，还影响了负荷侧的正常用电需求，这就要求日前制定的调度方案具备更强的不确定性应对能力，以应对线路阻塞带来的风险。

3.1 灵活性能力

燃气轮机(micro turbine, MT)、储能系统和IL可作为灵活性资源参与调度[29]，并用于应对配电系统的潜在阻塞风险。文献[30]指出电力系统灵活性具有方向性，本文基于灵活性上调与下调的特性，结合线路阻塞方向考虑灵活性资源调节能力的具体作用：当阻塞线路的实际功率传输方向为上游节点指向下游节点时，定义其阻塞类型为正向阻塞，此时说明该线路需要向下游区域传输更多的有功功率，但线路传输容量的限制导致下游区域供电量不足，产生负荷缺口，本文所提模型考虑调用系统灵活性资源的上调灵活性供给能力进行应对；当阻塞线路实际传输功率方向为下游节点指向上游节点时，定义其阻塞类型为反向阻塞，该现象表明阻塞线路传输容量限制了下游区域新能源发电的消纳，产生弃电现象，此时，系统可通过调用灵活性资源的下调灵活性供给能力促进风光等新能源发电的进一步消纳。但实际补偿或消纳过程中，灵活性供给能力的传输会受到线路传输容量的限制。以图2为例，IEEE33节点系统内灵活性资源ESS1、ESS2、MT1和MT2均具备上调灵活性供给能力，当线路12-13发生正向阻塞时，上游未阻塞区域内灵活性资源ESS1、ESS2和MT2的上调灵活性能力需要经过阻塞线路才能传输至阻塞区域，实际调度过程中并不可用，阻塞区域仅可利用区域内部的MT1对缺电风险进行电量补偿。

图2 灵活性能力传输限制

故本文在分析阻塞抵抗性时，先根据线路阻塞情况对系统进行分区，再根据式(11)分析各阻塞区域内的灵活性供给能力。

3.2 阻塞抵抗性

为量化阻塞调度方案对系统潜在阻塞风险的应对能力，本文从灵活性供给能力与阻塞风险应对需求的角度出发，在日前调度计划的基础上提出阻塞抵抗性的概念：正向阻塞区域内，阻塞抵抗性表现为上调灵活性供给能力对区域内负荷缺口的补偿程度；反向阻塞区域内，阻塞抵抗性以下调灵活性供给能力对区域内盈余电量的消纳程度进行衡量。具体表述过程如式(12)。

4 多目标优化模型

本文以配电网为研究对象，综合考虑高比例RDG入网背景下配电系统的经济性与安全性。由于RDG的出力间断性和随机性、DG存在容量小且安装位置相对分散的特点，需要将不同类型的DG聚合成一个集合体以辅助配电网进行安全经济调度。虚拟电厂可在不改变配网结构及DG并网方式的基础上，通过先进的控制、计量和通信等技术将不同类型、不同区域的DG聚合成整体以实施协调管理，可有效地呈现出DG对大电网的规模化效益。本文模型的系统结构如图3所示。

图3 系统结构图

4.1 目标函数

现有配电网线路阻塞管理研究主要针对首端线路有功潮流进行限制，但DG和IL可在配电网负荷侧灵活分布，对配电网中多条线路均可能造成较大程度的冲击。因此，配电网线路阻塞风险评估需要结合DG和IL的实际容量和安装位置，对受不确定性影响较大的多条线路同时进行分析。当考虑配电系统中多条线路的阻塞情况时，整个系统的阻塞风险可表示为

4.2 约束条件

1) 配电网约束

(1) 潮流约束

(2) 节点电压约束

2) 分布式发电约束

(1) 燃气轮机约束

(2) 储能约束

(3) 风光运行约束

3) 需求响应约束

(1) 电动汽车充电负荷约束

(2) 可中断负荷约束

5 算例分析

本文以图4的IEEE33节点系统对所提模型进行分析与验证。设各EV充电负荷为价格型需求响应，各EV充电站电动汽车数量为360台、270台和270台。接入系统的风电机组、光伏机组的最大功率分别为1500 kW和500 kW，IL1和IL2的有功负荷大小分别为500 kW和300 kW，最大可切除比例为40%和30%。系统内MT最小发电功率为200 kW，最大发电功率为800 kW，最大向上和向下爬坡速率为200 kW/h；ESS的电池容量变化范围为200～500 kW·h，最大充放电速率为100 kW/h。因研究需要，设置线路1-2、2-3、3-4和5-6的功率传输上限为4000 kW，线路6-7、10-11、12-13、2-19、3-23和6-26的功率传输上限为1300 kW。为便于描述EV充电负荷转移率曲线的参数，本文根据文献[31]，在表2中将线性区EV充电负荷的转移率以其上下边界参数的形式对其进行表征。

图4 IEEE33节点系统

表2 EV充电负荷转移率曲线的参数

5.1 目标函数的相关性与矛盾性分析

图5 F1、F2、F3分布情况拟合曲面

5.2 系统阻塞风险分析

为验证本文所提模型对于系统阻塞风险控制的有效性，基于不同优化策略进行阻塞调度安排，并对比各优化策略对系统阻塞风险的影响，各优化策略对应模型如下。

优化策略1：本文所提模型即考虑分时电价机制的风险厌恶CVaR优化模型。

优化策略2：基于分时电价机制的CVaR优化模型。

优化策略3：未考虑分时电价机制的风险厌恶CVaR优化模型。

5.2.1系统阻塞概率对比

图6 线路12-13各时段最大传输功率

图7 系统各线路传输功率标幺值的累积概率

从图6可以看出，优化策略2、优化策略3在一定程度上缓解了线路传输功率越限问题，但线路12-13在负荷高峰时仍存在阻塞风险，而优化策略1的调度方案有效解决了线路传输功率超额的问题。

图7中线路传输功率标幺值的符号代表线路中有功功率传输的实际方向，当线路10-11的传输功率标幺值为-0.5时，表明此时线路10-11的负载率为50%，且有功功率由节点11向节点10流动。线路潮流正向流动的场景中，未优化方案、优化策略3对应方案、优化策略2对应方案和优化策略1对应方案的线路传输功率标幺值的累积概率在线路正向传输功率上限处依次上升，说明3个优化方案均存在正向阻塞风险且阻塞风险依次降低，同时，3个方案的线路传输功率的标幺值在累积概率为1处依次下降，表明各优化方案的阻塞严重程度依次降低；在线路潮流反向流动的场景中，优化策略2和优化策略3对反向潮流越限具有较为明显的抑制作用，但仍存在一定概率出现反向阻塞现象，而在优化策略1对应的调度计划下，系统中线路的反向阻塞现象被完全消除。综上，本文所提的基于分时电价机制的风险厌恶CVaR优化方案能够更为有效地对阻塞风险进行控制。

5.2.2共同越限风险分析

本文所提模型同时考虑系统中10条线路的传输功率情况，存在多条线路同时发生阻塞的情形。多条线路同时阻塞增加了系统阻塞风险的复杂度与调度管理的难度，故合理分析并降低系统共同越限风险，对促进配电系统安全经济运行具有重要的意义。

1) 系统共同越限风险

图8 系统共同越限风险

由图8可知，若系统内有线路阻塞则认为此时系统阻塞，故图8中各优化策略对应方案的系统阻塞风险高于图7中的线路总体阻塞风险。未优化方案的系统阻塞概率为34%，系统多条线路同时阻塞的风险较高，且存在4条线路同时阻塞的情形。经过优化后，系统阻塞概率和多条线路同时阻塞的风险得到了不同程度的改善，其中优化策略1对应的优化方案效果最好，该优化模式下系统阻塞概率降低至3%且多条线路同时阻塞的风险被消除。

2) 风光偏差对系统阻塞的影响分析

表3 各优化策略F3最优时的调度方案在时段11的系统阻塞情况

图9 各优化策略F3最优时的调度方案在时段11的系统阻塞情况

由表3可知，相较于优化策略2，优化策略1侧重优化VPP收益时，对系统阻塞风险和共同越限风险的控制能力更强。从图9可以看出，各优化方案的阻塞场景均集中于风速正向偏差的区域，表明该时刻造成系统线路阻塞的主要原因是风速的正向波动，若系统要实现VPP收益最大化且降低阻塞风险，需要提升风电机组相关线路的传输容量或设置相应的下调灵活性资源，以应对该时刻风速的正向偏差。

5.3 系统阻塞抵抗性分析

本文在概率形式的不确定性环境下，使用改进的CVaR方法对线路阻塞风险进行限制，但多目标优化模型及CVaR方法的调度策略使系统仍存在潜在阻塞风险，故本文基于系统阻塞抵抗性评估模型，在分析置信区间外不确定性因素对线路阻塞的影响的同时，度量调度方案对潜在阻塞风险的应对能力。

故本节在优化策略1模式下，选取下述优化方案：在场景1条件下选取阻塞抵抗性最佳和VPP收益最佳的方案，在场景2条件下选取VPP收益最佳方案，分析置信区间外RDG出力不确定性所导致的潜在阻塞风险及系统应对阻塞风险的实际能力。

VPP收益最佳出力方案在风光出力场景1条件下，线路1-2、线路2-3和线路3-23发生正向阻塞；在风光出力场景2条件下，线路12-13发生反向阻塞。两个场景条件下VPP收益最佳调度方案的对应阻塞分区情况如图10、图11所示，图12为在场景1和场景2条件下各阻塞区域的阻塞抵抗性情况。

由图12可知，在场景1条件下，阻塞抵抗性最佳方案在线路1-2处发生反向阻塞，此时系统可通过调用MT2、ESS1和ESS2上调灵活性供给能力，增加阻塞区域内灵活性资源出力，解决因线路1-2阻塞产生的失负荷风险；VPP收益最佳方案在场景1条件下有3条线路发生正向阻塞，各阻塞区域内缺负荷量分别为53 kW、78 kW和487 kW，此时各阻塞区域内灵活性资源可提供的额外出力值为0 kW、100 kW和80 kW，阻塞区域1和阻塞区域3应对线路阻塞的灵活性能力不足，阻塞区域2的灵活性资源在应对本区域缺负荷风险后仍有上调裕度，但由于阻塞线路的传输功率限制，剩余的上调灵活性仅可作用于阻塞区域1而无法传输至阻塞区域3，同时，阻塞区域2的剩余灵活性上调能力仍无法满足阻塞区域1的负荷需求，因此系统在调用灵活性资源后，阻塞区域1和阻塞区域3阻塞抵抗性不足，存在用电负荷缺口。

图10 场景1下F3最优时的调度方案对应分区情况

图11 场景2下F3最优时的调度方案对应分区情况

图12 部分场景系统阻塞抵抗性

场景2条件下，VPP收益最佳方案导致线路12-13出现反向潮流越限，此时未阻塞区域中的ESS1、ESS2、IL1、IL2和MT2等DG虽具有一定的下调灵活性供给能力，但由于线路12-13传输容量的限制，未阻塞区域内的灵活性资源下调能力无法用于消纳阻塞区域内部的盈余电量，此时，阻塞区域仅依靠MT1提供额外的下调能力，但无法满足风电的消纳需求，因此仍存在反向阻塞现象。

6 结论

MT等可控DG的可调度性、EV和IL等柔性负荷的可约束性与可引导性为配电系统阻塞管理提供了解决途径。本文基于RDG和FL大规模入网的背景，针对配电网线路阻塞风险，提出了一种计及风险厌恶程度和阻塞风险应对能力的阻塞管理方法。通过算例仿真分析，可得出以下结论。

1) 线路阻塞风险评估是分析阻塞抵抗性的基础，合理约束线路阻塞风险可避免系统的甩负荷与弃电现象，提升系统的阻塞抵抗性。本文以风险厌恶型效用函数对线路阻塞的严重程度进行细致刻画，相较于传统的CVaR方法，能有效降低系统线路阻塞概率，改善线路阻塞严重程度并规避多条线路共同阻塞的风险。

2) 需求响应作为负荷侧灵活性资源，对于系统阻塞风险的整体优化具有较好的促进作用。本文以分时电价机制对EV充电的无序性进行控制，降低系统峰谷负荷差值，使优化策略能够更好地平抑风光出力的波动性，缓解系统阻塞问题。

3) 传统的阻塞风险评估方法忽视了对系统潜在风险的评估与应对，本文提出的阻塞抵抗性是对线路阻塞风险评估的补充。本文计及线路容量限值对灵活性资源调用的约束，结合线路传输容量上限和线路阻塞类型，在以系统实时阻塞情况进行分区的基础上评估系统对潜在阻塞风险的耐受能力，进一步提升了调度方案的安全性。

[1] 康重庆, 姚良忠. 高比例可再生能源电力系统的关键科学问题与理论研究框架[J]. 电力系统自动化, 2017, 41(9): 2-11.

KANG Chongqing, YAO Liangzhong. Key scientific issues and theoretical research framework for power systems with high proportion of renewable energy[J]. Automation of Electric Power Systems, 2017, 41(9): 2-11.

[2] 李鹏, 张培深, 王成山, 等. 基于智能软开关与市场机制的有源配电网阻塞管理方法[J]. 电力系统自动化, 2017, 41(20): 9-16.

LI Peng, ZHANG Peishen, WANG Chengshan, et al. Congestion management method for active distribution networks based on soft open point and market mechanism[J]. Automation of Electric Power Systems, 2017, 41(20): 9-16.

[3] 李军徽, 冯喜超, 严干贵, 等. 高风电渗透率下的电力系统调频研究综述[J]. 电力系统保护与控制, 2018, 46(2): 163-170.

LI Junhui, FENG Xichao, YAN Gangui, et al. Survey on frequency regulation technology in high wind penetration power system[J]. Power System Protection and Control, 2018, 46(2): 163-170.

[4] 文云峰, 江宇飞, 沈策, 等. 多阶段协调的风险调度模型及算法研究[J]. 中国电机工程学报, 2014, 34(1): 153-160.

WEN Yunfeng, JIANG Yufei, SHEN Ce, et al. Research on the model and algorithm of multistage coordinated risk-based dispatch[J]. Proceedings of the CSEE, 2014, 34(1): 153-160.

[5] 王智冬, 娄素华, 范臻, 等. 基于机会约束规划的含大规模风电电力系统阻塞调度优化[J]. 电力系统自动化, 2019, 43(23): 147-154.

WANG Zhidong, LOU Suhua, FAN Zhen, et al. Chance-constrained programming based congestion dispatching optimization of power system with large-scale wind power integration[J]. Automation of Electric Power Systems, 2019, 43(23): 147-154.

[6] 孙辉, 沈钟浩, 周玮, 等. 主动配电网源荷协调多目标阻塞调度[J]. 电力系统自动化, 2017, 41(16): 88-95.

SUN Hui, SHEN Zhonghao, ZHOU Wei, et al. Multi objective congestion dispatch of active distribution network based on source-load coordination[J]. Automation of Electric Power Systems, 2017, 41(16): 88-95.

[7] 赵一奇, 郭力, 刘一欣, 等. 计及阻塞管理的交直流柔性配电网协调优化调度方法[J]. 电网技术, 2021, 45(2): 622-633.

ZHAO Yiqi, GUO Li, LIU Yixin, et al. Coordinated optimal scheduling method of AC/DC flexible distribution network considering congestion management[J]. Power System Technology, 2021, 45(2): 622-633.

[8] 周任军, 姚龙华, 童小娇, 等. 采用条件风险方法的含风电系统安全经济调度[J]. 中国电机工程学报, 2012, 32(1): 56-63.

ZHOU Renjun, YAO Longhua, TONG Xiaojiao, et al. Security economic dispatch in wind power integrated systems using a conditional risk method[J]. Proceedings of the CSEE, 2012, 32(1): 56-63.

[9] 易国伟, 童小娇, 周鹏, 等. CVaR 和EVaR 安全运行风险管理下的电力系统经济调度[J]. 电力系统保护与控制, 2016, 44(8): 49-56.

YI Guowei, TONG Xiaojiao, ZHOU Peng, et al. Power system economic dispatch under CVaR and EVaR security operation risk management[J]. Power System Protection and Control, 2016, 44(8): 49-56.

[10] 邱威, 张建华. 计及运行风险的多目标发电优化调度[J]. 中国电机工程学报, 2012, 32(22): 64-72.

QIU Wei, ZHANG Jianhua. Multi-objective optimal generation dispatch with consideration of operation risk[J]. Proceedings of the CSEE, 2012, 32(22): 64-72.

[11] 李惠琴, 陈燕, 王岗红, 等. 计及功率预测误差的主动配电网实时经济调度方法[J]. 电力系统保护与控制, 2020, 48(16): 100-107.

LI Huiqin, CHEN Yan, WANG Ganghong, et al. Real-time economic dispatching method for active distribution networks considering power prediction errors[J]. Power System Protection and Control, 2020, 48(16): 100-107.

[12] 雷雪姣, 潘士娟, 管晓宏, 等. 考虑传输安全裕度的电力系统发电经济调度[J]. 中国电机工程学报, 2014, 34(31): 5651-5658.

LEI Xuejiao, PAN Shijuan, GUAN Xiaohong, et al. Transmission safety margin constrained unit commitment in power systems[J]. Proceedings of the CSEE, 2014, 34(31): 5651-5658.

[13] 刘德伟, 郭剑波, 黄越辉, 等. 基于风电功率概率预测和运行风险约束的含风电场电力系统动态经济调度[J]. 中国电机工程学报, 2013, 33(16): 9-15.

LIU Dewei, GUO Jianbo, HUANG Yuehui, et al. Dynamic economic dispatch of wind integrated power system based on wind power probabilistic forecasting and operation risk constraints[J]. Proceedings of the CSEE, 2013, 33(16): 9-15.

[14] 周任军, 陈瑞先, 童小娇, 等. 考虑线路阻塞的风险限制调度多步整合模型[J]. 中国电机工程学报, 2015, 35(19): 4930-4936.

ZHOU Renjun, CHEN Ruixian, RONG Xiaojiao, et al. Multi-step integration models for risk-limiting dispatch of line congestion[J]. Proceeding of the CSEE, 2015, 35(19): 4930-4936.

[15] 刘斌, 刘锋, 王程, 等. 考虑风电场灵活性及出力不确定性的机组组合[J]. 电网技术, 2015, 39(3): 730-736.

LIU Bin, LIU Feng, WANG Cheng, et al. Unit commitment considering flexibility and uncertainty of wind power generation[J]. Power System Technology, 2015, 39(3): 730-736.

[16] 林少伯, 韩民晓, 赵国鹏, 等. 基于随机预测误差的分布式光伏配网储能系统容量配置方法[J]. 中国电机工程学报, 2013, 33(4): 25-33.

LIN Shaobo, HAN Minxiao, ZHAO Guopeng, et al. Capacity allocation of energy storage in distributed photovoltaic power system based on stochastic prediction error[J]. Proceedings of the CSEE, 2013, 33(4): 25-33.

[17] 张海静, 杨雍琦, 赵昕, 等. 计及需求响应的区域综合能源系统双层优化调度策略[J]. 中国电力, 2021, 54(4): 141-150.

ZHANG Haijing, YANG Yongqi, ZHAO Xin, et al. Two-level optimal dispatching strategy of regional integrated energy system considering demand response[J]. Electric Power, 2021, 54(4): 141-150.

[18] 王尧, 谭彩霞, 王佳伟, 等. 分时电价机制下计及用户需求响应的微网优化调度模型[J]. 智慧电力, 2020, 48(10): 9-15.

WANG Yao, TAN Caixia, WANG Jiawei, et al. Micro-grid optimization scheduling model considering user demand response under time-of-use electricity price mechanism[J]. Smart Power, 2020, 48(10): 9-15.

[19] MURTY V V S N, KUMAR A. Multi-objective energy management in microgrids with hybrid energy sources and battery energy storage systems[J]. Protection and Control of Modern Power Systems, 2020, 5(1): 1-20.

[20] 孙宇军, 李扬, 王蓓蓓, 等. 计及不确定性需求响应的日前调度计划模型[J].电网技术, 2014, 38(10): 2708-2714.

SUN Yujun, LI Yang, WANG Beibei, et al. A day-ahead scheduling model considering demand response and its uncertainty[J]. Power System Technology, 2014, 38(10): 2708-2714.

[21] 罗纯坚, 李姚旺, 许汉平, 等. 需求响应不确定性对日前优化调度的影响分析[J]. 电力系统自动化, 2017, 41(5): 22-29.

LUO Chunjian, LI Yaowang, XU Hanping, et al. Influence of demand response uncertainty on day-ahead optimization dispatching[J]. Automation of Electric Power Systems, 2017, 41(5): 22-29.

[22] 赵冬梅, 宋原, 王云龙, 等. 考虑柔性负荷响应不确定性的多时间尺度协调调度模型[J]. 电力系统自动化, 2019, 43(22): 21-30.

ZHAO Dongmei, SONG Yuan, WANG Yunlong, et al. Coordinated scheduling model with multiple time scales considering response uncertainty of flexible load[J]. Automation of Electric Power Systems, 2019, 43(22): 21-30.

[23] 赵冬梅, 殷加玞. 考虑源荷双侧不确定性的模糊随机机会约束优先目标规划调度模型[J]. 电工技术学报, 2018, 33(5): 1076-1085.

ZHAO Dongmei, YIN Jiafu. Fuzzy random chance constrained preemptive goal programming scheduling model considering source side and load-side uncertainty[J]. Transactions of China Electrotechnical Society, 2018, 33(5): 1076-1085.

[24] URYASEV S. Conditional value-at-risk: optimization algorithms and application[J]. Financial Engineering News, 2000, 2(3): 1-5.

[25] ROCKAFELLER T R, URYASEV S. Conditional value- at-risk for general loss distributions[J]. Journal of Banking and Finance, 2002, 26(7): 1443-1471.

[26] 陈寒, 唐忠, 鲁家阳, 等. 基于CVaR量化不确定性的微电网优化调度研究[J]. 电力系统保护与制, 2021, 49(5): 105-115.

CHEN Han, TANG Zhong, LU Jiayang, et al. Research on optimal dispatch of a microgrid based on CVaR quantitative uncertainty[J]. Power System Protection and Control, 2021, 49(5): 105-115.

[27] CHEN Z, LI Y. Nonlinearly weighted convex risk measure and its application[J]. Journal of Banking & Finance, 2011, 35(7): 1777-1793.

[28] 张国华, 段满银, 张建华, 等. 基于证据理论和效用理论的电力系统风险评估[J]. 电力系统自动化, 2009, 33(23): 1-4, 47.

ZHANG Guohua, DUAN Manyin, ZHANG Jianhua, et al. Power system risk assessment based on the evidence theory and utility theory[J]. Automation of Electric Power Systems, 2009, 33(23): 1-4, 47.

[29] 白帆, 陈红坤, 陈磊, 等. 基于确定型评价指标的电力系统调度灵活性研究[J]. 电力系统保护与控制, 2020, 48(10): 52-60.

BAI Fan, CHEN Hongkun, CHEN Lei, et al. Research on dispatching flexibility of power system based on deterministic evaluation index[J]. Power System Protection and Control, 2020, 48(10): 52-60.

[30]赵福林, 俞啸玲, 杜诗嘉, 等. 计及需求响应的含大规模风电并网下电力系统灵活性评估[J]. 电力系统保护与控制, 2021, 49(1): 42-51.

ZHAO Fulin, YU Xiaoling, DU Shijia, et al. Assessment on flexibility of a power grid with large-scale wind farm integration considering demand response[J]. Power System Protection and Control, 2021, 49(1): 42-51.

[31] 刘博. 计及电动汽车充电的居民分时电价方案研究[D]. 北京: 华北电力大学, 2018.

LIU Bo. Research on the residential TOU price considering electric vehicles charging[D]. Beijing: North China Electric Power University, 2018.

A distribution network congestion management method considering risk aversion and congestion resistance

XIE Feng, LIU Lijun, LIN Ruxian, CHEN Junsheng, ZHENG Wendi

(College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, China)

To evaluate the impact of the uncertainty of large-scale renewable distributed generation and flexible load on distribution network line congestion, a scheduling management method considering the aversion of different degrees of out of limit risk and the resistance to potential congestion risk outside the confidence interval is proposed based on utility theory and flexibility. The congestion risk assessment model is constructed by integrating the three factors of distribution line congestion probability, congestion severity and risk aversion. The line blocking type is defined by the power transmission direction of the blocking line. The actual impact caused by line blocking is considered in different regions, and the blocking resistance level of the system is reflected in the response degree of the flexible supply capacity of the gas turbine, the energy storage system and the interruptible load to the potential blocking risk outside the confidence interval. The economic benefits of the distribution network are reflected by the network loss of the distribution system, and the scale benefits of distributed generation are presented by the benefits of virtual power plants. A multi-objective optimization model for safe and economic dispatching of the distribution system is constructed. Finally, based on the analysis and verification of the proposed model based on the IEEE33 node system. The results show that the day ahead scheduling scheme based on this method can effectively reduce system congestion risk and enhance the ability to resist potential congestion risk while taking account of economic benefits.

distributed generation; risk aversion; line blocking; blocking resistance;day-ahead scheduling

10.19783/j.cnki.pspc.211701

福建省自然科学基金项目资助(2017J01480)

This work is supported by the Natural Science Foundation of Fujian Province (No. 2017J01480).

2021-12-14；

2022-02-26

谢 锋(1997—)，男，硕士研究生，研究方向为电力系统规划、运行及优化；E-mail: fengx067@163.com

刘丽军(1982—)，女，通信作者，博士，副教授，研究方向为电力系统规划与运行、分布式发电技术、微电网的运行与控制。E-mail: liulijun0120@fzu.edu.cn

(编辑 许 威)