基于含分布式电源的配电网优化运行研究

陈倩,王维庆,王海云

(新疆大学 可再生能源发电与并网技术教育部工程研究中心,乌鲁木齐830047)

0 引 言

当今环保节能问题引起了广泛关注,在此情况下,可再生能源因其清洁、低碳、可再生的特点受到越来越多的重视,特别是光伏和风电的发展,截止到2020年上半年风电、光伏装机总容量达到4.33亿千瓦,位居世界首位,但同时也面临严峻的新能源弃电问题。而可再生能源作为分布式能源的主要形式,使得近年来分布式能源大量接入配电网,对配电网的规划、可靠性、继电保护和电能质量产生了较大的影响[1]。

配电网具有电压等级多,网络结构复杂的特点,而且配电网直接面向用户,这就对配网的安全可靠运行提出更高要求。近年来,随着分布式电源、储能、电动汽车以及直流负荷越来越广泛地接入,配电网的经济、可靠运行面临新的挑战。而配电网重构(DNRC)作为一种有效改善配电网性能的技术得到了广泛的发展,DNRC是指在满足网络约束条件下,通过改变开关的状态来改变配电网的拓扑结构,从而提高配电网的性能,其已被视为实现电力系统经济性和安全性的重要解决方案。与此同时,分布式能源的合理规划也能在一定程度上改善有功功率网损提高其经济性和环保性,另一方面,配电网为用户提供高质量的电能是其职责所在,所供电能需要减少谐波,保证电能质量,所以滤波器的接入就不可避免,而对滤波器的位置及容量优化也能在较大程度上改善电压质量。

文中对分布式能源接入配电网的影响做了陈述并对配电网优化运行技术和方法研究进行了分析总结,同时对现有研究中所建立的优化模型和求解算法进行了分析归纳,最后对配电网优化运行做总结与展望,文中框架如图1所示。

图1 配电网优化框图

1 DG并网特性及影响

可再生能源替代传统能源是必然的发展趋势,风电和光伏作为主要的可再生能源越来越广泛的并入配电网,大大提高了可再生能源的渗透率但是也增加了配电网运行的复杂性。风电和光伏的不确定性在很大程度上影响了配电网网络损耗、电压水平以及电网谐波。

1.1 新能源并网

可再生能源发电是实现替代化石能源的根本途径。随着技术突破和成本降低,以及全面深化电力体制改革的成功,2020—2040年风电和太阳能发电迅猛发展,平均年度新增装机容量接近1亿千瓦,到2050年将实现24亿千瓦风电和27亿千瓦太阳能发电,年发电量合计9.66万亿千瓦时,占全部发电量的64%,成为未来绿色电力系统的主要电力供应来源[2]。

近年来,充分利用风力发电机组(WT)和光伏发电机组(PV)等可再生能源发电机组已成为必然趋势[3]。全球电力结构正在逐步变化,可再生能源的重要性不断提高。据测算,2040年,以风电、光伏为主的可再生能源发电将占全球发电量的30%左右,全球可再生能源特别是风力发电和太阳能发电的比重将继续上升,这些能源为分布式能源的主要能源。

分布式发电(distributed generation,DG)靠近负荷,直接向用户供电,通常直接接入低压配电网,装机容量小(通常总装机容量不超过10 MW),清洁高效。分布式能源主要是在降低损耗保证经济性的条件下满足用户用电需求。随着配电网日益复杂,保证其可靠安全供电以及提高分布式能源渗透率就显得十分重要,同时,电力市场改革势在必行,分布式能源能够参与电力市场竞争,带来的经济利益使得分布式能源有了更强劲的发展势头。传统配电网大多采用单点对多点的辐射状单方向能量传递结构,以上级变电站为电源,且通常为传统负荷。未来配电网将大量接入分布式电源、灵活负荷以适应可定制化供电需求。

然而,为了降低网络损耗、平衡需求过载、提高节点电压水平、吸收可再生能源[4],配电网实施分布式发电增加了配电网的复杂性,具有随机性和不确定性负荷的分布式电源的广泛渗透,也大大增加了配电网安全经济运行的风险。另一方面,随着可再生能源的大规模互联和居民、商业、工业负荷的结合,配电网变得越来越复杂。其随机性和波动性将给传统配电网的安全性和经济性带来挑战[5]。

1.2 DG模型和特性

分布式风力发电通常靠近负荷中心,就地消纳,是未来发电开发的新模式。风力发电通过风力带动风轮旋转,再通过增速机将旋转速度进行提升,进而使发电机发电。由于大自然的风能是时刻变化的,具有波动性和间歇性,而风电机组的运行与风速大小联系紧密。在实际运行中,只有当风速大于切入风速时(通常3～4 m/s),风轮才开始旋转并牵引发电机开始发电,在风速小于切入风速时,风轮保持不动。当风速越大时,输出功率越大。当风速达到额定风速时,风电机组会输出其额定功率,之后输出功率会保持额定功率不变。当风速达到切出风速时,风电机组会刹车,不再输出功率保护风机。分布式光伏发电遵循因地制宜、清洁高效、分散布局、就近利用的原则,充分利用当地的太阳能资源,替代和减少化石能源消费。分布式光伏发电系统有功出力受光照强度影响较大,发电功率与光照强度呈正相关性。天气对光伏出力的波动水平有显著的影响,晴天时光伏出力平稳,有云天时,受云层遮挡影响,光伏出力波动较大,这将会造成电网电压波动,对电网规划运行造成不良影响。

风电、光伏等不确定因素接入电网,大大增加了电网的不确定性[6-7]。风力发电和光伏发电分别随风速和太阳辐射而变化,可以建立具有分布式发电量变化的模型[8-9],分别用Weibull分布[10]和Beta分布[11]模拟风速和太阳辐射。

1.3 DG对配电网的影响

DG在配电网接入容量越来越大,对配电网影响越来越深。对配电网规划而言,最优网络布置方案更加困难、线路负载能力发生变化、影响系统的潮流分布、负荷增长的预测难度增加;对配电网可靠性而言,DG并网运行,可降低系统的供电可靠性,DG作为备用电源接入,提高电网的输电裕度。对配电网继电保护而言,改变了配电网的故障特征,可能引起原有继电保护装置灵敏度降低,拒动或误动;在配电网电能质量方面,DG与当地的负荷协调运行与否,将抑制或引起系统电压的波动,DG接入配电网系统后产生谐波问题。

DG对配电网线路损耗的影响。一般情况下,配电网运行时呈现弱环、开环或者辐射状网络结构,整体电压较低。DGs的并入使得配电网结构发生很大变化,由原有的单电源辐射结构变成多电源弱环状结构。由此,DGs并网后使得电网支路潮流方向发生改变,影响到电网的线路损耗(简称线损)。线损变化不仅与负荷有关,还与DGs的位置和容量有关。当配电网总体上是吸收网络时,少量分布式电源的接入使得配电网线损减小,当分布式电源容量较大且没有合理配置时,配电网线路损耗有可能増大。国内外有不少研究者就分布式电源对配电网线损的影响进行了研宄。有学者基于DGs的位置及容量优化来降损稳压,采用启发式算法通过对分布式电源的安装位置进行优化,使有功功率损耗、无功损耗、无功发电和电压偏差构成等多个目标最优。

DG对配电网电压的影响。集中供电的配电网一般呈辐射状。稳态运行状态下,电压沿馈线潮流方向逐渐降低。接入DG后,由于馈线上的传输功率减少,使沿馈线各负荷节点处的电压被抬高。可能导致一些负荷节点的电压偏移超标。其电压被抬高多少与接人DG的位置及总容量大小密切相关。通常情况下,可通过在中低压配电网络中设置有载调压变压器和电压调节器等调压设备,将负荷节点的电压偏移控制在符合规定的范围内。对于配电网的电压调整,合理设置DG电源的运行方式很重要。针对光伏风电来说,中午阳光充足,光伏出力较大,但是午间负荷一般较小,这时光伏接入点的电压将出现明显被抬高的趋势,如果光伏接入点在馈线末端,接入点的电压很可能会越过上限,这时必须合理设置光伏电源的运行方式。风电接入对配电网的电压也产生了很大的影响,会使电压被抬高,而电压抬高的多少与接入风电的位置及容量的大小有关。DG对电压的影响还体现在可能造成电压的波动和闪变。由于光伏电源的出力随入射的太阳辐照度而变,风电出力随风速变化而变化,可能会造成局部配电线路的电压波动和闪变,若跟负荷改变叠加在一起。将会引起更大的电压波动和闪变,所以当大量DG接入时,对其接入位置和容量进行合理的规划十分重要。

DG对配电网谐波的影响。DG通过电力电子设备并网,这就不可避免的给网络带来谐波问题。DG输出电能质量与电力电子换流技术密切相关,其输出电流会出现多次特征谐波,谐波电流的幅值随着谐波次数的增大而减小,且高次谐波电流在配电网中传输时随电气距离的增大而衰减。近年来,电力电子技术的快速发展极大地促进了DG并网的开发利用,然而,DG具有强烈的随机性、间歇性,其采用非线性电力电子装置作为并网接口,将给配电网带来复杂的谐波问题。

DG对配电网的影响如图2所示。

随着可再生能源的关注度持续上升,DG已成为一种重要的电力能源。随着可再生分布式电源的大规模并网,传统配电网的拓扑结构已经发生了变化,网络由原来单一辐射式逐渐变成如今多支路分散模式,这也使得系统潮流分布发生了改变。因为风机和光伏都与天气因素关系密切,当天气变化剧烈的时候,风力和光伏发电输出功率会出现较大的波动,使得配电网潮流分布也出现随机性,同时也会影响电压波动。整体看来,DG以合适容量在合适位置并网能够在一定程度上提高配电网电压质量,如若DG并网容量过大或是位置不适可能造成功率反向流动,在并网点出现局部电压峰化,可能超过配电网电压上限。并且DG并入配电网,影响了配电网的网络损耗,给配电网带来了谐波问题,降低电压质量。

2 配电网优化技术研究

为了降低网络损耗、平衡需求过载、提高节点电压水平、吸收可再生能源,配电网重构(DNRC)已被视为实现电力系统经济性和安全性的重要解决方案,另一方面,分布式电源对电压分布主要是受分布式电源的安装位置、容量和功率等因素的影响。对于谐波治理,在配电网中,合理接入滤波器是最重要的手段,对配电网中滤波器的位置和参数进行优化,能更好的达到治理谐波的目的。

2.1 配电网重构技术研究

目前,随着可再生能源的大规模互联和居民、商业、工业负荷的结合,配电网变得越来越复杂。其随机性和波动性将给传统配电网的安全性和经济性带来挑战,此时,DNRC已被视为实现电力系统经济性和安全性的重要解决方案。DNRC是指在满足网络约束条件下,通过改变开关的状态来改变配电网的拓扑结构,我们针对不同的目标,在给定的网状配电系统上确定最优的径向配置,即每个支路的闭合/断开状态,从而提高配电网的效率和稳定性。因此配电网重构是配电网规划和运行的有力工具[12-16]。

在网络重构过程中,许多学者针对不同的目标和算法对网络重构进行了研究。有学者把经济性放在首位,力求网损最小化,因此单一目标是配电网有功损耗最小[17-18]。其他研究者则专注于降低网络损耗和电压偏差的双重目标,既追求经济性,又重视电网的安全性,将降低网损和电压偏差作为双重目标[19]。另外,为了保证电网中的负荷不超载,Jakus以有功损耗最小和负荷平衡最小为优化目标,建立了DNRC的数学模型[20]。然而,随着越来越多的DG和复杂负荷接入电网,配电网对于配电网的运行控制变得越来越复杂[21]。这些模型没有考虑可再生能源和负荷的动态变化。事实上,风力发电和光伏发电分别随风速和光照强度而变化,风速和光照强度可以用Weibull分布[22]和Beta分布[23-24]来模拟。文献[25-26]建立了考虑这些不确定性的配电网重构模型,但没有考虑负荷随时间的变化。文献[27]考虑了单目标模型不确定的DG输出和负载。

在建立配电网多目标优化模型时,有学者引入博弈论,构建了多目标博弈模型[28-29],以解决无主观性的多目标问题。同时,配电网重构问题中,重构时段划分也是一个重要方面。基于DG和负荷的时变特性,动态重构的主要方法是根据DG和负荷在一天内的变化对时间进行分段,通过划分重构周期可以大大减少开关操作的次数。文献[30]提出了基于时间间隔信息熵的动态重构方法。文献[31]提出了功率矩指标,并将功率矩不平衡与预定的功率矩阈值进行了比较,将满足条件的区间合并到最后一个时段,完成时段划分。另外,文献[32]将负荷曲线单调区间的积分中值点作为分段点,将负荷下降最小的相邻区间合并,直至达到预设的分区数。文献[33]采用改进的模糊平均聚类算法对时间间隔进行划分,并利用组合损失函数的值来确定最优的划分数目和方案。

对此,在配电网重构中,需要充分考虑配电网中DG和负荷的不确定性,并建立配电网多目标重构模型。对于重构周期划分,为避免计算量大的问题,可以采用多种聚类法对配电网的净负荷进行分析,划分DNRC的时段,避免人为主观性。

2.2 DG位置及配置优化研究

配电网中DG位置及容量对配电网的性能有很大的影响,其电压质量和网损等都和DG安置位置数量及尺寸有关,合理安排DG位置及容量可以改善DG带给配电网的负面影响,如功率损失、电压偏移和气体排放等,提高能源效率和电能质量,改善系统内可靠性和安全性。另一方面,合理安装DG具有一定的经济性和环境效益,包括改善设施,降低运营成本,优化生产,降低节能成本等。

对此,学者对DG位置容量优化配置做了大量研究。文献[34]解决了大规模可再生能源混合分布式发电和电容器组集成到配电系统中的分配规划问题。文献[35]以降低成本为目标,提出了一种新的改进的电压稳定评估指标(VSAI_B)为中心的规划方法,同时实现电压稳定、损耗最小化和相关目标。也有文献在配电网中加入电动汽车,建立双层优化模型,除了同时优化电动汽车充电外,还保证了多台风力发电机组的优化集成。文献[36]考虑电网质量,将电网总谐波畸变率(THD)和电压暂降等电能质量指标的降损和改善作为目标建模,运用博弈论方法确定了配电网中配电网的整合位置。与此同时,网络重构能够在不进行施工的情况下改变网络拓扑结构,有效的优化配电网的性能,将重构技术和DG优化问题结合起来,可以为电力系统提供更多的技术、环境和经济效益。分布式发电的优化集成和辐射状网络的重构对整个电力系统有着积极的影响。文献[37]以最小化线损和THD为目标,并通过分布式发电的优化配置和规模调整以及网络的优化重构来改善系统的电压分布,分析了THD对功率因数的影响。文献[38]介绍了一种在正常和严重事故情况下考虑需求响应计划和小时配电网重构的风电场、储能系统和电动汽车停车场的优化协调分配方法,其目标函数是最小化从上游电网和WFs购买电力的总成本,以及商业/工业负荷灵活性和住宅负荷削减的成本。文献[39]从降低网损和改善电能质量的角度出发,提出了一种新的DNRC和DG分配模型。一个分支交换技术和一个优化的方法被用来确定最佳的网络安排。文献[40]提出了基于最优配置PV-DG的动态时变和静态季节性重构。此外,还实现了静态年度重构,然后对分布式资源进行优化分配。考虑的重构目标包括损耗最小化、电压最小化和负载能力改善同时考虑了负荷和DG发电量的小时和季节变化。

针对以上问题,可以同时采用DG位置容量优化和配电网重构技术,通过考虑DG输出和系统负荷的变化,使配电网重构和分布式发电集成的效益最大化。在同时满足所有的运行和拓扑约束的条件下建立优化的目标函数。求解出的最佳解决方案能够显著提高配电网的经济性、技术性和环保性。

2.3 滤波器位置及容量优化研究

电能质量问题是用户和配电系统运营商都十分关注的问题。在用户和工厂中敏感设备日益增多,这使得用户对电能质量有了更高的要求。DG接入配电网能够降低网络的有功损耗,同时改善电压分布提高可靠性,但配电网中DG并网会给配电网带来大量的谐波同时配电系统中非线性负载也会产生谐波,因此采用无源谐波滤波器进行谐波抑制是不可避免的。

在谐波抑制所采用的设备主要分为两种:有源滤波器和无源滤波器,有源滤波器滤波效果好但是其投入成本高,并且建设调试需要一定技术性,需要专人操作,相比较而言,无源滤波器因其价格便宜,操作简单而广泛应用在配电网谐波抑制中。特别是单调谐无源谐波滤波器可吸收单一次数谐波。利用有限数量的谐波滤波器进行全网谐波优化可以归结为一个优化问题。近年来,许多研究者采用各种方法对无源谐波滤波器规划问题进行建模。文献[41]对存在严重非线性负载的配电系统中的无源滤波器(PPFs)和DGs的进行优化规划,以同时降低功率损耗、THD以及PPFs和DGs的投资成本为目标。

一般情况下,配电网重构以网损最小为目标,可以有效减少配电网网络损耗,但是现在为了减少谐波畸变率,配电网重构技术也以谐波畸变率最小为优化目标,用以有效减少谐波畸变率[42]。忽略系统不同配置的谐波滤波器规划研究无法获得最优解。换言之,当针对单一电网拓扑进行滤波器规划研究时,基于实际降损的重构应用于系统时,不能保证满足电能质量约束。文献[43]为了在规划研究中结合不同的电网配置,提出了一种适用于一次配电网的无源谐波滤波器规划与降损重构的聚合模型。为了更进一步的优化配电网性能,文献[44]提出了一个用于平衡和非平衡状态下无源滤波器和逆变器再生DGs以及DNRC的集成模型。虽然配电网重构通常是为了降低网损而实施的,但它也会影响到电网的其他指标,如电压分布和电能质量指标,谐波滤波器的规划忽略系统不同拓扑结构的研究不能得到最优解。

对此,可以对改变电网拓扑结构的滤波器规划问题进行研究,将基于降损的重构方法引入到无源谐波滤波器规划问题中,通过这种方式结合更多有关实际电网规范的细节,可以保证整个规划期内的低THD水平。

3 配电网优化建模研究

基于上述分析,配电网优化运行的建模目标和约束条件根据不同的关注点而变化。在配电网优化运行中有多个决策变量,通常是安装新设备的地点、规模和投资计划以及开关的数量、状态(开/关)和位置。通用配电网优化问题本质上是具有连续和离散(二进制)变量的复杂混合整数非线性规划问题[45]。

3.1 配电网优化运行目标

配电网优化运行中能考虑的目标很多,按成本划分主要有投资成本和运行成本。投资成本主要指配电网规划过程中新接入分布式能源,无功功率补偿器、滤波器等设备所需的费用,运行成本主要包括网损成本、削减负荷成本和DGs发电成本等[46]。如今,随着人们的环保意识日益增加,研究热点不仅仅是配电网优化运行的经济性,同时对环境效益也有了更高的追求,在保证经济的同时要加可再生新能源的渗透减少温室气体的排放[47]。另一方面,因为配网靠近用户,对电能质量要求高,有些研究者将关注点放到了电压偏移度和谐波畸变率上[48],配电网优化目标归纳如图3所示。

图3 配电网优化目标

通常下配电网重构的主要优化目标有配电网有功功率网损、电压偏移度、负荷均衡度最小,DG位置及容量规划常以DG投资运行成本最小同时环境效益最大为目标,滤波器位置及容量规划则主要对谐波畸变率进行优化,其目标函数建模如图4所示。

图4 配电网主要目标

3.2 配电网优化运行约束条件

配电网优化运行还必须在多个约束下进行,其主要是具有多个约束变量的优化问题。包括:功率平衡约束,确保有功和无功发电量和消耗量均等;电压约束,电压偏差必须保持在允许的范围内以确保稳定性;支路容量约束,配电馈线的潮流必须在分支的允许容量之内;DG功率约束,DG设备的有功和无功输出功率必须为DG单元的有功和无功发电设置阈值之内,另一方面DG的无功功率会影响电压曲线和功率损耗,在配电网中对DG做优化时也常考虑其无功调节能力;DG的渗透极限约束:DG的发电功率也必须在设定的极限内,通常DG装置的渗透率约为主要变电站额定值的30%～40%;变电站容量约束,变电站的负载也必须在允许的区间内;网络拓扑约束,配电网通常需保证辐射状运行,避免环流和孤岛运行;投资费用约束,通常在网络中加装设备都需要考虑有限的财务资源;功率因数调节约束,配网中功率因数必须满足相关标准;功率损耗约束,如果未考虑损耗最小为最优目标,通常也需将网络的功率损耗稳定在一定值以下,包括馈线以及变压器的损耗;谐波畸变率约束,配网中谐波含量不能太大,因维持在一定范围内;可靠性约束,配网需保证其可靠供电。除了常规约束,在含储能和电动汽车的配网中还有其他约束,如储能单元的容量和减载约束[49],电动汽车充电站约束[50]和DG排放限制[51],约束条件如图5所示。

图5 配电网优化约束条件

常见主要约束条件如图6所示。

配电网优化问题通常具有多个目标,多个约束条件,可根据具体问题进行具体建模。

4 配电网优化方法研究

由于分布式能源和负荷的不确定性对配电网稳定运行的影响较大,在做配电网运行优化前,需对不确定性进行处理。而且配电网优化问题是非线性且多约束的组合优化问题,求解复杂,需要采用改进的算法进行求解。另外,针对多目标问题,需要采用多目标求解算法并对其进行改进,更加客观地选择最优解。

4.1 不确定性处理方法研究

由于分布式能源的及负荷的波动性和间断性,给配电网带来了不确定性,在处理这些不确定性时,常采用的方法主要有场景数优化法和鲁棒优化法。鲁棒优化方法是在最坏情况约束下,在不产生大量场景的情况下寻找最优解。然而,最坏情况下的解可能过于保守,求解最小-最大问题需要多层次迭代,在意外情况下可能不满足约束条件。为了解决这一问题,文献[52]提出了可以灵活确定的最坏情况下的个别值,而不是假设盒子不确定性集中所有不确定因素的最坏情况值。此外,文献[53]提出了一种新的基于风险的不确定性集优化方法,用于典型的混合式AC/DC微电网的能量管理,该方法对提高不确定度处理的精度做出了很大的贡献,但计算量大是不可避免的。对于场景数优化方法,即随机优化。假设不确定变量遵循特定的概率分布,并相应地生成离散场景[54]。因此,生成的情景只是不确定性真实分布的粗略近似值。该方法近似最优,需要大量场景,其精度与计算量存在矛盾。然而,这种方法简单有效。因此,多场景技术已成为解决电力系统随机优化问题的主要方法。Wasserstein概率距离指数广泛应用于风力发电和光伏发电情景的划分,针对风电随机分布特征的差异,文献[55-56]提出了分类概率综合多情景分析方法。另外,大量场景的生成增加了计算量。为了减少计算负担,有必要对场景进行简化。场景简化方法主要是启发式算法,包括K-medoids聚类算法、K-means聚类算法、同步向后约简(SBR)、快速前向选择(FFS)[56-58]。

4.2 算法研究

算法大致分为数学规划算法和启发式算法,数学规划算法理论上可以寻优求解,但是配电网优化运行问题规模和计算复杂度都较大,数学规划算法对此不太适合。所以对于配电网优化运行的求解算法,大多采用启发式算法,启发式算法也简单易于实现,例如遗传算法(GA)[59]、人工免疫系统(AIS)[60]、禁忌搜索(TS)、帝国主义竞争算法(ICA)、学习自动机(LA)、模拟退火(SA)、专家系统(ES)、引力搜索算法(GSA)、和声搜索算法(HSA)等,其中还有群体智能算法粒子群优化算法(PSO)[61]、蛾群算法(MSA)[62]、杜鹃搜索算法(CSA)[63-64]和改进启发式算法 (HA)[65]、蚁群(AC)、人工蜂群(ABC)等。这些算法在求解多目标模型时容易陷入局部最优解。对此,对算法进行改进,文献[66-67]在粒子群算法中融入混沌理论使其保持多样性跳出局部最优解,文献[68-69]分别提出了一种猫群优化(CSO)算法和改进的灰狼优化(MGWOW)算法来改进GA和PSO算法。另外,通过混合算法也可大大提高算法的效率,将不同的算法结合起来以提高寻优能力,减少计算成本。文献[70]结合遗传算法和粒子群优化算法两者的优点,体现出较GA和PSO更好的寻优性能,文献[71]采用模拟退火-粒子群混合算法(SA-PSO)求解得到储能容量的优化方案,同时,文献[72]利用布谷鸟搜索算法寻优,并针对其在后期收敛速度慢、收敛精度差的缺点,引入模拟退火算法以提高算法的全局和局部搜索能力。这些混合算法也大大增加了算法寻优的效率。

4.3 多目标问题研究

在处理多目标优化问题时,优化过程需要满足不同或相互矛盾的目标函数,通常将多目标加权后转化为单目标进行求解。这种加工过程比较粗糙,不能同时优化多个目标。因此,一些学者使用双层模型来处理多目标问题[73]。其他学者引入博弈论,构建多目标博弈模型[28]来解决多目标问题。同时,帕累托最优解在求解多目标优化问题中得到了广泛的应用[74-76]。但是,Pareto最优解只是问题的一个可接受的解集,一般存在多个Pareto最优解。此时,人们需要自己做决定,这是不客观的。对于这个问题,文献[77]将得到的Pareto最优解(POSs)分成不同的簇,然后通过使用灰色聚类分析(GRP)评估属于同一簇的解的相对投影来确定最佳折衷解(BCs)。另外,我国学者邓聚龙教授于1982年创立了灰色系统理论[78]。多目标灰靶决策(GTDM)可以在不丧失客观性的前提下,选择出满意的方案。文献[79]提出了一种基于熵权方法的GTDM理论,用以确定最优的权衡调度方案。文献[80]将模糊c-均值算法(FCM)与GRP相结合的综合决策,旨在从POSs中提取反映决策者偏好的最佳折衷方案。

含分布式能源的配电网优化问题,需要考虑分布式能源及负荷的不确定性,现在有很多学者对不确定性的处理方法展开研究[81-83],不确定性处理越来越精确,但方法越来越复杂,如何平衡精确度和计算量是需要考虑的问题。配电网优化通常是多目标优化问题,在建模之后,如何采取合适的方法进行高效求解也是很重要的问题。在对多目标多决策变量,高维的非线性组合优化问题进行求解时,大多采用启发式算法,但一般启发式算法不稳定且寻优速度慢,对此有多种改进算法,为了提高寻优效率,可以改变操作算子、增加社会学习行为和每次迭代后的排序来加快全局最优解的搜索速度,此外,混沌理论可以解决早熟问题,避免求解算法陷入局部最优解。同时结合不同算法的优势产生混合算法,混合算法在寻优速度上具有明显的改进并帮助其跳出局部最优解,求解精确度更高。对于多目标优化问题,通常采用Pareto算法进行求解,并有多种方法帮助其从一组最优解中找到最终最优解。

5 结束语

文中回顾了含分布式配电网优化运行中的多方面问题,包括分布式能源对配电网的影响,以及优化运行技术及方法层面的问题,同时包括不同优化问题的建模及约束条件,以及配电网中不确定性处理方法,最后对配电网优化运行的求解算法做了详细描述。研究配电网中DG和滤波器优化配置及重构模型,有利于降低分布式能源的年投资综合费用及系统环境成本,提高分布式能源综合利用率、可再生能源的渗透率,减少大气污染。

含分布式电源的配电网优化运行突出存在的关键问题是如何精确且简单地处理配电网中的不确定性,以及如何对配电网的多目标优化问题进行客观高效的求解。对此,很多学者进行了深入的研究,但都难以平衡精确度和计算量之间的关系,在未来,需要探究更多高效的不确定性处理方法及复杂优化问题的求解算法。一方面,未来配电网将变得更加复杂,不仅有储能装置、充电桩的大量接入,同时用户侧负荷也变得日益复杂,考虑需求侧响应的主动配电网的研究就显得十分重要,通过研究兼容需求侧资源的配电网经济性规划,能够做到多能互补,充分发挥需求侧可调控资源与储能设备的综合调节潜力,平仰DG间歇特性对局部电网的冲击,提高系统经济性与安全性的同时,保证可再生能源的高渗透率。另一方面,提高配电网安全经济运行,计及热电联供系统和动态网络拓扑结构的分布式电源规划模型也是需要探究的重要方面。