一种面向电力系统分布式资源的配电网双向阻塞调度方法与流程

本发明属于配电自动化技术领域，特别涉及一种面向电力系统分布式资源的配电网双向阻塞调度方法。

背景技术：

近年来，随着分布式光伏(photovoltaic,pv)发电、电动汽车(electricvehicle,ev)等新型可控负荷的在配电网中的渗透率不断提高，使得单一方向供能的传统配电网逐渐向着潮流双向流动的新型配电网转变。考虑到灵活可控的分布式资源兼具环保和经济性的社会福利，对其进行合理优化调配的潜力巨大。在新一轮电改售电侧放开的推动下，配电网中越来越多的价格响应型的分布式资源愿意参与电力市场以期减少自身的用电开支。然而，由于分布式资源多为系统结构底层分散的中小型发用电用户，其灵活性资源的弹性水平达不到参与电力市场的门槛值。为了整合需求响应资源，使闲置的具有调节能力的中小型发用电用户能够参与到市场中，负荷聚合商、园区运营商、电力零售商等新的市场主体概念相继被提出。但是，无约束、无引导或agg(aggregator,负荷聚合商)仅考虑用户用电成本的分布式资源的调度结果很可能导致在某些时刻集中用电或集中放电，造成正向或反向的负荷尖峰，甚至引起配电网的双向阻塞。因此，有必要研究考虑网络安全运行约束下的分布式资源日前优化调度策略。

现阶段的研究大多局限于在电力市场价格信号的引导作用下，仅考虑用户的用电成本的优化调度，且仅考虑了单一方向的潮流约束并未计及配网中的可调光伏大功率倒流造成的反向线路阻塞问题。因此，电动汽车、光伏等分布式资源引起的双向潮流问题成为新型配电网日前优化调度过程中一个亟待解决的问题。

技术实现要素：

本发明的目的是提供一种面向电力系统分布式资源的配电网双向阻塞调度方法，其特征在于，以目前在配电网中渗透率较高的电动汽车和光伏发电单元为研究对象，考虑到电动汽车和光伏资源分布广泛，单体调节量小的特点，如果dso直接对这些分布式资源进行调度，可能会面临变量维数过大的问题，也由此给调度过程带来极大了的通信负担而且不利于对用户发用电隐私信息的保护。显然，这是不现实的。因此本专利给出了管理电动汽车和光伏资源的分布式调度模型，下层由agg(aggregator负荷聚合商)通过安装于用户侧的控制与通信设备对配电网中的分布式资源进行管理，上层由dso(distributionsystemoperator,配电系统运营商)负责对agg的功率计划进行网络校核，保证配网安全运行。通过引入agg对用户资源的集群管理和调度，可以有效实现配电网和分布式资源之间的互动响应，避免了分布式资源在参与电力市场竞争的过程中给配网带来的双向阻塞问题。具体包括：

1)各agg收集其管理的电动汽车车主的用车习惯和电动汽车的车型信息，然后对电动汽车资源的数据进行整理。通过采集分布式光伏的装机情况和天气情况等信息，对其所管理的分布式光伏资源的最大出力进行预测。

2)建立各agg的能量管理模型。各agg考虑电动汽车的用电安全及成本以及光伏资源的最大出力情况对两种资源进行合理优化调度。

3)dso进行网络安全校核。根据agg上报的功率计划，dso进行网络安全校核，若未通过校核，根据线路阻塞量计算发、用电功率调整信号并下发给agg引导其进行功率调整。

4)最终调度计划的确定。

所述步骤1)的信息包括：电动汽车的最大充电功率，车主的入网和离网时间，电动汽车电池状态信息，车主的充电需求，光伏的最大发电量信息，日前市场电价信息。

所述步骤2)包括：基于步骤1)建立agg层电动汽车和光伏资源的优化调度模型，将日前24小时均分为nt个时间间隔，每个时间间隔的时间长度为δt，各agg以用电成本最小为目标，其优化调度模型的目标函数的形式如下：

分布式资源约束表示如下：

0≤pevi,m,t≤pmax

其中，pevi,m,t为aggi下的第m辆电动汽车在t调度时段的充电功率；pmax为电动汽车的最大充电功率；ecap,m为第m辆电动汽车的电池容量；soc0,m为第m辆车初始的荷电状态，socmax,m为第m辆车离网时的荷电状态，ηm为第m辆电动汽车的充电效率，δt为每个调度时段的长度；tm0为第m辆电动汽车入网开始接受调度的时段，tmd表示第m辆车离开的时段；非调度时段内电动汽车的充放电功率均为0；ppvj,t为节点j第t个时刻光伏的实际有功出力值；

根据上述模型，可得到各agg下电动汽车和光伏资源产用电的初步功率计划pevi,j,t和ppvi,j,t。

所述步骤3)的dso网络安全校核为检查agg提交给dso的功率计划是否能满足线路安全约束，该约束表示为：

式中：为线路上下限安全约束对应的拉格朗日乘子；d为功率传输分布转移因子；和分别为支路l允许流过的有功功率的上下限；pt为各节点在t时刻的总有功注入功率矩阵；为描述aggi中接有ev的节点位置矩阵；为描述aggi中接有光伏的节点位置矩阵。ploadj,t为各节点j在t时刻的固定负荷值。

所述步骤3)的发、用电功率调整信号引导下的调度调整是针对agg提交的功率计划不满足线路安全约束的情况，主要包括：计算电动汽车和光伏资源的发、用电功率调整信号和agg优化调度方案的调整，具体包括：

5a.发、用电功率调整信号的计算方法为：

其中为引导节点j在t时刻电动汽车用电计划进行功率调整的信号，为为引导节点j在t时刻光伏发电资源的上网电量进行调整的信号。

5b.根据反应网络阻塞情况的发、用电功率调整信号，各agg改变其功率控制方案的目标函数为：

agg根据发、用电功率调整信号分别对电动汽车的充电方案和光伏资源的上网发电计划进行重新优化，如此迭代直至满足迭代收敛判据的要求为止。

所述步骤5a包括：

步骤5a1：计算关于线路安全约束对应的拉格朗日乘子的次梯度st为：

步骤5a2：从初值为0开始，每次迭代时对其进行更新：

步骤5a3：迭代的收敛判据：

所述步骤4)中调度计划的确定包括：dso根据agg上报的电动汽车和光伏的的发用电功率计划做网络安全校核如公式确定agg是否能够按照上报的功率计划参与日前电力市场，若可执行则agg按上报的功率计划参与日前市场交易，否则返回步骤5a。

本发明的有益效果是该模型综合利用电动汽车和光伏的可调度特性，考虑分布式资源的发用电成本和网络线路安全运行约束，解决了配网双向阻塞问题。

附图说明

图1为面向电力系统分布式资源的配电网双向阻塞调度方法框架示意图。

图2为面向电力系统分布式资源的配电网双向阻塞调度方法的流程图

图3为网络拓扑图及电动汽车和光伏资源分布

图4.1为支路1功率情况其中(a)12:00-次日12:00功率变化；(b)1:00-6:00功率变化；

图4.2为支路29功率情况，其中(a)12:00-次日12:00功率变化；(b)12:00-14:30功率变化；

图5为阻塞调度前后功率变化情况；其中，a为1节点agg1的ev功率阻塞调度前后功率变化情况；b为30节点agg2的pv阻塞调度前后功率变化情况；

图6为功率控制信号的收敛曲线；其中，a为节点1在3：00功率控制信号b为节点30节点在12：30的功率控制信号。

具体实施方式

本发明提供一种面向电力系统分布式资源的配电网双向阻塞调度方法，下面结合附图和实施例对本发明予以进一步的阐释。

1.采用修改的ieee33节点系统来说明本算法的有效性。该系统的拓扑图以及agg的资源分布如图3所示。电动汽车的最大充电功率为7kw，充电效率为0.95。本专利假设15分钟为一个调度周期，对今日12：00到次日12：00进行优化调度，即将日前24小时调度时段分为96个时段。迭代系数为1e-4，收敛参数和为1e-3，价格敏感系数为1e-4dkk/kwh²。

2.阻塞调度效果

在功率控制信号的作用下，如图4.1所示支路1(节点33-1)功率情况，其中(a)12:00-次日12:00功率变化；(b)1:00-6:00功率变化；如图4.2所示网络29(节点28-29)功率阻塞前后的变化情况。可清楚的发现，阻塞调度以后，线路功率均处于线路上下限范围内。

给出了阻塞调度前后1节点agg1中电动汽车的充电功率的变化和30节点agg2的pv功率变化情况，分别如图5中a、b所示。

3.阻塞调度前后节点灵活性资源功率变化

4.收敛性分析

图6所示为功率控制信号的收敛曲线；其中，a为节点1在3：00功率控制信号b为节点30节点在12：30的功率控制信号。展示了节点1在3：00和节点30节点在12：30的功率控制信号收敛曲线。为缓解支路1(节点33-1)的正向线路阻塞问题，dso通过正的发、用电功率控制信号抬高agg在该节点的购售电电价，试图引导agg减小该节点电动汽车的用电量，增加该节点光伏资源的发电量，通过不断调整发、用电功率控制信号待迭代收敛后功率控制信号保持不变。同理，节点30在12：30发、用电功率控制信号的收敛情况。

上述展示的阻塞管理前后的线路功率，电动汽车和光伏的功率调整以及发、用电功率控制信号的收敛情况均表明了所提的方法的有效性。该方法有效解决了由于分布式资源的的发用电行为造成的配电网双向阻塞问题。

如图1所示该方法的研究框架示意图。以可调度的电动汽车(ev)和可直接通过agg参与电力市场的分布式光伏发电单元(pv)为研究对象，其调度过程如下：首先，每个agg分别针对其拥有的节点下的多种灵活性资源(ev、pv)，根据它们提供给agg的可调时间范围和可控负荷容量等用电信息对资源灵活性进行建模，然后agg根据预测的日前市场电价以他所管理的资源的用电成本最小为目标对可调ev和pv的功率进行优化管理，并将其初步功率计划上报给dso进行网络安全校核，若通过校核，agg按照上报的功率计划参与日前市场；若未通过网络安全校核，dso根据网络的阻塞情况给出发、用电功率调整信号引导agg重新进行功率调整，如此反复迭代直至agg提交给dso的发用电功率方案满足配电网安全运行的需要。

dso考虑了网络支路双向潮流约束，通过分别确定发、用电功率调整信号，可同时实现对分布式光伏发电单元和可调ev负荷发用电功率的调整，有效解决了由此造成的正反向负荷尖峰而引起的配电网双向阻塞问题。

在上述调度框架下，下面具体描述本发明。

步骤a.各agg采集其管理的分布式资源的用户信息和市场电价信息。

需采集的信息包括：电动汽车的最大充电功率，车主的入网和离网时间，电动汽车电池状态信息，车主的充电需求，光伏的最大发电量信息，日前市场电价信息。步骤b.各agg考虑用户用电成本对其分布式资源进行优化调度。

由于agg在日前市场出清之前并不知道下一交易日的电价信息，因此需要根据历史数据和下一交易日的预测信息对电价进行预测。每个agg根据预测的日前市场出清价格对其下愿意接受agg调度的分布式资源进行优化以给出一个初始功率计划。本专利选择一种依赖于节点总电力需求的线性市场价格模型预测出清价格。

该电价模型如下式所示：

yt＝ct+βpt(1)

式中：β表示有功需求对节点电价的敏感系数，该值通过日前市场历史电价数据进行评估和预测得到。ct和pt分别为预测的各时刻t的日前基础电价和分布式资源的有功需求。

将日前24小时均分为nt个时间间隔，每个时间间隔的时间长度为δt，各agg以节点为单位对其拥有的分布式资源(ev和pv)进行管理，采用式(7)的电价模型，各agg以用户的用电成本最小为目标，形式如下：

由于车主的生活习惯的影响，使人为因素成为刻画ev充电灵活性的一个不得不考虑的环节。因此，本专利综合考虑车主信息以及ev信息，建立电动汽车约束模型。该约束表示如下：

0≤pevi,m,t≤pmax(3)

各节点的agg根据其下管理的分布式光伏发电单元提供给他们的光伏最大出力预测信息对光伏发电单元的有功出力进行优化调度，故其有功出力主要受到的限制为：

式中：ppvj,t为节点j第t个时刻光伏的实际有功出力值。

根据上述方法，可得到各agg下分布式资源的产用电的初步功率计划pevi,j,t和ppvi,j,t。

步骤c：dso网络安全校核与功率调整信号引导下的调度调整

步骤c1：dso网络安全校核

dso对agg提交的初步功率计划判断是否满足安全约束，表示如下：

式中：为线路上下限安全约束对应的拉格朗日乘子；d为功率传输分布转移因子；fl^max和fl^min分别为支路l允许流过的有功功率的上下限。pt为各节点在t时刻的总有功注入功率矩阵。为描述aggi中接有ev的节点位置矩阵；为描述aggi中接有光伏的节点位置矩阵。pload为各节点j在t时刻的固定负荷值

步骤c2：发、用电功率调整信号引导下的调度调整

步骤c21发、用电功率调整信号的形成

将日前24小时均分为nt个时间间隔，每个时间间隔的时间长度为δt，以所有agg的用户用电成本最小为目标，考虑网络双向潮流约束建立dso的全局优化调度模型，形式如下：

s.t.(2)-(8)

式中：b为价格敏感系数矩阵，na为配网中agg的个数。ωi为aggi管理的分布式资源所接的配网节点集合；为描述aggi中接有ev节点位置矩阵；为描述aggi中接有光伏的节点位置矩阵。

基于拉格朗日对偶分解原理对dso全局优化调度模型进行分解并借助次梯度法迭代求解，得到发、用电功率调整信号的计算方法，以实现dso对电动汽车和光伏资源的分布式优化调度。

运用拉格朗日对偶分解方法分布式地求解dso全局优化问题就是将其原来包含所有agg拥有的资源以及网络约束的大规模优化问题分解为一系列独立的小型优化问题，每个小型优化问题只包含各自agg有关的资源变量。因此，通过观察式dso全局优化问题发现，目标函数是可以直接分解的，约束条件(2)-(6)对于每个agg来说也是相互独立的，仍然可以直接分解，只有约束条件(7)中含有耦合变量pt，无法直接进行分解，因此需要首先对其进行解耦。

对约束条件(7)对应的拉格朗日乘子构造部分拉格朗日函数如下：

式中：nl为配网中总支路数，nb为总的节点数。

可见，将耦合约束(7)通过引入拉格朗日乘子，以加权求和的方式将其加入目标函数后，dso全局优化问题的部分拉格朗日函数也是可解耦的。显然，其对偶函数也将是可解耦的。

则dso全局优化调度问题的对偶问题为：

故根据拉格朗日对偶分解原理[25]将上式进行对偶分解后的各agg子问题为：

s.t.(2)-(6)可见，为节点j在第t个时刻的电动汽车用电功率调整信号、分别为节点j在第t个时刻的光伏资源的发电功率调整信号。

不难看出，该调整信号也反映了线路安全约束对agg资源调度计划的影响。

可见对偶问题(11)是一个嵌套形式的优化问题，外层是对关于拉格朗日乘子变量求取极大值，内层是对关于各分布式资源功率变量求极小值。

步骤c21.1：计算关于拉格朗日乘子的次梯度st

针对对偶函数关于拉格朗日乘子的外层优化问题，本专利采用次梯度法进行求解。次梯度法是一种求解凸函数问题的迭代求解方法，由于对偶函数是一个凹函数，而是一个凸函数，因此对采用次梯度法求解。

函数关于拉格朗日乘子的次梯度st为：

步骤c21.2：从初值为0开始，每次迭代时对其进行更新：

式中：为一个恒定的步长系数；k为当前迭代次数。由于对偶问题目标函数是可微的，选择合适的恒定步长进行迭代可保证次梯度法收敛。根据式(12)，在迭代过程中，拉格朗日乘子必须为非负数，因此，如果在迭代中有负值出现，应将该值置0。其中可以分别被看作是由于式(7)描述的支路功率正反方向越线造成系统阻塞时，阻塞部分引起的网络成本的边际电价。即当agg提交的产用电功率计划不能满足网络约束时，对应的边际电价返回一个正数，否则为0。

步骤c21.3：迭代的收敛判据：

本专利引入的两个拉格朗日乘子在决定迭代收敛上起着至关重要的作用。当迭代到的迭代增量为0时，恰好满足线路约束(7)。迭代的收敛判据如下式所示：

式中：ε1为迭代收敛参数。

步骤c22：根据反应网络阻塞情况的发、用电功率调整信号，各agg改变其优化调度过程中的目标函数为:

agg根据发、用电功率调整信号对光伏和电动汽车的发用电功率计划进行重新优化，如此迭代直至满足迭代收敛判据的要求为止。

4)确定所述调度计划

dso根据agg上报的分布式资源的发用电功率计划做网络安全校核，确定agg是否能够按照上报的功率计划参与日前电力市场，若可执行则agg按上报的功率计划参与日前市场的交易活动，否则返回步骤c。

综上所述，本文所提出的面向电力系统分布式资源的配电网双向阻塞调度方法的计算流程如下：

(1)初始化：设置以及迭代次数k的迭代初值为0。

(2)各agg根据式(2)-(6)、(12)对分布式资源进行优化调度(可用cplex求解器进行求解)，然后以节点为单位将功率计划上报给dso。

(3)dso考虑网络安全运行约束根据式(12)-(14)计算引导agg的发、用电功率调整信号和

(4)置迭代次数k＝k+1，根据式(15)进行收敛判定，若收敛，则结束计算，agg得到最终的发用电功率计划。否则，返回(2)，将新的功率控制信号下发给agg引导其重新进行功率调整。其算法流程如附图2所示。