兼顧不同主體利益的主動(dòng)配電網(wǎng)優(yōu)化調(diào)度

盧錦玲， 趙大千， 陳傳寶， 楊 進(jìn)

(1.華北電力大學(xué) 電氣與電子工程學(xué)院，河北 保定 071003；2.國(guó)網(wǎng)保定供電公司，河北 保定 071051)

兼顧不同主體利益的主動(dòng)配電網(wǎng)優(yōu)化調(diào)度

盧錦玲1， 趙大千1， 陳傳寶1， 楊 進(jìn)2

(1.華北電力大學(xué) 電氣與電子工程學(xué)院，河北 保定 071003；2.國(guó)網(wǎng)保定供電公司，河北 保定 071051)

基于先進(jìn)的量測(cè)和通信技術(shù)，對(duì)電源、電網(wǎng)和負(fù)荷側(cè)設(shè)備進(jìn)行靈活的控制和管理，以提高配電網(wǎng)對(duì)大規(guī)模分布式電源的消納能力，是主動(dòng)配電網(wǎng)區(qū)別于傳統(tǒng)配電網(wǎng)的重要特點(diǎn)。綜合考慮可調(diào)度分布式電源、儲(chǔ)能、有載調(diào)壓變壓器、分組投切電容器和需求側(cè)資源的主動(dòng)控制和管理，在考慮環(huán)境效益的同時(shí)，兼顧配電公司和分布式發(fā)電商2個(gè)不同主體的利益，建立了以配電公司運(yùn)行成本最小、分布式發(fā)電商凈收益最大、污染氣體排放量最低為目標(biāo)的主動(dòng)配電網(wǎng)日前優(yōu)化調(diào)度模型，并提出了一種基于多樣性策略的改進(jìn)蝙蝠算法進(jìn)行求解。采用熵權(quán)TOPSIS法進(jìn)行綜合決策，從Pareto解集中選取最優(yōu)調(diào)度方案。最后以擴(kuò)展的IEEE 33節(jié)點(diǎn)配電系統(tǒng)為算例，證明了上述調(diào)度模型和算法的合理性和有效性。

主動(dòng)配電網(wǎng)； 多目標(biāo)優(yōu)化； 日前調(diào)度； 環(huán)境效益； 不同主體利益

0 引言

電力系統(tǒng)中的分布式電源(Distributed Generation，DG)根據(jù)其控制特性可分為可調(diào)度分布式電源和不可調(diào)度分布式電源2類(lèi)?？烧{(diào)度DG一般都是非間歇性的、可控的電源，如微型燃?xì)廨啓C(jī)(Micro-gas Turbine，MT)、燃料電池等；不可調(diào)度DG的出力則取決于環(huán)境因素，具有間歇性和不確定性，因此是不可控的，如光伏電源(Photovoltaic，PV)、風(fēng)機(jī)(Wind Turbine，WT)等。通過(guò)對(duì)可調(diào)度分布式電源等可控資源的控制和管理，保證配電網(wǎng)安全經(jīng)濟(jì)運(yùn)行，是配電網(wǎng)優(yōu)化調(diào)度的首要目標(biāo)。

主動(dòng)配電網(wǎng)(Active Distribution Network，ADN)的概念首次提出于2008年的國(guó)際大電網(wǎng)會(huì)議，旨在通過(guò)對(duì)電源側(cè)、電網(wǎng)側(cè)和負(fù)荷側(cè)設(shè)備進(jìn)行靈活的主動(dòng)控制和管理，以促進(jìn)配電網(wǎng)對(duì)大規(guī)模分布式電源的安全經(jīng)濟(jì)消納[1]。因此，相對(duì)于傳統(tǒng)配電網(wǎng)ADN具有更多的可控資源。主動(dòng)配電網(wǎng)優(yōu)化調(diào)度需考慮儲(chǔ)能、有載調(diào)壓變壓器、無(wú)功補(bǔ)償、需求側(cè)資源的控制和管理，具有更多的決策變量和約束條件，其優(yōu)化模型也更加復(fù)雜。

相對(duì)于傳統(tǒng)配電網(wǎng)，主動(dòng)配電網(wǎng)優(yōu)化調(diào)度研究在國(guó)內(nèi)外尚處于起步階段，但是也取得了一定的研究成果。文獻(xiàn)[2]基于主動(dòng)配電網(wǎng)能量管理系統(tǒng)，采用機(jī)會(huì)約束規(guī)劃方法建立了考慮分布式風(fēng)機(jī)和光伏電源出力不確定性的主動(dòng)配電網(wǎng)能量調(diào)度數(shù)學(xué)模型；文獻(xiàn)[3]通過(guò)設(shè)定調(diào)度優(yōu)先級(jí)對(duì)主動(dòng)配電網(wǎng)中的分布式可控資源進(jìn)行協(xié)調(diào)優(yōu)化調(diào)度，以一天24 h作為一個(gè)調(diào)度周期，實(shí)現(xiàn)可再生能源利用率、網(wǎng)損和用戶(hù)滿(mǎn)意度多個(gè)目標(biāo)的綜合優(yōu)化；文獻(xiàn)[4-6]采用多時(shí)間尺度優(yōu)化調(diào)度方法，即基于負(fù)荷預(yù)測(cè)的日前優(yōu)化調(diào)度和基于當(dāng)前狀態(tài)的實(shí)時(shí)優(yōu)化調(diào)度相結(jié)合，實(shí)現(xiàn)了ADN可再生能源的高效利用；文獻(xiàn)[7]在考慮分布式電源出力和電價(jià)不確定性的基礎(chǔ)上，建立了可控負(fù)荷、有載調(diào)壓變壓器(On-Load Tap Changer，OLTC)、并聯(lián)電容器協(xié)同調(diào)度的線性化優(yōu)化模型，并采用一種降壓節(jié)能的控制策略使ADN運(yùn)行收益最大化；文獻(xiàn)[8]將分布式電源、儲(chǔ)能和微網(wǎng)作為控制對(duì)象，建立了網(wǎng)損最少、電壓偏移最小、負(fù)荷峰谷差最小的主動(dòng)配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度模型，并采用粒子群-菌群算法解出最優(yōu)調(diào)度方案。但是多數(shù)研究成果存在以下問(wèn)題：沒(méi)有考慮調(diào)度方案的環(huán)境效益，未把環(huán)境指標(biāo)加入優(yōu)化目標(biāo)之中；只考慮了配電公司的運(yùn)行成本進(jìn)行優(yōu)化，沒(méi)有兼顧配電公司和分布式發(fā)電商不同主體的利益。

針對(duì)上述問(wèn)題，本文以配電公司運(yùn)行成本最小、分布式發(fā)電商凈收益最大和污染氣體排放量最小為目標(biāo)，全面考慮可調(diào)度分布式電源、儲(chǔ)能、有載調(diào)壓變壓器、分組投切電容器和需求側(cè)資源作為控制對(duì)象，建立ADN多目標(biāo)日前優(yōu)化調(diào)度模型。提出了一種改進(jìn)蝙蝠算法求解上述模型，并采用熵權(quán)TOPSIS法選擇最終調(diào)度方案。最后以算例仿真結(jié)果證明了本文調(diào)度模型和算法的合理性和有效性。

1 主動(dòng)配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度模型

1.1目標(biāo)函數(shù)

(1)配電公司運(yùn)行成本最小。

主動(dòng)配電網(wǎng)的運(yùn)行成本為：

(1)

(2)

(2)分布式發(fā)電商凈收益最大。計(jì)算公式如下：

(3)

(4)

式中：cf、com分別為DG單位有功出力的燃料費(fèi)用和運(yùn)行維護(hù)費(fèi)用。

(3)污染氣體排放量最低。假設(shè)儲(chǔ)能和不可調(diào)度DG在運(yùn)行過(guò)程中不產(chǎn)生污染氣體，即僅考慮上級(jí)火電廠和可調(diào)度DG的污染氣體排放。計(jì)算公式如下：

(5)

式中：ΩN-DG為ADN中所有不可調(diào)度DG節(jié)點(diǎn)的集合；K為污染氣體種類(lèi)數(shù)；ωk為第k種污染氣體的權(quán)重；eg,k為g節(jié)點(diǎn)處不可調(diào)度DG單位有功出力時(shí)排放的第k種污染氣體的量；ek為火電廠發(fā)電機(jī)單位有功出力時(shí)排放的第k種污染氣體的量。

1.2約束條件

(1)功率平衡約束。

(6)

(2)節(jié)點(diǎn)電壓約束。

(7)

(3)線路潮流約束。

(8)

(4)可調(diào)度DG出力及爬坡率約束。

(9)

(5)儲(chǔ)能設(shè)備功率及荷電狀態(tài)約束。

(10)

為保證持續(xù)性充放電調(diào)度，儲(chǔ)能設(shè)備一個(gè)周期內(nèi)的充放電能量應(yīng)保持大致平衡，即滿(mǎn)足：

(11)

(6)OLTC分接頭調(diào)節(jié)約束。

(12)

(7)電容器投切約束。

(13)

(8)需求側(cè)負(fù)荷中斷約束。

主動(dòng)配電網(wǎng)的需求側(cè)管理一般包括2種方法：一是基于峰谷電價(jià)的負(fù)荷轉(zhuǎn)移，即通過(guò)制定峰谷電價(jià)來(lái)引導(dǎo)用戶(hù)改變其用電行為，屬于被動(dòng)的、不可控的管理措施；二是基于合同的負(fù)荷中斷，即配電公司按照事先與用戶(hù)簽訂的合同對(duì)其負(fù)荷進(jìn)行削減，并給予該用戶(hù)一定經(jīng)濟(jì)補(bǔ)償[9]。本文考慮第2種方法，即基于合同的負(fù)荷中斷。可中斷負(fù)荷是一種可控的需求側(cè)資源，在對(duì)其進(jìn)行主動(dòng)控制時(shí)要滿(mǎn)足以下約束：

(14)

2 多目標(biāo)優(yōu)化調(diào)度模型求解方法

2.1傳統(tǒng)蝙蝠算法

蝙蝠算法(Bat Algorithm，BA)首次提出于文獻(xiàn)[10]。它通過(guò)模擬自然界中蝙蝠群利用回聲定位進(jìn)行捕食的行為，對(duì)某個(gè)問(wèn)題的目標(biāo)函數(shù)進(jìn)行優(yōu)化。在BA中，每個(gè)優(yōu)化問(wèn)題的解都可看作搜索空間中的一個(gè)“蝙蝠”。t時(shí)刻，每個(gè)蝙蝠都有自己的空間位置xit和飛行速度vit，同時(shí)具有不同的頻率fi(或波長(zhǎng))、響度Ait和脈沖發(fā)射率rit。蝙蝠在追捕獵物的同時(shí)，改變自身的頻率、響度和脈沖發(fā)射率，進(jìn)行最優(yōu)解的選擇，直到目標(biāo)停止或條件得到滿(mǎn)足。

蝙蝠的頻率、速度和位置的更新公式為：

(15)

式中：fmax、fmin為脈沖頻率的上下限；β為[0,1]上均勻分布的隨機(jī)變量；x*為當(dāng)前時(shí)刻蝙蝠群中的最優(yōu)蝙蝠位置。

蝙蝠的響度和脈沖發(fā)射率采用下式進(jìn)行更新：

(16)

式中：α為取值[0,1]之間的常數(shù)；ri0為蝙蝠i的最大脈沖響度；γ為正常數(shù)。

2.2基于多樣性策略的改進(jìn)蝙蝠算法

傳統(tǒng)蝙蝠算法收斂速度快、魯棒性強(qiáng)，已經(jīng)在多個(gè)學(xué)科領(lǐng)域得到了實(shí)踐和應(yīng)用；但是該算法后期收斂速度慢、缺乏種群多樣性、易陷入局部最優(yōu)解[11-12]。針對(duì)傳統(tǒng)蝙蝠算法的不足之處，本文提出了一種基于多樣性策略的改進(jìn)蝙蝠算法進(jìn)行求解。

(1)引入線性遞減慣性權(quán)重系數(shù)。

在蝙蝠速度更新公式中引入慣性權(quán)重系數(shù)ω，如下式：

(17)

式中：ω是隨著算法迭代次數(shù)的增加而線性遞減的參數(shù)。算法迭代前期，ω值比較大，有利于蝙蝠在更大的空間范圍內(nèi)進(jìn)行搜索，從而提高BA的全局搜索能力，避免算法過(guò)快收斂、陷入局部最優(yōu)；算法迭代后期，ω值變小，有利于提高算法的局部搜索能力，后期收斂速度較快、精度較高。

(2)運(yùn)用吸引排斥機(jī)制保持種群多樣性。

蝙蝠算法種群多樣性(div)的計(jì)算公式為：

(18)

吸引排斥機(jī)制就是通過(guò)引入種群多樣性閾值dth，將蝙蝠種群進(jìn)行“吸引”或“排斥”操作。當(dāng)div≥dth時(shí)，種群向中心進(jìn)行吸引操作、減少種群多樣性，即按照式(17)進(jìn)行蝙蝠速度更新；當(dāng)div

(19)

可見(jiàn)，吸引排斥機(jī)制能夠有效防止蝙蝠群多樣性在迭代后期不斷減少，有利于保持種群多樣性，避免算法進(jìn)入早熟、陷入局部最優(yōu)。

采用改進(jìn)蝙蝠算法的ADN優(yōu)化調(diào)度流程圖如圖1所示。

圖1 采用改進(jìn)蝙蝠算法的ADN優(yōu)化調(diào)度流程圖

3 熵權(quán)TOPSIS法綜合決策

熵權(quán)法是一種根據(jù)各評(píng)價(jià)指標(biāo)變異程度的大小來(lái)確定其客觀權(quán)重的方法[13]。一般情況下，若某個(gè)評(píng)價(jià)指標(biāo)的變異程度越大，則這個(gè)指標(biāo)包含的信息量就越多，在綜合決策中所占的權(quán)重就越大。反之，則權(quán)重越小。

TOPSIS法(Technique for Order Preference by Similarity to Ideal Solution)[14]是一種逼近于理想解的排序法，即根據(jù)評(píng)價(jià)對(duì)象與理想化目標(biāo)的接近程度來(lái)判定對(duì)象的優(yōu)劣程度：若評(píng)價(jià)對(duì)象在離理想解最近的同時(shí)離負(fù)理想解最遠(yuǎn)，則為最優(yōu)；否則不為最優(yōu)。熵權(quán)TOPSIS法就是采用熵權(quán)法指導(dǎo)TOPSIS法中各指標(biāo)權(quán)重的確定，可以全面利用評(píng)價(jià)對(duì)象的信息，得出不受決策者主觀偏好影響的最終方案。熵權(quán)TOPSIS法綜合決策步驟如下：

4 算例分析

4.1算例參數(shù)

本文算例采用擴(kuò)展IEEE 33節(jié)點(diǎn)配電系統(tǒng)[15]，如圖2所示。

圖2 擴(kuò)展IEEE 33節(jié)點(diǎn)配電系統(tǒng)

系統(tǒng)的額定電壓為12.66 kV，網(wǎng)絡(luò)最大總負(fù)荷為(4 427+j2 547)kVA。節(jié)點(diǎn)電壓取值范圍為0.95～1.05 p.u.，節(jié)點(diǎn)1到節(jié)點(diǎn)5之間的線路最大載流量為0.474 kA，其他線路的最大載流量為0.316 kA。本文假設(shè)光伏電源、儲(chǔ)能為純有功出力，風(fēng)機(jī)、微型燃?xì)廨啓C(jī)和可中斷負(fù)荷的功率因數(shù)均為0.95。單臺(tái)光伏電源、風(fēng)機(jī)的額定容量均為1 MW；微型燃?xì)廨啓C(jī)的可調(diào)容量為600 kW，最大爬坡率為180 kW/h。儲(chǔ)能裝置容量為1 MW·h，最大充放電功率為200 kW，充放電效率為0.9，SOC調(diào)節(jié)范圍為20%～90%，充放電能量平衡閾值ε為0.01。每個(gè)調(diào)度周期儲(chǔ)能的初始電量為其總?cè)萘康?0%。OLTC分接頭調(diào)節(jié)范圍為0.95～1.05(8×0.012 5)，一天內(nèi)最大調(diào)整次數(shù)為6次。分組投切電容器共10組，每組無(wú)功補(bǔ)償量為100 kVar，一天內(nèi)最大投切次數(shù)為4次?？芍袛嘭?fù)荷節(jié)點(diǎn)為5、17、30，最大中斷量為該點(diǎn)負(fù)荷的60%，一天內(nèi)最大中斷時(shí)長(zhǎng)為2 h。上級(jí)火電廠和可調(diào)度DG排放的污染氣體有CO2、SO2和NO2，考慮環(huán)境成本確定其權(quán)重分別為0.001 9、0.411 0和0.587 1[16]。

算例以一個(gè)典型日24 h為調(diào)度周期，調(diào)度間隔為1 h。負(fù)荷、光伏電源、風(fēng)機(jī)全天的有功出力變化參考文獻(xiàn)[17]；優(yōu)化模型中的成本參數(shù)和環(huán)境參數(shù)取值見(jiàn)表1和表2。改進(jìn)蝙蝠算法種群規(guī)模Np=60，最大迭代次數(shù)Gmax=100，最大和最小慣性權(quán)重系數(shù)分別為1和0.6。

表1 優(yōu)化模型的成本參數(shù)取值

注：峰時(shí)為8∶00～22∶00，谷時(shí)為22∶00～次日8∶00。

表2 優(yōu)化模型的環(huán)境參數(shù)取值

4.2結(jié)果分析

熵權(quán)TOPSIS法綜合決策中理想解、負(fù)理想解和最終Pareto解集(未進(jìn)行歸一和加權(quán))的分布情況如圖3所示。如本文第3節(jié)所述，通過(guò)計(jì)算Pareto解集中各解與理想解的相對(duì)接近度，即可確定最終決策方案。

圖3 最終Pareto解集的分布情況

采用本文改進(jìn)蝙蝠算法得到的最優(yōu)調(diào)度結(jié)果如圖4所示。由圖4可以看出，儲(chǔ)能設(shè)備在高峰負(fù)荷時(shí)段(8∶00～22∶00)一般進(jìn)行充電，而在低谷負(fù)荷時(shí)段(22∶00～次日8∶00)進(jìn)行放電。這是因?yàn)殡娏κ袌?chǎng)中峰時(shí)電價(jià)高于谷時(shí)電價(jià)，通過(guò)儲(chǔ)能的有序充放電可以將部分峰時(shí)負(fù)荷轉(zhuǎn)移到谷時(shí)，從而減少峰時(shí)的購(gòu)電量，降低運(yùn)行成本。對(duì)于儲(chǔ)能設(shè)備在峰時(shí)的個(gè)別放電行為和在谷時(shí)的個(gè)別充電行為，這是由于儲(chǔ)能充放電需滿(mǎn)足一定的荷電狀態(tài)約束，不能過(guò)分充電或放電。另外，可中斷負(fù)荷一般在峰時(shí)進(jìn)行中斷，這是因?yàn)樵谥袛嗔肯嗤那闆r下，中斷峰時(shí)的負(fù)荷相對(duì)于中斷谷時(shí)的負(fù)荷具有更優(yōu)的經(jīng)濟(jì)效益。

圖4 主動(dòng)配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度結(jié)果

僅考慮配電公司運(yùn)行成本的單目標(biāo)優(yōu)化調(diào)度結(jié)果如圖5所示。

圖5 主動(dòng)配電網(wǎng)單目標(biāo)優(yōu)化調(diào)度結(jié)果

多目標(biāo)優(yōu)化調(diào)度和單目標(biāo)優(yōu)化調(diào)度的系統(tǒng)指標(biāo)對(duì)比見(jiàn)表3。其中，平均最大/最小電壓是指ADN中各節(jié)點(diǎn)最大/最小電壓在一個(gè)調(diào)度周期的平均值。由圖5和表3可見(jiàn)，多目標(biāo)和單目標(biāo)優(yōu)化的最終調(diào)度方案不同。多目標(biāo)優(yōu)化調(diào)度中MT的出力總體高于單目標(biāo)優(yōu)化調(diào)度，即：考慮環(huán)境效益和不同主體利益的優(yōu)化調(diào)度方案中可調(diào)度DG的消納容量更高。相對(duì)于單目標(biāo)優(yōu)化調(diào)度，多目標(biāo)優(yōu)化調(diào)度方案雖然具有較高的運(yùn)行成本，但是分布式發(fā)電商收益更大、污染氣體排放量較少，且系統(tǒng)平均電壓水平較高。這是因?yàn)槎嗄繕?biāo)優(yōu)化調(diào)度方案的MT出力較大，而MT的上網(wǎng)電價(jià)高于主動(dòng)配電網(wǎng)從上級(jí)電網(wǎng)的購(gòu)電電價(jià)，MT單位有功出力的污染氣體排放量少于上級(jí)火電廠。

表3 多目標(biāo)優(yōu)化調(diào)度和單目標(biāo)優(yōu)化調(diào)度的系統(tǒng)指標(biāo)對(duì)比

以單目標(biāo)優(yōu)化調(diào)度為例，分別采用傳統(tǒng)蝙蝠算法和本文提出的改進(jìn)蝙蝠算法進(jìn)行求解，其迭代收斂曲線如圖6所示?？梢?jiàn)，改進(jìn)蝙蝠算法的收斂速度比傳統(tǒng)蝙蝠算法快；同時(shí)，由于引入了線性遞減慣性權(quán)重系數(shù)和吸引排斥機(jī)制，改進(jìn)蝙蝠算法具有更強(qiáng)的全局尋優(yōu)能力，可以得到比傳統(tǒng)蝙蝠算法更優(yōu)的解。

圖6 傳統(tǒng)蝙蝠算法和改進(jìn)蝙蝠算法迭代收斂曲線

5 結(jié)論

本文在全面考慮主動(dòng)配電網(wǎng)可控資源的基礎(chǔ)上，以一天24 h為一個(gè)調(diào)度周期，建立了綜合考慮配電公司運(yùn)行成本、分布式發(fā)電商凈收益和污染氣體排放量的主動(dòng)配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度模型，提出了一種改進(jìn)蝙蝠算法對(duì)模型進(jìn)行求解，并采用熵權(quán)TOPSIS法選擇最終調(diào)度方案。算例仿真結(jié)果說(shuō)明：考慮環(huán)境效益和不同主體利益進(jìn)行優(yōu)化調(diào)度，有利于提高可調(diào)度DG的利用率，促進(jìn)主動(dòng)配電網(wǎng)對(duì)可調(diào)度DG的充分消納。隨著電力電子和通信技術(shù)的發(fā)展，主動(dòng)配電網(wǎng)中分布式風(fēng)電、光伏等間歇性可再生能源的可控性也越來(lái)越高；因此，本文的多目標(biāo)優(yōu)化調(diào)度方案對(duì)于促進(jìn)可再生能源的高效利用，具有較好的應(yīng)用前景。

[1] 張欣悅，荊志朋，謝曉琳．面向用戶(hù)的智能配電網(wǎng)綜合評(píng)價(jià)指標(biāo)體系及應(yīng)用[J]．華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，43(1)：106-110．

[2] 王健，謝樺，孫健．基于機(jī)會(huì)約束規(guī)劃的主動(dòng)配電網(wǎng)能量?jī)?yōu)化調(diào)度研究[J]．電力系統(tǒng)保護(hù)與控制，2014，42(13)：45-52．

[3] 沙熠，邱曉燕，寧雪姣，等．協(xié)調(diào)儲(chǔ)能與柔性負(fù)荷的主動(dòng)配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度[J]．電網(wǎng)技術(shù)，2016，40(5)：1394-1399．

[4] 董雷，陳卉，蒲天驕，等．基于模型預(yù)測(cè)控制的主動(dòng)配電網(wǎng)多時(shí)間尺度動(dòng)態(tài)優(yōu)化調(diào)度[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2016，36(17)：4609-4616．

[5] 莊慧敏，肖建．主動(dòng)配電網(wǎng)的兩階段優(yōu)化調(diào)度模型[J]．西南交通大學(xué)學(xué)報(bào)，2015，50(5)：928-934．

[6] 曾鳴，彭麗霖，王麗華，等．主動(dòng)配電網(wǎng)下分布式能源系統(tǒng)雙層雙階段調(diào)度優(yōu)化模型[J]．電力自動(dòng)化設(shè)備，2016，36(6)：108-115．

[7] 蔡宇，林今，萬(wàn)燦，等．市場(chǎng)環(huán)境下考慮降壓節(jié)能調(diào)節(jié)的主動(dòng)配電網(wǎng)運(yùn)行優(yōu)化策略[J]．電網(wǎng)技術(shù)，2016，40(10)：2951-2960．

[8] ZHAO F，SI J，WANG J．Research on optimal schedule strategy for active distribution network using particle swarm optimization combined with bacterial foraging algorithm[J]．International Journal of Electrical Power & Energy Systems，2016，78(6)：637-646．

[9] 葉中行，孫明遠(yuǎn)．家庭需求側(cè)資源與電力供應(yīng)商雙向交互策略[J]．電力科學(xué)與工程，2017，33(3)：1-6．

[10] YANG X．Bat algorithm for multi-objective optimization[J]．International Journal of Bio-Inspired Computation，2011，3(5)：267-274．

[11] YANG X，GANDOMI A H．Bat algorithm：A novel approach for global engineering optimization[J]．Engineering Computation，2012，29(5)：267-289．

[12] 賀興時(shí)，丁文靜，楊新社．基于模擬退火高斯擾動(dòng)的蝙蝠優(yōu)化算法[J]．計(jì)算機(jī)應(yīng)用研究，2014，31(2)：392-397．

[13] 余健，房莉，倉(cāng)定幫，等．熵權(quán)模糊物元模型在土地生態(tài)安全評(píng)價(jià)中的應(yīng)用[J]．農(nóng)業(yè)工程學(xué)報(bào)，2012，28(5)：260-266．

[14] HWANG C L，YOON K P．Multiple attribute decision making methods and applications：A state-of-the-art survey[J]． Lecture Notes in Economics & Mathematical Systems, 1981, 375(4):525-531.

[15] BARAN M E，WU F F．Network reconfiguration in distribution systems for loss reduction and load balancing[J]．IEEE Transactions on Power Delivery，1989，4(2)：1401-1407．

[16] 栗然，申雪，鐘超，等．考慮環(huán)境效益的分布式電源多目標(biāo)規(guī)劃[J]．電網(wǎng)技術(shù)，2014，38(6)：1471-1478．

[17] ZENG B，ZHANG J，YANG X，et al．Integrated planning for transition to low-carbon distribution system with renewable energy generation and demand response[J]．IEEE Transactions on Power Systems，2014，29(3)：1153-1165．

《電力科學(xué)與工程》

歡迎投稿

歡迎訂閱

投稿網(wǎng)址：http://www.dlkxygc.com

Optimal Dispatch of Active Distribution Network Considering Benefits of Different Agents

LU Jinling1， ZHAO Daqian1， CHEN Chuanbao1， YANG Jin2

(1．School of Electrical and Electronic Engineering，North China Electric Power University，Baoding 071003，China; 2．State Grid Baoding Power Supply Company，Baoding 071051，China)

Based on the advanced measurements and communication technologies, the flexible control and management are applied to the equipment at power side, grid side and load side, to improve the consumptive ability of distribution network for large-scale distributed generation. And it becomes a key characteristic that distinguishes active distribution network from traditional distribution network. Considering the active control and management of dispatchable distributed generation and equipment such as energy storage, on-load tap changer, packet switching capacitor and demand-side resources, etc., a day-ahead scheduling model for active distribution network is set up in this paper, which also takes the benefits of two different agents, distribution company and distributed generators, into account. The proposed model is established aiming at the goals of the lowest operating cost for distribution company, largest net income for distributed generators, and lowest emission of polluting gases. An improved bat algorithm based on the diversity strategy is proposed to solve the optimization model. The entropy weight TOPSIS method is used to make comprehensive decision, and the optimal scheduling scheme is selected from the Pareto solution set. Finally, an example of the extended IEEE 33 bus distribution system is given to prove the rationality and effectiveness of the scheduling model and algorithm.

active distribution network；multi-objective optimization；day-ahead scheduling；environmental benefit；benefits of different agents

2017-05-08。

10.3969/j.ISSN.1672-0792.2017.08.004

TM732

：A

：1672-0792(2017)08-0019-08

趙大千(1993-)，男，碩士研究生，研究方向?yàn)橹鲃?dòng)配電網(wǎng)規(guī)劃與運(yùn)行。

盧錦玲(1971-)，女，博士，副教授，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行、分析與控制。