考慮源荷不確定性的直流配電網(wǎng)模糊隨機(jī)日前優(yōu)化調(diào)度

金國彬 潘 狄 陳 慶 石 超 李國慶

考慮源荷不確定性的直流配電網(wǎng)模糊隨機(jī)日前優(yōu)化調(diào)度

金國彬1潘 狄1陳 慶2,3石 超1李國慶1

（1. 現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室（東北電力大學(xué)） 吉林 132012 2. 國網(wǎng)江蘇省電力有限公司 南京 210000 3. 國網(wǎng)江蘇省電力有限公司電力科學(xué)研究院 南京 211100）

針對(duì)直流配電網(wǎng)中分布式可再生能源出力及典型直流類負(fù)荷的不確定性，提出了綜合考慮負(fù)荷自彈性系數(shù)以及電價(jià)型需求響應(yīng)的不確定性負(fù)荷模型；在考慮可再生能源隨機(jī)性的基礎(chǔ)上，通過簽訂日前充電合同將電動(dòng)汽車這類高可調(diào)度單元轉(zhuǎn)換為確定性負(fù)荷；以直流配電網(wǎng)與上級(jí)電網(wǎng)聯(lián)絡(luò)線功率最平滑及日前調(diào)度成本最小為優(yōu)化目標(biāo)，建立了模糊隨機(jī)日前優(yōu)化調(diào)度模型，并采用熵權(quán)法確定兩者權(quán)重進(jìn)行求解。以某直流配電網(wǎng)為例，針對(duì)不同場(chǎng)景、不同光伏出力、不同置信水平以及不同的電動(dòng)汽車合同簽訂率，驗(yàn)證了優(yōu)化調(diào)度模型的有效性、優(yōu)越性。

源荷不確定性 模糊隨機(jī)機(jī)會(huì)約束 直流配電網(wǎng) 電動(dòng)汽車 日前優(yōu)化調(diào)度

0 引言

隨著電力電子技術(shù)的不斷突破與發(fā)展，直流配電網(wǎng)作為輸電網(wǎng)與用電網(wǎng)間的重要銜接環(huán)節(jié)，展示出廣闊的應(yīng)用前景[1-5]。同時(shí)，數(shù)據(jù)中心、電動(dòng)汽車等直流負(fù)荷[6-8]的廣泛應(yīng)用也使得直流配電技術(shù)獲得較高的關(guān)注度。而優(yōu)化調(diào)度技術(shù)作為整個(gè)直流配電技術(shù)的重要環(huán)節(jié)，能夠優(yōu)化配網(wǎng)內(nèi)各資源的出力及配置，從而實(shí)現(xiàn)配電網(wǎng)的安全、可靠及經(jīng)濟(jì)運(yùn)行[9-11]。

通常，直流配電網(wǎng)接入了大量以光伏為代表的分布式可再生能源，但這類分布式電源受天氣影響較大，使其出力存在較大不確定性，而配電網(wǎng)本身的負(fù)荷也存在隨機(jī)性。所以，在對(duì)直流配電網(wǎng)進(jìn)行日前優(yōu)化調(diào)度時(shí)，充分考慮源荷兩者的不確定性才能使整個(gè)模型更為合理。

在考慮可再生能源不確定性的日前優(yōu)化調(diào)度研究中，有多種建模方法。文獻(xiàn)[12]引入云模型理論建立描述風(fēng)電功率及其概率分布不確定性的高階不確定性模型。文獻(xiàn)[13]依據(jù)模糊理論建立風(fēng)電及光伏發(fā)電的輸出功率模型。文獻(xiàn)[14]利用1-范數(shù)和∞-范數(shù)產(chǎn)生最惡劣場(chǎng)景下的風(fēng)電出力并進(jìn)行魯棒優(yōu)化。文獻(xiàn)[15]依據(jù)風(fēng)速的威布爾分布特性，提出一種建立風(fēng)電多場(chǎng)景的場(chǎng)景模擬方法。其中，簡單且廣泛應(yīng)用的方法是以確定的概率分布函數(shù)來表征可再生能源出力的不確定性[16-17]。在考慮電價(jià)型需求響應(yīng)（Demand Response, DR）負(fù)荷的不確定性的日前調(diào)度時(shí)，文獻(xiàn)[18]重新定義了分時(shí)電價(jià)（Time-of-Use, TOU）下電價(jià)差對(duì)需求響應(yīng)負(fù)荷轉(zhuǎn)移率的不同影響區(qū)間，從而進(jìn)行日前優(yōu)化調(diào)度。文獻(xiàn)[19]明確了分時(shí)電價(jià)下的需求響應(yīng)負(fù)荷轉(zhuǎn)移率、預(yù)測(cè)誤差和電價(jià)差之間的關(guān)系，并建立模糊隨機(jī)機(jī)會(huì)約束優(yōu)先目標(biāo)規(guī)劃調(diào)度模型。文獻(xiàn)[20]將需求響應(yīng)不確定性引起的偏差區(qū)間的變化規(guī)律，應(yīng)用于基于消費(fèi)者心理學(xué)原理的價(jià)格型需求響應(yīng)建模，從多時(shí)間尺度進(jìn)行調(diào)度決策。文獻(xiàn)[21]建立了分時(shí)電價(jià)下考慮負(fù)荷響應(yīng)量、負(fù)荷自彈性系數(shù)和電價(jià)激勵(lì)水平的負(fù)荷模糊響應(yīng)模型，同時(shí)基于此建立了風(fēng)電不確定性源荷互動(dòng)優(yōu)化調(diào)度模型。文獻(xiàn)[22]考慮價(jià)格需求彈性曲線和基線負(fù)荷不確定性對(duì)價(jià)格型DR不確定性的影響，建立了價(jià)格型DR響應(yīng)量模糊模型。上述文獻(xiàn)在考慮負(fù)荷的不確定性時(shí)往往只考慮電價(jià)差的影響，未能考慮到負(fù)荷本身因素的影響，或者本身的負(fù)荷響應(yīng)模型并不完善。因此本文在現(xiàn)有研究的基礎(chǔ)上，提出了更為完善的考慮負(fù)荷自彈性系數(shù)及電價(jià)差的不確定性負(fù)荷模型。

針對(duì)電動(dòng)汽車（Electric Vehicle, EV）這類高可調(diào)度性單元來說，合理地規(guī)劃及優(yōu)化好其充電意向就顯得尤為重要[23]。文獻(xiàn)[24]考慮電動(dòng)汽車的時(shí)空分布特性，提出一種電動(dòng)汽車充電功率計(jì)算和需求響應(yīng)潛力評(píng)估方法。文獻(xiàn)[25]建立了分時(shí)電價(jià)下計(jì)及電網(wǎng)負(fù)荷波動(dòng)及用戶成本的多目標(biāo)優(yōu)化模型。文獻(xiàn)[26]提出了供需兩側(cè)系統(tǒng)優(yōu)化的電動(dòng)汽車充放電自動(dòng)需求響應(yīng)方法。

為了更合理并且確定地引導(dǎo)電動(dòng)汽車優(yōu)化充電，本文提出了電動(dòng)汽車用戶簽訂合同的方法，將電動(dòng)汽車負(fù)荷盡可能地轉(zhuǎn)換為優(yōu)化的、確定的負(fù)荷。

綜上所述，本文在進(jìn)行直流配電網(wǎng)的源荷不確定性建模時(shí)，將可再生能源出力定義為隨機(jī)變量，負(fù)荷的預(yù)測(cè)量定義為模糊變量，結(jié)合電動(dòng)汽車簽訂合同的方式，建立一個(gè)考慮源荷不確定性的直流配電網(wǎng)模糊隨機(jī)日前優(yōu)化調(diào)度模型，以實(shí)現(xiàn)直流配電網(wǎng)內(nèi)調(diào)度成本最小以及與上級(jí)電網(wǎng)聯(lián)絡(luò)線功率平滑的目標(biāo)，從而保證整個(gè)配電網(wǎng)的安全、經(jīng)濟(jì)運(yùn)行。算例驗(yàn)證了所建立模型的有效性，實(shí)現(xiàn)了考慮源荷不確定性情況下的直流配電網(wǎng)優(yōu)化運(yùn)行。

1 考慮不確定性的源荷建模

1.1 不確定性光伏發(fā)電模型

1.2 分時(shí)電價(jià)下不確定性負(fù)荷模型

在分時(shí)電價(jià)的環(huán)境下，用戶根據(jù)自身實(shí)際情況和對(duì)電價(jià)差的敏感程度（自彈性系數(shù)[21]，電價(jià)差引起電能需求的變化程度大小）調(diào)節(jié)用電，實(shí)現(xiàn)電力的需求側(cè)響應(yīng)。因此，電價(jià)差及用戶的自彈性系數(shù)成為分時(shí)電價(jià)環(huán)境下影響負(fù)荷轉(zhuǎn)移率的兩個(gè)重要因素。

本文在廣泛應(yīng)用的消費(fèi)者心理學(xué)原理價(jià)格型DR行為模型[17]的基礎(chǔ)上進(jìn)行完善，提出了新的用戶響應(yīng)模型。根據(jù)消費(fèi)者心理學(xué)原理，隨著電價(jià)差的增大，用戶對(duì)電價(jià)差的響應(yīng)呈現(xiàn)不同情況，分為死區(qū)、線性區(qū)以及飽和區(qū)。同時(shí)考慮負(fù)荷轉(zhuǎn)移率的預(yù)測(cè)誤差，將負(fù)荷轉(zhuǎn)移率表示為一分段函數(shù)。當(dāng)用戶響應(yīng)位于死區(qū)時(shí)，用戶用電受電價(jià)差的影響極小，主要受用戶本身等非經(jīng)濟(jì)因素影響，甚至可能出現(xiàn)轉(zhuǎn)移率為負(fù)的情況；而在線性區(qū)時(shí)，隨著電價(jià)差的增大，負(fù)荷轉(zhuǎn)移率逐漸增大，而預(yù)測(cè)誤差則是呈現(xiàn)先增大后減小的趨勢(shì)[21]，這是由于用戶用電受經(jīng)濟(jì)因素的影響逐漸增大，主導(dǎo)因素由非經(jīng)濟(jì)因素變化為經(jīng)濟(jì)因素；到了響應(yīng)位于飽和區(qū)時(shí)，用戶用電轉(zhuǎn)移已達(dá)到最大的飽和狀態(tài)，且非經(jīng)濟(jì)因素對(duì)其沒有影響，呈現(xiàn)為常數(shù)狀態(tài)。在此基礎(chǔ)上，根據(jù)峰谷、峰平以及平谷的不同轉(zhuǎn)移情況擬合得到用戶響應(yīng)后的負(fù)荷，從而進(jìn)行日前調(diào)度。

圖1 分時(shí)電價(jià)下用戶用電不確定性表示

Fig.1 Uncertainty expression of user electricity consumption under time-of-use electricity price

同一自彈性系數(shù)（即同一負(fù)荷）條件下，峰谷負(fù)荷轉(zhuǎn)移率最大預(yù)測(cè)誤差隨峰谷電價(jià)差的變化如圖2所示，其數(shù)學(xué)表達(dá)式為

式中，為負(fù)荷在死區(qū)時(shí)的轉(zhuǎn)移率的最大預(yù)測(cè)誤差值；為負(fù)荷位于線性區(qū)時(shí)預(yù)測(cè)誤差隨電價(jià)差變化曲線的參數(shù)。

1.3 電動(dòng)汽車負(fù)荷模型

由于電動(dòng)汽車的環(huán)境友好性及靈活性，在一些典型配電網(wǎng)中占據(jù)相當(dāng)一部分負(fù)荷量。現(xiàn)有研究中，雖有將電動(dòng)汽車作為可轉(zhuǎn)移負(fù)荷模型來進(jìn)行考慮，但在實(shí)際調(diào)度時(shí)，電動(dòng)汽車是否真的能夠執(zhí)行轉(zhuǎn)移的調(diào)度指令并不能夠確定，因此，在這種情況下進(jìn)行的調(diào)度不能充分發(fā)揮電動(dòng)汽車的可調(diào)度性。

為解決上述問題，本文將電動(dòng)汽車負(fù)荷建模分為兩個(gè)階段：日前預(yù)調(diào)度階段和日前調(diào)度階段，如圖3所示。在日前預(yù)調(diào)度階段，調(diào)度中心根據(jù)預(yù)測(cè)信息進(jìn)行預(yù)調(diào)度求解，從而得到確定的電動(dòng)汽車調(diào)度指令，再根據(jù)調(diào)度指令發(fā)布對(duì)應(yīng)的合同；在合同簽訂時(shí)間內(nèi)，電動(dòng)汽車用戶根據(jù)自身情況及合同激勵(lì)資源簽訂合同（合同執(zhí)行予以補(bǔ)償，不執(zhí)行予以懲罰，因此在此情況下簽訂的合同可以視之為確定轉(zhuǎn)移的負(fù)荷）；在日前調(diào)度階段，即合同簽訂時(shí)間截止時(shí)，調(diào)度中心根據(jù)合同簽訂情況更新電動(dòng)汽車確定轉(zhuǎn)移的情況，再根據(jù)其他信息進(jìn)行日前調(diào)度。

圖3 電動(dòng)汽車交互式調(diào)度策略

由此可以將電動(dòng)汽車這類負(fù)荷轉(zhuǎn)換為確定性負(fù)荷，從而解決其轉(zhuǎn)移具有高度不確定性的問題。同時(shí)，電動(dòng)汽車負(fù)荷除了簽訂合同的轉(zhuǎn)移量是不確定的，其他未參與簽訂合同的則按照一般的響應(yīng)模型對(duì)待，以電動(dòng)汽車轉(zhuǎn)移量為對(duì)象建立表達(dá)式為

2 模糊隨機(jī)日前優(yōu)化調(diào)度模型

2.1 模糊隨機(jī)機(jī)會(huì)約束優(yōu)化

同時(shí)，在求解含有模糊隨機(jī)變量的不確定優(yōu)化問題時(shí)，往往采用模糊隨機(jī)機(jī)會(huì)約束優(yōu)化模型，其一般形式為[27]

2.2 模型構(gòu)建

2.2.1 目標(biāo)函數(shù)

本文所研究的直流配電網(wǎng)是在并網(wǎng)條件下進(jìn)行日前優(yōu)化調(diào)度的，除了常規(guī)的經(jīng)濟(jì)性目標(biāo)外，還需要考慮聯(lián)絡(luò)線功率平滑的目標(biāo)。

2.2.2 模糊隨機(jī)機(jī)會(huì)約束

功率平衡機(jī)會(huì)約束為

備用機(jī)會(huì)約束為

功率平衡機(jī)會(huì)約束的等價(jià)形式為[27]

同理可得備用機(jī)會(huì)約束的等價(jià)形式為

2.2.3 其他約束

微型燃?xì)廨啓C(jī)出力約束為

微型燃?xì)廨啓C(jī)爬坡約束為

微型燃?xì)廨啓C(jī)最小運(yùn)行時(shí)間約束與最小停機(jī)約束為[10]

儲(chǔ)能出力約束為

儲(chǔ)能容量約束為

聯(lián)絡(luò)線交換功率約束為

電動(dòng)汽車預(yù)調(diào)度約束為

預(yù)調(diào)度階段需要確定電動(dòng)汽車合同的總量，合同量盡量足夠大，同時(shí)滿足峰時(shí)段削減總量與谷時(shí)段增加總量相等的約束。而在最終日前調(diào)度階段，電動(dòng)汽車負(fù)荷量已變?yōu)榇_定值，因此不對(duì)其進(jìn)行約束。

2.3 模型求解

根據(jù)建立的模型與約束按照?qǐng)D4所示流程在Matlab平臺(tái)借助YAMLIP建模工具進(jìn)行求解。

本文采用熵權(quán)法[29]確定各目標(biāo)權(quán)重將多目標(biāo)問題轉(zhuǎn)換為單目標(biāo)優(yōu)化問題。熵權(quán)法相對(duì)于其他確定權(quán)重的方法更具有客觀性，其基本思想是利用已知多組的各目標(biāo)數(shù)據(jù)，通過對(duì)應(yīng)目標(biāo)的信息熵的大小來進(jìn)行權(quán)重計(jì)算，目標(biāo)的信息熵越小表明其變異程度越大，其權(quán)重也越大。利用熵權(quán)法確定各目標(biāo)權(quán)重步驟如下：

（1）目標(biāo)數(shù)據(jù)歸一化

（2）求歸一化后各目標(biāo)數(shù)據(jù)的信息熵

（3）確定各目標(biāo)權(quán)重

3 算例

本算例以某一示范工程直流配電網(wǎng)為對(duì)象進(jìn)行模糊隨機(jī)日前優(yōu)化調(diào)度。中低壓等級(jí)直流配電網(wǎng)拓?fù)淙鐖D5所示，中壓為±10kV，低壓為±375V，各單元容量已在圖中標(biāo)注；兩側(cè)換流器功率上限為5MW，其余換流器功率上限為2MW；備用容量取日前擬合負(fù)荷的10%。光伏預(yù)測(cè)誤差服從正態(tài)分布（期望與方差值分別為0與0.000 9），如附圖1所示，峰谷負(fù)荷轉(zhuǎn)移率最大預(yù)測(cè)誤差（此時(shí)正處于臨界峰谷負(fù)荷轉(zhuǎn)移率）的三角形模糊隸屬度函數(shù)如附圖2所示。本文設(shè)定電動(dòng)汽車在電量小于50%時(shí)有充電需求，下發(fā)的合同內(nèi)容包括充電補(bǔ)貼單價(jià)為0.32元/(kW·h)，懲罰單價(jià)為0.02元/(kW·h)。參與電價(jià)型需求響應(yīng)負(fù)荷的參數(shù)見附表1，峰時(shí)電價(jià)為1.136元/(kW·h)，平時(shí)電價(jià)為0.66元/(kW·h)，谷時(shí)電價(jià)為0.35元/(kW·h)。聯(lián)絡(luò)線傳輸功率的虛擬調(diào)度成本為0.485元/(kW·h)，折算后的儲(chǔ)能虛擬調(diào)度成本為0.5元/(kW·h)。微型燃?xì)廨啓C(jī)的主要參數(shù)見附表2。典型的光伏日前出力情況1及日前源荷預(yù)測(cè)曲線如圖6所示。

圖5 中低壓等級(jí)直流配電網(wǎng)拓?fù)?/p>

圖6 日前源荷預(yù)測(cè)曲線

3.1 模型有效性驗(yàn)證

3.1.1 不同場(chǎng)景下的調(diào)度結(jié)果

為驗(yàn)證所提模型的有效性，本文設(shè)定四種場(chǎng)景（均在光伏出力情況1的條件下）進(jìn)行對(duì)比：場(chǎng)景1：不考慮源荷不確定性，不對(duì)電動(dòng)汽車進(jìn)行引導(dǎo)；場(chǎng)景2：不考慮源荷不確定性，對(duì)電動(dòng)汽車進(jìn)行引導(dǎo)（合同簽訂率=0.5）；場(chǎng)景3：考慮源荷不確定性，不對(duì)電動(dòng)汽車進(jìn)行引導(dǎo)；場(chǎng)景4：考慮源荷不確定性，對(duì)電動(dòng)汽車進(jìn)行引導(dǎo)（合同簽訂率=0.5）。

最終得到四種場(chǎng)景下的調(diào)度結(jié)果見表1，與上級(jí)電網(wǎng)的聯(lián)絡(luò)線總功率如圖7所示。通過場(chǎng)景1與2的對(duì)比以及場(chǎng)景3與4的對(duì)比結(jié)果可以得到，對(duì)電動(dòng)汽車進(jìn)行引導(dǎo)調(diào)度能夠極大程度地減小聯(lián)絡(luò)線功率波動(dòng)，但總調(diào)度成本也因此而提高。通過場(chǎng)景2與4的對(duì)比結(jié)果可以得到，不考慮源荷不確定性時(shí)總調(diào)度成本較大，而場(chǎng)景1與3的對(duì)比結(jié)果卻是考慮不確定性的總調(diào)度成本較大，這是因?yàn)樵趫?chǎng)景1時(shí)涉及聯(lián)絡(luò)線功率為負(fù)值，此時(shí)配電網(wǎng)向上級(jí)電網(wǎng)輸送功率，產(chǎn)生收益使得總調(diào)度成本減小所致。

表1 不同場(chǎng)景下的調(diào)度結(jié)果

Tab.1 Dispatching results in different scenarios

圖7 不同場(chǎng)景下的聯(lián)絡(luò)線總功率

3.1.2 不同光伏出力情況下的調(diào)度結(jié)果

圖8 不同光伏出力情況

表2 不同光伏出力情況下的調(diào)度結(jié)果

Tab.2 Dispatch results under different photovoltaic output

圖9 不同光伏出力情況下的聯(lián)絡(luò)線總功率

3.2 不同參數(shù)下的調(diào)度結(jié)果分析

3.2.1 不同置信水平下的調(diào)度結(jié)果

表3 不同置信水平下的調(diào)度結(jié)果

Tab.3 Dispatching results under different confidence levels

圖10 不同置信水平下的聯(lián)絡(luò)線功率

3.2.2 不同合同簽訂率下的調(diào)度結(jié)果

表4 不同合同簽訂率下的調(diào)度結(jié)果

Tab.4 Dispatching results of different contract signing rates

圖11 不同合同簽訂率下的聯(lián)絡(luò)線總功率

4 結(jié)論

本文針對(duì)直流配電網(wǎng)日前優(yōu)化調(diào)度中可再生能源出力及負(fù)荷需求響應(yīng)的不確定性問題，建立考慮源荷不確定性的模糊隨機(jī)日前優(yōu)化調(diào)度模型，利用算例證明模型的有效性，表現(xiàn)出以下優(yōu)勢(shì)：

1）所提考慮負(fù)荷自彈性系數(shù)及電價(jià)差的電價(jià)型需求響應(yīng)負(fù)荷轉(zhuǎn)移模型，使得不確定性負(fù)荷模型的特性更為完善。

2）通過預(yù)調(diào)度發(fā)布合同-用戶簽訂合同-確定電動(dòng)汽車轉(zhuǎn)移量，盡可能地對(duì)電動(dòng)汽車進(jìn)行優(yōu)化引導(dǎo)并將其轉(zhuǎn)換為確定量，更有利于配電網(wǎng)凈負(fù)荷的削峰填谷。

3）在不同場(chǎng)景、不同可再生能源出力情況和不同的參數(shù)下，提出的模型均能表現(xiàn)出較為滿意的優(yōu)化效果，實(shí)現(xiàn)了聯(lián)絡(luò)線功率最平滑及日前調(diào)度成本最小的優(yōu)化目標(biāo)，保證了直流配電網(wǎng)的穩(wěn)定、經(jīng)濟(jì)運(yùn)行。

本文研究的重點(diǎn)在于考慮源荷不確定的穩(wěn)態(tài)下源荷功率平衡問題，源荷不確定下的網(wǎng)損也是概率問題，可以歸為對(duì)源荷預(yù)測(cè)的置信水平差異，因此，忽略了網(wǎng)損因素。而對(duì)于復(fù)雜拓?fù)涞闹绷髋潆娋W(wǎng)，在不同運(yùn)行模式下的網(wǎng)損大小差異對(duì)各調(diào)度單元參與調(diào)度能力的影響有必要進(jìn)行探討，這將在后續(xù)進(jìn)行深入研究。

附 錄

附圖1 光伏預(yù)測(cè)誤差分布

App.Fig.1 Photovoltaic forecast error distribution

附圖2 三角形模糊隸屬度函數(shù)

App.Fig.2 Triangular fuzzy membership

附表1 電價(jià)型需求響應(yīng)負(fù)荷的主要參數(shù)

App.Tab.1 Main parameters of electricity price demand response load

參數(shù)數(shù)值 自彈性系數(shù)0.1 死區(qū)-線性區(qū)拐點(diǎn)電價(jià)差/[元/(kW·h)]0.1 臨界電價(jià)差/[元/(kW·h)]0.35 線性區(qū)-飽和區(qū)拐點(diǎn)電價(jià)差/[元/(kW·h)]0.6 臨界峰谷負(fù)荷轉(zhuǎn)移率(%)2.5 最大峰谷負(fù)荷轉(zhuǎn)移率(%)5 峰谷負(fù)荷轉(zhuǎn)移率最大偏差值(%)1

附表2 微型燃?xì)廨啓C(jī)的主要參數(shù)

App.Tab.2 The main parameters of the micro gas turbine

機(jī)組最大/最小出力/MW耗量特性(c/b/a)/元/(元/MW)/(元/MW2)爬坡/(MW/15min)最小運(yùn)行/關(guān)停時(shí)間/h起停成本/元 10.5/0.03109.2/5.6/39.20.0412/4380 20.3/0.02109.2/7.0/40.60.0512/4300 30.2/0.01105.0/4.2/42.00.0512/4210

附表3 不同光伏出力情況下的分時(shí)電價(jià)時(shí)段

App.Tab.3 Time-of-use electricity price period under different photovoltaic output

光伏出力情況峰時(shí)段平時(shí)段谷時(shí)段 情況116:00～24:000:00～4:005:00～6:008:00～11:004:00～5:006:00～8:0011:00～16:00 情況29:00～12:0017:00～21:0012:00～17:0021:00～24:000:00～8:00 情況310:00～11:0016:00～23:000:00～3:005:00～6:008:00～10:0011:00～12:0023:00～24:003:00～5:006:00～8:0012:00～16:00

附表4 不同合同簽訂率下的分時(shí)電價(jià)時(shí)段

App.Tab.4 Time-of-use electricity price periods under different contract signing rates

合同簽訂率峰時(shí)段平時(shí)段谷時(shí)段 w=0.2,0.4,0.616:00～24:000:00～3:004:00～6:008:00～11:003:00～4:006:00～8:0011:00～16:00 w=0.816:00～24:000:00～3:004:00～5:006:00～7:008:00～11:003:00～4:005:00～6:007:00～8:0011:00～16:00

[1] 宋強(qiáng), 趙彪, 劉文華, 等. 智能直流配電網(wǎng)研究綜述[J]. 中國電機(jī)工程學(xué)報(bào), 2013, 33(25): 9-19, 5.

Song Qiang, Zhao Biao, Liu Wenhua, et al. An overview of research on smart DC distribution power network[J]. Proceedings of the CSEE, 2013, 33(25): 9-19, 5.

[2] 李霞林, 郭力, 王成山, 等. 直流微電網(wǎng)關(guān)鍵技術(shù)研究綜述[J]. 中國電機(jī)工程學(xué)報(bào), 2016, 36(1): 2-17.

Li Xialin, Guo Li, Wang Chengshan, et al. Key technologies of DC microgrids: an overview[J]. Proceedings of the CSEE, 2016, 36(1): 2-17.

[3] 曹文遠(yuǎn), 韓民曉, 謝文強(qiáng), 等. 交直流配電網(wǎng)逆變器并聯(lián)控制技術(shù)研究現(xiàn)狀分析[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(20): 4226-4241.

Cao Wenyuan, Han Minxiao, Xie Wenqiang, et al. Analysis on research status of parallel inverters control technologies for AC-DC distribution network[J]. Transactions of China Electrotechnical Society, 2019, 34(20): 4226-4241.

[4] 成龍, 金國彬, 王利猛, 等. 考慮功率裕度和電壓偏差的多端直流配電網(wǎng)自組織下垂控制[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(23): 81-93.

Cheng Long, Jin Guobin, Wang Limeng, et al. Self-organizing droop control of multi-terminal DC distribution network considering power margin and voltage deviation[J]. Automation of Electric Power Systems, 2019, 43(23): 81-93.

[5] 張勇軍, 劉子文, 宋偉偉, 等. 直流配電系統(tǒng)的組網(wǎng)技術(shù)及其應(yīng)用[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(23): 39-51.

Zhang Yongjun, Liu Ziwen, Song Weiwei, et al. Networking technology and its application of DC distribution system[J]. Automation of Electric Power Systems, 2019, 43(23): 39-51.

[6] 李海波, 趙宇明, 劉國偉, 等. 基于時(shí)序仿真的商業(yè)樓宇交流與直流配電系統(tǒng)能效對(duì)比[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(19): 4194-4206.

Li Haibo, Zhao Yuming, Liu Guowei, et al. The time sequential simulation based energy efficiency comparison of AC and DC distribution power system in commercial buildings[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4194-4206.

[7] 郭國太. 電動(dòng)汽車充電站負(fù)荷計(jì)算及影響因素[J]. 電氣技術(shù), 2019, 20(3): 93-97.

Guo Guotai. Load calculation and influence factors of electric vehicle charging station[J]. Electrical Engineering, 2019, 20(3): 93-97.

[8] 姜欣, 馮永濤, 熊虎, 等.基于出行概率矩陣的電動(dòng)汽車充電站規(guī)劃[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(增刊1): 272-281.

Jiang Xin, Feng Yongtao, Xiong Hu, et al. Electric vehicle charging station planning based on travel probability matrix[J]. Transactions of China Electrotechnical Society, 2019, 34(S1): 272-281.

[9] 孫鵬飛, 賀春光, 邵華, 等. 直流配電網(wǎng)研究現(xiàn)狀與發(fā)展[J]. 電力自動(dòng)化設(shè)備, 2016, 36(6): 64-73.

Sun Pengfei, He Chunguang,Shao Hua, et al. Research status and development of DC distribution network[J]. Electric Power Automation Equipment, 2016, 36(6): 64-73.

[10] 周逢權(quán), 黃偉. 直流配電網(wǎng)系統(tǒng)關(guān)鍵技術(shù)探討[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(22): 62-67.

Zhou Fengquan, Huang Wei. Study on the key technology of DC distribution power network[J]. Power System Protection and Control, 2014, 42(22): 62-67.

[11] 馬駿超, 江全元, 余鵬, 等. 直流配電網(wǎng)能量優(yōu)化控制技術(shù)綜述[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(24): 89-96.

Ma Junchao, Jiang Quanyuan, Yu Peng, et al. Survey on energy optimized control technology in DC distribution network[J]. Automation of Electric Power Systems, 2013, 37(24): 89-96.

[12] 張永斌, 聶明林, 張俊鵬, 等. 考慮分布式電源不確定性的配電網(wǎng)網(wǎng)架模糊規(guī)劃[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(增刊1): 258-263.

Zhang Yongbin, Nie Minglin, Zhang Junpeng, et al. Grid fuzzy planning of the distribution network with distributed generation[J]. Transactions of China Electrotechnical Society, 2019, 34(S1): 258-263.

[13] 夏鵬, 劉文穎, 張堯翔, 等. 考慮風(fēng)電高階不確定性的分布式魯棒優(yōu)化調(diào)度模型[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(1): 189-200.

Xia Peng, Liu Wenying, Zhang Yaoxiang, et al. A distributionally robust optimization scheduling model cosidering higher-order uncertainty of wind power[J]. Transactions of China Electrotechnical Society, 2020, 35(1): 189-200.

[14] 王家怡, 高紅均, 劉友波, 等. 考慮風(fēng)電不確定性的交直流混合配電網(wǎng)分布式優(yōu)化運(yùn)行[J]. 中國電機(jī)工程學(xué)報(bào), 2020, 40(2): 550-563.

Wang Jiayi, Gao Hongjun, Liu Youbo, et al. A distributed operation optimization model for AC/DC hybrid distribution network considering wind power uncertainty[J]. Proceedings of the CSEE, 2020, 40(2): 550-563.

[15] 劉文穎, 徐鵬, 趙子蘭, 等. 基于區(qū)間估計(jì)的風(fēng)電出力多場(chǎng)景下靜態(tài)電壓安全域研究[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(3): 172-178.

Liu Wenying, Xu Peng, Zhao Zilan, et al. A research of static voltage stability region in wind power scenario based on interval estimation[J]. Transactions of China Electrotechnical Society, 2015, 30(3): 172-178.

[16] 王永杰, 吳文傳, 張伯明. 考慮負(fù)荷量測(cè)和光伏不確定性的主動(dòng)配電網(wǎng)魯棒電壓控制[J]. 電力系統(tǒng)自動(dòng)化, 2015, 39(9): 138-144.

Wang Yongjie, Wu Wenchuan, Zhang Boming. Robust voltage control model for active distribution network considering load and photovoltaic uncertainties[J]. Automation of Electric Power Systems, 2015, 39(9): 138-144.

[17] 徐俊俊, 戴桂木, 吳在軍, 等. 計(jì)及電動(dòng)汽車和光伏不確定性的主動(dòng)配電網(wǎng)量測(cè)優(yōu)化配置[J]. 電力系統(tǒng)自動(dòng)化, 2017, 41(1): 57-64.

Xu Junjun, Dai Guimu, Wu Zaijun, et al. Optimal meter placement for active distribution network considering uncertainties of plug-in electric vehicles and photovoltaic systems[J]. Automation of Electric Power Systems, 2017, 41(1): 57-64.

[18] 孫宇軍, 李揚(yáng), 王蓓蓓, 等. 計(jì)及不確定性需求響應(yīng)的日前調(diào)度計(jì)劃模型[J]. 電網(wǎng)技術(shù), 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.

[19] 趙冬梅, 殷加玞. 考慮源荷雙側(cè)不確定性的模糊隨機(jī)機(jī)會(huì)約束優(yōu)先目標(biāo)規(guī)劃調(diào)度模型[J]. 電工技術(shù)學(xué)報(bào), 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.

[20] 孫宇軍, 王巖, 王蓓蓓, 等. 考慮需求響應(yīng)不確定性的多時(shí)間尺度源荷互動(dòng)決策方法[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(2): 106-113, 159.

Sun Yujun, Wang Yan, Wang Beibei, et al. Multi time scale decision method for source load interaction considering demand response uncertainty[J]. Automation of Electric Power Systems, 2018, 42(2): 106-113, 159.

[21] 羅純堅(jiān), 李姚旺, 許漢平, 等. 需求響應(yīng)不確定性對(duì)日前優(yōu)化調(diào)度的影響分析[J]. 電力系統(tǒng)自動(dòng)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] 李姚旺, 苗世洪, 劉君瑤, 等. 考慮需求響應(yīng)不確定性的光伏微電網(wǎng)儲(chǔ)能系統(tǒng)優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(20): 69-77.

Li Yaowang, Miao Shihong, Liu Junyao, et al. Optimal allocation of energy storage system in PV micro grid considering uncertainty of demand response[J]. Power System Protection and Control, 2018, 46(20): 69-77.

[23] 王錫凡, 邵成成, 王秀麗, 等. 電動(dòng)汽車充電負(fù)荷與調(diào)度控制策略綜述[J]. 中國電機(jī)工程學(xué)報(bào), 2013, 33(1): 1-10.

Wang Xifan, Shao Chengcheng, Wang Xiuli, et al. Survey of electric vehicle charging load and dispatch control strategies[J]. Proceedings of the CSEE, 2013, 33(1): 1-10.

[24] 錢甜甜, 李亞平, 郭曉蕊, 等. 基于時(shí)空活動(dòng)模型的電動(dòng)汽車充電功率計(jì)算和需求響應(yīng)潛力評(píng)估[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(23): 127-134.

Qian Tiantian, Li Yaping, Guo Xiaorui, et al. Calculation of electric vehicle charging power and evaluation of demand response potential based on spatial and temporal activity model[J]. Power System Protection and Control, 2018, 46(23): 127-134.

[25] 魏大鈞, 張承慧, 孫波, 等. 基于分時(shí)電價(jià)的電動(dòng)汽車充放電多目標(biāo)優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2014, 38(11): 35-40.

Wei Dajun, Zhang Chenghui, Sun Bo, et al. A time-of-use price based multi-objective optimal dispatching for charging and discharging of electric vehicles[J]. Power System Technology, 2014, 38(11): 35-40.

[26] 楊曉東, 張有兵, 趙波, 等. 供需兩側(cè)協(xié)同優(yōu)化的電動(dòng)汽車充放電自動(dòng)需求響應(yīng)方法[J]. 中國電機(jī)工程學(xué)報(bào), 2017, 37(1): 120-130.

Yang Xiaodong, Zhang Youbing, Zhao Bo, et al. Automated demand response method for electric vehicles charging and dischagring to achieve supply-demand coordinated optimization[J]. Proceedings of the CSEE, 2017, 37(1): 120-130.

[27] 劉寶碇, 趙瑞清, 王綱. 不確定規(guī)劃及應(yīng)用[M]. 北京: 清華大學(xué)出版社, 2003.

[28] 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]. 中國電機(jī)工程學(xué)報(bào), 2016, 36(17): 110-118.

Dond Lei, Chen Hui, Pu Tianjiao, et al. Multi-time scale dynamic optimal dispatch in active distribution network based on model predictive control[J]. Proceedings of the CSEE, 2016, 36(17): 110-118.

[29] 信桂新, 楊朝現(xiàn), 楊慶媛, 等. 用熵權(quán)法和改進(jìn)TOPSIS模型評(píng)價(jià)高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)后效應(yīng)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(1): 238-249.

Xin Guixin, Yang Chaoxian, Yang Qingyuan, et al. Post-evaluation of well-facilitied capital farmland construction based on entropy weight method and improved TOPSIS model[J]. Transactions of the CSAE, 2017, 33(1): 238-249.

[30] 王璟, 蔣小亮, 楊卓, 等. 光伏集中并網(wǎng)電壓約束下的準(zhǔn)入容量與電壓波動(dòng)的評(píng)估方法[J]. 電網(wǎng)技術(shù), 2015, 39(9): 2450-2457.

Wang Jing, Jiang Xiaoliang, Yang Zhuo, et al. Penetration capacity under voltage constraint and evaluation methodology of voltage fluctuation caused by centralized grid connection of photovoltaic power[J]. Power System Technology, 2015, 39(9): 2450-2457.

[31] 張洪財(cái), 胡澤春, 宋永華, 等. 考慮時(shí)空分布的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化, 2014, 38(1): 19-26.

Zhang Hongcai, Hu Zechun, Song Yonghua, et al. A prediction method for electric vehicle charging load considering spatial and temporal distribution[J]. Automation of Electric Power Systems, 2014, 38(1): 19-26.

Fuzzy Random Day-Ahead Optimal Dispatch of DC Distribution Network Considering the Uncertainty of Source-Load

Jin Guobin1Pan Di1Chen Qing2,3Shi Chao1Li Guoqing1

（1. Key Laboratory of Modern Power System Simulation and Control & Renewable Energy Technology Ministry of Education Northeast Electric Power University Jilin 132012 China 2. State Grid Jiangsu Electric Power Co. Ltd Nanjing 210000 China 3. Jiangsu Electric Power Company Research Institute Nanjing 211100 China）

Aiming at the uncertainty of distributed renewable energy and typical DC load in DC distribution network, the uncertainty load model considering load self elasticity coefficient and demand response of electricity price is proposed. Considering the randomness of renewable energy, the highly schedulable units such as electric vehicle is converted into deterministic load by signing a day-ahead charging contract; A fuzzy random day-ahead optimal dispatching model is established, for achieving the objective of smoothest power of line between the distribution network and upper power grid, and the objective of minimum daily dispatching cost. The entropy weight method is used to determine the weights of the two objectives. Taking a DC distribution network as an example, the effectiveness and superiority of the optimal dispatching model are verified according to different scenarios, different photovoltaic output, different confidence levels and different signing rate of electric vehicle contracts.

Uncertainty of source-load, fuzzy random chance constraint, DC distribution network, electric vehicle, day-ahead optimal dispatch

10.19595/j.cnki.1000-6753.tces.201295

TM732

國家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目（2018YFB0904700）。

2020-09-25

2020-11-02

金國彬 男，1977年生，副教授，碩士生導(dǎo)師，研究方向?yàn)樾履茉床⒕W(wǎng)發(fā)電的高效、高電能質(zhì)量接入和含新興能源的智能電網(wǎng)。E-mail：jgbjgb2005@126.com

潘 狄 男，1996年生，碩士研究生，研究方向?yàn)橹绷髋潆娋W(wǎng)優(yōu)化調(diào)度。E-mail：pandi_panda@qq.com（通信作者）

（編輯 赫蕾）