技术领域
[0001] 本
发明涉及配电技术领域，特别涉及一种含分布式
能源和储能的分层分级控制策略。
背景技术
[0002] 近年来，随着我国经济的持续强劲增长，
电力负荷也屡攀高峰。2017年，我国全社会用电量63077亿千瓦时，同比增长6.6％，24个省级
电网用电负荷创历史新高。快速增长的电力负荷对于电力系统带来了巨大的挑战，尤其在配电网侧，由于网架
基础薄弱，尖峰负荷以及巨大的峰谷差严重影响了配电网的经济安全运行。传统配电网需要通过扩建增容的方式来解决这一问题，但所需投资巨大。
[0003] 分布式能源具有灵活、清洁等特点，在配电网中就地消纳能够直接供给负荷需求，有效补充
电能缺口，从而降低电网投资和传输损耗，因此近年来在配电网中发展迅速，分布式能源渗透率快速提高。2015年我国新增
风电装机量约占全球新增风电装机的一半，中国累计风电装机已经达到第二名美国的两倍左右。根据我国发布的能源发展战略行动计划(2014-2020)，预计到2020年，我国风电的装机容量将达到2亿千瓦。2013年至 2016年，中国连续四年
光伏发电新增装机容量世界排名第一，2016年新增装机容量 34.54GW，同比增长126.31％。
[0004] 但是，
风力、光伏等
可再生能源具有出力随机、间歇、
波动的特点，大规模、分布式接入配电网后会出现配电网反向送电功率大、
电压难以控制等问题。随着分布式能源渗透率迅速提高，这些问题将进一步恶化，严重影响配电网安全稳定运行问题。随着储能技术经济性的不断提升，储能在可再生能源发电、主动配电网建设中的作用日益凸显，我国也相继出台政策鼓励储能技术的建设与应用。根据接入方式及应用场景的不同，储能系统的应用主要包含集中式与分布式两种形式。其中分布式应用的储能系统接入
位置灵活，在中低压配电网中应用有
削峰填谷、提高可再生能源消纳的作用，与其他分布式能源等灵活资源协同配合，能够有效缓解可再生能源接入对于配电网的影响。
[0005] 目前对于含有分布式能源和储能的系统优化控制研究主要方法可以分为三类：集中调度的方法、基于等微增原则的方法、基于博弈论的方法。其中，集中调度的方法仍然沿用传统的大电网经济调度的模式，其重点在于考虑间歇式新能源与电动
汽车等主动负荷的随机性的影响。但是分布式能源、储能等灵活资源与电网公司分属于不同的利益主体，而集中调度的方法却无法体现它们各自的利益诉求。等微增率法一般通过使所有机组的成本微增率相等的方式实现全网的发电成本最小化。该方法不需要收集大量的分布式发电的信息进行集中计算，因而不存在信息传输与计算量方面的问题。但是该方法本质上仍以全网的效益最优为目标，仍然无法体现灵活资源与电网公司在利益诉求上的差别。另外，目前的等微增率法一般不考虑不确定性问题，因而无法全面描述新能源与负荷的随机性的影响。已有的基于博弈论的经济调度方法一般在竞价上网的环境下建立各个电厂的博弈模型，从而获取各自的最佳利益，但未能充分体现电网的协调管理功能。
发明内容
[0006] 针对
现有技术所存在的问题，本发明提出一种含分布式能源和储能的分层分级控制策略；首先，基于
时空多粒度分析，提出了含分布式能源和储能的分层分级控制
框架。该控制框架从空间尺度主要包括输电网层、配电网层和灵活资源层三层，从时间尺度包括日前计划与实时调度两个阶段。首先在日前，输电网控制中心基于配电网控制中心上传的次日集合灵活资源模型参数，以输电网运行成本最小为优化目标建立模型，优化并下发次日各配电网控制中心的负荷指导曲线。在实时阶段，配电网控制中心在尽量跟随日前输电网控制中心下达的负荷指导曲线的前提下，从协调配电公司和灵活资源多主体利益
角度，建立日内实时滚动二层优化控
制模型，从而实现大规模、多类型灵活资源的协调控制。
[0007] 一种含分布式和储能的分层分级控制策略，其特征在于，包括以下步骤：
[0008] 步骤一：在日前计划阶段，需求侧各灵活资源根据次日用电需求的预测结果，生成灵活资源模型参数，同时各个分布式能源也生成出力计划，可再生能源进行出力预测，一并上报给配电网层的控制中心；
[0009] 步骤二：配电网层控制中心基于各资源上报的灵活资源模型参数，进行加总后生成集合灵活资源模型，并将相应参数上报给输电网层调度中心；
[0010] 步骤三：在输电网层调度中心收取到配网层的次日集合灵活资源模型后，优化次日机组的启停和出力计划，并计算次日各配电层控制中心指导用电功率曲线，下发给对应的配电网层控制中心；
[0011] 步骤四：进入实时协调控制阶段，配电网层控制中心和各个灵活资源需要根据顶层输电网优化的负荷曲线进行协调控制，实现配电网和灵活资源经济效益最优的同时满足实时电力平衡；
[0012] 步骤五：配电网层面根据各灵活资源上报的实时用电需求信息，采用滚动优化的方法调度各灵活资源的价格，同时跟随输电网层控制中心日前下达的指导用电功率曲线；
[0013] 步骤六：各个灵活资源根据配电网优化的价格
信号，以自身经济效益最大为优化目标，优化自身出力，并将优化结果返回配电网控制中心。
[0014] 进一步地，在日前计划阶段，灵活资源层对未来24小时内的不可控DG的出力进行预测，并上报各个灵活资源的出力计划；采用
最大功率点跟踪方法控制保证不可控DG按照预测出力发电；
[0015] 在配电网层面，收集汇总各个灵活资源的信息，并上报给输电网控制中心；
[0016] 输电网控制中心接受所有配电网上传信息后，以输电网的运行成本最小为优化目标建立日前优化模型；其中，运行
费用包括购电成本和各个机组的发电成本，其中风电、光伏以可再生能源为动力，其运行成本可以忽略，优化变量为各个机组的出力。
[0017] 进一步地，具体实现方法包括建立日前优化调度模型及其求解；其中建立日前优化调度模型具体实现方法为：
[0018] 确定目标函数：上层以输电网日前优化调度运行费用最小为目标，运行费用包括从购电成本、机组发电成本，对输电网中机组的出力进行优化组合，得到公式：
[0019]
[0020] 式中：F为运行成本；T为调度周期总时段数，在本节中取24h；NG为配电网中机组数； 为t时段从上级电网购电的价格；Ptgrid为t时段从上级电网的购电量； 为第j台机组在t 时段的发电量；aj、bj、cj表示第j台机组二次生产成本函数的系数；Xj,t、Zj,t分别为第j 台机组在t时刻的启停状态，为0、1变量；SUj、SDj分别为第j台机组的启动和关停成本,其中，目标函数的第一项表示从上级电网购电而需要支付的购电费用；第二项表示输电网所有机组的运行、启动、关停成本。
[0021] 计算约束条件：
[0022] 有功平衡约束：
[0023]
[0024] 式中：为t时段系统预测总负荷；
[0025] 机组约束条件：
[0026] 可控DG出力上下限约束：
[0027]
[0028] 式中： 分别为第i台机组输出功率上下限；
[0029] 机组爬坡速度约束：
[0030]
[0031]
[0032] 式中：UPi为第i台机组向上爬坡速率限制；DNi为第i台机组向下爬坡速率限制；
[0034]
[0035] 式中：NCHP为热电联产机组的数量； 为第i台热电联产机组在t时段的发电量；di为第i台机组的热电转换效率系数；fi为常数；PtT为t时段的热负荷；
[0036] 上级电网购电约束：
[0037]
[0038] 式中： 为从上级电网购电的最大值，为保证有足够的
阈值应对预测误差和网络损耗，该值要小于变电站的额定容量；
[0039] 日前优化调度模型求解的具体实现方法为：采用遗传
算法获得最优协调方案；步骤如下：
[0040] 输入输电网的基本信息；对需要进行优化的可控单元进行编码；将每个可控单元在每个时段的出力作为
染色体中的一个基因，一条染色体包括所有可控单元在日时间尺度的全部出力；选取染色体，生成初始种群；比较种群内染色体的适应度。考虑约束条件，将功率匹配约束以罚函数的形式加入适值函数中；进行遗传操作；经过选择、交叉、变异后，得到新一代种群；判断是否达到最大
迭代次数，若未达到，重复步骤4)到7)；译码，得到可控单元在日时间尺度的全部出力，计算结束。
[0041] 进一步地，在实时协调控制阶段，配电网控制中心与灵活资源需要共同协调控制来响应日前阶段输电网优化的用电负荷指导曲线，采用二层规划模型进行优化，二层规划的通用模型如下：
[0042]
[0043] 上式中：F(x，w′1，…，w′m)、fi(x，wi)分别为配电网和第i个灵活资源的目标函数； G(x，w′1，…，w′m)、gi(x，wi)分别为配电网和第i个灵活资源的约束条件；x、wi分别为配电网和第i个灵活资源的决策变量。上层考虑配电公司的主体利益，以该时刻内运行成本最小为优化目标，优化变量为各个灵活资源与配电网的交易价格；上层价格优化结果作用于下层目标函数和约束条件，下层优化调度值反馈到上层，实现上下层之间的相互作用；
[0044] 其中，上层模型以配电网的运行费用最小为优化目标，运行费用主要包括从灵活资源运营商处购电费用；根据与灵活资源运营商签订的合同要求向其发电量削减部分进行补偿的费用；配电公司发出中断
请求经用户响应后对用户的中断补偿费用；向上级电网购电费用；目标函数的数学表达为：
[0045]
[0046] 式中各部分费用的详细表述如下：
[0047] 从DG、储能等灵活资源购电的成本CDER
[0048]
[0049] αj＝cj·△t
[0050] 上式中：时间T由R个时间间隔△t组成，即T＝R·△t；G为灵活资源的集合； 为在第 r时段内第j个灵活资源的有功出力；cj为从第j个灵活资源处购买1kWh电能的价格；
[0051] 灵活资源发电计划削减补偿成本CpayDER
[0052]
[0053] β＝cDER,j·△t
[0054] 上式中： 为在第r时段内第j个灵活资源上报的有功出力； 为在第r时段内第j 个灵活资源实际的有功出力； 为在第r时段内第j个灵活资源削减的有功出力；cDER,j为按合同规定削减1kWh发电量配电公司向灵活资源运营商补偿的价格；
[0055] 从上级电网购电的成本Cgrid
[0056]
[0057] ψ＝cgrid·△t
[0058] 上式中： 为在第r时段需从上级电网购得的有功功率；cgrid为配电公司从上级电网购买1kWh电能的价格；
[0060]
[0061] λ＝cbid·△t
[0062] μ＝(csell,r-cgrid)·△t
[0063] 上式中：C为参与需求侧响应的用户集合； 为在第r时段第v用户削减的有功功率； cbid为合同中规定的用户响应中断请求后削减1kWh电能获得配电公司补偿的价格；csell,r为配电公司卖给用户的分时电价，(λ+μ)反映出配电公司的利润变化；
[0064] 此外考虑约束条件，包括电能平衡约束、潮流约束以及各灵活资源的运行约束：
[0065] 电能平衡约束：
[0066]
[0067] 上式中：N为可调度灵活单元的集合；NP为不可调度DG单元集合； 为在第r时段第 u不可调度发电单元的有功出力； 为第r时段的总负荷； 为第r时段的网络损耗；
[0068] 功率平衡约束：
[0069]
[0070]
[0071] 上式中：Pi、Qi分别为
节点注入的有功功率和
无功功率；Gij、Bij、δij依次为节点i、j 之间的电导、电纳和电压相角差；n为系统节点总数；Ui、Uj分别为节点i、j的电压幅值；
[0072] 可调度分布式电源单元运行约束：
[0073]
[0074]
[0075] 上式中： 和 分别为在第r时段内第j可调度发电单元允许的最小和最大有功功率；RN,j为在第j可调度发电单元在相邻两时段内增加或降低有功功率的限值；
[0076] 储能单元运行约束：
[0077]
[0078]
[0079] 上式中： k∈S，J＝1,2,…,R； 和 分别为在第r时段内第k储能单元允许的最小和最大充/放电有功功率； 有两种形式，放电时 充电时
SOCk.min和SOCk.max分别为储能单元的最小和最大剩余电量；
[0080] 需求侧响应用户可削减负荷功率约束：
[0081]
[0082] 上式中： 和 分别为在第r时段内第v用户允许削减负荷的最小和最大有功功率；
[0083] 电动汽车集中型充电站功率约束：
[0084]
[0085] 上式中： 和 分别为第k个电动汽车集中型充电站的最小和最大充/放电有功功率；
[0086] 电动汽车集中型充电站中
电池电量约束：
[0087]
[0088]
[0089] 上式中：为第k个集中型充电站在t时段所有电池的剩余电量；ηC、ηF分别为充
电机的充、放电效率，取ηC＝ηF＝0.9； 为电动汽车集中型充电站一天总的充电需求； 为第 k个集中型充电站所有电池的总电量；SOCkmax、SOCkmin为第k个集中型充电站最大和最小的
荷电状态；
[0090] 节点电压约束：
[0091] Vmin≤Vk≤Vmax
[0092] 支路功率约束：
[0093] Pj≤Pjmax。
[0094] 进一步地，下层模型根据上层优化的与配电公司的交易价格，以各个分布式能源、储能等灵活资源的经济效益最大为优化目标，对各个灵活资源的出力进行优化；灵活资源的收益包括配电网从灵活资源买电的收益以及配电公司向灵活资源赔偿的费用，支出包括灵活资源发电的成本，因此其经济效益的具体目标函数为：
[0095]
[0096] 上式中：Ci,G为灵活资源发电的成本；
[0097] 考虑约束条件：
[0098] 可调度分布式电源单元运行约束：
[0099]
[0100] 上式中： 和 分别为在第r时段内第j可调度发电单元允许的最小和最大有功功率；RN,j为在第j可调度发电单元在相邻两时段内增加或降低有功功率的限值；
[0101] 储能单元运行约束：
[0102]
[0103]
[0104] 上式中： k∈S，J＝1,2,…,R； 和 分别为在第r时段内第k储能单元允许的最小和最大充/放电有功功率； 有两种形式，放电时 充电时
SOCk.min和SOCk.max分别为储能单元的最小和最大剩余电量；
[0105] 电动汽车集中型充电站功率约束：
[0106]
[0107] 上式中： 和 分别为第k个电动汽车集中型充电站的最小和最大充/放电有功功率；
[0108] 电动汽车集中型充电站中电池电量约束：
[0109]
[0110]
[0111] 上式中： 为第k个集中型充电站在t时段所有电池的剩余电量；ηC、ηF分别为充电机的充、放电效率，取ηC＝ηF＝0.9； 为电动汽车集中型充电站一天总的充电需求；为第k 个集中型充电站所有电池的总电量；SOCkmax、SOCkmin为第k个集中型充电站最大和最小的荷电状态。
[0112] 进一步地，所述二层规划模型的求解方法为：
[0113] 分别把上下层的优化控制模型简化为以下一般非线性优化模型：
[0114] obj.min.f(x)
[0115] s.t.h(x)＝0
[0116]
[0117] 式中：f(x)为目标函数，对应于优化控制模型，是一个非线性函数；h(x)为非线性等式约束条件，对应于优化控制模型；g(x)为非线性不等式约束条件，对应于优化控制模型；在以上模型中共有n个变量，m个等式约束，r个不等式约束，原对偶内点法的基本思路如下：
[0118] 首先，将不等式约束条件g(x)转化为等式约束：
[0119]
[0120] g(x)-l＝g
[0121] 其中松弛变量l＝[l1 ... lr]T,u＝[u1 ... ur]T，应满足
[0122] u>0,l>0
[0123] 这样原问题变为优化问题A：
[0124] obj.min.f(x)
[0125] s.t.h(x)＝0
[0126]
[0127] g(x)-l＝g
[0128] u>0,l>0
[0129] 然后，把目标函数改造为障碍函数，该函数在可行域内应接近于原目标函数f(x)，而在边界变得很大；因此可得到优化问题B：
[0130] obj.
[0131] s.t.h(x)＝0
[0132]
[0133] g(x)-l＝g
[0134] 其中扰动因子μ>0；显然问题B是只含有等式约束的优化问题，故可以直接采用拉格朗日乘子法来求解，其拉格朗日函数为：
[0135]
[0136] 式中：y，z，w均为拉格朗日乘子；
[0137] 该问题极小值存在的必要条件是拉格朗日函数对所有变量及乘子的偏导数为0：
[0138]
[0139]
[0140]
[0141]
[0142]
[0143]
[0144] 式中：L＝diag(l1,l2,...,lr)，Z＝diag(z1,z2,...,zr)，W＝diag(w1,w2,...,wr)，U＝diag(u1,u2,...,ur)， e＝[1,1,...,1]T；
[0145] 可以解得：
[0146]
[0147] 定义：
[0148] GAP＝lTz-uTw
[0149] 式中：GAP称为对偶间隙；根据Fiacco和McCormick的理论，如果障碍参数GAP在迭代过程中单调递减到0，则得到问题式的最优解。
[0150] 极值的必要条件式是非线性方程组，可用
牛顿法求解。将式(38)线性化后写成矩阵形式可得：
[0151]
[0152] 式中：
[0153] 通过上式求解方程得到第k次迭代的修正量，就是通常所说的牛顿方向，获得牛顿方向后对原、对偶变量进行更新：
[0154] x(k+1)＝x(k)+ap△x
[0155] l(k+1)＝l(k)+ap△l
[0156] u(k+1)＝u(k)+ap△u
[0157] y(k+1)＝y(k)+ad△y
[0158] z(k+1)＝z(k)+ad△z
[0159] w(k+1)＝w(k)+ad△w
[0160] 式中：ap和ad为原变量和对偶变量更新所对应的步长：
[0161]
[0162]
[0163] 更新原、对偶变量后再以新的变量值作为下一次迭代的初值，如此反复迭代直至得到最优解。
[0164] 本
申请的有益效果：本发明所提的分层分级控制框架通过集合灵活资源模型，相较传统的
单层集中式协调控制策略，能够有效降低不同层级控制中心之间的数据传输容量，并提高每个层级优化计算的效率。同时多时间尺度分级控制能够充分考虑可再生能源出力的波动性与随机性，有效消除其预测误差对运行优化的影响。
[0165] 本发明针对接入分布式能源和储能的电网系统，从时空多粒度角度提出了分层分级的控制体系，包含分层分级控制框架、日前时间尺度输电网优化调度模型以及日内实时滚动的二层优化控制模型。所提的分层分级控制框架通过集合灵活资源模型，相较传统的单层集中式协调控制策略，能够有效降低不同层级控制中心之间的数据传输容量，并提高每个层级优化计算的效率。同时多时间尺度分级控制能够充分考虑可再生能源出力的波动性与随机性，有效消除其预测误差对运行优化的影响。在实际控制中，所提的分层控制系统在系统故障情况下也能更加可靠，例如，当灵活资源层与配电网控制中心之间的通信传输被切断时，各个灵活资源依旧能够可靠的切换到本地控制模式，通过响应分时电价，最大化灵活资源经济效益。
附图说明
[0166] 为了更清楚地说明本申请的技术方案，下面将对
实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0167] 图1为本申请分布式能源和储能的分层分级控制框架；
[0168] 图2为本申请采用
遗传算法求解日时间尺度优化模型的具体
流程图；
[0169] 图3为本申请二层规划模型的求解流程图。
具体实施方式
[0170] 电力系统涉及多个电压等级，节点数量多且分散，参与优化调度的分布式能源以及储能等灵活资源分布在不同的电压等级，同时配电网的通信通道较为薄弱。因此，在空间层面考虑分层协调优化的控制结构具有较强的适应性。另一方面，可再生能源(如光伏、风电)的出力具有随机性与波动性，其预测具有一定的误差。为了降低可再生能源出力以及负荷预测误差对电网运行优化的影响，需要在时间尺度上采用日前计划-实时调度多级控制方法，逐级降低预测误差，从而实现网络的最优运行。因此，本报告从时间和空间两个粒度提出含分布式能源和储能的分层分级控制框架。
[0171] 从空间角度出发，含分布式能源和储能的分层协调控制主要包括三层：灵活资源层(底层)，中压配电网层(
中间层)和输电网(最顶层)。假设配电网与输电网之间可通过光缆实现快捷的双向通信，配电网层与灵活资源层之间也可通过目前广泛加装的智能电表或智能终端实现双向通信。由于本报告考虑的分布式能源灵活资源协调控制的功率调节
频率均为分钟级，而不同层级间的通信延时最长为秒级，因此本文所提的控制策略均不考虑控制通信延时对协调控制的影响。中压配电网层控制中心的中间层与分布式能源以及储能等灵活资源的底层分属于不同的利益主体，配电网不能调度灵活资源，而是利用价格这一杠杆进行协调。反过来，灵活资源响应配电网的价格信号，调整自身的出力功率，并返回配电网的控制中心。
[0172] 从时间尺度出发，含分布式能源和储能的多级协调控制主要包括日前计划阶段和日内实时调度阶段。首先在日前，需求侧各灵活资源根据次日用电需求的预测结果，生成灵活资源模型参数，同时各个分布式能源也生成出力计划，可再生能源进行出力预测，一并上报给配电网层的控制中心。配电网层控制中心基于各资源上报的灵活资源模型参数，进行加总后生成集合灵活资源模型，并将相应参数上报给输电网层调度中心。虽然由于各类随机因素的影响，对日前用电需求预测以及可再生能源出力预测的误差不可避免，但通过对大规模灵活资源特性的加总，对集合灵活资源模型参数的预测比对单个灵活资源需求的预测更为准确。在输电网层控制中心收取到配网层的次日集合灵活资源模型后，优化次日机组的启停和出力计划，并计算次日各配电层控制中心指导用电功率曲线，下发给对应的配电网层控制中心。注意到，在该步计算中，输电网层控制中心仅仅依靠配电网层次日集合灵活资源模型的参数进行决策，而不需要获得配电网层中接入的每个灵活资源的详细参数，相较于集中式协调控制，显著降低了输电网层的计算规模，提高了计算效率并减少了不同控制层之间的通讯数据传输容量。
[0173] 在实时协调控制阶段，配电网层控制中心和各个灵活资源需要根据顶层输电网优化的负荷曲线进行协调控制，以实现配电网和灵活资源经济效益最优，同时满足实时电力平衡。配电网层面根据各灵活资源上报的实时用电需求信息，采用滚动优化的方法调度各灵活资源的价格，同时跟随输电网层控制中心日前下达的指导用电功率曲线。各个灵活资源根据配电网优化的价格信号，以自身经济效益最大为优化目标，优化自身出力，并将优化结果返回配电网控制中心。配电网与灵活资源通过协调迭代，最终实现二者效益的均衡。
[0174] 如图1所示，一种含分布式和储能的分层分级控制策略，其特征在于，包括以下步骤：
[0175] 步骤一：在日前计划阶段，需求侧各灵活资源根据次日用电需求的预测结果，生成灵活资源模型参数，同时各个分布式能源也生成出力计划，可再生能源进行出力预测，一并上报给配电网层的控制中心；
[0176] 步骤二：配电网层控制中心基于各资源上报的灵活资源模型参数，进行加总后生成集合灵活资源模型，并将相应参数上报给输电网层调度中心；
[0177] 步骤三：在输电网层调度中心收取到配网层的次日集合灵活资源模型后，优化次日机组的启停和出力计划，并计算次日各配电层控制中心指导用电功率曲线，下发给对应的配电网层控制中心；
[0178] 步骤四：进入实时协调控制阶段，配电网层控制中心和各个灵活资源需要根据顶层输电网优化的负荷曲线进行协调控制，实现配电网和灵活资源经济效益最优的同时满足实时电力平衡；
[0179] 步骤五：配电网层面根据各灵活资源上报的实时用电需求信息，采用滚动优化的方法调度各灵活资源的价格，同时跟随输电网层控制中心日前下达的指导用电功率曲线；
[0180] 步骤六：各个灵活资源根据配电网优化的价格信号，以自身经济效益最大为优化目标，优化自身出力，并将优化结果返回配电网控制中心。
[0181] 进一步地，在日前计划阶段，灵活资源层对未来24小时内的不可控DG的出力进行预测，并上报各个灵活资源的出力计划；采用最大功率点跟踪方法控制保证不可控DG按照预测出力发电；
[0182] 在配电网层面，收集汇总各个灵活资源的信息，并上报给输电网控制中心；
[0183] 输电网控制中心接受所有配电网上传信息后，以输电网的运行成本最小为优化目标建立日前优化模型；其中，运行费用包括购电成本和各个机组的发电成本，其中风电、光伏以可再生能源为动力，其运行成本可以忽略，优化变量为各个机组的出力。
[0184] 进一步地，具体实现方法包括建立日前优化调度模型及其求解；其中建立日前优化调度模型具体实现方法为：
[0185] 确定目标函数：上层以输电网日前优化调度运行费用最小为目标，运行费用包括从购电成本、机组发电成本，对输电网中机组的出力进行优化组合，得到公式：
[0186]
[0187] 式中：F为运行成本；T为调度周期总时段数，在本节中取24h；NG为配电网中机组数； 为t时段从上级电网购电的价格；Ptgrid为t时段从上级电网的购电量； 为第j台机组在t 时段的发电量；aj、bj、cj表示第j台机组二次生产成本函数的系数；Xj,t、Zj,t分别为第j 台机组在t时刻的启停状态，为0、1变量；SUj、SDj分别为第j台机组的启动和关停成本,其中，目标函数的第一项表示从上级电网购电而需要支付的购电费用；第二项表示输电网所有机组的运行、启动、关停成本。
[0188] 计算约束条件：
[0189] 有功平衡约束：
[0190]
[0191] 式中：为t时段系统预测总负荷；
[0192] 机组约束条件：
[0193] 可控DG出力上下限约束：
[0194]
[0195] 式中： 分别为第i台机组输出功率上下限；
[0196] 机组爬坡速度约束：
[0197]
[0198]
[0199] 式中：UPi为第i台机组向上爬坡速率限制；DNi为第i台机组向下爬坡速率限制；
[0200] 热电联产机组出力约束：
[0201]
[0202] 式中：NCHP为热电联产机组的数量； 为第i台热电联产机组在t时段的发电量；di为第i台机组的热电转换效率系数；fi为常数；PtT为t时段的热负荷；
[0203] 上级电网购电约束：
[0204]
[0205] 式中： 为从上级电网购电的最大值，为保证有足够的阈值应对预测误差和网络损耗，该值要小于变电站的额定容量；
[0206] 日前优化调度模型求解的具体实现方法为：采用遗传算法获得最优协调方案；在日时间尺度下，计算时间相对比较充裕，不需要快速得到优化结果，可做离线计算。因此采用具有较强的全局优化解搜索能力的遗传算法获得最优协调方案。利用遗传算法(Genetic Algorithm，GA)解决问题时，必须在染色体位串与目标问题实际表示之间建立一个联系。对于给定的优化问题，问题空间由遗产算法个体的表现型集合所的空间所组成，遗产算法编码空间由GA基因型个体的空间所组成。
[0207] (1)编码方法
[0208] 利用遗传算法进行问题求解时，首先要确定的是问题的目标函数和变量，这就必须在目标问题实际表示与染色体位串之间建立一个联系，将目标问题转化为染色体位串的操作叫做编码，反之叫做解码。这样做的原因主要是因为在遗传算法中，问题的解是用数字串来表示的，而且遗传算子也是直接对数字串进行操作。
[0209] (2)初始种群的产生
[0210] 遗传算法是在解的群体上进行的，这是它与传统随机类搜索算法的最大区别之一。正是这一特点使遗传算法具有了搜索过程的全局性、并行性和鲁棒性，可见整个遗传算法的运行性能具有基础性的决定作用的是对群体规模的设定。初始种群是由程序随机产生NP个长度为 L的二进制字符串，其中NP表示种群的规模，是常数。群体规模越大，群体中个体的多样性越高、遗产算法陷入局部解的危险就越小。但是随着群体规模增大，计算量也显著增加。若群体规模太小，遗传算法的搜索空间将受到限制，则可能产生未成熟收敛的现象，因此应该选择合适的值。L表示个体的长度，与配电网系统中的负荷点个数相同。
[0211] (3)适应度函数值的计算
[0212] 在遗传算法中，染色体位串空间被表示成问题空间。为了执行适者生存的法则，必须评价个体位串的适应性。由于群体中个体生存机会选择的唯一确定性指标是适应值，所以群体的进化行为直接由适应函数的形式决定。在进行适值计算式，考虑约束条件，其中功率匹配约束是以罚函数的形式加入到适值函数中的。
[0213] (4)遗传操作
[0214] 选择、交叉和变异是标准遗传算法操作算子的三种基本形式，是遗传算法具备强大搜索能力的核心所在，自然选择以及遗传过程中发生的繁殖、交叉和突变现象的主要载体是通过这三种基本形式进行模拟的，群体进化是利用遗传算子产生新一代群体来实现的，遗传策略的主要组成部分是算子的设计，也是控制和调整进化
进程过程的基本工具。
[0215] a.选择：从当前群体中选择适应值高的个体以生成交配池的过程。最基本的选择方法是适应值比例选择，其中每个个体的适应值和群体平均适应值的比例与该个体被选择的期望数量有关，一般实现的方式采用轮盘赌方式。这种方式首先对每个个体的适应值进行计算，然后得到此适应值在群体适应值总和中所占的比例，表示该个体在选择过程中被选中的概率。
生物进化过程中“适者生存，优胜劣汰”的思想在该选择过程得到了充分体现，以确保优良基因能够遗传给下一代个体。
[0216] b.交叉：
进化算法中遗传算法具备的原始性的独有特征是交叉操作。对自然界有性繁殖的基因重组过程的模仿形成了遗传算法交叉算子，其作用在于将原有的优良基因遗传给下一代个体，新个体将包含更复杂基因结构。
[0217] c.变异：模拟自然界生物进化中染色体某位基因发生的突变现象，从而染色体的结构和物理性状得到改变。按变异频率对个体位串上的基因值进行变异操作，即0变成1，或1变为0。为了保证个体变异后不会与其父体产生太大的差异，变异概率一般取值较小，以保证种群发展的
稳定性。
[0218] (5)精英保留策略
[0219] 精英保留策略即保留父代中的优良个体直接进入子代。采用的步骤是：
[0220] a.将父代Pi和子代Qi全部个体合成一个种群Rt＝Pt∪Qt，Rt的个数为2N；
[0221] b.按照每个个体适应度函数值，将种群Rt从大到小排序，选取适应度函数值最大的前N 个个体；
[0222] c.在此基础上开始新一轮的选择、交叉和变异，形成新的种群。
[0223] 如图2所示，步骤如下：
[0224] 输入输电网的基本信息；对需要进行优化的可控单元进行编码；将每个可控单元在每个时段的出力作为染色体中的一个基因，一条染色体包括所有可控单元在日时间尺度的全部出力；选取染色体，生成初始种群；比较种群内染色体的适应度。考虑约束条件，将功率匹配约束以罚函数的形式加入适值函数中；进行遗传操作；经过选择、交叉、变异后，得到新一代种群；判断是否达到最大迭代次数，若未达到，重复步骤4)到7)；译码，得到可控单元在日时间尺度的全部出力，计算结束。
[0225] 进一步地，随着预测时间尺度的变长，影响可再生能源和负荷预测的不确定因素增加，预测的准确度会逐渐降低，例如风
电场日前风电预测的误差一般为25％～40％，因此日前长时间尺度的在输电网层面的调度计划往往无法满足实际运行优化要求，需要在实时时间尺度上根据负荷、不可控DG更准确的预测结果对灵活资源进行滚动优化控制。日内实时滚动协调优化调度是基于超短期负荷和DG等预测的超前优化调度，以15min为周期调整出力，是在t时对未来一小时进行优化调度，但每次只执行第1个时段的控制指令，从而实现对日前输电网层面优化的负荷指导曲线的响应。
[0226] 在实时协调控制阶段，配电网控制中心与灵活资源需要共同协调控制来响应日前阶段输电网优化的用电负荷指导曲线，采用二层规划模型进行优化，二层规划的通用模型如下：
[0227]
[0228] 上式中：F(x，w＇1，…，w＇m)、fi(x，wi)分别为配电网和第i个灵活资源的目标函数； G(x，w＇1，…，w＇m)、gi(x，wi)分别为配电网和第i个灵活资源的约束条件；x、wi分别为配电网和第i个灵活资源的决策变量。上层考虑配电公司的主体利益，以该时刻内运行成本最小为优化目标，优化变量为各个灵活资源与配电网的交易价格；上层价格优化结果作用于下层目标函数和约束条件，下层优化调度值反馈到上层，实现上下层之间的相互作用；
[0229] 其中，上层模型以配电网的运行费用最小为优化目标，运行费用主要包括从灵活资源运营商处购电费用；根据与灵活资源运营商签订的合同要求向其发电量削减部分进行补偿的费用；配电公司发出中断请求经用户响应后对用户的中断补偿费用；向上级电网购电费用；目标函数的数学表达为：
[0230]
[0231] 式中各部分费用的详细表述如下：
[0232] 从DG、储能等灵活资源购电的成本CDER
[0233]
[0234] αj＝cj·△t
[0235] 上式中：时间T由R个时间间隔△t组成，即T＝R·△t；G为灵活资源的集合； 为在第 r时段内第j个灵活资源的有功出力；cj为从第j个灵活资源处购买1kWh电能的价格；
[0236] 灵活资源发电计划削减补偿成本CpayDER
[0237] 在主动配电网的背景下，根据灵活资源运营商与配电公司提前签订的合同，灵活资源运营商需要按照配电公司的调度要求对其上报的发电量进行一定程度的削减并能够获得相应的补偿。在负荷低谷时段，如果灵活资源仍保持满发状态将极有可能引起过电压；当系统分布式电源渗透率很高时，增加灵活资源的出力会引起网络损耗的相应增加。因此，在上述情况下，对灵活资源进行调度，即对发电量进行削减既可以保证配电网的安全运行，又能够获得良好的经济效益。
[0238]
[0239] β＝cDER,j·△t
[0240] 上式中： 为在第r时段内第j个灵活资源上报的有功出力； 为在第r时段内第j 个灵活资源实际的有功出力； 为在第r时段内第j个灵活资源削减的有功出力；cDER,j为按合同规定削减1kWh发电量配电公司向灵活资源运营商补偿的价格；
[0241] 从上级电网购电的成本Cgrid
[0242] 目前的配电网中，通常情况下DG的渗透率并不会达到100％，因而还需要从上级电网购电来平衡负荷需求。
[0243]
[0244] ψ＝cgrid·△t
[0245] 上式中： 为在第r时段需从上级电网购得的有功功率；cgrid为配电公司从上级电网购买1kWh电能的价格；
[0246] 需求侧响应成本CRL
[0247] 现有研究中，对于需求侧响应的成本都直接采用合约规定的补偿价格。但是从配电公司实际的运营角度来讲，这一部分的利润变化体现在两个方面：其一是直接补偿给参与需求侧响应用户的成本；其二是假设不参与需求侧响应，将这一部分电能以趸购价格购入再向用户售出后能够获得的利润。
[0248]
[0249] λ＝cbid·△t
[0250] μ＝(csell,r-cgrid)·△t
[0251] 上式中：C为参与需求侧响应的用户集合； 为在第r时段第v用户削减的有功功率； cbid为合同中规定的用户响应中断请求后削减1kWh电能获得配电公司补偿的价格；csell,r为配电公司卖给用户的分时电价，(λ+μ)反映出配电公司的利润变化；
[0252] 此外考虑约束条件，包括电能平衡约束、潮流约束以及各灵活资源的运行约束：
[0253] 电能平衡约束：
[0254]
[0255] 上式中：N为可调度灵活单元的集合；NP为不可调度DG单元集合； 为在第r时段第 u不可调度发电单元的有功出力； 为第r时段的总负荷； 为第r时段的网络损耗；
[0256] 功率平衡约束：
[0257]
[0258]
[0259] 上式中：Pi、Qi分别为节点注入的有功功率和无功功率；Gij、Bij、δij依次为节点i、j 之间的电导、电纳和电压相角差；n为系统节点总数；Ui、Uj分别为节点i、j的电压幅值；
[0260] 可调度分布式电源单元运行约束：
[0261]
[0262]
[0263] 上式中： 和 分别为在第r时段内第j可调度发电单元允许的最小和最大有功功率；RN,j为在第j可调度发电单元在相邻两时段内增加或降低有功功率的限值；
[0264] 储能单元运行约束：
[0265]
[0266]
[0267] 上式中： k∈S，J＝1,2,…,R； 和 分别为在第r时段内第k储能单元允许的最小和最大充/放电有功功率； 有两种形式，放电时 充电时
SOCk.min和SOCk.max分别为储能单元的最小和最大剩余电量；
[0268] 需求侧响应用户可削减负荷功率约束：
[0269]
[0270] 上式中： 和 分别为在第r时段内第v用户允许削减负荷的最小和最大有功功率；
[0271] 电动汽车集中型充电站功率约束：
[0272]
[0273] 上式中： 和 分别为第k个电动汽车集中型充电站的最小和最大充/放电有功功率；
[0274] 电动汽车集中型充电站中电池电量约束：
[0275]
[0276]
[0277] 上式中：为第k个集中型充电站在t时段所有电池的剩余电量；ηC、ηF分别为充电机的充、放电效率，取ηC＝ηF＝0.9； 为电动汽车集中型充电站一天总的充电需求； 为第 k个集中型充电站所有电池的总电量；SOCkmax、SOCkmin为第k个集中型充电站最大和最小的荷电状态；
[0278] 节点电压约束：
[0279] Vmin≤Vk≤Vmax
[0280] 支路功率约束：
[0281] Pj≤Pjmax。
[0282] 进一步地，下层模型根据上层优化的与配电公司的交易价格，以各个分布式能源、储能等灵活资源的经济效益最大为优化目标，对各个灵活资源的出力进行优化；灵活资源的收益包括配电网从灵活资源买电的收益以及配电公司向灵活资源赔偿的费用，支出包括灵活资源发电的成本，因此其经济效益的具体目标函数为：
[0283]
[0284] 上式中：Ci,G为灵活资源发电的成本；
[0285] 考虑约束条件：
[0286] 可调度分布式电源单元运行约束：
[0287]
[0288] 上式中： 和 分别为在第r时段内第j可调度发电单元允许的最小和最大有功功率；RN,j为在第j可调度发电单元在相邻两时段内增加或降低有功功率的限值；
[0289] 储能单元运行约束：
[0290]
[0291]
[0292] 上式中： k∈S，J＝1,2,…,R； 和 分别为在第r时段内第k储能单元允许的最小和最大充/放电有功功率； 有两种形式，放电时 充电时
SOCk.min和SOCk.max分别为储能单元的最小和最大剩余电量；
[0293] 电动汽车集中型充电站功率约束：
[0294]
[0295] 上式中： 和 分别为第k个电动汽车集中型充电站的最小和最大充/放电有功功率；
[0296] 电动汽车集中型充电站中电池电量约束：
[0297]
[0298]
[0299] 上式中： 为第k个集中型充电站在t时段所有电池的剩余电量；ηC、ηF分别为充电机的充、放电效率，取ηC＝ηF＝0.9； 为电动汽车集中型充电站一天总的充电需求；为第k 个集中型充电站所有电池的总电量；SOCkmax、SOCkmin为第k个集中型充电站最大和最小的荷电状态。
[0300] 进一步地，所述二层规划模型的求解方法为：在求解算法方面，由于在实时控制阶段要求计算速度快，所以采用原对偶内点法对集中控制策略下的优化控制模型进行求解。
[0301] 内点法本质上是拉格朗日函数、牛顿法和障碍函数三者的结合，从初始内点出发，沿着最速下降方向，从可行域内部直接走向最优解。它的显著特征是其迭代次数与系统规模关系不大。虽然内点法最初是由求解线性规划而引入的，但现在已被扩展应用于求解二次规划和非线性规划模型。内点法的计算速度和处理不等式约束条件的能力均超过了求解二次规划模型的经典法和求解非线性规划模型的牛顿法。
[0302] 原对偶内点法收敛迅速，鲁棒性强，对初值不敏感，是目前广泛使用的一种内点算法。原对偶内点法的基本思路是在保持解的原始可行性和对偶可行性的同时，沿原对偶路径寻找到最优解，而在此过程中能够始终保持原始解和对偶解的可行性。
[0303] 为了便于讨论，分别把上下层的优化控制模型简化为以下一般非线性优化模型：
[0304] obj.min.f(x)
[0305] s.t.h(x)＝0
[0306]
[0307] 式中：f(x)为目标函数，对应于优化控制模型，是一个非线性函数；h(x)为非线性等式约束条件，对应于优化控制模型；g(x)为非线性不等式约束条件，对应于优化控制模型；在以上模型中共有n个变量，m个等式约束，r个不等式约束，原对偶内点法的基本思路如下：
[0308] 首先，将不等式约束条件g(x)转化为等式约束：
[0309]
[0310] g(x)-l＝g
[0311] 其中松弛变量l＝[l1...lr]T,u＝[u1...ur]T，应满足
[0312] u>0,l>0
[0313] 这样原问题变为优化问题A：
[0314] obj.min.f(x)
[0315] s.t.h(x)＝0
[0316]
[0317] g(x)-l＝g
[0318] u>0,l>0
[0319] 然后，把目标函数改造为障碍函数，该函数在可行域内应接近于原目标函数f(x)，而在边界变得很大；因此可得到优化问题B：
[0320] obj.
[0321] s.t.h(x)＝0
[0322]
[0323] g(x)-l＝g
[0324] 其中扰动因子μ>0；显然问题B是只含有等式约束的优化问题，故可以直接采用拉格朗日乘子法来求解，其拉格朗日函数为：
[0325]
[0326] 式中：y，z，w均为拉格朗日乘子；
[0327] 该问题极小值存在的必要条件是拉格朗日函数对所有变量及乘子的偏导数为0：
[0328]
[0329]
[0330]
[0331]
[0332]
[0333]
[0334] 式中：L＝diag(l1,l2,...,lr)，Z＝diag(z1,z2,...,zr)，W＝diag(w1,w2,...,wr)，U＝diag(u1,u2,...,ur)， e＝[1,1,...,1]T；
[0335] 可以解得：
[0336]
[0337] 定义：
[0338] GAP＝lTz-uTw
[0339] 式中：GAP称为对偶间隙；根据Fiacco和McCormick的理论，如果障碍参数GAP在迭代过程中单调递减到0，则得到问题式的最优解。
[0340] 极值的必要条件式是非线性方程组，可用牛顿法求解。将式(38)线性化后写成矩阵形式可得：
[0341]
[0342] 式中：
[0343] 通过上式求解方程得到第k次迭代的修正量，就是通常所说的牛顿方向，获得牛顿方向后对原、对偶变量进行更新：
[0344] x(k+1)＝x(k)+ap△x
[0345] l(k+1)＝l(k)+ap△l
[0346] u(k+1)＝u(k)+ap△u
[0347] y(k+1)＝y(k)+ad△y
[0348] z(k+1)＝z(k)+ad△z
[0349] w(k+1)＝w(k)+ad△w
[0350] 式中：ap和ad为原变量和对偶变量更新所对应的步长：
[0351]
[0352]
[0353] 更新原、对偶变量后再以新的变量值作为下一次迭代的初值，如此反复迭代直至得到最优解。
[0354] 应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种
修改和改变。本发明的范围仅由所附的
权利要求来限制。
