耿亞男 潘子妍

（國(guó)網(wǎng)北京平谷供電公司）

0 引言

可再生能源 （RER） 在配電系統(tǒng)中的滲透率不斷提高， 這意味著系統(tǒng)運(yùn)營(yíng)商需要管理風(fēng)能和太陽(yáng)能等可再生資源的可變和不確定性， 以持續(xù)保持發(fā)電和消費(fèi)平衡。這就需要進(jìn)行業(yè)務(wù)變革， 并采購(gòu)更多的各種輔助服務(wù)。傳統(tǒng)上， 這些電力系統(tǒng)服務(wù)中的許多完全由發(fā)電機(jī)提供。然而， 在過去的十年里， 需求響應(yīng)等替代資源越來(lái)越有能力提供更多數(shù)量的此類電網(wǎng)服務(wù)。

1 點(diǎn)估計(jì)法分析

點(diǎn)估計(jì)法是一種常用的統(tǒng)計(jì)推斷方法， 該方法基于已知數(shù)據(jù)來(lái)估計(jì)未知參數(shù)的值。配電網(wǎng)最優(yōu)運(yùn)行分析是指通過對(duì)配電網(wǎng)拓?fù)洹?負(fù)荷、 發(fā)電機(jī)組等信息的分析， 尋找出最優(yōu)的操作策略以優(yōu)化配電網(wǎng)的運(yùn)行效果。將點(diǎn)估計(jì)法應(yīng)用于配電網(wǎng)最優(yōu)運(yùn)行分析， 可以得出參數(shù)的估計(jì)值， 從而指導(dǎo)決策者做出優(yōu)化決策。

具體步驟如下：

1） 收集數(shù)據(jù)： 收集配電網(wǎng)的拓?fù)浣Y(jié)構(gòu)、 負(fù)荷數(shù)據(jù)、 發(fā)電機(jī)組信息等。

2） 建立模型： 根據(jù)收集到的數(shù)據(jù)， 建立配電網(wǎng)的模型， 包括節(jié)點(diǎn)電壓、 線路負(fù)載、 功率因數(shù)等參數(shù)。

3） 參數(shù)估計(jì)： 利用點(diǎn)估計(jì)法估計(jì)配電網(wǎng)模型中的參數(shù)值。常用的點(diǎn)估計(jì)方法包括最小二乘法、 最大似然估計(jì)等。

4） 分析優(yōu)化： 基于參數(shù)估計(jì)結(jié)果， 分析配電網(wǎng)的運(yùn)行情況， 包括電壓穩(wěn)定性、 負(fù)載均衡、 線路損耗等。針對(duì)問題， 提出最優(yōu)化的操作策略， 如調(diào)整負(fù)荷分配、 裝置優(yōu)化配置等。

5） 結(jié)果驗(yàn)證： 將優(yōu)化策略應(yīng)用于實(shí)際運(yùn)行中， 觀察其效果并進(jìn)行驗(yàn)證。如果效果不理想， 可以返回第一步， 重新收集數(shù)據(jù)， 并重新進(jìn)行估計(jì)和分析。

通過以上步驟， 可以利用點(diǎn)估計(jì)法對(duì)配電網(wǎng)進(jìn)行最優(yōu)運(yùn)行分析， 從而優(yōu)化配電網(wǎng)的運(yùn)行效果， 提高供電質(zhì)量和效率。

2 算法分析

2.1 點(diǎn)估計(jì)法

目前， RER 裝置在配電網(wǎng)中的高滲透性影響了配電系統(tǒng)的運(yùn)行。在風(fēng)力渦輪機(jī)（WT） 和光伏發(fā)電（PⅤ） 中， 風(fēng)速和太陽(yáng)輻射分別是主要能源。由于風(fēng)速和太陽(yáng)輻照度的隨機(jī)行為， 上述能源的發(fā)電量存在顯著的不確定性。點(diǎn)估計(jì)方法將問題輸入隨機(jī)變量的前幾個(gè)中心矩提供的統(tǒng)計(jì)信息集中在每個(gè)變量的K點(diǎn)上， 稱為集中度。通過使用這些點(diǎn)和關(guān)聯(lián)輸入和輸出變量的函數(shù)F， 可以獲得與問題輸出隨機(jī)變量相關(guān)的不確定性的信息。

隨機(jī)變量pl的第k個(gè)濃度可以定義為由位置pl,k和權(quán)重wl,k組成的一對(duì)， 其中位置pl,k是變量pl的第k個(gè)值， 函數(shù)F 在該值處求值。權(quán)重wl,k是一個(gè)加權(quán)因子， 它解釋了該評(píng)估在輸出隨機(jī)變量中的相對(duì)重要性。通過使用點(diǎn)估計(jì)方法， 函數(shù)F只需要在K個(gè)點(diǎn)上對(duì)每個(gè)輸入隨機(jī)變量pl進(jìn)行K次評(píng)估， 這些點(diǎn)由第K個(gè)位置pl， 輸入隨機(jī)變量pl的K和它們的平均值（μ），m-1 個(gè)點(diǎn)上剩余的1 個(gè)輸入變量組成。因此， 對(duì)于m個(gè)輸入變量， 代價(jià)函數(shù)的求值為m×k+ 1 次。得到每次求值的輸入向量和pl,k如下

式中， ξ 為標(biāo)準(zhǔn)位置，μ和θ為輸入隨機(jī)變量的均值和標(biāo)準(zhǔn)差， 2m+ 1個(gè)方法和隨機(jī)變量權(quán)值的標(biāo)準(zhǔn)位置計(jì)算如下

式中，λl,3和λl,4為偏度和峰度。本文提出PEM 的概念， 用于處理決策框架中的不確定性。pl的概率實(shí)現(xiàn)為

在這些方程中， 最后通過使用加權(quán)因子， 從之前研究中獲得作為最終結(jié)果的輸出的期望值：

2.2 需求響應(yīng)

在本節(jié)中， 提出了一個(gè)考慮消費(fèi)者參與DRP 的SDS 運(yùn)營(yíng)模型。該模型基于最優(yōu)潮流， 并在短期內(nèi)最大限度地降低了分布式網(wǎng)絡(luò)運(yùn)營(yíng)商 （DNO） 的日常能源成本。在所提出的目標(biāo)函數(shù)模型中， 假設(shè)DNO 是DER 單元的所有者。因此， DER 裝置的操作由DNO完成。了解如何根據(jù)DRP 節(jié)點(diǎn)對(duì)SDS 優(yōu)化操作的影響來(lái)確定DRP 節(jié)點(diǎn)的順序是很有趣的。識(shí)別用于參與DRP的節(jié)點(diǎn)的優(yōu)點(diǎn)的技術(shù)是將允許參與DR 的節(jié)點(diǎn)的總數(shù)從1 枚舉到負(fù)載點(diǎn)的數(shù)量。然后， 對(duì)于給定數(shù)量的允許節(jié)點(diǎn)， 使用二進(jìn)制變量?i找到DR參與節(jié)點(diǎn)。在每種情況下， 都會(huì)識(shí)別出最佳節(jié)點(diǎn)。每個(gè)方案中的選擇頻率指定了每個(gè)節(jié)點(diǎn)的優(yōu)點(diǎn)。

通過DRP， DNO 將其消費(fèi)者負(fù)荷從昂貴時(shí)期轉(zhuǎn)移到廉價(jià)時(shí)期， 以降低成本。需要注意的是， 在本文中， 消費(fèi)者僅參與使用時(shí)間 （TOU） 計(jì)劃。由于價(jià)格差異， 不參與DRP的負(fù)荷虛線部分和另一部分能夠從一個(gè)周期轉(zhuǎn)移到另一個(gè)周期， 價(jià)格差異可以通過數(shù)學(xué)方式定義：

2.3 求解算法

蟻群優(yōu)化 （ACO） 是一種求解組合優(yōu)化難題的啟發(fā)式方法， 并已成功地用于解決旅行推銷員問題。ACO 算法是基于作為社會(huì)昆蟲家族成員的真實(shí)螞蟻的行為。根據(jù)取決于信息素沉積量的概率轉(zhuǎn)移規(guī)則和啟發(fā)式引導(dǎo)函數(shù)， 每個(gè)螞蟻吸引到最短路徑。因此，螞蟻h從城市i到城市j的概率轉(zhuǎn)移規(guī)則可以表示如下：

式中，τij為螞蟻h在城市i和j之間沉積的信息素軌跡，vij為能見度或視線， 等于城市i和j之間的距離或過渡成本的倒數(shù)。α和β分別是影響信息素軌跡和啟發(fā)式引導(dǎo)函數(shù)相對(duì)權(quán)重的兩個(gè)參數(shù)，q為城市i之后將被訪問的城市。局部和全局信息素更新由每只螞蟻根據(jù)每只螞蟻的路線確定， 如下所示

式中，τij(t+ 1) 為一次巡回或迭代后的信息素，ψ為信息素蒸發(fā)常數(shù)，ε為精選路徑權(quán)重常數(shù)，τo為每只螞蟻的信息素增量值， Δτij為精選路徑的信息素量。

3 仿真分析

本文使用PG&E 69 總線配電系統(tǒng)來(lái)解決最優(yōu)運(yùn)行問題， 該系統(tǒng)具有兩種類型的DG 單元， 包括WT、PⅤ和ESS （儲(chǔ)能系統(tǒng)） 。本文的目的是求解在存在RER 和ESS 單元的情況下， SDS 在給定24h 內(nèi)的隨機(jī)最優(yōu)運(yùn)行。此外， 在所提出的方法中， 還研究了DRP對(duì)SDS 優(yōu)化操作的影響。由于一些可再生能源的間歇性行為和負(fù)荷變化， 本文是基于輸入數(shù)據(jù)的不確定性， 采用PEM 方法進(jìn)行的。在本文中， SDS 被建模為一個(gè)具有SDN 和主電網(wǎng)之間電力交換能力的小型迪斯科舞廳。為了考慮智能電網(wǎng)中發(fā)電成本的影響， 假設(shè)風(fēng)力發(fā)電、 光伏發(fā)電和ESS的尺寸和技術(shù)等DER的特性不同。

基于以上討論， 每個(gè)DER的每千瓦發(fā)電成本是不同的。事實(shí)上， 本文被建模為SDS 市場(chǎng)運(yùn)作中考慮DRP 的運(yùn)作問題。同時(shí)， 在MⅠNLP 的基礎(chǔ)上提出了隨機(jī)操作問題， 并將ACO 算法作為啟發(fā)式優(yōu)化算法加以求解。

關(guān)于PEM 的隨機(jī)分析在運(yùn)營(yíng)、 規(guī)劃、 機(jī)組承諾問題研究等方面具有良好的前景。事實(shí)上， 在這種情況下， 可以評(píng)估負(fù)荷、 風(fēng)電和太陽(yáng)能短期調(diào)度中的預(yù)測(cè)誤差。

SDS 的電壓分布如圖1 所示。根據(jù)該圖， 通過在SDS的操作中使用所提出的DRP方法， 電壓分布比沒有DRP 的情況下得到了更多的改善。根據(jù)這個(gè)數(shù)字，隨著與傳統(tǒng)網(wǎng)絡(luò)中變電站的距離， 它們將面臨電壓下降。SDS中DER的正確操作可以改善電壓分布。

圖1 有無(wú)DRP的配電系統(tǒng)的電壓分布

對(duì)于不同的DRP， 結(jié)果載荷分布如圖2 所示， 結(jié)果表明， 需求轉(zhuǎn)移使總負(fù)荷分布趨于平緩?？梢钥闯?， 負(fù)荷從高價(jià)格時(shí)期 （高峰） 轉(zhuǎn)移到其他時(shí)期 （非高峰）， 以最大限度地降低運(yùn)營(yíng)成本。在本文中， 假設(shè)所有負(fù)荷點(diǎn)都被認(rèn)為是靈活應(yīng)用DRP的， 電力采購(gòu)來(lái)源被認(rèn)為是雙邊合同。根據(jù)獲得的結(jié)果， 表明在運(yùn)行DRP時(shí)， 由于DNO策略， 需求和負(fù)載形狀可能會(huì)發(fā)生變化。此外， 本文表明， 當(dāng)考慮大量輸入隨機(jī)變量（包括連續(xù)和離散） 時(shí)， 2m+1 方案的使用提供最佳性能。

圖2 有無(wú)DRP的負(fù)載點(diǎn)配置文件

4 結(jié)束語(yǔ)

本文提出了一個(gè)考慮DRP 的SDS 隨機(jī)最優(yōu)操作框架， 該框架考慮了DER的經(jīng)濟(jì)性和可靠性操作。采用PEM 方法對(duì)可再生電力和負(fù)載等SDS 組件的不確定性進(jìn)行建模。SDS 的經(jīng)濟(jì)可靠運(yùn)行被表述為MⅠNLP 優(yōu)化問題。基于SDS 與主網(wǎng)之間電力交易的經(jīng)濟(jì)分析， 對(duì)DER 和負(fù)荷進(jìn)行隨機(jī)建模， 以確定SDS在最小成本下的最優(yōu)運(yùn)行?；贒ER 單元的每個(gè)發(fā)電功率的結(jié)果， 在考慮優(yōu)化約束的情況下確定。應(yīng)用ACO 算法來(lái)最小化成本函數(shù)作為優(yōu)化算法。研究表明， 通過參與DRP， 由于負(fù)荷從高價(jià)時(shí)段轉(zhuǎn)移到其他時(shí)段， 降低了電力損失成本、 DER 運(yùn)營(yíng)成本和ENS 成本等運(yùn)營(yíng)成本， 并使每個(gè)時(shí)段的負(fù)荷分布趨于平緩，降低了最大需求。從研究結(jié)果還可以得出， 網(wǎng)絡(luò)的電壓分布和功率損耗強(qiáng)烈依賴于DRP。研究表明， 適當(dāng)?shù)牟僮鳁l件對(duì)DNO 成本有很大影響。此外， 結(jié)果表明， 調(diào)節(jié)SDS 與主電網(wǎng)之間的電力需求和交易是可能的。