图1 全局控制中心与本地控制中心协同控制架构
Fig.1 Coordination of global controller and local controllers
摘要 能源互联背景下，以储能、需求响应、分布式发电（DG）等为代表的多元融合资源将深度参与电网运行。配电网作为局部地区多类分布式资源的整合者，需要通过有效的手段，对包括DG、储能、可控负荷等多元融合的分布式资源进行优化调控，提高配电网的弹性。该文针对多元分布式资源接入后，集中式调度策略下的配电网将面临的各类问题，结合多元分布式资源的特性，建立了面向高弹性配电网的两层分布式协调调度模型。该文首先对高弹性配电网下的多元融合分布式资源进行协调整合，之后通过协调全局控制中心和本地控制中心，对上述资源进行合理调度，以保证在一定的电压质量要求下消纳更多的DG发电量，以提高电力中新能源的利用水平。文中算例采用IEEE 14节点和69节点的配电网系统，对比传统集中式模型和该文提出的双层分布式模型的优化调度结果，验证了所提模型在配电网系统下的适用性及优越性。
关键词：多元融合分布式资源 高弹性配电网 双层分布式调度 电压质量
近年来，各国不断出台有关政策，以鼓励并规范分布式可再生能源的开发与利用。美国加州最先推行了可再生能源配额制，由此，风电和光伏发电从2000年5%左右的总装机占比，逐步增加到2010年的8%，再到现如今的30%[1]。中国国家能源局在关于可再生能源发展的“十三五”规划指导意见中鼓励市场主体自主建设分布式发电项目，各个省份纷纷响应，其中，浙江省发改委发布的能源发展“十三五”规划中明确了未来将建成分布式发电（Distributed Generation, DG）和光伏发电600万kW，家庭屋顶光伏100万户。然而，分布式新能源发电在清洁环保的同时，还具有随机性、波动性和可变性等特征，因此，较高的新能源渗透率可能会给电力系统运行的稳定性、电压质量等各方面带来挑战[2-4]。为解决分布式发电带来的上述问题，能源互联网可通过物理层和信息层的互动，提高电网对于各种扰动的响应能力。作为局部地区的分布式资源整合者[5]，配电网需要通过有效的调控架构和调控策略对储能、需求响应、分布式发电等为代表的多元分布式资源进行优化调控，从而在保证安全性、经济性的同时，提高配电网运行弹性，支持高比例分布式新能源的接入。
当前配电网的主要调控架构包括集中式调控架构和分层调控架构。集中式调控架构是基于一个控制中心（全局控制中心），对多节点的分布式资源进行优化调度，是当前配电网采用的主要调度架构。文献[6]针对配电网中高渗透率光伏问题，提出一种电池储能系统参与配电网集中式调度的控制策略。文献[7-9]通过集中优化与调度可控负荷资源实现新能源消纳和削减峰值负荷的目标。文献[10-12]考虑了多种分布式资源的接入，包括储能和柔性负荷资源，并建立集中式联合优化调度模型，通过算例验证了模型的可行性。上述文献均利用集中式调控架构，控制思路简单，但考虑到高弹性多元融合配电网的建设需求，上述集中式调度架构存在如下两个问题：①多元融合配电网中资源繁多，全局控制中心下控制负荷数量多[4]，需要发出大量控制指令，计算量大，计算时间长，从工程实际考虑，无法实时给出调度指令；②考虑到全局调度中心在进行控制指令下达和本地信号上传过程中存在传输延迟[13]，实际系统运行时实时调度指令无法即时到达各个本地节点。
针对集中式调度模式的问题，目前已有文章指出可以通过建立分布式的分层调度架构以应对上述问题，该控制架构下，各个本地优化中心被赋予一定的自主优化权限，全局控制中心被给予更长的缓冲时间进行长时段的优化调度，不需要给出实时指令。文献[13]考虑通信延迟与负荷预测误差，提出保证配电网安全性和经济性的双层分布式储能调度策略。文献[14]建立了需求响应和边缘计算的配电网分布式优化调度方法，实现配电系统能量的分区分层优化。文献[15]提出一种交直流混合的分层分布式多元协调优化调度策略，对储能及分布式电源进行合理优化调控。然而，由于当前文献对配电网中各类分布式资源的特性分析不足，模型构建较为简单，实际中执行此类优化调度结果较为困难。考虑到工程实际，现有文献没有更好地考虑全局控制中心和本地控制中心对于不可控负荷和多种分布式资源信息的掌握程度及预测精度的不同，以上问题可能会给调控的精确性带来影响。此外，当前文献中的分布式优化主要考虑了配电网的整体利益，并未兼顾配电网下本地资源拥有者的收益，例如保证储能资源拥有者的收益尽可能增大。
针对以上问题，本文建立了面向高弹性的多元融合配电网双层分布式优化调度模型，协调全局控制中心和本地控制中心的控制策略，对储能及可控负荷资源进行合理优化调度。本文提出的双层分布式框架对多元融合配电网中的储能和需求侧资源的控制更为精确，上层的负荷预测误差由下层来协调，节约了购电成本，增加了配电网对于分布式新能源的高弹性消纳能力。算例通过IEEE 14节点的配电网模型，对比集中式控制策略和双层分布式控制策略下最终的优化结果，并通过分析新能源渗透率及全局控制中心调度周期对电网电压偏移率的灵敏度，展现了双层分布式控制策略的优越性。此外，为进一步验证更为复杂的配电网下本文模型的正确性，本文最后对IEEE 69节点的配电网模型进行了集中式控制策略和双层分布式控制策略下最终优化结果的对比分析。
传统配电网下集中式优化调度仅有一个优化调控中心——全局控制中心，它将进行各时段负荷及新能源发电量的预测，并结合预测信息对多元资源进行优化调度。全局控制中心的调度周期，即全局周期被设定为一个较长的时间，以满足优化计算及信息传输的时间要求。全局控制中心将读取本地节点信息，对全局周期下每个时段的各类资源进行优化调度，再将相应调度指令信息下传给本地节点。因此，集中式调度中本地节点无需进行优化，直接按上层指令对下属各类资源进行控制。
本文为高弹性配电网设计的双层分布式架构如图1所示。与集中式调度不同的是，双层分布式调度架构包含若干优化计算中心——全局控制中心与本地控制中心，两方协同调控的指令流及信息流按照图1进行。
图1 全局控制中心与本地控制中心协同控制架构
Fig.1 Coordination of global controller and local controllers
如图1所示，本系统包括1个根节点和N-1个本地节点。该框架下可进行优化调控的分布式资源包括储能及可控负荷资源，其中，可控负荷资源包括可平移负荷及可削减负荷。双层分布式调度架构下全局控制中心的主要任务与集中式调度框架类似。唯一区别在于，双层分布式调度向本地控制中心传递的信息为可平移负荷的平移量，以及节点功率上、下限范围约束。
本地控制中心位于本地节点，在双层分布式调度策略下，本地控制中心读取本地最新负荷信息及分布式发电信息，进行负荷及DG预测，之后利用预测信息，间隔一个较短的时段（本地周期）进行优化调度。由于本地控制中心下的优化调度是基于较短的本地周期下预测的负荷及分布式发电量进行的，因此，其预测精度比全局周期下的预测精度更高。在一个全局周期结束后，本地控制中心将储能电量及负荷信息上报给全局控制中心。此外，本地控制中心所采集的信息还包括不可控负荷和分布式发电信息。
本文集中式调度与双层分布式调度两种策略利用的负荷及新能源发电信息均为预测信息，可以通过建立季节乘积自回归移动平均模型（Autoregressive Integrated Moving Average Model, ARIMA）预测模型获得[16]。本文参考文献[13]中阶数的确定方式，即自回归参数项数、差分阶数、移动平均参数项数的确定方式，同时考虑负荷的日周期趋势，建立ARIMA(3,0,3)×(3,0,3)模型为
（1）式中，Pt为t时刻负荷或新能源发电数据；{
| i=1, 2, 3, 24, 48, 72}为自回归参数；{θi| i=1, 2, 3, 24, 48, 72}为移动平均参数；{Li| i=1, 2, 3, 24, 48, 72}为滞后因子，且LiPt=Pt-i，表示此时刻负荷与之前某时刻负荷之间的关联；ε(t)为白噪声过程。
双层分布式优化调度模型下，首先分析高弹性配电网下多元融合的分布式资源各自的特性，从而确定协调调控策略。考虑到可平移负荷的负荷水平较高，用电时间具有连续性，调度周期较长，将其作为全局控制中心调度的资源，并将优化调度结果下达给本地控制中心。储能灵活性较高，可削减负荷响应速度快、负荷水平较低，可由本地控制中心直接进行优化调度，并将有关结果返还给全局控制中心，方便其进行下一全局周期的优化。
为赋予本地控制中心更高的自主权，全局控制中心获得全局周期下的最优调度结果，即各个节点各个时间点的最优净注入功率后，需要对该功率进行松弛，并将其上、下限值下传给本地节点，本地控制中心只需要控制本地节点净注入功率在一定范围内即可。因此，全局控制中心的优化分为两个阶段：第一阶段是依据全局控制中心预测的负荷及DG预测量进行优化，并获得各自拥有分布式资源节点的最优净注入功率；第二阶段是得到拥有储能或可削减负荷资源节点的净注入功率范围上、下限。
本地控制中心在获得各节点净注入功率上下限后，利用本地节点的负荷预测信息及DG预测信息，对储能和可削减负荷进行调用，并在一个全局周期后将最新的负荷信息和储能的剩余电量值上传给全局控制中心，以便其进行下一全局周期的调度，上、下层指令以及信息传递如图1。
1.2.1上层全局控制中心一阶段优化
上层全局控制中心一阶段优化调度的基本模型与集中式优化基本相同，然而需要注意的是此阶段仅确定了可平移负荷的调度结果，并为下一阶段提供了各个节点最优净注入功率值Pi,t。
一阶段优化调度的目标函数为
（2）式中，πt为t时刻的电价；
为一阶段调度周期；P0t为t时刻根节点的注入功率，第一项获得了根节点的购电成本；Cs和Cc分别为配电网下可平移负荷和可削减负荷的调用成本。Cs包括时间补偿成本及电量补偿成本[17-18]，分别表示可平移负荷用户提前或延后生产给予的经济补偿，以及可平移负荷用户选择不同的平移时间，使得高峰时段负荷下降，根据高峰时段负荷下降量所给予的经济激励。Cs具体公式为
（3）
式中，Ns为可平移负荷的数量；Cp为电量补偿成本；Ct为时间补偿成本。时间补偿成本可由式（4）计算得到。
（4）式中，m为整数，表示用户平移负荷时的错峰小时数；Cts为单位时间下可平移负荷的成本补偿系数；
、
分别为可平移负荷最多可前移与后移的小时数；γs i,m为0-1变量，表示第i个可平移用户是否是平移m小时，这里设前后最多可平移8h，即可平移负荷挡位有17个。
电量补偿成本可由式（5）计算得到。
（5）式中，tp-和tp+分别为用电高峰期的起始和结束的时刻；Cs p为可平移负荷的单位电量补偿系数；
为可平移负荷调用前第i个用户在t时刻的负荷水平；
为m挡位下第i个可平移负荷用户负荷平移后在t时刻的负荷水平；δmin为最小的时间间隔，即最小优化调度单位。
可削减负荷成本为
（6）式中，Nc为可平移负荷的数量；
和
分别为可削减负荷资源可调用的起始和结束的时刻；Nk为可削减负荷的调用挡位；Cc f为可削减负荷资源的固定费用；Cc p为单位功率削减补偿成本；
为第i个可平移用户于t时刻调用k挡位可削减负荷的削减功率；
为0-1变量，表示第i个可削减用户于t时刻是否调用了k挡位的可削减负荷。
各节点的功率平衡约束方程为
（7）式中，T为单位时间点的集合；Pi,t为节点i在t时刻的净注入功率；
为全局周期下预测的各节点总负荷；
为节点i在t时刻的新能源预测发电量；和
分别为t时刻节点i可平移负荷用户平移前后的负荷水平；
为t时刻节点i可削减负荷用户削减负荷水平；ui,t为储能充放电功率，充电为正，放电为负。若节点i不存在某一类资源，则相应的分布式资源的变量设为0。
各个支路潮流方程及各节点电压约束为
（8）
（9）
（10）
（11）式中，Z为所有节点的集合；Pi,t与Qi,t为各个节点净注入功率；Pij,t与Qij,t为各支路功率；Sij,t为支路i-j视在功率；gij和bij分别为支路i-j的电导、电纳；Vi,t为t时刻电压幅值；θij,t为节点i、j之间电压相位差；Vmax i和Vmin i分别为电压幅值上、下限。
由于潮流方程包含的二次及三角函数等都是非凸函数，因此求解带有潮流方程的优化问题都比较困难。本文首先进行变量替换，将非线性变量V2 i,t转换为Ri,t，Vi,tVj,tcosθij,t转换为Wij,t，Vi,tVj,tsinθij,t转换为Tij,t，然后通过二阶锥松弛的方法，从而让潮流约束转换为线性约束加一个二阶锥约束。因此，式（10）、式（11）可以转换为式（12）～式（16）所示约束，其中，i, j∈Z，t∈T。
（12）
（13）
（14）
（15）
（16）
可平移负荷调度模型为
（17）式中，S为拥有可平移负荷节点的集合。
其主要约束条件为平移时段约束，即平移小时数hi只能在
和
之间，即
（18）可削减负荷调度模型如式（19），通过选择不同挡位来选择可削减负荷调度量。
（19）
式中，
为可削减负荷量；C为拥有可削减负荷节点的集合。
储能的容量及充放电功率约束公式为
（20）
（21）
（22）
式中，
为t时刻储能容量；λi为储能的充放电效率；qmax i为储能容量上限；umax i、umin i分别为储能充放电功率上、下限；qi,0将由上一全局周期优化调度结束后的储能电量决定；E为拥有储能节点的集合。
集中式优化调度模型下，储能、可平移负荷、可削减负荷等多元融合的分布式资源全部由全局控制中心直接进行优化调度，并将控制指令下传给本地节点，而本地节点只负责采集本地的负荷及DG信息，并根据全局控制中心下达的指令来控制多元资源的调用。因此，文中集中式模型与双层分布式一阶段优化模型基本一致。
1.2.2 上层全局控制中心二阶段优化
为充分利用本地的负荷及分布式发电信息，赋予本地控制中心更大的权限，将拥有储能或可削减负荷资源节点的最优净注入功率值进行松弛，使得下层本地控制中心在进行优化时只需要保证节点净注入功率在上层优化传递下来的上、下限范围内即可。
针对每个包含储能以及可削减负荷的节点i，利用节点功率松弛方法[13]，获得该节点净注入功率的上、下边界目标函数分别为
（23）
（24）
目标函数通过增大和减小需要进行松弛的节点的电价，从而使得该节点的净注入功率在不违背约束条件的情况下尽可能地减小或增大，这里，除被松弛节点的功率及根节点的净注入功率为可变量外，其他各节点的净注入功率由一阶段的优化结果得到。此外，二阶段优化需要满足潮流方程及电压约束，即式（8）～式（17）。
依次对除根节点外的各个节点进行注入功率松弛，获得各个节点的净注入功率上、下限，分别为Pmax i,t、Pmin i,t。
1.2.3 下层本地控制中心优化及调度
拥有可平移负荷资源的节点直接执行全局控制中心关于可平移负荷的调度指令；拥有储能或可削减负荷资源的本地控制中心从上层优化求解结果中获得此全局周期内节点的净注入功率上、下限，并根据最新的本地负荷及DG预测值，在每个本地调度周期内进行一次优化调度，其目标函数如式（25），即让节点购入电量及可削减负荷调用成本之和最小化。
（25）功率平衡约束方程为
（26）
与式（7）不同的是，式（26）中，LLC i,t与PPV t是本地周期下预测的节点负荷和DG发电量，和是从上层调度中获得的t时刻节点i可削减负荷用户平移前后的负荷值。
（27）式（27）为节点功率约束。此外，需要满足可削减负荷及储能的约束条件，即式（19）～式（22）。
根据1.2节对于双层分布式框架的介绍，本文的双层分布式调度策略仿真计算流程如图2所示。全局控制中心首先根据本地节点传达的最新负荷和DG信息进行预测，并进行两阶段的调度优化。一阶段通过最优潮流计算获得各节点的最优功率；二阶段首先判断该节点是否拥有储能及可削减负荷，若有则需要对节点功率进行松弛，获得该节点的功率上、下限值，若没有则无需进行松弛。按顺序依次对相关节点进行功率松弛，直到遍历各个节点，跳出循环。此后，本地控制中心依据上层的调控指令及功率约束条件进行本地优化，获得储能及可削减负荷资源调度策略。为对比两类优化调度策略的实际协调效果，将实际负荷和分布式发电量代入，并分别根据两类调度策略对于分布式资源的优化结果，进行潮流计算分析。
图2 双层分布式调度策略计算流程
Fig.2 Flow chart of two-layer distributed scheduling strategy
本文基于IEEE 14节点和IEEE 69节点的配电网系统对两种调度模型进行对比分析，优化调度模型通过Matlab中的YALMIP[19]工具箱，并利用CPLEX[20]算法包进行求解。
IEEE 14节点配电网系统拓扑如图3所示。该配电网络共13条支路，基准电压为23kV，基准容量为100MV·A。
图3 IEEE 14节点配电网系统
Fig.3 Diagram of IEEE 14 node distribution network system
网络具体参数配置如下：
（1）各节点的功率因数设为0.9，根据本节点注入的有功功率确定节点的无功功率。
（2）各节点均接入可再生能源，本文设各节点接入的新能源均为屋顶光伏，具体数据来自于pecan street网站[21]。
（3）节点4、9、10配置储能，设系统中总的储能渗透率为5%，储能的容量配置计算公式为
（28）式中，
为配置储能的i节点的日均负荷；α为储能的渗透率；Ed为系统日均用电量。
（4）节点9、10、11存在可削减负荷，其可削减负荷可调用时间及挡位配置见附表1。
（5）节点5、9、14存在可平移负荷，其基本负荷曲线见附图1。
（6）参考江苏省电价，将电力分为峰谷平三个时段进行计费，具体电价数据参见附表2。
（7）负荷资源调用成本参见附表3。
两类调度模型的结果对比需要一些衡量指标，首先定义功率曲线平滑度指标。考虑到功率曲线越平坦，电力系统越安全经济，本文为衡量功率曲线的平坦程度引入平滑度指标，该指标越小，功率曲线越平坦，公式为
（29）式中，Pt为t时刻功率；n为时刻点数量。
有关电压质量的指标，这里定义各种调度策略下，各个节点调度周期内出现的最大电压偏移的电压偏移率为节点最大电压偏移率，公式为
（30）式中，VN为额定电压。
各个节点都有可再生能源发电，为衡量其在系统中的占比，本文定义新能源渗透率的计算公式为
（31）式中，
为节点i日均新能源发电功率。
设上层全局控制中心预测周期为24h，下层本地控制中心预测周期为1h，建立1.1节的季节乘积ARIMA预测模型，每个预测周期后利用最新的负荷或者新能源发电信息进行预测。以节点2的负荷及10%新能源渗透率下DG信息为例进行预测，本地控制中心利用的预测信息误差明显小于全局控制中心利用的预测信息，不同预测周期下的负荷与DG预测信息如图4所示。
图4 不同预测周期下的负荷与DG预测信息
Fig.4 Load and DG forecasting information under different forecasting cycles
为对比两种调度模型的最终调度结果与最优调度结果的贴近程度，建立不考虑负荷预测误差的最优调度模型。最优调度模型与集中式调度模型基本类似，但需满足另外两类条件：①不需要进行负荷预测，即各节点各个时刻的负荷提前预知，因此不存在负荷预测误差；②不考虑信息传输的限制，也不需要设置本地控制中心来分担全局控制中心的优化计算量，全局控制中心在最小的时间间隔内进行各个节点的优化调度计算。
由此，本文主要对以下三类模型进行对比分析：①参考模型：没有预测误差的最优调度模型；②集中调度模型：考虑预测误差的集中式调度模型；③本文模型：本文提出的考虑预测误差的双层分布式调度模型。
首先，对比原根节点负荷曲线、参考模型、集中调度模型以及本文模型下的根节点功率曲线。注意，这里集中调度模型和本文模型优化调度后的根节点功率曲线的计算需要依据优化的调度结果，并结合实际负荷值而非预测负荷值进行潮流计算而得到。这里全局周期设置为24h，本地周期设为1h。
两类模型优化调度后的根节点功率曲线如图5所示。由图5的折线图可以看出，相比于原根节点功率曲线，在参考模型、集中调度模型、本文模型调度策略下，调度后根节点功率曲线峰谷差明显缩小，由原来的11.30MW分别变为7.69MW、9.40MW、8.15MW。存在负荷预测误差时，两种策略下调度后最终根节点功率曲线的峰谷差大于不存在预测误差的精确调度结果；本文模型的调度策略下，最终根节点功率曲线的峰谷差要小于集中调度模型调度策略下的峰谷差。图5中柱状图分别为集中调度模型、本文模型两种调度模式下最终根节点功率与最优调度下根节点功率的差值，可以反映出这两种调度模式与最优调度结果的接近程度。由图5可知，分布式双层调度后的根节点功率更接近参考模型。
图5 两类模型优化调度后的根节点功率曲线
Fig.5 The power curves of root node under the two optimization strategies
再分别计算原根节点功率曲线、参考模型、集中调度模型和本文模型调度后的根节点功率曲线平滑度指标，结果见表1，该指标越小，功率曲线越平坦。可见，两种调度策略都可以改善根节点功率曲线的平坦程度，双层分布式调度结果要优于集中式调度。
表1 根节点功率曲线平滑度指标
Tab.1 Smoothness index of power curve of root node
原功率曲线参考模型集中调度模型本文模型 平滑度17.27 9.68 12.41 10.20
各种调度模式下购电成本及本地节点的储能盈利见表2，集中调度与本文模型调度后各类成本及储能盈利状况按照相较于参考模型的费用偏差来表示。可见，参考模型、集中调度模型及本文模型调度模式下，配电网总成本均有所降低，依据参考模型进行优化调度后配电网成本最小，而本文模型下配电网的总成本小于集中调度模型。由于集中调度模型与本文模型的上层模型中利用的负荷及DG预测信息，以及关于可平移负荷的优化策略相同，可平移负荷最终调用成本相同。然而，本文模型的下层模型充分利用了下层更精确的负荷和DG预测信息进行本地优化，最终对储能及可削减负荷的协调调度策略优于集中调度模型的优化结果。应注意，尽管依据本文模型调度后的配电网成本小于参考模型，但由于本地节点可以在功率上、下限范围内进行本地利益最大化，拥有更大自主权，本地储能的盈利优于参考模型，储能运营商的利益能被更好的兼顾。
表2 三种调度模式下各类成本及盈利
Tab.2 Costs and profits under three scheduling strategies（单位：元）
原曲线参考模型集中调度模型本文模型 根节点购电502 015.17 473 706.29 +4 419.07 +2 851.58 可平移0.00 2 123.68 +477.83 +477.83 可削减0.00 5 624.50 -1 684.50 -2 784.50 总成本502 015.17 481 454.46 +3 212.39 +544.91 储能盈利0.00 15 803.51 -122.20 +100.03
为进一步分析本文模型的优化调度中，上、下层的配合关系，选取多元融合下，同时拥有储能、可平移负荷、可削减负荷这三类资源的节点9进行分析。图6展现了上层优化第一阶段得到的节点9最优净注入功率，负荷预测更为精确的下层优化后的节点净注入功率，以及各类资源的优化调度量。虚线表示上层优化第二阶段得到的净注入功率上下限，可以看到，下层优化将在此范围内优化，即满足式（27）的限制条件。
图6 节点9优化调度结果
Fig.6 The results of node 9 after the optimization
图6中可平移负荷数据代表可平移负荷调度前后的功率数值差。经过上层优化，确定可平移负荷向前平移8h后，上层向下层传递净注入功率的上下限，由下层再对储能及可削减负荷进行调度。以第12小时为例进行分析，上层向下层传递节点注入功率的上、下限分别为最优节点注入功率的2.43～ -1.70MW之间，下层在此裕度中优化，得到最优的可削减负荷等级为第二级，即1MW，储能放电量为1.8MW（充电为正，放电为负）。
3.5.1 新能源渗透率对电压最大偏移率的影响
两种调度模式下电压最大偏移率随新能源渗透率的变化如图7所示。
图7 两种调度模式下电压最大偏移率随新能源渗透率的变化
Fig.7 The variation of the maximum voltage deviation rate with renewable energy penetration rate
由图7可以直观看出：
（1）随着多元融合配电网中，间歇性分布式新能源渗透率逐步增大，新能源波动范围逐步增大，其出力的绝对预测误差也因此增大，集中调度模型和本文模型优化调度后电压偏移增大。
（2）可以看到带有三类可调度资源的9节点以及相邻的8、10节点的电压偏移相较于其他节点更大，说明多元融合配电网中各类分布式资源接入，会影响到节点的电压偏差，而更精确的新能源预测可以使分布式资源的调度更为精确。
（3）相比于集中调度模型的优化调度，本文模型的优化调度在DG预测误差随着新能源渗透率增大而增大的情况下，电压偏移情况要优于集中调度模型，在30%的新能源渗透率下依旧保持电压不越线（7%），原因是通过下层控制中心，可以获得更精确的新能源发电预测数据及负荷预测数据，从而使优化更贴近于无预测误差时的最优调度，提高了配电网对于分布式新能源接入的响应弹性。
3.5.2 全局周期时长变化下的灵敏度分析
全局周期时长是指式（2）中的常量Tall，表征了全局控制中心进行一次优化间隔的时长，如果T变长意味着负荷及新能源发电预测周期增大。两种调度模式下电压偏移率随全局周期延长的变化情况如图8所示。
图8 两种调度模式下电压偏移率随全局周期延长的变化情况
Fig.8 The variation of the maximum voltage deviation rate with global cycle extension
图8展现了所有时刻中电压最大偏移率指标随全局周期时长延长而变化的趋势。全局周期以24h为单位不断延长至120h，在集中调度模型与本文模型的优化调度策略下，全局控制中心间隔一个全局周期进行预测与优化，本文模型中本地控制中心间隔一个本地周期（1h）进行预测和优化，可以看出：
（1）随着全局周期延长，全局控制中心下负荷预测周期因此延长，负荷预测误差随着负荷预测周期的延长不断增大，对于多元融合配电网下的分布式资源的协调调度准确度下降，从而使经过集中调度模型和本文模型调度后的节点最大电压偏移不断增大。
（2）相比于集中调度模型，本文模型的调度策略可以在较长的调度周期下保持电压不越线，说明分布式调度在负荷预测误差随着调度周期延长而增大的情况下能更精确地在减少电网成本的目标下保证电网安全。原因是本文模型通过下层控制中心，可以依据更精确的负荷及新能源发电预测数据进行优化，从而使储能及可控负荷资源的调度更为精确。
由此可知，对于配电网中计算量更大、对时间要求更高的全局控制中心，双层分布式调度策略提高了其对于计算周期的弹性。
为进一步验证双层分布式算法的适用性与优越性，选择IEEE 69节点配电系统进行验证。系统拓扑如附图2所示，该节点网络共69个节点，68条支路。该配电系统下各分布式资源配置见表3，其中，储能在该系统内的渗透率为5%。
表3 IEEE 69节点配电网分布式资源配置
Tab.3 Distributed resource allocation under the IEEE 69 node distribution network
节点 可平移负荷12、18、21、46、49、61 可削减负荷16、29、61 储能8、11、21、50、59、61、64、69
与14节点配电系统下的优化调度结果相类似，集中调度模型的调度策略与本文模型的调度策略均在一定程度上减小了根节点注入功率的峰谷差，其中，本文模型的调度策略下最终根节点功率曲线的峰谷差（3.20MW）要小于集中调度模型的调度策略下的峰谷差（2.33MW）。图9中柱状图分别为集中调度模型、本文模型两种调度模式下最终根节点功率与参考模型下根节点功率的差值，可以看出，分布式双层调度后的根节点功率更接近于无预测误差的最优调度结果。
图9 模型优化调度后的根节点功率曲线
Fig.9 The power curves of root node under the two optimization strategies
在当前能源互联的背景下，本文针对高弹性配电网下多元融合的分布式资源的优化调度问题，提出一种利用储能、可平移负荷及可削减负荷资源的双层分布式优化调度策略。该策略充分考虑了本地节点的更为精确的负荷预测信息，通过上、下层的协调控制，对多类分布式资源进行优化，从而实现配电网成本的最小化。算例分析对比了传统集中式调度策略及本文的双层分布式调度结果，验证了本文模型的可行性，同时也证明了在本文的调控模式下，配电网可以在保证较低成本的同时，获得更为平滑的根节点功率曲线。此外，当逐步提高系统新能源渗透率或延长全局控制中心的优化周期时，本文的双层分布式优化调度策略可以利用本地节点更为精准的负荷预测信息实现分布式资源更为精确的优化控制，提高了配电网对于分布式新能源接入的响应弹性，以及计算量更大、对时间要求更高的全局控制中心对于计算周期的弹性。
为了验证双层分布式模型在更为复杂的配电网系统下的适用性，本文分析了IEEE 69节点配网系统下，集中式及双层分布式调度策略的调度结果，进一步验证了双层分布式调度策略的优越性。
目前研究中仅通过功率因数来限制各节点的无功功率，后续研究可以加入无功功率调节手段配合各分布式资源进行优化调度。
IEEE 14节点算例中可平移负荷功率曲线如附图1所示。
附图1 可平移负荷功率曲线
App.Fig.1 Diagram of time-shiftable load curves
IEEE 69节点配电网拓扑如附图2所示。可削减负荷参数配置见附表1。具体电价数据参见附表2。
附图2 IEEE 69节点配电网系统
App.Fig.2 Diagram of IEEE 69 node distribution network system
附表1 可削减负荷参数配置
App.Tab.1 The parameters of interruptible load（单位：MW）
节点可调用时间1档2档3档 9[9, 12]0.511.5 10[6, 9]∪[17, 20]0.040.140.24 11[13, 16]0.10.250.4
附表2 配电网电价数据
App.Tab.2 The parameters of electricity price
高峰时段（8:00～12:00;17:00～21:00)平时段（12:00～7:00;21:00～24:00)低谷时段（0:00～8:00) 价格/元1077.5646.5315.5
负荷资源调用成本参见附表3。
附表3 负荷资源调用成本
App.Tab.3 The cost of controllable load resource
可平移负荷可削减负荷 CS tCS pCC fCC p 1挡2挡3挡 价格/元140482.560500650800
参考文献
[1] 喻洁, 刘云仁, 杨家琪. 美国加州辅助服务市场发展解析及其对我国电力市场的启示[J]. 电网技术, 2019, 43(8): 2711-2717.
Yu Jie, Liu Yenren, Yang Jiaqi, et al. Analysis of development of California ancillary service market and its enlightenment to China’s power market[J]. Power System Technology, 2019, 43(8): 2711-2717.
[2] 沈鑫, 曹敏. 分布式电源并网对于配电网的影响研究[J]. 电工技术学报, 2015, 30(增刊1): 346-351.
Shen Xin, Cao Min. Research on the influence of distributed power grid for distribution network[J]. Transactions of China Electrotechnical Society, 2015, 30(S1): 346-351.
[3] 孟广雨, 于洁潇, 杨挺. 基于随机网络演算的分布式能源调控系统时延上界计算[J]. 电工技术学报, 2020, 35(11): 2360-2371.
Meng Guangyu, Yu Jiexiao, Yang Ting. Upper bound calculation of delay of distributed energy resource coordinated-control system based on stochastic network calculus[J]. Transactions of China Electrotechnical Society, 2020, 35(11): 2360-2371.
[4] 高勇, 彭志炜, 刘斌, 等. 主动配电网柔性负荷优化调控研究综述[J]. 新型工业化, 2019, 9(4): 27-34.
Gao Yong, Peng Zhiwei, Liu Bin, et al. An overview of research on optimal control of flexible loads in active distribution networks[J]. The Journal of New Industrialization, 2019, 9(4): 27-34.
[5] 吴志, 刘亚斐, 顾伟, 等. 基于改进Benders分解的储能、分布式电源与配电网多阶段规划[J]. 中国电机工程学报, 2019, 39(16): 4705-4715.
Wu Zhi, Liu Yafei, Gu Wei, et al. A modified decomposition method for multistage planning of energy storage, distributed generation and distribution network[J]. Proceeding of the CSEE, 2019, 39(16): 4705-4715.
[6] 李佳琪, 陈健, 张文, 等. 高渗透率光伏配电网中电池储能系统综合运行控制策略[J]. 电工技术学报, 2019, 34(2): 437-446.
Li Jiaqi, Chen Jian, Zhang Wen, et al. Integrated control strategy for battery energy storage systems in distribution networks with high photovoltaic penetration[J]. Transactions of China Electrotechnical Society, 2019, 34(2): 437-446.
[7] Callaway D, Hiskens I. Achieving controllability of electric loads[J]. Proceedings of the IEEE, 2011, 99(1): 184-199.
[8] 王珂, 姚建国, 姚良忠, 等. 电力柔性负荷调度研究综述[J]. 电力系统自动化, 2014, 38(20): 127-135.
Wang Ke, Yao Jianguo, Yao Liangzhong, et al. Survey of research on flexible loads scheduling technologies[J]. Automation of Electric Power Systems, 2014, 38(20): 127-135.
[9] 宁佳, 汤奕, 高丙团. 基于需求响应潜力时变性的风火荷协同控制方法[J]. 电工技术学报, 2019, 34(8): 1728-1738.
Ning Jia, Tang Yi, Gao Bingtuan. Coordinated control method of wind farm-AGC unit-load based on time-varying characteristics of demand response potential[J]. Transactions of China Electrotechnical Society, 2019, 34(8): 1728-1738.
[10] 王林富, 邱方驰, 张斌, 等. 基于分布式电源的配电网多目标优化策略研究[J]. 智慧电力, 2019, 47(1): 47-53, 65.
Wang Linfu, Qiu Fangchi, Zhang Bin, et al. Research on multi-objective optimal strategy for distribution network based on distributed generation[J]. Smart Power, 2019, 47(1): 47-53, 65.
[11] 金国彬, 潘狄, 陈庆, 等. 考虑源荷不确定性的直流配电网模糊随机日前优化调度[J]. 电工技术学报, 2021, 36(21): 4517-4528.
Jin Guobin, Pan Di, Chen Qing, et al. Fuzzy random day-ahead optimal dispatch of dc distribution network considering the uncertainty of source-load[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4517-4528.
[12] 叶畅, 苗世洪, 李姚旺, 等. 基于改进不确定边界的主动配电网鲁棒优化调度[J]. 电工技术学报, 2019, 34(19): 4084-4095.
Ye Chang, Miao Shihong, Li Yaowang, et al. Robust optimal scheduling for active distribution network based on improved uncertain boundary[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4084-4095.
[13] Anderson K，Rajagopal R, Gamal A. Coordination of distributed energy storage under spatial and temporal data asymmetry[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1184-1194.
[14] 彭跃辉, 韩建沛, 刘念. 考虑需求响应和边缘计算的配电网分布式优化调度[J]. 华北电力大学学报(自然科学版), 2020, 47(4): 19-28.
Peng Yuehui, Han Jianpei, Liu Nian. Distributed optimal scheduling of distribution network considering demand response and edge computing[J]. Journal of North China Electric Power University (Natural Science Edition), 2020, 47(4): 19-28.
[15] 齐琛, 汪可友, 李国杰, 等. 交直流混合主动配电网的分层分布式优化调度[J]. 中国电机工程学报, 2017, 37(7): 1909-1917.
Qi Chen, Wang Keyou, Li Guojie, et al. Hierarchical and distributed optimal scheduling of AC/DC hybrid active distribution network[J]. Proceedings of the CSEE, 2017, 37(7): 1909-1917.
[16] 郭国太. 居民区用电负荷特性研究与模型预测[J]. 电气技术, 2020, 21(1): 41-46.
Guo Guotai. Study on electricity load characteristic and model prediction in residential areas[J]. Electrical Engineering, 2020, 21(1): 41-46.
[17] 丁一帆. 基于价值挖掘的负荷柔性调度研究[D]. 南京: 东南大学, 2018.
[18] 符杨, 蒋一鎏, 李振坤, 等. 计及可平移负荷的微网经济优化调度[J]. 中国电机工程学报, 2014, 34(16): 2612-2620.
Fu Yang, Jiang Yiliu, Li Zhenkun, et al. Optimal economic dispatch for microgrid considering shiftable loads[J]. Proceedings of the CSEE, 2014, 34(16): 2612-2620.
[19] Johan L. YALMIP[EB/OL]. [2020-09-30]. https: //yalmip. github. io/.
[20] IBM. IBM ILOG CPLEX[EB/OL]. [2020-09-30]. http: //www-01.ibm.com/software/integration/optimi-zation/ cplex-optimizer.
[21] Pecan Street Inc. Pecan Street[EB/OL]. [2020-09-30]. https: //www. pecanstreet. org.
Study of Two-Layer Distributed Optimal Scheduling Strategy for Highly Elastic Multi-Resource Fusion Distribution Network in Energy Interconnection Environment
Abstract With the development of energy interconnection system, diversified resources represented by energy storage, demand response and distributed generation(DG) are deeply involved in power grid operation. As an integrator of multiple distributed resources, distribution system needs to optimize and regulate distributed resources to improve the elasticity of distribution system. Centralized optimization strategy for the traditional distribution network has several limitations in the case of multi-resource fusion. This paper analyzes the characteristics of multiple distributed resources firstly, and then establishes a two-layer distributed optimization model for highly elastic distributed network which regulates several kinds of distributed resources through coordinating global controller and local controllers in order to ensure more DG consumption under the certain voltage quality, and to improve the utilization level of renewable energy. IEEE 14 nodes and IEEE 69 nodes distribution network systems are used for case study. The results of the two optimization strategies are compared. The applicability and advantages of the two-layer distributed scheduling model are verified.
keywords：Multiple distributed resources, highly elastic distributed network, two-layer distributed optimization model, voltage quality
DOI:10.19595/j.cnki.1000-6753.tces.201390
中图分类号：TM73
国家自然科学基金项目（71471036）和国网公司科技项目（泛在物联背景下主动配电网电压控制深度强化学习策略研究）资助。
收稿日期 2020-10-21
改稿日期 2020-11-18
倪 萌 女，1997年生，硕士研究生，研究方向为需求侧管理与需求响应。E-mail：lemon1969@yeah.net
王蓓蓓 女，1979年生，副教授，博士生导师，研究方向为智能用电、需求侧管理与需求响应、电力系统运行与控制和电力市场。E-mail：wangbeibei@seu.edu.cn（通信作者）
（编辑 赫蕾）