，服从正态分布
，其概率分布函数
为摘要 针对直流配电网中分布式可再生能源出力及典型直流类负荷的不确定性，提出了综合考虑负荷自弹性系数以及电价型需求响应的不确定性负荷模型；在考虑可再生能源随机性的基础上，通过签订日前充电合同将电动汽车这类高可调度单元转换为确定性负荷；以直流配电网与上级电网联络线功率最平滑及日前调度成本最小为优化目标，建立了模糊随机日前优化调度模型，并采用熵权法确定两者权重进行求解。以某直流配电网为例，针对不同场景、不同光伏出力、不同置信水平以及不同的电动汽车合同签订率，验证了优化调度模型的有效性、优越性。
关键词：源荷不确定性 模糊随机机会约束 直流配电网 电动汽车 日前优化调度
随着电力电子技术的不断突破与发展，直流配电网作为输电网与用电网间的重要衔接环节，展示出广阔的应用前景[1-5]。同时，数据中心、电动汽车等直流负荷[6-8]的广泛应用也使得直流配电技术获得较高的关注度。而优化调度技术作为整个直流配电技术的重要环节，能够优化配网内各资源的出力及配置，从而实现配电网的安全、可靠及经济运行[9-11]。
通常，直流配电网接入了大量以光伏为代表的分布式可再生能源，但这类分布式电源受天气影响较大，使其出力存在较大不确定性，而配电网本身的负荷也存在随机性。所以，在对直流配电网进行日前优化调度时，充分考虑源荷两者的不确定性才能使整个模型更为合理。
在考虑可再生能源不确定性的日前优化调度研究中，有多种建模方法。文献[12]引入云模型理论建立描述风电功率及其概率分布不确定性的高阶不确定性模型。文献[13]依据模糊理论建立风电及光伏发电的输出功率模型。文献[14]利用1-范数和∞-范数产生最恶劣场景下的风电出力并进行鲁棒优化。文献[15]依据风速的威布尔分布特性，提出一种建立风电多场景的场景模拟方法。其中，简单且广泛应用的方法是以确定的概率分布函数来表征可再生能源出力的不确定性[16-17]。在考虑电价型需求响应（Demand Response, DR）负荷的不确定性的日前调度时，文献[18]重新定义了分时电价（Time-of-Use, TOU）下电价差对需求响应负荷转移率的不同影响区间，从而进行日前优化调度。文献[19]明确了分时电价下的需求响应负荷转移率、预测误差和电价差之间的关系，并建立模糊随机机会约束优先目标规划调度模型。文献[20]将需求响应不确定性引起的偏差区间的变化规律，应用于基于消费者心理学原理的价格型需求响应建模，从多时间尺度进行调度决策。文献[21]建立了分时电价下考虑负荷响应量、负荷自弹性系数和电价激励水平的负荷模糊响应模型，同时基于此建立了风电不确定性源荷互动优化调度模型。文献[22]考虑价格需求弹性曲线和基线负荷不确定性对价格型DR不确定性的影响，建立了价格型DR响应量模糊模型。上述文献在考虑负荷的不确定性时往往只考虑电价差的影响，未能考虑到负荷本身因素的影响，或者本身的负荷响应模型并不完善。因此本文在现有研究的基础上，提出了更为完善的考虑负荷自弹性系数及电价差的不确定性负荷模型。
针对电动汽车（Electric Vehicle, EV）这类高可调度性单元来说，合理地规划及优化好其充电意向就显得尤为重要[23]。文献[24]考虑电动汽车的时空分布特性，提出一种电动汽车充电功率计算和需求响应潜力评估方法。文献[25]建立了分时电价下计及电网负荷波动及用户成本的多目标优化模型。文献[26]提出了供需两侧系统优化的电动汽车充放电自动需求响应方法。
为了更合理并且确定地引导电动汽车优化充电，本文提出了电动汽车用户签订合同的方法，将电动汽车负荷尽可能地转换为优化的、确定的负荷。
综上所述，本文在进行直流配电网的源荷不确定性建模时，将可再生能源出力定义为随机变量，负荷的预测量定义为模糊变量，结合电动汽车签订合同的方式，建立一个考虑源荷不确定性的直流配电网模糊随机日前优化调度模型，以实现直流配电网内调度成本最小以及与上级电网联络线功率平滑的目标，从而保证整个配电网的安全、经济运行。算例验证了所建立模型的有效性，实现了考虑源荷不确定性情况下的直流配电网优化运行。
光伏发电出力与太阳光照强度、云量、温度等多种因素有关。通常，在光伏发电建模中，使用正态分布模型表示光伏发电预测误差。本文以光伏发电的预测误差作为随机变量，服从正态分布，其概率分布函数为
（1）光伏发电的实际出力
也是随机变量，为
（2）
式中，
为光伏发电预测值。
在分时电价的环境下，用户根据自身实际情况和对电价差的敏感程度（自弹性系数[21]，电价差引起电能需求的变化程度大小）调节用电，实现电力的需求侧响应。因此，电价差及用户的自弹性系数成为分时电价环境下影响负荷转移率的两个重要因素。
本文在广泛应用的消费者心理学原理价格型DR行为模型[17]的基础上进行完善，提出了新的用户响应模型。根据消费者心理学原理，随着电价差的增大，用户对电价差的响应呈现不同情况，分为死区、线性区以及饱和区。同时考虑负荷转移率的预测误差，将负荷转移率表示为一分段函数。当用户响应位于死区时，用户用电受电价差的影响极小，主要受用户本身等非经济因素影响，甚至可能出现转移率为负的情况；而在线性区时，随着电价差的增大，负荷转移率逐渐增大，而预测误差则是呈现先增大后减小的趋势[21]，这是由于用户用电受经济因素的影响逐渐增大，主导因素由非经济因素变化为经济因素；到了响应位于饱和区时，用户用电转移已达到最大的饱和状态，且非经济因素对其没有影响，呈现为常数状态。在此基础上，根据峰谷、峰平以及平谷的不同转移情况拟合得到用户响应后的负荷，从而进行日前调度。
以峰谷负荷转移率为例，可得到分时电价环境下峰谷负荷转移率与自弹性系数及峰谷电价差的关系如图1所示。图1中，
为峰谷电价的差值；
为负荷的自弹性系数，表示线性区内峰谷电价差对转移率的影响程度；点P1为死区-线性区拐点，
为对应的峰谷电价差；点P2为线性区-饱和区拐点，
为对应的峰谷电价差，
则为对应的峰谷负荷转移率；点PIP为线性区时电价差作为主导因素影响误差值前后的拐点；
为负荷线性区时电价差作为主导因素影响误差值前后的拐点峰谷电价差；
为临界峰谷负荷转移率，在该点之前用户本身的非经济因素占主导地位，该点之后电价差带来的经济激励占主导地位。数学表达式为
（3）
图1 分时电价下用户用电不确定性表示
Fig.1 Uncertainty expression of user electricity consumption under time-of-use electricity price
式中，
为用户的峰谷负荷转移率，是模糊变量；
为对应转移率的最大预测误差，该预测误差可作为模糊隶属度函数的参数，本文采用常用的三角形模糊隶属度函数。
同一自弹性系数（即同一负荷）条件下，峰谷负荷转移率最大预测误差随峰谷电价差的变化如图2所示，其数学表达式为
（4）式中，
为负荷在死区时的转移率的最大预测误差值；
为负荷位于线性区时预测误差随电价差变化曲线的参数。
图2 峰谷负荷转移率最大预测误差与峰谷电价差的关系
Fig.2 The relationship between peak-valley load biggest forecast error of transfer rate and peak-valley price difference
除此之外，峰平负荷转移率
及平谷负荷转移率
也可根据上述原理推导得到。所以综合三个转移率，在分时电价下各时段的日前拟合负荷为
（5）式中，
为日前拟合负荷；
为峰谷负荷转移率；
为t时段日前预测负荷；
和
分别为峰时段及平时段的预测负荷平均值；
、
和
分别为峰、平及谷时段。
由于电动汽车的环境友好性及灵活性，在一些典型配电网中占据相当一部分负荷量。现有研究中，虽有将电动汽车作为可转移负荷模型来进行考虑，但在实际调度时，电动汽车是否真的能够执行转移的调度指令并不能够确定，因此，在这种情况下进行的调度不能充分发挥电动汽车的可调度性。
为解决上述问题，本文将电动汽车负荷建模分为两个阶段：日前预调度阶段和日前调度阶段，如图3所示。在日前预调度阶段，调度中心根据预测信息进行预调度求解，从而得到确定的电动汽车调度指令，再根据调度指令发布对应的合同；在合同签订时间内，电动汽车用户根据自身情况及合同激励资源签订合同（合同执行予以补偿，不执行予以惩罚，因此在此情况下签订的合同可以视之为确定转移的负荷）；在日前调度阶段，即合同签订时间截止时，调度中心根据合同签订情况更新电动汽车确定转移的情况，再根据其他信息进行日前调度。
图3 电动汽车交互式调度策略
Fig.3 Interactive dispatching strategy for EV
由此可以将电动汽车这类负荷转换为确定性负荷，从而解决其转移具有高度不确定性的问题。同时，电动汽车负荷除了签订合同的转移量是不确定的，其他未参与签订合同的则按照一般的响应模型对待，以电动汽车转移量为对象建立表达式为
（6）
（7）
（8）
式中，
为日前预调度时得到的对应时段t的电动汽车转移量；
与
分别为峰、谷时段的电动汽车转移量；
为签订合同截止时得到的t时段的电动汽车转移量；w为电动汽车用户在合同签订时间内的合同签订率；S为日前预调度与日前调度的判断标志位。
模糊随机变量是模糊随机现象的一种数学描述，其实质是一个取值为模糊变量的随机变量[27]。其中一种模糊随机变量的定义如下：假设
是概率空间
上的随机变量，
是模糊变量，并且满足
（9）那么如果对于R上的任何Borel集，
是
的可测函数，则
是一个模糊随机变量。
同时，在求解含有模糊随机变量的不确定优化问题时，往往采用模糊随机机会约束优化模型，其一般形式为[27]
（10）式中，
为最小化目标函数值；
与分别为自变量与模糊随机变量；
为模糊随机事件成立的机会测度；
为约束函数；
与
分别为预先给定的第j个机会约束的随机变量与模糊变量的置信水平。
根据本文先前建立的不确定性源荷模型，定义净负荷
为
（11）
式中，为模糊变量；
为随机变量。因此为模糊随机变量，由此本文采用模糊随机机会约束优化方法解决日前优化调度问题。
2.2.1 目标函数
本文所研究的直流配电网是在并网条件下进行日前优化调度的，除了常规的经济性目标外，还需要考虑联络线功率平滑的目标。
目标函数1：总调度成本
最小
（12）
（13）
（14）
（15）
（16）
式中，
为微型燃气轮机总调度成本；n为总时段数；
为微型燃气轮机总台数；
为第i台微型燃气轮机在t时段的出力；a、b、c为微型燃气轮机的燃气耗量成本系数；
为储能总调度成本；
为储能装置总数；
为折算后的储能虚拟调度成本[28]；
为储能装置i在t时段的充放电功率（且放电时为正，充电时为负）；
为联络线功率总调度成本；
为配电网与主网连接的联络线数量；
为联络线传输功率的虚拟调度成本；
为第i条联络线在t时段的传输功率；
为电动汽车总调度成本；
为电动汽车数量；
为电动汽车单位调度成本（亦即电动汽车合同补偿单价）；
为第i辆电动汽车在t时段的转移量。
目标函数2：联络线功率最平滑（以方差大小
来评判）
（17）式中，
为t时段的联络线传输平均功率。
2.2.2 模糊随机机会约束
功率平衡机会约束为
式中，
为第i台微型燃气轮机在t时段的关停机状态；
与
分别为设定的功率平衡机会约束下与随机变量及模糊变量相对应置信水平；NL为配电网中总的负荷数量。
备用机会约束为
式中，
为第i台微型燃气轮机最大出力；
为对应时段的备用容量，以满足用户响应不确定性带来的负荷波动；
与
分别为设定的备用机会约束下与随机变量及模糊变量相对应置信水平。
功率平衡机会约束的等价形式为[27]
（20）式中，
为光伏出力t时段在置信水平为时的等价形式；
为光伏在晴天时的基础出力；
为负荷i在t时段并且置信水平为的等价形式；
为光伏出力预测误差的概率密度函数的反函数；
、
、
分别为峰平、峰谷、平谷转移预测误差的模糊隶属度函数的反函数。
同理可得备用机会约束的等价形式为
（21）2.2.3 其他约束
微型燃气轮机出力约束为
（22）式中，
与分别为第i台微型燃气轮机的最小出力与最大出力。
微型燃气轮机爬坡约束为
式中，
与
分别为微型燃气轮机的爬坡速率的最小值与最大值。
微型燃气轮机最小运行时间约束与最小停机约束为[10]
式中，
与
分别为燃气轮机最小运行时间和最小停机时间。
储能出力约束为
（26）式中，
与
分别为第i个储能装置的充放电的最小值与最大值。
储能容量约束为
（27）式中，
为第i个储能装置在t时段的容量；
与
分别为第i个储能装置的容量的最小值与最大值；
与
分别为储能容量一天结束时的最终值与一天开始时的初值。
联络线交换功率约束为
（28）式中，
与
分别为第i条联络线交换功率的最小值及最大值。
电动汽车预调度约束为
（29）预调度阶段需要确定电动汽车合同的总量，合同量尽量足够大，同时满足峰时段削减总量与谷时段增加总量相等的约束。而在最终日前调度阶段，电动汽车负荷量已变为确定值，因此不对其进行约束。
根据建立的模型与约束按照图4所示流程在Matlab平台借助YAMLIP建模工具进行求解。
本文采用熵权法[29]确定各目标权重将多目标问题转换为单目标优化问题。熵权法相对于其他确定权重的方法更具有客观性，其基本思想是利用已知多组的各目标数据，通过对应目标的信息熵的大小来进行权重计算，目标的信息熵越小表明其变异程度越大，其权重也越大。利用熵权法确定各目标权重步骤如下：
（1）目标数据归一化
（30）式中，
为归一化后的各目标数据；
为第i组数据；k为目标个数；m为数据的总组数。
（2）求归一化后各目标数据的信息熵
（31）
图4 考虑源荷不确定性的模糊随机日前优化调度流程
Fig.4 Fuzzy random day-ahead optimization dispatching process considering the uncertainty of source-load
式中，pij为第j个目标下第i组数据占该目标的比重，
；
为根据各组数据求得的各目标的信息熵。
（3）确定各目标权重
（32）
式中，
为求得的各目标权重。
本算例以某一示范工程直流配电网为对象进行模糊随机日前优化调度。中低压等级直流配电网拓扑如图5所示，中压为±10kV，低压为±375V，各单元容量已在图中标注；两侧换流器功率上限为5MW，其余换流器功率上限为2MW；备用容量取日前拟合负荷的10%。光伏预测误差服从正态分布（期望与方差值分别为0与0.000 9），如附图1所示，峰谷负荷转移率最大预测误差（此时正处于临界峰谷负荷转移率）的三角形模糊隶属度函数如附图2所示。本文设定电动汽车在电量小于50%时有充电需求，下发的合同内容包括充电补贴单价为0.32元/(kW·h)，惩罚单价为0.02元/(kW·h)。参与电价型需求响应负荷的参数见附表1，峰时电价为1.136元/(kW·h)，平时电价为0.66元/(kW·h)，谷时电价为0.35元/(kW·h)。联络线传输功率的虚拟调度成本为0.485元/(kW·h)，折算后的储能虚拟调度成本为0.5元/(kW·h)。微型燃气轮机的主要参数见附表2。典型的光伏日前出力情况1及日前源荷预测曲线如图6所示。
图5 中低压等级直流配电网拓扑
Fig.5 Medium and low voltage DC distribution network topology
图6 日前源荷预测曲线
Fig.6 Day-ahead source load forecast curve
3.1.1 不同场景下的调度结果
为验证所提模型的有效性，本文设定四种场景（均在光伏出力情况1的条件下）进行对比：场景1：不考虑源荷不确定性，不对电动汽车进行引导；场景2：不考虑源荷不确定性，对电动汽车进行引导（合同签订率w=0.5）；场景3：考虑源荷不确定性，不对电动汽车进行引导；场景4：考虑源荷不确定性，对电动汽车进行引导（合同签订率w=0.5）。
最终得到四种场景下的调度结果见表1，与上级电网的联络线总功率如图7所示。通过场景1与2的对比以及场景3与4的对比结果可以得到，对电动汽车进行引导调度能够极大程度地减小联络线功率波动，但总调度成本也因此而提高。通过场景2与4的对比结果可以得到，不考虑源荷不确定性时总调度成本较大，而场景1与3的对比结果却是考虑不确定性的总调度成本较大，这是因为在场景1时涉及联络线功率为负值，此时配电网向上级电网输送功率，产生收益使得总调度成本减小所致。
表1 不同场景下的调度结果
Tab.1 Dispatching results in different scenarios
场景/元/元/元/元/元 18 34515623 110031 6101.754 2 28 04915722 9121 53932 6560.571 1 38 35414923 214031 7171.153 7 48 36810022 7351 36332 5760.301 3
图7 不同场景下的联络线总功率
Fig.7 Total power of tie line in different scenarios
3.1.2 不同光伏出力情况下的调度结果
实际进行日前光伏预测时会出现不同的天气情况而导致光伏出力不同，为验证模型在不同天气情况下模型的通用性能，故对三种不同天气情况进行测试，不同的光伏出力情况[30]如图8所示。光伏出力情况1是典型的晴天的天气情况，出力情况2是中午遇到多云阴天的情况，出力情况3则是一整天都是阴天的情况，对应的调度结果（在置信水平为
，
电动汽车合同签订率为w=1的情况下）见表2。而从图9所示不同光伏出力情况下的联络线总功率可以清楚地看到，优化前后的联络线总功率的平滑性得到极大的提升，极大地提高了配电网的稳定性；在中午时段出力减小的情况下，情况3与情况1的总调度成本相差不大，说明了优化模型的有效性；而情况2则是出力整体较小的情况，从而导致整个调度成本急剧提升。除此之外，不同的光伏出力对应不同的峰平谷时段，见附表3。
图8 不同光伏出力情况
Fig.8 Different PV output conditions
表2 不同光伏出力情况下的调度结果
Tab.2 Dispatch results under different photovoltaic output
情况/元/元/元/元/元 17 8779221 7682 72732 4640.019 1 27 92910732 7222 90043 6580.030 5 37 94210022 4222 78033 2440.013 6
图9 不同光伏出力情况下的联络线总功率
Fig.9 Total power of tie line under different PV output
3.2.1 不同置信水平下的调度结果
置信水平代表人主观相信的水平高低，其值越高代表相信的程度越高。以置信水平
与
形成的功率平衡的联合机会约束和以置信水平
与
形成的备用的联合机会约束，两者联合机会约束置信水平的高低也会影响优化结果，其结果（同时在光伏出力情况为1，电动汽车合同签订率为w=1的情况下）如表3和图10所示。从最后的结果来看，整体的调度成本随着置信水平的上升而逐渐增大，但其联络线功率方差逐渐减小，但其整体的差别其实不是很大，这是由于设置的负荷弹性系数等参数所导致的。
表3 不同置信水平下的调度结果
Tab.3 Dispatching results under different confidence levels
置信水平/元 31 9390.020 4 32 0360.020 2 32 1450.019 9 32 2780.019 6 32 4640.019 1
图10 不同置信水平下的联络线功率
Fig.10 Tie line power under different confidence levels
3.2.2 不同合同签订率下的调度结果
电动汽车用户的合同签订率影响最终的调度结果，因此本文设置了不同的合同签订率进行测试，在光伏出力情况1及置信水平为，的情况下（可能还会影响分时电价的时段设置，见附表4），对应结果如表4和图11所示。结合图表可得随着电动汽车合同签订率从0.4增加至0.8时，联络线总功率逐渐趋于平滑，总调度成本不断减小。但是签订率为0.4 时的总调度成本要比签订率为0.2时的大，这是因为电动汽车调度增加成本比联络线功率调度减小成本要大所导致的。需要说明的是本文针对的引导其进行充电的电动汽车均具有高充电意愿（电动汽车电量＜50%）[31]，因此电动汽车合同签订率在适宜的补偿合同下并不会太低。
表4 不同合同签订率下的调度结果
Tab.4 Dispatching results of different contract signing rates
w/元 0.232 1620.729 3 0.432 8610.413 0 0.629 7350.334 7 0.829 2800.230 3
图11 不同合同签订率下的联络线总功率
Fig.11 Total power of tie line of different contract signing rates
本文针对直流配电网日前优化调度中可再生能源出力及负荷需求响应的不确定性问题，建立考虑源荷不确定性的模糊随机日前优化调度模型，利用算例证明模型的有效性，表现出以下优势：
1）所提考虑负荷自弹性系数及电价差的电价型需求响应负荷转移模型，使得不确定性负荷模型的特性更为完善。
2）通过预调度发布合同-用户签订合同-确定电动汽车转移量，尽可能地对电动汽车进行优化引导并将其转换为确定量，更有利于配电网净负荷的削峰填谷。
3）在不同场景、不同可再生能源出力情况和不同的参数下，提出的模型均能表现出较为满意的优化效果，实现了联络线功率最平滑及日前调度成本最小的优化目标，保证了直流配电网的稳定、经济运行。
本文研究的重点在于考虑源荷不确定的稳态下源荷功率平衡问题，源荷不确定下的网损也是概率问题，可以归为对源荷预测的置信水平差异，因此，忽略了网损因素。而对于复杂拓扑的直流配电网，在不同运行模式下的网损大小差异对各调度单元参与调度能力的影响有必要进行探讨，这将在后续进行深入研究。
附图1 光伏预测误差分布
App.Fig.1 Photovoltaic forecast error distribution
附图2 三角形模糊隶属度函数
App.Fig.2 Triangular fuzzy membership
附表1 电价型需求响应负荷的主要参数
App.Tab.1 Main parameters of electricity price demand response load
参数数值 自弹性系数0.1 死区-线性区拐点电价差/[元/(kW·h)]0.1 临界电价差/[元/(kW·h)]0.35 线性区-饱和区拐点电价差/[元/(kW·h)]0.6 临界峰谷负荷转移率(%)2.5 最大峰谷负荷转移率(%)5 峰谷负荷转移率最大偏差值(%)1
附表2 微型燃气轮机的主要参数
App.Tab.2 The main parameters of the micro gas turbine
机组最大/最小出力/MW耗量特性(c/b/a)/元/(元/MW)/(元/MW2)爬坡/(MW/15min)最小运行/关停时间/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 不同光伏出力情况下的分时电价时段
App.Tab.3 Time-of-use electricity price period under different photovoltaic output
光伏出力情况峰时段平时段谷时段 情况116:00～24:000:00～4:005:00～6:008:00～11:004:00～5:006:00～8:0011:00～16:00 情况29:00～12:0017:00～21:0012:00～17:0021:00～24:000:00～8:00 情况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 不同合同签订率下的分时电价时段
App.Tab.4 Time-of-use electricity price periods under different contract signing rates
合同签订率峰时段平时段谷时段 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
参考文献
[1] 宋强, 赵彪, 刘文华, 等. 智能直流配电网研究综述[J]. 中国电机工程学报, 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. 直流微电网关键技术研究综述[J]. 中国电机工程学报, 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] 曹文远, 韩民晓, 谢文强, 等. 交直流配电网逆变器并联控制技术研究现状分析[J]. 电工技术学报, 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] 成龙, 金国彬, 王利猛, 等. 考虑功率裕度和电压偏差的多端直流配电网自组织下垂控制[J]. 电力系统自动化, 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] 张勇军, 刘子文, 宋伟伟, 等. 直流配电系统的组网技术及其应用[J]. 电力系统自动化, 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, 赵宇明, 刘国伟, 等. 基于时序仿真的商业楼宇交流与直流配电系统能效对比[J]. 电工技术学报, 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] 郭国太. 电动汽车充电站负荷计算及影响因素[J]. 电气技术, 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, 冯永涛, 熊虎, 等.基于出行概率矩阵的电动汽车充电站规划[J]. 电工技术学报, 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] 孙鹏飞, 贺春光, 邵华, 等. 直流配电网研究现状与发展[J]. 电力自动化设备, 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] 周逢权, 黄伟. 直流配电网系统关键技术探讨[J]. 电力系统保护与控制, 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] 马骏超, 江全元, 余鹏, 等. 直流配电网能量优化控制技术综述[J]. 电力系统自动化, 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] 张永斌, 聂明林, 张俊鹏, 等. 考虑分布式电源不确定性的配电网网架模糊规划[J]. 电工技术学报, 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] 夏鹏, 刘文颖, 张尧翔, 等. 考虑风电高阶不确定性的分布式鲁棒优化调度模型[J]. 电工技术学报, 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, 高红均, 刘友波, 等. 考虑风电不确定性的交直流混合配电网分布式优化运行[J]. 中国电机工程学报, 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] 刘文颖, 徐鹏, 赵子兰, 等. 基于区间估计的风电出力多场景下静态电压安全域研究[J]. 电工技术学报, 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, 吴文传, 张伯明. 考虑负荷量测和光伏不确定性的主动配电网鲁棒电压控制[J]. 电力系统自动化, 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, 吴在军, 等. 计及电动汽车和光伏不确定性的主动配电网量测优化配置[J]. 电力系统自动化, 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] 孙宇军, 李扬, 王蓓蓓, 等. 计及不确定性需求响应的日前调度计划模型[J]. 电网技术, 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] 赵冬梅, 殷加玞. 考虑源荷双侧不确定性的模糊随机机会约束优先目标规划调度模型[J]. 电工技术学报, 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] 孙宇军, 王岩, 王蓓蓓, 等. 考虑需求响应不确定性的多时间尺度源荷互动决策方法[J]. 电力系统自动化, 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] 罗纯坚, 李姚旺, 许汉平, 等. 需求响应不确定性对日前优化调度的影响分析[J]. 电力系统自动化, 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, 刘君瑶, 等. 考虑需求响应不确定性的光伏微电网储能系统优化配置[J]. 电力系统保护与控制, 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] 王锡凡, 邵成成, 王秀丽, 等. 电动汽车充电负荷与调度控制策略综述[J]. 中国电机工程学报, 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] 钱甜甜, 李亚平, 郭晓蕊, 等. 基于时空活动模型的电动汽车充电功率计算和需求响应潜力评估[J]. 电力系统保护与控制, 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] 魏大钧, 张承慧, 孙波, 等. 基于分时电价的电动汽车充放电多目标优化调度[J]. 电网技术, 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] 杨晓东, 张有兵, 赵波, 等. 供需两侧协同优化的电动汽车充放电自动需求响应方法[J]. 中国电机工程学报, 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] 刘宝碇, 赵瑞清, 王纲. 不确定规划及应用[M]. 北京: 清华大学出版社, 2003.
[28] 董雷, 陈卉, 蒲天骄, 等. 基于模型预测控制的主动配电网多时间尺度动态优化调度[J]. 中国电机工程学报, 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, 杨朝现, 杨庆媛, 等. 用熵权法和改进TOPSIS模型评价高标准基本农田建设后效应[J]. 农业工程学报, 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, 蒋小亮, 杨卓, 等. 光伏集中并网电压约束下的准入容量与电压波动的评估方法[J]. 电网技术, 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] 张洪财, 胡泽春, 宋永华, 等. 考虑时空分布的电动汽车充电负荷预测方法[J]. 电力系统自动化, 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
Abstract 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.
Keywords：Uncertainty of source-load, fuzzy random chance constraint, DC distribution network, electric vehicle, day-ahead optimal dispatch
DOI:10.19595/j.cnki.1000-6753.tces.201295
中图分类号：TM732
国家重点研发计划资助项目（2018YFB0904700）。
收稿日期 2020-09-25
改稿日期 2020-11-02
金国彬 男，1977年生，副教授，硕士生导师，研究方向为新能源并网发电的高效、高电能质量接入和含新兴能源的智能电网。E-mail：jgbjgb2005@126.com
潘 狄 男，1996年生，硕士研究生，研究方向为直流配电网优化调度。E-mail：pandi_panda@qq.com（通信作者）
（编辑 赫蕾）