-
随着主动配电网中分布式资源(distributed energy resources，DERs)渗透率的不断提高，如何合理利用这些分散的、小规模的灵活性资源引起了广泛的关注[1]。同时，新一轮电改逐步进入深水区，国家发改委、国家能源局先后颁布《关于开展分布式发电市场化交易试点的通知》、《关于开展电力现货市场建设试点工作的通知》，标志着需求侧市场化交易帷幕的拉开。旨在通过引入市场竞争提高需求侧资源的能效利用率，促进自由公平的交易环境，提高了各主体参与电力市场的积极性，为用户和电网带来经济效益[1-2]。
然而，由于DERs资源规模大，容量小，多为分布于系统结构底层的中小型发用电用户，其灵活性资源的弹性水平达不到参与电力市场的门槛值[3]。针对此问题，负荷聚合商(aggregator，Agg)[4]、园区运营商[5]、电力零售商[6]等新市场主体概念相继被提出，他们作为DERs与市场的过渡层，可通过对资源进行整合降低市场价格带来的风险及资源的不确定性。同时，这种通过信息与物理技术相结合的运营模式也适应国网目前提出的“三型两网”战略目标。
但是，用户以经济收益为目标，空调(air condition，AC)、电动汽车(electric vehicle，EV)等灵活负荷在用电成本最小的经济目标驱使下在低电价时段集中用电会产生负荷峰值，这将导致配电网出现网络阻塞现象，危及配电网的安全运行。阻塞管理通过适当的价格手段，激励各类可灵活调度资源对市场价格信号的自发响应，以避免出现阻塞[7]。现阶段的配电网阻塞管理主要分为直接和间接两种手段。直接管理包括网络重构以及有功、无功功率控制[8-9]；间接管理主要是通过日前阻塞电价、日内影子价格以及灵活服务市场等经济手段对市场主体的发电或用电行为进行引导以避免阻塞现象的发生。有文献分析以上两类控制手段，认为直接管理应作为间接管理的备用，在用户没有充分响应市场信号时进行启动[10]。文献[7]分析了主动配电网采取阻塞管理的必要性，并对最优动态阻塞电价、线路容量预分配、配电容量市场这3种阻塞管理方法求解的复杂性和实现的可行性进行了比较。文献[11-12]建立了基于节点阻塞电价的EV充电双层优化模型，配电网管理员(distribution system operator，DSO)采用配电网节点电价(distribution location marginal price，DLMP)对EV充电行为进行引导以避免配电网阻塞。文献[13]则针对非严格凸优化问题结合DLMP实现阻塞管理会导致优化求解恶化进行分析，并证明了二次规划可以解决上述问题，进一步应用于热泵与EV。然而，随着光伏(photovoltaic，PV)渗透率的增高，反向功率进一步增大导致节点电压增大，因此阻塞问题不能仅限于线路过载[14-15]。此外，对于PV、AC、EV等DERs的日前预测数据与实时数据存在偏差，仅仅以确定性模型得到的日前调度计划可能在实时阶段不满足实际用电需求，同时也可能造成线路过载或节点电压越限等阻塞现象，进一步影响配网的安全、经济运行。
综上所述，本文构建了包括PV、EV、AC、储能系统(energy storage system，ESS)等DERs在内的主动配电网市场框架。框架内DSO考虑线路及电压约束，在日前-实时两阶段内通过发布DLMP引导Agg实现阻塞管理。最后，通过算例进行验证，结果表明在日前与实时阶段中保证了配电网线路容量和节点电压在允许的安全范围内，实现主动配电网的安全、经济运行。
-
本文构建的基于DLMP的主动配电网市场运行框架如图1所示。其中DERs包括PV、EV、AC、ESS,涉及主体为DSO与Agg，Agg在下层负责整合DERs并参与电力市场，DSO作为上层根据网络数据修正电价引导Agg避免网络阻塞。详细过程为在日前阶段，Agg收集其管辖下的PV、EV、AC、ESS等DERs的信息并把用电信息及预测电价上报给DSO，DSO主要负责配电网络校验并在保证用户需求的前提下以所有Agg支出费用最小为目标制定DLMP，若会发生阻塞，DSO则向各个Agg的预测电价上反馈阻塞电价，并引导Agg修改交易计划参与日前电力市场；实时阶段中，Agg收集实时的DERs信息，并提交功率计划给DSO，若存在阻塞，DSO再次反馈阻塞电价用于引导Agg修改交易计划，并参与实时电力市场。实际上，DSO是根据Agg的经济收益目标及配网安全进行了市场出清制定DLMP，既考虑了参与市场主体的利益并激励其响应电价又保证主动配电网的安全运行。
图 1 主动配电网市场运行框架
Figure 1. Market operational framework of the active distribution network
-
集群EV作为重要的可控负荷，在不影响用户出行的前提下，改变其充电计划既可以降低用户的充电成本，也可以促进新能源的消纳、维持电网安全稳定运行。集群EV的调度模型如下：
$$ 0 \leqslant {P_{{\rm{ev}},i,t}} \leqslant {P_{{\rm{ev}},\max ,i,t}} $$ (1) $$ {{SO}}{{{C}}_{{\rm{ev}},{\rm{min}}}} \leqslant {{SO}}{{{C}}_{{\rm{ev}},i,t}} \leqslant {{SO}}{{{C}}_{{\rm{ev}},{\rm{max}}}} $$ (2) $$ \begin{array}{*{20}{c}} {SO{C_{{\rm{ev}},i,t + 1}} = SO{C_{{\rm{ev}},i,t}} + E_i^{ - 1}\left( {{\eta _1}{P_{{\rm{ev}},i,t}} - } \right.}\\ {\left. {{P_{{\rm{ev}},{\rm{dch}},i,t}}/{\eta _2}} \right)\Delta t} \end{array} $$ (3) $$ {P_{{\rm{ev}},{\rm{ max }},i,t}} = {\lambda _{{\rm{avi}}}}(t){P_{{\rm{ev,cha}}}}{N_{{\rm{ev}},i}} $$ (4) $$ {P_{{\rm{ev}},{\rm{dch}},i,t}} = \left( {1 - {\lambda _{{\rm{avi}}}}(t)} \right){M_{\rm{c}}}{V_{\rm{e}}}(t){N_{{\rm{ev}},i}} $$ (5) 式中：Pev,i,t=[Pev,i,t,1,Pev,i,t,2,···,Pev,i,t,Nev,i]T和Pev,dch,i,t分别为第i个Agg在t时段所管理的Nev,i个EV群的充电功率和行驶时的放电功率，MW；Pev,max,i,t为EV的最大充电功率，MW；SOCev,i,t为第i个Agg在t时段所管理的EV群荷电状态；SOCev,max，SOCev,min分别为EV的最大和最小荷电状态；Ei是第i个Agg所管理的EV群电池容量，MW·h；η1和η2分别为充放电效率；Δt为时间间隔，h；λavi(t)为t时段EV停驶概率；Nev,i为第i个Agg辖下各个EV群所拥有的EV数量，即为Nev,i维列向量；Pev,cha为单辆EV的充电功率，MW；Mc为单位里程耗电量，MW·h/km；Ve(t)为EV的平均时速，km/h。本文假设与Agg签订协议的EV在停驶时连接充电装置。
-
楼宇AC可以在满足用户需求的前提下响应电网需求，其调度模型如下：
$${P_{{\rm{ac}},{\rm{min}},i}} \leqslant {P_{{\rm{ac}},i,t}} \leqslant {P_{{\rm{ac}},{\rm{max}},i}} $$ (6) $$ {T_{{\rm{in}},\min ,i}} \leqslant {T_{{\rm{in}},i,t}} \leqslant {T_{{\rm{in}},\max ,i}} $$ (7) $$ {T_{{\rm{in}},i,t + 1}} = {T_{{\rm{in}},i,t}} + \alpha \left( {{T_{{\rm{out}},i,t + 1}} - {T_{{\rm{in}},i,t}}} \right) - \gamma {P_{{\rm{ac}},i,t}}\Delta t $$ (8) 式中：Pac,i,t为第i个Agg在t时段所管理的楼宇AC耗电功率，MW；Pac,min,i和Pac,max,i分别为楼宇空调最小和最大耗电功率，MW；Tin,i,t为室内温度，℃；Tin,max,i和Tin,min,i分别为最大和最小室内温度，℃；Tout,i,t为室外温度，℃；α为房屋换热系数，γ为空调能耗系数。式(6)和式(7)分别是楼宇AC功率及室内温度的约束。式(8)是室内温度与楼宇AC功率的关系。
-
本文中的ESS采用蓄电池，其调度模型为：
$$ - {P_{{\rm{ess,max }},i}} \leqslant {P_{{\rm{ess}},i,t}} \leqslant {P_{{\rm{ess,max}},i}} $$ (9) $$ SO{C_{{\rm{ess}},{\rm{min}}}} \leqslant SO{C_{{\rm{ess}},i,t}} \leqslant SO{C_{{\rm{ess}},{\rm{max}}}} $$ (10) $$ SO{C_{{\rm{ess}},i,t + 1}} = SO{C_{{\rm{ess,}}i,t}} + E_{{\rm{ess}},i}^{ - 1}{P_{{\rm{ess}},i,t}}\Delta t $$ (11) $$ SO{C_{{\rm{ess}},i,t = 1}} = SO{C_{{\rm{ess}},i,t = 24}} $$ (12) 式中：Pess,i,t为第i个Agg在t时段所管理的ESS充放电功率，MW；Pess,max,i为ESS充放电功率的最大值；SOCess,i,t为ESS荷电状态；SOCess,max和SOCess,min分别为ESS荷电状态的最大值和最小值；Eess,i为第i个Agg辖下各个ESS的容量，MW·h。式(12)保证了ESS一天内的最初状态和最终状态保持一致。
-
由于参与市场交易的PV竞标量不应超过出力预测的最大值，即PV实际出力是在出力预测最大值的基础上进行一定的削减，因此本文的PV模型如下：
$$ {P_{{\rm{pv}},i,t}} = {P_{{\rm{pv,max}},i,t}} - {P_{{\rm{pv}} - ,i,t}} $$ (13) $$ 0 \leqslant {P_{{\rm{pv}} - ,i,t}} \leqslant {P_{{\rm{pv}},\max ,i,t}} $$ (14) 式中：Ppv-,i,t为第i个Agg在t时段管理的PV单元发电功率，MW；Ppv-,i,t为PV出力的削减值，MW；Ppv,max,i,t为PV出力预测最大值，MW。
-
在日前阶段，各个Agg根据自身基础负荷以及相关的历史数据预测日前市场交易价格并安排用电计划。采用的电价模型是对边际电价与功率关系曲线进行线性化[13]得到的：
$${y_{j,t}} = {c_t} + \beta {Q_{j,t}} $$ (15) 式中：yj,t为第j个节点在t时段的日前市场预测电价，该电价考虑了节点电价与电力市场供需平衡之间的关系；ct为日前基础电价，单位EUR，为系统基础负荷减去分布式发电后的净负荷对应的发电边际成本，这一部分负荷对电价信息并不敏感；β为电价敏感系数，单位EUR/MW·h，表征包括PV、EV、AC、ESS在内的DERs对电价的影响；Qj,t为第j个节点在t时段DERs的用电量，MW·h。
-
在主动配电网日前优化调度过程中，Agg在满足用户用电需求的同时，以自身支出最小为目标：
$$ {j_{i,t}} = \sum\limits_{j = 1}^{{n_{\rm{c}}}} {{y_{j,t}}} {Q_{j,t}} = \sum\limits_{j = 1}^{{n_{\rm{c}}}} {\left( {{c_t} + \beta {Q_{j,t}}} \right)} {Q_{j,t}} $$ (16) 式中：ji,t表示第i个Agg在t时段的支出。将式(16)用矩阵表示成二次规划的标准形式得：
$$ \begin{aligned} {J_{i,t}} = & \left( {\dfrac{1}{2}{Q}_{{\rm{ev}},i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{ev}},i,t}} + {{\left( {{c_t}{I}} \right)}^{\rm{T}}}{{Q}_{{\rm{ev}},i,t}}} \right) + \\ &{\left( {\dfrac{1}{2}{Q}_{{\rm{ac}},i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{ac}},i,t}} + {{\left( {{c_t}{I}} \right)}^{\rm{T}}}{{Q}_{{\rm{ac}},i,t}}} \right) + }\\ &{\left( {\dfrac{1}{2}{Q}_{{\rm{pv - }},i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{pv - }},i,t}} + {{\left( {{c_t}{I}} \right)}^{\rm{T}}}{{Q}_{{\rm{pv - }},i,t{\rm{ }}}}} \right) + }\\ &{\left( {\dfrac{1}{2}{Q}_{{\rm{ess}},i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{ess}},i,t}} + {{\left( {{c_t}{I}} \right)}^{\rm{T}}}{{Q}_{{\rm{ess}},i,t}}} \right)} \end{aligned} $$ (17) 式中：Qev,i,t，Qac,i,t，Qess,i,t分别为EV、AC、ESS的交易电量，MW·h；Qpv-,i,t为PV削减的电量，MW·h。B为反应节点电价的灵敏度矩阵，是由β组成的对角阵；I为单位矩阵。综上，第i个Agg的优化问题如下：
$$ \min \;\;\sum\limits_{t = 1}^{{N_{\rm{t}}}} {{J_{i,t}}} $$ (18) s.t.
(1)−(14)
-
DSO在得到各个Agg的交易计划后要校验其是否满足配电网的运行条件，即校验上报的交易计划是否会引起线路过载或节点电压越限。本文采用能够满足收敛性和精度要求的直流最优潮流(direct current optimal power flow，DCOPF)[13]计算线路潮流是否越限，其中，对电压进行线性化处理[16]，以便于对节点电压越限进行校验。具体校验过程如下：
$$ \begin{split} {{P}_{{\rm{inj}},t}} = \displaystyle\sum\limits_{i = 1}^{{N_{\rm{a}}}} &{\left( {{{C}_{{\rm{pv}},i}}{{P}_{{\rm{pv}},i,t}} - {{C}_{{\rm{ev}},i}}{{P}_{{\rm{ev}},i,t}} - {{C}_{{\rm{ac}},i}}{{P}_{{\rm{ac}},i,t}} - } \right.} \\ &\;\;\left. {{{C}_{{\rm{ess}},i}}{bm{P}_{{\rm{ess}},i,t}}} \right) - {P_{{\rm{c}},t}} \end{split} $$ (19) $$ - {F_{\max }} \leqslant D{P_{{\rm{inj }},t}} \leqslant {F_{\max }} $$ (20) $${V_t} = I{V_0} + 1/{V_0}{\mathop{\rm Re}\nolimits} \left( {Z{{\bar S}_t}} \right) $$ (21) $$ {V_{\min }} \leqslant {V_t} \leqslant {V_{\max }} $$ (22) 式中：Pinj,t为节点注入的有功功率，是nc维列向量，其中nc为配电网节点数，MW；Na为Agg的个数；Cev,i为第i个Agg辖下EV群的连接映射矩阵，为nc×nev,i维矩阵，其中nev,i为第i个Agg辖下EV群的个数；Cpv,i、Cac,i、Cess,i依次分别对应为第i个Agg辖下PV、AC、ESS的连接映射矩阵；Pc为系统的基础负荷，MW；D为直流功率传输分布因子(power transfer distribution factors，PTDF)；Fmax为线路容量的最大值，MW；Vt为节点电压标幺值；V0为系统平衡节点电压标幺值；Z为系统的节点阻抗矩阵；St为节点注入的复功率，MVA；Vmax和Vmin为系统节点电压的上下限，一般分别取1.05 pu和0.95 pu。式(21)和式(22)分别为线路容量约束和节点电压约束。
若校验发现上报的交易计划会引起网络阻塞，则将DSO由式(23)表示的原问题进行拉格朗日松弛，可得到L为目标的优化问题，见式(24)。
$$ \min \;\;\;\displaystyle\sum\limits_{i = 1}^{{N_{\rm a}}} {\displaystyle\sum\limits_{t = 1}^{{N_{\rm t}}} {{J_{i,t}}} } $$ (23) s.t.
(1)−(14), (19)−(22)
$$ \begin{split} L = \displaystyle\sum\limits_{i = 1}^{{N_{\rm{a}}}} &{\displaystyle\sum\limits_{t = 1}^{{N_{\rm{t}}}} {{J_{i,t}}} } + {\lambda _{1,t}}\left( {D{P_{{\rm{inj}},t{\rm{ }}}} - {F_{\max }}} \right) + \\ &\;\;\;\;\;\;{{\lambda _{2,t}}\left( { - {F_{\max }} - D{P_{{\rm{inj}},t}}} \right) + }\\ &\;\;\;\;\;\;{{\omega _{1,t}}\left( {{V_t} - {V_{\max }}} \right) + {\omega _{2,t}}\left( {{V_{\min }} - {V_t}} \right)} \end{split} $$ (24) 式中：λ1,t、λ2,t为反映线路容量约束的拉格朗日乘子；ω1,t、ω2,t为反映节点电压的拉格朗日乘子。对式(24)求偏导得到DLMP。这里以EV为例，得到式(25)、(26)，其中
$ {\hat \tau _{{\rm{ev}},i,t}}$ 为与EV相关的阻塞电价，单位EUR/MWh，同理可以得到与PV、AC、ESS相关的阻塞电价$ {\hat \tau _{{\rm{pv}},i,t}},{\hat \tau _{{\rm{ac}},i,t}},{\hat \tau _{{\rm{ess}},i,t}}$ 。$${\tau _{{\rm{ev}},i,t}} = \frac{{\partial L}}{{\partial {Q_{{\rm{ev}},i,t}}}} = {c_t}I + B{Q_{{\rm{ev}},i,t}} + {\hat \tau _{{\rm{ev}},i,t}} $$ (25) $${\hat \tau _{{\rm{ev}},i,t}} = \left( {{\lambda _1} - {\lambda _2}} \right)D{C_{{\rm{ev}},i}} + \left( {{\omega _1} - {\omega _2}} \right)R{C_{{\rm{ev}},i}} $$ (26) DSO对各个Agg上报的交易计划进行校验之后，将计算得到的阻塞电价分别反馈给各个Agg，Agg再根据得到的DLMP更改其交易计划。考虑DLMP后，第i个Agg在t时段的支出见式(27)。其上下层优化收敛的可行性证明见文献[13]。
$$ \begin{aligned} {J_{i,t}} = & \left[ {\dfrac{1}{2}{Q}_{{\rm{ev}},i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{ev}},i,t{\rm{ }}}} + \left( {{c_t}{I} + {{\hat \tau }_{{\rm{ev}},t{\rm{ }}}}} \right){{Q}_{{\rm{ev}},i,t}}} \right] + \\ & \left[ {\dfrac{1}{2}{Q}_{{\rm{ac}},i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{ac}},i,t{\rm{ }}}} + \left( {{c_t}{I} + {{\hat \tau }_{{\rm{ac}},t{\rm{ }}}}} \right){{Q}_{{\rm{ac}},i,t}}} \right] + \\ & \left[ {\dfrac{1}{2}{Q}_{{\rm{pv}} - ,i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{pv}} - ,i,t{\rm{ }}}} + \left( {{c_t}{I} + {{\hat \tau }_{{\rm{pv}},t{\rm{ }}}}} \right){{Q}_{{\rm{pv}} - ,i,t}}} \right] + \\ & \left[ {\dfrac{1}{2}{Q}_{{\rm{ess}},i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{ess}},i,t{\rm{ }}}} + \left( {{c_t}{I} + {{\hat \tau }_{{\rm{ess}},t{\rm{ }}}}} \right){{Q}_{{\rm{ess}},i,t}}} \right] \end{aligned} $$ (27) s.t.
(1)−(14)
-
在日前交易计划确定之后，各个Agg据此在日前市场进行交易。但由于实时阶段的光伏、环境温度情况与日前预测数据存在偏差，因此进一步导致日前交易计划与实时功率存在偏差。因此，在实时阶段有必要进行相应的阻塞管理对日前与实时存在的用电偏差进行调整，以避免实时阶段阻塞现象的发生，一般以5~15 min为一个控制周期[10]。
对于价格模型，与日前电价的预测模型相似，具体的电价模型如式下所示：
$$ y_{j,t}^* = c_t^* + \beta \Delta {Q_{j,t}} $$ (28) $$ c_t^* = {c_t} + \beta {Q_{{\rm{sum}}}} $$ (29) 式中：yi,t*为第j个节点在t时段无阻塞发生时的实时电价；ct*为实时基础电价，由日前基础电价ct、电价敏感系数β以及日前所有Agg的交易量Qsum所决定；ΔQj,t为t时段第j个节点在实时阶段相对于与日前所交易量的差值。
$$\begin{aligned} {{\hat J}_{i,t}} = & \left( {\frac{1}{2}{Q}_{{\rm{ev}},i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{ev}},i,t{\rm{ }}}} + {{\left( {c_t^ * {I}} \right)}^{\rm{T}}}\Delta {Q_{{\rm{ev}},i,t}}} \right) + \\ & \left( {\frac{1}{2}{Q}_{{\rm{ac}},i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{ac}},i,t{\rm{ }}}} + {{\left( {c_t^ * {I}} \right)}^{\rm{T}}}\Delta {Q_{{\rm{ac}},i,t}}} \right) + \\ & \left( {\frac{1}{2}{Q}_{{\rm{pv}} - ,i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{pv}} - ,i,t{\rm{ }}}} + {{\left( {c_t^ * {I}} \right)}^{\rm{T}}}\Delta {Q_{{\rm{pv}} - ,i,t}}} \right) + \\ & \left( {\frac{1}{2}{Q}_{{\rm{ess}},i,t}^{\rm{T}}{{B}_{i,t}}{{Q}_{{\rm{ess}},i,t{\rm{ }}}} + {{\left( {c_t^ * {I}} \right)}^{\rm{T}}}\Delta {Q_{{\rm{ess}},i,t}}} \right) \end{aligned} $$ (30) $$\min \;\;\;\;\sum\limits_{t = 1}^{{N_{\rm{t}}}} {{{\hat J}_{i,t}}} $$ (31) s.t.
(1)−(14)
在实时阶段，各个Agg的优化目标为调整偏差电量所支出的成本最小，如式(30)所示。由此可知Aggi的优化问题为式(31)。式(30)中，ΔQpv-,i,t、ΔQev,i,t、ΔQac,i,t、ΔQess,i,t为PV、EV、AC、ESS在实时阶段相对于日前计划的偏差电量。
后续的流程包括：各个Agg根据实时市场电价以及相较于日前计划的用电偏差量生成实时交易计划并上报DSO；DSO校验若发现线路容量或节点电压越限则计算DLMP并向各个Agg反馈；各个Agg再根据阻塞电价调整实时交易计划，此过程与日前阶段的阻塞管理相近，这里不再赘述。
实时阶段的阻塞管理是对日前阻塞调度的进一步完善和补充，最后得到本文提出的日前—实时两阶段阻塞管理完整流程见附录图A1。
图 A1 日前-实时阻塞管理流程图
Figure A1. Flow chart of congestion management including day-ahead and real-time
-
本文采用典型的IEEE33节点算例对本文所提出的主动配电网日前—实时两阶段阻塞管理模型的有效性进行仿真验证。
基于上述测试系统，本文对所提出的日前阻塞管理模型进行仿真验证，具体设置如下：
1）本文仿真在MATLAB 2017a平台上进行，并使用YALMIP结合GUROBI 8.0求解器对相关优化问题进行求解。
2）本文设置有2个Agg，其管辖PV、EV、分AC和ESS别接在不同的节点上，2个Agg所管理的DERs规模及接入位置分别见附录表A1、表A2。
表 A1 Agg1所管理的分布式资源
Table A1. Distributed energy resources managed by Agg1
分布式资源种类 规模 接入节点 17/18/21/25 光伏 4×1 MW 电动汽车 2×100辆 18/22 楼宇空调 2×600 kW 17/24 储能系统 4×1 MW·h 17/18/21/25 表 A2 Agg 2所管理的分布式资源
Table A2. Distributed energy resources managed by Agg 2
分布式资源种类 规模 接入节点 光伏 4×1 MW 16/17/24/33 电动汽车 2×100辆 17/23 楼宇空调 2×600 kW 16/32 储能系统 4×1 MW·h 16/17/24/33 3） 假设本文所采用的EV、ESS的相关参数都相同，如附录表A3中所示。
表 A3 EV、ESS相关参数
Table A3. Parameters for EV and ESS
相关参数 数值 EV最大充电功率 11 kW EV电池容量 25 kWh EV充放电效率 0.9 ESS最大充放电功率 600 kW 4） 本文采用欧洲电力市场某日的日前电价作为日前市场基础电价ct，相应的日前基础电价参考文献[5]。β取值为0.5 EUR/MW·h。
-
本文为验证所提出的阻塞管理模型在日前阻塞调度的有效性，分别对不进行阻塞管理、仅考虑线路容量越限的阻塞管理以及本文所提既考虑线路潮流又考虑节点电压越限的阻塞管理方法进行了比较，并通过算例仿真对其阻塞管理的效果进行验证和比较，得到的仿真结果如图2和图3所示。
图 2 各时段的线路负载率
Figure 2. Line load rate at different periods
图 3 各节点的电压幅值
Figure 3. Voltage magnitude of each node
图2是3-23节点所在线路在一天内线路容量变化情况。由图2可知，在凌晨2:00~4:00和夜间22:00~24:00，由于这些时段电价较低，若不进行阻塞管理，Agg为减小用电成本将会在这些时段集中用电导致线路容量远远超出允许范围；而考虑线路潮流越限的阻塞管理以及本文所提出的阻塞管理方法均可以保证线路容量不越限，同时也反映了在分布式资源比例不断上升的主动配电网中进行阻塞管理的必要性。
在 22:00~23:00 时段线路负载较重，此时极有可能出现节点电压越限的情况，故选取这一时段各个节点的电压幅值进行观察，如图3所示。可知，配电网线路末端 18 号节点在不进行阻塞管理时已低于0.8 pu；仅考虑线路容量的阻塞管理也不能使其维持在 0.95 pu 的标准之上；本文所提出的同时关注线路潮流及节点容量越限的阻塞管理方法可使其节点电压保持在允许范围内，验证了本文所提方法的有效性。
同时，本文所提出的阻塞管理方法对主动配电网内DERs的用电计划也将产生影响，相应的前后功率分布情况见附录图A2和附录图A3。
图 A2 未进行阻塞管理的日前功率曲线
Figure A2. Power profile in day-ahead stage without congestion management
图 A3 进行阻塞管理的日前功率曲线
Figure A3. Power profile in day-ahead stage with congestion management
-
为验证所提模型在实时阶段阻塞管理的效果，本文在设置仿真场景时主要考虑在实时阶段对光伏出力以及室外温度预测精度提高所带来的PV以及AC功率变化，对引起的配电网阻塞问题规避的有效性进行验证，其中在日中实时管理中以15 min为一个时间间隔进行阻塞管理。实时与日前阶段对光伏出力和室外温度预测的对比见图4和图5。为说明在实时阶段进行阻塞管理的必要性，与在实时阶段不进行阻塞管理的情况进行对比，如图6、7所示。仿真结果表明若在实时阶段不进行阻塞管理将会出现线路容量及节点电压越限。
图 4 日前和实时光伏出力预测
Figure 4. PV output forecast of day-ahead and real-time
图 5 日前和实时室外温度预测
Figure 5. Outdoor temperature forecast of day-ahead and real-time
为验证本文所提出的阻塞管理方法在实时阶段解决主动配电网阻塞问题的有效性，同样对比了无阻塞管理、仅考虑线路容量的阻塞管理以及本文所提阻塞管理方法下线路容量及节点电压的变化情况，其仿真结果验证了本文所提阻塞管理方法在实时阶段的有效性，以线路阻塞为例，可见图8，其功率分布情况见附录图4。
图 6 各时段的线路负载率
Figure 6. Line load rate at different periods
图 7 各节点的电压幅值
Figure 7. Voltage magnitude of each node
图 8 各时段的线路负载率
Figure 8. Line load rate at different periods
图 A4 进行阻塞管理的实时功率曲线
Figure A4. Power profile in real-time stage with congestion management
-
1） 建立的含EV、PV、ESS、AC等DERs的数学模型，可以在满足网络安全约束的前提下，实现日前阶段以参与市场主体的Agg调度成本最小，并且在实时阶段能够考虑DERs的不确定性，通过日前、实时功率偏差最小为目标制定DLMP，实现日前、实时两阶段的阻塞管理。
2） 提出的主动配电网日前、实时两阶段的阻塞管理方法，不仅考虑了线路过载问题，同时结合对电压采用线性化处理，可以有效保证节点电压幅值在安全波动范围内，适用于配电网运行环境。
3） 通过仿真算例验证说明提出的基于DLMP的阻塞管理方法能够在日前和实时两阶段内给系统运行中的线路进行扩容并保证节点电压处于允许范围内。其管理方法通过引入市场竞争可以提高需求侧资源的能效利用率、促进自由公平的交易环境，保证了含高比例的DERs的主动配电网的安全运行。
下一步研究工作将尝试采用分布式控制方法实现本文所提出的阻塞调度策略，以应对未来主动配电网高比例DERs所带来的拓扑结构多变、用户信息安全及DSO计算负担等问题。
（本刊附录请见网络版，印刷版略）
Day-ahead and Real-time Congestion Management of Active Distribution Network Based on Distribution Location Marginal Price
-
摘要: 在主动配电网中分布式资源(distributed energy resources，DERs)渗透率不断上升及电力市场改革不断推进的背景下，高比例DERs引起的线路过载和节点电压越限等网络阻塞现象不容忽视。针对主动配电网的阻塞问题，该文提出基于配电网节点电价(distribution location marginal price，DLMP)的日前-实时阻塞管理模型。在日前阶段，各负荷聚合商(aggregator，Agg)首先预测日前市场电价并收集相关DERs信息，然后配电网管理员在保证用户用电需求的同时使其用电支出最小，并兼顾网络约束制定DLMP发布给Agg，Agg得到日前交易计划；在实时阶段，各Agg更新DERs信息，并根据配电网管理员更新的DLMP重新调整日前交易产生的偏差。最后，通过IEEE33节点算例进行仿真验证，结果表明提出的阻塞管理模型可以有效解决主动配电网在日前和实时两阶段的阻塞问题，保证线路容量及节点电压在允许的安全范围内。Abstract: Under the background of increasing distributed energy resources raising in the active distribution network and the advancing power market reform, the network congestion caused by high proportion of DERs cannot be ignored. To deal with this problem, this paper proposed a day-ahead and real-time congestion management model based on the distribution location marginal price (DLMP). In the day-ahead stage, the aggregators firstly predict the day-ahead market price and collect relative DERs information. Secondly, the distribution system operator (DSO) receives data from aggregators and distributes DLMPs to all aggregators with the goal of minimizing the consumed energy expenditure while meeting the network constraints. Finally aggregators make the day-ahead transaction scheme based on DLMP. In the real-time stage, the aggregators regulate the deviation of the day-ahead transaction with the more accurate prediction of the DERs based on the updating DLMP from DSO. Finally, the simulations were implemented by using the IEEE 33 bus system, and the results show that the proposed congestion management model can effectively solve the network congestion of the active distribution network both in the day-ahead and real-time stages, which avoids line overloading and node voltage beyond the limitations.ons.
-
图 1 主动配电网市场运行框架
Figure 1. Market operational framework of the active distribution network
A1 日前-实时阻塞管理流程图
A1. Flow chart of congestion management including day-ahead and real-time
A1 Agg1所管理的分布式资源
A1. Distributed energy resources managed by Agg1
分布式资源种类 规模 接入节点 17/18/21/25 光伏 4×1 MW 电动汽车 2×100辆 18/22 楼宇空调 2×600 kW 17/24 储能系统 4×1 MW·h 17/18/21/25 
下载: 导出CSV
A2 Agg 2所管理的分布式资源
A2. Distributed energy resources managed by Agg 2
分布式资源种类 规模 接入节点 光伏 4×1 MW 16/17/24/33 电动汽车 2×100辆 17/23 楼宇空调 2×600 kW 16/32 储能系统 4×1 MW·h 16/17/24/33
下载: 导出CSV
A3 EV、ESS相关参数
A3. Parameters for EV and ESS
相关参数 数值 EV最大充电功率 11 kW EV电池容量 25 kWh EV充放电效率 0.9 ESS最大充放电功率 600 kW
下载: 导出CSV
-
[1] 胡俊杰, 王坤宇, 艾欣, 等. 交互能源: 实现电力能源系统平衡的有效机制[J]. 中国电机工程学报,2019,39(4):953 − 965. HU Junjie, WANG Kunyu, AI Xin, et al. Transactive energy: an effective mechanism for balancing electric energy system[J]. Proceedings of the CSEE,2019,39(4):953 − 965(in Chinese). [2] 肖云鹏, 王锡凡, 王秀丽, 等. 面向高比例可再生能源的电力市场研究综述[J]. 中国电机工程学报,2018,38(3):663 − 674. XIAO Yunpeng, WANG Xifan, WANG Xiuli, et al. Review on electricity market towards high proportion of renewable energy[J]. Proceedings of the CSEE,2018,38(3):663 − 674(in Chinese). [3] 刘文霞, 王舒, 张雯程, 等. 考虑需求侧电价的配电网储能设备运行策略与容量的协调优化[J]. 现代电力,2018,35(5):74 − 82. LIU Wenxia, WANG Shu, ZHANG Wencheng, et al. The coordination optimization method of operation strategy and capacity of energy storage devices in distribution network considering demand side electricity price[J]. Modern Electric Power,2018,35(5):74 − 82(in Chinese). [4] 姬源, 黄育松. 基于负荷聚集商的多家庭能量管理系统建模[J]. 现代电力,2018,35(2):16 − 21. doi: 10.3969/j.issn.1007-2322.2018.02.003 JI Yuan, HUANG Yusong. Energy management modeling for mulpiple families based on load aggregator services[J]. Modern Electric Power,2018,35(2):16 − 21(in Chinese). doi: 10.3969/j.issn.1007-2322.2018.02.003 [5] 吴界辰, 艾欣, 张艳, 等. 配售分离环境下高比例分布式能源园区电能日前优化调度[J]. 电网技术,2018,42(6):1709 − 1717. WU Jiechen, AI Xin, ZHANG Yan, et al. Day-ahead optimal scheduling for high penetration of distributed energy resources in community under separated distribution and retail operational environment[J]. Power System Technology,2018,42(6):1709 − 1717(in Chinese). [6] 任洪波, 吴琼, 刘家明. 耦合区域售电服务的分布式能源产消者经济优化与能效评估[J]. 中国电机工程学报,2018,38(13):3756 − 3766, 4017. REN Hongbo, WU Qiong, LIU Jiaming. Economic optimization and energy assessment of distributed energy prosumer coupling local electricit[J]. Proceedings of the CSEE,2018,38(13):3756 − 3766, 4017(in Chinese). [7] VERZIJLBERGH R A, VRIES L J D, LUKSZO Z. Renewable energy sources and responsive demand. do we need congestion management in the distribution grid?[J]. IEEE Transactions on Power Systems,2014,29(5):2119 − 2128. doi: 10.1109/TPWRS.2014.2300941 [8] PENG Q, TANG Y, LOW S H. Feeder reconfiguration in distribution networks based on convex relaxation of OPF[J]. IEEE Transactions on Power Systems,2015,30(4):1793 − 1804. doi: 10.1109/TPWRS.2014.2356513 [9] TANG N, XIA M, XIAO W, et al. Multi-objective expansion planning of active distribution systems considering distributed generator types and uncertainties[J]. Dianli Xitong Zidonghua/Automation of Electric Power Systems,2015,39(8):45 − 52. [10] HUANG Shaojun, WU Qiuwei, LIU Zhaoxi, et al. Review of congestion management methods for distribution networks with high penetration of distributed energy resources[C]// Innovative Smart Grid Technologies Conference Europe. Istanbul, Turkey: IEEE, 2014: 1 − 6. [11] 麻秀范, 王超, 洪潇, 等. 基于节点阻塞电价的电动汽车双层充电优化策略[J]. 电网技术,2016,40(12):3706 − 3714. MA Xiufan, WANG Chao, HONG Xiao, et al. A two layer model for electric vehicle charging optimization based on location marginal congestion price[J]. Power System Technology,2016,40(12):3706 − 3714(in Chinese). [12] 刘伟佳, 吴秋伟, 文福拴, 等. 电动汽车和可控负荷参与配电系统阻塞管理的市场机制[J]. 电力系统自动化,2014,38(24):26 − 33, 101. doi: 10.7500/AEPS20131104003 LIU Weijia, WU Qiuwei, WEN Fushuan, et al. A market mechanism for participation of electric vehicles and dispatchable loads in distribution system congestion management[J]. Automation of Electric Power Systems,2014,38(24):26 − 33, 101(in Chinese). doi: 10.7500/AEPS20131104003 [13] HUANG Shaojun, WU Qiuwei, OREN S S, et al. Distribution locational marginal pricing through quadratic programming for congestion management in distribution networks[J]. IEEE Transactions on Power System,2015,30(4):2170 − 2178. [14] 蔡永翔, 唐巍, 徐鸥洋, 等. 含高比例户用光伏的低压配电网电压控制研究综述[J]. 电网技术,2018,42(1):220 − 229. CAI Yongxiang, TANG Wei, XU Ouyang, et al. Review of voltage control research in lv distribution network with high proportion of residential PVs[J]. Power System Technology,2018,42(1):220 − 229(in Chinese). [15] 孙辉, 沈钟浩, 周玮, 等. 电动汽车群响应的主动配电网阻塞调度研究[J]. 中国电机工程学报,2017,37(19):5549 − 5559. SUN Hui, SHEN Zhonghao, ZHOU Wei, et al. Congestion dispatch research of active distribution network with electric vehicle group response[J]. Proceedings of the CSEE,2017,37(19):5549 − 5559(in Chinese). [16] BOLOGNANI S, ZAMPIERI S. On the existence and linear approximation of the power flow solution in power distribution networks[J]. IEEE Transactions on Power Systems,2016,31(1):163 − 172. doi: 10.1109/TPWRS.2015.2395452 -
点击查看大图
图(12) / 表 (3)
计量
- 文章访问数: 480
- HTML全文浏览量: 76
- PDF下载量: 26
- 被引次数: 0
