基于多層電價響應(yīng)機制的配電網(wǎng)" title="主動配電網(wǎng)" target="_blank">主動配電網(wǎng)源-網(wǎng)-荷協(xié)調(diào)方法

　　1研究背景

　　隨著可再生能源并網(wǎng)比例的持續(xù)增長，配電網(wǎng)的形態(tài)與運行方式正在發(fā)生巨大變化。分布式電源、主動負(fù)荷、儲能裝置及微電網(wǎng)的大量接入，使得以配電網(wǎng)為中心的源、網(wǎng)、荷均呈現(xiàn)出多元變化，為配電網(wǎng)的協(xié)調(diào)優(yōu)化帶來更多挑戰(zhàn)。這些挑戰(zhàn)主要可歸納為：

　　1）多元多層級主體協(xié)調(diào)問題。參與協(xié)調(diào)優(yōu)化的源、網(wǎng)、荷分屬于不同的利益主體；而配電網(wǎng)上直接并網(wǎng)的源、荷與微電網(wǎng)內(nèi)通過微電網(wǎng)間接并網(wǎng)配電網(wǎng)的源、荷運行特點又不同，如何處理不同層級上的不同利益主體，進行多級協(xié)調(diào)成為一大問題。

　　2）不確定性與風(fēng)險協(xié)調(diào)問題。風(fēng)電功率、電動汽車及空調(diào)負(fù)荷的不確定性，均會使得源-網(wǎng)-荷協(xié)調(diào)優(yōu)化模型變得模糊，如何處理每個利益主體的收益與風(fēng)險關(guān)系也成為一大問題。

　　本文將多智能體系統(tǒng)與多層電價響應(yīng)機制結(jié)合，以協(xié)調(diào)不同層級的多利益主體。配電網(wǎng)智能體不直接集中控制各分布式電源及主動負(fù)荷的發(fā)用電量，而是通過價格杠桿在多個層級間進行間接協(xié)調(diào)。在不同層級的優(yōu)化過程中，采用模糊機會約束規(guī)劃和可信性測度來處理不確定性和風(fēng)險，并通過等價類對機會約束條件進行轉(zhuǎn)化。采用蝙蝠算法和黃金分割法對多層模糊隨機規(guī)劃模型進行求解，解決可再生能源高滲透率配電網(wǎng)的源-網(wǎng)-荷協(xié)調(diào)優(yōu)化問題。

　　2基于多智能體的多層電價響應(yīng)

　　根據(jù)主動配電網(wǎng)內(nèi)各主體的功能屬性，定義如下5類智能體，分別為配電網(wǎng)智能體、虛擬電廠智能體、微電網(wǎng)智能體、多形態(tài)負(fù)荷智能體以及一次側(cè)能源智能體，如圖1所示。

　　圖1多智能體架構(gòu)

　　在此背景下，主動配電網(wǎng)多智能體系統(tǒng)包含核心協(xié)調(diào)層（ADNA）、直接協(xié)調(diào)層（VPPA與MGA）、間接協(xié)調(diào)層（微網(wǎng)內(nèi)PEAs、LAs），如圖2所示。處于上層的智能體對下層進行電價激勵，處于下層的智能體對上層電價進行功率響應(yīng)，這一多層電價響應(yīng)機制保證了不同層級智能體間利益協(xié)調(diào)的有序進行，原理類似于有序的多層規(guī)劃。

　　圖2多層電價響應(yīng)機制

　　多層電價響應(yīng)機制與傳統(tǒng)的市場交易機制不同，不需要集中市場交易平臺/中心，ADNA無需了解網(wǎng)內(nèi)各PEAs、LAs的成本與報價信息及進行大規(guī)模的集中計算，比較適用于市場參與者眾多的配電網(wǎng)市場；另外，該機制中PEAs、LAs等市場參與者可以主動參與協(xié)調(diào)過程，主動響應(yīng)電價并相應(yīng)調(diào)節(jié)功率。因此本文所提多層電價響應(yīng)機制是一種分散自律且體現(xiàn)參與者主動響應(yīng)的配電網(wǎng)市場模式。

　　3多層模糊機會約束的源-網(wǎng)-荷協(xié)調(diào)模型

　　1）核心協(xié)調(diào)層ADNA的優(yōu)化模型

　　在基于多智能體的多層電價響應(yīng)機制中，ADNA的優(yōu)化目標(biāo)是使得配電網(wǎng)的購電成本及不平衡成本總和最小化，決策配電網(wǎng)電價。

　　2）直接協(xié)調(diào)層VPPA的優(yōu)化模型

　　虛擬電廠智能體VPPA的優(yōu)化目標(biāo)是追求內(nèi)部PEAs及LAs收益的最大化。決策在某一配電網(wǎng)電價條件下，VPPA內(nèi)源-荷的響應(yīng)功率。通過協(xié)調(diào)優(yōu)化內(nèi)部電動汽車、常規(guī)火電機組、分布式風(fēng)電機組、空調(diào)可調(diào)度負(fù)荷等的運行狀態(tài)，來實現(xiàn)整體VPPA的收益最大化。

　　3）直接協(xié)調(diào)層MGA的優(yōu)化模型

　　微電網(wǎng)智能體MGA的優(yōu)化目標(biāo)與VPPA的作用方式不同。微電網(wǎng)是一個獨立的智能體主元，擁有獨立的優(yōu)化目標(biāo)，其利益與微電網(wǎng)上并網(wǎng)的源-荷存在博弈關(guān)系。微電網(wǎng)從并網(wǎng)的源-荷購電，而向上層并網(wǎng)的配電網(wǎng)售電。在某一配電網(wǎng)電價已知條件下，決策微電網(wǎng)電價。

　　4）間接協(xié)調(diào)層并網(wǎng)微電網(wǎng)的PEAs及LAs的優(yōu)化模型

　　并網(wǎng)微電網(wǎng)的PEAs及LAs會針對每一個微電網(wǎng)電價做出優(yōu)化響應(yīng)。決策在某一微電網(wǎng)電價條件下，并網(wǎng)微電網(wǎng)的PEAs及LAs的響應(yīng)功率?？梢园l(fā)現(xiàn)，這一過程與VPPA的優(yōu)化過程極為相似。只是參與優(yōu)化的PEAs及LAs不再是虛擬電廠內(nèi)的源、荷智能體，而是并網(wǎng)微電網(wǎng)的源、荷智能體。

　　4求解方法

　　基于多智能體多層電價響應(yīng)機制的模糊機會約束協(xié)調(diào)優(yōu)化模型包含大量模糊參數(shù)和模糊機會約束條件，數(shù)學(xué)性質(zhì)模糊，難以采用基于導(dǎo)數(shù)的優(yōu)化方法直接求解。本文采用等價類轉(zhuǎn)化的方式來處理模糊機會約束條件，將模糊機會約束轉(zhuǎn)化為確定性約束。采用基于模糊模擬的BP神經(jīng)元網(wǎng)絡(luò)逼近帶有模糊參數(shù)的目標(biāo)函數(shù)數(shù)學(xué)樂觀值。

　　經(jīng)過不確定性處理的優(yōu)化模型約束中已不含隨機變量，但目標(biāo)函數(shù)由BP神經(jīng)元網(wǎng)絡(luò)逼近，仍然難以用傳統(tǒng)優(yōu)化工具進行求解。同時，多層電價響應(yīng)機制中，要求對若干不同激勵電價下的響應(yīng)功率和成本進行計算，這樣的遍歷式尋優(yōu)思路效率極低，不適合實際應(yīng)用。因此，本文采用蝙蝠算法求解含BP神經(jīng)元的模型，采用黃金分割法模擬多層電價響應(yīng)機制。

　　5算例分析與討論

　　1）多層電價響應(yīng)機制對比分析

　　分別進行如下市場機制下的配電網(wǎng)源-網(wǎng)-荷協(xié)調(diào)優(yōu)化仿真：不計風(fēng)險的多層電價響應(yīng)機制；計及風(fēng)險的多層電價響應(yīng)機制；傳統(tǒng)集中市場機制。

　　可發(fā)現(xiàn)，不計風(fēng)險條件下多層電價響應(yīng)機制的配電網(wǎng)源-網(wǎng)-荷協(xié)調(diào)最優(yōu)電價與配網(wǎng)運行成本均與傳統(tǒng)集中市場模式相同。在這一模式下，市場參與者主動參與協(xié)調(diào)過程，同樣實現(xiàn)了社會效益最大化的市場目標(biāo)。而計及風(fēng)險的多層電價響應(yīng)模式下，與其他兩種模式相比配網(wǎng)最優(yōu)電價較低，這主要是因為本文模式計及風(fēng)險，允許存在一定的不平衡功率。同時，本文模式下配電網(wǎng)的成本也更低，這主要是因為計及風(fēng)險條件下，配網(wǎng)從PEAs及LAs購得發(fā)電功率更低，配網(wǎng)電價也更低。

　　2）考慮風(fēng)險對源-網(wǎng)-荷協(xié)調(diào)優(yōu)化的影響

　　不同的置信度水平可以反應(yīng)參與協(xié)調(diào)優(yōu)化智能體對風(fēng)險的接受程度。改變置信水平進行優(yōu)化計算。分別取置信水平為0.5，0.6，0.7，0.8，0.9進行仿真?？梢钥闯觯瑹o論對于何種電價，置信水平越高，VPPA的收益就越低。

　　不同的模糊參數(shù)刻畫方式體現(xiàn)了多智能體對風(fēng)險的靈活考慮與接受程度?？紤]采用三種隸屬度函數(shù)對模糊變量進行刻畫：①三角形模糊刻畫方案。②梯形模糊刻畫方案。③矩形模糊刻畫方案。結(jié)果可以看出，對于前兩種優(yōu)化方案而言，配電網(wǎng)的總成本均會隨置信水平的升高而增加。這主要是由于，機會約束的置信水平要求越高，說明參與調(diào)度主體對風(fēng)險的接受程度越小，優(yōu)化調(diào)度算法為實現(xiàn)這樣趨于保守的調(diào)度要求，會增加成本。

　　3）求解算法的計算精度與計算效率

　　將本文所提的結(jié)合蝙蝠算法的黃金分割法與其他由遺傳算法和模式搜索算法構(gòu)成的復(fù)合智能算法進行比較，計算結(jié)果如表1所示。

　　表1算法比較分析

　　由表1可見，從最優(yōu)電價看，本文所提算法與其他對比算法取得了相同精度的優(yōu)化結(jié)果。從計算效率上看，對于配電網(wǎng)而言算法1只需11次就完成了計算，與算法2持平，遠(yuǎn)低于算法3、4的34次。這主要是由于黃金分割法充分利用了配網(wǎng)成本與配網(wǎng)電價的單谷一維函數(shù)關(guān)系進行最優(yōu)電價搜索，計算高效；而模式搜索算法未計及這一單谷特性而反復(fù)放大搜索范圍進行試探，增加了計算次數(shù)。因此，結(jié)合蝙蝠算法的黃金分割法對于求解本文模型體現(xiàn)了良好的精確性與高效性。

　　6結(jié)論

　　1）多智能體系統(tǒng)可有效協(xié)調(diào)主動配電網(wǎng)環(huán)境下的源、網(wǎng)、荷利益主體，基于多智能體的多層電價響應(yīng)機制可對不同層級上復(fù)雜的源、網(wǎng)、荷結(jié)構(gòu)進行協(xié)調(diào)，充分發(fā)揮高比例可再生能源和主動負(fù)荷的潛力。

　　2）模糊參數(shù)和模糊機會約束規(guī)劃可以簡潔有效地處理可再生能源高滲透率電網(wǎng)的諸多不確定因素，計及各智能體對風(fēng)險的追求與厭惡程度。模糊機會約束的等價類轉(zhuǎn)化和結(jié)合BP神經(jīng)元網(wǎng)絡(luò)的模糊模擬可以有效簡化模糊規(guī)劃，而結(jié)合蝙蝠算法的黃金分割法使得多層電價響應(yīng)機制求解得到極大簡化。

　　3）本文對風(fēng)險的考慮僅為對模糊機會約束置信度水平的控制，可以進一步引入風(fēng)險考核指標(biāo)進行下一步深入研究。（徐熙林，宋依群，姚良忠，索瑞鴻，嚴(yán)正）

　　原標(biāo)題:上海交通大學(xué) 徐熙林，宋依群；中國電科院 姚良忠等：基于多層電價響應(yīng)機制的主動配電網(wǎng)源-網(wǎng)-荷協(xié)調(diào)方法