摘要
主动配电网(Active Ditribution Network, ADN)的多"源"化发展催生了储能技术的迅速提高和智能化家居的发展,与此同时电动汽车也逐渐在社会经济中崭露头角.这一系列的负荷侧发展使得柔性负荷主动的参与电网调度的可能性逐步提高.随着大量可再生能源和分布式电源接入主动配电网,储能和柔性负荷参与调度可以为配电网的经济稳定运行和负荷曲线的削峰填谷作出更大贡献,这在"源-网-荷"协调调度中十分重要.
本文首先将配电网从"源"侧不同的发电装置到"荷"侧不同的负荷类型以及储能装置进行物理特性解构分析.基于以上理论分析,在考虑风电和光伏出力的不确定性的前提下,本文结合多时间尺度思想对ADN进行日前-日内的分时段优化调度策略设计.首先构架了主动配电网的流程框架,将调度框架分三个控制层面和一个ADN主调度中心,作出了优化调度日的信息流和能量流.以"源""荷"特性分析为基础,对可调度单元进行数学建模,以多时间尺度为基础,建立两个时间尺度互补的ADN优化调度模型.日前调度将调度日按每1小时为一个调度时段,共分为24个时段进行优化,目标为调度日ADN总运行成本最小.日内调度将调度日按每15分钟为一个调度时段,共分为96个时段进行优化,目标为可调度量的调整量最小和新能源的消纳量最大,以此促进主动配电网的网内资源优化.
本文采用改进帝国竞争算法作为优化调度模型的求解算法.在对帝国竞争算法进行了基于微分算子的改进后,不仅增强了群体多样性,并且保留了群体中的优秀个体,体现了适者生存的进化思想.在多种算法的比较下,证明了该改进算法具有较强的收敛性和运算速度,且不易陷入局部最优.
最后在改进IEEE33配网节点算例下采用改进帝国竞争算法对所提调度模型进行编程仿真.仿真结果表示,本文所提出的多源协同优化调度策略可以明显降低调度8的运行费用,并且在该调度日,新能源的消纳率有明显的提升.证明了本文所提模型策略的有效性和实用性.
关键字:主动配电网,多源协同,多时间尺度,改进帝国竞争算法,新能源消纳
abstract
The multi-source development of the active distribution network has led to the rapidimprovement of energy storage technology and the development of itelligent homes. At thesame time, electric vehicles have gradually emerged in the social economy. This series ofload-side developments has led to a gradual increase in the likelihood that flexible loads willactively participate in grid scheduling. With a large number of renewable energy sources anddistributed power sources connected to the active distribution network, energy storage andflexible load participation scheduling can make greater progress in achieving peak-shaving andvalley-shaping and improving the flexible regulation of the distribution network.It is also animportant part of the active distribution network "source-network-load" coordinated scheduling.
In this paper, the physical characteristics of all kinds of power supply and load acepted byactive distribution network are analyzed and classified, and the distribution network isdecomstructed and analyzed from different power generation devices on the "source" side todifferent load types and energy storage devices on the "load" side. Based on the abovetheoretical analysis, on the premise of considering the uncertainty of wind power andphotovoltaic output, this paper combines the idea of multi-time scale to design the pre-day andintra-day optimal scheduling strategy for ADN. Firstly, the process framework of activedistribution network is constructed, and the dispatching framework is divided into three controllevels and ADN main dispatching center, and the information flow and energy flow on thescheduling day are optimized. Based on the analysis of the characteristics of "source" and"load", the mathematical modeling of schedulable unit is carried ou, and the ADN optimalscheduling model with complementary time scales is established on the basis of multi-time scale.The day-to-day scheduling is divided into 24 periods to optimize the scheduling day according to each hour, and the goal is to minimize the total operating cost of ADN on the scheduling day.Intra-day scheduling is divided into 96 periods according to every 15 minutes, the goal is the minimum adjustment of adjustable metric and the largest amount of new energy absorption, so as to promote the optimization of the in-network resources of the active distribution network.
This paper uses DE-ICA as the algorithm for solving the optimal scheduling model. After the improvement of the Empire competition algorithm based on differential operators, it not only enhances the diversity of the group, but also retains the outstanding individuals in the group, reflecting the evolutionary thinking of the survival of the fittest. Under the comparison of various algorithms, it is proved that the improved algorithm has strong convergence and operation speed, and it is not easy to fall into local optimum.
Finally, in the improved IEEE33 node example, the proposed scheduling model is simulated by DE-ICA. The simulation results show that the multi-source collaborative optimization scheduling strategy proposed in this paper can significantly reduce the running cost of the scheduling day, and the new energy consumption rate is significantly improved on the scheduling day. It proves the validity and practicability of the proposed model strategy.
Keywords: active distribution network; multi-source collaboration; multi-time scale; DE-ICA; new energy consumption
目 录
1 绪论···················································1
1.1 研究背景及意义·············································1
1.2 国内外研究现状·············································2
1.2.1 主动配电网优化调度········································· 2
1.2.2 主动配电网示范应用········································ 3
1.3 本文主要工作··············································4
2 主动配电网"源""荷"特性分析·········································7
2.1 主动配电网"源"特性分析········································· 7
2.1.1 风力发电系统············································· 7
2.1.2 光伏发电系统············································· 9
2.1.4 微型燃气轮机单元···········································10
2.1.5 储能单元················································· 11
2.2 主动配电网"荷"特性分析··········································· 15
2.2.1 电动汽车充电站··············································15
2.2.2 柔性负荷················································17
2.3 多源协同总体调度策略分析·································· 18
2.4 本章小结················································· 20
3 主动配电网多维调度模型···········································23
3.1 主动配电网多时间尺度优化调度策略····································· 23
3.1.1 日前调度优化·············································23
3.1.2 日内调度优化·············································24
3.1.3 主动配电网优化调度信息流及能量流·································· 26
3.1.4AHP-熵权法确定调度优先级·································· 27
3.2 主动配电网协同优化调度数学模型····································· 28
3.2.1 储能调度成本··············································28
3.2.2 可控分布式电源调度成本·········································29
3.2.3 广义柔性负荷调度成本···········································29
3.2.4 电动汽车调度成本···········································31
3.3 多时间尺度调度模型··········································· 32
3.3.1 日前计划调度模型··········································32
3.3.2 日内滚动调度模型·········································35
3.4 改进帝国竞争算法············································ 38
3.4.1 基于微分进化算子改进帝国竞争算法···································· 39
3.4.3 算法验证·················································40
3.5 本章小结················································· 43
4 主动配电网多源协同优化调度仿真验证·····································45
4.1 算例描述及参数设置············································ 45
4.2 仿真结果分析··············································· 50
4.2.1 日前优化结果分析············································50
4.2.2 日内优化结果分析············································53
4.3 本章小结················································· 57
5 结论与展望················································· 59
5.1 结论··················································· 59
5.2 展望··················································· 59
致谢····················································· 61
参考文献·················································· 63
攻读硕士期间取得的研究成果·········································· 69
1 绪论
1.1 研究背景及意义
社会的电气化是国家发展的基石,它作为支柱能源支撑着这个时代下的国民经济发 展.自 20 世纪末以来,全球掀起新能源革命浪潮,其对全世界造成的影响体现在能源行 业发展中的措手不及和转型的决心.从 20 世纪末期开始,发达国家开始着手研究分布式 发电(Distributed Generation,DG)、可再生能源(Renewable Energy Source,RES)、 微电网(Micro-Grid,MG)、高速光纤通信和电力市场,电力行业逐步翻开新的篇章. 当前热烈开展的 RES 开发利用和智能电网的建设,昭示着电网第三节点发展和建设的序 幕已经缓缓拉开.
随着负荷侧 DG、分布式储能(电动汽车)的增加和需求侧响应的能动性逐年提高, 电网"受血处"逐渐可以分担大电网的"造血",出现了大量可以主动调节的可控资源, 而传统的配电网没有能力对接入的新型"造血"单元进行调控,无法适应其分散且间歇出 力的特点,对"血液"的吸收造成了一定程度上的影响,迫切需要研发新的配电网规划与 运行技术.
新能源的接入为大电网注入了新的活力,在缓解化石能源逐渐枯竭和减少传统燃料对 环境的污染的前提下,也同时具有着发电量大的特点.所以新能源的研发利用在配电网中 具有十分重要的时代意义.由于太阳能和风能具有可再生、资源丰富、且无污染等优点, 受到全世界范围的着重关注,各国均针对太阳能和风能展开了开发研究,逐步提高新能源 发电在电能生产中的占比,减少化石能源的利用,从而减小 CO2 等温室及污染气体的排 放.我国拥有较为丰富的可再生资源,国家发展和改革委员会指出,在当前大量消耗煤、 石油、天然气等常规化石能源的背景下,我国必须走可持续发展道路,加强特别是太阳能 和风能等新能源的开发和利用[2].在我国国家政策的出台和大力支持下,太阳能、风能发 电技术日趋成熟,其作为新能源的发电成本逐年降低,风光的发电规模也随之发展,装机 容量在大环境驱使下不断攀升.在我国"十二五"期间,风电和光伏装机容量年均增速分别 为 34%、178%,在当今世界中新能源的发展规模均保持了高水平的增速. 由于新能源发电与我们的大多火电或水电机组发电都有着十分明显的区别,普通的机 组发电过程鲁棒性较强,不易受环境等因素影响,而风电与光伏发电都受环境和气候影响.
由于这样众所周知的随机性和波动性的存在,使得风电的最终输出功率会有很强的波动 性,其波动频率也没有固定的规律,以至于弃风量严重超过了利用量.光伏发电的输出功 率受光照强度变化影响,而光照强度受气象因素的影响较大,尤其在多云天气,光照强度的波动性较大,光伏发电的输出功率波动也较大,且光伏发电集中在白天,晚上出力为零,在全天呈现出随机性强的特征.传统配电网无论是调度模式还是能量管理的方式都相对落后,严重限制了间歇性可再生能源的有效利用,不利于能源布局从燃料型能源向清洁型能源的转换,针对上述现状,2008年CIGREC6.11工作组发布的研究报告采用了"activedistributionnetwork(ADN)"的术语,即就是主动配电网作为官方概念的正式提出.
与传统配电网相比,主动配电网在各个方面都将有着新的表现形式.尤其重要的一点就是在"源""荷"两侧都将接入不同的可控单元,如"源"侧接入可控分布式发电(ControllableDistributionGeneration,CDG)单元,"荷"侧接入电动汽车(ElectricVehicle,EV)单元、储能(EnergyStorageSystem,ESS)单元等,主动配电网纳入的这些新单元在电网调度人员看来都是可以受控的单元,这些单元的接入将为ADN带来更加多样的调度情况和运行情况.通过对各个可控单元的适应性调控,可以达到风电和光伏消纳率的提高,增加网内能源的利用率,减少发电单元的备用容量,更新电网的调度方式,加强用户的能动性体验和电网的交互能力等,保证电网的安全稳定运行.主动配电网的建设目标是提升配电网对RES的消纳能力,降低配电网运行过程中的峰谷差和综合网损,满足用户侧对电能质量的要求,以有效手段加强用户参与电网优化的积极性,将网内电气设备的利用率最大化,显着增加网内资源的利用率[3].
1.2国内外研究现状
1.2.1主动配电网优化调度
与传统意义上的配电网相比较,主动配电网更多的是从调度策略方面挖掘更多的内涵和内容,ADN将系统作为一个整体对其进行充分挖掘并且合理的利用了系统的灵活调节能力,实现了优化经济运行和安全性、灵活性的共同保障[4].在ADN系统中,多源协同优化调度下的控制变量除了与传统配电网相同的可控分布式单元外,还涉及了新能源发电的DG单元.在当前的考虑下,新能源控制模式均采用MPPT(最大功率点跟踪)控制模式,本文考虑的新能源均为电网所有的全额收购运营.
在主动配电网的建模及新技术方面:国内学者黄媚等就接入主动配电网的分布式单元、ESS单元以及可削减负荷等进行了设计建模,在此基础上提出了一种ADN优化运行的计算模型及算法.国内学者王晓辉等人基于ADN中接入新能源的不确定性研究设计了ADN的态势感知整体架构[5].态势感知技术的研究为ADN多源协同优化调度提供了平台数据上的支撑.以该平台为基础建立了优化调度运行的多场景调度框架.国内学者王博等人以配网安全域为基础结合DG与微电网的概念首先提出了DG、微网运行域[6]:文章中该概念将分布式与微电网的出力范围进行描述,使得其可以在配网安全运行的前提下将分布式及微电网纳入主动调度考虑范围.
在主动配电网对分布式电源的能量管理和优化调度方面:山东理工大学的窦震海教授 等人就 ADN 网内调度问题,以运营公司的收益最大化为目标,在考虑网损的前提下,首 先提出了一种日前优化调度模型[7].国外学者 Mazidi M 从用户角度出发,考虑实时电价, 建立了以用电成本最小为目标的日前优化模型[8].国外学者 Borghetti A 在考虑 DG 发电为 配电网带来的电压偏差的角度,从 DG 发电效益出发,建立了 ADN 短期优化模型[9].由 于单一的时间调度单位在优化中无法完全体现 ADN 运行的灵活和主动性:国外学者 Pilo F 等在单一尺度的基础上发展出了两阶段调度的方法,首先优化次日的 DG 出力作为日前 调度,接着在满足配网运行和限制下作出日中调度[10].国内学者黄伟教授做出了各种思 考,借由负荷和新能源的预测,构建起智能配电网下 DG 的日前-实时的 ADN 优化调度模 型,并且采用了微分进化算法对其进行寻优.同时对 ADN 网内经济性和及时性作出了保 障[11,12].国内学者高亚静从社会环境角度出发,在 ADN 日前-实时调度建模中引入可中断 负荷约束,目标设置为运营单位的利益及环境排放指数[13].在针对间歇性可再生能源消 纳问题的主动配电网优化调度策略方面:我国和部分国外学者的研究侧重点主要放在了源 -网-荷互动、源侧和荷侧的配合调度及风储、光储配合出力的研究.由于 ADN 大量的引 入新能源发电装置,鼓励用电用户主动的参与电网调度,将传统负荷逐渐发展为柔性负荷, 大量的利用柔性负荷的调节特点或采取相应的控制手段对柔性负荷方面进行控制调节,使 其天然的"荷"特性可以最大化发挥,配合储能装置更好的平滑可再生能源的大规模接入 造成的发电齿形出力.
1.2.2 主动配电网示范应用
着眼于未来,随着配电网日趋智能化,不断地向着主动配电网前进,在迈进智能电网 的途中,主动配电网将是不可或缺的一步.
国外的 ADN 示范工程的展开相比国内要早一步,主要有比如由欧盟组织开发的 ADINE 示范工程、美国劳伦斯伯克利国家实验室的 openADR1.0 等[14].在这两个示范工 程中,ADINE 采用了高端的通信技术将网内信息做以整合,同时配备有完备的自动化技 术,实时模拟不可控 DG 的接入.该工程的成功也意味着 ADN 管理技术将更加有序的对 ADN 网内的新能源进行匹配消纳同时提高了主动配电网内的电能质量并且抑制了部分的 不良影响.而 09 年的 openADR1.0 由本质来讲应该是国际方面首例需求响应工程.与这 些典型示范工程相对的,国际方面由 2000 以来,澳大利亚、法国、德国、加拿大、日本 也都逐步展开对能效等级和需求侧主动参与调度的研究.各国纷纷采用不同的方式方法, 譬如:试点运行、智能电表发送需求信息、电价激励、安装智能装置等,对需求侧的情况 进行了深入研究,进而更好的掌握主动配电网"主动"的调节,也都达到了不同意义上的 智能控制或削峰填谷.同时,各国的研究人员也针对新能源接入配电网这一现象进行了着 重探讨,逐渐开始有意识的对新能源进行接纳和消纳,为了更好的对不可控 DG 进行消纳, 日本建立了新的示范工程作为提高消纳率的研究项目.可以肯定的是,国外的 ADN 研究方向在短期内趋向于 DG 的并网、选址定容、标准制定等方面.
我国作为发展中国家,在 ADN 的研究方面着手并没有发达国家早,在技术上存在一 些待改进的点,一些 ADN 技术也确实并没有做到普及和应用.但近年来,由于国家的大 力支持和政策上的鼓励,在研究人员和技术人员的努力下,部分地区已形成的 ADN 示范 工程如:温州南麂岛项目、珠海东澳岛项目、贵州清镇的 ADN 教学示范系统[14]、福建海 西厦门岛项目、广东三水佛山区项目.其中贵州清镇的主动配电网系统网内纳入的"源" 侧单元有风电、光伏、储能系统、冷热电联供系统."源"侧的多样性使得相互配合得到 了实现,进一步提高了资源利用率.福建海西厦门岛项目在纳入多种清洁能源的基础上 (PV 总量不低于 60kW、城市垃圾再处理发电不低于 2MW、冷热电联供不低于 150MW) 也同时接入了不低于 5MW 的电动汽车充电桩,灵活储能装置采用了不小于 1MW/2MWh 的储能车.据悉,网内负荷不低于 120MW[15].与广东三水佛山区项目的主动管理和自主 协同控制虽有不同,但新能源的消纳率均达到了 100%,供电可靠率均为可喜的 99.99%. 在国内开展 ADN 试验项目的大趋势下,北京、江苏、山东等地区已经可以和用户以软件 或手机信息的方式进行沟通和在线监测.近年来,电动汽车作为新能源汽车逐步趋于成熟, 截止到 2018 年,国内电动汽车(新能源)以激增至 2610000 辆,国内占比 0.0109.较之 2017 年全国数据又增量 1070000 辆,增长了近七成.数据结果表明,2013-2018 年国内新 能源汽车的年均增量呈高增长型,为 500000 辆,智能电表的实际安装量约为 4 亿左右, 这一系列的数据也奠定了我国分布式发电和主动配电网发展的前景.国内学者近年来的研 究重点多为 DG 接入大电网后的继电保护方向和控制方向,还有相关的 DG 选址定容,随 机潮流、无功补偿算法等.
1.3 本文主要工作
在阅读和理解国内外已发表成果的基础上,本文以主动配电网为基础构架,围绕多源 协同优化调度问题展开研究.分析主动配电网内各出力单元和负荷单元的物理特性并且选 择合适模型,分析可调度资源的调度特性,同时结合多时间尺度思想,将调度策略分为日 前优化调度和日内优化调度.根据提出的策略以不同的目标建立调度模型.提出基于微分 算子改进的帝国竞争算法作为本文计算仿真的主导算法,简要阐述其发展及改进策略,并 验证了改进的可行性.以上策略、模型及算法在 MATLAB 中采用改进 IEEE33 节点配网 的编程仿真完成,并分析仿真结果.本文具体安排如下:
(1)第一章为绪论,简介配电网和新能源的发展历程及主要难题、主动配电网和多 源协同的研究现状和未来研究空间,针对性的选取了部分当下国内外研究人员的主要研究 方向和研究内容做简单阐述,并对国内外的主动配电网典型示范工程进行了叙述.
(2)第二章从物理特性出发分析了"源"、"荷"侧的各发电和负荷单元,根据不同的 物理特性对各个单元进行模型建立.着重分析了新能源的出力模型和柔性负荷的调度模型.针对广义柔性负荷,分别列出了具有代表性的大型工业负荷、商业大用户、居民负荷和EV集群,并将其分为三大类:可转移负荷、可削减负荷和可平移负荷,为工业、商业、居民和EV分别归类建模.在分析了主动配电网内各单元特性之后,设计了单元-单元层-模块聚合层-ADN调度中心,共三个控制层一个调度层来进行下一步统一策略设计.为第三章的多源优化调度策略提供了前提.
(3)第三章首先结合多时间尺度思想对ADN进行分时段调度阐述,同时以AHP-熵权法确定可调度资源的调度优先级.日前调度以小时为单元,对全天24小时设计24个调度计划.主要的调度单元为储能、可控分布式电源、柔性负荷和EV集群,在日前计划中确定柔性负荷和EV集群的调度量,日内调度不再对其进行优化.日内调度以15分钟为一个调度时段,对全天24小时形成96个调度计划.主要调度单元为储能和可控分布式单元,日内以日前调度的计划值为初值,结合滚动预测结果,对储能系统和可控分布式单元进行分钟级再调度.围绕调度方案,设计多源协同下的调度成本模型,基于此,建立多源协同优化调度模型.同时以改进帝国竞争算法为求解算法,针对帝国竞争的易早熟现象对其进行优化改进,利用测试函数进行仿真验证证明了收敛效果和计算速度优于其他算法.
(4)第四章针对第三章建立的多源协同优化调度数学模型进行仿真验证.仿真平台为MATLABR2016a,仿真算例为改进IEEE33配网算例.设置网络参数和各单元参数完毕之后,结合预测结果对该模型进行仿真,并分析仿真结果.结果数据显示,日前优化调度下调度日成本显着减少,日内优化调度下显示新能源消纳率明显提高.证明了第三章多源协同优化调度模型的有效性和正确性.
(5)第五章对全文工作进行了总结阐述并且提出了工作中的不足,同时对后续主动配电网研究工作进行了展望.
…………由于本文篇幅较长,部分内容省略,详细全文见文末附件
5 结论与展望
5.1 结论
随着时代的进步和科技的发展,新能源发电技术日趋成熟,伴随着我国不同地区如雨 后春笋般建立的新能源发电厂,风力发电和光伏发电在配电网中的渗透率也逐步提高.由 此引出了更加主动灵活但复杂的配电网--主动配电网.在这样的配电系统中,纳入了可 控分布式电源、储能、电动汽车,进而言之还有负荷侧、微电网的主动参与.由于调度种 类和范围的逐渐扩大,配电网的调度难度也在随之上升,可再生资源也需要在网内资源的 配合下使其利用率最大化.如何在保证资源利用率的前提下尽可能使配网经济稳定运行, 成为了当今主动配电网的主要研究方向之一.针对这一情况,本文对其有如下研究和结论:
(1)本文对主动配电网内各部分资源进行了物理特性分析和模型建立.
从"源"、"荷"角度出发,分析了风电、光伏、微型燃气轮机、蓄电池、柔性负荷和电 动汽车.明确了发电单元的出力模型、蓄电池的容量模型,将柔性负荷根据调度类型不同 归纳为三大类:可转移负荷、可削减负荷、可平移负荷,对三类负荷建立不同的调度方案 和模型.
(2)结合了理论分析和新能源预测的时间差异性,设计了多时间尺度的多源协同优 化调度策略,建立了可调度单元的成本模型,围绕调度策略建立多源协同优化调度模型.
在日前计划中,以调度日 ADN 总运行成本最小为目标.日内计划中,以可调度量的 调整量最小和新能源的消纳率最大为目标.日内调度计划以日前调度的结果为状态量,结 合滚动优化结果与日前调度结果进行进一步的筛查更改.
(3)在仿真验证中得到正确结果并分析,证明了多源协同优化调度策略对配电网运 行经济性和新能源消纳具有明显的正向调节作用.
采用改进帝国竞争算法在 IEEE33 节点网络对本文所提的调度模型进行计算仿真.结 果表明,本文提出的多源协同优化调度策略能够在配电网安全稳定运行的基础上,有效的 提高主动配电网的经济性和网内新能源的消纳水平.数据显示,采用多源协同优化调度策 略下的调度日运行成本降低了 6660 元,同时新能源的消纳率提高了 8.1%.证明了该调度 策略的有效性,并且在实际工程中具有一定的参考价值.
5.2 展望
随着主动配电网和智能电网的发展,负荷侧资源越来越多的参与到电网的调度中来,这为我们平滑负荷曲线、消纳新能源带来了新的契机,使得电网智能化、经济化、一体化 的设想成为现实,本文提出的主动配电网多源协同优化调度方案具有较强的实用性,可以 为后续的研究奠定基础.参考国内外关于主动配电网和优化调度方面的研究,得出以下几 方面仍需继续深入研究的问题:
(1)本文未考虑发电侧和负荷侧的随机波动问题,实际上风电、光伏等新能源发电 具有很大的不确定性,同时,电动汽车的交通特性也使得集中调度逐渐困难起来,为柔性 负荷的协调调度增加了许多不确定因素.因此在后续的研究中应尽量考虑一些不确定性问 题的建模和规避.
(2)本文在前期建模时仅考虑了时间尺度的建立,空间尺度并未涉及.在后续的研 究中应尽可能的从空间尺度上就近消纳新能源,在提高效率的同时也为系统的稳定运行进 一步考虑.
参考文献
[1]刘广一.主动配电网规划与运行[M].北京:中国电力出版社,2017
[2]刘振亚.中国电力与能源[M].中国电力出版社,2012.
[3]CALDERARO V,CONIO U,GALDI V,et al.Active management of renewable energy sources for maximizing power production[J].International Journal of Electrical Power & Energy Systems,2014,57(5):64-72.
[4]赵波,王财胜,周金辉,等.主动配电网现状与未来发展[J].电力系统自动 化,2014,38(18):125-135.
[5]王晓辉,陈乃仕,李烨,等.基于态势联动的主动配电网多源优化调度框架[J].电网技 术,2017,41(2):349-354
[6]王博,肖峻,周济,等.主动配电网中分布式电源和微网的运行域[J].电网技 术,2017,41(2):363-372
[7]窦震海,牛焕娜,高燕,等.主动型配电网日前调度策略研究[J].农业工程学 报,2014,30(11):126-133.
[8]Mazidi M,Monsef H,Siano P. Incorporating price-responsive customers in day-ahead scheduling of smart distribution networks[J]. Energy Conversion&Management,2016,115:103-116.
[9]Borghetti A,Bosetti M,Grillo S,et al. Short-term scheduling and control of active distribution Systems with high penetration of renewable resources[J]. IEEE Systems Journal,2010,4(3):313-322.
[10]Pilo F,Pisano G,Soma G G.Optimal coordination of energy resources with a two-stage online active management[J]. IEEE Transactions on Industrial Electronics,2011,58(10):4526-4537.
[11]黄伟,熊伟鹏,华亮亮,等.基于动态调度优先级的主动配电网多目标优化调度[J].电工技 术学报,2018,33(15):3486-3498.
[12]黄伟,田羽洲,刘力行.含源智能配电网日前-实时优化调度策略研究[C]//中国电机工程 学会电力系统自动化专业委员会三届五次会议暨 2015 年学术交流会.2015.
[13]高亚静,李瑞环,梁海峰,等.考虑间歇性电源与负荷不确定性情况下基于多场景技术的 主动配电系统两步优化调度[J].中国电机工程学报 2015,35(7):1657-1665.
[14]杨雪.计及柔性负荷的多时间尺度主动配电网优化调度研究[D].北京交通大学,2018.
[15]刘东.主动配电网的国内技术进展[J].供用电,2014(01):28-29.
[16]尤毅,刘东,于文鹏,等.主动配电网技术及其进展[J].电力系统自动化,2012,36(18):10-16.
[17]王庆一(2018).2018 能源数据.北京:绿色创新发展中心.
[18]王洪坤,王守相,潘志新,王建明.含高渗透分布式电源配电网灵活性提升优化调度方法 [J].电力系统自动化,2018,42(15):86-93+265-266.
[19]蒲天骄,陈乃仕,王晓辉,等.主动配电网多源协同优化调度架构分析及应用设计[J].电力 系统自动化,2016,4(1):17-22.
[20]姚建国,杨胜春,王坷,等.智能电网"源-网-荷"互动运行控制概念及研究框架[J].电力系 统自动化,2012,36(21):1-6.
[21]卢鹏铭,温步瀛,江岳文.基于多时间尺度协调机组组合的含风电系统旋转备用优化研究 [J].电力系统保护与控制,2015,43(5):94-100
[22]DANESHI H,SRIVASTAVAA K.Security-constrained unit commitment with wind generation and compressed air energy storage[J]. IET Generation Transmission&Distribution,2012,6(2):167-175.
[23]尤毅,刘东,钟清,等.主动配电网优化调度策略研究[J].电力系统自动化,2014, 38(9):177-183.
[24]杨晓东,任帅杰,张有兵,赵波,黄飞腾,谢路耀.电动汽车可调度能力模型与日内优先调度 策略[J].电力系统自动化,2017,41(02):84-93.
[25]孙波,董浩,陈纲,刘爱兵,李士动.电动汽车-风储混合系统联合运行的日内优化调度模型 [J].可再生能源,2018,36(07):1033-1038.
[26]丁宁.含风电的电力系统多时间尺度经济调度研究[J].陕西电力,2015,43(09):10-14.
[27]Dadamo C,Jupe S,Abbey C.Global survey on planning and operation of active distribution networks-update of CIGRE C6.11 working group activities[C].Proceedings of the 20th International Conference and Exhibition on Electricity Distribution,Czech,2009,32-36.
[28]王庆丰,马少飞,刘强,樊平,慧宇翔.基于帝国竞争算法的主动配电网多目标优化研究[J]. 智慧电力,2018,46(08):74-78.
[29]任佳依,顾伟,王勇,嵇文路,刘海波,曹戈.基于模型预测控制的主动配电网多时间尺度有功无功协调调度[J].中国电机工程学报,2018,38(05):1397-1407.
[30]孙宇军,王岩,王蓓蓓,李扬,肖勇,李秋硕.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(02):106-113+159.
[31]吴忠强,赵立儒.基于萤火虫算法的主动配电网优化调度[J].电力自动化设 备,2019,39(03):149-154.
[32]Aboelsood Z, Mostafa F.S, Ehab F.E.Long-term Multi-objective Distribution Network Planning by DG Allocation and Feeders Reconfiguration[J]. Electric Power System Research,2013,105(6):95-104.
[33]张世达,孙永辉,卫志农,孙国强,李逸驰.考虑可控光伏系统概率模型的主动配电网日前 优化调度[J].电网技术,2018,42(01):247-257.
[34]黄杨,胡伟,闵勇,罗卫华,王芝茗,葛维春.考虑日前计划的风储联合系统多目标协调调度 [J].中国电机工程学报,2014,34(28):4743-4751.
[35]董雷,陈卉,蒲天骄,陈乃仕,王晓辉.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):4609-4617.
[36]向育鹏,卫志农,孙国强,等.基于全寿命周期成本的配电网蓄电池储能系统的优化配置 [J].电网技术,2015,39(1):264-270.
[37]Nguyen C,Lee H,Chun T.Cost Optimized Battery Capacity and Short-Term Power Dispatch Control for Wind Farm[J].IEEE Transactions on Industry Applications,2015,51(1):595-606.
[38]卢锦玲,初文奇,於慧敏,郭金体,马冲.基于需求侧响应的主动配电网多源协调优化调度 [J].电力科学与工程,2018,34(11):30-37.
[39]孙鹏,罗明武,孙朝霞,等.采用改进杜鹃搜索算法的主动配电网双层分布式风电规划方 法[J].电网技术,2016,40(9):2743-2749.
[40]高亚静,李瑞环,梁海峰,等.考虑间歇性电源与负荷不确定性情况下基于多场景技术的 主动配电系统两步优化调度[[J].中国电机工程学报,2015,35(7):1657-1665.
[41]赵波,包侃侃,徐志成,等.考虑需求侧响应的光储并网型微电网优化配置[J].中国电机工 程学报,2015,35(21):5465-5474.
[42]郭婉青,叶东毅.帝国竞争算法的进化优化[J].计算机科学与探索,2014,8(04):473-482.
[43]于汀,刘广一,蒲天骄,等.计及柔性负荷的主动配电网多源协调优化控制[J].电力系统自 动化,2015,39(9):95-100.
[44]黄永烈,崔鹏,扈常生,王军,张英,顾斯洋.主动配电网多源协同优化调度系统设计与研究 [J].通信电源技术,2018,35(05):73-74.
[45]国家能源局.2015 年风电产业发展情 况.2016-02-02.http://www.nea.gov.cn/2016-02/02/c-135066586.htm.
[46]朱凌志,陈宁,韩华玲.风电消纳关键问题及应对措施分析[J].电力系统自动 化,2011,35(22):29-34.
[47]曾鸣,彭丽霖,王丽华,李源非,程敏,孙辰军.主动配电网下分布式能源系统双层双阶段调 度优化模型[J].电力自动化设备,2016,36(06):108-115.
[48]PEIKHERFEH M,SEIFI H,SHEIKH-EL-ESLAMI M K.Active management of distribution networks in presence of distributed generations[C]//3rd 2011 International Conference on Clean Electrical Power:Renewable Energy Resources Impact.Ischia,Italy:ICCEP,2011:725-729.
[49]张亚超,刘开培,廖小兵,胡志鹏.含大规模风电的电力系统多时间尺度源荷协调调度模 型研究[J].高电压技术,2019,45(02):600-608.
[50]李文博,李华东,张鹏飞,赵光锋,王皓,艾芊.考虑不确定性的区域能源互联网源-荷-储协 调优化[J/OL].现代电 力,2019(03):11-18[2019-06-01].https://doi.org/10.19725/j.cnki.1007-2322.2019.03.001.
[51]宁柏锋,田松林.多时间尺度下主动配电网能量调度优化[J].电测与仪 表,2019,56(06):93-99.
[52]Mohammad Javad Kasaei. Energy and operational management of virtual power plant using imperialist competitive algorithm[J]. International Transactions on Electrical Energy Systems,2018,28(11).
[53]Xiaobing Yu,Xianrui Yu,Yiqun Lu,Gary G. Yen,Mei Cai. Differential evolution mutation operators for constrained multi-objective optimization[J]. Applied Soft Computing,2018,67.
[54]李春燕,陈晓,张鹏,张谦.计及风电功率预测误差的需求响应多时间尺度优化调度[J].电 网技术,2018,42(02): 487-494.
[55]孙宇军,王岩,王蓓蓓,李扬,肖勇,李秋硕.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(02):106-113+159.
[56]张福兴,张涛,王锐,郑晓坤,张彦.考虑多源-荷-储协同优化的能源局域网系统能量管理 研究[J].电网技术,2017,41(12):3942-3950.
[57]蒲天骄,刘克文,陈乃仕,葛贤军,于建成,王丹,王伟.基于主动配电网的城市能源互联网体系架构及其关键技术[J].中国电机工程学报,2015,35(14):3511-3521.
[58]H.Lu,M.M.Zhang,Z.M.Fei,K.F.Mao.Multi-Objective Energy Consumption Scheduling in Smart Grid Based on Tchebycheff Decomposition[J].Ieee Transactions on Smart Grid,2015,13(6):2869-2883.
[59]T.M.Hansen,R.Roche,S.Suryanarayanan,A.A.Maciejewski.Heuristic Optimization for an Aggregator-Based Resource Allocation in the Smart Grid[J].IEEE Transactions on Smart Grid,2015,27(6):1785-1794
[60]雷德明,操三强,李明.求解约束优化问题的新型帝国竞争算法[J/OL].控制与决 策:1-9[2019-04-27].https://doi.org/10.13195/j.kzyjc.2018.0007.
[61]徐熙林,宋依群,姚良忠,索瑞鸿,严正.基于多层电价响应机制的主动配电网源-网-荷协 调方法[J].电力系统自动化,2018,42(05):9-17+24.
[62]Atashpaz-Gargari E.Imperialist competitive algorithm (ICA)[CP/OL]. (2008-11-10)[2012-01-10].http://www.mathworks.com/matlabcentral/fileexchange/22046-impe rialist-competi-tive-algorithm-ica.
