源荷不确定性下主动配电网多资源协调鲁棒优化方法

魏茜; 康家玉; 石勇; 曾育顺; 杨遥遥

doi:10.12404/j.issn.1671-1815.2505225

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (20) :8703-8711 DOI: 10.12404/j.issn.1671-1815.2505225

电工技术

源荷不确定性下主动配电网多资源协调鲁棒优化方法

作者信息 +

Robust Dispatching Method for Multi-resource Collaborative Dispatch of Active Distribution Network under Source-load Uncertainty

Author information +

文章历史 +

摘要

随着风电、光伏等可再生能源大量接入,主动配电网源荷不确定性显著增加,系统运行面临新的挑战。提出一种考虑多资源协调的结构-柔性层次鲁棒优化模型,联合调度储能、静止无功补偿装置(static var compensator,SVC)、电容器组(capacitor bank,CB)及需求响应等多类资源,该模型采用“先结构、后柔性”的分层优化思路,先确定储能启停和CB投切等结构性方案,构建系统运行基础,再动态调节SVC出力、储能功率、需求响应及主网购电等柔性资源,实现结构性决策与柔性资源的融合。提升系统对源荷波动的适应能力,用区间预算约束集对源荷不确定性建模,保证调度方案的鲁棒性。在IEEE 33节点系统上的仿真分析表明,该方法能够有效减少结构性操作频率,提高了柔性资源调度的能力,在不确定性条件下提升主动配电网运行的经济性与安全性。

Abstract

With the increasing integration of wind and photovoltaic energy, source-load uncertainties in active distribution networks have posed new operational challenges. A coordinated multi-resource scheduling approach was proposed, considering energy storage, static var compensator (SVC), capacitor bank (CB), and demand response. A “structure-first, flexibility-second” decision-making framework was adopted. Under this framework, structural decisions such as energy storage commitment and CB switching were first determined to establish a robust system foundation. Then, flexible resources were dynamically adjusted to respond to real-time fluctuations. Uncertainties were modeled using interval and budget constraints to ensure solution robustness. Simulation results on the IEEE 33-bus system show that the proposed method reduces the frequency of structural operations, enhances multi-resource coordination, and improves both economic performance and operational security under uncertainty.

Graphical abstract

关键词

结构-柔性层次鲁棒优化 / 多资源协调 / 储能 / 需求响应 / 无功补偿设备

Key words

structure-flex hierarchical robust optimization / multi-resource coordinated scheduling / energy storage / demand response / reactive power compensation equipment

引用本文

引用格式 ▾

魏茜, 康家玉, 石勇, 曾育顺, 杨遥遥. 源荷不确定性下主动配电网多资源协调鲁棒优化方法[J]. 科学技术与工程, 2026, 26(20): 8703-8711 DOI:10.12404/j.issn.1671-1815.2505225

WEI Qian, KANG Jia-yu, SHI Yong, ZENG Yu-shun, YANG Yao-yao. Robust Dispatching Method for Multi-resource Collaborative Dispatch of Active Distribution Network under Source-load Uncertainty[J]. Science Technology and Engineering, 2026, 26(20): 8703-8711 DOI:10.12404/j.issn.1671-1815.2505225

登录浏览全文

4963

注册一个新账户忘记密码

在构建新型电力系统背景下,配电网正逐步转型为高度分布式、智能化、柔性化的有源系统^[1]。随着风电、光伏等可再生能源大规模接入,系统运行呈现出“源侧不确定性增强、负荷侧行为多样化、调控资源碎片化”等新特征^[2],配电网面临功率波动频繁、电压波动增大、调度不可行风险提升等突出问题。因此,源荷不确定性下对配电网进行规划和运行协同优化研究具有重要意义^[3]。

近年来,针对配电网源荷不确定性问题,鲁棒优化方法得到广泛关注。文献[4]提出基于高斯混合模型的光伏自适应鲁棒调度策略,结合仿射决策规则降低运行成本。文献[5]通过列与约束生成(column and constraint generation,C&CG)鲁棒优化算法提高系统的灵活性容量。在配电网中配置储能系统可以有效缓解风光接入对配电网产生的影响,文献[6]通过混合储能优化与储能配置提升配电网经济性与效率。文献[7]针对风光不确定性,提出一种配电网储能优化配置方法,有效改善了系统电压质量。静止无功补偿器(static var compensator,SVC)与电容器组(capacitor bank,CB)等无功调节手段有助于电压稳定与损耗降低,文献[8]进一步从多周期与多层协调角度优化无功控制。需求侧响应(demand response,DR)作为柔性负荷资源,能有效提升系统可调性与经济性,文献[9]考虑分布式电源(distributed generation,DG)出力波动性和需求响应提出配电网双层优化调度模型,提高配电网的电压质量和风光的消纳水平。文献[10]结合储能与需求响应提出多目标鲁棒优化与日前调度模型,应用C&CG算法提高可再生能源消纳能力。

综上,面向分布式能源接入背景,配电网中多类灵活资源的协同优化问题,尤其是储能、无功补偿与需求响应的联合调控,值得深入研究^[11],但前人研究多聚焦于部分资源或采用确定性模型。

针对上述不足,构建统一的多资源协调调度框架,充分整合储能系统、SVC、CB和需求响应等多种资源。该框架提出“先结构决策、后柔性调节”的两层次机制:结构层侧重于储能充放电状态和CB投切等结构性方案的确定,构建系统稳固基础;柔性层则聚焦柔性资源的动态调整,如SVC出力、储能功率及需求响应的实时优化,以增强系统对源荷不确定性的适应能力。通过引入预算不确定性模型,系统能够有效应对不同强度的扰动,实现稳健调度。算例验证了所提方法在多资源协同控制和提升系统经济性、安全性方面的有效性,为实际工程中多类型灵活性资源的实时协同控制提供了可行的技术方案。

1 结构-柔性两阶段鲁棒优化框架

提出如图1所示的主动配电网两层次调度框架。第一阶段主要优化储能充放电状态(离散变量)和CB投切档位,这类设备具有较长启动周期且频繁操作可能导致损耗^[12],因此优先确定其运行方案以构建系统的结构性基础。第二阶段则对储能出力和SVC等连续调节变量进行动态调整,利用其快速响应能力,针对实际的源荷不确定性实现灵活优化。整体调度目标为最小化柔性资源的运行成本,同时保证系统的稳定与鲁棒性。为应对不确定扰动,模型引入了预算不确定性集进行表征,通过迭代方式逐步完善调度方案,实现了结构性决策与柔性调控的有机结合。

2 数学模型

2.1 目标函数

以最小化柔性资源调度总成本为目标,涵盖储能出力成本、需求响应补偿费用、主网购电支出及配电网网络损耗成本。目标函数的表达式为

(1)

$\begin{array}{l}f=min({C}^{ESS}+{C}^{DR}+{C}^{loss}+{C}^{M})\\ =\sum _{t=1}^{T}{\sum }_{i\in N}^{}({C}_{i,t}^{ch}{P}_{i,t}^{ch}+{C}_{i,t}^{dis}{P}_{i,t}^{dis})+\\ \sum _{t=1}^{T}{\sum }_{i\in N}^{}{K}^{DR}\left|{P}_{i,t}^{DR}\right|+\sum _{t=1}^{T}{\sum }_{i\in N}^{}{c}_{t}{{P}^{g}}_{i,t}+\\ \kappa \sum _{t=1}^{T}\sum _{i,j\in N}^{}{R}_{ij}{I}_{ij,t}^{2}\Delta t\end{array}$

式(1)中:C^ESS为储能出力成本;C^DR为需求侧响应补偿;C^M为主网购电成本、C^loss为网络损耗成本;${P}_{i,t}^{ch}$、${P}_{i,t}^{dis}$分别为储能充电功率和放电功率;${C}_{i,t}^{ch}$、${C}_{i,t}^{dis}$分别为单位充电成本和单位放电成本;K^DR为需求响应负荷的单位补偿成本;${P}_{i,t}^{DR}$为i节点在t时段的负荷调节量;c_t为t时刻电价P^g_i,t为与主网相连节点i在t时刻的主网购电功率;R_ij为ij支路的电阻;I_ij_,_t为t时刻ij之路的电流;Δt为调度周期间隔;κ为网络损耗单位成本。

2.2 结构层约束条件

2.2.1 储能启停约束

(2)${u}_{i,t}^{ch}$+${u}_{i,t}^{dis}$≤1

式(2)中:${u}_{i,t}^{ch}$、${u}_{i,t}^{dis}$分别为i节点在t时刻充电和放电标识,为0、1变量,保证充放电不能同时进行。

2.2.2 CB约束

(3)${Q}_{i,t}^{CB}$=${N}_{j,t}^{CB}{Q}_{i,step}^{CB}$

(4)${N}_{i,t}^{CB}$≤${N}_{i,max}^{CB}$

(5)

$\sum _{t=1}^{T}{D}_{i,t}^{CB}\le {D}_{i,lim}^{CB}$

式中:${Q}_{i,t}^{CB}$和${N}_{i,t}^{CB}$分别为接在i节点上CB在t时刻的投切无功功率和投切组数;${Q}_{i,step}^{CB}$为接在i节点上的CB一组投切无功功率;${N}_{i,max}^{CB}$为接在i节点上的CB的最大投切组数;${D}_{i,t}^{CB}$为0、1变量,表示调度周期间CB投切组数是否改变,改变为1,不改变为0;${D}_{i,lim}^{CB}$为投切次数限制。

2.3 柔性层约束条件

2.3.1 需求响应约束

(6)${P}_{i,t,min}^{DR}$≤${P}_{i,t}^{DR}$≤${P}_{i,max}^{DR}$

(7)

$\begin{array}{l}(1-\mu)\sum _{t=1}^{T}\sum _{i=1}^{N}{P}_{i,t}^{load}\le \sum _{t=1}^{T}\sum _{i=1}^{N}{P}_{i,t}^{DR}\\ \le (1+\mu)\sum _{t=1}^{T}\sum _{i=1}^{N}{P}_{i,t}^{load}\end{array}$

式中:${P}_{i,t,max}^{DR}$、${P}_{i,t,min}^{DR}$分别为i节点在t时段需求侧响应上下限;P^load_i,t为节点i在t时刻的负荷有功功率;μ为用户一个周期内用电量允许的可变范围。

针对式(1)引入辅助变量${P}_{i,t}^{DR1}$和${P}_{i,t}^{DR2}$进行去绝对值转化,目标转化为

(8)${P}_{i,t}^{DR1}$+${P}_{i,t}^{DR2}$=$\left|{P}_{i,t}^{DR}\right|$

(9)

${C}^{DR}=\sum _{t=1}^{T}{\sum }_{i\in N}^{}{K}^{DR}({P}_{i,t}^{DR1}+{P}_{i,t}^{DR2})$

增加约束:

(10)

$\left\{\begin{array}{l}{P}_{i,t}^{DR1}\ge 0\\ {P}_{i,t}^{DR2}\ge 0\\ {P}_{i,t}^{DR}={P}_{i,t}^{DR1}-{P}_{i,t}^{DR2}\end{array}\right.$

2.3.2 储能运行约束

储能的充放电出力和电量约束:

(11)0≤${P}_{i,t}^{dis}$≤${u}_{i,t}^{dis}{P}_{i,max}^{dis}$

(12)E_i_,_t₊₁=E_i_,_t+α^ch${P}_{i,t}^{ch}$Δt-α^dis${P}_{i,t}^{dis}$Δt

(13)0≤${P}_{i,t}^{ch}$≤${u}_{i,t}^{ch}{P}_{i,max}^{ch}$

(14)E_i_,_t_,min≤E_i_,_t≤E_i_,_t_,max

(15)E_i_,1=E_i_,_T

式中:${P}_{i,max}^{dis}$、${P}_{i,max}^{ch}$分别为i节点储能放电有功功率最大值、充电有功功率最大值;E_i_,_t为i节点t时刻储能的电量;α^ch、α^dis分别为储能充电效率、放电效率;E_i_,_t_,min、E_i_,_t_,max分别为i节点t时刻储能电量的最小值和最大值;E_i_,1、E_i_,_T分别为节点i处储能装置在调度周期初始时刻(第1个时间段)和终止时刻(第T个时间段)的电量。

2.3.3 SVC无功约束

(16)${Q}_{i,t,min}^{SVC}$≤${Q}_{i,t}^{SVC}$≤${Q}_{i,t,max}^{SVC}$

式(16)中:${Q}_{j,t}^{SVC}$为接在i节点上的SVC在i时刻的无功功率;${Q}_{i,t,max}^{SVC}$、${Q}_{i,t,min}^{SVC}$分别为i节点接入SVC在t时段发出无功功率的上下限。

2.3.4 发电机约束出力

(17)P^g_i,t,min≤P^g_i,t≤${P}_{i,t,max}^{g}$

(18)Q^g_i,t=P^g_i,ttanϕ_G

式中:P^g_i,t、Q^g_i,t分别为i节点接入发电机在t时刻的发电有功和无功;P^g_i,t,max、P^g_i,t,min分别为发电机j的发电功率上下限;ϕ_G为发电机功率因数

2.3.5 潮流约束

部分非线性引入辅助变量α_ij_,_t和β_ij_,_t进行处理,即

(19)

$\left\{\begin{array}{l}{\alpha }_{ij,t}={I}_{ij,t}^{2}\\ {\beta }_{ij,t}={U}_{i,t}^{2}\end{array}\right.$

式(19)中:β_ij_,_t、α_ij_,_t分别为t时间内节点i电压U_i_,_t的平方和支路ij电流I_ij_,_t的平方,满足约束:

(20)

$\left\{\begin{array}{l}{U}_{i,min}^{2}\le {\beta }_{i,t}\le {U}_{i,max}^{2}\\ {I}_{ij,min}^{2}\le {\alpha }_{ij,t}\le {I}_{ij,max}^{2}\end{array}\right.$

式(20)中:U_i_,min、U_i_,max分别为i节点电压最小值、最大值;I_ij_,max、I_ij_,min分别为支路ij允许流过电流的上下限。

式(1)中的网络损耗成本C_loss转化为

(21)

${C}_{loss}=\kappa \sum _{t=1}^{T}{\sum }_{i,j\in N}^{}{R}_{ij}{\alpha }_{ij,t}\Delta t$

线性化后的潮流方程为

(22)P_j_,_t=-${P}_{j,t}^{WT}$-${P}_{j,t}^{PV}$-P^g_j,t-${P}_{j,t}^{dis}$+${P}_{j,t}^{ch}$+P^L_j,t

(23)

${\sum }_{i\in \varphi \left(j\right)}^{}({P}_{ij,t}-{R}_{ij}{\alpha }_{ij,t})-{\sum }_{k\in \psi \left(j\right)}^{}{P}_{jk,t}={P}_{j,t}$

(24)Q_j_,_t=-${Q}_{j,t}^{WT}$-${Q}_{j,t}^{PV}$-Q^g_j,t-${Q}_{j,t}^{SVC}$-${Q}_{j,t}^{CB}$+Q^L_j,t

(25)

${\sum }_{i\in \varphi \left(j\right)}^{}({Q}_{ij,t}-{X}_{ij}{\alpha }_{ij,t})-{\sum }_{k\in \psi \left(j\right)}^{}{Q}_{jk,t}={Q}_{j,t}$

(26)β_i_,_t-β_j_,_t=2(R_ijP_ij_,_t+X_ijQ_ij_,_t)-(${R}_{ij,t}^{2}$+${X}_{ij,t}^{2}$)α_ij_,_t

(27)$\left\|\begin{array}{c}2 P_{i j, t} \\2 Q_{i j, t} \\\alpha_{i j, t}-\beta_{i, t}\end{array}\right\|_{2} \leqslant \alpha_{i j, t}+\beta_{i, t}$

式中:ϕ(j)为辐射电网以j为末端节点的支路首段节点集合;ψ(j)为首端节点的支路的末端节点集合;P_ij_,_t、Q_ij_,_t分别为支路ij在t时刻的首端有功功率和无功功率;R_ij、X_ij分别为ij支路的电阻和电抗;P_j_,_t、Q_j_,_t分别为t时刻j节点的有功和功率;${P}_{j,t}^{WT}$、${P}_{j,t}^{PV}$、P^g_j,t、${P}_{j,t}^{ch}$、${P}_{j,t}^{dis}$、P^L_j,t分别t时刻j节点的风电、光伏、发电机、储能充放电和负荷的有功功率;${Q}_{j,t}^{WT}$、${Q}_{j,t}^{PV}$、Q^g_j,t、${Q}_{j,t}^{SVC}$、${Q}_{j,t}^{CB}$、Q^L_j,t分别为t时刻j节点的风电、光伏、发电机、SVC、CB和负荷的无功功率。

2.3.6 不确定量约束

(28)

$U=\left\{\begin{array}{l}{P}_{t}^{WT}={\hat{P}}_{t}^{WT}-{B}_{t}^{WT}\Delta {P}_{t,max}^{WT}\\ \sum _{t=1}^{T}{B}_{t}^{WT}\le {\Gamma }^{WT}\\ {P}_{t}^{PV}={\hat{P}}_{t}^{PV}-{B}_{t}^{PV}\Delta {P}_{t,max}^{PV}\\ \sum _{t=1}^{T}{B}_{t}^{PV}\le {\Gamma }^{PV}\\ {{P}^{L}}_{t}={{\hat{P}}^{L}}_{t}+{{B}^{L}}_{t}\Delta {{P}^{L}}_{t,max}\\ \sum _{t=1}^{T}{{B}^{L}}_{t}\le {\Gamma }^{L}\end{array}\right.$

式(28)中:${B}_{t}^{WT}$、${B}_{t}^{PV}$、B^L_t为0-1变量,分别表示风电、光伏和负荷的不确定变量是否取到区间的边界;Γ^WT、Γ^PV、Γ^L分别为引入的风电、光伏和负荷的不确定性调节参数;${\hat{P}}_{t}^{WT}$、${\hat{P}}_{t}^{PV}$、${{\hat{P}}^{L}}_{t}$分别为风电、光伏和负荷的预测值;Δ${P}_{t,max}^{WT}$、Δ${P}_{t,max}^{PV}$、ΔP^L_t,max分别为风电、光伏和负荷受到的最大扰动量。

2.4 两阶段鲁棒优化模型

将不确定性源引入主动配电网优化建模中,构建一个标准的两阶段鲁棒优化模型。

(29)

$\left\{\begin{array}{l}\underset{x}{min}\left\{\underset{u\in U}{max}\underset{y\in \Omega (x,u)}{min{d}^{T}y}\right\}\\ \left\{\begin{array}{ll}s.t.& L\le {d}^{T}y\\ & Ax\le a\\ & By=b\\ & Ey\le e\\ & Fx+Gy\le h\\ & {H}_{u}y=u\end{array}\right.\end{array}\right.$

式(29)中:L为子问题目标函数修正项的下限;d为式(1)的系数列向量;A、B、E、F、G、H_u为约束的系数矩阵;a、b、e、h、u为常数列向量;约束条件第1行约束对应式(2)~式(5);第2行约束对应式(12)、式(15)、式(18)、式(22)~式(26);第3行约束对应式,对应式(6)~式(7)、式(10)、式(14)、式(16)~式(17)、式(20)、式(27)~式(28);第4行约束对应式(11)、式(13);第5行约束表示模型中的风电、光伏和负荷为不确定量。

第1阶段变量为

(30)x=[${u}_{i,t}^{ch}$,${u}_{i,t}^{dis}$,${N}_{i,t}^{CB}$,${D}_{i,t}^{CB}$]^T

第2阶段变量为

(31)y=[E_i_,_t,P^G_i,t,${P}_{i,t}^{ch}$,${P}_{i,t}^{dis}$,${Q}_{i,t}^{SVC}$,${P}_{i,t}^{DR1}$,${P}_{i,t}^{DR2}$,α_ij_,_t,β_i_,_t]^T

Ω(x,u)表示第二阶段变量y的可行域中给定第一阶段变量和不确定变量的取值。

(32)

$\Omega (x,u)=\left\{y\left|\begin{array}{l}By=b\to {\pi }_{1}\\ Ey\le e\to {\pi }_{2}\\ Fx+Gy\le h\to {\pi }_{3}\\ {H}_{u}y=u\to {\pi }_{4}\end{array}\right.\right\}$

式(32)中:π₁、π₂、π₃、π₄为第二阶段各约束对应的对偶变量;{y|·}为满足后续约束条件的第二阶段的变量集合。

将两阶段鲁棒优化模型分解为主问题和子问题:主问题主要优化储能和电容器组等结构性决策,子问题则负责在不确定性实现后动态调整储能功率、SVC和需求响应等柔性资源,为保障系统运行的安全性与经济性,对主问题与子问题模型进行了系统推导。子问题中涉及的双线性项线性化处理方法以及式(28)的具体线性化过程可参考文献[13-14]。最终得到的主问题模型表达式如式(33)、式(34)所示。

主问题:

(33)

$\left\{\begin{array}{l}\underset{x}{min}L\\ \left\{\begin{array}{ll}s.t.& L\ge {d}^{T}y\\ & Ax\le a\\ & By=b\\ & Ey\le e\\ & Fx+Gy\le h\\ & {H}_{u}y={u}^{*}\end{array}\right.\end{array}\right.$

子问题:

(34)

$\left\{\begin{array}{l}\underset{u\in U,{B}_{t},B\text{'},{\pi }_{1,}{\pi }_{2},{\pi }_{3},{\pi }_{4}}{max}[{b}^{T}{\pi }_{1}+{e}^{T}{\pi }_{2}+{(h-Fx)}^{T}{\pi }_{3}+\\ 　　{\widehat{u}}^{T}{\pi }_{4}+\Delta {u}^{T}B\text{'}]\\ \left\{\begin{array}{ll}s.t.& {B}^{T}{\pi }_{1}+{E}^{T}{\pi }_{2}+{G}^{T}{\pi }_{3}+{{H}^{T}}_{u}{\pi }_{4}\le d\\ & -M{B}_{t}\le B\text{'}\le M{B}_{t}\\ & -M(1-{B}_{t})\le B\text{'}-{\pi }_{4}\le M(1-{B}_{t})\\ & {\pi }_{2}\le 0,{\pi }_{3}\le 0\end{array}\right.\end{array}\right.$

式中:u^*为子问题得到的最恶劣场景下的出力;Δu、B'为引入的连续辅助变量;B_t为0-1的变量;M为足够大的正实数。

采用列与约束生成(C&CG)算法,通过迭代构建和完善不确定性扰动场景,确保两阶段鲁棒优化模型在面对多源不确定性时具备良好的鲁棒性和经济性,实现高效可靠的调度决策,具体求解流程如图2所示。

3 结果与分析

3.1 算例设置

在MATLAB环境下仿真,采用电气与电子工程师协会(Institute of Electrical and Electronics Engineers,IEEE) 提出的33节点配电系统标准测试算例(以下简称IEEE 33节点系统),系统拓扑图如图3所示。标准负荷(3 715+j2 300) kVA。风电接入节点为3、17、31,光伏接入节点为16、19,微型燃气轮机接入节点为18、22,运行参数参见文献[11,15]。参考文献[13,16-17],CB、SVC和储能设备运行参数如表1~表3所示。

调度周期设为1 h,风电和光伏的预测误差均取±15%,负荷预测误差为±10%^[13]。预算不确定性参数设定为,分别表示在调度期内存在若干时段的风电、光伏出力达到预测区间边界,以及负荷在部分时段出现最大偏差,合理反映了实际波动范围。配电网典型日的风电、光伏及负荷曲线分别如图4~图6所示,分时电价如图7所示。

3.2 算例结果与分析

为量化各类资源对系统经济性的贡献,选取去除储能、SVC、DR 3种关键资源的不同方案进行调度成本对比分析。结果如表4所示。

结果(表4)表明,在去除任一类资源后,系统调度成本均出现明显上升,运行灵活性和经济性同步下降。相比之下,本文模型通过多资源的协调调度,有效发挥了各类资源在时间域和电压层面的互补优势,提升了系统对源荷波动的适应能力与整体运行经济性。

为进一步验证所提“结构性-柔性融合”调度策略对系统调节性能的改善作用,设置对比方案如下分析一下多资源出力情况。

(1)方案1。确定性调度模型,结构性决策与柔性资源调节在同一阶段统一优化,未区分结构性与柔性变量。

(2)方案2。所提出的结构-柔性鲁棒优化模型,优先确定储能启停与CB投切等结构性变量,再利用柔性资源进行动态调整。

分别选取节点5的CB投切和SVC出力、节点15的储能出力以及考虑DR后的负荷曲线,如图8~图11所示。

由图8可知,在24 h运行周期内,方案2中CB的投切次数为3次,而方案1中则达到5次,已达到设定的最大允许投切次数。相比之下,方案2在多个时段保持挡位不变,整体波动较小,有效减少了CB的操作频率,显示出其在满足系统运行约束条件下的控制优势;图9中,SVC的无功补偿量以其出力的绝对值表示。可以观察到,方案1与方案2在补偿量变化趋势上基本一致,但方案1的SVC补偿量整体高于方案2。由此可见,本文控制策略通过增强SVC的无功调节能力,降低CB的投切频率,体现出其在减少结构性控制动作、提升柔性资源调度能力方面的有效性。

图10为方案1和方案2的储能出力曲线。两模型储能启停次数相近,但方案2展现出更灵活的功率调节,充放电深度随源荷扰动动态调整,响应更加细致和稳健。相比之下,方案1的储能出力较为固定,柔性调节能力较弱。同时方案2中储能提前充电并在负荷高峰期留有余度,负荷高峰时段能够稳定输出,在负荷低谷时段适度充电,削峰填谷效果更为明显,有效缓解了系统的调峰压力。

由图11可知,方案1的负荷曲线峰谷差较大,调节较为激进,体现其追求短期经济最优的特点,但也相应增加了系统运行风险。相比之下,方案2通过结构性与柔性分阶段调度,结合储能和需求响应的协同作用,能够针对实际扰动实现更为细致的负荷响应,显著平滑负荷曲线,当电价较高时,负荷减少,合理控制峰谷差。在动态扰动环境下,该模型表现出更强的适应能力和鲁棒性,有效保障了系统的安全与稳定运行。

3.3 模型鲁棒性

为了充分验证本文方法在面对预测不确定性时的鲁棒性,针对不同的预测误差系数,分析其对调度成本的影响。采用蒙特卡洛方法对风电、光伏出力及日负荷曲线进行模拟,生成了500个随机场景,并通过筛选极端场景,将其与鲁棒优化结果进行对比分析。分析结果如表5所示,其中性能指标为确定性优化方案下极端场景调度成本相比于鲁棒优化方案调度成本的增加百分数。

从表5中可以看出,随着预测误差的增大,两种模型的调度成本均明显上升,反映了不确定性对系统运行成本的显著影响。相比确定性优化,鲁棒优化模型在调度成本上表现出一定的保守性,成本有所增加,但其调度方案对极端场景具有更强的适应能力,能够有效降低极端场景下的成本风险。

3.4 典型运行场景下模型合理性

第3节算例设置风光负荷预测误差为15%刻画在阴雨天气或气象条件快速变化时,风电与光伏出力预测误差增大的运行特征;同时,在居民负荷集中时段,系统负荷预测水平明显提升,易引发电压越限和网损上升等运行风险。结合IEEE 33节点系统的实验结果,将方案2对应的鲁棒调度工况选取为新能源波动和负荷扰动并存条件下的典型运行场景。在该场景下,所提结构-柔性层次鲁棒优化模型呈现出“结构稳定、柔性增强”的整体调度特征。

首先,在结构层面,模型通过前期优化CB投切方案,使其在24 h运行周期内仅进行有限次数的结构调整,相比确定性方案有效减少了CB投切频率,从而避免了频繁操作对系统安全性和设备寿命的不利影响。其次,在柔性层面,模型充分调用SVC、储能功率及需求响应参与调节。当源荷扰动加剧或电价升高时,储能提前充电并在负荷高峰期释放容量,需求侧负荷相应削减,SVC提供必要的无功支撑,从而共同承担系统调节压力,并显著平滑系统负荷曲线。

上述调度行为与配电网实际运行中“减少结构性操作、增强柔性资源利用”的工程经验高度一致,能够在不依赖频繁结构调整的情况下有效缓解源荷波动带来的运行风险,从整体运行行为上验证了所提模型在典型不确定性工况下的合理性。

4 结论

为应对源荷波动的不确定性问题,提出一种多资源协调的结构-柔性鲁棒优化方法,得出如下主要结论。

(1)提出了一种结构-柔性层次鲁棒优化调度模型,面向源荷多源不确定性条件下的主动配电网运行问题,协同考虑储能、SVC、CB及需求响应等多类资源的联合调度。通过引入区间与预算不确定性建模方法,在不依赖高精度预测的前提下,有效提升了系统运行的安全性与经济性,增强了调度方案对复杂扰动环境的鲁棒性。

(2)构建“先结构、后柔性”的分层优化决策机制,在前期阶段优化储能启停与CB投切等结构性方案,为系统运行奠定稳定基础;在此基础上,充分挖掘SVC、储能功率及需求响应等柔性资源的调节潜力。该机制减少了对频繁结构性调整的依赖,提升了柔性资源的协同调度效率与运行适应性,体现了更符合工程实际的调度思想。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	马喜平, 贾嵘, 梁琛, 等. 高比例新能源接入下电力系统降损研究综述[J]. 电网技术, 2022, 46(11): 4305-4315.

[2]	Ma Xiping, Jia Rong, Liang Chen, et al. A review of power loss reduction in power systems with high penetration of renewable energy[J]. Power System Technology, 2022, 46(11): 4305-4315.

[3]	苏译, Jiashen Teh, 柏智, 等. 考虑不确定性扰动的含海量资源配电网弹性研究综述[J]. 电力系统自动化, 2022, 46(16): 17-30.

[4]	Su Yi, Jiashen Teh, Bai Zhi, et al. Review on distribution network resilience with massive resources considering uncertainty disturbances[J]. Automation of Electric Power Systems, 2022, 46(16): 17-30.

[5]	齐宁, 程林, 田立亭, 等. 考虑柔性负荷接入的配电网规划研究综述与展望[J]. 电力系统自动化, 2020, 44(10): 193-207.

[6]	Qi Ning, Cheng Lin, Tian Liting, et al. Review and prospect of distribution network planning considering flexible load integration[J]. Automation of Electric Power Systems, 2020, 44(10): 193-207.

[7]	卢芳, 王振宇, 刘宏达, 等. 考虑光伏不确定性的主动配电网自适应鲁棒优化经济调度策略[J]. 电力系统保护与控制, 2025, 53(9): 93-106.

[8]	Lu Fang, Wang Zhenyu, Liu Hongda, et al. Adaptive robust economic dispatch strategy for active distribution networks considering photovoltaic uncertainty[J]. Power System Protection and Control, 2025, 53(9): 93-106.

[9]	Li J, Yu Z, Mu G, et al. An assessment method ology for the flexibility capacity of new power system based on two-stage robust optimization[J]. Applied Energy, 2024, 376: 1560119.

[10]	孙东磊, 赵龙, 孙凯祺, 等. 新能源接入下配电系统混合储能选址定容优化策略研究[J]. 太阳能学报, 2024, 45(1): 423-432.

[11]	Sun Donglei, Zhao Long, Sun Kaiqi, et al. Optimal siting and sizing strategy for hybrid energy storage in distribution systems with renewable energy integration[J]. Acta Energiae Solaris Sinica, 2024, 45(1): 423-432.

[12]	闫群民, 李召, 马永翔, 等. 考虑综合经济性的风光配电网储能优化配置[J]. 科学技术与工程, 2024, 24(12): 5014-5022.

[13]	Yan Qunmin, Li Zhao, Ma Yongxiang, et al. Optimalconfiguration of energy storage in photovoltaic-wind distribution networks considering comprehensive economic efficiency[J]. Science Technology and Engineering, 2024, 24(12): 5014-5022.

[14]	陈倩, 王维庆, 王海云, 等. 含分布式电源的配电网动态无功补偿优化策略研究[J]. 太阳能学报, 2023, 44(1): 525-535.

[15]	Chen Qian, Wang Weiqing, Wang Haiyun, et al. Optimization strategy for dynamic reactive power compensation in distribution networks with distributed generation[J]. Acta Energiae Solaris Sinica, 2023, 44(1): 525-535.

[16]	邵梓轩, 窦春霞, Victor Kuzin, 等. 计及需求侧响应的配电网有功-无功协同双层优化调度[J]. 科学技术与工程, 2024, 24(32): 13826-13835.

[17]	Shao Zixuan, Dou Chunxia, Victor Kuzin, et al. Dual-layer coordinated active-reactive optimization scheduling of distribution networks considering demand-side response[J]. Science Technology and Engineering, 2024, 24(32): 13826-13835.

[18]	Ba-Swaimi S, Verayiah R, Ramachandar A V K, et al. Optimal planning of renewable distributed generators and battery energy storage systems in reconfigureble distribution systems with demand response program to enhance renewable energy penetration[J]. Results in Engineering, 2025, 25: 104304.

[19]	陈倩, 王维庆, 王海云. 基于需求侧响应的主动配电网双层优化方法[J]. 电力系统保护与控制, 2022, 50(16): 1-13.

[20]	Chen Qian, Wang Weiqing, Wang Haiyun. Bi-level optimization method for active distribution networks based on demand-side response[J]. Power System Protection and Control, 2022, 50(16): 1-13.

[21]	张蕊, 李铁成, 李晓明, 等. 考虑设备动作损耗的配电网分布式电压无功优化[J]. 电力系统保护与控制, 2021, 49(24): 31-40.

[22]	Zhang Rui, Li Tiecheng, Li Xiaoming, et al. Distributed voltage and reactive power optimization for distribution networks considering device action losses[J]. Power System Protection and Control, 2021, 49(24): 31-40.

[23]	刘一欣, 郭力, 王成山. 微电网两阶段鲁棒优化经济调度方法[J]. 中国电机工程学报, 2018, 38(14): 4013-4022, 4307.

[24]	Liu Yixin, Guo Li, Wang Chengshan. Two-stage robust economic dispatch method for microgrids[J]. Proceedings of the CSEE, 2018, 38(14): 4013-4022, 4307.

[25]	李鹏, 李林媛, 王加浩, 等. 考虑风电不确定性和储能灵活性的有源配电网有功无功协同鲁棒优化[J]. 太阳能学报, 2024, 45(7): 303-311.

[26]	Li Peng, Li Linyuan, Wang Jiahao, et al. Active distribution network active and reactive power coordinated robust optimization considering wind power uncertainty and energy storage flexibility[J]. Acta Energiae Solaris Sinica, 2024, 45(7): 303-311.

[27]	高红均, 刘俊勇. 考虑不同类型DG和负荷建模的主动配电网协同规划[J]. 中国电机工程学报, 2016, 36(18): 4911-4922, 5115.

[28]	Gao Hongjun, Liu Junyong. Coordinated planning considering different types of DG and load in active distribution network[J]. Proceedings of the CSEE, 2016, 36(18): 4911-4922, 5115.

[29]	阮贺彬, 高红均, 刘俊勇, 等. 考虑DG无功支撑和开关重构的主动配电网分布鲁棒无功优化模型[J]. 中国电机工程学报, 2019, 39(3): 685-695, 948.

[30]	Ruan Hebin, Gao Hongjun, Liu Junyong, et al. A distributed robust reactive power optimization model for active distribution networks considering dg reactive power support and switch reconfiguration[J]. Proceedings of the CSEE, 2019, 39(3): 685-695, 948.

[31]	袁桂丽, 丁宁, 杨彪, 等. 源网荷储协同优化的主动配电网日前调度[J]. 科学技术与工程, 2024, 24(24): 10337-10347.

[32]	Yuan Guili, Ding Ning, Yang Biao, et al. Active distribution network day-ahead scheduling based on coordinated optimization of source-grid-load-storage[J]. Science Technology and Engineering, 2024, 24(24): 10337-10347.

基金资助

陕西省重点研发项目(2024GX-YBXM-281)

PDF (5722KB)

访问

被引

详细

导航

Received	Published	Revised
2025-07-13	2026-07-18	2026-01-09
Online Date
2026-08-04

摘要