[发明专利]考虑碳排放的配电网源网荷储协同优化调度模型和方法

权利要求书

1.考虑碳排放的配电网源网荷储协同优化调度方法，用于配电网荷载部分与储能部分的协同调度，其特征在于：所述方法包括以下步骤；

步骤S1：以优化碳排放水平为标准来选择荷储协同调度模型中的荷储元件；

步骤S2：以配电网碳排放水平、调度运行费用和电压稳定性为优化目标，以荷储元件中的分布式电源的有功出力、分布式电源的无功出力、可投切电容器投入水平、有载调压变压器分接头调整、配电网网架为决策变量，建立考虑碳排放的配电网源网荷储协同优化调度模型；

步骤S3：以带精英策略快速非支配排序的多目标粒子群算法求解步骤S2所建立的调度模型；并按求解结果进行调度；

所述荷储元件包括下述中的至少一种：DG的分布式电源、CB的可投切电容器、OLTC的有载调压变压器；

所述考虑碳排放的配电网源网荷储协同优化调度模型包括下述的至少一种：DG时序模型、配电网的网架时序模型、CB时序模型、负荷的时序模型以及OLTC时序模型；

所述DG时序模型采用分布式清洁能源建立，所述分布式清洁能源包括WTG和PVG；

所述考虑碳排放的配电网源网荷储协同优化调度模型中，WTG按照下述公式确定

式中：P_t^WTG表示t时刻WTG的有功功率，P_r^WTG表示WTG的额定有功功率，v_ci、v_co和v_r分别表示WTG的切入风速、切出风速和额定风速，v_t表示t时刻风速；

所述PVG按照下述公式确定

式中：P_t^PVG表示t时刻PVG的有功功率，表示PVG的额定有功功率，I_r表示额定光照强度，I_t表示t时刻光照强度；

步骤S1中，配电网的DG的有功功率和无功功率均可以调节，并满足如下约束条件；

其中P_t^DG、分别表示DG的有功、无功和视在功率，表示DG有功调节系数最大值；公式中，单台DG的有功不可调节，是不可控电源；

在所建立负荷的时序模型中，通过需求侧响应可以对负荷进行削减；负荷的削减量如下；

ΔP^load＝λ^loadP^load                             (公式A4)

其中P^load、ΔP^load分别表示负荷和负荷削减量，λ^load表示负荷调节系数；

在配电网的网架时序模型建立中，

配电网网架中，B表示网络节点集合，L表示网络线路的集合，G为配电网的网络拓扑，G＝B,L，且配电网辐射性满足如下式约束；

其中，配电网网架，N_B表示配电网节点数量，G(S)表示G的真子图，S为真子图G(S)中包含的网络节点；

配电网网架模型的辐射性约束基于环路结构，其环路结构基本环路数量为N，具有反孤点、孤岛约束，且符合公式A5的约束；

所述储能部分采用电池储能方式，在分布式电源侧接入，其建立的储能时序模型及其充放电策略具体如下：

其中表示储能当前电量，表示下一时刻电量，ΔE_t表示储能充放电电量；

上述策略为一种基于等效负荷的储能充放电策略，具体策略如下：

其中P_t^eq表示等效负荷，P^av表示等效负荷的平均值；

当P_t^eq+P_t^ESS＜P^av时，此时等效负荷较小，处于负荷低谷，储能部分充电，充电电量如下：

当P_t^eq-P^av＞P_t^ESS，等效负荷较大，处于负荷高峰，储能部分放电，放电电量如下：

其中P_t^ESS表示储能充放电功率，η_c、η_disc分别表示储能充放电系数，Δt表示充放电时间；

当-P_t^ESS＜P_t^eq-P^av＜P_t^ESS，等效负荷和平均负荷较为接近，ΔE_t＝0，储能既不充电，也不放电；

优化调度模型的决策变量为配电网DG有功输出和无功输出、CB的投切方法、OLTC分接头位置、配电网网架、负荷调节因子，优化目标为最小碳排放、最优经济性和最优电压水平；

步骤S2中：所述优化调度模型如下式所示；

其中，F表示目标函数，分别为碳排放量f₁，经济成本f₂，电压水平f₃，G(x)和H(x)分别表示模型中的不等式约束和等式约束；考虑碳排放的配电网源网荷储协同优化是一个混合整数非线性优化问题；

决策变量x具体如下：

其中，t表示时刻，i表示对应的节点，ij表示线路；表示网架结构变量；分别表示WTG、PVG在t时刻投入组数；分别表示WTG、PVG在t时刻的无功输出；表示CB的投入组数，T_t^gen表示OLTC分接头的位置；λ_i,t表示负荷调节系数；

步骤S3中，所述带精英策略快速非支配排序的多目标粒子群算法为NS-MOPSO算法，具体包括如下步骤；

步骤SB1：设置t＝1，输入配电网DG、负荷参数，并初始化种群；

步骤SB2：进行潮流计算，并判断是否满足各项约束，如满足约束，则直接计算例子的适应度，如不满足约束，需要添加惩罚因子M；适应度计算方法如式(23)所示；

其中，f_penty表示带惩罚因子的适应度，f_origin表示不带惩罚因子的适应度；

当各项约束满足时，M＝0，f_penty＝f_origin；当不满足约束时，M＝1，f_penty＝+∞；

NS-MOPSO算法还包括如下步骤

步骤SB3：通过带精英策略的快速非支配排序算法，获取头部粒子排序为1的精英粒子形成pareto解集，并从中随机选取一个非劣解作为初始种群最优解P_best和初始全局最优解G_best；在迭代过程中，采用TOPSIS算法更新种群最优解P_best和全局最优解G_best；

步骤SB4：更新种群位置，并计算适应度；

所述更新种群的方法中，配电网网架变量设为二进制变量，采用二进制粒子群算法更新种群位置，如以下的(公式24)～(公式25)所示，并且需要满足上述的辐射性结构约束；其中若配电网中的基本环路有多回支路为状态1断开状态，则从中随机选择1条支路为断开状态，其余设置为状态0闭合状态；

其余变量采用粒子群优化算法更新种群位置，如下式(公式26)所示；

其中ω表示惯性系数，c₁、c₂表示学习因子，X和V表示种群和速度，上标k和k+1表示第k代和第k+1代；值得注意的是，变量T_t^gen是整数变量，需要进行取整操作；

引入自适应的惯性系数优化粒子群算法性能，如式(27)所示；

ω_k+1＝ω_init-(ω_init-ω_k)(k/k^max)²                 (公式27)

式中：ω_init表示惯性权重初始值；ω_k表示第k代的惯性权重；k_max表示最大迭代次数；

步骤SB5：重复步骤SB2～步骤SB4，直到满足迭代结束条件或最大迭代次数；

步骤SB6：采用TOPSIS算法获得最优解；

步骤SB7：t＝t+1重复步骤SB1～步骤SB6，计算所有时间断面下的优化调度结果。