16、分布式输配电协调能源管理技术解析-CSDN博客

分布式输配电协调能源管理技术解析

1. 引言

在电力系统运行中，协调输配电系统的最优潮流至关重要。这不仅关系到电力系统的经济性，还影响着系统的安全性和稳定性。随着分布式能源资源（DERs）的不断接入，如何有效地管理和优化输配电系统的运行成为了一个关键问题。本文将深入探讨相关的优化方法及其效果。

2. 案例研究

2.1 不同OPF方法对TPS运行的影响

在T14D4的案例中，对比了ITOPF（独立最优潮流）和TDOPF（输配电协调最优潮流）方法。通过表格展示了TPS线路首端的Mvar潮流情况：
| | G | G | G | G | G | D1 | D2 | D3 | D4 |
| — | — | — | — | — | — | — | — | — | — |
| 情况一 | +56.16 | +19.83 | +4.69 | +33.18 | +14.63 | +28.22 | +5.79 | - 68.13 | |
| 情况二 | - 68.13 | +8.11 | +14.63 | +16.59 | +52.85 | +30.24 | +24.23 | +12.44 | - 4.53 |
| | | | | | | | | -3.10 | -7.57 |
| | | | | | | | | -5.33 | - 4.53 |

同时，还对比了两种方法下TPS发电机的有功功率和发电成本：
| 发电机 | ITOPF 有功功率 (MW) | TDOPF 有功功率 (MW) | ITOPF 目标值 | TDOPF 目标值 |
| — | — | — | — | — |
| TGen1 | 191.08 | 187.77 | 7611 | 8436 |
| TGen2 | 38.29 | 37.58 | | |
| TGen3 | 40.18 | 29.90 | | |
| TGen4 | 5.90 | 0.00 | | |
| TGen5 | 0.00 | 0.00 | | |

从这些数据可以看出，TDOPF在降低发电成本方面表现更优，提高了TPS运行的经济性能。

2.2 不同OPF方法对DPS运行的影响

2.2.1 电压优化

在模拟天气变化，将DG输出增加1.5倍的情况下，对比了IDOPF（独立配电网最优潮流）和TDOPF对DPS侧节点电压的优化效果。
- IDOPF：有两个节点达到电压上限，超过10个节点接近电压上限（>1.04 p.u.）。
- TDOPF：通过TCC调节边界母线电压，解决了电压超限问题，为DCC调节DPS侧电压分布提供了更大空间。

以下是优化后的节点电压对比图示意：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A[IDOPF电压曲线]:::process --> B(节点电压):::process
    C[TDOPF电压曲线]:::process --> B
    D[电压上限]:::process --> B

2.2.2 DG削减

对比了TDOPF和IDOPF中DG输出的削减情况。在IDOPF中存在DG削减现象，而TDOPF成功避免了这种情况。当DG渗透率增加20%时，IDOPF会有6 - MW的削减，占DG容量的10%以上，而TDOPF依然能避免削减。
| 方法 | D1 功率 (MW) | D2 功率 (MW) | D3 功率 (MW) | D4 功率 (MW) |
| — | — | — | — | — |
| TDOPF | | | | |
| IDOPF | | | | |

2.2.3 边界母线功率不匹配

IDOPF中边界母线存在显著的视在功率不匹配问题，例如D4的边界母线不匹配达到6.67 MVA。这些不匹配会导致后续调节和额外的运行成本。而TDOPF通过TCC和DCC的协调，避免了边界不匹配的发生。
| 方法 | D1 功率不匹配 (MVA) | D2 功率不匹配 (MVA) | D3 功率不匹配 (MVA) | D4 功率不匹配 (MVA) |
| — | — | — | — | — |
| TDOPF | 0 | 0 | 0 | 0 |
| IDOPF | | | | 6.67 |

2.3 计算性能对比

对比了HGD（异构广义分解）、APP（辅助问题原理）和Biskas’s OCD（分散式最优潮流）方法的计算性能，包括迭代次数和最优值：

2.3.1 迭代次数

系统	子系统数量	HGD 迭代次数	APP 迭代次数	OCD 迭代次数
T14D1	2	7	35	30
T14D4	5	22	99	57
T57D10	11	21	31	N/A
T57D14	15	37	46	N/A

从迭代次数来看，HGD方法在各测试系统中迭代次数最少。

2.3.2 最优值

系统	HGD 最优值 ($)	APP 最优值 ($)	OCD 最优值 ($)	全局最优值 ($)
T14D1	7915.99	7915.96	7915.58	7915.99
T14D4	7564.23	7564.21	7564.94	7564.23
T57D10	39831.33	39830.57	N/A	39831.33
T57D14	39815.65	39814.87	N/A	39815.65

HGD方法提供的解最接近集中式TDOPF模型的全局最优解，其收敛解不仅局部最优，而且全局最优。

2.4 相关理论及方法优势

2.4.1 G - MSS理论基础

提出了一种新的分布式计算理论G - MSS（广义主从分裂）来解决相关优化问题。其核心是HGD方法，该方法受TCC和DCC运行特性启发，将G - TDCM（广义输配电协调模型）的最优性条件进行异构分解，构建传输子问题和分布子问题。TCC和DCC仅需交换有限的边界母线信息，就能分布式地求解子问题。

2.4.2 方法优势

收敛性和最优性 ：HGD方法具有有条件的局部一阶收敛率，收敛解满足G - TDCM的一阶最优性条件，对于凸优化问题，收敛解为全局最优解。
计算效率 ：为提高G - MSS的计算效率，提出了几种改进的HGD方法。例如，基于DPS响应函数的HGD方法在分布式GPF（广义潮流）问题上有出色的收敛性，基于TPS响应函数的HGD方法在ED（经济调度）问题上收敛性良好。
成本优势 ：从G - MSS理论推导的分布式方法，如GPF、GTCA（广义暂态稳定分析）、TDVSA（输配电电压稳定性分析）、TDCED（输配电协调经济调度）和TDOPF等，在解决问题时所需的通信和计算成本低于其他分解方法。
鲁棒性 ：这些分布式方法对初始化过程和问题规模具有鲁棒性。

2.5 未来展望

目前的G - TDCM是确定性优化模型，不考虑不确定性和整数变量。但如果将G - MSS理论与模型预测控制方法结合，可以为不确定的TDCED或TDOPF问题提供分布式解决方案。与舍入策略结合，还能得到混合整数优化问题的次优解。未来可进一步研究分布式且高效的混合整数优化、随机优化或鲁棒优化解决方案。

综上所述，TDOPF和基于G - MSS理论的分布式方法在电力系统运行的经济性、安全性和稳定性方面具有显著优势，为未来电力系统的发展提供了有力的技术支持。

3. 关键技术点总结

3.1 输配电协调最优潮流（TDOPF）的优势

3.2 分布式计算方法对比

不同分布式计算方法在迭代次数和最优值方面存在差异，以下是一个对比总结：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A[HGD方法]:::process --> B(迭代次数少):::process
    A --> C(解接近全局最优):::process
    D[APP方法]:::process --> E(迭代次数多):::process
    D --> F(解较接近全局最优):::process
    G[Biskas’s OCD方法]:::process --> H(部分系统不适用):::process
    G --> I(解与全局最优有差距):::process

从上述对比可以看出，HGD方法在计算性能上具有明显优势，不仅迭代次数少，而且能得到更接近全局最优的解。

3.3 G - MSS理论的核心要点

G - MSS理论作为解决相关优化问题的关键理论，其核心要点如下：
- HGD方法 ：受TCC和DCC运行特性启发，将G - TDCM的最优性条件进行异构分解，构建传输子问题和分布子问题。TCC和DCC仅需交换有限的边界母线信息，就能分布式地求解子问题。
- 收敛性和最优性 ：HGD方法具有有条件的局部一阶收敛率，收敛解满足G - TDCM的一阶最优性条件，对于凸优化问题，收敛解为全局最优解。
- 改进方法 ：为提高计算效率，提出了基于DPS响应函数和TPS响应函数的改进HGD方法，分别在分布式GPF问题和ED问题上有出色的收敛性。

4. 实际应用思考

4.1 应用场景

高比例分布式能源接入 ：随着越来越多的分布式能源资源（DERs）接入电力系统，TDOPF和基于G - MSS理论的分布式方法能够更好地协调输配电系统的运行，解决DERs接入带来的电压波动、功率不匹配等问题。
电力系统故障恢复 ：在电力系统发生故障后，这些方法可以帮助快速恢复系统的正常运行，减轻线路过载问题，提高系统的可靠性和稳定性。

4.2 操作步骤

如果要在实际中应用这些方法，可以参考以下操作步骤：
1. 数据收集 ：收集输配电系统的相关数据，包括线路参数、发电机参数、负荷数据、DG输出数据等。
2. 模型建立 ：根据收集的数据，建立G - TDCM模型，确定优化目标和约束条件。
3. 方法选择 ：根据具体问题和系统特点，选择合适的分布式计算方法，如HGD方法或其改进方法。
4. 求解过程 ：利用所选方法对模型进行求解，TCC和DCC交换有限的边界母线信息，分布式地求解子问题。
5. 结果分析 ：对求解结果进行分析，评估系统的运行状态，如发电成本、电压分布、DG输出等。
6. 调整优化 ：根据结果分析，对系统进行调整和优化，如调整发电机出力、调节电压等。

4.3 挑战与对策

5. 总结

TDOPF和基于G - MSS理论的分布式方法在电力系统运行中具有显著的优势，能够提高系统的经济性、安全性和稳定性。通过对比不同方法的计算性能，我们发现HGD方法在迭代次数和最优解方面表现出色。G - MSS理论的核心HGD方法具有良好的收敛性和最优性，并且通过改进方法进一步提高了计算效率。

在实际应用中，这些方法适用于高比例分布式能源接入和电力系统故障恢复等场景。虽然可能会面临不确定性、整数变量和计算复杂度等挑战，但通过相应的对策可以有效应对。未来，随着电力系统的不断发展，分布式且高效的混合整数优化、随机优化或鲁棒优化解决方案将成为研究的重点方向，为电力系统的可持续发展提供更有力的支持。