1. 网站地图
  2. 设为首页
  3. 关于我们


基于输配协同的无功辅助服务综合市场出清 模型研究

发布时间:2022-11-20 16:28
目 录
摘 要 I
ABSTRACT II
第1 章 绪 论 1
1.1课题研究背景和意义 1
1.2国内外研究现状及分析 2
1.2.1辅助服务市场的概念与现状 2
1.2.2无功辅助服务市场的概念研究现状 3
1.2.3输配电网间协同合作的研究现状 4
1.3本文的主要研究内容 6
第2 章 基于光伏逆变器调节的主动配电网无功优化模型 7
2.1引言 7
2.2光伏逆变器的无功调节能力 7
2.3主动配电网的无功优化模型 9
2.3.1目标函数 9
2.3.2约束条件 9
2.3.3二阶锥松弛方法在模型中的应用 11
2.4算例分析 12
2.5本章小结 16
第3 章 输配协同下的综合市场出清框架与模型 17
3.1引言 17
3.2常见的分散式TSO-DSO协同AS市场框架 17
3.3输配协同下的无功辅助服务综合市场出清框架 20
3.3.1日前能量市场出清框架 21
332 RPAS市场出清框架 22
3.4输配协同下的日前能量市场出清模型 22
3.4.1日前能量市场中配电市场出清框架 22
3.4.2日前能量市场中的输电市场出清模型 23
3.5输配协同的RPAS市场出清模型 24
3.5.1RPAS市场中配电市场出清模型 24
3.5.2RPAS市场中输电市场出清模型 25
3.5.3双变量乘积组成的非线性项处理方法 27
IV
3.6本章小结 27
第4章 ADMM算法在综合市场出清模型的求解与应用 28
4.1引言 28
4.2基于 ADMM 的一般一致性优化方法 28
4.2.1分布式算法原理 28
4.2.2ADMM 算法的基本原理 29
4.2.3基于 ADMM 的一般一致性优化方法 30
4.3模型求解 31
4.3.1基于市场框架的输配系统解列与信息交互 31
4.3.2基于ADMM的一般一致性算法的输配电网出清模型 32
4.4算例分析 34
4.4.1T5-D33 测试系统 35
4.4.2T30-D33 测试系统 39
4.5本章小结 43
44
参考文献 45
攻读硕士学位期间发表的论文及其它成果 52
东北电力大学学位论文原创性声明和使用权限 53
《中国优秀博硕士学位论文全文数据库》和《中国学位论文全文数据库》投稿声明 54
55
第 1 章 绪 论
1.1课题研究背景和意义
近年来,气候变化已经成为国际社会关注的重点问题。2018 年,联合国政府间气候变 化专门委员会(Intergovernmental panel on climate change, IPCC )发布报告,指明了气候变化 问题的紧迫性[1-2]。与新冠肺炎疫情类似,气候问题已成为人类面临的共同挑战。国际可再 生能源署(International renewable energy agency, IRENA)发布的《能源转型之电网灵活性》 报告中指出,到2050年,风电(Wind turbines, WT)、光伏(Photovoltaic, PV)等可再生能源 (Renewable Energy Sources, RES)在全球未来电力系统中的比例将上升至85%[3-4],而推动能 源转型是实现“碳达峰、碳中和”战略目标的重要路径。我国将努力争取 2030 年前实现“碳 达峰”, 2060 年前实现“碳中和”。我国作为全球第一大电力消费国同时也是第一大碳排放 国,电力在我国能源消费与碳排放中占据重要地位。截至 2021 年底,我国发电装机容量 已经达到23.8亿kW,但可再生能源发电装机容量占比和发电量占比仅分别为41.13%和 29.5%,电力碳排放占全国碳排放总量的四成以上。低碳电力技术已经成为引领电力能源 行业变革、实现低碳创新发展的源动力[5]。在供应侧,电源结构将持续清洁化,可再生能 源将取代化石能源发电成为主力电源;火电在未来将很大程度上取决于碳捕获与封存技术 的发展前景。在电网侧,具有间歇性的PV和WT高比例接入,将使电力系统面临空前的 稳定性和灵活性挑战。在需求侧,终端用能加速电气化成为深度脱碳的重要途径,多样性 负荷不断接入,综合能源供需耦合,用能智能化与信息化水平将全面提升。因此,电力系 统的低碳转型已成为我国“碳达峰、碳中和”战略的重要组成部分,构建以新能源为主体 的新型电力系统对“碳达峰、碳中和”目标的实现将起到关键作用。
作为我国实现“碳达峰、碳中和”战略目标的重要行业,如何在积极响应国家号召的前 提下保证电力系统运行的安全性和稳定性是电力行业面临的一个重要问题。由于电力生产 的特殊性,要保证确保电网自身运行安全性的前提下,使用户得到优质、廉价的电能以及有 选择地、有竞争地为能量交易提供优质服务,而这需要配套多种辅助服务(Ancillary service, AS)。而未来的电力系统将由直接连接到输电网络的可再生能源和分散在配电系统中的许 多小型分布式电源(Distributed generation, DG)主导。若可以将化石能源通过新兴可再生能 源所替代进行发电,则可以起到有效缓解环境污染等问题[6]。DG也可以通过其灵活性供电 的特点弥补集中供电的不足[7]。与此同时,由于传统发电机的减少,过载节点(特别是输电 系统和配电系统之间的边界节点)将出现无功功率短缺,这使电压问题成为了输电网边界节 点的关键问题[8-9]。而无功辅助服务(Reactive power ancillary service, RPAS)可以降低系统能 耗,改善电网电压质量,并有效地保证电力系统安全与稳定运行,其重要性也日益增加。
与此同时,能源市场也正在发生重大变化,一方面是欧洲内部能源市场的实现,另一
- 1 -
方面是DG渗透率地不断增加。大量的DG主要连接在配电网上,这使得输电系统运营商 (Transmission system operator, TSO)和配电系统运营商(Distribution system operator, DSO)和 其他市场参与者对辅助服务的需求更高。这为系统运营商提供了一个将这些资源用于配电 网和输电网频率控制、电压控制和阻塞管理等服务的机会。另外,未来电力供应将越来越 依赖DG,而目前大多数包含PV和WT等间歇性能源的DG,由于规模较小、不可靠、运 营成本高等特点,只能有限地向配电系统注入功率且并不参与电力系统网络运行。但通过 聚合这些资源可能会创建更大的市场参与者,这给DG参与市场带来了更多的可能性。从 电压调节的角度来看,输电网可以从许多嵌入中压和低压级的无功电源中受益。随着数据 中心数量的增长, TSO 和 DSO 之间需要更多的协调与合作以确保网络的安全运行[10]。而 配电网逐渐向主动配电网(Active distribution network, ADN)进行转变,其运行状态也更加灵 活。输电网络与配电网络耦合之间的潮流也由单向向双向逐渐变化,显著增强了两者之间 的耦合关系。综上所述,具有较强协调能力的ADN具有向输电网提供RPAS的能力。建 立输配协同的 RPAS 市场可以在更大范围内实现无功资源的有效利用,提高输、配电网的 经济性,对实现输配电网在电力市场的协同合作具有重要的意义。
1.2国内外研究现状及分析
1.2.1辅助服务市场的概念与现状
电力辅助服务不同于常规的电力系统服务,电力系统服务指的是系统运营商向网络所 有用户提供的服务,而辅助服务通常是由系统运营商向发电商和用户购买。电力辅助服务 从功能的角度区分可主要分为三类,即有功辅助服务、无功辅助服务、事故应急及恢复服 务[11]。而辅助服务也有着基本辅助服务与有偿辅助服务的区分。根据我国 2020 年公布的 电力名词中,辅助服务市场定义为:电力市场中针对保证系统安全稳定运行所需的辅助服 务进行交易的市场。在电力市场中的辅助服务主要包括一次调频、调峰、备用、自动发电 控制(Auto gain control, AGC)以及无功调节等。由于国外的电力市场发展较为成熟,电力辅 助服务通常与电力系统调度联合运营,因此国外的辅助服务市场方向研究以及市场相关机 制研究也较为丰富。而目前我国对于电力现货市场方面仍处于初始阶段,需要较长的发展 时间。关于辅助服务市场的理论研究在国内刚刚起步,目前尚未见到比较完整的理论和应用 方面的研究成果。全国现有的辅助服务市场以调峰辅助服务为主。随着电力市场改革的推 进,近年来辅助服务市场化建设加速,全国各地区也出台了相应的辅助服务补偿政策。文 献[12]认为电力市场中的辅助服务为发电市场完成大部分交易后,系统当日实时运行要求有 一个有功、无功的实时平衡服务及其它的运行服务来保证供电质量的安全性和可靠性。文 献[13]认为电力市场的运营与管理可能会受到一些随机波动等不可控制因素的影响,而辅 助服务则为保证电力系统供电质量和可行性而实时平衡电力系统功率的服务以及维持系 统运行安全性与稳定性的其余服务。文献[14]认为目前可以获取电力市场辅助服务的三种
- 2 -
辅助服务市场模式分别为双边合同型,统一型和投标型。针对于辅助服务交易模式,我国 山东、浙江、上海以及东北等地逐步结合自身电网结构与地域特点,出台了所属地区的辅 助服务市场建设方案。文献[15]基于东北电网调峰辅助服务市场发展现状,从不同角度对 东北电网调峰补偿机制进行研究与改善,并提出了东北电网跨省调峰资源交易机制以及改 进方向。而新疆深度调峰辅助服务采用阶梯式报价机制的交易模式,在不同阶段采用不同 的报价,并以日前调用、日内调用构成的深度调峰交易形成了不同档次的实时出清价格[16]。 文献[17]对比和分析了我国各个区域电网之间的不同辅助服务补偿计算方式,并且定量分 析和定量评估了辅助服务补偿细则。文献[18]在考虑经济调节的因素的前提下,根据我国 当前电力市场的环境,对核电参与辅助服务市场的补偿机制展开研究,并提出有效的辅助 服务市场定价机制。而国外对于辅助服务市场交易模式方面相应做出一些研究。文献[19] 介绍了美国加州辅助服务市场以及灵活爬坡产品,分析了加州辅助服务市场对于中国电力 市场的可借鉴性并提出一些建议。而对于英国电力市场来说,英国国家电网公司不仅负责 组织采购电力市场中的辅助服务产品还需要负责运营平衡机制来实现电力供需的短时平 衡[20]。文献[21]对国外多个国家和地区电力市场以及相应的辅助服务市场的发展历程、出 台的辅助服务产品与政策机制进行分析和对比,结合我国相对应方向的发展现状,对我国 辅助服务市场机制设计提出建议。
1.2.2无功辅助服务市场的概念研究现状
在电力系统中, RPAS 承担着电网的无功/电压调控任务。在保证电力系统运行安全性 与稳定性的同时保证电力市场交易顺利进行。在交流电力系统中,电压是通过控制无功功 率的产生和吸收来控制的。而 RPAS 主要是通过发电机或输电系统中的其他无功电源向系 统发出感性无功功率与容性无功功率,以此来维持输电系统的电压在允许范围内。当输电系 统进行大量电量交易时,系统功率传输会受到其电压水平影响。而较优的无功潮流分布可 以降低系统网络的有功损耗并提高电压波形质量,进而降低电压造成系统故障的概率,使 系统保持运行的高效性与可靠性的同时在一定程度下保证系统的经济效益。 RPAS 对电力 系统运行的可靠性、安全稳定性以及经济性都起到了至关重要的作用。因此, RPAS 在确 保电压稳定进而保证电力市场可靠运营与交易有着重要的意义。与有功服务相比, RPAS 有着供应的地域性、控制的分散性、手段的多样性和分析的复杂性等特点[22]。关于 RPAS 的相关研究主要集中在无功成本分摊、无功定价和无功资源利用等几个方面[14]。
无功成本方面,文献[23]认为发电费用为有功辅助服务的主要成本,而相比之下,对于 RPAS 进行分析和比较存在较大复杂性的原因在于无功的运行成本较小但投资成本很大。
文献[24]提出使用日前市场的投标数据来估算各发电商的无功成本曲线可以避免市场支配 力。系统的无功功率需求必须考虑系统无功功率的产生和吸收。而无功服务的价格取决于 系统参数和发电公司的位置。而文献[25]对无功成本函数进行详细的分析。文献[24]、 [26] 发现一些从不同方面考虑无功成本的模型并证明其有效性。文献[27]基于我国电力市场发
- 3 -
展现状,提出一种RPAS分段报价准则,并以此为基础提出了多目标无功优化控制方法。 为后续RPAS市场化的推广及应用提供理论和实践支撑。
无功电价方面,文献[28]中提出了考虑用户利益最大化和实际电力生产成本最小化的 实时无功电价方案。文献[24]提出了在各电压控制区中,通过最小化期望支付函数来统一 无功电价的方法。文献[29-30]中的作者使用节点边际价格(Locational marginal price, LMP) 作为无功功率定价。但由于无功功率的区域性,以 LMP 作为无功价格是不合适的。也有 一些研究基于配电系统网络线路较短的特点而采用DLMP进行无功定价[31]。由于无功服务 对维持电压稳定裕度的影响,无功电价可以通过按单位具体成本付费、基于边际成本价格 的拍卖等方式实时进行。由于系统中无功支持的本地化特性,有机会通过发电设施来行使 市场权力。即使在实际的电力市场中,基于 LMP 的市场也会因市场功率的影响而降低经 济效率,而长期合同制对于缓解该问题具有有效性[28]。文献[32]建立了一种基于出价成交 (Pay as bid,PAB)交易机制的日前无功市场,并利用发电机期望支付函数构建了市场出清 框架。
无功资源方面,文献[33]体现了配电系统中的小型PV电源如何为其他网络提供无功功 率服务。文献[34]通过 DG 和传统资源的结合使用,实现相应的电压辅助服务策略以满足 系统对电压暂时稳定的要求。文献[35]中的作者基于能量市场的角度研究了 RPAS 市场框 架,并激励DG参与无功优化。文献[36]提出了一种目标函数为最小化网络损耗、电压偏 差和无功功率成本的无功优化策略。文献[37]通过使用配电网络中现有的并联变压器为输 电网络提供RPAS的替代方法。然而在上述研究中,DSO的隐私没有得到很好的保护,并 且DG的灵活性也没有得到充分利用。文献[38]提出了一种通过DG提供RPAS以控制配电 馈线中稳态电压的最佳方法。文献[39]提出了一种利用DG来减少配电网络的线路损耗以 达到改善无功功率管理的目的。
综上所述,针对以上文献可知,国外对于RPAS的无功成本分摊、无功定价和无功资 源利用等方面展开了丰富的研究。但对于ADN中DG向输电网提供无功调节的辅助服务 相关市场机制并没有得到广泛研究。国内的辅助服务市场仍以调峰辅助服务市场为主,相 关市场机制研究也尚未成熟。而国内RPAS尚未实现市场化,针对于RPAS市场化的具体 框架与机制尚未得到广泛研究。因此,本文基于当前电力市场环境对RPAS的市场机制与 框架展开研究与探索。
1.2.3输配电网间协同合作的研究现状
输电系统和配电系统虽然在物理上是耦合的,但二者分别由TSO和DSO进行管理。 输电能源管理和配电能源管理之间的协同合作非常有限。通常情况下, TSO 与 DSO 缺少 信息交互时,将配电网简化作为负载注入。同样,在DSO缺少与TSO信息交互的情况下 运行系统,输电网将简化为一个电压源。因此,当前的TSO和DSO对彼此的系统操作和 控制几乎是不可见的。而随着新型分布式控制的应用,例如DG和自动化设备,被动配电
- 4 -
系统变得“主动”,与无源配电网不同,ADN能够通过DG在本地为最终用户供电。因此, 需要同时考虑输电系统和配电系统的操作和控制。据报道, DG 在加利福尼亚的高渗透率 将给输电系统运营带来重大困难[40],输配系统将难以通过当前的单独管理模式进行管理。
此外,对于著名的 2011 年亚利桑那州南加州停电事件,联邦能源监管委员会和北美电力可 靠性公司报告指出,事件的主要原因之一是由于TSO和DSO之间缺乏协调性。而将ADN 纳入电力系统管理可能会在经济和安全方面提高整体系统性能,使输配电网的协同管理受 到广泛关注[41-42]。ADN可以为输电系统提供各种服务,使两个系统可以在电压安全、运行、 规划等方面进行协同合作以实现更佳的电网性能。文献[43]中提出了一种协调的输配电交 流优化潮流方法以提高整个系统的经济运行。在文献[44]中提出了一种新的分散恢复方案, 以实现输电与配电耦合系统的高效协调恢复。在输配电网协同管理的框架下,文献[45]提 出了一种利用ADN能力的输电网络多级过载缓解方法。而文献[46]对辅助服务市场中TSO 和 DSO 之间的不同协同方案进行介绍。
输配电网是互连系统的一部分, TSO 和 DSO 做出的任何决策都会影响到另一方的运 营和决策。但是, TSO 和 DSO 是具有自己的规则、政策和目标的自主控制实体。 TSO 和 DSO 也可能相互竞争以实现其目标经常会出现一方争求自身利益最大化而另一方争求自 身成本最小化。因此, TSO 和 DSO 彼此并不愿意共享各自系统的敏感数据。此外,故障 和网络攻击可能会对集中式控制方法的功能产生毁灭性的影响[47]。综上所述,以集中的信 息处理方式以及集中式模型来应对和求解输配电网协同问题已经不再合适了。而基于上述 环境, TSO 和 DSO 的信息隐私保护显得十分重要。目前,大部分对于输配协同问题的研 究都采用分布式的处理方法。其中,综合输配电系统分析中的功率流和无功控制方面引起 了广泛关注[48]。文献[49]-[50]提出了主从潮流法,将输电网建模为主系统,配电网建模为 从系统。对边界变量进行更新,以迭代方式求解输配潮流。文献[51]应用异构分解技术对 集中式问题进行分解,求解了输配协同的经济调度问题。在此基础上,文献[52]中作者提 出了基于三序三相混合建模和分区求解方法的集成输配系统动态仿真算法。文献[53]提出 了一种 TSO-DSO 经济调度的分层协调机制,解决了大规模分布式能源调度的难题,并对 能源与储备调度的协调问题进行建模与分析。文献[54]中提出了一种在可再生能源预测不 确定性下使用随机ACOPF对DSO进行无功管理的方法,并且允许DSO协调并向TSO提 供RPAS。而文献[55]将电压支撑视为输电系统的辅助服务,并提出了一种基于最优潮流的 集中控制方案并可以优化ADN的实时系统运行。文献[56]从灵活性需求的角度,提出了输 配系统服务联合采购的市场框架。并以丹麦三级控制储备市场为例,论证了建立一个与配 电市场相关联的阻塞管理服务市场的可行性。
在配电网上连接DG数量不断增加的情况下,当前对于TSO与DSO的角色可能会发 生变化。而大多数研究只关注与TSO与DSO在各自运营范围内的电压调节与支撑,未考 虑到之间的相互作用,而对于TSO-DSO协同的无功调节方面也尚未得到充分研究。因此, 通过建立输配协同下的无功辅助服务市场出清机制,激励TSO与DSO在合理且有效的市
- 5 -
场机制下在 RPAS 方面协调合作具有重要意义。
1.3本文的主要研究内容
针对于以上研究分析,随着高比例可再生能源接入配电网,配电网能够为输电网提供 RPAS以改善电网运行(如电压控制和网损降低)。而RPAS的市场化与合理的市场机制将 成为提升电力系统灵活性与运行稳定性的新途径。针对RPAS的市场化问题,本文构建了 基于光伏逆变器调节的配电系统无功优化模型,提出了一种基于输配协同的包含日前能量 市场和无功辅助服务市场顺次出清的综合市场出清框架和基于分布式的输配协同市场出 清机制。并以此为基础建立了输配协同的日前能量市场和RPAS市场的输电网出清模型和 配电网出清模型。
1)在高比例可再生能源并网的场景下,对主动配电网进行详细建模,并利用配电网辐 射网络的特点,采用基于Disflow的配电网交流潮流模型作为主动配电网的无功优化模型。 并基于上述模型,考虑了光伏逆变器的无功调节特性,针对模型中的非凸方程采用 SOC(second-order cone, SOC)松弛方法进行凸化处理,形成基于光伏逆变器调节的主动配电 网无功优化模型,为后续考虑输配协同的RPAS市场框架与出清模型提供了基础。
2)为促进TSO和DSO之间的协同与合作,介绍了目前常见的几种分散式TSO-DSO 辅助服务市场框架并提出了一种基于输配协同的包含日前能量市场和无功辅助服务市场 顺次出清的综合市场出清框架和基于分布式的输配协同市场出清机制。根据所提出的市场 出清机制建立输配协同下的日前能量市场出清模型与RPAS市场出清模型。针对模型目标 函数中的非凸双线性项采用BE法进行线性化处理。
3)对分布式算法原理和概念进行介绍,引入基于 ADMM 的一般一致性优化方法的原 理和模型。将该方法应用于所提出的市场出清模型,建立基于ADMM的一般一致性算法 的日前能量市场和RPAS市场出清模型。转化后的模型通过调用CVX[57]中的Gurobi求解 器进行求解。在此基础上,利用两种不同系统规模的测试系统验证了所提出的综合市场框 架和分布式市场清算机制的有效性,以及输配电网对应于两个市场出清模型的合理性。
第 2 章 基于光伏逆变器调节的主动配电网无功优化模型
2.1引言
随着DG在配电网的数量日益增加,PV、WT和储能系统(Energy storage systems, ESS) 正在改变由上及下的电力系统传统概念。在一定的运行条件下,可以通过对 PV 采取一定 的控制策略可以使其起到较好的无功补偿作用,同时也为 ADN 的优化运行提供了一种优 质的无功资源。但是由于受太阳辐射、温度等因素的影响,PV的功率输出相对不可预测。 当光伏发电注入配电系统时,促使系统内单向潮流变为双向潮流,使 ADN 的系统运行具 有更多的随机性与不确定性。而 PV 出力的不确定性会对配电网系统内电压的分布产生严 重影响,使配电网系统电压波动和越限等问题愈发突出,进而影响到配电网运行的安全性 与稳定[58-60]。另一方面,由于在配电网无功优化问题中通常需要优化控制分组投切电容器 等离散变量[61],这使无功优化模型成为非凸的混合整数非线性规划模型。
基于上述问题,本章节针对大规模可再生能源并网对电力系统的安全运行产生的影 响,建立了基于光伏逆变器调节的配电系统无功优化模型。针对模型中的非凸方程采用 SOC 松弛技术进行凸化处理。最后,以 IEEE33 节点配电系统为例进行算例分析,对所提 出基于光伏逆变器调节的混合整数无功优化模型的有效性进行验证,并体现出光伏逆变器 的无功调节能力。
2.2光伏逆变器的无功调节能力
如图 2-1 所示,在配电系统的末端并接光伏电源。图 2-1 中, U1 为支路首端节点电压, U2 为支路末端节点电压, R 为支路总电阻, X 为支路总电抗, Ppv+jQpv 为光伏发电的注入 功率, PL+jQL 为光伏并网点的就地消纳负荷, PD+jQD 为光伏并网点负荷。
 
 
 
由图 2-1 可得出线路电压关系:
U = U (PdR+QdX + jPXzOR
2 7 s 1 □丿
若假设U1=U1ZO。且忽略虚部,则线路压降AU表示为:
PDR + QDX
AU 二 _(2-2) U ()
当光伏并入系统后,系统电压压降为:
AU = PdR + 获=(Pl - P ) R + @- Qp ) X = AU - %R + QpvX = AU - AJ (2-3)
U U U PV
式(2-3)中,NUpv表示光伏并网处电压变化量。当光伏出力较大且Ppv>PL时,其发出的部分 有功功率P将向系统逆向输送。此时式(2-2)中Pd方向发生改变,即PdR变为负值,系统 出现反向潮流。由式(2-3)可知, PV 输出一定量的无功功率可以在一定程度上提高配电系 统的电压质量。但当PV发电发出的无功功率过大时,则光伏并网点附近节点会出现节点 电压偏高甚至超出电压上限等问题。
 
图 2-2 PV 逆变器工作区域
 
光伏并网逆变器应在其无功调节范围内按光伏无功电压控制系统的协调要求进行无 功-电压控制。图2-2详细描述了 PV逆变器的工作区域,从图中可以看出,PV逆变器若运 行在纵坐标轴右侧,则 PV 输出感性无功,利于系统低电压的提升;若运行在纵坐标轴左 侧,则PV输出容性无功,利于系统过电压的恢复。
根据图 2-2 表示的 PV 逆变器工作区域,以纵坐标轴右侧为例。其安全运行范围可以 总结并划分为以下几个阶段:
ab段:表示逆变器的无功补偿阶段。在此期间,PV仅输出的无功功率Qpv可以调节 且随着功率因数角不断变大,而PV的有功输出功率维持在Ppv保持不变。式(2-4)表示PV 的有功、无功输出功率与功率因数角之间的关系。因PV输出的无功功率Qpv不断增大, PV逆变器达到容量约束角即dm式(2-5)表示了各参量之间的关系。
cos 6 = Ppv ] (PpJ + QpJ (2-4)
久m = arccos (PpvlSpv,mX) (2-5)
be段:运行在边界bc段上时表示PV的有功输出功率Ppv与无功输出功率Qpv均可以
- 8 -
调整,但受逆变器额定容量限制,所以该运行阶段为逆变器的容量约束阶段。在此期间, PV逆变器的视在功率保持在最大值Smax不变;PV逆变器输出的无功功率QPV随功率因数角 e的增大而不断增大,而PV输出的有功功率Ppv变小。式(2-6)表示出本阶段PV逆变器 各参量之间的关系:
PPV = =pv,max COS 0, Qpv = Spv,max sin (2-6)
cO段:PV逆变器在边界c-0上运行时,表示PV的有功输出功率Ppv与无功输出功率 QPV 均可以调整,但会受最小功率因数限制,所以该运行阶段为逆变器的功率因数约束阶 段。在此期间,逆变器保持运行在最大功率因数角0max不变,而PV逆变器容量功率Spv 随之减小。该阶段逆变器各控制参量的关系应满足(2-7):
PPV =Spv Cos0max, QPV =Spv sin0max (2-7)
综上所述,尽管 PV 逆变器具有一定的无功调节能力,但其无功输出能力是有限的。 PV 发电时,逆变器输出的视在功率容量和有功功率有最大限制,两者之间应满足公式 (2-8)—(2-10)的约束要求:
Spv PpV +QpV (2-8)
0 < Spv < Spv,max (2-9)
0 < Ppv < PpV,mx (2-10)
2.3主动配电网的无功优化模型
在 ADN 的无功优化问题中,将各时段配电网系统总网损作为优化目标,并以 DG 的 无功功率出力与分组投切电容器的投切组数为控制变量,建立ADN的无功优化模型。
2.3.1目标函数
T
min Poss =HiJ r (2-11)
t=1 in
式中:Pios为配电网各时段各支路有功网络损耗之和;ij为节点i与节点j首尾相连组成的 支路;y为配电网支路集合;T为时段总数;ij表示为在t时段内支路j流过电流的平方; r为支路ij的线路电阻。
2.3.2约束条件
本文主要考虑以光伏为主的分布式电源以及以分组投切电容器的离散无功补偿装置。 由于配电网辐射状的运行特点,采用基于 Disflow 的潮流模型。辐射状网络系统线路图如 图 2-3 所示:
- 9 -
 
 
i
13
rij Mij
Pij+j Qij
j Pj+j Qj k
_J
  1 |—
PjE Qjk
图 2-3 辐射状网络系统线路图
(P) +(Q$.] (叮J
1 /
工Q t -
◎1)(
+ P = YPjk.t
k^y2
(2-12)
(2-13)
(i )2 (pJ2+(qJ
(j,t)必)2
(2-14)
其中:集合y1(j)与yj分别表示系统中以J为末端节点的支路的首端节点集合和以丿为首 端节点的支路的末端节点集合;Pj和Qj分别为t时段ij支路首端节点流入的有功、无功 功率;Vi,t和ij分别表示t时段节点i的电压幅值和支路ij流过的电流;Pj,t和Qj,t分别为t 时段节点丿注入的有功、无功功率。
根据电力系统节点功率平衡原理,关系如式(2-15)所示:
 
P =PDG-
式中:Pt。和Q,G为连接在节点j的DG在t时段发出的有功功率与无功功率;jt和Qj.it 分别为t时段节点j上的有功与无功负荷;Qj,cap,t表示连接在节点j的分组投切电容器在t 时段的无功功率出力。
DG 出力约束:
0 < pDf < PjDL (2-16)
分组电容器投切组数约束:
j,min j,cap,t j,max
(2-17)
节点电压约束:
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
々mrn "i,t <£ax (2-18)
式(2-16)表示分布式电源出力约束。其中:Ph表示节点j处分布式电源的有功出力的上限; 式(2-17)表示分组投切电容器的投切组数约束。其中:dmn dmax分别为在节点j处分组电 容器的投切组数上下限;式(2-18)表示节点电压约束。
2.3.3 二阶锥松弛方法在模型中的应用
基于上述约束条件及公式,可以看出主动配电网的无功优化模型中包括电压降方程的 二次项以及分组电容器投切组数位等整数变量。因此,使用SOC方法可以将该混合整数非 线性规划问题转化为二阶锥规划问题。
首先将混合整数模型中的二次项变量用一次项变量替代,如式(2-19)和式(2-20)所示:
Ui,t =Vi,t2 (2-19)
Iij ,t = iii,t
(2-20)
其中:U和Ij,t分别为t时段节点i处电压的二次方和支路ij流过电流的二次方。另外,
可以将式(2-14)转化为如下形式:
Iij,t
Ui,t
2Pij,t
2Qi,t < Iy,t + Ui,t
Iij,t - Ui,t 2
(2-21)
(2-22)
综上所述,由于原始模型中存在的强非凸形式方程,配电网的无功优化模型可以通过
二阶锥松弛方法后转化为如下模型:
min Ploss 辽口出
t=1 in
(2-23)
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
工(pi,t - /j,trj,t) + Pj =工 pk.t
运 y1 (j) 展 y2
工(Qj,t - 1存、+ Qj,t +Qj,cap =工 Qjk,t
运 y1 (j) 展 y2
Uj,t =Ui,t - 2(rijPij,t + xijQij,t ) +(rij +xij )Iij,t
爲 < Ui,t < 绪ax2
0 < PpV <
dj, min < dj,cap,t < dj,max
2Pij,t
2Qij,t < Iij,t+Ui,t
Iij,t - Ui,t 2
2.4算例分析
 
本节以一个标准的 IEEE33 节点配电系统为例,来验证所提出模型的有效性。该优化 问题在CVX工具箱中实现。由于Gurobi求解器相对于其他求解器更适用于求解含有离散 变量的优化问题,所以本文采用 Gurobi 求解器进行无功优化模型的求解。 IEEE33 节点配 电系统的拓扑结构如图 2-4 所示。在本文使用的 IEEE33 节点配电系统的有功总负荷和无 功总负荷分别为3.72MW和2.30MVAr。
算例将配电网1节点设置为PCC(Point of common coupling, PCC)点,并且在配电系统 中的6节点、 17节点与33节点处设置两个光伏电源。考虑到配电系统的辐射型网络特点, 所以在7节点与18节点处并接入2个分组投切电容器[62],每个电容器可投切组数为6组, 其可调范围为 0~0.03(标幺值),每组为 0.005(标幺值)。 PV 电源的有功最大容量设为 500KW与700KW。另外,系统的功率基准值为10MW,电压基准值为12.66KV。将0.90p.u. 和1.1p.u.分别设为配电系统的节点电压最小值与最大值。图2-5与图2-6分别为PV在24 小时的出力预测曲线和配电网在 24 小时的负荷预测曲线。其中,左侧纵坐标为系统有功
- 12 -
 
功率负荷,右侧纵坐标为系统无功功率负荷。
 
图 2-5 光伏预测出力曲线
 
 
 
图 2-6 配电网负荷预测曲线
 
为了体现分组投切电容器与光伏电源对配电系统无功优化的效果且验证本文所提的 模型,设置三种场景进行分析,其中三种场景均假设发生:
场景1:系统中的光伏电源和分组投切电容器共同工作。
场景2:系统中的分组投切电容器工作,光伏电源不工作。
场景 3:在系统中的光伏电源和分组投切电容器不工作,配电网的整体负荷功率由输 电网通过 PCC 点流入进行供应。
- 13 -
 
 
图 2-8 PV 无功出力曲线图
如图2-7和图2-8所示,配电系统内3个PV的有功出力曲线趋势大致相同,均在光伏 作用时间段内,在系统负荷较低时出力较低。而光伏逆变器的存在可以使 PV 既可以发出 无功功率又可以吸收无功功率。而PV电源在19时段的出力下降,系统无功负荷大多由输 电网承担,所以在19时段时,为了实现系统网损最小的目标,PV1出现吸收无功功率的现 象。图 2-9则表示了 24小时配电系统内分组投切电容器的投切组数情况,其中电容器2在 其作用的场景1 和场景2 都无投切组数,而电容器 1 的投切组数随系统负荷变化保持在 1 组-3 组之间,即无功补偿在 400KVAr-1500KVAr 之间。
- 14 -
 
图 2-9 各场景下分组投切电容器的投切组数变化曲线
 
 
 
图 2-10 各场景下配电系统的各节点电压幅值
图 2-10 体现了配电系统在一天中负荷最高的 19 时段时, 3 个场景下配电系统的各节 点电压幅值曲线。由图2-4可已看出节点17和节点18处于配电系统线路末端,所以在无 电容器和PV作用的场景3中,18节点的电压幅值小于0.92p.u.,而分组投切电容器的投 入可以使其电压提升至约0.95p.u,在PV和分组投切电容器的共同作用下(即场景1), 配电系统末端的13-18节点的电压幅值均在场景2的基础上有一定幅度的上升,这将有利 于系统的功率传输和安全可靠运行。而图2-11则为3个场景下配电系统在各时段的网损曲 线图。从中可以明显看出场景2较场景3对于各时段网损有着显著地降低效果,各时段最 大可降低22.92%,而PV的作用可以使场景1较场景2最高降低了 49.2%并将系统网损在 大部分时段保持较低水平。
- 15 -
 
图 2-11 各场景下配电系统的各时段网损曲线图
表 2-1 不同场景下的网损和电压数据对比
网络总损耗
(KW) 最大网损率
( % ) 电压最大偏差值
( p.u. )
场景1 881.88 3.81 0.0450
场景 2 1272.72 3.94 0.0612
场景3 1631.34 5.11 0.0757
 
如表2-1所示,场景2的网络总网损相比场景3的1631.34KW降低至1272.72KW,降 低了 21.98%,而场景1的系统总网损较场景2下降了 30.71%,也就是说,由PV和分组投 切电容器对系统进行无功优化,对配电系统一天的总网损可以降低45.94%。而各时段的最 大网损率也由场景 3 的 5.11%降低至 3.81%。与此同时,配电系统的各节点电压最大偏差 值也由场景3和场景2的0.0757p.u.和0.0612p.u.降低至0.045p.u,
综上所述,从本小节算例可以看出,由于PV逆变器的调节特性,PV可以灵活地在系 统流动的无功功率较多时吸收多余的无功功率,也可以在系统内部无功功率不足时发出无 功功率。 PV 电源可以配合系统内的无功调节设备(分组投切电容器)对配电系统无功功 率进行灵活调节,可以优化系统潮流分布,有效降低配电系统的网损,并改善节点电压质 量,减少电压偏差值,使电力系统更稳定可靠地运行。而另一方面可以验证本文提出基于 光伏逆变器调节的主动配电网无功优化模型的有效性。
2.5本章小结
本章提出一个计及光伏并网的混合整数二阶锥的主动配电网无功优化模型。首先,本 章介绍了光伏电源的数学模型,对光伏逆变器的无功能力展开论述。其次,介绍辐射型系 统结构主动配电网的交流最优潮流模型,针对模型中的非凸方程采用二阶锥松弛方法进行 改善,形成计及光伏并网的混合整数二阶锥的主动配电网无功优化模型,并通过 IEEE33 节点配电网验证了所提模型的有效性。
- 16 -
第 3 章 输配协同下的综合市场出清框架与模型
3.1引言
随着大量PV和WT等DG接入配电网,输电网与ADN之间存在更多的功率交互。配 电网不再只是连接在输电网的负荷,更是系统运行的参与者。与此同时, DG 的高渗透率 会导致输电网中一些传统电厂数量减少,使输电网对 ADN 提供的辅助服务更加依赖。而 电压问题成为输电网边界节点的一个重要问题[63-64]。 DG 可以通过并网逆变器向电网注入 无功功率[65],从而使ADN可以向输电系统提供RPAS帮助其解决电压问题[66-67]。本章首 先对目前常见的分散式TSO-DSO协同AS市场框架展开介绍,在此基础上提出了一种基 于输配协同的包含日前能量市场和RPAS市场顺次出清的综合市场出清框架和基于分布式 的输配协同市场出清机制。再根据所提出的市场出清机制建立输配协同下的日前能量市场 出清模型与RPAS市场出清模型。最后,针对模型目标函数中的非凸双线性项采用二进制 展开(Binary expansion, BE)法进行线性化处理。
3.2常见的分散式TSO-DSO协同AS市场框架
从DG采购辅助服务(Ancillary service, AS)需要TSO和DSO之间具有良好的沟通与协 同合作。而本节根据文献[46]、[68]-[69]总结了几种TSO-DSO的辅助服务市场合作框架。 为后续提出的输配协同的日前能量市场和RPAS市场出清框架做出基础,其具体内容总结 如下:
1)本地AS市场框架
如图 3-1 所示,本地辅助服务市场是一个由 DSO 管理的独立的本地市场。其中来自 DSO系统网络的资源只能通过DSO/本地市场提供给TSO,并且在DSO选择了解决本地系 统网络阻塞所需的资源之后。聚合商负责聚合可用的分布式能源(Distribued energy resources, DER), DSO 集合并提交报价到由 TSO 组织的 AS 市场。而 DSO 必须保证在遵 守自身系统网络约束的前提下才能参与该AS市场的交易当中。TSO负责AS市场的运营, 其中来自输电网和配电网的资源在经DSO聚合后都可以参与其中。DSO是本地市场的运 营者,DSO负责出清市场并为本地需要的资源而付出必要的投标成本,并将剩余的资源聚 合并转移到TSO运营的集中AS市场。在该框架中,DSO将优先使用本地网络中的灵活资 源。
本地 AS 市场框架与以往的集中式 AS 市场模式不同的地方在于,它可以促进本地市 场的发展而使 DSO 拥有优先权。另外,在此框架中配电系统的网络约束也会得到遵守。 因此,一些会影响到配电系统运行的本地市场投标不会转移到由TSO运营的集中市场。
- 17 -
 
 
图 3-1 本地 AS 市场框架示意图
2)分担平衡责任的AS市场框架
 
DER
 
预先的文件交换
<—聚合 《—市场报价
集中市场(]本地市场
图 3-2 分担平衡责任的 AS 市场框架示意图
如图3-2所示,对于连接在TSO系统网络上的资源,存在一个由TSO运营的集中市 场。对于连接在DSO网格上的资源,有一个由DSO运营的独立本地市场。DSO网络中的 资源不能提供给TSO的网络使用,而DSO的系统网络约束将被整合到本地市场的市场出 清过程当中。在该框架中, TSO 将本地配电网的平衡责任转移给 DSO。 TSO 为辅助服务 市场的运营商并负责平衡输电网络的责任。而 DSO 则是一个本地市场的运营商并且需要
- 18 -
 
聚合本地的灵活资源以平衡本地系统网络约束和应对网络阻塞。
3)TSO-DSO协同合作的通用AS市场框架
 
图 3-3 TSO-DSO 协同合作的共同 AS 市场框架示意图
如图3-3所示,TSO-DSO协同合作的通用AS市场模型为系统运营商(System operator, SO)提供了一个共同的AS市场。在此框架下,市场的主要目标是尽量减少采购资源的总费 用。通过控制与平衡TSO和DSO的收入以激励对整体系统收益的优化,而并不是只关注 在于最小化DSO或TSO某一方的孤立成本。TSO和DSO都有一个共同的AS市场,并在 输电网络和配电网络都连接了资源。TSO和DSO负责各自市场的组织和运行。DSO的本 地网络约束被整合到市场的出清过程中,而且TSO和DSO共同负责TSO-DSO的共同集 中式AS市场的运行。
4)综合 AS 市场框架
如图 3-4 所示,综合 AS 市场是由一些离散的拍卖组织起来的,并由一个独立或者中 立的市场运营商(independent market operator,IMO)经营。其中,TSO、DSO和聚合商没有 优先级并且资源会分配给对支付有着更强意愿的一方。另外,在综合 AS 市场框架中,没 有独立的本地市场,且DSO的网络约束同样被整合到市场出清过程之中。综合AS市场框 架提出了一种市场机制,系统运营商和商业市场各方在相同的条件下都可以获得可用的 AS,而AS分配将由市场力决定。另外,此框架会满足所有电压等级的系统网络约束。本 文所提出的综合市场框架则以综合AS市场框架为基础。
- 19 -
 
 
图 3-4 综合 AS 市场框架示意图
3.3 输配协同下的无功辅助服务综合市场出清框架
本小节基于上一节介绍的几种常见的 TSO-DSO 的分散式辅助服务市场模型,提出了 包含日前能量市场与RPAS市场顺次出清的综合市场出清框架。假设DSOs和DGs是一体 的,TSO不能访问ADN的DG。DG不仅需要负责本地网络约束,还需要作为主体[70]为输 电网提供RPAS。为解决日前能量市场与RPAS市场出清周期不同的问题,将日前能量市 场出清结果作为有功发电计划和 RPAS 市场输入数据。此外,参与 RPAS 市场的功率容量 是根据日前能量市场DG的有功功率出力来确定的。
为了保护市场参与者的信息隐私性,在本文中引入了 IMO- IMO是一个第三方机构, 负责处理来自TSO和DSO的交换信息-TSO和DSO只向IMO提供各自系统的边界信息, 以确保信息传输的私密性。上述市场结构均可应用于日前能量市场和 RPAS 市场。在所提 出的两阶段综合市场框架(日前能量市场和 RPAS 市场)中, TSO、DSO 和 IMO 是市场 参与者。DSO负责配电网络的平衡,并优先使用本地网络中的资源(DG)。DSO为本地使 用选择必要的报价,并为市场聚集和转移剩余的资源。与 DSO 类似, TSO 需要平衡输电 系统网络,并整合发电公司的投标。引入IMO的作用是为了管理第三方市场,以保护TSO 和 DSO 的信息隐私。 TSO 和 DSO 向 IMO 提交其市场信息,而 IMO 将独立处理 TSO 及 DSO交换的市场信息。IMO引入的好处是使该市场将由一个可能已经在这一领域有经验的 实体来经营。而对每个市场参与者来说, IMO 保持中立性至关重要。只有这样 IMO 才有 资格与市场参与者共享市场信息,并在市场出清过程中处理交换的信息。图 3-5 为两阶段 综合市场框架的示意图。如图所示,RPAS市场是根据日前能量市场的出清结果进行出清。 发电机组的有功出力、DG的有功出力、能量市场的出清电量将作为初始RPAS市场数据。 此外,在对能量市场进行出清后,以一个恒定的功率因数来确定输电网与 ADN 之间的无
- 20 -
 
功相互作用。此外,DSO根据功率因数并结合机组与DG在日前能量市场中的出力数据来 计算RPAS市场中常规DG的容量,而PV的容量则基于逆变器的容量设置和日前能量市 场的输出数据而决定。
能量市场出清模型
目标函数:输电网的社会福利最大化和DSO的购电成 本最小化。
机组和DG的有功出力
 
RPAS市场出清模型
 
 
 
3.3.1日前能量市场出清框架
发电公司对TSO的投标是日前能量市场框架种的第一步(如图3-6所示),TSO和DSO 根据各自的系统约束进行优化计算。TSO将最低价格与发电公司的投标相结合,计算其电 力需求,然后向IMO提交预期的最低价格。DSO应根据预期TSO价格调整DG的功率输 出和购买电量。然后,DSO向IMO递交其电力需求和投标价格。为了保护TSO和DSO 的信息隐私性,上述信息仅由 IMO 处理。此操作重复进行,直到 TSO 和 DSO 就价格和购 买电量达成一致。此外,市场出清可视为一个迭代的过程。TSO和DSO相互交互信息协 商并修改结算价格和购买电量,直到两个相邻迭代的差值小于一个阈值。最后,市场完成 出清(即TSO和DSO就出清价格和购买电量达成一致)。
- 21 -
 
日前能量市场
:
t
:
t
:
1
:
发电公司 j
i DSOi
TSO *°千 IMO …》: DSO2 1 1
—1 DGs
V---能量报价 :
V--- 购买电量 i
1 Y—调度
G集中式市场 i
DSOn :
1
:
1
:
1
:
1
图 3-6 日前能量市场出清框架图
 
3.3.2RPAS 市场出清框架
 
图 3-7 RPAS 市场出清框架图
 
图 3-7 所示的 RPAS 市场出清框架与图 3-6 所示的日前能量市场出清框架相似。假设 输配耦合边界处的无功功率交互在日前能量市场出清后得到平以及确定DGs参与RPAS市 场的无功功率容量。首先, TSO 根据系统数据计算所需的 RPAS 无功功率,并向 IMO 提 交投标价格。同时,DSO将DGs的无功容量和预期价格提交给IMO。IMO协助处理TSO 和DSO交换信息后,他们根据返回信息更新交易信息,并再次提交给IMO。双方反复交 替,形成一个迭代过程。最后,当他们就RPAS的出清价格和购买电量达成一致时,迭代 停止,市场完成出清(出清过程与日前能量市场相同)。
3.4 输配协同下的日前能量市场出清模型
3.4.1日前能量市场中配电市场出清框架
配电市场出清模型采用基于二阶锥松弛规划(second-order cone programming, SOCP)的 ACOPF模型[71 ]进行建模,目标函数为使各DSO的购电成本最小。
目标函数:
- 22 -
 
min E(CDcc,tPDc,t + CpPgDAG,t ) ewA (3-1)
有功功率和无功功率平衡方程:
工(P ,t - Iij,t rij )+ Pge,DG,t + Ppcc,t - Pd j,t = PPjs,t (3-2)
iwy(j) swv( j)
P(Qi j,t - Iij,t Xij)+Qge,DG,t -Qd j,t = PQjs,t (3-3)
iwy( j) swv( j)
支路电压降落方程: uDj,tA =ui,t -2(rijPij,t +XijQij,t)+((rij) +(Xij) )Iij,t (3-4)
 
其中:目标函数中cDcc和 Ce分别表示t时刻DSO在能量市场中的报价和DG在能量市场中 的有功发电成本oTpDcct和 PgDL,分别表示t时刻输电网向配电网传送的有功功率和t时刻DG 在能量市场的有功出力。式(3-2)-(3-3)表示配电网的功率平衡约束,其中:PA和&A分别 表示配电网中首端节点注入的有功功率和无功功率;空表示为配电网在t时段内的支路电 流;r和 X#分别代表配电网的支路ij的电阻和电抗;Pdj和Qdj表示t时段内配电网络中节 点j的系统有功和无功负荷;PA和QA分别表示t时刻配电网节点j在日前能量市场的净 有功功率注入和净无功功率注入。
节点电压约束:
囁in皿 (3-5)
DG的有功出力和无功出力约束:
PgeD,DAG,min < Pg?;G,t < PgDAcmx (3-6)
QgDAcmn ^QgDAct VQgDDqmax (3-7)
二阶锥松弛的线路潮流约束: DA 2Pij,t 2QiDj,tA -【j + Ui,t (3-8)
Iij,t - ui,t 2
 
式(3-4)和(3-5)分别是支路ij的压降方程和节点i电压幅值的上下限。式中:"DA和"DA为t 时刻日前能量市场中配电网的i节点和j节点的节点电压幅值的平方。DG的有功和无功出 力约束分别用式(3-6)和式(3-7)表示。式(3-8)是 SOC 松弛后的线路潮流约束。
3.4.2日前能量市场中的输电市场出清模型
能量市场出清模型中的输电网部分采用直流最优潮流(DC optimal power flow, DCOPF) 模型。目标函数为输电网社会福利最大化,其表达式为式(3-9)。
目标函数:
- 23 -
max 工(cTpgPpcct -cppgL) (3-9)
hwG
有功功率平衡方程:
工pgT,-工,-工PdT, =0 (3-10)
h^G wwPCC dwD
输电网发电机组有功出力约束:
Pghmn < Pgh < Pghmx (3-11)
输电网支路传输容量约束:
RateAmin < 工 GSF_h - Pg—工 GSFt才 P%
hwG dwL zq [ c、
-工 GSFi-w - P:t < RateA昨 -
WGPCC
其中:cDcc,和 Ppcc,分别表示t时刻TSO在日前能量市场中的期望报价和输电网向配电网输送 的有功功率;cP和PgTt分别表示发电公司的有功功率投标价格以及发电机组在t时段内的 有功功率出力。式(3-10)为在系统中的有功功率平衡约束。其中:PWt和PdTt分别代表t时刻 DSO 向输电网络购买的电量和输电网络中的节点 d 的有功负荷。式(3-11)是每个发电机的 出力约束。式(3-12)是每条支路的传输容量约束。其中:RateAlmax和RateAm表示输电支 路l传输容量的上下限;GSF为发电机转移分配系数。
3.5输配协同的 RPAS 市场出清模型
3.5.1RPAS 市场中配电市场出清模型
该模型采用基于 SOCP 的 ACOPF 模型对配电网的市场出清进行建模,目标函数为各 DSO 的 RPAS 利润最大化。
目标函数:
max 工阻叽-bQQVaGt) (3-13)
e^A
配电网有功功率和无功功率平衡方程:
Z (V -IV j P^t + PpJ-Pdjt = z PV (3-14)
运 y2(j) s*i( j
Z Z- jx)QVG+Qgzpvt-Qdj,t+QDcct-^QDcct = z QZ (3-15) iey2 222 s€y(j)
配电网支路电压降落方程:
uVj,atr =uiV,tar -2(rijPijV,tar+xijQiVj,atr)+((rij)2+(xij)2)IiVj,atr (3-16)
配电网节点电压约束:
(Vi,min) <uiV,tar <(Vi,max) (3-17)
- 24 -
二阶锥松弛的配电网线路潮流约束:
 
Var
在RPAS市场中,根据日前能量市场的出清结果,DG的有功功率被认为是一个固定 值。其中:bD^ bD分别表示t时刻DSO在RPAS市场中的期望价格和单个DG的无功发 电成本。^QDcc和 QVDg,份别代表t时刻RPAS市场的出清无功电量和DG的无功功率出力。 在式(3-14)和(3-15)分别为配电网络的有功平衡和无功平衡方程。式(3-16)表示为电压降方 程,式(3-17)表示节点电压限值约束。其中:pva■和QV:表示为t时刻配电网的支路注入的 有功功率和无功功率。隘表示DSO在输电网购买的有功电量;%表示在t时刻能量市 场中补偿的无功功率。滋、uV和分别表示为配电网在t时段内的支路电流幅值平方项 和节点i 和j的电压幅值的平方项。式(3-18)为二阶锥松弛后的配电网线路潮流约束。
利用电力电子设备或传统的旋转电机接口, DG 可以独立调节有功和无功功率。在此 情况下,DG参与RPAS市场的无功剩余容量可以通过固定功率因数及其在日前能量市场 的有功功率出力来计算,如式(3-19)-(3-20)所示。同理,式(3-21)表示由PV在能量市场的 有功输出计算得到的RPAS市场中PV的无功容量。
Qge,DG,t = Pg?,DG,t tan。
 
式中:(P为常规DG的功率因数角;Pg;DG,t为常规DG在能量市场中的有功出力;Qg;DG,t为 常规DG总的无功容量;QgVD>Gt表示常规DG在RPAS市场中的无功容量;QgeDG,max和 QgeDGmn分别为常规DG的无功功率出力上下限;PgD爲和Qgzpvt分别表示PV在日前能量 市场的有功功率出力和参加RPAS市场的无功容量;Szpmax为光伏逆变器的最大容量。
3.5.2RPAS 市场中输电市场出清模型
在本节中,输电网络出清模型采用了基于SOCP的ACOPF模型[72]。本文考虑了建立 网损惩罚因子,从而形成输电系统总网损惩罚项,以实现RPAS市场对于输电系统的作用 与意义。式(3-22)中的多目标函数是使由总网损惩罚项、无功发电成本和RPAS组成的输电 网络运行成本最小。
目标函数:
min ZZ(bQQgTt + boPst + 唸心} (3-22)
hwG d wD
输电网有功功率和无功功率方程:
- 25 -
 
 
mn,t
2QmTn,t <ImTn,t +umT,t (3-28)
IT- uT
mn ,t m,t
输电网络环路相角约束:
CxmnPmn,t -CrmnQmn,t =0 (3-29)
目标函数式(3-22)中:bQ和bT"分别表示发电公司的无功投标价格和t时刻TSO在RPAS市 场中的报价;bioss和Pioss,t分别代表输电网的网损惩罚因子和t时刻输电系统的总网损;Qg 和血爲分别表示为t时刻发电机组的无功出力和RPAS市场的出清无功电量。式 (3-23)-(3-28)与配电市场出清模型相似,其中:P爲和Q”,表示为t时刻输电网的支路注入 的有功功率和无功功率。APt表示t时刻ADN补偿的有功功率;PWt表示在t时刻DSO向输 电网购买的有功电量;Qpcct为在t时刻能量市场中补偿的无功功率。rmn和Xmn分别代表输 电网络的支路mn的电阻和电抗;Pddt和Qddt表示t时刻输电网络中负荷节点d的系统有 功和无功负荷;Pjt和 QDA分别表示t时刻输电网节点n在RPAS市场的净有功功率注入和 净无功功率注入。Pgj和 Qgjt分别代表t时刻发电机组的有功功率和无功功率出力。空八 umr和uV分别表示为配电网在t时段内的支路电流幅值平方项和节点m和n的电压幅值的 平方项。式(3-27)为发电机组的无功出力上下限约束,其中:Qglmax和 Qghmi”为发电机组的 无功出力上下限。式(3-28)为二阶锥松弛约束。式(3-29)为输电网环路相角约束,其中: C 表示输电网络的环路矩阵。
- 26 -
3.5.3双变量乘积组成的非线性项处理方法
由于在整体模型的目标函数中很难对出清价格和购买电量的乘积形式进行求解,本文 采用BE方法[73]求解该问题。以式(3-22)中的bjQ为例对该方法进行介绍。首先,将连 续决策变量b;近似为一组离散值{% m=0,l,2,…M1},其中M1=2X1 和 K1是一些非负整数变 量。假设出清价格b;的范围在[b,b]。b:可用(3-30)代替:
K1
bQ = b + AbS 2xt (3-30)
k=0
其中Ab = (b-b)/M1,xk为二进制变量,其需求量为log2(M)个。
将(3-30)的两边乘以另一个决策变量也。如式(3-31)所示,可以用一个新的变量zk= xk^Qpcc 来代替 xk'Qpcc。
K1
b AQc = bAQTcc +Ab£ 2kzk (3-31)
k=0
再通过两个不等式约束(3-32)和(3-33)来体现zk=XkQTcc的关系:
0 AQPcc - zk - G (1- Xk ) (3-32)
0 - zk-Gxk (3-33)
其中,常数G需要设置足够大,可以当xk=0和Xk=1时对约束(3-32)和(3-33)起到更好的松 弛效果。
3.6本章小结
本章主要提出了一种基于输配协同的包含日前能量市场和RPAS市场顺次出清的综合 市场出清框架和基于分布式的输配协同市场出清机制。根据所提出的市场出清机制建立输 配协同下的日前能量市场出清模型与RPAS市场出清模型。最后,针对模型目标函数中的 非凸双线性项采用二进制展开法进行线性化处理。为后续模型求解与市场出清结果分析提 供了坚实的基础。
- 27 -
 
第 4 章 ADMM 算法在综合市场出清模型的求解与应用
4.1引言
第三章提出了输配协同下的日前能量市场与RPAS市场的出清机制并进行详细建模。 而随着输配电网间联系的增强,对于两个市场运营商TSO和DSO来说,各自系统信息的 隐私性尤为重要,传统集中式处理方式已经不再适用于解决输配耦合运行问题。而具有区 域优化独立性、信息隐私性、减少信息传输量等特点的分布式优化求解方法被广泛应用于 求解系统耦合运行和多方交易问题。ADMM算法作为分布式优化算法之一,通过全局变量 控制相邻区域之间的少量信息交互而具有收敛性好、鲁棒性强的特点已成为解决电力系统 分布式优化问题的重要方法[74-76]。
本章将基于 ADMM 的一般一致性算法应用于第三章所提出的日前能量市场与 RPAS 市场出清模型,建立基于ADMM的一般一致性算法的输配协同日前能量市场出清模型和 RPAS 市场出清模型。最后,利用两种不同系统规模的测试系统验证了所提出的 RPAS 市 场框架和基于分布式原理市场清算机制的有效性。
4.2基于 ADMM 的一般一致性优化方法
4.2.1分布式算法原理
分布式算法是将优化任务分配给多个独立自主的主体进行计算,通过相互之间的信息 交互实现有效的协作协调,每个独立主体等效为一个节点,它们通过相互之间的信息传输 沟通来构建一个复杂的大型网络拓扑结构。例如,一个大型网络由 A 个节点组成的网络, 分布式一致优化问题的目标是求得如下可分离代价函数的最小值:
 
式中:x为全局决策变量,左(x)为第a个节点的局部目标函数,通过A个节点中的每个节 点各自优化的方式,再共同优化各自局部目标函数的和。其中,每个节点的局部目标函数 相互独立,并且每个节点不与其余节点交互和共享信息,这使在确保各自节点的信息隐私 性的同时得到全局目标函数的最优值存在一定挑战。
对于电力系统来说,传统的电力系统优化算法如经济调度算法以及关于安全约束的最 优潮流算法都是集中算法。而传统的集中式算法随着现代电力系统的发展而面临两个挑 战:首先是随着并网DG的增多,数据规模也变得越来越大。所有的数据都要在中央控制 器中传输和处理会导致高昂的通信和计算等信息处理费用。另外,各个系统运营商(TSO 与DSO),他们可能会出于安全考虑而拒绝共享一些数据。这会使集中式算法解决电力系
- 28 -
统数据问题带来不小的困难。相对于集中式算法,分布式算法因其操作更为方便灵活,可 以用来解决许多集中式算法大规模复杂优化问题,在各方面有着更多研究与应用。因此, 为了解决电力网络中的优化问题以及系统大数据集带来的问题以及安全隐患,电力系统的 优化算法需要寻求分布式并行算法并应用于系统。
4.2.2ADMM 算法的基本原理
1) ADMM 迭代形式
ADMM 是一种非常适合分布式凸优化且具有很强的收敛性、鲁棒性的算法。该算法结 合了对偶分解与增广拉格朗日方法在约束优化方面的优点,采用了分解-协调的过程形式, 并通过协调局部问题的解来寻求全局问题的解。传统 ADMM 主要用于解决两个目标函数 和的最小化问题,还需满足一定的等式关系。该算法基本以下列形式表示:
min f (x)+ g(z)
s.t. Ax +Bz =c
式中:丿心)为凸优化的目标函数变量,A、B和c为系数矩阵。Ax+Bz=C构成了 ADMM目 标函数中变量的可行域,g(z)为指示函数,变量z满足可行域时g(z)=0,不满足可行域时 g(z)=+8。算法中两个变量交替迭代,直至得到的最优解。
引入对偶变量兀即拉格朗日乘子,将式(3-1)改写成如下增广拉格朗日形式:
min Lp (x, z,2)= f (x) + g (z) + (Ax + Bz — c) + (^/2)|Ax + Bz — c||: (4-3)
式中:/为拉格朗日乘子的转置,p>0为迭代步长,也称为罚参数,丨.丨为约束条件的二次 惩罚项。基于增广拉格朗日乘子法,通过引入高斯-赛德尔迭代方法使得两个变量交替迭代 达到最小化。ADMM的变量优化就变成了如下序贯型迭代:
xk+1 = arg min Lp (x, zk, Ak)
zk+1 = arg min Lp (xk+1, z, ) (4-4)
”+1 =2kp( Axk+1 + Bzk+1 - c)
式中:变量 x 和 z 交替迭代,其迭代形式基本相同。变量每次经过交替迭代后更新拉格朗 日乘子,最终到达各自的最优解。
2) ADMM 的迭代停止条件 在一般情况下,迭代停止条件为原始残差与对偶残差二者小于相对停止阈值。即如式
(4-5)所示:
rk+1 = Axk+1+Bzk+1 -c
sk+1 =p( zk+1 - zk )
其中:戶J尹+分别为原始残差和对偶残差。其迭代停止条件表达式为:
/+1 -尹
k +1 dual
S — o
4.2.3 基于 ADMM 的一般一致性优化方法
4.2.2小节对ADMM算法的基本形式进行了介绍。文献[77]提出了基于ADMM的一般 一致性方法。该方法通过引入全局变量乙使其与原始变量x交互迭代更新。在解决电力 系统中的多区域系统分布式优化问题有着广泛应用[78]。耦合边界支路连接着系统中的相邻 子区域并且子区域内的每个变量信息是相同的。而子区域边界信息的一致性仅通过有限的 全局变量进行控制。近年来,由于输配电网通过边界支路和变电站相连的特殊结构,该方 法在输配电网协同和市场研究方面得到了广泛应用。通过 4.21 和 4.2.2 小节的介绍,以 f(x) 表示各区域内部独立优化,g(z)表示区域间的信息交互,建立了基于ADMM的一般形式一 致性优化方法的输配市场分布式出清模型:
N
minE fi (xi)
i=1
s,t. xG R (4-7)
xi -z=0
式中,N为输配系统的数量;fig)为输电网或单个配电网的目标函数;变量zi满足可行域 Ri,因此g(zz)=0o输配系统内部的变量由局部变量和耦合变量构成,耦合变量总由相邻区 域传输线两端的边界变量和相邻区域复制到本区域的复制边界变量构成,子区域内其余变 量称为局部变量。子区域内变量xi满足一定约束空间&。与全局变量zi满足等式关系乂 = z;, 利用全局变量控制边界信息的一致,以实现输配系统间的信息交互。
将式(4-7)中基于 ADMM 的一般形式一致性优化方法应用于分布式出清模型中,其增 广拉格朗日形式如式(4-8)。
N「 2 -
min坊(兀金久)=工 X(xz) + 2zr(xz-zz) + (p/2)||xz -z:[ (4-8)
i=1 L
式(4-9)-(4-11)为式(4-8)各个变量的交替迭代计算, k 为迭代次数。式(4-9)为各系统间内部 独立优化,argmin表示为求得变量xi,让目标函数达到最小值。
式(4-10)表示为全局变量的更新过程,其中kg为与全局变量相关联的耦合变量数量,G(ij)=g 表示全局变量与各系统间的映射关系。公式(4-11)表示的是拉格朗日乘子的更新过程。
= arg巴in(/(X,) + (普)\ + (°/2)|肉-z:『) (4-9)
zk+1=(ykg) E (當) (4-10)
G(i,j)=g
廿+1 =廿 +p( xk+1 -z:+1)
- 30 - (4-11)
 
 
;llrkJ: =x 1 -云J:雪
F Tl:=||(-p)(z+1 -才)||;塔
式(4-12)表示基于 ADMM 的一般一致性算法的收敛条件,即为原始残差 r 的 2 范数平方需 要小于相对停止阈值&以及对偶残差s的2范数平方需要小于相对停止阈值4 其中,原 始残差 r 为每次迭代耦合变量和全局变量的差值,其反映了不同区域对同一边界节点的优 化结果,若每次迭代的耦合变量与全局变量之间的差值越小,即代表区域之间的信息传输 具有越高的准确性。而对偶残差 s 则为前后两次迭代中全局变量之间的差值,若前后两次 迭代全局变量之间的差值越小,即代表该问题越接近全局优化的优化程度。
4.3模型求解
4.3.1基于市场框架的输配系统解列与信息交互
 
本文采用 ADMM 的一般一致性优化方法求解市场出清模型,进一步实现 TSO 和 DSO 双方的隐私保护。由于输配系统由变电站连接,需要对输配电系统之间耦合线路的约束进 行解耦。通过使用基于 ADMM 的一般一致性算法原理中的全局变量来保证边界交互功率 复制前后的一致性。相邻子区域之间的输电线路可以分别复制到相邻子区域,然后解耦区 域之间输电线路的约束。如图 4-1 所示,在日前能量市场和 RPAS 市场中,将系统交互的 有功功率和无功功率分别作为耦合变量。
如图 4-2 所示,将分别由能量市场和 RPAS 市场的出清结果得到的 TSO 的 cpTc c, PpTc c, baTs , AQpcc以及DSO的eDcc, PDcc, bD, AQDcc作为耦合变量。在子区域内优化后得到耦合变量值,更 新后的全局变量 Z1-Z4 为与其相连的耦合变量的均值。将更新后的全局变量发送回每个子 区域并参与下一个子区域的优化。在区域和子区域之间循环优化信息交互,直到变量满足
- 31 -
ADMM 的收敛条件。
 
 
4.3.2基于 ADMM 的一般一致性算法的输配电网出清模型
表 4-1 为基于 ADMM 的一般一致性算法在市场出清模型的应用。日前能量市场和 RPAS市场的交互过程是大致相同的。因此,本小节仅以RPAS市场为例。RPAS市场的总 体目标函数是最小化整个系统的运行成本。目标函数的增广拉格朗日形式如式(4-13)所示。
minL”= bQQDG +bQQg^t +砧帕+兀(氐“%,,) +《(辺二心%,,) +〈(唸,竝)+勺心心辺,)件⑶ + S/2)(|| bTs,i,t-Z,t||2 +||AQcc,a,t-Za,t||2 +||bD,i,t-Z,,t||2 +||Cc,a,t-Za,t||2) 其中:沪代表拉格朗日乘子的转置形式;P表示迭代步长。
变量的交替迭代计算:
z:+ = 1/2 (Ct1+ba囂) (4-14)
1 = 1/2 (Q+a,t + aqX ) (4-15)
攀=忑 + p^ - z:+ ) (4-16)
人丁 =船+p(bDk+t1 - Z,T) (4-17)
1 =益 +p(aqX - z::1) (4-18)
薦:1 卡 t +p(AQpCX - z:+ 1) (4-19)
 
收敛条件:
K+1||:=||cs zk+q:雪
|闍||: =||AQ;s%』:雪
」肚+1||:=||cr z:r ||: “
Zll:=|宓如* 件20)
肾+1『"(zk+1-ZkJII;塔
时+1『=IM z,1 - zk,j||;塔
式(4-14)-(4-19)为方程中变量的交替迭代计算,其中:K是迭代次数。在更新每个变量后, 式(4-20)用于确定ADMM是否满足收敛条件。它们的对偶残差S1-S4和原始残差九-九的两 个范数平方必须小于它们的相对停止阈值(&和$2)。&和直通常被设为极小的数,使它 们近似等于零。当收敛条件满足时,可认为市场参与双方就出清价格和出清电量达成一致。
表 4-1 ADMM 算法在市场出清模型求解的应用
算法1 ADMM算法在市场出清模型求解的应用
步骤:ADMM循环
1: 对于 TSO/DSOs 的独立优化,
2: 耦合变量更新,
对于 TSO:
cX /册P;Z,/ 欧二=argminL。(c^, /b™,P;鳥」AQ^,Z)
对于所有 DSOs:
cpDckc,+i1,t /baDs,ki,+t1,PpDcck,+a1,t /AQpDckc,+a1,t =argminLDSO(cpDckc,+i1,t/baDs,ki,+t1,PpDcck,+a1,t/AQpDckc,+a1,t)
3: TSO 向每一个 DSO 传递 c^c+X! &
每个 DSO 向 TSO 传递 cD+阳 & PDc+^QDZ;
TSO/每个DSO获得新的报价与传输电量;
4.全局变量的更新
日前能量市场:
Zk+1 = 1/2( cTk+1t +cDk+1) Zk+1 = 1/2( PTk+\ +PDk+1)
i,t pcc,i,t pcc,i,t a,t pcc,a,t pcc,a,t
RPAS 市场:
Z冒=1/2 (席 +bDT) Zk+1 = 1/2 (AQ™ +AQD鳥)
5.拉格朗日乘子的更新:
日前能量市场:
巧1 =兀+Q(严打-ZkJ) 巧1 =兀+Q(严1 -ZkJ)
i,t i,t pcc,i,t i,t i,t i,t pcc,i,t i,t
沪+ 二沪 +p(严+1 z:1)沪+ 二沪 +p(严+1 Z:1)
a,t a,t pcc,a,t a,t a,t a,t pcc,a,t a,t
RPAS市场:
-33 -
 
2k+1 = 2k. + p(bTk+1 - Zk+1)
i,t i,t as,i,t i,t
Ak+1 =Ak. + p(hQ +1厂 Zk +)
a,t a,t pcc,a,t a,t
6.收敛条件: 日前能量市场:
IS1k+1||:=11 诅-ZkTI:代 IIs+1||: =IPX-Z』:空 1 眩+1||: =||cDck+1, - Z;7||: 'll s:+1||:=||PDk+1,-Z』:金 1 II 代+1『=|(-p)( Z' - z,kJ『雪 II 亡+1『=|(-p)(盅1 - zaj『弘
结束
TSO子问题和DSO子问题除了边界约束式((4-13)-式(4-19))外彼此独立。总优化问 题必须满足配电网的内部约束条件。因此,RPAS市场出清问题分为TSO的子问题和DSO 的子问题:
1)TSO子问题:考虑拉格朗日函数{式(4-34)},TSO子问题可表示为:
min Ltso = b: it ^QTpcCa,t + + blOssPloss ,t +可(bas,i,t -Zi ,J+人:(AQ;cc ,a ,t -Za ,t )
+ (p/2 )(1必,t -Zi,t||: +||AQ;cc,a,t -Za,t||:)
(4-21) s.t. 式(3 -23)—(3 -29)
2)DSO子问题:考虑拉格朗日函数{式(4-34)},TSO子问题可表示为:
mm Ldso = bQQDG -bD," AQDc,a,t + 兀(氐
+ 兀(AQDcat -Za,t) + (p/2 )(||bD,i,t -Zi,t||: +||AQDc,a,t -Za,t||
s.t.式(3-14)—(3-21)
4.4算例分析
本节采用两个测试系统进行算例分析,以此来验证本文所提出市场出清框架和出清机 制的有效性以及所建立的输配协同的日前能量市场和RPAS市场出清模型的合理性。
第一个测试系统T5-D33包括一个修改后的PJM-5输电系统与3个修改后的IEEE 33 节点配电系统。而第二个测试系统T30-D33则由IEEE30节点输电系统和3个改进的IEEE33 节点的配电系统组成。每个ADN中DG的容量不同,具体数据[79]如表4-2所示。测试应 用程序运行在64位版本的Windows 10上。CPU为Intel Core i5-7200k,主频为2.50GHZ, 内存为8GB。在本节中,将通过测试系统反映日前能量市场和RPAS市场的出清结果。
- 34 -
 
本节设置两个场景,通过对以下两个场景的比较,对所提出的市场出清框架和市场出 清机制的有效性进行验证:
场景1:DSO参与日前能量市场出清,不参与RPAS市场出清。
场景2:DSO参与日前能量市场出清,参与RPAS市场出清。
表 4-2 ADN 中 PV 和化石燃料 DG 的容量参数
ADN1
# PV1 PV2 PV3 DG6
有功容量(MW) 0.35 0.5 0.25 5
ADN2
# PV1 PV2 DG5
有功容量(MW) 0.4 0.6 3
ADN3
# PV1 PV2 PV3 DG6
有功容量(MW) 0.8 0.35 0.25 6
 
4.4.1T5-D33 测试系统
 
图 4-3 T5-D33 测试系统拓扑图
 
由图4-3可知,三个ADN都在节点3、6、10、18处连接了 DG。而ADN1和ADNs 的节点13都连接了两个DG。假设每个节点的无功功率需求为其有功功率需求的30%[47]。 将输电网络中每个节点的电压幅值上下限设为0.95 p.u.- 1.05 p.u.,并将ADMM收敛条件 中的原始残差$1和对偶残差$2都设为10-3。日前能量市场和RPAS市场的出清模型求解时 间分别为 4649.699624s 和 442s。
- 35 -
 
 
图 4-4 PJM-5 节点输电系统的负荷曲线图
输电网负荷预测曲线如图 4-4 所示,三个 ADN 的最大负载为 6.88MW、 4.99MW 和 7.35MW。通常RPAS应解决输电网在高负荷时期的高网损、调节电压问题。本文设置18:00 -21:00 期间,输电系统处于高负荷状态。输电网络需要 RPAS 来缓解高负荷给系统的节点 电压带来的压力。在此背景下,本文需要设置相对应的大容量发电机组来满足系统的高负 荷需求,表4-2所示为发电机组数据。
表 4-2 PJM-5 节点输电网机组数据
编号 #1 #2 #3 #4 #5
有功容量
50 200 320 200 160
(MW)
发电成本
14 15 25 22 20
($/MWh)
将日前能量市场的出清价格和购买电量设定为变量。本研究的结算价格没有采用常规 使用的 LMP 结算方式,而是根据以往的历史数据和文献[80-81]设定了合理的出清价格范 围。此外,将ADN2中DG的负荷和容量设置低于其他ADNo为了提高市场竞争力,DSO2 的结算价格也比DSO1和DSO3便宜。投标价格范围见表4-3 o
表 4-3 TSO-DSO 在日前能量市场的投标价格区间
TSO-DSO1 TSO-DSO2 TSO-DSO3
报价范围 ($/MW) 22-30 20-28 22-30
 
- 36 -
 
 
图 4-5 各时段日前能量市场出清结果
由图4-5可知,由于PV的时间特性,出清价格主要在10:00和18:00发生变化。与其 他两个ADN相比,由于ADN2的负载水平较低,所以购买的电量也较低。
2) RPAS 市场出清结果
由于光伏逆变器的特性,本文假设PV只在日前能量市场上提供有功功率。根据逆变 器约束和有功功率输出确定无功功率容量。输电系统在能量市场的出清模型中采用的是 DCOPF模型。因此,会存在有功潮流不匹配的问题。所以本文假设ADN将承担平衡这一 部分潮流缺失的有功功率以解决上述问题。其他常规DG的功率因数设置为0.95以便计算 在能量市场中补偿的无功功率。利用日前能量市场的出清结果及其特点确定各DG的无功 容量。表4-4中为输电网发电机组无功数据和发电机组无功发电成本。RPAS市场的投标 价格范围设置为0 -2$/MVArh[82]o
 
表 4-4 PJM-5 节点输电网机组的无功数据
编号 #1 #2 #3 #4 #5
无功容量
80 150 100 160 120
(MVAr)
发电成本
($/MVArh) 1.4 1.5 2 3 1.6
 
 
 
- 37 -
东北电力大学工程硕士学位论文
RPAS市场的出清结果如图4-6所示,DSO2的出清价格在第4时段之后有所下降。在 其他时段内的结算价格保持稳定。这是由于ADN2与其他ADN相比,有着最低的负荷水 平和更多的DG容量参与RPAS市场的市场交易。3个ADN的出清电量是大体基本相同的。 图4-7为在场景1和场景2下,三个ADN中各个DG的各时段累计出力对比情况,可以明 显看出,场景2中,DG的总出力要比场景1的DG总出力有大幅提升。也可以说明,场
 
 
 
图 4-7 不同场景下 ADN 中 DG 的无功总出力对比
 
 
 
图 4-8 各时段系统的运行成本对比
图4-8显示了场景1和场景2中各时段的系统运行费用的比较。与场景1相比, DSO 参与RPAS市场后,系统运行成本显著降低约24.88%。表4-5显示了场景1和场景2中 RPAS市场中TSO和DSO的成本和利润。可以明显看出部分DSO的运行成本为负值即为 盈利状态,这意味着DSO可以通过参与RPAS市场,降低运营成本甚至获得利润。进而证 明 DSO 参与 RPAS 市场可以有效降低系统的运行成本。
表 4-5 TSO 和 DSO 在不同场景下的成本 /利润
TSO ($) DSO1 ($) DSO2 ($) DSO3 ($) 系统运行总成本
(104$)
场景1 14358/0 0.067/0 1.111/0 2.314/0 14.15
场景 2 14080/0 -11.5/24.1 -9.95/12.6 -21.63/25.7 14.00
 
4.4.2T30-D33 测试系统
T30-D33测试系统如图4-9所示,该系统由一个修改的IEEE30节点输电网络和三个 ADN组成。输电网共有6台发电机组,数据如表4-6所示。假设每个节点的无功功率需求 为其有功功率需求的30%。输电网络中各节点电压幅值设为0.95p.u-1.05p.u,三个ADN与 T5-D33测试系统的ADN系统数据相同。根据输电网负荷曲线如图4-10所示,我们设定 RPAS市场的作用时段为16:00-20:00。本算例求解日前能量市场和RPAS市场出清模型分 别用 5254s 和 1032s。
 
 
表 4-6 IEEE30 节点输电网机组数据
编号 #1 #2 #3 #4 #5 #6
有功容量
80 80 50 55 30 40
(MW)
发电成本
25 20 15 10 28 28
($/MWh)
 
 
 
图 4-10 T30-D33 测试系统的输电网负荷曲线图
1) 日前能量市场出清结果
从图 4-11 可以看出,在 8:00和 18:00 22:00,出清价格呈现出小幅上涨的趋势。这是 因为PV的时间特性导致ADN在此期间供电不足,导致清算价格较高。由于13:00-16:00 左右PV供电充足,ADN2在这段时间不需要向输电网购买电量。此外,由于ADN2的负
荷水平和供电能力较其他ADN低,出清价格保持稳定。
 
 
 
图 4-11 各时段日前能量市场出清结果
 
图 4-12 各时段 RPAS 市场出清价格
RPAS作用时段为相邻的5个小时,且以日前能量市场的出清结果作为RPAS市场的 起始数据。可以从测试系统的负荷曲线(如图4-10所示)看出,RPAS市场出清时段,负荷 变化不大,因此,图4-12显示出的各时段RPAS市场出清价格在各时段稳定不变。而同样 TSO与三个DSO的交易电量也随负荷曲线波动且大致相同。
 
表 4-7 IEEE30 节点输电网机组无功数据
编号 #1 #2 #3 #4 #5 #6
无功容量 150 60 62.5 48.7 40 44.7
(MVAr)
无功发电成本 2.5 2 1.5 1 2.8 2.8
($/MVArh)
 
 
 
 
 
 
 
- 41 -
 
图4-14不同场景下ADN中DG的无功总出力对比
 
时段(15min)
图 4-15 各时段系统的运行成本对比
表 4-8 TSO 和 DSO 在不同场景下的成本/利润
TSO($) DSO1($) DSO2($) DSO3($) 系统运行总成本
(104$)
场景 1 4172/0 1.672/0 3.162/0 2.40/0 0.418
场景 2 3866/0 -0.19/33.7 -2.50/6.28 -64.8/38.34 0.380
 
- 42 -
由表 4-7 可知, 2、3、4 号发电机组无功发电成本较低并其容量可以满足系统负荷, 因此其他机组的无功输出近似可以忽略。只需要比较情况1和情况2中发电机组2、3和4 的输出情况。从图4-13可以看出,第12时段后场景2各个发电机组的发电量显著低于场 景1。同时,可以从图4-14中对比看出,场景2的三个ADN中DG的出力明显高于场景1。 这说明DSO参与RPAS市场可以通过激活DG出力来降低发电成本较高的输电网络中发电 机组的出力,从而降低整个电力系统的运行成本。从图4-15中可以看出,对比各个时期的 系统运行成本,DSO参与RPAS市场可以使系统总运行成本降低15.63%。表4-8为TSO 和各个DSO在不同场景下的成本和利润。如其所示,DSO通过参与RPAS市场获得了利 润,使整个系统的运营成本降低了 9.09%。值得一提的是,由于T30-D33系统的低负载水 平,T30-D33测试系统的总运行成本常规情况下会远远低于T5-D33测试系统。
4.5本章小结
本章采用基于 ADMM 的一般一致性算法将所提出的市场出清模型进行变形,建立了 基于ADMM的一般一致性算法的输配协同日前能量市场和RPAS市场出清模型。分别以 PJM-5 节点输电网与 3 个改进的 IEEE33 节点配电系统组成的 T5-D33 测试系统和 IEEE30 节点输电系统与 3 个改进的 IEEE33 节点配电系统组成的 T30-D33 测试系统进行算例分析 对所提出的市场出清模型进行验证。通过对比DSO是否参与RPAS市场的场景进行分析, 算例分析表明,可以通过市场机制激励ADN向输电网提供RPAS。与此同时,在所提的市 场框架和市场出清机制下,DSO可以通过参与RPAS市场提升自身的经济效益并提高DG 的利用率,使得系统的运行总成本有效降低。而分布式的市场出清机制可以使市场参与者 (TSO和DSO)通过少量的信息交互而完成市场出清,有效保证其市场信息的私密性。
- 43 -
结 论
本文论述了目前辅助服务市场、无功辅助服务市场和输配协同合作的研究现状。通过 研究对大规模可再生能源并网对电力系统的安全运行产生的影响,建立了基于光伏逆变器 调节的配电系统无功优化模型,通过算例分析,应用该模型可以有效降低配电系统网损, 调节系统的电压分布,提高了配电系统运行的可靠性和经济性。与此同时,提出基于输配 协同的主动配电网提供无功辅助服务的综合市场出清框架和市场出清模型。基于该框架与 模型,分布式的市场出清机制可以保证市场参与者的信息隐私性的前提下完成市场出清。 使DSO通过有效的市场出清机制参与到RPAS市场,一方面激励ADN对输电网提供RPAS, 提高输电网运行的安全性、可靠性和经济性。另一方面达到减少系统运行成本的目标。本 文的主要研究成果及结论如下:
(1)提出了一个基于输配协同包含日前能量市场和无功辅助服务市场顺次出清的综合 市场出清框架和一种分布式的市场出清机制来实现TSO和DSO在综合市场中的协同与合 作。通过市场机制激励 ADN 向输电网提供 RPAS 以保证系统运行的稳定性与安全性。其 中,TSO和DSO在所提市场机制中的地位是平等的,出清价格和出清电量由TSO和DSO 在交易过程中共同决定。
(2)基于所提出的综合市场框架,根据输配电网的系统网络结构,构建输配协同下的日 前能量市场出清模型和无功辅助服务市场出清模型。在此基础上,为实现所提出的分布式 出清机制,采用ADMM算法对市场出清模型进行变形,构建基于ADMM的一般一致性算 法的日前能量市场出清模型和无功辅助服务市场出清模型。
(3)通过算例分析结果表明,应用所提出的市场模型和分布式的市场出清机制,可以使 市场参与者(TSO和DSO)通过少量的信息交互而完成市场出清,有效保证其市场信息的私 密性。与此同时,DSO可以通过参与RPAS市场提升自身的经济效益并提高DG的利用率, 使得系统的运行总成本有效降低。
- 44 -
参考文献
[1]IPCC. Special report on global warming of 1.5°C [M]. UK: Cambridge University Press, 2018.
[2]胡志坚,刘如,陈志.中国"碳中和"承诺下技术生态化发展战略思考[J].中国科技论坛.
[3]Taibi, Emanuele & Nikolakakis, Thomas & Gutierrez, Laura & Fernandez del Valle, Carlos & Kiviluoma, Juha & Lindroos, Tomi & Rissanen, Simo. (2018). Power System Flexibility for the Energy Transition.
[4]国家发展改革委, 国家能源局。国家发展改革委, 国家能源局关于印发《能源技术革命 创新行划》的通知[EB/OL].
[5]康重庆, 杜尔顺, 李姚旺, 张宁, 等. 新型电力系统的“碳视角”: 科学问题与研究框架 [J]. 电网技术, 2022,46(03): 821-833.
⑹周孝信,陈树勇,鲁宗相,等.能源转型中我国新一代电力系统的技术特征[J].中国电 机工程学报, 2018, 38(7):12.
[7]王旭强,刘广一,曾沅,等.分布式电源接入下配电网电压无功控制效果分析[J].电力 系统保护与控制, 2014, 000(001):47-53.
[8]A. G. Beccuti, T. H. Demiray, et al. A Lagrangian Decomposition algorithm for optimal emergency voltage control, IEEE Transactions on Power Systems, vol. 25, no.4, pp. 1769-1779, Nov. 2010.
[9]Z. Chen, Z. Li, C. Guo, J. Wang and Y. Ding. Fully distributed robust reserve scheduling for coupled transmission and distribution systems, IEEE Transactions on Power Systems, vol. 36, no.1, pp. 169-182, Jan. 2021.
[10]Z. Li, Q. Guo, H. Sun, and J. Wang. Coordinated transmission and distribution ac optimal power flow, IEEE Trans. Smart Grid, vol. 9, no. 2, pp. 1228-1240, Mar. 2018.
[11]杨萌.可再生能源高渗透率电力系统的有功辅助服务市场机制设计与出清模型研究[D]. 华北电力大学(北京), 2020.
[12]李晓刚,言茂松.我国运行备用辅助服务市场的模式与定价研究[J].电力系统自动化, 2000(09): 12-18.
[13]华北电力监管委员会.《华北区域并网发电厂辅助管理实施细则》《华北区域发电并网 运行管理实施细则》 , 2008.
[14]邹建平.辅助服务的市场化定价与交易模式研究[D].华北电力大学,2012.
[15]刘海波.东北电网风电调峰辅助服务机制完善及交易优化模型研究[D].华北电力大学 (北京), 2016.
- 45 -
[16]国家能源局新疆监管办.《新疆电力辅助服务市场运营规则》, 2017.
[17]蔡秋娜.辅助服务管理机制与辅助服务市场竞价策略研究[D].华南理工大学,2012.
[18]杨益晟,张健,冯天天.我国核电机组调峰辅助服务经济补偿机制研究J].电网技术, 2017, 41(07): 2131-2138.
[19]喻洁, 刘云仁, 杨家琪, 等. 美国加州辅助服务市场发展解析及其对我国电力市场的启 示[J].电网技术,2019, 43(08): 2711-2717.
[20]Pindoriya N M, Singh S N, Singh S K. Application of adaptive wavelet neural network to forecast operating reserve requirements in forward ancillary services market[J]. Applied Soft Computing, 2011, 11(2):1811-1819.
[21]何永秀,陈倩,费云志,等.国外典型辅助服务市场产品研究及对中国的启示J].电网 技术, 2018, 42(09): 2915-2922.
[22]陈金.电力市场下的辅助服务研究[D].贵州大学,2009.
[23]Cimasi, Robert. The Attack on Ancillary Service Providers at the Federal and State Level[J]. Orthopedic Clinics of North America, 2008, 39(1):103-121.
[24]Jin Z, Nobile E, Bose A, et al. Localized Reactive Power Markets Using the Concept of Voltage Control Areas[J]. IEEE Transactions on Power Systems, 2004, 19(3):1555-1561.
[25]Deksnys R, Staniulis R. Pricing of reactive power service[J]. Oil Shale, 2007, 24(2s):363-376.
[26]Singh K, Padhy N P, Sharma J D. Social Welfare Maximization Considering Reactive Power and Congestion Management in the Deregulated Environment[J]. Electric Machines & Power Systems, 2009, 38(1):50-71.
[27]项中明,石博隆,吴昌,等.考虑无功辅助服务分段报价的多目标无功优化方法J].电 力系统保护与控制, 2021, 49(06): 40-47.
[28]A. D. Papalexopoulos and G. A. Angelidis. Reactive power management and pricing in the California market, MELECON 2006-2006 IEEE Mediterranean Electrotechnical Conference, 2006, pp. 902-905.
[29]Y. Yu, Q. Hou, Y. Ge, G. Liu and N. Zhang. A linear LMP model for active and reactive power with power loss, in 2019 IEEE Sustainable Power and Energy Conference (iSPEC), 2019, pp. 1699-1704.
[30]D. Jay and K. S. Swarup. Locational marginal pricing of reactive power in real time market considering voltage support requirement, in 2019 9th International Conference on Power and Energy Systems (ICPES), 2019, pp. 1-6.
[31]H. Chen, et al. Distribution market-clearing and pricing considering coordination of DSOs and ISO: an EPEC approach, IEEE Transactions on Smart Grid, vol. 12, no. 4, pp. 3150-3162, July 2021.
- 46 -
[32]Amjady N, Rabiee A, Shayanfar H A. Pay-as-bid based reactive power market[J]. Energy Conversion & Management, 2010, 51(2):376-381.
[33]S. Karagiannopoulos, C. Mylonas, P, et al. Active Distribution Grids Providing Voltage Support: The Swiss Case, in IEEE Transactions on Smart Grid, vol. 12, no. 1, pp. 268-278, Jan. 2021.
[34]A. O. Rousis, D. Tzelepis, Y. Pipelzadeh, et al. Provision of voltage ancillary services through enhanced TSO-DSO interaction and aggregated distributed energy resources, IEEE Transactions on Sustainable Energy, vol. 12, no. 2, pp. 897-908, Apr. 2021.
[35]K. Zhou, H. Tang, T. Liu, F. Xiong and L. Wang, Reactive power optimization in smart distribution network under power market. in 2015 5th International Conference on Electric Utility Deregulation and Restructuring and Power Technologies (DRPT), 2015, pp. 663-666.
[36]X. Zhongming, S. Bolong, et al. Multi-objective reactive power optimization model based on ancillary services pricing, in 2020 International Conference on Electrical Engineering and Control Technologies (CEECT), 2020, pp. 1-5.
[37]L. Chen, H. Y. Li, S. Cox and K. Bailey. Ancillary service for transmission systems by tap stagger operation in distribution networks, IEEE Transactions on Power Delivery, vol. 31, no. 4, pp. 1701-1709, Aug. 2016.
[38]Y. J. Kim, J. L. Kirtley and L. K. Norford. Reactive power ancillary service of synchronous DGs in coordination with voltage control devices, in IEEE Transactions on Smart Grid, vol. 8, no. 2, pp. 515-527, March 2017.
[39]Tiago Abreu, Tiago Soares, et al. Reactive power management considering stochastic optimization under the Portuguese reactive power policy applied to DER in distribution networks, Energies, vol. 12, no. 21, pp. 4028, 2019.
[40]Olson A, Mahone A, Hart E, et al. Halfway There: Can California Achieve a 50% Renewable Grid? [J]. IEEE Power and Energy Magazine, 2015, 13(4):41-52.
[41]Khodaei A, Shahidehpour M. Microgrid-Based Co-Optimization of Generation and Transmission Planning in Power Systems[J]. IEEE Transactions on Power Systems, 2013, 28(2):1582-1590.
[42]Kargarian A, Mohammadi J, Guo J, et al. Toward Distributed/Decentralized DC Optimal Power Flow Implementation in Future Electric Power Systems[J]. IEEE Transactions on Smart Grid, 2018, 9(4):2574-2594.
[43]C. Lin, W. Wu and M. Shahidehpour. Decentralized AC optimal power flow for integrated transmission and distribution grids, IEEE Transactions on Smart Grid, vol. 11, no.3, pp. 2531-2540, May 2020.
- 47 -
[44]J. Zhao, H. Wang, Y. Liu, Q. Wu, et al. Coordinated restoration of transmission and distribution system using decentralized scheme, IEEE Transactions on Power Systems, vol. 34, no.5, pp. 3428-3442, Sept. 2019.
[45]X. Jin, Y. Mu, H. Jia, Q. Wu, T. Jiang and M. Wang, et al. Alleviation of overloads in transmission network: a multi-level framework using the capability from active distribution network, International Journal of Electrical Power & Energy Systems. vol. 112, pp. 232-251, Nov. 2019.
[46]L. Diestelmeier, and D. Kuiken. Basic schemes for TSO-DSO coordination and ancillary services provision, Sept. 2016. http://smartnet-project.eu/consultations.
[47]Mohammadi A, Mehrtash M, Kargarian A. Diagonal Quadratic Approximation for Decentralized Collaborative TSO+DSO Optimal Power Flow[J]. IEEE Transactions on Smart Grid, 2018:1-1.
[48]Chenhui, Lin, Wenchuan, et al. Decentralized Reactive Power Optimization Method for Transmission and Distribution Networks Accommodating Large-Scale DG Integration[J]. IEEE Transactions on Sustainable Energy, 2017.
[49]Li Z, Guo Q, Sun H, et al. Coordinated Transmission and Distribution AC Optimal Power Flow[J]. IEEE Transactions on Smart Grid, 2016, 9(99):1228-1240.
[50]Sun, Hongbin, Zhengshuo, et al. Master-Slave-Splitting Based Distributed Global Power Flow Method for Integrated Transmission and Distribution Analysis[J]. IEEE transactions on smart grid, 2015.
[51]Li Z, Guo Q, Sun H, et al. Coordinated Economic Dispatch of Coupled Transmission and Distribution Systems Using Heterogeneous Decomposition[J]. IEEE Transactions on Power Systems, 2016, 31(6):4817-4830.
[52]Huang Q, Vittal V. Integrated Transmission and Distribution System Power Flow and Dynamic Simulation Using Mixed Three-Sequence/Three-Phase Modeling[J]. IEEE Transactions on Power Systems, 2017, pp (5):1-1.
[53]Yuan Z, Hesamzadeh M R. Hierarchical coordination of TSO-DSO economic dispatch considering large-scale integration of distributed energy resources[J]. Applied Energy, 2017, 195(JUN.1):600-615.
[54]Tiago Soares, Leonel Carvalho, Hugo Morais, et al. Reactive power provision by the DSO to the TSO considering renewable energy sources uncertainty, Sustainable Energy Grids and Networks, vol. 22, 2020.
[55]G. Valverde, D. Shchetinin and G. Hug-Glanzmann. Coordination of Distributed Reactive Power Sources for Voltage Support of Transmission Networks, in IEEE Transactions on Sustainable Energy, vol. 10, no. 3, pp. 1544-1553, July 2019.
- 48 -
[56]Roos A. Designing a joint market for procurement of transmission and distribution system services from demand flexibility[J]. Renewable Energy Focus, 2017, 21(oct.):16-24.
[57]D. Adionel Guimaraes, G. H. Faria Floriano and L. Silvestre Chaves. A Tutorial on the CVX System for Modeling and Solving Convex Optimization Problems, in IEEE Latin America Transactions, vol. 13, no. 5, pp. 1228-1257, May 2015.
[58]胡薇.全球分布式能源技术报告,各国今后发展分析[EB/OL]. http://www.elecfans,
2018.
[59]丁明,王伟胜,王秀丽,等.大规模光伏发电对电力系统影响综述[J].中国电机工程学 报, 2014, 34(01): 1-14.
[60]姜涛,张东辉,李雪,等.含分布式光伏的主动配电网电压分布式优化控制[J].电力自 动化设备, 2021, 41(09): 102-109+125.
[61]刘一兵,吴文传,张伯明,等.基于混合整数二阶锥规划的三相有源配电网无功优化[J]. 电力系统自动化, 2014, 38(15) :58-64.
[62]赵晋泉, 张振伟, 姚建国, 等. 基于广义主从分裂的输配电网一体化分布式无功优化方 法[J].电力系统自动化,2019, 43(03): 108-115.
[63]M. De, and S. K. Goswami. “Optimal reactive power procurement with voltage stability consideration in deregulated power system,” IEEE Transactions on Power Systems, vol. 29, no. 5, pp. 2078-2086, Sept. 2014.
[64]A. Kulmala, S. Repo and P. Jarventausta. Coordinated Voltage Control in Distribution Networks Including Several Distributed Energy Resources, in IEEE Transactions on Smart Grid, vol. 5, no. 4, pp. 2010-2020, July 2014.
[65]H. Jia, W. Qi, Z. Liu, B. Wang, et al. Hierarchical risk assessment of transmission system considering the influence of active distribution network, IEEE Transactions on Power Systems, vol. 30, no.2, pp. 1084-1093, Jan. 2021.
[66]D. Maihofner, I. Talavera, J. Hanson, C. Bott and F. Oechsle. Vertical reactive power flexibility through distributed energy resources for a reactive energy management, in 2017 11th IEEE International Conference on Compatibility, Power Electronics and Power Engineering (CPE-POWERENG), 2017, pp. 100-105.
[67]A. Kulmala, S. Repo and P. Jarventausta. Coordinated voltage control in distribution networks including several distributed energy resources, IEEE Transactions on Smart Grid, vol. 5, no.4, pp. 2010-2020. Jul. 2014.
[68]Caramanis M, Ntakou E, Hogan W W, et al. Co-Optimization of Power and Reserves in Dynamic T&D Power Markets with Nondispatchable Renewable Generation and Distributed Energy Resources[J]. Proceedings of the IEEE, 2016, 104(4):807-836.
- 49 -
[69]Papavasiliou A, Mezghani I. Coordination Schemes for the Integration of Transmission and Distribution System Operations[C]// 2018 Power Systems Computation Conference (PSCC). 2018.
[70]S. Stankovie and L. Soder. Analytical estimation of reactive power capability of a radial distribution system, IEEE Transactions on Power Systems, vol. 33, no. 6, pp. 6131-6141, Nov. 2018.
[71]H. Gao, J. Liu and L. Wang. Robust coordinated optimization of active and reactive power in active distribution systems, IEEE Transactions on Smart Grid, vol. 9, no. 5, pp. 4436-4447, Sept. 2018.
[72]M. Baradar, M. R. Hesamzadeh and M. Ghandhari. Second-order cone programming for optimal power flow in VSC-type AC-DC grids, IEEE Transactions on Power Systems, vol. 28, no. 4, pp. 4282-4291, Nov. 2013.
[73]M. V. Pereira, S. Granville, M. H. C. Fampa, et al. Strategic bidding under uncertainty: a binary expansion approach, IEEE Transactions on Power Systems, vol. 20, no. 1, pp. 180-188, Feb. 2005.
[74]T. Erseghe, D. Zennaro, E. Dall'Anese and L. Vangelista. Fast consensus by the alternating direction multipliers method, IEEE Transactions on Signal Processing, vol. 59, no. 11, pp. 5523-5537, Nov. 2011.
[75]T. Erseghe. Distributed optimal power flow using ADMM, IEEE Transactions on Power Systems, vol. 29, no. 5, pp. 2370-2380, Sept. 2014.
[76]Y. Wang, L. Wu and S. Wang. A fully-decentralized consensus-based ADMM approach for DC-OPF with demand response, IEEE Transactions on Smart Grid, vol. 8, no. 6, pp. 2637-2647, Nov. 2017.
[77]Boyd S, Parikh N, E C hu, et al. Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers[J]. Foundations & Trends in Machine Learning, 2010, 3(1):1-122.
[78]王子璇.含需求响应虚拟电厂的风电并网系统分布式优化调度建模[D].东北电力大学,
2019.
[79]P. K. Kaushal and M. Tomar. Real and reactive power loss minimization of IEEE-33 bus by optimal DG placement using LSO in RDS, in 2017 International Conference on Energy, Communication, Data Analytics and Soft Computing (ICECDS), 2017, pp. 1841-1844.
[80]Y. Wu, M. Barati and G. J. Lim. A pool strategy of microgrid in power distribution electricity market, IEEE Transactions on Power Systems, vol. 35, no. 1, pp. 3-12, Jan. 2020.
- 50 -
[81]K. Zhang, S. Troitzsch, S. Hanif and T. Hamacher. Coordinated market design for peer-to-peer energy trade and ancillary services in distribution grids, IEEE Transactions on Smart Grid, vol. 11, no. 4, pp. 2929-2941, July 2020.
[82]D. Jay and K. S. Swarup. Game theoretical approach to novel reactive power ancillary service market mechanism, IEEE Transactions on Power Systems, vol. 36, no. 2, pp. 1298-1308, Mar. 2021.
【本文地址:https://www.xueshulunwenwang.com//shuoshilunwenzhuanti/dianlixitongjiqizidonghua/5255.html

上一篇:大功率质子交换膜燃料电池热管理系统研究

下一篇:没有了

相关标签: