基于多層電價響應機制的配電網" title="主動配電網" target="_blank">主動配電網源-網-荷協調方法
1研究背景
隨著可再生能源并網比例的持續增長，配電網的形態與運行方式正在發生巨大變化。分布式電源、主動負荷、儲能裝置及微電網的大量接入，使得以配電網為中心的源、網、荷均呈現出多元變化，為配電網的協調優化帶來更多挑戰。這些挑戰主要可歸納為：
1）多元多層級主體協調問題。參與協調優化的源、網、荷分屬于不同的利益主體；而配電網上直接并網的源、荷與微電網內通過微電網間接并網配電網的源、荷運行特點又不同，如何處理不同層級上的不同利益主體，進行多級協調成為一大問題。
2）不確定性與風險協調問題。風電功率、電動汽車及空調負荷的不確定性，均會使得源-網-荷協調優化模型變得模糊，如何處理每個利益主體的收益與風險關系也成為一大問題。
本文將多智能體系統與多層電價響應機制結合，以協調不同層級的多利益主體。配電網智能體不直接集中控制各分布式電源及主動負荷的發用電量，而是通過價格杠桿在多個層級間進行間接協調。在不同層級的優化過程中，采用模糊機會約束規劃和可信性測度來處理不確定性和風險，并通過等價類對機會約束條件進行轉化。采用蝙蝠算法和黃金分割法對多層模糊隨機規劃模型進行求解，解決可再生能源高滲透率配電網的源-網-荷協調優化問題。
2基于多智能體的多層電價響應
根據主動配電網內各主體的功能屬性，定義如下5類智能體，分別為配電網智能體、虛擬電廠智能體、微電網智能體、多形態負荷智能體以及一次側能源智能體，如圖1所示。
圖1多智能體架構
在此背景下，主動配電網多智能體系統包含核心協調層（ADNA）、直接協調層（VPPA與MGA）、間接協調層（微網內PEAs、LAs），如圖2所示。處于上層的智能體對下層進行電價激勵，處于下層的智能體對上層電價進行功率響應，這一多層電價響應機制保證了不同層級智能體間利益協調的有序進行，原理類似于有序的多層規劃。
圖2多層電價響應機制
多層電價響應機制與傳統的市場交易機制不同，不需要集中市場交易平臺/中心，ADNA無需了解網內各PEAs、LAs的成本與報價信息及進行大規模的集中計算，比較適用于市場參與者眾多的配電網市場；另外，該機制中PEAs、LAs等市場參與者可以主動參與協調過程，主動響應電價并相應調節功率。因此本文所提多層電價響應機制是一種分散自律且體現參與者主動響應的配電網市場模式。
3多層模糊機會約束的源-網-荷協調模型
1）核心協調層ADNA的優化模型
在基于多智能體的多層電價響應機制中，ADNA的優化目標是使得配電網的購電成本及不平衡成本總和最小化，決策配電網電價。
2）直接協調層VPPA的優化模型
虛擬電廠智能體VPPA的優化目標是追求內部PEAs及LAs收益的最大化。決策在某一配電網電價條件下，VPPA內源-荷的響應功率。通過協調優化內部電動汽車、常規火電機組、分布式風電機組、空調可調度負荷等的運行狀態，來實現整體VPPA的收益最大化。
3）直接協調層MGA的優化模型
微電網智能體MGA的優化目標與VPPA的作用方式不同。微電網是一個獨立的智能體主元，擁有獨立的優化目標，其利益與微電網上并網的源-荷存在博弈關系。微電網從并網的源-荷購電，而向上層并網的配電網售電。在某一配電網電價已知條件下，決策微電網電價。
4）間接協調層并網微電網的PEAs及LAs的優化模型
并網微電網的PEAs及LAs會針對每一個微電網電價做出優化響應。決策在某一微電網電價條件下，并網微電網的PEAs及LAs的響應功率。可以發現，這一過程與VPPA的優化過程極為相似。只是參與優化的PEAs及LAs不再是虛擬電廠內的源、荷智能體，而是并網微電網的源、荷智能體。
4求解方法
基于多智能體多層電價響應機制的模糊機會約束協調優化模型包含大量模糊參數和模糊機會約束條件，數學性質模糊，難以采用基于導數的優化方法直接求解。本文采用等價類轉化的方式來處理模糊機會約束條件，將模糊機會約束轉化為確定性約束。采用基于模糊模擬的BP神經元網絡逼近帶有模糊參數的目標函數數學樂觀值。
經過不確定性處理的優化模型約束中已不含隨機變量，但目標函數由BP神經元網絡逼近，仍然難以用傳統優化工具進行求解。同時，多層電價響應機制中，要求對若干不同激勵電價下的響應功率和成本進行計算，這樣的遍歷式尋優思路效率極低，不適合實際應用。因此，本文采用蝙蝠算法求解含BP神經元的模型，采用黃金分割法模擬多層電價響應機制。
5算例分析與討論
1）多層電價響應機制對比分析
分別進行如下市場機制下的配電網源-網-荷協調優化仿真：不計風險的多層電價響應機制；計及風險的多層電價響應機制；傳統集中市場機制。
可發現，不計風險條件下多層電價響應機制的配電網源-網-荷協調最優電價與配網運行成本均與傳統集中市場模式相同。在這一模式下，市場參與者主動參與協調過程，同樣實現了社會效益最大化的市場目標。而計及風險的多層電價響應模式下，與其他兩種模式相比配網最優電價較低，這主要是因為本文模式計及風險，允許存在一定的不平衡功率。同時，本文模式下配電網的成本也更低，這主要是因為計及風險條件下，配網從PEAs及LAs購得發電功率更低，配網電價也更低。
2）考慮風險對源-網-荷協調優化的影響
不同的置信度水平可以反應參與協調優化智能體對風險的接受程度。改變置信水平進行優化計算。分別取置信水平為0.5，0.6，0.7，0.8，0.9進行仿真。可以看出，無論對于何種電價，置信水平越高，VPPA的收益就越低。
不同的模糊參數刻畫方式體現了多智能體對風險的靈活考慮與接受程度。考慮采用三種隸屬度函數對模糊變量進行刻畫：①三角形模糊刻畫方案。②梯形模糊刻畫方案。③矩形模糊刻畫方案。結果可以看出，對于前兩種優化方案而言，配電網的總成本均會隨置信水平的升高而增加。這主要是由于，機會約束的置信水平要求越高，說明參與調度主體對風險的接受程度越小，優化調度算法為實現這樣趨于保守的調度要求，會增加成本。
3）求解算法的計算精度與計算效率
將本文所提的結合蝙蝠算法的黃金分割法與其他由遺傳算法和模式搜索算法構成的復合智能算法進行比較，計算結果如表1所示。
表1算法比較分析
由表1可見，從最優電價看，本文所提算法與其他對比算法取得了相同精度的優化結果。從計算效率上看，對于配電網而言算法1只需11次就完成了計算，與算法2持平，遠低于算法3、4的34次。這主要是由于黃金分割法充分利用了配網成本與配網電價的單谷一維函數關系進行最優電價搜索，計算高效；而模式搜索算法未計及這一單谷特性而反復放大搜索范圍進行試探，增加了計算次數。因此，結合蝙蝠算法的黃金分割法對于求解本文模型體現了良好的精確性與高效性。
6結論
1）多智能體系統可有效協調主動配電網環境下的源、網、荷利益主體，基于多智能體的多層電價響應機制可對不同層級上復雜的源、網、荷結構進行協調，充分發揮高比例可再生能源和主動負荷的潛力。
2）模糊參數和模糊機會約束規劃可以簡潔有效地處理可再生能源高滲透率電網的諸多不確定因素，計及各智能體對風險的追求與厭惡程度。模糊機會約束的等價類轉化和結合BP神經元網絡的模糊模擬可以有效簡化模糊規劃，而結合蝙蝠算法的黃金分割法使得多層電價響應機制求解得到極大簡化。
3）本文對風險的考慮僅為對模糊機會約束置信度水平的控制，可以進一步引入風險考核指標進行下一步深入研究。（徐熙林，宋依群，姚良忠，索瑞鴻，嚴正）
原標題:上海交通大學 徐熙林，宋依群；中國電科院 姚良忠等：基于多層電價響應機制的主動配電網源-網-荷協調方法