CN107425541B - 一种主动配电网风储联合调度方法 - Google Patents

Abstract

本发明公开了一种主动配电网风储联合调度方法，包括以下步骤：利用跟踪风电最大‑最小值法进行风储联合系统的电池定容，确定电池最终容量；根据风机历史风电数据，利用Elman神经网络进行负荷和风电的超短期预测，每间隔10min进行一次预测；根据预测结果和风储系统内电池最终容量的限制，进行多种情况下的主动配电网风储联合优化调度，使风储联合系统以一定渗透率参与主动配电网调度，在电池放电阶段根据短期预测结果，确定额外增发电量。本发明中风储联合系统定容方法简单方便，所得结果能满足主动配电网安全经济运行的要求，Elman神经网络具有动态学习和对过去状态记忆的功能，因此所得风电超短期预测结果与实际值相差不大。

Description

一种主动配电网风储联合调度方法

技术领域

本发明涉及电网调度技术领域，具体涉及一种主动配电网风储联合调度方法。

背景技术

分布式电源大量并网及其渗透率的不断提高，对电力系统运行规划带来一系列问题，传统配电网的运行管理将无法满足大量分布式电源接入的要求。为有效管控DG出力特性对配电网的影响，主动配电网技术应运而生。其中，风力发电作为当前最具商业价值的清洁能源，受到广泛关注，但其间歇性和随机性的特征导致无法准确预测风电厂的出力，进而对配电系统的安全经济运行以及电能质量控制带来挑战。面对以上问题，主动配电网通过应用风储联合系统来调控风电场的有功出力，从而使风电大规模、高质量地接入配电网成为可能。

国内外均已开展了对储能系统的研究，目前的储能技术主要有：抽水储能、压缩空气、飞轮储能、超导储能、超级电容、电池储能等。因蓄电池自身充/放电速度快、效率高、寿命长、配置灵活的特点，正成为目前关注和研发的重点，其中电池储能按照材料的不同又分为铅酸电池、锂电池、液流电池以及钠硫电池等。且随着研究的进一步深入，电池储能的价格势必会大幅下降。因此，风储联合发电技术大规模应用于配电网将成为研究的热点。

《风电储能混合系统的联合调度模型及求解》基于场景削减技术以及混合整数规划技术对问题进行求解，给出了混合系统日前小时级的联合生产计划以及日内分钟级的联合生产计划。但是目标函数并没有考虑无功出力带来的效益。

《集群风储联合系统广域协调优化控制》提出基于超短期风功率预测的本地风储系统优化控制策略以及集群风储系统广域协调控制方法。但是缺少对系统储能选择的说明和对无功出力的考虑。

《主动配电网储能系统的多目标优化配置》从削峰填谷能力、电压质量以及功率主动调节能力3个方面建立主动配电网储能系统的多目标优化配置模型，实现储能系统对于主动配电网支撑作用的综合最优。但是本文同样只考虑了有功功率的影响，且没有考虑当部分风储退出运行时带来的问题。

由此可见，现有关于主动配电网风储联合调度的方法，很少有同时考虑有功和无功经济效益的方法，而且缺少系统研究风储系统在主动配电网中配置与调度的方法。

发明内容

为解决现有技术存在的不足，本发明公开了一种主动配电网风储联合调度方法，本发明系统地研究风储在主动配电网中的配置与优化，主要包括风储的定容以及多场景下的风储联合控制。本发明首先通过使用跟踪风电最大-最小值法进行电池定容，然后用Elman神经网络进行风电和负荷的超短期预测，最后结合负荷和风电的预测结果以及系统中风储设备的运行状况，进行分层控制。

为实现上述目的，本发明的具体方案如下：

一种主动配电网风储联合调度方法，包括以下步骤：

利用跟踪风电最大-最小值法进行风储联合系统的电池定容，确定电池最终容量；

根据风机的历史风电数据，利用神经网络进行负荷和风电的超短期预测，每间隔设定时间(10min)进行一次预测；

根据预测结果和风储联合系统中电池的最终容量的限制，进行多种情况下的主动配电网风储联合优化调度，使风储联合系统以一定渗透率参与主动配电网调度，在电池放电阶段根据短期预测结果，确定额外增加功率。

进一步的，根据预测结果和风储联合系统中电池最终容量的限制，进行多种情况下的主动配电网风储联合优化调度时，具体的：

当电池提前达到荷电状态极限时，根据超短期预测结果，若连续设定时间内出现风电出力小于风电需求的情况，则电池提前进入放电状态；

若主动配电网内各风储设备按照预测结果正常运行，则各风储联合系统按照目标函数优化结果进行调度；

若出现小功率风储联合系统退出运行，则主动配电网就地控制启动，通过与其他风储联合系统的配合，使得在输电网注入配电网功率不变的情况下，经济性达到最优。其中，小功率风储联合系统是指其功率大小在主动配电网中的其他风储系统调节裕度内，经济性达到最优是指在综合考虑网损和风储联合系统出力条件下，使目标函数达到最小；

若出现较大功率风储联合系统退出运行，其他风储无法通过自身调节满足要求时，主动配电网区域控制启动，此时风储联合系统内独立储能装置工作，使得在输电网注入配电网功率不变的情况下，经济性达到最优。其中，较大功率风储联合系统即主动配电网中风储联合系统功率大小超出其他风储系统调节裕度，但在整个主动配电网内仍可补充，经济性达到最优即在综合考虑网损和风储联合系统出力条件下，使目标函数达到最小；

若情况进一步恶化，超出主动配电网自身的调节能力，则主动配电网全局控制启动，此时输电网的注入功率将参与调节。其中，情况进一步恶化指该区域主动配电网缺失功率已不能通过自身进行调节。

进一步的，需额外增加的功率P_add则根据日前预测结果进行计算：

式中，E_max和E_min分别表示风电日前预测结果得到的最大与最小剩余电量计算结果，T_dis为电池放电总时间，η为考虑电池转化效率和安全稳定运行的系数。

进一步的，风电日前预测结果得到的最大剩余电量计算结果为：

E_max＝E_max1-E_max2

式中，E_max1和E_max2分别表示按照一天中最大风力预测结果求得的储能与放电总电量，T_ch为电池充电总时间，P_w为风电的额定有功功率，P_d为风电需求量，P_w(t)和P_d(t)为t时刻的风电功率和风电需求值。

进一步的，E_min的求解公式如下所示

E_min＝E_min1-E_min2

式中，E_min1和E_min2分别表示按照一天中最小风力预测结果求得的储能与放电总电量。

进一步的，风电的有功功率具体为：

式中，v表示风速，v_ci表示启动风速，v_r表示额定风速，v_co表示最大风速，P_w(v)是风速为v时的风电有功功率。

进一步的，综合考虑有功和无功功率的目标函数为：

式中，P_loss(t)表示t时刻整个系统的网损；P_G(t)表示t时刻配电网有功出力；Q_G(t)表示t时刻配电网无功出力；Q_d(t)表示t时刻风储联合系统的无功出力需求；γ_w(t)表示系统风电利用率；T表示时长；C_p(t)表示t时刻阶梯电价值；P_ch(t)为t时刻风储联合系统的充电功率；P_dis(t)为t时刻风储联合系统的放电功率。为方便分析，此目标函数中假定有功出力和无功出力带来的经济效益是一样的。

进一步的，目标函数的约束条件包括等式约束和不等式约束，等式约束包括：潮流约束及电池荷电状态约束，不等式约束包括：节点功率约束、节点电压约束、支路容量约束、风储联合系统有功无功出力约束及电池荷电状态约束。

进一步的，潮流约束：

其中，P_Gi、P_di、P_Li分别为节点i的有功出力、风储联合系统有功出力和有功负荷；Q_Gi、Q_Li、Q_di分别为节点i的无功出力、无功负荷和风储联合系统无功出力；G_ij和B_ij分别为节点导纳阵中支路ij的电导和电纳，U_i为节点i的电压；U_j为节点j的电压θ_ij为节点i与j之间的相角差。

进一步的，电池荷电状态约束

式中，SOC(t)表示t时刻电池的荷电状态，η_ch和η_dis分别表示电池的充电和放电效率，本发明中取值为0.77。

进一步的，节点功率约束

节点电压约束

U_imin≤U_i≤U_imax

支路容量约束

P_limin≤P_li≤P_limax

式中，P_Gi为i节点有功功率大小，Q_Gi为i节点无功功率大小，U_i为i节点电压，P_li为i支路容量

风储联合系统有功无功出力约束

Q_disp(t)为t时刻PCS的无功出力值，S_pcs为PCS的视在功率。

电池荷电状态约束

SOC_min≤SOC(t)≤SOC_max

式中SOC_min和SOC_max的取值为20％和90％。

进一步的，使用YALMIP与快速粒子群结合的方法对目标函数进行求解，其中快速粒子群的粒子更新方程为，

x(i,t+1)＝x_b(i,t)+β(x_g(t)-x_b(i,t))+αRS

式中，x(i,t+1)为t+1时刻i粒子位置；x_b(i,t)为t时刻i粒子的最优位置；β为收敛速度，其大小从0到1表示收敛速度由慢到快；x_g(t)为t时刻的全局最优值；α为粒子随机衰减因子；R为标准正态分布随机值；S为粒子的上下界范围。

本发明的有益效果：

(1)本发明中风储联合系统定容方法简单方便，所得结果能满足主动配电网安全经济运行的要求，Elman神经网络具有动态学习和对过去状态记忆的功能，因此所得风电超短期预测结果与实际值相差不大。

(2)本发明所提调度方法，很好的解决了风电随机性和间歇性给配电网调度带来的问题，使得输电网注入功率无需过多的变动，而是由主动配电网自身进行调节，发挥了主动配电网自身的优势。

(3)本发明极大地提高了风电的利用率，使风电大规模、高效益地接入主动配电网成为可能，由于电池充放电时间的灵活设置，能够起到对配电网负荷“削峰填谷”的作用。

(4)本发明以经济效益最大为目标，因此所得调度结果能实现主动配电网的经济效益最大化。

(5)本发明所提YALMIP与快速自适应粒子群相结合的方法，既解决了APSO对初始值要求高的问题，又解决了YALMIP只能求局部最优的缺点。

附图说明

图1为电池定容示意图；

图2为Elman神经网络预测结果；

图3为主动配电网分层控制示意图；

图4为YALMIP与快速自适应粒子群算法结合求解流程图；

图5为14节点系统拓扑结构；

图6为某天电池定容图。

图7为负荷与风电超短期预测结果及调度计划；

图8为风电利用率；

图9为14节点系统一天内的调度策略；

图10为33节点主动配电网拓扑结构；

图11为33节点系统各风储联合系统正常工作时一天内的调度策略；

图12为33节点系统WBS2退出运行后调度策略前后变化的对比；

图13为33节点系统WBS1退出运行后调度策略前后变化的对比；

图14为33节点系统WBS1和WBS3退出运行后调度策略前后变化的对比。

具体实施方式：

下面结合附图对本发明进行详细说明：

一种主动配电网风储联合调度方法，具体的步骤如下：

(1)用跟踪风电最大-最小值法进行电池定容；

(2)用Elman网络进行负荷和风电的超短期预测，每间隔10min进行一次预测；

(3)根据预测结果和风储设备限制，进行多种情况下的主动配电网风储联合优化调度；

(4)风储联合系统以一定渗透率参与主动配电网调度，在放电阶段根据短期预测结果，确定额外增发电量；

(5)当电池提前到达荷电状态极限时，根据超短期预测结果，若连续半小时内出现风电出力小于风电需求的情况，则电池提前进入放电状态；

(6)若主动配电网内各风储设备按照预测结果正常运行，则各风储按照目标函数优化结果进行调度；

(7)若出现小功率风储联合系统退出运行，则就地控制启动，通过与其他风储系统的配合，使得在输电网注入配电网功率不变的情况下，经济性达到最优；

(8)若出现较大功率风储联合系统退出运行，就地控制系统内其他风储无法通过自身调节满足要求时，区域控制启动，此时系统内独立储能装置工作，使得在输电网注入配电网功率不变的情况下，经济性达到最优；

(9)若情况进一步恶化，超出主动配电网自身的调节能力，则全局控制启动，此时输电网的注入功率将参与调节。

(10)将YALMIP与快速自适应粒子群方法结合，对目标函数进行求解。

步骤(3)中，规定一天中电池最大放电时间为8小时，且一天只进行一次电池充放电转换。

在步骤(1)中，跟踪风电最大-最小值方法，需要多日数据确定最终值，且根据充放电状态不同运用不同的计算公式，按照图1电池定容示意图进行电池定容。不失一般性，将图1中时间T分为0-10Ta共十个时间段，其中0-5Ta为充电阶段，5Ta-10Ta为放电阶段。电池工作于储能阶段(0-5Ta)时，选取每个时间段中功率最小值作为此时风电需求值，则电池定容应满足如下条件：

式中，P_ch(i,t)表示时间段i内t时刻的充电功率，P_w(i,t)表示时间段i内t时刻的风电功率，P_d(i)表示i时间段内风电需求，E_ch表示整个充电时间段一共需存储的电能，表示充电时间段内功率最大需求值，表示在考虑电池工作在正常范围内的电池容量最大需求值，ξ为系数，取值为0.7。

与电池储能时的计算方法相似，电池放电阶段(5Ta-10Ta)功率和容量的计算如式(2)所示，但需将每个时段中电力需求值跟踪的最小值变为最大值进行计算。

式中，P_dis(i,t)表示时间段i内t时刻的电池放电功率，E_dis表示整个充电时间段一共需释放的电能，表示放电时间段内功率需求值，表示在考虑电池工作在正常范围内的电池容量需求值。

按照上述充放电各自的计算结果，确定电池最终容量为：

在步骤(2)中，本发明使用某风机连续三日风电数据，其中前两天作为神经网络的训练样本，每隔10min取一个点，选择连续5个点功率作为训练输入，第6个点功率作为期望输出，且训练数据不应少于2天，经过训练后得到的第三天预测结果如图2所示，；

在步骤(3)中，主动配电网应包含必要的风储联合系统且能够调度，主动配电网分层控制方法如图3所示，系统控制分为就地控制、区域控制和全局控制；

在步骤(4)中，需先依据风速预测进行风电长期预测，然后根据相关公式计算第二天放电期间增加的额外功率，额外增加功率(P_add)的计算方法是根据风速日前气象值，用下式进行估计，

式中，v表示风速，v_ci表示启动风速，v_r表示额定风速，v_co表示最大风速，P_w为风电的额定有功功率。

P_add根据日前预测结果进行计算，

式中，E_max可以由下列公式计算得到：

E_max＝E_max1-E_max2 (6)

式中E_max和E_min分别表示风电日前预测结果得到的最大与最小剩余电量计算结果，T_ch和T_dis为电池充电和放电总时间，η为考虑电池转化效率和安全稳定运行的系数，E_max1和E_max2分别表示按照一天中最大风力预测结果求得的储能与放电总电量，E_min的求解公式与E_max基本相同。

步骤(5)中，电池必须已经达到荷电状态极限，且出现半小时的风电功率短缺。

步骤(6)、(7)、(8)、(9)中，应按照主动配电网中风储联合系统的工作状态，用分层控制方法进行合理的调度，满足主动配电网安全稳定运行的目的。

综合考虑有功和无功功率，建立如下目标函数，

式中，P_loss(t)表示t时刻整个系统的网损；P_G(t)表示t时刻配电网有功出力；Q_G(t)表示t时刻配电网无功出力；Q_d(t)表示t时刻风储联合系统的无功出力需求；γ_w(t)表示系统风电利用率；T表示时长；C_p(t)表示t时刻阶梯电价值。为方便分析，此目标函数中假定有功出力和无功出力带来的经济效益是一样的；

本发明使用YALMIP与快速粒子群结合的方法对目标函数进行求解，计算流程如图4所示，应先进行YALMIP计算，然后将所得结果作为初始值代入快速自适应粒子群算法进行求解，其中快速粒子群的粒子更新方程为，

x(i,t+1)＝x_b(i,t)+β(x_g(t)-x_b(i,t))+αRS (10)

式中，x(i,t+1)为t+1时刻i粒子位置；x_b(i,t)为t时刻i粒子的最优位置；β为收敛速度，其大小从0到1表示收敛速度由慢到快；x_g(t)为t时刻的全局最优值；α为粒子随机衰减因子；R为标准正态分布随机值；S为粒子的上下界范围。

所述步骤(5)中，等式约束和不等式约束为：

等式约束：

a.潮流约束

其中，P_Gi、P_di、P_Li分别为节点i的有功出力、风储联合系统有功出力和有功负荷；Q_Gi、Q_Li、Q_di分别为节点i的无功出力、无功负荷和风储联合系统无功出力；G_ij和B_ij分别为节点导纳阵中支路ij的电导和电纳。

b.电池荷电状态约束

式中，SOC(t)表示t时刻电池的荷电状态，η_ch和η_dis分别表示电池的充电和放电效率，本发明中取值为0.77。

不等式约束：

a.节点功率约束

b.节点电压约束

U_imin≤U_i≤U_imax (14)

c.支路容量约束

P_limin≤P_li≤P_limax (15)

d.风储联合系统有功无功出力约束

e.电池荷电状态约束

SOC_min≤SOC(t)≤SOC_max (17)

式中SOC_min和SOC_max的取值为20％和90％。

利用Matlab进行仿真建模，分别用14节点系统和33节点系统对所提方法进行仿真验证：

1)14节点系统

本文以某地14节点10kV配电系统对所提方法进行测试分析，系统结构如图5所示。将风储联合系统接入节点8，该地发电机15台，风机参数如表1所示。

表1 SL-1500风力发电机组参数

按图6所示风电功率数据求得电池定容结果为：

根据预测结果及风储联合系统调度策略，制定超短期调度计划，如图7所示，其中增加功率P_add为2.93MW。

分时电价取值如表2所示。

表2分时电价取值

假设0时刻电池储能状态达到80％，根据目标函数求解系统各点的状态量，并进行SOC更新。经计算可知，在4：40-4：50时间内电池荷电状态达到90％，电池将不再进行充电。得到风电利用曲线和调度结果如图8、9所示。

2)33节点系统

图10为改造后的IEEE 33节点主动配电网，额定电压为12.66kV，基准容量为10MVA。风储联合系统接于节点7、18、33，节点12接入独立储能单元。其中节点7、8、29、30、31为商业负荷，节点24、25为工业负荷，其余节点为居民负荷。根据本发明中所提电池定容及调度方法，得到表3-5仿真所用数据和图11-14调度结果。

表3风储联合系统有功与无功出力限制

表4储能系统容量

BESS	P<sub>BESS</sub>(MW)	E<sub>BESS</sub>(MWh)
			1	0.97	2.33
2	0.54	1.16
			3	0.54	1.16

表5放电时间段额外增发功率

根据仿真所得数据可知，本发明所提方法能够简便的计算出风储联合系统中储能系统的容量，较常规调度方法，该方法充分发挥主动配电网自身的调节能力，降低风电随机性和间歇性带来的问题。此外，所提求解方法，一方面解决了YALMIP只能求解局部最优的问题，另一方面也解决了粒子群算法对初值要求高的问题，从而使所求结果准确可靠。

本发明根据储能元件所处充放电状态的不同，利用跟踪风电最大-最小值法确定储能电池的容量；针对优化调度对超短期功率预测的需求，使用Elman神经网络结构，进行了风电与负荷的超短期功率预测；考虑到风电的出力特点和经济的最大化原则，根据预测结果制定出一套分层分布式风储联合系统控制策略，建立了同时考虑风储联合系统有功和无功出力的优化调度目标函数，最后用YALMIP与快速粒子群相结合的方法求解目标函数。并用14节点和33节点配电系统进行建模仿真，验证了本发明的有效性和实用性。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种主动配电网风储联合调度方法，其特征是，包括以下步骤：

利用跟踪风电最大-最小值法进行风储联合系统的电池定容，确定电池最终容量；

跟踪风电最大-最小值方法，需要多日数据确定最终值，且根据充放电状态不同运用不同的计算公式，进行电池定容，时间T分为0-10Ta共十个时间段，其中0-5Ta为充电阶段，5Ta-10Ta为放电阶段，电池工作于充电阶段(0-5Ta)时，选取每个时间段中功率最小值作为此时风电需求值，则电池定容应满足如下条件：

式中，P_ch(i,t)表示时间段i内t时刻的充电功率，P_w(i,t)表示时间段i内t时刻的风电功率，P_d(i)表示i时间段内风电需求，E_ch表示整个充电时间段一共需存储的电能，表示充电时间段内功率最大需求值，表示在考虑电池工作在正常范围内的电池容量最大需求值，ξ为系数，取值为0.7；

与电池储能时的计算方法相似，电池放电阶段(5Ta-10Ta)功率和容量的计算如式(2)所示，但需将每个时段中电力需求值跟踪的最小值变为最大值进行计算；

式中，P_dis(i,t)表示时间段i内t时刻的电池放电功率，E_dis表示整个放电时间段一共需释放的电能，表示放电时间段内功率最大需求值，表示在考虑电池工作在正常范围内的电池容量最大需求值；

按照上述充放电各自的计算结果，确定电池最终容量为：

根据风机的历史风电数据，利用神经网络进行负荷和风电的超短期预测，每间隔设定时间进行一次预测；

根据预测结果和风储系统中电池的最终容量限制，进行多种情况下的主动配电网风储联合优化调度，使风储联合系统以一定渗透率参与主动配电网调度，在电池放电阶段根据短期预测结果，确定额外增加功率；

需额外增加的功率P_add根据日前预测结果进行计算：

式中，E_max和E_min分别表示按照风电日前预测结果得到的最大与最小剩余电量计算结果，T_dis为电池放电总时间，η为考虑电池转化效率和安全稳定运行的系数。

2.如权利要求1所述的一种主动配电网风储联合调度方法，其特征是，根据预测结果和风储联合系统中电池最终容量的限制，进行多种情况下的主动配电网风储联合优化调度时，具体的：

当电池提前达到荷电状态极限时，根据超短期预测结果，若连续设定时间内出现风电出力小于风电需求的情况，则电池提前进入放电状态；

若主动配电网内各风储设备按照预测结果正常运行，则各风储联合系统按照目标函数优化结果进行调度；

若出现小功率风储联合系统退出运行，则主动配电网就地控制启动，通过与其他风储联合系统的配合，使得在输电网注入配电网功率不变的情况下，经济性达到最优；其中，小功率风储联合系统是指其功率大小在主动配电网中其他风储系统的调节裕度内，经济性达到最优是指在综合考虑网损和风储联合系统出力条件下，使目标函数达到最小；

若出现较大功率风储联合系统退出运行，其他风储无法通过自身调节满足要求时，主动配电网区域控制启动，此时风储联合系统内独立储能装置工作，使得在输电网注入配电网功率不变的情况下，经济性达到最优；其中，较大功率风储联合系统是指其功率大小超出其他风储系统调节裕度，但在整个主动配电网内仍可补充，经济性达到最优即在综合考虑网损和风储联合系统出力条件下，使目标函数达到最小；

若情况进一步恶化，超出主动配电网自身的调节能力，则主动配电网全局控制启动，此时输电网的注入功率将参与调节；其中，情况进一步恶化是指该区域主动配电网缺失功率已不能通过自身调节来满足要求。

3.如权利要求1所述的一种主动配电网风储联合调度方法，其特征是，按照风电日前预测结果得到的最大剩余电量计算结果为：

E_max＝E_max1-E_max2

式中，E_max1和E_max2分别表示按照一天中最大风力预测结果求得的充电与放电总电量，T_ch为电池充电总时间，P_w为风电的额定有功功率，P_d为风电需求量，P_w(t)和P_d(t)为t时刻的风电功率和风电需求值。

4.如权利要求3所述的一种主动配电网风储联合调度方法，其特征是，E_min的求解公式为：

E_min＝E_min1-E_min2

式中，E_min1和E_min2分别表示按照一天中最小风力预测结果求得的充电与放电总电量。

5.如权利要求3所述的一种主动配电网风储联合调度方法，其特征是，风电的有功功率具体为：

式中，v表示风速，v_ci表示启动风速，v_r表示额定风速，v_co表示最大风速，P_w为风电的额定有功功率，P_w(v)为风速为v时的风电有功功率。

6.如权利要求2所述的一种主动配电网风储联合调度方法，其特征是，目标函数综合考虑有功和无功功率，具体为：

式中，P_loss(t)表示t时刻整个系统的网损；P_G(t)表示t时刻配电网有功出力；Q_G(t)表示t时刻配电网无功出力；Q_d(t)表示t时刻风储联合系统的无功出力需求；γ_w(t)表示系统风电利用率；T表示时长；P_ch(t)为t时刻风储联合系统的充电功率；P_dis(t)为t时刻风储联合系统的放电功率；C_p(t)表示t时刻阶梯电价值，P_w(t)为t时刻的风电功率，为方便分析，此目标函数中假定有功出力和无功出力带来的经济效益是一样的。

7.如权利要求6所述的一种主动配电网风储联合调度方法，其特征是，目标函数的约束条件包括等式约束和不等式约束，等式约束包括：潮流约束及电池荷电状态约束，不等式约束包括：节点功率约束、节点电压约束、支路容量约束、风储联合系统有功无功出力约束及电池荷电状态约束。

8.如权利要求7所述的一种主动配电网风储联合调度方法，其特征是，潮流约束：

其中，P_Gi、P_di、P_Li分别为节点i的有功出力、风储联合系统有功出力和有功负荷；Q_Gi、Q_Li、Q_di分别为节点i的无功出力、无功负荷和风储联合系统无功出力；G_ij和B_ij分别为节点导纳阵中支路ij的电导和电纳，U_i为节点i的电压；U_j为节点j的电压，θ_ij为节点i与j之间的相角差；

电池荷电状态约束

式中，SOC(t)表示t时刻电池的荷电状态，η_ch和η_dis分别表示电池的充电和放电效率。

9.如权利要求6所述的一种主动配电网风储联合调度方法，其特征是，使用YALMIP与快速粒子群结合的方法对目标函数进行求解，其中快速粒子群的粒子更新方程为，

x(i,t+1)＝x_b(i,t)+β(x_g(t)-x_b(i,t))+αRS

式中，x(i,t+1)为t+1时刻i粒子位置；x_b(i,t)为t时刻i粒子的最优位置；β为收敛速度，其大小从0到1表示收敛速度由慢到快；x_g(t)为t时刻的全局最优值；α为粒子随机衰减因子；R为标准正态分布随机值；S为粒子的上下界范围。