CN108134385A - 主动配电网规划方法以及装置 - Google Patents

Abstract

本发明实施例提出的主动配电网规划方法以及装置，通过建立时序不确定场景集来体现风电、光伏以及负荷的特性，建立双层场景规划模型，上层主要涉及经济优化，下层主要涉及运行优化，上层模型和下层模型通过相同的状态变量紧密联系在一起，使得上下层之间相互影响，通过考虑多种因素的影响使得主动配电网的运行达到最优。

Description

主动配电网规划方法以及装置

技术领域

本发明涉及主动配电网规划领域，具体而言，涉及一种主动配电网规划方法以及装置。

背景技术

主动配电网(active distribution network，ADN)是智能配电网的一种体现形式，能够利用自动化、电力电子、通信等新技术实现对接入配网的分布式电源和一些电力设备等进行主动控制。由于光伏、风机电源输出功率易受外界环境的影响，具有很强的随机波动性和时序性，其大规模并网将使得系统潮流发生复杂的随机变化，同时，负荷出力也具有随机性和时序性，给电网的安全稳定运行带来一系列挑战。为了使得ADN能够更好地运行，研究以及计及时序不确定性的主动配电网中考虑分布式电源与需求侧响应的双层场景规划方法十分重要。

发明内容

有鉴于此，本发明实施例的目的在于提供一种主动配电网规划方法以及装置，通过考虑多种因素的影响使得主动配电网的运行最优。

第一方面，本发明实施例提供了一种主动配电网规划方法，所述方法包括：建立主动配电网双层场景规划模型，其中，将主动配电网中的年综合经济成本最小设置为上层目标函数，将所述主动配电网所对应的分布式电源的安装位置、容量设置为上层决策变量，将所述分布式电源消纳之后所述主动配电网的净负荷峰谷差的期望最小值设置为下层目标函数，将峰谷平各时段电价设置为下层决策变量；将预先获取的多个不确定端点场景应用于所述主动配电网双层场景规划模型，其中，每个所述不确定端点场景满足预设条件；基于粒子群算法的布谷鸟搜索算法对所述主动配电网双层场景规划模型进行全局搜索，得到考虑主动配电网中分布式电源与需求侧响应时序不确定性规划结果寻优求解。

第二方面，本发明实施例提供了一种主动配电网规划装置，所述装置包括：建立模块，用于建立主动配电网双层场景规划模型，其中，将主动配电网中的年综合经济成本最小设置为上层目标函数，将所述主动配电网所对应的分布式电源的安装位置、容量设置为上层决策变量，将所述分布式电源消纳之后所述主动配电网的净负荷峰谷差的期望最小值设置为下层目标函数，将峰谷平各时段电价设置为下层决策变量；应用模块，用于将预先获取的多个不确定端点场景应用于所述主动配电网双层场景规划模型，其中，每个所述不确定端点场景满足预设条件；搜索模块，用于基于粒子群算法的布谷鸟搜索算法对所述主动配电网双层场景规划模型进行全局搜索，得到考虑主动配电网中分布式电源与需求侧响应时序不确定性规划结果寻优求解。

与现有技术相比，本发明各实施例提出的主动配电网规划方法以及装置的有益效果是：由于时序不确定性主要是针对光伏、风电以及负荷而言的，通过建立时序不确定场景集来体现风电、光伏以及负荷的特性，建立双层场景规划模型，上层主要涉及经济优化，下层主要涉及运行优化，上层模型和下层模型通过相同的状态变量紧密联系在一起，使得上下层之间相互影响，通过考虑多种因素的影响使得主动配电网的运行达到最优。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的电子设备的结构框图；

图2为本发明第一实施例提供的一种主动配电网规划方法的流程图；

图3为本发明第一实施例提供的另一种主动配电网规划方法的流程图；

图3a为某地区不同时段的分布参数；

图3b为某地区不同时段的形状参数；

图3c为IEEE33节点系统不同时段负荷的均值与方差；

图4为本发明第二实施例提供的一种主动配电网规划装置的结构框图；

图5为本发明第二实施例提供的另主动配电网规划装置的结构框图。

图6为本发明第二实施例提供的另一种主动配电网规划装置的结构框图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

如图1所示，是所述电子设备100的方框示意图。所述电子设备100 可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digitalassistant，PDA)等。所述用户终端100包括：港币分类装置、存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150、音频单元160、显示单元170。

所述存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150、音频单元160以及显示单元170各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述主动配电网规划装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中或固化在客户端设备的操作系统(operating system，OS)中的软件功能模块。所述处理器130用于执行存储器110中存储的可执行模块，例如所述主动配电网规划装置包括的软件功能模块或计算机程序。

其中，存储器110可以是，但不限于，随机存取存储器 (Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器110用于存储程序，所述处理器130在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流程定义的电子设备100所执行的方法可以应用于处理器130中，或者由处理器130实现。

处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述外设接口140将各种输入/输出装置耦合至处理器130以及存储器 110。在一些实施例中，外设接口140，处理器130以及存储控制器120可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元150用于提供给用户输入数据实现用户与用户终端100 的交互。所述输入输出单元150可以是，但不限于，鼠标和键盘等。

音频单元160向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示单元170在用户终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元170可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器130进行计算和处理。

第一实施例

请参照图3，图3是本发明第一实施例提供的一种主动配电网规划方法的流程图,所述方法应用于电子设备。下面将对图2所示的流程进行详细阐述，所述方法包括：

步骤S110：建立主动配电网双层场景规划模型，其中，将主动配电网中的年综合经济成本最小设置为上层目标函数，将所述主动配电网所对应的分布式电源的安装位置、容量设置为上层决策变量，将所述分布式电源消纳之后所述主动配电网的净负荷峰谷差的期望最小值设置为下层目标函数，将峰谷平各时段电价设置为下层决策变量。

该规划模型为鲁棒优化模型。

其中，上层目标函数可以表示为：

C_PV、分别为光伏年总成本、安装成本、运行成本、维护成本；C_DWG、分别为风机年总成本、安装成本、运行成本、维护成本；C_NET、C_LOSS、C_EN、C_G分别为电网年运行成本、电网损耗成本、环境成本、向上级购电成本；C_DR为需求响应资源成本；分别为光伏、风机现值转等年值系数； d、h分别为光伏、风机的贴现率；q_pv、u_dwg分别为光伏、风机的寿命周期；分别为单位容量光伏的安装、运行、维护成本； 分别为单位容量风机的安装、运行、维护成本；n_pv、n_dwg分别为光伏、风机的安装节点数；p_pv,i,y,s分别为在节点i处所安装的光伏的额定功率、第s场景第y时段的光伏有功出力；p_dwg,i,y,s分别为在节点i处所安装的风机的额定功率、第s场景第y时段的光伏有功出力；c_loss、c_e、c_g分别为单位网损电量成本、单位电量废气排放成本、向上级电网购电的购电单价；p_loss,y,s、p_g,y,s分别为第s场景第y时段的网损量、向上级购电的购电量；x_dr为提供DR的用户数；c_dr,x,y,s、p_dr,x,y,s分别为DR用户x在第s 场景第y时段的DR报价、实际调用的DR量；t_y,s为第s场景一年中每个时段所对应的天数。

上层规划约束条件可以表示为：

其中，p_pv,i,max、p_dwg,i,max分别为在节点i处所允许接入的光伏、风机的最大容量；p_pv,max、p_dwg,max、p_l,max分别为光伏、风机、负荷的总的最大容量；p_sp,max、p_sd,max分别为系统允许的光伏、风机的最大渗透率。

下层运行目标函数表示为：

其中，E_S[L^s(t)]为对全部的场景求取期望的函数，表示为

L^s(y)为第s场景第y个时段的系统净负荷，计算式为：

其中，N为总负荷节点数；为第s场景第i个节点负荷在电价响应后的需求变化量；为第s场景第i个节点的原负荷；p_pv、p_dwg分别为光伏、风机的随机出力。

下层约束条件可以表示为：

1：DR供电方约束

分时电价的实施可以消纳清洁能源、降低系统峰谷差，提高了机组的利用效率，产生明显的经济效益，所以供电商可以部分让利，约束为

其中，V_i(y)为第i个节点负荷的第y个时段的电价；V_0i为实施分时电价前的电价；K_R为让利系数。

2：DR用电方约束

对用电方而言，要求分时电价实施后用电方单位电量的电价不增加，此外，电价调整后负荷需求变化值要在一定范围内，约束为

ΔP_i,min(y)≤E_S[ΔP_i ^s(y)]≤ΔP_i,max(y)

其中，ΔP_i,min、ΔP_i,max分别为第i个节点负荷需求变化量在第y个时段内的上下限。

3：潮流等式约束

式中，P_i,y,s、Q_i,y,s分别为第s场景第i个节点负荷的第y个时段注入的有功、无功；δ_ik,y,s为第s场景时段y内电压相角差；G_ik、B_ik为网络导纳。

4：系统运行时的机会约束

系统运行时以各时段内的节点电压、线路载流量、功率倒送主网等安全运行指标为机会约束条件。

其中，Pr{·}为某事件成立的概率；β_U、β_l、β_grid分别为电压、线路载流量、功率倒送主网的置信水平；I_k,y,s、I_max为第s场景第y个时段第k条线路的电流幅值、最大值；P_pv,y,s、P_dwg,y,s、P_g,y,s分别为在第s场景第y个时段内DG并网总有功和主网提供的总有功。

步骤S120：将预先获取的多个不确定端点场景应用于所述主动配电网双层场景规划模型，其中，每个所述不确定端点场景满足预设条件。

作为一种实施方式，请参看图3，在步骤S120之前，所述方法还可以包括：

步骤S111：基于风电、光伏发电以及电网负荷三者的历史数据的时序特征，建立预设周期内基于三者的历史数据的不确定时序场景集。

由于风电、光伏发电以及电网负荷三者在同一天不同时段出力不同，三者具有不同的时序性。

其中，不同天相同时段风速服从威布尔(Weibull)分布，概率密度函数为

式中，k、c分别为Weibull分布的形状、尺度参数。其中，不同时段内参数不同。图3a所示为某地区不同时段的分布参数。而风机的输出功率与风速之间函数关系为

式中，P_W为风机随机出力，P_W.r为额定功率；v为风速，v_in、v_out、v_r分别为切入、切出、额定风速。

不同天相同时段光伏输出功率的概率模型符从Beta分布，其概率密度函数为

式中，P_PV、P_m分别为某一时段内光伏随机出力和最大出力；Γ为Gamma 函数；α、β为光照强度Beta分布的形状参数。其中，不同时段形状参数不同。图3b所示为某地区不同时段的形状参数。

不同天相同时段负荷有功、无功的概率模型符合正态分布，其概率密度函数为

式中，μ_P、μ_Q分别为某一时间段内负荷有功、无功均值；σ_P、σ_Q分别有功、无功标准差。同样，不同时段内均值和方差不同。如图3所示为IEEE33 节点系统不同时段负荷的均值与方差。根据分布式电源(DG)与负荷出力的概率模型，可知DG与负荷的模型在不同时段具有不同的概率分布参数，因此在配电网规划运行过程中，要计及24个时段内DG与负荷出力的概率分布时序性。

电子设备可以基于风电、光伏发电以及电网负荷三者的历史数据的时序特征，建立预设周期内(例如24小时)基于三者的历史数据的不确定时序场景集。进一步的，可以基于多面体不确定性集合体现不确定性范围，基于公式

建立预设周期内同时考虑光伏、风机出力以及负荷的不确定性和时序性形成不确定时序性场景集，其中，B^WTG为待安装风电的节点，B^PVG为光伏的节点、B^Load为负荷节点；分别为第j节点第t 时段的风电、光伏以及负荷的平均值，平均值可以由历史统计数据得到；以及分别为第j节点第t时段的风电、光伏以及负荷允许波动的最大值，最大值可以根据实际情况设置；Γ_ξ为不确定性集合的保守度指标，其值越大说明包含的不确定性范围越大。

步骤S112：从所述不确定时序场景集中选取预设数值个不确定端点场景应用于预先建立的主动配电网双层场景规划模型，其中，每个所述不确定端点场景满足预设条件。

所述预设条件为：满足所述不确定时序场景集的全时序总量限制的端点场景。端点场景是极限场景/恶劣场景，时段限制的情况(最大值/最小值)。全时序总量限制的场景是风电、光伏或负荷一天全时序(24个时段)总量的上下限。

进一步的，在凸优化模型框架下，极值存在于多面体解空间的某端点处，因此可采取端点场景进行不确定性场景的筛选。首先，为简化场景数，可以先设置每个风电机组、光伏发电机组以及负荷分别具有相同的时序特征，得到简化后的不确定时序场景集：

基于公式或者筛选出每个场景各时段值的极限值的端点场景；

基于公式筛选出满足全时序总量限制的端点场景，其中，分别为WTG、PVG或者负荷的一天全时序总量上限值、下限值，该值可通过预测信息历史信息等方式获得。

通过上述规则，即可生成简单实用有效的不确定性端点场景，并取端点数目最大的S个场景应用于预先建立的主动配电网双层场景规划模型。

步骤S130：基于粒子群算法的布谷鸟搜索算法对所述主动配电网双层场景规划模型进行全局搜索，得到考虑主动配电网中分布式电源与需求侧响应时序不确定性规划结果寻优求解。

进一步的，具体过程为：

1：先输入电网参数，潮流计算所需参数，设定鸟窝数量m，最大迭代次数T，鸟蛋被发现概率p，权重上下限ω_max，ω_min，学习因子η，

2：初始化鸟窝种群，随机生成鸟窝初始位置矩阵初始速度矩阵

3：对随机生成鸟窝初始位置矩阵进行随机潮流计算，统计潮流计算结果，并判断各指标是否满足不等式约束条件。

4：若满足约束条件，计算目标函数适应度；否则

将该鸟窝的目标函数加上惩罚因子，再计算其适应度，并得出鸟窝的个体最优G_best，群体最优Z_best。

5：计算动态权重ω＝ω_max-(ω_max-ω_min)*t/T，并按下列公式更新粒子速度与鸟窝位置矩阵，

得到新的鸟窝位置矩阵其中randn为正态分布的随机数。

6：计算与的目标值，组成矩阵

7：给中每个鸟窝赋予一个随机的服从均匀分布的淘汰机制概率，构成淘汰概率矩阵r＝(r₁,r₂,…,r_n)，并与被发现概率p进行比较，得到矩阵

8：计算与的目标值，组成矩阵

9：提取中质量最好的鸟巢位置记为X_best，并判断是否已经达到误差要求，若达到则停止，输出最优解计算其目标值；否则，

比较与更新个体最优G_best与群体最优Z_best，令t＝t+1，转步骤3继续迭代。

第二实施例

请参照图4，图4是本发明第二实施例提供的一种主动配电网规划装置 400的结构框图。下面将对图4所示的结构框图进行阐述，所示装置包括：

建立模块410，用于建立主动配电网双层场景规划模型，其中，将主动配电网中的年综合经济成本最小设置为上层目标函数，将所述主动配电网所对应的分布式电源的安装位置、容量设置为上层决策变量，将所述分布式电源消纳之后所述主动配电网的净负荷峰谷差的期望最小值设置为下层目标函数，将峰谷平各时段电价设置为下层决策变量；

应用模块420，用于将预先获取的多个不确定端点场景应用于所述主动配电网双层场景规划模型，其中，每个所述不确定端点场景满足预设条件；

搜索模块430，用于基于粒子群算法的布谷鸟搜索算法对所述主动配电网双层场景规划模型进行全局搜索，得到考虑主动配电网中分布式电源与需求侧响应时序不确定性规划结果寻优求解。

作为一种实施方式，请参看图5，所述装置还可以包括：选取模块440。

所述建立模块410，还用于基于风电、光伏发电以及电网负荷三者的历史数据的时序特征，建立预设周期内基于三者的历史数据的不确定时序场景集；

所述选取模块440，用于从所述不确定时序场景集中选取预设数值个不确定端点场景应用于预先建立的主动配电网双层场景规划模型，其中，每个所述不确定端点场景满足预设条件。

本实施例对主动配电网规划装置400的各功能模块实现各自功能的过程，请参见上述图1至图3所示实施例中描述的内容，此处不再赘述。

综上所述，本发明实施例提出的主动配电网规划方法以及装置，通过建立时序不确定场景集来体现风电、光伏以及负荷的特性，建立双层场景规划模型，上层主要涉及经济优化，下层主要涉及运行优化，上层模型和下层模型通过相同的状态变量紧密联系在一起，使得上下层之间相互影响，通过考虑多种因素的影响使得主动配电网的运行达到最优。

本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种主动配电网规划方法，其特征在于，所述方法包括：

建立主动配电网双层场景规划模型，其中，将主动配电网中的年综合经济成本最小设置为上层目标函数，将所述主动配电网所对应的分布式电源的安装位置、容量设置为上层决策变量，将所述分布式电源消纳之后所述主动配电网的净负荷峰谷差的期望最小值设置为下层目标函数，将峰谷平各时段电价设置为下层决策变量；

将预先获取的多个不确定端点场景应用于所述主动配电网双层场景规划模型，其中，每个所述不确定端点场景满足预设条件；

基于粒子群算法的布谷鸟搜索算法对所述主动配电网双层场景规划模型进行全局搜索，得到考虑主动配电网中分布式电源与需求侧响应时序不确定性规划结果寻优求解。

2.根据权利要求1所述的方法，其特征在于，所述将预先获取的多个不确定端点场景应用于所述主动配电网双层场景规划模型之前，所述方法还包括：

基于风电、光伏发电以及电网负荷三者的历史数据的时序特征，建立预设周期内基于三者的历史数据的不确定时序场景集；

从所述不确定时序场景集中选取预设数值个不确定端点场景应用于预先建立的主动配电网双层场景规划模型，其中，每个所述不确定端点场景满足预设条件。

3.根据权利要求2所述的方法，其特征在于，所述基于风电、光伏发电以及电网负荷三者的历史数据的时序特征，建立预设周期内基于三者的历史数据的不确定时序场景集，包括：

基于多面体不确定性集合体现不确定性范围，基于公式

建立预设周期内基于三者的历史数据的不确定时序场景集，其中，B^WTG为待安装风电的节点，B^PVG为光伏的节点、B^Load为负荷节点； 分别为第j节点第t时段的风电、光伏以及负荷的平均值；以及分别为第j节点第t时段的风电、光伏以及负荷允许波动的最大值；Γ_ξ为不确定性集合的保守度指标。

4.根据权利要求3所述的方法，其特征在于，所述预设条件为：满足所述不确定时序场景集的全时序总量限制的端点场景；所述从不确定时序场景集中选取预设数值个不确定端点场景应用于预先建立的主动配电网双层场景规划模型，包括：

设置每个风电机组、光伏发电机组以及负荷分别具有相同的时序特征，得到简化后的不确定时序场景集：

基于公式或者筛选出每个场景各时段值的极限值的端点场景；

基于公式筛选出满足全时序总量限制的端点场景，其中，分别为WTG、PVG或者负荷的一天全时序总量上限值、下限值，将得到的端点场景应用于预先建立的主动配电网双层场景规划模型。

5.根据权利要求4所述的方法，其特征在于，所述基于粒子群算法的布谷鸟搜索算法对所述主动配电网双层场景规划模型进行全局搜索，包括：

输入电网参数，潮流计算所需参数，设定鸟窝数量m，最大迭代次数T，鸟蛋被发现概率p，权重上下限ω_max，ω_min，学习因子η，

初始化鸟窝种群，随机生成鸟窝初始位置矩阵初始速度矩阵

对随机生成鸟窝初始位置矩阵进行随机潮流计算，统计潮流计算结果，并判断各指标是否满足不等式约束条件；

若满足约束条件，计算目标函数适应度；否则

将该鸟窝的目标函数加上惩罚因子，再计算其适应度，并得出鸟窝的个体最优G_best，群体最优Z_best；

计算动态权重ω＝ω_max-(ω_max-ω_min)*t/T，并按下列公式更新粒子速度与鸟窝位置矩阵，

得到新的鸟窝位置矩阵其中randn为正态分布的随机数；

计算与的目标值，组成矩阵

给中每个鸟窝赋予一个随机的服从均匀分布的淘汰机制概率，构成淘汰概率矩阵r＝(r₁,r₂,…,r_n)，并与被发现概率p进行比较，得到矩阵

计算与的目标值，组成矩阵

提取中质量最好的鸟巢位置记为X_best，并判断是否已经达到误差要求，若达到则停止，输出最优解计算其目标值；否则，

比较与更新个体最优G_best与群体最优Z_best，令t＝t+1，继续迭代。

6.一种主动配电网规划装置，其特征在于，所述装置包括：

建立模块，用于建立主动配电网双层场景规划模型，其中，将主动配电网中的年综合经济成本最小设置为上层目标函数，将所述主动配电网所对应的分布式电源的安装位置、容量设置为上层决策变量，将所述分布式电源消纳之后所述主动配电网的净负荷峰谷差的期望最小值设置为下层目标函数，将峰谷平各时段电价设置为下层决策变量；

应用模块，用于将预先获取的多个不确定端点场景应用于所述主动配电网双层场景规划模型，其中，每个所述不确定端点场景满足预设条件；

搜索模块，用于基于粒子群算法的布谷鸟搜索算法对所述主动配电网双层场景规划模型进行全局搜索，得到考虑主动配电网中分布式电源与需求侧响应时序不确定性规划结果寻优求解。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括选取模块，

所述建立模块，还用于基于风电、光伏发电以及电网负荷三者的历史数据的时序特征，建立预设周期内基于三者的历史数据的不确定时序场景集；

所述选取模块，用于从所述不确定时序场景集中选取预设数值个不确定端点场景应用于预先建立的主动配电网双层场景规划模型，其中，每个所述不确定端点场景满足预设条件。

8.根据权利要求7所述的装置，其特征在于，所述建立模块，用于：基于多面体不确定性集合体现不确定性范围，基于公式

建立预设周期内基于三者的历史数据的不确定时序场景集，其中，B^WTG为待安装风电的节点，B^PVG为光伏的节点、B^Load为负荷节点； 分别为第j节点第t时段的风电、光伏以及负荷的平均值；以及分别为第j节点第t时段的风电、光伏以及负荷允许波动的最大值；Γ_ξ为不确定性集合的保守度指标。

9.根据权利要求8所述的装置，其特征在于，所述预设条件为：满足所述不确定时序场景集的全时序总量限制的端点场景，所述选取模块，用于：

设置每个风电机组、光伏发电机组以及负荷分别具有相同的时序特征，得到简化后的不确定时序场景集：

基于公式或者筛选出每个场景各时段值的极限值的端点场景；

基于公式筛选出满足全时序总量限制的端点场景，其中，分别为WTG、PVG或者负荷的一天全时序总量上限值、下限值，将得到的端点场景应用于预先建立的主动配电网双层场景规划模型。

10.根据权利要求9所述的装置，其特征在于，所述搜索模块，用于：

输入电网参数，潮流计算所需参数，设定鸟窝数量m，最大迭代次数T，鸟蛋被发现概率p，权重上下限ω_max，ω_min，学习因子η，

初始化鸟窝种群，随机生成鸟窝初始位置矩阵初始速度矩阵

对随机生成鸟窝初始位置矩阵进行随机潮流计算，统计潮流计算结果，并判断各指标是否满足不等式约束条件；

若满足约束条件，计算目标函数适应度；否则

将该鸟窝的目标函数加上惩罚因子，再计算其适应度，并得出鸟窝的个体最优G_best，群体最优Z_best；

计算动态权重ω＝ω_max-(ω_max-ω_min)*t/T，并按下列公式更新粒子速度与鸟窝位置矩阵，

得到新的鸟窝位置矩阵其中randn为正态分布的随机数；

计算与的目标值，组成矩阵

给中每个鸟窝赋予一个随机的服从均匀分布的淘汰机制概率，构成淘汰概率矩阵r＝(r₁,r₂,…,r_n)，并与被发现概率p进行比较，得到矩阵

计算与的目标值，组成矩阵

提取中质量最好的鸟巢位置记为X_best，并判断是否已经达到误差要求，若达到则停止，输出最优解计算其目标值；否则，

比较与更新个体最优G_best与群体最优Z_best，令t＝t+1，继续迭代。