CN110148969A - 基于模型预测控制技术的主动配电网优化运行方法 - Google Patents

Abstract

本发明涉及一种基于模型预测控制技术的主动配电网优化运行方法，在含有风机、光伏、微型燃气轮机和一体站接入的主动配电网中建立优化调度模型，并将模型转化为混合整数二阶锥模型求解。使用基于模型预测控制的多时间尺度优化调度策略实现对配电网日前调度、日内滚动调度和实时反馈校正，减少了分布式电源和负荷的预测误差对配电网运行的影响。在实际的工程运用中具有参考价值，对解决CSSIS接入ADN后产生的电网经济运行等问题具有重要的应用价值。

Description

基于模型预测控制技术的主动配电网优化运行方法

技术领域

本发明涉及一种配电运行管理技术，特别涉及一种基于模型预测控制技术的主动配电网优化运行方法。

背景技术

近年来，随着电动汽车(Electric Vehicle,EV)拥有量的迅速增加，未来EV充电负荷将成为电网负荷的重要组成部分。与需求的快速增长相比，EV充电基础设施建设的发展相对滞后。为提高综合利用效益，将充电站(battery charging station,BCS)、换电站(battery swapping station,BSS)与梯级储能电站(energy storage station,ESS)集成为一体站(Charging-Swapping-Storage Integrated Station, CSSIS)，并与主动配电网(Active distribution network,ADN)联合优化运行，可以满足所在区域EV充电需求、消纳分布式电源(Distributed generation,DG)出力、响应负荷波动、减少ADN运行维护费用，具有良好的发展前景。CSSIS的结构图参见图1所示。

与常见EV的交流慢充模式不同，近年来出现的三种新型EV充电服务模式具有很大发展潜力。直流快充模式用户一般为电动出租车，具有充电时间短，充电功率大和扩展日行驶里程的特点，但是其对电池寿命的影响较大，需要综合考虑评价其对电池寿命及电网的影响。作为一种很好的可控能源形式，换电模式更加适合公共交通，但是随着电池标准化进程的加快，需要综合考虑电池需求的不确定性。与前两种充电服务模式相比，CSSIS兼具了前两种服务模式的优点，但是目前针对CSSIS的研究较少，而且主要集中于运行模型的构建，对于CSSIS进一步参与ADN优化调度的研究较少。

对于含DG、EV的ADN优化调度问题，目前的研究对于因DG、EV预测精度较低导致预测误差较大的现象考虑较少。因此，对CSSIS和DG接入ADN 后涉及不确定元件预测精度的电网运行模型的构建还需更进一步的研究。

发明内容

本发明是针对配电网优化运行的问题，提出了一种基于模型预测控制技术的主动配电网优化运行方法，优化电网中潮流分布、降低ADN日总运行成本，为未来EV大量接入电网的优化调度提供重要参考。

本发明的技术方案为：一种基于模型预测控制技术的主动配电网优化运行方法，首先进行日前优化调度，提取风机、光伏、主动配电网各节点常规负荷和充电站充电需求的96个时段日前预测值作为输入量，输入到建立的成本优化调度模型，以各时段主动配电网ADN潮流变量作为状态变量，各时段微型燃气轮机MT、梯级储能电站ESS和静止无功补偿装置SVC出力为控制变量，结合凸松弛技术将非凸非线性潮流约束式转化为可用成熟商业软件高效求解的混合整数二阶锥模型，求解出各时段MT、ESS和SVC出力，根据求解结果计算出各时段的ADN交互功率，并使用插入法将ADN交互功率展开为288个时段值作为日内优化调度的参考值；

然后进行日内优化调度，使用插入法将提取的风机、光伏、主动配电网各节点常规负荷和充电站充电需求得96个时段日前预测值展开为288个时段值，并分别叠加上服从正态分布的预测误差值，得到的日内预测值作为输入量，输入到建立的成本优化调度模型，以各时段主动配电网ADN潮流变量作为状态变量，各时段MT、ESS和SVC出力为控制变量，结合凸松弛技术将非凸非线性潮流约束式转化为可用成熟商业软件高效求解的混合整数二阶锥模型，求解出各时段微型燃气轮机MT、ESS和SVC出力，根据求解结果计算出各时段的ADN交互功率，将所有求解值作为功率优化调度模型的输入，此为日内优化调度的开环控制；

日内优化调度的反馈闭合控制为反馈校正环节，使用对功率优化调度模型求解对MT、ESS和SVC各时段的出力进行实时调整，功率优化调度模型的目标为各时刻ADN交互功率波动最小，即日内优化调度的开环控制所得ADN交互功率尽量靠近日前优化调度所得的参考值，最终实现主动配电网优化运行。

所述成本优化调度模型目标函数为ADN日综合成本最小，ADN日综合成本包括ADN日调度成本和碳排放成本，目标函数为：

式中，F_total为ADN日综合成本；F_D为ADN日调度成本；为ADN日碳排放成本；

ADN日调度成本F_D包括MT日燃料耗费成本、不可控消纳分布式电源DG日调度成本、ESS日调度成本和ADN与主网日功率交换成本；

约束条件为：

1)潮流约束：

支路潮流表示式：

式中δ(j)为ADN中以节点j为首端节点的支路的末端节点集合；P_ij(t)、Q_ij(t)分别为第t时段流过支路ij有功和无功功率；P_jv(t)、Q_jv(t)分别为第t时段流过支路jv有功和无功功率,v为δ(j)中的任意一节点；V_j(t)为第t时段节点j的电压幅值；I_ij(t)为第t时段支路ij的电流；X_ij为支路ij电抗；分别为第t时段节点j负荷有功和无功需求；为第t时段节点j处CSSIS有功需求；分别为第t时段节点j处DG有功和无功出力；P_j(t) 和Q_j(t)分别为节点j注入有功和无功功率，为节点j处静止无功补偿装置SVC无功出力；

2)安全运行约束：

V_i ^min≤V_i(t)≤V_i ^max

式中，为支路ij允许的最大视在功率；V_i ^max和V_i ^min分别为节点i电压幅值上下限；

3)ADN与主网交互功率波动约束：

|P_inter(t)-P_inter(t-1)|≤b％B_DG

式中，b％为主网能够承受的最大功率变化率；B_DG为ADN中DG总容量。

所述功率优化调度模型目标函数为：

式中，P(t+i|t)为第t+i时段ADN与主网交互功率日内功率优化调度值；为第t+i时段交互功率参考值，由日前优化调度求得；P₀(t)为第t时段交互功率日内成本优化调度值；Δu(t+j|t)为第t时段预测的未来(t+(j-1),t+j)时段内MT、 ESS和SVC出力增量；ΔP_load(t+j|t)、ΔP_BCS(t+j|t)、ΔP_WT(t+j|t)和ΔP_PV(t+j|t) 分别为未来(t+(j-1),t+j]时段内ADN原负荷、充电站负荷、风电和光伏超短期预测功率增量；N为预测步长；

日内优化调度闭合控制需要满足的约束条件为：

控制变量出力约束：

Δu^min≤Δu(t+i|t)≤Δu^max,i＝1,2,…N

式中Δu^max和Δu^min分别为MT、ESS和SVC出力的上下限；

ESS中SOC约束：

式中SOC_ESS(t+i|t)为第t时段预测未来t+i时段ESS荷电状态；P_ESS(t+i|t)为第 t时段预测未来t+i时段ESS充放电功率；为ESS电量最大值。

本发明的有益效果在于：本发明基于模型预测控制技术的主动配电网优化运行方法，1)在主动配电网中考虑了电动汽车充换储一体站模型，在实际的工程运用中具有参考价值，对解决电动汽车充换储一体站接入电网后产生的电网经济运行等问题具有重要的应用价值；2)结合道路交通模型对电动公交车的行驶情况进行分析，提高了模型的精确性，分析求得的车辆平均行驶速度、剩余电量等能够真实的反映工程实际，对于充换储一体站进行优化调度提供了真实可靠的数据和新的思路；3)对DG、EV充电负荷预测精度下降从而导致预测误差较大的现象，提出了主动配电网日前和日内优化调度，结果能够反映实际工程情况；4)采用凸松弛方法将非凸非线性的潮流关系式转化为可用成熟商业软件CPLEX高效求解的二阶锥优化模型，求解结果验证了本发明提出的优化调度方案可以优化电网中潮流分布、降低ADN日总运行成本，为未来EV大量接入电网的优化调度提供重要参考。

附图说明

图1为CSSIS的结构图；

图2为本发明鲁棒优化调度框架图；

图3为本发明优化调度模型求解步骤示意图；

图4为某市公交线路网络示意图；

图5为具体PG&E69系统图；

图6为CSSIS功率需求曲线图；

图7为本发明日前优化调度结果图；

图8为本发明优化结果对比图。

具体实施方式

CSSIS主要由站内调度中心、充放电机、充换电系统和梯级储能系统等部分组成，组成结构如图1所示。站内调度中心是CSSIS站内的调度中心，能够实时掌握站内能量流功率流等状态量，将站内状态反馈给站外调度中心，也可以根据站外调度中心调度计划或者主动配电网运行情况制订站内运行计划。充放电机是CSSIS站内外能量多向流动的通道，由多用途变流装置组成。BCS和BSS 中动力电池(power battery,PB)均为锂电池。在PB达到全寿命后，可以将容量衰减的PB转化为储能电池(storage battery,SB),并配置于ESS梯级利用。充换电系统、梯级储能系统根据调度计划，可以对PB和SB分别进行充换电安排和充放电调度。

在进行主动配电网ADN优化调度时，由于变量数众多而且不同时段能量流、功率流之间耦合关系非常紧密，问题规模非常庞大，直接建立统一的优化调度模型较难。

如图2所示本发明鲁棒优化调度框架图，首先由站内调度中心以一体站CSSIS为主体，以换电站BSS和梯级储能电站ESS充放电行为为控制变量，构建混合整数规划模型并求解，确定CSSIS可调度潜力；然后站外调度中心以主动配电网为主体，结合站内优化调度求得的CSSIS可调度潜力，构建以ADN日运行维护费用最小为目标函数的混合整数非凸非线性规划模型。

如图3所示优化调度模型求解步骤示意图，基于模型预测控制技术的主动配电网优化运行方法，首先进行日前优化调度，提取风机、光伏、主动配电网各节点常规负荷和BCS充电需求的96个时段日前预测值(已知量)作为输入量，输入到建立的成本优化调度模型，以各时段主动配电网ADN潮流变量作为状态变量，各时段微型燃气轮机MT、ESS出力和SVC(静止无功补偿装置)出力为控制变量，结合凸松弛技术将非凸非线性潮流约束式转化为可用成熟商业软件高效求解的混合整数二阶锥模型，求解出各时段微型燃气轮机MT、ESS出力和SVC 出力，根据求解结果计算出各时段的ADN交互功率，并使用插入法将ADN交互功率展开为288个时段值作为日内优化调度的参考值。

然后进行日内优化调度，使用插入法将提取的风机、光伏、主动配电网各节点常规负荷和BCS充电需求得96个时段日前预测值展开为288个时段值，并分别叠加上服从正态分布的预测误差值，得到的日内预测值作为输入量，输入到建立的成本优化调度模型，与日前优化调度类似，以各时段主动配电网ADN 潮流变量作为状态变量，各时段微型燃气轮机MT、ESS和SVC出力为控制变量，结合凸松弛技术将非凸非线性潮流约束式转化为可用成熟商业软件高效求解的混合整数二阶锥模型，求解出各时段微型燃气轮机MT、ESS和SVC出力，根据求解结果计算出各时段的ADN交互功率，将所有求解值作为功率优化调度模型的输入，此为日内优化调度的开环控制。

日内优化调度的反馈闭合控制为反馈校正环节，主要是为了应对分布式电源和负荷的不确定性，对MT、ESS和SVC各时段的出力进行调整，使用对功率优化调度模型求解进行调整，功率优化调度模型的目标为各时刻ADN交互功率波动最小，即日内优化调度的开环控制所得ADN交互功率尽量靠近日前优化调度所得的参考值，控制变量为MT、ESS和SVC各时段的出力，最终实现主动配电网优化运行。

1、成本优化调度模型建立为：

以15min为步长建立成本优化调度模型，以ADN日综合成本最小为目标函数求解出优化调度计划值。

1)成本优化调度模型目标函数为ADN日综合成本最小，控制变量为MT、ESS 和SVC出力。优化中将某典型日分为96个时段来计算目标函数。ADN日综合成本包括ADN日调度成本和碳排放成本。目标函数为：

式中，F_total为ADN日综合成本；F_D为ADN日调度成本；为ADN日碳排放成本。

ADN日调度成本F_D包括MT日燃料耗费成本、不可控DG日调度成本、ESS 日调度成本和ADN与主网日功率交换成本：

式中，F_MT为MT日燃料耗费成本；和均为不可控DG日调度成本；为ESS日调度成本；F_inter为ADN与主网日功率交换成本；F_loss为ADN日网损成本。

MT日燃料耗费成本：

式中，P_MT(t)为MT第t时段出力；α₁、β₁和γ₁均为成本系数。

不可控DG日调度成本：

式中，σ_WT和σ_PV分别为WT和PV运行成本系数；P_WT(t)和P_PV(t)分别为风电WT 和光伏PV第t时段出力。

ESS日调度成本：

考虑到ESS充放电行为对其寿命的影响，引入ESS日调度成本的概念，为：

式中，为ESS调度成本系数。

ADN与主网日功率交换成本：

参考海南省琼海市《关于电动汽车充换电服务费及用电价格有关问题的通知》要求，本文中ADN购电电价执行工商业及其他用电价格，即为：

式中，c_inter(t)为第t时段电价；P_inter(t)为第t时段ADN与主网交互功率。

ADN日网损成本：

电力系统中的网损成本是ADN调度成本的重要组成部分，反映ADN运行经济效益。

式中，i、j分别为支路ij首末节点；P_ij(t)和Q_ij(t)分别为第t时段流过支路ij的有功和无功功率；V_i(t)为第t时段节点i的电压幅值；R_ij为支路ij电阻；Ω_net为 ADN节点集合。

提高可再生能源消纳程度，引入了碳排放成本的概念，ADN日碳排放成本为：

式中，为MT日碳排放成本；为ADN与主网交互功率日碳排放惩罚成本。

MT日碳排放成本：

式中，为政府批复MT碳排放价格；和均为MT碳排放系数，表示MT 碳排放量与其发电量之间的关系。

ADN与主网交互功率日碳排放成本：

我国的能源结构决定了燃煤发电是我国最重要的电源种类。本文假设ADN 与主网交互电量均来自燃煤电厂，因此其碳排放惩罚成本为：

式中，和均为燃煤电厂碳排放系数，表示燃煤电厂碳排放量与其发电量之间的关系。

约束条件为：

1)潮流约束：

为减少短路电流，实际工程中ADN主要以辐射状运行，本文采用DistFlow 方法描述支路潮流：

式中δ(j)为ADN中以节点j为首端节点的支路的末端节点集合；P_ij(t)、Q_ij(t)分别为第t时段流过支路ij有功和无功功率；P_jv(t)、Q_jv(t)分别为第t时段流过支路jv有功和无功功率,v为δ(j)中的任意一节点；V_j(t)为第t时段节点j的电压幅值；I_ij(t)为第t时段支路ij的电流；X_ij为支路ij电抗；分别为第t时段节点j负荷有功和无功需求；为第t时段节点j处CSSIS有功需求；分别为第t时段节点j处DG有功和无功出力；P_j(t) 和Q_j(t)分别为节点j注入有功和无功功率，为节点j处静止无功补偿装置SVC无功出力。

2)安全运行约束：

V_i ^min≤V_i(t)≤V_i ^max

式中，为支路ij允许的最大视在功率；V_i ^max和V_i ^min分别为节点i电压幅值上下限。

3)ADN与主网交互功率波动约束：

为了降低对ADN和主网造成的冲击，ADN与主网交互功率波动不能太大，约束如下：

|P_inter(t)-P_inter(t-1)|≤b％B_DG

式中，b％为主网能够承受的最大功率变化率；B_DG为ADN中DG总容量。

2、基于模型预测控制技术，以ADN原负荷、BCS负荷、风机(wind turbines, WT)和光伏(photovoltaics,PV)超短期滚动预测值为基础，建立以5min为步长的成本优化调度模型。日内成本优化调度模型求解过程与日前优化调度类似，基于日内预测值可以求得日内成本优化调度值，也即为开环优化结果。

3、为了降低系统的不确定性对优化结果的影响，加入反馈校正环节构成闭环，构建日内功率优化调度模型，使得ADN与主网交互功率更贴合日前优化调度值。控制变量为MT、SVC和ESS出力增量，状态变量为ADN与主网交互功率，目标函数为：

式中，P(t+i|t)为第t+i时段ADN与主网交互功率日内功率优化调度值；为第t+i时段交互功率参考值，由日前优化调度求得；P₀(t)为第t时段交互功率日内成本优化调度值；Δu(t+j|t)为第t时段预测的未来(t+(j-1),t+j)时段内 MT、ESS和SVC出力增量；ΔP_load(t+j|t)、ΔP_BCS(t+j|t)、ΔP_WT(t+j|t)和ΔP_PV(t+j|t) 分别为未来(t+(j-1),t+j]时段内ADN原负荷、BCS负荷、WT和PV超短期预测功率增量；N为预测步长。

日内优化调度闭合控制需要满足的约束条件为：

控制变量出力约束：

Δu^min≤Δu(t+i|t)≤Δu^max,i＝1,2,…N

式中Δu^max和Δu^min分别为MT、SVC和ESS出力的上下限。

ESS中SOC约束：

式中SOC_ESS(t+i|t)为第t时段预测未来t+i时段ESS荷电状态；P_ESS(t+i|t)为第t时段预测未来t+i时段ESS充放电功率；为ESS电量最大值。

4、提出的优化模型属于大规模、非凸、非线性组合优化问题，难以直接求解。对于非凸非线性的潮流约束式，采用凸松弛方法转化为二阶锥规划问题。经过处理后，本文所提模型可转化为可用成熟商业软件CPLEX高效求解的二阶锥优化模型。

实例分析：

本发明将提出的基于可调度潜力的电动汽车充换储一体站的模型构建方法应用于实际的工程运用中。本发明基于Matlab仿真平台，仿真结果验证了充换储一体站的模型构建方法及其可调度潜力参与电网优化调度的可行性和有效性。

首先对算例仿真参数进行设置，以某地区公交线路实际道路情况和修改的 PG&E69节点系统为例进行算例分析。如图4所示某市公交线路网络示意图，该公交线路网络由三条公交线路组成，共含19个道路节点和18条道路，平均道路长度为3.5kM。BSS为三条公交线路共62辆Eb提供充换电服务，站内有124 组备用PB、3台换电机和62套分箱式充电机。BCS配置10台直流快充机，采用 3C充电。CSSIS服务区域内出租车数量为160辆。ESS容量为3MWh，初始SOC 为0.6。修改的PG&E69节点系统如图5所示，系统包括69个节点和68条支路，系统首端基准电压为12.66kV，网络基础有功负荷的峰值取为5006kW，在节点 35处接入装机容量为1MW的WT，在节点58处接入装机容量为500kW的PV，在节点54处接入装机容量为2MW的MT，节点27处接入无功出力范围为-200—— 200kVA的SVC。

BSS中电动公交车有序、无序充电对优化结果的影响如图6a和6b所示。可以看出与无序充电方式相比，有序充电时BSS换电需求峰值为1880kW，远小于电动公交车无序充电时BSS换电需求峰值3450kW。通过对电动公交车的有序充电和ESS充放电功率的优化调度，CSSIS充放电功率峰值也由无序充电时的4750 kW下降为有序充电时的3060kW。这表明通过电动公交车有序充电可以将负荷曲线峰时段的充电功率需求部分转移至负荷曲线谷时段，延长BSS总充电时长，起到削峰填谷的效果，对于缓解电网的峰谷差具有较大意义。

经过仿真计算，可得到ADN日前优化调度结果如图7所示。可以看出，ADN 与主网交互功率在电网负荷低谷期达到峰值，在电网负荷高峰期则为谷值，表明本文提出的优化调度策略在满足总负荷需求的前提下，对缓解电网的峰谷差具有积极影响。在ADN总负荷曲线达到峰值时，MT机组和ESS装置同时投入运行共同承担调峰任务。

ADN与主网交互功率部分时段优化结果如图8所示。可以看出，与日前优化参考值相比，开环优化的ADN交互功率会在参考值附近发生大幅度波动，不利于保证ADN接入主网时的平稳性。相比之下，采用模型预测控制技术优化调度后的ADN交互功率只发生了小幅度波动，优化调度结果较平滑，有利于应对负荷和DG出力的不确定性。

本发明提出的计及电动汽车充换储一体站的主动配电网日前日内优化调度模型构建方法思路清晰，具有良好的调控效果，适用范围广。算例验证了CSSIS 作为一种新型可控能源形式积极参与到提出的优化调度策略中，能够明显提高负荷曲线谷时功率需求，将负荷曲线峰时的充电功率需求部分转移至负荷曲线谷时，起到削峰填谷、缓解电网峰谷差和降低ADN运行维护费用的效果。算例定性定量分析证明了本文提出的基于模型预测控制技术的日内滚动优化调度模型能够达到抑制ADN与主网交互功率波动的效果。

本发明提出的基于模型预测控制技术的主动配电网优化调度模型构建方法设计思路清晰，对于实际工程中较为复杂的情况具有良好的调控效果，适用范围广。应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以更加上诉说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (3)

1.一种基于模型预测控制技术的主动配电网优化运行方法，其特征在于，首先进行日前优化调度，提取风机、光伏、主动配电网各节点常规负荷和充电站充电需求的96个时段日前预测值作为输入量，输入到建立的成本优化调度模型，以各时段主动配电网ADN潮流变量作为状态变量，各时段微型燃气轮机MT、梯级储能电站ESS和静止无功补偿装置SVC出力为控制变量，结合凸松弛技术将非凸非线性潮流约束式转化为可用成熟商业软件高效求解的混合整数二阶锥模型，求解出各时段MT、ESS和SVC出力，根据求解结果计算出各时段的ADN交互功率，并使用插入法将ADN交互功率展开为288个时段值作为日内优化调度的参考值；

然后进行日内优化调度，使用插入法将提取的风机、光伏、主动配电网各节点常规负荷和充电站充电需求得96个时段日前预测值展开为288个时段值，并分别叠加上服从正态分布的预测误差值，得到的日内预测值作为输入量，输入到建立的成本优化调度模型，以各时段主动配电网ADN潮流变量作为状态变量，各时段MT、ESS和SVC出力为控制变量，结合凸松弛技术将非凸非线性潮流约束式转化为可用成熟商业软件高效求解的混合整数二阶锥模型，求解出各时段微型燃气轮机MT、ESS和SVC出力，根据求解结果计算出各时段的ADN交互功率，将所有求解值作为功率优化调度模型的输入，此为日内优化调度的开环控制；

日内优化调度的反馈闭合控制为反馈校正环节，使用对功率优化调度模型求解对MT、ESS和SVC各时段的出力进行实时调整，功率优化调度模型的目标为各时刻ADN交互功率波动最小，即日内优化调度的开环控制所得ADN交互功率尽量靠近日前优化调度所得的参考值，最终实现主动配电网优化运行。

2.根据权利要求1所述基于模型预测控制技术的主动配电网优化运行方法，其特征在于，所述成本优化调度模型目标函数为ADN日综合成本最小，ADN日综合成本包括ADN日调度成本和碳排放成本，目标函数为：

式中，F_total为ADN日综合成本；F_D为ADN日调度成本；为ADN日碳排放成本；

ADN日调度成本F_D包括MT日燃料耗费成本、不可控消纳分布式电源DG日调度成本、ESS日调度成本和ADN与主网日功率交换成本；

约束条件为：

1)潮流约束：

支路潮流表示式：

式中δ(j)为ADN中以节点j为首端节点的支路的末端节点集合；P_ij(t)、Q_ij(t)分别为第t时段流过支路ij有功和无功功率；P_jv(t)、Q_jv(t)分别为第t时段流过支路jv有功和无功功率,v为δ(j)中的任意一节点；V_j(t)为第t时段节点j的电压幅值；I_ij(t)为第t时段支路ij的电流；X_ij为支路ij电抗；分别为第t时段节点j负荷有功和无功需求；为第t时段节点j处CSSIS有功需求；分别为第t时段节点j处DG有功和无功出力；P_j(t)和Q_j(t)分别为节点j注入有功和无功功率，为节点j处静止无功补偿装置SVC无功出力；

2)安全运行约束：

V_i ^min≤V_i(t)≤V_i ^max

式中，为支路ij允许的最大视在功率；V_i ^max和V_i ^min分别为节点i电压幅值上下限；

3)ADN与主网交互功率波动约束：

|P_inter(t)-P_inter(t-1)|≤b％B_DG

式中，b％为主网能够承受的最大功率变化率；B_DG为ADN中DG总容量。

3.根据权利要求1所述基于模型预测控制技术的主动配电网优化运行方法，其特征在于，所述功率优化调度模型目标函数为：

式中，P(t+i|t)为第t+i时段ADN与主网交互功率日内功率优化调度值；P(t+i|t)为第t+i时段交互功率参考值，由日前优化调度求得；P₀(t)为第t时段交互功率日内成本优化调度值；Δu(t+j|t)为第t时段预测的未来(t+(j-1),t+j)时段内MT、ESS和SVC出力增量；ΔP_load(t+j|t)、ΔP_BCS(t+j|t)、ΔP_WT(t+j|t)和ΔP_PV(t+j|t)分别为未来(t+(j-1),t+j]时段内ADN原负荷、充电站负荷、风电和光伏超短期预测功率增量；N为预测步长；

日内优化调度闭合控制需要满足的约束条件为：

控制变量出力约束：

Δu^min≤Δu(t+i|t)≤Δu^max,i＝1,2,…N

式中Δu^max和Δu^min分别为MT、ESS和SVC出力的上下限；

ESS中SOC约束：

式中SOC_ESS(t+i|t)为第t时段预测未来t+i时段ESS荷电状态；P_ESS(t+i|t)为第t时段预测未来t+i时段ESS充放电功率；为ESS电量最大值。