CN111082451B - 基于场景法的增量配电网多目标优化调度模型 - Google Patents

Abstract

本发明属于电力系统运行与控制领域，尤其涉及基于场景法的增量配电网多目标优化调度模型。所述的调度模型包括以下步骤：S1：获取增量配电网中RDG、DR负荷的历史运行数据及功率预测信息；S2：建立RDG可发电功率、DR负荷电价弹性系数的概率分布模型；S3：建立增量配电网源‑荷不确定性典型场景集合；S4：建立计及源‑荷不确定性场景集下增量配电网多目标优化调度模型；S5：采用多目标差分进化算法求解增量配电网多目标优化调度模型。本发明的优点：促进多利益主体协调优化运行；降低了增量配电网多利益主体优化运行难度；典型场景集合能够充分反映源‑荷不确定性信息，也能降低模型计算复杂度；可以实现实现源‑网‑荷三方协调优化运行。

Description

基于场景法的增量配电网多目标优化调度模型

技术领域

本发明属于电力系统运行与控制领域，尤其涉及基于场景法的增量配电网多目标优化调度模型。

背景技术

随着增量配电网改革工作的加快开展，目前我国增量配电网试点项目已经初具规模。考虑到增量配电网规划建设由源-网-荷侧多主体共同参与，增量配电网实际运营需要兼顾多主体利益，提高了增量配电网协调优化运行的技术需求；另外，由于可再生分布式电源(Renewable Distributed Generation,RDG)发电功率、需求响应负荷(DemandResponse，DR)对电价或激励响应调节量的不确定性，进一步提升了增量配电网多利益主体优化运行难度。因此，研究考虑源-荷不确定性的增量配电网多目标优化调度模型，对兼顾增量配电网中源-网-荷多主体利益，实现三方协调优化运行，具有重要意义。

目前，国内外学者在增量配电网多主体规划、投资决策方面研究较多，以RDG投资商、配网公司和DR负荷收益或成本最优为目标建立多目标优化模型，对RDG选址定容、对配电网线路规划方案进行优化。但是，针对增量配电网建成投产后的多利益主体协调优化运行问题，还待进一步深入研究。

另外，由于风电、光伏等RDG发电功率随机性、电力用户参与DR主观性和随机性，使得增量配电网优化运行场景更加复杂多变，因此，如何建立增量配电网优化运行场景下RDG、DR负荷的典型运行场景集合，还有待研究。

发明内容

针对现有技术的不足，本发明提供一种基于场景法的增量配电网多目标优化调度模型，能够充分考虑增量配电网优化运行场景下RDG、DR负荷不确定性特征，兼顾RDG运营商、配电网公司和DR负荷用户多主体利益，促进多利益主体协调优化运行，为增量配电网调度运行提供参考，并实现源-网-荷三方协调优化运行。

本发明解决上述技术问题的技术方案如下：

一种基于场景法的增量配电网多目标优化调度模型，包括以下步骤：

S1：获取增量配电网中RDG、DR负荷的历史运行数据及功率预测信息，RDG即可再生分布式电源、DR即需求响应负荷；

S2：建立RDG可发电功率、DR负荷电价弹性系数的概率分布模型；

S3：建立增量配电网源-荷不确定性典型场景集合；

S4：建立计及源-荷不确定性场景集下增量配电网多目标优化调度模型；

S5：采用多目标差分进化算法求解增量配电网多目标优化调度模型。

进一步的，所述S1包括获取：

获取可再生分布式电源(RDG)可发电功率预测值和实际值的历史运行数据；

需求响应负荷(DR)实时电价、负荷功率的历史运行数据；

待优化日的RDG可发电功率预测值、DR负荷功率需求预测值。

进一步的，所述S2包括以下步骤：

S201，建立RDG可发电功率的概率分布模型：

RDG可发电功率也服从正太分布，其概率密度函数为：

式中，和x_RDG分别表示RDG可发电功率实际值、预测值和预测误差；μ_RDG、σ_RDG为RDG功率预测误差的均值、方差；

S202，建立DR负荷电价弹性系数的概率分布模型：

电价型DR不确定性通过电价弹性系数的概率分布模型量化表示，基于电价弹性系数，电价型DR负荷的响应模型如下式所示：

式中，P_DR分别表示DR负荷用电功率预测值及实时电价功率响应值；ψ_DR表示电价弹性系数；λ_DR表示DR负荷的初始电价和实时电价；表示DR负荷用电功率范围，

电价弹性系数λ_DR的概率密度函数f(λ_DR)如下式所示：

式中，μ_DR、σ_DR分别表示电价弹性系数λ_DR的均值和方差。

进一步的，所述S3包括以下步骤：

S301，初始场景生成：

根据RDG可发电功率的概率分布模型、DR负荷电价弹性系数的概率分布模型，采用蒙特卡洛模拟抽样方法得到RDG可发电功率、DR负荷电价弹性系数的N₀个初始场景，具体如下式所示：

式中，ω(s)表示单个源-荷不确定性场景，s表示场景编号，s＝1,2,…,N₀；表示场景ω(s)下t时段第i个RDG的可发电功率、第j个DR负荷电价弹性系数的随机采样值；N_RDG、N_DR分别表示RDG、DR负荷数量；T表示优化时段数；

S302，计算场景距离：

计算任意两个场景的距离，得到N₀×N₀维初始场景距离矩阵D，公式如下：

D(ω(s),ω(s^*))＝||ω(s)-ω(s^*)||₂

式中，π_ω(s)为场景发生概率，S^*、S为场景编号；||·||₂为向量空间欧式距离运算符；

S303，场景削减与场景保留：

首先，根据S302公式挑选出保留的场景ω(s^*)及削减的场景ω(s^-)，公式如下：

式中，表示初始场景集合；表示场景削减目标函数；

其次，将初始场景集合中削减场景ω(s^-)的概率加到保留场景ω(s^*)上，公式如下：

S304，生成增量配电网源-荷不确定性典型场景集合：

重复步骤S303，直至削减后的初始场景集合中的剩余场景数为需要保留的场景数N，并输出削减后的场景集合{ω(s₁)、ω(s₂)、…、ω(s_N)}及其对应的场景概率集合

进一步的，所述S4包括以下步骤：

分别以RDG发电收益最大、配电网公司供电收益最大和DR用户用电成本最低为优化目标，考虑RDG、配电网和DR负荷运行约束条件，建立源-荷不确定性场景集下增量配电网多目标优化模型，模型的目标函数包含三个方面：

S401，RDG运营收益最大：

RDG运营商运营收益C_RDG主要包含售电收益和弃电惩罚费用两部分，如下式所示：

式中，表示源-荷不确定性典型场景ω(s_j)发生的概率，N表示缩减后的典型场景数量；N_RDG表示RDG数量，表示场景ω(s_j)下t时刻第i个RDG可发电功率预测值，表示第i个RDG发电功率计划值，待优化变量，ρ_RDG、ξ_RDG分别表示RDG的售电价格、弃电惩罚价格；T表示优化时段数，△T表示优化时段长；

S402，配电网公司运营收益最大：

配电网公司的运营收益主要包括：向负荷用户供电的售电收益C_S、向RDG购电成本C_G1、向上级电网购电成本C_G2，如下式所示：

Max C_DN＝C_S-C_G1-C_G2

式中，ψ_RDG、ψ_MN分别为配网公司向RDG、上级电网的购电价格；为场景ω(s_j)下时刻t配电公司向上级电网的购电功率计划值；分别为场景ω(s_j)下时刻t电价型DR负荷、激励型DR负荷的用电功率计划值，N_DR1、N_DR2为电价型DR负荷、激励型DR负荷数量；为场景ω(s_j)下时刻t电价型DR负荷的实时电价，ψ_DR2为配网公司向激励型DR负荷的售电价格，C_S，L为配网公司向非DR负荷的售电收入；

S403，DR用户用电成本最低：

DR用电成本主要包含电价型DR负荷、激励型DR负荷的用电成本C_DR1、C_DR2，如下式所示：

Max C_DR＝C_DR1+C_DR2

式中，表示t时刻激励型DR负荷i的用电需求预测值；ξ_DR2i为激励型DR负荷i的功率调节补偿价格；DR用户的购电价格同配网公司的售电价格，参考S402公式；

多目标优化模型的约束条件主要包含：RDG出力范围约束、配电网运行约束和DR负荷调节性能约束，具体如下所示：

(1)RDG出力范围约束：

式中，表示场景ω(s_j)下时刻t第i个RDG的实际可发电功率；

(2)配电网运行约束条件：

式中，P_L,t表示t时刻配电网中非DR负荷的用电需求，

(3)DR负荷调节性能约束：

电价型DR负荷的调节性能约束包含：功率调节范围约束、功率调节速率约束和用户用电量需求约束，如下式所示：

式中，、表示电价型DR负荷i的功率调节上、下限值； 表示电价型DR负荷i的功率调节速率上、下限值；表示t时刻电价型DR负荷i的用电需求预测值；表示t时刻电价型DR负荷i的初始电价；表示场景ω(s_j)下时刻t电价型DR负荷i的实时电价；场景ω(s_j)下时刻t电价型DR负荷i的电价弹性系数；

激励型DR负荷调节性能约束包含：功率调节范围约束、功率调节速率约束和用户用电量需求约束，具体如下式所示：

式中，、分别表示激励型DR负荷i的功率调节上、下限值； 分别表示电价型DR负荷i的功率调节速率上、下限值；表示t时刻电价型DR负荷i的用电需求预测值。

进一步的，所述S5包括：

利用差分进化算法求解源-荷不确定性场景集下增量配电网多目标优化模型；

得到一组Pareto最优解集；

然后利用模糊隶属度函数，从Pareto最优解集中获得Pareto最优折衷解，作为模型的优化解。

本发明提供的基于场景法的增量配电网多目标优化调度模型，通过获取增量配电网中RDG、DR负荷的历史运行数据及功率预测信息；建立RDG可发电功率、DR负荷电价弹性系数的概率分布模型；建立增量配电网源-荷不确定性典型场景集合；建立计及源-荷不确定性场景集下增量配电网多目标优化调度模型；采用多目标差分进化算法求解增量配电网多目标优化调度模型。该模型能够兼顾增量配电网中RDG运营商、配电网公司和DR负荷用户的多主体利益，对实现源-网-荷三方协调优化运行有重要意义。

与现有技术相比，本发明提供的一种基于新能源接入的无功电压时序递进优化控制方法具有以下有益效果：

(1)采用多目标差分进化算法求解增量配电网多目标优化调度模型，兼顾RDG运营商、配电网公司和DR负荷用户多主体利益，促进多利益主体协调优化运行。

(2降低了增量配电网多利益主体优化运行难度。

(3)建立了增量配电网优化运行场景下RDG、DR负荷的典型运行场景集合，典型场景集合能够充分反映源-荷不确定性信息，也能降低模型计算复杂度。

(4)可以实现实现源-网-荷三方协调优化运行。

附图说明

图1是本发明提供的基于场景法的增量配电网多目标优化调度模型流程图；

图2是本发明提供的30节点增量配电网示意图；

图3是RDG发电功率、配电网总体负荷用电需求预测曲线；

图4是DR负荷和常规负荷功率需求预测曲线；

图5是Pareto最优解集；

图6是RDG发电功率计划及向上级电网的购电计划；

图7是电价型DR负荷实时电价方案；

图8是电价型及激励型DR负荷用电功率调整计划。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

参考图1～8所示，一种基于场景法的增量配电网多目标优化调度模型，包括以下步骤：

S1：获取增量配电网中RDG、DR负荷的历史运行数据及功率预测信息，RDG即可再生分布式电源、DR即需求响应负荷；

S2：建立RDG可发电功率、DR负荷电价弹性系数的概率分布模型；

S3：建立增量配电网源-荷不确定性典型场景集合；

S4：建立计及源-荷不确定性场景集下增量配电网多目标优化调度模型；

S5：采用多目标差分进化算法求解增量配电网多目标优化调度模型。

所述S1包括获取：获取可再生分布式电源(RDG)可发电功率预测值和实际值的历史运行数据；需求响应负荷(DR)实时电价、负荷功率的历史运行数据；待优化日的RDG可发电功率预测值、DR负荷功率需求预测值。

所述S2包括以下步骤：

S201，建立RDG可发电功率的概率分布模型：

由于RDG可发电功率具有随机波动性，使得RDG功率预测值相对于其实际值具有一定偏差，大量研究表明RDG功率预测误差服从正太分布。

同样，RDG可发电功率也服从正太分布，其概率密度函数为：

式中，和x_RDG分别表示RDG可发电功率实际值、预测值和预测误差；μ_RDG、σ_RDG为RDG功率预测误差的均值、方差；

S202，建立DR负荷电价弹性系数的概率分布模型：

用户侧需求响应行为使负荷成为一种可控资源，根据激励方式不同，需求响应可以分为激励型DR和电价型DR；其中，激励型DR负荷通常以合同方式开展，响应不确定性较小；电价型DR负荷基于用户自愿原则，通过改变电价引导用户用电行为，由于容易受到非经济因素影响，用户需求响应行为具有不确定性；具体的，电价型DR不确定性可通过电价弹性系数的概率分布模型量化表示。

基于电价弹性系数，电价型DR负荷的响应模型如下式所示：

式中，P_DR分别表示DR负荷用电功率预测值及实时电价功率响应值；ψ_DR表示DR负荷的初始电价和实时电价；λ_DR表示电价弹性系数；表示DR负荷用电功率范围，

电价弹性系数λ_DR的概率密度函数f(λ_DR)如下式所示：

式中，μ_DR、σ_DR分别表示电价弹性系数λ_DR的均值和方差。

所述S3包括以下步骤：

S301，初始场景生成：

根据RDG可发电功率的概率分布模型、DR负荷电价弹性系数的概率分布模型，采用蒙特卡洛模拟抽样方法得到RDG可发电功率、DR负荷电价弹性系数的N₀个初始场景，具体如下式所示：

式中，ω(s)表示单个源-荷不确定性场景，s表示场景编号，s＝1,2,…,N₀；表示场景ω(s)下t时段第i个RDG的可发电功率、第j个DR负荷电价弹性系数的随机采样值；N_RDG、N_DR分别表示RDG、DR负荷数量；T表示优化时段数；

S302，计算场景距离：

计算任意两个场景的距离，得到N₀×N₀维初始场景距离矩阵D，公式如下：

D(ω(s),ω(s^*))＝||ω(s)-ω(s^*)||₂

式中，π_ω(s)为场景发生概率，S^*、S为场景编号；||·||₂为向量空间欧式距离运算符；

S303，场景削减与场景保留：

首先，根据S302公式挑选出保留的场景ω(s^*)及削减的场景ω(s^-)，公式如下：

式中，表示初始场景集合；表示场景削减目标函数；

其次，将初始场景集合中削减场景ω(s^-)的概率加到保留场景ω(s^*)上，公式如下：

S304，生成增量配电网源-荷不确定性典型场景集合：

重复步骤S303，直至削减后的初始场景集合中的剩余场景数为需要保留的场景数N，并输出削减后的场景集合{ω(s₁)、ω(s₂)、…、ω(s_N)}及其对应的场景概率集合

进一步的，所述S4包括以下步骤：

增量配电网运行优化中涉及的主体有RDG运营商、配电网公司和参与DR的用户，为了兼顾多主体利益，在考虑RDG发电功率不确定性、负荷需求响应不确定的前提下，分别以RDG发电收益最大、配电网公司供电收益最大和DR用户用电成本最低为优化目标，考虑RDG、配电网和DR负荷运行约束条件，建立源-荷不确定性场景集下增量配电网多目标优化模型。模型的目标函数包含三个方面：

S401，RDG运营收益最大：

RDG运营商运营收益C_RDG主要包含售电收益和弃电惩罚费用两部分，如下式所示：

式中，表示源-荷不确定性典型场景ω(s_j)发生的概率，N表示缩减后的典型场景数量；N_RDG表示RDG数量，表示场景ω(s_j)下t时刻第i个RDG可发电功率预测值，表示第i个RDG发电功率计划值，待优化变量，ρ_RDG、ξ_RDG分别表示RDG的售电价格、弃电惩罚价格；T表示优化时段数，△T表示优化时段长；

S402，配电网公司运营收益最大：

配电网公司的运营收益主要包括：向负荷用户供电的售电收益C_S、向RDG购电成本C_G1、向上级电网购电成本C_G2，如下式所示：

Max C_DN＝C_S-C_G1-C_G2

式中，ψ_RDG、ψ_MN分别为配网公司向RDG、上级电网的购电价格；为场景ω(s_j)下时刻t配电公司向上级电网的购电功率计划值；分别为场景ω(s_j)下时刻t电价型DR负荷、激励型DR负荷的用电功率计划值，N_DR1、N_DR2为电价型DR负荷、激励型DR负荷数量；为场景ω(s_j)下时刻t电价型DR负荷的实时电价，ψ_DR2为配网公司向激励型DR负荷的售电价格，C_S，L为配网公司向非DR负荷的售电收入；

S403，DR用户用电成本最低：

DR用电成本主要包含电价型DR负荷、激励型DR负荷的用电成本C_DR1、C_DR2，如下式所示：

Max C_DR＝C_DR1+C_DR2

式中，表示t时刻激励型DR负荷i的用电需求预测值；ξ_DR2i为激励型DR负荷i的功率调节补偿价格；DR用户的购电价格同配网公司的售电价格，参考S402公式；

多目标优化模型的约束条件主要包含：RDG出力范围约束、配电网运行约束和DR负荷调节性能约束，具体如下所示：

(1)RDG出力范围约束：

式中，表示场景ω(s_j)下时刻t第i个RDG的实际可发电功率；

(2)配电网运行约束条件：

式中，P_L,t表示t时刻配电网中非DR负荷的用电需求，

(3)DR负荷调节性能约束：

电价型DR负荷的调节性能约束包含：功率调节范围约束、功率调节速率约束和用户用电量需求约束，如下式所示：

式中，、表示电价型DR负荷i的功率调节上、下限值； 表示电价型DR负荷i的功率调节速率上、下限值；表示t时刻电价型DR负荷i的用电需求预测值；表示t时刻电价型DR负荷i的初始电价；表示场景ω(s_j)下时刻t电价型DR负荷i的实时电价；场景ω(s_j)下时刻t电价型DR负荷i的电价弹性系数，

激励型DR负荷调节性能约束包含：功率调节范围约束、功率调节速率约束和用户用电量需求约束，具体如下式所示：

式中，、分别表示激励型DR负荷i的功率调节上、下限值； 分别表示电价型DR负荷i的功率调节速率上、下限值；表示t时刻电价型DR负荷i的用电需求预测值。

所述S5包括：利用差分进化算法求解源-荷不确定性场景集下增量配电网多目标优化模型；得到一组Pareto最优解集；然后利用模糊隶属度函数，从Pareto最优解集中获得Pareto最优折衷解，作为模型的优化解。

实施例1

参考图1～图8，图2是一个包含30节点增量配电网示意图，以此为例，本发明提供的基于场景法的增量配电网多目标优化调度模型包括：

(1)获取增量配电网中RDG、DR负荷功率预测信息；在该增量配电网内，节点1与上级电网相连，节点3配置容量200MW的RDG，节点8、12分别配置30MW、40MW的电价型、激励型DR负荷，节点16配置40MW的常规负荷，待优化日RDG发电功率、配电网负荷功率需求预测信息见图3；具体的电价型DR负荷、激励型DR负荷和常规负荷的功率需求预测信息见图4。

(2)建立RDG可发电功率、DR负荷电价弹性系数的概率分布模型；分别根据RDG、电价型DR负荷历史数据，计算得到RDG预测误差服从正太分布，电价型DR负荷电价弹性系数服从正太分布。

(3)建立增量配电网源-荷不确定性典型场景集合；基于RDG可发电功率、DR负荷电价弹性系数的概率分布模型，利用蒙特卡洛模拟技术20000个源-荷不确定性初始场景，通过场景缩减，分别得到包含100、50、25和20个典型场景的增量配电网源-荷不确定性典型场景集合，并计算得到四种场景缩减规模下RDG功率预测误差、电价型DR负荷电价弹性系数累计概率偏差，如表1所示，

表1四种场景缩减规模下的累计概率偏差

典型场景缩减数	100	50	25	20
					RDG功率预测误差	2.13％	3.17％	4.24％	11.47％
电价弹性系数	1.43％	2.83％	3.91％	10.52％

可以看出，当缩减场景数分别为100、50和25时，缩减前后的累计概率曲线形状比较相似，累计概率偏差均低于5％；然而，当缩减场景数减少到20时，相比于缩减前，累计概率曲线形状出现明显变化，累计概率偏差超过10％；综合以上，本实施例缩减场景数设置为25比较合理，保证缩减后的典型场景集合能够充分反映源-荷不确定性信息，也能降低后续模型计算复杂度。

(4)建立并求解源-荷不确定性场景集下增量配电网多目标优化调度模型；在场景缩减基础上，建立源-荷不确定性场景集下增量配电网多目标优化模型，通过多目标差分进化算法求解得到一组Pareto最优解，如图5所示，并从Pareto最优解集中选出最优折衷解，见表2，最优折衷解所所对应的RDG发电功率计划、向上级电网的购电计划、电价型DR负荷实时电价方案及DR负荷有功调节计划，见图6～图8。

表2不同模型的优化结果

优化目标	RDG运行商收益/万元	配电网运营收益/万元	DR负荷用电成本/万元
				优化结果	116.78	27.40	69.03

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (3)

1.一种基于场景法的增量配电网多目标优化调度模型，其特征在于，所述的调度模型包括以下步骤：

S1：获取增量配电网中RDG、DR负荷的历史运行数据及功率预测信息，RDG即可再生分布式电源、DR即需求响应负荷；

S2：建立RDG可发电功率、DR负荷电价弹性系数的概率分布模型；

S201，建立RDG可发电功率的概率分布模型：

RDG可发电功率也服从正太分布，其概率密度函数为：

式中，分别表示RDG可发电功率实际值、预测值；μ_RDG、σ_RDG为RDG功率预测误差的均值、方差；

S202，建立DR负荷电价弹性系数的概率分布模型：

电价型DR不确定性通过电价弹性系数的概率分布模型量化表示，基于电价弹性系数，电价型DR负荷的响应模型如下式所示：

式中，P_DR分别表示DR负荷用电功率预测值及实时电价功率响应值；ψ_DR表示DR负荷的初始电价和实时电价；λ_DR表示电价弹性系数；表示DR负荷用电功率范围，

电价弹性系数λ_DR的概率密度函数f(λ_DR)如下式所示：

式中，μ_DR、σ_DR分别表示电价弹性系数λ_DR的均值和方差;

S3：建立增量配电网源-荷不确定性典型场景集合；

S301，初始场景生成：

根据RDG可发电功率的概率分布模型、DR负荷电价弹性系数的概率分布模型，采用蒙特卡洛模拟抽样方法得到RDG可发电功率、DR负荷电价弹性系数的N₀个初始场景，具体如下式所示：

式中，ω(s)表示单个源-荷不确定性场景，s表示场景编号，s＝1,2,…,N₀；表示场景ω(s)下t时段第i个RDG的可发电功率、第j个DR负荷电价弹性系数的随机采样值；N_RDG、N_DR分别表示RDG、DR负荷数量；T表示优化时段数；

S302，计算场景距离：

计算任意两个场景的距离，得到N₀×N₀维初始场景距离矩阵D，公式如下：

D(ω(s),ω(s^*))＝||ω(s)-ω(s^*)||₂

式中，π_ω(s)为场景发生概率，S^*、S为场景编号；||·||₂为向量空间欧式距离运算符；

S303，场景削减与场景保留：

首先，根据S302公式挑选出保留的场景ω(s^*)及削减的场景ω(s^-)，公式如下：

式中，表示初始场景集合；表示场景削减目标函数；

其次，将初始场景集合中削减场景ω(s^-)的概率加到保留场景ω(s^*)上，公式如下：

S304，生成增量配电网源-荷不确定性典型场景集合：

重复步骤S303，直至削减后的初始场景集合中的剩余场景数为需要保留的场景数N，并输出削减后的场景集合{ω(s₁)、ω(s₂)、…、ω(s_N)}及其对应的场景概率集合

S4：建立计及源-荷不确定性场景集下增量配电网多目标优化调度模型；

分别以RDG发电收益最大、配电网公司供电收益最大和DR用户用电成本最低为优化目标，考虑RDG、配电网和DR负荷运行约束条件，建立源-荷不确定性场景集下增量配电网多目标优化模型，模型的目标函数包含三个方面：

S401，RDG运营收益最大：

RDG运营商运营收益C_RDG主要包含售电收益和弃电惩罚费用两部分，如下式所示：

式中，表示源-荷不确定性典型场景ω(s_j)发生的概率，N表示缩减后的典型场景数量；N_RDG表示RDG数量，表示场景ω(s_j)下t时刻第i个RDG可发电功率预测值，表示第i个RDG发电功率计划值，待优化变量，ρ_RDG、ξ_RDG分别表示RDG的售电价格、弃电惩罚价格；T表示优化时段数，△T表示优化时段长；

S402，配电网公司运营收益最大：

配电网公司的运营收益主要包括：向负荷用户供电的售电收益C_S、向RDG购电成本C_G1、向上级电网购电成本C_G2，如下式所示：

Max C_DN＝C_S-C_G1-C_G2

式中，ψ_RDG、ψ_MN分别为配网公司向RDG、上级电网的购电价格；为场景ω(s_j)下时刻t配电公司向上级电网的购电功率计划值；分别为场景ω(s_j)下时刻t电价型DR负荷、激励型DR负荷的用电功率计划值，N_DR1、N_DR2为电价型DR负荷、激励型DR负荷数量；为场景ω(s_j)下时刻t电价型DR负荷的实时电价，ψ_DR2为配网公司向激励型DR负荷的售电价格，C_S，L为配网公司向非DR负荷的售电收入，

S403，DR用户用电成本最低：

DR用电成本主要包含电价型DR负荷、激励型DR负荷的用电成本C_DR1、C_DR2，如下式所示：

Max C_DR＝C_DR1+C_DR2

式中，表示t时刻激励型DR负荷i的用电需求预测值；ξ_DR2i为激励型DR负荷i的功率调节补偿价格；DR用户的购电价格同配网公司的售电价格，参考S402公式；

多目标优化模型的约束条件主要包含：RDG出力范围约束、配电网运行约束和DR负荷调节性能约束，具体如下所示：

(1)RDG出力范围约束：

式中，表示场景ω(s_j)下时刻t第i个RDG的实际可发电功率；

(2)配电网运行约束条件：

式中，P_L,t表示t时刻配电网中非DR负荷的用电需求，

(3)DR负荷调节性能约束：

电价型DR负荷的调节性能约束包含：功率调节范围约束、功率调节速率约束和用户用电量需求约束，如下式所示：

式中，、表示电价型DR负荷i的功率调节上、下限值； 表示电价型DR负荷i的功率调节速率上、下限值；表示t时刻电价型DR负荷i的用电需求预测值；表示t时刻电价型DR负荷i的初始电价；表示场景ω(s_j)下时刻t电价型DR负荷i的实时电价；场景ω(s_j)下时刻t电价型DR负荷i的电价弹性系数，

激励型DR负荷调节性能约束包含：功率调节范围约束、功率调节速率约束和用户用电量需求约束，具体如下式所示：

式中，、分别表示激励型DR负荷i的功率调节上、下限值； 分别表示电价型DR负荷i的功率调节速率上、下限值；表示t时刻电价型DR负荷i的用电需求预测值。

S5：采用多目标差分进化算法求解增量配电网多目标优化调度模型。

2.根据权利要求1所述的一种基于场景法的增量配电网多目标优化调度模型，其特征在于，所述S1包括获取：

可再生分布式电源RDG可发电功率预测值和实际值的历史运行数据；

需求响应负荷DR实时电价、负荷功率的历史运行数据；

待优化日的RDG可发电功率预测值、DR负荷功率需求预测值。

3.根据权利要求1所述的一种基于场景法的增量配电网多目标优化调度模型，其特征在于，所述S5包括：

利用差分进化算法求解源-荷不确定性场景集下增量配电网多目标优化模型；

得到一组Pareto最优解集；

然后利用模糊隶属度函数，从Pareto最优解集中获得Pareto最优折衷解，作为模型的优化解。

Images