CN111327048A - 一种含三端snop的配电网鲁棒运行优化方法 - Google Patents

Abstract

本发明涉及一种含三端SNOP的配电网鲁棒运行优化方法，以含三端SNOP的配电网运行优化为对象，以提高运行经济性和分布式光伏渗透率为目标，建立三端SNOP的元件模型以及配电网多场景的鲁棒运行优化模型，以多场景下系统期望网损最小为目标并考虑鲁棒约束，满足极限场景下电压不越限，并采用拉丁超立方抽样、Cholesky分解和同步回代削减相结合的方法实现多场景的快速生成。本发明的三端SNOP可以使馈线之间的功率交换更加灵活，对线路故障的适应能力更强；能在不同场景下保持较好的经济性；多场景的快速生成，既能满足不确定参量波动时的概率分布特征，又能提高鲁棒运行优化的效率，针对重负荷波动和分布式能源渗透率较高的区域，可以避免“维数灾”现象。

Description

一种含三端SNOP的配电网鲁棒运行优化方法

技术领域

本发明属于电力电子设备在配电网中的鲁棒运行优化领域，尤其涉及一种新型电力电子器件——三端SNOP，针对重负荷波动、分布式能源渗透率较大的区域，给出三端SNOP输出功率的鲁棒运行优化策略，实现满足主动配电网节点电压安全性的前提下兼顾其经济运行的目的。

背景技术

随着国家新能源和电改政策的逐步推进，大量的分布式能源、电动汽车充电装置、储能装置以及各类微电网接入配电网，且渗透率不断提高。新型能源、负荷的随机性以及多主体利益驱使下分散控制特性，容易引起馈线功率大幅度波动以及电压波动越限，使配电网的运行面临严峻的挑战。然而，受制于配电网规模、地域分散性带来的控制系统快速性不足、多主体导致的新型源荷可观、可控性限制，以及配电网经济投入约束，配电网无法实现全局性运行的实时优化。同时，基于联络开关的网络重构则受到开关响应速度、动作寿命和冲击电流等问题的限制，不能满足未来配电网的发展要求，电力电子技术的革新为应对这些问题提供了契机。

SNOP是一种新型电力电子器件，安装于传统联络开关处，通过准确控制所连接的馈线的有功和无功功率来改善电压水平和提高分布式电源消纳能力。SNOP的引入改变了传统配电网闭环设计、开环运行的供电方式，大大提高了配电网控制的实时性与快速性，同时给配电网的运行带来了诸多益处。已有技术[1]，见《电力系统自动化》第39卷第9期出版的《基于SNOP的配电网运行优化及分析》，该技术分析了双端SNOP的原理和运行边界，从静态潮流优化、动态潮流优化、实时调整三个方面验证了双端SNOP的优势和潜在效益；已有技术[2]，见《电力建设》第37卷第2期出版的《基于SNOP的主动配电网多时间尺度优化策略》，该技术提出了在长时间尺度上通过配电网全局优化策略实现对双端SNOP输出进行控制。已有技术[1]和[2]中，对SNOP在配电网中运行优化的研究只停留在双端结构，仍未涉猎多端SNOP，与双端SNOP相比，多端SNOP可以使馈线之间的功率交换更加灵活，对线路故障的适应能力更强。

以三端SNOP为核心开展实时运行优化，需要通过监测、控制实现配电网短时运行的全局优化，考虑到两次控制间隔内分布式能源和负荷的随机波动，有可能引起状态越限，而且渗透率越高，风险越大，因此，考虑多重不确定性的鲁棒运行优化方法具有很好的适应性。目前鲁棒优化的研究热点有两个：一是采用盒式或多面体不确定集、基数性不确定集、N-k不确定集等形式，把模型中不确定参量的波动范围构成一个确定的有界集合，根据集合边界，寻找最劣情况下的最优解，由于不确定集覆盖的扰动范围将直接影响到优化结果的保守程度，因此该方法可以控制解的保守程度；二是将鲁棒优化和随机规划方法相结合，采用场景分析方法，在满足鲁棒约束条件下，以多场景下期望值最优为目标，提高优化方案的经济性，但实现多场景鲁棒优化的关键是场景数量和精度平衡下的快速多场景生成技术。已有技术[3]，见《电力系统自动化》第39卷第9期出版的《虑负荷量测和光伏不确定性的主动配电网鲁棒电压控制》，该技术在鲁棒电压优化模型中，将不确定参量的概率分布函数离散化，再基于场景树的抽样方法生成多场景，但该技术会随着随机变量数量的增加，呈现“维数灾”现象。

发明内容

本发明的目的在于，面向多端柔性互联需求，将三端SNOP应用于主动配电网的运行优化，针对重负荷波动、分布式能源渗透率较大的区域，提出一种鲁棒运行优化和场景分析方法相结合的控制策略，在场景数量和精度平衡下的快速生成多场景，在满足电压安全性的前提下兼顾配电网的经济运行。

为了实现上述目的，本发明以含三端SNOP的配电网运行优化为对象，以提高运行经济性和分布式光伏渗透率为目标，提出的技术方案是建立三端SNOP的元件模型以及配电网多场景的鲁棒运行优化模型，以多场景下系统期望网损最小为目标并考虑鲁棒约束，满足极限场景下电压不越限，并采用拉丁超立方抽样、Cholesky分解和同步回代削减相结合的方法实现多场景的快速生成。

其中，所述的三端SNOP的元件模型是以双端SNOP为基础组合而成的。背靠背电压源型变流器(B2B VSC)可以精确控制馈线间传输的有功功率，并提供一定的电压无功支持，是双端SNOP的常用类型，以B2B VSC的拓扑结构为基础，在直流侧并联一个VSC形成三端SNOP，采用有功无功正交解耦控制，控制变量为三端输出的有功功率P₁、P₂、P₃和无功功率Q₁、Q₂、Q₃，不考虑SNOP自身的有功损耗，约束条件主要为三端SNOP的有功功率平衡约束和各端口容量约束。

所述的配电网多场景的鲁棒运行优化模型是基于确定性优化模型变化过来的。不考虑负荷和分布式能源的出力波动情况的确定性优化模型是以系统网络损耗最小为目标函数，即f＝min∑P_i，n为主动配电网系统的节点数，P_i为主动配电网中节点i处向节点注入的有功功率之和；鲁棒运行优化模型则以多场景下系统期望网损最小为目标函数，即f^all＝min{∑p_sf_s(X_s)}，p_s为场景s的概率，N_r为削减后的场景数目，f^all为所有场景目标函数的期望值。

所述的鲁棒约束除了之前提到的三端SNOP自身的约束，还包括系统的功率平衡约束、支路容量约束和节点电压约束，每个场景对应有8个约束条件，多场景下总的约束条件有8N_r个，考虑到电压约束只需满足极限场景不越限，约束条件的数目减少为7N_r+2个。

所述的多场景快速生成技术是先通过拉丁超立方抽样，将概率分布函数的值域范围分层抽样，通过反函数取值的方法，使抽样点尽可能覆盖整个分布区间，且抽样结果基本符合概率分布特点，有效克服低概率区间无抽样的问题，提高抽样的精度和效率，然后通过Cholesky分解，根据不同场景下的相关系数矩阵，对不确定参量抽样出的每个元素进行重新排序，从而降低场景之间的相关性，最后对重新排序后的场景进行同步回代削减，提高鲁棒运行优化的效率。

与现有技术相比，本发明具有以下有益效果：SNOP在配电网中运行优化的应用领域延伸到三端SNOP，与双端SNOP相比，三端SNOP可以使馈线之间的功率交换更加灵活，对线路故障的适应能力更强；鲁棒运行优化模型是以多场景下系统期望网损最小为目标，即使在短期时间段内不确定参量时刻处于波动的状态，该模型给出的控制策略能在不同场景下能保持较好的经济性，实现满足电压安全性的前提下兼顾配电网经济运行的目的；采用拉丁超立方抽样、Cholesky分解和同步回代削减相结合的技术实现多场景的快速生成，既能满足不确定参量波动时的概率分布特征，又能提高鲁棒运行优化的效率，针对重负荷波动和分布式能源渗透率较高的区域，可以避免“维数灾”现象。

附图说明

图1为本发明的双端SNOP的背靠背电压源型VSC拓扑结构图；

图2为本发明的三端SNOP的拓扑结构图；

图3为本发明的拉丁超立方抽样过程示意图；

图4为本发明的三组IEEE 33节点通过三端SNOP互联的算例图；

图5为本发明的第二组IEEE 33节点的DG接入位置图；

图6为本发明的确定性运行优化模型下各节点电压分布图；

图7为本发明的鲁棒运行优化模型下各节点电压分布图；

图8为本发明的节点21的拉丁超立方抽样结果图。

具体实施方式

下面结合附图对本发明做进一步说明。

SNOP是基于全控型电力电子器件实现的，其功能的实现主要是靠它的变流器，变流器的类型决定了该电力电子器件的工作原理，考虑到背靠背电压源型变流器(B2B VSC)可以精确控制馈线间传输的有功功率，并提供一定的电压无功支持，技术较为成熟，本发明以B2B VSC作为模型基础，它包含两个VSC，它们以中间的直流大电容为中心，以对称分布的形式相连，拓扑结构如图1所示。电容器可以提供直流电压支撑，保证直流功率传输平衡，减小纹波现象，电抗器可以提供感应电抗，对变流器输出的电流进行过滤，减少电流谐波；等效电阻对应变流器的损耗电阻。

假设VSC的功率开关通常视为理想元件，不考虑开关通断时的损耗，通断情况用开关信号描述：

每相桥臂中，若其中一个桥臂导通时，则另一个桥臂必然是关断的，因此，从变流器a相到直流侧电源负极参考点O的输出电压为U_aO＝U_dc，U_dc为直流侧电压，b相c相同理：

u_kO＝s_k·u_dc(k＝a,b,c) (2)

为从直流侧电源负极参考点到交流系统1中性点的电压：

u_kN＝u_kO-u_NO(k＝1,b,c) (3)

由于u_aN+u_bN+u_cN＝0，故：

由此可知：桥臂的开关打开或关闭的状态决定着交直流电压的关系。

SNOP的控制变量为输出的有功功率和无功功率，如何将功率和输出外特性直接相关联，并且实现有功无功解耦控制，就需要进一步分析SNOP的工作原理，找到控制量与外特性输出量之间的关系，建立新的数学模型。

考虑到在abc三相静止坐标系下SNOP的交流侧为时变交流量，因此，采用dq同步旋转坐标系，将时变交流量变成dq坐标系的直流量，就可以找到控制量与外特性输出量之间关系：

其中，i_d1和i_q1、i_d2和i_q2分别为VSC交流侧输出电流的d轴和q轴分量；ω为角频率；U_dc为直流侧电压；m_d1和m_q1、m_d2和m_q2分别为开关函数的d轴和q轴分量；E_1d和E_1q、E_2d和E_2q分别为交流系统端电压的d轴和q轴分量。

其中，[i_d1 i_q1 i_d2 i_q2 U_dc]^T为状态变量，[m_d1 m_q1 m_d2 m_q2]^T为控制变量，当系统处于三相对称稳定时，考虑U_dc恒定的情况下，忽略变流器与线路功率损耗，SNOP的功率输出方程为：

考虑到三相平衡稳定的状态下，假设交流系统视为无穷大系统，E_1d和E_2d为常数，而E_1q和E_2q可以近似看作为0，由式子10所示，那么交流侧的有功功率与d轴电流分量成正比，而无功功率与q轴电流分量成正比，因此称i_q为无功电流，i_d为有功电流。

交流电流可以进行正交解耦分析，先分解成两个独立的电流分量i_q和i_d，在实际控制系统中，根据无功功率计算出i_q的值，即使i_q也是P_C的变量，我们也可以视其为常量，因此可以认为变流器的有功功率P_C只和i_q有关。我们可以得出一个结论：变流器在dq轴坐标下有功功率和无功功率是解耦的。

从上述SNOP工作原理中，我们知道双端的背靠背VSC运行时需要控制3个变量，有功功率P和无功功率Q₁、Q₂。面向多端柔性互联需求，三端的背靠背VSC运行时则需要控制5个变量，有功功率P₁、P₂和无功功率Q₁、Q₂、Q₃。如图2，三端SNOP的拓扑结构是在双端SNOP直流大电容侧再并联一个VSC形成的，在面向大规模配电系统运行优化时，三端SNOP的有功损耗相对于系统损耗而言非常小，因此本发明不考虑SNOP的有功损耗，即VSC3有功功率输出为-P₁-P₂。由于直流大电容具有隔离直流的作用，变流器处于有功无功解耦控制的模式，因此三个变流器的无功输出相互独立，在考虑约束条件时，仅需满足各自的容量约束即可。

三端SNOP的仿真模型在投入运行时需满足如下“圆形”约束：

其中，Ω_SNOP为SNOP的集合；P_k1(t)，P_k2(t)，P_k3(t)，Q_k1(t)，Q_k2(t)，Q_k3(t)分别为t时段第k个SNOP三个变流器的有功功率和无功功率；S_1max、S_2max和S_3max分别为SNOP三个变流器的接入容量。

将三端SNOP用于配电网的鲁棒运行优化中，三端SNOP可以调节的可控变量为：P₁、P₂、Q₁、Q₂和Q₃，鲁棒约束可以保证节点电压的安全性，然而，针对重负荷波动和分布式能源渗透率较高的区域，若采用传统鲁棒运行优化模型，目标函数为系统网损最小，在短期时间段内，不确定参量时刻处于波动的状态，原来的优化策略不能实现其他场景下系统网损最小。为了使模型给出的控制策略能在不同场景下能保持较好的经济性，将鲁棒优化和场景分析方法相结合，以多场景下系统期望网损最小为目标并考虑鲁棒约束，满足极限场景下电压不越限，实现满足电压安全性的前提下兼顾配电网的经济运行的目的。

传统鲁棒运行优化模型选取系统网损最小为目标函数，即

其中，n为系统节点数，P_i为节点i处注入的有功功率之和。

本发明提出的鲁棒运行优化模型是以多场景下系统期望网损最小为目标，该目标函数为：

其中，X_s为在场景s下SNOP三个端口的有功无功输出，即优化模型中的控制变量；f_s()系统有功网损函数，即式子12；p_s为场景s的概率；N_r为削减后的场景数目；f^all为所有场景目标函数的期望值。

约束条件除了前文提到的三端SNOP自身的约束，还包括配电网系统中的潮流约束：

1)系统的功率平衡约束

式中

分别表示节点i的有功负荷和无功负荷；

分别表示SNOP在节点i注入的有功功率和无功功率；U_i和U_j分别表示节点i和节点j的电压幅值；G_ij、B_ij分别表示支路ij的电导和电纳；δ_ij表示节点i和节点j电压相角之差。

2)支路容量约束

式中I_ij为流过支路ij的电流，U_i和U_j分别为节点i和节点j的电压，Y_ij为支路ij的复导纳。

3)节点电压约束

在多场景的鲁棒优化模型中，各场景都应该满足约束条件，每个场景对应8个约束条件，则总的约束条件有8N_r个，考虑到电压约束只需满足极限场景不越限，所以约束条件的数目减少为7N_r+2个，既能缩短计算时间，又能保证该模型求出的控制策略能够适应所有场景。

实现多场景鲁棒优化的关键是场景数量和精度平衡下的快速多场景生成技术。鲁棒电压优化模型中，场景树的场景生成方法将不确定参量的概率分布函数离散化，再基于场景树的抽样方法生成多场景，该方法会随着随机变量数量的增加，呈现“维数灾”现象。本发明采用拉丁超立方抽样、Cholesky分解和同步回代削减相结合的方法实现多场景的快速生成，达到在满足精度情况下减少场景数量的目的。具体为先采用拉丁超立方抽样生成场景，使抽样点覆盖于整个分布区间，相比于传统的场景树抽样方法，提高了抽样精度和效率，然后采用Cholesky分解方法，根据不同场景下的相关系数矩阵，对不确定参量抽样出的每个元素进行重新排序，从而降低场景之间的相关性，最后对生成并排序后的场景进行同步回代削减，提高鲁棒运行优化效率。

拉丁超立方抽样需要以已知随机变量的概率分布函数为前提，通过核密度估计方法分析负荷历史电量数据，可以发现负荷的预测误差服从正态分布，同时，分布式能源出力的超短期预测误差也服从正态分布。

拉丁超立方抽样方法的抽样过程如图3所示，抽样步骤如下：

(1)假设一共有K个不确定参量，每个参量需要抽样的样本个数为N，形成K行N列的样本矩阵X_KN：

(2)假设第m个不确定参量的抽样结果为X_m ^k＝[x_m ¹,x_m ²,…,x_m ^k,…,x_m ^N]，F(X_m ^k)为X_m ^k的正态分布函数，为了方便取反函数，将F(X_m ^k)从中间值部分取半，然后分别对左半部分和右半部分进行抽样；

(3)假设正态分布函数的值域区间为[0,R]，将该区间等分成N个不重叠的子区间，每个区间按均匀分布随机抽样得到一个采样值Y_m ^k：

(4)取概率分布函数的反函数，得到X_m ^k的实际采样值：

(5)从剩余的子区间中继续抽样，重复上述步骤，直到抽样结束为止。

抽样之后，每个随机变量X_k对应一个含N个元素的行向量[x_k ¹,x_k ²,…,x_k ^N]，将所有随机变量对应的行向量存入一个矩阵中，形成一个K行N列矩阵X：

Cholesky分解法的步骤如下：

(1)随机生成一个K行N列的矩阵L，矩阵L中第k个行向量由整数1,2,…,N随机排列而成，其元素值表示矩阵X中第k个行向量应该排列的位置。

(2)计算矩阵L各行之间的相关系数矩阵ρ_L，ρ_L是正定对称矩阵，可分解成非奇异下三角矩阵D：

ρ_L＝DD^T (24)

(3)计算K行N列矩阵G:

G＝D^-1L (25)

(4)矩阵L中的每一行的元素根据矩阵G中相应位置的元素大小进行排序。

(5)矩阵X中的每一行的元素同样按照更新后矩阵L的相应的元素指示的位置重新换位。

由于矩阵G的各行之间不相关，因而矩阵L的每一行元素按照G的对应行重新排序后，L矩阵行之间的相关性就被削弱了。

同步回代削减法是迭代进行的，每一步削减一个场景，并改变与之“范数距离”最近的其他场景的概率，直到场景集剩下指定数目的场景。n表示一个场景所包含的变量个数，N表示原始场景个数，场景ω⁽ⁱ⁾被定义为一个序列：

其中，λ_s ⁽ⁱ⁾表示场景i第s个变量的数值；

π⁽ⁱ⁾表示场景i发生的概率，由于拉丁超立方抽样在值域区间均匀抽样，所以抽样出来的值的概率是相同的，即π⁽ⁱ⁾＝1/N，满足性质∑π⁽ⁱ⁾＝1；

场景ω⁽ⁱ⁾和场景ω^(j)的“范数距离”为：

同步回代削减法的步骤如下：

(1)确定需要削减的场景，剔除满足如下条件的场景ω⁽ⁱ⁾，s∈{1,…,n}；

这种启发式方法考虑了场景间的距离和概率，使得那些相近的、小概率的且不具有代表性的场景更容易被剔除。

(2)改变场景总数：N＝N-1，改变与被剔除的场景ω^(s)最近的场景的概率，保证剩余场景概率之和为1；

(3)若削减后的场景总数N仍大于需要的场景总数，重复执行1-2步骤。

具体算例：

在重负荷波动和分布式能源渗透率较大的区域和不确定参量较多的情况下，为了说明拉丁超立方抽样方法相比于传统场景生成方法的优越性并验证鲁棒运行优化模型的有效性，本发明设计了三组通过三端SNOP互连的IEEE 33节点算例系统，结构如图4所示。

其中，第二组为改进的IEEE 33节点，一共接入了11个分布式能源，分布式能源的接入位置如图5所示，并伴随着一定的出力波动，节点4/9/14接入的分布式能源出力为0.3MW，节点7/13/15/16/29接入的分布式能源出力为0.4MW，节点20、节点25和节点31接入的分布式能源出力分别为0.8MW、0.5MW和0.6MW，分布式能源的渗透率高达43.07％，此外，负荷波动的节点号为3/4/5/8/10/13/14/15/18/19/21/24/26，负荷波动范围设为±10％，除了接入大功率风机的7号和16号节点的出力波动范围设为±20％以外，其余分布式能源的出力波动范围设为±15％。这组IEEE 33节点代表着重负荷波动和分布式能源渗透率较大的区域。

IEEE 33节点的基准电压为12.66kV，基准功率为100MVA，为了方便描述电压越限问题，假定所有节点的电压安全范围为[0.97～1.03]KV，三端SNOP的三组变流器的容量大小分别为1MVA、2MVA和1MVA。原始场景数设为1000个，在削减后的场景数目达到50个时，鲁棒优化控制模型的目标函数值基本不变，因此削减后的场景数设为50个。测试系统的硬件环境为英特尔四核i7-3632QM CPU 2.20GHz，8GB内存，操作系统为WIN 10 64bit，开发环境为MATLAB R2012b。

将不考虑负荷和分布式能源出力波动的确定性运行优化模型和本发明提出的鲁棒运行优化模型代入到上述算例当中，可以分别求出三端SNOP的控制变量的解，然后将解代入到不同场景下的潮流计算中，验证两种模型给出的控制策略是否具有鲁棒性和安全性，可分别求出两种模型在正常场景和极限场景下的节点电压分布曲线，如图6和图7。确定性运行优化模型给出的控制策略使得正常场景下各节点电压都在安全范围内，但在极限场景下电压越上限；本发明提出的鲁棒运行优化模型给出的控制策略使得正常场景和极限场景下所有节点电压都在安全范围之内。

为验证抽样结果是否满足概率分布函数，以节点11的抽样结果作为例，通过拉丁超立方抽样，统计抽样结果的分布直方图并拟合其分布函数，如图8所示。结果显示，拉丁超立方抽样在场景生成中具有良好的可靠性，抽样的结果满足正态分布函数。此外，将拉丁超立方抽样方法和场景树方法作比较，分析不确定参量的个数与需要生成的总场景数目之间的关系，比较两种方法的抽样效率。拉丁超立方抽样所需生成的场景数目与不确定参量个数无关，只与求解精度有关，通常设为固定值或呈阶梯式增长，保证抽样结果能较好的拟合概率分布函数；场景树方法所需生成的场景数目不仅与不确定参量的状态数量有关(一般设为5～9个)，还随着其数量的增加呈指数增长。计算结果说明拉丁超立方抽样在波动不确定参量大于5个时，场景生成效率明显优于场景树方法，在重负荷波动和分布式能源渗透率较高的区域和不确定参量较多的情况下能够避免“维数灾”现象且提高抽样的效率。

对比确定性运行优化模型、传统鲁棒运行优化模型和本文提出的基于拉丁超立方抽样的鲁棒运行优化模型，将以上模型的优化结果采用蒙特卡洛方法^[26]进行验证。先依据正态分布函数随机抽取2000个样本场景，然后将模型优化结果代入到样本场景中，进行潮流计算，最后统计电压越限情况和系统网损的期望值，结果显示，确定性运行优化模型没有考虑负荷和分布式能源出力的波动，给出的控制策略使得18.65％的场景会存在节点电压越限的情况，后两个鲁棒运行优化模型给出的控制策略，不存在电压越限的情况，具有良好的鲁棒性。确定性运行优化模型下的系统网损期望值最低，为0.4411MW，说明了鲁棒运行优化模型是通过牺牲了一定经济型，提升系统的鲁棒性，此外，传统鲁棒优化控制模型的系统网损期望值为0.4864MW，相比之下，本文提出的基于场景分析方法的鲁棒优化控制模型以系统期望网损最小为目标函数，求出来的系统网损期望值为0.4773MW，保证系统鲁棒性的同时提高了一定的经济性。

Claims (7)

1.一种含三端SNOP的配电网鲁棒运行优化方法，其特征在于，以含三端SNOP的配电网运行优化为对象，以提高运行经济性和分布式光伏渗透率为目标，建立三端SNOP的元件模型以及配电网多场景的鲁棒运行优化模型，以多场景下系统期望网损最小为目标并考虑鲁棒约束，满足极限场景下电压不越限，并采用拉丁超立方抽样、Cholesky分解和同步回代削减相结合的方法实现多场景的快速生成。

2.根据权利要求1所述的含三端SNOP的配电网鲁棒运行优化方法，其特征在于，三端SNOP的元件模型是以双端SNOP为基础组合而成的。

3.根据权利要求2所述的含三端SNOP的配电网鲁棒运行优化方法，其特征在于，以B2BVSC的拓扑结构为基础，在直流侧并联一个VSC形成三端SNOP，采用有功无功正交解耦控制，控制变量为三端输出的有功功率P₁、P₂、P₃和无功功率Q₁、Q₂、Q₃，不考虑SNOP自身的有功损耗，约束条件主要为三端SNOP的有功功率平衡约束和各端口容量约束。

4.根据权利要求1所述的含三端SNOP的配电网鲁棒运行优化方法，其特征在于，所述配电网多场景的鲁棒运行优化模型是基于确定性优化模型变化过来的。

5.根据权利要求4所述的含三端SNOP的配电网鲁棒运行优化方法，其特征在于，不考虑负荷和分布式能源的出力波动情况的确定性优化模型是以系统网络损耗最小为目标函数，即f＝minΣP_i，其中n为主动配电网系统的节点数，P_i为主动配电网中节点i处向节点注入的有功功率之和；鲁棒运行优化模型则以多场景下系统期望网损最小为目标函数，即f^all＝min{Σp_sf_s(X_s)，其中p_s为场景s的概率，N_r为削减后的场景数目，f^all为所有场景目标函数的期望值。

6.根据权利要求3所述的含三端SNOP的配电网鲁棒运行优化方法，其特征在于，鲁棒约束除了之前提到的三端SNOP自身的约束，还包括系统的功率平衡约束、支路容量约束和节点电压约束，每个场景对应有8个约束条件，多场景下总的约束条件有8N_r个，考虑到电压约束只需满足极限场景不越限，约束条件的数目减少为7N_r+2个，其中N_r为场景数目。

7.根据权利要求1所述的含三端SNOP的配电网鲁棒运行优化方法，其特征在于，所述多场景快速生成是先通过拉丁超立方抽样，将概率分布函数的值域范围分层抽样，通过反函数取值的方法，使抽样点尽可能覆盖整个分布区间，且抽样结果基本符合概率分布特点，有效克服低概率区间无抽样的问题，提高抽样的精度和效率，然后通过Cholesky分解，根据不同场景下的相关系数矩阵，对不确定参量抽样出的每个元素进行重新排序，从而降低场景之间的相关性，最后对重新排序后的场景进行同步回代削减，提高鲁棒运行优化的效率。

Images