CN112467722A - 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 - Google Patents

Abstract

本发明涉及一种考虑电动汽车充电站的主动配电网源‑网‑荷‑储协调规划方法，首先对接入配电网中的分布式电源、储能装置、电动汽车充电站进行建模分析；然后以电动汽车充电站为枢纽引入配电网与交通网间的耦合关系，将充电站截获的交通流量折算为交通经济效益引入配电网网架规划中；以源、网、荷各层主体的利益最优为目标，进行规划层的决策，下层运行模拟层以分布式电源切除量期望值最小为目标进行优化中，采取DG出力削减、有载调压变压器分接头调节等主动管理措施；最后，建立协调规划模型。本发明实现了电动汽车交通网络与配电网路相耦合及多种新型元素接入情况下的配电网整体规划，有利于多端良好互动。

Description

一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规 划方法

技术领域

本发明涉及配电网领域，特别是一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法。

背景技术

在当前配电网中清洁能源分布式发电、储能、电动汽车等新型元素大量引入的背景下，传统配电网向主动的智能配电网转变，主动配电网具有组合 控制各种接入能源的能力，可以对接入的元素进行主动控制，提高了配电网资产的利用率、增强了配电网对能源的消纳能力，是当前配电网发展的主流 趋势。然而，新型元素的接入给传统配电网带来一系列挑战，配电网原有的辐射状结构发生改变，有必要综合考虑多种新型元素接入配电网后带来的影 响，进行电源侧、电网侧、用户侧的多端协调规划，提高电力设备的利用效率。

随着我国电动汽车的大力普及，规模化电动汽车负荷接入运行对配电网的影响不容忽视，在配电网规划运行有必要考虑电动汽车快充站的选址规划 以及交通网、电力网的相互耦合作用。在配电网多端协调规划的基础上考虑交通网络对配电网规划与运行的影响，有利于提高规划过程中的经济性与电 动汽车出行的便利性。

发明内容

有鉴于此，本发明的目的是提供一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法，考虑了规模化电动汽车负荷接入情况下电力网与 交通网的相互影响，协同考虑智能配电网种多种新型元素，从电源、电网、电力用户三方利益出发进行统筹规划，提高规划方案的可再生能源消纳能力， 以及在电动汽车用户增多趋势下配网规划方案与交通网络发展的协调性。

本发明采用以下方案实现：一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法，包括以下步骤：

步骤S1：针对智能配电网中的包括低碳电源、电动汽车充电设施和储能的新型元素，采用时序法建立分布式电源(distributed generation,DG)出力 时序模型，从剩余电量水平和充放电功率建立储能装置充放电模型，并基于负荷和DG的时序特性，制定储能充放电策略用以减小等效负荷波动；

步骤S2：以电动汽车充电站作为枢纽将配电网与交通网相耦合，考虑电动汽车交通网络流量分布，将充电站截获的交通流量折算为交通经济效益并 算入配电网规划的经济成本中，并基于M/M/S排队模型与用户充电等待时间确定充电站配置容量；

步骤S3：将主动配电网的规划与运行相结合，以规划层作为上层、运行模拟层作为下层，构建双层规划模型；其中，将上层规划层划分为源层、网 层与荷层，以各层主体的经济效益最优为目标，分别对DG与储能装置的选址定容、网架新建升级情况与电动汽车充电站选址定容、参与需求侧响应 (demand side response,DSR)用户用电情况进行决策，在下层中采取包括DG出力削减和有载调压变压器分接头调节的主动管理措施，以分布式电源弃风弃光量最小为目标进行优化；

步骤S4：在步骤S3所建立的双层规划模型基础上，实现源网荷三层间的信息传递及规划层与运行模拟层的信息传递，构建协调规划模型；

步骤S5：采用改进的粒子群算法(particle swarm optimization，PSO)对步骤S4所述的协调规划模型进行求解：在标准粒子群算法的基础上，联合 运用连续型变量和离散型变量的形式对种群进行混合编码，在迭代过程中通过比较适应度函数值的优劣选取个体极值和群体极值，并采用异步时变的学 习因子、非线性动态惯性权重相结合的方法，用以克服标准粒子群算法容易陷入局部解的问题。

进一步地，所述步骤S1具体包括以下步骤：

步骤S11：风力发电机输出功率与风速的关系用如下所示的分段函数表示：

式中，V_ci、V_r和V_co分别为WTG的切入风速、额定风速和切出风速；P_r2为WTG的额定输出功率；

光伏发电机的输出功率与光照强度的关系用下式表示：

式中，P_r1为PVG的额定输出功率，I_r为额定光照强度；

风力发电和光伏发电的出力大小由地理位置及气候环境决定，其出力大小具有明显的时序特性，采用不同季节的时序特性来描述DG出力；根据气 象资料得到不同季节风速曲线和光照强度曲线，并以此为输入，根据式(A1)和(A2)得出风电、光伏出力的时序曲线即为分布式电源出力时序模型；

步骤S12：从剩余电量水平和充放电功率方面建立储能装置的充放电模型，如下所示：

式中，SOC(t)表示t时刻BESS的剩余电量水平，ε表示BESS剩余电量每小时的损失率，简称自放电率，单位为％/h，P^BESS,c、P^BESS,dis(t)分 别表示BESS充、放电功率大小，α、β分别表示BESS的充、放电效率，E_e为BESS的容量，Δt为采样间隔；以节点i在时刻的负荷值P_Li(t) 与DG出力值P_DGi(t)之差作为等效负荷，

基于已建立的储能装置模型，从平抑等效负荷波动的角度制定储能装置的充放电策略如下：

首先，定义等效负荷P_eqi(t)与平均等效负荷P_avi：

P_eqi(t)＝P_Li(t)-P_DGi(t) (A4)

式中，P_Li(t)和P_DGi(t)分别为节点i在时刻的负荷值和DG出力值；

设ΔP₁为充电功率，当P_eqi(t)+ΔP₁＜＜P_avi时电池充电；当|P_eqi(t)+ΔP₁-P_avi|≤δP_avi时蓄电池充电，式中，δ为等效负荷下 平均值附近的波动系数；设ΔP₂为放电功率，当P_eqi(t)-ΔP₂＞＞P_avi时电池放电；当|P_eqi(t)-ΔP₂-P_avi|≤δP_avi时电池放电。

进一步地，所述步骤S2的具体内容为：

设定电动汽车用户总是选择最短路径作为出行方案，采用Floyd最短路径算法求取其出行方案，利用重力空间互动模型计算出待规划区域内快充站 每年截获的交通流量需求：

式中，

为最短路径k于时段t的单向交通流量需求的标幺值；w_o和w_d分别为路径k的起点o和终点d的权重，用以表示各交通节点 的繁忙程度；d_k为路径k长度的标幺值；s_t和s_h分别为电动汽车用户于时段t和高峰时段的出行比例；Ω_od为利用最短路径模型求出的系统所有 节点两两相连的最短路径集合；

为单元i处快充站于时段t截获的交通流量；

为表示路径k是否经过单元i的二值变量；

为单元i处 是否建设快充站的二值变量；

为交通网道路集合；F_qc为交通流量经济效益值；ω_f为所截获交通流量的经济效益折算系数；

待充电车辆的平均到达率为快充总频次需求针对时间和节点的按比例分配

式中，λ_i,t和λ_i,h分别为单元i处快充站于时段t和交通高峰时段待充电车辆的平均到达率，即电动汽车用户到达平均时间间隔的倒数；C^qc为 系统的快速充电总频次需求；

而各时段的快充站充电功率由其充电时间比例决定：

式中，

为单元i处快充站于时段t的充电功率；p_qc为单台快充设备的充电功率；μ为单台快充设备的平均服务率，即快速充电的平均时 间的倒数；

利用排队论中的M/M/S排队系统模型模拟快充站待充电车辆到达过程和服务时长，在不超过最大允许等待时间的情况下设置最为经济的快充站设备 数量。

进一步地，所述步骤S3的具体包括以下步骤：

步骤S31：源层规划中以DG运营商的全周期收益最大化为优化目标：

式中，

为DG运营商卖电收益，

为新能源发电政府补贴，

为储能套利收益，

为设备投资费用，

为DG运行费用；

DG独立运营商应在电网安全的前提下追求自身最大化，源层应满足投资和运行两大方面的约束；其中投资约束包括DG投资数量约束、储能投资 数量约束，分别如下所示：

式中，

分别表示节点k的风电、光伏、储能设备配置数量，Ω_WG、Ω_WG、Ω_DG表示风电、光伏以及所有DG备选节 点的集合；

运行约束包括储能充放电约束、荷电状态约束、配电网功率平衡约束、节点电压安全约束与线路功率约束，分别如下所示：

SOC_min≤SOC(t)≤SOC_max (A15)

U_min≤U≤U_max (A17)

P_ij≤P_max (A18)

式中，P^ESS,c(t)和P^ESS,dis(t)分别表示t时刻的充电功率和放电功率，P_max和P_min分别表示充放电功率的最大值和最小值，SOC(t)表示t 时刻剩余电量水平，SOC_max和SOC_min分别表示最大和最小的剩余电量容许水平，P_i为节点i有功注入功率，Q_i为节点i无功注入功率，j∈i为 所有与节点i直接相连的节点集合，U_i为节点i的电压幅值，G_ij为节点导纳矩阵的实部，B_ij为节点导纳矩阵的虚部，θ_ij为节点i与节点j的电压 相角差，U_min表示电压安全下限，U_max表示电压安全上限，P_max表示线路功率上限，P_ij表示线路ij功率；

步骤S32：网层规划中以配电网运营商的全周期费用最低为优化目标：

式中，

为线路升级和新建费用，

为快充站投资费用，

为购电费用，

为网损费用，

为负荷侧调控费用，

为交通流 量经济效益值；网层需满足的约束条件包括线路升级选型约束、电动汽车用户最大充电等待时间约束、线路功率约束等，分别如下所示：

max{W_t,k}≤W_maxt∈Ω_CF (A21)

式中，x_{l_up,i}是线路升级选型的指示变量；Ω_{l_up0}代表不升级的线路集合；Ω_{l_up1}代表升级为线型1的线路集合；Ω_{l_up2}代表升级为线型2 的线路集合，W_t,k表示时刻t充电站k的用户等待时间；W_max表示允许的用户最大等待时间，P_{max_l0}、P_{max_l1}、P_{max_l2}、P_{max_new}分别表示原始线路、升级线型1、升级线型2、新建线路的允许功率上限；

除上述约束外，网层规划还需满足网络辐射状和连通性约束，基于最小生成树算法生成无向图，再根据Kruscal算法生成有向图，以此选取网络拓 扑，保证目标网络呈辐射状，求取已生成的辐射状网络的邻接矩阵和可达性矩阵判断连通性，以此为网架的连通性约束；此外，还需满足源层规划中所 提到的配电网功率平衡约束(A16)，以及运行安全约束(A17)与(A18)；

步骤S33：荷层规划中以参与DSR用户用电满意度最大为目标函数：

maxC^H＝λ₁θ+λ₂ε (A23)

式中，C^H为用户综合满意度，θ为用电成本满意度，ε为用电方式满意度，λ₁、λ₂分别为用电成本满意度和用电方式满意度的权值，λ₁和 λ₂的取值决定了用户对两种满意度的重视程度，且λ₁+λ₁＝1；

用户用电成本满意度和用电方式满意度分别如下所示：

式中，C_DSR、C₀分别表示实行DSR前后的用户的用电成本，Q₀、Q_DSR分别表示参与DSR前后的负荷总电量；荷层规划的约束条件除上 述源层、网层规划中所提到的功率平衡约束、运行安全约束、配电网连通性和辐射状约束外，还包括TOU负荷移入转出电量平衡、可中断负荷切除比 例上下限约束，分别如下所示：

式中，P_s,t为实施TOU前第s季度第t时段的用电量；P_TLO,s,tP_TLI,s,t分别为实施TOU后第s季度第t时段转出负荷值与转入负荷值；

分别为实行TOU后第s季度第t时段转出负荷比例的下限与上限；

分别为实行TOU后第s季度第t时段 转入负荷比例的下限与上限；

分别表示第s季度第t时段第n个节点负荷的切除上限与下限；

步骤S34：下层为运行模拟层，采用的主动管理措施包括DG出力削减和变压器分接头调节；下层以最小化DG弃风弃光量为运行优化目标：

式中，

表示DG的削减总量；

分别表示t时刻第k台风电、光伏设备的有功功率削减量；下层的约束条件包括DG出 力削减量约束和变压器分接头调节范围约束：

式中，σ_DG表示允许的最大DG削减量，T_k表示变压器分接头位置，

和

分别表示变压器分接头调节范围的下限和上限。

进一步地，所述步骤S4的具体内容为：

在上层规划层中，源网荷各层的决策内容均相互影响与制约，在每一轮的循环优化中，将步骤S31中所得到的源层在当前拓扑与负荷情况下的分布 式电源与储能优化结果

传递至另外两层，再由网层结合源层信息与当前负荷情况进行线路与充电站的决策，并传递至荷层，最 后根据步骤S33，在荷层中结合源、网层结果进行优化即采用步骤S33中所属荷层的优化模型进行优化，将用户用电情况传递至下一次循环中；在上下层的信息传递中采用多场景技术和机会约束规划方法将上层不满足约束的场景进入下层并采取主动管理措施，再将优化后的场景传递回上层规划模型中。

进一步地，步骤S5中所述的协调规划模型的具体求解流程如下：

步骤S51：数据初始化：输入规划用配电网原始数据，设置改进PSO算法所需的当前迭代次数、最大迭代次数、种群大小、学习因子的初值与终值 和惯性权重的初值与终值；

步骤S52：种群初始化：随机生成关于源、网、荷层的各种决策信息的初始种群，具体包含风电、光伏、储能及充电站建设信息和线路升级、新建 信息、需求响应负荷削减比例信息，将线路升级、新建变量作为离散型变量，其余变量作为连续型变量，进行混合编码，随机生成初始种群；

步骤S53：采用基于Kruskal思想的最小算法，获得初始辐射状网络拓扑结构；

步骤S54：利用Matpower进行潮流计算，检验是否满足机会约束条件，约束条件包括(A16)(A17)(A18)所述的功率平衡约束、电压约束、线路功率 约束，若满足则进行下一步；反之则启动下层结构；

步骤S55：计算适应度值，即计算源、网、荷层荷下层的目标函数值，即式(A11)、(A19)、(A23)和(A29)；对不满足约束条件的场景将适应度设为无 穷大，用以在迭代中淘汰该个体；

步骤S56：选取个体最优解和种群最优解：

步骤S57：迭代，更新粒子的位置和速度，从而得到更新后的代表决策信息的粒子，并根据下式更新学习因子与惯性权重：

式中，ω_i和ω_f分别为惯性权重ω的初值与终值；c_1i和c_1f、c_2i和c_2f分别为学习因子c₁、c₂的初值与终值；M_k和M_max分别为当前迭代次 数与最大迭代次数；

步骤S58：修订线路参数，重新计算支路权值，求得新的网络结构，然后再通过MATPOWER工具重新计算潮流,即(A16)-(A18)，判断是否满足机会约 束条件，不满足则启动下层模型,即(A29)-(A31)；计算适应度，更新个体最优解和种群最优解；

步骤S59：判断迭代是否终止，终止则输出最优方案并结束，否则重复步骤S56到步骤S58直到迭代终止。

与现有技术相比，本发明具有以下有益效果：

本发明在已有的源网荷协调规划基础上，综合考虑了规模化电动汽车充电负荷接入情况下电力网与交通网之间的相互影响， 以此为基础，在网架规划中加入电动汽车快充站的选址定容决策内容，所得规划方案具有更强适应性；考虑了智能配电网中多 种新型元素，进行多主体的协调规划，得出可适应多种新型元素接入情况下的配电网规划方案，提升可再生能源消纳能力。

附图说明

图1为本发明实施例的协调规划模型整体结构示意图。

图2为本发明实施例的模型求解流程图。

图3为本发明实施例的改进的IEEE33节点配电系统拓扑图。

图4为本发明实施例的交通网与配电网耦合拓扑图。

图5为本发明实施例的DG有功出力与电动汽车充电负荷对比曲线。

图6为本发明实施例的需求响应管理前后商业负荷变化图，其中，图6(a)为本发明实施例春季典型日的需求响应管理前后 商业负荷变化图，图6(b)为本发明实施例夏季典型日的需求响应管理前后商业负荷变化图，图6(c)为本发明实施例秋季典型日 的需求响应管理前后商业负荷变化图，图6(d)为本发明实施例冬季典型日的需求响应管理前后商业负荷变化图。

图7为本发明实施例的需求响应管理前后居民负荷变化图，其中，图7(a)为本发明实施例春季典型日的需求响应管理前后 居民负荷变化图，图7(b)为本发明实施例夏季典型日的需求响应管理前后居民负荷变化图，图7(c)为本发明实施例秋季典型日 的需求响应管理前后居民负荷变化图，图7(d)为本发明实施例冬季典型日的需求响应管理前后居民负荷变化图。

图8为本发明实施例的需求响应管理前后工业负荷变化图，其中，图8(a)为本发明实施例春季典型日的需求响应管理前后 工业负荷变化图，图8(b)为本发明实施例夏季典型日的需求响应管理前后工业负荷变化图，图8(c)为本发明实施例秋季典型日 的需求响应管理前后工业负荷变化图，图8(d)为本发明实施例冬季典型日的需求响应管理前后工业负荷变化图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术 语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所 使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包 含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1、2所示，本实施例提供一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法，包括以下步骤：

步骤S1：针对智能配电网中的包括低碳电源、电动汽车充电设施和储能的新型元素，采用时序法建立分布式电源(distributed generation,DG)出力时序模型，从剩余电量水平和充放电功率建立储能装置充放电模型，并基于负荷和DG的时序特性，制定 储能充放电策略用以减小等效负荷波动；

步骤S2：以电动汽车充电站作为枢纽将配电网与交通网相耦合，考虑电动汽车交通网络流量分布，将充电站截获的交通流 量折算为交通经济效益并算入配电网规划的经济成本中，并基于M/M/S排队模型与用户充电等待时间确定充电站配置容量；

步骤S3：将主动配电网的规划与运行相结合，以规划层作为上层、运行模拟层作为下层，构建双层规划模型；其中，将上 层规划层划分为源层、网层与荷层，以各层主体的经济效益最优为目标，分别对DG与储能装置的选址定容、网架新建升级情 况与电动汽车充电站选址定容、参与需求侧响应(demand side response,DSR)用户用电情况进行决策，在下层中采取包括DG 出力削减和有载调压变压器分接头调节的主动管理措施，以分布式电源弃风弃光量最小为目标进行优化；

步骤S4：在步骤S3所建立的双层规划模型基础上，实现源网荷三层间的信息传递及规划层与运行模拟层的信息传递，构建 协调规划模型；

步骤S5：采用改进的粒子群算法(particle swarm optimization，PSO)对步骤S4所述的协调规划模型进行求解：在标准粒 子群算法的基础上，联合运用连续型变量和离散型变量的形式对种群进行混合编码，在迭代过程中通过比较适应度函数值的优 劣选取个体极值和群体极值，并采用异步时变的学习因子、非线性动态惯性权重相结合的方法，用以克服标准粒子群算法容易 陷入局部解的问题。

在本实施例中，所述步骤S1具体包括以下步骤：

步骤S11：风力发电机输出功率与风速的关系用如下所示的分段函数表示：

式中，V_ci、V_r和V_co分别为WTG的切入风速、额定风速和切出风速；P_r2为WTG的额定输出功率；

光伏发电机的输出功率与光照强度的关系用下式表示：

式中，P_r1为PVG的额定输出功率，I_r为额定光照强度；

风力发电和光伏发电的出力大小由地理位置及气候环境决定，其出力大小具有明显的时序特性，采用不同季节的时序特性 来描述DG出力；根据气象资料得到不同季节风速曲线和光照强度曲线，并以此为输入，根据式(A1)和(A2)得出风电、光伏出力 的时序曲线即为分布式电源出力时序模型；

步骤S12：从剩余电量水平和充放电功率建立储能装置的充放电模型，如下所示：

式中，SOC(t)表示t时刻BESS的剩余电量水平，ε表示BESS剩余电量每小时的损失率，简称自放电率，单位为％/h， P^BESS,c、P^BESS,dis(t)分别表示BESS充、放电功率大小，α、β分别表示BESS的充、放电效率，E_e为BESS的容量，Δt 为采样间隔；以节点i在时刻的负荷值P_Li(t)与DG出力值P_DGi(t)之差作为等效负荷，

基于已建立的储能装置模型，从平抑等效负荷波动的角度制定储能装置的充放电策略如下：

首先，定义等效负荷P_eqi(t)与平均等效负荷P_avi：

P_eqi(t)＝P_Li(t)-P_DGi(t) (A4)

式中，P_Li(t)和P_DGi(t)分别为节点i在时刻的负荷值和DG出力值；

设ΔP₁为充电功率，当P_eqi(t)+ΔP₁＜＜P_avi时电池充电；当|P_eqi(t)+ΔP₁-P_avi|≤δP_avi时蓄电池充电， 式中，δ为等效负荷下平均值附近的波动系数；设ΔP₂为放电功率，当P_eqi(t)-ΔP₂＞＞P_avi时电池放电；当 |P_eqi(t)-ΔP₂-P_avi|≤δP_avi时电池放电。

在本实施例中，所述步骤S2的具体内容为：

接下来以电动汽车充电站作为枢纽将配电网与交通网相耦合，考虑电动汽车交通网络流量分布。设定电动汽车用户总是选 择最短路径作为出行方案，采用Floyd最短路径算法求取其出行方案，利用重力空间互动模型计算出待规划区域内快充站每年截 获的交通流量需求：

式中，

为最短路径k于时段t的单向交通流量需求的标幺值；w_o和w_d分别为路径k的起点o和终点d的权重， 用以表示各交通节点的繁忙程度；d_k为路径k长度的标幺值；s_t和s_h分别为电动汽车用户于时段t和高峰时段的出行比例； Ω_od为利用最短路径模型求出的系统所有节点两两相连的最短路径集合；

为单元i处快充站于时段t截获的交通流量；

为表示路径k是否经过单元i的二值变量；

为单元i处是否建设快充站的二值变量；

为交通网道路集合；F_qc为交通流量经济效益值；ω_f为所截获交通流量的经济效益折算系数；

待充电车辆的平均到达率为快充总频次需求针对时间和节点的按比例分配

式中，λ_i,t和λ_i,h分别为单元i处快充站于时段t和交通高峰时段待充电车辆的平均到达率，即电动汽车用户到达平均时 间间隔的倒数；C^qc为系统的快速充电总频次需求；

而各时段的快充站充电功率由其充电时间比例决定：

式中，

为单元i处快充站于时段t的充电功率；p_qc为单台快充设备的充电功率；μ为单台快充设备的平均服务率， 即快速充电的平均时间的倒数；

利用排队论中的M/M/S排队系统模型模拟快充站待充电车辆到达过程和服务时长，在不超过最大允许等待时间的情况下设 置最为经济的快充站设备数量。

在本实施例中，下面分别对源、网、荷各层及运行模拟层进行建模，包括以下步骤：

步骤S31：源层规划中以DG运营商的全周期收益最大化为优化目标：

式中，

为DG运营商卖电收益，

为新能源发电政府补贴，

为储能套利收益，

为设备投资费用，

为DG运行费用；

DG独立运营商应在电网安全的前提下追求自身最大化，源层应满足投资和运行两大方面的约束；其中投资约束包括DG投 资数量约束、储能投资数量约束，分别如下所示：

式中，

分别表示节点k的风电、光伏、储能设备配置数量，Ω_WG、Ω_WG、Ω_DG表示风电、 光伏以及所有DG备选节点的集合；

运行约束包括储能充放电约束、荷电状态约束、配电网功率平衡约束、节点电压安全约束与线路功率约束，分别如下所示：

SOC_min≤SOC(t)≤SOC_max (A15)

U_min≤U≤U_max (A17)

P_ij≤P_max (A18)

式中，P^ESS,c(t)和P^ESS,dis(t)分别表示t时刻的充电功率和放电功率，P_max和P_min分别表示充放电功率的最大值和 最小值，SOC(t)表示t时刻剩余电量水平，SOC_max和SOC_min分别表示最大和最小的剩余电量容许水平，P_i为节点i有 功注入功率，Q_i为节点i无功注入功率，j∈i为所有与节点i直接相连的节点集合，U_i为节点i的电压幅值，G_ij为节点 导纳矩阵的实部，B_ij为节点导纳矩阵的虚部，θ_ij为节点i与节点j的电压相角差，U_min表示电压安全下限，U_max表示电 压安全上限，P_max表示线路功率上限，P_ij表示线路ij功率；

步骤S32：网层规划中以配电网运营商的全周期费用最低为优化目标：

式中，

为线路升级和新建费用，

为快充站投资费用，

为购电费用，

为网损费用，

为负荷侧调 控费用，

为交通流量经济效益值；网层需满足的约束条件包括线路升级选型约束、电动汽车用户最大充电等待时间约束、 线路功率约束等，分别如下所示：

max{W_t,k}≤W_maxt∈Ω_CF (A21)

式中，x_{l_up,i}是线路升级选型的指示变量；Ω_{l_up0}代表不升级的线路集合；Ω_{l_up1}代表升级为线型1的线路集合； Ω_{l_up2}代表升级为线型2的线路集合，W_t,k表示时刻t充电站k的用户等待时间；W_max表示允许的用户最大等待时间， P_{max_l0}、P_{max_l1}、P_{max_l2}、P_{max_new}分别表示原始线路、升级线型1、升级线型2、新建线路的允许功率上限；

除上述约束外，网层规划还需满足网络辐射状和连通性约束，基于最小生成树算法生成无向图，再根据Kruscal算法生成有 向图，以此选取网络拓扑，保证目标网络呈辐射状，求取已生成的辐射状网络的邻接矩阵和可达性矩阵判断连通性，以此为网 架的连通性约束；此外，还需满足源层规划中所提到的配电网功率平衡约束(A16)，以及运行安全约束(A17)与(A18)；

步骤S33：荷层规划中以参与DSR用户用电满意度最大为目标函数：

maxC^H＝λ₁θ+λ₂ε (A23)

式中，C^H为用户综合满意度，θ为用电成本满意度，ε为用电方式满意度，λ₁、λ₂分别为用电成本满意度和用电 方式满意度的权值，λ₁和λ₂的取值决定了用户对两种满意度的重视程度，可以根据市场调研结果对二者进行主观赋值，且 λ₁+λ₁＝1；

用户用电成本满意度和用电方式满意度分别如下所示：

式中，C_DSR、C₀分别表示实行DSR前后的用户的用电成本，Q₀、Q_DSR分别表示参与DSR前后的负荷总电量；荷 层规划的约束条件除上述源层、网层规划中所提到的功率平衡约束、运行安全约束、配电网连通性和辐射状约束外，还包括TOU 负荷移入转出电量平衡、可中断负荷切除比例上下限约束，分别如下所示：

式中，P_s,t为实施TOU前第s季度第t时段的用电量；P_TLO,s,tP_TLI,s,t分别为实施TOU后第s季度第t时段转出负 荷值与转入负荷值；

分别为实行TOU后第s季度第t时段转出负荷比例的下限与上限；

分别为实行TOU后第s季度第t时段转入负荷比例的下限与上限；

分别表示第s季度第t时段第n 个节点负荷的切除上限与下限；

步骤S34：下层为运行模拟层，采用的主动管理措施包括DG出力削减和变压器分接头调节；下层以最小化DG弃风弃光量 为运行优化目标：

式中，

表示DG的削减总量；

分别表示t时刻第k台风电、光伏设备的有功功率削减量；下 层的约束条件包括DG出力削减量约束和变压器分接头调节范围约束：

式中，σ_DG表示允许的最大DG削减量，T_k表示变压器分接头位置，

和

分别表示变压器分接头调节范围的 下限和上限。

在本实施例中，所述步骤S4的具体内容为：

在上层规划层中，源网荷各层的决策内容均相互影响与制约，在每一轮的循环优化中，将步骤S31中所得到的源层在当前 拓扑与负荷情况下的分布式电源与储能优化结果

传递至另外两层，再由网层结合源层信息与当前负荷 情况进行线路与充电站的决策，并传递至荷层，最后根据步骤S33，在荷层中结合源、网层结果进行优化即采用步骤S33中所属 荷层的优化模型进行优化，将用户用电情况传递至下一次循环中；在上下层的信息传递中采用多场景技术和机会约束规划方法， 将上层不满足约束的场景进入下层并采取主动管理措施，再将优化后的场景传递回上层规划模型中。其中，在上下层的信息传 递中采用多场景技术和机会约束规划方法，将上层不满足约束的场景进入下层并采取主动管理措施，再将优化后的场景传递回 上层规划模型中；即预先设定一个合理的置信度(如80％)；通过模拟对多场景的运行模拟，求得满足约束的场景概率，判断当该 概率大于置信度时，此规划方案才可被采用，否则舍弃此规划方案，可以保证一定程度上的结果可靠又不至于过于严苛，并且 避免了小概率事件对决策方案的负面影响。

在本实施例中，步骤S5中所述的协调规划模型的具体求解流程如下：

步骤S51：数据初始化：输入规划用配电网原始数据，设置改进PSO算法所需的当前迭代次数、最大迭代次数、种群大小、 学习因子的初值与终值和惯性权重的初值与终值；

步骤S52：种群初始化：随机生成关于源、网、荷层的各种决策信息的初始种群，具体包含风电、光伏、储能及充电站建设 信息和线路升级、新建信息、需求响应负荷削减比例信息，将线路升级、新建变量作为离散型变量，其余变量作为连续型变量， 进行混合编码，随机生成初始种群；

步骤S53：采用基于Kruskal思想的最小算法，获得初始辐射状网络拓扑结构；

步骤S54：利用Matpower进行潮流计算，检验是否满足机会约束条件，约束条件包括(A16)(A17)(A18)所述的功率平衡约束、 电压约束、线路功率约束，若满足则进行下一步；反之则启动下层结构；

步骤S55：计算适应度值，即计算源、网、荷层荷下层的目标函数值，即式(A11)、(A19)、(A23)和(A29)；对不满足约束条 件的场景将适应度设为无穷大，用以在迭代中淘汰该个体；

步骤S56：选取个体最优解和种群最优解：

步骤S57：迭代，更新粒子的位置和速度，从而得到更新后的代表决策信息的粒子，并根据下式更新学习因子与惯性权重：

式中，ω_i和ω_f分别为惯性权重ω的初值与终值；c_1i和c_1f、c_2i和c_2f分别为学习因子c₁、c₂的初值与终值；M_k和 M_max分别为当前迭代次数与最大迭代次数；

步骤S58：修订线路参数，重新计算支路权值，求得新的网络结构，然后再通过MATPOWER工具重新计算潮流,即(A16)-(A18)， 判断是否满足机会约束条件，不满足则启动下层模型,即(A29)-(A31)；计算适应度，更新个体最优解和种群最优解；

步骤S59：判断迭代是否终止，终止则输出最优方案并结束，否则重复步骤S56到步骤S58直到迭代终止。

较佳的，在本实施例中，风力发电机输出功率与风速的关系可用如下所示的分段函数表示：

式中，V_ci、V_r和V_co分别为WTG的切入风速、额定风速和切出风速；P_r2为WTG的额定输出功率。

光伏发电机的输出功率与光照强度的关系可用下式表示：

式中，P_r1为PVG的额定输出功率，I_r为额定光照强度。

风力发电和光伏发电的出力大小主要由地理位置及气候环境决定，其出力大小具有明显的时序特性，采用不同季节的时序 特性来描述DG出力。根据气象资料得到不同季节风速曲线和光照强度曲线，并以此为输入，根据式(A1)和(A2)得出风电、光伏 出力的时序曲线。

从剩余电量水平和充放电功率建立储能装置的充放电模型，如下所示：

式中，SOC(t)表示t时刻BESS的剩余电量水平，ε表示BESS剩余电量每小时的损失率，简称自放电率，单位为％/h， P^BESS,c、P^BESS,dis(t)分别表示BESS充、放电功率大小，α、β分别表示BESS的充、放电效率，E_e为BESS的容量，Δt 为采样间隔。

以节点i在时刻的负荷值P_Li(t)与DG出力值P_DGi(t)之差作为等效负荷，

基于已建立的储能装置模型，从平抑等效负荷波动的角度制定储能装置的充放电策略如下。首先定义等效负荷P_eqi(t)与 平均等效负荷P_avi：

P_eqi(t)＝P_Li(t)-P_DGi(t) (4)

式中，P_Li(t)和P_DGi(t)分别为节点i在时刻的负荷值和DG出力值。

设ΔP₁为充电功率，当P_eqi(t)+ΔP₁＜＜P_avi时电池充电；当|P_eqi(t)+ΔP₁-P_avi|≤δP_avi时蓄电池充电， 式中，δ为等效负荷下平均值附近的波动系数。

设ΔP₂为放电功率，当P_eqi(t)-ΔP₂＞＞P_avi时电池放电；当|P_eqi(t)-ΔP₂-P_avi|≤δP_avi时电池放电。

接下来以电动汽车充电站作为枢纽将配电网与交通网相耦合，考虑电动汽车交通网络流量分布。设定电动汽车用户总是选 择最短路径作为出行方案，采用Floyd最短路径算法求取其储行方案，利用重力空间互动模型计算出全系统快充站每年截获的交 通流量需求：

式中，

为最短路径k于时段t的单向交通流量需求的标幺值；w_o和w_d分别为路径k的起点o和终点d的权重， 用以表示各交通节点的繁忙程度；d_k为路径k长度的标幺值；s_t和s_h分别为电动汽车用户于时段t和高峰时段的出行比例； Ω_od为利用最短路径模型求出的系统所有节点两两相连的最短路径集合；

为单元i处快充站于时段t截获的交通流量；

为表示路径k是否经过单元i的二值变量；

为单元i处是否建设快充站的二值变量；

为交通网道路集合；F_qc为交通流量经济效益值；ω_f为所截获交通流量的经济效益折算系数。

待充电车辆的平均到达率为快充总频次需求针对时间和节点的按比例分配

式中，λ_i,t和λ_i,h分别为单元i处快充站于时段t和交通高峰时段待充电车辆的平均到达率，即电动汽车用户到达平均时 间间隔的倒数；C^qc为系统的快速充电总频次需求。

而各时段的快充站充电功率由其充电时间比例决定：

式中，

为单元i处快充站于时段t的充电功率；p_qc为单台快充设备的充电功率；μ为单台快充设备的平均服务率， 即快速充电的平均时间的倒数。

利用排队论中的M/M/S排队系统模型模拟快充站待充电车辆到达过程和服务时长，在不超过最大允许等待时间的情况下设 置最为经济的快充站设备数量。

下面分别对源、网、荷各层及运行模拟层进行建模。

源层规划中以DG运营商的全周期收益最大化为优化目标：

(1)DG运营商卖电收益

(2)新能源发电的政府补贴

(3)储能低储高发套利收益

(4)设备投资费用

(5)DG运行费用

式中，C^Y为DG运营商收益的年综合值；Ω_WG、Ω_PV分别表示允许安装风电和光伏的节点集合；Ω_DG表示DG安装 位置的总集合，即Ω_DG＝Ω_WG∪Ω_PV；Ω_t为场景集合；

表示DG单位发电量收益；

表示DG单位发电量政 府补贴收益；

表示DG发出单位电量的运行费用；β为等年值系数；r为贴现率；T为设备使用寿命；

分别表示风电、光伏、储能设备的投资费用；

分别表示单台风电、光伏、储能设备的投资费用；

分别表示节点k的风电、光伏、储能设备配置数量；

表示t时刻在k节点的DG总出力量；N_s表示总场景数；

和

分别为t时刻光伏和风机节点i处BESS的充放电功率，c_z,rt为t时刻的分时电价，

为t时刻光伏节点i处BESS的充放电状态，

表示BESS处于充电状态，

表示BESS处 于放电状态，

为t时刻风机节点i处BESS的充放电状态，其含义与

相同。

DG独立运营商应在电网安全的前提下追求自身最大化，源层应满足投资和运行两大方面的约束。其中投资约束包括DG投 资数量约束、储能投资数量约束，分别如下所示：

式中，

分别表示节点k的风电、光伏、储能设备配置数量，Ω_WG、Ω_WG、Ω_DG表示风电、 光伏以及所有DG备选节点的集合。

运行约束包括储能充放电约束、荷电状态约束、配电网功率平衡约束、节点电压安全约束与线路功率约束，分别如下所示：

SOC_min≤SOC(t)≤SOC_max (22)

U_min≤U≤U_max (24)

P_ij≤P_max (25)

式中，P^ESS,c(t)和P^ESS,dis(t)分别表示t时刻的充电功率和放电功率，P_max和P_min分别表示充放电功率的最大值和 最小值，SOC(t)表示t时刻剩余电量水平，SOC_max和SOC_min分别表示最大和最小的剩余电量容许水平，P_i为节点i有 功注入功率，Q_i为节点i无功注入功率，j∈i为所有与节点i直接相连的节点集合，U_i为节点i的电压幅值，G_ij为节点 导纳矩阵的实部，B_ij为节点导纳矩阵的虚部，θ_ij为节点i与节点j的电压相角差，U_min表示电压安全下限，U_max表示电 压安全上限，P_max表示线路功率上限，P_ij表示线路ij功率。

网层规划中以配电网运营商的全周期费用最低为优化目标：

(1)线路升级和新建费用

式中，

表示线路的升级费用；

表示新建线路的建设费用；

表示线路投资的等年值系数；

表示 线型v的单位长度升级费用；C^l_new表示单位长度线路的新建费用；l_k表示第k条支路的长度；Ω_{l_up}表示升级线路的集 合；Ω_{l_new}表示新建线路的集合。

(2)快充站投资费用

式中，

表示快充站投资的等年值系数；

表示单台快充设备的费用；

表示充电站建站的0-1变量，1代表建 站，0代表不建站；

表示第k个快充站配置的快充设备数量；Ω_CF表示快充站候选节点集合。

(3)购电费用

式中，

表示向DG独立运营商购电的费用；

表示向上级电网购电的费用；C_e表示单位电量的购电费 用；Ω_bus表示配电网节点集合。

(4)网损费用

式中，ΔP_k,t表示t时刻第k条支路的有功功率损耗；Ω_line表示配电网线路集合。

(5)负荷侧调控费用

式中，C_{DR_s}表示实行需求侧响应(demand side response，DSR)减少的卖电费用；C_{DR_b}表示可中断负荷的补偿费用；

表示未实施DSR的卖电费用；

表示实施DSR后的卖电费用；C_b表示中断单位电量的补偿费用；

表示t 时刻k节点的中断负荷功率。

(6)交通流量经济效益值

式中，

为最短路径k于时段t的单向交通流量需求的标幺值；w_o和w_d分别为路径k的起点o和终点d的权重， 用以表示各交通节点的繁忙程度；d_k为路径k长度的标幺值；s_t和s_h分别为电动汽车用户于时段t和高峰时段的出行比例； Ω_od为利用最短路径模型求出的系统所有节点两两相连的最短路径集合；

为单元i处快充站于时段t截获的交通流量；

为表示路径k是否经过单元i的二值变量；

为单元i处是否建设快充站的二值变量；

为交通网道路集合；F_qc为交通流量经济效益值；ω_f为所截获交通流量的经济效益折算系数。

网层需满足的约束条件包括线路升级选型约束、电动汽车用户最大充电等待时间约束、线路功率约束等，分别如下所示：

max{W_t,k}≤W_maxt∈Ω_CF (42)

式中，x_{l_up,i}是线路升级选型的指示变量；Ω_{l_up0}代表不升级的线路集合；Ω_{l_up1}代表升级为线型1的线路集合； Ω_{l_up2}代表升级为线型2的线路集合，W_t,k表示时刻t充电站k的用户等待时间；W_max表示允许的用户最大等待时间， P_{max_l0}、P_{max_l1}、P_{max_l2}、P_{max_new}分别表示原始线路、升级线型1、升级线型2、新建线路的允许功率上限。

除上述约束外，网层规划还需满足网络辐射状和连通性约束，基于最小生成树算法生成无向图，再根据Kruscal算法生成有 向图，以此选取网络拓扑，保证目标网络呈辐射状，求取已生成的辐射状网络的邻接矩阵和可达性矩阵判断连通性，以此为网 架的连通性约束。此外，还需满足源层规划中所提到的配电网功率平衡约束和运行安全约束。

步骤S33：荷层规划中以参与DSR用户用电满意度最大为目标函数：

maxC^H＝λ₁θ+λ₂ε (44)

式中，C^H为用户综合满意度，θ为用电成本满意度，ε为用电方式满意度，λ₁、λ₂分别为用电成本满意度和用电 方式满意度的权值，λ₁和λ₂的取值决定了用户对两种满意度的重视程度，可以根据市场调研结果对二者进行主观赋值，且 λ₁+λ₁＝1。

用户用电成本满意度和用电方式满意度分别如下所示：

(1)用电成本满意度：

用电成本满意度是衡量DSR项目实行前后用户用电成本的变化量的指标。它从用户的利益角度出发，用来表示用户电费支 出的变化程度。

式中，θ为用电成本满意度；C_DSR，C₀分别表示实行DSR前后的用户的用电成本。

因此，用户用电成本满意度可通过下式表示：

式中，C_c为所有场景下可中断负荷节点的调节补偿费用总和；C_b为所有场景下可中断负荷节点的节约的购电成本总和； m_c为单位电量的补偿价；α_n,s,t表示第s季度第t时段下可中断负荷的中断比例；P_L,n,s,t表示需求响应前第s季度，第t 时段下第n个节点的负荷值；P_t为t时段的电价；N为参与可中断负荷响应项目的总节点数。

(2)用电方式满意度

在实行DSR策略后，负荷端会对DSR信号做出响应，具体表示为重排用电方式，形成新的用电负荷曲线。用电方式满意 度用以衡量在响应DSR项目后新负荷曲线相对于原负荷曲线的变化程度，如下式所示：

式中，ε为用电方式满意度，ε越接近1，则用户用电方式的改变越少，用电方式满意度越高。Q₀、Q_DSR分别表示 参与DSR前后的负荷总电量。

因此，可得用户用电方式满意度表达式如下：

式中，P_L,n,s,t表示实行DSR前第s季度第t时段下第n个节点原本用电量。

荷层规划的约束条件除上述源层、网层规划中所提到的功率平衡约束、运行安全约束、配电网连通性和辐射状约束外，还 包括TOU负荷移入转出电量平衡、可中断负荷切除比例上下限约束，分别如下所示：

式中，P_s,t为实施TOU前第s季度第t时段的用电量；P_TLO,s,tP_TLI,s,t分别为实施TOU后第s季度第t时段转出负 荷值与转入负荷值；

分别为实行TOU后第s季度第t时段转出负荷比例的下限与上限；

分别为实行TOU后第s季度第t时段转入负荷比例的下限与上限；

分别表示第s季度第t时段第n 个节点负荷的切除上限与下限。

步骤S34：下层为运行模拟层，采用的主动管理措施包括DG出力削减和变压器分接头调节。下层以最小化弃风弃光量为运 行优化目标：

式中，

表示DG的削减总量；

分别表示t时刻第k台风电、光伏设备的有功功率削减量。

下层的约束条件包括DG出力削减量约束和变压器分接头调节范围约束：

式中，σ_DG表示允许的最大DG削减量，T_k表示变压器分接头位置，

和

分别表示变压器分接头调节范围的 下限和上限。

在上层规划层中，源网荷各层的决策内容均相互影响与制约，在每一轮的循环优化中，将源层在当前拓扑与负荷情况下的 DG与储能选址定容结果传递至另外两层，再由网层结合源层信息与当前负荷情况进行线路与充电站的决策，并传递至荷层，最 后由荷层结合源、网层结果进行优化，将用户用电情况传递至下一次循环中。

在上下层的信息传递中采用多场景技术和机会约束规划方法(即预先设定一个合理的置信度(如80％)；通过模拟对多场景的 运行模拟，求得满足约束的场景概率，判断当该概率大于置信度时，此规划方案才可被采用，否则舍弃此规划方案，可以保证 一定程度上的结果可靠又不至于过于严苛，并且避免了小概率事件对决策方案的负面影响)，将上层不满足约束的场景进入下层 主动管理模型，再将优化后的场景传递回上层规划模型中。

协调规划模型的具体求解流程如下：

1)数据初始化。输入规划用配电网原始数据，设置改进PSO算法所需的当前迭代次数、最大迭代次数、种群大小、学习因 子的初值与终值、惯性权重的初值与终值。

2)种群初始化。随机生成关于源、网、荷层的各种决策信息的初始种群，具体包含风电、光伏、储能及充电站建设信息和 线路升级、新建信息、需求响应负荷削减比例信息，将线路升级、新建变量作为离散型变量，其余变量作为连续型变量，进行 混合编码，随机生成初始种群。

3)采用基于Kruskal思想的最小算法，获得初始辐射状网络拓扑结构。

4)利用Matpower进行潮流计算，检验是否满足机会约束条件，约束条件包括(23)(24)(25)所述的功率平衡约束、电压约 束、线路功率约束，若满足则进行下一步；反之则启动下层结构。

5)计算适应度值，即计算源、网、荷层荷下层的目标函数值，即式(11)、(26)、(44)和(54)；对不满足约束条件的场景将 适应度设为无穷大，用以在迭代中淘汰该个体。

6)选取个体最优解和种群最优解。

7)迭代，更新粒子的位置和速度，从而得到更新后的代表决策信息的粒子，并根据下式更新学习因子与惯性权重：

式中，ω_i和ω_f分别为惯性权重ω的初值与终值；c_1i和c_1f、c_2i和c_2f分别为学习因子c₁ c₂的初 值与终值；M_k和M_max分别为当前迭代次数与最大迭代次数。

8)修订线路参数，重新计算支路权值，求得新的网络结构，然后再重新计算潮流，判断是否满足机会约束条件，不满足则 启动下层模型。计算适应度，更新个体最优解和种群最优解。

9)判断迭代是否终止，终止则输出最优方案并结束，否则重复6)到8)直到迭代终止。下面通过具体算例进行说明：

本发明仿真系统采用改进的33节点系统，系统的拓扑图如附图3所示。

如附图3所示的改进33节点系统，该算例含33个原始节点，为节点1～33，6个新增负荷节点，为节点36～39；含37条原 始支路，为支路(1)～(37)，24条待新建支路，为支路(38)～(61)。考虑接入的DG类型为风力发电机与光伏发电机，单台容量均 为0.1MW，其允许的最大渗透率是50％。风力发电机和光伏发电机的备选节点分别为3、6、16、27和8、10、28、30，安装台 数的上限分别为20、20、30、20、20、20、20、20。储能装置的备选节点与DG备选节点一致。本算例中，设节点4、7、10、 13、16、19、22、25、28、31、34、37为居民负荷节点；节点2、5、8、11、14、17、20、23、26、29、32、35、38为商业负 荷节点；节点3、6、9、12、15、18、21、24、27、30、33、36、39为工业负荷节点。对商业、工业负荷实行基于分时电价的 需求侧响应策略，对居民和商业负荷实行激励型需求响应策略，即可中断负荷。设线路运维率和贴现率分别为3％和0.1，线路 固定投资回收期为20年，DG和BESS的固定投资回收期为10年。线路、DG和BESS的相关参数分别如表1、表2、表3所示。

表1线路参数

表2 DG参数

表3 BESS参数

将系统中的原始节点1～33作为电动汽车快充站的备选节点，根据地理信息模拟出电动汽车交通网络图，并将其与电力线相 耦合，所得拓扑图如图4所示。图4中，括号中数字表示节点间的距离。本算例中充电站所用的变压器效率与充电机效率分别 为95％、90％，并设单台充电设备充电功率为60kW，每辆电动汽车每次充电量为30kWh，电动汽车充电站选址数量上限为8 个。节点车流量权重、电动汽车各时段出行比例、区域电动汽车相关信息分别如表4、表5、表6所示。

表4节点车流量权重

表5电动汽车各时段出行比例

表6区域电动汽车相关信息

改进PSO算法参数设置为：最大循环次数50次，源层、网层迭代次数均为20次，种群大小均为100个，网层迭代次数为 15次，种群大小为80个。惯性权重的初始值和终值分别为0.8和0.4，设其中一个学习因子的初始值和终值分别为2.5和0.5， 另一个学习因子的初始值和终值分别为0.5和2.5。

通过对模型的求解仿真，得到源层的收益为-443.6460万元，即经济成本为443.6460万元；网层经济成本为3174.9942万元； 荷层用电用户的满意度指标为0.9641。

表4源层规划结果

表5网层网架规划结果

表6网层电动汽车充电站规划结果

从充电站规划结果可看出，将电动汽车充电站所捕获的交通流量折算为经济效益值后，充电站选址结果中包括了节点车流 量权重较大的点，如节点3、5、20、27，其中从交通网络布局看，节点20位于多条道路交叉的核心位置，从而在配网的充电站 规划过程中达到截取较多交通网络流量的目的，满足交通网络中电动汽车用户的充电需求。同时，结合源层规划结果可看出， 有部分电动汽车充电站的选址与DG选址一致，即节点3与节点27。以节点3为例，其电动汽车充电负荷与DG出力时序曲线 如图5所示。由图中可看出，节点3的电动汽车充电负荷可消纳部分的DG出力，充电站选址与DG选址相协调有利于实现可 再生能源的就地消纳，提高可再生能源利用率，减少弃风弃光现象。

在荷层的规划结果中，多次迭代过程中用户满意度结果均在0.96附近波动，图6至图8分别为商业负荷、居民负荷、工业 负荷用户实施DSR前后的对比负荷曲线对比图，所采取的价格型与激励型相结合的需求侧响应策略可在保证用电用户满意度情 况下实现较好的削峰填谷效果。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法，其特征在于：包括以下步骤：

步骤S1：针对智能配电网中的包括低碳电源、电动汽车充电设施和储能的新型元素，采用时序法建立分布式电源出力时序模型，从剩余电量水平和充放电功率建立储能装置充放电模型，并基于负荷和分布式电源的时序特性，制定储能充放电策略用以减小等效负荷波动；

步骤S2：以电动汽车充电站作为枢纽将配电网与交通网相耦合，考虑电动汽车交通网络流量分布，将充电站截获的交通流量折算为交通经济效益并算入配电网规划的经济成本中，并基于M/M/S排队模型与用户充电等待时间确定充电站配置容量；

步骤S3：将主动配电网的规划与运行相结合，以规划层作为上层、运行模拟层作为下层，构建双层规划模型；其中，将上层划分为源层、网层与荷层，以各层主体的经济效益最优为目标，分别对DG与储能装置的选址定容、网架新建升级情况与电动汽车充电站选址定容、参与需求侧响应用户用电情况进行决策，在下层中采取包括DG出力削减和有载调压变压器分接头调节的主动管理措施，以分布式电源弃风弃光量最小为目标进行优化；

步骤S4：在步骤S3所建立的双层规划模型基础上，实现源网荷三层间的信息传递及规划层与运行模拟层的信息传递，构建协调规划模型；

步骤S5：采用改进的粒子群算法对步骤S4所述的协调规划模型进行求解：在标准粒子群算法的基础上，联合运用连续型变量和离散型变量的形式对种群进行混合编码，在迭代过程中通过比较适应度函数值的优劣选取个体极值和群体极值，并采用异步时变的学习因子、非线性动态惯性权重相结合的方法，用以克服标准粒子群算法容易陷入局部解的问题。

2.根据权利要求1所述的一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法，其特征在于：所述步骤S1具体包括以下步骤：

步骤S11：风力发电机输出功率与风速的关系用如下所示的分段函数表示：

式中，V_ci、V_r和V_co分别为WTG的切入风速、额定风速和切出风速；P_r2为WTG的额定输出功率；

光伏发电机的输出功率与光照强度的关系用下式表示：

式中，P_r1为PVG的额定输出功率，I_r为额定光照强度；

风力发电和光伏发电的出力大小由地理位置及气候环境决定，其出力大小具有明显的时序特性，采用不同季节的时序特性来描述DG出力；根据气象资料得到不同季节风速曲线和光照强度曲线，并以此为输入，根据式(A1)和(A2)得出风电、光伏出力的时序曲线即为分布式电源出力时序模型；

步骤S12：从剩余电量水平和充放电功率建立储能装置的充放电模型，如下所示：

式中，SOC(t)表示t时刻BESS的剩余电量水平，ε表示BESS剩余电量每小时的损失率，简称自放电率，单位为％/h，P^BESS,c、P^BESS,dis(t)分别表示BESS充、放电功率大小，α、β分别表示BESS的充、放电效率，E_e为BESS的容量，Δt为采样间隔；以节点i在时刻的负荷值P_Li(t)与DG出力值P_DGi(t)之差作为等效负荷，

基于已建立的储能装置模型，从平抑等效负荷波动的角度制定储能装置的充放电策略如下：

首先，定义等效负荷P_eqi(t)与平均等效负荷P_avi：

P_eqi(t)＝P_Li(t)-P_DGi(t) (A4)

式中，P_Li(t)和P_DGi(t)分别为节点i在时刻的负荷值和DG出力值；

设ΔP₁为充电功率，当P_eqi(t)+ΔP₁＜＜P_avi时电池充电；当|P_eqi(t)+ΔP₁-P_avi|≤δP_avi时蓄电池充电，式中，δ为等效负荷下平均值附近的波动系数；设ΔP₂为放电功率，当P_eqi(t)-ΔP₂＞＞P_avi时电池放电；当|P_eqi(t)-ΔP₂-P_avi|≤δP_avi时电池放电。

3.根据权利要求1所述的一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法，其特征在于：所述步骤S2的具体内容为：

设定电动汽车用户总是选择最短路径作为出行方案，采用Floyd最短路径算法求取其出行方案，利用重力空间互动模型计算出待规划区域内快充站每年截获的交通流量需求：

式中，

为最短路径k于时段t的单向交通流量需求的标幺值；w_o和w_d分别为路径k的起点o和终点d的权重，用以表示各交通节点的繁忙程度；d_k为路径k长度的标幺值；s_t和s_h分别为电动汽车用户于时段t和高峰时段的出行比例；Ω_od为利用最短路径模型求出的系统所有节点两两相连的最短路径集合；

为单元i处快充站于时段t截获的交通流量；

为表示路径k是否经过单元i的二值变量；

为单元i处是否建设快充站的二值变量；

为交通网道路集合；F_qc为交通流量经济效益值；ω_f为所截获交通流量的经济效益折算系数；

待充电车辆的平均到达率为快充总频次需求针对时间和节点的按比例分配

式中，λ_i,t和λ_i,h分别为单元i处快充站于时段t和交通高峰时段待充电车辆的平均到达率，即电动汽车用户到达平均时间间隔的倒数；C^qc为系统的快速充电总频次需求；

而各时段的快充站充电功率由其充电时间比例决定：

式中，

为单元i处快充站于时段t的充电功率；p_qc为单台快充设备的充电功率；μ为单台快充设备的平均服务率，即快速充电的平均时间的倒数；

利用排队论中的M/M/S排队系统模型模拟快充站待充电车辆到达过程和服务时长，在不超过最大允许等待时间的情况下设置最为经济的快充站设备数量。

4.根据权利要求1所述的一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法，其特征在于：所述步骤S3的具体包括以下步骤：

步骤S31：源层规划中以DG运营商的全周期收益最大化为优化目标：

式中，

为DG运营商卖电收益，

为新能源发电政府补贴，

为储能套利收益，

为设备投资费用，

为DG运行费用；

DG独立运营商应在电网安全的前提下追求自身最大化，源层应满足投资和运行两大方面的约束；其中投资约束包括DG投资数量约束、储能投资数量约束，分别如下所示：

式中，

分别表示节点k的风电、光伏、储能设备配置数量，Ω_WG、Ω_WG、Ω_DG表示风电、光伏以及所有DG备选节点的集合；

运行约束包括储能充放电约束、荷电状态约束、配电网功率平衡约束、节点电压安全约束与线路功率约束，分别如下所示：

SOC_min≤SOC(t)≤SOC_max (A15)

U_min≤U≤U_max (A17)

P_ij≤P_max (A18)

式中，P^ESS,c(t)和P^ESS,dis(t)分别表示t时刻的充电功率和放电功率，P_max和P_min分别表示充放电功率的最大值和最小值，SOC(t)表示t时刻剩余电量水平，SOC_max和SOC_min分别表示最大和最小的剩余电量容许水平，P_i为节点i有功注入功率，Q_i为节点i无功注入功率，j∈i为所有与节点i直接相连的节点集合，U_i为节点i的电压幅值，G_ij为节点导纳矩阵的实部，B_ij为节点导纳矩阵的虚部，θ_ij为节点i与节点j的电压相角差，U_min表示电压安全下限，U_max表示电压安全上限，P_max表示线路功率上限，P_ij表示线路ij功率；

步骤S32：网层规划中以配电网运营商的全周期费用最低为优化目标：

式中，

为线路升级和新建费用，

为快充站投资费用，

为购电费用，

为网损费用，

为负荷侧调控费用，

为交通流量经济效益值；网层需满足的约束条件包括线路升级选型约束、电动汽车用户最大充电等待时间约束、线路功率约束等，分别如下所示：

max{W_t,k}≤W_max t∈Ω_CF (A21)

式中，x_{l_up,i}是线路升级选型的指示变量；Ω_{l_up0}代表不升级的线路集合；Ω_{l_up1}代表升级为线型1的线路集合；Ω_{l_up2}代表升级为线型2的线路集合，W_t,k表示时刻t充电站k的用户等待时间；W_max表示允许的用户最大等待时间，P_{max_l0}、P_{max_l1}、P_{max_l2}、P_{max_new}分别表示原始线路、升级线型1、升级线型2、新建线路的允许功率上限；

除上述约束外，网层规划还需满足网络辐射状和连通性约束，基于最小生成树算法生成无向图，再根据Kruscal算法生成有向图，以此选取网络拓扑，保证目标网络呈辐射状，求取已生成的辐射状网络的邻接矩阵和可达性矩阵判断连通性，以此为网架的连通性约束；此外，还需满足源层规划中所提到的配电网功率平衡约束(A16)，以及运行安全约束(A17)与(A18)；

步骤S33：荷层规划中以参与DSR用户用电满意度最大为目标函数：

maxC^H＝λ₁θ+λ₂ε (A23)

式中，C^H为用户综合满意度，θ为用电成本满意度，ε为用电方式满意度，λ₁、λ₂分别为用电成本满意度和用电方式满意度的权值，λ₁和λ₂的取值决定了用户对两种满意度的重视程度，且λ₁+λ₁＝1；

用户用电成本满意度和用电方式满意度分别如下所示：

式中，C_DSR、C₀分别表示实行DSR前后的用户的用电成本，Q₀、Q_DSR分别表示参与DSR前后的负荷总电量；荷层规划的约束条件除上述源层、网层规划中所提到的功率平衡约束、运行安全约束、配电网连通性和辐射状约束外，还包括TOU负荷移入转出电量平衡、可中断负荷切除比例上下限约束，分别如下所示：

式中，P_s,t为实施TOU前第s季度第t时段的用电量；P_TLO,s,t P_TLI,s,t分别为实施TOU后第s季度第t时段转出负荷值与转入负荷值；

分别为实行TOU后第s季度第t时段转出负荷比例的下限与上限；

分别为实行TOU后第s季度第t时段转入负荷比例的下限与上限；

分别表示第s季度第t时段第n个节点负荷的切除上限与下限；

步骤S34：下层为运行模拟层，采用的主动管理措施包括DG出力削减和变压器分接头调节；下层以最小化DG弃风弃光量为运行优化目标：

式中，

表示分布式电源的削减总量；

分别表示t时刻第k台风电、光伏设备的有功功率削减量；下层的约束条件包括DG出力削减量约束和变压器分接头调节范围约束：

式中，σ_DG表示允许的最大DG削减量，T_k表示变压器分接头位置，

和

分别表示变压器分接头调节范围的下限和上限。

5.根据权利要求4所述的一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法，其特征在于：步骤S4中所述实现源网荷三层间的信息传递及规划层与运行模拟层的信息传递的具体内容为：

在上层规划层中，源网荷各层的决策内容均相互影响与制约，在每一轮的循环优化中，将步骤S31中所得到的源层在当前拓扑与负荷情况下的分布式电源与储能优化结果

传递至另外两层，再由网层结合源层信息与当前负荷情况进行线路与充电站的决策，并传递至荷层，最后根据步骤S33，在荷层中结合源、网层结果进行优化即采用步骤S33中所属荷层的优化模型进行优化，将用户用电情况传递至下一次循环中；在上下层的信息传递中采用多场景技术和机会约束规划方法将上层不满足约束的场景进入下层并采取主动管理措施，再将优化后的场景传递回上层规划模型中。

6.根据权利要求1所述的一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法，其特征在于：步骤S5中所述的协调规划模型的具体求解流程如下：

步骤S51：数据初始化：输入规划用配电网原始数据，设置改进PSO算法所需的当前迭代次数、最大迭代次数、种群大小、学习因子的初值与终值和惯性权重的初值与终值；

步骤S52：种群初始化：随机生成关于源、网、荷层的各种决策信息的初始种群，具体包含风电、光伏、储能及充电站建设信息和线路升级、新建信息、需求响应负荷削减比例信息，将线路升级、新建变量作为离散型变量，其余变量作为连续型变量，进行混合编码，随机生成初始种群；

步骤S53：采用基于Kruskal思想的最小算法，获得初始辐射状网络拓扑结构；

步骤S54：利用Matpower进行潮流计算，检验是否满足机会约束条件，约束条件包括(A16)(A17)(A18)所述的功率平衡约束、电压约束、线路功率约束，若满足则进行下一步；反之则启动下层结构；

步骤S55：计算适应度值，即计算源、网、荷层荷下层的目标函数值，即式(A11)、(A19)、(A23)和(A29)；对不满足约束条件的场景将适应度设为无穷大，用以在迭代中淘汰该个体；

步骤S56：选取个体最优解和种群最优解：

步骤S57：迭代，更新粒子的位置和速度，从而得到更新后的代表决策信息的粒子，并根据下式更新学习因子与惯性权重：

式中，ω_i和ω_f分别为惯性权重ω的初值与终值；c_1i和c_1f、c_2i和c_2f分别为学习因子c₁、c₂的初值与终值；M_k和M_max分别为当前迭代次数与最大迭代次数；

步骤S58：修订线路参数，重新计算支路权值，求得新的网络结构，然后再通过MATPOWER工具重新计算潮流,即(A16)-(A18)，判断是否满足机会约束条件，不满足则启动下层模型,即(A29)-(A31)；计算适应度，更新个体最优解和种群最优解；

步骤S59：判断迭代是否终止，终止则输出最优方案并结束，否则重复步骤S56到步骤S58直到迭代终止。

Images