CN113765154A - 一种高弹性电网源网荷储多元协同优化控制方法 - Google Patents

Abstract

本发明公开了一种高弹性电网源网荷储多元协同优化控制方法，包括以下步骤：首先建立多元协同的优化控制模型，包括分析电网中发电侧发电设备特性，得到在典型日各电源各时段出力情况；分析需求侧响应进行特性，建立需求侧响应调度模型以实现电网供需双方的协调调度与有效互动；分析储能单元特性建立模型分析电网侧约束量；基于上述控制模型建立基于MOPSO的协同优化控制方法，建立目标函数，多目标优化模型；源网荷储协同优化调度问题通过MOPSO进行高效求解，通过设定非劣解集的更新策略，较好的保证多目标优化调度实现的可行性。本发明的优点是：以合理调度源网荷储多种资源，提高电网运行的经济性。

Description

一种高弹性电网源网荷储多元协同优化控制方法

技术领域

本发明涉及电力系统优化调度控制领域，具体涉及一种高弹性电网源网荷储多元协同优化控制方法。

背景技术

传统的电力系统运行过程中，一般将用户的用电负荷视为随机不可控的，此时的电力系统为单侧随机系统。然而随着可再生能源发电的大规模建成、投产，受到可再生能源发电的随机性、间歇性影响，由以往的单侧随机系统转变为双侧随机系统，不仅严重影响电力系统的安全稳定运行，还会降低系统的整体经济效率，解决当前电力系统的双侧随机问题，需要充分调用电力系统的各方面资源，形成一套包括电源、电网、负荷、储能等元素在内的多元协同优化控制方法是目前的研究热点。

以智能电网技术为技术支撑，在发电侧将可再生能源发电与可调控发电资源形成相对可控的机组优化组合；通过合理的电价机制、激励机制充分调用需求侧资源，结合有良好发展势头的储能技术，实现源网荷储之间的协调优化，引导用户负荷主动追踪发电出力，不仅起到削峰填谷的作用，并且可以实现系统供需双侧的协调匹配。

PSO算法是智能计算领域的一种群体智能优化算法，具有易实现、收敛速度快的优点，在电力系统中储能系统优化配置、分布式电源定容与选址、配电网重构、电网经济运行等领域应用广泛，在此基础上使用MOPSO对本问题的解决和优化控制具有重要意义，仍适用于电力系统的协同优化控制问题。

发明内容

本发明的目的在于提供一种高弹性电网源网荷储多元协同优化控制方法，以合理调度源网荷储多种资源，提高电网运行的经济性。

为了解决上述技术问题，本发明是通过以下技术方案实现的：一种高弹性电网源网荷储多元协同优化控制方法，包括以下步骤：

S11、分析电网中发电侧发电设备特性，获取可再生能源风电和光伏发电以及不可再生能源的典型发电功率特性，得到在典型日各电源各时段出力情况：

S12、分析需求侧响应进行特性，建立需求侧响应调度模型以实现电网供需双方的协调调度与有效互动；

S13、分析储能单元特性建立模型，为建立优化控制模型打下基础；

S14、分析电网侧约束量，综合考虑源网荷储之间的协调互动特性；

S15、根据S11至S14步骤建立多元协同的优化控制模型；

S20、基于S15的优化控制模型，建立基于MOPSO的协同优化控制方法，具体如下：

S21、建立目标函数，以运维成本、柔性负荷调度补偿成本和环境成本之和为综合运行成本最小作为优化目标函数之一，以购售电成本最小作为目标函数之二，多目标优化模型；

S22、源网荷储协同优化调度问题通过MOPSO进行高效求解，该方法通过各个粒子之间的信息交互，使其每一次的运动速度受到之前运动状态参数的影响，较好地协调了群体和粒子自身的关系，使粒子能够灵活地在空间中寻找解的位置，通过设定非劣解集的更新策略，较好的保证多目标优化调度实现的可行性。

优选的，所述步骤S11中需要首先对发电侧发电设备出力功率进行获取，主要包括微型燃气轮机、光伏、风机、燃料电池典型日出力功率值分别为P_MT,P_PV,P_WT,P_FC，具体形式如下：

式中，P_{MT min}、P_{MT max}分别表示微型燃气轮机出力上下限，P_{FC min}、P_{FC max}分别表示燃料电池出力上下限。

优选的，所述步骤S12需对需求侧响应进行特性分析：

需求侧响应在基于电价方面采用基于负荷预测的扩展实时电价，即在某个合理且较短周期内电价相对稳定，根据电网负荷情况动态调整电价，具体形式如下：

C_t＝h(t,η_t)

C_t(i)＝{C₁,C₂,C₃,…,C_i,…,C₂₂，C₂₃，C₂₄}

式中，η_t表示t时段的电网负荷率，C_t表示t时段的电价，C_t(i)表示一天之内精度为一小时的实时电价集合；

基于激励的需求侧响应考虑可中断负荷与可削减负荷，根据合同和用户满意度建立可中断负荷模型，具体形式如下：

式中，ΔP_CL表示计划中断量，ΔP_{CL min},ΔP_{CL max}表示可中断容量上下限，δ_t表示负荷中断信号，1表示中断负荷命令，0表示继续用电；tcut_max,toff_min表示中断最长时间，两次中断间隔最小时间，

表示最大中断次数，Ω_t表示一天内进行可中断负荷调节的时间集合；

可削减负荷模型，具体形式如下：

式中，ΔP_DL表示计划削减量，ΔP_{DL min}，ΔP_{DL max}分别表示可削减容量上下限，T为调度阶段的时段总数，x_t为负荷削减信号，1表示削减负荷命令，0表示继续用电，N_max表示T时段内最大削减次数，R_DL表示负荷允许的最大变化速率，t_on表示最小连续调用时间，t_off表示最小调用间隔时间。

优选的，所述步骤S13对储能侧进行特性分析，具体形式如下：

SOC_min≤SOC≤SOC_max

式中，SOC(t)表示t时刻的荷电状态；P_cha(t)、P_dis(t)表示t时刻的充电、放电功率；ΔT表示充放电过程的持续时间；η_in、η_out分别表示储能的充电和放电的效率，SOC_min、SOC_max分别表示储能单元的最小最大荷电状态。

优选的，所述步骤S14对电网侧约束量进行分析，对系统的潮流功率进行约束，同时主动配电网与上级电网的联络线单位时间内能承载的功率有限，需要满足其容量约束，具体形式如下：

式中，

为t时刻节点i的联络线注入有功功率和无功功率；

为分布式电源的输出有功功率和无功功率；

为有功负荷和无功负荷；θ_ij(t)为节点i、j之间的电压相角之差；V_i(t)，V_j(t)为节点i、j的电压幅值，G_ij，B_ij分别为支路电导和电纳；nbus为支路数；

P_{grid min}≤P_grid,t≤P_{grid max}

Q_{grid min}≤Q_grid,t≤Q_{grid max}

式中，P_{grid min}，P_{grid max}为上级电网联络线有功功率的最小与最大值；Q_{grid min}，Q_{grid max}为上级电网联络线无功功率的最小与最大值；

节点电压约束，具体形式如下：

V_{i min}≤V_i(t)≤V_{i max}

式中，V_i(t)表示第i个节点在t时刻的实际节点电压值，V_{i min}，V_{i max}为节点电压的上下限值。

优选的，所述步骤S21建立目标函数模型，以电网的经济最优为目标，以运维成本、柔性负荷调度补偿成本和环境成本之和为综合运行成本最小作为目标函数之一，以购售电成本最小作为目标函数之二，具体形式如下：

式中，C_a表示综合成本，C_b表示购售电成本，C_OM表示运行维护成本，C_FL表示柔性负荷调度补偿成本，C_EN表示环境成本，C_BS表示购售电成本，k₁,k₂,k₃,k₄表示成本系数，取值为1或0，取1表示存在该项成本，取0表示没有该项成本；

(1)运行维护成本，具体形式如下：

式中，k_OM,i表示第i个电源运行维护系数，P_i,t表示第i个电源在t时刻的出力功率值；

(2)柔性负荷调度补偿成本，具体形式如下：

式中，

分别表示第i个可中断和可削减用户t时刻调用功率，

分别表示电网下达中断或削减的控制命令，1表示负荷中断或削减，0表示供电恢复，

表示第i个可中断或可削减负荷的单位容量补偿费用，nCL，nDL分别表示可中断负荷和可削减负荷的数量；

(3)环境成本，具体形式如下：

式中，q_pv表示光伏第i时段发电量，γ_c表示光伏发电碳排放收益系数，C₁，C₂，C₃为治理燃煤发电产生的CO，SO₂，NO_x所需的惩罚成本，EB₁，EB₂，EB₃为燃煤发电的CO，SO₂，NO_x的排放系数；

(4)购售电成本，具体形式如下：

式中，

表示t时刻向上层电网的购电单价和售电单价，P_PC(t)表示t时刻的联络线交换功率值，Δt表示两个时间取样之间的间隔，nT表示一个调度周期的采样点数。

优选的，所述步骤S22需要建立基于MOPSO的协同控制方法，具体如下：

(1)将每个电网参与部分，即发电侧部分设备和储能设备都看作一个粒子，首先初始化粒子的位置、速度；

(2)将粒子前一时刻速度和位置代入到更新公式中用来更新下一时刻粒子的新的速度和位置；采用的位置与速度更新公式，具体形式如下：

V_i(t+1)＝w*V_i(t)+c₁*rand₁*(P_best-X_i(t))+c₂*rand₂*(G_best-X_i(t))

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，w表示惯性权重，c₁、c₂表示学习因子，rand₁、rand₂是区间在[0，1]之间的随机数，P_best表示单个粒子到目前为止发现的最佳位置，G_best表示目前为止粒子群内所有粒子所达到的最佳位置；

粒子进行速度和位置的更新时，需要对超出边界的粒子进行边界处理，将最优值限制在定义域范围内，也即需要对发电侧部分设备和储能设备进行出力值限制，边界处理方式，具体形式如下：

式中，x_min,j、x_max,j表示粒子在第j维定义的上下限；

(3)搜索每个粒子的全局最优解；

(4)评价粒子，计算粒子适应度值，每个粒子适应度值有两个，即综合运行成本和购售电成本，同时粒子必须满足约束；

(5)更新P_best和G_best，具体形式如下：

上式说明了P_best的更新策略；

G_best的更新则基于自适应网格的方法，将目标空间划分为若干个或超立方体，根据粒子的目标向量值确定每个粒子的所在网格，为每个至少包含一个粒子的网格定义适应度值，根据轮盘赌方法确定一个网格，并从中随机选择一个个体作为G_best；

(6)更新非劣解集，利用支配关系，比较判断非支配集中的个体，将不被支配或者不相关的较优粒子存入外部集；

(7)达到最大迭代次数或者精度要求时算法结束，得出优化结果。

与现有技术相比，本发明的优点是：根据本发明实施的基于MOPSO的源网荷储多元协同优化控制方法，分别对源网荷储进行特性分析，分析电网中的发电侧电源的发电特性，获取可再生能源风电和光伏以及不可再生能源的典型发电功率特性，得到在典型日各电源各时段出力情况；对需求侧响应进行分析，分为基于电价的扩展实时电价模型和基于激励的负可中断负荷与可削减负荷模型，以实现电网供需双方的协调调度与有效互动；储能侧根据储能单元特性建立模型，建立基于源网荷储多元协同的优化控制模型。基于MOPSO的协同优化控制方法需要首先建立目标函数，以运维成本、柔性负荷调度补偿成本和环境成本之和为综合运行成本最小作为优化目标函数之一，以购售电成本最小作为目标函数之二，综合考虑源网荷储之间的协调互动特性，实现综合成本最小化的目标。该方法通过各个粒子之间的信息交互，较好地协调了群体和粒子自身的关系，使粒子能够灵活地在空间中寻找解的位置，通过设定非劣解集的更新策略，较好的保证多目标优化调度实现的可行性。

附图说明

图1为源网荷储多元协同优化基本框架图；

图2为MOPSO的算法流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

参阅图1、图2为本发明一种高弹性电网源网荷储多元协同优化控制方法的实施例，一种高弹性电网源网荷储多元协同优化控制方法，包括以下步骤：

S11、分析电网中发电侧发电设备特性，获取可再生能源风电和光伏发电以及不可再生能源的典型发电功率特性，得到在典型日各电源各时段出力情况；

对发电侧发电设备出力功率进行获取，主要包括微型燃气轮机、光伏、风机、燃料电池典型日出力功率值分别为P_MT,P_PV,P_WT,P_FC，具体形式如下：

式中，P_{MT min}、P_{MT max}分别表示微型燃气轮机出力上下限，P_{FC min}、P_{FC max}分别表示燃料电池出力上下限；

S12、分析需求侧响应进行特性，建立需求侧响应调度模型以实现电网供需双方的协调调度与有效互动；

需求侧响应在基于电价方面采用基于负荷预测的扩展实时电价，即在某个合理且较短周期内电价相对稳定，根据电网负荷情况动态调整电价，具体形式如下：

C_t＝h(t,η_t)

C_t(i)＝{C₁,C₂,C₃,…,C_i,…,C₂₂，C₂₃，C₂₄}

式中，η_t表示t时段的电网负荷率，C_t表示t时段的电价，C_t(i)表示一天之内精度为一小时的实时电价集合；

基于激励的需求侧响应考虑可中断负荷与可削减负荷，根据合同和用户满意度建立可中断负荷模型，具体形式如下：

式中，ΔP_CL表示计划中断量，ΔP_{CL min},ΔP_{CL max}表示可中断容量上下限，δ_t表示负荷中断信号，1表示中断负荷命令，0表示继续用电；tcut_max,toff_min表示中断最长时间，两次中断间隔最小时间，

表示最大中断次数，Ω_t表示一天内进行可中断负荷调节的时间集合；

可削减负荷模型，具体形式如下：

式中，ΔP_DL表示计划削减量，ΔP_{DL min}，ΔP_{DL max}分别表示可削减容量上下限，T为调度阶段的时段总数，x_t为负荷削减信号，1表示削减负荷命令，0表示继续用电，N_max表示T时段内最大削减次数，R_DL表示负荷允许的最大变化速率，t_on表示最小连续调用时间，t_off表示最小调用间隔时间。

S13、分析储能单元特性建立模型，为建立优化控制模型打下基础，对储能侧进行特性分析，具体形式如下：

SOC_min≤SOC≤SOC_max

式中，SOC(t)表示t时刻的荷电状态；P_cha(t)、P_dis(t)表示t时刻的充电、放电功率；ΔT表示充放电过程的持续时间；η_in、η_out分别表示储能的充电和放电的效率，SOC_min、SOC_max分别表示储能单元的最小最大荷电状态。

S14、分析电网侧约束量，综合考虑源网荷储之间的协调互动特性，对系统的潮流功率进行约束，同时主动配电网与上级电网的联络线单位时间内能承载的功率有限，需要满足其容量约束，具体形式如下：

式中，

为t时刻节点i的联络线注入有功功率和无功功率；

为分布式电源的输出有功功率和无功功率；

为有功负荷和无功负荷；θ_ij(t)为节点i、j之间的电压相角之差；V_i(t)，V_j(t)为节点i、j的电压幅值，G_ij，B_ij分别为支路电导和电纳；nbus为支路数；

P_{grid min}≤P_grid,t≤P_{grid max}

Q_{grid min}≤Q_grid,t≤Q_{grid max}

式中，P_{grid min}，P_{grid max}为上级电网联络线有功功率的最小与最大值；Q_{grid min}，Q_{grid max}为上级电网联络线无功功率的最小与最大值；

节点电压约束，具体形式如下：

V_{i min}≤V_i(t)≤V_{i max}

式中，V_i(t)表示第i个节点在t时刻的实际节点电压值，V_{i min}，V_{i max}为节点电压的上下限值。

S15、根据S11至S14步骤建立多元协同的优化控制模型；

S20、基于S15的优化控制模型，建立基于MOPSO的协同优化控制方法，具体如下：

S21、建立目标函数，以运维成本、柔性负荷调度补偿成本和环境成本之和为综合运行成本最小作为优化目标函数之一，以购售电成本最小作为目标函数之二，多目标优化模型，具体形式如下：

式中，C_a表示综合成本，C_b表示购售电成本，C_OM表示运行维护成本，C_FL表示柔性负荷调度补偿成本，C_EN表示环境成本，C_BS表示购售电成本，k₁,k₂,k₃,k₄表示成本系数，取值为1或0，取1表示存在该项成本，取0表示没有该项成本；

(1)运行维护成本，具体形式如下：

式中，k_OM,i表示第i个电源运行维护系数，P_i,t表示第i个电源在t时刻的出力功率值；

(2)柔性负荷调度补偿成本，具体形式如下：

式中，

分别表示第i个可中断和可削减用户t时刻调用功率，

分别表示电网下达中断或削减的控制命令，1表示负荷中断或削减，0表示供电恢复，

表示第i个可中断或可削减负荷的单位容量补偿费用，nCL，nDL分别表示可中断负荷和可削减负荷的数量；

(3)环境成本，具体形式如下：

式中，q_pv表示光伏第i时段发电量，γ_c表示光伏发电碳排放收益系数，C₁，C₂，C₃为治理燃煤发电产生的CO，SO₂，NO_x所需的惩罚成本，EB₁，EB₂，EB₃为燃煤发电的CO，SO₂，NO_x的排放系数；

(4)购售电成本，具体形式如下：

式中，

表示t时刻向上层电网的购电单价和售电单价，P_PC(t)表示t时刻的联络线交换功率值，Δt表示两个时间取样之间的间隔，nT表示一个调度周期的采样点数。

S22、源网荷储协同优化调度问题通过MOPSO进行高效求解，该方法通过各个粒子之间的信息交互，使其每一次的运动速度受到之前运动状态参数的影响，较好地协调了群体和粒子自身的关系，使粒子能够灵活地在空间中寻找解的位置，通过设定非劣解集的更新策略，较好的保证多目标优化调度实现的可行性；

建立基于MOPSO的协同控制方法，具体如下：

(1)将每个电网参与部分，即发电侧部分设备和储能设备都看作一个粒子，首先初始化粒子的位置、速度；

(2)将粒子前一时刻速度和位置代入到更新公式中用来更新下一时刻粒子的新的速度和位置；采用的位置与速度更新公式，具体形式如下：

V_i(t+1)＝w*V_i(t)+c₁*rand₁*(P_best-X_i(t))+c₂*rand₂*(G_best-X_i(t))

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，w表示惯性权重，c₁、c₂表示学习因子，rand₁、rand₂是区间在[0，1]之间的随机数，P_best表示单个粒子到目前为止发现的最佳位置，G_best表示目前为止粒子群内所有粒子所达到的最佳位置；

粒子进行速度和位置的更新时，需要对超出边界的粒子进行边界处理，将最优值限制在定义域范围内，也即需要对发电侧部分设备和储能设备进行出力值限制，边界处理方式，具体形式如下：

式中，x_min,j、x_max,j表示粒子在第j维定义的上下限；

(3)搜索每个粒子的全局最优解；

(4)评价粒子，计算粒子适应度值，每个粒子适应度值有两个，即综合运行成本和购售电成本，同时粒子必须满足约束；

(5)更新P_best和G_best，具体形式如下：

上式说明了P_best的更新策略；

G_best的更新则基于自适应网格的方法，将目标空间划分为若干个或超立方体，根据粒子的目标向量值确定每个粒子的所在网格，为每个至少包含一个粒子的网格定义适应度值，根据轮盘赌方法确定一个网格，并从中随机选择一个个体作为G_best；

(6)更新非劣解集，利用支配关系，比较判断非支配集中的个体，将不被支配或者不相关的较优粒子存入外部集；

(7)达到最大迭代次数或者精度要求时算法结束，得出优化结果。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (7)

1.一种高弹性电网源网荷储多元协同优化控制方法，其特征在于：包括以下步骤：

S11、分析电网中发电侧发电设备特性，获取可再生能源风电和光伏发电以及不可再生能源的典型发电功率特性，得到在典型日各电源各时段出力情况：

S12、分析需求侧响应进行特性，建立需求侧响应调度模型以实现电网供需双方的协调调度与有效互动；

S13、分析储能单元特性建立模型，为建立优化控制模型打下基础；

S14、分析电网侧约束量，综合考虑源网荷储之间的协调互动特性；

S15、根据S11至S14步骤建立多元协同的优化控制模型；

S20、基于S15的优化控制模型，建立基于MOPSO的协同优化控制方法，具体如下：

S21、建立目标函数，以运维成本、柔性负荷调度补偿成本和环境成本之和为综合运行成本最小作为优化目标函数之一，以购售电成本最小作为目标函数之二，多目标优化模型；

S22、源网荷储协同优化调度问题通过MOPSO进行高效求解，该方法通过各个粒子之间的信息交互，使其每一次的运动速度受到之前运动状态参数的影响，较好地协调了群体和粒子自身的关系，使粒子能够灵活地在空间中寻找解的位置，通过设定非劣解集的更新策略，较好的保证多目标优化调度实现的可行性。

2.如权利要求1所述的一种高弹性电网源网荷储多元协同优化控制方法，其特征在于：所述步骤S11中需要首先对发电侧发电设备出力功率进行获取，主要包括微型燃气轮机、光伏、风机、燃料电池典型日出力功率值分别为P_MT,P_PV,P_WT,P_FC，具体形式如下：

式中，P_MTmin、P_MTmax分别表示微型燃气轮机出力上下限，P_FCmin、P_FCmax分别表示燃料电池出力上下限。

3.如权利要求1所述的一种高弹性电网源网荷储多元协同优化控制方法，其特征在于：所述步骤S12需对需求侧响应进行特性分析：

需求侧响应在基于电价方面采用基于负荷预测的扩展实时电价，即在某个合理且较短周期内电价相对稳定，根据电网负荷情况动态调整电价，具体形式如下：

C_t＝h(t,η_t)

C_t(i)＝{C₁,C₂,C₃,…,C_i,…,C₂₂，C₂₃，C₂₄}

式中，η_t表示t时段的电网负荷率，C_t表示t时段的电价，C_t(i)表示一天之内精度为一小时的实时电价集合；

基于激励的需求侧响应考虑可中断负荷与可削减负荷，根据合同和用户满意度建立可中断负荷模型，具体形式如下：

式中，ΔP_CL表示计划中断量，ΔP_CLmin,ΔP_CLmax表示可中断容量上下限，δ_t表示负荷中断信号，1表示中断负荷命令，0表示继续用电；tcut_max,toff_min表示中断最长时间，两次中断间隔最小时间，

表示最大中断次数，Ω_t表示一天内进行可中断负荷调节的时间集合；

可削减负荷模型，具体形式如下：

式中，ΔP_DL表示计划削减量，ΔP_DLmin，ΔP_DLmax分别表示可削减容量上下限，T为调度阶段的时段总数，x_t为负荷削减信号，1表示削减负荷命令，0表示继续用电，N_max表示T时段内最大削减次数，R_DL表示负荷允许的最大变化速率，t_on表示最小连续调用时间，t_off表示最小调用间隔时间。

4.如权利要求1所述的一种高弹性电网源网荷储多元协同优化控制方法，其特征在于：所述步骤S13对储能侧进行特性分析，具体形式如下：

SOC_min≤SOC≤SOC_max

式中，SOC(t)表示t时刻的荷电状态；P_cha(t)、P_dis(t)表示t时刻的充电、放电功率；ΔT表示充放电过程的持续时间；η_in、η_out分别表示储能的充电和放电的效率，SOC_min、SOC_max分别表示储能单元的最小最大荷电状态。

5.如权利要求1所述的一种高弹性电网源网荷储多元协同优化控制方法，其特征在于：所述步骤S14对电网侧约束量进行分析，对系统的潮流功率进行约束，同时主动配电网与上级电网的联络线单位时间内能承载的功率有限，需要满足其容量约束，具体形式如下：

式中，

为t时刻节点i的联络线注入有功功率和无功功率；

为分布式电源的输出有功功率和无功功率；

为有功负荷和无功负荷；

为节点i、j之间的电压相角之差；V_i(t)，V_j(t)为节点i、j的电压幅值，G_ij，B_ij分别为支路电导和电纳；nbus为支路数；

P_gridmin≤P_grid,t≤P_gridmax

Q_gridmin≤Q_grid,t≤Q_gridmax

式中，P_gridmin，P_gridmax为上级电网联络线有功功率的最小与最大值；Q_gridmin，Q_gridmax为上级电网联络线无功功率的最小与最大值；

节点电压约束，具体形式如下：

V_imin≤V_i(t)≤V_imax

式中，V_i(t)表示第i个节点在t时刻的实际节点电压值，V_imin，V_imax为节点电压的上下限值。

6.如权利要求1所述的一种高弹性电网源网荷储多元协同优化控制方法，其特征在于：所述步骤S21建立目标函数模型，以电网的经济最优为目标，以运维成本、柔性负荷调度补偿成本和环境成本之和为综合运行成本最小作为目标函数之一，以购售电成本最小作为目标函数之二，具体形式如下：

式中，C_a表示综合成本，C_b表示购售电成本，C_OM表示运行维护成本，C_FL表示柔性负荷调度补偿成本，C_EN表示环境成本，C_BS表示购售电成本，k₁,k₂,k₃,k₄表示成本系数，取值为1或0，取1表示存在该项成本，取0表示没有该项成本；

(1)运行维护成本，具体形式如下：

式中，k_OM,i表示第i个电源运行维护系数，P_i,t表示第i个电源在t时刻的出力功率值；

(2)柔性负荷调度补偿成本，具体形式如下：

式中，

分别表示第i个可中断和可削减用户t时刻调用功率，

分别表示电网下达中断或削减的控制命令，1表示负荷中断或削减，0表示供电恢复，

表示第i个可中断或可削减负荷的单位容量补偿费用，nCL，nDL分别表示可中断负荷和可削减负荷的数量；

(3)环境成本，具体形式如下：

式中，q_pv表示光伏第i时段发电量，γ_c表示光伏发电碳排放收益系数，C₁，C₂，C₃为治理燃煤发电产生的CO，SO₂，NO_x所需的惩罚成本，EB₁，EB₂，EB₃为燃煤发电的CO，SO₂，NO_x的排放系数；

(4)购售电成本，具体形式如下：

式中，

表示t时刻向上层电网的购电单价和售电单价，P_PC(t)表示t时刻的联络线交换功率值，Δt表示两个时间取样之间的间隔，nT表示一个调度周期的采样点数。

7.如权利要求1所述的一种高弹性电网源网荷储多元协同优化控制方法，其特征在于：所述步骤S22需要建立基于MOPSO的协同控制方法，具体如下：

(1)将每个电网参与部分，即发电侧部分设备和储能设备都看作一个粒子，首先初始化粒子的位置、速度；

(2)将粒子前一时刻速度和位置代入到更新公式中用来更新下一时刻粒子的新的速度和位置；采用的位置与速度更新公式，具体形式如下：

V_i(t+1)＝w*V_i(t)+c₁*rand₁*(P_best-X_i(t))+c₂*rand₂*(G_best-X_i(t))

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，w表示惯性权重，c₁、c₂表示学习因子，rand₁、rand₂是区间在[0，1]之间的随机数，P_best表示单个粒子到目前为止发现的最佳位置，G_best表示目前为止粒子群内所有粒子所达到的最佳位置；

粒子进行速度和位置的更新时，需要对超出边界的粒子进行边界处理，将最优值限制在定义域范围内，也即需要对发电侧部分设备和储能设备进行出力值限制，边界处理方式，具体形式如下：

式中，x_min,j、x_max,j表示粒子在第j维定义的上下限；

(3)搜索每个粒子的全局最优解；

(4)评价粒子，计算粒子适应度值，每个粒子适应度值有两个，即综合运行成本和购售电成本，同时粒子必须满足约束；

(5)更新P_best和G_best，具体形式如下：

上式说明了P_best的更新策略；

G_best的更新则基于自适应网格的方法，将目标空间划分为若干个或超立方体，根据粒子的目标向量值确定每个粒子的所在网格，为每个至少包含一个粒子的网格定义适应度值，根据轮盘赌方法确定一个网格，并从中随机选择一个个体作为G_best；

(6)更新非劣解集，利用支配关系，比较判断非支配集中的个体，将不被支配或者不相关的较优粒子存入外部集；

(7)达到最大迭代次数或者精度要求时算法结束，得出优化结果。

Images