CN115296347A - 基于边缘控制的农村配电网三方博弈优化调度方法及系统 - Google Patents

基于边缘控制的农村配电网三方博弈优化调度方法及系统 Download PDF

Info

Publication number
CN115296347A
CN115296347A CN202210792666.XA CN202210792666A CN115296347A CN 115296347 A CN115296347 A CN 115296347A CN 202210792666 A CN202210792666 A CN 202210792666A CN 115296347 A CN115296347 A CN 115296347A
Authority
CN
China
Prior art keywords
power
optimal
particle
objective function
party
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210792666.XA
Other languages
English (en)
Inventor
杨勇
何欣
张海龙
井天军
周治伊
张宇飞
刘文飞
张旭军
潘鹏凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
State Grid Corp of China SGCC
China Agricultural University
State Grid Gansu Electric Power Co Ltd
Original Assignee
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
State Grid Corp of China SGCC
China Agricultural University
State Grid Gansu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE, State Grid Corp of China SGCC, China Agricultural University, State Grid Gansu Electric Power Co Ltd filed Critical STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
Priority to CN202210792666.XA priority Critical patent/CN115296347A/zh
Publication of CN115296347A publication Critical patent/CN115296347A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于边缘控制的农村配电网三方博弈优化调度方法及系统，通过构建云‑边‑端协同优化调度体系，将数据采集、计算和应用功能下沉到配电网各节点，并基于改进粒子群的三方博弈求解方法，采用粒子群种群有序更新方法和归一化极值距离，可以充分体现交易过程中电网公司、分布式电源营销商和电力用户的需求，考虑各方效益或成本，得到符合三方利益的功率控制策略。本发明可有效降低传统云平台集中采集和计算的工作量，降低通信失真或延时风险，充分发挥智能服务器的本地优势。同时，提高了提高农村配电网用电、发电效率，实现了配电网的优化调度目的。

Description

基于边缘控制的农村配电网三方博弈优化调度方法及系统
技术领域
本发明属于电网优化调度技术领域，尤其是农村配电网的用能优化调度领域，具体涉及一种农村配电网三方博弈优化调度方法及系统。
背景技术
近来年，随着新能源、储能、电动汽车等新型电力能源的大规模接入薄弱的农村配电网，使农村配电网的用能场景更加复杂，降低了电能可靠性，提高了供电风险。而且，大量智能化设备的接入，使数据体量呈指数式增长，一边是TB级别的含有巨大潜力的用户数据，另一边是云数据中心的有限处置能力，对数据的采集、存储、传输和分析带来了严峻挑战。
此外，随着新能源接入比例不断提升，当前的农村配电网从能源供应上存在多能并举的格局，从电能使用上存在用户需求响应多样化，由于电网企业、电能代理或新能源供应商、终端用户所代表的利益不同，电力系统往往存在多方角逐博弈的局面。因此，亟需提供一种能够提高农村配电网用电、发电效率，改善电网电压质量，且使得多方同时满意的优化调度方案。
发明内容
根据本发明的第1方面，提供了一种农村配电网三方博弈优化调度方法，所述农村配电网采用云-边-端架构，该方法由配置在各配电网节点的边端智能服务器执行，各配电网节点下的电网公司、分布式电源经销商以及用户三方分别配置智能终端，该方法包括：
根据配电网调度要求生成包含多个目标函数的三方功率调控模型；
采用粒子群算法求解所述三方功率调控模型，得到用于表示三方功率调控策略的最优解；
基于所述最优解生成用于对三方的可控功率设备进行调控的调控指令，并将所述调控指令发送给三方的智能终端；
其中，所述目标函数包括：电网公司的最大售电收益目标函数f1、分布式电源经销商的最大发电收益目标函数f2、以及用户最小购电成本目标函数f3。
在其他的一些示例中，电网公司的最大售电收益目标函数f1的变量a1＝{Pexchange(t)}，Pexchange(t)为电网向用户售电的交换功率；分布式电源经销商的最大发电收益目标函数f2的变量a2＝{PPV(t)，PWT(t)，PBES(t)}，PPV(t)为光伏的有功功率，PWT(t)为风电的实际发电功率，PBES(t)为储能设备的充放电功率；用户最小购电成本目标函数f3的变量a3＝{PFE(t)，PTRE(t)}，PFE(t)为可投切的负荷功率，PTRE(t)为可转移的负荷功率。
在其他的一些示例中，所述采用粒子群算法求解所述三方功率调控模型，包括：
构建包含多个粒子的种群；其中，每个粒子bi包含三方变量{a1,a2,a3}，分别表示一种三方功率调控策略，其目标函数为三方博弈目标函数fall＝{f1，f2，f3}；
对所述种群进行初始化；
分别计算各粒子bi对应的三方博弈目标函数fall的函数值，并采用归一化的极值距离比选出最优粒子；
执行博弈迭代过程，直至迭代次数达到上限，输出当前的最优粒子及其对应的三方博弈目标函数值，作为用于表示三方功率调控策略的最优解；其中，所述博弈迭代过程包括：
采用前次博弈迭代比选出的最优粒子对种群中各粒子的三方变量进行动态顺次更新；
分别计算完成三方变量更新后的各粒子bi对应的三方博弈目标函数fall的函数值，并采用归一化的极值距离比选出当前的最优粒子及其对应的三方博弈目标函数值。
在其他的一些示例中，前次博弈迭代比选出的最优粒子为bi_best为{a1_best，a2_best，a3_best}，该最优粒子bi_best对应的最优极值距离为fDIS_best，则在本次博弈迭代开始时，依次执行以下步骤对各粒子的三方变量进行动态顺次更新：
(i)保持各粒子bi的变量a2、变量a3不变，对各粒子bi的变量a1进行更新，得到新的粒子bi'；
(ii)保持完成变量a1更新的各粒子bi'的变量a1、变量a3不变，对各粒子bi'的变量a2进行更新，得到新的粒子bi”；
(iii)保持完成变量a1、变量a2更新的各粒子bi”的变量a1、变量a2不变，对各粒子bi”的变量a3进行更新，得到新的粒子bi”'。
在其他的一些示例中，所述步骤(i)中，在得到新的粒子bi'后，计算该新的粒子bi'的三方博弈目标函数的函数值f'all，并采用归一化的极值距离计算出种群中新的最优极值距离f'DIS_best及其对应的新的最优粒子bi'_best，然后根据所述新的最优极值距离f'DIS_best与当前的最优极值距离之间的大小关系，确定是否对当前的最优粒子bi'_best及其最优极值距离进行更新；
所述步骤(ii)中，在得到得到新的粒子bi”后，还包括：计算该新的粒子bi”的三方博弈目标函数的函数值f”all，并采用归一化的极值距离计算出种群中新的最优极值距离f”DIS_best及其对应的新的最优粒子bi”_best，然后根据所述新的最优极值距离f”DIS_best与当前的最优极值距离之间的大小关系，确定是否对当前的最优粒子bi”_best及其最优极值距离进行更新；
所述步骤(iii)中，在得到得到新的粒子bi”'后，还包括：计算该新的粒子bi”'的三方博弈目标函数的函数值f”'all，并采用归一化的极值距离计算出种群中新的最优极值距离f”'DIS_best及其对应的新的最优粒子bi”'_best，然后根据所述新的最优极值距离f”'DIS_best与当前的最优极值距离之间的大小关系，确定是否对当前的最优粒子bi”'_best及其最优极值距离进行更新。
在其他的一些示例中，所述步骤(i)、所述步骤(ii)及所述步骤(iii)中，根据所述新的最优极值距离与当前的最优极值距离之间的大小关系，确定是否对当前的最优粒子及其最优极值距离进行更新，包括：若新的最优极值距离比当前的最优极值距离更小，则将当前的最优粒子更新为新的最优粒子，以及将当前的最优极值距离更新为新的最优极值距离；否则，不对当前的最优粒子及其最优极值距离进行更新。
在其他的一些示例中，所述归一化的极值距离为：fDIS＝f1'+f2'+f3'，其中，f1'、f2'和f3'分别为电网公司的最大售电收益目标函数f1、分布式电源经销商的最大发电收益目标函数f2、用户最小购电成本目标函数f3归一化的极值距离。
根据本发明的第2方面，还提供了一种农村配电网三方博弈优化调度系统，包括：云端服务器，用于收集当前时刻各配电网节点反馈的有功和无功功率信息，进行全网无功优化，确定下一时刻的无功功率方案，以使配电网的电压质量最优；配置在各配电网节点的边端服务器，其通过三方博弈优化得到三方功率调控策略，并生成调控指令；配置各配电网节点下的电网公司、分布式电源经销商以及用户三方的智能终端，用于根据所述调控指令，对各自的终端功率设备进行功率调控；所述边端服务器包括：
模型构建单元，用于根据配电网调度要求生成包含多个目标函数的三方功率调控模型；
模型解算单元，其采用粒子群算法求解所述三方功率调控模型，得到用于表示三方功率调控策略的最优解；
指令生成单元，其基于所述最优解生成用于对三方的可控功率设备进行调控的调控指令，并将所述调控指令发送给三方的智能终端；
其中，所述目标函数包括：电网公司的最大售电收益目标函数f1、分布式电源经销商的最大发电收益目标函数f2以及用户最小购电成本目标函数f3。
根据本发明的第3方面，还提供了一种农村配电网边端服务器，包括：
至少一个处理器；以及与所述处理器通信连接的存储器，其存储有可被所述处理器执行的指令；当所述指令被所述处理器执行时，实现如方案任一项所述的农村配电网三方博弈优化调度方法。
根据本发明的第4方面，还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述方案任一项所述的农村配电网三方博弈优化调度方法。
本发明通过构建云-边-端协同优化调度体系，将数据采集、计算和应用功能下沉到配电网各节点，可有效降低传统云平台集中采集和计算的工作量，降低通信失真或延时风险，充分发挥智能服务器的本地优势。
本发明基于改进粒子群的三方博弈求解方法，采用粒子群种群有序更新方法和归一化极值距离，可以充分体现交易过程中电网公司、分布式电源营销商和电力用户的需求，考虑各方效益或成本，得到符合三方利益的功率控制策略，提高了提高农村配电网用电、发电效率，实现了配电网的优化调度目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的农村配电网的云-边-端控制系统体系架构示意图；
图2为根据本发明实施例的农村配电网三方博弈优化调度方法流程示意图；
图3为根据本发明实施例的采用粒子群算法求解三方功率调控模型的具体方法流程示意图；
图4为本发明对各粒子的三方变量进行动态顺次更新的示意性流程；
图5为IEEE33节点系统拓扑结构示意图；
图6为种群博弈结果示意图；
图7为三方主体的极值距离优化过程示意图；
图8为三方主体的收益或成本的优化结果示意图；
图9为根据本发明实施例的农村配电网三方博弈优化调度系统结构示意图；
图10为根据本发明实施例的边端服务器组成示意图；
图11为根据本发明另一实施例的边端服务器组成示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节，以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，尽管以下文字部分以农村配电网为例描述本发明的技术构思，但并不以此为限，事实上，对于具有与农村配电网具有相似构成(例如各配电网节点也包括电网公司、分布式电源经销商、用户)的其他类型的配电网同样适用。
图1为本发明实施例的农村配电网的云-边-端控制系统体系架构示意图。如图所示，在区域配电网设置云端服务器，作为云端负责统筹全网潮流，根据交易电量优化无功补偿量，以及通过云平台展示用能方案；在配电网的每个节点配置边端智能服务器，作为边端，负责综合协调本节点的三方用能策略；以及，在每个配电网节点下的电网公司(或电力公司)、分布式电源经销商以及电力用户(以下简称三方)分别配置智能终端，三方的智能终端作为终端，根据所述策略对终端设备进行功率调控。
具体地，所述云端服务器负责收集当前时刻各配电网节点反馈的有功和无功功率信息，进行全网无功优化，确定下一时刻的无功功率方案，以使配电网的电压质量最优。示例性地，如图1所示，所述云端服务器主要包含数据库服务器、前置机、应用服务器、防火墙等。
各配电网节点建立本地的边端智能服务器，包括应用服务器、数据库服务器、防火墙等，负责收集该节点下的各智能终端上传的功率数据、电量信息、三方当前的收益和成本等数据，然后通过三方博弈优化计算出三方的成本和收益、电网公司的交换功率、分布式电源经销商的发电功率以及用户侧需求响应负荷功率，并生成调控指令。
各配电网节点的三方分别配置智能终端。其中，电网公司的智能终端用于监控功率交换关口的交换功率。分布式电源经销商的智能终端包括在分布式电源与电网接口处的逆变器配置的可控智能终端，用于根据调控指令实时调控分布式电源与电网的交换功率，以及监测当前发电量，以计算发电收益。用户侧智能终端包括：智能电表和采集器，用于实时监测用户侧功率；以及，负荷开关，用于根据调控指令控制负荷功率。
示例性地，云端服务器与边端智能服务器之间可通过光纤专网、4G/5G/CDMA无线公网、230MHz无线专网和其他通信通道进行通信。由于农村配电网的供电半径长，对网络通信的可靠性和快速性相比城市较低，因此优选采用性价比更高的4G无线公网进行数据传输。同样地，边端智能服务器与智能终端之间也可以采用4G无线公网进行数据传输。智能电表、采集器等数据采集装置以及负荷开关等之间则可以通过RS485总线进行数据传输。
以下基于上述云-边-端控制系统体系架构，对农村配电网的优化调度方法进行说明。
(一)云端
在云端，所述云端服务器接收各配电网节点反馈的功率数据，进行全网无功优化计算，以实现最低全网网损。示例性地，以有功功率网损最小为目标，对配电网的各SVG(Static Var Generator，静止无功发生器)设备进行优化。
其中，无功优化计算的目标函数为：
Figure BDA0003734430720000061
式中，f为全网有功损耗最小的目标函数，n为配电网的节点编号，PLoss_l为线路有功功率网损，l为线路编号，线路总数量为L；ΔQSVG_n表示节点n在所有SVG设备中的SVG无功调节量，单位为kvar；F表示以当前调节量下的全网有功功率网损函数。
其中，在对配网进行无功优化计算时，需要实时满足等式约束、不等式约束和控制变量约束。
所述等式约束指配电网运行需要满足功率平衡原则，表示为：
Figure BDA0003734430720000062
式中，PG_n和QG_n分别为发电机的有功和无功功率；PLoad_n和QLoad_n分别为节点n的有功和无功功率；Un和Uk分别为节点n和节点k的电压；N为配电网总的节点数目；Gnk、Bnk、θnk分别为节点n和节点k之间的导纳(电导G、电纳B)和阻抗角。
所述不等式约束为状态变量约束，表示为：
Figure BDA0003734430720000063
式中，Un-min和Un-max是节点n的电压标幺值限值；QG-n,max和QG-n,min分别为发电机的无功出力的上限值和下限值。
所述控制变量约束表示为：
QSVG_n-min≤ΔQSVG_n≤QSVG_n-max (2-4)
式中，QSVG_n-min和QSVG_n-max分别为SVG设备的补偿容量上限值和下限值，单位为kvar。
(二)边端
在边端，所述智能服务器侧采用粒子群算法求解三方功率调控模型，得出最优的三方功率调控策略，如图2所示，具体包括如下步骤：
步骤100、根据配电网调度要求生成包含多个目标函数的三方功率调控模型；
根据电网公司、分布式电源经销商、用户三方所代表的利益，本发明设置的目标函数包括：电网公司的最大售电收益目标函数f1、分布式电源经销商的最大发电收益目标函数f2以及用户最小购电成本目标函数f3。
(1)电网公司的最大售电收益目标函数f1：
电网公司的最大售电收益目标函数为：f1＝max(CRdn(Pexchange(t)))，其优化变量为电网向用户售电的交换功率，即通过控制配电网向用户的售电量，确保配电网的收益最大。在本发明中，将其变量定义为a1＝{Pexchange(t)}，Pexchange(t)为电网向用户售电的交换功率。
农村配电网的电网公司通过线路供应稳定可靠的电能，按照分时电价计算差价收益，并将电力经过配电变压器、线路的网损等成本计算到运行成本中，其综合运营收益为：
CRdn＝Csell-Closs-Cadd (2-5)
式中，CRdn为电网公司的综合运营收益；Csell为售电额；Closs为农村配电网的网损成本；Cadd为农村配电网的运营附加成本。
所述售电额Csell的计算公式为：
Csell＝Lc(t)·Pexchange(t)·T (2-6)
式中，Lc(t)为分时电价，Pexchange(t)为电网向用户售电的交换功率，T计费周期。
所述网损成本Closs的计算公式为：
Figure BDA0003734430720000071
式中，N为节点的数量，PLoss表示配电网中当前的总网损平摊到每个节点中的网损；Lloss为网损的出发电价。
所述运行附加成本Cadd的计算公式为：
Cadd＝(Lgenerate+Ladd)·Pexchange(t)·T (2-8)
式中，Lgenerate为配电网向发电厂的购电成本；Ladd表示单位电量的综合附加成本，主要为政府性基金及附加资金，以及包含了折旧费和运维费。
(2)分布式电源经销商的最大发电收益目标函数f2：
分布式电源经销商的最大发电收益目标函数为：
f2＝max(Cstorage(PPV_k(t),PWT_z(t),PBES_x(t)))，其优化变量为光伏、风电和储能设备的功率，即通过控制光伏、风电的逆变器设备，从而控制向电网的发电量，实现分布式电源经销商的收益最大。在本发明中，将其变量定义为a2＝{PPV(t)，PWT(t)，PBES(t)}，PPV(t)为光伏的有功功率，PWT(t)为风电的实际发电功率，PBES(t)为储能设备的充放电功率。
分布式电源(DG，Distributedgeneration)包含风电、光伏、小规模储能站等能源设备，通过微电网将各项能源设备连接，然后根据指令调控发电和储能设备功率，并将电力通过农村配电网出售给用户，实现就地消纳，其成本计算公式为：
CDG_earn＝CDG_power+Csub-Cstorage-Cops (2-9)
式中，CDG_power为分布式电源的发电收益；Csub为光伏、风电的政府补贴电价；Cstorage为储能设备单位功率的运行成本；Cops为光伏、风电、储能设备的运行维护成本。具体地，
Figure BDA0003734430720000081
Figure BDA0003734430720000082
式中，PPV_k(t)为第k个光伏的发电功率，K为所有光伏的总数；PWT_z(t)为第z个风电的发电功率；LPV(t)和LWT(t)分别为光伏和风电的上网电价；Lsub1(t)和Lsub2(t)分别为光伏和风电的单位电量补贴价格。
Figure BDA0003734430720000083
式中，EBES为储能设备的额定容量；IR是市场利率；Life为储能出厂的设计使用寿命；CBES为储能设备的固定成本。
Figure BDA0003734430720000084
式中，Lcost(t)为光伏和风电单位功率的维护成本，包含了设备的折旧费和运维费；PBES_x(t)为第x个储能设备的有功功率。
其中，光伏的发电功率模型可以表示为：
PPV(t)＝k0fPV(t)SPV (2-15)
式中，PPV(t)为光伏的有功功率；fPV(t)为实际输出功率与额定输出功率的比值，表示功率降额因素；SPV为光伏系统容量；k0表示当前分布式电源经销商的调节参数；
其中，风电的发电功率模型可以表示为：
Figure BDA0003734430720000091
式中，PWT(t)、PWT_0(t)分别为风电的实际发电功率、风电的额定发电功率；β0为风电可控发电系数，范围为[0,1]；v为当前实际风速，vcut_in、vcut_out分别为风机的切入和切除风速。
针对可移动的分布式储能，通过对充电时间和充电功率进行控制，优化需求侧功率相应机制。储能功率模型表示为：
Figure BDA0003734430720000092
式中，PBES0(t)表示所有储能设备总的充放电功率；PBES_x(t)表示第x个储能设备的充放电功率；ε0(x)为第x个储能设备的充放电状态，取值范围是[-1,1]，其中，0表示空闲状态，正数为充电状态，负数为放电状态。
此外，储能的蓄电池电量应大于用户的期望值电量，不高于蓄电池额定容量，即：
Figure BDA0003734430720000093
式中，Qx为第x个储能设备的额定容量；SOC_x、SOC_req分别为储能设备的初始荷电状态和充电后的荷电状态；ηBES为储能设备的充电效率。
(3)用户最小购电成本目标函数f3：
用户最小购电成本目标函数为：f3＝min(Cuser(PFE(t),PTRE(t)))，其优化变量为柔性电负荷功率，即通过控制用户侧的可调控功率设备，如可投切负荷、可调控负荷的功率，从而控制用户的用电负荷，实现用户侧的购电成本Cuser最低。在本发明中，将其变量定义为a3＝{PFE(t)，PTRE(t)}，PFE(t)为可投切的负荷功率，PTRE(t)为可转移的负荷功率。
按是否可中断、可转移将负荷分为4类，例如，上述的储能设备为可中断、可转移负荷。
非可转移、可中断负荷(可投切的负荷)的功率模型可以表示为：
Figure BDA0003734430720000094
式中，PFE(t)表示所有柔性负荷总的当前功率；PFE_y(t)表示第y个柔性负荷的当前功率；α0(y)为第y个柔性负荷的投切状态，0表示中断状态，1表示投入状态。
非可转移、非可中断为固定电负荷，其功率大小不能主动调控。
可转移、非可中断负荷(可转移的负荷)表示用电总量一定、可灵活分时段进行供电的负荷，但供电时段不可中断，可以表示为：
Figure BDA0003734430720000101
Figure BDA0003734430720000102
Tmin≤t≤Tmax (2-22)
式中，PTRE(t)表示所有可转移、非可中断负荷的总功率；Pcut_nc(t)表示第nc个可转移、非可中断负荷功率；NC为该类负荷中正在供电的总数量；Tmax、Tmin分别为可转移时间的上限值和下限值；kcut为第nc个可转移、非可中断负荷的转移状态，其值为0或1。
步骤200、采用粒子群算法求解所述三方功率调控模型，得到用于表示三方功率调控策略的最优解；
粒子群算法是一种应用广泛的人工智能算法，其模拟鸟群捕食行为，基本原理为：首先随机生成多个不同初始变量，依次分别计算对应的最优目标函数值，并比选出当前的最优变量和最优目标函数值，完成一次迭代计算。然后在下次迭代开始时，根据最优变量和最优目标函数值更新种群中所有变量，再依次计算种群更新后的目标函数，比选得到当前最优变量和最优目标函数值。重复上述迭代过程，直到达到既定的迭代次数上限，即得到最终的粒子群最优变量和最优目标函数值。
本发明采用粒子群算法求解三方功率调控模型，就是要得到最优的变量a1、a2、a3，使得目标函数f1、f2尽可能大，而目标函数f3尽可能小，所得到的最优的变量a1、a2、a3即为本发明的三方功率调控策略。
图3为根据本发明实施例的采用粒子群算法求解三方功率调控模型的具体方法流程。如图所示，该方法包括如下步骤：
步骤201、构建包含多个(例如M个)粒子的种群；其中，每个粒子bi＝{a1,a2,a3}，分别表示一种三方功率调控策略，其目标函数为三方博弈目标函数fall＝{f1，f2，f3}；
本发明将三方的变量a1,a2,a3组合成一个向量，设为bi＝{a1,a2,a3}，相应地，将三方的目标函数组合为三方博弈目标函数fall＝{f1，f2，f3}，使得每个粒子均包含了三方的功率调控变量，并将三方的功率调控变量作为一个整体进行优化，而非独立地进行优化，以体现配电网调度过程中三方相互之间的作用关系。
步骤202、对所述种群进行初始化；
例如，可以采用随机方式初始化每个粒子bi的三方变量a1、a2和a3，以生成初始种群。
步骤203、分别计算各粒子bi对应的三方博弈目标函数fall的函数值，并采用归一化的极值距离比选出最优粒子；
示例性地，本发明采用归一化的极值距离评估出所有粒子bi中最优的粒子和与该最优粒子对应的三方博弈目标函数值，即完成了第一次博弈过程。
具体地，如下所示：
Figure BDA0003734430720000111
式中，f1'、f2'和f3'分别为各目标函数归一化的极值距离；fDIS为极值距离之和，该值越小表示当前粒子与各目标函数最优值越近，即该粒子更优。
考虑不同主体所代表的交易动机和立场不同，本发明没有直接将经济目标值直接叠加，而是采用改进粒子群的三方博弈算法，并采用归一化极值距离将各子目标函数进行归一化后再叠加，以消除量纲问，同时统一了各目标函数同时求极大、极小的问题。归一化后的极值距离以距各目标函数值的最优值距离来评价粒子的优劣性，更加高效便捷。
步骤204、采用前次博弈迭代比选出的最优粒子对种群中各粒子的三方变量进行动态顺次更新；
考虑在实际的供电交易体系中，电网公司、分布式电源经销商、用户三方属于不同的交易主体，因而不能对三个变量a1、a2和a3同时进行优化，而是应当根据其他两方的情况优化自身变量。因此，本发明采用先后顺次优化的方式对各粒子的三方变量进行更新。
进一步地，考虑电网公司向用户售电占主导地位，供电量占额最大，因此优先优化交换功率，即变量a1；其次分布式电源作为清洁能源，应遵循“应发尽发，就地消纳”的原则，鼓励用户调节负荷尽可能消纳清洁电力；最后用户根据电网实时电价和分布式电源价格，统筹优化购电量，并积极调节用户侧的可调负荷，尽可能的降低用电成本。
根据本发明的实施例，如图4所示，假设前次博弈迭代比选出的最优粒子为bi_best＝{a1_best，a2_best，a3_best}，该最优粒子bi_best对应的最优极值距离为fDIS_best，则在本次博弈迭代开始时，通过以下步骤对各粒子的三方变量进行动态顺次更新：
步骤2041、保持各粒子bi的变量a2、变量a3不变，对各粒子bi的变量a1进行更新；该步骤具体过程包括：
(1)对各粒子bi的变量a1按照变量a1_best进行更新，得到新的粒子bi'(即完成变量a1更新的粒子)；
(2)计算该新的粒子bi'的三方博弈目标函数的函数值f'all，并采用归一化的极值距离计算出种群(由M个粒子bi'组成)中新的最优极值距离f'DIS_best及其对应的新的最优粒子bi'_best；
(3)若新的最优极值距离f'DIS_best比当前的最优极值距离fDIS_best(即前次迭代得到的fDIS_best)更小，则将当前的最优粒子bi_best(即前次博弈迭代得到的bi_best)更新为新的最优粒子bi'_best(即将bi'_best赋给bi_best)，以及将当前的最优极值距离fDIS_best更新为新的最优极值距离f'DIS_best(即将f'DIS_best赋给fDIS_best)；否则，不对当前的最优粒子bi_best及其最优极值距离fDIS_best进行更新，即粒子bi_best仍为当前的最优粒子。
至此，完成了本次博弈迭代中对各粒子bi'的变量a1的更新。
步骤2042、保持完成变量a1更新的各粒子bi'的变量a1、变量a3不变，对各粒子bi'的变量a2进行更新；该步骤具体过程包括：
(1)对各粒子bi'的变量a2按照变量a2_best进行更新，得到新的粒子bi”(即完成变量a1、变量a2更新的粒子)；
(2)计算该新的粒子bi”的三方博弈目标函数的函数值f”all，并采用归一化的极值距离计算出种群(由M个粒子bi”组成)中新的最优极值距离f”DIS_best及其对应的新的最优粒子bi”_best；
(3)若新的最优极值距离f”DIS_best比当前的最优极值距离fDIS_best(即经过上述步骤2041后得到的fDIS_best)更小，则将当前的最优粒子bi_best(即经过上述步骤2041后得到的最优粒子bi_best)更新为新的最优粒子bi”_best，以及将当前的最优极值距离fDIS_best更新为新的最优极值距离f”DIS_best；否则，不对当前的最优粒子bi_best及其最优极值距离进行更新，即粒子bi_best仍为当前最优粒子。
至此，完成了本次博弈迭代中对各粒子bi”的变量a1、变量a2的更新。
步骤2043、保持完成变量a1、变量a2更新的各粒子bi”的变量a1、变量a2不变，对各粒子bi”的变量a3进行更新；该步骤具体过程包括：
(1)对各粒子bi”的变量a3按照变量a3_best进行更新，得到新的粒子bi”'(即完成变量a1、变量a2、变量a3更新的粒子)；
(2)计算该新的粒子bi”'的三方博弈目标函数的函数值f”'all，并采用归一化的极值距离计算出种群(由M个粒子bi”'组成)中新的最优极值距离f”'DIS_best及其对应的新的最优粒子bi”'_best；
(3)若新的最优极值距离f”'DIS_best比当前的最优极值距离fDIS_best(即经过上述步骤2042后得到的fDIS_best)更小，则将当前的最优粒子bi_best(即经过上述步骤2042后得到的最优粒子bi_best)更新为新的最优粒子bi”'_best，以及将当前的最优极值距离fDIS_best更新为新的最优极值距离f”'DIS_best；否则，不对当前的最优粒子bi_best及其最优极值距离进行更新，即粒子bi_best仍为当前最优粒子。
至此，完成了本次博弈迭代中对各粒子bi”'_best的变量a1、变量a2、变量a3的更新。可以理解，上述步骤2041-步骤2043是严格按照先后顺序顺次执行的。
步骤205、分别计算完成三方变量更新后的各粒子bi对应的三方博弈目标函数fall的函数值，并采用归一化的极值距离比选出当前的最优粒子及其对应的三方博弈目标函数值；
步骤206、判断迭代次数是否达到上限，如果是，则结束博弈迭代，并输出当前的最优粒子及其对应的三方博弈目标函数值，作为用于表示三方功率调控策略的最优解；如果否，则返回步骤204。
在完成本次博弈迭代后，判断博弈的次数是否达到上限。若没有达到上限，则更新算法的优化速度，约束变量数值以及种群更新速度，以防止博弈算法的更新速度过快或者过缓，影响寻优速度。然后返回步骤204，进入下一次博弈迭代求解，直到博弈迭代次数达到上限，得到最优的组合变量bi及其对应的三方博弈目标函数fall的函数值。
本发明通过在边端构建电网公司、分布式电源经销商和用户的三方交易模型，根据经济性目标优化调控交易电量和设备功率方案，能够实现分布式电源调节响应和需求侧负荷主动响应。
此外，本发明采用的改进粒子群的三方非合作博弈算法，将三方的优化变量组合成粒子变量序列，在粒子群每次迭代求解更新种群时，首先更新电网公司变量，然后更新分布式电源经销商变量，最后更新电力用户变量，依次有序更新，改变传统的一次性整体更新方式，在使多方同时满意的前提下，提高了农村配电网用电、发电效率。
步骤300、基于所述最优解生成用于对终端功率设备进行调控的调控指令，并将所述调控指令发送给三方的终端智能服务器。
基于所述最优解生成用于对终端功率设备进行调控的调控指令，该调控指令包括：用于控制功率交换关口的交换功率调控指令、用于通过整流逆变器进行光伏及风电发电功率控制的调控指令、用于通过储能双向逆变器进行储能设备功率控制的调控指令以及用于通过负荷开关状态进行负荷功率控制的调控指令中的一种或多种。
实施例：
该实施例采用IEEE33节点系统，该系统共有33个节点，采用云-边-端协同控制的节点为24、25、30和32节点系统，并且在这4个节点分别配置了100kvar的可调SVG静态无功补偿装置。其中每个节点都包含着分布式电源经销商和中压用户，系统的拓扑图如图5所示。
选取白天的12:00的数据进行计算，24、25、30和32节点的配置均相同，每个节点的配置如下：接入集中的分布式电源PV2个，此时每个PV当前的发电功率PPV(t)为120kW，风电WTG的接入点1个，额定发电功率PWT(t)为100kW，储能的额定功率范围PBES0(t)为-60～60kW，额定容量EBES为80kVA，用户侧配置了2个可投切负荷，其可投切的最大功率PFE(t)为50kW，可最大转移负荷功率PTRE(t)也为50kW。此时的电网分时电价Lc(t)为0.862元/kW，农网的网损成本的单位惩罚电价Lloss为0.9元/kW，电网公司向发电厂的购电成本Lgenerate为0.33元/kW，电网的附加成本费用Ladd为0.05元/kW，光伏上网电价LPV(t)实现竞价上网，与当前的电网分时电价Lc(t)相同，均为0.862元/kW，补贴电价Lsub1(t)均为0.04元/kW；风电的也为竞价上网，电价LWT(t)为0.862元/kW，暂不考虑补贴电价；光伏、风电的运维成本Lcost(t)为0.04元/kW；储能的运维成本CBES为0.1元/kW。基于改进粒子群的三方博弈算法，其迭代次数上限为200次，种群大小为50，其种群博弈的结果如图6所示。
在图6中，纵坐标为归一化后的三个目标函数之和，可以看出采用改进粒子群算法对三个目标博弈求解，并采用归一化极值距离评估最优解，种群在寻优过程中的1.0587逐渐降低，代表每次迭代得到的最优粒子离各个目标最优值更近，说明寻优结果更加符合同时满足三方要求综合最优解，最终在74次收敛于0.6356。
该实施例采用基于改进粒子群的三方博弈算法，在达到迭代次数上限200次后算法收敛，输出最优粒子变量包含各种终端功率设备的功率调控方案，其结果如下表所示：
Figure BDA0003734430720000141
边端服务器将功率调控方案对应的调控指令发送至三方的智能终端，进行终端功率设备的功率控制。从上表可以看出，电网向用户售电的交换功率为276.35kW，通过控制电量关口进行控制。分布式电源经销商的光伏发电功率PV1、PV2功率分别为76.27kW和72.43kW，风电发电功率为99.81kW，通过光伏和风电整流逆变器实现功率控制；储能的充电功率为35.88kW，通过储能双向逆变器进行功率控制。用户的可投切负荷1和可投切负荷2分别切离47.29kW和49.72kW，可时移负荷此时减少43.22kW，通过终端的负荷开关状态进行功率控制。
图7为三方主体的极值距离优化过程示意图，图8为三方主体的收益或成本的优化结果示意图。
本发明中因电网公司、分布式电源营销商追求的极大收益目标，而电力用户追求的是极小成本目标，在实际交易中，若电力公司和分布式电源营销商只顾尽可能售电给用户达到最大收益，两者的目标具备相同的趋势；而用户需要不断的调整负荷去吸收接纳，将会极大增加用户成本，因此优化目标趋势与之相反。因此从图7、8中可以看出，两者在优化过程中的趋势相反。
此外，从图7、8中还可以看出，电网公司作为优先优化的主体，在29次迭代时达到收敛，此时的极值距离为0，目标函数f1达到最优值，最终电网公司的收益为127.59元；分布式电源营销商作为第二优化的主体在52次达到收敛，目标函数f2的极值距离为0.0446，收益为210.31元；电力用户作为最后优化的主体，在第83次达到收敛，目标函数f3的极值距离为0.591，用户的购电成本为322.87元。
根据本发明的另外一种实施方式，还提供了一种农村配电网三方博弈优化调度系统，如图9所示，包括：
云端服务器901，用于收集当前时刻各配电网节点反馈的有功和无功功率信息，进行全网无功优化，确定下一时刻的无功功率方案，以使配电网的电压质量最优；
配置在各配电网节点的边端服务器902，其通过三方博弈优化得到三方功率调控策略，并生成调控指令；
配置各配电网节点下的电网公司、分布式电源经销商以及用户三方的智能终端904、905、906，用于根据所述调控指令，对各自的终端功率设备907、908、909进行功率调控。
其中，如图10所示，所述边端服务器包括：
模型构建单元9021，用于根据配电网调度要求生成包含多个目标函数的三方功率调控模型；
所述目标函数包括：电网公司的最大售电收益目标函数f1，其变量a1＝{Pexchange(t)}，Pexchange(t)为电网向用户售电的交换功率；分布式电源经销商的最大发电收益目标函数f2，其变量a2＝{PPV(t)，PWT(t)，PBES(t)}，PPV(t)为光伏的有功功率，PWT(t)为风电的实际发电功率，PBES(t)为储能设备的充放电功率；以及用户最小购电成本目标函数f3，其变量a3＝{PFE(t)，PTRE(t)}，PFE(t)为可投切的负荷功率，PTRE(t)为可转移的负荷功率。
模型解算单元9022，其采用粒子群算法求解所述三方功率调控模型，得到用于表示三方功率调控策略的最优解；
示例性地，该模型解算单元包括：
种群初始化模块，用于构建包含多个粒子的种群并对所述种群进行初始化；其中，每个粒子bi包含三方变量{a1,a2,a3}，分别表示一种三方功率调控策略，其目标函数为三方博弈目标函数fall＝{f1，f2，f3}；
第一计算单元，用于分别计算各粒子bi对应的三方博弈目标函数fall的函数值，并采用归一化的极值距离比选出最优粒子；
第二计算模块，用于执行如下博弈迭代过程，直至迭代次数达到上限，输出当前的最优粒子及其对应的三方博弈目标函数值，作为用于表示三方功率调控策略的最优解：
采用前次博弈迭代比选出的最优粒子对种群中各粒子的三方变量进行动态顺次更新；
具体地，设前次博弈迭代比选出的最优粒子为bi_best为{a1_best，a2_best，a3_best}，该最优粒子bi_best对应的最优极值距离为fDIS_best，则在当前博弈迭代开始时，所述第二计算模块依次执行以下步骤对各粒子的三方变量进行动态顺次更新：
保持各粒子bi的变量a2、变量a3不变，对各粒子bi的变量a1进行更新，得到新的粒子bi'；
保持完成变量a1更新的各粒子bi'的变量a1、变量a3不变，对各粒子bi'的变量a2进行更新，得到新的粒子bi”；
保持完成变量a1、变量a2更新的各粒子bi”的变量a1、变量a2不变，对各粒子bi”的变量a3进行更新，得到新的粒子bi”'。
上述更新过程中，在得到新的粒子后，计算该新的粒子的三方博弈目标函数的函数值，并采用归一化的极值距离计算出种群中新的最优极值距离及其对应的新的最优粒子，然后根据所述新的最优极值距离与当前的最优极值距离之间的大小关系，确定是否对当前的最优粒子及其最优极值距离进行更新。
上述更新过程中，若新的最优极值距离比当前的最优极值距离更小，则将当前的最优粒子更新为新的最优粒子，以及将当前的最优极值距离更新为新的最优极值距离；否则，不对当前的最优粒子及其最优极值距离进行更新。
分别计算完成三方变量更新后的各粒子bi对应的三方博弈目标函数fall的函数值，并采用归一化的极值距离比选出当前的最优粒子及其对应的三方博弈目标函数值。
指令生成单元9033，其基于所述最优解生成用于对三方的可控功率设备进行调控的调控指令，并将所述调控指令发送给三方的智能终端；
根据本发明的另外一种实施方式，如图11所示，还提供了一种农村配电网边端服务器，包括：
至少一个处理器110；以及与所述处理器通信连接的存储器111，其存储有可被所述处理器执行的指令；当所述指令被所述处理器执行时，实现如上述方案任一项所述的农村配电网三方博弈优化调度方法。
根据本发明的另外一种实施方式，还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述方案任一项所述的农村配电网三方博弈优化调度方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
应理解，上述处理器可以是中央处理单元(CPU)，还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域普通技术人员可以理解，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括ROM、RAM、磁盘或者光盘等各种可以存储程序代码的介质。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (12)

1.一种农村配电网三方博弈优化调度方法，其特征在于，所述农村配电网采用云-边-端架构，该方法由配置在各配电网节点的边端智能服务器执行，各配电网节点下的电网公司、分布式电源经销商以及用户三方分别配置智能终端，该方法包括：
根据配电网调度要求生成包含多个目标函数的三方功率调控模型；
采用粒子群算法求解所述三方功率调控模型，得到用于表示三方功率调控策略的最优解；
基于所述最优解生成用于对三方的可控功率设备进行调控的调控指令，并将所述调控指令发送给三方的智能终端；
其中，所述目标函数包括：电网公司的最大售电收益目标函数f1、分布式电源经销商的最大发电收益目标函数f2以及用户最小购电成本目标函数f3。
2.根据权利要求1所述的方法，其特征在于，电网公司的最大售电收益目标函数f1的变量a1＝{Pexchange(t)}，Pexchange(t)为电网向用户售电的交换功率；分布式电源经销商的最大发电收益目标函数f2的变量a2＝{PPV(t)，PWT(t)，PBES(t)}，PPV(t)为光伏的有功功率，PWT(t)为风电的实际发电功率，PBES(t)为储能设备的充放电功率；用户最小购电成本目标函数f3的变量a3＝{PFE(t)，PTRE(t)}，PFE(t)为可投切的负荷功率，PTRE(t)为可转移的负荷功率。
3.根据权利要求1所述的方法，其特征在于，所述采用粒子群算法求解所述三方功率调控模型，包括：
构建包含多个粒子的种群；其中，每个粒子bi包含三方变量{a1,a2,a3}，分别表示一种三方功率调控策略，其目标函数为三方博弈目标函数fall＝{f1，f2，f3}；
对所述种群进行初始化；
分别计算各粒子bi对应的三方博弈目标函数fall的函数值，并采用归一化的极值距离比选出最优粒子；
执行博弈迭代过程，直至迭代次数达到上限，输出当前的最优粒子及其对应的三方博弈目标函数值，作为用于表示三方功率调控策略的最优解；其中，所述博弈迭代过程包括：
采用前次博弈迭代比选出的最优粒子对种群中各粒子的三方变量进行动态顺次更新；
分别计算完成三方变量更新后的各粒子bi对应的三方博弈目标函数fall的函数值，并采用归一化的极值距离比选出当前的最优粒子及其对应的三方博弈目标函数值。
4.根据权利要求3所述的方法，其特征在于，前次博弈迭代比选出的最优粒子为bi_best为{a1_best，a2_best，a3_best}，该最优粒子bi_best对应的最优极值距离为fDIS_best，则在本次博弈迭代开始时，依次执行以下步骤对各粒子的三方变量进行动态顺次更新：
(i)保持各粒子bi的变量a2、变量a3不变，对各粒子bi的变量a1进行更新，得到新的粒子bi'；
(ii)保持完成变量a1更新的各粒子bi'的变量a1、变量a3不变，对各粒子bi'的变量a2进行更新，得到新的粒子bi”；
(iii)保持完成变量a1、变量a2更新的各粒子bi”的变量a1、变量a2不变，对各粒子bi”的变量a3进行更新，得到新的粒子bi”'。
5.根据权利要求4所述的方法，其特征在于，所述步骤(i)中，在得到得到新的粒子bi'后，还包括：计算该新的粒子bi'的三方博弈目标函数的函数值f'all，并采用归一化的极值距离计算出种群中新的最优极值距离f'DIS_best及其对应的新的最优粒子bi'_best，然后根据所述新的最优极值距离f'DIS_best与当前的最优极值距离之间的大小关系，确定是否对当前的最优粒子bi'_best及其最优极值距离进行更新；
所述步骤(ii)中，在得到得到新的粒子bi”后，还包括：计算该新的粒子bi”的三方博弈目标函数的函数值f”all，并采用归一化的极值距离计算出种群中新的最优极值距离f”DIS_best及其对应的新的最优粒子bi”_best，然后根据所述新的最优极值距离f”DIS_best与当前的最优极值距离之间的大小关系，确定是否对当前的最优粒子bi”_best及其最优极值距离进行更新；
所述步骤(iii)中，在得到得到新的粒子bi”'后，还包括：计算该新的粒子bi”'的三方博弈目标函数的函数值f”'all，并采用归一化的极值距离计算出种群中新的最优极值距离f”'DIS_best及其对应的新的最优粒子bi”'_best，然后根据所述新的最优极值距离f”'DIS_best与当前的最优极值距离之间的大小关系，确定是否对当前的最优粒子bi”'_best及其最优极值距离进行更新。
6.根据权利要求5所述的方法，其特征在于，所述步骤(i)、所述步骤(ii)及所述步骤(iii)中，根据所述新的最优极值距离与当前的最优极值距离之间的大小关系，确定是否对当前的最优粒子及其最优极值距离进行更新，包括：
若新的最优极值距离比当前的最优极值距离更小，则将当前的最优粒子更新为新的最优粒子，以及将当前的最优极值距离更新为新的最优极值距离；否则，不对当前的最优粒子及其最优极值距离进行更新。
7.根据权利要求3-6中任一项所述的方法，其特征在于，所述归一化的极值距离为：fDIS＝f′1+f′2+f′3，其中，f′1、f′2和f′3分别为电网公司的最大售电收益目标函数f1、分布式电源经销商的最大发电收益目标函数f2、用户最小购电成本目标函数f3归一化的极值距离。
8.一种农村配电网三方博弈优化调度系统，包括：云端服务器，用于收集当前时刻各配电网节点反馈的有功和无功功率信息，进行全网无功优化，确定下一时刻的无功功率方案，以使配电网的电压质量最优；配置在各配电网节点的边端服务器，其通过三方博弈优化得到三方功率调控策略，并生成调控指令；配置各配电网节点下的电网公司、分布式电源经销商以及用户三方的智能终端，用于根据所述调控指令，对各自的终端功率设备进行功率调控；其特征在于，所述边端服务器包括：
模型构建单元，用于根据配电网调度要求生成包含多个目标函数的三方功率调控模型；
模型解算单元，其采用粒子群算法求解所述三方功率调控模型，得到用于表示三方功率调控策略的最优解；
指令生成单元，其基于所述最优解生成用于对三方的可控功率设备进行调控的调控指令，并将所述调控指令发送给三方的智能终端；
其中，所述目标函数包括电网公司的最大售电收益目标函数f1、分布式电源经销商的最大发电收益目标函数f2以及用户最小购电成本目标函数f3。
9.根据权利要求8所述的系统，其特征在于，电网公司的最大售电收益目标函数f1的变量a1＝{Pexchange(t)}，Pexchange(t)为电网向用户售电的交换功率；分布式电源经销商的最大发电收益目标函数f2的变量a2＝{PPV(t)，PWT(t)，PBES(t)}，PPV(t)为光伏的有功功率，PWT(t)为风电的实际发电功率，PBES(t)为储能设备的充放电功率；用户最小购电成本目标函数f3的变量a3＝{PFE(t)，PTRE(t)}，PFE(t)为可投切的负荷功率，PTRE(t)为可转移的负荷功率。
10.根据权利要求1所述的系统，其特征在于，所述模型解算单元包括：
种群初始化模块，用于构建包含多个粒子的种群并对所述种群进行初始化；其中，每个粒子bi包含三方变量{a1,a2,a3}，分别表示一种三方功率调控策略，其目标函数为三方博弈目标函数fall＝{f1，f2，f3}；
第一计算单元，用于分别计算各粒子bi对应的三方博弈目标函数fall的函数值，并采用归一化的极值距离比选出最优粒子；
第二计算模块，用于执行博弈迭代过程，直至迭代次数达到上限，输出当前的最优粒子及其对应的三方博弈目标函数值，作为用于表示三方功率调控策略的最优解；其中，所述博弈迭代过程包括：
采用前次博弈迭代比选出的最优粒子对种群中各粒子的三方变量进行动态顺次更新；
分别计算完成三方变量更新后的各粒子bi对应的三方博弈目标函数fall的函数值，并采用归一化的极值距离比选出当前的最优粒子及其对应的三方博弈目标函数值。
11.一种农村配电网边端服务器，其特征在于，包括：
至少一个处理器；以及与所述处理器通信连接的存储器，其存储有可被所述处理器执行的指令；当所述指令被所述处理器执行时，实现如权利要求1-7任一项所述的农村配电网三方博弈优化调度方法。
12.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7任一项所述的农村配电网三方博弈优化调度方法。
CN202210792666.XA 2022-07-07 2022-07-07 基于边缘控制的农村配电网三方博弈优化调度方法及系统 Pending CN115296347A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210792666.XA CN115296347A (zh) 2022-07-07 2022-07-07 基于边缘控制的农村配电网三方博弈优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210792666.XA CN115296347A (zh) 2022-07-07 2022-07-07 基于边缘控制的农村配电网三方博弈优化调度方法及系统

Publications (1)

Publication Number Publication Date
CN115296347A true CN115296347A (zh) 2022-11-04

Family

ID=83821544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210792666.XA Pending CN115296347A (zh) 2022-07-07 2022-07-07 基于边缘控制的农村配电网三方博弈优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN115296347A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118336717A (zh) * 2024-06-12 2024-07-12 国网山东省电力公司菏泽供电公司 一种电力系统源网协同规划方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108347062A (zh) * 2018-01-12 2018-07-31 华南理工大学 基于势博弈的微电网能量管理分布式多目标协同优化算法
CN108596464A (zh) * 2018-04-17 2018-09-28 南京邮电大学 基于动态非合作博弈的电动汽车与云储能经济调度方法
CN109919658A (zh) * 2019-01-25 2019-06-21 中国电力科学研究院有限公司 一种基于博弈论的负荷控制方法及系统
CN109934487A (zh) * 2019-03-11 2019-06-25 国网福建省电力有限公司 一种考虑多主体利益博弈的主动配电网协调规划方法
AU2019101317A4 (en) * 2019-10-30 2019-12-05 Southeast University A Bi-level Game-Based Planning Framework for Distribution Networks with multiple Micro-girds
CN111047345A (zh) * 2019-10-11 2020-04-21 国网甘肃省电力公司电力科学研究院 一种计及新能源消纳率和用户满意度的电价数据调整方法
CN112072711A (zh) * 2020-08-11 2020-12-11 华北电力大学（保定） 基于动态优先级的配电网灵活性优化调度方法
CN112491036A (zh) * 2020-10-28 2021-03-12 四川大学 一种多主体互动博弈的配电网调峰运行管控方法及系统
CN112800658A (zh) * 2020-11-30 2021-05-14 浙江中新电力工程建设有限公司自动化分公司 一种考虑源储荷互动的主动配电网调度方法
CN113065707A (zh) * 2021-04-08 2021-07-02 国网甘肃省电力公司平凉供电公司 能源调度方法及装置
CN113705906A (zh) * 2021-08-31 2021-11-26 国网四川省电力公司经济技术研究院 一种综合能源园区能源协调优化运行方法及系统
CN113935551A (zh) * 2021-11-25 2022-01-14 华北电力大学（保定） 一种考虑可靠性电价和多主体博弈的配电网规划方法
US20220074620A1 (en) * 2020-09-04 2022-03-10 North China Electric Power University Optimized regulating and controlling method and system for integrated electricity and heat system with heat pumps
CN114400712A (zh) * 2022-01-12 2022-04-26 国网湖北省电力有限公司经济技术研究院 一种基于改进二阶粒子群算法的微电网群优化调度方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108347062A (zh) * 2018-01-12 2018-07-31 华南理工大学 基于势博弈的微电网能量管理分布式多目标协同优化算法
CN108596464A (zh) * 2018-04-17 2018-09-28 南京邮电大学 基于动态非合作博弈的电动汽车与云储能经济调度方法
CN109919658A (zh) * 2019-01-25 2019-06-21 中国电力科学研究院有限公司 一种基于博弈论的负荷控制方法及系统
CN109934487A (zh) * 2019-03-11 2019-06-25 国网福建省电力有限公司 一种考虑多主体利益博弈的主动配电网协调规划方法
CN111047345A (zh) * 2019-10-11 2020-04-21 国网甘肃省电力公司电力科学研究院 一种计及新能源消纳率和用户满意度的电价数据调整方法
AU2019101317A4 (en) * 2019-10-30 2019-12-05 Southeast University A Bi-level Game-Based Planning Framework for Distribution Networks with multiple Micro-girds
CN112072711A (zh) * 2020-08-11 2020-12-11 华北电力大学（保定） 基于动态优先级的配电网灵活性优化调度方法
US20220074620A1 (en) * 2020-09-04 2022-03-10 North China Electric Power University Optimized regulating and controlling method and system for integrated electricity and heat system with heat pumps
CN112491036A (zh) * 2020-10-28 2021-03-12 四川大学 一种多主体互动博弈的配电网调峰运行管控方法及系统
CN112800658A (zh) * 2020-11-30 2021-05-14 浙江中新电力工程建设有限公司自动化分公司 一种考虑源储荷互动的主动配电网调度方法
CN113065707A (zh) * 2021-04-08 2021-07-02 国网甘肃省电力公司平凉供电公司 能源调度方法及装置
CN113705906A (zh) * 2021-08-31 2021-11-26 国网四川省电力公司经济技术研究院 一种综合能源园区能源协调优化运行方法及系统
CN113935551A (zh) * 2021-11-25 2022-01-14 华北电力大学（保定） 一种考虑可靠性电价和多主体博弈的配电网规划方法
CN114400712A (zh) * 2022-01-12 2022-04-26 国网湖北省电力有限公司经济技术研究院 一种基于改进二阶粒子群算法的微电网群优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JI-WON LEE ET AL: "An Evolutionary Game Theory-Based Optimal Scheduling Strategy for Multiagent Distribution Network Operation Considering Voltage Management", IEEE ACCESS, vol. 10, 10 May 2022 (2022-05-10), pages 50227 - 50241 *
李力行;苗世洪;孙丹丹;李超;叶畅;: "多利益主体参与下主动配电网完全信息动态博弈行为", 电工技术学报, no. 15, 4 December 2017 (2017-12-04) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118336717A (zh) * 2024-06-12 2024-07-12 国网山东省电力公司菏泽供电公司 一种电力系统源网协同规划方法

Similar Documents

Publication Publication Date Title
CN112467722B (zh) 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
CN110350523B (zh) 基于需求响应的多能源互补优化调度方法
CN109713673B (zh) 售电环境下并网型微电网系统配置及优化运行的方法
CN108964050A (zh) 基于需求侧响应的微电网双层优化调度方法
CN108446796A (zh) 考虑电动汽车负荷需求响应的网-源-荷协调规划方法
CN107359649B (zh) 一种考虑多配网接入情形下的输配一体化优化调度方法
CN107453407B (zh) 一种智能微电网分布式能源调度方法
CN113890021B (zh) 一种考虑配电网络约束的多虚拟电厂分布式交易方法
CN113644651A (zh) 一种电价竞价场景下的储能配置优化方法
CN109800927B (zh) 双边电力市场环境下的配电网分布式优化方法
CN109670639A (zh) 基于多目标灰狼算法的区域综合能源系统实时优化方法
CN109873449A (zh) 一种户用微网中光储容量优化配置方法
CN116822719A (zh) 一种配电网的多目标规划方法及装置
CN115296347A (zh) 基于边缘控制的农村配电网三方博弈优化调度方法及系统
CN115204562A (zh) 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统
CN118134572A (zh) 一种能源共享框架下的配电网新能源分布式交易方法及其系统
CN110556821B (zh) 考虑交互功率控制和双边竞价交易的多微电网双层优化调度方法
CN111062773B (zh) 一种虚拟电厂交易管理系统
CN116432862A (zh) 一种面向可再生能源微电网的多主体博弈优化方法及装置
Ye et al. Coordinated optimization scheduling of data center and electricity retailer based on cooperative game theory
CN116488218A (zh) 工业园区储能配置方法、装置、电子设备及存储介质
CN116307437A (zh) 基于碳排放权兑换机制的虚拟电厂优化调度方法及系统
Chen et al. Value stacking of a behind-the-meter utility-scale battery for demand response markets and demand charge management: real-world operation on the UC San Diego campus
CN113555887A (zh) 电网能源控制方法、装置、电子设备及存储介质
CN117674300B (zh) 虚拟电厂资源调度方法、装置、终端设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination