CN115663791A - 基于运行环境时变性的智能配电网多目标自适应调度方法 - Google Patents

Abstract

本发明公开了基于运行环境时变性的智能配电网多目标自适应调度方法，涉及智能配电网技术领域，调度方法包括以下步骤：S1：建立多目标自适应日前调度的数学模型，S2:建立以态势感知为框架的智能配电网多目标自适应调度流程，所述调度流程包括态势觉察、历史日态势理解、调度日态势理解、态势预测和态势利导五个阶段。该基于运行环境时变性的智能配电网多目标自适应调度方法，为配电网实现全面智能调度提供了技术支撑：在智能配电网环境下，能够自行将任何一个调度日的运行环境与历史数据相匹配，获取最适合调度日的自适应权重，进而得到既能有效提高配电网安全裕度，又能减少弃风弃光量，还能降低运行成本的最优日前调度方案。

Description

基于运行环境时变性的智能配电网多目标自适应调度方法

技术领域

本发明涉及智能配电网技术领域，具体为基于运行环境时变性的智能配电网多目标自适应调度方法。

背景技术

随着传统配电网逐渐向智能配电网(Smart Distribution grids，SDG) 过渡，高级自动化和大数据技术等新技术的快速发展和应用为配电网实现源- 网-荷各侧资源的综合协调优化运行提供了条件，但同时以风机、光伏为代表具有强不确定性的分布式可再生电源(Distributed Renewable Generation， DRG)并网比例的显著提高，将导致弃风弃光等问题，甚至可能威胁到配电网的安全运行，传统的配电网调度运行方法不再适用。如何制定既能保证配电网安全经济运行，又能尽可能减少弃风弃光量的全面调度方案成为智能配电网调度运行中亟需解决的问题。

目前国内外针对SDG的优化调度问题已开展了大量研究和实践工作。现有的研究成果虽然对SDG的调度运行发展提供了技术支撑，但大多以经济性最优为单目标，且对SDG各类可控资源考虑不完全，不符合SDG调度运行的全面性要求；另外，考虑多元目标的调度策略仍以“主观决策+客观分析型”为主，智能化程度不高，且一般均以全局最优为目标，忽略了调度周期内每个时段运行环境的独特性。

于是，有鉴于此，针对现有的技术及缺失予以研究改良，提出基于运行环境时变性的智能配电网多目标自适应调度方法，以期达到更具有更加实用价值性的目的。

发明内容

本发明的目的在于提供基于运行环境时变性的智能配电网多目标自适应调度方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于运行环境时变性的智能配电网多目标自适应调度方法，调度方法包括以下步骤：

S1：建立多目标自适应日前调度的数学模型，所述多目标自适应日前调度的数学模型中的调度周期的综合运行评估指标为目标函数，把源网荷交互系统下的网络重构与储能、DRG和无功补偿设备可控资源协同运行作为调度手段，建立多目标自适应日前调度的数学模型；

S101、建立运行评估指标，所述运行评估指标包括系统电压偏移率、DRG 出力削减率和成本率，其中系统电压偏移率评估运行安全性，DRG出力削减率评估DRG消纳能力，成本率评估运行经济性；

S102、建立目标函数，调度日内以及各个时段自适应权重的系统电压偏移率、DRG出力削减率和成本率之和的综合运行评估指标为目标函数，且自适应日前调度的周期为24h，单位时间间隔为1h，优化控制变量包括：联络开关和分段开关的位置、储能有功无功出力、DRG的有功出力削减量与运行功率因数、柔性负荷调节量、无功电源出力；

S103、建立约束条件函数，所述约束条件包括网络潮流约束、网络重构约束、DRG和储能运行约束、无功电源出力约束以及柔性负荷调节约束；

S2:建立以态势感知为框架的智能配电网多目标自适应调度流程，所述调度流程包括态势觉察、历史日态势理解、调度日态势理解、态势预测和态势利导五个阶段，且感知配电网各时段优化调度的侧重点并进行自适应调整，最终引导调度日的运行态势达到最优；

S201、调度流程中的态势觉察是通过检测和获取配电网中的元素和信息，为态势理解和态势预测提供数据支撑；

S202、历史日态势理解是对配电网的历史运行态势进行理解；

S203、调度日态势理解是指基于历史日的运行态势理解，通过对调度日的运行环境进行理解，最终寻优得到最优的日前调度方案；

S204、是指对配电网的数据进行感知和理解后，对配电网运行态势的发展变化规律进行总结；

S205、态势利导是指根据态势预测的结果，分析配电网运行安全的薄弱时段和环节。

进一步的，所述S101中系统电压偏移率函数为：

式中：

和V_i ^t分别为配电网t时段第i个节点的电压偏移率和节点电压幅值；V_N为全网统一的额定电压；V_max和V_min分别为节点电压幅值的上、下限；

为t时段配电网的系统电压偏移率；N为配电网节点电压总个数；Ω≤1和Ω>1 分别为电压未越限和越限的节点集合；

所述S101中DRG出力削减率函数为：

式中：

为t时段配电网的DRG出力削减率；N_rdg为DRG的总台数；

为第i台DRG在t时段运行环境下的最大可能出力，

为该DRG所要削减的出力，

时，t时段配电网满额消纳；

所述S101中运行成本率的函数为：

式中：

为t时段配电网与上级电网的交易成本，

为配电网与上级电网间的购售电标识变量，从上级电网处购电时

向上级电网售电时

为t时段配电网与上级电网的交易电价，

为该时段配电网与上级电网的交互功率，ΔT为时段间隔；

为t时段配电网的损耗成本，由网络损耗成本

和储能损耗成本

组成，

为t时段损耗成本电价，

为 t时段配电网的网络损耗功率，N_ess为储能总个数，

和h_ess,i分别为第i个储能的充放电功率和充放电效率，h_ess,i分别为充电效率

和放电效率

当储能充电时，

h_ess,i为充电效率

放电时

h_ess,i为放电效率

为t时段配电网向DRG购电的成本，

和

分别为t时段第i台DRG的上网电价和实际出力；

为t时段配电网的柔性负荷调节成本，由负荷削减成本

和负荷平移成本

构成，N_cut为参与负荷削减的总用户数，

为负荷削减的用户补偿电价，

为t时段第i个用户的负荷削减量，N_tran为参与负荷平移的负荷节点数，

为负荷每平移一个时段的用户补偿电价，

和

分别为 t时段第i个用户的负荷平移移出量和负荷平移时段数。

进一步的，所述S102中目标函数为：

式中：

和

分别是系统电压偏移率、DRG出力削减率和运行成本率在t时段的权重因子。

进一步的，所述S103中网络潮流约束还包括配电网的功率平衡约束、节点电压上下限约束和支路功率上限约束，且三者对应的函数分别为：

分别为节点i在t时段的净有功功率和净无功功率注入量；

为配电网t时段节点j的节点电压幅值；G_ij、B_ij和θ_ij分别为节点i和节点j形成支路的电导、电纳和相角差；

S_l,max分别为调度日中支路l上流过的实际潮流和最大允许流过潮流；

所述S103中网络重构约束还包括网络拓扑约束和开关操作次数约束，所述网络拓扑约束的函数为：g∈G，所述开关操作次数约束的函数为：

式中，g为所采用的网络结构；G为所有允许的辐射状网络结构集合，即既无环网又无孤岛的网络结构集合；M为总支路数；k_l,t为第t时段第l条支路的开关状态，支路闭合时 k_l,t＝1，支路断开时k_l,t＝0；N_SK、N_K分别为调度日内最大允许的总的开关操作次数和第l条支路开关的最大允许的操作次数；

所述S103中DRG和储能运行约束包括DRG的有功出力上下限约束、功率因数调节上下限约束和有功出力削减约束，且三者对应的函数分别为：

其中，

和

分别是第i台DRG的有功出力上下限；

为该台 DRG在t时段的功率因数，

和

为其允许调节的上下限；

所述S103中DRG和储能运行约束还包括储能的逆变器容量限制约束、充放电功率上下限约束、荷电状态及其上下限约束，具体函数分别为：

，其中，

第i台储能在t时段的无功出力，S_ess,i,max为该台储能逆变器的最大视在功率；P_ess,i,min和P_ess,i,max为第i台储能充放电功率上下限；

为第i 台储能在t时段的荷电状态，SOC_i,min和SOC_i,max为其上下限；E_ess,i为第i台储能的额定容量；

所述S103中的无功电源出力约束函数为：

其中，无功电源采取可双向调节无功的静止同步补偿器，

为第i台静止同步补偿器在t时段的无功出力，Q_s,i,min和Q_s,i,max为其出力上下限；

所述S103中的柔性负荷调节约束中的柔性负荷分为可削减负荷和可平移负荷，且可削减负荷的削减量上限、可平移负荷的移出量上限、移入量上限、最大延迟供电时间约束和平衡约束函数分别为：

其中，

和

分别为第i处柔性负荷在t时段的最大可削减量、最大可移出量和最大可移入量；ΔD_tran,max为可平移负荷的最大允许延迟供电时间。

进一步的，所述S201中态势觉察的具体步骤为：

获取配电网的网架结构、线路参数；

根据短期预测技术得到调度日的运行环境数据：各节点负荷时序曲线以及风光气象数据，进而得到风机和光伏的时序最大可能出力曲线；

数据挖掘：从历史数据库中获取配电网所属地区近三年历史日的运行环境数据及运行状态数据，其中包括各节点电压值、网络潮流及各电气设备的实际出力情况数据。

进一步的，所述S202历史日态势理解的操作步骤如下：

判别并统计历史日中运行环境与调度日相近的相似日，将每一个历史日的运行环境数据与调度日进行比较分析，判别其是否为相似日并进行统计，当历史日中第d天的风光荷数据总波动度x_d小于或等于规定的波动阈值D时，认为该日的运行环境数据与调度日相似，即属于相似日，其中D的取值为10％， x_d的计算公式为：

ξ_d≤D

式中：分别以调度日的负荷、风机出力和光伏出力数据为基准，历史日中第d天有功负荷、无功负荷、风机出力和光伏出力数据的波动度分别为

和

然后，分析相似日并确定调度日各目标在各时段的权重，纵向分析和统计相似日每个时段的运行态势规律，确定系统电压偏移率、DRG出力消减率和运行成本率在各个时段的权重值，为调度日态势理解提供数据支撑，其中公式为：

和

式中，NUM为历史日态势理解阶段第一步统计得到的相似日的数量，

为t时段配电网电压出现电压越限的相似日数量，

为t时段配电网DRG未满额消纳的相似日数量，

为t时段配电网电压均未越限且DRG均满额消纳的相似日数量。

进一步的，所述S203中调度日态势理解具体步骤如下：

以历史日态势理解阶段所得的各目标在各时段的权重值完善多目标自适应调度模型；

在调度日的运行环境的基础上，通过智能算法对多目标自适应调度模型求解，且智能算法采取粒子群优化算法；

获取当前自适应权重下的调度日的最优调度方案。

进一步的，所述S205中态势利导的步骤如下：

根据态势预测对运行安全态势的预测结果，判断各时段的系统电压偏移率

是否均小于或等于1，即判断各时段是否存在电压越限情况，若所有时段的系统电压偏移率满足

则表明该方案不存在潜在安全风险，为最优日前调度方案，直接输出结果；

若存在任一时段t_r，使得

则表明若在调度日执行该方案会导致在时段t_r出现电压越限的情况，即通过历史日态势理解阶段得到自适应权重值不完全适合调度日运行环境，该方案为非最优日前调度方案，则各评估指标在各时段的权重值需要进行修正；

将非最优日前调度方案的运行态势结果作为一个虚拟相似日的运行状态数据，重新统计相似日数据，公式如下，NUM＝NUM+1，相似日总数增加1 天，然后重新统计各时段的

和

并将统计结果反馈至历史日态势理解阶段，重新求解寻优，直到得到保证配电网安全运行的最优日前调度方案。。

进一步的，所述调度方法基于I7CPU，4G内存PC端以及matlab2014a软件。

本发明提供了基于运行环境时变性的智能配电网多目标自适应调度方法，具备以下有益效果：该基于运行环境时变性的智能配电网多目标自适应调度方法，为配电网实现全面智能调度提供了技术支撑：在智能配电网环境下，能够自行将任何一个调度日的运行环境与历史数据相匹配，获取最适合调度日的自适应权重，进而得到既能有效提高配电网安全裕度，又能减少弃风弃光量，还能降低运行成本的最优日前调度方案；

1、本发明提出的运行评估指标可以定量评估配电网的运行安全性、DRG 消纳能力和运行经济性，并在态势预测阶段有效展示出配电网在调度日时的运行态势，并反映出其薄弱环节。

2、本发明通过态势觉察和态势理解等阶段可以从历史数据中寻得与调度日运行环境相近的相似日，基于相似日的运行态势规律感知调度日在各个时段的优化侧重点，进而自动调整所建立的多目标自适应调度模型中的每个时段各运行评估指标的权重值，最后通过态势预测阶段和态势利导阶段的不断修正，得到最适合调度日的最优日前调度方案。

附图说明

图1为本发明以态势感知为框架的智能配电网多目标自适应调度流程图；

图2为本发明改进的IEEE33节点配电系统网络结构示意图；

图3为本发明调度日光照强度和风速预测曲线示意图；

图4为本发明调度日负荷预测曲线示意图；

图5为本发明方案3中各运行评估指标在各时段的权重值示意图；

图6为本发明基准调度方案在各时段的运行成本示意图；

图7为本发明四种方案在调度日的运行安全态势示意图；

图8为本发明四种方案在调度日的DRG消纳能力态势示意图；

图9为本发明四种方案在调度日的运行经济态势示意图。

具体实施方式

请参阅图1-9，本发明提供一种技术方案：基于运行环境时变性的智能配电网多目标自适应调度方法，调度方法包括以下步骤：

S1：建立多目标自适应日前调度的数学模型，多目标自适应日前调度的数学模型中的调度周期的综合运行评估指标为目标函数，把源网荷交互系统下的网络重构与储能、DRG和无功补偿设备可控资源协同运行作为调度手段，建立多目标自适应日前调度的数学模型；

S101、建立运行评估指标，运行评估指标包括系统电压偏移率、DRG出力削减率和成本率，其中系统电压偏移率评估运行安全性，DRG出力削减率评估DRG消纳能力，成本率评估运行经济性；

S102、建立目标函数，调度日内以及各个时段自适应权重的系统电压偏移率、DRG出力削减率和成本率之和的综合运行评估指标为目标函数，且自适应日前调度的周期为24h，单位时间间隔为1h，优化控制变量包括：联络开关和分段开关的位置、储能有功无功出力、DRG的有功出力削减量与运行功率因数、柔性负荷调节量、无功电源出力；

S103、建立约束条件函数，约束条件包括网络潮流约束、网络重构约束、 DRG和储能运行约束、无功电源出力约束以及柔性负荷调节约束；

S2:建立以态势感知为框架的智能配电网多目标自适应调度流程，调度流程包括态势觉察、历史日态势理解、调度日态势理解、态势预测和态势利导五个阶段，且感知配电网各时段优化调度的侧重点并进行自适应调整，最终引导调度日的运行态势达到最优；

S201、调度流程中的态势觉察是通过检测和获取配电网中的元素和信息，为态势理解和态势预测提供数据支撑；

S202、历史日态势理解是对配电网的历史运行态势进行理解；

S203、调度日态势理解是指基于历史日的运行态势理解，通过对调度日的运行环境进行理解，最终寻优得到最优的日前调度方案；

S204、是指对配电网的数据进行感知和理解后，对配电网运行态势的发展变化规律进行总结；

S205、态势利导是指根据态势预测的结果，分析配电网运行安全的薄弱时段和环节。

S101中系统电压偏移率函数为：

式中：

和V_i ^t分别为配电网t时段第i个节点的电压偏移率和节点电压幅值；V_N为全网统一的额定电压；V_max和V_min分别为节点电压幅值的上、下限；

为t时段配电网的系统电压偏移率；N为配电网节点电压总个数；Ω≤1和Ω>1 分别为电压未越限和越限的节点集合；

S101中DRG出力削减率函数为：

式中：

为t时段配电网的DRG出力削减率；N_rdg为DRG的总台数；

为第i台DRG在t时段运行环境下的最大可能出力，

为该DRG所要削减的出力，

时，t时段配电网满额消纳；

S101中运行成本率的函数为：

式中：

为t时段配电网与上级电网的交易成本，

为配电网与上级电网间的购售电标识变量，从上级电网处购电时

向上级电网售电时

为t时段配电网与上级电网的交易电价，

为该时段配电网与上级电网的交互功率，ΔT为时段间隔；

为t时段配电网的损耗成本，由网络损耗成本

和储能损耗成本

组成，

为t时段损耗成本电价，

为 t时段配电网的网络损耗功率，N_ess为储能总个数，

和h_ess,i分别为第i个储能的充放电功率和充放电效率，h_ess,i分别为充电效率

和放电效率

当储能充电时，

h_ess,i为充电效率

放电时

h_ess,i为放电效率

为t时段配电网向DRG购电的成本，

和

分别为t时段第i台DRG的上网电价和实际出力；

为t时段配电网的柔性负荷调节成本，由负荷削减成本

和负荷平移成本

构成，N_cut为参与负荷削减的总用户数，

为负荷削减的用户补偿电价，

为t时段第i个用户的负荷削减量，N_tran为参与负荷平移的负荷节点数，

为负荷每平移一个时段的用户补偿电价，

和

分别为 t时段第i个用户的负荷平移移出量和负荷平移时段数。

S102中目标函数为：

式中：

和

分别是系统电压偏移率、DRG出力削减率和运行成本率在t时段的权重因子。

S103中网络潮流约束还包括配电网的功率平衡约束、节点电压上下限约束和支路功率上限约束，且三者对应的函数分别为：

分别为节点i在t时段的净有功功率和净无功功率注入量；

为配电网t时段节点j的节点电压幅值；G_ij、B_ij和θ_ij分别为节点i和节点j形成支路的电导、电纳和相角差；

S_l,max分别为调度日中支路l上流过的实际潮流和最大允许流过潮流；

S103中网络重构约束还包括网络拓扑约束和开关操作次数约束，网络拓扑约束的函数为：g∈G，开关操作次数约束的函数为：

式中，g为所采用的网络结构；G为所有允许的辐射状网络结构集合，即既无环网又无孤岛的网络结构集合；M为总支路数；k_l,t为第t时段第l条支路的开关状态，支路闭合时k_l,t＝1，支路断开时k_l,t＝0； N_SK、N_K分别为调度日内最大允许的总的开关操作次数和第l条支路开关的最大允许的操作次数；

S103中DRG和储能运行约束包括DRG的有功出力上下限约束、功率因数调节上下限约束和有功出力削减约束，且三者对应的函数分别为：

其中，

和

分别是第i台DRG的有功出力上下限；

为该台 DRG在t时段的功率因数，

和

为其允许调节的上下限；

S103中DRG和储能运行约束还包括储能的逆变器容量限制约束、充放电功率上下限约束、荷电状态及其上下限约束，具体函数分别为：

其中，

第i台储能在t时段的无功出力，S_ess,i,max为该台储能逆变器的最大视在功率；P_ess,i,min和P_ess,i,max为第i台储能充放电功率上下限；

为第i台储能在t时段的荷电状态，SOC_i,min和SOC_i,max为其上下限；E_ess,i为第i台储能的额定容量；

S103中的无功电源出力约束函数为：

其中，无功电源采取可双向调节无功的静止同步补偿器，

为第i台静止同步补偿器在t时段的无功出力，Q_s,i,min和Q_s,i,max为其出力上下限；

S103中的柔性负荷调节约束中的柔性负荷分为可削减负荷和可平移负荷，且可削减负荷的削减量上限、可平移负荷的移出量上限、移入量上限、最大延迟供电时间约束和平衡约束函数分别为：

其中，

和

分别为第i处柔性负荷在t时段的最大可削减量、最大可移出量和最大可移入量；ΔD_tran,max为可平移负荷的最大允许延迟供电时间。

建立上述调度模型，实现配电网多目标自适应调度的关键在于如何合理确定每个目标在各个时段所占的权重。为此，本专利将态势感知技术应用于智能配电网调度领域，从态势觉察、态势理解、态势预测和态势利导四阶段逐层递进，构建了以态势感知为框架的智能配电网多目标自适应调度流程，该流程旨在通过深入剖析配电网历史运行数据与调度日运行数据的联系，总结运行态势规律，进而感知配电网各时段优化调度的侧重点并进行自适应调整，最终引导调度日的运行态势达到最优。

S201中态势觉察的具体步骤为：

获取配电网的网架结构、线路参数；

根据短期预测技术得到调度日的运行环境数据：各节点负荷时序曲线以及风光气象数据，进而得到风机和光伏的时序最大可能出力曲线；

数据挖掘：从历史数据库中获取配电网所属地区近三年历史日的运行环境数据及运行状态数据，其中包括各节点电压值、网络潮流及各电气设备的实际出力情况数据。

需要说明的是，本专利是在配电网发展成为智能配电网的背景下开展研究，此时配电网发展速度放缓，较为稳定。为便于分析，本专利假设三年内配电网未发生建设和改造，即历史日与调度日的网架结构和线路参数相同；另外鉴于同一地区的风光气象和负荷变化规律在一定时期内不会有较大波动，假设三年的历史数据较为全面，基本涵盖各种情景下的运行环境。

S202历史日态势理解的操作步骤如下：

判别并统计历史日中运行环境与调度日相近的相似日，将每一个历史日的运行环境数据与调度日进行比较分析，判别其是否为相似日并进行统计，当历史日中第d天的风光荷数据总波动度x_d小于或等于规定的波动阈值D时，认为该日的运行环境数据与调度日相似，即属于相似日，其中D的取值为10％， x_d的计算公式为：

ξ_d≤D

式中：分别以调度日的负荷、风机出力和光伏出力数据为基准，历史日中第d天有功负荷、无功负荷、风机出力和光伏出力数据的波动度分别为

和

然后，分析相似日并确定调度日各目标在各时段的权重，纵向分析和统计相似日每个时段的运行态势规律，确定系统电压偏移率、DRG出力消减率和运行成本率在各个时段的权重值，为调度日态势理解提供数据支撑，其中公式为：

和

式中，NUM为历史日态势理解阶段第一步统计得到的相似日的数量，

为t时段配电网电压出现电压越限的相似日数量，

为t时段配电网DRG未满额消纳的相似日数量，

为t时段配电网电压均未越限且DRG均满额消纳的相似日数量。

S203中调度日态势理解具体步骤如下：

以历史日态势理解阶段所得的各目标在各时段的权重值完善多目标自适应调度模型；

在调度日的运行环境的基础上，通过智能算法对多目标自适应调度模型求解，且智能算法采取粒子群优化算法；

获取当前自适应权重下的调度日的最优调度方案。

S205中态势利导的步骤如下：

根据态势预测对运行安全态势的预测结果，判断各时段的系统电压偏移率

是否均小于或等于1，即判断各时段是否存在电压越限情况，若所有时段的系统电压偏移率满足

则表明该方案不存在潜在安全风险，为最优日前调度方案，直接输出结果；

若存在任一时段t_r，使得

则表明若在调度日执行该方案会导致在时段t_r出现电压越限的情况，即通过历史日态势理解阶段得到自适应权重值不完全适合调度日运行环境，该方案为非最优日前调度方案，则各评估指标在各时段的权重值需要进行修正；

将非最优日前调度方案的运行态势结果作为一个虚拟相似日的运行状态数据，重新统计相似日数据，公式如下，NUM＝NUM+1，相似日总数增加1 天，然后重新统计各时段的

和

并将统计结果反馈至历史日态势理解阶段，重新求解寻优，直到得到保证配电网安全运行的最优日前调度方案。。

调度方法基于I7CPU，4G内存PC端以及matlab2014a软件。

实施例二：采用改进的IEEE33节点配电系统仿真，如图2所示，并网电气设备的基本参数如下：节点22-32的负荷参与柔性负荷调节，其可削减负荷比例为10％，可平移负荷比例为30％，最大允许延迟供电时间取6小时；风机安装在节点15和26上，额定容量分别0.8MW和0.2MW；光伏安装在节点9、 19、23和32上，其中32节点的光伏的额定容量为0.8MW，其余光伏的额定容量为0.2MW；相同型号的储能安装在节点15和32上，其额定容量为1.4MW，逆变器的最大视在功率为0.7MW，SOC调节范围为10％～90％；充放电效率为95％； STATCOM安装在节点8，其额定容量为0.2Mvar；

历史日的运行环境数据及历史日的运行状态数据由以下方式获得：历史日的风速和光强数据来自我国华东某地的三年统计值；历史日的年负荷数据由该地三年的负荷时序曲线结合IEEE33节点算例的基本参数仿真得到；上述历史日的运行环境数据为实际数据，而每一个历史日的调度方案应该是在日前预测数据的基础上得到，然后根据该调度方案和实际运行环境数据得到历史日的运行状态数据，故本专利对运行环境预测误差的分析与处理，基于历史日的实际运行环境数据反推得到日前预测运行环境数据，然后根据日前预测数据以经济性最优为目标寻找每一个历史日的调度方案，最终结合调度方案和实际运行环境数据潮流计算得出历史日的实际运行状态数据；调度日各个时段的光照强度和风速预测曲线如图3所示，负荷预测曲线如图4所示；

各时段配电网与上级电网的交易电价、损耗成本电价和负荷削减的用户补偿电价均取0.74元/kWh，负荷每平移一个时段的用户补偿电价取0.12元 /kWh，风电和光伏的上网电价分别取0.80元/kWh和1.00元/kWh；

利用历史日态势理解技术对态势觉察技术所得到的历史日运行数据和调度日运行数据进行关联和分析，最终统计得到23个相似日，其中与调度日最相似的相似日的总波动度xd为0.015873；然后在经过调度日态势理解、态势预测和态势利导阶段的不断修正后，系统电压偏移率、DRG出力削减率和运行成本率在各个时段的最终权重值如图5所示；

由图5可知：系统电压偏移率在1-9和12时段的权重值为0，说明在与调度日运行环境相近的23个相似日中，上述时段均未存在电压越限问题，则调度日内配电网在这段时间不需要考虑运行安全问题，而在其他时段特别是负荷高峰期，配电网容易出现电压越限问题，故系统电压偏移率权重值较高；DRG出力削减率在负荷高峰期18-23时段权重值为0，说明这段时间的运行环境，配电网均可满额消纳已并网DRG的出力，只需保证配电网运行安全性和经济性即可，而在6-17时段的权重值较高，这是由于这段时间的DRG出力较大，大多数相似日中配电网为保证安全运行，均进行了DRG出力削减，从而导致弃风弃光问题，故要在调度日的这段时间着重考虑如何减少弃风弃光；运行成本率的权重值在0-5时段较高，甚至在2和4-5时段的权重为1，表明此时配电网既难以出现电压越限问题，也难以出现弃风弃光问题，调度时重点关注经济性即可；

为充分验证本专利所提方法和模型的优越性，本专利针对上述算例采用了以下四种方案分别进行优化调度并比较分析其调度结果。

方案1：基准调度方案，即不采取任何调度手段；方案2：以整个调度周期的运行成本率

之和最小为目标进行优化调度，即系统电压偏移率

和DRG 出力削减率

在各时段的权重值均为0；方案3：利用基于运行环境时变性的智能配电网多目标自适应调度方法来进行优化调度；方案4：以调度周期的系统电压偏移率、DRG出力削减率和运行成本率之和最小为目标进行优化调度，其中上述三个运行评估指标在各时段的权重均各为1/3，方案1在每个时段的运行成本如图6所示，总运行成本为40225.77元，由于方案1是基准调度方案，则其每个时段的运行成本率

为1。四种方案的调度结果如表1所示，四种方案在调度日的运行安全态势、DRG消纳能力态势和运行经济态势如图 7-9所示，

表1为四种方案的调度结果比较

需要说明的是，表1中各个方案的日系统电压偏移率是以相应方案在调度日运行一天时，各个时段的

简单相加而得，日DRG出力削减率和日运行成本率同理；综合运行评估指标需要按式(10)将三个运行评估指标(

和

)带权重相加而得，而方案1为基准调度方案，各指标在各时段无权重值，故无综合运行评估指标，方案2同理。

观察表1和图7-9中四种方案的各类评估指标和相应运行态势，可知尽管方案1(不调度方案)可使DRG出力削减率为0，但却会造成配电网在19-22 时段的电压严重越限，日系统电压偏移率高达82.464，不满足配电网安全运行要求；相较于方案1，方案2-4的日运行成本率均有一定程度的降低，同时日系统电压偏移率均明显降低，分别下降了73.605、75.017和74.915，且各个时段的

均小于1，这表明计及源网荷各侧可控资源的调度虽然会削减DRG 出力，但是却能降低运行成本和明显改善配电网电压水平，保证配电网安全经济运行。

比较方案2、方案3和方案4的各类评估指标和运行态势可知：在运行安全性上，方案3的日系统电压偏移率最低，优于方案2和4，分别降低了1.412 和0.102，可以看出相较于方案2，方案3的运行安全有明显改善，且由图7 可得方案3和4在各时段的

普遍低于0.5，安全裕度较高，而方案2在时段17、21和23的

接近于1，表明这三个时段的配电网安全裕度较低，若在日内实际运行中存在突发情况，较大可能会发生电压越限，存在一定的安全风险；在DRG消纳能力上，方案3的日DRG出力削减率最低，明显优于方案2 和4，分别降低了4.263和3.401，结合图5和图8可发现正是因为方案3在 6-17时段侧重优化

这一指标，才使得方案3在这段时间的

较低；在运行经济性上，方案2的日运行成本率最低，仅略优于方案3和4，相较于方案 3和4分别降低了0.337和0.547；在综合运行评估指标上，方案4劣于方案 3，高出1.826；

综上，仅考虑运行经济性的方案2虽然达到了经济性最优，却牺牲了配电网运行安全性和DRG消纳能力，方案4虽然兼顾运行安全性、DRG消纳能力和运行经济性，但由于是定权重加权，未计及各时段不同的运行环境对调度方案的影响，故在各类指标上均劣于方案3，这再次证明了本专利所提方法可根据各时段不同的运行环境对优化目标侧重点细化调整，最终得到的调度方案可实现在对配电网运行经济性影响不大的前提下，有效提高配电网的运行安全性和减轻弃风弃光问题。

综上，基于运行环境时变性的智能配电网多目标自适应调度方法，使用时，调度方法包括以下步骤：

S1：建立多目标自适应日前调度的数学模型，多目标自适应日前调度的数学模型中的调度周期的综合运行评估指标为目标函数，把源网荷交互系统下的网络重构与储能、DRG和无功补偿设备可控资源协同运行作为调度手段，建立多目标自适应日前调度的数学模型；

S101、建立运行评估指标，运行评估指标包括系统电压偏移率、DRG出力削减率和成本率，其中系统电压偏移率评估运行安全性，DRG出力削减率评估 DRG消纳能力，成本率评估运行经济性；

S102、建立目标函数，调度日内以及各个时段自适应权重的系统电压偏移率、DRG出力削减率和成本率之和的综合运行评估指标为目标函数，且自适应日前调度的周期为24h，单位时间间隔为1h，优化控制变量包括：联络开关和分段开关的位置、储能有功无功出力、DRG的有功出力削减量与运行功率因数、柔性负荷调节量、无功电源出力；

S103、建立约束条件函数，约束条件包括网络潮流约束、网络重构约束、 DRG和储能运行约束、无功电源出力约束以及柔性负荷调节约束；

S2:建立以态势感知为框架的智能配电网多目标自适应调度流程，调度流程包括态势觉察、历史日态势理解、调度日态势理解、态势预测和态势利导五个阶段，且感知配电网各时段优化调度的侧重点并进行自适应调整，最终引导调度日的运行态势达到最优；

S201、调度流程中的态势觉察是通过检测和获取配电网中的元素和信息，为态势理解和态势预测提供数据支撑；

S202、历史日态势理解是对配电网的历史运行态势进行理解；

S203、调度日态势理解是指基于历史日的运行态势理解，通过对调度日的运行环境进行理解，最终寻优得到最优的日前调度方案；

S204、是指对配电网的数据进行感知和理解后，对配电网运行态势的发展变化规律进行总结；

S205、态势利导是指根据态势预测的结果，分析配电网运行安全的薄弱时段和环节。

S101中系统电压偏移率函数为：

式中：

和V_i ^t分别为配电网t时段第i个节点的电压偏移率和节点电压幅值；V_N为全网统一的额定电压；V_max和V_min分别为节点电压幅值的上、下限；

为t时段配电网的系统电压偏移率；N为配电网节点电压总个数；Ω≤1和Ω>1 分别为电压未越限和越限的节点集合；

S101中DRG出力削减率函数为：

式中：

为t时段配电网的DRG出力削减率；N_rdg为DRG的总台数；

为第i台DRG在t时段运行环境下的最大可能出力，

为该DRG所要削减的出力，

时，t时段配电网满额消纳；

S101中运行成本率的函数为：

式中：

为t时段配电网与上级电网的交易成本，

为配电网与上级电网间的购售电标识变量，从上级电网处购电时

向上级电网售电时

为t时段配电网与上级电网的交易电价，

为该时段配电网与上级电网的交互功率，ΔT为时段间隔；

为t时段配电网的损耗成本，由网络损耗成本

和储能损耗成本

组成，

为t时段损耗成本电价，

为 t时段配电网的网络损耗功率，N_ess为储能总个数，

和h_ess,i分别为第i个储能的充放电功率和充放电效率，h_ess,i分别为充电效率

和放电效率

当储能充电时，

h_ess,i为充电效率

放电时

h_ess,i为放电效率

为t时段配电网向DRG购电的成本，

和

分别为t时段第i台DRG的上网电价和实际出力；

为t时段配电网的柔性负荷调节成本，由负荷削减成本

和负荷平移成本

构成，N_cut为参与负荷削减的总用户数，

为负荷削减的用户补偿电价，

为t时段第i个用户的负荷削减量，N_tran为参与负荷平移的负荷节点数，

为负荷每平移一个时段的用户补偿电价，

和

分别为 t时段第i个用户的负荷平移移出量和负荷平移时段数。

S102中目标函数为：

式中：

和

分别是系统电压偏移率、DRG出力削减率和运行成本率在t时段的权重因子。

S103中网络潮流约束还包括配电网的功率平衡约束、节点电压上下限约束和支路功率上限约束，且三者对应的函数分别为：

P_i ^t、

分别为节点i在t时段的净有功功率和净无功功率注入量；

为配电网t时段节点j的节点电压幅值；G_ij、B_ij和θ_ij分别为节点i和节点j形成支路的电导、电纳和相角差；

S_l,max分别为调度日中支路l上流过的实际潮流和最大允许流过潮流；

S103中网络重构约束还包括网络拓扑约束和开关操作次数约束，网络拓扑约束的函数为：g∈G，开关操作次数约束的函数为：

式中，g为所采用的网络结构；G为所有允许的辐射状网络结构集合，即既无环网又无孤岛的网络结构集合；M为总支路数；k_l,t为第t时段第l条支路的开关状态，支路闭合时k_l,t＝1，支路断开时k_l,t＝0； N_SK、N_K分别为调度日内最大允许的总的开关操作次数和第l条支路开关的最大允许的操作次数；

S103中DRG和储能运行约束包括DRG的有功出力上下限约束、功率因数调节上下限约束和有功出力削减约束，且三者对应的函数分别为：

其中，

和

分别是第i台DRG的有功出力上下限；

为该台 DRG在t时段的功率因数，

和

为其允许调节的上下限；

S103中DRG和储能运行约束还包括储能的逆变器容量限制约束、充放电功率上下限约束、荷电状态及其上下限约束，具体函数分别为：

其中，

第i台储能在t时段的无功出力，S_ess,i,max为该台储能逆变器的最大视在功率；P_ess,i,min和P_ess,i,max为第i台储能充放电功率上下限；SOC_it为第i台储能在t时段的荷电状态，SOC_i,min和SOC_i,max为其上下限；E_ess,i为第i台储能的额定容量；

S103中的无功电源出力约束函数为：

其中，无功电源采取可双向调节无功的静止同步补偿器，

为第i台静止同步补偿器在t时段的无功出力，Q_s,i,min和Q_s,i,max为其出力上下限；

S103中的柔性负荷调节约束中的柔性负荷分为可削减负荷和可平移负荷，且可削减负荷的削减量上限、可平移负荷的移出量上限、移入量上限、最大延迟供电时间约束和平衡约束函数分别为：

其中，

和

分别为第i处柔性负荷在t时段的最大可削减量、最大可移出量和最大可移入量；ΔD_tran,max为可平移负荷的最大允许延迟供电时间。

建立上述调度模型，实现配电网多目标自适应调度的关键在于如何合理确定每个目标在各个时段所占的权重。为此，本专利将态势感知技术应用于智能配电网调度领域，从态势觉察、态势理解、态势预测和态势利导四阶段逐层递进，构建了以态势感知为框架的智能配电网多目标自适应调度流程，该流程旨在通过深入剖析配电网历史运行数据与调度日运行数据的联系，总结运行态势规律，进而感知配电网各时段优化调度的侧重点并进行自适应调整，最终引导调度日的运行态势达到最优。

S201中态势觉察的具体步骤为：

获取配电网的网架结构、线路参数；

根据短期预测技术得到调度日的运行环境数据：各节点负荷时序曲线以及风光气象数据，进而得到风机和光伏的时序最大可能出力曲线；

数据挖掘：从历史数据库中获取配电网所属地区近三年历史日的运行环境数据及运行状态数据，其中包括各节点电压值、网络潮流及各电气设备的实际出力情况数据。

需要说明的是，本专利是在配电网发展成为智能配电网的背景下开展研究，此时配电网发展速度放缓，较为稳定。为便于分析，本专利假设三年内配电网未发生建设和改造，即历史日与调度日的网架结构和线路参数相同；另外鉴于同一地区的风光气象和负荷变化规律在一定时期内不会有较大波动，假设三年的历史数据较为全面，基本涵盖各种情景下的运行环境。

S202历史日态势理解的操作步骤如下：

判别并统计历史日中运行环境与调度日相近的相似日，将每一个历史日的运行环境数据与调度日进行比较分析，判别其是否为相似日并进行统计，当历史日中第d天的风光荷数据总波动度x_d小于或等于规定的波动阈值D时，认为该日的运行环境数据与调度日相似，即属于相似日，其中D的取值为10％， x_d的计算公式为：

ξ_d≤D

式中：分别以调度日的负荷、风机出力和光伏出力数据为基准，历史日中第d天有功负荷、无功负荷、风机出力和光伏出力数据的波动度分别为

和

然后，分析相似日并确定调度日各目标在各时段的权重，纵向分析和统计相似日每个时段的运行态势规律，确定系统电压偏移率、DRG出力消减率和运行成本率在各个时段的权重值，为调度日态势理解提供数据支撑，其中公式为：

和

式中， NUM为历史日态势理解阶段第一步统计得到的相似日的数量，

为t时段配电网电压出现电压越限的相似日数量，

为t时段配电网DRG未满额消纳的相似日数量，

为t时段配电网电压均未越限且DRG均满额消纳的相似日数量。

S203中调度日态势理解具体步骤如下：

以历史日态势理解阶段所得的各目标在各时段的权重值完善多目标自适应调度模型；

在调度日的运行环境的基础上，通过智能算法对多目标自适应调度模型求解，且智能算法采取粒子群优化算法；

获取当前自适应权重下的调度日的最优调度方案。

S205中态势利导的步骤如下：

根据态势预测对运行安全态势的预测结果，判断各时段的系统电压偏移率

是否均小于或等于1，即判断各时段是否存在电压越限情况，若所有时段的系统电压偏移率满足

则表明该方案不存在潜在安全风险，为最优日前调度方案，直接输出结果；

若存在任一时段t_r，使得

则表明若在调度日执行该方案会导致在时段t_r出现电压越限的情况，即通过历史日态势理解阶段得到自适应权重值不完全适合调度日运行环境，该方案为非最优日前调度方案，则各评估指标在各时段的权重值需要进行修正；

将非最优日前调度方案的运行态势结果作为一个虚拟相似日的运行状态数据，重新统计相似日数据，公式如下，NUM＝NUM+1，相似日总数增加1 天，然后重新统计各时段的

和

并将统计结果反馈至历史日态势理解阶段，重新求解寻优，直到得到保证配电网安全运行的最优日前调度方案。

本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施。

Claims (9)

1.基于运行环境时变性的智能配电网多目标自适应调度方法，其特征在于，调度方法包括以下步骤：

S1：建立多目标自适应日前调度的数学模型，所述多目标自适应日前调度的数学模型中的调度周期的综合运行评估指标为目标函数，把源网荷交互系统下的网络重构与储能、DRG和无功补偿设备可控资源协同运行作为调度手段，建立多目标自适应日前调度的数学模型；

S101、建立运行评估指标，所述运行评估指标包括系统电压偏移率、DRG出力削减率和成本率，其中系统电压偏移率评估运行安全性，DRG出力削减率评估DRG消纳能力，成本率评估运行经济性；

S102、建立目标函数，调度日内以及各个时段自适应权重的系统电压偏移率、DRG出力削减率和成本率之和的综合运行评估指标为目标函数，且自适应日前调度的周期为24h，单位时间间隔为1h，优化控制变量包括：联络开关和分段开关的位置、储能有功无功出力、DRG的有功出力削减量与运行功率因数、柔性负荷调节量、无功电源出力；

S103、建立约束条件函数，所述约束条件包括网络潮流约束、网络重构约束、DRG和储能运行约束、无功电源出力约束以及柔性负荷调节约束；

S2:建立以态势感知为框架的智能配电网多目标自适应调度流程，所述调度流程包括态势觉察、历史日态势理解、调度日态势理解、态势预测和态势利导五个阶段，且感知配电网各时段优化调度的侧重点并进行自适应调整，最终引导调度日的运行态势达到最优；

S201、调度流程中的态势觉察是通过检测和获取配电网中的元素和信息，为态势理解和态势预测提供数据支撑；

S202、历史日态势理解是对配电网的历史运行态势进行理解；

S203、调度日态势理解是指基于历史日的运行态势理解，通过对调度日的运行环境进行理解，最终寻优得到最优的日前调度方案；

S204、是指对配电网的数据进行感知和理解后，对配电网运行态势的发展变化规律进行总结；

S205、态势利导是指根据态势预测的结果，分析配电网运行安全的薄弱时段和环节。

2.根据权利要求1所述的基于运行环境时变性的智能配电网多目标自适应调度方法，其特征在于，所述S101中系统电压偏移率函数为：

式中：

和V_i ^t分别为配电网t时段第i个节点的电压偏移率和节点电压幅值；V_N为全网统一的额定电压；V_max和V_min分别为节点电压幅值的上、下限；

为t时段配电网的系统电压偏移率；N为配电网节点电压总个数；Ω≤1和Ω>1分别为电压未越限和越限的节点集合；

所述S101中DRG出力削减率函数为：

式中：

为t时段配电网的DRG出力削减率；N_rdg为DRG的总台数；

为第i台DRG在t时段运行环境下的最大可能出力，

为该DRG所要削减的出力，

时，t时段配电网满额消纳；

所述S101中运行成本率的函数为：

式中：

为t时段配电网与上级电网的交易成本，

为配电网与上级电网间的购售电标识变量，从上级电网处购电时

向上级电网售电时

为t时段配电网与上级电网的交易电价，

为该时段配电网与上级电网的交互功率，ΔT为时段间隔；

为t时段配电网的损耗成本，由网络损耗成本

和储能损耗成本

组成，

为t时段损耗成本电价，

为t时段配电网的网络损耗功率，N_ess为储能总个数，

和h_ess,i分别为第i个储能的充放电功率和充放电效率，h_ess,i分别为充电效率

和放电效率

当储能充电时，

h_ess,i为充电效率

放电时

h_ess,i为放电效率

为t时段配电网向DRG购电的成本，

和

分别为t时段第i台DRG的上网电价和实际出力；

为t时段配电网的柔性负荷调节成本，由负荷削减成本

和负荷平移成本

构成，N_cut为参与负荷削减的总用户数，

为负荷削减的用户补偿电价，

为t时段第i个用户的负荷削减量，N_tran为参与负荷平移的负荷节点数，

为负荷每平移一个时段的用户补偿电价，

和

分别为t时段第i个用户的负荷平移移出量和负荷平移时段数。

3.根据权利要求1所述的基于运行环境时变性的智能配电网多目标自适应调度方法，其特征在于，所述S102中目标函数为：

式中：

和

分别是系统电压偏移率、DRG出力削减率和运行成本率在t时段的权重因子。

4.根据权利要求1所述的基于运行环境时变性的智能配电网多目标自适应调度方法，其特征在于，所述S103中网络潮流约束还包括配电网的功率平衡约束、节点电压上下限约束和支路功率上限约束，且三者对应的函数分别为：

P_i ^t、

分别为节点i在t时段的净有功功率和净无功功率注入量；

为配电网t时段节点j的节点电压幅值；G_ij、B_ij和θ_ij分别为节点i和节点j形成支路的电导、电纳和相角差；

S_l,max分别为调度日中支路l上流过的实际潮流和最大允许流过潮流；

所述S103中网络重构约束还包括网络拓扑约束和开关操作次数约束，所述网络拓扑约束的函数为：g∈G，所述开关操作次数约束的函数为：

式中，g为所采用的网络结构；G为所有允许的辐射状网络结构集合，即既无环网又无孤岛的网络结构集合；M为总支路数；k_l,t为第t时段第l条支路的开关状态，支路闭合时k_l,t＝1，支路断开时k_l,t＝0；N_SK、N_K分别为调度日内最大允许的总的开关操作次数和第l条支路开关的最大允许的操作次数；

所述S103中DRG和储能运行约束包括DRG的有功出力上下限约束、功率因数调节上下限约束和有功出力削减约束，且三者对应的函数分别为：

其中，

和

分别是第i台DRG的有功出力上下限；

为该台DRG在t时段的功率因数，

和

为其允许调节的上下限；

所述S103中DRG和储能运行约束还包括储能的逆变器容量限制约束、充放电功率上下限约束、荷电状态及其上下限约束，具体函数分别为：

其中，

第i台储能在t时段的无功出力，S_ess,i,max为该台储能逆变器的最大视在功率；P_ess,i,min和P_ess,i,max为第i台储能充放电功率上下限；

为第i台储能在t时段的荷电状态，SOC_i,min和SOC_i,max为其上下限；E_ess,i为第i台储能的额定容量；

所述S103中的无功电源出力约束函数为：

其中，无功电源采取可双向调节无功的静止同步补偿器，

为第i台静止同步补偿器在t时段的无功出力，Q_s,i,min和Q_s,i,max为其出力上下限；

所述S103中的柔性负荷调节约束中的柔性负荷分为可削减负荷和可平移负荷，且可削减负荷的削减量上限、可平移负荷的移出量上限、移入量上限、最大延迟供电时间约束和平衡约束函数分别为：

其中，

和

分别为第i处柔性负荷在t时段的最大可削减量、最大可移出量和最大可移入量；ΔD_tran,max为可平移负荷的最大允许延迟供电时间。

5.根据权利要求1所述的基于运行环境时变性的智能配电网多目标自适应调度方法，其特征在于，所述S201中态势觉察的具体步骤为：

获取配电网的网架结构、线路参数；

根据短期预测技术得到调度日的运行环境数据：各节点负荷时序曲线以及风光气象数据，进而得到风机和光伏的时序最大可能出力曲线；

数据挖掘：从历史数据库中获取配电网所属地区近三年历史日的运行环境数据及运行状态数据，其中包括各节点电压值、网络潮流及各电气设备的实际出力情况数据。

6.根据权利要求1所述的基于运行环境时变性的智能配电网多目标自适应调度方法，其特征在于，所述S202历史日态势理解的操作步骤如下：

判别并统计历史日中运行环境与调度日相近的相似日，将每一个历史日的运行环境数据与调度日进行比较分析，判别其是否为相似日并进行统计，当历史日中第d天的风光荷数据总波动度x_d小于或等于规定的波动阈值D时，认为该日的运行环境数据与调度日相似，即属于相似日，其中D的取值为10％，x_d的计算公式为：

ξ_d≤D

式中：分别以调度日的负荷、风机出力和光伏出力数据为基准，历史日中第d天有功负荷、无功负荷、风机出力和光伏出力数据的波动度分别为

和

然后，分析相似日并确定调度日各目标在各时段的权重，纵向分析和统计相似日每个时段的运行态势规律，确定系统电压偏移率、DRG出力消减率和运行成本率在各个时段的权重值，为调度日态势理解提供数据支撑，其中公式为：

和

式中，NUM为历史日态势理解阶段第一步统计得到的相似日的数量，

为t时段配电网电压出现电压越限的相似日数量，

为t时段配电网DRG未满额消纳的相似日数量，

为t时段配电网电压均未越限且DRG均满额消纳的相似日数量。

7.根据权利要求1所述的基于运行环境时变性的智能配电网多目标自适应调度方法，其特征在于，所述S203中调度日态势理解具体步骤如下：

以历史日态势理解阶段所得的各目标在各时段的权重值完善多目标自适应调度模型；

在调度日的运行环境的基础上，通过智能算法对多目标自适应调度模型求解，且智能算法采取粒子群优化算法；

获取当前自适应权重下的调度日的最优调度方案。

8.根据权利要求1所述的基于运行环境时变性的智能配电网多目标自适应调度方法，其特征在于，所述S205中态势利导的步骤如下：

根据态势预测对运行安全态势的预测结果，判断各时段的系统电压偏移率

是否均小于或等于1，即判断各时段是否存在电压越限情况，若所有时段的系统电压偏移率满足

则表明该方案不存在潜在安全风险，为最优日前调度方案，直接输出结果；

若存在任一时段t_r，使得

则表明若在调度日执行该方案会导致在时段t_r出现电压越限的情况，即通过历史日态势理解阶段得到自适应权重值不完全适合调度日运行环境，该方案为非最优日前调度方案，则各评估指标在各时段的权重值需要进行修正；

将非最优日前调度方案的运行态势结果作为一个虚拟相似日的运行状态数据，重新统计相似日数据，公式如下，NUM＝NUM+1，相似日总数增加1天，然后重新统计各时段的

和

并将统计结果反馈至历史日态势理解阶段，重新求解寻优，直到得到保证配电网安全运行的最优日前调度方案。

9.根据权利要求1所述的基于运行环境时变性的智能配电网多目标自适应调度方法，其特征在于，所述调度方法基于I7CPU，4G内存PC端以及matlab2014a软件。

Images