CN115733166A - 一种柔性配电网分布鲁棒运行方法和系统 - Google Patents

一种柔性配电网分布鲁棒运行方法和系统 Download PDF

Info

Publication number
CN115733166A
CN115733166A CN202211463892.XA CN202211463892A CN115733166A CN 115733166 A CN115733166 A CN 115733166A CN 202211463892 A CN202211463892 A CN 202211463892A CN 115733166 A CN115733166 A CN 115733166A
Authority
CN
China
Prior art keywords
electric vehicle
representing
power
distribution network
charging
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
CN202211463892.XA
Other languages
English (en)
Inventor
张梁
赵亮
迟福建
徐晶
王楠
李娟�
张章
刘英英
李桂鑫
钱广超
崔荣靖
赵金利
曲家慧
李鹏
冀浩然
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 Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Tianjin 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 Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211463892.XA priority Critical patent/CN115733166A/zh
Publication of CN115733166A publication Critical patent/CN115733166A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种柔性配电网分布鲁棒运行方法和系统。包括：根据电动车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动车聚合商运行约束；根据柔性配电网参数信息和电动车聚合商运行约束，建立柔性配电网确定性运行优化模型；构建分布式光伏和电动车不确定性场景集；根据分布式光伏和电动车不确定性场景集和柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型；对柔性配电网分布鲁棒优化模型进行求解，得到柔性配电网运行策略数据。能够有效减小不确定环境下策略供电量和实际电动汽车功率需求量之间的不匹配度，在满足电动汽车用户需求的同时保证了配电网的经济高效运行。

Description

一种柔性配电网分布鲁棒运行方法和系统
技术领域
本发明涉及配电技术领域，特别涉及一种柔性配电网分布鲁棒运行方法和系统、一种柔性配电网分布鲁棒优化模型及其建立方法。
背景技术
随着电动车充电桩的井喷式发展，电动车的用电需求日益增长，电动车的储能特性以及多样的充放电特性必将导致配电网能量流动进一步复杂，为了保证在电动车的用电需求得到满足的同时，使配电网安全稳定运行，亟需开展适应大规模充电负荷接入的柔性配电网运行优化方法研究。近年来突飞猛进的柔性配电技术，为解决这一难题提供了契机。智能软开关是安装于传统联络开关处的电力电子装置，能实现馈线间的常态化柔性连接和灵活功率传输控制，具有连续精确调节、响应速度更快、动作成本更低、故障影响更小的特点，大大提高了配电系统控制的灵活性和快速性，可为配电系统的高电能质量、高供电可靠性等电力需求提供技术支撑。
国内外已经开展了考虑电动车接入的配电网运行优化问题的研究，主要集中在电动车有序充电的智能配电网优化控制上，但是在考虑分布式光伏和电动车不确定性、缓解大规模充电负荷接入冲击、实现配电网节能降损和减小电动车购电费用方面仍然存在不足，没有能够同时考虑不同类型电动车的行为特性和智能软开关与电动车的柔性功率调节的技术方案。
发明内容
为解决上述问题，本发明提供了一种柔性配电网分布鲁棒运行方法和系统、一种柔性配电网分布鲁棒优化模型及其建立方法。
第一方面，本发明实施例提供一种柔性配电网分布鲁棒运行方法，包括：
采集柔性配电网参数信息、电动车充电负荷参数信息和智能软开关参数信息；所述柔性配电网参数信息包括全年分布式光伏出力数据，所述电动车充电负荷参数信息包括全年电动车到达充电站时间分布数据；
根据电动车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动车聚合商运行约束；
根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型；
根据全年分布式光伏出力数据和全年电动车到达充电站时间分布数据，构建分布式光伏和电动车不确定性场景集；
根据分布式光伏和电动车不确定性场景集和柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型；
对所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型进行求解，得到运行策略数据；
根据运行策略数据，运行配电网。
第二方面，本发明实施例提供一种柔性配电网分布鲁棒运行系统，包括：
参数信息采集模块，用于采集柔性配电网参数信息、电动车充电负荷参数信息和智能软开关参数信息；所述柔性配电网参数信息包括全年分布式光伏出力数据，所述电动车充电负荷参数信息包括全年电动车到达充电站时间分布数据；
聚合商运行约束构建模块，用于根据电动车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动车聚合商运行约束；
运行优化模型建立模块，用于根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型；
分布鲁棒优化模型建立模块，用于根据全年分布式光伏出力数据和全年电动车到达充电站时间分布数据，构建分布式光伏和电动车不确定性场景集；根据分布式光伏和电动车不确定性场景集和柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型；
运行策略求解模块，用于对所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型进行求解，得到运行策略数据；根据运行策略数据，运行配电网。
基于同一发明构思，本发明实施例提供一种柔性配电网分布鲁棒优化模型建立方法，包括：
采集柔性配电网参数信息、电动车充电负荷参数信息和智能软开关参数信息；所述柔性配电网参数信息包括全年分布式光伏出力数据，所述电动车充电负荷参数信息包括全年电动车到达充电站时间分布数据；
根据电动车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动车聚合商运行约束；
根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型；
根据全年分布式光伏出力数据和全年电动车到达充电站时间分布数据，构建分布式光伏和电动车不确定性场景集；
根据分布式光伏和电动车不确定性场景集和柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型。
基于同一发明构思，本发明实施例提供一种柔性配电网分布鲁棒优化模型，所述柔性配电网分布鲁棒优化模型由前述的方法建立。
本发明实施例提供的上述技术方案的有益效果至少包括：
能够解决柔性配电网的运行经济性提升问题，充分考虑基于虚拟储能的电动汽车聚合商充放电潜力和智能软开关的精准潮流调节，建立考虑分布式光伏和电动汽车不确定性的柔性配电网分布鲁棒优化模型，得到智能软开关运行策略，有效减小了不确定环境下策略供电量和实际电动汽车功率需求量之间的不匹配度，在满足电动汽车用户需求的同时保证了配电网的经济高效运行。
本发明的其它特征和优点将在随后的说明书中阐述，或者通过实施本发明实施例而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。在附图中：
图1为本发明实施例中一种适应充电负荷接入的柔性配电网分布鲁棒运行方法流程图；
图2为本发明实施例中多端智能软开关端口换流器接入位置示意图；
图3为本发明实施例中全年光伏出力数据示意图；
图4为本发明实施例中全年电动汽车到达充电站时间分布数据示意图；
图5为本发明实施例中系统分时电价示意图。
具体实施方式
下面将参照附图更详细地描述本公开示例性实施例。虽然附图中显示了本公开示例性实施例，然而应当理解，可以以各种形式实现本发明技术方案而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题，本发明实施例提供一种柔性配电网分布鲁棒运行方法和系统、一种柔性配电网分布鲁棒优化模型及其建立方法。
实施例一
本发明实施例一提供一种柔性配电网分布鲁棒运行方法，其流程如图1所示，包括如下步骤：
步骤S1：采集柔性配电网参数信息、电动车充电负荷参数信息和智能软开关参数信息；所述柔性配电网参数信息包括全年分布式光伏出力数据，所述电动车充电负荷参数信息包括全年电动车到达充电站时间分布数据。
步骤S2：根据电动车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动车聚合商运行约束；根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型。
在一些具体的实施例中，所述基于虚拟储能的电动车聚合商运行约束，包括：
电动车用户行为特性约束、电动车聚合商充放电功率约束、电动车聚合商电量约束、基于智能软开关直流环节的电动车聚合商接入约束。
在一些具体的实施例中，按照是否参与电网调节以及离网时间是否已知可将电动车用户行为分为四类，所述电动车用户行为特性约束，包括：
I类电动车用户行为特性：不参与电网调节，恒以最大功率充电，充满即走，使充电时间最短，
Figure 159122DEST_PATH_IMAGE001
其中，
Figure 165255DEST_PATH_IMAGE002
表示第n个I类电动车用户需要的充电时长；
Figure 510304DEST_PATH_IMAGE003
表示第n个I类电动车用 户要求离开时要达到的预期电量；
Figure 359312DEST_PATH_IMAGE004
表示第n个I类电动车用户的初始电量；
Figure 281131DEST_PATH_IMAGE005
表示t时 段第n个I类电动车用户的充电功率；
Figure 204088DEST_PATH_IMAGE006
表示第n个I类电动车用户的充电功率最大值；
Figure 779426DEST_PATH_IMAGE007
表示每个调度时段的时长；
Figure 53412DEST_PATH_IMAGE008
表示第n个I类电动车用户开始充电的时间；
Figure 247764DEST_PATH_IMAGE009
表示第n个I 类电动车用户充电结束并离开的时间；
II类电动车用户行为特性：不参与电网调节，以最大功率充电直至电量达到预期电量，而后不再充电，且不立刻离开，在预期离开时间脱离充电站，
Figure 618703DEST_PATH_IMAGE010
其中，
Figure 302625DEST_PATH_IMAGE011
表示第n个II类电动车用户需要的充电时长；
Figure 1591DEST_PATH_IMAGE012
表示第n个II类电动车 用户要求离开时要达到的预期电量；
Figure 796371DEST_PATH_IMAGE013
表示第n个II类电动车用户的初始电量；
Figure 21816DEST_PATH_IMAGE014
表示 t时段第n个II类电动车用户的充电功率；
Figure 76973DEST_PATH_IMAGE015
表示第n个II类电动车用户的充电功率最大 值；
Figure 59972DEST_PATH_IMAGE016
表示每个调度时段的时长；
Figure 720761DEST_PATH_IMAGE017
表示第n个II类电动车用户开始充电的时间；
Figure 738395DEST_PATH_IMAGE018
第n 个II类电动车用户充电结束的时间；
Figure 701803DEST_PATH_IMAGE019
表示第n个II类电动车用户的预期离开时间；
III类电动车用户行为特性：参与电网调节，响应电价引导，在接入充电站期间，充电功率根据电网运行状态进行优化调整，在电价低于低电价阈值时以大于大功率阈值的功率进行充电，在电价高于高电价阈值时以小于小功率阈值的功率充电或者不充电，
Figure 499995DEST_PATH_IMAGE020
其中，
Figure 902157DEST_PATH_IMAGE021
表示t时段第n个III类电动车用户的充电功率；
Figure 711981DEST_PATH_IMAGE022
表示第n个III类电 动车用户的充电功率最大值；
Figure 908608DEST_PATH_IMAGE023
表示第n个III类电动车用户要求离开时要达到的预期 电量；
Figure 928516DEST_PATH_IMAGE024
表示第n个III类电动车用户的初始电量；
Figure 72053DEST_PATH_IMAGE025
表示第n个III类电动车用户的容 量；
Figure 789911DEST_PATH_IMAGE026
表示每个调度时段的时长；
Figure 485335DEST_PATH_IMAGE027
表示第n个III类电动车用户开始充电的时间；
Figure 930223DEST_PATH_IMAGE028
表 示第n个III类电动车用户离开的时间；
IV类电动车用户行为特性：参与电网调节，在接入充电站期间，在电价高于高电价阈值时向电网放电，电价低于低电价阈值时充电，响应电价引导和电网运行优化需求，
Figure 346292DEST_PATH_IMAGE029
其中，
Figure 193025DEST_PATH_IMAGE030
表示t时段第n个IV类电动车用户的充电功率，假设功率从配电网流向电 动车为充电正方向；
Figure 59350DEST_PATH_IMAGE031
表示第n个IV类电动车用户的充电功率最大值；
Figure 929217DEST_PATH_IMAGE032
表示第n个IV 类电动车用户的放电功率最大值；
Figure 211293DEST_PATH_IMAGE033
第n个IV类电动车用户离开时要求达到的预期电量；
Figure 974850DEST_PATH_IMAGE034
表示第n个IV类电动车用户的初始电量；
Figure 153022DEST_PATH_IMAGE035
表示t时段第n个IV类电动车用户的电量；
Figure 507255DEST_PATH_IMAGE036
表示第n个IV类电动车用户的容量；
Figure 796285DEST_PATH_IMAGE037
表示第n个IV类电动车用户电量的下限；
Figure 352031DEST_PATH_IMAGE038
表示 每个调度时段的时长；
Figure 560159DEST_PATH_IMAGE039
表示第n个IV类电动车用户开始充电的时间；
Figure 404618DEST_PATH_IMAGE040
第n个IV类电动 车用户离开的时间；
上述I至IV类电动车用户行为特性还包括：
Figure 28497DEST_PATH_IMAGE041
其中，
Figure 766646DEST_PATH_IMAGE042
表示电动车离开充电站时间的分段概率密度函数；
Figure 83358DEST_PATH_IMAGE043
表示电动车离开充 电站的时间；
Figure 106459DEST_PATH_IMAGE044
表示电动车离开充电站时间平均值；
Figure 596346DEST_PATH_IMAGE045
表示电动车离开充电站时间标准 差；
Figure 64367DEST_PATH_IMAGE046
表示电动车初始荷电量的概率密度函数；
Figure 551981DEST_PATH_IMAGE047
表示电动车初始荷电量；
Figure 230087DEST_PATH_IMAGE048
表示电动 车初始荷电量平均值；
Figure 664610DEST_PATH_IMAGE049
表示电动车初始荷电量标准差；
Figure 49455DEST_PATH_IMAGE050
表示电动车的初始电量，
Figure 504707DEST_PATH_IMAGE051
表 示电动车电量上限。
在一些具体的实施例中，所述电动车聚合商充放电功率约束，包括：
Figure 808125DEST_PATH_IMAGE052
其中，
Figure 577498DEST_PATH_IMAGE053
表示t时段电动车聚合商节点k处的充电功率，假设功率从配电网流向电 动车聚合商为正方向；
Figure 144746DEST_PATH_IMAGE054
表示t时段电动车聚合商充电功率最大值；
Figure 256052DEST_PATH_IMAGE055
表示t时段电动车 聚合商放电功率最大值；
Figure 846433DEST_PATH_IMAGE056
表示电动车类型；
Figure 357180DEST_PATH_IMAGE057
表示电动车类型集合，
Figure 465687DEST_PATH_IMAGE058
； n表示电动车索引；
Figure 528321DEST_PATH_IMAGE059
表示第n个
Figure 543681DEST_PATH_IMAGE056
类电动车充电功率最大值；
Figure 920436DEST_PATH_IMAGE060
表示t时段充电站中
Figure 196696DEST_PATH_IMAGE056
类电动车数量；
Figure 508860DEST_PATH_IMAGE061
表示第n个
Figure 136151DEST_PATH_IMAGE062
类电动车放电功率最大值。
在一些具体的实施例中，所述电动车聚合商电量约束，包括：
Figure 51017DEST_PATH_IMAGE063
其中，
Figure 57150DEST_PATH_IMAGE064
表示t时段电动车聚合商的电量；
Figure 399270DEST_PATH_IMAGE065
表示t时段电动车聚合商充电功率， 假设功率从配电网流向电动车聚合商为正方向；
Figure 513856DEST_PATH_IMAGE066
表示每个调度时段的时长；
Figure 901588DEST_PATH_IMAGE067
表示t 时段电动车接入充电站导致增加的聚合商电量；
Figure 90124DEST_PATH_IMAGE068
表示t时段电动车离开充电站导致减 少的聚合商电量；
Figure 665462DEST_PATH_IMAGE056
表示电动车类型；
Figure 939448DEST_PATH_IMAGE069
表示电动车类型集合，
Figure 133800DEST_PATH_IMAGE070
；n表示 电动车索引；
Figure 504739DEST_PATH_IMAGE071
表示t时段接入充电站的
Figure 188661DEST_PATH_IMAGE056
类电动车数量；
Figure 622047DEST_PATH_IMAGE072
表示t时段离开充电站的
Figure 682407DEST_PATH_IMAGE056
类电动车数量，
Figure 642273DEST_PATH_IMAGE073
表示t时段充电站中
Figure 700359DEST_PATH_IMAGE056
类电动车数量；
Figure 951867DEST_PATH_IMAGE074
表示第n个
Figure 612656DEST_PATH_IMAGE056
类电动车接 入充电站时的初始电量；
Figure 364711DEST_PATH_IMAGE075
表示第n个
Figure 593698DEST_PATH_IMAGE056
类电动车离开充电站时的电量；
Figure 63994DEST_PATH_IMAGE076
表示t时段电 动车聚合商电量最大值；
Figure 794053DEST_PATH_IMAGE077
表示第n个
Figure 338298DEST_PATH_IMAGE056
类电动车的容量。
在一些具体的实施例中，所述基于智能软开关直流环节的电动车聚合商接入约束，包括：
Figure 800503DEST_PATH_IMAGE078
其中，
Figure 820412DEST_PATH_IMAGE079
表示t时段电动车聚合商节点k处的充电功率，假设功率从配电网流向电 动车聚合商为正方向；
Figure 760686DEST_PATH_IMAGE080
表示t时段SOP在节点
Figure 690596DEST_PATH_IMAGE081
处换流器的有功损耗；
Figure 386019DEST_PATH_IMAGE082
表示t时段 SOP注入节点
Figure 562398DEST_PATH_IMAGE081
的有功功率；
Figure 244046DEST_PATH_IMAGE083
表示t时段SOP注入节点
Figure 90779DEST_PATH_IMAGE084
的无功功率；
Figure 957104DEST_PATH_IMAGE085
、
Figure 826971DEST_PATH_IMAGE086
分别表 示SOP注入节点
Figure 109048DEST_PATH_IMAGE081
的有功功率上、下限；
Figure 872605DEST_PATH_IMAGE087
分别表示SOP注入节点
Figure 581935DEST_PATH_IMAGE088
的无功功率上、下 限；
Figure 204677DEST_PATH_IMAGE089
表示节点
Figure 352762DEST_PATH_IMAGE090
处SOP的损耗系数；
Figure 908508DEST_PATH_IMAGE091
表示节点
Figure 983213DEST_PATH_IMAGE092
处换流器的容量；
Figure 624409DEST_PATH_IMAGE081
表示接入SOP的节 点索引，
Figure 576185DEST_PATH_IMAGE093
；
Figure 189700DEST_PATH_IMAGE094
表示接入SOP的节点集合，
Figure 240833DEST_PATH_IMAGE095
。
在一些具体的实施例中，根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型，包括：
以柔性配电网运行成本和电动车聚合商购电成本整体最小为目标函数的目标，考虑基于虚拟储能的电动车聚合商运行约束、分布式光伏运行约束和柔性配电网运行约束，建立柔性配电网确定性运行优化模型。
在一些具体的实施例中，所述目标函数表示为：
Figure 431643DEST_PATH_IMAGE096
其中，f表示整体目标函数；
Figure 62475DEST_PATH_IMAGE097
表示配电网运行成本；
Figure 592814DEST_PATH_IMAGE098
表示电动车聚合商购电成 本；
Figure 142744DEST_PATH_IMAGE099
表示配电网有功损耗费用；
Figure 758533DEST_PATH_IMAGE100
表示配电网电压越限成本；
Figure 661898DEST_PATH_IMAGE101
表示配电网支路集合；
Figure 374639DEST_PATH_IMAGE102
表示支路
Figure 30224DEST_PATH_IMAGE103
的电阻值；
Figure 70992DEST_PATH_IMAGE104
表示t时段支路
Figure 840365DEST_PATH_IMAGE103
上的电流的平方；
Figure 142033DEST_PATH_IMAGE105
表示t时段节点i处的 SOP损耗；
Figure 971449DEST_PATH_IMAGE106
表示接入SOP的节点集合；
Figure 765093DEST_PATH_IMAGE107
表示每个调度时段的时长；
Figure 134894DEST_PATH_IMAGE108
表示网络损耗的 单位成本；
Figure 494331DEST_PATH_IMAGE109
表示t时段节点
Figure 432331DEST_PATH_IMAGE110
的电压幅值的平方；
Figure 244430DEST_PATH_IMAGE111
表示配电网节点总数；
Figure 949080DEST_PATH_IMAGE112
表示总时段 数；
Figure 103637DEST_PATH_IMAGE113
表示t时段节点i处的有功负荷；
Figure 274855DEST_PATH_IMAGE114
表示节点电压上限；
Figure 636566DEST_PATH_IMAGE115
表示节点电压下限；
Figure 285854DEST_PATH_IMAGE116
表示节点电压优化区间上限；
Figure 557566DEST_PATH_IMAGE117
表示节点电压优化区间下限，当节点电压不在优化区间
Figure 227582DEST_PATH_IMAGE118
时，通过系统优化减小电压偏离优化区间的程度；
Figure 14272DEST_PATH_IMAGE119
表示t时段节点i处电压越 限的单位惩罚成本；
Figure 670513DEST_PATH_IMAGE120
表示配电网节点集合；
Figure 921365DEST_PATH_IMAGE121
表示惩罚成本参数；
Figure 434386DEST_PATH_IMAGE122
表示t时段聚合商k 从配电网吸收的有功功率；
Figure 646056DEST_PATH_IMAGE123
表示t时段的分时电价；
将
Figure 230621DEST_PATH_IMAGE124
线性化后的表达式如下：
Figure 270734DEST_PATH_IMAGE125
其中，
Figure 892339DEST_PATH_IMAGE126
表示电压辅助变量；
Figure 715939DEST_PATH_IMAGE127
表示t时段节点
Figure 776299DEST_PATH_IMAGE110
的电压幅值的平方；
Figure 611530DEST_PATH_IMAGE128
表示节 点电压优化区间上限；
Figure 794250DEST_PATH_IMAGE129
表示节点电压优化区间下限，当节点电压不在优化区间
Figure 42829DEST_PATH_IMAGE130
时，通过系统优化减小电压偏离优化区间的程度；
Figure 578984DEST_PATH_IMAGE131
表示t时段节点i处电压越 限的单位惩罚成本；
Figure 331039DEST_PATH_IMAGE132
表示惩罚成本参数。
在一些具体的实施例中，所述分布式光伏运行约束，包括：
Figure 950239DEST_PATH_IMAGE133
其中，
Figure 358218DEST_PATH_IMAGE134
表示t时段节点i上的分布式电源的有功出力；
Figure 509449DEST_PATH_IMAGE135
表示t时段节点i上 的分布式电源的有功出力的预测值；
Figure 443907DEST_PATH_IMAGE136
表示t时段节点i上的分布式电源的无功出力；
Figure 109375DEST_PATH_IMAGE137
表示t时段节点i上的分布式电源的无功出力的上下限；
Figure 801388DEST_PATH_IMAGE138
表示节点i处分布式 电源的容量。
在一些具体的实施例中，所述柔性配电网运行约束，包括：
Figure 69558DEST_PATH_IMAGE139
其中，
Figure 796205DEST_PATH_IMAGE140
表示t时段节点
Figure 366995DEST_PATH_IMAGE110
处电压幅值的平方；
Figure 874200DEST_PATH_IMAGE141
表示t时段支路
Figure 618165DEST_PATH_IMAGE142
电流幅值的平 方；
Figure 137002DEST_PATH_IMAGE143
表示节点j的上游支路、
Figure 268906DEST_PATH_IMAGE144
表示节点j的下游支路；
Figure 935511DEST_PATH_IMAGE145
表示配电网支路集合；
Figure 417920DEST_PATH_IMAGE146
分 别表示支路
Figure 119160DEST_PATH_IMAGE147
的电阻和电抗；
Figure 156386DEST_PATH_IMAGE148
表示t时段支路
Figure 513549DEST_PATH_IMAGE143
上从节点i流向节点j的有功功率；
Figure 599317DEST_PATH_IMAGE149
表 示t时段支路
Figure 217380DEST_PATH_IMAGE143
上从节点i流向节点j的无功功率；
Figure 97612DEST_PATH_IMAGE150
表示t时段注入节点i的有功功率；
Figure 942071DEST_PATH_IMAGE151
表示t时段注入节点i的无功功率；
Figure 893846DEST_PATH_IMAGE152
表示t时段连接在节点i上的分布式光伏注入节点
Figure 304099DEST_PATH_IMAGE110
的 有功功率；
Figure 558494DEST_PATH_IMAGE153
表示t时段连接在节点i上的分布式光伏注入节点
Figure 14883DEST_PATH_IMAGE110
的无功功率；
Figure 445383DEST_PATH_IMAGE154
表示t时 段SOP注入节点i的有功功率；
Figure 303618DEST_PATH_IMAGE155
表示t时段SOP注入节点
Figure 595491DEST_PATH_IMAGE110
的无功功率；
Figure 945701DEST_PATH_IMAGE156
表示t时段节 点
Figure 380224DEST_PATH_IMAGE110
上负荷消耗的有功功率；
Figure 827386DEST_PATH_IMAGE157
表示t时段节点i上负荷消耗的无功功率；
Figure 485901DEST_PATH_IMAGE158
表示t时段节 点
Figure 792248DEST_PATH_IMAGE110
的电压幅值；
Figure 623938DEST_PATH_IMAGE159
表示t时段支路
Figure 860360DEST_PATH_IMAGE143
上从节点i流向节点j的电流大小；
Figure 627459DEST_PATH_IMAGE160
分别表示节点
Figure 952261DEST_PATH_IMAGE110
的电压上、下限。
步骤S3：根据全年分布式光伏出力数据和全年电动车到达充电站时间分布数据，构建分布式光伏和电动车不确定性场景集；根据分布式光伏和电动车不确定性场景集和柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型。
在一些具体的实施例中，所述分布式光伏和电动车不确定性场景集，包括：
Figure 853221DEST_PATH_IMAGE161
其中，
Figure 150341DEST_PATH_IMAGE162
表示数据驱动的分布式光伏和电动车不确定性场景集；下标
Figure 150658DEST_PATH_IMAGE163
表示不确 定性场景索引，取值范围为
Figure 25073DEST_PATH_IMAGE164
表示聚类生成的典型场景数，
Figure 136249DEST_PATH_IMAGE165
表示 聚类生成的具有离散概率的典型不确定性场景；
Figure 287875DEST_PATH_IMAGE166
表示第
Figure 786990DEST_PATH_IMAGE167
个典型场景的概率，
Figure 86384DEST_PATH_IMAGE168
表示典型场景概率实数集；
Figure 941863DEST_PATH_IMAGE169
表示由各典型场景初始概率组成的列向量，P 表示由各典型场景概率组成的列向量；
Figure 275893DEST_PATH_IMAGE170
和
Figure 680329DEST_PATH_IMAGE171
分别表示第
Figure 404703DEST_PATH_IMAGE167
个典型场景实际概率和初始概 率；N表示历史数据的场景总数；
Figure 123260DEST_PATH_IMAGE172
表示数据驱动的分布式光伏和电动车不确定性场景概率 的置信集合；
Figure 374113DEST_PATH_IMAGE173
和
Figure 887134DEST_PATH_IMAGE174
分别表示1-范数和
Figure 833224DEST_PATH_IMAGE175
范数约束的置信区间；
Figure 417789DEST_PATH_IMAGE176
与
Figure 460832DEST_PATH_IMAGE177
表示概率分布集的 可信度；
Figure 82437DEST_PATH_IMAGE178
和
Figure 171616DEST_PATH_IMAGE179
表示场景概率的置信度。
在一些具体的实施例中，所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型，包括：
Figure 963467DEST_PATH_IMAGE180
其中，A、B、C、D、E、F表示各类约束对应的系数矩阵；
Figure 64278DEST_PATH_IMAGE181
表示各类约 束中的常数列向量；z表示SOP决策变量集合；
Figure 919101DEST_PATH_IMAGE182
表示第
Figure 229997DEST_PATH_IMAGE163
个典型场景中的待优化变量集合， 包括表征配电系统运行状态的节点电压变量和线路传输功率变量以及电动车充放电功率 变量等；
Figure 562889DEST_PATH_IMAGE183
表示第
Figure 783786DEST_PATH_IMAGE184
个场景中的不确定变量，即光伏的出力水平和电动车到达充电站时间 分布。
步骤S4：对所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型进行求解，得到运行策略数据；根据运行策略数据，运行配电网。
在一些具体的实施例中，对所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型进行求解，得到运行策略数据，包括：采用列和约束生成算法求解所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型，得到智能软开关运行策略、聚合商充电策略，配电网运行成本以及电动车购电成本。
在一些具体的实施例中，采用列和约束生成算法求解所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型，包括：将求解所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型分为主问题和子问题，进行迭代求解；
其中，主问题表示为：
Figure 871828DEST_PATH_IMAGE185
给定第一阶段变量
Figure 342124DEST_PATH_IMAGE186
情况下，子问题可表示为：
Figure 947548DEST_PATH_IMAGE187
内层子问题和外层子问题可分别表示为：
Figure 882006DEST_PATH_IMAGE188
其中，下标r表示迭代次数索引，取值范围为
Figure 78632DEST_PATH_IMAGE189
为模型迭代求解总次 数；
Figure 254135DEST_PATH_IMAGE190
为求解主问题时引入的辅助变量；
Figure 522305DEST_PATH_IMAGE191
为第r次迭代时第
Figure 248953DEST_PATH_IMAGE163
个典型场景中的待优化变量 集合；
Figure 819743DEST_PATH_IMAGE192
为第
Figure 326947DEST_PATH_IMAGE163
个场景的可行域；
Figure 70912DEST_PATH_IMAGE193
为第r次迭代时第
Figure 589750DEST_PATH_IMAGE163
个典型场景的概率；
Figure 393757DEST_PATH_IMAGE194
为第r次迭 代中主问题计算得到的SOP运行策略；
Figure 122679DEST_PATH_IMAGE195
表示内层子问题；
Figure 873597DEST_PATH_IMAGE196
表示外层子问题；
Figure 309258DEST_PATH_IMAGE197
表示内层 子问题获得的第
Figure 346484DEST_PATH_IMAGE184
个场景的最优目标函数值，
Figure 107242DEST_PATH_IMAGE198
表示第
Figure 193010DEST_PATH_IMAGE199
个典型场景的概率；
设定主问题总运行成本下界值
Figure 686439DEST_PATH_IMAGE200
，子问题总运行成本上界值
Figure 160146DEST_PATH_IMAGE201
，并初始 化迭代次数
Figure 801343DEST_PATH_IMAGE202
；
求解主问题,获得最优SOP出力策略
Figure 628484DEST_PATH_IMAGE203
、最优SOP运行策略下系统总运行成本
Figure 38737DEST_PATH_IMAGE204
，并 更新主问题下界值
Figure 417766DEST_PATH_IMAGE205
；
将主问题求解所得的SOP最优调度策略带入内层子问题，求解内层子问题，获取各典型场景最小运行成本；
求解外层子问题，得到使系统运行成本最恶劣的场景概率分布，并更新子问题上 界值
Figure 549189DEST_PATH_IMAGE206
；
判断主问题和子问题的上下界值之差是否小于设定的收敛精度
Figure 180021DEST_PATH_IMAGE207
，若小于，停止 迭代，输出计算所得总运行成本；否则，更新主问题各场景概率分布，在主问题中添加新的 待优化变量
Figure 772677DEST_PATH_IMAGE208
及含变量
Figure 994711DEST_PATH_IMAGE208
的不等式约束和二阶锥约束、含变量
Figure 548183DEST_PATH_IMAGE209
和SOP运行策略变量z的 不等式约束、含优化变量
Figure 107340DEST_PATH_IMAGE209
和涉及不确定性变量
Figure 492185DEST_PATH_IMAGE210
的不等式约束，更新迭代次数，
Figure 88383DEST_PATH_IMAGE211
，重新求解主问题。
例如，在一个具体的实施例中，一种适应充电负荷接入的柔性配电网分布鲁棒运行方法，其流程图1所示，包括如下步骤：
1）根据选定的柔性配电网，输入柔性配电网参数信息，包括：配电网络拓扑和参数信息、电力负荷接入位置和参数信息、分布式光伏接入位置和全年分布式光伏出力数据、系统分时电价；输入电动汽车充电负荷参数信息，包括：各电动汽车类型、充放电功率上下限、电池容量、初始电量、预期充电电量、全年电动汽车到达充电站时间分布数据；输入智能软开关参数信息，包括：端口换流器容量、端口接入位置、有功损耗系数；
对于本实施例，首先输入改进的天津配电网中线路参数、负荷参数及网络拓扑连接关系，包含4条馈线，额定电压为10.5kV，总有功负荷为9.988MW，总无功需求为7.335Mvar，详细参数见表1~表2。设定配电网中接入5台分布式光伏，接入位置如图2中PV连接的节点所示，各分布式光伏容量均为1000kW，并以恒功率因数1.0运行，全年分布式光伏出力数据如图3所示。设定一天内充电站接待的电动汽车总数为300辆，四种类型电动汽车的数量比为1:1:3:5，电动汽车充放电功率最大值均为7kW，电池容量为40kWh，全年电动汽车到达充电站时间分布数据如图4所示。设定系统分时电价如图5所示，网络损耗单位成本、电压偏差惩罚成本如表3所示。设定多端智能软开关端口换流器接入位置，如图2所示，各个换流器的容量均为3MVA，有功损耗系数设为0.01，规定正方向为向节点注入功率的方向。
2）根据步骤1）提供的电动汽车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动汽车聚合商运行约束，包括：电动汽车用户行为特性约束、电动汽车聚合商充放电功率约束、电动汽车聚合商电量约束、基于智能软开关直流环节的电动汽车聚合商接入约束；
（1）按照是否参与电网调节以及离网时间是否已知可将电动车用户行为分为四类，所述的电动汽车用户行为特性约束，可表示为：
① I类电动汽车用户行为特性：不参与电网调节，恒以最大功率充电，充满即走，使充电时间最短，
Figure 925889DEST_PATH_IMAGE212
其中，
Figure 23158DEST_PATH_IMAGE002
表示第n个I类电动车用户需要的充电时长；
Figure 465771DEST_PATH_IMAGE003
表示第n个I类电动车用 户要求离开时要达到的预期电量；
Figure 292257DEST_PATH_IMAGE004
表示第n个I类电动车用户的初始电量；
Figure 679376DEST_PATH_IMAGE005
表示t时 段第n个I类电动车用户的充电功率；
Figure 252440DEST_PATH_IMAGE213
表示第n个I类电动车用户的充电功率最大值；
Figure 815140DEST_PATH_IMAGE007
表示每个调度时段的时长；
Figure 877774DEST_PATH_IMAGE008
表示第n个I类电动车用户开始充电的时间；
Figure 689872DEST_PATH_IMAGE009
表示第n个I 类电动车用户充电结束并离开的时间；
② II类电动汽车用户行为特性：不参与电网调节，以最大功率充电直至电量达到预期电量，而后不再充电，且不立刻离开，在预期离开时间脱离充电站，
Figure 738730DEST_PATH_IMAGE214
其中，
Figure 280570DEST_PATH_IMAGE011
表示第n个II类电动车用户需要的充电时长；
Figure 451789DEST_PATH_IMAGE012
表示第n个II类电动车 用户要求离开时要达到的预期电量；
Figure 688866DEST_PATH_IMAGE215
表示第n个II类电动车用户的初始电量；
Figure 603732DEST_PATH_IMAGE014
表示t 时段第n个II类电动车用户的充电功率；
Figure 397814DEST_PATH_IMAGE015
表示第n个II类电动车用户的充电功率最大 值；
Figure 474355DEST_PATH_IMAGE016
表示每个调度时段的时长；
Figure 464307DEST_PATH_IMAGE017
表示第n个II类电动车用户开始充电的时间；
Figure 527072DEST_PATH_IMAGE018
第n 个II类电动车用户充电结束的时间；
Figure 450029DEST_PATH_IMAGE019
表示第n个II类电动车用户的预期离开时间；
③ III类电动汽车用户行为特性：参与电网调节，响应电价引导。这类车在接入充电站期间，充电功率可以根据电网运行状态进行优化调整，在电价低时以较大的功率进行充电，在电价高时以较小的功率充电或者不充电，
Figure 55061DEST_PATH_IMAGE216
其中，
Figure 329047DEST_PATH_IMAGE217
表示t时段第n个III类电动车用户的充电功率；
Figure 526329DEST_PATH_IMAGE218
表示第n个III类电 动车用户的充电功率最大值；
Figure 897267DEST_PATH_IMAGE219
表示第n个III类电动车用户要求离开时要达到的预期电 量；
Figure 581190DEST_PATH_IMAGE220
表示第n个III类电动车用户的初始电量；
Figure 280155DEST_PATH_IMAGE221
表示第n个III类电动车用户的容量；
Figure 74936DEST_PATH_IMAGE222
表示每个调度时段的时长；
Figure 34802DEST_PATH_IMAGE027
表示第n个III类电动车用户开始充电的时间；
Figure 358467DEST_PATH_IMAGE028
表示 第n个III类电动车用户离开的时间；
④ IV类电动汽车用户行为特性：参与电网调节，既可以充电又可以向电网放电。这类车在接入充电站期间，可在电价高时向电网放电，电价低时大量充电，响应电价引导和电网运行优化需求，实现系统的削峰填谷，
Figure 341466DEST_PATH_IMAGE223
其中，
Figure 2255DEST_PATH_IMAGE030
表示t时段第n个IV类电动车用户的充电功率，假设功率从配电网流向电 动车为充电正方向；
Figure 223152DEST_PATH_IMAGE031
表示第n个IV类电动车用户的充电功率最大值；
Figure 248876DEST_PATH_IMAGE032
表示第n个IV 类电动车用户的放电功率最大值；
Figure 781489DEST_PATH_IMAGE033
第n个IV类电动车用户离开时要求达到的预期电量；
Figure 180722DEST_PATH_IMAGE034
表示第n个IV类电动车用户的初始电量；
Figure 990546DEST_PATH_IMAGE035
表示t时段第n个IV类电动车用户的电量；
Figure 187172DEST_PATH_IMAGE036
表示第n个IV类电动车用户的容量；
Figure 472660DEST_PATH_IMAGE037
表示第n个IV类电动车用户电量的下限；
Figure 350617DEST_PATH_IMAGE038
表示 每个调度时段的时长；
Figure 77265DEST_PATH_IMAGE039
表示第n个IV类电动车用户开始充电的时间；
Figure 772688DEST_PATH_IMAGE040
第n个IV类电动 车用户离开的时间；
上述所有类型的电动汽车用户均符合下面的离开时间和初始荷电量特性：
Figure 217576DEST_PATH_IMAGE224
其中，
Figure 899224DEST_PATH_IMAGE042
表示电动车离开充电站时间的分段概率密度函数；
Figure 73854DEST_PATH_IMAGE043
表示电动车离开充 电站的时间；
Figure 549966DEST_PATH_IMAGE044
表示电动车离开充电站时间平均值；
Figure 810046DEST_PATH_IMAGE045
表示电动车离开充电站时间标准 差；
Figure 106771DEST_PATH_IMAGE046
表示电动车初始荷电量的概率密度函数；
Figure 745694DEST_PATH_IMAGE047
表示电动车初始荷电量；
Figure 48499DEST_PATH_IMAGE048
表示电动 车初始荷电量平均值；
Figure 202400DEST_PATH_IMAGE049
表示电动车初始荷电量标准差；
Figure 225851DEST_PATH_IMAGE050
表示电动车的初始电量，
Figure 781597DEST_PATH_IMAGE051
表 示电动车电量上限。
（2）所述的电动汽车聚合商充放电功率约束，可表示为：
Figure 255304DEST_PATH_IMAGE225
其中，
Figure 834184DEST_PATH_IMAGE053
表示t时段电动车聚合商节点k处的充电功率，假设功率从配电网流向电 动车聚合商为正方向；
Figure 785959DEST_PATH_IMAGE226
表示t时段电动车聚合商充电功率最大值；
Figure 461791DEST_PATH_IMAGE055
表示t时段电动车 聚合商放电功率最大值；
Figure 981765DEST_PATH_IMAGE056
表示电动车类型；
Figure 172575DEST_PATH_IMAGE057
表示电动车类型集合，
Figure 800478DEST_PATH_IMAGE227
；n表示电动车索引；
Figure 65237DEST_PATH_IMAGE059
表示第n个
Figure 615167DEST_PATH_IMAGE056
类电动车充电功率最大值；
Figure 434219DEST_PATH_IMAGE060
表示t时段充电站中
Figure 665480DEST_PATH_IMAGE056
类电动车数量；
Figure 378221DEST_PATH_IMAGE061
表示第n个
Figure 708839DEST_PATH_IMAGE062
类电动车放电功率最大值。
（3）所述的电动汽车聚合商电量约束，可表示为：
Figure 811925DEST_PATH_IMAGE228
其中，
Figure 909194DEST_PATH_IMAGE229
表示t时段电动车聚合商的电量；
Figure 351807DEST_PATH_IMAGE230
表示t时段电动车聚合商充电功率， 假设功率从配电网流向电动车聚合商为正方向；
Figure 243540DEST_PATH_IMAGE066
表示每个调度时段的时长；
Figure 833921DEST_PATH_IMAGE067
表示t 时段电动车接入充电站导致增加的聚合商电量；
Figure 613177DEST_PATH_IMAGE068
表示t时段电动车离开充电站导致减 少的聚合商电量；
Figure 769352DEST_PATH_IMAGE056
表示电动车类型；
Figure 972931DEST_PATH_IMAGE069
表示电动车类型集合，
Figure 785029DEST_PATH_IMAGE070
；n表示 电动车索引；
Figure 224101DEST_PATH_IMAGE071
表示t时段接入充电站的
Figure 641307DEST_PATH_IMAGE056
类电动车数量；
Figure 812525DEST_PATH_IMAGE072
表示t时段离开充电站的
Figure 439816DEST_PATH_IMAGE056
类电动车数量，
Figure 292365DEST_PATH_IMAGE073
表示t时段充电站中
Figure 688712DEST_PATH_IMAGE056
类电动车数量；
Figure 30831DEST_PATH_IMAGE074
表示第n个
Figure 20784DEST_PATH_IMAGE056
类电动车接 入充电站时的初始电量；
Figure 536079DEST_PATH_IMAGE075
表示第n个
Figure 721685DEST_PATH_IMAGE056
类电动车离开充电站时的电量；
Figure 437968DEST_PATH_IMAGE076
表示t时段电 动车聚合商电量最大值；
Figure 774272DEST_PATH_IMAGE077
表示第n个
Figure 234203DEST_PATH_IMAGE056
类电动车的容量。
（4）所述的基于智能软开关直流环节的电动汽车聚合商接入约束，可表示为：
Figure 277245DEST_PATH_IMAGE231
其中，
Figure 289064DEST_PATH_IMAGE232
表示t时段电动车聚合商节点k处的充电功率，假设功率从配电网流向电 动车聚合商为正方向；
Figure 722450DEST_PATH_IMAGE080
表示t时段SOP在节点
Figure 110706DEST_PATH_IMAGE081
处换流器的有功损耗；
Figure 8255DEST_PATH_IMAGE082
表示t时段 SOP注入节点
Figure 800762DEST_PATH_IMAGE081
的有功功率；
Figure 377237DEST_PATH_IMAGE083
表示t时段SOP注入节点
Figure 975708DEST_PATH_IMAGE084
的无功功率；
Figure 922237DEST_PATH_IMAGE085
、
Figure 275858DEST_PATH_IMAGE086
分别表 示SOP注入节点
Figure 949416DEST_PATH_IMAGE081
的有功功率上、下限；
Figure 351578DEST_PATH_IMAGE087
分别表示SOP注入节点
Figure 286036DEST_PATH_IMAGE088
的无功功率上、下 限；
Figure 685925DEST_PATH_IMAGE089
表示节点
Figure 971412DEST_PATH_IMAGE090
处SOP的损耗系数；
Figure 911687DEST_PATH_IMAGE091
表示节点
Figure 841597DEST_PATH_IMAGE092
处换流器的容量；
Figure 537020DEST_PATH_IMAGE081
表示接入SOP的节 点索引，
Figure 716329DEST_PATH_IMAGE093
；
Figure 663556DEST_PATH_IMAGE094
表示接入SOP的节点集合，
Figure 572606DEST_PATH_IMAGE233
。
3）根据步骤1）提供的柔性配电网参数信息和步骤2）提供的基于虚拟储能的电动汽车聚合商运行约束，建立适应大规模充电负荷接入的柔性配电网确定性运行优化模型及紧凑形式，包括：以柔性配电网运行成本和电动汽车聚合商购电成本整体最小为目标函数，考虑基于虚拟储能的电动汽车聚合商运行约束、分布式光伏运行约束以及柔性配电网运行约束；
（1）所述的以柔性配电网运行成本和电动汽车聚合商购电成本整体最小为目标函数，可表示为：
Figure 311368DEST_PATH_IMAGE234
其中，f表示整体目标函数；
Figure 243552DEST_PATH_IMAGE097
表示配电网运行成本；
Figure 587945DEST_PATH_IMAGE098
表示电动车聚合商购电成 本；
Figure 492447DEST_PATH_IMAGE099
表示配电网有功损耗费用；
Figure 201777DEST_PATH_IMAGE100
表示配电网电压越限成本；
Figure 683574DEST_PATH_IMAGE101
表示配电网支路集合；
Figure 769342DEST_PATH_IMAGE102
表示支路
Figure 528351DEST_PATH_IMAGE103
的电阻值；
Figure 736478DEST_PATH_IMAGE104
表示t时段支路
Figure 377675DEST_PATH_IMAGE103
上的电流的平方；
Figure 939237DEST_PATH_IMAGE105
表示t时段节点i处的 SOP损耗；
Figure 942965DEST_PATH_IMAGE106
表示接入SOP的节点集合；
Figure 997028DEST_PATH_IMAGE107
表示每个调度时段的时长；
Figure 63204DEST_PATH_IMAGE108
表示网络损耗的 单位成本；
Figure 818670DEST_PATH_IMAGE235
表示t时段节点
Figure 349009DEST_PATH_IMAGE110
的电压幅值的平方；
Figure 39884DEST_PATH_IMAGE111
表示配电网节点总数；
Figure 717990DEST_PATH_IMAGE112
表示总时段 数；
Figure 886935DEST_PATH_IMAGE113
表示t时段节点i处的有功负荷；
Figure 271779DEST_PATH_IMAGE236
表示节点电压上限；
Figure 992611DEST_PATH_IMAGE115
表示节点电压下限；
Figure 298958DEST_PATH_IMAGE116
表示节点电压优化区间上限；
Figure 68331DEST_PATH_IMAGE117
表示节点电压优化区间下限，当节点电压不在优化区间
Figure 635579DEST_PATH_IMAGE118
时，通过系统优化减小电压偏离优化区间的程度；
Figure 399748DEST_PATH_IMAGE119
表示t时段节点i处电压越 限的单位惩罚成本；
Figure 990129DEST_PATH_IMAGE120
表示配电网节点集合；
Figure 625510DEST_PATH_IMAGE121
表示惩罚成本参数；
Figure 922630DEST_PATH_IMAGE122
表示t时段聚合商k 从配电网吸收的有功功率；
Figure 250843DEST_PATH_IMAGE123
表示t时段的分时电价；
将
Figure 62942DEST_PATH_IMAGE124
线性化后的表达式如下：
Figure 377379DEST_PATH_IMAGE237
其中，
Figure 919219DEST_PATH_IMAGE238
表示电压辅助变量；
Figure 90438DEST_PATH_IMAGE127
表示t时段节点
Figure 593094DEST_PATH_IMAGE110
的电压幅值的平方；
Figure 304698DEST_PATH_IMAGE128
表示节 点电压优化区间上限；
Figure 841990DEST_PATH_IMAGE129
表示节点电压优化区间下限，当节点电压不在优化区间
Figure 57813DEST_PATH_IMAGE130
时，通过系统优化减小电压偏离优化区间的程度；
Figure 844503DEST_PATH_IMAGE131
表示t时段节点i处电压越 限的单位惩罚成本；
Figure 359798DEST_PATH_IMAGE132
表示惩罚成本参数。
（2）所述的分布式光伏运行约束，可表示为：
Figure 551264DEST_PATH_IMAGE239
其中，
Figure 1968DEST_PATH_IMAGE134
表示t时段节点i上的分布式电源的有功出力；
Figure 603850DEST_PATH_IMAGE135
表示t时段节点i上 的分布式电源的有功出力的预测值；
Figure 860519DEST_PATH_IMAGE240
表示t时段节点i上的分布式电源的无功出力；
Figure 841245DEST_PATH_IMAGE241
表示t时段节点i上的分布式电源的无功出力的上下限；
Figure 525167DEST_PATH_IMAGE242
表示节点i处分布式电 源的容量。
（3）所述的柔性配电网运行约束，可表示为：
Figure 348766DEST_PATH_IMAGE243
其中，
Figure 346809DEST_PATH_IMAGE140
表示t时段节点
Figure 244358DEST_PATH_IMAGE110
处电压幅值的平方；
Figure 161499DEST_PATH_IMAGE244
表示t时段支路
Figure 613340DEST_PATH_IMAGE142
电流幅值的平 方；
Figure 208882DEST_PATH_IMAGE143
表示节点j的上游支路、
Figure 23254DEST_PATH_IMAGE144
表示节点j的下游支路；
Figure 517820DEST_PATH_IMAGE145
表示配电网支路集合；
Figure 988116DEST_PATH_IMAGE146
分 别表示支路
Figure 452595DEST_PATH_IMAGE147
的电阻和电抗；
Figure 262419DEST_PATH_IMAGE148
表示t时段支路
Figure 724625DEST_PATH_IMAGE143
上从节点i流向节点j的有功功率；
Figure 478954DEST_PATH_IMAGE149
表 示t时段支路
Figure 888070DEST_PATH_IMAGE143
上从节点i流向节点j的无功功率；
Figure 614717DEST_PATH_IMAGE150
表示t时段注入节点i的有功功率；
Figure 44562DEST_PATH_IMAGE151
表示t时段注入节点i的无功功率；
Figure 692712DEST_PATH_IMAGE152
表示t时段连接在节点i上的分布式光伏注入节点
Figure 427888DEST_PATH_IMAGE110
的 有功功率；
Figure 71359DEST_PATH_IMAGE153
表示t时段连接在节点i上的分布式光伏注入节点
Figure 78629DEST_PATH_IMAGE110
的无功功率；
Figure 745234DEST_PATH_IMAGE154
表示t时 段SOP注入节点i的有功功率；
Figure 355207DEST_PATH_IMAGE155
表示t时段SOP注入节点
Figure 56446DEST_PATH_IMAGE110
的无功功率；
Figure 703460DEST_PATH_IMAGE156
表示t时段节 点
Figure 450836DEST_PATH_IMAGE110
上负荷消耗的有功功率；
Figure 536603DEST_PATH_IMAGE157
表示t时段节点i上负荷消耗的无功功率；
Figure 30033DEST_PATH_IMAGE158
表示t时段节 点
Figure 238160DEST_PATH_IMAGE110
的电压幅值；
Figure 879357DEST_PATH_IMAGE159
表示t时段支路
Figure 969148DEST_PATH_IMAGE143
上从节点i流向节点j的电流大小；
Figure 441718DEST_PATH_IMAGE160
分别表示节点
Figure 758430DEST_PATH_IMAGE110
的电压上、下限。
4）根据步骤1）中输入的全年分布式光伏出力数据和全年电动汽车到达充电站时间分布数据，构建数据驱动的分布式光伏和电动汽车不确定性场景集；
（1）所述的数据驱动的分布式光伏和电动汽车不确定性场景集，可表示为：
Figure 90185DEST_PATH_IMAGE245
其中，
Figure 845652DEST_PATH_IMAGE162
表示数据驱动的分布式光伏和电动车不确定性场景集；下标
Figure 313673DEST_PATH_IMAGE163
表示不确 定性场景索引，取值范围为
Figure 801286DEST_PATH_IMAGE246
表示聚类生成的典型场景数，
Figure 479392DEST_PATH_IMAGE165
表示 聚类生成的具有离散概率的典型不确定性场景；
Figure 648337DEST_PATH_IMAGE166
表示第
Figure 33182DEST_PATH_IMAGE167
个典型场景的概率，
Figure 19592DEST_PATH_IMAGE247
表示典型场景概率实数集；
Figure 60360DEST_PATH_IMAGE169
表示由各典型场景初始概率组成的列向量，P 表示由各典型场景概率组成的列向量；
Figure 157629DEST_PATH_IMAGE170
和
Figure 399911DEST_PATH_IMAGE171
分别表示第
Figure 432589DEST_PATH_IMAGE167
个典型场景实际概率和初始概 率；N表示历史数据的场景总数；
Figure 819708DEST_PATH_IMAGE172
表示数据驱动的分布式光伏和电动车不确定性场景概率 的置信集合；
Figure 392771DEST_PATH_IMAGE173
和
Figure 955471DEST_PATH_IMAGE174
分别表示1-范数和
Figure 18105DEST_PATH_IMAGE175
范数约束的置信区间；
Figure 33465DEST_PATH_IMAGE176
与
Figure 144641DEST_PATH_IMAGE177
表示概率分布集的 可信度；
Figure 420901DEST_PATH_IMAGE178
和
Figure 795382DEST_PATH_IMAGE179
表示场景概率的置信度。
5）根据步骤4）得到的分布式光伏和电动汽车不确定性场景集和步骤3）得到的适应大规模充电负荷接入的柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动汽车不确定性的柔性配电网分布鲁棒优化模型；
（1）所述的考虑分布式光伏和电动汽车不确定性的柔性配电网分布鲁棒优化模型，可表示为：
Figure 94776DEST_PATH_IMAGE248
其中，A、B、C、D、E、F表示各类约束对应的系数矩阵；
Figure 71960DEST_PATH_IMAGE249
表示各类 约束中的常数列向量；z表示SOP决策变量集合；
Figure 403059DEST_PATH_IMAGE182
表示第
Figure 948441DEST_PATH_IMAGE163
个典型场景中的待优化变量集 合，包括表征配电系统运行状态的节点电压变量和线路传输功率变量以及电动车充放电功 率变量等；
Figure 531869DEST_PATH_IMAGE183
表示第
Figure 453689DEST_PATH_IMAGE163
个场景中的不确定变量，即光伏的出力水平和电动车到达充电站时 间分布。
6）根据步骤5）得到的考虑分布式光伏和电动汽车不确定性的柔性配电网分布鲁棒优化模型，采用列和约束生成算法求解柔性配电网分布鲁棒优化模型，得到智能软开关运行策略、聚合商充电策略，配电网运行成本以及电动汽车购电成本。
求解柔性配电网分布鲁棒优化模型，可表示为：原问题为两阶段三层优化问题，求解使用列与约束生成算法，将模型分为主问题和子问题，进行反复迭代求解。
①主问题
Figure 642225DEST_PATH_IMAGE250
②子问题
给定第一阶段变量
Figure 483142DEST_PATH_IMAGE251
情况下，子问题可表示为：
Figure 429232DEST_PATH_IMAGE252
内层子问题和外层子问题可分别表示为：
Figure 685901DEST_PATH_IMAGE253
其中，下标r表示迭代次数索引，取值范围为
Figure 56840DEST_PATH_IMAGE254
为模型迭代求解总次 数；
Figure 678445DEST_PATH_IMAGE190
为求解主问题时引入的辅助变量；
Figure 439728DEST_PATH_IMAGE191
为第r次迭代时第
Figure 562405DEST_PATH_IMAGE163
个典型场景中的待优化变量 集合；
Figure 677864DEST_PATH_IMAGE255
为第
Figure 532688DEST_PATH_IMAGE163
个场景的可行域；
Figure 843583DEST_PATH_IMAGE193
为第r次迭代时第
Figure 379738DEST_PATH_IMAGE163
个典型场景的概率；
Figure 397373DEST_PATH_IMAGE194
为第r次迭 代中主问题计算得到的SOP运行策略；
Figure 485414DEST_PATH_IMAGE195
表示内层子问题；
Figure 158972DEST_PATH_IMAGE196
表示外层子问题；
Figure 561135DEST_PATH_IMAGE197
表示内层 子问题获得的第
Figure 495593DEST_PATH_IMAGE184
个场景的最优目标函数值，
Figure 895481DEST_PATH_IMAGE198
表示第
Figure 853073DEST_PATH_IMAGE199
个典型场景的概率；
模型具体求解步骤如下：
(1)设定主问题总运行成本下界值
Figure 386822DEST_PATH_IMAGE256
，子问题总运行成本上界值
Figure 48223DEST_PATH_IMAGE201
，并 初始化迭代次数
Figure 415751DEST_PATH_IMAGE202
；
(2)求解主问题,获得最优SOP出力策略
Figure 188535DEST_PATH_IMAGE203
、最优SOP运行策略下系统总运行成本
Figure 870183DEST_PATH_IMAGE204
，并更新主问题下界值
Figure 451337DEST_PATH_IMAGE257
；
(3)将主问题求解所得的SOP最优调度策略带入内层子问题，求解内层子问题（17.a），获取各典型场景最小运行成本；
(4)求解外层子问题（17.b），得到使系统运行成本最恶劣的场景概率分布，并更新 子问题上界值
Figure 583241DEST_PATH_IMAGE258
；
(5)判断主问题和子问题的上下界值之差是否小于设定的收敛精度
Figure 187529DEST_PATH_IMAGE207
，若小于，停 止迭代，输出计算所得总运行成本；否则，更新主问题各场景概率分布，在主问题中添加新 的待优化变量
Figure 735185DEST_PATH_IMAGE208
及含变量
Figure 233162DEST_PATH_IMAGE208
的不等式约束和二阶锥约束、含变量
Figure 411334DEST_PATH_IMAGE209
和SOP运行策略变量z 的不等式约束、含优化变量
Figure 565235DEST_PATH_IMAGE209
和涉及不确定性变量
Figure 713319DEST_PATH_IMAGE210
的不等式约束，更新迭代次数，
Figure 271995DEST_PATH_IMAGE259
，返回步骤(2)，重新求解主问题。
为充分验证本发明方法的先进性，本实施例中，采取如下三种方案进行对比分析：
方案1：电动汽车与智能软开关均不控制，得到配电网的初始运行状态；
方案2：不考虑光伏和电动汽车不确定性，得到智能软开关确定性出力策略；
方案3：考虑光伏和电动汽车不确定性，得到智能软开关分布鲁棒出力策略。
在全年数据中随机取100种场景，对智能软开关的确定性出力策略和分布鲁棒出力策略结果进行对比分析。
方案1和方案2的优化结果对比见表4，方案2和方案3的优化结果对比见表5。
执行优化计算的计算机硬件环境为Intel(R) Xeon(R) CPU E5-2603，主频为1.60GHz，内存为12GB；软件环境为Windows 10操作系统。
Figure 621068DEST_PATH_IMAGE260
Figure 324582DEST_PATH_IMAGE261
Figure 417303DEST_PATH_IMAGE262
由方案1和方案2对比可以看出，电动汽车的虚拟储能特性和智能软开关的灵活调节特性能够有效减小配电网的网络损耗，避免电压越限，保障了电网的安全可靠运行，降低了电动汽车的购电成本。由方案2和方案3对比可以看出，考虑分布式光伏和电动汽车不确定性供电策略，有效减少了策略供电量与实际需求量不匹配而引起的惩罚费用，使用户侧和系统侧的总费用降低，提升了社会效益。
本实施例的上述方法中，能够解决柔性配电网的运行经济性提升问题，充分考虑基于虚拟储能的电动汽车聚合商充放电潜力和智能软开关的精准潮流调节，建立考虑分布式光伏和电动汽车不确定性的柔性配电网分布鲁棒优化模型，得到智能软开关运行策略，有效减小了不确定环境下策略供电量和实际电动汽车功率需求量之间的不匹配度，在满足电动汽车用户需求的同时保证了配电网的经济高效运行。
本领域技术人员能够对上述顺序进行变换而并不离开本发明的保护范围。
实施例二
本发明实施例二提供一种柔性配电网分布鲁棒运行系统，包括：
参数信息采集模块，用于采集柔性配电网参数信息、电动车充电负荷参数信息和智能软开关参数信息；所述柔性配电网参数信息包括全年分布式光伏出力数据，所述电动车充电负荷参数信息包括全年电动车到达充电站时间分布数据；
聚合商运行约束构建模块，用于根据电动车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动车聚合商运行约束；
运行优化模型建立模块，用于根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型；
分布鲁棒优化模型建立模块，用于根据全年分布式光伏出力数据和全年电动车到达充电站时间分布数据，构建分布式光伏和电动车不确定性场景集；根据分布式光伏和电动车不确定性场景集和柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型；
运行策略求解模块，用于对所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型进行求解，得到运行策略数据；根据运行策略数据，运行配电网。
本实施例中，能够解决柔性配电网的运行经济性提升问题，充分考虑基于虚拟储能的电动汽车聚合商充放电潜力和智能软开关的精准潮流调节，建立考虑分布式光伏和电动汽车不确定性的柔性配电网分布鲁棒优化模型，得到智能软开关运行策略，有效减小了不确定环境下策略供电量和实际电动汽车功率需求量之间的不匹配度，在满足电动汽车用户需求的同时保证了配电网的经济高效运行。
基于同一发明构思，本发明实施例还提供一种柔性配电网分布鲁棒优化模型建立方法，包括：采集柔性配电网参数信息、电动车充电负荷参数信息和智能软开关参数信息；所述柔性配电网参数信息包括全年分布式光伏出力数据，所述电动车充电负荷参数信息包括全年电动车到达充电站时间分布数据；根据电动车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动车聚合商运行约束；根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型；根据全年分布式光伏出力数据和全年电动车到达充电站时间分布数据，构建分布式光伏和电动车不确定性场景集；根据分布式光伏和电动车不确定性场景集和柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型。
基于同一发明构思，本发明实施例还提供一种柔性配电网分布鲁棒优化模型，所述柔性配电网分布鲁棒优化模型由前述的柔性配电网分布鲁棒优化模型建立方法建立。
关于上述实施例中的柔性配电网分布鲁棒运行系统、柔性配电网分布鲁棒优化模型及其建立方法，其中具体实施方式已经在有关柔性配电网分布鲁棒运行方法的实施例中进行了详细描述，此处将不做详细阐述说明。
凡在本发明技术方案的原则范围内做的任何修改、补充和等同替换等，均应仍归属于本发明技术方案的专利涵盖范围内。

Claims (17)

1.一种柔性配电网分布鲁棒运行方法，其特征在于，包括：
采集柔性配电网参数信息、电动车充电负荷参数信息和智能软开关参数信息；所述柔性配电网参数信息包括全年分布式光伏出力数据，所述电动车充电负荷参数信息包括全年电动车到达充电站时间分布数据；
根据电动车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动车聚合商运行约束；
根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型；
根据全年分布式光伏出力数据和全年电动车到达充电站时间分布数据，构建分布式光伏和电动车不确定性场景集；
根据分布式光伏和电动车不确定性场景集和柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型；
对所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型进行求解，得到运行策略数据；
根据运行策略数据，运行配电网。
2.如权利要求1所述的方法，其特征在于，所述基于虚拟储能的电动车聚合商运行约束，包括：
电动车用户行为特性约束、电动车聚合商充放电功率约束、电动车聚合商电量约束、基于智能软开关直流环节的电动车聚合商接入约束。
3.如权利要求2所述的方法，其特征在于，按照是否参与电网调节以及离网时间是否已知可将电动车用户行为分为四类，所述电动车用户行为特性约束，包括：
I类电动车用户行为特性：不参与电网调节，恒以最大功率充电，充满即走，使充电时间最短，
Figure 59841DEST_PATH_IMAGE001
其中，
Figure 914665DEST_PATH_IMAGE002
表示第n个I类电动车用户需要的充电时长；
Figure 366506DEST_PATH_IMAGE003
表示第n个I类电动车用户要 求离开时要达到的预期电量；
Figure 905590DEST_PATH_IMAGE004
表示第n个I类电动车用户的初始电量；
Figure 392066DEST_PATH_IMAGE005
表示t时段第n 个I类电动车用户的充电功率；
Figure 886633DEST_PATH_IMAGE006
表示第n个I类电动车用户的充电功率最大值；
Figure 825770DEST_PATH_IMAGE007
表示 每个调度时段的时长；
Figure 821408DEST_PATH_IMAGE008
表示第n个I类电动车用户开始充电的时间；
Figure 162390DEST_PATH_IMAGE009
表示第n个I类电 动车用户充电结束并离开的时间；
II类电动车用户行为特性：不参与电网调节，以最大功率充电直至电量达到预期电量，而后不再充电，且不立刻离开，在预期离开时间脱离充电站，
Figure 827858DEST_PATH_IMAGE010
其中，
Figure 254291DEST_PATH_IMAGE011
表示第n个II类电动车用户需要的充电时长；
Figure 788041DEST_PATH_IMAGE012
表示第n个II类电动车用户 要求离开时要达到的预期电量；
Figure 717951DEST_PATH_IMAGE013
表示第n个II类电动车用户的初始电量；
Figure 816969DEST_PATH_IMAGE014
表示t时 段第n个II类电动车用户的充电功率；
Figure 855332DEST_PATH_IMAGE015
表示第n个II类电动车用户的充电功率最大值；
Figure 802560DEST_PATH_IMAGE016
表示每个调度时段的时长；
Figure 118135DEST_PATH_IMAGE017
表示第n个II类电动车用户开始充电的时间；
Figure 125405DEST_PATH_IMAGE018
第n个 II类电动车用户充电结束的时间；
Figure 385485DEST_PATH_IMAGE019
表示第n个II类电动车用户的预期离开时间；
III类电动车用户行为特性：参与电网调节，响应电价引导，在接入充电站期间，充电功率根据电网运行状态进行优化调整，在电价低于低电价阈值时以大于大功率阈值的功率进行充电，在电价高于高电价阈值时以小于小功率阈值的功率充电或者不充电，
Figure 136403DEST_PATH_IMAGE020
其中，
Figure 306485DEST_PATH_IMAGE021
表示t时段第n个III类电动车用户的充电功率；
Figure 874869DEST_PATH_IMAGE022
表示第n个III类电动车 用户的充电功率最大值；
Figure 239555DEST_PATH_IMAGE023
表示第n个III类电动车用户要求离开时要达到的预期电量；
Figure 794164DEST_PATH_IMAGE024
表示第n个III类电动车用户的初始电量；
Figure 818752DEST_PATH_IMAGE025
表示第n个III类电动车用户的容量；
Figure 292459DEST_PATH_IMAGE026
表示每个调度时段的时长；
Figure 402497DEST_PATH_IMAGE027
表示第n个III类电动车用户开始充电的时间；
Figure 495218DEST_PATH_IMAGE028
表示第n 个III类电动车用户离开的时间；
IV类电动车用户行为特性：参与电网调节，在接入充电站期间，在电价高于高电价阈值时向电网放电，电价低于低电价阈值时充电，响应电价引导和电网运行优化需求，
Figure 764525DEST_PATH_IMAGE029
其中，
Figure 550079DEST_PATH_IMAGE030
表示t时段第n个IV类电动车用户的充电功率，假设功率从配电网流向电动车 为充电正方向；
Figure 144484DEST_PATH_IMAGE031
表示第n个IV类电动车用户的充电功率最大值；
Figure 40895DEST_PATH_IMAGE032
表示第n个IV类电 动车用户的放电功率最大值；
Figure 633551DEST_PATH_IMAGE033
第n个IV类电动车用户离开时要求达到的预期电量；
Figure 590006DEST_PATH_IMAGE034
表示第n个IV类电动车用户的初始电量；
Figure 674636DEST_PATH_IMAGE035
表示t时段第n个IV类电动车用户的电量；
Figure 453367DEST_PATH_IMAGE036
表 示第n个IV类电动车用户的容量；
Figure 166109DEST_PATH_IMAGE037
表示第n个IV类电动车用户电量的下限；
Figure 30815DEST_PATH_IMAGE038
表示每个调 度时段的时长；
Figure 602742DEST_PATH_IMAGE039
表示第n个IV类电动车用户开始充电的时间；
Figure 965590DEST_PATH_IMAGE040
第n个IV类电动车用户 离开的时间；
上述I至IV类电动车用户行为特性还包括：
Figure 939362DEST_PATH_IMAGE041
其中，
Figure 972040DEST_PATH_IMAGE042
表示电动车离开充电站时间的分段概率密度函数；
Figure 31263DEST_PATH_IMAGE043
表示电动车离开充电站 的时间；
Figure 932223DEST_PATH_IMAGE044
表示电动车离开充电站时间平均值；
Figure 494923DEST_PATH_IMAGE045
表示电动车离开充电站时间标准差；
Figure 964081DEST_PATH_IMAGE046
表示电动车初始荷电量的概率密度函数；
Figure 369655DEST_PATH_IMAGE047
表示电动车初始荷电量；
Figure 215251DEST_PATH_IMAGE048
表示电动车 初始荷电量平均值；
Figure 895106DEST_PATH_IMAGE049
表示电动车初始荷电量标准差；
Figure 394221DEST_PATH_IMAGE050
表示电动车的初始电量，
Figure 162457DEST_PATH_IMAGE051
表示 电动车电量上限。
4.如权利要求2所述的方法，其特征在于，所述电动车聚合商充放电功率约束，包括：
Figure 546165DEST_PATH_IMAGE052
其中，
Figure 83456DEST_PATH_IMAGE053
表示t时段电动车聚合商节点k处的充电功率，假设功率从配电网流向电动车 聚合商为正方向；
Figure 19051DEST_PATH_IMAGE054
表示t时段电动车聚合商充电功率最大值；
Figure 274583DEST_PATH_IMAGE055
表示t时段电动车聚合 商放电功率最大值；
Figure 196403DEST_PATH_IMAGE056
表示电动车类型；
Figure 853780DEST_PATH_IMAGE057
表示电动车类型集合，
Figure 694697DEST_PATH_IMAGE058
；n表 示电动车索引；
Figure 437526DEST_PATH_IMAGE059
表示第n个
Figure 177685DEST_PATH_IMAGE056
类电动车充电功率最大值；
Figure 814202DEST_PATH_IMAGE060
表示t时段充电站中
Figure 701387DEST_PATH_IMAGE056
类 电动车数量；
Figure 665932DEST_PATH_IMAGE061
表示第n个
Figure 319767DEST_PATH_IMAGE062
类电动车放电功率最大值。
5.如权利要求2所述的方法，其特征在于，所述电动车聚合商电量约束，包括：
Figure 686157DEST_PATH_IMAGE063
其中，
Figure 9822DEST_PATH_IMAGE064
表示t时段电动车聚合商的电量；
Figure 727243DEST_PATH_IMAGE065
表示t时段电动车聚合商充电功率，假设 功率从配电网流向电动车聚合商为正方向；
Figure 653610DEST_PATH_IMAGE066
表示每个调度时段的时长；
Figure 874507DEST_PATH_IMAGE067
表示t时段 电动车接入充电站导致增加的聚合商电量；
Figure 634653DEST_PATH_IMAGE068
表示t时段电动车离开充电站导致减少的 聚合商电量；
Figure 698424DEST_PATH_IMAGE056
表示电动车类型；
Figure 566498DEST_PATH_IMAGE069
表示电动车类型集合，
Figure 376322DEST_PATH_IMAGE070
；n表示电动 车索引；
Figure 432003DEST_PATH_IMAGE071
表示t时段接入充电站的
Figure 858436DEST_PATH_IMAGE056
类电动车数量；
Figure 267552DEST_PATH_IMAGE072
表示t时段离开充电站的
Figure 463041DEST_PATH_IMAGE056
类 电动车数量，
Figure 424044DEST_PATH_IMAGE073
表示t时段充电站中
Figure 72194DEST_PATH_IMAGE056
类电动车数量；
Figure 285001DEST_PATH_IMAGE074
表示第n个
Figure 725209DEST_PATH_IMAGE056
类电动车接入充 电站时的初始电量；
Figure 732480DEST_PATH_IMAGE075
表示第n个
Figure 136435DEST_PATH_IMAGE056
类电动车离开充电站时的电量；
Figure 746408DEST_PATH_IMAGE076
表示t时段电动车 聚合商电量最大值；
Figure 916489DEST_PATH_IMAGE077
表示第n个
Figure 94661DEST_PATH_IMAGE056
类电动车的容量。
6.如权利要求2所述的方法，其特征在于，所述基于智能软开关直流环节的电动车聚合商接入约束，包括：
Figure 982982DEST_PATH_IMAGE078
其中，
Figure 662225DEST_PATH_IMAGE079
表示t时段电动车聚合商节点k处的充电功率，假设功率从配电网流向电动车 聚合商为正方向；
Figure 421234DEST_PATH_IMAGE080
表示t时段SOP在节点
Figure 35886DEST_PATH_IMAGE081
处换流器的有功损耗；
Figure 270558DEST_PATH_IMAGE082
表示t时段SOP注 入节点
Figure 363279DEST_PATH_IMAGE081
的有功功率；
Figure 242373DEST_PATH_IMAGE083
表示t时段SOP注入节点
Figure 886981DEST_PATH_IMAGE084
的无功功率；
Figure 481386DEST_PATH_IMAGE085
、
Figure 377798DEST_PATH_IMAGE086
分别表示SOP 注入节点
Figure 376978DEST_PATH_IMAGE081
的有功功率上、下限；
Figure 192487DEST_PATH_IMAGE087
分别表示SOP注入节点
Figure 277118DEST_PATH_IMAGE088
的无功功率上、下限；
Figure 711642DEST_PATH_IMAGE089
表示节点
Figure 689962DEST_PATH_IMAGE090
处SOP的损耗系数；
Figure 817318DEST_PATH_IMAGE091
表示节点
Figure 389245DEST_PATH_IMAGE081
处换流器的容量；
Figure 486514DEST_PATH_IMAGE081
表示接入SOP的节点 索引，
Figure 194707DEST_PATH_IMAGE092
；
Figure 484175DEST_PATH_IMAGE093
表示接入SOP的节点集合，
Figure 543398DEST_PATH_IMAGE094
。
7.如权利要求1至6任一所述的方法，其特征在于，根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型，包括：
以柔性配电网运行成本和电动车聚合商购电成本整体最小为目标函数的目标，考虑基于虚拟储能的电动车聚合商运行约束、分布式光伏运行约束和柔性配电网运行约束，建立柔性配电网确定性运行优化模型。
8.如权利要求7所述的方法，其特征在于，所述目标函数表示为：
Figure 444358DEST_PATH_IMAGE095
其中，f表示整体目标函数；
Figure 7057DEST_PATH_IMAGE096
表示配电网运行成本；
Figure 476216DEST_PATH_IMAGE097
表示电动车聚合商购电成本；
Figure 881789DEST_PATH_IMAGE098
表示配电网有功损耗费用；
Figure 727386DEST_PATH_IMAGE099
表示配电网电压越限成本；
Figure 410171DEST_PATH_IMAGE100
表示配电网支路集合；
Figure 50231DEST_PATH_IMAGE101
表 示支路
Figure 677521DEST_PATH_IMAGE102
的电阻值；
Figure 795650DEST_PATH_IMAGE103
表示t时段支路
Figure 595591DEST_PATH_IMAGE102
上的电流的平方；
Figure 531186DEST_PATH_IMAGE104
表示t时段节点i处的SOP损 耗；
Figure 786718DEST_PATH_IMAGE105
表示接入SOP的节点集合；
Figure 708538DEST_PATH_IMAGE106
表示每个调度时段的时长；
Figure 365915DEST_PATH_IMAGE107
表示网络损耗的单位成 本；
Figure 206832DEST_PATH_IMAGE108
表示t时段节点
Figure 949660DEST_PATH_IMAGE109
的电压幅值的平方；
Figure 675171DEST_PATH_IMAGE110
表示配电网节点总数；
Figure 311688DEST_PATH_IMAGE111
表示总时段数；
Figure 464452DEST_PATH_IMAGE112
表示t时段节点i处的有功负荷；
Figure 163418DEST_PATH_IMAGE113
表示节点电压上限；
Figure 817253DEST_PATH_IMAGE114
表示节点电压下限；
Figure 186573DEST_PATH_IMAGE115
表 示节点电压优化区间上限；
Figure 510238DEST_PATH_IMAGE116
表示节点电压优化区间下限，当节点电压不在优化区间
Figure 227659DEST_PATH_IMAGE117
时，通过系统优化减小电压偏离优化区间的程度；
Figure 419605DEST_PATH_IMAGE118
表示t时段节点i处电压越 限的单位惩罚成本；
Figure 640502DEST_PATH_IMAGE119
表示配电网节点集合；
Figure 400648DEST_PATH_IMAGE120
表示惩罚成本参数；
Figure 339785DEST_PATH_IMAGE121
表示t时段聚合商k 从配电网吸收的有功功率；
Figure 69844DEST_PATH_IMAGE122
表示t时段的分时电价；
将
Figure 410826DEST_PATH_IMAGE123
线性化后的表达式如下：
Figure 341873DEST_PATH_IMAGE124
其中，
Figure 361782DEST_PATH_IMAGE125
表示电压辅助变量；
Figure 33547DEST_PATH_IMAGE126
表示t时段节点
Figure 229036DEST_PATH_IMAGE109
的电压幅值的平方；
Figure 65405DEST_PATH_IMAGE127
表示节点电压 优化区间上限；
Figure 838189DEST_PATH_IMAGE128
表示节点电压优化区间下限，当节点电压不在优化区间
Figure 50996DEST_PATH_IMAGE129
时， 通过系统优化减小电压偏离优化区间的程度；
Figure 100991DEST_PATH_IMAGE130
表示t时段节点i处电压越限的单位惩罚 成本；
Figure 498475DEST_PATH_IMAGE131
表示惩罚成本参数。
9.如权利要求7所述的方法，其特征在于，所述分布式光伏运行约束，包括：
Figure 633921DEST_PATH_IMAGE132
其中，
Figure 650419DEST_PATH_IMAGE133
表示t时段节点i上的分布式电源的有功出力；
Figure 679554DEST_PATH_IMAGE134
表示t时段节点i上的分布 式电源的有功出力的预测值；
Figure 857726DEST_PATH_IMAGE135
表示t时段节点i上的分布式电源的无功出力；
Figure 760696DEST_PATH_IMAGE136
表 示t时段节点i上的分布式电源的无功出力的上下限；
Figure 315305DEST_PATH_IMAGE137
表示节点i处分布式电源的容量。
10.如权利要求7所述的方法，其特征在于，所述柔性配电网运行约束，包括：
Figure 464527DEST_PATH_IMAGE138
其中，
Figure 439698DEST_PATH_IMAGE139
表示t时段节点
Figure 549737DEST_PATH_IMAGE109
处电压幅值的平方；
Figure 908037DEST_PATH_IMAGE140
表示t时段支路
Figure 911765DEST_PATH_IMAGE141
电流幅值的平方；
Figure 697318DEST_PATH_IMAGE142
表 示节点j的上游支路、
Figure 294653DEST_PATH_IMAGE143
表示节点j的下游支路；
Figure 191065DEST_PATH_IMAGE144
表示配电网支路集合；
Figure 314879DEST_PATH_IMAGE145
分别表示 支路
Figure 5754DEST_PATH_IMAGE146
的电阻和电抗；
Figure 824806DEST_PATH_IMAGE147
表示t时段支路
Figure 47278DEST_PATH_IMAGE142
上从节点i流向节点j的有功功率；
Figure 900964DEST_PATH_IMAGE148
表示t时段 支路
Figure 762741DEST_PATH_IMAGE142
上从节点i流向节点j的无功功率；
Figure 334668DEST_PATH_IMAGE149
表示t时段注入节点i的有功功率；
Figure 307303DEST_PATH_IMAGE150
表示t时 段注入节点i的无功功率；
Figure 15496DEST_PATH_IMAGE151
表示t时段连接在节点i上的分布式光伏注入节点
Figure 310824DEST_PATH_IMAGE109
的有功功 率；
Figure 104467DEST_PATH_IMAGE152
表示t时段连接在节点i上的分布式光伏注入节点
Figure 271006DEST_PATH_IMAGE109
的无功功率；
Figure 99285DEST_PATH_IMAGE153
表示t时段SOP 注入节点i的有功功率；
Figure 568444DEST_PATH_IMAGE154
表示t时段SOP注入节点
Figure 849383DEST_PATH_IMAGE109
的无功功率；
Figure 288455DEST_PATH_IMAGE155
表示t时段节点
Figure 971240DEST_PATH_IMAGE109
上 负荷消耗的有功功率；
Figure 611300DEST_PATH_IMAGE156
表示t时段节点i上负荷消耗的无功功率；
Figure 504170DEST_PATH_IMAGE157
表示t时段节点
Figure 622298DEST_PATH_IMAGE109
的 电压幅值；
Figure 428099DEST_PATH_IMAGE158
表示t时段支路
Figure 363694DEST_PATH_IMAGE142
上从节点i流向节点j的电流大小；
Figure 353647DEST_PATH_IMAGE159
分别表示节点
Figure 541046DEST_PATH_IMAGE109
的电 压上、下限。
11.如权利要求1所述的方法，其特征在于，所述分布式光伏和电动车不确定性场景集，包括：
Figure 198423DEST_PATH_IMAGE160
其中，
Figure 39340DEST_PATH_IMAGE161
表示数据驱动的分布式光伏和电动车不确定性场景集；下标
Figure 516589DEST_PATH_IMAGE162
表示不确定性场 景索引，取值范围为
Figure 242100DEST_PATH_IMAGE163
表示聚类生成的典型场景数，
Figure 878617DEST_PATH_IMAGE164
表示聚类生 成的具有离散概率的典型不确定性场景；
Figure 31381DEST_PATH_IMAGE165
表示第
Figure 995926DEST_PATH_IMAGE166
个典型场景的概率，
Figure 384182DEST_PATH_IMAGE167
表 示典型场景概率实数集；
Figure 13222DEST_PATH_IMAGE168
表示由各典型场景初始概率组成的列向量，P表示由各典型场 景概率组成的列向量；
Figure 336887DEST_PATH_IMAGE169
和
Figure 788728DEST_PATH_IMAGE170
分别表示第
Figure 715096DEST_PATH_IMAGE166
个典型场景实际概率和初始概率；N表示历史数 据的场景总数；
Figure 201572DEST_PATH_IMAGE171
表示数据驱动的分布式光伏和电动车不确定性场景概率的置信集合；
Figure 696138DEST_PATH_IMAGE172
和
Figure 759909DEST_PATH_IMAGE173
分别表示1-范数和
Figure 630913DEST_PATH_IMAGE174
范数约束的置信区间；
Figure 971896DEST_PATH_IMAGE175
与
Figure 496418DEST_PATH_IMAGE176
表示概率分布集的可信度；
Figure 922851DEST_PATH_IMAGE177
和
Figure 612195DEST_PATH_IMAGE178
表示场景概率的置信度。
12.如权利要求1所述的方法，其特征在于，所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型，包括：
Figure 807684DEST_PATH_IMAGE179
其中，A、B、C、D、E、F表示各类约束对应的系数矩阵；
Figure 768687DEST_PATH_IMAGE180
表示各类约束中 的常数列向量；z表示SOP决策变量集合；
Figure 416837DEST_PATH_IMAGE181
表示第
Figure 629643DEST_PATH_IMAGE162
个典型场景中的待优化变量集合，包括 表征配电系统运行状态的节点电压变量和线路传输功率变量以及电动车充放电功率变量 等；
Figure 804273DEST_PATH_IMAGE182
表示第
Figure 77122DEST_PATH_IMAGE162
个场景中的不确定变量，即光伏的出力水平和电动车到达充电站时间分布。
13.如权利要求1所述的方法，其特征在于，对所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型进行求解，得到运行策略数据，包括：
采用列和约束生成算法求解所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型，得到智能软开关运行策略、聚合商充电策略，配电网运行成本以及电动车购电成本。
14.如权利要求1所述的方法，其特征在于，采用列和约束生成算法求解所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型，包括：
将求解所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型分为主问题和子问题，进行迭代求解；
其中，主问题表示为：
Figure 946989DEST_PATH_IMAGE183
给定第一阶段变量
Figure 88121DEST_PATH_IMAGE184
情况下，子问题可表示为：
Figure 992623DEST_PATH_IMAGE185
内层子问题和外层子问题可分别表示为：
Figure 170794DEST_PATH_IMAGE186
其中，下标r表示迭代次数索引，取值范围为
Figure 918171DEST_PATH_IMAGE187
为模型迭代求解总次数；
Figure 469850DEST_PATH_IMAGE188
为 求解主问题时引入的辅助变量；
Figure 494438DEST_PATH_IMAGE189
为第r次迭代时第
Figure 109090DEST_PATH_IMAGE162
个典型场景中的待优化变量集合；
Figure 343762DEST_PATH_IMAGE190
为第
Figure 436483DEST_PATH_IMAGE162
个场景的可行域；
Figure 315577DEST_PATH_IMAGE191
为第r次迭代时第
Figure 225765DEST_PATH_IMAGE162
个典型场景的概率；
Figure 823099DEST_PATH_IMAGE192
为第r次迭代中主问 题计算得到的SOP运行策略；
Figure 453932DEST_PATH_IMAGE193
表示内层子问题；
Figure 577746DEST_PATH_IMAGE194
表示外层子问题；
Figure 268621DEST_PATH_IMAGE195
表示内层子问题获 得的第
Figure 356181DEST_PATH_IMAGE196
个场景的最优目标函数值，
Figure 56284DEST_PATH_IMAGE197
表示第
Figure 769025DEST_PATH_IMAGE198
个典型场景的概率；
设定主问题总运行成本下界值
Figure 161960DEST_PATH_IMAGE199
，子问题总运行成本上界值
Figure 468308DEST_PATH_IMAGE200
，并初始化迭 代次数
Figure 565577DEST_PATH_IMAGE201
；
求解主问题,获得最优SOP出力策略
Figure 539349DEST_PATH_IMAGE202
、最优SOP运行策略下系统总运行成本
Figure 837607DEST_PATH_IMAGE203
，并更新 主问题下界值
Figure 631250DEST_PATH_IMAGE204
；
将主问题求解所得的SOP最优调度策略带入内层子问题，求解内层子问题，获取各典型场景最小运行成本；
求解外层子问题，得到使系统运行成本最恶劣的场景概率分布，并更新子问题上界值
Figure 797789DEST_PATH_IMAGE205
；
判断主问题和子问题的上下界值之差是否小于设定的收敛精度
Figure 360489DEST_PATH_IMAGE206
，若小于，停止迭代， 输出计算所得总运行成本；否则，更新主问题各场景概率分布，在主问题中添加新的待优化 变量
Figure 826718DEST_PATH_IMAGE207
及含变量
Figure 232291DEST_PATH_IMAGE207
的不等式约束和二阶锥约束、含变量
Figure 524558DEST_PATH_IMAGE208
和SOP运行策略变量z的不等式 约束、含优化变量
Figure 472923DEST_PATH_IMAGE208
和涉及不确定性变量
Figure 972037DEST_PATH_IMAGE209
的不等式约束，更新迭代次数，
Figure 740273DEST_PATH_IMAGE210
，重新 求解主问题。
15.一种柔性配电网分布鲁棒运行系统，其特征在于，包括：
参数信息采集模块，用于采集柔性配电网参数信息、电动车充电负荷参数信息和智能软开关参数信息；所述柔性配电网参数信息包括全年分布式光伏出力数据，所述电动车充电负荷参数信息包括全年电动车到达充电站时间分布数据；
聚合商运行约束构建模块，用于根据电动车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动车聚合商运行约束；
运行优化模型建立模块，用于根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型；
分布鲁棒优化模型建立模块，用于根据全年分布式光伏出力数据和全年电动车到达充电站时间分布数据，构建分布式光伏和电动车不确定性场景集；根据分布式光伏和电动车不确定性场景集和柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型；
运行策略求解模块，用于对所述考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型进行求解，得到运行策略数据；根据运行策略数据，运行配电网。
16.一种柔性配电网分布鲁棒优化模型建立方法，其特征在于，包括：
采集柔性配电网参数信息、电动车充电负荷参数信息和智能软开关参数信息；所述柔性配电网参数信息包括全年分布式光伏出力数据，所述电动车充电负荷参数信息包括全年电动车到达充电站时间分布数据；
根据电动车充电负荷参数信息和智能软开关参数信息，构建基于虚拟储能的电动车聚合商运行约束；
根据柔性配电网参数信息和基于虚拟储能的电动车聚合商运行约束，建立柔性配电网确定性运行优化模型；
根据全年分布式光伏出力数据和全年电动车到达充电站时间分布数据，构建分布式光伏和电动车不确定性场景集；
根据分布式光伏和电动车不确定性场景集和柔性配电网确定性运行优化模型，建立考虑分布式光伏和电动车不确定性的柔性配电网分布鲁棒优化模型。
17.一种柔性配电网分布鲁棒优化模型，其特征在于，所述柔性配电网分布鲁棒优化模型由权利要求16所述的方法建立。
CN202211463892.XA 2022-11-18 2022-11-18 一种柔性配电网分布鲁棒运行方法和系统 Pending CN115733166A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211463892.XA CN115733166A (zh) 2022-11-18 2022-11-18 一种柔性配电网分布鲁棒运行方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211463892.XA CN115733166A (zh) 2022-11-18 2022-11-18 一种柔性配电网分布鲁棒运行方法和系统

Publications (1)

Publication Number Publication Date
CN115733166A true CN115733166A (zh) 2023-03-03

Family

ID=85297186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211463892.XA Pending CN115733166A (zh) 2022-11-18 2022-11-18 一种柔性配电网分布鲁棒运行方法和系统

Country Status (1)

Country Link
CN (1) CN115733166A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556969A (zh) * 2024-01-11 2024-02-13 武汉工程大学 一种基于概率场景驱动的柔性配电网分布式无功优化方法
CN117578488A (zh) * 2023-11-15 2024-02-20 山东大学 考虑不确定性的电动汽车实时灵活性评估方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117578488A (zh) * 2023-11-15 2024-02-20 山东大学 考虑不确定性的电动汽车实时灵活性评估方法及系统
CN117578488B (zh) * 2023-11-15 2024-05-03 山东大学 考虑不确定性的电动汽车实时灵活性评估方法及系统
CN117556969A (zh) * 2024-01-11 2024-02-13 武汉工程大学 一种基于概率场景驱动的柔性配电网分布式无功优化方法
CN117556969B (zh) * 2024-01-11 2024-03-26 武汉工程大学 一种基于概率场景驱动的柔性配电网分布式无功优化方法

Similar Documents

Publication Publication Date Title
CN108470239B (zh) 计及需求侧管理和储能的主动配电网多目标分层规划方法
CN115733166A (zh) 一种柔性配电网分布鲁棒运行方法和系统
CN107887903B (zh) 考虑元件频率特性的微电网鲁棒优化调度方法
CN112039079B (zh) 考虑电压安全的有源配电网储能优化系统配置方法
CN112039069A (zh) 一种配电网储能与柔性开关的双层协同规划方法及系统
CN110289622B (zh) 一种光储充能量路由器的日前经济优化调度方法
CN113541166B (zh) 一种分布式储能优化配置方法、系统、终端和存储介质
CN108923461B (zh) 一种计及继电保护约束的分布式逆变器电源入网优化方法
CN115841187A (zh) 柔性配电网运行策略的优化方法、装置、设备及存储介质
CN112561273B (zh) 一种基于改进pso的主动配电网可再生dg规划方法
CN112467717A (zh) 一种基于模糊控制的混合能源系统实时负荷分配方法
Islam et al. Grid power fluctuation reduction by fuzzy control based energy management system in residential microgrids
CN116914850A (zh) 一种区域综合能源系统双层优化调度方法、系统及设备
CN113270884B (zh) 一种基于v2g微网系统的电力能源管理系统和方法
CN117374975B (zh) 一种基于近似动态规划的配电网实时协同调压方法
Yin et al. A decentralized power dispatch strategy in an electric vehicle charging station
CN118157173A (zh) 一种配电网抢修复电方法及系统
CN117977544A (zh) 含高比例分布式光伏的中低压配电网调度方法与系统
CN111325423A (zh) 一种区域多能源互联运营优化方法和计算设备
CN117698496A (zh) 考虑多分布资源协调运行的充电桩规划方法、系统、介质
CN114759616B (zh) 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN105896579A (zh) 考虑配网电压暂降导致电动汽车跳闸引发过电压的充电桩规划方法
CN115395498A (zh) 一种低压直流互联台区多时间尺度协调调度方法及装置
Li et al. Study of multi‐objective optimal power flow of AC–DC hybrid system with DCpower flow controller
CN113904340B (zh) 基于拓扑优化和可调度负荷优化的利用率提升方法及系统

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