CN116247667A - 一种计及充电负荷时空分布的配电网分层分布式优化方法 - Google Patents

Abstract

本发明公开了一种计及充电负荷时空分布的配电网分层分布式优化方法，属于配电网运行优化技术领域，解决了现有配电网针对电压等级分层运行的特性考虑不全面，缺乏对交通网与配电网耦合运行考虑的问题。本发明包括如下步骤：S1：建立交通‑中低压配电网的多层协同运行架构；S2：模拟充电负荷；S3：建立中低压配电网额的动态经济调度模型；S4：采用分布式算法求解。本发明将传统的集中式串行计算模式改进为分布式的多机并行计算模式，有效提高了系统的计算效率，通过仿真测试证明所提策略的有效性和优越性。

Description

一种计及充电负荷时空分布的配电网分层分布式优化方法

技术领域

本发明涉及配电网运行优化技术领域，具体涉及一种计及充电负荷时空分布的配电网分层分布式优化方法。

背景技术

近年来，在世界各国大力推进能源系统低碳转型的背景下，大量分布式电源接入配电网。同时，电动汽车作为一种减少交通领域碳排放的重要交通工具，其快速发展的同时也加强了交通网和配电网之间的耦合。因此，随着源侧DG与荷侧EV的大规模接入，配电网的分布式特性越来越明显，传统的集中控制方法已经难以实现对含多种分布式资源的配电网的灵活有效控制。因此，开展计及电动汽车充电负荷时空分布的配电网分层分布式优化运行研究具有重要意义。

目前，对于EV充电负荷的建模，现有研究大多从时间和空间两个维度进行研究。一部分文献采用统计方法获得EV起始充电时间和每日里程的概率分布函数，并使用蒙特卡洛模拟方法生成EV充电场景。但这些文献仅从时间维度分析了EV的充电行为，对于EV充电负荷的空间分布特性考虑不足。一部分文献采用深度学习等人工智能算法解决了EV充电负荷预测问题，但没有考虑实际交通网络和道路流量对车辆通行的影响。一部分文献建立了动态车辆转移模型，以描述实时交通变化对车辆通行的影响，但是对于用户出行特性的分析不足。

另一方面，针对配电网的分布式特性，世界各国学者对于配电网的分布式优化也进行了一系列研究。一部分文献采用分布式优化算法实现了配电网的电压控制，并有效提高了配电网的电压质量。一部分文献则采用分布式算法解决了配电网的分布式能量管理问题。一部分文献则通过改进分布式算法提高了配电网优化问题的求解速度。但是这些文献对于配电网针对电压等级分层运行的特性考虑不够全面，同时也缺乏对于交通网与配电网耦合运行的考虑。

发明内容

针对现有技术中存在的问题，本发明提供一种计及充电负荷时空分布的配电网分层分布式优化方法，其目的在于：实现了中低压配电网的分层解耦计算，将传统的集中式串行计算模式改进为分布式的多机并行计算模式，有效提高了系统的计算效率，通过仿真测试证明所提策略的有效性和优越性。

本发明采用的技术方案如下：

一种计及充电负荷时空分布的配电网分层分布式优化方法，包括如下步骤：

S1：建立交通-中低压配电网的多层协同运行架构，基于目前城市交通网、配电网各自的运行特性以及交通网与配电网耦合运行的场景，以及配电网按照电压等级分层运行的特点，建立交通-中低压配电网的多层级协同运行架构；

S2：模拟充电负荷，基于交通-中低压配电网的多层协同运行架构，首先建立EV居民的出行概率模型；其次考虑道路的拥堵情况，建立实时车辆动态转移模型，然后基于实际的路网数据，抽象建立出城市的交通路网模型；将三个模型联合运行，模拟仿真EV在一日出行下所产生的充电负荷；

S3：建立中低压配电网额的动态经济调度模型，基于S2的充电负荷与中低压配电网的运行，根据配电网的潮流分布特点，提出改进的潮流模型，考虑新能源机组、储能系统、分布式电源以及EV充电站的运行特性，建立中低压配电网额的动态经济调度模型；

S4：采用分布式算法求解，基于S3得到的中低压配电网额的动态经济调度模型，提出中低压配电网分层分布式优化求解策略。

优选的，所述S1中建立交通-配电网的多层级协同运行架构具体为：

考虑城市交通网、配电网各自的运行特性，以及城市交通网与配电网耦合运行的特性，建立交通-中低压配电网的多层级协同运行架构；首先，EV在城市交通网中行驶并产生充电负荷，随后充电负荷接入低压配电网中，低压配电网整合本地的分布式资源，并在满足负荷负荷的情况下，消纳新能源；然后，当低压配电网的供电能力不足或者过剩时，接入中压配电网进行功率传输。

优选的，所述S2中建立EV居民的出行概率模型具体为：

为了描述EV出行时刻的概率分布特性，基于NHTS2017数据集，统计其所有出行需求下的EV首次出发时间，并利用广义极值分布描述EV出行时刻的概率分布；获得的概率密度函数如下式所示：

式中，μ、σ和ξ分别表示GEV的平均值、标准偏差和形状参数，z为中间变量，t为时间。

优选的，所述S2中建立实时车辆动态转移模型具体为：

为了描述EV实际行驶的交通路网，采用图论方法对实际的交通路网进行抽象建模，得到其简化后的路网有向图；如下式所示：

其中，邻接矩阵D表示两个交通网节点之间的连接关系，d_ij则表示两节点之间的距离，l_ij表示节点i与节点j之间直接相连的道路长度，inf表示节点i与节点j之间没有直接相连的道路。

优选的，所述S2中建立城市的交通路网模型具体为：

采用Dijstra算法并以EV的最短通行时间作为引导目标，其表达式如下：

minW_R,a→b＝∑s_ij(t)

其中a和b分别对应出发节点与目的地节点；W_R,a→b表示节点a到节点b所需的通行时间，R表示从节点a到节点b的所有可能道路集合；

同时，基于美国公路局的研究，得到的车辆通行时间与车流量之间的关系，如下式所示。

其中，t_ij和t_ij,0表示EV在当前交通流和零交通流下的道路通行所需时间，c_ij、x_ij、和v_ij分别表示道路的最大通行能力、当前交通流量以及道路通行的平均速度。

优选的，所述S3的具体过程为：

简化传统的DistFlow潮流模型，包括两点简化假设：

1)配电网中线路传输的功率远远大于线路上损耗的功率；

2)配电网的单个节点电压远远大于两节点之间的电压差；

得到改进的潮流模型如下式所示：

其中

U_i＝V_2i，V₁是平衡节点电压，P_ij和Q_ij分别表示支路ij传输的有功和无功功率，k:j→k表示节点j作为首端的所有线路的末端节点集合，r_ij和x_ij分别表示线路ij上的电阻以及电抗，p_j,l和q_j,l是节点j处负荷需求的有功和无功，p_j,g和q_j,g是节点j处发电机发出的有功和无功，ε表示配电网允许的电压偏差，一般设置为0.05pu。

其次，中压配电网的优化调度目标函数是使得分布式电源的发电成本、中压配电网的网络损耗成本以及与低压配电网的交互成本之和最小化，得到的目标函数如下：

minF_M＝F_G,M-F_sell+F_loss,M

其中F_M是中压配电网的总运行成本，F_G,M是中压配电网中分布式电源的发电成本，F_sell是中压配电网向低压配电网售电所带来的收益，F_loss,M是中压配电网的网络损耗成本；

/>

其中T是调度周期，P_G,i(t)表示t时段内第i个分布式电源的输出功率，n表示中压配网中分布式电源的数量，P_j,L(t)为t时段内中压配网向第j个低压配网售电的功率，当其值为正时，表示中压配网向低压配网售电，当其值为负时，表示从低压配网购电，λ(t)是t时段内的基础电价，m表示低压配网数量；

低压配网的优化调度目标函数与中压配网相似，其表达式如下式所示。

minF_S＝F_G,s+F_buy+F_loss,s

同时，中低压配电网的优化运行还需要满足，以下约束条件：

(1)系统的功率平衡约束：

(2)分布式电源输出功率的上下限约束：

P_G,i,min≤P_G,i(t)≤P_G,i,max

(3)分布式电源输出功率的爬坡约束：

-R≤P_G,i(t)-P_G,i(t-1)≤R

(4)储能系统的运行约束：

其中，P_G,i(t)、P_PV(t)、P_WT(t)、P_dis,ess(t)、P_Load(t)、P_ch,ess(t)和P_ch,ev(t)分别表示第i个分布式电源，光伏，风机的输出功率，储能的放电和充电功率，EV的充电功率。P_G,i,max,P_G,i,min分别表示分布式电源的最大、最小输出功率。R表示分布式电源的最大输出功率增量。E(t)表示储能的实时容量，E_max和E_min为储能容量的上下限；U_ch(t)和U_dis(t)表示充放电状态量，其取值为0或1

优选的，所述S4的具体过程为：

考虑ADMM分布式算法特点以及中低压配电网按照电压等级分层运行的特性，建立中低压配电网分层解耦优化架构；

低压配网i和中压配网j之间的虚拟边界变量为X_ij’＝{P_ij’,Q_ij’,V_ij’}，中压配网j和低压配网i之间的虚拟边界变量为X_i’j＝{P_i’j,Q_i’j,V_i’j}；当次迭代的虚拟边界变量参考值为上一次迭代过程中虚拟边界变量的平均值，其表达式如下：

其中m是迭代次数，X_{i’j,m+1,ref}和X_{ij’,m+1,ref}是第m+1次迭代的中压配网j和低压配网i的虚拟边界变量参考值，X_i’j,m和X_ij’,m是第m次迭代的中压配网j和低压配网i的虚拟边界变量；

分别更新中压配网j和低压配网i的虚拟边界变量，其更新规则是寻找使得中低压配电网优化调度模型的增广拉格朗日函数最小的变量值，其表达式如下：

X_ij′,m+1＝argminL_ij′(X_ij′,m,X_ij′,m,ref,λ_ij′,m)

X_i′j,m+1＝argmin L_i′j(X_i′j,m,X_i′j,m,ref,λ_i′j,m)

更新拉格朗日乘子，其表示式如下：

λ_ij′,m+1＝λ_ij′,m+(X_ij′,m-X_ij′,m,ref)

λ_i′j,m+1＝λ_i′j,m+(X_i′j,m-X_i′j,m,ref)

ADMM算法的收敛准则是中低压的虚拟边界变量残差收敛于0，如下所示：

其中，L_i’j(X_i’j,m,X_i’j,m,ref,λ_i’j,m)和L_ij’(X_ij’,m,X_ij’,m,ref,λ_ij’,m)分别表示中压配网j和低压配网i的优化调度模型相对应的增广拉格朗日函数，ρ为ADMM算法的惩罚系数，λ_i’j,m和λ_ij’,m分别表示中低压配网的拉格朗日乘子，其主要由中低压配电网联络线上的有功功率、无功功率和电压组成；λ_ij’,m＝{λ_P,ij',m,λ_Q,ij',m,λ_V,ij',m}，λ_i’j,m＝{λ_P,i'j,m,λ_Q,i'j,m,λ_V,i'j,m}。

综上所述，本发明具有如下有益效果：

(1)本发明从EV充电负荷的时间分布特性、实际交通网络和道路流量对车辆通行的影响、用户出行特性等情况考虑，建立中低压配电网分层分布式优化方法；

(2)本发明基于ADMM的分层分布式优化算法，实现了中低压配电网的分层解耦计算，将传统的集中式串行计算模式改进为分布式的多机并行计算模式，有效提高了系统的计算效率；

(3)本发明通过仿真测试证明所提策略的有效性和优越性。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明的策略流程示意图；

图2为本发明的交通-电网多层级协同运行架构示意图；

图3为本发明的仿真模型架构示意图；

图4为本发明的EV充电负荷时空分布结果示意图；

图5为本发明的中低压配电网有功、无功功率收敛结果示意图；

图6为本发明的中低压配电网优化调度结果示意图；

图7为本发明的中低压配电网节点电压分布图示意图；

图8为本发明优化前后的配电网节点电压与网损对比示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

下面结合图1-图8对本发明作详细说明。

1、EV充电负荷的时空分布预测。

首先，为了描述EV出行时刻的概率分布特性，本发明基于NHTS2017数据集以及BPR函数，统计其所有出行需求下的EV首次出发时间，并利用广义极值分布(GEV)描述EV出行时刻的概率分布。其拟合结果如图3所示，获得的概率密度函数如下式所示：

式中，μ、σ和ξ分别表示GEV的平均值、标准偏差和形状参数，z为中间变量，t为时间，并且当μ＝805.9612、σ＝241.0934和ξ＝0.0265时拟合效果最好。

从图中可以看出，与正态分布拟合相比，广义极值分布可以用于更好地拟合出EV的早高峰出行特性，通过GEV和正态分布的拟合优度获得的R²分别为0.9425和0.8763，表明GEV分布具有更好的拟合效果。

其次，为了描述EV出行的目的地分布特性，本发明采用EV出行链模型描述EV的一次出行行程。同时，经过统计NHTS2017的数据，可以发现，这些出行链中有大量EV是从居民区开始出行，并在居民区结束出行的，因此本发明将EV的一次完整出行链设置为从居民区出发，并在居民区成为下次抽样目的地时结束。

然后，为了描述EV实际行驶的交通路网，本发明采用图论方法对实际的交通路网进行抽象建模，得到其简化后的路网有向图。其中，邻接矩阵D表示两个交通网节点之间的连接关系，d_ij则表示两节点之间的距离，l_ij表示节点i与节点j之间直接相连的道路长度，inf表示节点i与节点j之间没有直接相连的道路。

/>

随后，针对EV的路径规划，本发明采用Dijstra算法并以EV的最短通行时间作为引导目标，其表达式如下：

minW_R,a→b＝∑s_ij(t)

其中a和b分别对应出发节点与目的地节点。W_R,a→b表示节点a到节点b所需的通行时间，R表示从节点a到节点b的所有可能道路集合。

同时，由于道路的拥堵程度会对EV的通行速度与通行时长产生影响，因此，为了定量刻画这种拥堵效应对交通出行产生的影响，本发明基于美国公路局(Bureau of PublicRoads,BPR)的研究，得到的车辆通行时间与车流量之间的关系，如下式所示。

其中，t_ij和t_ij,0表示EV在当前交通流和零交通流下的道路通行所需时间，c_ij、x_ij、和v_ij分别表示道路的最大通行能力、当前交通流量以及道路通行的平均速度。

最后，基于上述所建模型以及EV充电负荷的仿真流程，模拟得到EV一日出行负荷下产生的充电负荷时空分布信息。

2、中低压配电网的动态经济调度模型

首先，考虑传统的DistFlow潮流模型中包含二次项，使得优化问题变成非凸问题，而分布式优化算法又难以得出非凸问题的全局最优解。因此，有必要将Distflow潮流模型转化为凸优化问题。基于此，本发明采用了一种合理的简化方法来解此问题。其简化假设主要包含两点：1)配电网中线路传输的功率远远大于线路上损耗的功率(2)配电网的单个节点电压远远大于两节点之间的电压差。基于上述两个假设，可以得到改进的潮流模型如下式所示：

其中

U_i＝V_2i，V₁是平衡节点电压，V_ref是V₁的参考值，V_j是节点j的电压幅值，P_ij和Q_ij分别表示支路ij传输的有功和无功功率，k:j→k表示节点j作为首端的所有线路的末端节点集合，r_ij和x_ij分别表示线路ij上的电阻以及电抗，p_j,l和q_j,l是节点j处负荷需求的有功和无功功率，p_j,g和q_j,g是节点j处发电机发出的有功和无功功率，ε表示允许的电压偏差量，一般设置为0.05pu。

其次，中压配电网的优化调度目标函数是使得分布式电源的发电成本、中压配电网的网络损耗成本以及与低压配电网的交互成本之和最小化，得到的目标函数如下：

minF_M＝F_G,M-F_sell+F_loss,M

其中F_M是中压配电网的总运行成本，F_G,M是中压配电网中分布式电源的发电成本，F_sell是中压配电网向低压配电网售电所带来的收益，F_loss,M是中压配电网的网络损耗成本。

/>

其中T是调度周期，P_G,i(t)表示t时段内第i个分布式电源的输出功率，n表示中压配网中分布式电源的数量，P_j,L(t)为t时段内中压配网向第j个低压配网售电的功率，当其值为正时，表示中压配网向低压配网售电，当其值为负时，表示从低压配网购电，λ(t)是t时段内的基础电价，m表示低压配网数量。

低压配网的优化调度目标函数与中压配网相似，其表达式如下式所示。

minF_S＝F_G,s+F_buy+F_loss,s

同时，中低压配电网的优化运行还需要满足，以下约束条件：

(1)系统的功率平衡约束：

(2)分布式电源输出功率的上下限约束：

P_G,i,min≤P_G,i(t)≤P_G,i,max

(3)分布式电源输出功率的爬坡约束：

-R≤P_G,i(t)-P_G,i(t-1)≤R

(4)储能系统的运行约束：

其中，P_G,i(t)、P_PV(t)、P_WT(t)、P_dis,ess(t)、P_Load(t)、P_ch,ess(t)和P_ch,ev(t)分别表示第i个分布式电源，光伏，风机的输出功率，储能的放电和充电功率，EV的充电功率。P_G,i,max,P_G,i,min分别表示分布式电源的最大、最小输出功率。R表示分布式电源的最大输出功率增量。E(t)表示储能的实时容量，E_max和E_min为储能容量的上下限；U_ch(t)和U_dis(t)表示充放电状态量，其取值为0或1。

3、基于ADMM的中低压配电网分层分布式优化求解策略

(1)首先，考虑ADMM分布式算法特点以及中低压配电网按照电压等级分层运行的特性，本发明建立了中低压配电网分层解耦优化架构，其结构图如图所示。

(2)其次，低压配网i和中压配网j之间的虚拟边界变量为X_ij’＝{P_ij’,Q_ij’,V_ij’}，中压配网j和低压配网i之间的虚拟边界变量为X_i’j＝{P_i’j,Q_i’j,V_i’j}。当次迭代的虚拟边界变量参考值为上一次迭代过程中虚拟边界变量的平均值，其表达式如下：

其中m是迭代次数，X_{i’j,m+1,ref}和X_{ij’,m+1,ref}是第m+1次迭代的中压配网j和低压配网i的虚拟边界变量参考值，X_i’j,m和X_ij’,m是第m次迭代的中压配网j和低压配网i的虚拟边界变量。

(3)然后，需要分别更新中压配网j和低压配网i的虚拟边界变量，其更新规则是寻找使得中低压配电网优化调度模型的增广拉格朗日函数最小的变量值，其表达式如下：

X_ij′,m+1＝argminL_ij′(X_ij′,m,X_ij′,m,ref,λ_ij′,m)

X_i′j,m+1＝argminL_i′j(X_i′j,m,X_i′j,m,ref,λ_i′j,m)

其中，L_i’j(X_i’j,m,X_i’j,m,ref,λ_i’j,m)和L_ij’(X_ij’,m,X_ij’,m,ref,λ_ij’,m)分别表示中压配网j和低压配网i的优化调度模型相对应的增广拉格朗日函数，ρ为ADMM算法的惩罚系数，λ_i’j,m和λ_ij’,m分别表示中低压配网的拉格朗日乘子，其主要由中低压配电网联络线上的有功功率、无功功率和电压组成。λ_ij’,m＝{λ_P,ij',m,λ_Q,ij',m,λ_V,ij',m}，λ_i’j,m＝{λ_P,i'j,m,λ_Q,i'j,m,λ_V,i'j,m}。

(4)随后，需要更新拉格朗日乘子，其表示式如下：

λ_ij′,m+1＝λ_ij′,m+(X_ij′,m-X_ij′,m,ref)

λ_i′j,m+1＝λ_i′j,m+(X_i′j,m-X_i′j,m,ref)

(5)最后，ADMM算法的收敛准则是中低压的虚拟边界变量残差收敛于0，如下所示：

仿真验证：

一、仿真试验的参数和条件如下：

本发明采用美国Sioux Falls市实际交通路网进行仿真测试。EV在交通路网中行驶后产生充电负荷，并通过充电站接入各低压配电网中。考虑到每个低压配电台区的负荷需求大小以及其供电的交通网络拓扑结构的不同，设置了三个不同节点数和不同配电结构的低压配电网，其中，住宅区为11节点低压配电网，商业区和工作区为具有不同的拓扑结构的17节点低压配电网。最后，上层中压配电网为改进的IEEE33节点网络。同时，各种分布式资源，包括电动汽车充电站、风机、光伏和储能系统，也分别连接入中低压配电网中。最后，仿真模型的系统架构如图6所示。

二、仿真试验结果：

由图4可知，EV充电负荷的时空分布呈现出明显的区域特性。首先，住宅区的充电负荷主要集中在凌晨和夜晚时段，白天的充电负荷很小，因为电动汽车主要在白天前往工作区和商业区。其次，对于工作区的充电负荷，则呈现出两个明显的充电高峰，这与EV用户一天内两次前往工作区的特点相符。最后，商业区的充电负荷呈现出明显的单峰特性，并集中在10:00至17:00之间，即用户前往商业区就餐与娱乐的时间，这与商业区的实际情况相符。

由图5可知，中低压配电网的联络线的有功功率与无功功率经过有限次迭代之后，均能够收敛达到一致；同时，针对不同的低压配电台区，由于其负荷需求大小以及配电网的拓扑结构的不同，其收敛得到的稳定功率不同。同时，由有功功率与无功功率的残差收敛图，可以发现，各个低压配电台区与中压配电网的有功残差与无功残差在经过有限次迭代之后，均收敛于0，表明了中低压配电网的联络线功率的收敛一致性。

由图6(a)可知，对于居民区，由于其充电负荷在凌晨(1:00-5:00)以及夜晚(18:00-23:00)间较高，因此居民区在此时段需要向中压配电网进行购电，以保证此时段的负荷需求；而在日间(7:00-15:00)间，此时段居民区的充电负荷以及基础负荷均较小，因此该时段居民区的功率存在盈余，于是向上级中压配电网进行售电以保证系统经济性，同时向储能系统进行充电，并在高电价时段(19:00-21:00)进行放电，以减少系统购电量，提高系统经济性。

由图6(b)可知，对于商业区，其充电负荷以及基础负荷在日间时段(10:00-18:00)间均较高，因此该时段内商业区的分布式电源基本以最大功率输出，以保证负荷需求；同时储能在低电价时段(0:00-7:00)进行充电，并在高电价时段(10:00-13:00)之间向外放电，以减少系统购电量，提高系统经济性。

由图6(c)可知，对于工作区，其充电负荷在7:00-12:00以及16:00-20:00之间较高，同时工作区的基础负荷也在10:00以及16:00处达到高峰，因此工作区的分布式电源在(8:00-12:00)以及(16:00-20:00)间以最大功率向外输出，以保证负荷需求；同时工作的储能系统也在低电价时段(0:00-5:00)充电，并在高电价时段(9:00-11:00)放电。

由图6(d)可知，对于中压配电网，储能系统在新能源输出功率丰富且负荷较小的时段(0:00-8:00)进行充电，并在新能源输出功率薄弱阶段(17:00-22:00)进行放电，以减小负荷压力；同时中压配电网内的各个分布式电源也在新能源出力薄弱阶段进行大规模功率输出，以补足新能源输出功率缺额。

由图7可知，从节点的角度分析四种场景下的节点电压状态，可以发现，4种场景下节点电压跌落幅度较大的节点，均是位于配电网的远端节点，即远离分布式电源以及光伏、风机的节点；而从时间的角度进行分析，各个低压配电台区的节点电压的时间分布具有明显的区域特性，对于居民区，其节点电压在凌晨以及夜晚时段的跌落较为严重，其原因在于此时段的负荷较高；对于商业区，其节点电压在时间上的分布主要呈现单低谷性，这与商业区的负荷单峰性一致；对于工作区，其节点电压跌落最为明显的节点在时间上呈现双低谷性，这与工作区的双负荷高峰一致。

由图8可知，在采取所提优化策略之前，各个低压配电网的节点电压均有明显的跌落，并且最低的节点电压跌落至低于0.95，对于配电网的安全运行产生了明显的影响，而采取优化策略之后，配电网节点电压跌落幅度得到明显减小，并且回到电压的安全运行范围内；其次，对比采取优化策略前后的配电网网损，可以发现，采取优化策略之后的网络损耗得到了明显的降低，可以有效降低系统运行成本，提高系统经济性。

进一步地，为了表明所提策略的优越性，本发明对比采用集中式优化与ADMM分布算法的优化结果，其结果如表1所示。

表1集中式与分布式计算结果对比

由表1可知，本发明所提ADMM算法与集中式算法计算的成本误差为1.41％，表明ADMM算法能够在较高精度下保证各主体利益与系统运行成本的全局最优性。同时，由于本发明所提ADMM算法是基于单个PC机采用串行循环迭代求解的方式实现的，即每一轮迭代中PC机需要串行地求解4个解耦后的独立优化问题，而在实际的并行迭代求解中各个子优化问题由独立的控制器进行求解，其求解时间相比串行循环迭代计算会小很多。同时当低压配电台区内子单元的类型、数量、通信量增加时，ADMM算法将具有明显的求解优势，因为集中式所采用的分支定界方法具有O(2ⁿ)的时间复杂度，而整型变量的增加将导致集中式方法的求解时间呈指数型增长，而ADMM算法可以在多机并行环境下求解，减小了整型变量数目，大大减少了集中式求解的时间。同时，集中式方法对于中低压配电网的通信负荷很高，而ADMM算法仅需要中低压配电网联络线处的数据通信，大大减小了数据的通信压力，同时也保证了中低压配电网各个主体的数据私密性。

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (7)

1.一种计及充电负荷时空分布的配电网分层分布式优化方法，其特征在于，包括如下步骤：

S1：建立交通-中低压配电网的多层协同运行架构，基于目前城市交通网、配电网各自的运行特性以及交通网与配电网耦合运行的场景，以及配电网按照电压等级分层运行的特点，建立交通-中低压配电网的多层级协同运行架构；

S2：模拟充电负荷，基于交通-中低压配电网的多层协同运行架构，首先建立EV居民的出行概率模型；其次考虑道路的拥堵情况，建立实时车辆动态转移模型，然后基于实际的路网数据，抽象建立出城市的交通路网模型；将三个模型联合运行，模拟仿真EV在一日出行下所产生的充电负荷；

S3：建立中低压配电网额的动态经济调度模型，基于S2的充电负荷与中低压配电网的运行，根据配电网的潮流分布特点，提出改进的潮流模型，考虑新能源机组、储能系统、分布式电源以及EV充电站的运行特性，建立中低压配电网额的动态经济调度模型；

S4：采用分布式算法求解，基于S3得到的中低压配电网额的动态经济调度模型，提出中低压配电网分层分布式优化求解策略。

2.根据权利要求1所述的一种计及充电负荷时空分布的配电网分层分布式优化方法，其特征在于，所述S1中建立交通-配电网的多层级协同运行架构具体为：

考虑城市交通网、配电网各自的运行特性，以及城市交通网与配电网耦合运行的特性，建立交通-中低压配电网的多层级协同运行架构；首先，EV在城市交通网中行驶并产生充电负荷，随后充电负荷接入低压配电网中，低压配电网整合本地的分布式资源，并在满足负荷负荷的情况下，消纳新能源；然后，当低压配电网的供电能力不足或者过剩时，接入中压配电网进行功率传输。

3.根据权利要求1所述的一种计及充电负荷时空分布的配电网分层分布式优化方法，其特征在于，所述S2中建立EV居民的出行概率模型具体为：

为了描述EV出行时刻的概率分布特性，基于NHTS2017数据集，统计其所有出行需求下的EV首次出发时间，并利用广义极值分布描述EV出行时刻的概率分布；获得的概率密度函数如下式所示：

式中，μ、σ和ξ分别表示GEV的平均值、标准偏差和形状参数，z为中间变量，t为时间。

4.根据权利要求1所述的一种计及充电负荷时空分布的配电网分层分布式优化方法，其特征在于，所述S2中建立实时车辆动态转移模型具体为：

为了描述EV实际行驶的交通路网，采用图论方法对实际的交通路网进行抽象建模，得到其简化后的路网有向图；如下式所示：

/>

其中，邻接矩阵D表示两个交通网节点之间的连接关系，d_ij则表示两节点之间的距离，l_ij表示节点i与节点j之间直接相连的道路长度，inf表示节点i与节点j之间没有直接相连的道路。

5.根据权利要求1所述的一种计及充电负荷时空分布的配电网分层分布式优化方法，其特征在于，所述S2中建立城市的交通路网模型具体为：

采用Dijstra算法并以EV的最短通行时间作为引导目标，其表达式如下：

min W_R,a→b＝∑s_ij(t)

其中a和b分别对应出发节点与目的地节点；W_R,a→b表示节点a到节点b所需的通行时间，R表示从节点a到节点b的所有可能道路集合；

同时，基于美国公路局的研究，得到的车辆通行时间与车流量之间的关系，如下式所示。

其中，t_ij和t_ij,0表示EV在当前交通流和零交通流下的道路通行所需时间，c_ij、x_ij、和v_ij分别表示道路的最大通行能力、当前交通流量以及道路通行的平均速度。

6.根据权利要求1所述的一种计及充电负荷时空分布的配电网分层分布式优化方法，其特征在于，所述S3的具体过程为：

简化传统的DistFlow潮流模型，包括两点简化假设：

1)配电网中线路传输的功率远远大于线路上损耗的功率；

2)配电网的单个节点电压远远大于两节点之间的电压差；

得到改进的潮流模型如下式所示：

其中

U_i＝V_2i，V₁是平衡节点电压，P_ij和Q_ij分别表示支路ij传输的有功和无功功率，k:j→k表示节点j作为首端的所有线路的末端节点集合，r_ij和x_ij分别表示线路ij上的电阻以及电抗，p_j,l和q_j,l是节点j处负荷需求的有功和无功，p_j,g和q_j,g是节点j处发电机发出的有功和无功，ε表示配电网允许的电压偏差，一般设置为0.05pu。

其次，中压配电网的优化调度目标函数是使得分布式电源的发电成本、中压配电网的网络损耗成本以及与低压配电网的交互成本之和最小化，得到的目标函数如下：

minF_M＝F_G,M-F_sell+F_loss,M

其中F_M是中压配电网的总运行成本，F_G,M是中压配电网中分布式电源的发电成本，F_sell是中压配电网向低压配电网售电所带来的收益，F_loss,M是中压配电网的网络损耗成本；

其中T是调度周期，P_G,i(t)表示t时段内第i个分布式电源的输出功率，n表示中压配网中分布式电源的数量，P_j,L(t)为t时段内中压配网向第j个低压配网售电的功率，当其值为正时，表示中压配网向低压配网售电，当其值为负时，表示从低压配网购电，λ(t)是t时段内的基础电价，m表示低压配网数量；

低压配网的优化调度目标函数与中压配网相似，其表达式如下式所示。

min F_S＝F_G,s+F_buy+F_loss,s

同时，中低压配电网的优化运行还需要满足，以下约束条件：

(1)系统的功率平衡约束：

(2)分布式电源输出功率的上下限约束：

P_G,i,min≤P_G,i(t)≤P_G,i,max

(3)分布式电源输出功率的爬坡约束：

-R≤P_G,i(t)-P_G,i(t-1)≤R

(4)储能系统的运行约束：

其中，P_G,i(t)、P_PV(t)、P_WT(t)、P_dis,ess(t)、P_Load(t)、P_ch,ess(t)和P_ch,ev(t)分别表示第i个分布式电源，光伏，风机的输出功率，储能的放电和充电功率，EV的充电功率。P_G,i,max,P_G,i,min分别表示分布式电源的最大、最小输出功率。R表示分布式电源的最大输出功率增量。E(t)表示储能的实时容量，E_max和E_min为储能容量的上下限；U_ch(t)和U_dis(t)表示充放电状态量，其取值为0或1

7.根据权利要求1所述的一种计及充电负荷时空分布的配电网分层分布式优化方法，其特征在于，所述S4的具体过程为：

考虑ADMM分布式算法特点以及中低压配电网按照电压等级分层运行的特性，建立中低压配电网分层解耦优化架构；

低压配网i和中压配网j之间的虚拟边界变量为X_ij’＝{P_ij’,Q_ij’,V_ij’}，中压配网j和低压配网i之间的虚拟边界变量为X_i’j＝{P_i’j,Q_i’j,V_i’j}；当次迭代的虚拟边界变量参考值为上一次迭代过程中虚拟边界变量的平均值，其表达式如下：

其中m是迭代次数，X_{i’j,m+1,ref}和X_{ij’,m+1,ref}是第m+1次迭代的中压配网j和低压配网i的虚拟边界变量参考值，X_i’j,m和X_ij’,m是第m次迭代的中压配网j和低压配网i的虚拟边界变量；

分别更新中压配网j和低压配网i的虚拟边界变量，其更新规则是寻找使得中低压配电网优化调度模型的增广拉格朗日函数最小的变量值，其表达式如下：

X_ij′,m+1＝argminL_ij′(X_ij′,m,X_ij′,m,ref,λ_ij′,m)

X_i′j,m+1＝argminL_i′j(X_i′j,m,X_i′j,m,ref,λ_i′j,m)

更新拉格朗日乘子，其表示式如下：

λ_ij′,m+1＝λ_ij′,m+(X_ij′,m-X_ij′,m,ref)

λ_i′j,m+1＝λ_i′j,m+(X_i′j,m-X_i′j,m,ref)

ADMM算法的收敛准则是中低压的虚拟边界变量残差收敛于0，如下所示：

其中，L_i’j(X_i’j,m,X_i’j,m,ref,λ_i’j,m)和L_ij’(X_ij’,m,X_ij’,m,ref,λ_ij’,m)分别表示中压配网j和低压配网i的优化调度模型相对应的增广拉格朗日函数，ρ为ADMM算法的惩罚系数，λ_i’j,m和λ_ij’,m分别表示中低压配网的拉格朗日乘子，其主要由中低压配电网联络线上的有功功率、无功功率和电压组成；λ_ij’,m＝{λ_P,ij',m,λ_Q,ij',m,λ_V,ij',m}，λ_i’j,m＝{λ_P,i'j,m,λ_Q,i'j,m,λ_V,i'j,m}。

Images