考虑可再生能源跨区域消纳的主动配电网多目标优化调度

曾 博 杨 煦 张建华



考虑可再生能源跨区域消纳的主动配电网多目标优化调度

曾 博 杨 煦 张建华

（新能源电力系统国家重点实验室（华北电力大学）北京 102206）

提高对可再生能源的综合利用能力是主动配电网（ADN）运行控制面临的新增重要任务。为此，提出了一种面向促进可再生能源跨区域消纳的ADN多目标运行优化方法。首先，基于并网接口模型，推导了集中控制模式下分布式发电（DG）的有功、无功功率解耦可调范围，并提出考虑可再生能源跨区域消纳的ADN能量管理策略。在此基础上，分别以系统运行成本、可再生能源发电功率削减量以及系统网损三方面最小化作为目标，构建ADN多目标优化调度模型。该模型综合考虑了DG有功、无功出力控制、储能设备充放电以及可中断负荷的调用，并详细分析了网络潮流和分布式资源特性两方面的约束及其多时段耦合特征。鉴于所建模型具有高维、非线性特点，采用基于启发式策略的多目标和声搜索算法实现高效求解。以扩展的33节点配网系统为例，验证了所提模型的有效性以及ADN运行中计及可再生能源DG无功控制潜力的必要性。

主动配电网 可再生能源发电 优化运行 多目标优化

0 引言

全球性环境危机及传统化石能源不断减少使得基于可再生能源的分布式发电技术（Distributed Renewable Energy Generation, DREG）在近年得到飞速发展。随着以风电、光伏为代表的DREG在不同电压等级的规模化接入，如何在充分保证电网安全经济的条件下最大限度地提高可再生能源利用效率成为当前配电网运行管理中面临的重要问题[1]。

作为智能配电网未来发展的重要形态之一，主动配电网（Active Distribution Network, ADN）已被证明是实现上述目标的一种有效技术手段。与面向用户自治的微电网技术不同，ADN强调借助先进的信息通信及自动控制技术，对系统中各类可调分布式资源，包括分布式发电（Distributed Generation, DG）、储能设备、可中断负荷等，实施综合协调管理，从而在整个配电网层面实现对可再生能源的高效主动利用[2,3]。因此，ADN无论在运行方式还是调度目标上均有着鲜明的特点。同时，受分布式资源（Distributed Energy Resources，DER）类型及控制方式多样性的影响，ADN运行在控制维度及寻优空间方面也将变得更加复杂，从而也对求解算法的性能提出了更高要求。

针对ADN运行控制问题，目前国内外学者已开展了大量相关研究工作。文献[4]基于智能电网标准通信协议，构建了面向风力发电主动控制的ADN优化调度模型。文献[5-8]以运行成本最小化为目标，基于最优潮流（Optimal Power Flow, OPF）技术，建立了面向ADN的日前、实时优化调度模型。在上述研究基础上，文献[9]分析了电价波动、开关动作及特定管制体制下DG调用次序对系统运行成本的影响。文献[10]则进一步关注了储能、可控负荷等DER的多断面时间耦合特性，以配电网从上级电网获取电量最小为目标，建立了ADN动态调度模型。考虑到实际运行中某些约束条件并非需要严格满足，文献[11]提出了基于机会约束规划的ADN能量调度策略。文献[12]结合分散控制及集中优化的思想，建立了面向DG协调运行的多时间尺度OPF模型。此外，为支持AND中多种可调设备的高效优化调度，文献[13]设计了一种基于多代理系统（Multi-Agent System, MAS）的AND三层多源协调优化调度架构，并提出了与之相适应的区域自治协调调度策略。在ADN中，有功和无功功率存在天然的强耦合特性，因此脱离无功控制的单纯有功优化很难保证最终调度方案具有全局最优性。为此，文献[14]基于混合整数二阶锥规划方法，研究并提出了综合考虑DG有功出力与系统无功调节装置协调控制的ADN优化运行模型及其快速求解策略。

上述成果为本领域研究的展开奠定了重要基础，但仍然存在着以下三个方面的不足：①在优化模型方面，已有研究对ADN内涵特点的挖掘尚不够充分，所建模型在立足于电能就地分配，大多仅关注了运行成本或网络损耗等方面因素，未能准确反映ADN对促进绿色电能主动利用及广域消纳的目标要求；②在建模方法方面，针对ADN运行涉及的多方面目标，大多采用简单的加权和方式将其转化为单目标问题处理。由于这种方式难以清晰表征不同属性之间的内在联系，最终可能导致所得策略与运行者的主观意愿之间存在较大偏差；③在控制对象方面，目前研究大多将DREG处理为基于最大功率点跟踪的不可调度单元，而忽略了DREG本身具有无功调节能力及其对ADN整体运行性能的影响，因而难以确保最终所得调度方案具备全局最优性。

针对上述问题，本文提出了一种促进可再生能源消纳的ADN多目标运行优化方法。在深入分析解耦条件下DG有功、无功功率可调能力的基础上，提出了可再生能源跨区域消纳的ADN能量管理策略，并进一步构建了多目标日前优化调度模型。该模型综合考虑DG有功、无功出力控制、储能设备充放电以及可中断负荷的调用，并计及DER运行的多时段耦合特征。采用基于启发式策略的多目标和声搜索（Multi-Objective Harmony Search, MOHS）算法对所建模型进行高效求解，相关结果验证了所提模型的有效性。

1 基于逆变器接口的DG有功、无功功率解耦控制

在ADN下，由于主动管理（Active Network Management, ANM）模式的实施，各类DG由传统配电网下“不可见”的单纯有功功率注入源逐渐转变为可深度参与系统全局能量调度的可控机组。鉴于可再生能源的波动性，目前对于DREG的控制方式主要包括不调控和功率因数调控两种基本模式[1]。在不调控模式下，DREG所发电能全部注入配电网，配电能量管理系统（Distribution Management System, DMS）通过对其他可调度单元（如微型燃气轮机、储能单元、可控负荷等）进行协调控制实现系统优化运行。在该模式下，由于DREG作为非调控单元参与运行，因此难以有效应对DREG高渗透情况下所引发的电压偏移和输电阻塞问题。在功率因数调控模式下，DMS通过调控功率因数实现对DREG的主动控制。然而这种模式的不足在于DG的有功、无功输出之间存在耦合关系，其无功出力将受制于同时段的有功出力波动情况，因此灵活性较低，难以充分满足ADN最优运行的目标要求。鉴于以上不足，本文将基于逆变器接口模型[15,16]，分析DG有功、无功功率解耦控制策略。

图1为基于逆变器DC-AC接口模型下DG拓扑结构。首先通过换流器将DG单元的电能输出转换为标准直流电流，直流电流再通过逆变器转换为工频下的交流电流，最后通过变压器实现并网运行。在换流器输出的直流电流一定的条件下，主要通过对电网侧逆变器控制实现对DG有功、无功功率的解耦控制。其中，测量装置对并网点的有功功率DG，无功功率DG和节点电压g进行采集，通过通信系统传输至DMS，DMS将下一阶段的运行参数反馈至DG控制端，实现对DG输出功率控制。在上述并网模式下，对DG有功、无功功率解耦可控能力进行推导。

图1 DC-AC接口模型下DG拓扑结构

当考虑DG换流器输出电流c一定的条件下，端口有功、无功功率及电压满足

（2）

式中，c为从DG出口到并网点的所有变压器和滤波器阻抗值。式（2）可进一步改写为

综合式（2）、式（3）可知，当有功取值一定时，DG输出无功与换流器输出电流c以及端口电压g相关。根据文献[17]提供的等价转换方程，可进一步得到DG的最大调节容量为

（4）

（6）

式中，c,max和c,max分别为DG逆变端口侧的最大输出电流和最大端口电压，其具体获取方法详见文献[16]。由式（4）～式（6）可见，当DG的有功功率输出和功率因数确定时，其无功功率可调节范围也可随之确定。与传统功率因数控制方式[12]相比，在上述解耦状态下，DG无功功率出力将在既定范围内实现灵活调控。

2 ADN多目标运行优化模型

当DREG大量接入后，将显著改变配电网原有潮流分布，进而可能引起线路过载、供电质量下降等一系列问题。因此，传统以“本区利用，就地消纳”为核心的DG控制策略已很难有效满足ADN对可再生能源规模化利用的需求。此外，伴随ADN下各类新型拓扑结构及先进控制技术的应用，配电网网架的互联程度得到极大提升，从而使得对可再生能源的跨区域消纳成为了一种可能。

2.1 考虑可再生能源跨区域消纳的ADN能量管理策略

为便于说明，图2给出了一个跨区互联的主动配电网系统。其中，DN1、DN2分别代表两个具有相同电压等级的供电区域，通过跨区联络线实现相连。假设DN1为DREG高渗透系统，即研究对象，而DN2为无源配电网络，由上级电网供电，并可接受由DN1提供的可再生能源电能。为实现可再生能源高效消纳目标，设计ADN能量管理策略如下。

图2 跨区域互联的主动配电网系统

对于DN1，其内部负荷需求由上级电网、储能设备、区域内的DREG与可控DG四方面提供： ①当DREG发电超过负荷需求时，多余功率将首先为储能设备进行充电。待储能充满后，再通过联络线外送至DN2；若外送功率到达相关设备容量上限，则被迫削减DREG出力或使其完全退出运行；②当DREG发电不足时，不足差额将首先由区域内储能及上级电网顺次提供，若仍旧不能满足相关要求（如因约束越限等），再选择调用可控DG或可中断负荷实现功率平衡。

为简便起见，在潮流计算过程中，本文将DN2设置为等效虚拟节点，其调度方式与节点类型则由式（7）中判据产生：①当式（7）满足条件时，表明DN1中可再生能源出力过剩，此时将区域联络线开关闭合，设为平衡节点，上级电网为PV节点；②当式（7）不满足条件时，表明DN1中可再生能源出力不足，此时则将区域联络线断开，并选取上级电网为平衡节点。

为保证调度过程中潮流流向的确定性，本文假设DN1联络线节点处已加装静止无功补偿装置。此外，针对上述策略，若目标ADN与多个区域配电网相连时，则选取联络线容量最大的电网作为平衡节点。

2.2 目标函数

基于上述能量管理策略，分别从系统运行成本、可再生能源利用率及网损水平3个维度构建ADN日前调度模型的优化目标。

（1）目标函数1：ADN运行成本最小。

（9）

（11）

（12）

（2）目标函数2：DREG的功率削减量最小。

（3）目标函数3：系统能量损耗最小。网损是反映配电网运行水平的重要指标之一。在ADN框架下，各类DG规模化应用将改变配电网的固有潮流分布，进而影响网络损耗。因此，构建基于系统网损最小的目标函数为

式中，F为系统中线路通道集合；Z为线路对应馈线的阻抗值；P、Q分别为线路流过的有功功率和无功功率；U为线路的末端电压。

2.3 约束条件

模型约束条件主要包括网络潮流约束和DER特性约束两个方面。

2.3.1 网络潮流约束

（1）功率平衡约束。

（2）线路电流约束。

（17）

（3）平衡节点约束。在本文模型中，分别将上级电网及区域联络线作为正向及负向平衡节点。为抑制ADN功率波动对外部系统造成的影响，需要对关口交换功率进行必要限制，因此即有

2.3.2 DER特性约束

（1）DG出力约束。受制于技术特性及自身容量限制，DG的有功、无功可调出力需要满足约束

（2）可控DG的爬坡率约束。为保证可控型DG的安全稳定运行，需对其输出功率在多时段间的变化速率进行必要限制，即有

（3）储能装置调控约束。储能装置运行需同时满足充放电状态约束、充放电功率约束以及荷电状态约束[19]

（22）

（23）

（4）可中断负荷调用约束。在ADN中，对可中断负荷的调用受限于可用容量、中断持续时间、时间间隔以及调用次数等一系列限制[20]，即满足如下约束条件

（25）

（27）

（28）

3 求解方法

3.1 Pareto最优解集的获取

本文上述所建模型属于一个复杂的多时段多目标优化问题，且具有高维度及非线性的特点。和声搜索（Harmony Search, HS）算法是由Z.W. Geem等在2001年所提出的一种新型智能优化算法，其基本原理是通过模仿创作家反复寻找最优声调的方法，来实现对相关问题的方案寻优。与遗传算法、粒子群算法等传统智能优化方法相比，HS算法具有全局搜索能力强，收敛速度快的优点[21]。文献[22,23]通过引进多尺度变异和参数动态调整策略，使其能够在保证收敛速度条件下具有更强的全局搜索能力，从而更好地适应多目标优化的求解需要。

本文采用基于启发式策略的多目标和声搜索（Multi-Objective HS, MOHS）算法对模型进行求解，以获取Pareto最优解集，基于MOHS算法的求解流程如图3所示。对上述计算中的关键步骤说明如下：

（1）算法参数初始化。需要初始化的MOHS算法计算参数包括和声记忆库容量（Harmony Memory Search, HMS），和声记忆考虑概率（Harmony Memory Considering Rate, HMCR），最大迭代次数max。

（2）支配排序。多目标优化问题可定义为

（30）

图3 基于MOHS算法的求解流程

按顺序计算所有和声的被支配数量，选取其中的非支配解移入和声存储库，并对支配解根据被支配数量进行分级排序。

（3）拥挤度计算。对处于相同等级的和声，利用文献[24]中的方法计算各和声的拥挤度，根据拥挤度对同级和声进行排序。

（4）杂交策略。在智能优化算法中，随着迭代次数的增加，解集的多样性会下降，而提高解集多样性又会降低算法的收敛速度。本文利用杂交策略来对算法性能进行优化，新和声生成算法[22]为

3.2 折中方案的获取

针对上述计算得到的Pareto前沿解，本文进一步采用逼近理想解排序（Technique for Order Performance by Similarity to Ideal Solution, TOPSIS）法以确定针对各个目标的最佳折中方案。TOPSIS法是一种经典的多属性决策技术，具有原理直观、计算简便、对样本量要求不大等优点，其详细执行步骤可参见文献[25]。

本文假设ADN运行者对不同目标持相同的偏好程度，因此权重向量=[0.33, 0.33, 0.33]。

4 算例分析

4.1 基础数据

为验证所提方法的有效性，本文选取扩展的33节点配电系统[24]作为算例进行计算分析，扩展33节点配网系统如图4所示。该系统电压等级为12.66kV，最大负荷为5.084+j2.547MV·A。其中，节点0为上级变电站的低压侧母线，系统通过联络线10-与外区域配电网互联。假设其最大载流量为610A；为了避免运行过程中断路器频繁开断，限定在一个调度周期24h内断路器最大动作次数为4次。系统中DER信息如下：光伏安装在7, 13, 32号节点上，各节点总装机容量均为1MW；风电安装在21，27号节点上，各节点总装机容量均为0.8MW；微型燃气轮机安装在24, 30号节点上，并假设其基于“以热定电”的运行方式，功率可控范围为0.1～0.4MW；储能安装在6, 29号节点上，各节点总充放电功率上限为0.24MW，容量上限为1.2MW·h，SOC调节范围为30%～90%，充电效率为80%。直控负荷通过馈线开关实现调节，以恒功率因数进行控制，各节点可控负荷容量见表1。假设各节点负荷在24h内最多中断一次，且每次中断持续时间不超过2h。

图4 扩展33节点配网系统

系统的日间负荷曲线取自文献[27]，光照及风速数据则选自对我国华北某市春季典型日的实际调研结果。此外，参考我国实际执行标准，光伏和风电的上网电价分别取为1元/(kW·h)及0.8元/(kW·h)。微型燃气轮机的上网电价为0.81元/(kW·h)；配电网从上级电网的购电价格为0.38元/(kW·h)；可中断负荷成本系数1和2分别取为1=5 000，2=3 200[20]。此外，假设系统各节点的最大允许电压偏移范围为±5%。

表1 各节点可控负荷容量

Tab.1 Capacity of interruptible loads at different buses

算法中相关参数设置如下：HMS=40；max= 500；基于动态策略调整HMCR，HMCRmax=0.9，HMCRmin=0.6。

4.2 优化结果分析

4.2.1 Pareto最优解分析

经计算得到的Pareto前沿集如图5所示，其中DREG算法按照功率因数为0.9进行控制。可见，基于MOHS算法形成的Pareto解集分布均匀而广泛，可为运行成本、网络损耗、可再生能源利用率这三类冲突目标的相互妥协提供丰富的信息。

图5 Pareto前沿集

根据上述Pareto优化结果，在实际应用中可根据ADN运行者具体期望要求，考虑多方面因素影响，选择优化运行方案。

由图5可知，调度目标中系统运行成本、DREG功率削减和系统能量损耗三者之间存在密切关联。若调度者优先考虑经济性因素，即偏向选择运行成本较小的方案，但这在一定程度上将不利于可再生能源的最大化利用（表现为DREG功率削减增大）。反之，若仅以可再生能源消纳最大为目标，则将显著增加系统运行成本及网络损耗。这说明要实现可再生能源电力的跨区消纳，伴随输电路径的增长将不可避免地造成网损增加。同时，为应对DREG算法出力波动，还将不得不更频繁地调用燃气轮机、储能及可中断负荷等资源，进而导致系统总成本上升。由上述优化结果可知，在实际应用中可由ADN运行者的具体期望要求，综合权衡多方面因素，最终科学确定系统调度运行方案。

4.2.2 系统功率平衡分析

为清晰揭示ADN日间各机组的出力情况以及能量构成，分别对4.2.1节中DREG出力削减值为5%和15%时的系统优化运行方案进行功率平衡分析。各类DG和储能的运行基点以及可中断负荷的调用状况即AND优化结果如图6所示。

（a）DREG出力削减为5%

（b）DREG出力削减为15%

图6 ADN运行优化结果

Fig.6 Optimal scheduling plan of ADN

通过图6结果对比可知，当DREG能量贡献较低时（即削减率较大时），负荷供能主要由系统中DREG、电网购电以及燃气轮机三方面构成，而较少调用储能及可中断负荷。此时，虽然DREG发电得到很大程度利用，但在部分时段（如对于光伏 12∶00～14∶00，对于风电则为早上1∶00～7∶00）仍存在部分弃光、弃风现象。随着对可再生能源消纳比率目标的提高，系统中DREG发电占总电力供应的比例增大，同时ADN从外部电网的购电比率将显著降低。此时，储能和可中断负荷在系统运行中所起到的作用将更加明显。这主要表现为：一方面，储能设备的调用频率增多。在DREG发电功率超过负荷需求时，多余功率将优先对储能系统充电（如图6中时段），在DREG出力不足时进行放电（图6中的时段）。同时，储能系统的充放电功率和深度均有所上升，不仅出力波动范围加大且总投入时间更长。另一方面，当2=5%时，系统运行者调用可中断负荷的次数和容量均较2=15%的方案明显增多。这说明要实现可再生能源高效利用的目标，一些情况下ADN运行者不得不对用户固有用电行为进行干预，才能使之最大限度地追踪可再生能源（风速、光照）的自然特性。

上述计算结果符合含高渗透率DREG的ADN运行易受环境因素影响这一基本特征。同时，对储能及需求侧资源的利用提高了系统对可再生能源的利用率。

4.2.3 跨区域消纳策略分析

为验证跨区域消纳策略对可再生能源利用率的影响，分别构建计及跨区域消纳策略（情景1）和仅考虑本区域消纳（情景2）两类情景进行对比分析，经过优化计算，各情景下Pareto前端如图7所示，同时表2给出不同情景下的系统目标函数值。

图7 各情景下Pareto前端

根据计算结果可知，情景1及情景2中的可再生能源日利用率分别为88.2%和85.1%。可见，跨区域消纳策略促进了DREG利用效率的提升（即DREG出力削减逐步减少）。同时，可再生能源跨区域消纳策略的实施，使得系统网损逐渐升高，见表2。说明系统间的互联使得ADN中DG输出能量输送的范围逐渐扩大，因此配电网的系统能量损耗也逐步增大；另一方面，随着DREG出力减少，储能设备和可控负荷调用频率和调度深度降低，进而降低ADN的整体运行费用。

表2 不同情景下的系统目标函数值

Tab.2 Objective function values for different cases

需要指出的是，当潮流计算中以联络配电网作为负平衡节点时，本文中以联络线最大传输功率作为约束条件，当出现功率越限时，则通过减少DREG出力来保证系统稳定运行。在实际电网运行过程中，作为受端电网的联络配电网在调度过程中处于被动方，联络点传输功率的增加以及变化速率的提高均会增加受端电网的调度与运行控制负担。因此在实际运行中，应以受端电网安全稳定为前提来确定联络线功率传输的限额与最大变化率。

4.2.4 DREG有功、无功功率解耦控制分析

由式（4）～式（6）可知，不同功率因数所对应的DG无功调节能力不同，为分析DREG的无功功率调节能力对运行目标的影响，将DREG的功率因数依次取为1, 0.9, 0.8，并进行优化计算。图8及表3分别给出了上述不同功率因数下所得Pareto前端及系统目标函数值。通过分析可得：①当=1时，DG不具备无功调节能力，仅以有功注入电网，此时DREG的利用率为86.7%；②当=0.9时，DG具备一定的无功调节能力，但需要牺牲一部分有功出力来实现无功调节，此时DREG的利用率为88.2%；③当=0.8时，DG的无功调节能力进一步提高，同时有功出力进一步降低，DREG的利用率为78.9%。通过场景1和场景2对比分析，当计及DREG的无功调节能力时，将有助于网络中局部电压质量改善，从而提升可再生能源的利用效率。

图8 DREG在不同功率因数下的Pareto前端

表3 DREG在不同功率因数下的系统目标函数值

Tab.3 Objective function values under different power factors of DREG

通过表中系统网损项分析，DREG无功调节能力的提升有利于系统网损逐步降低。说明在计及DREG的无功调节能力，可以有效改善系统潮流分布，从而提高配电系统整体运行效率。通过对运行成本项进行分析，可知运行成本(=0.9)＞(=1)＞(=0.8)，说明随着DREG利用率的下降，导致系统能量构成中可再生能源的比例降低，而由于从主网的购电成本要远低于DREG的购电成本，因此使得运行成本整体下降。

综上所述，当计及DREG的无功功率调节能力，虽然可以提高ADN的整体运行效率，改善电能质量，但以较低的功率因数运行同时也会牺牲DREG的有功功率出力。因此DREG的最优功率因数应按照系统中的实际可再生能源的渗透率，通过灵敏度分析确定。

5 结论

为实现对可再生能源的高效主动利用能力，本文提出了一种ADN多目标运行优化方法。在深入分析逆变器并网模式下DG有功、无功功率解耦可控能力的基础上，提出了面向ADN的跨区域能源消纳策略，并据此分别以系统运行成本、DREG出力削减和网损最小化作为目标，构建了ADN多目标优化调度模型。以扩展33节点配网系统为例，利用MOHS算法对模型进行求解，相关计算结果表明：

1）在ADN下，DREG利用效率、系统运行成本以及系统网损之间存在着复杂的相互影响，要提高DREG的有效利用率，会在一定程度上使得系统运行成本上升，并间接增加系统整体运行网损。

2）跨区域电能消纳策略有利于可再生能源的高效利用，但随DG供电半径的扩大将一定程度地增加系统运行网损。

3）计及DREG无功调节能力虽然会一定程度上制约其有功出力，但由于改善系统潮流分布及DG并网点电能质量，因此总体上仍旧对提高可再生能源利用及系统整体运行效率具有显著积极作用。

综上所述，本文所提方法能够在实现可再生能源优先消纳的前提下，有效协调ADN运行的综合效益，满足不同系统运营商的差异化需求，相关结论可为ADN实际调度策略的制定提供必要的参考依据。

参考文献：

[1] D’Adamo C, Abbey C, Baitch A, et al. Development and operation of active distribution network[R]. CIGRE, 2011.

[2] Ochoa L F, Harrison G P. Minimizing energy losses: optimal accommodation and smart operation of renewable distributed generation[J]. IEEE Transa- ctions on Power Systems, 2012, 26(1): 198-205.

[3] 张建华, 曾博, 张玉莹, 等. 主动配电网规划关键问题与研究展望[J]. 电工技术学报, 2014, 29(2): 13-23.

Zhang Jianhua, Zeng Bo, Zhang Yuying, et al. Key issues and research prospects of active distribution network planning[J]. Transactions of China Electro- technical Society, 2014, 29(2): 13-23.

[4] Adrian T, Mats L, Cherry Y. Active management of distributed energy resources using standardized communications and modern information techno- logies[J]. IEEE Transactions on Industrial Electronics, 2009, 56(10): 4029-4037.

[5] Fabrizio P, Giuditta P, Gian G S. Optimal coor- dination of energy resources with a two-stage online management[J]. IEEE Transactions on Industrial Electronics, 2011, 58(10): 4526-4537.

[6] Dolan M J, Davidson E M, Kockar I, et al. Distribution power flow management utilizing an online optimal power flow technique[J]. IEEE Transa- ctions on Power Systems, 2012, 27(2): 790-799.

[7] Borghetti A, Bosetti M, Grillo S, et al. Short-term scheduling and control of active distribution system with high penetration of renewable resources[J]. IEEE Journal on Systems, 2010, 4(3): 313-322.

[8] 王威, 黄大为. 含可调度分布式电源的配电网综合优化[J]. 电工技术学报, 2015, 30(12): 429-433.

Wang Wei, Huang Dawei. The coordination optimization of distribution networks with dispatched distributed generators[J]. Transactions of China Electrotechnical Society, 2015, 30(12): 429-433.

[9] 尤毅, 刘东, 钟清, 等. 主动配电网优化调度策略研究[J]. 电力系统自动化, 2014, 38(9): 177-183.

You Yi, Liu Dong, Zhong Qing, et al. Research on optimal schedule strategy for active distribution network[J]. Automation of Electric Power Systems, 2014, 38(9): 177-183.

[10] Gill S, Kockar I, Ault W. Dynamic optimal power flow for active distribution networks[J]. IEEE Transactions on Power Systems, 2014, 29(1): 121-131.

[11] 王健, 谢桦, 孙健. 基于机会约束规划的主动配电网能量优化调度研究[J]. 电力系统保护与控制, 2014, 42(13): 45-52.

Wang Jian, Xie Hua, Sun Jian. Study on energy dispatch strategy of active distribution network using chance-constrained programming[J]. Power System Protection and Control, 2014, 42(13): 45-52.

[12] 尤毅, 刘东, 钟清, 等. 多时间尺度下基于主动配电网的分布式电源协调控制[J]. 电力系统自动化, 2014, 38(9): 192-203.

You Yi, Liu Dong, Zhong Qing, et al. Multi-time scale coordinated control of distributed generators based on active distribution network[J]. Automation of Electric Power Systems, 2014, 38(9): 192-203.

[13] 蒲天骄, 李烨, 陈乃仕, 等. 基于MAS的主动配电网多源协调优化调度[J]. 电工技术学报, 2015, 30(23): 67-75.

Pu Tianjiao, Li Ye, Chen Naishi, et al. Multi-source coordinated optimal dispatch for active distribution network based on multi-agent system[J]. Transactions of China Electrotechnical Society, 2015, 30(23): 67-75.

[14] 刘一兵, 吴文传, 张伯明, 等. 基于混合整数二阶锥规划的主动配电网有功-无功协调多时段优化运行[J]. 中国电机工程学报, 2014, 34(16): 2575- 2583.

Liu Yibing, Wu Wenchuan, Zhang Boming, et al. A mixed integer second-order cone programming based active and reactive power coordinated multi period optimization for active distribution network[J]. Proceedings of the CSEE, 2014, 34(16): 2575-2583.

[15] Nayeem R U, Kankar B, Torbjorn T. Wind farms as reactive power ancillary service providers-technical and economic issues[J]. IEEE Transactions on Energy Conversion, 2009, 24(3): 661-672.

[16] Augusto C R, Antonio P. Distributed generators as providers of reactive power support—a market approach[J]. IEEE Transactions on Power Systems, 2013, 28(1): 490-502.

[17] Vito C, Gaspare C, Vincenzo G, et al. Optimal decentralized voltage control for distribution systems with inverter-based distributed generators[J]. IEEE Transactions on Power Systems, 2014, 29(1): 230-241.

[18] 曾博, 董军, 张建华, 等. 节能服务环境下的电网综合资源协调规划新方法[J]. 电力系统自动化, 2013, 37(9): 34-40.

Zeng Bo, Dong Jun, Zhang Jianhua, et al. A coor- dinated planning approach for grid-side integrated resources in an energy-saving service environment[J]. Automation of Electric Power Systems, 2013, 37(9): 34-40.

[19] Aouss G, Pu L. Active-reactive optimal power flow in distribution networks with embedded generation and battery storage[J]. IEEE Transactions on Power Systems, 2012, 27(4): 2026-2035.

[20] Hyung-Geun K, Jin-O K, Optimal combined scheduling of generation and demand response with demand resource constraints[J]. Applied Energy, 2012, 96: 161-170.

[21] Geem Z W, Kim J H, Loganathan G V. A new heuristic optimization algorithm: harmony search[J]. Simulation, 2011, 76(2): 60-68.

[22] Zou D X, Gao L Q, Wu J H, et al. A novel global harmony search algorithm for reliability problems[J]. Computers & Industrial Engineering, 2010, 58(2): 307-316.

[23] Komail N, Malihe M F, Hossein, et al. An improved multi-objective harmony search for optimal place- ment of DGs in distribution systems[J]. IEEE Transa- ctions on Smart Grid, 2013, 4(1): 557-567.

[24] 彭春华, 孙惠娟. 基于非劣排序微分进化的多目标优化发电调度[J]. 中国电机工程学报, 2009, 29(34): 71-76.

Peng Chunhua, Sun Huijuan. Multi-objective optimi- zation power dispatch based on non-dominated sorting differential evolution[J]. Proceedings of the CSEE, 2009, 29(34): 71-76.

[25] 邱威. 考虑间歇性能源接入和运行安全的多目标有功优化调度[D]. 北京: 华北电力大学, 2012.

[26] Baran M E, Wu F F. Network reconfiguration in distribution systems for loss reduction and load balancing[J]. IEEE Transactions on Power Delivery, 1989, 4(2): 1401-1407.

[27] Zeng B, Zhang J H, Yang X, et al. Integrated planning for transition to low-carbon distribution system with renewable energy generation and demand response[J]. IEEE Transactions on Power Systems, 2014, 29(3): 1153-1165.

Multi-Objective Optimization for Active Distribution Network Scheduling Considering Renewable Energy Harvesting Across Regions

（State Key Laboratory for Alternate Electrical Power System with Renewable Energy Sources North China Electric Power University Beijing 102206 China）

Increasing the efficiency of renewable energy usage is a newly-supplemented target for active distribution network (ADN) operation. Thereby, a multi-objective optimization framework for ADN operation that considers cross-regional utilization of renewable energy is proposed in this study. Firstly, based on the DC/AC model, the active/reactive decouple model of DG units under the centralized control mode is derived, and then the strategy for ADN operation considering cross-regional usage of renewable energy is put forward. Accordingly, a multi-objective model for ADN scheduling is built, taking the minimization of operation cost, renewable energy curtailment and network losses as objectives. In this model, the management for the active/reactive power output from DG units, energy storages and interruptible loads has been considered, taken the inter-temporal constraints into account. Due to high dimension and nonlinearity of the proposed model, the multi-objective harmony search algorithm is adopted. A modified 33-bus distribution system has verified the proposed method as well as the necessity for incorporating reactive capability of renewable-based DG units.

Active distribution network, renewable energy generation, optimal scheduling, multi-objective optimization

TM732

国家重点研发计划重点专项（2016YFB0101903），国家自然科学基金（51507061），中央高校基本科研业务费专项基金（2015QN01）资助项目。

2014-11-02 改稿日期 2015-01-28

曾 博 男，1987年生，博士，研究方向为主动配电网规划与运行技术、需求响应与电动汽车等。E-mail: alosecity@126.com（通信作者）

杨 煦 男，1989年生，硕士研究生，研究方向为主动配电网运行及分布式发电技术。E-mail: yangxul@ieee.org