馬　瑞　金　艷　劉鳴春

(長沙理工大學電氣與信息工程學院　長沙　410114)

?

基于機會約束規(guī)劃的主動配電網分布式風光雙層優(yōu)化配置

馬瑞金艷劉鳴春

(長沙理工大學電氣與信息工程學院長沙410114)

提出了一種基于機會約束規(guī)劃的主動配電網(ADN)分布式風光雙層隨機最優(yōu)潮流優(yōu)化配置模型。上層模型以兼顧傳統(tǒng)配電網的投資收益與配電自動化成本的年利潤最大為目標函數(shù)，通過蒙特卡羅(MC)隨機模擬和前推回代法獲取系統(tǒng)靜態(tài)安全機會約束；下層模型以分布式電源(DG)有功削減最小為目標函數(shù)，考慮包括DG有功功率削減限制、有載調壓變壓器電壓調節(jié)、DG功率因數(shù)調節(jié)等主動管理(AM)措施及系統(tǒng)靜態(tài)安全機會約束。給出了結合遺傳算法、MC隨機模擬和前推回代法的模型求解方法，通過判斷上層模型是否滿足靜態(tài)安全機會約束起動下層模型。算例仿真結果表明，該方法在滿足置信水平的機會約束下可有效避免小概率事件的負面影響，且在適應多容量滲透率邊界下獲得兼顧安全經濟環(huán)境優(yōu)化的ADN規(guī)劃方案。

機會約束規(guī)劃隨機最優(yōu)潮流主動配電網主動管理容量滲透率

0　引言

傳統(tǒng)配電網中分布式電源(Distributed Generation，DG)滲透率較低，一般將其視作負荷[1]。因節(jié)能減排需要，我國配電網DG滲透率將日益提高。為應對高滲透DG接入，歐盟等發(fā)達國家正推動智能電網框架下的主動配電網(Active Distribution Network，ADN)解決方案[2]?？茖W合理的ADN規(guī)劃模型和算法是該方案的基礎，如何處理DG的不確定性、調控特征及最大消納問題是規(guī)劃建模和算法的關鍵問題，其目標是獲取符合實際技術、經濟和環(huán)境等多目標優(yōu)化ADN規(guī)劃方案，而針對傳統(tǒng)配電網規(guī)劃的經典模型和算法無法解決上述問題[3，4]，因此考慮ADN特征的規(guī)劃建模和算法已成為當前智能電網中主要研究熱點問題之一。

ADN規(guī)劃中既要考慮傳統(tǒng)配電網規(guī)劃經濟安全環(huán)境問題，又要考慮不確定性DG的主動管理(Active Management，AM)模式和最大消納問題，為此，許多學者提出了雙層規(guī)劃模型和算法解決方法。文獻[5]基于AM，提出了一種分布式風電源雙層規(guī)劃模型，上層目標為分布式風電凈收益期望值最大，下層目標為風電出力切除量最小。文獻[6]建立了年綜合費用和DG出力削減最小的配電網網架雙層規(guī)劃模型，針對電網和DG獨立規(guī)劃決策環(huán)境。文獻[7]考慮AM措施，提出了間歇性DG高效利用的ADN雙層場景模型，其上層目標為單位用電量總經濟代價最小，下層目標為DG有效發(fā)電量最大。上述成果通過雙層規(guī)劃模型將AM納入規(guī)劃層面進行模擬和量化，突破了傳統(tǒng)配電網規(guī)劃建模思路，為ADN規(guī)劃提供了一定基礎。但上述成果中配電網安全約束以確定性考慮，無法避免小概率事件對配置方案的負面影響[8]，而機會約束規(guī)劃模型可通過不同置信水平的概率約束有效解決此問題，已有學者將機會約束隨機規(guī)劃方法應用于配電網規(guī)劃研究。文獻[9]建立了基于機會約束規(guī)劃的DG與配電網架多目標協(xié)調規(guī)劃模型。文獻[10]建立了基于機會約束規(guī)劃的分時段多狀態(tài)雙層規(guī)劃模型，通過有功和無功資源綜合配置提高了資源利用率。文獻[11]采用機會約束規(guī)劃方法建立了多時段的間歇性DG經濟效益和環(huán)境效益的綜合最優(yōu)配置模型。上述成果基于傳統(tǒng)配電網思路而未考慮AM模式，因而不適應ADN規(guī)劃要求。再者，實際的ADN規(guī)劃和建設一般基于現(xiàn)有傳統(tǒng)配電網的DG接入、配網自動化系統(tǒng)和通信系統(tǒng)智能化改造或升級，在追求配電網安全經濟環(huán)境目標時，兼顧傳統(tǒng)配電網和DG的投資及收益更加科學，而DG的滲透率是與其緊密相關的核心問題。關于ADN中DG滲透率問題，文獻[12]通過將AM嵌入DG輸出總容量最大化的最優(yōu)潮流模型，使ADN最大滲透率達到1.18；文獻[13]則研究了配電網靜態(tài)安全如電壓上限與導體載流量對提升DG配置的影響，算例結果得到的最大滲透率為1.6；文獻[14]提出的基于NSGA-Ⅱ的ADN多目標DG優(yōu)化模型中，其規(guī)劃結果中的最高滲透率達到2.88。上述成果表明，合理的AM措施可有效提升DG滲透率水平，但DG的滲透率邊界涉及外部電網及發(fā)電機組可提供的備用裕度以及DG的控制模式和配電網保護控制[15]等諸多因素，目前尚未有明確規(guī)定?？紤]到國內現(xiàn)階段配電網的發(fā)展現(xiàn)狀，文獻[16]在研究ADN供蓄能力指標時制定了確定性禁止倒送功率約束條件。在實際規(guī)劃和運行中，DG出力與負荷客觀上具有不確定性，因而DG的出力及支路功率也存在不確定性，因此在DG出力與負荷隨機抽樣基礎上，研究多滲透邊界且以機會約束考慮禁止倒送功率更加符合實際。綜上，基于雙層規(guī)劃模型，兼顧傳統(tǒng)配電網和DG投資收益目標，以機會約束考慮電壓、支路功率和禁止倒送功率的ADN模型和算法尚未見報道。

本文提出一種基于機會約束規(guī)劃的ADN分布式風光雙層優(yōu)化配置模型。上層目標函數(shù)是滿足置信水平的年利潤最大，其中包括DG售電收益、傳統(tǒng)配電網售電收益、環(huán)境改善收益、網絡損耗費用、計及配網自動化改造的投資成本，對節(jié)點電壓、支路功率、禁止倒送功率進行機會約束；下層目標函數(shù)為考慮AM的分布式風光有功削減最小，在約束AM措施的同時對節(jié)點電壓、支路功率進行機會約束，通過判斷是否滿足上層模型的靜態(tài)安全機會約束起動下層優(yōu)化模型。結合遺傳算法、蒙特卡羅(Monte Carlo，MC)隨機模擬、前推回代潮流計算方法對雙層模型進行求解，并在IEEE 33節(jié)點配電系統(tǒng)中進行了不同容量滲透邊界下的算例仿真。

1　機會約束規(guī)劃中節(jié)點電壓、支路功率及禁止倒送功率機會約束抽樣

1.1基于MC的系統(tǒng)狀態(tài)樣本抽樣

本文所研究的DG為分布式風電(Distributed Wind Generation，DWG)與分布式光伏(Photovoltaic，PV)電站。在規(guī)劃研究中，一般認為風速用威布爾分布雙參數(shù)曲線描述，光伏電站的光照強度近似用貝塔分布描述，負荷則采用正態(tài)分布描述其隨機性[17]，且認為三者之間彼此相互獨立，采用MC隨機模擬獲取風電出力、光伏出力和負荷樣本，進而計算潮流得到系統(tǒng)狀態(tài)樣本。

1.2節(jié)點電壓、支路功率和禁止倒送功率機會約束抽樣

針對上述風、光和負荷的系統(tǒng)狀態(tài)樣本，將傳統(tǒng)模型中確定性靜態(tài)安全如節(jié)點電壓和支路功率及禁止倒送功率描述為概率約束，并利用MC和前推回代法[18]對此隨機潮流問題進行求解，具體步驟如下：

(1)基于1.1節(jié)獲取風、光和負荷樣本。

(2)對所有樣本利用前推回代法計算潮流，獲取相應節(jié)點電壓與支路功率等潮流結果。

(3)分別統(tǒng)計樣本中滿足節(jié)點電壓靜態(tài)安全邊界的頻次ku、滿足支路功率靜態(tài)安全邊界頻次kpl及不出現(xiàn)倒送功率的頻次kB。節(jié)點電壓、支路功率正常的概率及功率不倒送的概率計算式為

(1)

(2)

(3)

式中，P{·}為事件概率；{Umin≤U≤Umax}為節(jié)點電壓滿足邊界的事件，其中Umin與Umax分別為節(jié)點電壓下限與上限；{Pl≤Plmax}為支路功率滿足邊界的事件，其中Plmax為支路有功上限；{PB≥0}為配電網不向高壓側倒送功率的事件，PB為聯(lián)絡變電站低壓側向ADN的注入功率；N為總抽樣次數(shù)。

2　基于機會約束的ADN分布式風光雙層配置模型

2.1上層優(yōu)化模型

2.1.1目標函數(shù)

上層優(yōu)化屬于間歇性DG投資決策問題，優(yōu)化目標是滿足置信水平時的年利潤最大，包含DG年售電收益、傳統(tǒng)配電網年售電收益、年環(huán)境改善收益[19]、年網絡損耗費用和計及配電網自動化改造的年投資成本。

(4)

2.1.2約束條件

1)目標函數(shù)的概率約束條件

(5)

f(X,ξi)=Csal(i)+Cnet(i)+Ce(i)-CPLoss(i)-Cinv

(6)

(1)DG年售電收益

(7)

(2)傳統(tǒng)配電網年售電收益

ADN的售電收益除了需要計及DG年售電收益，還應考慮傳統(tǒng)配電網的售電收益。當DG總出力小于負荷，需要向上級電網購電進行補充。

Cnet(i)=8 760(cout-cpu)·

(8)

式中，cout為用戶側單位小時售電電價；cpu為向上級電網單位小時購電電價；PL(i)為第i次隨機模擬中配電網的總負荷。

(3)年環(huán)境改善收益

(9)

式中，CGas為單位廢氣排放費用。

(4)年網絡損耗費用

CPLoss(i)=8 760CLossΔPLoss(i)

(10)

式中，CLoss、ΔPLoss(i)分別為單位小時功率網損成本和對應第i次隨機模擬的小時有功功率損耗。

(5)年投資成本

在ADN中，先進的自動化技術及信息通信技術是對DG實施AM的基礎。因此，年投資成本包括配電網中饋線投資、DG投資與配電自動化投資。

(11)

式中，αDG為DG年平均費用系數(shù)；αcap為饋電線路年平均費用系數(shù)，均與其相應折現(xiàn)率d和壽命T有關；cej、cfj和PjDWG分別為第j號節(jié)點DWG單位容量的設備投資、安裝成本和風電的額定安裝容量；wek、wfk和PkPV分別為第k號節(jié)點PV單位容量的設備投資、安裝成本和光伏電池的額定安裝容量；NF為線路集合；ccap為饋線單位長度造價；li為線路i的長度；ni為線路i的回路數(shù)；η為配電自動化系統(tǒng)與其他投資的比例。

2)節(jié)點功率平衡約束

(12)

3)節(jié)點電壓概率約束

P{Umin≤U≤Umax}≥βv

(13)

式中，βv為節(jié)點電壓的置信水平。

4)支路功率概率約束

P{Pl≤Plmax}≥βl

(14)

式中，βl為支路功率的置信水平。

5)禁止倒送功率概率約束

P{PB≥0}≥βB

(15)

式中，βB為禁止倒送功率的置信水平。

6)容量滲透率約束

CP≤CPmax

(16)

其中

(17)

式中，CP為蒙特卡羅隨機模擬的容量滲透率；CPmax為最大允許容量滲透率；PDWG，max為DWG出力樣本中的最大值；PPV，max為PV出力樣本中的最大值；PL，max為負荷樣本中的最大值。

7)DG臺數(shù)約束

(18)

式中，XjDWG，max為第j號節(jié)點上DWG的安裝臺數(shù)上限；XkPV，max為第k號節(jié)點上PV的安裝臺數(shù)上限。

2.2下層優(yōu)化模型

2.2.1目標函數(shù)

目標函數(shù)

minf

(19)

(20)

2.2.2約束條件

1)等式約束條件

(21)

2)不等式約束條件

(22)

VOLTC,min≤VOLTC≤VOLTC,max

(23)

cosφDG,min≤cosφDG≤cosφDG,max

(24)

P{Umin≤UAM≤Umax}≥βv

(25)

P{Pl,AM≤Pl,max}≥Bl

(26)

P{PB,AM≥0}≥βB

(27)

為了提高求解該雙層最優(yōu)潮流模型算法的運算效率，通過判斷上層規(guī)劃結果是否滿足靜態(tài)安全及機會約束來啟動下層優(yōu)化模型，若上層規(guī)劃結果均滿足靜態(tài)安全及禁止倒送功率機會約束，則不啟動下層模型。

3　基于機會約束的ADN分布式風光雙層優(yōu)化配置模型求解算法

本文結合遺傳算法、MC隨機模擬和前推回代潮流計算方法求解上節(jié)模型。在遺傳算法操作中，采用整數(shù)編碼算子求解初始個體，采用整數(shù)變異算子求解變異個體，上層染色體由DWG與PV的配置臺數(shù)構成，下層染色體由3個AM措施構成。算法流程如圖1所示。

圖1　算法流程圖Fig.1　Flowchart of algorithm

4　算例仿真及其結果分析

本文采用改進的Baran&Wu33[22]節(jié)點配電系統(tǒng)作為算例，如圖2所示。

圖2　IEEE 33節(jié)點配電系統(tǒng)Fig.2　IEEE 33-node distribution system

4.1算例系統(tǒng)參數(shù)

DWG的算例參數(shù)：選址已經確定為{3，6，7，15，19，23，31}，威布爾形狀參數(shù)8，尺度參數(shù)為3，切入風速、額定風速、切出風速分別是4.3 m/s、7.7 m/s、17.9 m/s，單位小時售電電價為0.5元/(kW·h)，運行維護費用為0.05元/(kW·h)，投資成本為10 000元/kW；PV的算例參數(shù)：選址已經確定為{8，17，21，24}，貝塔分布的形狀參數(shù)為0.85和0.9，每個組件面積為2.16 m2，光電轉換效率為13.44%。單位小時售電電價為1元/(kW·h)，運行維護費用為0.1元/(kW·h)，投資成本為13 000元/kW。光伏單元夜間出力為0，設為待機狀態(tài)。

負荷算例參數(shù)：正態(tài)分布均值為3.715，方差為0.178；DG單位額定容量均為100 kW，安裝成本為3 000 元/kW，安裝上限為10臺，使用壽命為20年，折現(xiàn)率設為0.08。單位網損成本為0.4元/(kW·h)，廢氣排放量及相應的排放費用參考文獻[22]，用戶側單位小時售電電價為0.609元/(kW·h)，向上級電網單位小時購電電價為0.394元/(kW·h)，配電網所有線路都是單回支路，線型為LGJ—185，線路單位長度造價為10萬元/km，依據(jù)某配電網智能化改造的實際投資，配電自動化系統(tǒng)與其他投資的比例為30%，目標函數(shù)置信水平取0.95。共抽樣1 000次。AM各控制參數(shù)的允許調節(jié)范圍參考文獻[7]。

4.2機會約束規(guī)劃中靜態(tài)安全指標的隨機抽樣

運用MC隨機抽樣方法，對DWG、PV的出力與負荷進行抽樣，相關結果如圖3所示。

圖3　風光出力、負荷隨機樣本Fig.3　Stochastic samples of DWG，PV and load

某次優(yōu)化過程中某節(jié)點電壓概率密度、某支路功率概率密度及聯(lián)絡變電站向配電網注入功率概率密度如圖4所示。

圖4　靜態(tài)安全指標概率密度Fig.4　The probability density of static safety index

4.3不同滲透率邊界下的結果分析

為分析AM提升DG配置容量的作用，算例最大容量滲透率邊界設定為0.9，單層(未考慮AM)與雙層(考慮AM)的最優(yōu)配置在多滲透邊界的結果如圖5所示。

圖5　多滲透率邊界約束下的單、雙層優(yōu)化結果對比Fig.5　Comparison of optimal results between single and bi-level planning under multiple penetration constraints

由圖5可知，隨著滲透率邊界逐漸擴大，年利潤期望值也逐漸升高，當滲透率邊界設定值大于0.5時，未考慮AM的單層機會約束模型所得方案與考慮AM的雙層機會約束模型所得方案出現(xiàn)區(qū)別，后者所獲利潤更多。表明可以0.5作為滲透率邊界臨界點將規(guī)劃問題分為Ⅰ、Ⅱ兩個階段。

Ⅰ階段取滲透率邊界分別為0.2、0.3、0.4、0.5進行對比分析，相關結果如表1所示。Ⅱ階段取滲透率邊界分別為0.6、0.7、0.8、0.9進行對比分析，相關結果如表2所示，Ⅱ階段AM措施結果如表3所示。

表1　Ⅰ階段單、雙層規(guī)劃相關結果對比Tab.1　Comparison of results between single and bi-level planning in the Ⅰ stage

表2?、螂A段單、雙層規(guī)劃相關結果對比Tab.2　Comparison of results between single and bi-level planning in the Ⅱ stage

表3?、螂A段AM措施結果分析Tab.3　Analysis of AM measures results in the Ⅱ stage

由表1可知，在Ⅰ階段中單、雙層規(guī)劃所得最優(yōu)方案中的DG總臺數(shù)一致，但由于DG與負荷不確定的客觀因素，年利潤期望值有較小差異。另外，因靜態(tài)安全約束均滿足既定的置信水平，該階段雙層機會約束模型仍未起動AM進行下層優(yōu)化，表明當容量滲透率邊界設定為0.5及以下時，單、雙層規(guī)劃所得方案均未體現(xiàn)主動配電網主動特性。

由表2可知，滲透率邊界達到0.6時，單、雙層模型中不出現(xiàn)倒送功率的概率達到了置信水平的下限，對于單層規(guī)劃而言，繼續(xù)增加配置并不會提升經濟利潤，表明考慮AM的雙層模型投入更少的風機和光伏可達與單層模型同樣的收益。

結合表2與表3，可知在第Ⅱ階段中，節(jié)點電壓與支路功率均滿足要求，無需調節(jié)OLTC二次電壓與DG的功率因數(shù)，而通過有功削減措施可使因增加配置容量所致超過置信水平的功率不倒送概率達到要求，從而提升了DG的配置容量，但繼續(xù)放開容量滲透率邊界也未獲得更多利潤，是由于起動有功削減后的收益提升小于成本的增加，繼續(xù)提升容量配置將會造成利潤的降低，即便如此，雙層規(guī)劃模型所獲結果仍優(yōu)于單層規(guī)劃模型，體現(xiàn)雙層模型通過AM提升了配電網中DG的消納容量。

4.4不同置信水平下的結果分析

在機會約束規(guī)劃中，置信水平表示結果的可信賴度，例如將置信水平設置為0.95時，表示隨機規(guī)劃所獲方案是建立在滿足靜態(tài)安全約束成立概率大于95%的基礎上，或者說規(guī)劃結果中可包含發(fā)生不滿足靜態(tài)安全約束事件概率小于5%的情況。不同的置信水平對規(guī)劃結果有一定影響，設定容量滲透率邊界為0.6，考慮到規(guī)劃結果主要受禁止倒送功率機會約束的影響，依次分析禁止倒送功率置信水平分別為0.99、0.97、0.95、0.93、0.91時的雙層規(guī)劃配置方案，結果如表4所示。

由4.4節(jié)分析可知，容量滲透率邊界取0.6時雙層規(guī)劃結果已達倒送功率機會約束邊界，根據(jù)表4數(shù)據(jù)可知，當置信水平從0.99降低至0.95時，利潤逐漸升高，這是由于降低置信水平會使少數(shù)不符合靜態(tài)安全約束條件的情況被包容，然而當置信水平繼續(xù)下降時不會提升容量配置及年利潤，是因為提升容量配置需啟動有功削減，而削減后的收益提升小于成本的增加。綜上分析，本文選擇0.95為參考置信水平。

表4　不同置信水平下的雙層最優(yōu)規(guī)劃結果分析Tab.4　Analysis of the bi-level optimal results under different constraints

4.5本文模型與確定性邊界單、雙層規(guī)劃模型的對比分析

保留本文雙層機會約束模型中的目標函數(shù)，在樣本中對最惡劣工況時的節(jié)點電壓、支路功率、禁止倒送功率進行確定性約束模式，建立確定性邊界約束的單、雙層規(guī)劃模型，將其與本文所提方法在滲透率邊界設定為0.3和0.6時進行對比分析，相關結果如表5所示。在滲透率邊界設定為0.3時，機會約束的單、雙層模型所獲年利潤期望值為564萬元、567萬元，確定性約束單、雙層規(guī)劃所獲年利潤期望值為563萬元、564萬元，對比發(fā)現(xiàn)在滲透率邊界為0.3時，四種方法所獲結果基本相同；在滲透率邊界設定為0.6時，機會約束的單、雙層模型所獲年利潤期望值為630萬元、641萬元，而確定性約束單、雙層規(guī)劃所獲年利潤期望值為612萬元、624萬元，表明滲透率邊界為0.6時，機會約束方法的配置容量與年利潤期望值均優(yōu)于確定性邊界約束模型，這體現(xiàn)了機會約束規(guī)劃能夠避免小概率事件對優(yōu)化結果的負面影響；除此之外，機會約束規(guī)劃模型還可量化節(jié)點電壓、支路功率、功率不倒送的概率，所獲優(yōu)化信息更加全面、可信；對比分析運行時間，發(fā)現(xiàn)雙層機會約束模型比確定性邊界約束雙層模型運行時間長，其原因是雙層機會約束規(guī)劃模型求解中需要對所有樣本進行潮流計算以判斷相應機會約束的概率，且與MC抽樣、種群數(shù)量有關。由于規(guī)劃是離線問題，運行時間不是關注的核心問題，但因考慮隨機性風、光和負荷下潮流和系統(tǒng)靜態(tài)安全約束不確定性特征，因而本文模型更加符合實際。

表5　不同規(guī)劃方法下最優(yōu)配置方案相關結果Tab.5　Optimal allocation schemes results under different programming

5　結論

本文提出了一種分布式能源不確定條件下的ADN風光容量優(yōu)化方法?？紤]了風、光、負荷的不確定性，采用MC抽樣與隨機潮流量化了節(jié)點電壓、支路功率與禁止倒送功率的機會約束，通過嵌套考慮AM的隨機最優(yōu)潮流構建了基于機會約束規(guī)劃的ADN分布式風光雙層優(yōu)化配置模型，在滿足特定置信水平的概率約束下，優(yōu)化了DG的容量以獲得兼顧經濟安全環(huán)境因素的最大利潤。得到如下結論：

1)在現(xiàn)有ADN容量優(yōu)化模型的基礎上，建立了基于機會約束的雙層規(guī)劃模型，上層模型考慮經濟環(huán)境因素下兼顧新能源和傳統(tǒng)配電網的收益，且以特定置信水平的機會約束考慮節(jié)點電壓、支路功率和聯(lián)絡變電站注入配網功率；下層模型考慮AM的隨機最優(yōu)潮流模型以DG有功削減最小為目標，考慮靜態(tài)安全機會約束及AM調控限制。從而提出一種適應ADN規(guī)劃的新模型。

2)研究了多容量滲透率邊界情況的規(guī)劃方案，從而使得文中模型更加符合DG和負荷不確定實際，且更適應ADN規(guī)劃和建設中滲透率逐漸增大的客觀過程。

3)通過未考慮AM的單層機會約束模型與考慮AM的雙層機會約束模型多滲透邊界的算例結果比較分析，可發(fā)現(xiàn)特定配電網模型中AM措施發(fā)揮作用的最小滲透率邊界，且可確定特定算例的參考置信水平，從而使得規(guī)劃方案更加全面。

4)本文模型在包容小概率事件對配置結果的負面影響的基礎上，可提升DG配置容量，且能獲得節(jié)點電壓、支路功率、聯(lián)絡變電站注入配網功率的不確定信息，更加科學合理。

[1]劉廣一，黃仁樂.主動配電網的運行控制技術[J].供用電，2014(1)：30-32.

Liu Guangyi，Huang Renle.The operation control technologies of active distribution network[J].Distribution & Utilization，2014(1)：30-32.

[2]Celli G，Ghiani E，Mocci S，et al.From passive to active distribution networks：methods and models for planning network transition and development[C]//42nd International Conference on Large High Voltage Electric Systems，Paris，F(xiàn)rance，2008：1-11.

[3]范明天，惠慧，張祖平.主動配電系統(tǒng)規(guī)劃的主要影響因素分析[J].電力建設，2015，36 (1)：60-64.

Fan Mingtian，Hui Hui，Zhang Zuping.Main impacts on active distribution system planning[J].Electric Power Construction，2015，36 (1)：60-64.

[4]范明天，張祖平.主動配電網規(guī)劃相關問題的探討[J].供用電，2014(1)：22-27.

Fan Mingtian，Zhang Zuping.Study of related issues of active distribution network planning[J].Distribution & Utilization，2014(1)：22-27.

[5]程浩忠，張節(jié)潭，歐陽武，等.主動管理模式下分布式風電源規(guī)劃[J].電力科學與技術學報，2009，24(4)：12-18.

Cheng Haozhong，Zhang Jietan，Ouyang Wu，et al.Siting and sizing of distributed wind generation under active management mode[J].Journal of Electric Power Science and Technology，2009，24(4)：12-18.

[6]方陳，張翔，程浩忠，等.主動管理模式下含分布式發(fā)電的配電網網架規(guī)劃[J].電網技術，2014，38(4)：823-829.

Fang Chen，Zhang Xiang，Chen Haozhong，et al.Framework planning of distribution network containing distributed generation considering active management[J].Power System Technology，2014，38(4)：823-829.

[7]曾博，劉念，張玉瑩，等.促進間歇性分布式電源高效利用的主動配電網雙層場景規(guī)劃方法[J].電工技術學報，2013，28(9)：155-163.

Zeng Bo，Liu Nian，Zhang Yuying，et al.Bi-level scenario programming of active distribution network for promoting intermittent distributed generation utilization[J].Transactions of China Electrotechnical Society，2013，28(9)：155-163.

[8]叢鵬偉，唐巍，張璐，等.基于機會約束規(guī)劃考慮DG與負荷多狀態(tài)的配電網重構[J].電網技術，2013，37(9)：2573-2579.

Cong Pengwei，Tang Wei，Zhang Lu，et al.Chance-constrained programming based distribution network reconfiguration considering multi-states of distributed generation and load[J].Power System Technology，2013，37(9)：2573-2579.

[9]白牧可，唐巍，張璐，等.基于機會約束規(guī)劃的DG與配電網架多目標協(xié)調規(guī)劃[J].電工技術學報，2013，28(10)：346-354.

Bai Muke，Tang Wei，Zhang Lu，et al.Multi-objective coordinated planning of distribution network incorporating distributed generation based on chance constrained programming[J].Transactions of China Electrotechnical Society，2013，28(10)：346-354.

[10]張璐，唐巍，叢鵬偉，等.基于機會約束規(guī)劃和二層規(guī)劃的配電網廣義電源優(yōu)化配置[J].電力系統(tǒng)自動化，2014，38(5)：50-58.

Zhang Lu，Tang Wei，Cong Pengwei，et al.Optimal configuration of generalized power sources in distribution network based on chance constrained programming and Bi-level programming[J].Automation of Electric Power Systems，2014，38(5)：50-58.

[11]鄧威，李欣然，李培強，等.基于互補性的間歇性分布式電源在配網中的優(yōu)化配置[J].電工技術學報，2013，28(6)：216-225.

Deng Wei，Li Xinran，Li Peiqiang，et al.Optimal allocation of intermittent distributed generation considering complementarity in distributed network[J].Transactions of China Electrotechnical Society，2013，28(6)：216-225.

[12]Ochoa L F，Dent C J，Harrison G P.Distribution network capacity assessment：variable DG and active networks[J].IEEE Transactions on Power Systems，2010，25(1)：87-95.

[13]Shayani R A，Oliveira M A G.Photovoltaic generation penetration limits in radial distribution systems[J].IEEE Transactions on Power Systems，2011，26(3)：1625-1631.

[14]Pilo F，Celli G，Mocci S，et al.Multi-objective programming for optimal DG integration in active distribution systems[C]//IEEE Power & Energy Society General Meeting，Minneapolis，MN，USA，2010：1-7.

[15]范明天，張祖平，蘇傲雪，等.主動配電系統(tǒng)可行技術的研究[J].中國電機工程學報，2013，33(22)：12-18.

Fan Mingtian，Zhang Zuping，Su Aoxue，et al.Enabling technologies for active distribution systems[J].Proceedings of the CSEE，2013，33(22)：12-18.

[16]于文鵬，劉東，余南華，等.主動配電網的局部自治區(qū)域供蓄能力指標及其應用[J].電力系統(tǒng)自動化，2014，38(15)：44-50.

Yu Wenpeng，Liu Dong，Yu Nanhua，et al.Power supply and storage capacity index of local autonomy area in an active distribution network and its applications[J].Automation of Electric Power Systems，2014，38(15)：44-50.

[17]于青，劉剛，劉自發(fā)，等.基于量子微分進化算法的分布式電源多目標優(yōu)化規(guī)劃[J].電力系統(tǒng)保護與控制，2013，41(14)：67-72.

Yu Qing，Liu Gang，Liu Zifa，et al.Multi-objective optimal planning of distributed generation based on quantum differential evolution algorithm[J].Power System Protection and Control，2013，41(14)：67-72.

[18]段玉兵，龔宇雷，譚興國，等.基于蒙特卡羅模擬的微電網隨機潮流計算方法[J].電工技術學報，2011，26(S1)：274-278.

Duan Yubing，Gong Yulei，Tan Xingguo，et al.Probabilistic power flow calculation in microgrid based on Monte-Carlo simulation[J].Transactions of China Electrotechnical Society，2011，26(S1)：274-278.

[19]栗然，申雪，鐘超，等.考慮環(huán)境效益的分布式電源多目標規(guī)劃[J].電網技術，2014，38(6)：1471-1478.

Su Ran，Shen Xue，Zhong Chao，et al.Multi-objective planning of distributed generation considering environmental benefit[J].Power System Technology，2014，38(6)：1471-1478.

[20]Al Kaabi S S，Zeineldin H H，Khadkikar V.Planning active distribution networks considering multi-DG configurations[J].IEEE Transactions on Power Systems，2014，29(2)：785-793.

[21]張建華，曾博，張玉瑩，等.主動配電網規(guī)劃關鍵問題與研究展望[J].電工技術學報，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.

[22]郭金明，李欣然，鄧威，等.基于2層規(guī)劃的間歇性分布式電源及無功補償綜合優(yōu)化配置[J].中國電機工程學報，2013，33(28)：25-33.Guo Jinming，Li Xinran，Deng Wei，et al.Comprehensive optimal allocation of intermittent distributed generation and reactive power compensation based on bi-level planning[J].Proceedings of the CSEE，2013，33(28)：25-33.

Bi-level Optimal Configuration of Distributed Wind and Photovoltaic Generations in Active Distribution Network Based on Chance Constrained Programming

Ma RuiJin YanLiu Mingchun

(College of Electrical and Information EngineeringChangsha University of Science & Technology Changsha410114China)

A bi-level optimal configuration model considering stochastic optimal power flow of the distributed wind and photovoltaic generation in the active distribution network (ADN) based on chance constrained programming is proposed.The upper level aims at maximizing the annual benefits considering the investment income of the traditional distribution network and the cost of the distribution automation.The chance constraints of the static security are acquired by Monte Carlo (MC) stochastic simulation and forward and backward substitution power flow method.The lower level aims at minimizing the distributed generation (DG) output curtailment considering the static security chance constraints and the active management (AM) constraints，i.e. active power curtailment of DG，voltage regulation of on-load voltage regulating transformer，and power factor adjustment of DG.Then，Genetic Algorithm，MC stochastic simulation，and forward and backward substitution power flow method are combined to find the solution.The lower level model will be quickly launched when the conditions of the static security chance constraints of the upper lever are not satisfied.Simulation results suggest that the model can effectively avoid the adverse effect from small probability events within AM and chance constraints in a satisfying confidence level，and acquire the ADN planning scheme considering safety，economy and environment factors with a variety of capacity penetration boundaries.

Chance constrained programming，stochastic optimal power flow，active distribution network，active management，capacity penetration

2015-02-05改稿日期2015-05-16

TM715

馬瑞男，1971年生，博士，教授，研究方向為電力系統(tǒng)分析與控制、低碳電力、主動配電網和電力大數(shù)據(jù)。

E-mail：marui818@126.com(通信作者)

金艷女，1990年生，碩士研究生，研究方向為電力系統(tǒng)配電網的規(guī)劃。

E-mail：jjyy_love@126.com

國家自然科學基金資助項目(51277015)。