计及需求响应的有源配电网储能优化调度

Overview of Multi-Source Distribution Network Optimization Operation Considering Energy Storage and Demand Response

摘要: 为响应国家“双碳目标”，以光伏与风电为主的可再生能源快速发展。针对含分布式电源的有源配电网功率波动严重、电能质量下降等问题，本文提出一种计及需求响应的配电网储能优化调度模型，旨在提升配电网的电能质量的同时保证其经济性，并提高包含分布式电源的配电网运行水平。引入理想点法简化多目标模型，并以改进粒子群算法求解模型。最后将本文所提的模型应用于IEEE33节点标准算例中，证明所提方法对配电网运行的有效性。

Abstract: In response to the national “double carbon target”, renewable energy, mainly photovoltaic and wind power, is developing rapidly. Aiming at the problems of serious power fluctuation and power quality degradation in active distribution networks with distributed power sources, this paper proposes an optimal scheduling model for energy storage in distribution networks taking into account demand response, which aims to improve the power quality of distribution networks while guaranteeing their economic performance, and to improve the operation level of distribution networks with distributed power sources. The ideal point method is introduced to simplify the multi-objective model, and the model is solved by an improved particle swarm algorithm. Finally, the proposed model is applied to the IEEE 33-node standardized algorithm to demonstrate the effectiveness of the proposed method for distribution network operation.

1. 引言

“双碳目标”已经成为我国电力系统发展的重要战略[1]。大量分布式电源接入，使得传统的无源配电网过度为如今的有源配电网。同时用户侧负荷逐年上升，增大了配电网的供电压力。受环境、气候影响，分布式电源功率伴随着较大的间歇性、波动性[2]，导致配电网功率波动上升和电能质量下降，这都对配电网安全、稳定、高效和经济地运行提出了更高的要求[3]。

储能以其易于控制、随充随放等特点正成为配电网调度的重要手段。马会萌[4]等学者认为，基于“双碳目标”背景，储能需要实现对于新能源消纳和配电网运行的支持，所建立的储能配置方案能很好满足配电网新需求。文献[5]就电池储能在配电网的应用，介绍了其在降低功率波动、调整频率和优化潮流等各方面的优越性能。LIXiangjun [6]等人提出一种基于电池储能的配电网优化策略，以提高配电网经济性，并通过仿真证明其有效性。上述研究通过储能在配电网的应用，实现了对配电网经济性与运行水平的优化。但主要依靠的是配电网自身的资源以及储能的特性，对于负荷量不断上升和柔性负荷占比提高的配电网现状而言，在考虑电网侧资源的同时，以需求响应调度需求侧资源，能够为配电网提供更丰富的优化手段。

综上所述，本文针对有源配电网电能质量下降和运行成本提高等问题，综合考虑电网侧分布式储能充放电策略与需求响应对于用户侧资源的整合调度，建立了计及需求响应的有源配电网储能优化调度模型。以储能的充放电特性来抑制分布式电源接入电网带来的电能质量问题，同时考虑需求响应策略来实现削峰填谷和优化负荷分布，以达到提高其运行水平的同时保证经济性的目的。并基于储能的充放电特性对粒子群算法加以改进，以应对有源配电网储能调度中愈加复杂化的求解，提高求解效率和精度。最后以标准IEEE33节点系统为例，验证了模型的有效性。

2. 参与调度的储能及需求响应模型

2.1. 储能模型

在配电网中储能通过对电能的存储、释放参与到配电网的优化调度中[7]。其充放电功率模型如图1所示。

Figure 1. Energy storage schematic

图1. 储能原理图

其中soc为储能的荷电状态，是储能储存的可用电能与其额定容量的比值，如式(1-1)所示。

$soc\left(t\right)=\frac{Q_s\left(t\right)}{Q_{bat}}$ (1-1)

式中$soc\left(t\right)$ 为t时刻储能的荷电状态，其取值为[0, 1]。$Q_s\left(t\right)$ 、$Q_{bat}$ 为储能储存的可用电能以及储能额定容量。当soc的值为0，表示储存的电能全部释放；当soc的值为1，表示储能充电达到额定容量。

当储能从配电网吸收电能时有P < 0，对应的充电模型[8]如下：

$E_i\left(t\right)=\{\begin{array}{l}{E}_i\left(0\right),t=0\\ E_i\left(t-1\right)-P_i\left(t\right){\eta }_{in}\Delta t,t\ge 1\end{array}$ (1-2)

其中，$E_i\left(t\right)$ 表示储能储存的电能总量；$E_i\left(0\right)$ 表示初始储能状态；$P_i\left(t\right)$ 表示储能的充放电功率；${\eta }_{in}$ 为储能的充电效率；$\Delta t$ 为相邻两个时间点的间隔。

则当储能释放电能时有P > 0，对应的放电模型[8]如下：

$E_i\left(t\right)=\{\begin{array}{l}{E}_i\left(0\right),t=0\\ E_i\left(t-1\right)-\frac{P_i\left(t\right)}{{\eta }_{out}}\Delta t,t\ge 1\end{array}$ (1-3)

其中${\eta }_{out}$ 为储能的充电效率。

由式(1-1)至(1-3)可知，储能的荷电状态是随着时间而动态变化的。储能的soc值会随着储能放电而降低，随着储能的充电而升高，其关系如式(1-4)所示：

$soc\left(t\right)=soc\left(0\right)-\frac{{\eta }_{in}{\displaystyle \sum _{t\subset {\varphi }_{in}}{P}_i\left(t\right)}}{Q_{bat}}\Delta t-\frac{{\displaystyle \sum _{t\subset {\varphi }_{out}}{P}_i\left(t\right)}}{{\eta }_{out}{Q}_{bat}}\Delta t$ (1-4)

其中$soc\left(0\right)$ 为储能的初始荷电状态；${\varphi }_{in}$ 、${\varphi }_{out}$ 是储能在调度周期内处于充电状态的时间集合和处于放电状态的时间集合。

2.2. 储能运行约束

为了保证储能的正常运行，储能必须满足一定的约束条件。soc必须在合理的范围内，以保证电池的寿命，过充或者过放都会对储能造成不可逆的损害。且配电网的调度是周期性的，故规定储能的初始荷电状态与调度周期结束的荷电状态相同[9]：

$so{c}_{\min }\le soc\left(t\right)\le so{c}_{\max }$ (1-5)

$soc\left(0\right)=soc\left(T\right)$ (1-6)

式中$so{c}_{\min }$ 和$so{c}_{\max }$ 为储能荷电状态的最小值和最大值。$soc\left(T\right)$ 为周期结束时储能的荷电状态。

储能在使用寿命内的总充放电次数是有限的，所以一般对一个调度周期内的充放电次数做出限制。同时为了保证储能的安全，储能的充放电功率不能超过储能设定的额定功率[9]：

$n\le n_{\max }$ (1-7)

$P_{ESS,}{}_{\min }\le P_{ESS}\le P_{ESS,}{}_{\max }$ (1-8)

式中：n为周期内储能的充放电次数，$n_{\max }$ 为设定的周期内储能充放电切换次数最大值。$P_{ESS,}{}_{\min }$ 和$P_{ESS,}{}_{\max }$ 分别为储能充放电功率的最小功率以及最大功率。且储能不能同时处于充电和放电状态。

2.3. 基于消费者心理学的需求响应分时电价模型

消费心理学认为商品价格是影响消费者行为最重要的因素之一，消费者对于商品价格非常敏感，是他们在选择商品时最看重的因素之一[10]。对于属于垄断商品的电能而言，并没有其他产品作为替代，于是通过分时电价策略，把电能按照使用时间的不同分为峰平谷时段，并赋予不同的电价，使得不同时间段的电能互为替代。时段电价差与用户用电转移率关系如图2所示。

Figure 2. Consumer psychographics for electricity users

图2. 电力用户消费者心理曲线图

图中λ代表着对应两时段间的负荷转移率；a与b代表着死区阈值和饱和区阈值；Δp代表着电价差。电价差处于死区时，并不影响用户的用电选择；当处于线性区间时，负荷转移率与电价差为正比关系；当电价差达到饱和区，用户用电量转移率达到最大。具体负荷转移率表达如式(1-9)~(1-11) [11]。

${\lambda }_{fg}=\{\begin{array}{l}0,0\le \Delta p_{fg}\le a_{fg}\\ K_{fg}\left(\Delta p_{fg}-a_{fg}\right),a_{fg}\le \Delta p_{fg}\le b_{fg}\\ {\lambda }_{fg}^{\max },\Delta p_{fg}\ge b_{fg}\end{array}$ (1-9)

${\lambda }_{pg}=\{\begin{array}{l}0,0\le \Delta p_{pg}\le a_{pg}\\ K_{pg}\left(\Delta p_{pg}-a_{pg}\right),a_{pg}\le \Delta p_{pg}\le b_{pg}\\ {\lambda }_{pg}^{\max },\Delta p_{pg}\ge b_{pg}\end{array}$ (1-10)

${\lambda }_{fp}=\{\begin{array}{l}0,0\le \Delta p_{fp}\le a_{fp}\\ K_{fp}\left(\Delta p_{fp}-a_{fp}\right),a_{fp}\le \Delta p_{fp}\le b_{fp}\\ {\lambda }_{fp}^{\max },\Delta p_{fp}\ge b_{fp}\end{array}$ (1-11)

式中λ_fg、λ_pg、λ_fp分别为峰谷、平谷与峰平时间段之间的负荷转移率；K_fg、K_pg、K_fp分别为峰谷、平谷与

峰平时间段之间线性区的斜率，$K=\frac{{\lambda }^{\max }}{b-a}$ ；${\lambda }^{\max }$ 为对应两时间段间电价差达到饱和而趋于稳定的负荷转

移率。Δp_fg、Δp_pg，Δp_fp分别为峰谷、平谷与峰平时间段之间电价差，而a_fg、a_pg、a_fp与b_fg、b_pg、b_fp则为对应的死区阈值与饱和区阈值。

根据峰谷、平谷与峰平时间段之间的负荷转移率关系式，可推出在分时电价实施后，全时间段的拟合负荷关系式(1-12) [11]：

$L_k=\{\begin{array}{l}{L}_{k0}+{\lambda }_{fg}\overline{L_f}+{\lambda }_{pg}\overline{L_p},k\in T_g\\ L_{k0}+{\lambda }_{fp}\overline{L_f}-{\lambda }_{pg}\overline{L_p},k\in T_p\\ L_{k0}-{\lambda }_{fp}\overline{L_f}-{\lambda }_{fg}\overline{L_f},k\in T_f\end{array}$ (1-12)

k代表整个调度周期；T_g，T_p，T_f分别代表周期内谷时段、平时段和峰时段；L_k代表着施行需求响应后各个时段最终的拟合负荷，L_k0代表着在没有实施需求响应之前各个时间段的负荷分布，$\overline{L_f}$ 与$\overline{L_p}$ 为峰平时段总负荷在相应时段的平均值。

3. 基于理想点法的配电网调度模型

本文针对有源配电网功率波动严重、电能质量下降和运行成本提高的问题，建立计及需求响应的有源配电网储能优化调度模型。利用储能充放电调整分布式电源出力并优化配电网功率，同时通过需求响应策略调整用户侧负荷来优化负荷曲线，提高分布式电源利用率。

3.1. 目标函数

为保证有源配电网运行水平、提高电能质量，建立电压偏差、功率波动和功率损耗最小的目标函数，如(2-1)、(2-2)所示[12] [13]：

$\min f_1\left(x\right)={\displaystyle \sum _{t=1}^T{\displaystyle \sum _{i=1}^D\sqrt{{\left(U_i-U_n\right)}^2}}}$ (2-1)

$\begin{array}{l}\min f_2\left(x\right)={\displaystyle \sum _{t=1}^T\sqrt{{\left(P_t-P_{av}\right)}^2}}\\ P_t={\displaystyle \sum _{i=1}^D{P}_i}-{\displaystyle \sum _{j=1}^G{P}_{j,DG}}-{\displaystyle \sum _{k=1}^M{P}_{k,ESS}}\end{array}$ (2-2)

$\min f_3\left(x\right)={\displaystyle \sum _{t=1}^T{\displaystyle \sum _{i=1}^{L}P{}_{\text{l},loss}}}$ (2-3)

式中，T为调度周期，选为24小时；D为配电网结点集合；U_i为节点i的电压，U_n为节点额定电压。f₁代表配电网总的电压偏差。P_t为t时刻与上级电网的交互功率，P_av为周期内配电网负荷平均值。P_i为节点i在t时刻的负荷需求，P_{j, DG}为第j个分布式电源在t时刻的输出功率，P_{k, ESS}为第k个储能在t时刻的出力。f₂为配电网总的功率波动。f₃为线路总有功损耗。

为应对分布式电源接入与负荷剧增所带来的运行成本不断攀高的问题，以有源配电网运行成本最低建立目标函数，分析其成本变化趋势，如式(2-4)：

$\begin{array}{c}\min f_4\left(x\right)=C_g+C_{DG}+C_{ESS}+C_Q+C_{DR}\\ ={\displaystyle \sum _{t=1}^T{c}_g{P}_g}+{\displaystyle \sum _{n=1}^N{\displaystyle \sum _{t=1}^T{c}_{DG}{P}_{DG}}}+{\displaystyle \sum _{t=1}^T{c}_{ess}\left|P_{ess}\right|}+{\displaystyle \sum _{t=1}^T{c}_g{P}_g}+{\displaystyle \sum _{t=1}^T{c}_Q{P}_Q}+{\displaystyle \sum _{t=1}^T\left(c_l{P}_L-c_{DR}{P}_{LDR}\right)}\end{array}$ (2-4)

配电网运行成本由主网购电费用C_g、分布式电源上网费用C_DG、储能运行费用C_ess、分布式电源弃用惩罚C_Q和需求响应实施成本C_DR构成；c_g、c_DG、c_ess、c_Q、c_DR分别为主网电价、分布式电源并网电价、储能运行成本系数、分布式电源弃用惩罚系数与需求响应分时电价；T为调度周期，N_DG、N_ess分别为分布式电源与储能总数量。P_g为与主网的交互功率、P_DG为分布式电源并网功率、P_ess为储能功率、P_Q为分布式电源弃用功率、P_L为配电网原始负荷、P_LDR为需求响应下配电网负荷。

多目标优化模型一般式如下：

$\min f\left(x\right)=\min \left[f_1\left(x\right),f_2\left(x\right),f_3\left(x\right),\cdots \right]$ (2-5)

为简化模型和求解，本文引入理想点法作为平衡各个目标间关系的策略，以各目标与单目标最优解的几何距离最优为全局最优目标。其一般式如下[14]：

$\min F\left(x\right)=\sqrt{{\left(\frac{f_1\left(x\right)-f_1{\left(x\right)}_{*}}{f_1{\left(x\right)}_{*}}\right)}^2}+\sqrt{{\left(\frac{f_2\left(x\right)-f_2{\left(x\right)}_{*}}{f_2{\left(x\right)}_{*}}\right)}^2}+\cdots$ (2-6)

$f_1,f_2,\cdots$ 为各个目标函数，$f_1{}_{\ast },f_2{}_{\ast },\cdots$ 为各个目标的单目标最优值。

根据式(2-1)至(2-4)，基于理想点法的配电网储能优化调度目标建立如下：

$\min F\left(x\right)=\sqrt{{\left(\frac{f_1\left(x\right)-f_1{\left(x\right)}_{*}}{f_1{\left(x\right)}_{*}}\right)}^2}+\sqrt{{\left(\frac{f_2\left(x\right)-f_2{\left(x\right)}_{*}}{f_2{\left(x\right)}_{*}}\right)}^2}+\sqrt{{\left(\frac{f_3\left(x\right)-f_3{\left(x\right)}_{*}}{f_3{\left(x\right)}_{*}}\right)}^2}+\sqrt{{\left(\frac{f_4\left(x\right)-f_4{\left(x\right)}_{*}}{f_4{\left(x\right)}_{*}}\right)}^2}$ (2-7)

式中，$f\left(x\right)$ 为考虑配电网功率波动及电压偏差的多目标优化调度函数。$f_1\left(x\right)$ 、$f_2\left(x\right)$ 、$f_3\left(x\right)$ 和$f_4\left(x\right)$ 是电压偏差、功率波动、线路损耗与成本最低目标函数，$f_1{\left(x\right)}_{*}$ 、$f_2{\left(x\right)}_{*}$ 、$f_3{\left(x\right)}_{*}$ 和$f_4{\left(x\right)}_{*}$ 即为单目标最优值。

约束条件

为了保证配电网的稳定运行，所建立的带分布式电源的配电网调度模型，需要满足必要的约束条件。

(1) 系统潮流约束。

系统运行约束表达式如下所示：

$\begin{array}{l}{P}_{Gi}+P_{DGi}+P_{ESSi}-P_{Li}-U_i{\displaystyle {\sum }_{J=1}^N{U}_j\left(G_{ij}\cos {\theta }_{ij}+B_{ij}\sin {\theta }_{ij}\right)}=0\\ Q_{Gi}+Q_{DGi}-Q_{Li}-U_i{\displaystyle {\sum }_{J=1}^N{U}_j\left(G_{ij}\sin {\theta }_{ij}+B\cos {\theta }_{ij}\right)}=0\end{array}$ (2-8)

式中，P_Gi为注入节点i的有功功率，P_DGi、Q_DGi为节点i处分布式电源的有功出力与无功出力，P_ESSi为储能的有功出力，P_Li与Q_Li为节点i处有功负荷和无功负荷。U_i为节点i的节点电压，N代表着以i为首节点的所有支路末节点集合，G_ij和B_ij为支路ij的电导和电纳，θ_ij为节点i和节点j之间的电压相位角。

(2) 功率平衡约束如(2-9)。

${\displaystyle \sum P_t}+{\displaystyle \sum P_{DG}}+{\displaystyle \sum P_{ess}}-{\displaystyle \sum P_{loss}}={\displaystyle \sum P_L}$ (2-9)

(3) 节点电压约束。

$U_{\min }\le U_i\le U_{\max }$ (2-10)

式(2-7)为节点电压约束，$U_{\min }$ 与$U_{\max }$ 为节点电压的上限值与下限值。

(4) 分布式电源出力约束、爬坡约束。

$P_{\min }^{DG}\le P_t^{DG}\le P_{\max }^{DG}$ (2-11)

$\begin{array}{l}{P}_{DG,i}\left(t\right)-P_{DG,i}\left(t-1\right)\le R{U}_i\\ P_{DG,i}\left(t-1\right)-P_{DG,i}\left(t-1\right)\le R{D}_i\end{array}$ (2-12)

式分别为分布式电源的出力约束和爬坡约束。$P_{\min }$ 与$P_{\max }$ 为分布式电源出力的上限与下限制。

(5) 储能约束如式(1-4)至(1-7)所示。

4. 基于储能特性的改进粒子群算法

针对本文含储能的配电网优化调度问题，传统的粒子群算法易陷入局部最优，求解精度与效率不足。本文根据储能本身的特性，结合粒子群算法，对粒子群算法做出改进，加入死区与充放电功率约束，使算法更适合解决储能优化问题。

4.1. 死区约束策略

PSO算法是一种群体智能算法，其易实现、收敛快的特点，使之在电力系统优化中被广泛使用。算法的主体包括速度更新公式与位置更新公式，如式(3-1)所示[15]。

$\begin{array}{l}Ve{l}_i^k=wVe{l}_i^{k-1}+c_1{r}_1\left(X_{gbest}-X_i^{k-1}\right)+c_2{r}_2\left(X_{pbest}-X_i^{k-1}\right)\\ X_i^k=X_i^{k-1}+Ve{l}_i^k\end{array}$ (3-1)

式中，$Ve{l}_i^k$ 为粒子的速度向量。w为速度更新的惯性权重，代表着粒子保持原有速度的权重。c₁、c₂分别为粒子的自学习因子和社会学习因子，代表粒子向个体最优与全局最优靠近的速度权重。r₁、r₂为[0, 1]区间随机数。$X_i^k$ 为粒子的位置向量。

当储能的荷电状态到达规定的上下限，储能将进入工作死区，此时的储能只能朝相反的荷电状态进行工作，严重降低了储能的灵活性，因此必须控制粒子运动尽量不靠近规定的上下限。为此，调整粒子的速度更新公式如式(3-2) [16]：

$Ve{l}_i^k=f\left(Ve{l}_i^{k-1},X_{gbest},X_{pbest},X_i^{k-1}\right)+r_3\frac{so{c}_{\max }-so{c}_i}{so{c}_i-so{c}_{\min }+\beta }+r_4\frac{so{c}_{\min }-so{c}_i}{so{c}_{\max }-so{c}_i+\beta }$ (3-2)

式中，f为原始速度更新公式，如式(3-2)所示；r₃和r₄为[0, 1]区间的随机数；$so{c}_i$ 为粒子i的荷电系数向量；$so{c}_{\min }$ 和$so{c}_{\max }$ 分别为荷电系数的最小和最大值；$\beta$ 是一个用来防止分母为零的小常数。当储能荷电状态靠近上边界时，修改部分靠近一个较大的负数，使得粒子向相反方向移动，当粒子靠近下边界时同理。

4.2. 充放电功率约束

为降低配电网功率波动，希望储能能够在负载较重时以释放电能补偿供电为主，而在负载较轻时吸收电能，承担一部分负荷的作用。因此为了找到最优的充放电功率策略，进一步改进了速度更新公式如式(3-3) [16]：

$\begin{array}{l}Ve{l}_i^k=f\left(Ve{l}_i^{k-1},X_{gbest},X_{pbest},X_i^{k-1},so{c}_i\right)+c_3{r}_5\left(-P_{load\text{-}ave}-X_i^{k-1}\right)\\ P_{load\text{-}ave}=P_t-P_{avel}\end{array}$ (3-3)

其中，f为基于死区约束的速度更新公式；c₃是一个学习因子；r₅是[0, 1]区间的随机数；负载值P_load-ave是一天的平均负载P_avel与主网交换功率之间的差值。由式可知，当主网功率大于负载平均值时，负载值为正数，表示负载较重，储能应放电，同时粒子的位置应该趋于-P_load-ave；反之同理。

5. IEEE33节点算列分析

图3为IEEE33节点系统图。

Figure 3. IEEE33 node network diagram

图3. IEEE33节点网络图

在本节采用标准IEEE33节点系统进行算例仿真，针对分布式电源接入的有源配电网功率波动严重、电压偏差上升和成本提高等问题。依据日前的负荷与分布式出力数据，合理安排储能的出力并结合需求响应对于负荷的调度以验证模型的有效性。

5.1. 算例描述

系统的基准电压为10 kv，电压标幺值1 p.u。储能与分布式风光接入图示位置中，储能的参数如表1所示，其运行成本为0.05元/kWh。配电网负荷与风光出力如图4所示，分布式风光上网电价为0.88元/kWh。需求响柔性负荷种类多样，调度潜力各不相同，在本文节点系统中假定2-4、9-11、15-17、19、20、26-29、31共16个节点负荷具有调度潜力，其他节点不参与需求响应，需求响应参数如表2所示，分时电价前采用固定电价0.55元/kWh。配电网调度周期设定为T = 24。

为了验证储能对于分布式电源带来的配电网功率波动和电压偏差的抑制作用，并且验证求解策略的效果，在本节将各种情形设定为以下3种场景：

(1) 场景1：含分布式电源的有源配电网中不接入储能装置，同时不施行需求响应策略。

(2) 场景2：在有源配电网中接入储能装置，但不实施需求响应策略。

(3) 场景3：有源配电网中接入储能装置的同时，以需求响应调度负荷侧资源。

Table 1. System resulting data of standard experiment

表1. 储能参数表

参数	数值
EN (kw)	600
Pmin (kw)	200
Pmax (kw)	−200
SOCmin	0.9
S0Cmax	0.1
SOC0	0.33

Figure 4. Landscape and load distribution curves

图4. 风光及负荷分布曲线图

Table 2. System resulting data of standard experiment

表2. 需求响应分时电价策略

时段	时间	价格	负荷转移率
峰时段	10:00~14:00 20:00~23:00	0.68	峰谷转移率0.04 峰平转移率0.02
平时段	09:00~10:00 23:00~24:00	0.40	平谷转移率0.01
谷时段	1:00~8:00	0.23

5.2. 结果分析

表3为3种场景所对应的IEEE33节点系统的优化调度目标结果。

对比场景1至场景3的优化结果。当系统中接入储能，电压偏差、功率波动与功率损耗分别下降了6%、8%和14%。证明储能通过充放电策略，能够有效抑制功率波动，提高系统的电能质量。同时对比场景3，相对于储能作为单一调控手段，通过需求响应与储能的联合优化，电压偏差、功率波动和功率损耗的下降比例分别提高为14%、16%和21%。在储能参与调度的基础之上，通过需求响应调度需求侧资源，实现削峰填谷、消减负荷，进一步降低系统的功率波动、电压偏差与功率损耗，提高了系统的运行水平。

Table 3. Voltage deviation, power fluctuation, power loss and operating cost optimization results system resulting data of standard experiment

表3. 电压偏差、功率波动、功率损耗与运行成本优化结果

场景	总电压偏差(p.u.)	总功率波动(kw)	总功率损耗(kw)	成本(元)
场景1	21.81	25039.57	1612.17	35254.41
场景2	18.66	21550.66	1488.98	34426.73
场景3	17.12	19677.25	1349.60	34384.77

表4为运行成本及组成表。随着储能与需求响应的实施，配电网运行总成本整体呈现小幅度下降。随着储能接入与需求响应的实施，通过储能充放电策略与需求侧资源调度，提高了配电网对于分布式电源出力利用率，以此使得购电成本与弃风惩罚成本不断下降，并在分布式电源成本上升的基础上仍减少了系统总成本。场景3中需求响应的实施提高了1610.17元运行成本，但这一部分成本属于让利消费者，在提高消费者满意度的同时可以提高配电网的运行水平。而储能的运行成本较低，对系统经济性几乎不产生影响。

Table 4. Distribution network operating costs and components

表4. 配电网运行成本及组成

场景	场景1	场景2	场景3
总成本/元	35254.41	34426.73	34384.77
购电成本/元	17794.26	17022.72	15937.99
分布式电源成本/元	12426.48	13537.73	15033.37
弃风成本/元	5103.58	3588.24	1548.47
需求响应成本/元	-	-	1610.17
储能成本/元	-	278.04	254.45

场景一至场景三出力分布图如图5所示。分析场景一至场景三的出力分布图可看出，在场景一中由于配电网中并未接入储能与采取需求响应策略，配电网负荷由上级电网交换功率与分布式电源出力供给。但分布式风电出力高峰与负荷高峰的时间段相差较远，导致在配电网负荷低谷时风机出力过大，承担了所有的负荷需求并有大量弃风功率，在负荷高峰时风机出力不足，上级电网交换功率大幅度上升，造成功率波动过大。

而在场景二中，在配电网中接入储能装置，通过储能装置的充放电策略对配电网功率进行再分配。在风机出力较大但负荷较小的时段，储能装置功率为负进行充电，储存部分分布式电源出力，减少了弃风功率，当负荷高峰时，储能释放储存的电力，减小上级电网交换功率波动。

在场景三中，基于储能装置接入的基础上通过需求响应策略调整了需求侧负荷曲线。通过分时电价需求响应策略，引导用户改变用电习惯，将部分高峰时期负荷转移到负荷低谷时期，降低峰谷差，平缓负荷曲线。使得在负荷低谷时期能够消耗更多分布式电源出力，同时减轻负荷高峰时期的供电压力。

Figure 5. Power distribution chart

图5. 出力分布图

图6为场景3中四处储能的荷电系数变化曲线，图7是场景3中四处储能各个时刻的功率柱状图。

Figure 6. Scenario 3 energy storage SOC variation graph

图6. 场景3储能SOC变化曲线图

Figure 7. Scenario 3 energy storage power change histogram

图7. 场景3储能功率变化柱状图

由图6、图7可知在一天的1点到8点的时间段里，由于负荷处于低谷，分布式电源出力较高，负荷不能消耗所有分布式电源功率，此时储能大多处于充电状态，从配电网吸收多余的电力储存起来。在之后的一段时间里，为了保证储能的荷电状态，并为负荷高峰期做足准备，部分储能处在一个浮充状态，不进行充放电操作，保持储能的荷电状态，减少储能的充放电动作次数。在一天的10点到15点的时间段，分布式电源出力慢慢下降，同时负荷功率进入到峰值，分布式电源的出力难以提供足够的供电，为了保证净负荷功率的平滑，为用户提供更加高质量的电能。储能开始放电，将储存的电能释放用以补充供电的不足。当第一阶段的负荷高峰期结束之后，多数储能的荷电状态下降到最低，为了保证在晚间的负荷高峰期能够有充足的电能作为补偿，储能一般在这段负荷低谷时期进行充电操作，并在晚间负荷高峰期继续为配电网提供供电补偿。可见所建储能模型符合储能运行模式，能够实现配电网运行的优化。

综上所述，本文在分布式电源接入与柔性负荷比例上升的背景下，所采用的电网侧储能结合负荷侧需求响应实施的联合优化策略，能够有效降低配电网的功率波动，并减少配电网各个节点的电压偏差和支路的功率损耗，降低峰谷差的同时提高分布式电源利用率，并最终提高配电网的运行水平。同时运行成本在储能与需求响应实施的场景下仍然能保持低水平，在提高分布式利用率的同时减少了购电成本与弃风惩罚成本。

6. 结论

本文针对含分布式电源的有源配电网电能质量与经济性问题，提出计及需求响应的有源配电网储能多目标优化调度模型，以抑制配电网功率波动、电压偏差与功率损耗的同时保证配电网运行的经济性。主要结论如下：

(1) 储能通过在负荷较重但分布式电源出力较小的阶段放电，在负荷较轻但分布式电源出力较大的时段充电，当系统中接入储能，电压偏差、功率波动与功率损耗分别下降了6%、8%和14%。

(2) 需求响应策略能够调度需求侧资源，实现削峰填谷、降低峰谷差的效果。在储能充放电策略的基础上，以分时电价引导消费者将部分峰时段负荷转移，改善负荷曲线，通过需求响应与储能的联合优化，电压偏差、功率波动和功率损耗的下降比例分别提高为14%、16%和21%。

(3) 储能与需求响应实施的场景下仍然能保证配电网运行的经济性，在提升分布式电源利用率的同时，能够减少配电网向主网购电的成本以及弃风惩罚成本。需求响应的实施会提高1610.7元成本，但这部分成本在让利消费者的同时提升了配电网运行水平。