Page 86 - 电力与能源2023年第二期

180 林君豪，等：基于蒙特卡罗树搜索和 ε 约束算法的配电网源网荷储协同运行优化方法

功优化作为优化目标，但该研究未考虑 DG 的影 变量有着很高的空间复杂度。也有研究通过机器
响。文献［3］在研究负荷侧灵活资源时考虑了电 学习的方式求解优化问题。文献［12］提出了一种
动汽车模型。文献［4］侧重在分布式光伏电源接 近似动态规划方法以实现运行优化模型的在线求
入时进行系统电压抬升和波动抑制。文献［5］通 解问题。文献［13］通过强化学习算法求解配电网
过源网荷储综合调度实现了降低配电网运行成本 无功优化问题。此类方法均需要通过数据驱动的

和新能源的消纳，并提出了一种复合线性化方法， 方法训练估值函数，虽然具有较高的求解效率，但
来避免模型的非凸性；但该研究对用户 DR 行为 容易出现过拟合和领域漂移等问题，从而影响实
的建模就激励信号的影响尚考虑不足，并且所提 际对可行解的评价结果。因此，提出一种泛用、高
的配电网重构方法难以在满足开关日总动作次数 效且节约计算资源的智能优化算法在实际工程领
约束的情况下尽量降低开关的动作次数。 域有着很高的应用价值。
目前配电网源网荷储协同优化的研究更多地 基于以上分析，本文首先提出计及网络重构

侧重于电源侧和用户侧的建模和模型优化简化， 操作的配电网源网荷储协同优化运行模型，以降
而对配电网结构的优化分析，即网络重构，往往在 低系统运行成本和提高源荷曲线相关性为优化目
源网荷储协同优化的研究中还少见报道。配电网 标；接着，提出基于蒙特卡罗树搜索和 ε 约束算法
重构可分为静态重构和动态重构，其区别在于后 的联合求解方法，实现多目标多时段优化问题的
者在前者的基础上进一步有选择地让某些时段不 求解，同时解决传统动态重构方法重构时段划分
进行重构，从而大幅削减了开关动作次数。已有 不合理的问题；最后以 PG69 配电系统为例，验证

的动态重构方法多从两个角度着手：其一是先在 本文提出方法的有效性。
所有的时段分别进行重构，然后再对各时段的结
1 配电网源网荷储模型
果进行相似性合并，如文献［6-7］对日内各小时的
重构方案进行合并后得到动态重构结果；其二是 随着 DG 和灵活负荷的推广，配电网在电源
先对不同时段的网络运行状态进行相似性合并， 侧和用户侧均出现了多样化的资源形式，在进行
实现重构时段的划分，再对各合并时段的配电网 源网荷储协同运行优化前，需要建立各种资源的

拓扑分别进行重构，如文献［8］在日内各小时时段 数学或数值模型。
划分的基础上对各划分时段展开配电重构优化。 1.1 DG 模型描述
以上两种方法对重构时段的划分需要建立状态相 分布式光伏和风电是常见的两种 DG，一般
似性度量函数，如系统负荷或重构的网架结果，这 可以通过区间数或概率分布描述其出力的不确定
往往会引入较大主观性。 性。本文通过 Weibull 分布描述风速的概率分布，
在模型求解方面，现有许多研究仍是以数学 同时风速与风功率之间的关系可参考文献［14］。

优化的方法为主，如文献［9-10］。这类方法一般 分布式光伏电源出力的概率分布可用 β 分布描
通过二阶锥和线性化等方法优化潮流等方程，将 述 ［15］ 。 之 后 可 通 过 抽 样 技 术 ，如 拉 丁 超 立 方 抽
原模型转化为可直接求解的形式。然而数学优化 样 ［16］ 得到光伏电源和风电的出力序列。
法同样也存在一定的局限性，如现有的模型简化 1.2 用户负荷不确定性及 DR 行为模型
方法需要明确的数学模型，难以处理生产实际中 用户负荷可采用正态分布描述其不确定性，
的数据驱动的模型，如用户的 DR 行为等。除了 在算例分析中取数据源采样得到的用户负荷大小

数学优化方法，智能优化算法虽然往往需要更多 作为分布均值；各用户的负荷方差在［0.08，0.15］
的计算资源，但具有很好的泛用性，能够适应源网 之间随机采样得到。
荷储资源的不同建模方式。文献［3，11］采用改进 当电力公司希望电力用户的用电行为做出改
粒子群算法求解模型，但直接优化全时段的决策 变时，可通过市场电价或补偿激励的方法对用户