💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
文献来源：
两阶段鲁棒优化的主动配电网动态无功优化研究
摘要：随着分布式电源渗透率的不断提高,分布式电源的随机性和波动性给配电网无功优化带来很大挑战,传统配电网正逐步向主动配电网转变。主动配电网是从“源”、“网”、“荷”三方面来主动管理,“源”是有一定比例的可控有功电源和无功电源;“网”是配电网具有灵活的网络结构;“荷”是具有灵活可控的负荷,即需求侧管理。一方面如何协调制定主动管理装置的控制策略关系到配电网的优化运行,另一方面,受分布式电源和负荷预测不确定性的影响,传统的确定性优化方法会使得制定的控制策略不准确,为此在制定的控制策略时需考虑分布式电源和负荷的不确定性。本文在分析主动配电网无功电压特性的基础上,依次建立了储能(energy storage system,ESS)、静止无功补偿器(static VAR compensation,SVC)、分组投切电容器组(capacitors banks,CB)和有载调压分接头(On-load Tap Changer,OLTC)的数学模型,然后介绍了分布式电源的并网方式及等效模型,针对配电网不同于输电网的特性,介绍了前推回代法、回路阻抗法、隐式Zbus法和支路潮流法。为了促进分布式能源的消纳,降低网损和减小电压偏差,建立了主动配电网多目标无功优化模型。由于支路潮流等式的非凸,为提高求解速率,利用二阶锥规划理论,将潮流等式松弛为二阶锥规划的形式,针对模型中的非线性量,利用Big-M法线性化,利用层次分析法将多目标函数加权为单目标函数,由此模型变成混合整数二阶锥规划模型来进行求解,在修改得IEEE33节点上仿真分析表明:优化后的网损明显降低,电压得到明显的改善,随着分布式电源渗透率的不断提高,网损先减小后增大,ESS、OLTC、CB能有效降低网损减小电压偏差和弃光,证明本文所建模型的有效性和合理性。为减少分布式电源和负荷的不确定性带来的影响,建立了两阶段鲁棒优化动态无功优化模型,根据控制变量调节的快慢,提出将储能是否充放电和分组投切电容器的投切组数作为第一阶段的变量,储能充放电的功率和静止无功补偿器的补偿量放在第二阶段,使得第一阶段的控制策略保证第二阶段的控制策略在最恶劣的场景下能够保持配电网安全、稳定的运行。为避免鲁棒优化的结果偏于保守性,引入了不确定预算来降低鲁棒优化的的保守性。使用列约束生成算法来求解两阶段的鲁棒优化,在改进的IEEE33节点进行仿真分析,结果表明所提出的的鲁棒优化控制策相比与确定性优化策略更具有优越性。
关键词：
无功优化;两阶段鲁棒优化;主动配电网;二阶锥规划;列约束生成算法;
电力系统中由于模型、参数测量等难免会存在误差，又加上分布式电源和负荷预测的误差，如果仅仅用预测的值,这样会给制定优化控制策略带来干扰，传统的对不确定性处理是采用一种“事后分析”方法，即灵敏度分析方法，通过对优化结果的分析，衡量模型不确定性对结果的影响程度，从而判断制定的控制策略的工作性能。
由于分布式电源以及负荷的随机性、波动性以及测量误差给配电网运行决策带来了很多不确定性。为了制定全局最优的控制策略，需要充分考虑分布式电源和负荷的不确定性。目前对不确定性的处理大概有三种方法:模糊理论[44-45]、随机概率类优化[4647]、鲁棒优化[+8-49]。模糊理论是通过模糊变量对不确定性量进行描述，以隶属度函数衡量约束的满意程度来进行求解，但其建立隶属度函数受人的主观因素较大;随机概率需要已知不确定参数的分布，需要大量的抽样结果进行统计计算，否则不能保证模型的精确，从而增加了求解的难度;鲁棒优化只关心不确定参量边界的情况，它通过将不确定性参数限定在一个区间里，避免了对变量概率分布的信息需求，求解规模相对来说较小，目前受到了广泛的应用。
鲁棒优化中的不确定集常用的形式有椭球型不确定集合和盒式不确定集合[50]。盒式不确定集合使得二阶锥规划、半定优化等问题能良好的解决。鲁棒优化的实质是求解在最恶劣的场景下的解,
是以牺牲经济性来满足鲁棒性的，但在实际电网运行中有些极端场景只有理论上才可能出现，这样鲁棒优化带来的解会过于保守。文献[51]提出了可调鲁棒优化，有效协调了鲁棒性与经济性的矛
盾，但是由于所建的模型求解比较繁琐，增加了求解难度。文献[52]提出了不确定区间可调节的鲁棒优化，使得模型易于求解。文献[53]首次将两阶段鲁棒优化引入主动配电网无功优化中，将离散的控制变量作为第一阶段，连续变量作为第二阶段来进行无功优化。文献[54]根据无功优化控制的快慢，将控制慢的作为第一阶段，控制迅速的作为第二阶段，保证在最恶劣的情况下在第一阶段的控制策略能够使第二阶段的控制策略在最恶劣的场景下使得网损最小。
1. 鲁棒优化的基本理论与方法
鲁棒优化是一种在不确定环境下寻求最优解的方法，其核心是确保解在所有可能的约束条件下均可行，并在最坏情况下保持目标函数最优。其特点包括：
- 无分布假设：无需已知不确定参数的概率分布。
- 保守性控制：通过不确定集（盒式、椭球、多面体等）调节解的保守程度。
- 模型转化：将含不确定性的原问题转化为可解的鲁棒对等模型（如凸优化问题）。
在电力系统中，鲁棒优化常用于处理可再生能源出力、负荷波动等不确定性。例如，两阶段鲁棒优化模型通过min-max-min结构，第一阶段确定基础决策（如设备投切），第二阶段应对最恶劣场景的调整（如功率调节）。
2. 无功优化的定义与目标
无功优化的核心目标是通过调节无功电源（如电容器、SVG）和负荷分布，实现：
- 网损最小化：减少无功功率流动导致的能量损耗。
- 电压稳定性：确保节点电压在安全范围内（如0.95-1.05 p.u.）。
- 经济性提升：降低运行成本并提高设备利用率。
动态无功优化进一步考虑时间维度，需协调不同时间尺度的控制设备（如OLTC每日调节次数限制）。
3. 主动配电网的结构与动态特性
主动配电网（ADN）的核心特征包括：
- 多源接入：集成分布式光伏、风电、储能及电动汽车等，形成双向潮流。
- 灵活拓扑：网络结构可动态调整以适应能量波动。
- 主动控制：通过分层管理系统协调快速设备（SVG）与慢速设备（OLTC）。
其动态特性体现在：
- 实时响应需求：需在秒级至分钟级调节无功以应对波动。
- 多时间尺度协调：需兼顾长期规划（设备配置）与短期调度（功率分配）。
4. 两阶段鲁棒优化在动态无功优化中的应用
模型构建
- 第一阶段（基础决策）：确定离散设备（如电容器组投切、OLTC分接头）的长期配置。
- 第二阶段（实时调整）：针对最恶劣场景（如极端风光出力），优化连续变量（如SVG无功输出）以最小化运行成本。
求解方法
- 列与约束生成（C&CG）算法：通过主问题（确定基础决策）与子问题（验证可行性）迭代求解。
- 分布式优化框架：结合ADMM算法实现区域间协调，降低计算复杂度。
典型案例
- 微电网调度：考虑储能与需求响应，通过两阶段模型降低保守性。
- 交直流配电网：优化风光不确定场景下的购电策略，降低网损。
5. 关键技术难点
- 不确定性建模：需平衡不确定集的保守性与计算效率。例如，盒式集简单但保守，椭球集更灵活但计算复杂。
- 非凸非线性问题：潮流方程的非凸性需通过二阶锥松弛（SOCP）或线性化处理。
- 多时间尺度协调：快速设备（储能）与慢速设备（OLTC）的协同控制。
- 计算效率：大规模系统需分布式算法（如ADMM）或启发式策略（如集群划分）加速求解。
6. 理论框架研究现状
- 数据驱动分布鲁棒优化：结合历史数据构建场景集，通过l-2范数约束概率分布，提升模型适应性。
- 双层协同优化：外层处理全局配置，内层处理区域鲁棒性，结合C&CG与ADMM算法。
- 动态解耦策略：将优化问题分解为参考点优化（经济性）与斜率优化（鲁棒性），增强系统灵活性。
7. 交叉研究案例
- 集群划分与鲁棒控制：通过电气距离划分集群，分别优化电压偏差与网损，降低计算复杂度。
- 储能与DG协同：利用储能四象限功率调节能力，提升无功储备并降低网损。
- 多目标优化：同时最小化网损、电压偏差与碳排放，通过权重系数平衡目标优先级。
8. 总结与展望
现有研究已证实两阶段鲁棒优化在主动配电网动态无功优化中的有效性，但仍需解决以下问题：
- 不确定集精细化：结合机器学习预测误差分布，构建动态不确定集。
- 多能源协同：深化电-热-气多能耦合场景下的鲁棒优化模型。
- 硬件在环验证：通过实时仿真平台（如RT-LAB）验证算法的实际可行性。
未来，随着分布式能源渗透率提高，鲁棒优化与数据驱动方法的结合将成为提升配电网韧性的关键。
📚2 运行结果
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]熊壮壮. 两阶段鲁棒优化的主动配电网动态无功优化[D].郑州大学,2019.
扫一扫
1878
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
