文档介绍：该【基于改进交替方向乘子法的配电网柔性负荷分层集群调控方法 】是由【pdf】上传分享，文档一共【8】页，该文档可以免费在线阅读，需要了解更多关于【基于改进交替方向乘子法的配电网柔性负荷分层集群调控方法 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。,?基于改进交替方向乘子法的配电网柔性负荷分层集群调控方法张俊成1,黎敏1,刘志文2,谭靖1,陶毅刚1,罗天禄1(1.?广西电网有限责任公司,广西?南宁 530023;2.?南方电网能源发展研究院有限责任公司,广东?广州 510670)??摘要:可调负荷、电动汽车等各种负荷侧资源快速发展,对其进行精准调控是目前重要的研究热点。为充分发挥配电网柔性负荷的调节能力,提出一种基于改进交替方向乘子法的配电网柔性负荷分层集群调控方法。首先,采用综合层次聚类算法对柔性负荷进行分层集群;其次,基于纳什谈判理论,将原问题分解为成本最小化和收益分配2个子问题,建立配电网柔性负荷集群调控模型;然后,引入自适应变参数加速因子,提出改进的交替方向乘子法;最后,通过模拟算例验证所提方法的有效性。结果表明,所提方法能够有效实现大规模柔性负荷接入情况下的集群调控,收敛性能较常规方法有所提高。关键词:柔性负荷;配电网运行;集群方法;分布式计算;交替方向乘子法DOI:.1004-???0引言负荷特性聚类算法,以迭代切分思想获得负荷曲线的最优场景数量;文献[10]考虑用电行为,将2023年1月6日,国家能源局发布《新型电k-means和自组织竞争神经网络组合起来实现两重力系统发展蓝皮书(征求意见稿)》,提出“碳聚类,同时采用神经网络进行反向调整修正;文达峰、碳中和”战略目标。在此背景下,分布式献[11]基于用电类别、负荷增长水平、需求响应新能源大量接入配电网,传统“源随荷动”的配等3个维度特征,采用吉尔文-纽曼算法进行电力电网形态结构难以适应新能源的随机性与间歇用户群体划分;文献[12]提出了一种需求响应集性。而随着可调节负荷、电动汽车等负荷侧柔性群基线负荷估计方法,以实现集群后的需求响应资源的逐步发展,配电网正在向“源荷双向互用户基线负荷的估算;文献[13]通过随机混合模动”的形态结构快速转变[1]。配电网柔性负荷呈型来表示延迟型和温控型2类用电群体,保留有现出用户数量众多、个体可调节能力有限、调节关单个负荷约束的量化信息,同时丢弃有关设备可靠性难以保证的特点[2-3]。故柔性负荷分散式接所有者身份的信息,完成集群建模的同时,保护入配电网,无法对当前负荷侧的可调节能力做宏了用户隐私;文献[14]采用凝聚层次聚类算法对观把控,难以充分挖掘出配电网柔性负荷的调度电力用户进行分析,评估电力用户的偏好和用电潜力,而柔性负荷的集群提供了新的解决方案[4-8]。趋势,从而对电力用户进行画像;文献[15]基于因此,研究配电网柔性负荷的集群调控策略是十一种可信度量,提出了考虑负荷曲线相似度的多分有必要的。重聚类算法;文献[16]基于居民用电历史数据,国内外专家学者已对配电网柔性负荷的聚合采用一种加权组合的聚类方法,得到负荷的可调模式及其调控方法做了大量研究。在用户负荷特度潜力;文献[17]针对用电负荷数据聚类特征选性的聚类算法方面,文献[9]提出了一种自适应择的有效性及互补性问题,提出了一种基于信息量准则的特征优选策略,并在该策略的基础上进行了居民用电行为聚类方法的研究。收稿日期:2023?09?20;?修回日期:2023?11?02。在配电网柔性负荷的调控方法方面,文献[18]基金项目:中国南方电网有限责任公司科技项目(046700面向工业园区内的需求响应资源,提出一种日前KK52220003);国家自然科学基金资助项目(U22B20114)。聚合、日内调度的优化方法;文献[19]提出了一140第1期张俊成等:基于改进交替方向乘子法的配电网柔性负荷分层集群调控方法种完全基于价格的柔性负荷分布式管理方法,采柔性负荷的接入存在点多面广的特征,难以直接用非线性价格信号控制不同类型的柔性负荷;文预设合理的聚类数,故传统的k-means聚类算法献[20]通过建立状态队列模型,提出一种负荷协并不适用,而BIRCH算法可以有效解决这一问同调控框架,对负荷集群进行分组控制;文献[21]题。另一方面,各类型柔性负荷的体量与调控能采用分层控制框架协调柔性负荷的能耗,上层通力并不相同,BIRCH算法可以对其进行分层聚过两阶段随机规划优化负荷的总功率轨迹,下层类,提高调控效能。因此,本文采用BIRCH算法设计了基于优先级列表的调度算法,将产生的功实现柔性负荷的分层聚类。率轨迹分配给每种负荷;考虑到用户侧资源参与BIRCH算法是一种基于样本特征距离的多阶调节的不稳定性,文献[22]以分时电价为基础建段聚类算法,其关键在于形成聚类特征树。聚类立了一种用户负荷调节量模型,并构建了配电网特征树包含3个阈值数,分别为非叶子节点上的的随机协调调度模型,提出了该随机调度模型的聚类样本分支数B、叶子节点中包含的聚类样本求解策略;文献[23]建立了5?G基站备用电池和数L、子簇分裂合并时的阈值T。如果任意不同节电动汽车可调度容量的实时评估模型,利用无向点的特征距离不超过T,则进行合并;若节点数图网络对通信系统和储能元件建模,提出一种基大于样本数L,则分裂该子簇。具体操作为:计于均衡荷电状态的调度策略,采用分布式共识算算子簇内部样本间距离,取其最大值,找到对应法实现了隐私保护和海量资源的调度控制;文的样本点,分别将它们作为新子簇的中心样本,献[24]提出一种利用柔性设备解决峰值负荷的方其余各样本点通过距离的升序排列依次加入中心法,通过各种柔性负荷分布式协调动作,调节电样本所在簇,通过控制这些阈值数建立起相应的网配变层面的负荷曲线,并在含有5户居民的真层次结构。聚类特征树的计算步骤如下。实微电网系统中进行了验证。1)全体样本均包含于根节点,计算全体样本在实际的柔性负荷调度过程中,柔性负荷用的均值,选择最接近均值的样本作为起始点,将户体现出了密集性和层次性[25],现有研究对柔性起始点作为下一层的一个子节点,从起始点开负荷集群的考虑大多是简单叠加,没有考虑不同始,计算其与各样本点间的特征距离。柔性负荷基准负荷和调节量的差异。此外,调度2)判断所得的特征距离是否小于T,如果满计划安排具有时效性要求。因此,有必要开展柔足条件,则继续执行步骤3),直到所有满足条性负荷分层集群快速调控方法研究。本文针对温件的样本点均执行后;如果存在不满足条件的样控型负荷、可削减负荷、电动汽车等柔性负荷提本点,则转到步骤4)。出了基于改进交替方向乘子法(alternating?direction3)判断当前子节点的样本个数是否小于L,method?of?multipliers,ADMM)的配电网柔性负荷如果不满足条件,则需要分裂该子节点。分裂的集群调控策略。首先,采用综合层次聚类(balanced方法为:计算子节点中所有样本两两间的特征距iterative?reducing?and?clustering?using?hierarchies,离,寻找该子节点中距离最远的两个样本点并以BIRCH)算法对柔性负荷进行分层集群。其次,此作为分裂后新的两个子节点的起始点,其他样基于纳什谈判理论,将原问题分解为成本最小化本点则根据距离就近原则分配到这两个新的子节和收益分配2个子问题,建立配电网柔性负荷集点中。群调控模型。然后,引入自适应变参数加速因4)当数据点无法合并到当前任何子节点时,子,提出改进的交替方向乘子法。最后,通过模提升T并重建树来吸收更多的子节点条目,直到拟算例验证所提方法的有效性。?所有样本点全部能分配到当前层。本文所提基于BIRCH算法的柔性负荷分层集1基于BIRCH算法的柔性负荷分层集群群方法流程如图1所示。首先,根据柔性负荷基方法准值、调节量数据确定起始节点,计算其与各样本点间的特征距离,并采用BIRCH聚类算法建立在配电网柔性负荷调度应用场景中,各类型聚类特征树,其叶节点代表一个分区;其次,采141中国电力第57卷用谱聚类算法对叶节点进行分区,从而得到新一1)目标函数为层分区以及聚类特征树对应的划分阈值;然后,∏I()FLFLminCiPi,t(2)重复迭代直至划分阈值满足要求;最后输出柔性i=1负荷分层聚类结果。PFLit式中:()i,t为第个柔性负荷时刻的调节功率;?FLFLFLCiPi,t为第i个柔性负荷集群调节量为Pi,t时产开始生的成本。根据柔性负荷基准值、调节量数据确定起2)功率平衡约束为始节点,计算其与各样本点间的特征距离∑IRES+E+Bdis=load+Bch+FLPtPtPtPtPtPi,t(3)采用BIRCH算法建立聚类特征树i=1RESE式中:Pt为t时刻分布式新能源的发电功率;Pt计算子节点的谱半径,生成非叶子节点类Bdis为t时刻配电网的供电功率;Pt为t时刻储能的loadBch放电功率;Pt为t时刻常规负荷的用电功率;Pt计算聚类特征树对应的划分阈值为t时刻储能的充电功率。3)柔性负荷集群调节上下限约束。柔性负荷否判断划分阈值是否满足要求集群在t时段调节的功率均应满足的约束为 是 FL FLPi,t≤Pi,max(4)输出柔性负荷分层聚类结果FL式中:Pi,max为第i个柔性负荷集群的调节功率极限。结束?由于功率平衡约束式同时包含了所有柔性负图1基于BIRCH算法的柔性负荷分层集群方法流程荷集群的功率,采取辅助变量进行等效,+FL=,?,Pij,tPji,t0ij(5)?methodbasedonBIRCHalgorithmFL式中:Pij,t为第i个柔性负荷集群期望与第j个柔性FL2配电网柔性负荷集群调控模型负荷集***易的电量;Pji,t为第j个柔性负荷集群FL=期望与第i个柔性负荷集***易的电量;当Pij,t分层集群后的配电网柔性负荷具有层次性结?FLPji,t时,表明第i个柔性负荷集群期望与第j个构,可根据颗粒度要求选择合适的划分层级,将柔性负荷集群之间达成了电能交易共识。同一层的各类型柔性负荷集群看作一个利益主上述模型可采用交替方向乘子法进行求解,体,从而基于合作博弈理论建立配电网柔性负荷具体步骤如下。集群调控模型。纳什谈判标准形式为1P1i?∏())建立子问题中第个柔性负荷集群的拉??0??maxUiUi格朗日函数,其可表示为?i∈I(1)I?∑∑T()?0P1=FR+λP1FL+≥UiLiCiijPij,tPji,t(6)jt=10式中:Ui为第i个柔性负荷的效益;Ui为第i个柔式中:CFR为第i个柔性负荷集群的固定成本;λP1性负荷参与合作前的效益;I为柔性负荷序号集合。iij为拉格朗日乘子。考虑到式(1)具有多重耦合变量,需要引入2)柔性负荷集群求解各自的拉格朗日函数,虚拟电能交易,将其转化?为2个子问题依次求解。得到虚拟电能交易策略,(7)更新其决策。基于纳什谈判理论模型构建的柔性负荷集群()PFL(k+1)=argminLP1λP1(k),PFL(k),PFL(k)(7)虚拟电能交易模型如下。ij,tiijij,tji,t142第1期张俊成等:基于改进交替方向乘子法的配电网柔性负荷分层集群调控方法第j个柔性负荷集群接收更新后的决策信息模型。FLFLP,(k+1)以更新其决策P,(k+1)。1)目标函数。以柔性负荷集群联盟参与调节ijt(jit)FL+=P1λP1,FL+,FL后相较不参与调节所提升收益的最大化为目标,Pji,t(k1)argminLjji(k)Pij,t(k1)Pji,t(k)(8)表示为∏I()重复计算式(7)(8),直到每个柔性负荷0+FLdimaxCiCi(14)集群都更新其决策变量。i=13)每个柔性负荷集群的拉格朗日函数都完成0式中:Ci为参与调节前第i个柔性负荷集群的成本。优化后,乘子更新方式为FL()2)调节成本约束。令rij,t表示第i个柔性负荷λP1+=λP1+δP1FL+FLij(k1)ij(k)iPij,tPji,t(9)FL集群需要为交互电量Pij,t所支付单位电能的价δP1CFL式中:i为更新步长。格,电能共享成本i为4k=k+1∑T∑I)更新迭代次数。FLFLFLC=r,P,(15)5)通过式(10)判断算法收敛情况。iijtijt??t=1j,i?I?∑T?∑???FL????Pdeficit,t?∥P,(k)∥??≤ε1,收敛3)调节电量平衡约束为?ijt2()∑?t=1i=110?PFL=0,?t(16)?,i,tk>kmax第k次迭代不收敛i∈I式中:Pdeficit,t为t时刻电网的功率缺额;ε1为收敛4)收益约束为阈值。0+FLCiCi>0(17)当任意时刻电网功率缺额与柔性负荷削减值式(17)确保每个有能源共享贡献的柔性负均相同时,算法收敛,此时配电网的调度要求得荷集群都能获得收益。到满足,且全体柔性负荷针对各自的调节量达成对目标函数取对数,将极大值问题转换为极了一致。?小值问题,∏I()?0+FL为了实现收益分配,需要量化不同柔性负荷mindilnCiCi(18)=集群参与调节过程的贡献,各柔性负荷集群之间i1以各自贡献为议价能力展开谈判,进一步确定他将交易平衡多耦合约束解耦转换为双耦合们之间的收益分配。约束。FL?FL=,?,首先,计算各柔性负荷集群在虚拟交易的过rij,trji,t0ij(19)supply程中提供的电能E和获得的电能Ereceive。FLii式中:?rji,t为第j个柔性负荷集群对应所期望的单∑T()rFL=rFLisupply=,FL价;当ij,tji,t时,表明第个柔性负荷集群与第Eimax0Pij,t(11)t=1j个柔性负荷集群达成了共识。∑T()?子问题P2同样可采用ADMM算法求解。receive=?,FLEimin0Pij,t(12)t=13改进的交替方向乘子法其次,采用非线性能量映射函数反映各柔性负荷集群参与调节的贡献,从而量化各柔性负荷为满足电力调控的即时性需求,本文采用自集群的议价能力di。()适应加速参数,提出一种改进的交替方向乘子法。supplysupply?receive/receiveE/EEEmaxdi=eimax?ei(13)对于第2章所述的模型,其各子节点的分布计算supply问题均可以转化为式中:Emax为各柔性负荷集群中供给电能的最大???∑I?Ereceive??值;max为各柔性负荷集群中接收电能的最大值。L(x,λ)=f(x)+λ??xi?p??(20)基于式(11)~(13)构建柔性负荷收益分配i143中国电力第57卷式中:λ为拉格朗日乘子。,以提高收敛速度。为论证本文所提聚类方法的优越性,将所提??2?∑I?ρ∑I集群方法和k-means算法的聚类结果进行3种指标??L(x,λ)=f(x)+λ??xi?p??+xi?p(21)2对比,结果如表2所示。ii2?表2聚类指标对比ρ式中:为加速参数。parisonofclusteringindicators在每次子问题求解时自适应更新加速参数,指标本文方法k-means表示为()?ρminπtρmax+ρminρ=cos+(22)紧密度/.659?3ρmax=λ0×10(23)??4轮廓系数和分割度为正向指标,紧密度为逆ρmin=λ0×10(24)向指标。由表2可以看出,本文方法在各项指标式中:ρ、ρ分别为加速参数的最大值和最maxmin上均优于k-means算法。小值;λ为拉格朗日乘子的初值;t为当前迭代次0在集群划分的基础上,采用本文所提配电网数;T为最大迭代次数。max柔性负荷调控算法得到各集群的调控策略。分散由式(22)可以看出,起初ρ的取值较大,随式调控配合交替方向乘子法、集群后调控配合交着迭代次数逐渐变小,变化率为()()替方向乘子法和本文所提方法的收敛速度对比如πtππtdcos/dt=?sin(25)表3所示。由表3可以看出,分散式调控前提下,TmaxTmaxT考虑的决策变量过多,在很长时间中无法收敛;随着迭代次数的增大,加速参数变化率的绝而相对集群后采用常规ADMM求解,本文所提方对值会逐渐增大,而在迭代次数达到T/2后呈max法的收敛速度更快,更容易满足日内调控的时效现继而变小的趋势。?要求。?算例分析表33种算法收敛速度对比parisonofconvergencespeedof?+ADMM否—控策略,设置以下算例:在某中压配变下接入若集群后调控+ADMM是253干常规负荷、柔性负荷、分布式储能装置,柔性集群后调控+改进ADMM是14负荷包含温控型负荷、可削减负荷、电动汽车充?电桩,具体参数如表1所示。调控前后日负荷变化情况如图2所示。从调?控前后的净负荷看,本文所提集群调控方法实现表1负荷、储能接入情况ess了削峰填谷的效果。以广西10?kV工商业电价为基准,得到参与接入类型接入数量/个总容量/kW调控前后各类型柔性负荷与储能的成本(其值为常规负荷2001?000负则表示收益)如表4所示。由表4可以看出,得温控型负荷160800益于配电网运营商支付的调节费用与柔性负荷集柔性负荷可削减负荷160800群内部合理的收益分配,各类型柔性负荷成本均电动汽车充电桩75750有不同程度的下降(或收益上升)。分布式储能装置11?200?在原有分时电价基础上,设置3组不同峰谷柔性负荷受负荷聚合商统一调控,间接与配价差的方案进行对比,结果如表5所示。由表5电网实现电能交互。?可以看出,分布式储能的营收对峰谷价差的变化144第1期张俊成等:基于改进交替方向乘子法的配电网柔性负荷分层集群调控方法?常规负荷;集群B(调控后);种基于改进交替方向乘子法的配电网柔性负荷分集群A(调控前);集群C(调控后);(调控前);集群D(调控后);层集群调控方法,经过模拟算例验证,得到如下集群C(调控前);调控前净负荷;集群D(调控前);调控后净负荷;结论。(调控后)1),能够有效处理大量柔性负荷用户的集群划分问题;/),;3)采用本文所提的柔性负荷集群调控方法,00:006:0012:0018:0024:00能发挥柔性负荷调节潜力,实现削峰填谷。时刻?图2调控前后典型日负荷变化情况参考文献:[1]?宁剑,?江长明,?张哲,?等.?可调节负荷资源参与电网调控的思考与技?表4各类型柔性负荷与储能成本术实践[J].?电力系统自动化,?2020,?44(17):?1–?Jian,?JIANG?Changming,?ZHANG?Zhe,?etal.?Thinking?andenergystoragetechnical?practice?of?adjustable?load?resources?participating?in类型参与调控前日成本/元参与调控后日成本/元dispatching?and?control?of?power?grid[J].?Automation?of??Systems,?2020,?44(17):?1–[2]?齐宁,?程林,?田立亭,?等.?[J].?电力系统自动化,?2020,?44(10):?193––?Ning,?CHENG?Lin,?TIAN?Liting,?etal.?Review?and?prospect?of?work?planning?research?considering?access?of?flexible表5不同分时电价下各类型柔性负荷与储能成本Table5Costofvarioustypesofflexibleloadsanden-load[J].?Automation?of?Electric?Power?Systems,?2020,?44(10):ergystorageunderdifferenttimeofuseelectricityprices193–[3]?孙银锋,?夏大朋,?高梓淳.?[J].?东北电力大学学报,?2023,?43(2):?82–?Yinfeng,?XIA?Dapeng,?GAO?Zichun.?Flexible?AC/DC??based?on?Monte?Carlo?simulation?probabilistic分布式储能–––?flow?calculation[J].?Journal?of?Northeast?Electric?PowerUniversity,?2023,?43(2):?82–,而其他3类柔性负荷则相对变化较[4]?OKUR??,?VOULIS?N,?HEIJNEN?P,?etal.?Aggregator-mediated少,因此,欲提高分布式储能调控效果,可以进demand?response:?minimizing?imbalances?caused?by?uncertainty?of一步提高峰谷价差。solar?generation[J].?Applied?Energy,?2019,?247:?426–,分布式储能具有调控性能好、价[5]?BRUNINX?K,?PAND?I??H,?LE?CADRE?H,?etal.?On?the?interaction格灵敏度高的特点,建议优先考虑配置;同时温between?aggregators,?electricity?markets?and?residential?demand控负荷和可削减负荷也具有较好的调节能力。?response?providers[J].?IEEE?Transactions?on?Power?Systems,?2020,35(2):?840–[6]?CHEN?S?J,?CHEN?Q?X,?XU?Y.?Strategic?bidding?pensationmechanism?for?a?load?aggregator?with?direct?thermostat?control为实现柔性负荷的精细化调控,本文提出一capabilities[J].?IEEE?Transactions?on?Smart?Grid,?2018,?9(3):145中国电力第57卷2327–[J].?电网技术,?2022,?46(5):?1982–1989.[7]?朱怡莹,?周荣生,?罗龙波.?考虑需求响应与光伏不确定性的电力系SUN?Yuqin,?WANG?Songlei,?HUANG?Dongmei,?etal.?Multi-cluster统经济调度[J].?太阳能学报,?2023,?44(1):?62–?algorithm?of?load?curve?considering?overlappingZHU?Yiying,?ZHOU?Rongsheng,?LUO?Longbo.?Economic?dispatchrelationship?between?clusters[J].?Power?System?Technology,?2022,of?power?system?considering?demand?response?and?PV?uncertainty[J].46(5):?1982–?Energiae?Solaris?Sinica,?2023,?44(1):?62–68.[16]?严强,?李扬,?樊友杰,?等.?基于加权表决集成聚类的居民用电行为回[8]?PENG?C,?ZOU?J?X,?LIAN?L,?etal.?An?optimal?dispatching?strategy归分析[J].?电网技术,?2021,?45(11):?4435–?V2G?aggregator?participating?in?supplementary?frequencyYAN?Qiang,?LI?Yang,?FAN?Youjie,?etal.?Regression?analysis?ofregulation?considering?EV?driving?demand?and?aggregator’sresidents'?electricity?consumption?behavior?based?on?weighted?votingbenefits[J].?Applied?Energy,?2017,?190:?591–?clustering[J].?Power?System?Technology,?2021,?45(11):[9]?李婧,?徐胜蓝,?万灿,?等.?基于自适应k-means++算法的电力负荷特4435–[J].?南方电网技术,?2019,?13(2):?13–19.[17]?张洁,?夏飞,?袁博,?等.?基于特征优选策略的居民用电行为聚类方LI?Jing,?XU?Shenglan,?WAN?Can,?etal.?Electricity?load法[J].?电力系统自动化,?2022,?46(6):?153–?analysis?based?on?adaptive?k-means?++?algorithm[J].ZHANG?Jie,?XIA?Fei,?YUAN?Bo,?etal.?Clustering?method?forSouthern?Power?System?Technology,?2019,?13(2):?13–?electricity?consumption?behavior?based?on?feature[10]?孙毅,?毛烨华,?李泽坤,?等.?面向电力大数据的用户负荷特性和可调optimization?strategy[J].?Automation?of?Electric?Power?Systems,节潜力综合聚类方法[J].?中国电机工程学报,?2021,?41(18):?6259–2022,?46(6):?153–.[18]?李明轩,?齐步洋,?贺大玮.?工业园区需求响应资源聚合优化配置方SUN?Yi,?MAO?Yehua,?LI?Zekun,?etal.?Comprehensive?clustering法[J].?电网技术,?2022,?46(9):?3543–?of?user?load?characteristics?and?adjustable?potential?forLI?Mingxuan,?QI?Buyang,?HE?Dawei.?Optimal?allocation?method?ofelectric?power?big?data[J].?Proceedings?of?the?CSEE,?2021,?41(18):demand?response?resource?aggregation?in?industrial?park[J].?Power6259–?Technology,?2022,?46(9):?3543–3549.[11]?李晨希,?史佳琪,?刘念,?等.?基于复杂网络的电力用户群体演化分析[19]?PAPADASKALOPOULOS?D,?STRBAC?G.?Nonlinear?and模型[J].?中国电机工程学报,?2022,?42(16):?5835–?pricing?for?distribu