主动配电网优化调度方法、装置、计算机设备及存储介质与流程

1.本发明涉及电网优化调度方法，更具体地说是指主动配电网优化调度方法、装置、计算机设备及存储介质。


背景技术：

2.随着电动汽车的普及应用，配电网已经建立了不少集中式充电站，给电动汽车出行带来了很多便利。然而，电动汽车充电具有“扎堆”现象，当充电需求较大时，在节点电压、网架约束等因素限制下，配电网很大可能无法满足充电站用电需求，导致电动汽车不能及时充电。同时，充电负荷用电需求较大，也给主动配电网的安全经济运行带来巨大挑战。因此，如何在满足充电负荷的同时，确保配电网安全高效运行，是当务之急。
3.目前，有提出建设风光储充一体化充电站，以解决现有技术的问题，这种风光储充一体化充电站是通过利用风电与光伏发电和调节储能电池充放电，满足电动汽车充电负荷用电需求，同时提高从配电网取电的灵活性。但是，这种方式并没有综合考虑储能电池和充电负荷的灵活可调性，而且充电站内充电桩和储能电池的无功综合支撑能力，相关的风光储充一体化充电站运行模型还是比较难以实现。
4.因此，有必要设计一种新的方法，实现能够在考虑风光出力不确定性的条件下，确定主动配电网的最优日前调度策略，实现日运行成本最小化的目标。


技术实现要素：

5.本发明的目的在于克服现有技术的缺陷，提供主动配电网优化调度方法、装置、计算机设备及存储介质。
6.为实现上述目的，本发明采用以下技术方案：主动配电网优化调度方法，包括：通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型；分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型；根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型；其中，所述主动配电网调度模型包括模型约束条件以及目标函数；所述模型约束条件包括某一节点注入的有功功率和无功功率与连接负荷和充电站功率的关系、某一节点注入有功功率和无功功率与所连接线路流通功率的关系、某一线路末端流通功率与线路首端流通功率和线路损耗功率的关系、某一线路流通电流的平方值、线路流通电流的限值、线路电压平方值设定在上限值和下限值之间；所述目标函数是所有场景下系统运行平均成本的相关函数，包括配电网向大电网购电成本、充电站电池运行成本、充电负荷转移成本、上旋转备用费用和下旋转功率备用费用；所述上旋转备用费用和下旋转功率备用费用是由风光储充一体化充电站功率备用模型
的上旋转功率备用约束条件和下旋转功率备用约束条件进行约束的；所述充电负荷转移成本是由风光储充一体化充电站运行模型所包括的有功功率和无功功率运行约束条件进行约束；采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解；根据所述调度策略指导主动配电网和充电站运行对应的运行计划；其进一步技术方案为：所述通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型，包括：构建储能电池运行约束条件；构建充电负荷运行约束条件；构建光伏发电系统和风力发电系统的运行约束条件；组合所述储能电池运行约束条件、充电负荷运行约束条件光伏发电系统和风力发电系统的运行约束条件，以得到风光储充一体化充电站运行模型。
7.其进一步技术方案为：所述分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型，包括：确定储能电池上旋转备用约束以及下旋转备用约束、可平移充电负荷上旋转备用约束以及下旋转备用约束、光伏发电功率上旋转备用约束以及下旋转备用约束、风力发电功率上旋转备用约束以及下旋转备用约束，以得到确定内容；根据确定内容中关于储能电池、风力发电系统、光伏发电系统和充电负荷的上旋转备用功率以及下旋转备用功率进行分别求和，构建风光储充一体化充电站约束条件，以形成风光储充一体化充电站功率备用模型。其进一步技术方案为：所述根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型，包括：确定网架约束条件，结合所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，以得到模型约束条件；确定所有场景下系统运行平均成本的相关函数，以得到目标函数；组合所述模型约束条件以及目标函数，以得到主动配电网调度模型。
8.其进一步技术方案为：所述采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解，包括：采用matlab平台对所述主动配电网调度模型进行编码，以得到优化模型；采用粒子群算法对所述优化模型进行最优值求解，以得到调度策略。
9.其进一步技术方案为：所述根据所述调度策略指导主动配电网和充电站运行对应的运行计划，包括：根据所述调度策略确定充电站和主动配电网的运行计划，以指导主动配电网和充电站运行对应的运行计划。
10.其进一步技术方案为：所述通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型之前，还包括：根据充电站光伏发电、风力发电、充电负荷预测参数、预测误差分布规律，确定典型场景下的充电站基础数据。
11.其进一步技术方案为：所述充电站光伏发电、风力发电、充电负荷预测参数、预测误差分布规律，确定典型场景下的充电站基础数据，包括：获取历史数据；利用专家经验法根据所述历史数据推测充电站总充电负荷预测功率、可平移充电负荷份额预测值；从气象中心获得日照强度和风速预测数据，并根据光伏发电和风力发电公式计算得到可再生能源发电预测功率；其中，可再生能源发电预测功率包括光伏发电预测功率以及风力发电预测功率；通过对比历史数据、充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率，确定总充电负荷功率预测误差、可平移充电负荷份额预测误差以及可再生能源发电功率预测误差服从的分布类型，并构建对应的概率密度分布函数；对所述充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率以及对应的概率密度分布函数利用蒙特卡洛抽样技术进行处理，以得到典型场景下的充电站基础数据。
12.本发明还提供了主动配电网优化调度装置，包括：第一构建单元，用于通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型；第二构建单元，用于分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型；建立单元，用于根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型；其中，所述主动配电网调度模型包括模型约束条件以及目标函数，所述目标函数是所有场景下系统运行平均成本的相关函数；所述模型约束条件包括某一节点注入的有功功率和无功功率与连接负荷和充电站功率的关系、某一节点注入有功功率和无功功率与所连接线路流通功率的关系、某一线路末端流通功率与线路首端流通功率和线路损耗功率的关系、某一线路流通电流的平方值、线路流通电流的限值、线路电压平方值设定在上限值和下限值之间，所述目标函数包括配电网向大电网购电成本、充电站电池运行成本、充电负荷转移成本、上旋转备用费用和下旋转功率备用费用；所述上旋转备用费用和下旋转功率备用费用是由风光储充一体化充电站功率备用模型的上旋转功率备用约束条件和下旋转功率备用约束条件进行约束的，所述充电负荷转移成本是由风光储充一体化充电站运行模型所包括的有功功率和无功功率运行约束条件进行约束；求解单元，用于采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解；指导单元，用于根据所述调度策略指导主动配电网和充电站运行对应的运行计划。
13.本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
14.本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
15.本发明与现有技术相比的有益效果是：本发明通过确定典型场景下的充电站基础数据，并量化分析储能电池和充电负荷运行特性、发掘充电站调峰潜力，结合考虑网架约束，以确定主动配电网调度模型，并进行最优值求解，以利用最优值确定运行计划，指导主动配电网和充电站运行对应的运行计划，实现能够在考虑风光出力不确定性的条件下，确定主动配电网的最优日前调度策略，实现日运行成本最小化的目标。
16.下面结合附图和具体实施例对本发明作进一步描述。
附图说明
17.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1为本发明实施例提供的主动配电网优化调度方法的应用场景示意图；图2为本发明实施例提供的主动配电网优化调度方法的流程示意图；图3为本发明实施例提供的主动配电网优化调度方法的子流程示意图；图4为本发明实施例提供的主动配电网优化调度方法的子流程示意图；图5为本发明实施例提供的主动配电网优化调度方法的子流程示意图；图6为本发明实施例提供的主动配电网优化调度方法的子流程示意图；图7为本发明另一实施例提供的主动配电网优化调度方法的示意图；图8为本发明另一实施例提供的主动配电网优化调度方法的子流程示意图；图9为本发明实施例提供的光伏发电、风力发电和充电负荷预测曲线的示意图；图10为本发明实施例提供的含风光储充一体化充电站的主动配电网结构的示意图；图11为本发明的实施例中充电站与配电网平均交换功率的示意图；图12为本发明的实施例中充电站中储能电池平均运行功率的示意图；图13为本发明实施例提供的主动配电网优化调度装置的示意性框图；图14为本发明实施例提供的主动配电网优化调度装置的第二构建单元的示意性框图；图15为本发明实施例提供的主动配电网优化调度装置的建立单元的示意性框图；图16为本发明实施例提供的主动配电网优化调度装置的求解单元的示意性框图；图17为本发明实施例提供的主动配电网优化调度装置的指导单元的示意性框图；图18为本发明另一实施例提供的主动配电网优化调度装置的示意性框图；图19为本发明另一实施例提供的主动配电网优化调度装置的第一构建单元的示意性框图；图20为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施
例，都属于本发明保护的范围。
20.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和
ꢀ“
包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
21.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
22.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
23.请参阅图1和图2，图1为本发明实施例提供的主动配电网优化调度方法的应用场景示意图。图2为本发明实施例提供的主动配电网优化调度方法的示意性流程图。该主动配电网优化调度方法应用于服务器中。该服务器与主动配电网和充电站进行数据交互，在考虑风光出力不确定性的条件下，确定主动配电网及充电站最优运行策略。以保障满足充电站充电负荷用电需求，同时促进充电站参与配电网削峰填谷，实现主动配电网经济运行。
24.图2是本发明实施例提供的主动配电网优化调度方法的流程示意图。如图2所示，该方法包括以下步骤s110至s150。
25.s110、通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型。
26.在本实施例中，风光储充一体化充电站运行模型包括位于节点i处的光储充一体化充电站的有功功率和无功功率运行约束条件。
27.在一实施例中，请参阅图3，上述的步骤s110可包括步骤s111~ s114。
28.s111、构建储能电池运行约束条件。
29.在本实施例中，储能电池的运行约束条件包括：；；；；；。其中，表示任意时刻不能同时充电和放电，和分别限制了充电和放电功率，给出了电池t时刻储能状态与前一时刻储能状态和当前时刻充电和放电功率的关系，表示电池储能状态的上限和下限约束，且在调度结束时返回到初始值，表示储能电池有功功率和无功功率的关联约束。
30.其中：和分别标志位于节点i处的储能电池场景s下充电状态和放电状态，和分别表示位于节点i处的储能电池额定充电功率和额定放电功率，和分别表示位于节点i处的储能电池场景s下t时刻充电功率和放电功率，表示储能电池充放
电效率，表示储能电池额定容量，表示场景s下t时刻储能状态，和分别表示最小储能状态和最大储能状态，表示位于节点i处的储能电池场景s下t时刻储能电池无功功率，表示储能电池变频器容量。
31.s112、构建充电负荷运行约束条件。
32.在本实施例中，充电负荷的运行约束条件包括：；；；；；；；；表示可平移充电负荷运行功率约束，表示t时刻可平移充电负荷运行功率可以平移到t-1时刻和t+1时刻，也可以留在本时刻，；；表示平移后的充电负荷功率不能大于原本的功率，表示不可平移充电负荷运行功率约束，表示充电负荷平移后的有功充电负荷功率约束，式表示充电负荷平移后的有功充电负荷和充电桩无功功率的关联约束。
33.其中，表示位于节点i处的充电站t时刻可平移充电负荷功率，、和分别表示t时刻可平移负荷充电功率平移到t-1时刻的功率、留在t时刻的功率和平移到t+1时刻的功率，表示位于节点i处的充电站t时刻不可平移充电负荷功率，表示平移后的总充电负荷有功功率，表示充电桩提供的无功功率，表示充电桩视在容量。
34.s113、构建光伏发电系统和风力发电系统的运行约束条件。
35.在本实施例中，光伏发电系统和风力发电系统，其运行约束为：；；其中，表示位于节点i处的光伏发电弃电功率，表示位于节点i处的光伏发电弃电功率。
36.s114、组合所述储能电池运行约束条件、充电负荷运行约束条件光伏发电系统和风力发电系统的运行约束条件，以得到风光储充一体化充电站运行模型。
37.在本实施例中，综合分析光伏发电系统、储能电池和充电负荷，可以得到位于节点i处的光储充一体化充电站的有功功率和无功功率运行约束为：；；；其中：表示充电站场景s下t时刻有功功率，表示充电站场景s下t时刻无功功率，表示充电站变压器的视在容量。
38.s120、分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调
峰潜力，构建风光储充一体化充电站功率备用模型。
39.在本实施例中，风光储充一体化充电站功率备用模型是指位于节点i处的风光储充一体化充电站的上旋转功率备用约束条件和下旋转功率备用约束条件。
40.在一实施例中，请参阅图4，上述的步骤s120可包括步骤s121~s122。
41.s121、确定储能电池上旋转备用约束以及下旋转备用约束、充电负荷上旋转备用约束以及下旋转备用约束、光伏发电功率上旋转备用约束以及下旋转备用约束、风力发电功率上旋转备用约束以及下旋转备用约束，以得到确定内容。
42.在本实施例中，确定内容包括储能电池上旋转备用约束以及下旋转备用约束、可平移充电负荷上旋转备用约束以及下旋转备用约束、光伏发电功率上旋转备用约束以及下旋转备用约束、风力发电功率上旋转备用约束以及下旋转备用约束。
43.在本实施例中，充电负荷是指可平移的充电负荷。
44.具体地，对于储能电池，其上旋转备用约束条件为，具体是通过降低充电功率和提升放电功率向电网提供功率备用，下旋转备用约束条件为，具体是通过增加充电功率和降低放电功率向电网提供功率备用。其中，和分别表示储能电池上旋转备用功率和下旋转备用功率。
45.对于可平移充电负荷，其上旋转备用约束为，具体是通过降低其他时刻向当前时刻转移的充电功率和增加当前时刻向其他时刻转移功率，向电网提供功率备用，下旋转备用约束为，具体是通过增加其他时刻向当前时刻转移的充电功率和降低当前时刻向其他时刻转移功率，向电网提供功率备用。其中，和分别表示可平移充电负荷上旋转备用功率和下旋转备用功率。
46.对于光伏发电功率，其上旋转备用约束为，具体通过增加并网功率向电网提供功率备用，下旋转备用约束为，具体是通过降低并网功率向电网提供功率备用。其中，和分别表示光伏发电上旋转备用功率和下旋转备用功率。
47.对于风力发电功率，其上旋转备用约束为：，具体是通过增加并网功率向电网提供功率备用，下旋转备用约束为，具体是通过降低并网功率向电网提供功率备用。其中，和分别表示风力发电上旋转备用功率和下旋转备用功率。
48.s122、根据确定内容中关于储能电池、风力发电系统、光伏发电系统和充电负荷的上旋转备用功率以及下旋转备用功率进行分别求和，构建风光储充一体化充电站约束条件，以形成风光储充一体化充电站功率备用模型。
49.在本实施例中，根据风力发电系统、光伏发电系统、储能电池和充电负荷所确定的内容，可以得到位于节点i处的风光储充一体化充电站的上旋转和下旋转功率备用约束为：；；其中，和分别表示充电站上旋转备用功率和下旋转备用功率。
50.s130、根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型。
51.在本实施例中，主动配电网调度模型包括模型约束条件以及目标函数。其中，目标函数设置为所有场景下系统运行平均成本最小。
52.所述模型约束条件包括某一节点注入的有功功率和无功功率与连接负荷和充电站功率的关系、某一节点注入有功功率和无功功率与所连接线路流通功率的关系、某一线路末端流通功率与线路首端流通功率和线路损耗功率的关系、某一线路流通电流的平方值、线路流通电流的限值、线路电压平方值设定在上限值和下限值之间；所述目标函数是所有场景下系统运行平均成本的相关函数，包括配电网向大电网购电成本、充电站电池运行成本、充电负荷转移成本、上旋转备用费用和下旋转功率备用费用；所述上旋转备用费用和下旋转功率备用费用是由风光储充一体化充电站功率备用模型的上旋转功率备用约束条件和下旋转功率备用约束条件进行约束的；所述充电负荷转移成本是由风光储充一体化充电站运行模型所包括的有功功率和无功功率运行约束条件进行约束。
53.在一实施例中，请参阅图5，上述的步骤s130可包括步骤s131~s133。
54.s131、确定网架约束条件，结合所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，以得到模型约束条件。
55.在本实施例中，模型约束条件是指主动配电网调度模型中的目标函数内的参数的约束条件，其除了网架约束条件，还包括风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型的约束内容。
56.主动配电网运行时除了满足上述的风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型的约束条件之外，还需要满足网架约束，网架约束条件包括：；；；；；；；；；式中，和分别表示节点i处常规电负荷在场景s下t时刻的有功功率和无功功率，和分别表示节点i处场景s下t时刻注入的有功功率和无功功率，和分别表示线路ij在场景s中t时刻靠近节点i端流通的有功功率和无功功率，和分别表示线路ij上的电阻值和电抗值，表示线路ij上流通电流的平方，表示节点i电压值的平方，表示线路ij上允许流通电流最大值的平方，和分别表示节点i电压上限
和下限值的平方。
57.其中，；表示节点注入的有功功率和无功功率与连接负荷和充电站功率的关系，；表示节点注入有功功率和无功功率与所连接线路流通功率的关系，；表示线路末端流通功率与线路首端流通功率和线路损耗功率的关系，表示线路流通电流的平方，给出了线路流通电流的限值，介绍了线路电压平方值要在上限值和下限值之间。
58.s132、确定所有场景下系统运行平均成本的相关函数，以得到目标函数。
59.在本实施例中，目标函数包括在本实施例中，目标函数包括；；；；；；其中，、、、、和分别给出了场景s下t时刻配电网向大电网购电成本、充电站电池运行成本、充电负荷转移成本、上旋转备用费用和下旋转功率备用费用，和分别表示配电网向大电网购电功率和购电价格，表示储能电池单位充放电功率运行费用，表示可平移充电负荷对应的平移价格，表示充电站无功支撑价格，和分别表示上旋转功率备用价格和下旋转功率备用价格。
60.在本实施例中，表示系统运行成本由配电网向大电网购电成本、充电站电池运行成本、充电负荷平移成本、充电站无功支撑费用、充电站上旋转功率备用费用和下旋转功率备用费用组成，给出了配电网购电成本的表达式，计算了充电站电池运行成本，给出了向用户支付的充电负荷平移费用，表示电网向充电站支付的无功功率支撑费用，表示充电站向电网提供的上旋转功率备用费用，表示充电站向电网提供的下旋转功率备用费用。
61.s133、组合所述模型约束条件以及目标函数，以得到主动配电网调度模型。
62.s140、采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；
其中，最优值为目标函数值最小时对应的解。
63.在本实施例中，调度策略是指满足模型约束条件的情况下，目标函数得到的数值最小所对应的最优解。
64.在一实施例中，请参阅图6，上述的步骤s140可包括步骤s141~s142。
65.s141、采用matlab平台对所述主动配电网调度模型进行编码，以得到优化模型。
66.在本实施例中，优化模型是指采用matlab平台对所述主动配电网调度模型进行编码后，形成的编码的结果。
67.s142、采用粒子群算法对所述优化模型进行最优值求解，以得到调度策略。
68.s150、根据所述调度策略指导主动配电网和充电站运行对应的运行计划。
69.在本实施例中，根据所述调度策略确定充电站和主动配电网的运行计划，以指导主动配电网和充电站运行对应的运行计划。
70.请参阅图11与图12，分别展示了充电站与配电网多场景中的平均交换功率以及充电站中储能电池多场景中的平均运行功率。
71.举个例子，如图10所示的含风光储充一体化充电站的主动配电网结构，其中场景s取值为5，通过本实施例的方法计算后，主动配电网日运行成本为383563元。结合图11可知，充电站与配电网交换功率满足变压器容量限制，保障了电动汽车充电需求。结合图12可知，充电站中电池在电价低谷时段充电，在电价高峰时段放电，既保障了充电站内的用电需求，又兼顾了经济性。
72.充分考虑充电站风电和光伏发电功率的不确定性、充电负荷和可平移充电负荷份额不确定性的影响，采用蒙特卡洛抽样技术模拟了典型场景下充电站基础数据，量化分析了充电负荷、储能电池和光伏发电运行特性，建立了风光储充一体化充电站运行模型，发掘充电站紧急调峰潜力，构建风光储充一体化充电站功率备用模型。在此基础上，充分考虑网架约束，以系统日运行成本最小为目标，建立了主动配电网调度模型，采用粒子群算法对优化模型进行求解；充分发挥了风光储充一体化充电站运行灵活性和旋转备用潜力，相较于传统被动满足充电站用电需求的配电网调度策略，显著降低了配电网运行成本，同时也为风光储充一体化充电站参与辅助服务提供参考，通过优化充电站储能电池和可平移充电负荷功率，提高了充电站运行灵活性，能够在保障电动汽车充电负荷需求的前提下，促进配电网经济运行，促进充电站参与配电网削峰填谷。
73.上述的主动配电网优化调度方法，通过量化分析储能电池和充电负荷运行特性、发掘充电站调峰潜力，结合考虑网架约束，以确定主动配电网调度模型，并进行最优值求解，以利用最优值确定运行计划，指导主动配电网和充电站运行对应的运行计划，实现能够在考虑风光出力不确定性的条件下，确定主动配电网的最优日前调度策略，实现日运行成本最小化的目标。
74.图7是本发明另一实施例提供的一种主动配电网优化调度方法的流程示意图。如图7所示，本实施例的主动配电网优化调度方法包括步骤s210-s260。其中步骤s220-s260与上述实施例中的步骤s110-s150类似，在此不再赘述。下面详细说明本实施例中所增加的步骤s210。
75.s210、根据充电站光伏发电、风力发电和充电负荷预测参数和误差分布规律，确定典型场景下的充电站基础数据。
76.在本实施例中，典型场景下的充电站基础数据包括位于节点i处的场景s下t时刻的总充电负荷功率、可平移充电负荷份额、光伏发电功率和风力发电功率分别表示为、、和。
77.充电站是主动配电网调度的一个对象，考虑到充电站的数据的不确定性，充电站内可能场景下的发电功率、充电负荷功率等基础数据要提前指导，作为配电网调度的一个前提和基础，帮助配电网实现最优运行。在进行主动配电网调度之前，需要确保该充电站是可以被用来调度的，而充电站的调度可行性则由基础数据确定，因此需要确定典型场景下的充电站基础数据。
78.在一实施例中，请参阅图8，上述的步骤s110可包括步骤s211~s215。
79.s211、获取历史数据。
80.在本实施例中，上述的历史数据包括日照强度和风速预测数据。
81.s212、利用专家经验法根据所述历史数据推测充电站总充电负荷预测功率、可平移充电负荷份额预测值。
82.在本实施例中，充电站总充电负荷预测功率是指充电站总充电负荷功率的预测值；可平移充电负荷份额预测值是指可平移充电负荷份额的预测结果。
83.s213、从气象中心获得日照强度和风速预测数据，并根据光伏发电和风力发电公式计算得到可再生能源发电预测功率；在本实施例中，可再生能源发电预测功率包括光伏发电预测功率以及风力发电预测功率。
84.具体地，计算得到可再生能源发电预测功率。
85.s214、通过对比历史数据、充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率，确定总充电负荷功率预测误差、可平移充电负荷份额预测误差以及可再生能源发电功率预测误差服从的分布类型，并构建对应的概率密度分布函数。
86.在本实施例中，概率密度分布函数是指充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率对应的概率密度的函数。
87.具体地，请参阅图9，通过对比历史数据和预测数据，分析得出总充电负荷功率预测误差服从正态分布，可平移充电负荷份额预测误差服从正态分布，光伏发电功率和风力发电功率预测误差服从贝塔分布，对应的概率密分布函数如下所示：；；；。
88.其中，表示位于节点i处的光储充一体化充电站基础预测数据，表示位于节
点i处的总充电负荷预测功率，表示位于节点i处的可平移充电负荷份额预测数值，表示位于节点i处的充电站光伏t时刻预测发电功率，表示位于节点i处的充电站风机t时刻预测发电功率，表示调度周期，取值为24小时。、、和分别表示总充电负荷功率、可平移充电负荷份额、光伏发电功率和风力发电预测误差的概率分布函数；和分别表示正态分布函数的形状参数；同理，和分别表示正态分布函数的形状参数；表示伽马函数；表示充电站光伏最大发电功率；表示充电站风机最大发电功率；和是与光伏发电预测误差有关的伽马函数形状参数；和是与风力发电预测误差有关的伽马函数形状参数。
89.s215、对所述充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率以及对应的概率密度分布函数利用蒙特卡洛抽样技术进行处理，以得到典型场景下的充电站基础数据。
90.结合上述预测数据和误差分布规律，利用蒙特卡洛抽样技术，得到典型场景下的充电站基础数据：；；；，其中：、、和表示位于节点i处的场景s下t时刻的总充电负荷功率、可平移充电负荷份额、光伏发电功率和风力发电功率，s表示总场景数。
91.图13是本发明实施例提供的一种主动配电网优化调度装置300的示意性框图。如图13所示，对应于以上主动配电网优化调度方法，本发明还提供一种主动配电网优化调度装置300。该主动配电网优化调度装置300包括用于执行上述主动配电网优化调度方法的单元，该装置可以被配置于服务器中。具体地，请参阅图13，该主动配电网优化调度装置300包括第一构建单元302、第二构建单元303、建立单元304、求解单元305以及指导单元306。
92.第一构建单元302，用于通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型； 第二构建单元303，用于分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型；建立单元304，用于根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型；其中，所述主动配电网调度模型包括模型约束条件以及目标函数，所述目标函数是所有场景下系统运行平均成本的相关函数；所述模型约束条件包括某一节点注入的有功功率和无功功率与连接负荷和充电站功率的关系、某一节点注入有功功率和无功功率与所连接线路流通功率的关系、某一线路末端流通功率与线路首端流通功率和线路损耗功率的关系、
某一线路流通电流的平方值、线路流通电流的限值、线路电压平方值设定在上限值和下限值之间；所述目标函数包括配电网向大电网购电成本、充电站电池运行成本、充电负荷转移成本、上旋转备用费用和下旋转功率备用费用；所述上旋转备用费用和下旋转功率备用费用是由风光储充一体化充电站功率备用模型的上旋转功率备用约束条件和下旋转功率备用约束条件进行约束的，所述充电负荷转移成本是由风光储充一体化充电站运行模型所包括的有功功率和无功功率运行约束条件进行约束；求解单元305，用于采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解；指导单元306，用于根据所述调度策略指导主动配电网和充电站运行对应的运行计划。
93.在一实施例中，如图14所示，所述第一构建单元302包括第一条件构建子单元3021、第二条件构建子单元3022、第三条件构建子单元3023以及条件整合子单元3024。
94.第一条件构建子单元3021，用于构建储能电池运行约束条件；第二条件构建子单元3022，用于构建充电负荷运行约束条件；第三条件构建子单元3023，用于构建光伏发电系统和风力发电系统的运行约束条件；条件整合子单元3024，用于组合所述储能电池运行约束条件、充电负荷运行约束条件光伏发电系统和风力发电系统的运行约束条件，以得到风光储充一体化充电站运行模型。
95.在一实施例中，如图15所示，所述第二构建单元303包括约束确定子单元3031以及综合分析子单元3032。
96.约束确定子单元3031，用于确定储能电池上旋转备用约束以及下旋转备用约束、可平移充电负荷上旋转备用约束以及下旋转备用约束、光伏发电功率上旋转备用约束以及下旋转备用约束、风力发电功率上旋转备用约束以及下旋转备用约束，以得到确定内容；综合分析子单元3032，用于根据确定内容中关于储能电池、风力发电系统、光伏发电系统和充电负荷的上旋转备用功率以及下旋转备用功率进行分别求和，构建风光储充一体化充电站约束条件，以形成风光储充一体化充电站功率备用模型。
97.在一实施例中，如图16所示，所述建立单元304包括网架约束确定子单元3041、目标函数确定子单元3042以及模型整合子单元3043。
98.网架约束确定子单元3041，用于确定网架约束条件，结合所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，以得到模型约束条件；目标函数确定子单元3042，用于确定所有场景下系统运行平均成本的相关函数，以得到目标函数；模型整合子单元3043，用于组合所述模型约束条件以及目标函数，以得到主动配电网调度模型。
99.在一实施例中，如图17所示，所述求解单元305包括编码子单元3051以及最优值确定子单元3052。
100.编码子单元3051，用于采用matlab平台对所述主动配电网调度模型进行编码，以得到优化模型；最优值确定子单元3052，用于采用粒子群算法对所述优化模型进行最优值求解，以得到调度策略。
101.在一实施例中，所述指导单元306，用于根据所述调度策略确定充电站和主动配电网的运行计划，以指导主动配电网和充电站运行对应的运行计划。
102.图18是本发明另一实施例提供的一种主动配电网优化调度装置的示意性框图。如
图18所示，本实施例的主动配电网优化调度装置是上述实施例的基础上增加了数据确定单元301。
103.数据确定单元301，用于根据充电站光伏发电、风力发电和充电负荷预测参数和误差分布规律，确定典型场景下的充电站基础数据；在一实施例中，如图19所示，所述数据确定单元301包括数据获取子单元3011、第一预测子单元3012、第二预测子单元3013、函数构建子单元3014以及抽样处理子单元3015。
104.数据获取子单元3011，用于获取历史数据；第一预测子单元3012，用于利用专家经验法根据所述历史数据推测充电站总充电负荷预测功率、可平移充电负荷份额预测值；第二预测子单元3013，用于从气象中心获得日照强度和风速预测数据，并根据光伏发电和风力发电公式计算得到可再生能源发电预测功率；其中，可再生能源发电预测功率包括光伏发电预测功率以及风力发电预测功率；函数构建子单元3014，用于通过对比历史数据、充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率，确定总充电负荷功率预测误差、可平移充电负荷份额预测误差以及可再生能源发电功率预测误差服从的分布类型，并构建对应的概率密度分布函数；抽样处理子单元3015，用于对所述充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率以及对应的概率密度分布函数利用蒙特卡洛抽样技术进行处理，以得到典型场景下的充电站基础数据。
105.需要说明的是，所属领域的技术人员可以清楚地了解到，上述主动配电网优化调度装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
106.上述主动配电网优化调度装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图20所示的计算机设备上运行。
107.请参阅图20，图20是本技术实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
108.参阅图20，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
109.该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种主动配电网优化调度方法。
110.该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
111.该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种主动配电网优化调度方法。
112.该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图20中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
113.其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步
骤：通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型；分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型；根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型；其中，所述主动配电网调度模型包括模型约束条件以及目标函数，所述目标函数是所有场景下系统运行平均成本的相关函数；所述模型约束条件包括某一节点注入的有功功率和无功功率与连接负荷和充电站功率的关系、某一节点注入有功功率和无功功率与所连接线路流通功率的关系、某一线路末端流通功率与线路首端流通功率和线路损耗功率的关系、某一线路流通电流的平方值、线路流通电流的限值、线路电压平方值设定在上限值和下限值之间；所述目标函数包括配电网向大电网购电成本、充电站电池运行成本、充电负荷转移成本、上旋转备用费用和下旋转功率备用费用；所述上旋转备用费用和下旋转功率备用费用是由风光储充一体化充电站功率备用模型的上旋转功率备用约束条件和下旋转功率备用约束条件进行约束的，所述充电负荷转移成本是由风光储充一体化充电站运行模型所包括的有功功率和无功功率运行约束条件进行约束；采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解；根据所述调度策略指导主动配电网和充电站运行对应的运行计划。
114.在一实施例中，处理器502在实现所述通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型步骤时，具体实现如下步骤：构建储能电池运行约束条件；构建充电负荷运行约束条件；构建光伏发电系统和风力发电系统的运行约束条件；组合所述储能电池运行约束条件、充电负荷运行约束条件光伏发电系统和风力发电系统的运行约束条件，以得到风光储充一体化充电站运行模型。
115.在一实施例中，处理器502在实现所述分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型步骤时，具体实现如下步骤：确定储能电池上旋转备用约束以及下旋转备用约束、可平移充电负荷上旋转备用约束以及下旋转备用约束、光伏发电功率上旋转备用约束以及下旋转备用约束、风力发电功率上旋转备用约束以及下旋转备用约束，以得到确定内容；根据确定内容中关于储能电池、风力发电系统、光伏发电系统和充电负荷的上旋转备用功率以及下旋转备用功率进行分别求和，构建风光储充一体化充电站约束条件，以形成风光储充一体化充电站功率备用模型。
116.在一实施例中，处理器502在实现所述根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型步骤时，具体实现如下步骤：确定网架约束条件，结合所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，以得到模型约束条件；确定所有场景下系统运行平均成本的相关函数，以得到目标函数；组合所述模型约束条件以及目标函数，以得到主动配电网调度模型。
117.在一实施例中，处理器502在实现所述采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解步骤时，具体实现如下步骤：采用matlab平台对所述主动配电网调度模型进行编码，以得到优化模型；采用粒子群算法对所述优化模型进行最优值求解，以得到调度策略。
118.在一实施例中，处理器502在实现所述根据所述调度策略指导主动配电网和充电站运行对应的运行计划步骤时，具体实现如下步骤：根据所述调度策略确定充电站和主动配电网的运行计划，以指导主动配电网和充电站运行对应的运行计划。
119.在一实施例中，处理器502在实现所述通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型步骤之前，还实现如下步骤：根据充电站光伏发电、风力发电、充电负荷预测参数、预测误差分布规律，确定典型场景下的充电站基础数据。
120.在一实施例中，处理器502在实现所述根据充电站光伏发电、风力发电、充电负荷预测参数、预测误差分布规律，确定典型场景下的充电站基础数据步骤时，具体实现如下步骤：获取历史数据；利用专家经验法根据所述历史数据推测充电站总充电负荷预测功率、可平移充电负荷份额预测值；从气象中心获得日照强度和风速预测数据，并根据光伏发电和风力发电公式计算得到可再生能源发电预测功率；其中，可再生能源发电预测功率包括光伏发电预测功率以及风力发电预测功率；通过对比历史数据、充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率，确定总充电负荷功率预测误差、可平移充电负荷份额预测误差以及可再生能源发电功率预测误差服从的分布类型，并构建对应的概率密度分布函数；对所述充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率以及对应的概率密度分布函数利用蒙特卡洛抽样技术进行处理，以得到典型场景下的充电站基础数据。
121.应当理解，在本技术实施例中，处理器502可以是中央处理单元 (central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现成可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
122.本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
123.因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，
构建风光储充一体化充电站运行模型；分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型；根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型；其中，所述主动配电网调度模型包括模型约束条件以及目标函数，所述目标函数是所有场景下系统运行平均成本的相关函数；所述模型约束条件包括某一节点注入的有功功率和无功功率与连接负荷和充电站功率的关系、某一节点注入有功功率和无功功率与所连接线路流通功率的关系、某一线路末端流通功率与线路首端流通功率和线路损耗功率的关系、某一线路流通电流的平方值、线路流通电流的限值、线路电压平方值设定在上限值和下限值之间；所述目标函数包括配电网向大电网购电成本、充电站电池运行成本、充电负荷转移成本、上旋转备用费用和下旋转功率备用费用；所述上旋转备用费用和下旋转功率备用费用是由风光储充一体化充电站功率备用模型的上旋转功率备用约束条件和下旋转功率备用约束条件进行约束的，所述充电负荷转移成本是由风光储充一体化充电站运行模型所包括的有功功率和无功功率运行约束条件进行约束；采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解；根据所述调度策略指导主动配电网和充电站运行对应的运行计划。
124.在一实施例中，所述处理器在执行所述计算机程序而实现所述通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型步骤时，具体实现如下步骤：构建储能电池运行约束条件；构建充电负荷运行约束条件；构建光伏发电系统和风力发电系统的运行约束条件；组合所述储能电池运行约束条件、充电负荷运行约束条件光伏发电系统和风力发电系统的运行约束条件，以得到风光储充一体化充电站运行模型。
125.在一实施例中，所述处理器在执行所述计算机程序而实现所述分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型步骤时，具体实现如下步骤：确定储能电池上旋转备用约束以及下旋转备用约束、可平移充电负荷上旋转备用约束以及下旋转备用约束、光伏发电功率上旋转备用约束以及下旋转备用约束、风力发电功率上旋转备用约束以及下旋转备用约束，以得到确定内容；根据确定内容中关于储能电池、风力发电系统、光伏发电系统和充电负荷的上旋转备用功率以及下旋转备用功率进行分别求和，构建风光储充一体化充电站约束条件，以形成风光储充一体化充电站功率备用模型。
126.在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型；其中，所述主动配电网调度模型包括模型约束条件以及目标函数，所述目标函数是所有场景下系统运行平均成本的相关函数；所述模型约束条件包括某一节点注入的有功功率和无功功率与连接负荷和充电站功率的关系、某一节点注入有功功率和无功功率与所连接线路流通功率的关系、某一线路末端流通功率与线路首端流通功率和线路损耗功率的关系、某一线路流通电流的平方值、线路流通电流的限值、线路电压平方值设定在上限值和下限值之间步骤时，具体实现如下步骤：确定网架约束条件，结合所述风光储充一体化充电站运行模型以及所述风光储充
一体化充电站功率备用模型，以得到模型约束条件；确定所有场景下系统运行平均成本的相关函数，以得到目标函数；组合所述模型约束条件以及目标函数，以得到主动配电网调度模型。
127.在一实施例中，所述处理器在执行所述计算机程序而实现所述采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解步骤时，具体实现如下步骤：采用matlab平台对所述主动配电网调度模型进行编码，以得到优化模型；采用粒子群算法对所述优化模型进行最优值求解，以得到调度策略。
128.在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述调度策略指导主动配电网和充电站运行对应的运行计划步骤时，具体实现如下步骤：根据所述调度策略确定充电站和主动配电网的运行计划，以指导主动配电网和充电站运行对应的运行计划。
129.在一实施例中，所述处理器在执行所述计算机程序而实现所述通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型步骤之前，还实现如下步骤：根据充电站光伏发电、风力发电、充电负荷预测参数、预测误差分布规律，确定典型场景下的充电站基础数据。
130.在一实施例中，所述处理器在执行所述计算机程序而实现所述根据充电站光伏发电、风力发电和充电负荷预测参数和误差分布规律，确定典型场景下的充电站基础数据步骤时，具体实现如下步骤：获取历史数据；利用专家经验法根据所述历史数据推测充电站总充电负荷预测功率、可平移充电负荷份额预测值；从气象中心获得日照强度和风速预测数据，并根据光伏发电和风力发电公式计算得到可再生能源发电预测功率；其中，可再生能源发电预测功率包括光伏发电预测功率以及风力发电预测功率；通过对比历史数据、充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率，确定总充电负荷功率预测误差、可平移充电负荷份额预测误差以及可再生能源发电功率预测误差服从的分布类型，并构建对应的概率密度分布函数；对所述充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率以及对应的概率密度分布函数利用蒙特卡洛抽样技术进行处理，以得到典型场景下的充电站基础数据。
131.所述存储介质可以是u盘、移动硬盘、只读存储器（read-only memory，rom）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
132.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
133.在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅
仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
134.本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
135.该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，终端，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。
136.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.主动配电网优化调度方法，其特征在于，包括：通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型；分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型；根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型；其中，所述主动配电网调度模型包括模型约束条件以及目标函数；所述模型约束条件包括某一节点注入的有功功率和无功功率与连接负荷和充电站功率的关系、某一节点注入有功功率和无功功率与所连接线路流通功率的关系、某一线路末端流通功率与线路首端流通功率和线路损耗功率的关系、某一线路流通电流的平方值、线路流通电流的限值、线路电压平方值设定在上限值和下限值之间；所述目标函数是所有场景下系统运行平均成本的相关函数，包括配电网向大电网购电成本、充电站电池运行成本、充电负荷转移成本、上旋转备用费用和下旋转功率备用费用；所述上旋转备用费用和下旋转功率备用费用是由风光储充一体化充电站功率备用模型的上旋转功率备用约束条件和下旋转功率备用约束条件进行约束的；所述充电负荷转移成本是由风光储充一体化充电站运行模型所包括的有功功率和无功功率运行约束条件进行约束；采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解；根据所述调度策略指导主动配电网和充电站运行对应的运行计划。2.根据权利要求1所述的主动配电网优化调度方法，其特征在于，所述通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型，包括：构建储能电池运行约束条件；构建充电负荷运行约束条件；构建光伏发电系统和风力发电系统的运行约束条件；组合所述储能电池运行约束条件、充电负荷运行约束条件光伏发电系统和风力发电系统的运行约束条件，以得到风光储充一体化充电站运行模型。3.根据权利要求1所述的主动配电网优化调度方法，其特征在于，所述分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型，包括：确定储能电池上旋转备用约束以及下旋转备用约束、充电负荷上旋转备用约束以及下旋转备用约束、光伏发电功率上旋转备用约束以及下旋转备用约束、风力发电功率上旋转备用约束以及下旋转备用约束，以得到确定内容；根据确定内容中关于储能电池、风力发电系统、光伏发电系统和充电负荷的上旋转备用功率以及下旋转备用功率进行分别求和，构建风光储充一体化充电站约束条件，以形成风光储充一体化充电站功率备用模型。4.根据权利要求1所述的主动配电网优化调度方法，其特征在于，所述根据所述风光储
充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型，包括：确定网架约束条件，结合所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，以得到模型约束条件；确定所有场景下系统运行平均成本的相关函数，以得到目标函数；组合所述模型约束条件以及目标函数，以得到主动配电网调度模型。5.根据权利要求1所述的主动配电网优化调度方法，其特征在于，所述采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解，包括：采用matlab平台对所述主动配电网调度模型进行编码，以得到优化模型；采用粒子群算法对所述优化模型进行最优值求解，以得到调度策略。6.根据权利要求1所述的主动配电网优化调度方法，其特征在于，所述根据所述调度策略指导主动配电网和充电站运行对应的运行计划，包括：根据所述调度策略确定充电站和主动配电网的运行计划，以指导主动配电网和充电站运行对应的运行计划。7.根据权利要求1所述的主动配电网优化调度方法，其特征在于，所述通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型之前，还包括：根据充电站光伏发电、风力发电、充电负荷预测参数、预测误差分布规律，确定典型场景下的充电站基础数据。8.根据权利要求7所述的主动配电网优化调度方法，其特征在于，所述充电站光伏发电、风力发电、充电负荷预测参数、预测误差分布规律，确定典型场景下的充电站基础数据，包括：获取历史数据；根据所述历史数据推测充电站总充电负荷预测功率、可平移充电负荷份额预测值；从气象中心获得日照强度和风速预测数据，并根据光伏发电和风力发电公式计算得到可再生能源发电预测功率；其中，可再生能源发电预测功率包括光伏发电预测功率以及风力发电预测功率；通过对比历史数据、充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率，确定总充电负荷功率预测误差、可平移充电负荷份额预测误差以及可再生能源发电功率预测误差服从的分布类型，并构建对应的概率密度分布函数；对所述充电站总充电负荷预测功率、可平移充电负荷份额预测值、可再生能源发电预测功率以及对应的概率密度分布函数利用蒙特卡洛抽样技术进行处理，以得到典型场景下的充电站基础数据。9.主动配电网优化调度装置，其特征在于，包括：第一构建单元，用于通过量化分析储能电池、光伏发电系统、风力发电系统、充电负荷运行约束条件，构建风光储充一体化充电站运行模型；第二构建单元，用于分析储能电池、光伏发电系统、风力发电系统和充电负荷，以发掘充电站调峰潜力，构建风光储充一体化充电站功率备用模型；
建立单元，用于根据所述风光储充一体化充电站运行模型以及所述风光储充一体化充电站功率备用模型，考虑网架约束，建立主动配电网调度模型；其中，所述主动配电网调度模型包括模型约束条件以及目标函数，所述目标函数是所有场景下系统运行平均成本的相关函数；所述模型约束条件包括某一节点注入的有功功率和无功功率与连接负荷和充电站功率的关系、某一节点注入有功功率和无功功率与所连接线路流通功率的关系、某一线路末端流通功率与线路首端流通功率和线路损耗功率的关系、某一线路流通电流的平方值、线路流通电流的限值、线路电压平方值设定在上限值和下限值之间，所述目标函数包括配电网向大电网购电成本、充电站电池运行成本、充电负荷转移成本、上旋转备用费用和下旋转功率备用费用；所述上旋转备用费用和下旋转功率备用费用是由风光储充一体化充电站功率备用模型的上旋转功率备用约束条件和下旋转功率备用约束条件进行约束的，所述充电负荷转移成本是由风光储充一体化充电站运行模型所包括的有功功率和无功功率运行约束条件进行约束；求解单元，用于采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；其中，最优值为目标函数值最小时对应的解；指导单元，用于根据所述调度策略指导主动配电网和充电站运行对应的运行计划。10.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的方法。11.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的方法。

技术总结
本发明实施例公开了主动配电网优化调度方法、装置、计算机设备及存储介质。方法包括：构建风光储充一体化充电站运行模型；构建风光储充一体化充电站功率备用模型；建立主动配电网调度模型；主动配电网调度模型包括模型约束条件以及目标函数，目标函数是所有场景下系统运行平均成本的相关函数；模型约束条件包括函数内相关参数的约定条件；采用粒子群算法对主动配电网调度模型进行最优值求解，以得到调度策略；根据调度策略指导主动配电网和充电站运行对应的运行计划。通过实施本发明实施例的方法可实现能够在考虑风光出力不确定性的条件下，确定主动配电网的最优日前调度策略，实现日运行成本最小化的目标。日运行成本最小化的目标。日运行成本最小化的目标。


技术研发人员：冯沁原
受保护的技术使用者：杭州太阁未名科技有限公司
技术研发日：2023.08.16
技术公布日：2023/9/13