白牧可，唐 巍，譚 煌，高 峰，閆 濤

（中國農業(yè)大學 信息與電氣工程學院，北京 100083）

0 引言

隨著能源危機和環(huán)境壓力日益增大，電網發(fā)展必須在有限資源和環(huán)境要求的雙重制約下進行，大量分布式發(fā)電DG（Distributed Generation）接入配電網已成為必然趨勢［1］。為應對高滲透率DG接入，如何加大配電網對于可再生能源的管理能力、提升配電網資產的利用率、延緩配電網的升級投資以及提高用戶的用電質量和供電可靠性已成為目前含分布式電源配電網研究的熱點。城市配電網中，分布式電源主要以光伏PV（PhotoVoltaic）形式接入，光伏的出力具有間歇性與隨機性，其對電網安全穩(wěn)定運行有消極影響［2］。雖然燃氣輪機快速響應機組可用來抑制可再生能源造成的功率波動，但燃氣輪機仍然會使用化石能源，從而降低了由光伏發(fā)電帶來的經濟和環(huán)境效益，因而適當容量的儲能裝置將是平抑可再生能源發(fā)電功率波動的有效手段。因此有必要對含光伏發(fā)電及儲能ES（Energy Storage）裝置的城市配電網系統(tǒng)進行規(guī)劃［3］。

目前國內外學者對分布式電源的優(yōu)化配置進行了不少研究，取得了許多理論和實踐方面的成果。文獻［4］分別從DG獨立發(fā)電商和配電公司的角度出發(fā)，建立了投資DG單位成本收益和DG接入對電網改善收益最大的多目標模型，所建模型既能反映投資DG的安裝、運行、維護費用，又能反映DG接入對系統(tǒng)電壓、網損、可靠性、延緩網絡更新等影響。文獻［5］針對配電網加入DG的經濟技術優(yōu)化目標，給出了DG多目標規(guī)劃的數學模型，采用多目標混沌量子遺傳算法對分布式電源的選址和容量進行了優(yōu)化配置。文獻［4-5］均未考慮分布式電源的不確定性，具有一定局限性。文獻［6］通過劃分時段并根據每個時段內DG與系統(tǒng)負荷功率的概率分布，以DG投資與售電、系統(tǒng)降損、電壓質量以及廢氣減排量等綜合效益為目標函數，利用遺傳算法求解DG最優(yōu)配置。文獻［7］對負荷和DG的典型時序性進行了分析，以配電網損耗、停電損失為目標，考慮時序性和多場景提出了多目標DG選址定容模型，給出了場景和場景權重的確定方法。文獻［8］研究了DG配置和網絡重構利益最大化問題，建立了結合年負荷增長并考慮經濟性和環(huán)保等因素的目標函數。以上文獻均未考慮儲能對DG優(yōu)化配置的影響。

綜上所述，目前含高滲透率DG配電網環(huán)境下DG規(guī)劃的文章較少，且考慮配電網調度及自愈等因素的研究相對不足。本文充分考慮光伏電源以及負荷的不確定性，基于密度聚類方法建立分時段光伏-負荷綜合狀態(tài)模型，結合儲能優(yōu)化調度建立高滲透率光伏與儲能綜合優(yōu)化配置模型，利用虛擬分區(qū)、二層規(guī)劃等手段進行求解，采用IEEE 33節(jié)點系統(tǒng)進行模型和方法驗證。

1 光伏及負荷模型

1.1 時變負荷模型

采用時變負荷模型［9］如式（1）所示，該模型通過負荷的年-周曲線、周-日曲線和日-小時曲線形成實時的負荷數據，能很好地反映負荷的時變特性。

其中，L（t）為第 t小時的負荷值；Ly為年負荷峰值；Hw（t）、Hd（t）、Hh（t）分別為與第 t小時對應的年-周負荷曲線、周-日負荷曲線及日-小時負荷曲線中的功率系數。

1.2 光伏模型

光伏陣列輸出功率主要與光照強度有關。在一定時間段（一個或幾個小時）內，太陽光照強度可以近似看成 Beta 分布［10-11］，其概率密度函數如式（2）所示。

其中，r和rmax分別為對應時間段內的實際光強和最大光強（單位W/m2）；α和β為Beta分布的形狀參數；Γ為Gamma函數。

假設太陽能電池方陣有Mpv個電池組件，每個組件的面積和光電轉換效率為 Am和 ηm（m=1，2，…，Mpv），則太陽能電池方陣總功率為：

其中，A、η分別為方陣總面積和光電轉換效率。

光伏發(fā)電與負荷都具有時序性、隨機性，且兩者之間有一定關聯性［12］。目前處理光伏與負荷不確定性的方法主要有蒙特卡洛仿真和概率法，蒙特卡洛仿真通過大量隨機模擬覆蓋光伏出力與負荷的可能情況，要求樣本空間大，仿真時間長，不能考慮光伏和負荷內在關聯性；概率法則是利用概率密度函數，將光伏發(fā)電與負荷用多個狀態(tài)表示以簡化運算，該方法中光伏和負荷狀態(tài)是獨立的，不能反映關聯性，組合狀態(tài)可能在現實中并不出現。

另一方面，具有連續(xù)時標的光伏發(fā)電與負荷的統(tǒng)計數據本身即蘊涵了其固有性質和規(guī)律。本文考慮各季節(jié)的不同時段，利用密度聚類方法對光伏發(fā)電與負荷時序數據進行處理，生成了不同季節(jié)各時段光伏-負荷典型組合狀態(tài)，此方法不僅能真實反映光伏與負荷的時序性、隨機性及關聯性，而且可以大幅削減狀態(tài)數，能夠滿足本文后續(xù)模型和方法的計算時間和精度要求。

對3 a的數據進行處理，一年4個季節(jié)各選一個代表日，每個代表日分為24個時段，全年共有96個時段。某一個季節(jié)代表日各時段光伏-負荷組合狀態(tài)生成方法如下。

a.數據生成。統(tǒng)計該季節(jié)各小時光照強度和負荷，每個小時的數據為一個樣本點，用｛光伏，負荷｝二元數組表示。

b.狀態(tài)聚類。將該季節(jié)所有天第i時段｛光伏，負荷｝二元數組標記到二維圖上，用密度聚類DBSCAN算法［13］進行聚類，獲得各時段聚類數為 Ni（i=1，2，…，24）。

c.狀態(tài)合并。將第i時段狀態(tài)數取為Ni，第j類樣本數為 Mj，第 j類第 k 個樣本為 xijk（k=1，2，…，Mj；j=1，2，…，Ni；i=1，2，…，24），第 i時段第 j類樣本中心點為 Xij，則：

將第i時段屬于第j類的全部Mj個樣本狀態(tài)合并成一個狀態(tài)Xij，第i時段狀態(tài)Xij出現的概率P（Xij）為：

d.重復以上步驟，獲得一天各時段對應的綜合狀態(tài)及概率，作為該季節(jié)代表日數據。

2 基于虛擬分區(qū)調度的配電網光伏-儲能二層規(guī)劃數學模型

2.1 建模思路

配電網中光伏發(fā)電和儲能規(guī)劃應更多地考慮運行條件。本文對配電網中光伏發(fā)電和儲能規(guī)劃考慮以下因素。

a.配電網快速發(fā)展使分布式電源的協(xié)調調度成為可能，在高滲透率DG配電網條件下，通過監(jiān)測及通信手段，調度中心可以隨時掌握光伏發(fā)電、負荷及網絡的運行狀態(tài)，通過高級軟件計算儲能設備充放電功率參考值，并發(fā)布控制指令實現經濟運行。考慮環(huán)保和發(fā)揮光伏作用，光伏發(fā)電應采用最大功率跟蹤控制，儲能則根據光伏出力進行優(yōu)化調度。

b.為便于配電網對高滲透率分布式電源進行高效管理，未來配電網應根據光伏發(fā)電、儲能的容量及分布進行虛擬分區(qū)，在電網運行時由區(qū)域內光伏發(fā)電和儲能實現區(qū)域內功率支撐和降低區(qū)域內電能損耗，進而保證整個配電網的經濟運行。此外，配電網分區(qū)也有利于區(qū)域自治和自愈功能實現。

c.可通過控制儲能充放電功率實現能量平衡和抑制光伏發(fā)電的功率波動，雖然光伏電源與儲能的配置相互影響，但光伏電源的配置對儲能的配置具有決定性作用。

基于以上分析，本文建立光伏電源、儲能配置的二層規(guī)劃模型。上層規(guī)劃為光伏投資決策問題，規(guī)劃目標是年費用最小，決策變量是光伏安裝位置與容量；下層規(guī)劃為儲能投資決策問題，規(guī)劃目標是等效負荷方差和最小，首先對已經完成光伏配置的配電網進行虛擬分區(qū)，在此基礎上進行儲能的優(yōu)化配置，同時規(guī)劃中考慮區(qū)內儲能調度優(yōu)化，達到削峰填谷、降損效果。上層規(guī)劃結果即光伏投資決策變量為下層規(guī)劃提供了初始條件，下層規(guī)劃所得最優(yōu)值反饋到上層規(guī)劃，導入年費用中便是上層規(guī)劃總的目標函數值。模型原理圖如圖1所示。

圖1 模型原理圖Fig.1 Schematic diagram of model

2.2 上層規(guī)劃目標函數及約束條件

以年投資運行維護費用Cinv、系統(tǒng)年有功損耗費用Closses及從上級電網購電年費用Cen這3個指標最小為優(yōu)化目標，決策變量為光伏的安裝位置與容量，目標函數為：

其中，w1、w2、w3為各目標權重，采用判斷矩陣法確定權重［14］。

a.年投資運行維護費用：

其中，NPV、NES分別為光伏、儲能的安裝總數；αPV、αES分別為光伏、儲能的固定投資年平均費用系數；CPV、CES分別為光伏、儲能的單位容量投資成本；SPV，i為安裝在第i個光伏安裝位置的光伏安裝容量；SES，j為在第j個儲能安裝位置的儲能安裝容量；cPV、cES分別為光伏、儲能的單位電量運行維護費用；SPV、SES分別為光伏、儲能的安裝總容量；FPV、FES分別為光伏、儲能的容量系數。

b.年網損費用：

其中，Tk為第k個季節(jié)的天數；lossesi為第i時段滿足一定置信度的系統(tǒng)年網損費用，由下層規(guī)劃得出。

c.年購電費用：

其中，Tk為第k個季節(jié)的天數；eni為第i時段滿足一定置信度的購電費用，由下層規(guī)劃得出。

上層約束條件如下。

a.支路功率概率約束：

其中，P｛·｝表示事件概率；Pk（x，ξ）為在狀態(tài) ξ下支路k的有功功率值；為支路k的有功功率允許最大值；βP為支路功率的置信水平；Ωline為系統(tǒng)支路集合。

b.節(jié)點電壓概率約束：

其中，Ui（x，ξ）為在狀態(tài) ξ下節(jié)點 i的電壓值；分別為節(jié)點i的電壓上、下限；βU為節(jié)點電壓的置信水平；Ωnode為系統(tǒng)節(jié)點集合。

c.功率平衡約束：

其中，Pi、Qi分別為節(jié)點i注入的有功功率和無功功率；Gij、Bij、δij分別為節(jié)點 i、 j之間的電導、電納和電壓相角差；n 為系統(tǒng)節(jié)點總數；Ui、Uj分別為節(jié)點 i、j的電壓幅值。

2.3 下層規(guī)劃目標函數及約束條件

以光伏安裝位置和容量為基礎，下層規(guī)劃進行分區(qū)調整以及儲能優(yōu)化配置?？紤]區(qū)域內功率平衡及光伏發(fā)電的隨機性，基于電量平衡對配電網進行虛擬分區(qū)，分區(qū)后對區(qū)內儲能進行優(yōu)化調度，達到平抑光伏出力波動、削峰填谷的作用，進而達到降損的目標。

2.3.1 虛擬分區(qū)

由于光伏發(fā)電出力是波動的，不能按某一時刻功率平衡進行配電網分區(qū)，而應考慮整個規(guī)劃周期。本文提出以電量平衡為約束的分區(qū)方法如下。

a.電量計算。光伏發(fā)電量為光伏電源容量與光伏最大發(fā)電量利用小時數的乘積，負荷電量為最大負荷與最大負荷利用小時數的乘積。

b.分區(qū)方法。以光伏發(fā)電系統(tǒng)接入點為中心，以電量平衡為約束進行廣度優(yōu)先搜索，最大限度地得到滿足電量平衡的區(qū)域。

c.候選支路。由于光伏發(fā)電量約束，會有部分支路和節(jié)點未被劃入區(qū)域內，將區(qū)域邊緣支路與未被劃入區(qū)域的支路作為區(qū)域間連接支路的候選支路。

d.區(qū)域信息。通過對區(qū)域最大數量的限定，可知連接支路最大數量為在候選支路中選取數量不大于條的支路后，即可確定各區(qū)域信息。

2.3.2 區(qū)內儲能調度方案

為了提高區(qū)域內供電充裕度和平衡區(qū)內負荷，光伏采用最大功率跟蹤技術，對區(qū)內儲能進行優(yōu)化調度。在區(qū)內負荷高峰時刻安排儲能放電，在區(qū)內負荷低谷時段安排儲能充電，根據電網的光伏出力-負荷綜合曲線合理對儲能的充放電進行調度。區(qū)域內負荷的平衡情況可由網損體現，為了將區(qū)內每個時段的調度值直接反映到網絡損耗計算的模型中，建立以區(qū)內的等效負荷方差和最小的下層規(guī)劃目標函數。

其中，D為區(qū)內等效負荷方差和；Tk為第k個季節(jié)的天數；NQY為劃分后區(qū)域的數量；分別為第k個季節(jié)區(qū)域J在第i時段的負荷期望、光伏出力期望；為第k個季節(jié)區(qū)域J內儲能在第i時段的功率，表示儲能發(fā)出功率，表示儲能吸收功率；為第k個季節(jié)區(qū)域J的等效負荷平均值，如式（16）所示。

儲能模型如下：

其中，Si為儲能裝置在第i時段的荷電狀態(tài)；Δt為時間間隔；ηC、ηD分別為儲能設備充、放電效率；為第i時段儲能的充放電功率，充電時，放電時

在儲能優(yōu)化調度時，要滿足儲能的容量約束。

其中，Si為儲能裝置在第i時段的荷電狀態(tài)；S為儲能最大荷電狀態(tài)；β1和β2為充放電系數，取β1=0.2，β2=0.8。

下層約束條件如下。

a.小時網損費用概率約束：

其中，X為決策變量，即區(qū)域的劃分與儲能的接入位置及容量；ξj為配電網系統(tǒng)中的第j個狀態(tài)量；ξmax為所在時段的系統(tǒng)狀態(tài)總數；f（X，ξ）為在狀態(tài)ξ下系統(tǒng)的網損費用最小值；α為目標函數的置信水平；lossesi為所在時段f（X，ξ）在概率水平至少為α時所取得的最小值；Ploss為系統(tǒng)網損；Cp為購電電價；Δt為時段長度（本文取1 h）。

b.小時購電費用概率約束：

其中，eni為所在時段 f（X，ξ）在概率水平至少為 α 時所取得的最小值；P、Ploss、Ppv、Pes分別為總負荷、系統(tǒng)網損、光伏發(fā)電有功出力、儲能出力。

c.區(qū)域劃分數量約束：

其中，NQY為劃分后區(qū)域的數量；為允許劃分的區(qū)域最大數量。

d.光伏空間約束：

其中，Marea為光伏安裝面積；為允許光伏安裝的最大面積。

式（15）中變量均為同一區(qū)域內變量，所以各區(qū)域儲能調度可以獨立并行進行。

3 二層規(guī)劃求解方法

本文采用精英保留策略遺傳算法［15］求解所提出的二層規(guī)劃問題。遺傳操作采用最優(yōu)保留策略、自適應交叉率和變異率，使其能夠獲得全局最優(yōu)解。為提高編碼效率，上、下層遺傳染色體均采用混合編碼。

3.1 上層規(guī)劃編碼

每個染色體分為兩部分，如圖2所示。

圖2 上層規(guī)劃染色體結構Fig.2 Chromosome structure of upper level programming

染色體第一部分實現對光伏位置的基因編碼，其值從光伏候選位置中產生，表示為L1—LM，M為光伏最大位置數；染色體第二部分實現對光伏容量的基因編碼，表示為 C1—CM，Ci（i=1，2，…，M）為安裝在位置Li的安裝容量，Ci有8種可能取值，編碼為0表示不接入DG。

3.2 下層規(guī)劃編碼

下層將區(qū)域間連接支路和儲能安裝容量及位置作為控制變量，規(guī)劃24 h運行狀態(tài)。如圖3所示，每個染色體分為3個部分。

圖3 下層規(guī)劃編碼Fig.3 Chromosome structure of lower level programming

第一部分對應區(qū)域間連接支路，其值從區(qū)域間連接支路的候選位置中產生，表示為l1—lA，A為區(qū)域間連接支路候選位置數；第二部分實現對儲能位置的基因編碼，其值從儲能的候選位置中產生，表示為S1—SB，B為儲能的最大位置數；染色體第三部分實現對儲能容量的基因編碼，表示為 Ce1—CeB，Cei（i=1，2，…，B）為安裝在位置Si的安裝容量，Cei有8種可能取值，編碼為0表示不接入儲能。

3.3 儲能調度編碼

本文采用慣性因子隨適應值自動改變的自適應粒子群算法［16-17］。粒子的編碼如圖4所示，圖中為第 i個粒子的位置；為第 i個粒子 t時刻的坐標，表示儲能t時段的調度值。

圖4 粒子編碼Fig.4 Encoding of particles

3.4 算法流程

a.輸入網絡原始數據。

b.根據原始數據進行潮流計算，獲得初始網絡相應數據。

c.按上文所述對上、下層規(guī)劃編碼。

d.產生上層規(guī)劃遺傳算法初始種群。

e.建立光伏-負荷在每個時段的多狀態(tài)模型。

f.針對上層初始化種群中每一個個體，產生下層規(guī)劃初始化群體，根據下層規(guī)劃模型，對每個時段各狀態(tài)進行潮流計算，且采用粒子群算法對儲能進行調度，得到下層規(guī)劃目標函數最優(yōu)值。

g.將上層初始化群體中每一個個體對應的下層規(guī)劃最優(yōu)值、儲能容量、每個時段的網損購電及費用返回上層規(guī)劃。

h.計算上層規(guī)劃模型。

i.進行遺傳操作，包括選擇、交叉、變異，產生新種群。

j.終止條件判斷，若遺傳代數T大于最大遺傳代數，計算結束，輸出結果；否則，T=T+1，轉至步驟f。

4 算例及結果分析

4.1 算例介紹

采用IEEE 33節(jié)點系統(tǒng)進行仿真，如圖5所示，負荷水平為3715 kW+2700 kvar。

圖5 測試系統(tǒng)Fig.5 Test system

設自然條件滿足光伏的接入要求。預測規(guī)劃水平年原負荷節(jié)點新增容量10%，分布式電源滲透率范圍為 30%～50%，權重 w1=0.1047、w2=0.6370、w3=0.2583，區(qū)域最大數量為6。光伏候選安裝位置為節(jié)點 7、9、10、13、14、16、18、23、26、29、31。 儲能候選安裝位置為節(jié)點 8、11、12、15、17、19、22、24、27、30、32。表1給出了涉及的相關參考價格。

4.2 光伏、儲能規(guī)劃方案比較

對3種計算情形進行配電網光伏、儲能優(yōu)化配置研究：情形1，采用二層規(guī)劃，不考慮分區(qū)且不進行儲能調度，只在固定時段對儲能進行恒功率充放電；情形2，采用二層規(guī)劃且考慮分區(qū)，但是不進行儲能調度，只在固定時段對儲能進行恒功率充放電；情形3，采用二層規(guī)劃，考慮分區(qū)且進行各區(qū)域儲能調度。

表1 相關參考價格Table 1 Relevant reference prices

規(guī)劃結果見表2、表3。

表2 光伏、儲能規(guī)劃結果Table 2 Results of PV-generation&ES programming

表3 光伏、儲能規(guī)劃成本比較Table 3 Comparison of costs among different PV-generation&ES configurations 萬元 /a

由表2可以知道，情形1、情形2、情形3的儲能安裝個數分別為4、5、5，說明考慮分區(qū)有利于儲能分散配置，以保證各區(qū)內儲能更好地配合光伏出力；情形2、情形3的分區(qū)數均為3，說明對于IEEE 33節(jié)點網絡，在本文滲透率范圍內分區(qū)數量為3時規(guī)劃較為合理。

由表3數據可以看出，情形2和情形3中網損費用、購電成本都明顯優(yōu)于情形1，且網損費用、購電成本和總成本減小分別在2.96%以上、1.41%以上和1.02%以上，網損費用改善最為顯著，說明分區(qū)對于網損改善具有較好效果；對比情形1、情形2和情形3，情形3總成本最低，比情形1和情形2每年分別要節(jié)省成本8.76%和8.32%；對比情形2和情形3，情形3比情形2的網損費用節(jié)省了25.22%，說明以區(qū)域為對象進行儲能優(yōu)化調度可實現各區(qū)域內負荷削峰填谷，進而獲得更好的降損效果。

圖6中給出了第3種情形下光伏、儲能的優(yōu)化結果。

圖6 光伏、儲能優(yōu)化結果Fig.6 Results of PV-generation&ES optimization

4.3 不同調度模式下規(guī)劃方案比較

采用2種儲能調度模式進行優(yōu)化：模式1，對全網儲能統(tǒng)一進行調度；模式2，對各區(qū)內儲能分別進行調度。規(guī)劃結果見表4。

表4 不同儲能調度模式下規(guī)劃成本比較Table 4 Comparison of programming costs among different ES dispatch modes 萬元 /a

從表4數據可以看出，與模式1相比較，模式2的投資運行維護費用要多，說明分區(qū)儲能調度時，儲能配置容量大，而網損費用和購電成本均比全網儲能調度的少，其中模式2的網損費用、購電成本分別減低了11.15%和6.01%，網損改善顯著。分區(qū)儲能調度時，網損費用和購電成本均下降，說明配電網內各分區(qū)自治進行區(qū)內儲能調度，對配電網的網損改善更佳。

表5、圖7給出了區(qū)域1儲能在模式1和模式2下的各時段出力最優(yōu)方案比較。

從表5數據看出，在 08∶00—10∶00期間，負荷出現高峰，而光伏出力較少，儲能進行放電；在11∶00—15∶00期間，負荷值變化較小，而此時光照強度大，光伏出力水平較高，儲能進行充電；在15∶00—18∶00期間，負荷又出現高峰，而光照強度逐漸減小，光伏出力較少，儲能進行放電；夜間負荷小，儲能進行充電。這說明儲能作為可控元件，在光伏出力較小而負荷較大時或光伏出力較大而負荷較小時，能夠調節(jié)區(qū)域內整體負荷水平，緩解光伏出力帶來的波動性，起到削峰填谷、節(jié)能降損的作用。

表5數據顯示，區(qū)域內的負荷高峰分別為08∶00和17∶00時，08∶00時模式2比模式1的儲能多出力58.49 kW，17∶00時模式2比模式1的儲能多出力16.66 kW；區(qū)域內的負荷低谷出現在 00∶00—03∶00，此期間模式2比模式1的儲能分別多吸收電能35.22 kW、34.14 kW、45.50 kW。結合以上數據，對應圖7可得出，模式2比模式1的削峰填谷效果更加顯著，即分別對各區(qū)內儲能進行調度比對全網儲能進行統(tǒng)一調度更有利于電網的節(jié)能降損。

表5 區(qū)域1儲能24 h出力控制結果Table 5 Results of 24-hour ES output control for Region 1 kW

圖7 區(qū)域1等效負荷曲線Fig.7 Equivalent load curve of Region 1

表6比較了蒙特卡洛法、概率法和本文方法3種模擬方法的狀態(tài)數和支行時間。由表6可知，本文的狀態(tài)數為145，相對于概率法和蒙特卡洛法，大幅減少了狀態(tài)數量；本文方法運行時間為43 min，相對于概率法，時間縮短了41 min。故本文的狀態(tài)處理方法大幅節(jié)省了運行時間，簡化了計算難度。

表6 不同模擬方法的比較Table 6 Comparison among different simulation methods

5 結論

考慮城市配電網中高滲透率光伏接入，結合虛擬分區(qū)及儲能優(yōu)化調度，提出了光伏電源和儲能優(yōu)化配置的二層規(guī)劃模型和求解方法。本文研究得到如下結論。

a.充分考慮光伏與負荷間的內在關聯，采用密度聚類方法建立了光伏-負荷綜合狀態(tài)模型，實際統(tǒng)計出的1 d狀態(tài)數僅為145，簡化了模型計算難度。

b.虛擬分區(qū)可使各區(qū)內儲能更好地配合光伏出力、改善網損、減少購電費用；在虛擬分區(qū)的基礎上，考慮儲能調度，網損費用和購電成本進一步減少，反映了在規(guī)劃過程中考慮儲能調度的必要性。

c.儲能可緩解光伏出力帶來的波動性、削峰填谷、節(jié)能降損；相較于儲能全網調度方案，儲能分區(qū)調度方案降低了總成本，可以獲得更高的經濟效益，各區(qū)域自治方式更利于配電網的經濟運行。

［1］王偉，孫昶輝，吳子平，等.含分布式發(fā)電系統(tǒng)的微網技術研究綜述［J］. 電網技術，2009，33（9）：14-18.WANG Wei，SUN Changhui，WU Ziping，et al.A review on microgrid technology containing distributed generation system［J］.Power System Technology，2009，33（9）：14-18.

［2］WOYTE A，VAN V，BELMANS R，et al.Voltage fluctuations on distribution level introduced by photovoltaic systems［J］.IEEE Transactions on Energy Conversion，2006，21（1）：202-209.

［3］汪海瑛，白曉民，許婧，等.考慮風光儲協(xié)調運行的可靠性評估［J］. 中國電機工程學報，2012，32（13）：13-20.WANG Haiying，BAI Xiaomin，XU Jing，et al.Research on thyristor conduction angle characteristics in transient process of TCSC［J］.Proceedings of the CSEE，2012，32（13）：13-20.

［4］張立梅，唐巍，王少林，等.綜合考慮電力公司和獨立發(fā)電商利益的分布式電源規(guī)劃［J］. 電力系統(tǒng)自動化，2011，35（4）：23-28.ZHANG Limei，TANG Wei，WANG Shaolin，etal.Distributed generators planning considering benefits for distribution power company and independent power suppliers［J］.Automation of Electric Power Systems，2011，35（4）：23-28.

［5］王瑞琪，李珂，張承慧，等.基于多目標混沌量子遺傳算法的分布式電源規(guī)劃［J］. 電網技術，2011，35（12）：183-189.WANG Ruiqi，LI Ke，ZHANG Chenghui，et al.Distributed generation planning based on multi-objective chaotic quantum genetic algorithm［J］.Power System Technology，2011，35（12）：183-189.

［6］鄧威，李欣然，李培強，等.基于互補性的間歇性分布式電源在配網中的優(yōu)化配置［J］. 中國電機工程學報，2013，28（6）：216-225.DENG Wei，LI Xinran，LI Peiqiang，et al.Optimal allocation of intermittent distributed generation considering complementarity in distributed network［J］.Proceedings of the CSEE，2013，28（6）：216-225.

［7］李亮，唐巍，白牧可，等.考慮時序特性的多目標分布式電源選址定容規(guī)劃［J］. 電力系統(tǒng)自動化，2013，37（3）：58-63，128.LI Liang，TANG Wei，BAI Muke，et al.Multi-objective locating and sizing of distributed generators based on time-sequence characteristics［J］.Automation of Electric Power Systems，2013，37（3）：58-63，128.

［8］ABOELSOOD Z，MOSTAFA F，SHAABAN E F，et al.Long-term multi-objective distribution network planning by DG allocation and feeders’ reconfiguration［J］.Electric Power Systems Research，2013，105：95-104.

［9］WANG Peng，BILLINTON R.Time sequential distribution system reliabilityworth analysis considering time varying load and cost models［J］.IEEE Transactions on Power Delivery，1999，14（3）：1046-1051.

［10］CONTI S，RAITI S，TINA G，et al.Study of the impact of PV generationon voltage profile in LV distribution networks［C］∥2001 IEEE Porto Power Technology Conference.Porto，Portugal：IEEE，2001：1-6.

［11］ARRIAGADA E，LOPEZ E，ROA C，et al.A stochastic economic dispatch model with renewable energies considering demand and generation uncertainties［C］∥IEEE Grenoble PowerTech.Grenoble，France：IEEE，2013：1-6.

［12］EYER M T，LUTHER J.On the correlation of electricity spot market prices and photovoltaic electricity generation［J］.Energy Conversion and Management，2004，45（17）：2639-2644.

［13］榮秋生，顏君彪，郭國強.基于DBSCAN 聚類算法的研究與實現［J］. 計算機應用，2004，24（4）：45-46，61.RONG Qiusheng，YAN Junbiao，GUO Guoqiang.Research and implementation of clustering algorithm based on DBSCAN ［J］.Computer Applications，2004，24（4）：45-46，61.

［14］呂濤，唐巍，叢鵬偉，等.分布式電源與配電網架多目標協(xié)調規(guī)劃［J］. 電力系統(tǒng)自動化，2013，37（21）：139-145.Lü Tao，TANG Wei，CONG Pengwei，et al.Multi-objective coordinated planning of distribution network incorporating distributed generators ［J］. Automation of Electric Power Systems，2013，37（21）：139-145.

［15］苗增強，姚建剛，李婷，等.改進的多目標遺傳算法在配電網規(guī)劃中的應用［J］. 電力系統(tǒng)及其自動化學報，2009，21（5）：63-67.MIAO Zengqiang，YAO Jiangang，LI Ting，et al.Application of improved multi-objective genetic algorithm distribution network planning［J］.Proceedings of the CSU-EPSA，2009，21（5）：63-67.

［16］劉自發(fā).基于智能優(yōu)化算法的配電網絡規(guī)劃與優(yōu)化運行研究［D］. 天津：天津大學，2005.LIU Zifa.A study on distribution network planning and optimal operation based on intelligence optimization algorithms［D］.Tianjin：Tianjin University，2005.

［17］紀震，廖惠連，吳青華.粒子群算法及應用［M］.北京：科學出版社，2009：64-70.