考慮分時電價機制的多微電網(wǎng)與主動配電網(wǎng)雙層優(yōu)化調度

呂智林，葉亮，孫功偉，廖龐思

(1.廣西大學 電氣工程學院，廣西 南寧 530004；2. 廣東電網(wǎng)有限責任公司佛山供電局，廣東 佛山 528000)

微電網(wǎng)(microgrid，MG)作為清潔能源并網(wǎng)供電，已逐漸應用到大電網(wǎng)[1]中，它的出現(xiàn)改善了傳統(tǒng)電網(wǎng)的固化運行方式；而隨著分布式電源(distributed generation，DG)以MG形式接入配電網(wǎng)形成主動配電網(wǎng)(acitve distribution network, ADN)，提出了構建智能電網(wǎng)的新型模式。研究發(fā)現(xiàn)該運行模式可將DG以MG形式高滲透于ADN[2]，提高ADN系統(tǒng)的可靠性和調峰能力；另外MG接入ADN系統(tǒng)具有相互協(xié)調作用，包括[3]：①可以滿足負荷需求，實現(xiàn)最優(yōu)經(jīng)濟分配；②用電高峰/低谷時期出力協(xié)調；③緊急事故下可有效保障電力系統(tǒng)可靠運行。

多個MG接入ADN系統(tǒng)的優(yōu)化調度研究多集中于ADN系統(tǒng)的經(jīng)濟調度，并且其經(jīng)濟調度模型一般采用集中式或分布式進行研究[4]；文獻[5]對于ADN系統(tǒng)中新能源和負荷的隨機特性，提出一種基于多場景技術的日前和實時調度兩步走模型；文獻[6]考慮MG并入配電網(wǎng)的博弈性影響，提出基于動態(tài)獎懲電價的含多MG的配電網(wǎng)分層協(xié)調優(yōu)化調度模型；文獻[7]考慮多MG系統(tǒng)的最優(yōu)經(jīng)濟效益，提出了一種區(qū)域多MG系統(tǒng)的多目標優(yōu)化調度模型并運用CPLEX對模型求解；對于MG接入ADN系統(tǒng)的多目標博弈性問題，文獻[8]構建了ADN系統(tǒng)聯(lián)合調度策略，建立MG和配電網(wǎng)雙層模型并采用細胞膜-粒子群優(yōu)化算法新型并行混合算法求解；文獻[9]建立基于交替方向乘子法(alternating direction multiplier method，ADMM)的ADN分布式多目標優(yōu)化調度方法，對含DG、柔性負荷及儲能裝置等多區(qū)域多目標優(yōu)化調度模型進行求解。

以上文獻未考慮多MG與ADN系統(tǒng)交互時，不同電價策略執(zhí)行下及ADN系統(tǒng)網(wǎng)絡拓撲結構中潮流約束對整個系統(tǒng)經(jīng)濟調度的影響。為解決不同利益主體約束下，平衡多目標的含多MGADN系統(tǒng)經(jīng)濟調度，本文考慮不同時段的電價差異、ADN系統(tǒng)潮流波動及MG中可控電源出力特性等，建立考慮分時電價機制的多MG與ADN雙層優(yōu)化調度模型。其中上層以ADN系統(tǒng)為對象，考慮系統(tǒng)的潮流約束及多MG與ADN間聯(lián)絡線的傳輸功率約束，建立以ADN系統(tǒng)經(jīng)濟成本最低為優(yōu)化目標的數(shù)學模型并使用二階錐規(guī)劃(second order cone programming，SOCP)松弛技術與Gurobi工具求ADN系統(tǒng)最優(yōu)潮流分布；下層以各MG系統(tǒng)為對象，考慮MG內(nèi)功率平衡、可控電源出力特性及各MG買/賣電等約束，建立以MG運行成本最低為目標的并網(wǎng)MG調度模型，同時采用非支配排序遺傳算法II (non-dominated sorting in genetic algorithm-II，NSGA-II)求解。最后以改進IEEE 33節(jié)點的系統(tǒng)為算例驗證。

1 主動配電網(wǎng)模型

1.1 目標函數(shù)

上層模型中以ADN系統(tǒng)的各發(fā)電機組運行成本最小為優(yōu)化目標，ADN系統(tǒng)中發(fā)電成本[10]

(1)

式中：T為周期(取24 h)；N為ADN系統(tǒng)網(wǎng)絡結構中的總節(jié)點數(shù)；αi、βi、δi為第i個發(fā)電機組的成本系數(shù)；Pgi(t)為t時段第i個發(fā)電機輸出的有功功率。系統(tǒng)網(wǎng)損

(2)

式中：M為接入MG數(shù)量；PPCCa(t)為t時段第a個MG買/賣電時公共聯(lián)絡線(point of common coupling，PCC)上傳輸?shù)挠泄β剩鬚PCCa(t)為正值表示MG向ADN買電，若PPCCa(t)為負值表示MG賣電給ADN；Pdi(t)為t時段節(jié)點i負荷有功功率。

1.2 約束條件

a) 系統(tǒng)的潮流方程如下：

(3)

式中：Pgi(t)、Qgi(t)分別為t時段節(jié)點i可控機組發(fā)出的有功功率、無功功率；QPCCa(t)為t時段第a個MG聯(lián)絡線傳輸?shù)臒o功功率(忽略MG內(nèi)的網(wǎng)損)；Qdi(t)分別為t時段節(jié)點i負荷無功功率；Ui(t)、Uj(t)分別為t時段節(jié)點i、j處電壓幅值；Gij為ij支路電導；Bij為支路ij電納；θij(t)為t時段節(jié)點i、j間相角差。

b) 各機組出力及各節(jié)點電壓的約束如下：

(4)

c) 支路承受的最大功率約束：

|Ui(t)2Gij-Ui(t)Uj(t)(Gijcosθij(t)+

Bijsinθij(t))|≤Pij,max.

(5)

式中Pij,max為ij支路能承受的最大有功值。

d) 多MG與ADN間聯(lián)絡線傳輸功率約束如下：

PPCCa,min≤PPCCa(t)≤PPCCa,max.

(6)

式中：本文PPCCa(t)最大為200 kW；PPCCa,max、PPCCa,min分別為聯(lián)絡線傳輸功率的上、下限。

2 并網(wǎng)MG模型

2.1 可控電源與蓄電池模型

a) 柴油發(fā)電機。柴油發(fā)電機(diesel engine,DE)是MG中重要的調峰單元，也是文中可控電源里唯一可以產(chǎn)生無功的機組，其發(fā)電特性與傳統(tǒng)發(fā)電機能耗特性相似，均可采用二次函數(shù)模型[11]：

(7)

式中：Vf為DE以輸出功率Pde工作Δt時間的耗油量，單位kg/(kWh)；Δt為時間間隔，取值為1 h；ηde為DE的發(fā)電效率，取值為30%；Lf為柴油低位熱值，取為43.1 GJ/kg；a1、a2、a3分別取為2.66 7、0.163 7、0.000 15。

b) 微型燃氣輪機。微型燃氣輪機(micro turbine,MT)是一種具有運行穩(wěn)定、占地面積小等優(yōu)點的可控電源。假設MT機組中的MT、溴冷機排煙溫度始終保持不變[12]，其函數(shù)模型為

Vmt=∑PmtΔt/(ηmt·Ζg).

(8)

式中：Vmt為天然氣的耗量；Pmt為MT發(fā)出的有功功率；Ζg為天然氣低位熱值，取9.7 kWh/ m3；ηmt為MT發(fā)電效率，取值為29%。

c) 儲能蓄電池。文中采用鉛蓄電池作為儲能裝置，電池的剩余容量與上一時刻剩余容量、當前時刻放電量及蓄電池衰減量密切相關[13]；蓄電池荷電狀態(tài)(sate of charge，SOC)的表達式為：

(9)

式中：Ssoc(t)為t時刻蓄電池荷電狀態(tài)；Pch(t)為t時刻蓄電池充電功率；Pdis(t)為t時刻蓄電池的放電功率；?為蓄電池自放電率，一般取值為0.2%/h；μch、μdis分別為蓄電池充、放電效率；Ees為蓄電池裝機容量(kWh)。

2.2 目標函數(shù)

MG中的風力、光伏發(fā)電屬于可再生能源，對其設置為優(yōu)先調用，以MG的運行成本最小為目標，其數(shù)學模型為：

C=min(FGe+Fes-Fb-s),

(10)

(11)

(12)

Fb-s=Fbuy+Fsell,

(13)

(14)

式(10)—(14)中:C為MG運行成本；FGe為MG中可控機組的運行成本；Fes為蓄電池充放電時的折舊成本；Fb-s為MG向ADN買/賣電的收益；R為MG中可控電源總數(shù)；ψma,k、ψf,k分別為可控電源k的運行維護、燃料成本系數(shù)；Pk(t)、Vf,k(t)分別為t時段可控電源k有功出力、燃料消耗量；Pes(t)、λ(Pes(t))分別為t時段蓄電池充放電功率、充放電折舊成本系數(shù)[14]；Fbuy為MG向ADN買電的所需成本；Fsell為MG向ADN賣電獲得的收益；cbuy(t)、csell(t)分別為t時段買、賣電的基礎電價；PPCC(t)為t時段聯(lián)絡線有功功率；Pbuy(t)為t時段MG買電功率；Psell(t)為t時段MG賣電功率。

2.3 約束條件

a) 系統(tǒng)功率平衡約束為：

Ppv(t)+Pwt(t)+Pde(t)+Pmt(t)+PPCC(t)=

Pmg,load(t)+Pch(t)-Pdis(t).

(15)

式中：Pwt(t)、Ppv(t)、Pde(t)、Pmt(t)、PPCC(t)分別為t時段風力發(fā)電機、光伏發(fā)電機、DE、MT、聯(lián)絡線的有功功率；Pmg,load(t)為t時段MG內(nèi)負荷有功功率；Pch(t)、Pdis(t)分別為t時段蓄電池充、放電有功功率。

b) 可控微電源出力約束為：

Pmin≤Pk(t)≤Pmax.

(16)

式中：Pk(t)為可控微電源k在t時段有功出力值；Pmin、Pmax分別為可控微電源有功出力的最值。

c) 可控微電源的爬坡約束為：

(17)

式中：Pup,k(t)、Pup,k(t-1)分別為可控微電源k在t、t-1時段上升后的有功值；Pdown,k(t)、Pdown,k(t-1)分別為可控微電源k在t、t-1時段下降后的有功值；Rup,k、Rdown,k分別為可控微電源k最大爬坡率、下坡率。

d) 蓄電池充/放電功率約束為：

蓄電池過充或過放會降低其使用壽命，其充/放電時荷電量需滿足約束條件，數(shù)學模型[15]為

Ssoc,min≤Ssoc(t)≤Ssoc,max.

(18)

式中：Ssoc,min、Ssoc,max分別為蓄電池最低荷電量、最高荷電量。蓄電池長期在過高功率環(huán)境下運行，也對電池的壽命有影響。

3 雙層模型求解

3.1 ADN模型的求解

大型電力系統(tǒng)中的最優(yōu)潮流問題是非凸非線性的潮流問題，傳統(tǒng)智能優(yōu)化算法難以求得其全局最優(yōu)。本文采用SOCP松弛技術[16]對ADN系統(tǒng)中的非凸非線性最優(yōu)潮流模型進行改善，將其轉化為凸可行域內(nèi)的線性潮流模型再求解。ADN系統(tǒng)的非凸非線性特性主要來自如下表達式：

(19)

式中ei、fi為節(jié)點i處電壓向量的實部與虛部。對每個節(jié)點及節(jié)點之間分別新定義變量cii、cij、sij，通過轉化形成新導納矩陣的對應元素，根據(jù)決策關系它們必須滿足如下關系：

(20)

將式(19)、(20)代入式(3)中進行等價變換，得出ADN系統(tǒng)新的最優(yōu)潮流平衡方程，對于其他各約束條件中的等價變換具體轉換步驟見文獻[16]。

(21)

式中Ω(i)為以節(jié)點i為末端的新末端節(jié)點集合。轉化后的各等式和不等式約束方程通過MATLAB編譯器寫出優(yōu)化程序并正確調試，最后調用Gurobi工具包求解ADN系統(tǒng)最優(yōu)潮流分布。

3.2 并網(wǎng)MG模型的求解

并網(wǎng)MG優(yōu)化調度策略按照峰時段MG多售電，谷時段和平時段多購電的原則(谷時段為00:00—07:00，平時段為08:00—10:00、16:00—18:00和22:00—23:00，峰時段為11:00—15:00和19:00—21:00)進行最優(yōu)調度。依據(jù)分時電價機制的調度策略[17]確定蓄電池充/放電功率及MG與ADN的交換功率，達到整個系統(tǒng)穩(wěn)定運行。

傳統(tǒng)遺傳算法求解并網(wǎng)MG模型時，易陷入局部最優(yōu)解且難以求得精確數(shù)據(jù)。為此本文采用NSGA-II[17]求解MG模型，主要對算法作出以下改進：

a)Tent混沌映射。Tent映射是分段性映射技術，具有均勻概率密度和遍歷性等特性。本文利用Tent映射所構建的混沌變量，將變量映射到優(yōu)化量空間中對種群進行初始化，改變個體多樣性。Tent映射數(shù)學模型為：

(22)

式中hn為第n次迭代變量，形成的序列中可能有不穩(wěn)定點，于是需要利用小值擾動跳出該類不動點。改進后Tent混沌映射數(shù)學模型為：

(23)

式中r(0,1)為0～1間的隨機數(shù)。

而根據(jù)式(23)對種群中每個染色體均會生成一個混沌序列ρ，將其映射到?jīng)Q策變量的取值范圍內(nèi)后，則第a個染色體x的第b維分量

(24)

這一創(chuàng)新做法，從2013年起連續(xù)6年被寫入安徽省委一號文件，2017年被原農(nóng)業(yè)部等六部委聯(lián)合發(fā)文向全國推廣，2018年被寫入中央一號文件。為抓好政策扶持和配套服務，宿州市委、市政府出臺了《關于扶持農(nóng)業(yè)產(chǎn)業(yè)化聯(lián)合體發(fā)展的若干政策意見》等文件，市、縣區(qū)兩級財政每年兌現(xiàn)產(chǎn)業(yè)化聯(lián)合體成員各類獎補資金3600多萬元。

b)NDX算子。引入NDX算子提高空間搜索能力，其尋優(yōu)能力極強，易使尋優(yōu)解跳出局部解。NDX算子交叉后新的數(shù)學模型為：

(25)

式中：x1,b和x2,b分別為交叉后的父代染色體第b維分量；y1,b和y2,b為交叉后產(chǎn)生的子代染色體第b維分量；Φ為NDX算子交叉過程中產(chǎn)生的隨機數(shù)，其值在(0,1)間均勻分布；|N(0,1)|為正態(tài)分布隨機變量。

3.3 分時電價下MG層對ADN層的求解流程

考慮分時電價機制的多MG與ADN雙層優(yōu)化調度模型求解過程可以分為2部分：第1部分(并網(wǎng)MG的優(yōu)化調度)為基于分時電價機制的MG優(yōu)化調度策略下，建立并網(wǎng)MG優(yōu)化調度模型，并運用NSGA-II求解模型，分別求出可控微電源出力、MG買賣電功率及各MG的運行成本(取MG中風/光等可再生能源出力及負荷消耗功率的預測數(shù)據(jù)作為輸入值進行優(yōu)化分析)；第2部分(含多MG的ADN優(yōu)化調度)根據(jù)多MG向ADN買賣電時聯(lián)絡線傳輸功率的制約，以ADN系統(tǒng)中各發(fā)電機組的運行成本最小為目標建立ADN系統(tǒng)最優(yōu)潮流模型，運用SOCP松弛技術對模型進行線性化處理，將非線性潮流問題轉化為線性潮流問題，再調用MATLAB軟件中的Gurobi求解器求出ADN系統(tǒng)的最優(yōu)潮流分布。分時電價下的雙層優(yōu)化調度模型求解流程如圖1所示。

4 算例驗證

為有效驗證所提雙層優(yōu)化模型的可行性，本文選用改進IEEE 33節(jié)點的ADN系統(tǒng)作為算例(如圖2所示)，在MATLAB2016a環(huán)境下實現(xiàn)模擬仿真(i5，2.3 GHz，4 GB)。發(fā)現(xiàn)MG并入位置不同，負荷的分布也不同；在24 h調度周期內(nèi)，解ADN系統(tǒng)最優(yōu)潮流所需平均時間為1.25 min。MG1中的柴油發(fā)電機(DE1)、微型燃氣輪機(MT1)與和MG2中的柴油發(fā)電機(DE2)、微型燃氣輪機(MT2)出力技術參數(shù)見表1，MG與ADN系統(tǒng)買賣電的電價見表2。上層ADN系統(tǒng)網(wǎng)絡拓撲結構中各參數(shù)詳見文獻[18]，ADN系統(tǒng)各機組發(fā)電特性見文獻[18]。整個系統(tǒng)調度周期內(nèi)，各MG中風力、光伏及負荷預測數(shù)據(jù)來自文獻[19]。

圖1 分時電價下的雙層優(yōu)化調度模型求解流程Fig.1 Flow chart of solving bi-level optimal scheduling model under TOU

表1 可控電源技術參數(shù) [20]Tab.1 Technical parameters of controllable power supply

表2 MG買電與賣電電價[21]Tab.2 Electricity purchase and sale prices of microgrid

圖2 含多MG的ADN系統(tǒng)結構Fig.2 ADN system structure with multi-microgrids

上層模型中負荷預測值為某城市地區(qū)1 d內(nèi)的變化情況；在各MG中風力、光伏及負荷取值為某小區(qū)預測值。下層模型中NSGA-II相關參數(shù)：迭代次數(shù)kmax=200，種群規(guī)模Si=100，交叉和變異概率Pe=0.9,Pm=0.1。

4.1 并網(wǎng)MG層調度結果

根據(jù)分時電價下的雙層優(yōu)化調度模型求解策略要求，采用改進遺傳算法對各并網(wǎng)MG的優(yōu)化調度模型求解，分別求解得到各MG中DE、MT、負荷(Load)、SOC的最優(yōu)值并繪制調度結果，如圖3、4所示。

圖3 MG1優(yōu)化調度結果 Fig.3 Optimized scheduling results of MG1

圖4 MG2優(yōu)化調度結果Fig.4 Optimized scheduling results of MG2

從圖3和圖4可以看出，1—4時段內(nèi)由于MG1中風/光出力無法滿足用電負荷的需求且MG內(nèi)上午可控機組出力成本高于MG買電成本，根據(jù)MG的優(yōu)化調度策略此時MG向ADN買電，并盡可能將蓄電池充電至飽和，以降低MG的運行成本；MG2中用電負荷需求低，此時風/光出力可以滿足MG系統(tǒng)的穩(wěn)定運行，所以MG2不買電且可控機組不動作。在5—10時段內(nèi)，負荷達到高峰期而風/光出力跟不上負荷增長需求；在16—18時段內(nèi)，風/光出力無法滿足負荷的需求；在22時段內(nèi)負荷雖然沒有達到高峰，但出現(xiàn)風光出力驟減；在這些時段內(nèi)根據(jù)優(yōu)化調度策略，均需通過儲能系統(tǒng)放電、可控機組出力以及向ADN系統(tǒng)買電來滿足用電負荷的需求。在風/光發(fā)電充足時段或峰時段分時電價機制下，MG可在綜合考慮運行成本的約束下，將優(yōu)化出的多余功率賣給ADN，使得MG獲得賣電收益(如11、15和23時段等)。

根據(jù)分時電價下的雙層優(yōu)化調度模型求解策略要求，采用改進遺傳算法對各并網(wǎng)MG的優(yōu)化調度模型求解，分別求解得出各MG的買賣電情況和各MG的運行成本情況并繪制調度結果，如圖5、6所示。

圖5 MG向ADN系統(tǒng)的買/賣電功率 Fig.5 Buying/selling power of microgrid from ADN system

圖6 2個MG的運行成本Fig.6 Operating costs of two microgrids

從圖5和圖6可以看出，多MG與ADN系統(tǒng)功率交互時，各MG內(nèi)部負荷需求不同，導致其向ADN系統(tǒng)買/賣電功率不同(正值為MG向ADN買電功率，負值為MG向ADN賣電功率)。各MG的運行成本曲線與其買/賣電功率曲線的關系為正相關(正值為買電花費的費用，負值為賣電獲得的收益)。

4.2 ADN層調度結果

根據(jù)分時電價下的雙層優(yōu)化調度模型求解策略要求，對于ADN層的最優(yōu)潮流模型求解，采用Gurobi求解器對轉換后的凸優(yōu)化潮流模型進行求解，分別求出ADN系統(tǒng)網(wǎng)絡中各機組出力和各節(jié)點電壓標幺值并繪制調度結果，如圖7、8所示。

圖7 ADN中各機組出力及負荷預測值Fig.7 Output and load prediction values of each unit in ADN

從圖7和圖8可以看出：考慮多MG買/賣電因素時，在ADN系統(tǒng)優(yōu)化調度過程中，8號、24號和25號機組后分支負荷較多，此類機組出力較大。根據(jù)ADN系統(tǒng)最優(yōu)成本約束，在峰時段多MG向ADN賣電時，8號和25號機組出力有所降低，起到了削峰作用；其他各機組協(xié)調出力來共同維持ADN系統(tǒng)穩(wěn)定運行。ADN系統(tǒng)中各節(jié)點電壓隨著輸電距離的變化會有所波動，但其遠端節(jié)點電壓的標幺值均保持在可控范圍內(nèi)波動(0.93～1.06)；當多MG向ADN買/賣電時功率出現(xiàn)波動時，并不會影響ADN系統(tǒng)的穩(wěn)定運行。

圖8 ADN中遠端節(jié)點電壓Fig.8 Voltage at the far end of ADN

4.3 含多MG的ADN系統(tǒng)層調度結果

根據(jù)分時電價下的雙層優(yōu)化調度模型求解策略要求，求出ADN系統(tǒng)的經(jīng)濟成本及網(wǎng)損。為進一步體現(xiàn)本文所提策略及算法的優(yōu)勢(情景模式3)，分別設立了情景模式1與情景模式2：情景模式1為多MG不參與原ADN系統(tǒng)的優(yōu)化調度，各自獨立優(yōu)化運行；情景模式2為多MG與原ADN系統(tǒng)通過聯(lián)絡線進行功率交互，實現(xiàn)能源最大化利用，但未考慮動態(tài)電價對原ADN系統(tǒng)的經(jīng)濟成本影響。根據(jù)各情景模式下的ADN系統(tǒng)優(yōu)化調度結果繪制曲線，如圖9、10所示。

圖9 ADN系統(tǒng)的經(jīng)濟成本 Fig.9 Economic cost of ADN system

圖10 ADN系統(tǒng)中的網(wǎng)損Fig.10 Network loss of ADN system

從圖5和圖9可以看出，在情景模式3分時電價下，含多MG的ADN系統(tǒng)經(jīng)濟調度結果中：當多MG處于買電狀態(tài)時，ADN中各機組會根據(jù)優(yōu)化算法而選擇增加機組的出力，所以多MG接入ADN系統(tǒng)時ADN運行成本會有所增高；當多MG處于賣電狀態(tài)時，MG賣電時段可以削減ADN中負荷對電能的消納，從而減少ADN系統(tǒng)各機組出力，降低系統(tǒng)經(jīng)濟成本。從圖5和圖10中可以看出，情景模式3分時電價下含多MG的ADN系統(tǒng)經(jīng)濟調度結果中：當多MG處于買電狀態(tài)時，MG看作虛擬負荷，此時ADN中各機組會根據(jù)優(yōu)化算法增加出力，導致網(wǎng)損增多。當多MG處于賣電狀態(tài)時，MG看作虛擬電源出力，可就近供電至ADN中負荷消納，從而減少ADN系統(tǒng)機組出力，使系統(tǒng)網(wǎng)損有所降低。

統(tǒng)計24個時段內(nèi)含多MG的ADN系統(tǒng)經(jīng)濟調度結果見表3。通過與情景模式1、2相比可以發(fā)現(xiàn)，采用情景模式3對整個系統(tǒng)進行經(jīng)濟調度時，系統(tǒng)的經(jīng)濟效益最佳。

表3 含多MG的ADN系統(tǒng)經(jīng)濟調度Tab.3 Economic scheduling of ADN systems with multi-microgrids

5 結束語

本文對含多MG的ADN系統(tǒng)的經(jīng)濟性進行研究，考慮多MG向ADN買/賣電及ADN系統(tǒng)中最優(yōu)潮流等約束，建立分時電價機制下的多MG與ADN雙層優(yōu)化模型。以改進IEEE 33節(jié)點配電網(wǎng)系統(tǒng)為算例進行驗證，結果表明所提模型及算法具有可行性且可以降低含多MG的ADN系統(tǒng)網(wǎng)損和經(jīng)濟成本。對于ADN層而言，當多MG向ADN賣電時，ADN層可以減少其他機組的出力，降低ADN系統(tǒng)的經(jīng)濟成本；反之當多MG向ADN買電時，ADN層通過賣電獲得收益。對于MG層而言，當MG內(nèi)可再生能源出力不足時，根據(jù)分時電價下的最優(yōu)調度策略，可通過對儲能系統(tǒng)放電、向ADN買電和調用可控機組出力來滿足負荷需求，保證MG穩(wěn)定優(yōu)化運行；當MG內(nèi)可再生能源出力充足有余時，可向ADN系統(tǒng)賣電獲得收益。

本文所提模型及求解方法對未來大規(guī)模的MG并網(wǎng)供電具有一定的理論參考價值，同時為電力市場更好定電價有指導意義。