2026人工智能赋能的主-配-微多层级电网协同运行技术方案

微信扫码，打开到小程序

2026 人工智能赋能的主 - 配 - 微多层级电 网 协同运行技术方案 二、 Al 赋能的配微协同运行技 术 三、主配微协同运行技术 四、总结展望 一、 研究背景 提 纲 全国 2024 年上半年，分布怯光伏新增装机 5288 万干瓦 2024 年上半年新 曾分布怯光伏装机 948 万千瓦， 居全国首位， 部分县 ( 市、区 ) 分布怯光状渗透率超过 50% 江苏省 到 2025 年，全省分布怯光伏接近 5000 万千瓦， 2030 年达到 8000 万千瓦 ， 最大出力超过全省负荷功率的 60% 随着新型电力系统建设的加速推进，分布怯光伏为代表的分布怯资源发展迅猛 ， 渗透率持续增长，含高渗透率分布怯资源的新型电力系统是未来发展的必然趋势。 亿千瓦 2.5 1.5 0. 5 2019 2020 2021 2022 2023 地区 江苏 浙江 山东 安徽 配储比例 10%~15% 10%~15% 15%~20% 15% 20% 配储时 长 2h 不低于 2h 不低于 2h / 2024 年上半年我国分布怯光伏新增并网容量 分布怯储能发展迅猛 3 1 . 研究背 景 √ 电动汽 车√ 台区储 能 √ 租赁储 能 √ 共享储 能 √ 虚拟储 能 我国分布怯光伏累计装机容量 集中于东 部沿海一 带 ■ ≤ 100 ■ >400 □ □ 全国 江苏 400 个县 13.7 万台 9866 台 116 台 承载力红区 公变功率反送 反向超重载 220kV 主变友送 亟需 协同 高渗透率分布式能源场景下的新型电力系统，电网职能由单一“保供”拓展为“误供 + 促消纳”共存，多层级电网之间的耦合性深度加剧。 “ 峡含曲线”特征凸显 ，受最低出力和 爬坡等约束，主网调节能力接近极限 江苏省全网负荷与分布式光伏发电情况 16000 机组最天出万 “ 主随配动” 十 “ 配随主动” 12000 全网负荷 8000 机组最小出力 4000 分布式光伏 0 00:00 04:00 08:00 单一配电网难以自消纳和自平衡，需 要借助主网形成广域消纳通道 1 . 研究背 景 调节 极限 圈度奂蒽低谷 12:00 16:00 20:00 24:00 负 干 负 调度负荷峰值 风电 UPFC 分区 2 分区 2 分区 1 UPFC 主网 VSr 日 向 8 柔性环网控制 交流馈线 交流馈线 直流馈线 直流馈线 交流馈线 交流馈线 配电网 N ₄ 配电网 N ₅ 白 柔性环网控制 配 电 网 N ₂ 配 N₃ 分布怯 光储 分布怯 光储 分区直流互联 本 地 负 荷 本 地 负 荷 分区 1 · 场景切换更加频繁 · 配网、微网可调资 源纳入调度模型 · 主配微共同趋优 · 消纳通道和运行边 界 新形势变化 1: 纵向深度协同、横向广域互济，主网调度需统筹配网、微网调廈 变量、 目标和约束，配微网需佝主网提供灵活调节边界和能力，调度模式发生巨大变 化。 时间 尺 度变 化 变量 变化 目标 变化 约束 变化 1 . 研究背 景 纵 向 深 度 协 同 配 电 网 N 1 1 . 研究背景 新形势变化 2: 主配微协同复杂系统包含大量调控对象，叠加系统高维非凸非线 性 特征，需要在有限决策时间内实现潮流优化调度的高价值解挖掘和全局趋优。 高价值解 可行解 数据驱动 机理引导 系统变量 / 约 束条件规模增 至 106 + , 解 空间维数成倍 增长 电网潮流 作凸 非线性特征 迭代 Prs 讠 1 求解 PDs,1 QDs,1 」坦 2 ľD 配电网 1 J1 日黔 9 胎 如何实现 ? 传统方法： 难以求解 收敛性 差局部最 优 Pτs,n PDs 讠 n QDs n ▲ Λ0 个 Ų 卩 ⁰ 配电网 ʼn → 初始点 主网 PTs.2 PDs,2 QDs 讠 2 土巴 P 刀 配电网 2 θj 9 剔 值 亻 高价值解挖 掘 6 新形势变化 3: 极高渗透率分布怯资源场景下的配电网，已经具备一定向主网提供 支撑的能力，但在资源强随机扰动下，仅依赖本地信息的配网主动支撑控制模怯 与主网集中怯调 空难以协同，需要构建更加适配主配微协同运行的控制方怯。 光伏、风电 VSG 三 储能 装置 2 控制和响应周 期 频率控制目标 电压控制范围 控制死区范围 模式、 目标、时序不同 控制容易出现冲突与反 调 死区大 U Up Uowr 1 . 研究背 景 ms 级 50Hz 局部节 点 死区小 有功 / 无功耦 合 电压 / 频率耦 合 Qowm Qm Q AVC 控制策骼 AGC 和 AVC 是解耦系 统 2 区 M₁(O , U)) 区 伛 ACE, 兼顾 CPS 考 核 AGC 控制策 略 ACE Ŀ₄ E E B’ 4 区 C A' 3 区 D' 主 网 变电站节 点 同步发电 机 配 W B A 秒级 C 三、主配微协同运行技 术 四 . 总结展望 二、 Aı 赃崴的配微协同运行技 术 一、 研究背 景 8 电网参数不完备 区域 的历 史运 行数据 训练对应的 LSTM 等值模型 统计 随机变量在各 个 24 小 时段 的概率 分布 拉丁超立方抽样得 到 更 多的运行场景 构造 等 效节 点 ， 进 行电网概率潮流计 算 统计概率潮流 的计算 结果 ， 进行风险评 估 模 型 训 练 模 型 预 测 关 口等值功率预 测 风 险 评 估 b3ž4 ìś Ĭź6ž 亍 ìš ìğ 污 0 、 ğí 1 2 8 10 l1 ıs ì0 22 微 网 2 微网 1 2 Ĵ3 ǎīì 乏 āí ìξ ìξì 亍 ı8 微 网 3 Mi⑶Γogi 丁 d4 甲 只 丐 ogi 厂 d 3 Mi 口 giΓď1 MicΓogiΓd2 2.1 含多微网的配电网在结构参数不完备下的风险评 估 典型场景 1: 含多利益主体微网群的主动配电 网 典型场景 2: 信息不完备下的农网末端微网 群 主要思 路 9 基于点估计的风险评估流 程 中心矩 ZA = H₂+5₄ C₂ k=1,2 二阶矩 随机变 偏度 占比 系数 潮流计 算系数 峰度 交直流潮 流方程 期望 态变量 方差 σ = √F 面 īīō = √ 瓦 īF 歹 =īāī 币 ō B 变流器损耗计算 CB 变 流站注入交流和直 流母 线功率计算 收敛 ? 交流系统 直流系统 互联变流站 sw DC/Dĸ 变换器 变电站 交流潮流计算 s w 直流潮流计第 定有功控制 定直流电压控制 下垂控制 定无功控制 定交流电压控制 主从控制： P m ∞ Q o 仰 , Pj 巴 n Q 驼 下垂控制： KcomwP s℃t , Vs u Pgon Q g e 换流站运行约束： 主从控制： $ 〓√ Ęī 豆≤ KF| ≤ 阝 S 厅■ 旷 sQ≤ 贮 下垂控制： w 盯 灬 m 稳定边界：来自负阻抗稳定分析等给定边界 2.1 含多微网的配电网在结构参数不完备下的风险评 估 交直流配电网潮流计算 运行控制方式 交流测流 戲流流 不同 VSC 控制模式下的潮流计算等效节点处 理 交替迭代的交直流潮流计 算 PQ 节点 一 一 Droo 卩节点 P=f(c; … ;· … … … 孙 ) 一 Slack 节 点 亻 n 估计点 量构 造 点估 计 输出 状 确 定 概 率 PV 节 点 P 节 点 一 — …. ●●DNN+ 点估计—— DNN+ 蒙特卡洛 --- 机理模型 + 蒙特卡洛 1. 01 1 0. 99 0. 98 0. 97 0. 96 0.95 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930313233 节点编号 空间维度各类方法的结果对比 … …, DNN+ 点估计—— DNN+ 蒙塔卡洛 --- 机理模型 + 蒙特卡洛 30 25 20 囚 区 10 5 0 1 4 7 1013161922252831343740434649525558616467707376798285889194 时间 (15min) 深度学习 + 点估计的节点电压概率分布 时间维度各类方法的结果对比 提出方法计算效率显著提高，计算时长约仅为传统算法的 5% 左右，还能有效规避参数不完备影响。 2.1 含多微网的配电网在结构参数不完备下的风险评 估 完备模型 + 蒙特卡洛仿真的节点电压概率分 夜 深度学习 + 蒙特卡洛仿真的节点电压概率分 布 11 值 均 压 电 u p ( 配微协同优化现状：大多聚焦配微互动功率优化，而忽略了运行所受制的网架 安全约束，存在安全风险，且随着微电网群规模增大，运行控制的复杂度显著增加。 传统数学优化 分布式控制 正嬴 EMPC 2.2 基于数据驱动型 MPC 的配微协同运行优化 调控 θ 1 θ 0 在大规模、多主体耦合 、高不确定性的微 电网 群能量管理中面 临调整能力不足、求解缓慢等 问题 ! 区 域 1 区域 2 区域 N ΔRel2 Δŀǜ 2 N 随着微电网群规模扩大， 优化运行 控制的复杂度显著增加 基于数据驱动型 MPC 的配微协同运行优化调控 ( 日前调度 + 日内数据驱动型 MPC 滚动 优化 ) 4B 亻 u DMPC u ) ₁ qņ/ 讠 DŅœC u > 2 qņ 亻 ŇJ DMPCN AC 冶 2 4 N 下层 ACE 】 2 ACEN J (θ 0 >θ l 1 微网 1 灏网 4 微网 2 微电网与配网间功率和信息交换 微电网群内部功率和信息交换 微电网提供的调压辅助服务功率 配电 网 微网 3 总体采用多时间尺度的协同调控方案 ， 日前调度阶段，构建考虑微网群参 与调压辅助服务与去中心化 P2P 交易的配 - 微协同运行优化模型。 配曳刚吵遨型璺裂 2.2 基于数据驱动型 MPC 的配微协同运行优化调 控 非线性 约束二阶锥松弛 珙 ≤ 尸私 + 珙 ≤ H 日前运行裕度保 留 δ 配电网 - 微电网群示意 图 Distflow 线性潮流模 型 13 日前优化结果：各微电网在 0-6 及 18-24 时段增加机组出力，同时高效利用储能系统在时间上 进行能量转移，以消纳更多的光伏发电，实现了对配电网电压支撑以及缓解电压波动的目的。 Time(h) MT WT PV P2P P o w e r ( ) Time(h) MT WT PV P o w e r W ) k ( 2.2 基于数据驱动型 MPC 的配微协同运行优化调 控 Time(h) P2P Grid ESs →—load V e r ( P MG 1 W p ( r e r ( P Time(h) 未经含辅助服务的分布怯优化能量管理策略 含辅助服务的分布怯优化后微电网群能量管理策略 Grid ESS +—load * —AS 17 MG 4 MG 4 MG 3 MG2 MG 2 MG3 ≥ k ( r k W 迭代次 数 总成本 ( 元 ) 计算场景 配电 微电网 微电网 微电网 微电网 社会总 网 1 2 3 4 成本 无辅助服务 5895 2263 3957 3377 2394 17886 仅辅助服务 6520 695 2479 1733 1466 12893 懶助服务 + 二次分配 467 2341 3875 3758 2452 12893 2.2 基于数据驱动型 MPC 的配微协同运行优化调 控 衽会总成本降低 28%) 8 优化前后电压对比示意图 微电网群 日前计划运行成 本 AVP-ADMM 加速分布式求解 调压辅助服务结果对比 AVP-ADMM 与传统 ADMM 收敛曲线对 比 求解效率提高 ( 约 40 %) 1 CNN-BiLSTM-XGBoost 模型通过决策树的引 入与权重分配，可对互动特性深入刻画挖掘，以较 高的精度精准分类刻画不同状态下的互动特性。其 预 测 精度相比 GRU-TCN 、 CNN-LSTM 和 LSTM 网络分别提升了 4.55% , 8.89% , 14.49% 。 深度网络 MAE/kW RESE/kW CNN 75.48 95.27 LSTM 52.25 61.58 GRIJ 54.21 77: 31 CNN-LSTM 36.57 51 .32 GRU-TCN 24.42 38.64 C N ∨ -BiLSTMŀXGBoost 11 .67 21 .63 2.2 基于数据驱动型 MPC 的配微协同运行优化调 控 > X > X > X X > 不同算法交互功率预 测 对 比 具有最高的预 测 精 度 不同算法预 测 指标对 比 19 日内滚动优化环节，通过配电网侧的 SVC 与微电 网侧微燃机和储能机组的协同控制，以及深度预测 模 型 的 P2P 功率预 测 ，实现了满足日内电压鲁棒性与系统 经济性的协同运行。 MG2 12 16 20 24 MG4 AAht 姒 M* 4 8 12 16 20 24 800 600 400 200 -200 -400 0 800 600 400 200 -200 -400 20 24 0 MG1 MG3 4 8 12 800 600 400 200 0 -200 400 800 600 400 200 -200 -400 0 Svc 调整 + 内部机組调整 + 深度学习预 测 P2P 功嘎 有 乙 功 (率 kW ) Time(h) Time(h) 一储能 一 一微燃机 ——配 - 微交互功率 C 无 功 出 力 ( k v a r ) Time(h) 2.2 基于数据驱动型 MPC 的配微协同运行优化调 控 r -400 V a -600 MG1 MG? MG3 MG4 0 4 8 12 16 20 24 Time(h) aN ≤ 600 400 200 0 -200 __Φ ≥ o o c ______________ o a ________ v π l t a 孓 e ⑴ p ō z Times(h) 无 日 内 控 制 节 点 电 压 曲 线 N 彐 a ________ v π _ > Φ 乙 o z 日前 计划 值 600 400 200 0 -200 -400 MG1 - MG2 -MG3 - -MG4 0 4 8 12 16 20 24 ĻŅu DDMPC 调整后 SVC