考虑数据中心和储能接入的主动配电网经济调度研究

doi:10.12096/j.2096-4528.pgt.24199

考虑数据中心和储能接入的主动配电网经济调度研究

马浩然¹, 袁至¹, 王维庆¹, 李骥²

1.可再生能源发电与并网控制教育部工程研究中心(新疆大学)，新疆维吾尔自治区乌鲁木齐市 830017

2.国网新疆电力有限公司电力科学研究院，新疆维吾尔自治区乌鲁木齐市 830011

Research on Economic Scheduling of Active Distribution Networks With Inclusion of Data Center and Energy Storage

MA Haoran¹, YUAN Zhi¹, WANG Weiqing¹, LI Ji²

1.Engineering Research Center of Ministry of Education for Renewable Energy Power Generation and Grid Connection Control (Xinjiang University), Urumqi 830017, Xinjiang Uygur Autonomous Region, China

2.Electric Power Research Institute of State Grid Xinjiang Electric Power Co. , Ltd. , Urumqi 830011, Xinjiang Uygur Autonomous Region, China

收稿日期: 2024-12-25 修回日期: 2025-01-26

基金资助:

新疆维吾尔自治区重大科技专项. 2022A01004-1

Received: 2024-12-25 Revised: 2025-01-26

作者简介 About authors

马浩然(1998)，男，硕士研究生，研究方向为储能在配电网的优化配置和运行，908361484@qq.com；

袁至(1984)，男，博士，副教授，研究方向为可再生能源发电与并网控制，本文通信作者，yzisthecure@163.com；

王维庆(1959)，男，硕士，教授，研究方向为电力系统安全稳定及其控制与保护，wwq59@xju.edu.cn；

李骥(1988)，男，硕士，高级工程师，研究方向为新能源并网发电，564574343@qq.com。

摘要

目的为了提高电网新能源消纳能力、降低发电企业运营成本，解决大规模可再生能源馈入配电网时网损增大和新能源消纳率降低等问题，提出一种考虑数据中心(data center，DC)和储能协同调度的主动式配电网经济调度策略。方法首先，通过利用DC的时空可调特性，以及储能设备能够缓解电网发用电两侧矛盾的作用，充分协同调度DC和储能来达到削峰填谷；其次，为提高算法的搜索性能，在麻雀搜索算法中引入了Tent混沌初始化和多种群竞争等机制；然后，考虑到需求响应机制分时电价的影响，在储能成本、运行成本等多个约束条件下利用改进型麻雀搜索算法对模型进行优化调度，最大程度实现灵活性负荷与新能源的最优化匹配；最后，以改进IEEE 30和33节点系统为算例，仿真验证所提策略的有效性。结果提出的协同调度策略能够有效降低配电网综合运行成本，提高新能源消纳率。结论该策略可以为配电网经济调度的相关研究提供一定参考价值。

关键词： 储能设备 ; 数据中心(DC) ; 配电网 ; 经济调度 ; 改进麻雀搜索算法(ISSA) ; 需求响应 ; 新能源消纳

Abstract

Objectives To improve the new energy consumption capacity of the power grid, reduce operational costs for power generation companies, and address issues such as increased network losses and reduced new energy consumption when large-scale renewable energy is integrated into the distribution networks, an economic scheduling strategy for active distribution networks with the inclusion of the coordinated scheduling of data center (DC) and energy storage is proposed. Methods Firstly, by utilizing the spatiotemporal adjustability of DC and the role of energy storage devices in alleviating the imbalance between grid supply and demand, the coordinated scheduling of DC and energy storage is fully leveraged to achieve peak shaving and valley filling. Secondly, the search performance of the sparrow search algorithm is improved by incorporating Tent Chaos initialization and multi-population competition mechanisms into the algorithm. Then, considering the impact of time-of-use pricing on the demand response mechanism, the model is optimized using an improved sparrow search algorithm under constraints such as energy storage costs and operational costs, aiming to achieve the optimal matching of flexible loads and new energy. Finally, the improved IEEE 30 and IEEE 33 node systems are taken as examples to verify the effectiveness of the proposed strategy. Results The proposed cooperative scheduling strategy can effectively reduce the overall operational costs of the distribution networks and improve the new energy consumption rate. Conclusions The strategy can provide some reference value for the related research of economic dispatch of distribution network.

Keywords： energy storage devices ; data center (DC) ; distribution network ; economic scheduling ; improved sparrow search algorithm (ISSA) ; demand response ; new energy consumption

PDF (4237KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

马浩然, 袁至, 王维庆, 李骥. 考虑数据中心和储能接入的主动配电网经济调度研究. 发电技术[J], 2025, 46(4): 748-757 DOI:10.12096/j.2096-4528.pgt.24199

MA Haoran, YUAN Zhi, WANG Weiqing, LI Ji. Research on Economic Scheduling of Active Distribution Networks With Inclusion of Data Center and Energy Storage. Power Generation Technology[J], 2025, 46(4): 748-757 DOI:10.12096/j.2096-4528.pgt.24199

0 引言

在电力调度中，供给侧与需求侧需保持大致均衡的状态。近年来，参与电力调度响应的资源与种类愈发丰富，随着分布式电源在用户侧接入比例提高，电网的最大负荷利用小时数降低^[1-4]。随着具有清洁特性的分布式电源(包括光伏、风电等)大规模馈入电网，协同调度储能装置及灵活性可调负荷成为降低新能源并网风险并助力电网实现低碳经济运行的有效方法^[5-8]。美国已建成多个含储能装置的有源配电网参与电力调度，欧洲早在2005年便提出了智能电力网络计划，以实现配电网系统的经济性和可靠性调度。在新能源大规模馈入的配电网中，储能系统被广泛应用，以减少电网损耗并提高可再生能源的利用效率，从而实现能源最大化利用和经济效益提升的目标^[9-12]。

储能装置能够缓解新能源发电侧与需求侧之间的矛盾，是实现节能低碳的重要载体之一^[13]，同时，含储能装置的有源配电网的经济调度与优化配置作为一种有效的分布式可再生能源消纳方式，备受学术界广泛关注^[14-18]。文献[19-20]提出了含储能的有源配电网的能源管理和优化调度模型，储能系统的合理利用有效降低了系统调峰压力，提升了供电可靠性和经济效益。文献[21-22]使用混合整数非线性规划对综合能源系统的能耗特性进行优化调度，提高了综合能源利用率，但该规划方法仅对单一目标进行优化，在多目标协同调度方面考虑不足。文献[23]提出了一种不平衡配电网电池储能系统(battery energy storage system，BESS)配置模型，并制定了基于综合网损灵敏度系数的BESS序次配置策略，有效降低了储能的投资和运维成本，但该模型未能综合考虑未来分布式能源在用户侧接入比例的提高对能源利用率的影响。而数据中心(data center，DC)作为近些年来新兴的灵活性可调响应负荷，承担着电网电力调配及数据共享等关键任务。文献[24]采用高斯混合模型对DC微网内的可再生发电预测误差概率进行拟合，然后应用交替方向乘子法实现了多个DC微网群之间的独立求解。文献[25]采用双层规划方法，即在考虑DC需求响应的同时对DC的储能设备进行容量配置，有效降低了DC运行成本，但该方法没有综合考虑在新能源波动时DC和储能之间的协同调度。

然而，随着新能源发电大规模馈入配电网，上述策略在电网发电侧与需求侧之间协同调度方面考虑不足，其优化目标存在单一性，已无法满足新型配电网的需求，因此，如何协同调度储能装置与灵活性可调负荷的同时满足配电网低碳经济运行仍需进一步研究。

因此，本文以含DC和储能装置的配电网为研究对象，对储能设备、DC、静态无功补偿等设备进行建模，以综合运行经济最优为目标，综合考虑分时电价的影响，建立DC和储能协同调度的主动配电网经济优化调度模型。最后，通过改进麻雀搜索算法(improved sparrow search algorithm，ISSA)对该模型进行求解，以实现灵活性可调响应负荷与新能源的最优化匹配，提高电网运行经济性和新能源消纳能力。

1 需求侧响应模型

1.1 储能设备模型

储能设备通过电池、逆变器等设备完成充电和放电过程，是一种典型的非线性元件。荷电状态是电池当前状态下的容量与其完全充电后的容量的比值，取值为0~1。当荷电状态为0时，电池为完全放电状态；荷电状态为1时，电池为完全充电状态。

放电深度是储能设备从满电到当前状态释放的电量与其标称容量之比，表达式为

D_{}^{d i s} = \frac{Q_{d i s}}{C_{n o m}} \times 100 %

(1)

式中： $D_{}^{d i s}$ 为放电深度； $Q_{d i s}$ 为放电过程中释放的电量； $C_{n o m}$ 为标称电量。

充电深度是储能设备从完全放电状态到当前状态充入的电量与其标称容量之比，表达式为

D_{}^{c h} = \frac{Q_{c h}}{C_{n o m}} \times 100 %

(2)

式中： $D_{}^{c h}$ 为充电深度； $Q_{c h}$ 为充入的电量。

储能设备并网工作时，其荷电状态并非固定值，而是会随着充放电功率的改变而改变。储能设备的充、放电过程可分别描述为：

S_{c h, t}^{} = (1 - α) S_{c h, t - 1}^{} + \frac{P_{E S . c h} \cdot Δ t \cdot η_{c h}}{E_{}}

(3)

S_{d i s, t}^{} = (1 - α) S_{d i s, t - 1}^{} + \frac{P_{E S . d i s} Δ t}{E η_{d i s}}

(4)

式中： $S_{c h, t - 1}^{}$ 、 $S_{c h, t}^{}$ 分别为第t-1、t时段储能设备充电时的荷电状态； $S_{d i s, t - 1}^{}$ 、 $S_{d i s, t}^{}$ 分别为第t-1、t时段储能设备放电时的荷电状态； $α$ 为储能设备自放电效率； $P_{E S . c h}$ 、 $P_{E S . d i s}$ 分别为储能设备充、放电功率； $η_{c h}$ 、 $η_{d i s}$ 分别为储能设备充、放电效率； $E$ 为储能设备额定容量。

1.2 DC数据处理模型

DC负荷具有时空双尺度可调特性，是极具发展潜力的新型灵活性需求响应负荷。DC数据处理负载时根据对数据处理延迟的容忍程度可分为2类：延迟敏感交互型负载和延迟不敏感批处理型负载^[13]。DC运营商可在调度周期 $T$ 内推迟转移延迟不敏感批处理型负载，利用DC负荷的时空可调特性，将系统内延迟不敏感批处理型负载分配至新能源出力高峰及DC购电电价低谷时段，从而提升新能源消纳率及运营经济性。

本文设定DC由同一运营商搭建运营，DC之间可协同调度，共同参与电网需求响应。在第 $t$ 时段中DC的数据处理总请求量为

p_{t} = \sum_{r_{s e n}, r_{i n s} \in Ω^{r q} (t)} (r_{s e n} + r_{i n s} λ_{t}), t \in T

(5)

式中： $r_{s e n}$ 为DC延迟敏感交互型负载； $r_{i n s}$ 为DC延迟不敏感批处理型负载； $λ_{t}$ 为第 $t$ 时段延迟不敏感批处理型负载处理系数变量； $Ω^{r q} (t)$ 为DC第 $t$ 时段数据请求集合。

1.3 DC能耗模型

DC负荷主要由数据处理负荷与制冷负荷构成^[13]。数据处理负荷的表达式如下：

P_{D C, t} = P_{m a x} [(1 - η) {c_{t}}^{ν} + η], η, c_{t} \in [0,1]

(6)

c_{t} = \frac{d_{t}}{D_{t}}

(7)

式中： $P_{D C, t}$ 为第 $t$ 时段DC的功率； $η$ 为服务器功率最小值 $P_{m i n}$ 与最大值 $P_{m a x}$ 的比值； $c_{t}$ 为第 $t$ 时段服务器的CPU利用率；ν为服务器运行参数； $d_{t}$ 为第 $t$ 时段DC处理的总负荷； $D_{t}$ 为第 $t$ 时段服务器的CPU总容量。

DC制冷负荷 $P_{D C, c o o}$ 计算式为

P_{D C, c o o} = k_{c w i} {P_{0}}^{3} + k_{c w a} (P_{D C, t} - P_{0})

(8)

式中： $k_{c w i}$ 为空气冷却装置功耗参数； $k_{c w a}$ 为低温水冷却装置功耗参数； $P_{0}$ 为DC制冷过程中空气冷却与低温水冷却切换的最优功率。

DC能耗是制冷负荷与数据处理负荷之和^[13]，表达式为

P_{D C} = P_{D C, t} + P_{D C, c o o}

(9)

DC设备在运行时需满足如下约束条件：

η \sum_{t = 1}^{N_{T}} P_{D C, t}^{c h} Δ t = \frac{1}{η} \sum_{t = 1}^{N_{T}} P_{D C, t}^{d i s} Δ t

(10)

E_{E S}^{m i n} \leq η {\sum_{t = 1}^{t} P}_{D C, t}^{c h} Δ t - \frac{1}{η} {\sum_{t = 1}^{t} P}_{D C, t}^{d i s} Δ t \leq E_{E S}^{m a x}

(11)

式中： $P_{D C, t}^{c h}$ 、 $P_{D C, t}^{d i s}$ 分别为DC设备在第t时段的最大充电、放电功率； $E_{E S}^{m i n}$ 、 $E_{E S}^{m a x}$ 分别为储能设备的最小、最大电量； $N_{T}$ 为DC调节周期。

1.4 约束条件

1）支路潮流约束为

\{\begin{matrix} p_{j, t} = \sum_{k : j \to k} P_{j k, t} - \sum_{i : i \to j} (P_{i j, t} - r_{i j} I_{i j, t}^{2}) \\ q_{j, t} = \sum_{k : j \to k} Q_{j k, t} - \sum_{i : i \to j} (Q_{i j, t} - x_{i j} I_{i j, t}^{2}) \end{matrix}

(12)

式中： $p_{j, t}$ 和 $q_{j, t}$ 分别为节点j的有功功率和无功功率注入； $P_{j k, t}$ 和 $Q_{j k, t}$ 分别为支路jk首端的有功、无功功率； $P_{i j, t}$ 和 $Q_{i j, t}$ 分别为支路ij首端的有功、无功功率； $r_{i j}$ 和 $x_{i j}$ 分别为支路ij的电阻和电抗； $I_{i j, t}^{}$ 为支路ij的电流； $k : j \to k$ 表示以节点j为父节点从节点k到节点j的节点集合； $i : i \to j$ 表示以节点i为父节点从节点i到节点j的节点集合。

2）风电、光伏出力约束为

\{\begin{matrix} 0 \leq P_{t}^{w i n} \leq P_{t, m a x}^{w i n} \\ 0 \leq P_{t}^{p v} \leq P_{t, m a x}^{p v} \end{matrix}

(13)

式中： $P_{t}^{w i n}$ 和 $P_{t}^{p v}$ 分别为风电机组和光伏系统在第 $t$ 时段的输出功率； $P_{t, m a x}^{w i n}$ 和 $P_{t, m a x}^{p v}$ 分别为风电机组和光伏系统在第 $t$ 时段的最大输出功率。

3）静止无功补偿装置约束为

Q_{i, m i n}^{S V C} \leq Q_{i, t}^{} \leq Q_{i, m a x}^{S V C}

(14)

式中： $Q_{i, t}^{}$ 为第t时段节点i处无功补偿装置的补偿量； $Q_{i, m a x}^{S V C}$ 、 $Q_{i, m i n}^{S V C}$ 分别为节点 $i$ 处无功补偿装置补偿量的上、下限。

4）DC负载约束需满足式(10)、(11)约束。

5）储能荷电状态约束为

S_{E S_m i n} \leq S_{E S, t} \leq S_{E S_m a x}

(15)

式中： $S_{E S, t}$ 为第t时段储能荷电状态； $S_{E S_m a x}$ 、 $S_{E S_m i n}$ 分别为储能荷电状态的上、下限。

6）储能充放电功率约束为

P_{E S_m i n} \leq P_{E S, t} \leq P_{E S_m a x}

(16)

式中： $P_{E S, t}$ 为第t时段储能充放电功率； $P_{E S_m a x}$ 、 $P_{E S_m i n}$ 分别为储能充放电功率的上、下限。

2 优化调度

2.1 电价激励机制

为提高电网新能源消纳率和降低发电企业运营成本，可通过充分调动需求侧负荷来达到削峰填谷的目的。本文配电网从主网购电和向主网售电时，主网分时电价如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 主网分时电价

Fig. 1 Time-of-use price of main network

2.2 优化目标

本文引入Tent混沌初始化和多种群竞争等机制以优化麻雀搜索算法(sparrow search algorithm，SSA)^[26]性能得到ISSA，以配电网总运行成本最低为优化目标，在储能成本、运行成本等多个条件约束下，利用ISSA对调度模型进行求解。

以24 h作为一个调度周期，则一个调度周期内主动配电网的总运行成本可描述为

m i n C = C_{1} + C_{2} + C_{3} + C_{4}

(17)

式中： $C_{1}$ 为分布式电网系统内发电成本； $C_{2}$ 为与上级电网的电能交换成本； $C_{3}$ 为DC运行成本； $C_{4}$ 为储能成本。

1）发电成本为

C_{1} = \sum_{i = Ω_{D G}}^{} C_{D G} P_{D G . i} (t)

(18)

式中： $Ω_{D G}$ 为分布式发电源组集合； $C_{D G}$ 为单位发电成本； $P_{D G . i} (t)$ 为第 $i$ 个电源第t时段的发电功率。

2）电能交换成本为

C_{2} = \sum_{t = 1}^{24} (C_{t}^{b u y} P_{t}^{b u y} - C_{t}^{s e l l} P_{t}^{s e l l})

(19)

式中： $P_{t}^{b u y}$ 和 $P_{t}^{s e l l}$ 分别为第 $t$ 时段的购电量和售电量； $C_{t}^{b u y}$ 和 $C_{t}^{s e l l}$ 分别为第 $t$ 时段的购电价格和售电价格。

3）DC运行成本为

C_{3} = \sum_{t = 1}^{24} C_{t}^{b u y} P_{D C b u y, t}

(20)

式中 $P_{D C b u y, t}$ 为DC第 $t$ 时段的购电量。

4）储能成本为

C_{4} = \sum_{t = 1}^{24} C_{E S}^{} (P_{E S, t}^{c h} - P_{E S, t}^{d i s})

(21)

式中： $C_{E S}^{}$ 为储能成本系数； $P_{E S, t}^{c h}$ 和 $P_{E S, t}^{d i s}$ 分别为第 $t$ 时段储能设备的充电功率和放电功率。

3 改进麻雀群搜索算法

3.1 麻雀群算法

SSA通过种群初始化、计算适应度、种群位置更新等步骤获得最优解。本文以IEEE 30和33节点系统模型为基础进行求解时，因数据量过大，再加上Cplex对求解问题的规模也有限制，导致Cplex的求解速度较慢，难以进行程序测试，因此，本文利用改进的SSA求解含DC和储能的主动配电网调度模型。

3.2 混沌初始化

SSA进行初始化时，个体初始位置容易存在重叠点，均匀性较差，影响迭代收敛速度。因此，本文利用Tent混沌映射输出均匀的特性对SSA进行优化，使个体初始位置在求解空间内的分布更加均匀，以提高算法的全局搜索能力。Tent映射过程可描述为

g (x) = \{\begin{matrix} 2 x + \frac{1}{a} \times z (0,1), \begin{matrix} 0 \leq x < \frac{1}{2} \end{matrix} \\ 2 (1 - x) + \frac{1}{a} \times z (0,1), \begin{matrix} \frac{1}{2} \leq x \leq 1 \end{matrix} \end{matrix}

(22)

式中：x为迭代循环初始值；g(x)为迭代循环的解； $a$ 为种群维数； $z (0,1)$ 为0与1之间的随机数。

3.3 多种群竞争机制

本文在传统SSA位置更新方式的基础上引入多种群机制和精英机制，以提高麻雀群体迭代更新效率。多种群间的动态学习策略如图2所示。该策略对每个子种群中的个体进行适应度排序，并随机选择一个其他种群的最优个体替换每个子种群的最差个体，以实现不同子种群间的信息交换，再在子种群内进行更新，实现信息融合^[27]。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 多种群动态学习策略

Fig. 2 Multi-population dynamic learning strategy

在获取种群内全部信息过程中，将所有邻域信息纳入考虑会造成更新方向指向不明问题，因此，提出精英解集策略以解决更新方向模糊的问题。该策略将各子种群中的最优个体纳入考虑范围，最优个体位置信息在各子种群之间传递，同时将各子种群的最优个体提取后组成一个精英解集，通过精英解集来指示追随者的更新方向。

3.4 改进后的求解过程

ISSA求解过程如图3所示。首先，混沌初始化是对种群初始化阶段的改进，以解决SSA初始化分布不均问题；其次，多种群竞争策略影响了追随者的更新方式，是更新过程的改进；最后，交叉操作在发现者、追随者和警戒者更新完成后进行，起到个体变异的作用，提高个体多样性。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 ISSA求解过程

Fig. 3 ISSA solution process

4 算例分析

4.1 算例数据

以IEEE 30和33节点系统为模型，配备光伏电厂、风力发电厂、储能设备、DC及静态无功补偿器，各设备配备节点如图4所示，各设备容量如表1所示。其中DC调度总周期设置为24 h，单位时间段ΔT=1 h，空气冷却装置功耗参数为0.16 pu，低温水冷却装置功耗参数为0.12 pu，DC配置服务器参数参考文献[25]，储能设备容量约束范围为20%~90%，静态无功补偿装置补偿范围为-120~120 kV⋅A⋅h，平衡节点的电压为1.05 pu，系统节点电压允许波动范围为0.95~1.05 pu。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 主动配电网调度模型

Fig. 4 Scheduling model of active distribution networks

表1 新能源出力功率及设备容量

Tab. 1 New energy output power and device capacity

系统	节点	设备	容量
IEEE 30	2、13	光伏发电厂	300 kW
	8	风力发电厂	300 kW
	22	储能设备	210 kW⋅h
	27	储能设备	140 kW⋅h
	11、15	静态无功补偿	120 kV⋅A⋅h
IEEE 33	17	光伏发电厂	300 kW
	32	光伏发电厂	400 kW
	24	风力发电厂	300 kW
	12	储能设备	210 kW⋅h
	31	储能设备	150 kW⋅h
	15、20	静态无功补偿	120 kV⋅A⋅h

新窗口打开| 下载CSV

4.2 算法性能分析

为了验证ISSA在求解主动配电网经济优化调度模型中的优越性，将粒子群优化(particle swarm optimization，PSO)算法^[28]、狼群优化算法(wolf pack algorithm，WPA)、SSA应用于某实际配电网中并进行求解，然后与ISSA进行对比研究。图5—8给出了4种算法的迭代收敛曲线、节点电压分布、电压频率分布、有功网损对比情况。图5结果表明，SSA在第74次获得最优解，最优解的适应度为0.354 7；ISSA在第65次获得最优解，最优解的适应度为0.157 3，与其他3种算法相比，ISSA收敛时所需的迭代次数更少，适应度更好。图6结果表明，在光伏出力最大时刻，ISSA电压偏差值比PSO降低了22.52%，比WPA降低了20.91%，比SSA降低了25.67%。图7结果表明，ISSA电压频率越界比PSO降低了33.49%，比WPA降低了27.81%，比SSA降低了37.62%。图8结果表明，ISSA有功网损比PSO降低了29.11%，比WPA降低了24.42%，比SSA降低了34.47%。由此可见，本文所提的ISSA能够有效降低电压波动，在新能源出力不稳定时，具有较好的鲁棒性，同时，ISSA能够有效降低有功损耗，缓解过电压现象，这些都表明本文所提的ISSA效果更好。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 4种算法收敛曲线对比

Fig. 5 Comparison of convergence curves of four algorithms

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 4种算法光伏出力最大时刻节点电压分布对比

Fig. 6 Comparison of node voltage distribution at maximum photovoltaic output by four algorithms

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 4种算法电压频率分布对比

Fig. 7 Comparison of voltage frequency distribution by four algorithms

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 4种算法有功网损对比

Fig. 8 Comparison of active power loss for four algorithms

4.3 仿真结果分析

储能设备充放电情况见图9，其电池电量见图10。在21:00—次日10:00，新能源出力低谷时，储能设备放电较多，在12:00—19:00，新能源出力高峰时，储能设备充电较多，即在新能源出力高峰期充电，在低谷期放电。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 储能设备充放电情况

Fig. 9 Charging and discharging of energy storage devices

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 储能设备电池电量

Fig. 10 State of charge of energy storage devices

IEEE 30和IEEE 33节点系统新能源消纳情况分别如图11、12所示，DC在运行过程中根据配电网系统实际任务量动态调整各自活跃的服务器数量，在DC和储能接入后，系统新能源出力在高峰时段(12:00—19:00)有所提高。

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 IEEE 30节点系统新能源消纳情况

Fig. 11 New energy consumption in IEEE 30 node system

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 IEEE 33节点系统新能源消纳情况

Fig. 12 New energy consumption in IEEE 33 node system

DC负荷功率情况如图13所示，利用DC负荷的时空可调特性，在时间维度上，DC将处理响应时间灵活可调的延迟不敏感批处理型负荷从新能源出力低谷时段(21:00—次日10:00)延迟至新能源出力高峰时段(12:00—19:00)；在空间维度上，IEEE 30节点系统中位于节点12和IEEE 33节点系统中位于节点14的DC均得益于地理优势，新能源发电丰富，DC在满足工作负荷总量和服务质量约束的条件下将工作负载处理需求进行空间转移，在新能源发电富余时段(08:00—19:00)，IEEE 30节点系统中节点9和IEEE 33节点系统中节点21的DC分别将需求响应的工作负载策略性地转移至新能源发电更加富余的节点12和节点14的DC处理，实现DC之间的资源互补和新能源最大化利用，有效提高了新能源消纳率。

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13 DC负荷功率

Fig. 13 DC load power

DC和储能设备接入前后的电网购电情况如图14所示，储能设备在新能源出力高峰期吸收电能，在新能源出力低谷时释放电能。DC接入电网后，部分时刻的购电量有所降低，DC在电网低电价时段提高电网购电量，在电网高电价时段由电网和储能设备协同供电。与DC和储能设备接入前相比，接入后综合电网购电成本明显降低，其中IEEE 30节点系统接入前购电成本为426.72元，接入后为361.73元，购电成本降低15.23%；而IEEE 33节点系统接入前购电成本为545.06元，接入后为457.19元，购电成本降低16.12%。

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14 电网购电量

Fig. 14 Grid electricity purchase volume

DC和储能设备接入前后的新能源消纳率如图15所示。DC和储能设备接入前后，光伏设备出力高峰均在12:00—16:00，此时弃风弃光量较高。IEEE 30节点系统新能源消纳率在DC和储能设备接入前为82.52%，接入后为94.72%，新能源消纳率提高了14.79%，而IEEE 33节点系统新能源消纳率在DC和储能设备接入前为84.07%，接入后为97.02%，新能源消纳率提高了15.41%，表明DC和储能设备的协同优化调度有效提高了新能源利用率。

图15

新窗口打开| 下载原图ZIP| 生成PPT

图15 新能源消纳率

Fig. 15 New energy consumption rate

5 结论

针对可再生能源大量馈入电网导致网损增大和新能源消纳率降低等问题，提出了一种基于ISSA协同调度DC和储能的主动配电网经济优化调度方法，并进行了仿真验证，得到以下结论：

1）对比DC和储能设备接入前的电网购电成本及新能源消纳情况，接入后IEEE 30和33节点系统电网购电成本分别降低了15.23%和16.12%，新能源消纳率分别提高了14.79%和15.41%。这表明在新能源出力波动时，考虑DC的时空可调特性和储能接入的作用，构建主动配电网日前-日内调度模型并充分协同调度DC和储能设备，可实现灵活性可调负荷与新能源的最优化匹配，能有效降低电网综合运行成本并提高电网新能源消纳率。

2）相较于传统SSA及其他传统优化算法，所提出的ISSA收敛时所需的迭代次数更少，适应度更好，在降低电压波动和有功损耗方面优化效果更好。这表明ISSA算法在加入Tent混沌初始化、多种群竞争等机制后，有效提高了算法的全局搜索能力和跳出局部最优解能力。未来可进一步研究不同算法在不同应用场景下的适用性和局限性。

3）随着DC等新兴的可参与需求响应的灵活性可调度负荷及储能设备的不断发展，采用DC配备储能接入配电网协同调度参与动态需求响应优势明显。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

刘洪波，刘珅诚，盖雪扬，等．

高比例新能源接入的主动配电网规划综述

[J]．发电技术，2024，45(1)：151-161． doi:10.12096/j.2096-4528.pgt.22106