計及EV負荷-風電異質場景集的交直流混合配電網多目標分布式協同優化

劉 巖，張亞超，朱 蜀，謝仕煒

（1. 福州大學 電氣工程與自動化學院，福建 福州 350108；2. 國網湖南省電力有限公司調度控制中心，湖南 長沙 410004）

0 引言

在能源系統低碳化轉型的背景下，大量直流型分布式電源DG（Distributed Generation）和負荷的接入促進了直流配電網的迅速發展，交直流混合配電網HADDN（Hybrid AC／DC Distribution Network）將成為未來配電網的重要形態［1］。另一方面，電動汽車EV（Electric Vehicle）在減少交通領域的碳排放、緩解能源危機等方面具有巨大的優勢和潛能，有望成為未來主要的道路運輸工具［2］。隨著源側DG、荷側EV等分散化資源的大規模接入，傳統的集中式優化方法面臨著維度災難、隱私泄露等一系列問題［3］。此外，源-荷側的雙重不確定性和波動性易造成接入節點電壓越限頻繁問題，依托于傳統的無功調整設備難以適應HADDN 的安全經濟運行需求［4］。因此，開展計及源-荷雙重不確定性的HADDN 有功功率和無功功率的分布式優化運行研究具有重要的意義。

電壓源型換流器VSC（Voltage Source Converter）實現了交／直流區域間的常態化雙向互聯，它不僅能滿足有功功率／無功功率連續、精準的控制需求，還能為HADDN 區域間的協調優化提供可能。目前，在HADDN 的優化運行研究中主要采用集中式優化算法，如：文獻［4］建立了兩階段魯棒優化模型對傳統無功設備和VSC 進行集中式協調優化；文獻［5］提出了一種考慮多種主動管理措施的HADDN集中式調度策略。相比于集中式優化，現有文獻對HADDN分布式優化問題的研究相對較少。文獻［6］建立了基于目標分析級聯法的HADDN 多區域分布式調度模型，文獻［7］提出了一種HADDN 分布式電壓優化模型，但文獻［6-7］所建分布式優化模型中均未考慮源-荷側的不確定性對系統優化運行的影響。文獻［8］建立了考慮風電不確定性的HADDN 魯棒優化模型，文獻［9］提出了計及源-荷雙重不確定性的HADDN 分層分布式優化調度模型，其中荷側的不確定性特指常規負荷。但是隨著EV 保有量的快速增長，EV 充電負荷的強隨機性愈發突出，因此開展計及EV負荷不確定性的研究尤為關鍵。

針對EV充電負荷的建模，現有文獻大多從時間和空間2個維度展開研究。文獻［10-11］采用統計學方法得到EV起始充電時刻、日行駛里程的概率分布函數，利用蒙特卡羅模擬方法生成EV充電負荷場景集，但僅從時間維度分析了EV 的充電行為，對充電負荷時空分布特性的刻畫不足。文獻［12］通過建立停車概率模型，提出了一種基于EV 行駛、停放特性的充電負荷時空分布預測方法，但未考慮道路流量對車輛行駛的影響。文獻［13］建立了基于EV 出行概率矩陣的快充需求時空分布預測模型，但缺乏對EV用戶行為特性的分析。

隨著DG 滲透率的不斷提高，源側DG 出力與荷側EV負荷的隨機性相互疊加，進一步增加了電力部門的調控難度。目前，關于考慮EV負荷、DG出力不確定性的配電網優化的研究成果較多，如：文獻［14］建立了HADDN 中EV 充換儲一體站的規劃模型，但研究對象側重于EV充電站，未考慮充電負荷、DG接入對配電網優化調度的影響；文獻［15］提出了一種計及風電-EV 不確定性的電力系統節能減排動態調度方案，但對于EV充電負荷不確定性的建模較為簡單，缺少對其空間分布特征的刻畫；文獻［16］提出了一種考慮規?；疎V 接入的柔性臺區協同經濟調度方案；文獻［17］構建了計及光儲快充一體站的配電網日前經濟調度模型。在上述含EV 和DG 的配電網優化調度研究中，僅考慮以經濟性最優為目標，但高滲透率下EV負荷、DG出力的不確定性尤為突出，電壓越限、網損增加等問題頻發，因此亟需開展考慮EV 負荷、DG 出力不確定性的配電網電壓質量問題研究。

綜上所述，本文建立了計及源-荷側雙重不確定性的HADDN 多目標隨機優化模型，并對其進行目標分解和區域解耦，采用基于目標值交換原理的交替方向乘子法（ADMM）實現對所建模型的分布式求解。本文的主要貢獻如下：①構建計及EV 充電負荷、風電出力雙重不確定性的場景集生成框架，采用基于Wasserstein 距離的0-1 規劃模型實現初始場景集的最優縮減；②為了應對源側DG 出力以及荷側EV 負荷的不確定性對系統安全經濟運行的影響，建立以網絡損耗、節點電壓偏差最小為目標的HADDN多目標隨機優化模型；③通過目標分解和分區解耦，將HADDN 多目標隨機優化模型分解為交、直流子區域的單目標優化模型，構建基于目標值交換原理的ADMM分布式優化求解框架。

1 EV充電負荷-風電異質場景集建模

針對EV充電負荷和風電出力的不確定性，利用歷史統計數據分別生成EV充電負荷、風電出力場景集，然后對場景進行降維、組合得到EV充電負荷-風電組合場景集及其發生的概率。

1.1 EV充電負荷的時空分布預測模型

EV 充電負荷的時空分布預測模型框架見圖1，包括交通路網模型、居民出行模型、EV 時空轉移模型3 個部分。首先，根據地理信息數據，建立城市交通路網模型；然后，基于居民出行調查數據，構建不同復雜程度的EV 出行鏈模型；最后，輸入EV 參數，綜合城市道路和居民出行信息，以行程時間最短為目標指導EV 的行駛并更新EV 信息，建立EV 時空轉移模型。利用蒙特卡羅模擬方法重復抽樣，不斷更新EV的行駛信息和充電需求，生成考慮時空分布特性的充電負荷場景集。

圖1 EV充電負荷的時空分布預測模型框架Fig.1 Temporal and spatial distribution predictionmodel framework of EV charging load

1.1.1 交通路網模型

1）道路拓撲結構。

交通路網是研究EV 充電負荷時空分布特性的基礎，本文采用圖論方法對城市雙向交通路網進行建模。交通路網可用圖G=(U，E，W)表示，其中U為道路節點集合，E為道路集合，W為道路權重值集合，W可采用道路長度、行駛時間等參數表征道路的量化屬性。對含有N個節點的交通路網圖G量化賦值，道路鄰接矩陣D=[dij]N×N可表示為：

式中：wij為道路ij的權重值。

2）速度-流量實用模型。

在實際的交通出行過程中，EV 用戶最關心的路阻因素往往為行程時間，而與行程時間直接相關的EV 行駛速度主要受到道路等級和車流量的限制。因此，本文引入速度-流量實用模型［18］進行分析。

t時段EV 在直連道路ij上的行駛速度vij(t)和通行時間sij(t)可分別表示為：

1.1.2 居民出行模型

1）出行鏈結構。根據我國傳統居民的出行調查數據，本文將出行目的地歸納為住宅（Home，用行程H 表示）、工作（Work，用行程W 表示）、商業（Business，用行程B 表示）這3 類，其中行程B 主要包括購物吃飯和社交娛樂。根據文獻［19］中出行鏈結構的劃分規則，用簡單鏈（H-W、B-H）和復雜鏈（H-W-B-H、H-B-W-H）描述EV用戶的出行規律。

2）出行時刻。

根據2016 年英國交通部的統計數據，對不同復雜度出行鏈的行程起始時刻（即出行時刻）采用不同的分布規律進行擬合，具體分布規律可參考文獻［20］設定。

1.1.3 EV時空轉移模型

1）EV用戶的出行數據。

EV 用戶典型的出行數據包括出發地、目的地、出行時刻、返程時刻，這些參數可通過概率分布函數隨機抽??；當前位置、荷電狀態SOC（State Of Charge）、行駛路徑等數據的求解見下文。

2）路徑規劃。

根據1.1.1 節中的速度-流量實用模型，本文選擇行程時間作為道路路阻，以行程時間最短為目標并采用Dijkstra算法實現EV 路徑規劃。目標函數可表示為：

式中：o、d分別為出發地、目的地節點；W o→dR為節點o到節點d之間道路上的行駛時間；R為從節點o到節點d的道路集合。

3）充電負荷時空分布預測。

假設城市功能區內包含足夠的充電設施，即EV充電行為不受充電樁位置的影響。假設完整的出行周期為1 d，用lTC，n表示出行鏈中的第n段行程，每段行程可能經過多條交通道路。當n=0 時，EV 在居民區（即H）內，起始SOCRSOC，0=0.9；當一天的行程結束后，EV 返回居民區充電至SOC 為RSOC，0?？筛鶕剑?）更新EV結束第n段行程時的SOCRSOC，n。

式中：RSOC，n-1為EV 結束第n-1 段行程時的SOC；C為EV 電池容量；ω為EV 行駛1 km 的耗電量；ln為第n段行程的行駛距離。

EV 結束第n段行程后開始充電的條件按照式（8）進行預判，即當下一段行程結束時的SOC 小于0.3時，觸發充電需求。

假設EV 結束第n段行程后立刻開始充電，直至SOC 為0.9 或者達到下一段行程的出發時刻。分別根據式（9）和式（10）計算EV 第n段行程的起始充電時刻tstart，n和充電時長tc，n，并根據式（11）計算EVm的充電功率Pm，t。

式中：tn為隨機抽樣得到的第n段行程的起始時刻；Δtn為第n段行程的行駛時間，可由速度-流量實用模型計算得到；Pc為EV 的充電功率；η為EV 的充電效率。

綜上所述，可得一天內各統計時段的充電負荷。采用蒙特卡羅模擬方法重復抽樣即可生成計及時空分布特性的EV 充電負荷場景集。其中一次蒙特卡羅模擬的流程圖見附錄A圖A1。

1.2 風電預測誤差的不確定性建模

風電的實際出力為風電功率預測值與預測誤差之和。文獻［21］表明，風電預測誤差的概率分布受預測出力幅值的影響，且單一概率分布模型無法兼顧風電預測誤差概率密度分布尖峰厚尾、非對稱的特征。因此，本文采用高斯混合模型對不同功率區間內的風電預測誤差進行擬合。風電功率預測框架如圖2 所示，風電預測誤差不確定性建模的詳細過程見附錄B。

圖2 風電功率預測框架Fig.2 Prediction framework of wind power

1.3 基于Wasserstein距離的最優場景縮減

場景縮減是用少量具代表性的典型場景來代替原始的高維場景集，以減輕模型求解的計算負擔，其精度在很大程度上依賴于場景間距離的定義［22］。本文引入Wasserstein距離來衡量初始場景與典型場景之間的差距。Wasserstein 距離越小，則縮減后的典型場景集越逼近初始場景集。Wasserstein 距離dW(P，PS)的定義如下：

最優場景縮減過程可視為“選址-分配”雙層優化問題，即下層對典型場景進行選擇，上層對選取的典型場景進行概率分配，以獲得最優的Wasserstein距離。離散域中基于Wasserstein距離的上層概率分配問題可表述為：

式中：Y為給定的典型場景數；yi為0-1 決策變量，若初始場景ζi被選擇則yi=1，否則yi=0。

此外，上層問題的求解建立在下層問題的場景確定的基礎上，通過添加約束式（15）描述上、下層之間的耦合關系，當且僅當初始場景ζi(ζi∈Ω)被選中即yi=1 時，對應列的決策變量xi，j才可以進行概率分配。

1.4 凈負荷場景的生成及削減

根據1.2 節所述方法分別生成NS個EV 充電負荷場景和風電出力場景，經組合后生成N2S個EV 充電負荷-風電組合場景。EV 充電負荷、風電出力組成的凈負荷場景如式（18）所示。

2 HADDN隨機優化模型

為了應對EV充電負荷、風電出力的不確定性對HADDN運行的影響，本文建立了基于EV充電負荷-風電組合場景集的隨機優化模型。

2.1 目標函數

HADDN 隨機優化模型以最小化系統網絡損耗和節點電壓偏差為優化目標，具體表達式為：

2.2 約束條件

1）風機出力約束。

接入交流側的風機有功、無功出力約束分別如式（22）和式（23）所示，接入直流側的風機則不包含無功出力約束。

此外，HADDN 隨機優化模型還需要滿足交／直流二階錐潮流約束、儲能系統（ESS）的運行約束以及換流站的運行約束，具體如附錄C 式（C2）—（C21）所示。

3 基于ADMM的多目標分區優化模型

為了減輕交直流區域的數據通信壓力，保護區域信息隱私，實現分區自治，本文采用基于目標值交換原理的ADMM求解HADDN多目標優化模型。

3.1 多目標分區解耦機制

1）將第2 節建立的集中式HADDN 多目標優化模型轉化為單目標模型，如附錄D 式（D1）—（D4）所示，具體步驟見附錄D。

2）采用線路撕裂法，將換流站與直流配電網之間的直流聯絡線撕裂，解耦得到2 個獨立的子區域A、B，如附錄D圖D1所示。

分區解耦后，子區域A、B需添加功率、電壓以及目標函數值的一致性約束，具體可表示為：

3.2 分布式優化

對優化問題式（D5）的目標函數值取相反數，將其轉化為最小化問題，并將式（28）以懲罰項的形式添加到優化問題中，根據ADMM 的原理，可得到解耦后子區域A、B 的優化模型分別如附錄D 式（D6）和式（D7）所示?；贏DMM 的分布式調度求解步驟見附錄E。

4 算例分析

為了驗證本文所建模型的有效性，在MATLAB R2017b平臺上利用YALMIP工具箱以及CPLEX求解器建模求解，硬件環境為AMDRyzen 7 4800HCPU @2.90 GHz，16 G內存。

4.1 基本數據設置

本文算例測試系統的拓撲結構如附錄F 圖F1所示，交流配電網采用改進的IEEE 33 節點網絡，直流配電網采用文獻［23］中的15 節點算例測試系統，兩者通過換流站相連接。交通網絡采用29 節點道路拓撲結構，相關道路參數見文獻［18］。充電站建在交通網絡的4個區域（居民區1、居民區2、工作區、商業區）內，且分別接入交、直流配電網的4 個節點，以實現電氣-交通網絡的耦合。

交流配電網的額定電壓為15 kV，直流配電網的額定電壓為10 kV，兩配電網電壓幅值的最大波動范圍為［0.95，1.05］p.u.；交、直流配電網中支路允許通過的最大電流分別為500、800 A，變電站關口以及支路傳輸的有功、無功功率上下限分別為±9 MW和±6 Mvar。交、直流配電網的基本負荷曲線見附錄F 圖F2，并將無功負荷數值設置為有功負荷數值的50%。接入HADDN 的設備有風電機組、EV充電樁、ESS、SVG，其基本參數設置見附錄F 表F1—F3。本文采用蒙特卡羅模擬方法分別生成500 個EV 充電負荷、風電出力場景，經凈負荷場景生成及縮減后得到5個EV充電負荷-風電典型場景集。

交通網絡拓撲被劃分為居民區1（含節點1—11）、居民區2（含節點12—16）、工作區（含節點17—20、22、27）和商業區（含節點21、23—26、28、29）。4個區域內共有1200輛EV，各EV 用戶按一定的概率選擇出行鏈，具體見附錄F表F4。EV 電池的額定容量為30 kW·h，充電SOC 上限為0.9，充電需求觸發SOC 閾值為0.3；EV 在居民區內進行慢速充電，在工作區和商業區內進行快速充電，慢充、快充功率分別為15、30 kW；EV 行駛1 km 的耗電量取值見附錄F表F5。

4.2 仿真結果分析

4.2.1 EV充電負荷的時空分布特征

為了驗證本文所建EV 充電負荷時空分布模型的有效性，本節以某EV 充電負荷場景為例展開分析。

首先以某輛EV 的全天行程為例，說明EV 時空轉移特性對充電負荷時空分布的影響，具體結果如附錄G 圖G1 所示。圖G1（a）中，每條黑色線段代表EV 的時空轉移軌跡，其向x-y平面的投影（紫色線段）為EV 的實際行駛路線。由圖可知：EV 從居民區節點12出發到達商業區節點21，停留15 min 后前往工作區節點20 上班，在節點20 處的SOC 滿足式（8）所示充電需求觸發條件即開始充電，在充電時段內該節點會累積部分充電負荷；下班后，EV 返回居民區，且為了保證第二天的正常行駛而進行充電，同樣會導致節點12處充電負荷增加。

進一步以1 h 為仿真步長（即全天24 h 被分為24 個時段），統計各區域全天24 h 內EV 觸發充電需求的分布情況，結果如圖3所示。

圖3 各區域的EV充電需求分布Fig.3 EV charging demand distribution in each region

由圖3 可知，不同區域的EV 充電需求數量在時間上分布不均衡。由于EV 在結束一天的行程后需返回住宅充電，故在時段17—21 內居民區1、居民區2 出現了充電需求高峰，共有587 輛EV 產生充電需求；工作區以工作出行為目的，EV 充電需求高峰集中在上班的時段7—10 內，總需求為288 輛；商業區以娛樂出行為主，充電需求高峰時段的跨度較長，主要集中在時段12—21?？梢?，EV 時空轉移特性會導致各區域內EV充電需求的時間分布不均衡，使得該場景下的充電負荷峰谷差明顯，呈現“雙峰”特性。

EV 充電負荷的時空分布情況如附錄G 圖G2所示。由圖可知：由于EV用戶集中在工作時段進行充電，因此工作區（含節點17—20、22、27）在時段7—10 內有明顯的負荷高峰，峰值為1.025 MW；用戶結束行程后返回居民區（含節點1—16）充電，在16:00—20:00 時段內會累積另一個負荷高峰，峰值達到1.56 MW；商業區的EV充電負荷則較為分散。

4.2.2 場景縮減算法的性能分析

為了驗證基于Wasserstein距離的最優場景縮減算法的有效性，定義式（29）所示距離指標Tg來衡量本文所用場景縮減算法與傳統同步回代消減法所得典型場景集對初始場景集的逼近程度。Tg值越小，則縮減后的典型場景集越逼近初始場景集。

根據第1 節的場景建模方法，分別生成300 個、500 個凈負荷場景，經基于Wasserstein 距離的最優場景縮減算法、傳統同步回代消減法縮減后的結果對比見附錄G 表G1。由表可知，本文所用場景縮減算法的距離指標Tg值較小，即縮減后的典型場景集更能代表初始場景集。此外，本文所用場景縮減算法的求解速度較傳統同步回代消減法更優，且隨著場景數量規模的擴大，該優勢愈加明顯。

4.2.3 優化調度結果分析

1）優化策略性能分析。

為了驗證本文所提方法的有效性，設置如下3種模式進行對比分析：①模式1，不考慮ESS、SVG 的接入以及DG、VSC 的無功調節能力，VSC 采用下垂控制策略，對系統進行有功功率優化；②模式2，考慮ESS、SVG 的接入以及DG、VSC 的無功調節能力，VSC 采用下垂控制策略，對系統進行有功功率和無功功率協調優化；③模式3，考慮ESS、SVG 的接入以及DG、VSC 的無功調節能力，VSC 采用主從控制策略，對系統進行有功功率和無功功率協調優化。

上述3種模式的優化結果如表1所示，表中節點電壓偏差、電壓波動范圍均為標幺值，后同。由表可知，考慮多設備間的協調優化后，相較于模式1，模式2 的網絡損耗減小，節點電壓偏差減小了46.0%，系統節點最高電壓從1.0401 p.u.降低為1.0179 p.u.，驗證了本文所提方法的有效性。此外，對比模式2和模式3 的結果可知，VSC 采用下垂控制和主從控制時，系統的網絡損耗、節點電壓偏差的優化效果基本一致。3 種模式下配電網的節點電壓分布結果見附錄G圖G3。

表1 3種模式的優化結果Table 1 Optimization results of three modes

以12:00 時刻為例，模式2 和模式3 下各換流站向直流側傳輸的有功功率結果如表2 所示。交流配電網通過VSC1和VSC2向直流配電網供電，其中VSC1靠近交流配電網的首端，承擔向直流配電網供電的主要任務。VSC3將直流側的有功功率轉送至交流側，避免了有功功率在交流網絡中的長距離輸送，有利于減小網絡損耗。在模式3 下，主換流站VSC1負責維持直流電壓穩定和平衡系統功率，因此VSC1輸送的功率較大。采用下垂控制時各VSC 根據下垂斜率方程共同承擔功率平衡，通過調節直流電壓來控制功率大小。因此相比于模式3，模式2下VSC1承擔的有功功率減少，VSC2和VSC3傳輸的有功功率增大。

表2 換流站直流側輸送的有功功率Table 2 Active power transmitted by DC side of converter station

結合表1 和2 可知，在不同的VSC 控制方式下，本文所提優化策略均能取得良好的優化效果。

2）不同運行方案的潮流分析。

以模式2 為例，為了進一步分析EV 充電負荷接入系統后，調節ESS、SVG、VSC對電網電壓的支撐作用，設置以下4 種運行方案：①方案1 不考慮ESS、SVG、VSC 的無功調節能力，系統接入基準EV 充電負荷；②方案2—4 均考慮ESS、SVG、VSC 的無功調節能力，且方案2中系統不接入EV 充電負荷，方案3中系統接入基準EV 充電負荷，方案4 中系統接入的EV充電負荷為基準值的1.5倍。

4 種運行方案下居民區1 充電站即交流節點24的電壓曲線如圖4 所示，圖中電壓為標幺值。由圖可知：由于方案1 不考慮各設備的無功調節能力，交流側節點25 處的風機出力大于本地負荷，會發生功率倒送，導致節點24 的電壓大幅升高；同時根據上文EV 充電負荷時空分布特性的分析，居民區1 的充電負荷高峰集中在16:00—20:00 時段，此時風電消納量增大，使得方案1 下該時段內的電壓有明顯下降。此外，隨著EV 充電負荷接入比例的不斷增加，高峰時段的EV充電需求激增。為了減小負荷峰谷差、提高風電利用率，在EV 充電負荷低谷時段（00:00—10:00），大量風電功率向ESS 倒送，導致方案2—4下該時段內的節點電壓逐漸升高。

圖4 交流節點24的電壓曲線Fig.4 Voltage curve of AC Node 24

方案3 的ESS 有功、無功功率結果如附錄G 圖G4 所示，其中功率值大于0 表示吸收功率，值小于0表示發出功率。結合圖4分析可知：方案3中配置的ESS 在負荷低谷時段吸收系統中的無功功率，緩解了風電功率倒送引起的節點電壓升高情況；ESS 在負荷高峰時段發出無功功率，防止電壓降落，起到了抑制節點電壓波動的作用。同時，ESS 在負荷低谷時段吸收有功功率，在負荷高峰時段發出有功功率，起到了減小負荷峰谷差、降低網絡損耗的作用。

工作區充電站即交流節點10 的電壓曲線以及ESS 的工作情況見附錄G 圖G5。由圖可知，接入EV充電負荷之后，各方案的節點電壓在07:00—10:00時段內均有明顯下降，符合EV用戶普遍選擇到達工作地后進行充電的行為特性。ESS 接入后，在負荷低谷時段（00:00—05:00）吸收有功功率，在EV 充電負荷高峰時段發出有功功率以滿足充電需求，并發出大量的無功功率以防止節點電壓過低，起到了無功補償和削峰填谷的作用。

3）ADMM的有效性分析。

為了驗證本文所用分布式優化方法的有效性，以模式3 為例，分別采用集中式、分布式優化方法求解HADDN 優化問題，結果如表3 所示。由表可知，ADMM 求解所得網絡損耗、節點電壓偏差與集中式方法所得結果基本一致，驗證了ADMM 的有效性。分布式優化和集中式優化的殘差迭代過程見附錄G圖G6。由圖可知：分布式優化經過34次迭代后殘差達到收斂裕度5×10-3，用時463.365 s；集中式優化由于不需要迭代計算，其求解時間為152.459 s?？紤]到本文屬于日前優化調度問題，雖然分布式優化方法的求解時間相對較長，但仍在可接受的范圍內。故相比于集中式優化方法，分布式優化方法在犧牲了一定的求解時間的條件下實現了對優化問題的解耦和對隱私的保障［24］。

表3 集中式優化方法與分布式優化方法的計算結果對比Table 3 Comparison of calculation results between centralized and distributed optimization methods

4）二階錐松弛精度分析。

當優化問題的目標函數為支路電流的嚴格增函數［25］時，二階錐松弛精度得以保證?？紤]到本文的優化目標包含節點電壓偏差項，可能導致二階錐松弛不精確。以ADMM 的迭代求解結果對二階錐松弛精度進行驗證［5］，其誤差散點圖見附錄G 圖G7。由圖可知，最大松弛誤差為4.5884×10-4，滿足二階錐松弛精度要求。

5 結論

針對EV、風電大規模接入給HADDN 的安全經濟運行帶來的挑戰，本文構建了基于隨機優化的HADDN 多目標分布式協同優化模型?；谒憷治隹傻萌缦陆Y論。

1）居民的出行規律和交通拓撲結構會影響EV的行駛、停駐、充電行為，導致充電負荷時空分布的不均衡性，具體表現為時間分布上的“雙峰”特性以及空間分布上的區域特性。

2）將基于Wasserstein距離的最優場景縮減算法與傳統同步回代消減法進行仿真對比，結果表明相比于傳統同步回代消減法，基于Wasserstein 距離的最優場景縮減算法具有更高的擬合精度，且計算效率更優。

3）在不同的VSC 控制模式（下垂控制、主從控制）下，所提HADDN 的有功功率和無功功率協調優化模型均能有效地降低網絡損耗、均衡節點電壓，消除規?；疎V充電負荷接入導致的電壓越限風險。

4）通過分區解耦和目標分解，采用基于目標值交換原理的ADMM 實現了對所建多目標優化模型的分布式求解。ADMM 僅需交換區域目標函數以及邊界耦合變量，就可獲得各區域多目標的全局最優解，同時保證了各區域的隱私安全。

附錄見本刊網絡版（http：//www.epae.cn）。