考慮新型設備的配電網規劃研究綜述

羅 旭，羅 瀟，溫力力，范 麗，李 博，劉璐橈，劉華勇，任洲洋

(1.國網重慶市電力公司經濟技術研究院，重慶 401120；2.重慶大學 輸配電裝備及系統安全與新技術國家重點實驗室，重慶 400044)

配電網與絕大部分電力用戶相聯，直接影響用戶的生產生活。為了滿足負荷增長和電網發展的需求，傳統配電網規劃的目的是確定變電站和線路新建或擴容的時間、地點和類型[1]。

目前，考慮新能源、EV、ESS、多能耦合設備等對象的配電網規劃研究主要包含以下3個方面：

1)源荷功率模擬。由于電源側和負荷側功率均具有隨機性和多樣性，因此源荷功率模擬是研究配電網規劃的基礎，其主要涉及到可再生能源出力特性、負荷不確定性等。

2)優化規劃模型。面對大規模接入的新型設備，需結合其自身的運行特性，在建立優化規劃模型時全面考慮其給配電網帶來的新變化，以求獲得可靠、經濟、環保的規劃方案。

3)優化規劃策略與求解算法。針對變量規模和隨機性都大幅提高的優化規劃模型，采用與之相匹配的優化策略及求解算法能夠保證模型尋優的精確、高效。

筆者將從上述3個方面，圍繞新型設備大規模接入下的配電網規劃研究展開綜述。首先，介紹配電網規劃中的源荷功率模擬方法；其次，對配電網規劃模型、規劃策略與求解算法進行分析；最后，面向人工智能技術和能源互聯網，展望新形勢下配電網規劃可能的發展方向。

1 配電網規劃中的源荷功率模擬

配電網穩態運行時，會受到各種不確定性擾動的影響[6]，如圖1所示。在電源側，不確定性主要來源于可再生能源出力的間歇性和波動性，以及化石燃料價格的不確定性；在電網側，大量一次設備的故障發生時間及類型難以準確預測[7]；在負荷側，用戶的用電行為差異性大，并常伴突發狀況[8]。

圖1 配電網中的不確定性

由于新型設備的不斷接入，電源側和負荷側的不確定性對配電網規劃影響進一步提升。本節將對配電網規劃中的源荷功率模擬方法進行綜述。

1.1 電源側功率模擬

電源側的火電、水電等機組能夠實現人為調控，而風電場、光伏電站的輸出功率受天氣、地形、機組排布方式等多重因素的影響，輸出功率預測精度低且具有難可控性。因此，文獻重點關注了風光場站的功率模擬。

概率建模是電源功率模擬最常用的方法，風光的概率性通?；赪eibull分布和Beta分布[9-11]建模，計及相關性時可采用聯合概率分布[12]或Copula函數[13]?；诟怕誓Ｐ?，采用Monte Carlo模擬法[11,14]、拉丁超立方抽樣[9]等抽取離散或連續的功率狀態，實現對風光功率的表征。然而，概率分布類型的確定具有主觀性，致使建模精度不足。文獻[15]基于貝葉斯非參數模型生成典型的光伏出力統計特征，相較于上述方法，模擬精度有所提高。

模糊分析、區間分析和場景分析法也常用于電源側不確定性建模。模糊分析法的基本思想是構建合理的風光功率或氣象要素的隸屬度函數、盒式不確定集[16]和三角模糊數[17]常用于描述不確定性。區間分析是將不確定因素描述成一個確定性的區間，文獻[2]將風速和風功率描述為預測值和波動量組成的區間形式；文獻[18]通過區間分析找到最惡劣的風光出力，用于制定規劃方案。場景分析法基于研究對象的不確定性特征，生成若干含有概率的確定性時序場景，其突出特點在于能夠模擬對決策影響較大的關鍵事件。文獻[10]利用自回歸滑動平均模型生成風光場站的時序運行狀態，并通過Kantorovich方法篩選典型場景集。文獻[19]結合概率分布函數和聚類算法提取風光出力的典型場景?？紤]到新能源滲透率的提高，配電網規劃對于電源功率的模擬精度提出了更高的需求。在這一背景下，上述方法可能難以準確刻畫不確定性因素的高維非線性特征，適用性降低。

與傳統算法相比，神經網絡算法能夠在減少使用復雜數學原理的前提下，深入挖掘變量間的非線性映射關系[20]，在電源功率模擬方面展現出更加良好的性能。為了預測下一年的風速，文獻[21]結合風速數據及其統計特征，基于神經網絡和模式識別方法依次預測年、月、日和小時級的風速趨勢。文獻[22]提出了光伏年度發電量預測方法，提取光伏出力特征，并采用特征提取后的數據訓練時序模型，生成時序數據，在此基礎上，基于多層感知器、卷積神經網絡等構建組合預測模型，生成光伏發電量數據。

1.2 負荷側功率模擬

傳統負荷特性與社會經濟發展水平、人口規模、氣候等條件有關。相較于風光出力模擬，負荷功率模擬研究的開始時間更早，發展也更加成熟，概率與回歸建模、模糊分析、場景分析等方法同樣適用于此類問題。然而，EV等新型負荷具有更強的隨機性[23]，需要引入新的研究思路適應這一變化。因此，神經網絡算法在中長期負荷功率模擬中應用更加廣泛。由于相應方法的特點已在1.1節詳細說明，因此本節僅按照傳統算法和神經網絡算法對現有方法簡要介紹。

1)傳統算法。正態分布可用于負荷[9]、EV行駛里程和出行時間[24]的建模。文獻[25]采用偏最小二乘回歸方法建立負荷預測模型。盒式不確定集、三角模糊數[16-17]和梯形模糊數[26]等模糊理論，以及基于聚類的場景生成法[3,27]，也可以用于描述負荷的不確定性。文獻[28]以高峰日典型負荷曲線為基礎，分別對分布式電源(distributed generation，DG)的可信出力和柔性負荷功率建模，并修正典型負荷峰值。

2)神經網絡算法。在長期負荷預測方面，文獻[29]提出了基于Elman神經網絡的長期負荷預測方法。文獻[30]基于人工神經網絡，構建了用于配電網規劃的負荷曲線庫。文獻[31]基于氣溫數據和電表負荷數據，采用混合深度學習算法預測未來的負荷功率。文獻[32]為了預測饋線的年負荷，選取負荷的影響因素及其特性指標，并對其數據進行降噪和降維處理；之后采用長短期記憶網絡和門控循環單元網絡進行時序負荷預測。

1.3 小結

綜上所述，現有的中長期源荷功率模擬研究存在如下特點：

1)為了減輕計算負擔，以概率建模、模糊分析、區間分析、場景分析法為代表的模型驅動方法在配電網規劃中被廣泛應用。盡管上述方法操作簡便，但其存在主觀性強、建模精度低等缺陷，難以適應新型設備大規模接入的配電網規劃。

2)神經網絡算法是一種數據驅動方法，對于難以通過數學公式直觀描述的非線性特征，該方法可通過網絡訓練過程逐步擬合，因此更加適合配電網未來的發展趨勢。

3)由于配電網規劃的研究時段長，源荷預測考慮的因素更復雜，導致其對精準度的控制遜色于短期預測[33]。因此，神經網絡算法雖已被應用在長期源荷功率模擬中，但相較于短期預測[34]，在數據預處理、訓練特征構建、精細化建模[35]、神經網絡結構等方面仍有較大研究空間。

2 配電網優化規劃模型

傳統配電網大多采用“閉環設計，開環運行”的方式，電源即為上級變電站，線路組成配電網絡，用戶為傳統的工業、商業和居民負荷[36]?，F代配電網的規模更大，優化變量類型更多，建模方法也更加復雜。一般地，配電網規劃模型需重點關注規劃對象、目標函數、約束條件等要素。本節從上述要素出發，針對傳統配電網和考慮新型設備與主動管理手段的配電網規劃模型分別進行綜述，并總結不同規劃模型的特點。

2.1 傳統配電網規劃模型

傳統配電網規劃主要是為滿足未來年負荷增長和電網發展需求，確定何時何地新建或擴建何種類型的線路、變電站和新增電源等設備。傳統配電網的規劃可分為電源規劃、網架規劃和源網協同規劃等類型。

傳統的配電網電源規劃主要以變電站、無功電源為研究對象，從經濟性、可靠性等角度出發建立優化規劃模型。電源規劃模型一般以經濟成本最小為目標，包括投資成本、設備維護成本、網損成本等，并考慮規劃對象出力約束、調度約束、潮流約束以及投資約束、容量約束、位置約束[37]等運行和技術約束條件。文獻[38]建立了以變電站及其低壓側線路初始投資和運行年費用最小為目標的選址定容模型，并在約束條件中計及變電站負載率和供電半徑等。文獻[39]針對經濟性因素，以設備全壽命周期成本最小為目標建立了變電站規劃模型。上述傳統電源規劃模型只考慮了確定型負荷，難以直接用于接入的柔性負荷的配電網規劃。

傳統網架規劃問題的核心是根據負荷和網架的發展需求，對網架結構進行調整，或對線路容量擴容。文獻[17]所構建的網架規劃模型以含DG的配網饋線建設成本和網損成本期望值最小為目標，在約束條件中保證了輻射形網架拓撲。

上述獨立規劃方法固然可降低建模與求解維度，然而，電源與網架在電能輸送、成本優化、資源整合等方面具有較強的耦合關系。因此，在規劃中同時考慮電源與網架，建立源網協同規劃模型就顯得尤為重要。文獻[40]建立了投資、運行總成本最小的綜合規劃模型，為降低求解難度，將混合整數非線性規劃模型轉化為二次約束規劃模型進行求解；文獻[41]將配電網規劃問題分解為中壓變電站規劃和高壓變電站與中壓饋線規劃2個子問題，并采用了特殊編碼的遺傳算法改進了其全局最優解的有效性。

2.2 考慮新型設備與主動管理手段的規劃模型

隨著DG、EV、ESS、多能耦合設備等新型設備的大規模接入，以及主動管理手段在配電網中的啟用，與傳統配電網相比，現代配電網具有隨機性強、設備規模大、特性復雜等新特點，由此造成了配電網規劃模型的非線性、多約束、高維度等特征。圍繞上述特點，下面將對含新型設備與主動管理手段的配電網規劃模型進行綜述。

DG的發展對電源功率預測、配電網潮流流向、電源組成等帶來了大量的不確定性因素，如何合理規劃DG的容量和位置，使其與電網擴展規劃相配合，是目前主動配電網規劃面臨的主要難點。文獻[42]從經濟性角度對含DG的ADN規劃技術進行闡述；文獻[43]利用了場景分析技術解決DG出力不確定性和間歇性問題，建立了考慮DG運行的配電網雙層規劃模型。文獻[44]建立了以系統有功損耗最小為目標的DG優化配置模型，并基于錐優化算法求解，大大提升了規劃模型的求解效率。

EV的充電行為和模式具有強隨機性，但其具有儲能特性，能夠作為可調控的需求響應資源[3]。文獻[3]在考慮配電網建設和運維成本的基礎上，重點研究了EV充放電對系統潮流平衡的影響。對于多類型充電樁的協調互補規劃問題，文獻[45]考慮了EV分布不平衡情況下的充電需求和充電距離，建立了多類型充電樁整體規劃模型，使得規劃結果更加貼合實際。

ESS響應速度快、調節精度高，能夠實現能量的時空轉移[46]，然而ESS造價高昂，需對其接入點和容量進行合理規劃。文獻[2]建立了ESS在配電網中的選址定容優化模型，將ESS的功率約束、運行約束和容量約束加入模型中，在保證風電全部消納的同時，提高配電網的經濟性。

2.3 小結

綜上，兩類規劃模型的規劃要素和優化目標可直觀總結如圖2所示。

圖2 配電網規劃模型

對于第二類模型，由于每類新型設備具有不同特征，因此詳細總結其難點及研究重點：

1)與火電、水電機組相比，DG具有更強的不確定性和難可控性。因此，在配電網規劃中準確量化DG給配電網供電帶來的風險，合理確定DG與上級變電站容量的配比，有助于電力系統碳排放的降低。另外，由于分布式能源接入傳統輻射狀配網后，會帶來頻率調節能力弱和電壓控制困難等問題，現有的配網形態無法滿足未來配網發展需求[52]。有學者指出，將傳統的輻射狀網絡發展為靈活可控的環形網絡是促進分布式能源接入的重要方式和必然趨勢[53]。

2)盡管EV具有儲能特性，但其單體容量遠小于配電網負荷總功率，若希望將EV用于配電網功率的調節，需要發揮其數量優勢。然而，EV的隨機性使得對其群體調度十分困難。如何在配電網規劃中，化零為整，整合EV的儲能資源，是含EV的配電網規劃中需要面對的難題。

3)ESS能夠對電能實現較大規模的儲存，因而可用于平抑DG出力波動、削峰填谷等。但是，ESS目前的成本較高，不利于配電網的經濟性。所以，在配電網規劃中，權衡ESS的成本與收益、合理配比不同類型的儲能容量、通過市場化手段對儲能進行定容與調控、充分發揮其與源/網/荷的互動能力等，均可促進ESS的大規模發展。

4)多能耦合設備作為溝通不同能量系統的紐帶，其容量和接入位置對于多能耦合系統的運行具有決定性作用。并且，不同能源形式的轉化與傳輸，豐富了配電網中電能的調配與儲存方式?？紤]多能耦合設備接入后，更加劇配網形態演變的需求和趨勢。因此，研究適用于電、天然氣、冷熱、氫氣等異質能源互聯的配電網形態及其規劃方法，可作為目前配電網規劃中重要的研究方向。

3 配電網優化規劃策略與求解算法

基于不同的規劃模型與對象，需要選擇條理清晰的優化策略，并采用高效準確的求解算法。本節將綜述4種配電網優化規劃策略及其求解算法。

3.1 單層規劃方法

單層規劃方法可處理單目標優化問題，或加權后的多目標優化問題。文獻[26]從經濟、技術和環境三方面建立DG選址定容多目標優化模型，采用實數對DG的接入點、容量和技術參數編碼，并基于帶有精英策略和非支配排序的遺傳算法求解。

該類方法規模相對較小，求解便捷，但優化對象的時間尺度等較為單一，難以在規劃中考慮配網的運行狀況。

3.2 多層規劃方法

多層規劃方法可按照規劃、運行等不同尺度，或不同利益主體，構建2層及以上的優化模型，不同層間利用傳遞變量傳遞優化結果，總結了2種不同的建模思路。

另一方面，根據配電網規劃中的不同利益主體建立多層優化模型。文獻[54]針對多利益主體建立3層優化模型，分析了3個利益主體之間的靜態和動態博弈關系，結合迭代搜索法和極大極小值法求解博弈行為的納什均衡點。

雙層和多層規劃方法可降低每一層的變量規模，模型意義清晰。然而，該類方法構建的優化模型整體規模較大，需要不斷迭代得到每一層模型的最優解，求解復雜度相對較高。

3.3 多階段規劃方法

實際工程中，電網規劃的跨度通常為5～15年，需要逐步構建合理可靠的電網[47]；在理論研究中，現有文獻考慮社會、經濟、負荷等動態因素在規劃期內的變化，提出了多種多階段規劃方法。

文獻[27]提出的主問題為配電網多階段規劃問題，子問題為考慮配網重構的運行問題，基于Benders分解方法對主問題和子問題迭代求解。文獻[28]同樣構建了雙層多階段規劃模型，主模型優化完整規劃期內的投資成本，子模型優化規劃期內各個階段的運行策略。該模型將傳統粒子群算法和快速非支配遺傳算法相結合，求解多階段規劃模型。文獻[3]將多階段規劃模型轉化為兩類單階段規劃模型。第一類模型僅用于規劃期末，確定規劃期的整體規劃方案；第二類從規劃期倒數第二年到規劃初期倒序應用，確定設備新建和升級的實施年份。

多階段規劃方法從動態視角制定配電網的規劃策略，以各階段結束時的規劃方案作為下一階段的起始狀態，能夠計及不同階段間動態因素的變化。

3.4 不確定性規劃方法

不確定性規劃的核心是將含有不確定性變量的模型轉化為若干確定性規劃模型，從而降低求解難度?，F有的不確定性規劃方法包括魯棒優化、模糊理論、區間分析、隨機規劃、場景分析等，該類規劃方法最適用于當前不確定性逐步增強的配電網規劃問題。

在最極端場景下，文獻[16]采用內點法對雙層魯棒優化模型迭代求解。文獻[2]基于二階錐松弛技術將所提模型凸化，之后采用魯棒對偶轉化方法，將雙層凸規劃問題轉化為單層凸規劃模型。

文獻[17]構建的模糊期望值模型中，將不等式約束作為懲罰函數加到目標函數中，利用遺傳算法求解。為了避免中壓配網負荷預測的誤差，文獻[48]采用負荷上下限計算確定性潮流，得到配網擴展規劃投資與網損總成本的區間值。

文獻[55]提出了一種光伏場站和ESS接入低壓配網的隨機規劃方法。每次求解迭代基于低壓配網裝機容量的歷史統計數據，隨機在負荷節點中選擇場站的接入點和容量。

3.5 小結

綜上，4種規劃策略的基本原理對比如圖3所示。

圖3 配電網規劃策略

由于配網規劃問題的復雜性帶來求解模型非線性化和優化目標多樣化，使用傳統的數學優化算法和啟發式算法往往會導致模型維數災難，求解效率下降等問題[56]。深度強化學習是人工智能領域的一個新的研究熱點，它以一種通用的形式將深度學習的感知能力與強化學習的決策能力相結合[57]，但應用至規劃領域尚處于探索階段，目前只有少部分強化學習應用于包含簡單策略集的規劃問題的研究[58]。深度強化學習可以克服強化學習策略表征能力差，無法解決大狀態空間策略集等問題[57-59]，未來有望在配網規劃領域實現突破。

4 總結與展望

4.1 總結

文章圍繞配電網規劃問題，從源荷功率模擬、規劃模型、優化策略與求解算法綜述了配電網規劃的研究現狀，從中可總結如下問題：

1)由于配電網規劃橫跨時段長，源荷功率變化明顯，現有方法缺少對規劃期內源荷功率的精細化、個性化、多元化模擬方法，致使規劃建模沒有足夠精確的依據。

2)隨著配電網規模的增大、接入配電網設備的隨機性和多樣性增強，配電網規劃建模與求解愈發困難，目前的優化策略及求解算法可能難以應對這一趨勢。

3)隨著多能源的深度耦合，電網在能源互聯網體系中必將發揮主干作用。然而，現有的配電網形態可能無法滿足能源轉換與集成的要求，這將阻礙能源的輸送與消納。

4.2 展望

人工智能技術與能源互聯網的發展，能夠從算法和能源融合2個層面，為配電網提供新的發展方向，以適應中國能源革命和電網建設的發展趨勢。針對現有問題，從人工智能和能源互聯網兩方面考慮，未來配電網規劃存在如下3個潛在的研究方向：

1)充分借鑒深度學習算法在短期源荷功率預測中的思路，準確評估中長期預測的多元影響因素及其耦合關系和特性，發展基于深度學習的中長期概率預測或場景分析方法，提高源荷功率的模擬精度。

2)將深度強化學習應用至配網規劃領域，提高配網規劃方案的制定效率。

3)為了充分發揮配電網在能源互聯網中的樞紐作用，應基于現有的輻射狀結構，探索適應多能耦合特點的配電網新形態及規劃方法，以提高能源的轉換效率與傳輸能力。