来源：《中国电力》2024年第10期
引文：刘志文, 李岩, 邵冲, 等. 考虑柔性资源协同互动的配电网灵活性评估方法[J]. 中国电力, 2024, 57(10): 158-165.
随着“双碳”目标地不断推进，分布式电源（distributed generation，DG）大规模接入配电网，新能源渗透率大幅提高。新能源固有的波动性和间歇性使得配电网面临更加复杂的运行环境，从而增加了配电网对灵活性调节能力的需求。整合海量柔性资源参与电网互动成为增强配电网调节能力的重要手段，传统配电网灵活性评估方法难以适应当下配电网源荷的发展现状。在此趋势下，如何全面评估柔性资源协同互动对配电网灵活性的影响，已成为配电网评价研究的热点。《中国电力》2024年第10期刊发了刘志文等撰写的《考虑柔性资源协同互动的配电网灵活性评估方法》一文。文章提出一种考虑柔性资源协同互动的配电网灵活性评估方法。构建灵活性评估指标体系，计算每种典型场景下柔性资源接入方案的灵活性评估指标值，利用AHP-随机森林算法对评估指标进行赋权，计算各典型场景下的灵活性评估指标值，并根据每个场景的概率叠加得到综合灵活性指标值。
提出一种考虑柔性资源协同互动的配电网灵活性评估方法。首先，构建包含协同调节能力、协作效益质量和电网可靠性三方面的灵活性评估指标体系；其次，采用高斯混合模型构建了典型运行场景，采用层次分析法和随机森林模型分别确定评估指标的主观权重与客观权重，并通过双层评估流程，计算得到各典型场景下的评估指标值；然后，根据典型场景的出现概率，加权得到各个柔性资源接入方案的综合灵活性评估指标值；最后，通过54节点配电网算例分析，验证了所提方法的可行性和有效性。由于配电网源荷场景复杂多样，对每一种可能场景进行评估的计算量巨大，因此首先需要结合历史数据生成典型场景。通过高斯混合模型（gaussian mixed model，GMM）将海量风电、光伏和负荷联合出力场景划分为若干个不同高斯分布的加权代数和，能够较好地反映风电、光伏和负荷的变化特征和不确定性。相较传统典型日聚类方法，如k-means、层次聚类和模糊聚类等，GMM能够利用贝叶斯信息准则（Bayesian information criterion，BIC）等指标自动确定最优的典型日数量，能够更准确地捕捉数据的分布特征，提高结果的准确性和客观性。其具体计算步骤如下。1）假设风电、光伏和负荷的联合出力数据集为X={x1,x2,⋯,xN}，其中xi表示第i个时间点的出力数据。每个出力场景由高斯分布的线性组合为P(xi)。2）采用期望值最大化（expectation maximization，EM）法对GMM的参数进行迭代计算。3）在每次迭代后，采用BIC来评估模型的拟合度，选择BIC最小的模型BIC作为最终的典型日场景。为了兼顾专家经验和客观性，提出AHP-随机森林模型的组合赋权方法进行综合评估。首先，根据所建立的指标体系，采用AHP确定各指标的主观性权重，具体算法步骤如下。1）参考专家意见，对各项指标的重要性程度进行比较，形成判断矩阵。3）如果一致性比率值小于0.1，即认为判断矩阵的一致性是可以接受的。将判断矩阵的特征向量归一化作为权重向量，得到各指标值的主观权重向量wi(i=1,2,⋯,n)。AHP作为一种静态决策方法，不适合处理随时间变化的动态指标值。此外，由于AHP依赖专家的主观评估，如果专家间的判断存在显著差异，可能会导致判断矩阵无法通过一致性检验，从而影响决策的准确性。鉴于此，本文采用随机森林模型确定各指标的客观性权重。随机森林模型是一种集成多个决策树来提升预测性能的机器学习算法，其核心在于利用随机性来增加模型的多样性，从而减少过拟合的风险。在构建模型时，每个决策结点都基于特征属性进行判断，而每个叶结点则代表一个预测结果。通过从根结点到叶结点的路径，决策树能够对数据进行有效分类或回归。具体的算法实现步骤如下。1）根据柔性资源灵活性评估指标体系构建指标矩阵，对第k种柔性资源接入方案，计算m个典型场景和n个指标组成的矩阵Rk。2）对各个指标值进行归一化处理，得到第k种柔性资源接入方案标准化后的评估矩阵![]()
3）以标准化后的评估矩阵![]()
构建数据集M，应用Bagging采样法，从数据集中随机均匀且有放回地抽取N个样本，然后将抽取的样本集合作为训练样本集T，用于训练决策树。4）计算每个评价因子的基尼指数，以此对结点进行排序和权重分配。在每个决策结点，随机选取S个特征变量，并选择基尼指数最小的特征进行结点分裂，以此构建多个分类决策树。5）计算决策树上每个结点的均方误差（mean squared error，MSE）衡量结点分裂质量EMS。6）每个指标在决策树结点的贡献率可通过特征分裂导致的均方误差减少量来衡量。在特征分裂前后，均方误差的减少量越大，表示特征分裂的效果越好，也就越应该作为决策树的结点。7）计算每一指标的总体重要性，将指标j的重要性表示为该特征在所有树上均方误差减少的累计和。8）基尼指数用于衡量特征的重要性，通过累加所有树中每个特征导致的基尼指数减少量得到指标j的重要性权重，并对其进行归一化。将AHP计算得到的主观指标权重与随机森林模型分析得到的客观指标权重相加，得到第k种柔性资源互动方案在第i个典型场景的综合指标值Zki。根据GMM得到每种典型场景出现的概率，加权得到第k种柔性资源互动方案的配电网综合灵活性评估指标值Pk。配电网灵活性评估流程如图2所示。从图2可以看出，该流程由内层和外层两个计算框架组成，旨在更精确地模拟柔性资源参与配电网调控的运行过程。内层计算框架旨在模拟柔性资源在调度周期内的实际运行状况，以确定最优的互动策略。外层迭代框架涵盖了典型场景生成和评估指标数据降维过程。
![]()
Fig.2 Distribution network flexibility evaluation本文采用Portugal 54节点配电网进行算例测试，该系统的拓扑结构如图3所示，设置5种柔性资源接入方案如表1所示。在节点4、9、13、39处各接入容量为5 MW的风电；在节点10、35处各接入容量为5 MW的光伏。在Python3.11集成开发环境中，利用Scikit-Learn库调用Random Forest Regressor算法构建回归模型。从数据集中抽取75%的样本作为训练样本集，25%的样本作为测试样本集，决策树个数为100。
![]()
Fig.3 Portugal 54 bus system
Table 1 The flexible resource access scheme![]()
收集华南某地区2022年的风电、光伏及负荷数据，并利用高斯混合聚类模型生成4个典型场景，聚类结果如图4所示。每个典型场景对应的数量和概率如表2所示。
![]()
Fig.4 Typical scenarios data of wind power, photovoltaic, load
Table 2 Quantities and probabilities represented by typical scenarios![]()
根据本文所提配电网灵活性评估流程，计算并记录各柔性资源接入方案在典型日场景下对应的各项指标值。征集多位专家的意见，计算得到各评估指标的主观权重。将4个典型日场景下各方案对应的各项指标值作为数据集，采用随机森林模型对评估指标矩阵进行降维处理，得到各评估指标的客观权重。将主观权重和客观权重相结合得到组合权重如表3所示。
Table 3 Distribution network flexibility evaluation index weight![]()
从指标维度上看，不同柔性资源接入方案的灵活性评估指标结果如图5所示。从图5中可以看出，方案2在大部分灵活性评估指标上具有优势，但方案3和方案4在部分评估指标上的表现各有优劣，无法得出直观的灵活性评估结果。
![]()
Fig.5 Indicator values under different flexible resource access schemes in Scenario 2
从场景维度上看，4个典型场景下的线路潮流熵如图6所示。从图6中可以看出，DG出力波动值越大，线路潮流熵值越高，表明系统潮流分布随DG出力波动而趋于不平衡。通过对比各典型场景的线路潮流熵可以看出，方案2和方案4在各典型场景下相较于其他方案更小，这表明分布式储能参与系统调控可以促使系统潮流分布更加均衡。然而，方案3和方案5对改善系统潮流分布的效果随场景的不同而有差异，无法直接得出定量的评估结果。
![]()
Fig.6 Power flow entropy under different DG fluctuation levels
考虑各指标维度的信息，采用AHP-随机森林模型对各指标进行综合赋权，进一步，考虑各场景维度的信息，根据各典型日场景出现的概率，加权所有场景的综合指标值，最终得到各柔性资源接入方案的灵活性综合评估指标值如表4所示。
Table 4 Comprehensive flexibility indicators and ranking of various flexible resource access solutions![]()
从表4的综合灵活性评估结果可以看出，不同柔性资源接入方案对配电网的灵活性有显著影响。从柔性资源接入位置看，方案2和方案3将柔性资源接入DG节点，方案4和方案5将柔性资源接入DG的相邻节点；结果显示方案2的灵活性指标值高于方案4，方案3的灵活性指标值高于方案5。这表明将柔性资源接入DG节点能减少风光出力波动的影响，可以更快地响应电网的需求变化，对于提升配电网的灵活性具有积极作用。从柔性资源不同接入类型上看，方案2和方案4的灵活性评估值均高于方案3和方案5，说明分布式储能在提高配电网的灵活性方面较电动汽车具有优势。分布式储能系统能够更迅速地响应电网需求的变化，而电动汽车的充电和放电速度可能相对较慢，在某些时刻可能受到用户充电需求的制约。综上，考虑柔性资源协同互动后，配电网的灵活性指标均有不同程度的提升。本文所提方法能够给出较为准确和客观的灵活性评估结果，可以更好地指导配电网的规划和柔性资源的利用。
针对柔性资源接入配电网难以全面和准确量化评估的问题，本文提出了一种考虑柔性资源协同互动的配电网灵活性评估方法。该方法能够综合评估柔性资源接入类型和接入位置对配电网灵活性的影响。通过算例分析，得到以下结论：1）采用主客观相结合的AHP-随机森林模型对评估指标进行赋权，能够避免传统评估方法受主观因素干扰的缺陷，提高评估结果的客观性；2）采用高斯混合模型能够得到具有代表性的源荷场景及其对应概率，实现场景有效降维，提高评估效率；3）本文构建的配电网灵活性评估指标体系能够准确、客观、全面地定量分析不同柔性资源接入方案对配电网灵活性的影响。
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。
