一种5g集和
配电网的协同优化调度方法及系统
技术领域
1.本发明涉及5g集资源调度技术领域，特别是涉及一种考虑时空耦合的5g集和配电网的协同优化调度方法及系统。
背景技术：
2.随着经济和社会的发展，对通信技术的要求也越来越高。第5代移动通信网络(5g)可以提供高带宽、高容量、低延迟通信，近年来在移动通信业务中得到了广泛的应用。然而，作为5g移动通信网络的核心设备，5g的广泛部署使得移动通信能耗大大增加，且其大规模接入会对电力系统的运行产生重大影响。一方面，5g的
功率会增加配电网的功率峰值，对电力系统的安全稳定运行造成影响；另一方面，5g的分布式安装也为配电网提供了潜在的灵活性资源，提高了电力系统调度的灵活性。因此，需要开展考虑时空耦合的5g集和配电网的协同优化调度方法的相关研究，为减少配电网峰值功率，提高电力系统运行安全性提供支撑。
技术实现要素：
3.本发明的目的是提供一种5g集和配电网的协同优化调度方法及系统，通过建立5g集和配电网之间的协同优化调度模型来优化求解5g集的聚合充放电功率和迁移负载，实现5g集资源调度的优化，减少配电网峰值功率，提高电力系统的运行安全性。
4.为实现上述目的，本发明提供了如下方案：
5.一种5g集和配电网的协同优化调度方法，所述协同优化调度方法包括：
6.建立基于主从博弈的5g集和配电网之间的协同优化调度模型；所述协同优化调度模型包括主模型和从模型；所述主模型为配电网优化模型；所述从模型的目标函数为5g集优化模型，约束条件为5g集的储能资源模型和功率迁移模型；
7.利用基于差分进化算法的博弈均衡分布式求解方法对所述协同优化调度模型进行优化求解，得到最佳配置方案；所述最佳配置方案为配电网供电范围内的每一5g集的储能设备的聚合充放电功率和任意两个5g集之间的迁移负载。
8.一种5g集和配电网的协同优化调度系统，所述协同优化调度系统包括：
9.模型建立模块，用于建立基于主从博弈的5g集和配电网之间的协同优化调度模型；所述协同优化调度模型包括主模型和从模型；所述主模型为配电网优化模型；所述从模型的目标函数为5g集优化模型，约束条件为5g集的储能资源模型和功率迁移模型；
10.优化求解模块，用于利用基于差分进化算法的博弈均衡分布式求解方法对所述协同优化调度模型进行优化求解，得到最佳配置方案，所述最佳配置方案为配电网供电范围内的每一5g集的储能设备的聚合充放电功率和任意两个5g集之间的迁移负载。
11.根据本发明提供的具体实施例，本发明公开了以下技术效果：
12.本发明用于提供一种5g集和配电网的协同优化调度方法及系统，先建立基于主从博弈的5g集和配电网之间的协同优化调度模型，再利用基于差分进化算法的博弈均衡分布式求解方法对协同优化调度模型进行优化求解，得到最佳配置方案，进而能够得到配电网供电范围内的每一5g集的储能设备的聚合充放电功率和任意两个5g集之间的迁移负载的最优解，实现5g集的可调度资源的优化调度，可有效提高5g集的可调度资源的利用率，从而减少配电网峰值功率，提高电力系统运行的灵活性和经济性。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
14.图1为本发明实施例1所提供的协同优化调度方法的方法流程图；
15.图2为本发明实施例2所提供的协同优化调度系统的系统框图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
17.本发明的目的是提供一种5g集和配电网的协同优化调度方法及系统，通过建立5g集和配电网之间的协同优化调度模型来优化求解5g集的聚合充放电功率和迁移负载，实现5g集资源调度的优化，减少配电网峰值功率，提高电力系统的运行安全性。
18.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
19.实施例1：
20.本实施例用于提供一种5g集和配电网的协同优化调度方法，如图1所示，所述协同优化调度方法包括：
21.s1：建立基于主从博弈的5g集和配电网之间的协同优化调度模型；所述协同优化调度模型包括主模型和从模型；所述主模型为配电网优化模型；所述从模型的目标函数为5g集优化模型，约束条件为5g集的储能资源模型和功率迁移模型；
22.在建立基于主从博弈的5g集和配电网之间的协同优化调度模型之前，本实施例先对5g集的可调度资源的特性进行分析，并建立5g集可调度资源和配电网的协同优化调度框架，以便基于该协同优化调度框架建立协同优化调度模型。
23.5g的基础设施主要包括通信设备和储能设备(如备用电池)。其中，通信设备的功率分为静态功率和动态功率，静态功率主要为基带单元提供能量，通常是固定的；动态
功率是可调的，其数值大小取决于5g接入的移动用户的通信流量。在5g集中，集之间存在空间耦合关系，一个集连接的移动用户也可以转移连接到其他集，因此，移动网络运营商可以利用的动态接入能力，合理分配每个5g集接入的移动用户数量，实现空间维度上的负载迁移。同时，移动网络运营商还可以利用5g集中的储能设备，通过充放电行为实现时间维度上的资源调度。基于上述5g集的可调度资源的分析，本实施例通过优化储能设备的充放电功率和迁移负载来进行5g集的优化调度。
24.对于移动网络运营商来说，随着5g的大规模建设，电力成本呈指数增长，移动网络运营商需要到有效降低电力成本的方法；对于配电网运营商来说，其在满足用户电量需求的前提下，需要获得尽可能高的经营利润。故本实施例的协同优化调度框架如下：
25.配电网运营商在满足用户电量需求的前提下，需要获得尽可能高的经营利润。同时，配电网运营商还需要提供更优惠的动态电价，激励需求侧的灵活性资源主动响应，从而降低系统的峰值功率压力。在此框架下，配电网使用多区域定价策略，根据5g集的功率曲线向其提供不同的价格。
26.5g集运营商作为一个独立的总代理，其目标是在满足运行条件的前提下最小化总电力成本。在基于价格激励的多区域5g集需求响应机制中，5g集运营商通过充放电策略和功率迁移策略来减少成本。在充放电策略中，5g集中的储能设备作为柔性资源，其充放电行为在时间维度上受当地电价的引导；在功率迁移策略中，5g集运营商根据不同区域的电价在空间维度上分配通信功率，实现灵活性资源的优化调度。
27.在基于主从博弈的5g集可调度资源和配电网的协同优化调度框架中，配电网作为领导者，在5g集所在区域设置动态价格，引导5g集进行需求响应，获得最大的运行收益。5g集作为追随者，响应配电网设定的价格，使其运行成本最小化，其需求响应手段包括储能设备充放电策略和负载迁移策略。
28.则基于上述协同优化调度框架，本实施例所建立的基于主从博弈的5g集和配电网之间的协同优化调度模型g(即stackelberg博弈模型)的概化表示如下：
29.g＝{(dno∪bsg)；{p
bsell
}；{p
exc
}；f
bsg
；f
dno
}；
30.上述协同优化调度模型包括博弈参与者、博弈策略和博弈收益，其中，dno∪bsg为主从博弈参与者集合，dno为领导者，bsg为追随者；p
bsell
为各5g集与配电网进行电量交易的动态电价；p
exc
为各5g集与配电网之间的交换功率策略，与5g集储能设备的充放电功率和各5g集之间的功率迁移相关；f
bsg
为5g集成本函数；f
dno
为配电网运行收益函数，其大小与功率和功率峰值相关。
31.基于上述概化表示，本实施例的协同优化调度模型包括主模型和从模型，主模型为配电网优化模型，从模型的目标函数为5g集优化模型，约束条件为5g集的储能资源模型和功率迁移模型。
32.本实施例中，以运行收益最大化和功率波动最小化为目标的配电网优化模型包括配电网运行收益函数和配电网运行约束。
33.配电网运行收益由三部分构成：与常规功率和可调度功率交易的利润、从上级电网购电的成本和功率高峰下的惩罚成本，则配电网运行收益函数为：
34.f
dno
＝f
cl
+f
exc-c
grid-c
pen
；
35.其中，f
dno
为配电网的运行收益；f
cl
为配电网向常规用户售电的收益；f
exc
为配电网与5g集进行电量交易的收益；c
grid
为配电网向上级电网购电的成本；c
pen
为功率峰值惩罚成本，其大小由惩罚系数λ和功率峰值决定。
[0036][0037]
其中，k为配电网供电范围内的5g集的总个数，本实施例将配电网的供电范围随机划分为k个区域，每一区域内的所有5g构成一个5g集，得到配电网的供电范围内的k个5g集；t为时刻的总个数，本实施例中，t为一天内划分的时刻数量，一般以1个小时为一个划分时间段，故t为24；p
sell,i,t
为配电网在t时刻向常规用户i售电的零售价格，其为一个恒定值；l
c,i,t
为常规用户i在t时刻所用的功率；
[0038]
配电网向5g集售电的售电价格p
bsell
可以定义为：
[0039][0040]
为了在保证配电网利润的同时激励5g集积极参与需求响应，配电网在t时刻向5g集i售电的售电价格大于或等于配电网向上级电网购电的购电价格，且小于或等于配电网向常规用户售电的零售价格，即p
bsell，i，t
满足如下约束：
[0041]
p
buy
≤p
bsell,i,t
≤p
sell
；
[0042]
其中，p
buy
为配电网向上级电网购电的购电价格；p
sell
为配电网向常规用户供电的零售价格，常规用户是指除5g集之外的其他用户。
[0043][0044]
其中，p
exc,i,t
为配电网在t时刻与5g集i的交换功率，当5g集i向配电网购电时，p
exc，i，t
＞0；当5g集i向配电网售电时，p
exc，i，t
＜0；p
buy
为配电网向上级电网购电的购电价格。
[0045][0046]
其中，p
grid,i,t
为配电网在t时刻向上级电网购买的5g集i所在区域的功率。
[0047][0048]
其中，λ为惩罚系数。
[0049]
为了保证配电网的运行安全性，配电网满足以下运行约束，即配电网运行约束为：
[0050][0051][0052]
其中，p
grid,i,min
为配电网在t时刻向上级电网购买的5g集i所在区域的功率的下限；p
grid,i,max
为配电网在t时刻向上级电网购买的5g集i所在区域的功率的上限。
[0053]
本实施例中，以运行成本最小化为目标的5g集优化模型包括5g集成本函数、5g集功率平衡约束和5g集传输功率约束。
[0054]
5g集通过调整储能设备充放电策略和功率迁移策略来降低其购电成本，考虑时间维度和空间维度上的资源调度，建立由与配电网进行电量交易的成本和充放电损耗成本组成的5g成本模型，则5g集成本函数为：
[0055]fbsg
＝f
exc
+c
es
；
[0056]
其中，f
bsg
为5g集的成本；f
exc
为配电网与5g集进行电量交易的收益，也即5g集与配电网进行电量交易的成本；c
es
为5g集的充放电损耗成本。
[0057][0058]
其中，k为配电网供电范围内的5g集的总个数；t为时刻的总个数；p
bsell,i,t
为配电网在t时刻向5g集i售电的售电价格；p
exc,i,t
为配电网在t时刻与5g集i的交换功率；p
buy
为配电网向上级电网购电的购电价格。
[0059][0060]
其中，为5g集i的储能设备的充放电损耗系数；为5g集i的储能设备的聚合充电功率；为5g集i的储能设备的聚合放电功率。聚合充电功率是指5g集内的各个的储能设备的充电功率的和值；聚合放电功率是指5g集内的各个的储能设备的放电功率的和值。
[0061]
5g集功率平衡约束为：
[0062]
[0063]
其中，l
bs,i,t
为5g集i在t时刻的总功率；为5g集i在t时刻的可调度功率。
[0064]
5g集传输功率约束为：
[0065][0066]
其中，p
exc,i,min
为配电网在t时刻与5g集i的交换功率的下限；p
exc,i,max
为配电网在t时刻与5g集i的交换功率的上限。
[0067]
本实施例中，5g集的储能资源模型包括储能设备的平均荷电状态约束、充放电约束、充放电功率上下限约束和荷电状态上下限约束。
[0068]
在连续的两个时刻内，5g集i的储能设备的荷电状态(soc)满足下述约束，即平均荷电状态约束为：
[0069][0070]
其中，soc
es，i，t
为5g集i的储能设备在t时刻的平均荷电状态；soc
es，i，t-1
为5g集i的储能设备在t-1时刻的平均荷电状态；为5g集i的储能设备的平均充电效率；为5g集i的储能设备在t时刻的聚合充电功率；δt为相邻时刻之间的时间间隔，即t时刻和t-1时刻之间的时间间隔；为5g集i的储能设备在t时刻的聚合放电功率；为5g集i的储能设备的平均放电效率；c
es，i
为5g集i的储能设备的总容量；t为时刻的总个数；k为配电网供电范围内的5g集的总个数。
[0071]
由于储能特性，储能设备无法同时充放电，则充放电约束为：
[0072][0073]
同时，储能设备应满足充放电功率上下限约束和荷电状态上下限约束。
[0074]
充放电功率上下限约束为：
[0075][0076][0077]
其中，为5g集i的储能设备的聚合充电功率的上限；为5g集i的储能设备的聚合放电功率的上限。
[0078]
荷电状态上下限约束为：
[0079][0080]
其中，soc
es，i，min
为5g集i的储能设备的平均荷电状态的下限；soc
es，i，max
为5g集i的储能设备的平均荷电状态的上限。
[0081]
本实施例中，5g集的功率迁移模型包括5g集的总功率约束、可调度
功率约束和动态功率约束。
[0082]
5g的功率由静态功率和动态功率组成，动态功率与该5g所接入的通信流量成正比，则总功率约束为：
[0083][0084]
其中，l
bs,i,t
为5g集i在t时刻的总功率；为5g集i在t时刻的静态功率；α为5g的能量效率系数，其值为功率放大器效率的倒数；为5g集i在t时刻的动态功率；t为时刻的总个数。
[0085]
在t时刻，不同5g集之间存在通信负载迁移，5g集i的可调度功率满足下述约束，即可调度功率约束为：
[0086][0087][0088]
其中，为5g集i在t时刻的可调度功率；k为配电网供电范围内的5g集的总个数；为在t时刻5g集i和5g集j之间的迁移负载，当功率从5g集i转移到5g集j时，反之，为了保证通信服务质量，当5g与通信用户距离增加时，5g信号发射器的传输功率也相应增加，从而会消耗更多能量，γ
i，j
为5g集i和5g集j之间的传输系数，其大小与信号传输距离和路径有关；为在t时刻5g集j和5g集i之间的迁移负载。
[0089]
在5g硬件设备的限制下，5g集i的动态功率满足下述约束，即动态功率约束为：
[0090][0091]
其中，为5g集i在t时刻的动态功率；为5g集i的动态功率的上限。
[0092]
s2：利用基于差分进化算法的博弈均衡分布式求解方法对所述协同优化调度模型进行优化求解，得到最佳配置方案；所述最佳配置方案为配电网供电范围内的每一5g集的储能设备的聚合充放电功率和任意两个5g集之间的迁移负载。
[0093]
本实施例提出基于差分进化算法的博弈均衡分布式求解方法，以对s1所建立的协同优化调度模型进行优化求解。这是由于每个集获得的信息不完备，需要采用分布式算法，通过多次迭代以稳定到最优值，而差分进化算法是一种可以有效解决分布式优化问题的启发式算法，该算法的过程是：配电网先随机生成一个初始电价策略；接着，5g集根据给定电价策略求解储能充放电和负载迁移优化问题；然后，配电网根据每个5g集的优化策略计算其目标函数，在下一轮迭代中，通过突变、交叉和选择等操作生成新
的电价，如此反复，直至随着个体适应度的进化，迭代逼近最优解。其中，在求解5g集优化策略的问题中，优化变量在时间和空间上是耦合的，导致5g集优化模型不能直接求解。因此，将原优化问题分解为储能充放电优化子问题和功率迁移优化子问题，即在通过将电价代入5g集优化模型，求出最优充放电策略和最优负载迁移策略的过程中，由于这两个策略时空耦合，不方便同时求解，采取的措施是先固定负载迁移策略，求出最优充放电策略，然后固定最优充放电策略，求出最优负载迁移策略，通过迭代求解这两个子问题直至收敛，到原始优化问题的最优解。
[0094]
则s2中，利用基于差分进化算法的博弈均衡分布式求解方法对协同优化调度模型进行优化求解可以包括：
[0095]
(1)构建初始种；
[0096]
(2)对于初始种中的每一个个体，利用个体对协同优化调度模型进行优化求解，得到配置方案、第一目标值和第二目标值；配置方案包括配电网供电范围内的每一5g集的储能设备的聚合充放电功率和任意两个5g集之间的迁移负载；第一目标值为配电网的运行收益；第二目标值为5g集的成本；
[0097]
其中，利用个体对协同优化调度模型进行优化求解可以包括：将个体所代表的电价代入5g集优化模型，求出最优充放电策略和最优负载迁移策略以及5g集的成本，再将得到的最优充放电策略和最优负载迁移策略代入配电网优化模型，得到配电网运行收益。
[0098]
(3)判断是否达到迭代终止条件；
[0099]
本实施例的迭代终止条件可为达到最大迭代次数；或者，迭代终止条件可为第一目标值的最大值与第一预设值的差值小于第一预设阈值且第二目标值的最小值与第二预设值的差值小于第二预设阈值。
[0100]
(4)若是，则结束迭代，根据第一目标值和第二目标值选取一配置方案作为最佳配置方案；
[0101]
本实施例中，配电网是领导者，其运行经济性占主导地位，优化过程中主要考虑配电网运行经济性，在配电网运行经济性最优的前提下再考虑运行的经济性。故在选取最优配置方案时，先比较各个个体的运行收益，选取运行收益最大的配置方案作为最优配置方案，如果存在运行收益最大的配置方案有多个的情况，再选择其中成本最小的配置方案作为最优配置方案。
[0102]
(5)若否，则对初始种进行突变、交叉和选择，得到更新后种，并以更新后种作为下一迭代中的初始种，返回“对于初始种中的每一个个体，利用个体对协同优化调度模型进行优化求解”的步骤。
[0103]
基于上述优化求解过程，本实施例还可以采用最佳配置方案对应的个体作为最佳电价，配电网和5g集之间按照该最佳电价进行电量交易，能够最大化配电网的运行收益且最小化5g集的成本。
[0104]
本实施例考虑5g集时间维度和空间维度的需求响应，通过构建基于主从博弈的5g集和配电网的协同优化调度模型，并利用基于差分进化算法的博弈均衡分布式求解方法对该协同优化调度模型进行优化求解，能够得到配电网供电范围内的每一5g集的储能设备的聚合充放电功率和任意两个5g集之间的迁移负载的最优解，实
现5g集的可调度资源的优化调度，可有效提高5g集的可调度资源的利用率，即考虑调度5g集自带的储能资源，提高了储能资源的利用率，利用储能设备的充放电策略和区域间的负载迁移，起到削减峰值功率的作用，提高了配电网运行的灵活性，同时5g根据电价进行需求响应，提高了运行的经济性，从而提高电力系统运行的灵活性和经济性。
[0105]
本实施例的协同优化调度方法所依据的基础数据包括电力功率、储能设备容量以及电价数据等，符合电力系统发展的实际情况，所建立的基于主从博弈的5g集和配电网的协同优化调度模型能够用于解决多决策主体间的协同优化问题，所提出的基于差分进化算法的博弈均衡分布式求解方法，可以解决各决策主体间信息不全面的实际问题，通过采用本实施例所述的协同优化调度方法，可将其优化结果应用到实际5g集大规模接入配电网的运行过程中，实现5g集和配电网的协同优化调度，可有效提高5g可调度资源的利用率，降低5g集的运行成本，提高电力系统运行的灵活性和经济性，实现多主体共赢。
[0106]
实施例2：
[0107]
本实施例用于提供一种5g集和配电网的协同优化调度系统，如图2所示，所述协同优化调度系统包括：
[0108]
模型建立模块m1，用于建立基于主从博弈的5g集和配电网之间的协同优化调度模型；所述协同优化调度模型包括主模型和从模型；所述主模型为配电网优化模型；所述从模型的目标函数为5g集优化模型，约束条件为5g集的储能资源模型和功率迁移模型；
[0109]
优化求解模块m2，用于利用基于差分进化算法的博弈均衡分布式求解方法对所述协同优化调度模型进行优化求解，得到最佳配置方案；所述最佳配置方案为配电网供电范围内的每一5g集的储能设备的聚合充放电功率和任意两个5g集之间的迁移负载。
[0110]
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0111]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
技术特征：
1.一种5g集和配电网的协同优化调度方法，其特征在于，所述协同优化调度方法包括：建立基于主从博弈的5g集和配电网之间的协同优化调度模型；所述协同优化调度模型包括主模型和从模型；所述主模型为配电网优化模型；所述从模型的目标函数为5g集优化模型，约束条件为5g集的储能资源模型和功率迁移模型；利用基于差分进化算法的博弈均衡分布式求解方法对所述协同优化调度模型进行优化求解，得到最佳配置方案；所述最佳配置方案为配电网供电范围内的每一5g集的储能设备的聚合充放电功率和任意两个5g集之间的迁移负载。2.根据权利要求1所述的协同优化调度方法，其特征在于，所述配电网优化模型包括配电网运行收益函数和配电网运行约束；所述配电网运行收益函数为：f
dno
＝f
cl
+f
exc-c
grid-c
pen
；其中，f
dno
为配电网的运行收益；f
cl
为配电网向常规用户售电的收益；f
exc
为配电网与5g集进行电量交易的收益；c
grid
为配电网向上级电网购电的成本；c
pen
为功率峰值惩罚成本；其中，k为配电网供电范围内的5g集的总个数；t为时刻的总个数；p
sell,i,t
为配电网在t时刻向常规用户i售电的零售价格；l
c,i,t
为常规用户i在t时刻所用的功率；其中，p
exc,i,t
为配电网在t时刻与5g集i的交换功率；p
buy
为配电网向上级电网购电的购电价格；其中，p
grid,i,t
为配电网在t时刻向上级电网购买的5g集i所在区域的功率；其中，λ为惩罚系数；所述配电网运行约束为：
其中，p
grid,i,min
为配电网在t时刻向上级电网购买的5g集i所在区域的功率的下限；p
grid,i,max
为配电网在t时刻向上级电网购买的5g集i所在区域的功率的上限。3.根据权利要求1所述的协同优化调度方法，其特征在于，所述5g集优化模型包括5g集成本函数、5g集功率平衡约束和5g集传输功率约束；所述5g集成本函数为：f
bsg
＝f
exc
+c
es
；其中，f
bsg
为5g集的成本；f
exc
为配电网与5g集进行电量交易的收益；c
es
为5g集的充放电损耗成本；其中，k为配电网供电范围内的5g集的总个数；t为时刻的总个数；p
bsell,i,t
为配电网在t时刻向5g集i售电的售电价格；p
exc,i,t
为配电网在t时刻与5g集i的交换功率；p
buy
为配电网向上级电网购电的购电价格；其中，为5g集i的储能设备的充放电损耗系数；为5g集i的储能设备的聚合充电功率；为5g集i的储能设备的聚合放电功率；所述5g集功率平衡约束为：其中，l
bs,i,t
为5g集i在t时刻的总功率；为5g集i在t时刻的可调度功率；所述5g集传输功率约束为：其中，p
exc,i,min
为配电网在t时刻与5g集i的交换功率的下限；p
exc,i,max
为配电网在t时刻与5g集i的交换功率的上限。4.根据权利要求1所述的协同优化调度方法，其特征在于，所述储能资源模型包括储能设备的平均荷电状态约束、充放电约束、充放电功率上下限约束和荷电状态上下限约束；所述平均荷电状态约束为：
其中，soc
es，i，t
为5g集i的储能设备在t时刻的平均荷电状态；soc
es，i，t-1
为5g集i的储能设备在t-1时刻的平均荷电状态；为5g集i的储能设备的平均充电效率；为5g集i的储能设备在t时刻的聚合充电功率；δt为相邻时刻之间的时间间隔；为5g集i的储能设备在t时刻的聚合放电功率；为5g集i的储能设备的平均放电效率；c
es，i
为5g集i的储能设备的总容量；t为时刻的总个数；k为配电网供电范围内的5g集的总个数；所述充放电约束为：所述充放电功率上下限约束为：所述充放电功率上下限约束为：其中，为5g集i的储能设备的聚合充电功率的上限；为5g集i的储能设备的聚合放电功率的上限；所述荷电状态上下限约束为：其中，soc
es，i，min
为5g集i的储能设备的平均荷电状态的下限；soc
es，i，max
为5g集i的储能设备的平均荷电状态的上限。5.根据权利要求1所述的协同优化调度方法，其特征在于，所述功率迁移模型包括5g集的总功率约束、可调度功率约束和动态功率约束；所述总功率约束为：其中，l
bs,i,t
为5g集i在t时刻的总功率；为5g集i在t时刻的静态功率；α为5g的能量效率系数；为5g集i在t时刻的动态功率；t为时刻的总个数；所述可调度功率约束为：
其中，为5g集i在t时刻的可调度功率；k为配电网供电范围内的5g集的总个数；为在t时刻5g集i和5g集j之间的迁移负载；γ
i，j
为5g集i和5g集j之间的传输系数；为在t时刻5g集j和5g集i之间的迁移负载；所述动态功率约束为：其中，为5g集i在t时刻的动态功率；为5g集i的动态功率的上限。6.根据权利要求1所述的协同优化调度方法，其特征在于，在所述建立基于主从博弈的5g集和配电网之间的协同优化调度模型之前，所述协同优化调度方法还包括：将配电网的供电范围随机划分为多个区域，每一所述区域内的所有5g构成一个5g集，得到所述配电网的供电范围内的多个5g集。7.根据权利要求2所述的协同优化调度方法，其特征在于，配电网在t时刻向5g集i售电的售电价格大于或等于配电网向上级电网购电的购电价格，且小于或等于配电网向常规用户售电的零售价格。8.根据权利要求1所述的协同优化调度方法，其特征在于，所述利用基于差分进化算法的博弈均衡分布式求解方法对所述协同优化调度模型进行优化求解具体包括：构建初始种；对于所述初始种中的每一个个体，利用所述个体对所述协同优化调度模型进行优化求解，得到配置方案、第一目标值和第二目标值；所述配置方案包括配电网供电范围内的每一5g集的储能设备的聚合充放电功率和任意两个5g集之间的迁移负载；所述第一目标值为配电网的运行收益；所述第二目标值为5g集的成本；判断是否达到迭代终止条件；若是，则结束迭代，根据所述第一目标值和所述第二目标值选取一所述配置方案作为最佳配置方案；若否，则对所述初始种进行突变、交叉和选择，得到更新后种，并以所述更新后种作为下一迭代中的初始种，返回“对于所述初始种中的每一个个体，利用所述个体对所述协同优化调度模型进行优化求解”的步骤。9.根据权利要求8所述的协同优化调度方法，其特征在于，所述迭代终止条件为达到最大迭代次数；或者，所述迭代终止条件为所述第一目标值的最大值与第一预设值的差值小于第一预设阈值且所述第二目标值的最小值与第二预设值的差值小于第二预设阈值。10.一种5g集和配电网的协同优化调度系统，其特征在于，所述协同优化调度系统包括：模型建立模块，用于建立基于主从博弈的5g集和配电网之间的协同优化调度模
型；所述协同优化调度模型包括主模型和从模型；所述主模型为配电网优化模型；所述从模型的目标函数为5g集优化模型，约束条件为5g集的储能资源模型和功率迁移模型；优化求解模块，用于利用基于差分进化算法的博弈均衡分布式求解方法对所述协同优化调度模型进行优化求解，得到最佳配置方案，所述最佳配置方案为配电网供电范围内的每一5g集的储能设备的聚合充放电功率和任意两个5g集之间的迁移负载。
技术总结
本发明涉及一种5G集和配电网的协同优化调度方法及系统，属于5G集资源调度技术领域，先建立基于主从博弈的5G集和配电网之间的协同优化调度模型，再利用基于差分进化算法的博弈均衡分布式求解方法对协同优化调度模型进行优化求解，得到最佳配置方案，进而能够得到配电网供电范围内的每一5G集的储能设备的聚合充放电功率和任意两个5G集之间的迁移负载的最优解，实现5G集的可调度资源的优化调度，可有效提高5G集的可调度资源的利用率，从而减少配电网峰值功率，提高电力系统运行的灵活性和经济性。济性。济性。
技术研发人员：
张思璐 刘念
受保护的技术使用者：
华北电力大学
技术研发日：
2022.09.21
技术公布日：
2022/12/8
