不平衡配电网中考虑电压/无功控制的鲁棒与风险规避型接纳能力最大化

《CSEE Journal of Power and Energy Systems》：Maximizing Robust and Risk-Averse Hosting Capacity for Unbalanced Distribution Network with Volt/Var Control

　　

分布式能源（Distributed Energy Resource, DER）尤其是光伏（Photovoltaic, PV）的快速整合，引发了主动配电网（Active Distribution Network, ADN）的演进。这种演进需要对接纳能力（Hosting Capacity, HC）进行评估，以在确保网络运行约束的前提下确定最大允许的光伏发电量。首先，本文定义了不确定性实现最坏情况下的鲁棒接纳能力（robust HC）以及可降低评估不足风险的风险规避型接纳能力（risk-averse HC）。然后，本文提出了针对三相不平衡配电网的基于逆变器的电压/无功控制（Volt/Var Control, VVC）的鲁棒和风险规避型接纳能力最大化方法。所提出的鲁棒或风险规避型接纳能力可用作优化模型中的目标函数。本文发展了用于网络运行的线性化支路潮流模型（Branch Flow Model, BFM）以及适用于电压相关负荷的兼容ZIP负荷模型。最后，采用拉丁超立方抽样（Latin Hypercube Sampling, LHS）方法为优化模型的不确定性建模。在大型不平衡配电网中进行了数值仿真。仿真结果验证了模型的准确性（误差小于1%）以及所提出的鲁棒和风险规避型接纳能力最大化方法在评估鲁棒性和控制意外接纳能力实现风险方面的有效性。

本文解读基于发表于《CSEE Journal of Power and Energy Systems》的研究，聚焦不平衡配电网中考虑电压/无功控制（Volt/Var Control, VVC）的鲁棒与风险规避型接纳能力最大化问题。研究背景方面，分布式能源（Distributed Energy Resource, DER）尤其是光伏（Photovoltaic, PV）的大量接入，使传统被动配电网转变为主动配电网（Active Distribution Network, ADN）。可再生能源出力具有间歇性、波动性和不可调度性，与负荷需求难以匹配，造成供需失衡，配电网运营商面临可再生能源注入受限的问题。接纳能力（Hosting Capacity, HC）用于衡量在满足网络运行安全与电能质量约束下，系统可接纳的最大可再生能源发电量。传统确定性HC评估仅针对单一运行条件，无法刻画发电与负荷的不确定性，结果往往过于乐观。现有研究在HC最大化中缺乏对不平衡网络、精确负荷模型、鲁棒性及风险控制的综合考量。因此，本文旨在定义新的鲁棒HC和风险规避型HC，并发展适用于三相不平衡配电网的HC最大化方法。

研究人员提出以不同HC为目标函数的优化模型：期望型HC（HC^exp）、鲁棒型HC（HC^rob）和风险规避型HC（HC^RA）。其中，HC^exp为各场景HC的期望值；HC^rob取所有场景中的最小HC，保证最坏情况下的鲁棒性；HC^RA基于条件风险价值（Conditional Value-at-Risk, CVaR）度量，允许通过置信水平调节风险评估的严格程度。优化模型采用线性化支路潮流模型（Branch Flow Model, BFM）描述三相不平衡网络，同时提出与该线性化模型兼容的ZIP负荷模型，以反映负荷的电压依赖性。负荷不确定性通过拉丁超立方抽样（Latin Hypercube Sampling, LHS）生成场景，从而兼顾概率覆盖的均匀性和计算效率。数值仿真基于改进的IEEE 123节点测试馈线系统实施，仿真验证了线性化网络模型与负荷模型的准确性，误差小于1%。

关键技术方法可概括为：其一，采用线性化BFM对径向三相不平衡配电网进行潮流建模，忽略线损并假设母线电压接近1.0 p.u.，从而将非线性潮流转化为线性约束；其二，建立线性化ZIP模型，通过电压平方变量U近似表示电压，将恒阻抗、恒电流、恒功率负荷分量统一为U的线性函数；其三，利用CVaR定义风险规避型HC，通过辅助变量将非线性风险度量转化为线性凸优化约束，实现了风险可控；其四，采用LHS对负荷静态功率进行分层抽样，生成均匀覆盖概率空间的随机场景；其五，设置逆变器视在功率容量为光伏有功的1.1倍，为VVC提供无功调节裕度。样本队列来源于修改的IEEE 123节点测试馈线系统，其中20个位置被选为光伏接入候选点，并在灵敏度分析中扩展至95个。

研究结果部分如下。

期望型接纳能力最大化（Expectation-Based HC Maximization）：以HC^exp为目标，求解后得到所有场景下总接纳能力均值为17.141 MW。该结果与优化模型中的期望值一致，但未考虑极端场景，评估结果可能偏乐观。

鲁棒接纳能力最大化（Robust HC Maximization）：以HC^rob为目标，优化结果为16.823 MW，对应最坏场景下的HC。结果显示，除个别极端场景外，其余场景的允许光伏出力均不低于该值，从而提供了鲁棒评估结果，但该结果偏保守。

风险规避型接纳能力最大化（Risk-Averse HC Maximization）：设置置信水平β=95%时，优化得到的风险规避型HC为16.890 MW，同时VaR值为16.934 MW。该方法主动排除5%的极端低HC场景，在剩余95%场景中最大化HC，实现了风险与收益的折中。

比较（Comparison）：期望型HC作为基准，忽略了风险，易导致实际HC与期望值偏离；鲁棒型HC具有强鲁棒性但保守且不可调；风险规避型HC通过置信水平提供了可调的保守度，能有效平衡HC提升与风险控制。

接纳能力最大化模型的验证（Validation of HC Maximization Models）：生成3000个独立负荷不确定性场景进行验证，将优化结果与场景后验计算结果对比，所有误差均小于1%。同时，对置信水平进行敏感性分析，发现β越高，HC评估越保守，验证了风险规避模型的可调节性。

光伏位置灵敏度分析（Sensitivity Analysis on PV Locations）：将所有95个带负荷母线均设为候选位置后，HC结果与20个候选位置时的结果相差很小，表明在该测试网络中，HC对光伏接入位置不敏感，网络规划具有一定的灵活性。

总结讨论部分，研究通过对比三种HC目标函数，揭示了期望型评估的不足、鲁棒型的保守性以及风险规避型的优势。仿真结果表明，风险规避型HC能通过调整置信水平控制风险，并在实际运行中避免出现严重偏离预期的接纳能力实现。因此，研究人员建议在实际应用中采用风险规避型接纳能力最大化方法。结论部分原文翻译如下：本文提出了鲁棒接纳能力和风险规避型接纳能力，并据此提出了用于三相不平衡配电网的、含逆变器VVC的接纳能力最大化方法。基于线性化BFM和兼容的电压相关负荷模型，构建了具有不同HC目标函数的优化模型。采用LHS方法为优化模型的不确定性建模，并通过综合算例验证了鲁棒和风险规避型HC最大化方法的有效性。数值仿真表明，鲁棒HC最大化方法优先保证评估鲁棒性，确保在不确定性实现下HC结果不会更低；风险规避型HC最大化方法可避免意外和偏离的HC实现，并通过可调置信水平实现HC提升与风险控制的权衡。整体而言，风险规避型HC最大化方法更优，建议实际应用。所采用的线性化BFM限制了该方法向微电网HC最大化的推广，未来可引入并网及孤岛微电网潮流模型；此外，可考虑在鲁棒和风险规避型HC最大化中纳入储能系统，并采用点估计法等先进方法进一步提高不确定性采样效率。