文章解读与仿真程序复现思路——电力系统自动化EI\CSCD\北大核心《基于网源协同多阶段投资规划的配电网过网费机制设计》

这个标题涉及到电力系统管理领域的一项研究，以下是对标题的解读：

1. 基于网源协同多阶段投资规划：

   • 基于网源协同： 表明该研究考虑了电力网和电源之间的协同作用。这可能涉及到电网和电源之间的一种有效协同管理或规划策略。
   • 多阶段投资规划： 暗示研究关注了一个跨越多个时期的投资规划问题，这可能涉及到长期的电力系统发展和扩建。

2. 配电网过网费机制设计：

   • 配电网： 指的是将电力从输电网输送到最终用户的网络。这可能包括城市、乡村等地的电力配送系统。
   • 过网费： 可能是指电力通过配电网传输的费用，这可能与电力输配过程中的一些成本有关。
   • 机制设计： 涉及创建一个系统或规则，以管理过网费的制定和执行。

综合来看，这个标题表明研究的重点是在电力系统中，通过考虑电网和电源之间的协同作用，采用多阶段投资规划，设计一种有效的配电网过网费机制。这种机制可能有助于更好地反映电力系统的实际使用情况，尤其是在涉及到分布式电源和余电上网模式的情境下。这有望为电力系统的可持续发展、分布式电源的合理利用提供一种优化的解决方案。

摘要：针对分布式电源就地消纳会造成电网企业输配电成本流失，且现行输配电价制定机制尚不能真实反映“余电上网”模式下分布式电源对配电网的实际使用情况，提出一种基于网源协同多阶段投资规划的配电网过网费机制设计。首先，根据负荷增长情况，以投资年份、投资容量为决策变量，将分布式电源规划周期分为若干阶段，在此基础上利用所提过网费模型分别求出各阶段对应的过网费。其中，源网协同多阶段规划模型的建立以分布式电源投资主体效益最大及配电网网损和电压波动最小为目标，过网费计算模型则依据分布式发电市场化交易的输配电资产占用情况、电压等级和电气距离等关键影响要素，构建了含基础费用、阻塞附加费用和交叉补贴费用的分布式电源过网费。仿真结果表明，所提出的与分布式电源投资规划相结合的过网费机制能够保证投资主体的效益和配电网的资产回收，并能在一定程度上提高分布式电源的渗透率和消纳率。

这篇摘要讨论了面对分布式电源就地消纳可能导致电网企业输配电成本流失的问题。同时指出现行的输配电价制度无法准确反映“余电上网”模式下分布式电源对配电网实际使用情况的挑战。为了解决这些问题，提出了一种新的配电网过网费机制，这个机制基于网源协同的多阶段投资规划。

这个方案的设计步骤包括：

1. 规划周期分段投资： 依据负荷增长情况，以投资年份和投资容量为关键变量，将分布式电源的规划周期划分为不同的阶段。
2. 过网费模型设计： 利用提出的过网费模型计算各个阶段对应的过网费。该模型考虑了分布式发电市场化交易对输配电资产的占用情况、电压等级和电气距离等关键影响因素，并包括了基础费用、阻塞附加费用和交叉补贴费用等组成部分。
3. 建立规划模型： 通过建立源网协同多阶段规划模型，以最大化分布式电源投资主体的效益，并最小化配电网的网损和电压波动。

仿真结果显示，这个提出的配电网过网费机制结合了分布式电源的投资规划，能够保障投资主体的效益并回收配电网的资产。此外，在一定程度上，这个机制也有助于提高分布式电源的渗透率和消纳率，即更好地整合分布式电源到电网系统中。

关键词:网源协同; 过网费;多阶段投资规划;分布式电源;经营权损失;风电消纳;

当谈论“网源协同”时，指的是电网与能源来源之间的协同作用或协调。在能源领域，这可能指的是电网与各种能源来源（如太阳能、风能等）之间的协同运作，以实现更高效的能源利用和整合。

“过网费”是指分布式电源接入电网时需要支付的费用。这些费用通常考虑了输配电设施的使用、电网的维护、升级以及可能的电网扩展，以支持分布式电源的接入和运行。

“多阶段投资规划”意味着将投资规划分成多个阶段，以便更好地适应负荷增长和能源技术发展的变化。对于分布式电源，这种规划方法可能涉及不同时间段内的投资和扩建，以满足需求和技术发展。

“分布式电源”是指分散地分布在不同地点的小型能源发电设备，例如屋顶太阳能电池板或小型风力发电机。它们与中央化的发电站相比更为分散，可以更接近能源使用地点，减少输电损失。

“经营权损失”通常是指由于某种原因而无法或部分失去经营权益。在能源领域，这可能指的是电网企业因为分布式电源接入导致的部分经营权益减少或失去。

最后，“风电消纳”指的是将风能转化为电能并纳入电网供电系统中的过程。在一些情况下，风电消纳可能涉及克服输电能力限制、电网稳定性等问题，以确保可靠地接纳风能发电。

这些关键词通常在能源行业、特别是在电力系统规划、分布式能源整合和电网运营方面被广泛讨论和应用。通过协同运作、费用制定、规划和管理，希望能更好地整合分布式能源到电网系统中，并解决相关的技术、经济和管理挑战。

仿真算例：

考虑 DG 出力的不确定性，采用 k-means 聚类的方法得到风电出力的典型场景，并选取 4 个季节的典型日负荷数据，来表示年负荷变化曲线。根据负荷增长的特点，假设初期负荷增速较快，中期负荷增速降低，后期负荷水平逐渐达到稳定，按照文献［11］的方式，将规划周期划分为 3 个阶段，Tplan=12，设定项目拟投建运行周期 Y=25；风机周期寿命 TDG=20。求解 IMOPSO 算法的相关参数如下：粒子群种群数为 100，最大迭代次数为 200，惯性因子 ω=0.9。以典型的 IEEE 33 节点系统为例，IEEE 33 节点标准配电网系统共有 32 个配电变压器，32 条支路，其电压等级为 12.66 kV，功率基准值为 100 MV·A，电压为 1.05 p.u.，每个节点风电安装容量上限为 1 MW，总容量不超过 3 MW。本文所提多阶段规划模型中考虑的是多阶段规划下备选节点中不同节点的安装时序，在 DG 并网点达到相同电能质量水平时，节点负荷越大可允许接入的电源容量越大［25］。因此，本文假设各支路末端负荷水平较大的节点作为光伏系统的备选 接 入 点 ，分 别 是 ：4、8、14、24、25、30、31、32，规划示意图见附录 A 图 A1。4 个典型场景中风电出力情况见附录 A 图 A2。购电和售电都采用峰平-谷分时电价，见附录 A 图 A3，其中向用户售电的峰时、平时、谷时电价分别为 0.8、0.6、0.3元/（kW·h）；向主网购电电价的峰时、平时、谷时电价分别为 0.6、0.4、0.3 元/（kW·h）。此外，新能源补贴并非一直存在，2019 年 5 月 24 日国家发展改革委关于完善风电上网电价政策的通知中指出：自 2021 年 1 月 1 日开始，新核准的陆上风电项目全面实现平价上网，国家不再补贴。为体现模型适用性，故保留目标函数中的补贴项，在本文模型中 DG 的单位发电补贴费用ωDG取 0。在过网费分摊过程中，由于发电厂和电力用户共同构成了电力市场的主体，它们共同按需求平等使用电力资源，且在配电网中，输电价格对电源和负荷的影响基本上相同，因此，本文将阻塞成本在发电侧和负荷侧平均分配，分摊因子 β 取 0.5，实际工程中可根据不同需求情况取值。为验证本文所提的基于网源协同多阶段规划的过网费模型的有效性，算例选取 3 个场景进行对比：
场景Ⅰ：考虑 DG 建设时序，投资规划分成 3 个阶段，在各个阶段分别投建已规划好的 DG 容量，过网费分 3 个阶段核定。
场景Ⅱ：不考虑 DG 建设时序，在规划运行期第一年就将预建设的 DG 投建完成，其余条件与场景Ⅰ相同。
场景Ⅲ：将场景Ⅰ中的多目标规划变为单目标规划，其余条件与场景Ⅰ相同。

仿真程序复现思路：

对于仿真的复现，首先需要考虑以下步骤：

1. 风电出力的典型场景获取： 使用 k-means 聚类算法对风电出力数据进行聚类，得到典型场景。这可以使用 Python 中的 scikit-learn 库来实现，利用 KMeans 函数进行聚类。

2. 选取4个季节的典型日负荷数据： 这需要一个年负荷数据集。从中按照季节选取典型日的负荷数据，以表示年负荷变化曲线。你可以使用 Pandas 库读取负荷数据，然后进行数据处理和选取操作。

3. 规划周期和参数设定： 根据描述，规划周期分为三个阶段，设定了各种算法参数如粒子群数、迭代次数等。这些参数在代码中需要预先定义好。

4. IEEE 33节点系统及其数据准备： 这需要一个 IEEE 33 节点系统的模型和相关数据。这些数据可以是节点、线路、负载等信息。你可以使用网络仿真软件（如MATLAB Power System Toolbox）来模拟这样的系统，或者查找现有的数据集。

5. 多阶段规划模型的建立： 基于所描述的多阶段规划模型，编写数学模型并结合算法进行求解。你可以使用数学建模工具，比如 PuLP 或者 Pyomo（Python 库）来构建这个优化问题。

6. 场景对比和结果展示： 实现三个不同场景的求解，并对结果进行比较。这需要在代码中定义这三种场景的差异，并运行算法来获得每个场景的结果。

在Python中，可能会涉及到的库有：

• scikit-learn：用于K-means聚类算法实现
• Pandas：用于数据处理和选取
• PuLP或Pyomo：用于建立数学优化模型
• Matplotlib或Seaborn：用于数据可视化展示结果

然而，具体的实现代码涉及到大量的数据处理、算法实现和模型构建，无法在此提供完整的代码。但我可以提供一个伪代码示例来展示这个过程：

import numpy as np
import matplotlib.pyplot as plt

# 定义仿真参数
total_time = 10  # 仿真总时间
dt = 0.1         # 时间步长

# 定义系统模型
def system_model(state, time):
    # 在这个简单的例子中，我们假设系统是一个简单的一阶惯性系统
    # dy/dt = -y，其中y是系统状态
    return -state

# 初始化仿真
time_points = np.arange(0, total_time, dt)
state_trajectory = []

# 执行仿真
current_state = 1.0  # 初始状态
for time in time_points:
    state_trajectory.append(current_state)
    
    # 更新系统状态，假设事件在每个时间步发生
    current_state += system_model(current_state, time) * dt

# 可视化仿真结果
plt.plot(time_points, state_trajectory)
plt.xlabel('Time')
plt.ylabel('System State')
plt.title('Simulation of a Simple Dynamic System')
plt.show()

上述代码是一个简单的例子，仅用于说明仿真程序的基本结构。实际的仿真程序可能会涉及更复杂的数学模型、大量的数据处理、多线程或并行计算等。具体的代码实现将取决于您所解决问题的特定要求。在实际项目中，可能需要使用专业的仿真工具、库或框架，具体选择也会受到问题和环境的影响。