Machine Translated by Google

IET Production, Transmission & Distribution

article de recherche

ISSN 1751-8687
Méthode robuste d'optimisation de la puissance Reçu le 21 juin 2016 Révisé
le 17 décembre 2016 Accepté
réactive et de contrôle de la tension pour les réseaux de le 14 janvier 2017 E-First le 31
mars 2017 doi : 10.1049/iet-
distribution actifs via une coordination à double échelle de temps
gtd.2016.0950 www.ietdl.org

Weiye Zheng1 , Wenchuan Wu1 , Boming Zhang1 , Yongjie Wang1

1Département de génie électrique, Université Tsinghua, Pékin, République populaire de Chine
Courriel : wuwench@tsinghua.edu.cn

Résumé : Dans les réseaux de distribution, il existe des dispositifs de régulation lente et des dispositifs de régulation rapide pour la régulation Volt-VAr. Ces dispositifs de contrôle
lents, tels que les condensateurs ou les régulateurs de tension, ne peuvent pas être actionnés fréquemment et doivent être programmés des dizaines de minutes à l'avance (ci-
après dénommés contrôle lent). En raison des incertitudes dans la prédiction de la charge et de la génération distribuée, les violations de tension ne peuvent pas être éliminées par
des dispositifs de contrôle rapides avec un calendrier incorrect des dispositifs de contrôle lents. Dans cet article, nous proposons une double coordination d'échelle de temps pour
le schéma de contrôle Volt-VAr, correspondant au contrôle lent et rapide.
Le contrôle lent garantit que les contrôles rapides ultérieurs peuvent maintenir la sécurité de tension du système si les paramètres incertains varient dans des limites prédéfinies.
Un algorithme de génération de colonnes et de contraintes a été utilisé pour résoudre le modèle convexifié robuste. Un modèle d'optimisation déterministe classique peut être
utilisé pour déterminer le mécanisme de contrôle rapide. Les résultats de la simulation montrent que la résolution du modèle déterministe n'est pas toujours réalisable et qu'une
violation de tension peut se produire. Le modèle robuste s'est avéré efficace par rapport à tous les scénarios possibles dans l'ensemble d'incertitude, avec peu de compromis en
termes de pertes de réseau.

variables
ÿNomenclature
Les principaux symboles utilisés tout au long de ce document sont indiqués ci- Pij, Qij, lij flux de puissance active, flux de puissance réactive et amplitude au carré
dessous pour une référence rapide. D'autres sont définis selon les besoins. du courant à l'extrémité émettrice de la branche ij, respectivement

Indices et ensembles
je, indices de bus, de 1 à N indices de
jÿ phases, se référant typiquement à a, b et c itération de
l'algorithme proposé index des réglages de prise des
savoir
régulateurs de tension, de 1 à R ensemble de bus dans l'ensemble du
système ensemble de branches dans le système complet ensemble de
ÿ Pi , Qi
prises admissibles de la branche ij, composé de Kij, 1, Kij, 2, …, Kij, R
ensemble de décisions d'activation et de désactivation autorisées pour
ij
les batteries de condensateurs au niveau du bus i région réalisable des
.JE variables du premier étage
ÿ ensemble de branches avec régulateurs de tension
ÿ ensemble de bus avec condensateurs/bancs de condensateurs à commutation
mécanique incertitude définie pour la fluctuation de d
PDi , QDi demandes de charge de puissance active et réactive sur le bus i,
respectivement
PGi , QGi puissances actives et réactives injectées des générateurs sur le bus i
puissance réactive totale des compensateurs sur le bus i amplitude
CQi de tension au carré sur le bus i puissances actives et réactives
nous
injectées totales sur le bus i rapport de transformation variable pour
le changeur de prises sur la branche ij marche-arrêt variable de
décision pour la batterie de condensateurs au niveau du bus i vecteur
ÿij
ÿi de décision d'activation et de désactivation des batteries de
condensateurs vecteur de réglage de prise pour les régulateurs de
b tension vecteur de décision du premier étage pour les régulateurs de
K tension et les batteries de condensateurs vecteur de décision du
X deuxième étage pour les sorties réactives des compensateurs VAr
statiques et distribués générateurs
Oui

Notationsÿ: les lettres en gras supérieures (inférieures) seront utilisées pour les
Paramètres d'entrée et fonctions
matrices (vecteurs de colonne)ÿ; || · ||p désigne le vecteur p-norme pour p ÿ 1 ; (·)T
résistance et réactance de la branche ij, respectivement tension transpositionÿ; I la matrice identité ; les variables en exposant ÿ désignent les
rangée, xij
au point de couplage commun borne supérieure de l'amplitude variables correspondantes pour la phase ÿ.
Vréf
¯
je ij du courant de la branche ij bornes supérieure et inférieure de
¯
V je , Vi l'amplitude de la tension sur le bus i, respectivement 1ÿIntroduction
¯ L'optimisation Volt-VAr (VO) vise à minimiser les pertes de puissance du réseau et à
Q Ci , QCi bornes supérieure et inférieure des puissances réactives injectées prévenir les violations de tension en envoyant des dispositifs de contrôle de la
des dispositifs de compensation VAr statique au bus i, respectivement
puissance réactive [1]. Ces dernières années, le nombre de générations renouvelables
¯ distribuées (DG), y compris les générateurs photovoltaïques (PV) et éoliens, a
Q Gi , QGi bornes supérieure et inférieure des puissances réactives injectées considérablement augmenté dans les réseaux de distribution, formant des réseaux de
des générateurs au bus i, respectivement l'élément distribution actifs (ADN). En raison du flux de puissance inverse, les sorties DG
¯C
b je d'admittance de la batterie de condensateurs au bus i charges
peuvent entraîner une surtension [2].
j0 prévues et sorties actives des DG charges réalisées et sorties Pour résoudre ce problème, l'optimisation de la puissance réactive a été étudiée dans
j [3], dans laquelle il a été montré que les pertes de puissance peuvent être réduites de
actives des DG
manière significative. La plupart des études concernant l'optimisation de la puissance
réactive ne tiennent compte d'aucun facteur incertain [4–6].
Trois facteurs majeurs contribuent aux incertitudes des ADNÿ:

IET Génér. Transm. Distrib., 2017, vol. 11 Iss. 6, pp. 1461-1471 1461
© The Institution of Engineering and Technology 2017
Machine Translated by Google

Fig. 1ÿ Chronologie de la coordination séquentielle de la commande lente et de la
commande rapide
je. Les sorties actives des DG renouvelables fluctuent considérablement en
raison de leur volatilité et de leur intermittence inhérentes. ii. Les
demandes de charge varient avec le temps et sont difficiles à prévoir avec
précision. iii. Les mesures en temps réel dans les réseaux de distribution
sont limitées, de sorte que des erreurs importantes peuvent se produire
dans les estimations des sorties des DG et des demandes de charge.
Ces incertitudes posent une série de défis techniques au fonctionnement
des ADN. La régulation de la tension dans les réseaux de distribution est
classiquement réalisée par des régulateurs de tension (VR), des
transformateurs à changement de prise en charge (ULTC) et des batteries
de condensateurs/condensateurs à commutation mécanique (MSC). Si
ces dispositifs sont efficaces pour gérer des variations lentes de tensions,
à l'échelle de temps de l'heure, ils sont peu performants pour des
fluctuations rapides, à l'échelle de temps de la minute ou de la seconde.
D'une part, ces dispositifs de contrôle lents ne peuvent pas être
actionnés fréquemment et on s'attend à ce qu'ils maintiennent leurs états
pendant une longue période, car le temps de fonctionnement journalier
maximal autorisé (MADPT) est limité par la durée de vie prévue. D'autre
part, dans certains scénarios, où les charges et les sorties réelles des DG
s'écartent considérablement de leurs valeurs prévues, une violation de
tension peut se produire. Certains articles récents se sont efforcés de
répondre à ces incertitudes. Sur la base de la technique d'échantillonnage
quasi-aléatoire de Niederreiter, Saric et al. de [7] ont proposé un algorithme
robuste pour le contrôle volt–VAr. Cependant, l'optimalité n'est pas garantie par la
Un modèle de contrôle de tension robuste est décrit dans [8], où une
méthode de génération et de réduction de scénario est utilisée, mais les
dispositifs de contrôle lents tels que les ULTC et les MSC ne sont pas pris en compte.
Sur la base de la génération de scénarios et de la méthode de réduction,
Daratha et al. [9] ont proposé une méthode de régulation de tension
robuste, où l'hypothèse de monotonie est nécessaire pour la réduction
du scénario. De plus, les variables discrètes introduites par les ULTC et
les MSC sont abordées avec une méthode de résolution empirique en deux étapes.
Le modèle d'injection de bus (BIM) est un modèle canonique pour
l'optimisation du flux de puissance, qui se concentre sur les variables
nodales [10]. Sur la base de cette formulation, la relaxation semi-définie
(SDR) a été proposée pour transformer le problème de flux de puissance
optimal non convexe en un problème convexe [11–13]. Cependant, comme
l'ont étudié Lesieutre et al. [13], la méthode SDR a ses limites et conduit
parfois à des solutions peu pratiques. Par conséquent, une autre
formulation du problème de flux de puissance optimal dans les réseaux
de distribution est le modèle de flux de branche (BFM), en raison de la
nature radiale des réseaux de distribution [14-16]. Sur la base de cette
formulation, la relaxation conique du second ordre a été préconisée dans
sont adaptés au contrôle rapide, cet article traite d'un modèle d'optimisation
robuste utilisé pour le contrôle lent.
Comme le montre la Fig. 1, les temps de fonctionnement des commandes
lentes doivent être programmés à l'avance de manière optimale. Certaines
approches heuristiques ont été proposées dans des travaux antérieurs [19,
20]. Cet article se concentre sur la façon de générer des stratégies de
contrôle optimales lorsque les temps de fonctionnement sont déterminés.
Étant donné que les MADPT des dispositifs de contrôle lents sont pris en
compte lors de la planification des temps de fonctionnement, les contrôles
lents séquentiels peuvent être formulés comme des problèmes d'optimisation indépendan
Les principales contributions de cet article incluent :
je. Aucune littérature n'a jamais signalé un tel schéma de contrôle
coordonné à double échelle de temps pour réduire l'incertitude de la
charge et du DG pour les réseaux de distribution triphasés.
Contrairement à [9] qui est essentiellement basé sur la méthode des
scénarios, la coordination est directement présentée comme un
problème d'optimisation robuste à plusieurs niveaux dans cet article.
La convergence de la coordination de la double échelle de temps et
l'optimalité sous incertitudes sont garanties théoriquement. ii. Un
modèle RVO est développé pour déterminer le fonctionnement des
dispositifs lents et garantir que les contrôles rapides ultérieurs
peuvent maintenir la sécurité de tension du système sous des
incertitudes spécifiées.
Le reste de cet article est organisé comme suit : dans la section 2, le
modèle RVO pour le contrôle lent est formulé. La section 3 décrit la
méthodologie de résolution. La section 4 détaille les résultats des
simulations numériques. Ceux-ci démontrent les performances de
l'algorithme proposé. La section 5 conclut cet article.
Modèle 2ÿRVO
Dans
cette section, nous décrivons les modèles déterministes et RVO. Tout
théorie.
d'abord, nous passons en revue un modèle déterministe utilisant les charges
prévues et les sorties DG actives.
2.1 Modèle déterministe
Pour un ADN à N bus, où le bus 1 désigne le point de couplage commun,
le problème d'optimisation de la puissance réactive est de trouver une
répartition optimale pour les équipements du système (par exemple VR,
MSC, DG, SVC, etc.). Cela devrait minimiser les pertes tout en tenant
compte des contraintes de sécurité. Farivar et Low [17] ont montré que le
flux de branche non convexe dans les réseaux de distribution radiaux
peut être convexifié et que le modèle déterministe peut être formulé
comme le problème suivant.
2.1.1 Fonction objectif : Nous visons à minimiser la perte de puissance
active du réseau, c'est-à-dire
min ÿ l
ÿ Phi
ij
ligne
(i, (1)
ÿ, ÿ, QC , QG ÿÿ = a, b, c j) ÿ ÿ

[17, 18] pour la convexification. Les performances numériques du BFM

sont généralement considérées comme légèrement supérieures à celles du BIM dans 2.1.2 les réseaux de
Contraintes dedistribution.
flux de branche DistFlow sous forme de
Cet article aborde les incertitudes en coordonnant les dispositifs de programmation conique du second ordre (SOCP)ÿ: dans les systèmes de
contrôle lents et rapides à l'aide de BFM. Un schéma de contrôle distribution d'énergie, les équations de branche DistFlow sont
coordonné à double échelle de temps est proposé, comme illustré à la Fig. 1. généralement utilisées pour décrire le flux de puissance. Les équations
Dans le cas d'une plus grande échelle de temps, l'envoi ici et ont d'abord été proposées par Baran et Wu dans [14] et plus tard adoptées
maintenant de dispositifs de contrôle lents (y compris les VR et les MSC) est déterminé.
par Low dans [17] pour les relaxations et la convexification
Cela se produit à des échelles de dizaines de minutes voire d'heures (ci-
après dénommé contrôle lent). Dans le cas d'une échelle de temps plus Phi
ÿ - l Phi Phi Phi

(Boire ij Pj ) + ligne Pjk , j _ , ÿÿ

petite, le dispositif de contrôle est activé toutes les minutes à l'aide d'une (2)
ÿi:i ÿ j = ÿkÿ: jÿk
méthode de contrôle d'attente pour un flux de puissance réactif optimal,
par exemple, les sorties réactives des DG et des compensateurs VAr Phi
- l ÿ Phi) + Qj xij Phi ÿ ÿj b vj¯ j
, C ÿ Phi Phi

(Qij ij Qjk , ÿj ÿ ,
statiques (SVC) sont utilisés pour atténuer l'impact des variations de ÿi:i ÿ j = ÿkÿ: jÿk
tension fréquentes qui se produisent en raison de demandes incertaines (3)
ÿÿ
et de la sortie des DG (ci-après appelée commande rapide). Dans le cas
d'un contrôle lent, un modèle robuste VO (RVO) est proposé pour
déterminer le fonctionnement des dispositifs lents et garantir que les Phi ÿ, 2 Phi

contrôles rapides ultérieurs peuvent assurer la sécurité en tension du vj (rij =ÿ,ÿij 2vi
ÿÿÿ - 2 (rij ÿPij ÿ + xij ÿQij ÿ ) + ij ÿ, 2) l , ÿ (i, j) ÿ ÿ, + xij
système tant que les paramètres incertains varient dans les limites prédéfinies. Comme optimisation déterministe classique
(4)

1462 IET Génér. Transm. Distrib., 2017, vol. 11 Iss. 6, pp. 1461-1471 © The Institution
of Engineering and Technology 2017
Machine Translated by Google

les paramètres Veq, Zeq peuvent être mis à jour hors ligne. Comme montré
sur la figure 4, le bus fictif 0 peut être considéré comme une nouvelle "référence
bus' dont la tension est égale à la Veq (la Veq peut être mise à jour
selon le flux de puissance sur le transformateur et V1 avant chaque
calcul). Le circuit d'équivalence de Thevenin peut approximativement
représentent l'influence que le réseau de transport exerce sur
Fig. 2ÿ DistFlow BFM avec VR réseau de distribution et l'algorithme proposé s'applique toujours.

2.1.4 Contraintes de sécuritéÿ:

ÿl ¯ ÿ, 2, ÿ(je, j) ÿ ÿ, ÿÿ ÿ je
ij ij (13)

ÿ, 2
V ¯ ÿ, 2, ÿi ÿ ÿ
Phi

Fig. 3ÿ ULTC côté sous-station Nous ÿ vi je , ÿÿ (14)

Les contraintes de sécurité pour le courant de la branche ij sont représentées

par (13). La violation de tension est empêchée en introduisant une tension
contrainte (14).

Fig. 4ÿ Illustration de l'équivalence de Thévenin pour le réseau de transport 2.1.5 Contraintes de fonctionnement des DG et rémunération
dispositifs:
Phi

2Pij
ÿ Q¯
Phi Phi Phi

QGi ÿ QGi Donner

, ÿje ÿ , ÿÿ (15)
Phi Phi Phi
ÿ 2Qij ÿ ÿ l ij + vi , ÿ(je, j) ÿ ÿ, ÿÿ (5)
ÿ Q¯ Là,
Phi
FF Phi Phi
ÿje ÿ , ÿÿ
l
ij - vi 2 CQi ÿ QCi (16)

Phi Phi Phi

, ÿj ÿ , ÿÿ Les pouvoirs réactifs des DG et des SVC sont limités par (15)
Pj = PGj ÿ PDj (6)
et (16).
Phi Phi Phi Phi

Qj = QGj + QCj - QDj , ÿj ÿ , ÿÿ (sept)

2.2 Convexification du modèle déterministe

Phi
ÿ (8) Il est très difficile d'obtenir efficacement des solutions optimales
kij ij
globales du modèle déterministe non convexe. Par conséquent, les termes croisés
dans (3) et (4) doivent être relâchés.
= {Bâton, 1, Bâton, 2, ..., Bâton, R}, si (i, j) ÿ ÿ
ij (9)
{1.0}, autrement
, ahmadis
Phi Phi Phi

2.2.1 Relaxation des MSCs : En introduisant ÿj = vj ÿj

Phi
et coll. [4] montrent que (3) est identique à
ÿj ÿ ÿj (dix)
ÿ, C Phi
Phi
ÿl Phi Phi Phi
ÿ b¯ Phi
, ÿÿ
(Qij ij xij ) + Qj j ÿj KLC , ÿj ÿ
{0, 1}, si j ÿ ÿ ÿi:i ÿ j = ÿkÿ:j ÿ k
ÿj = (11)
0, autrement (17)

Ici, (2) est la contrainte d'équilibre de puissance active nodale conventionnelle avec des contraintes supplémentaires
utilisé dans les équations DistFlow. L'équation (3) étend la
contrainte d'équilibre de puissance réactive nodale conventionnelle par ÿV _¯ ÿ, 2 (1 - ÿj Phi
- V j ÿ, 2 (1 - ÿj Phi Phi Phi Phi
), ÿj ÿ , ÿÿ (18)
vj j ) ÿ ÿj ÿ vj
considérant les MSC. L'équation (4) est une forme générale de la tension
contrainte qui prend en compte les branches avec des VR, comme indiqué dans ¯ Phi
V
jÿ, 2ÿj ÿ ÿ ÿj
ÿV _ jÿ, 2ÿj ÿ, ÿj ÿ , ÿÿ (19)
Fig. 2. L'équation (5) est la contrainte conique relaxée du second ordre
proposé dans [17]. Les équations (6) et (7) représentent le filet injecté
puissances active et réactive pour chaque bus, respectivement. Équations (8) 2.2.2 Linéarisation exacte du modèle VR : L'idée intuitive est de
et (9) décrire toutes les dérivations autorisées de la branche ijÿ; (10) et (11) approximer la surface d'origine par une série de polyèdres. le
spécifier les décisions d'activation et de désactivation autorisées sur le bus i. Combiné avec (8)– l'approximation est exacte dans le cas d'un ensemble discret de prises réalisables
(11), les équations de flux de branche dans (3) et (4) fournissent une paramètres pour les VR, comme illustré à la Fig. 5. En utilisant le
expression pour les cas avec ou sans MSC et VR. technique de linéarisation de [21], (4) peut être réécrit comme

R -1
2.1.3 Contrainte de tension de référenceÿ: ÿ, 2 ÿ, 2
ÿV _ ¯
Phi

Bâton, k(toi, k Nous + il, k ÿ, 2) - 2 (rij ÿPij ÿ + xij ÿQij ÿ)

je

ÿk = 1 (20)
Phi
V1 = Vréf , ÿÿ (12) ÿ, 2 Phi Phi

+(ligne + xijÿ, 2) lij ÿ vj = 0, ÿ(i, j) ÿ ÿ, ÿÿ

L'équation (12) implique que la tension du bus de référence est fixée à
avec des contraintes supplémentaires
tension de référence.

R
Remarque 1 : En fait cette contrainte ne fait aucune hypothèse Phi Phi

de tension constante au bus de référence. Pour certains types de distribution (toi, k + il, k )=1 (21)
ÿk = 1
réseaux, la tension de la sous-station est contrôlée par un ULTC qui est
un dispositif discret et ne peut pas maintenir la tension V1 exactement à la R -1
valeur de référence (Fig. 3). ÿik
Phi
=1 (22)
Dans ce cas, l'équivalence de Thevenin est effectuée à partir de ÿk = 1
côté sous-station vers le réseau de transmission. Depuis la topologie de
réseau de transport change rarement, l'équivalence de Thevenin Phi Phi
(23)
0 vous, 1, lui, 1 ij , 1

IET Génér. Transm. Distrib., 2017, vol. 11 Iss. 6, p. 1461-1471 1463

© L'Institution d'Ingénierie et de Technologie 2017
Machine Translated by Google

Les MSC tentent de minimiser la pire perte de puissance de deuxième

étage, qui peut être formulée comme le modèle robuste à deux étages
suivantÿ:

min min T
max d par
(34)
X ÿ Oui

s . t . Ax + Par + d = 0, ÿd ÿ (35)

Cx + Dy ÿ e, ÿd ÿ (36)

J
ÿ Gl et ÿ2 ÿ g et, ÿl ÿ ÿ, ÿd ÿ (37)

Fig. 5ÿ Linéarisation par morceaux des termes croisés introduite par les VR y ÿ y ÿ y¯, ÿd ÿ (38)

Phi Phi Phi

(24) et (31).
0 ÿ tu, R , il, R ÿ ÿij, R ÿ 1
L'ensemble d'incertitude est supposé former un polyèdre. Cela
garantit que l'algorithme de génération de colonnes et de contraintes
Phi Phi Phi Phi
, ÿk ÿ [2, R ÿ 1] (25)
0 ÿ tu, k , il, k ÿ ÿij, k + ÿij, k ÿ 1 (C&CG) utilisé pour résoudre le modèle proposé converge après un
nombre fini d'itérations [22]. Tout d'abord, nous calculons le flux de
~
Phi

ij, k {0, 1}
(26)
où ÿik désigne la section d'intérêt. Notez que les prises autorisées
divisent la fonction f en R sections, gij, k et hij, k sont des variables
auxiliaires qui se rapprochent de la fonction originale f. Pour plus de
détails, veuillez consulter [21].
2.2.3 Forme compacte du modèle déterministe convexe VO (DVO) : Le
modèle déterministe convexe consiste en un modèle objectif
puissance réactive optimal d'un programme pour
donné
une charge
x de VRparticulière
et de MSC
et un scénario DG d, qui remplace la valeur prévue d0 . Cela nous
permet d'obtenir les pertes de puissance réelles. Ensuite, le pire
scénario où les pertes optimales sont maximisées pour une distribution
donnée de VR et de MSC est obtenu. Enfin, notre modèle robuste
trouve un moyen optimal de répartir les VR et les MSC. Cela minimise
les pertes les plus défavorables. Il est assuré par (35)–(38) que
l'équilibre de puissance et les contraintes de sécurité sont maintenus
lorsque les charges et les sorties actives des DG fluctuent dans l'ensemble d'incert

3ÿMéthodologie de résolution
min ÿ l
ÿ Phi
ijligne
(i, (27)
ÿ, ÿ, g, h, ÿ, ÿ, QC , QG ÿÿ = a, b, c j) ÿ ÿ L'algorithme C&CG de [22] est utilisé pour résoudre le modèle
d'optimisation de puissance réactive robuste à deux étapes. La
avec les contraintes (2), (17)–(19), (20)–(26) et (5)–(16). En définissant particularité du modèle robuste proposé est que le problème le
un vecteur augmenté x = (ÿ, ÿ, g, h, ÿ, ÿ) qui contient les variables de plus interne est un SOCP, tandis que le problème le plus externe
décision pour Qij)
les MSC
qui des
met
et les
en VR,
DG relation
un SVC
et des vecteur
le flux de
y =vecteur
et un puissance
(QC , QG ,et
v,le
l ij,
dispatch
prévisionnel Pij,d0 est un programme SOC mixte entier (MISOCP). L'algorithme
J
= (PD , QD , QG ) ce modèle peut aussi s'écrire sous une forme
compacte C&CG peut naturellement être étendu pour ce modèle robuste
d'optimisation de la puissance réactive. L'application de
J
, l'algorithme est décrite comme suit. L'algorithme C&CG tente de
résoudre la formulation extensive suivante du modèle robuste proposéÿ:

min la
min b
T (39)
~
Oui
(28) x, y (d), ÿ
x,y

s . t T. _ b y (d) ÿ ÿ (40)
s. t . Ax + Par + d0 = 0 (29)
ÿÿ0 (41)
Cx + Dy ÿ e (30)
Ax + By(d) + d = 0, ÿd ÿ (42)
xÿ (31)
Cx + Dy (d) ÿ e, ÿd ÿ (43)
J
ÿ Gl et ÿ2 ÿ g et, ÿl ÿ ÿ (32)
J
ÿ Gl y(d) ÿ 2
ÿ g y(d), ÿl ÿ ÿ, ÿd ÿ (44)
y ÿ y ÿ y¯ (33)
y ÿ y(d) ÿ y¯, ÿd ÿ (45)
où (28) est équivalent à (27), (29) représente les contraintes d'équilibre
de puissance (2), (17) et (20), (30) est identique aux contraintes
et (31).
d'inégalité (18) et (19), (31 ) est une expression des contraintes (8)–(11)
Le problème ci-dessus a un nombre infini de variables et
et (21)–(26), (32) simplifie l'expression de (5) et les contraintes de
contraintes correspondant à chaque scénario d.
sécurité dans (13) et (14) et la contrainte de référence dans (12) peut
être représenté par (33).
3.1 Problème maître

2.3 Modèle RVO à deux étages En raison du nombre infini de contraintes (42)–(45), qui sont indexées
, directement
par l'ensemble d'incertitude, il n'est pas possible de
lerésoudre
problème ci-
Dans le modèle déterministe, ni la différence d'échelles de temps entre
dessus. Le problème réduit suivant, où est remplacé par un sous-
nos appareils ni les incertitudes sur les charges et les sorties DG ne
ensemble fini, fournit une borne inférieure pour le modèle robusteÿ:
sont prises en compte. Dans le modèle robuste, on suppose que la
répartition pour le contrôle lent (VR et MSC) est décidée avant que les
charges et les sorties DG actives des DG ne se produisent. Pour
min la
chaque instance de charges incertaines et de sorties DG, le contrôle (46)
x, y (t), ÿ
rapide (sorties réactives des SVC et DG) réduit les pertes de réseau et
empêche la violation de tension. L'envoi de la première étape des VR et

1464 IET Génér. Transm. Distrib., 2017, vol. 11 Iss. 6, pp. 1461-1471 © The
Institution of Engineering and Technology 2017
Machine Translated by Google

s . t . par (t) ÿ ÿ, ÿt = 1, 2, ..., t0 (47) 3.3 Algorithme C&CG

L'ensemble de la procédure pour résoudre le problème d'optimisation de la

Ax + By(t) + d(t) = 0, ÿt = 1, 2, …, t
0 (48)
puissance réactive robuste en deux étapes est résumé dans le tableau 1.
Pour être plus lisible, l'organigramme schématique de l'algorithme
Cx + Dy (t) ÿ e, ÿt = 1, 2,…, t0 (49) proposé est représenté sur la figure 6. L'interaction entre le problème
principal et le sous-problème est annotée sur la flèche. Le problème
J
ÿ Gl y(t) ÿ 2 ÿ g y(t), ÿl, ÿt = 1, 2, …, t
0 (50) principal résout un problème réduit en considérant un ensemble de
scénarios typiques du pire des cas. Dans ce problème, les variables à
optimiser sontÿ: les variables de décision x qui consistent en la décision
y ÿ y(t) y¯ , ÿt = 1, 2, …, t 0 (51)
marche-arrêt pour les MSC et le rapport de rotation pour le changeur de
prise des VR, les variables de flux de puissance (puissance de branche
et (31).
et tension nodale) y pour scénarios extrêmes typiques et la borne inférieure des pertes
2, …, estt un MISOCP avec des variables
, t = 1, maître
où d(t) ÿ 0 . Le problème
Ensuite, le problème maître transfère la répartition optimale x* pour les
binaires en x et des contraintes coniques du second ordre en (50). dispositifs de contrôle lents au sous-problème. Après avoir reçu le x*
nouvellement mis à jour , le sous-problème résout simplement le double
problème de flux de puissance optimal dans (52)–(58), recherche les pires
3.2 Sous-problème scénarios avec le x* donné. Dans le sous-problème, les principales
variables d'optimisation sont le pire scénario d*, c'est-à-dire la puissance
La prochaine étape clé de l'algorithme C&CG consiste à rechercher le
active des DG et des charges qui maximisent les pertes du réseau, tandis
scénario le plus défavorable pour le problème maître et à obtenir une ¯ lagrangiens ÿ, ÿ, ÿ , ÿ, ÿl , ÿl , ÿ , ÿ correspondant
que les multiplicateurs
aux contraintes (61)–(64) sont également obtenus
borne supérieure pour le modèle robuste. Ceci est obtenu en résolvant le
sous-problème suivant : comme sous-produit. De plus, finalement le sous-problème envoie le
dernier pire scénario d* au problème maître, et le problème maître met à
maximum
T
ÿ
jour son indice de scénario t = t + 1 et ajoute le dernier pire scénario d*
¯ - (Ax ÿ + d) , ÿ,
ré ÿ ÿ, ÿ , ÿ, ÿl , ÿl , ÿ, ÿ (noté scénario t) à son ensemble de scénarios typiques du pire des cas.
J ¯ J J (52) Parallèlement, les contraintes (47)– (51) correspondant au scénario t sont
T + y ÿ - y¯ ÿ + (e - Cx ÿ ) ÿ - ÿd c
également générées dans le problème maître. De plus, l'algorithme
commence juste une autre itération lorsque le problème maître résout le
s .t . ÿ - M (1 - ÿ) ÿ ÿ ÿ ÿ + M (1 - ÿ) (53) problème augmenté et renvoie à nouveau le dernier dispatch optimal x*
au sous-problème.
BJ J ¯ Le problème maître met à jour la borne inférieure des objectifs, tandis
T ÿl + ÿl gl ) + ÿ - ÿ +D ÿÿ=b
(54)
ÿ ÿ + ÿl (Gl que le sous-problème met à jour la borne supérieure. Toute la procédure
se termine alors que la différence de ces deux bornes est suffisamment
ÿMÿ ÿ ÿ ÿ Mÿ (55) petite.

Remarque 2 (discussion de la mise en œuvre)ÿ: la plupart des logiciels

ÿje ÿ {0, 1} (56)
d'application avancés pour le système d'alimentation, par exemple le
ÿl contrôle de la tension, le flux de puissance optimal, dépendent de
ÿ ÿl ÿ 2 ÿ µl , (57) l'estimation d'état [23] qui convertit les mesures en temps réel du flux de
dérivation, de la puissance d'injection et des mesures de tension en une
ÿ, ÿ, ÿ ¯, ÿl ÿ 0 (58) estimation du vecteur d'état. Il existe des algorithmes de prédiction
d'intervalle et la construction de l'ensemble d'incertitude a été largement
où 1 est un vecteur colonne dont les éléments sont tous égaux à 1, M est étudiée; voir, par exemple [24, 25]. En résumé, la méthode proposée
un très grand nombre positif (par exemple 106 ) et (53)–(55) sont des dépend de l'estimation de l'état et des intervalles de prévision des
contraintes de grand-M. Veuillez consulter l'annexe pour une dérivation détaillée.demandes de production et de charge des DG. Le module de contrôle de
tension doit être déployé dans le centre de contrôle.

Remarque 3 (commentaire sur les approches alternatives)ÿ: Il existe

principalement deux approches alternatives qui peuvent résoudre les
problèmes de sécurité de la tensionÿ:

Tableau 1 Résumé de l'algorithme C&CG pour le problème RVO 1. Initialisation

je. La différence de tension par rapport à la valeur nominale peut être
borne inférieure de la perte de réseau LB := 0, et borne supérieure de la perte
incluse dans la fonction objective d'une méthode déterministe dans
de réseau UB := ÿ, indice de scénario t := 0. Définir le niveau de tolérance ÿ > 0
(27), qui peut réguler la tension dans une certaine mesure.

2. (2.1) Résoudre le problème maître [(46)–(51) et (31)], qui est un problème Puisqu'il y a deux termes, les pertes du réseau et la différence de tension,
réduit en considérant un ensemble de scénarios typiques du pire cas, pour dans la fonction objectif, une pondération est nécessaire. Le réglage des
obtenir un schéma de répartition optimal
réseauxcorrespondante
ÿ pour les MSC ÿetÿles
(2.2)
VRUpdate
et le perte paramètres est un problème ouvert, sans parler de la sous-optimalité en
ÿ

LB := max {LB, ÿ Le problème maître envoie x Si UB–LB < ÿ, End } 3. introduisant une différence de tension dans la fonction objective.
ÿ

au sous-problème
ii. Les contraintes de tension non satisfaites sont assouplies en ajoutant
ÿ
un terme lié à la tension à la fonction objectif avec une forte pénalité.
4. (4.1) Pour x , résoudre le sous-problème [(52)–(58)], qui est un
ÿ

problème dual donné de l'OPF, pour obtenir la perte de réseau optimale ) Dans cette solution, comment identifier les contraintes de tension
ÿ

ÿ(x et le pire scénario correspondant d . Le pire des cas non satisfaites est encore une question ouverte pour un problème
ÿ
scénario d se compose de la puissance active de sortie des DG et d'optimisation irréalisable.
charges qui maximisent les pertes du réseau (4.2) Mettre à
ÿ

jour UB := min {UB, ÿ(x pire

)} 5. scénario d
Le sous-problème envoie les nouveaux 4ÿRésultats de la simulation
ÿ

au problème maître 6. Le problème maître

ÿ Dans cette section, nous décrivons les résultats d'expériences numériques
met à jour son ensemble de scénarios pire cas typique d(t + 1) := d crée ,
sur un système d'alimentation réel du système de distribution du
des variables y(t + 1) et ajoute de nouvelles contraintes (35)–(38) du
Shandong en Chine [6, 26], un bus IEEE 69 et un système de distribution
scénario t + 1 à lui-même. 7. Mettre à jour t := t + 1. Revenir à l'étape 2
à bus IEEE 123 déséquilibré triphasé [27] (Fig. 7 –9). Ceux-ci ont été menés à

IET Génér. Transm. Distrib., 2017, vol. 11 Iss. 6, pp. 1461-1471 © The 1465
Institution of Engineering and Technology 2017
Machine Translated by Google

Fig. 6ÿ Organigramme de l'algorithme proposé

permettent d'évaluer les performances du modèle robuste proposé. la puissance est optimisée [28]. Le rapport de rotation admissible du VR se
situe dans l'intervalle [0,95, 1,05] avec une longueur de pas de 0,01. Les
Dans le système de bus IEEE 69, il y a huit DG, un VR et cinq MSC. Dans limites opérationnelles pour l'amplitude de la tension sont de 0,9 et 1,042 pu [29].
le système de bus IEEE 123, il y a dix DG, deux SVC, un VR et cinq MSC. Le Les algorithmes, à savoir le modèle DVO et le modèle RVO à deux
DG du bus 68 est exploité en phase B, tandis que les DG des bus 61 et 94 étapes, ont été implémentés à l'aide du programme MATLAB et résolus avec
sont exploités en phase A et en phase B. Les autres équipements sont le logiciel IBM ILOG CPLEX (ver. 12.5) [30]. Le RVO à deux étages se
exploités en triphasé. Les détails de la configuration sont répertoriés dans compose d'un étage de commande lente et d'un étage de commande rapide.
le tableau 2. L'environnement de test était un ordinateur portable avec un processeur
L'admittance des MSC a été fixée à 1,0 pu. La capacité des SVC était de Intel Core i5-3210M 2,50 GHz et 8 Go de mémoire vive.
0,3 pu. La capacité des DG était de 0,3 pu pour les générations de puissance
active et réactive. Supposons que les DG fonctionnent en mode de suivi du L'ensemble d'incertitude suivant est considéréÿ:
point de puissance maximale, qui tente de générer la puissance active
maximale autorisée, et le réactif Base Base
DP (1 - ÿ) DP ÿ PD ÿ (1 + ÿ)PD
Base Base
ÿ=
QD (1 ÿ ÿ)QD ÿ QD ÿ (1 + ÿ)QD (59)
Base Base
PG (1 - ÿ) PG ÿ PG ÿ (1 + ÿ)PG

Base base ont été tirées des données de la

où la base charge l'archive , QD
de test standard PD et la volatilité est notée ÿ.
Les résultats de la simulation sont organisés comme suit. Dans la
section 4.1, nous démontrons d'abord la question de l'applicabilité pratique
de la RVO. Nous utilisons un chargeur réel en Chine et un scénario avec le
cas de base pour montrer les problèmes techniques découlant de DVO et
comment RVO peut résoudre ce problème. Ensuite, DVO et RVO ont été
testés sur un grand nombre de scénarios générés par la simulation de
Monte Carlo dans la section 4.2, en utilisant deux archives de test standard
IEEE. Les résultats montrent que RVO peut gérer les incertitudes en une
seule période. Dans la section 4.3, des tests numériques ont ensuite été
effectués sur plusieurs périodes de temps, et RVO peut successivement
conserver les profils de tension dans la région de sécurité.

Fig. 7ÿ Alimentation réelle du système de distribution du Shandong en Chine

Fig. 8ÿ Système de distribution de bus IEEE 69

1466 IET Génér. Transm. Distrib., 2017, Vol. 11 Iss. 6, pp. 1461-1471 © The Institution
of Engineering and Technology 2017
Machine Translated by Google

Fig. 9ÿ Système de distribution de bus IEEE 123

Tableau 2 Configurations des systèmes de test être adressé par RVO, qui peut maintenir la sécurité de la tension même après
Système Shandong 14 bus Alimentation de test bus IEEE 69 bus les fluctuations des charges et des sorties DG, comme illustré à la Fig. 11.
IEEE 123 Ici, la raison pour laquelle RVO diffère de DVO est brièvement discutée à

Bus DG {5, 6, 7, 8, 9, 10, bus {19, 20, 11, 12, 13} 26, 22, bus {7, 12, 33, 47, l'aide des calendriers de répartition générés par eux dans le tableau 3. Étant

54, 69, 34, 38} 115, 98, 84, 19, 43, donné que DVO ne tient pas compte des incertitudes, son objectif est de

61} bus {94, 68} minimiser les pertes de réseau en augmentant le profil de tension pour le

SVC autobus 14 — scénario de base, qui rencontrerait probablement une violation de tension après
ligne 58-61
la fluctuation des DG. Le RVO est relativement conservateur lors de la prise de
VR ligne 3-7 ligne 10-11
décisions de contrôle pour les dispositifs de contrôle lents en considérant le
Bus MSC {11, 12, 13, 14} bus {5, 20, 27, 50, 25} bus {4, 12, 19, 55, pire des cas, ce qui rend le contrôle rapide ultérieur capable d'éliminer les
93, 68, 43} violations de tension. Le temps de calcul est de 0,096 s pour DVO contre 0,327
DG, générations distribuées ; SVC, compensateurs VAr statiquesÿ; VR, régulateur s pour RVO.
de tensionÿ; et MSC, batterie de condensateurs/MSC.

4.2 Comparaison des incertitudes de manipulation sur une seule période

Base Base
Dans cette section, la base charge PD , QD ont été extraits des données

dans [27] et la volatilité ÿ est fixée à 10 %. Au total, 100 simulations de Monte

Fig. 10ÿ Amplitude de tension simulée du modèle DVO convexe dans l'alimentation
d'essai du Shandong
4.1 Applicabilité pratique de l'algorithme proposé
L'inconvénient majeur du DVO est d'abord démontré à travers un véritable
chargeur du système de distribution du Shandong en Chine. Les données
détaillées sont toutes disponibles en ligne [26]. Dans cette section, les charges
Base Base
PD , QD de base ont été tirées des données de [26] et la volatilité ÿ est
fixé à 50ÿ%. Dans le cas de base, bien que les amplitudes de tension de tous les bus n'aient
pas violé la limite supérieure, une violation de tension s'est produite dans les bus {3, 5–14}
après la fluctuation des charges et des sorties DG (50ÿ% de charges et 150ÿ% de sorties
de puissance active DG en comparaison avec le cas de base), comme le montre la Fig. 10.
De plus, ce problème pratique peut
Carlo ont été réalisées indépendamment pour générer des scénarios.
En simulation, le DVO a effectué des répartitions optimales pour les VR et
les MSC, et a atteint un flux de puissance réactive optimal pour les charges
prévues et les sorties DG. Cependant, la répartition ne pouvait pas s'adapter
aux charges fluctuantes et aux sorties DG, et l'amplitude de la tension simulée
variait entre le '×' bleu et le cercle noir de la Fig. 12. Le contrôle lent dans le
RVO a pris en compte toutes les possibilités dans l'ensemble d'incertitude, et
pris compte chacune des charges possibles et de la sortie active des DG. Par
conséquent, le contrôle rapide a amélioré l'optimalité et la faisabilité. En
conséquence, aucune violation de tension n'a été observée dans les simulations
RVO, qui ont été préparées pour le pire scénario, comme le montre la Fig. 13.
Sur la figure 14, nous voyons que les résultats pour le système IEEE à 123
bus étaient similaires à ceux du système à 69 bus, sauf que la violation de
tension était plus grave dans ce système avec plus de DG. La violation de
tension a de nouveau été éliminée par le RVO, comme le montre la Fig. 15.
Pour le système de bus IEEE 69, le temps de calcul est de 1,958 s pour RVO
(contre 0,427 s pour DVO). Pour le système de bus IEEE 123, le temps de calcul
est de 3,870 s pour RVO (contre 0,669 s pour DVO).
La performance globale, y compris l'attente de la perte de réseau et du taux
de défaillance (c'est-à-dire la possibilité de violation de tension) est résumée
dans le tableau 4. Notez qu'il existe un certain nombre de cas irréalisables dans
les simulations DVO. Pour activer directement

IET Génér. Transm. Distrib., 2017, vol. 11 Iss. 6, pp. 1461-1471 © The 1467

Institution of Engineering and Technology 2017

Machine Translated by Google

Fig. 11ÿ Amplitude de tension simulée du modèle RVO à deux étages dans le
Mangeoire d'essai Shandong

Tableau 3 Stratégies de contrôle des appareils lents générés par

RVO et DVO dans le chargeur de test du Shandong (1ÿ: allumer, 0ÿ:
éteindre)
Dispositifs Stratégie
DEUX RVO

calendrier d'expédition MSC11 1 0

MSC12 0 0
MSC13 1 0
MSC14 1 1
VR6 1.02 0,99

Fig. 14ÿ Amplitude de tension simulée de DVO dans le système de bus IEEE 123
pour
Fig. 12ÿ Amplitude de tension simulée du modèle DVO convexe dans le
(a) Phase A, (b) Phase B, (c) Phase C
Système de bus IEEE 69

4.3 Comparaison des incertitudes de manipulation en période multi-temporelle

Le DVO et le RVO ont été testés dans des scénarios à périodes multiples
utilisant le système de bus IEEE 123. Ici, les DG ont été supposées être
Les générateurs PV et leurs sorties ont été simulés à l'aide de
logiciel de modèle d'optimisation pour les énergies renouvelables (HOMER) [31].
Les courbes normalisées pour la charge et la sortie DG sont indiquées dans
Fig. 16. Le niveau de charge de 100ÿ% est la charge de base disponible dans le test
archive dans [27], tandis que la sortie 100ÿ% PV est la capacité maximale.

Dans les simulations, le DVO et le RVO ont été comparés en utilisant le

Fig. 13ÿ Amplitude de tension simulée du modèle RVO à deux étages dans le
Système de bus IEEE 69
chaque contrôle lent, un ensemble d'incertitude a été construit en fonction de la
comparaisons, seules les pertes attendues pour les cas réalisables sont prises en compte valeurs extrêmes de la puissance active injectée sur l'ensemble de l'essai
en DVO. Cela signifie que les cas irréalisables ont été supprimés
avant de calculer les pertes attendues pour DVO. RVO peut empêcher
violation de tension dans des conditions incertaines avec un supplément raisonnable
coût de l'optimalité par rapport à DVO.
Le jeu d'incertitude (59) peut être ajusté en changeant le
volatilité ÿ de la variation de la demande et de la production de DG. Le tableau 5 montre la
sensibilité des pertes de puissance minimales dans le cas le plus défavorable du RVO
en ce qui concerne la volatilité différente de l'incertitude définie dans le
Système de bus IEEE 123. On observe que la puissance du pire cas
les pertes augmentent à mesure que la taille de l'ensemble d'incertitude augmente. le
le résultat est intuitif. Un ensemble d'incertitude plus grand rendra les choses pires
et subir une perte de puissance plus élevée. Les itérations nécessaires pour converger
sont de 2 à 3 étapes, ce qui montre que RVO est numériquement stable.
niveau de charge et niveau de sortie PV entre 6 : 00 et 14 : 00. DVO
pris ici et maintenant une décision pour les VR, les MSC et une réactivité optimale
flux de puissance pour les charges de courant et les sorties DG. Lors de l'exécution
point final. Pour chaque charge et sortie PV, les deux algorithmes ont adopté la
contrôles rapides. Dans les deux algorithmes, l'intervalle de contrôle lent était de 2 h
et l'intervalle de contrôle rapide était de 15 min.
Une cause majeure de surtension est le flux de puissance inverse [29]. Cette
problème est susceptible de se produire dans DVO lorsque la croissance de la PV
dépasse la croissance des charges. Ce fut surtout le cas
dans la période de 6h00 à 10h00 et de 11h00 à 12h00 en
Fig. 16. Le tableau 6 résume les résultats de répartition pour le contrôle lent
en utilisant les stratégies DVO et RVO pour le système de bus IEEE 123.
La Fig. 17 illustre le nombre de bus de surtension dans le bus 123
système. Même avec des commandes rapides séquentielles, certains bus fonctionnant
au-delà des limites supérieures de tension dans les cas de DVO. Cependant, dans
les cas de RVO, aucune violation de tension n'a été observée pour le
toute la période étudiée (6ÿhÿ00–14ÿhÿ00).

1468 IET Génér. Transm. Distrib., 2017, vol. 11 Iss. 6, p. 1461-1471

© L'Institution d'Ingénierie et de Technologie 2017
Machine Translated by Google

Fig. 16ÿ Courbes normalisées de la charge et de la sortie DG

Fig. 17ÿ Évolution des bus de surtension dans le système de bus IEEE 123

les contraintes MADPT, l'envoi du contrôle lent

doivent être formulés comme un problème d'optimisation dynamique.
Pour être applicable, ce problème est toujours simplifié en une séquence
de problèmes d'optimisation statique indépendants. Cela signifie que nous
Fig. 15ÿ Amplitude de tension simulée de RVO dans le système de bus IEEE 123 besoin de programmer les temps de fonctionnement de la commande lente
pour appareils à l'avance. Les recherches futures devraient aborder la question de
(a) Phase A, (b) Phase B, (c) Phase C
exactement comment planifier ces heures de fonctionnement. Développement et
mise en place d'un logiciel directement déployable dans le
Tableau 4 Comparaison des performances globales entre DVO centre d'opération est également un travail futur important.
et RVO
Système DEUX RVO
6ÿ Remerciements
E[Ploss], kW Taux de défaillance, % E[Ploss], kW Taux de défaillance
Ce travail a été soutenu en partie par le National Key Research and
69-bus 81,9 44 92.2 0
Plan de développement de la Chine (subvention 2016YFB0900403) et en partie
123-bus 212.0 68 213.0 0 par la National Science Foundation of China (subvention 51477083).
DVO, modèle DVO convexeÿ; RVO, modèle RVO à deux étages.

5ÿConclusion

Nous avons décrit une puissance réactive robuste coordonnée à double échelle de temps
et modèle d'optimisation de la tension. Ce modèle peut gérer
incertitudes sur la charge prévue et le DG. Le non convexe
le problème d'optimisation est d'abord convexifié à l'aide d'une conique du second ordre
relaxation pour le flux de branche, linéarisation par morceaux pour les VR et un
transformation équivalente pour les MSC. Ensuite, un algorithme C&CG a été
utilisé pour résoudre le modèle robuste convexifié. Les résultats de la simulation
montrent que la solution du modèle déterministe n'est pas toujours
possible et des violations de tension peuvent se produire. Le modèle robuste peut
assurer la sécurité vis-à-vis de tous les scénarios possibles limités par la
ensembles d'incertitude avec peu de compromis en termes de pertes. En raison de

Tableau 5 Comparaison de RVO avec différentes volatilités des ensembles d'incertitude dans le système de bus IEEE 123
Volatilité, ÿ 0,02 0,08 E [Ploss], kW 0,04 0,06 0,1

208.9 210.1 211.2 212.0 213.0

itération 2 2 2 3 3

IET Génér. Transm. Distrib., 2017, vol. 11 Iss. 6, p. 1461-1471 1469

© L'Institution d'Ingénierie et de Technologie 2017
Machine Translated by Google

Tableau 6 Stratégies de contrôle pour les dispositifs lents générés par RVO et DVO dans le système de bus IEEE 123 (1 : allumer, 0 : éteindre)
Stratégie Dispositifs Calendrier d'expédition
6h00 8h00 10h00 12h00
DEUX MSC4 1 0 0 1
MSC12 1 0 0 0
MSC19 1 0 0 0
MSC55 0 0 0 0
MSC93 0 0 0 0
MSC68 0 0 0 0
MSC43 1 1 1 1
MSC5 1 0 1 0
MSC119 0 0 0 0
VR58 1.01 1.01 1.03 1.03
RVO MSC4 0 1 0 0
MSC12 1 1 0 1
MSC19 1 1 0 1
MSC55 0 0 0 0
MSC93 0 0 0 0
MSC68 0 0 0 0
MSC43 0 1 1 1
MSC5 0 0 0 0
MSC119 0 0 0 0
VR58 0,96 1.03 1.04 1,00

7ÿRéférences
[1] Franchi, L., Innorta, M., Marannino, P., et al.ÿ: « Évaluation de l'économie et/ou
fonctions objectifs orientées sécurité pour la programmation de la puissance réactive dans les grandes [21]
systèmes d'échelle », IEEE Trans. Appar. Syst., 1983, PAS-102, (10), p.
3481–3488
[2] D'Adamo, C., Jupe, S., Abbey, C. : « Enquête mondiale sur la planification et l'exploitation
des réseaux de distribution actifs – mise à jour du groupe de travail CIGRE C6.11
Activités'. 20e Int. Conf. et Exposition sur la distribution d'électricité – Partie 1,
[20] Li, Z., Wu, W., Zhang, B., et al. : « Répartition de puissance en temps réel robuste et ajustable
avec intégration de l'énergie éolienne à grande échelle », IEEE Trans. Soutenir. Énergie, 2015,
6, (2), p. 357–368
Liu, B., Liu, F., Mei, S., et al. : « Flux de puissance réactive optimal avec précision
modèle de transformateur linéarisé dans les réseaux électriques de distribution ». 2015 27e
Contrôle et décision chinois Conf. (CCDC), 2015, p. 5562–5567
[22] Zeng, B., Zhao, L. : « Résoudre des problèmes d'optimisation robuste en deux étapes à l'aide d'un
méthode de génération de colonne et de contrainte', Oper. Rés. Lett., 2013, 41, (5), p.
457–461

2009. CIRED 2009, 2009, p. 1–4 [23] Zheng, W., Wu, W., Gomez-Exposito, A., et al. : « Distributed robust
[3] De Oliveira-De Jesus, PM, Castronuovo, ED, Ponce de Leao, MTÿ: estimation d'état pour les systèmes électriques avec des mesures non linéaires », IEEE
"Réponse de puissance réactive des éoliennes dans le cadre d'une approche d'allocation Trans. Système d'alimentation, 2016, PP, p. 1
de perte de réseau incrémentale", IEEE Trans. Energy Convers., 2008, 23, (2), p. [24] Kavousi-Fard, A., Khosravi, A., Nahavandi, S. : « Un nouveau
612–621 intervalle de prévision combiné pour la prévision de l'énergie éolienne », IEEE Trans. Pouvoir
[4] Ahmadi, H., Marti, JR, Dommel, HWÿ: 'Le cadre pour volt - VAr Syst., 2016, 31, p. 18–26
optimisation dans les systèmes de distribution », IEEE Trans. Réseau intelligent, 2015, 6, (3), [25] Zhang, G., Wu, Y., Wong, KP, et al. : « Une approche avancée pour
pages 1473–1483 construction d'intervalles optimaux de prévision de l'énergie éolienne », IEEE Trans. Pouvoir
[5] Zhang, B., Lam, AYS, Dominguez-Garcia, AD, et al. : « Une Syst., 2015, 30, p. 2706–2715
méthode distribuée pour la régulation de la tension dans les systèmes de distribution d'énergie », [26] Système de distribution dans la province du Shandong, Chine. Disponible sur https://
IEEE Trans. Power Syst., 2015, 30, (4), p. 1714–1726 www.drive.google.com/file/d/0BzVXltCTbTuyZU1aY0MzVUZGTGc/view?
[6] Zheng, W., Wu, W., Zhang, B., et al. : « Une puissance réactive entièrement distribuée usp = partage
méthode d'optimisation et de contrôle pour les réseaux de distribution actifs', IEEE [27] Mangeoires de test de distribution. Disponible sur http://www.ewh.ieee.org/soc/pes/
Trans. Réseau intelligent, 2015, PP, (99), p. 1 dsacom / testfeeders /

[sept] Saric, AT, Stankovic, X., AM, : 'Un algorithme robuste pour le contrôle volt/Var'. [28] Esram, T., Chapman, PL : 'Comparaison du maximum de générateur photovoltaïque
Conf. et Exposition, 2009. PSCE '09, 2009, pp. 1–8 techniques de suivi des points de puissance », IEEE Trans. Energy Convers., 2007, 22,
[8] Wang, Y., Wu, W., Zhang, B., et al. : «ÿModèle de contrôle de tension robuste pour (2), p. 439–449
réseau de distribution en tenant compte des PV et des incertitudes de charge ». 2015 IEEE [29] Wang, Y., Zhang, P., Li, W., et al. : « Contrôle de prévention des surtensions en ligne
Assemblée générale de la Power & Energy Society, 2015, p. 1 à 5 générateurs photovoltaïques dans les micro-réseaux », IEEE Trans. Réseau intelligent, 2012, 3, (4),
[9] Daratha, N., Das, B., Sharma, J. : 'Régulation de tension robuste en déséquilibre pages 2071–2078
système de distribution radiale sous l'incertitude de la production distribuée et [30] Complexe. Optimisation à http://www-01.ibm.com/software/integration/
charges', Int. J. Electr. Système d'énergie électrique, 2015, 73, p. 516–527 disponible /cplexoptimizer/
[10] Gayme, D., Topcu, U. : « Flux de puissance optimal avec stockage à grande échelle [31] HOMER. Disponible sur http://www.nrel.gov/docs/fy04osti/35406.pdf
intégration', IEEE Trans. Power Syst., 2013, 28, p. 709–717
[11] Lavaei, J., Low, SHÿ: « Écart de dualité zéro dans le problème de flux de puissance optimalÿ»,
IEEE Trans. Système d'alimentation, 2012, 27, p. 92–107 8ÿAnnexe
[12] Molzahn, DK, Lesieutre, BC, DeMarco, CL : « Une condition suffisante pour
optimalité globale des solutions au problème de flux de puissance optimal », IEEE
Trans. Système d'alimentation, 2014, 29, p. 978–979 ÿ

[13] Lesieutre, B.C., Molzahn, D.K., Borden, A.R., et al.: ‘Examining the limits of
Dérivation du sous-problème : Pour le schéma de répartition donné xde
l'application de la programmation semi-définie aux problèmes de flux de puissance ». 2011 VRs et MSCs, le sous-problème original peut être formulé comme
49e conférence annuelle d'Allerton. sur la communication, le contrôle et l'informatique suit :
(Allerton), 2011, p. 1492–1499
[14] Baran, ME, Wu, FF : « Reconfiguration du réseau dans les systèmes de distribution pour
b J Oui
ÿ

réduction des pertes et équilibrage de charge », IEEE Trans. Power Deliv., 1989, 4, (2), ÿ (x ) = maximum min
ré ÿ
(60)
pages 1401–1407 Oui

[15] Baran, ME, Wu, FFÿ: 'Dimensionnement optimal des condensateurs placés sur un radial
système de distribution', IEEE Trans. Power Deliv., 1989, 4, p. 735–743 s . t . Par + d = ÿ Axÿ , (ÿ) (61)
[16] Esposito, AG, Ramos, ERÿ: 'Technique de flux de charge fiable pour les
réseaux de distribution », IEEE Trans. Power Syst., 1999, 14, p. 1063–1069
[17] Farivar, M., Low, SHÿ: 'Modèle de flux de brancheÿ: relaxations et convexification Dy ÿ e - Cx ÿ , (ÿ) (62)
(partie I)', IEEE Trans. Power Syst., 2013, 28, (3), p. 2554–2564
[18] Farivar, M., Low, SHÿ: 'Modèle de flux de brancheÿ: relaxations et convexification J
(partie II)', IEEE Trans. Système d'alimentation, 2013, 28, p. 2565–2572 ÿ Gl y(t) ÿ 2 ÿg y(t), ÿl (ÿl ÿ ÿl ) (63)
[19] Wu, W., Zhang, B., Lo, KL : 'Capacitors dispatch for quasi minimum energy
pertes dans les systèmes de distribution à l'aide d'une méthode basée sur l'analyse en boucle », Int. J. Electr.
¯

Power Energy Syst., 2010, 32, (6), p. 543–550 y ÿ y ÿ y¯, (ÿ, ÿ ) (64)

1470 IET Génér. Transm. Distrib., 2017, vol. 11 Iss. 6, p. 1461-1471

© L'Institution d'Ingénierie et de Technologie 2017
Machine Translated by Google

La valeur objective optimale de ce sous-problème est le pire des cas de ce qui conduit au problème dual sous une forme monolithique
ÿ
. Dès
pertes de réseau pour un schéma de répartition x utilisé lors,
pour il peutune
estimer être
T ÿ + y ÿ - y¯ T ¯ÿ + (e - Cx ÿ )
J J
limite supérieure pour le modèle robuste. Ce problème max-min à deux maximum
¯ - (Ax ÿ + d) , ÿ, ÿ (72)
niveaux ne peut pas être résolu directement. Par conséquent, nous ré ÿ ÿ, ÿ , ÿ, ÿl , ÿl
convertissons le problème de la conique interne. La fonction lagrangienne
¯ s .t . BJ J ¯
du problème interne est (voir (65)) avec ÿl , ÿ, ÿ , ÿ ÿ 0. T ÿl + ÿl gl ) + ÿ - ÿ +D ÿÿ=b
(73)
ÿ ÿ + ÿl (Gl
Le problème dual peut être formulé comme

¯ ÿ ÿl ÿ ÿ µl , ÿl
maximum inf L (y, d, ÿl , ÿ, ÿ , ÿ, ÿl ) 2 (74)
¯ (66)
d, ÿl , ÿ, ÿ , ÿ, ÿl y, ol , ÿl
ÿ, ÿ, ÿ ¯, ÿl ÿ 0 (75)
La minimisation sur y et ÿl est bornée si et seulement si

La fonction objectif est linéaire à l'exception du terme bilinéaire d et T ÿ,

BJ J ¯ +D J
ÿÿ=b
ÿl + ÿl gl ) + ÿ - ÿ (67) les contraintes sont toutes sous forme SOCP. Avec l'hypothèse que
ÿ ÿ + ÿl (Gl
l'ensemble d'incertitude est polyédrique, les points extrêmes de peuvent
être décrits par un ensemble de variables binaires auxiliaires et de
ÿl = ÿl , ÿl (68) contraintes linéaires. En introduisant des contraintes big-M, le terme
bilinéaire peut être linéarisé, ce qui peut nous permettre de transformer
ÿ ÿl ÿ 2
ÿ µl , ÿl
(69) le sous-problème en un MISOCP. Lorsque d fluctue dans l'intervalle [d, ¯
d ], en introduisant un vecteur binaire auxiliaire ÿ qui satisfait di = di +
Pour minimiser sur ol , notez que ÿiÿdi élément par élément et une variable auxiliaire ÿi = ÿi ÿi , le programme
bilinéaire ci-dessus est équivalent au MISOCP listé dans (52 )– (58).
0, ÿ ÿl ÿ ÿ ÿl
T infolÿl ol + ÿl ÿ ol ÿ = 2
(70)
2
ÿÿ, sinon

La fonction duale lagrangienne est

¯
ÿ (ÿl , ÿ, ÿ , ÿ, ÿl , ÿl ) =

J J (71)
ÿ(Ax ÿ+d) ÿ + y ÿ si ÿ ÿl ÿ ÿ ÿl ,
2

J .
ÿy¯ ÿ¯ + (e - Cx
J ÿ
) ÿ, (61) et (62)
ÿÿ, autrement

¯ J
Ty-ÿ
ÿ J
L (y, ol , ÿl , ÿl , ÿ, ÿ , ÿ, ÿl , ÿl ) = b (Hache (Gl y ÿ ol )
+ Par + d) ÿ ÿl ÿl y ÿ
J J
ÿÿl ÿl (glÿl ) ÿ ÿl ÿl (ÿl ÿ ÿ ol ÿ )-ÿ (et - et)
2

¯T ÿÿ(y¯ - y) - ÿ J ÿ
(Dy + Cx - et)
J J J ¯T + ÿ ÿ ÿ TD]y (65)
= [b )-ÿ
- ÿ TB - ÿl (ÿl TGl + ÿl gl y¯
T ÿ J ¯T J
ÿÿ (Hache + d) + ÿ y-ÿ ol + ÿl ÿ ol ÿ 2)
+ ÿl (ÿl
J ÿ
(Cx - et)
+ ÿl (ÿl - ÿl ) ÿl - ÿ

IET Génér. Transm. Distrib., 2017, Vol. 11 Iss. 6, pp. 1471

1461-1471 © The Institution of Engineering and Technology 2017