考虑分时电价和分布式储能的主动配电网经济优化调度.pdf

考虑分时电价和分布式储能的主动配电网经济优化调度朱能能1，刘闯1，夏克勤1，张青云1，盛刘宇2，刘云飞1（1.国网湖北省电力有限公司荆门供电公司，湖北荆门448000；2.三峡大学电气与新能源学院，湖北宜昌443000）0引言随着能源危机的出现和人们环保意识的提高，调整能源结构和推进分布式电源（Distributed Generation，DG）发展成为我国实现“碳中和”目标的重要举措1-3。在此背景下，集成了大量可调度单元的摘要：为提高主动配电网（Active Distribution Network，ADN）运行的经济性，综合考虑ADN运行过程中的各项成本，建立考虑分时电价和分布式储能的ADN经济优化调度模型。采用莱维飞行、非线性收敛因子和柯西变异等策略对樽海鞘群算法（SalpSwarm Algorithm，SSA）进行改进，以提高算法的优化性能。采用改进樽海鞘群算法（Improved Salp Swarm Algorithm，ISSA）对上述模型进行求解，使用改进的IEEE33节点配电系统进行仿真分析，并与其他优化算法进行对比。结果表明，ISSA算法经过54次迭代后收敛至最优解33 772.82元，迭代次数和收敛精度高于其他算法。通过对比分析发现，储能设备实施低储高发的调度策略能够降低ADN运行成本，改善电能质量，实现削峰填谷，验证了上述模型的正确性和求解方法的优越性。关键词：主动配电网；调度；改进樽海鞘群算法；分时电价；分布式储能文献标志码：A文章编号：1008-6218（2023）05-0054-08中图分类号：TM73；TK02doi:10.19929/ki.nmgdljs.2023.0070引用格式：朱能能，刘闯，夏克勤，等.考虑分时电价和分布式储能的主动配电网经济优化调度J.内蒙古电力技术，2023，41（5）：5461.ZHU Nengneng,LIU Chuang,XIA Keqin,et al.Economic Optimization Dispatching of Active Distribution Network ConsideringTimeofUse Electricity Price and Distributed Energy StorageJ.Inner Mongolia Electric Power,2023,41(5):5461.基金项目 国家自然科学基金项目“基于多稳定性理论的神经网络预定性能控制研究”（61876097）内 蒙 古 电 力 技 术INNER MONGOLIA ELECTRIC POWEREc o n o mi cO p t i mi z a t i o nD i s p a t c h i n go fA c t i v eD i s t r i b u t i o nNe t w o r kCo n s i d e r i n gT i me o f U s eEl e c t r i c i t yPr i c ea n dD i s t r i b u t e dEn e r g ySt o r a g eZHU Nengneng1,LIU Chuang1,XIA Keqin1,ZHANG Qingyun1,SHENG Liuyu2,LIU Yunfei1（1.Jingmen Power Supply Company,State Grid Hubei Electric Power Co.,Ltd.,Jingmen448000,China;2.College of Electrical and New Energy,Three Gorges University,Yichang443000,China）A b s t r a c t：In order to improve the economic efficiency of active distribution network(ADN)operation,and comprehensivelyconsider the various costs during the operation of ADN,an ADN economic optimization scheduling model considering timeof use electricity price and distributed energy storage establish.The salp swarm algorithm(SSA)is improved using strategiessuch as Levy flight,nonlinear convergence factor,and Cauchy mutation to improve the optimization performance of thealgorithm.The above model is solved using the improved salp swarm algorithm(ISSA),and the improved IEEE33 nodedistribution system is simulated and analyzed,and compared with other optimization algorithms.The results show that theISSA algorithm converges to the optimal solution of 33 772.82 yuan after 54 iterations,with higher iteration times andconvergence accuracy than other algorithms.Through comparative analysis,it is found that implementing a schedulingstrategy of low storage and high generation for energy storage equipment can reduce ADN operating costs,improve powerquality,and achieve peak load shifting,verifying the correctness of the above model and the superiority of the solutionmethod.K e yw o r d s：active distribution network;dispatching;improved salp swarm algorithm;timeofuse electricity price;distributedenergy storage2023年第41卷第5期54主动配电网（Active Distribution Network，ADN）应运而生。ADN管理和控制方式灵活，有助于DG消纳4-6。因此，对ADN系统的经济优化调度问题进行研究，对于降低ADN系统运行成本和提高清洁能源利用率具有重要意义7-9。近年来，国内外专家学者对ADN经济优化调度方法进行了大量研究。文献10以配电网运行成本最小为上层目标函数，以购电成本和储能运行成本最小为下层目标函数，建立了ADN分层经济优化调度模型，采用交替方向乘子法将模型分解为上下两层进行求解，获得了最优调度方案。文献11考虑了光伏出力和旋转负荷的不确定性，采用概率模型对其进行估算，在此基础上建立了以运行成本最小的ADN经济优化调度模型，利用CPLEX求解器对模型进行了求解，得到了ADN最小运行成本。上述模型均未考虑售电收益，其经济性有待进一步提高。文献12考虑到目标函数内状态变量的越界情况，利用多区域全分布算法建立了基于多区域全分布算法的ADN动态经济调度模型，利用改进粒子群算法进行求解，实现了ADN的动态性经济调度，该模型忽略了储能设备损耗成本。综上所述，现有ADN优化调度模型存在优化目标不明确、约束条件不够完善等问题，经济性更好的ADN优化调度模型有待进一步研究。针对上述问题，本文综合考虑ADN运行过程中的各项成本，以调度周期内ADN运行成本最小为目标函数，考虑各类约束条件，建立基于改进樽海鞘群算法（Improved Salp Swarm Algorithm，ISSA）的ADN经济优化调度模型，采用改进的IEEE33节点配电系统对模型的正确性和求解方法的优越性进行验证。1ADN经济优化调度模型1.1目标函数为了提高配电网运行的经济性和提高再生能源的消纳能力，将综合考虑分时电价和分布式储能对ADN运行的影响，本文将功率交互成本、损耗成本和分布式储能设备投资成本之和作为优化目标，以调度周期内ADN运行成本最小为目标函数，建立ADN经济优化调度模型，具体如下：minC=Cpure+Closs+Cin，（1）式中：C 为 ADN 运行成本；Cpure为功率交互成本；Closs为损耗成本；Cin为分布式储能设备投资成本。1.1.1功率交互成本功率交互成本Cpure主要包括向上级电网购电产生的购电成本、向上级电网售电产生的售电收益和向系统内DG购电产生的购电成本，其表达式为：Cpure=Cpure,grid-Csell,grid+Ppure,DG=t=1L()pure,tcgrid,tPgrid,t+sell,tcgrid,tPgrid,t+i=1NDG()cDG,iPDG,t,iT，（2）式中：Cpure,grid为向上级电网购电产生的购电成本，Csell,grid为向上级电网售电产生的售电收益，Cpure,grid和Csell,grid在同一时段必有一个为0；Ppure,DG为向系统内DG购电产生的购电成本；L为调度周期内的总时段，本文取24；T为各时段时长，本文取1 h；pure,t、sell,t均为购、售电参量，购电时满足pure,t=1，sell,t=0，售电时pure,t=0，sell,t=1。cgrid,t为向上级电网购、售电电价；Pgrid,t为交互功率，购电为正，售电为负；NDG为 DG 总量；PDG,t,i为第 i 台 DG 的输出功率；cDG,i第i台为DG的购电电价。1.1.2损耗成本损耗成本Closs主要包括系统网络损耗成本和储能设备损耗成本，其表达式为：Closs=Closs,line+Closs,ESS=t=1Lcloss,tPloss,line,t+j=1NESSc,t,j|PESS,t,j()1-c,j+d,t,jPESS,t,j()1-d,jT，（3）式中：Closs,line为系统网络损耗成本；Closs,ESS为储能设备损耗成本；closs,t为损耗电价，其值与cgrid,t相同；Ploss,line,t为t时段的网损；NESS为储能设备总量；c,t,j、d,t,j均为储能设备充放电参量；PESS,t,j为第j台储能设备在t时段的充、放电功率，充电时满足c,t,j=1、d,t,j=0、PESS,t,j0；c,j和d,j分别为第j台储能设备的充、放电效率。1.1.3分布式储能设备投资成本分布式储能设备投资成本Cin的表达式为：Cin=j=1NESSke,jEESS,j+kp,jPN,j-()ke,jEESS,j+kp,jPN,jNy,j365，（4）式中，ke,j为第j台储能设备单位容量管理成本；EESS,j为第j台储能设备的容量；kp,j为第j台储能设备单位功率转换成本；PN,j为第j台储能设备的额定功率；Ny,j为第j台储能设备的使用年限；为折旧率。1.2约束条件1.2.1网络运行约束Pgrid,t+j=1NDGPDG,t,j+j=1NESSPESS,t,j=Pload,t+Ploss,line,j，（5）Vj,minVjVj,max，（6）2023年第41卷第5期朱能能，等：考虑分时电价和分布式储能的主动配电网经济优化调度55SzSz,max，（7）式中：Pload,t为ADN系统在t时段的负荷；Vj为节点j的电压标幺值；Vj,max为节点 i 电压上限，本文取1.05；Vj,min为节点j电压下限，本文取0.95；Sz为第z条支路的视在功率；Sz,max为Sz的上限。1.2.2DG运行约束PDG,i,minPDG,t,iPDG,i,max，（8）-PDG,i,maxPDG,t+1,i-PDG,t,iPDG,i,max，（9）式中：PDG,i,min和PDG,i,max分别为第i个DG输出功率的上限和下限；PDG,i,max为第i个DG在相邻两个时段允许调整的最大输出功率。1.2.3分布式储能约束St+1,j=St,j-c,t,jPESS,t,jc,jEESS,j+d,t,jPESS,t,jEESS,jd,jT，（10）PESS,j,minPESS,t,jPESS,j,max，（11）Sj,minSt,jSj,max，（12）St0,j=Stn,j，（13）式中：PESS,j,max和PESS,j,min分别为第j台储能设备充、放电功率上限和下限；St,j为第j台储能设备在t时段的荷电状态；Sj,max和Sj,min分别为St,j的上限和下限；St0,j和Stn,j分别为第j台储能设备在调度开始时段和结束时段的荷电状态。2ISSA原理2.1樽海鞘群算法2017年，Mirjalili等人提出了一种新型启发式优化算法樽海鞘群算法（Salp Swarm Algorithm，SSA）13，它是根据樽海鞘种群的觅食行为提出来的。SSA算法的原理如下：将种群划分为领导者和追随者，领导者的作用是带领追随者寻找食物，令食物为G，樽海鞘群在d维空间中的位置矩阵设为Snd，其中元素si,j表示第i个樽海鞘在第j维搜索空间的位置，n表示樽海鞘种群容量。SSA算法中的领导者依据食物位置更新自身位置，领导者的位置更新公式为：s1,j=Gj+r1()uj-ljr2+lj，r30.5Gj-r1()uj-ljr2+lj，r30.5，（14）式中：Gj为领导者的位置；uj为第j维空间的上限值；lj为第j维空间的下限值；r1、r2、r3均为调整系数，r1、r20,1，r1的计算公式如下：r1=2e-4kkmax2，（15）式中：k为当前迭代次数；kmax为最大迭代次数。追随者跟随领导者的位置移动，追随者的位置更新公式为：si,j=12()si,j+si-1,j。（16）SSA算法的优点是原理简单、操作方便，其缺点是易陷入局部极值14。2.2ISSA针对SSA算法的不足，采用下列三种策略对其进行改进，具体如下。2.2.1莱维飞行莱维飞行可以提高种群多样性，本文在樽海鞘群领导者位置更新时引入莱维飞行策略，以便增强算法的全局搜索性能。具体改进如下：s1,j=Gj+Levy()d()uj-ljr2+lj，r30.5Gj-Levy()d()uj-ljr2+lj，r30.5，（17）Levy()d=0.01r4|r51，（18）=()1+sin()/2()1+/2 2()-1/21，（19）式中：r4、r5均为随机数，取值范围为0,1；Levy表示莱维飞行；表示Gamma函数，其概率分布的均值和方差都是无界的。2.2.2非线性收敛因子在SSA算法中，追随者的位置取决于当前个体和上一个体的位置，这样位置更新策略不利用算法收敛，为此，将收敛因子非线性调整策略引入该过程，以加快算法收敛。具体如下：si,j=12()si,j+Dsbest，（20）式中：sbest为当前最优个体位置；D为收敛因子，其作用是对最优值的比重进行调整，使算法快速收敛，其计算公式为：D=12tanTt+cmin+cmax，（21）式中：cmin、cmax为学习因子。2.2.3柯西变异针对SSA算法在迭代后期已陷入局部最优的不足，本文对当前最优解执行柯西变异，以增强算法的局部寻优能力。柯西概率密度函数的表达式为：f()x=1tt2+x2,x()-,+。（22）2023年第41卷第5期内 蒙 古 电 力 技 术56将当前最优解执行式（23）中的柯西变异，其表达式为：sbest=sbest-C()0,1，（23）式中：sbest为变异后的最优个体位置；C()0,1是指服从柯西变异的樽海鞘个体；为常数。2.3算法性能测试采用Sphere和Ackely两个常用的测试函数对ISSA算法优化性能进行验证，两个函数分别用f1和f2表示，其数学表达式分别如式（24）和式（25）所示，f1的搜索范围为-100,100，f2的搜索范围为-20,20，两个函数的维度均为30维，全局最优解均为0。f1=i=1nx2i，（24）f2=-20exp-0.21ni=1nx2i-exp1ni=1ncos2xi+20+e，（25）式中：xi为函数自变量。ISSA算法参数设置如下17：樽海鞘种群n=30、最大迭代次数kmax=500，学习因子cmin=0.004、cmax=1。为了对比分析，采用粒子群优化算法（ParticleSwarm Optimization，PSO）与SSA算法对两个测试函数进行优化，三种算法对函数和的优化结果分别如图1和图2所示。图1中，PSO算法、SSA算法和ISSA算法找到的最优解分别为4.4610-3、2.7810-32和1.2710-112；图2中，PSO算法、SSA算法和ISSA算法找到的最优解分别为 1.744、3.6910-13和 2.8610-15。由此可见，ISSA算法的收敛精度提升明显，寻优能力大大提升。3ISSA算法求解ADN经济优化调度模型3.1约束条件处理为了满足ADN系统功率平衡约束并实现ADN与上级电网的等效隔离，将它们之间的连接点作为平衡节点。对于不等式约束，当调度方案无法满足时，利用罚函数进行处理，罚函数的表达式为：fN=Mi=1Ki，（26）式中：K为调度方案中不满足不等式约束的个数和；M为罚因子，本文取值为105；i为惩罚系数，如果约束不满足，则惩罚成立，此时i=1；在模型求解过程中，将罚函数fN加到目标函数中，可以剔除所有不满足约束条件的调度方案。3.2求解步骤采用ISSA算法对ADN经济优化调度模型进行求解，流程如图3所示。图3ISS算法求解流程图Fig.3 Solution flowchart of ISS algorithm开始输入调度周期和ADN运行数据设置ISSA算法的相关参数种群初始化，生成初始调度方案，潮流计算得到初始适应度执行迭代，利用莱维飞行策略更新领导者位置，根据非线性收敛因子和当前最优解更新追随者位置，并对当前最优解执行柯西变异根据潮流计算确定适应度值，通过比较确定最小适应度值达到最大迭代次数输出最小适应度值，得到ADN最小运行成本及最优调度方案结束是否图2f2优化结果Fig.2 Optimization results of f20100200300400500适应度值10010-510-1010-15迭代次数图中：PSO算法；-SSA算法；ISSA算法。图1f1优化结果Fig.1 Optimization results of f10100200300400500适应度值102010010-2010-4010-6010-8010-10010-120迭代次数图中：PSO算法；-SSA算法；ISSA算法。2023年第41卷第5期朱能能，等：考虑分时电价和分布式储能的主动配电网经济优化调度574算例分析4.1算例描述采用改进的IEEE33节点配电系统进行仿真分析，系统参数可参考文献15，其网络拓扑结构如图4所示，其中，节点1为平衡节点，其电压与上级电网母线电压相同，为12.66 V。节点233为局面负荷节点，节点18接入一个装机容量为1 MW的风电场和一组储能电池，节点33接入一个装机容量为1 MW的光伏电站和另一组储能电池，节点25接入额定功率为0.8 MW的微型燃气轮机。两组蓄电池参数完全相同，具体如表1所示。设置调度周期为24 h，将一天分为24个时段，图5给出了调度日当天风电、光伏出力及负荷变化情况。根据国家电网公司颁布的DG接入电网电价标准16，设置配电网向光伏、风电和微型燃气轮机的购电电价分别为1元、1元和0.81元。ADN与上级电网功率交互电价和系统损耗电价均采用分时电价，具体如表2所示。4.2仿真结果分析通过Matlab软件进行仿真分析，调度日当天微型燃气轮机各时段输出功率如图6所示。由图6可知，在低谷电价时段（时段18）和平电价时段（时段1、时段9、时段1719），购电电价较低，优先向上级电网购电，微型燃气轮机处于停机状态；在高峰电价时段（时段1016、时段2023），购电电价较高，采用微型燃气轮机发电比购电更划算，微型燃气轮机输出功率以满足系统负荷需求，从而降低功率交互成本和网络损耗成本。储能电池1和储能电池2的输出功率及SOC变化情况分别如图7和图8所示。由图7和图8可知，在低谷电价时段（时段18），储能电池1和2均处于充电状态；在高峰电价时段（时段 1016、时段2023），储能电池1和2均处于放电状态，以减少向上级电网购电；在平时段（时段1519），储能电图4改进的IEEE33网络拓扑结构Fig.4 Improved IEEE33 network topologyESS1WTESS2PVMT19 20 21 2213 4 5 629 10 1113 14 15 16 1712187 828 29 30 31 32 3326 2723 24 25表1储能电池参数Tab.1 Energy storage battery parameters参数额定容量/MWh额定功率/MW单位容量管理成本/（元 MWh-1）单位功率转换成本/（元 MW-1）使用年限/年充放电效率/%SOC调节范围/%折旧率/%数值1.40.76.310-44.2810-53080309010图5光伏、风电、负荷预测值Fig.5 Predicted values of photovoltaic,wind power and load04812162024时段3.02.52.01.51.00.50出力（负荷）/MW负荷风电出力光伏出力表2分时电价Tab.2 Time of use electricity price时段峰时谷时平时时间09：0016：00、19：0023：0001：0008：00其他时段电价/（元 kWh-1）1.00.550.35图6微型燃气轮机各时段输出功率Fig.6 Output power of micro gas turbine atdifferent time periods04812162024时段0.400.350.300.250.200.150.100.050功率/MW2023年第41卷第5期内 蒙 古 电 力 技 术58图9节点电压分布情况Fig.9 Distribution of node voltage04812162024时段1.061.041.0210.980.960.94节点电压（p.u.）图中：未加储能电池前最低电压；未加储能电池前最高电压；加入储能电池前最低电压；加入储能电池前最高电压；节点电压下限；电压幅值上限。池1和2也处于充电状态，其原因在于该时段的前后均为高峰电价时段，此时段充电可以降低时段2023的购电成本，由此可见，储能电池实现了低储高发运行策略，节约了购电成本。表3给出了ADN加入储能电池前后各项成本对比情况，对比表3中的数据可知，储能电池投入后系统网络损耗成本虽然下降了，但储能电池本身也存在损耗成本，导致网络损耗成本有所增加。但加入储能电池后，功率交互成本明显下降，使AND运行成本降低826.91元，提高了经济效益。在调度周期内加入储能电池前后各时段节点电压分布情况见图9。由图9可知，加入储能电池前，节点电压最大值和最小值分别为1.037 7（p.u.）和0.950 2（p.u.），存在电压越下限的风险；加入储能电池后，节点电压最大值和最小值分别为1.0375（p.u.）和0.952 1（p.u.），解除了电压越下限的风险，节点电压波动范围进一步减小，电压质量得到改善。为了进一步对比分析，将系统负荷与储能电池充放电功率作为一个整体，形成等效负荷曲线，加入储能前后的等效负荷曲线如图10所示。由图10可知，加入储能电池后，等效负荷曲线峰谷差有所减小，说明储能电池实施低储高发策略可以实现削峰填谷，改善负荷曲线17-18。4.3算法优化性能比较为了验证ISSA算法在求解ADN经济优化调度图7储能电池1输出功率及SOC变化情况Fig.7 Output power and SOC changes of energystorage battery 104812162024时段0.40.20-0.2-0.4-0.6输出功率/MW0.90.80.70.60.50.40.3SOC图中：输出功率；SOC。图8储能电池2输出功率及SOC变化情况Fig.8 Output power and SOC changes of energystorage battery 204812162024时段0.40.20-0.2-0.4-0.6输出功率/MW0.90.80.70.60.50.40.3SOC图中：输出功率；SOC。表3加入储能电池前后各项成本对比Tab.3 Comparison of various costs before and afteradding energy storage batteries元成本类型功率交互成本损耗成本分布式储能投资成本ADN运行成本加入储能前33 866.73733034 599.73加入储能后32 863.0784663.7533 772.82图10加入储能电池前后的等效负荷曲线Fig.10 Equivalent load curve before and afteradding energy storage batteries04812162024时段32.521.510.5负荷/MW加入储能前加入储能后2023年第41卷第5期朱能能，等：考虑分时电价和分布式储能的主动配电网经济优化调度59模型中的优越性，采用改进遗传算法（Improved Genetic Algorithm，IGA）与狼群优化算法（Wolf PackAlgorithm，WPA）及SSA算法对本文模型进行求解，图11给出了四种算法的迭代收敛曲线。由图11可知，相比其他3种优化算法，ISSA算法收敛时所需的迭代次数更少，所求得的ADN运行成本最小，可见ISSA算法的优化效果更好。表4给出了四种算法的优化结果及收敛至最优解时的迭代次数。由表4可知，在迭代次数方面，ISSA 算法相比 IGA、WPA 和SSA算法分别减少99次、154次和72次；在最优解方面，ISSA 相 比 IGA、WPA 和 SSA 算 法 分 别 降 低2738.34元、2476.67元和1651.12元，可见ISSA算法的迭代次数更少，计算精度更高，验证了本文所提ADN经济优化调度方法的实用性。5结语综合考虑分时电价和分布式储能对ADN的影响，本文提出了一种考虑分时电价和分布式储能的ADN优化调度方法，采用莱维飞行、非线性收敛因子和柯西变异等策略对SSA算法进行改进，使ISSA算法跳出局部最优的能力显著增强，收敛精度明显提升，利用ISSA算法对ADN优化调度模型进行了求解。算例分析结果表明，在制订ADN优化调度策略时考虑分时电价和分布式储能的作用，能够实现削峰填谷、改善负荷曲线和降低微电网运行成本，提高ADN运行的稳定性和经济性，该方法为ADN调度提供了一种新思路。参考文献：1 袁海山，叶昀，陈有强，等.基于能源互联网技术的电网分布式电源布置研究J.电网与清洁能源，2023，39（3）：136142.YUAN Haishan,YE Yun,CHEN Youqiang,et al.Researchon distributed power generation layout in power grid based onenergy internet technologyJ.Power System and Clean Energy,2023,39(3):136142.2 李雪，李博，姜涛，等.主动配电网潮流的全纯嵌入计算方法J/OL.中国电机工程学报：11420230506.http:/ Xue,LI Bo,JIANG Tao,et al.A holomorphic embeddingcalculation method for active distribution network power flowJ/OL.Chinese Journal of Electrical Engineering:11420230506.http:/ 马燕峰，谢家荣，赵书强，等.考虑园区综合能源系统接入的主动配电网多目标优化调度J.电力系统自动化，2022，46（13）：5361.MA Yanfeng,XIE Jiarong,ZHAO Shuqiang,et al.Multi objectiveoptimization scheduling of active distribution networks consideringthe integration of park integrated energy systemsJ.Automation ofElectric Power Systems,2022,46(13):5361.4 虎智峰，陈静，张婧菲，等.考虑新能源不确定性边界的主动配电网优化调度J.智慧电力，2022，50（11）：4855.HU Zhifeng,CHEN Jing,ZHANG Jingfei,et al.Optimal schedulingofactivedistributionnetworksconsideringtheuncertaintyboundary of new energyJ.Smart Power,2022,50(11):4855.5 乐健，綦淦，赵联港，等.主动配电网分布式经济调度系统的时延稳定性分析J.电力系统保护与控制，2022，50（21）：7587.LE Jian,QI Gan,ZHAO Liangang,et al.Delay sStability analysisof active distribution network distributed economic dispatchingsystemJ.Power System Protection and Control,2022,50(21):7587.6 杨晓辉，张柳芳，吴龙杰，等.含考虑IDR的冷热电联供微网的主动配电网经济优化调度J.电力系统保护与控制，2022，50（3）：1928.YANG Xiaohui,ZHANG Liufang,WU Longjie,et al.EconomicoptimizationanddispatchingofactivedistributionnetworksincludingIDRconsideredcombinedcooling,heating,andpower supply microgridsJ.Power System Protection and Control,2022,50(3):1928.7 吴成国，肖仕武.高比例分布式电源接入电网短路电流的拟牛顿迭代计算方法J.电网技术，2022，46（12）：45814591.WU Chengguo,XIAO Shiwu.Quasi Newton iterative calculationmethod for shortcircuit current of high proportion distributed图11四种算法收敛曲线对比Fig.11 Comparison of convergence curves of four algorithms0100200300400500时间/h2.52.01.51.00.50ADN运行成本/元图中：IGA算法；WPA算法；SSA算法；ISSA算法。表4四种算法优化结果Tab.4 Optimized results of four algorithms参数迭代次数/次最优解/元IGA15336 511.16WPA20836 249.49SSA12635 423.94ISSA5433 772.822023年第41卷第5期内 蒙 古 电 力 技 术60power sources connected to the power gridJ.Power SystemTechnology,2022,46(12):45814591.8 招景明，苏洁莹，潘峰，等.考虑光伏波动的有源配电网分布式储能双目标优化规划J.可再生能源，2022，40（11）：15461553.ZHAO Jingming,SU Jieying,PAN Feng,et al.Dual objectiveoptimization planning for distributed energy storage in activedistributionnetworksconsideringphotovoltaicfluctuationsJ.Renewable Energy Resources,2022,40(11):15461553.9 齐鹏辉，韦洪波，江雄烽，等.基于数据自适应鲁棒优化的主动配电网经济调度方法J/OL.电测与仪表：1820230506.http:/ Penghui,WEI Hongbo,JIANG Xiongfeng,et al.An activedistributionnetworkeconomicdispatchingmethodbasedondata adaptive robust optimizationJ/OL.Electrical Measurementand Instrumentation:1 82023 05 06.http:/ 李军徽，马得轩，朱星旭，等.基于ADMM算法的主动配电网分层优化经济调度J.电力建设，2022，43（8）：7686.LI Junhui,MA Dexuan,ZHU Xingxu,et al.Active DistributionNetworkLayeredOptimizationEconomicDispatchBasedonADMM Algorithm J.Electric Power Construction,2022,43(8):7686.11 孟令卓超，杨锡运，赵泽宇.考虑光荷不确定性和旋转备用约束的主动配电网经济优化调度策略J.电力建设，2022，43（11）：6372.MENG Lingzhuochao,YANG Xiyun,ZHAO Zeyu.An economicoptimal dispatching strategy for active distribution networksconsideringlightloaduncertaintyandrotatingreserveconstraintsJ.Electric Power Construction,2022,43(11):6372.12 杨占杰，谢虎，张伟，等.基于多区域全分布算法的主动配电网动态经济调度方法J/OL.电测与仪表：11020230506.http:/ Zhanjie,XIE Hu,ZHANG Wei,et al.A Dynamiceconomic dispatching method for active distribution networksbasedonmultiregionfullydistributedalgorithmJ/OL.Electrical Measurement and Instrumentation:110 20230506.http:/ 沈平，张彬彬，袁瑛.樽海鞘群算法在可见光通信调制器的应用J.光学技术，