本发明涉及配电网调控领域，尤其涉及一种基于智能融合终端的台区自治方法。
背景技术：
1、在新型电力系统建设背景下，配电网正向新型配电网变革转型，以分布式光伏为代表的分布式新能源爆发性增长，分布式储能与电动汽车等具有可调节潜力的负荷逐年增加，发挥配电网内分布式可调节资源的调节作用，需要在传统集中式调控手段中引入分布式调控，使调控方式具有更好的推广性。同时随着新能源大规模接入电网，其随机性、低惯量、弱阻尼等特性将为电网的安全运行带来巨大挑战，为此有必要在配电网末端的台区引入分布式控制手段，充分利用可调节资源实现台区自治，提升台区电力电量自平衡能力和供电可靠性。
2、近年来，多家厂商研发了台区智能融合终端产品并得到推广应用。郝玲等人(郝玲，陈磊，徐飞，等.基于智能融合终端的新型配电网协同自治调控运营模式及关键技术[j].全球能源互联网，2023，6(5)：459-472.)指出配电网台区智能终端是连接海量分散可调节负荷与配电网调控运营体系的安全、可靠、高效的信息高速公路，支撑了配电网云-管-边-端调控架构的发展，安装智能融合终端后台区可作为用户负荷与配网主站系统的中间管理层，向下实现对海量分散可调节负荷、分布式新能源的分布式优化控制，对上可将台区运行状态上报给配网主站。孙晶晶等人(孙晶晶，朱宁，潘明，等.基于智能融合终端的台区电压无功综合调控系统[j].电力自动化，2023，14：171-176.)提出基于智能融合终端采集的电压、无功信息，控制有载调压开关的档位和无功补偿电容的投切，调控配电台区的输出电压与无功补偿，实现终端用户电压稳定。现有的台区智能融合终端应用中，大多仅实现了简单的逻辑控制算法，对于台区自治控制的应用场景和具体算法研究尚不充分，未能充分利用发挥智能融合终端的边缘计算能力提升台区运行安全性和可靠性，因此，有必要对基于智能融合终端实现的台区自治方法进行进一步研究。
技术实现思路
1、针对上述现有技术中的缺陷，本发明提供一种基于智能融合终端的台区自治方法。该方法无需额外安装控制器硬件，生成的台区自治策略兼顾了减少台区重载、减少台区向电网倒送功率、为电网提供备用容量、减少储能功率波动多个目标，可减少负荷和新能源功率预测误差影响、提升台区和电网运行安全性、减少台区配变扩容更换。
2、本发明的目的是通过以下技术方案来实现的：
3、一种基于智能融合终端的台区自治方法，该方法包括如下步骤：
4、将台区自治的优化运行模型和台区自治实时控制模型以及开源的cbc求解器均部署于智能融合终端中；
5、所述智能融合终端采集台区电池储能的功率、荷电状态信息，新能源发出的功率信息，以及台区负荷功率和总功率信息；所述智能融合终端调用cbc求解器求解所述台区自治实时控制模型，得到台区优化运行计划，将台区优化运行计划下发给台区电池储能，控制储能功率；在台区按计划运行过程中，若出现重载或向电网倒送功率情况，所述智能融合终端调用cbc求解器求解所述台区自治实时控制模型，得到台区实时调整策略，将台区实时调整策略下发给台区电池储能，对储能功率进行调整，减少台区重载和向电网倒送功率；
6、其中，所述台区自治的优化运行模型的构建方法为：以控制台区的最大负载率、减少台区向电网倒送功率、为电网提供备用容量为目标，建立台区自治的优化运行模型；
7、所述台区自治实时控制模型的构建方法为：以控制台区的最大负载率、减少台区向电网倒送功率为目标，建立台区自治实时控制模型。
8、上述技术方案中，进一步地，台区自治的目的一方面是提升台区运行安全性、减少台区配变扩容更换，另一方面可为电网提供备用等辅助服务。故台区自治控制可分为制定优化运行计划和实时控制调整两部分，分别基于所述台区自治的优化运行模型和台区自治实时控制模型实现。
9、进一步地，所述台区自治的优化运行模型的构建方法，具体为：
10、以控制台区的最大负载率、减少台区向电网倒送功率、为电网提供备用容量为目标，建立台区自治的优化运行模型。台区优化运行模型的目标函数如下式所示：
11、
12、其中：t为时段；tc和tn为优化起始时段和结束时段；pt为台区在时段t的总功率，当台区向电网吸收功率时为正数，当台区向电网倒送功率时为负数；pf,t为台区在时段t的倒送功率；po,t为台区在时段t的重载部分功率，同一时段po,t和pf,t不会同时不为0；pbs,c,j,t和pbs,o,j,t分别为台区第j个电池储能在时段t的充电功率和放电功率；γu和γd分别为电网存在上备用需求和下备用需求的时段集合；c1、c2和c3为表示目标权重的常量，取值满足c1﹥c2﹥c3，﹥指两个值的比值不小于103，如可取c1＝1、c2＝10-3、c3＝10-6。
13、上式中与常量c1相关联的一项表示控制台区的最大负载率、减少台区向电网倒送功率的目标，这是台区自治中最优先实现的目标；与常量c2相关联的一项表示为电网提供备用容量的目标，这是台区自治中次优先实现的目标；与常量c3相关联的一项作用是避免优化结果中电池储能同时充放电和减少储能功率波动，这是台区自治中优先级最低的目标。
14、目标函数中，台区在时段t的倒送功率pf,t可按下式计算：
15、
16、由于cbc求解器无法处理分段函数，故结合优化目标，将上式等价写为：
17、pf,t≤pt且pf,t≤0
18、目标函数中，台区在时段t的重载部分功率po,t可按下式计算：
19、
20、其中：ptf为台区配变额定功率；ru为台区重载的负载率阈值。
21、同理，为便于求解，结合优化目标，将上式等价写为：
22、po,t≥pt-ruptf且po,t≥0
23、台区功率平衡约束如下式所示：
24、
25、其中：ppv,t为台区新能源在时段t发出的功率；pl,t为台区负荷在时段t消耗的功率。
26、电池储能的电量与其充放电功率的约束关系为：
27、
28、其中：t为台区数据采集周期，通常可取15分钟，单位换算为小时后t＝1/4；sbs,j,t为第j个电池储能在时段t结束时的电量；σbs为电池储能的自损耗系数；ηbs,c和ηbs,o分别为电池储能的充电效率和放电效率。
29、电池储能量的约束如下：
30、soc,j,minsbs,j≤sbs,j,t≤soc,j,maxsbs,j
31、其中：sbs,j为电池储能j的最大储电量；soc,j,max和soc,j,min分别为储能的最高和最低荷电状态。
32、电池储能在优化起始时刻和终止时刻的电量约束如下：
33、
34、其中：sbs,j,start和sbs,j,end分别为电池储能在优化起始时刻和终止时刻的期望荷电状态。
35、电池储能充放电功率上下限约束如下式所示：
36、
37、其中：pbs,c,j,max和pbs,o,j,max分别为第j台储能设备的最大充电功率和放电功率。
38、进一步地，采用所述台区自治的优化运行模型求得台区优化运行计划后，由于负荷和新能源功率预测存在误差，台区在按照计划运行时仍有可能出现重载或向电网倒送功率，为此需进一步制定台区自治实时控制调整策略。所述台区自治实时控制模型的构建方法具体为：以控制台区的最大负载率、减少台区向电网倒送功率为目标建立台区自治实时控制模型。所述台区自治实时控制模型具体为：
39、1)当台区负载率pt/ptf大于重载负载率阈值ru时，控制台区电池储能多放电降低台区负载率，控制目标函数如下式所示：
40、min(c1po,t+c3×(pbs,c,j,t+pbs,o,j,t))
41、其中：t为当前时段。
42、目标函数中台区在时段t的重载部分功率po,t可按下式计算：
43、po,t≥pt-ruptf且po,t≥0
44、只有当前电池储能量大于下限，即sbs,j,t＞soc,j,minsbs,j时，储能才可参与调节，其余储能仍按制定的计划运行：
45、
46、其中：φd为储能量达到下限的储能集合；
47、约束条件还包括台区功率平衡约束：
48、
49、2)当台区向电网倒送功率pt<0时，控制台区电池储能多充电减少台区倒送功率，目标函数如下式所示：
50、min(-c1pf,t+c3×(pbs,c,j,t+pbs,o,j,t))
51、目标函数中台区在时段t的倒送功率pf,t可按下式计算：
52、pf,t≤pt且pf,t≤0
53、只有当前电池储能量小于上限，即sbs,j,t＜soc,j,maxsbs,j时，储能才可参与调节，其余储能仍按制定的计划运行：
54、
55、其中：φu为储能量达到上限的储能集合；
56、约束条件还包括台区功率平衡约束：
57、
58、进一步地，可采用rust编程语言编写台区自治的优化运行模型和台区自治实时控制模型以实现modbus通信协议。所述智能融合终端通过modbus协议采集台区电池储能的功率、荷电状态信息，以及新能源发出的功率信息，通过dl/t 698.45协议或dl/t 645协议采集台区负荷功率和总功率信息。所述智能融合终端通过modbus通信协议将台区优化运行计划和台区实时调整策略下发给台区电池储能。
59、本发明具备的有益效果是：
60、本发明提出了一种基于智能融合终端的台区自治方法，生成的台区自治优化运行计划可兼顾减少台区重载、减少台区向电网倒送功率、为电网提供备用容量、减少储能功率波动多个目标，同时结合台区自治实时控制策略，在台区按计划运行出现重载或向电网倒送功率时可对台区运行方式进行实时调整，将台区自治策略在智能融合终端中部署使用，无需安装额外的通信和控制器硬件，可提升台区运行安全性、减少台区配变扩容更换，并可为电网提供备用辅助服务。
1.一种基于智能融合终端的台区自治方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于智能融合终端的台区自治方法，其特征在于，所述台区自治的优化运行模型具体为：
3.根据权利要求2所述的基于智能融合终端的台区自治方法，其特征在于，所述台区自治实时控制模型为：
