基于ADMM的共享儲能參與電網輔助服務的分布式優化模型

彭大健，肖 浩，裴 瑋，孔 力

（1.中國科學院電工研究所，北京 100190；2.中國科學院大學，北京 100049）

0 引言

隨著“雙碳”目標計劃的持續推進，我國可再生能源發展迅猛。然而可再生能源固有的隨機波動性會給電網的用電質量與安全帶來嚴峻的風險和挑戰。建設儲能資源是應對可再生能源隨機性與波動性問題的有力手段［1］，但現階段儲能資源仍面臨建造成本偏高［2］、環保問題與安全問題復雜等困境，使得用戶側建設利用效率低，儲能的增長速度受限［3］。

針對儲能資源增長速度慢、利用效率低等問題，國內外研究學者提出了共享儲能的概念，利用共享經濟模式來降低儲能成本。文獻［4］將儲能設施與共享經濟模式相結合，討論了共享儲能的商業模式以及可能遇到的問題。文獻［5］研究了一種共享儲能參與聚合交易的多方獲利合作方法，提升了共享儲能的經濟效益。文獻［6］對比了用戶側配置共享儲能與獨立儲能這2 種模式，結果表明共享儲能的引入可以明顯降低用戶群的運行成本。文獻［7］對能源合作和互補運營進行探索，提高了綜合能源微網的經濟效益。上述研究針對共享儲能的模式及其能為發電廠、售電公司、用戶帶來的經濟收益進行了分析與策略優化，證實了共享儲能能在一些場景下作為合適的調控手段。

也有學者針對共享儲能參與電網輔助服務進行了研究：文獻［8］探索了共享儲能聯合調頻的分散交易機制，構建了交易信息的分類管理方法；文獻［9］基于儲能造價，探索了新型儲能以輸配電價格參與調峰輔助服務的可行性，結果表明單獨參與調峰輔助服務難以滿足儲能的投資回報收益率；文獻［10］以微網和能源社區形式參與配電網的概率潮流優化，實現了經濟性與可靠性的提升；文獻［11］探索了儲能與火電聯合調頻的優化策略，通過自動發電控制指令與多目標粒子群優化方法實現了儲能充放電策略的優化，改善了火電的調頻性能；文獻［12］針對多場景的共享儲能投資與運行問題，采用集中式優化方法對共享儲能的多場景需求進行了對比分析。上述集中式優化方法在參數信息完全可觀可測、目標一致時，能夠有效地保障解的最有效性。但是集中式優化方法要求信息完全透明，并不適用于分布式儲能參與輔助服務的場景，無法解決多方利益沖突、信息隱私要求以及場景需要動態增減的問題。為此，有相關研究探索利用分布式方法解決儲能的優化策略與博弈問題：文獻［13］提出了一種基于改進遞歸-卷積神經網絡的多能源微網交互策略，旨在在保護隱私的前提下實現聯合互動以應對不確定性；文獻［14］針對社區的用能安全性與經濟性，建立了主從博弈與Shapley 值分配相結合的雙層優化模型，解決了共享儲能的優化定價與社區能量分配問題；文獻［15］建立了考慮共享能源站的多微網系統雙層規劃模型，并采用基于交互價值貢獻度的納什議價方法對利潤進行分配。上述研究通過分布式優化和博弈方法，在一定程度上保護了用戶的隱私，并實現了儲能與電網互動模型的優化求解，但大多聚焦在分布式儲能與上級電網的互動博弈及利益分配問題，而鮮有關于共享儲能多用戶參與電網輔助服務，尤其是參與電壓調節輔助服務的研究。而共享儲能具有較好的無功-電壓、有功功率支撐能力，為此亟需進一步挖掘共享儲能參與電網電壓調節輔助服務的潛力，探索相應的互動優化模式。

針對以上問題，本文建立了共享儲能參與主動配電網輔助服務市場的互動博弈優化模型，基于交替方向乘子法（alternating direction method of mul?tipliers，ADMM）提出了分布式優化求解方法。首先，提出了共享儲能參與主動配電網輔助服務市場的互動模式；接著，構建了包含網絡潮流約束與安全約束的主動配電網優化模型以及包含儲能設備約束的共享儲能響應優化模型；然后，利用ADMM 改造電網與共享儲能的優化運行模型，提出了主動配電網與共享儲能互動博弈優化的分布式迭代求解流程。所提方法能夠解決多方共享儲能參與主動配電網輔助服務市場互動博弈優化模型所存在的維度高、求解困難的問題，通過分布式算法避免了隱私泄露，實現了隱私保護下的多主體策略優化求解。最后，通過算例仿真進行驗證，結果表明所提模型能夠有效地降低主動配電網的運行損耗，保證網絡節點電壓運行安全，實現多主體收益共贏。

1 共享儲能參與主動配電網輔助服務市場的模式

共享儲能模式鼓勵擁有儲能資源的用戶在利用儲能資源的同時，利用剩余容量與空閑時間參與主動配電網的輔助服務市場，響應主動配電網的激勵信號，以獲取電網補償帶來的經濟收益。共享儲能參與主動配電網輔助服務市場的模式架構如圖1 所示。首先，主動配電網根據需求向參與輔助服務的共享儲能發送需求指令與補償價格；然后，共享儲能用戶參與輔助服務，根據自身優化結果返回參與輔助服務響應的意愿。共享儲能的響應意愿會影響輔助服務市場中共享儲能的補償價格。隨后，主動配電網會在新的共享儲能補償價格下進行優化計算，返回新一輪的共享儲能需求指令。隨著共享儲能與主動配電網在輔助服務市場中依次交互響應，實現電價、主動配電網指令、共享儲能響應意愿的收斂。最終，共享儲能用戶利用儲能資源響應輔助服務獲取額外的經濟收益，主動配電網通過輔助服務調用共享儲能資源，實現維護電網安全、降低網損等目的，從而實現了多方互利共贏。

圖1 共享儲能參與主動配電網輔助服務市場的模式架構Fig.1 Mode architecture of shared energy storage participating in active distribution network auxiliary service market

2 主動配電網與共享儲能的互動博弈優化模型

2.1 主動配電網的博弈優化模型

對于主動配電網而言，其與共享儲能博弈的優化目標為最小化總運行成本CDN，總運行成本主要包括網損成本Closs、在輔助服務市場使用共享儲能的成本Cbat、電網節點電壓越限受到的懲罰成本Cpen，如式（1）所示。

式中：Ploss，t為時段t電網的總網損；ct為時段t的電價；Xnet為優化變量，包含電網期望調用的共享儲能的有功、無功補償功率；Pnet，m，t、Qnet，m，t分別為時段t電網期望共享儲能m的有功、無功補償功率；M為共享儲能集合；Δt為單位時段時長；T為時段總數，本文中取值為24；cbat，t為時段t共享儲能的補償價格；ω為共享儲能單價在有功、無功功率的分配比例系數；Ui，t為時段t節點i的電壓；δ、δ分別為表征時段t所有電網節點電壓越上限、越下限的變量，若存在節點電壓越限，則δ=1、δ=1，若所有節點電壓均不越限，則δ=0、δ=0；Ω為配電網節點集合；為了保證優化問題能夠收斂到優化解，電壓約束被松弛為懲罰成本Cpen，λpen為電壓越限后主動配電網受到的懲罰系數。

約束條件包括電網節點有功功率約束、電網節點無功功率約束、電網傳輸有功功率潮流約束、電網傳輸無功功率潮流約束，具體表達式分別見附錄A式（A1）—（A4）。

2.2 分布式共享儲能的博弈優化模型

對于共享儲能而言，其與電網和其他共享儲能博弈的優化目標為最大化運行效益，運行效益包括壽命損耗成本、提供輔助服務帶來的經濟收益，如式（6）所示。

式中：Cbat，m為共享儲能m的運行效益；Pm，t、Qm，t分別為時段t共享儲能m響應輔助服務的有功、無功補償功率；cc為共享儲能的單位電量成本系數。

運行約束條件包括儲能設備的充放電功率約束、充放電效率約束、荷電狀態（state of charge，SOC）約束、SOC 充放電限制約束等，具體表達式見附錄A式（A5）—（A11）。

3 基于ADMM的分布式優化求解方法

由于共享儲能的優化目標與主動配電網的優化目標之間會產生利益沖突，電網與共享儲能主體之間圍繞補償價格進行互動博弈，共享儲能之間圍繞參與市場的時間、參與量等進行博弈，整體互動博弈優化模型呈現變量維度高、模型非線性復雜、不同主體間存在利益沖突等特征［16］，不適合采用集中式優化方法進行求解。而分布式優化具有解決多節點問題、保護節點隱私、提高系統魯棒性等優點，為此本文基于ADMM 對第2章中的配電網博弈優化模型和共享儲能博弈優化模型進行改造［17］，以解決多共享儲能主體參與主動配電網輔助服務市場的優化博弈問題。

3.1 ADMM

ADMM 最初由Glowinski、Gabay 提出，是一種基于增廣拉格朗日的方法，可用于求解帶線性可分約束、可分目標的最優化問題。其原問題可表示為：

式中：xm為可分變量分解后的第m個優化變量，本文中每個共享儲能主體可分解得到1 個子問題，配電網輔助服務市場對應1 個子問題，則分解得到的子問題數量為共享儲能的數量加1；fm為第m個可分優化變量對應的可分目標函數；模型的等式約束按照對應的變量分解，Am為變量xm的等式約束系數的可分矩陣，b為等式約束的常數項。

引入拉格朗日乘子λ，可將模型改寫為增廣拉格朗日函數Lρ(x1，…，xm，…，λ)，如式（8）所示。

其中ADMM的迭代求解方法如式（9）所示。

式中：k、k+1 分別表示第k、k+1 次迭代；Lρ表示以xm為變量求解最小化函數Lρ得到的最優解集。在每一輪的分布式求解過程中，各主體使用上一輪的博弈決策信息和中間變量，不涉及當前決策策略與內部隱私參數，從而實現了用戶隱私保護。

3.2 基于ADMM的分布式優化求解模型

對于2.1節和2.2節提出的共享儲能參與主動配電網輔助服務市場的互動博弈優化模型，引入拉格朗日乘子λ、懲罰系數ρ以及輔助變量Z=X，構建模型目標函數的增廣拉格朗日函數，并根據ADMM 的原理對增廣拉格朗日函數進行分布式優化求解，得到配電網和各共享儲能電站博弈的分布式優化模型。

3.2.1 主動配電網的分布式優化模型

對于主動配電網的優化模型式（1），引入拉格朗日乘子λ(k)、懲罰系數ρ，將其改造為增廣拉格朗日優化目標函數，優化變量Xnet=[Xnet，1，Xnet，2，…，Xnet，T]，包含電網期望調用的共享儲能的有功、無功補償功率，其中Xnet，t=[Pnet，1，t，…，Pnet，mmax，t，Qnet，1，t，…，Qnet，mmax，t]（t=1，2，…，T），mmax為共享儲能的數量。定義Znet為Xnet的輔助變量，且滿足Znet=Xnet，增廣后的目標函數如式（10）所示。

式中：λ、Z分別為第k次迭代時主動配電網的拉格朗日乘子、Xnet的輔助變量。

優化模型需滿足的網絡約束見式（A1）—（A4）。

3.2.2 共享儲能的分布式優化模型

對于共享儲能參與主動配電網輔助服務市場的優化模型式（6），分別構建各共享儲能的分布式增廣拉格朗日函數，共享儲能m的優化子問題的優化變量Xm=[Xm，1，Xm，2，…，Xm，T]，包含共享儲能響應輔助服 務 的 有 功、無 功 補 償 功 率，Xm，t=[Pm，t，Qm，t]（t=1，2，…，T）。引入輔助變量Z1、…、Zm、…，且滿足Z1=X1、…、Zm=Xm、…?？傻玫皆鰪V拉格朗日目標函數如式（11）所示。

優化模型需滿足的儲能約束如式（A5）—（A11）所示。

3.2.3 增廣拉格朗日輔助變量的更新

對于引入的輔助變量Znet，根據約束構建其增廣拉格朗日函數，如式（12）所示。

考慮共享儲能與配電網之間變量的關聯性，更新簡化可得：

式中：P、Q分別為第k+1次迭代時共享儲能m的有功、無功功率參考值，計算公式如式（14）所示。

考慮配電網與共享儲能之間的互動變量，將式（14）代入式（13）簡化輔助變量的更新迭代求解。

增廣拉格朗日乘子和懲罰系數的更新方式分別為：

式中：r、s分別為第k+1 次迭代時增廣拉格朗日的互殘差、自殘差，用于判定分布式優化算法是否收斂。

共享儲能的補償價格隨著共享儲能參與輔助服務市場的總量波動，第k次迭代過程中更新后的共享儲能參與輔助服務市場的總量如式（18）所示。然后，基于Sigmoid 函數設計價格函數，計算更新后共享儲能的補償價格，如式（19）所示。

式中：P為第k次迭代時時段t共享儲能參與輔助服務的總量；P為第k次迭代時時段t共享儲能m響應輔助服務的有功功率；c為第k+1 次迭代時時段t共享儲能的補償價格；c、c分別為共享儲能補償價格的上、下限。式（19）所示Sigmoid 函數能夠反映有限資源條件下需求與價格之間的受限增長特性，約束補償價格的波動區間，保證共享儲能補償價格函數在全功率區間內變化的連續性。將式（19）作為共享儲能補償價格的調整機制能夠在一定程度上保護共享儲能主體的利益，避免分配不公，同時能夠保證ADMM 求解所需的模型凸性與連續性，實現模型的分布式求解。

3.2.4 分布式優化求解流程

基于ADMM 改進的共享儲能參與主動配電網輔助服務優化問題的分布式求解步驟如下。

1）設置最大迭代次數kmax、收斂精度ξ以及共享儲能電價上限c、下限c。初始化共享儲能補償價格為0，初始化迭代次數k，自變量X、X，輔助變量Z、Z，增廣拉格朗日乘子λ、λ，懲罰因子ρ0，其中t=1，2，…，T，m∈M。

2）對于主動配電網主體，其從各共享儲能主體接收期望參與主動配電網輔助服務的有功功率P和無功功率Q，根據式（10）及其約束條件求解分布式優化模型，得到配電網期望購買的輔助服務有功功率P和無功功率Q。

3）對于共享儲能m，其接收主動配電網期望的有功補償功率P和無功補償功率Q，根據式（11）及其約束條件求解分布式優化模型，得到共享儲能響應輔助服務的有功功率P和無功功率Q。

4）根據式（14）更新各共享儲能主體響應主動配電網輔助服務的有功功率參考值P、無功功率參考值Q，并根據式（13）更新輔助變量Z、Z。

5）根據式（15）更新拉格朗日乘子λ、λ，根據式（16）更新懲罰系數ρ(k)，同時令迭代次數k=k+1。

6）根據式（18）計算共享儲能參與輔助服務的總量，根據式（19）計算更新共享儲能的補償價格c。

7）根據式（17）計算增廣拉格朗日的互殘差、自殘差，判斷算法的收斂情況。如果滿足迭代終止條件式（20），則退出循環；否則，返回步驟2），直至滿足迭代終止條件或達到最大迭代次數后停止。

4 算例分析

4.1 算例基礎數據

本文以改造的IEEE 33 節點系統為測試系統，系統拓撲結構如附錄B 圖B1 所示?？紤]儲能設備的安裝及其參與輔助服務市場的概率，選取在網絡末端重負荷附近的節點18、25、33 處增加共享儲能設備，共享儲能的技術參數如附錄B 表B1 所示，其參與響應的儲能容量邊界分時段變化。共享儲能所在節點18、25、33 的負荷時序數據如附錄B 圖B2 所示。電網時序電價［18］如附錄B圖B3所示。

為了驗證本文所提方法的有效性，針對共享儲能參與主動配電網輔助服務的互動情景，設置以下3 種場景進行對比驗證：①場景1，共享儲能不參與輔助服務；②場景2，共享儲能僅通過有功功率優化方式參與輔助服務；③場景3，共享儲能同時通過有功、無功功率優化方式參與輔助服務。

4.2 結果分析與討論

4.2.1 算法收斂性分析

取共享儲能補償價格在有功、無功功率的分配比例系數為0.9，設算法收斂精度要求為10-3，其他參數取值如附錄B表B2所示?；谏鲜鰯祿炞C3種場景下算法的收斂性，結果如附錄B 圖B4 所示，對應的共享儲能參與電網輔助服務前、后的節點電壓如附錄B圖B5所示。

由圖B4（a）可看出：基于ADMM 的共享儲能參與主動配電網輔助服務分布式優化算法在場景2、3中都能收斂，且滿足精度要求；在場景2 中，當迭代次數k＞40 時，自殘差、互殘差小于10-3，滿足收斂精度要求；在場景3 中，當迭代次數k＞25 時，滿足收斂精度要求。由圖B4（b）可看出：作為約束松弛變量的拉格朗日乘子波動較大，在迭代15 次之后基本收斂。由圖B4（c）可看出：共享儲能的補償價格波動在迭代15 次后基本收斂，且不同時段的儲能補償價格不同，場景2、3 最終的儲能補償價格大致相同，具體細節略有不同，最終共享儲能的充放電功率也有所差異。

由圖B5可看出：考慮共享儲能參與主動配電網輔助服務后，網絡末端的節點電壓得到改善。由圖B5（a）可知：在時段19、20，場景1 中節點17、18 會越過低壓限值。由圖B5（b）可知：在場景2 中，共享儲能僅通過有功功率優化參與輔助服務互動，時段20的電壓有所改善，但是不能完全滿足主動配電網的需求。由圖B5（c）可知：場景3中的共享儲能通過有功、無功功率優化參與輔助服務互動，時段19、20 配電網越限節點的電壓由場景1中的低于0.9 p.u.調整到0.9 p.u.以上，這主要是因為配電網的網絡參數中電阻與電抗比值較大，則系統的電壓與有功、無功功率耦合緊密，共享儲能通過有功、無功功率聯合優化參與輔助服務能進一步挖掘利用配電網的調控潛力，實現系統更優運行。

4.2.2 不同場景的對比分析

場景2、3 中共享儲能的最終充放電功率（充電時功率為負值，放電時功率為正值）如圖2 所示，共享儲能的SOC 結果如附錄B 圖B6 所示，主動配電網的網損結果如圖3所示。由圖可以看出：3個共享儲能在時段10 之前充電，在時段10 — 12 放電；在時段16、19、20，共享儲能放電，結合電網電壓信息可知，此時電網末端節點電壓容易越限，主動配電網趨向于調動儲能資源保障網絡的電壓安全。場景2 中的共享儲能僅通過有功功率優化參與輔助服務，這對節點電壓的安全支撐作用有限。場景3 中的共享儲能通過有功、無功功率優化參與輔助服務，結果表明主動配電網的電壓安全與網絡損耗優化目標在不同時段都得到了優化，共享儲能通過響應獲得了經濟補償收益。

圖2 共享儲能的充放電功率Fig.2 Charging and discharging power of shared energy storage

圖3 主動配電網的網損Fig.3 Power loss of active distribution network

對比圖2 中共享儲能的充放電功率與圖B2 中的負荷用電曲線可以看出：在共享儲能參與主動配電網輔助服務的互動過程中，當共享儲能的補償價格相對較低時，共享儲能的有功功率主要響應自身的用電負荷，例如在時段1 — 8，3 個共享儲能都充電，且充電功率與自身負荷相關，共享儲能3 在這段時間內的負荷曲線比共享儲能1、2 更平穩，所以共享儲能3 的充電功率也更加平穩。當共享儲能的補償價格較高時，例如在時段9 — 12、16、19、20，共享儲能的功率主要用于響應主動配電網的信號，參與輔助服務，優化網損或保障節點電壓。共享儲能的有功、無功功率聯合響應實現了主動配電網的經濟安全目標與共享儲能的優化目標。由圖B6 可以看出：共享儲能的SOC 在波動后滿足起始時刻能量平衡的約束，保證了共享儲能的長期續航性。共享儲能的經濟收益、主動配電網的網損優化和節點電壓改善結果見表1。表中：場景2 和場景3 的網損減少量、網損減少率、網損經濟支出減少率均是相較于場景1的結果。

表1 共享儲能的經濟收益、主動配電網的網損優化和節點電壓改善結果Table 1 Economic benefits of shared energy storage and power loss optimization and node voltage improvement results of active distribution network

從圖3 所示主動配電網的網損結果可以看出：場景3的網損在單時段和整體數量上都小于場景1、2，場景3 中共享儲能的有功、無功功率聯合參與電網輔助服務市場，網損明顯低于無共享儲能或僅共享儲能有功參與輔助服務時的網損；相比于場景1，場景2 的網損在不同時段上表現不同，存在網損減少／增加的時段。觀察圖3 中3 種場景的網損差異細節可發現：在時段9 — 12，場景2、3 的網損相比場景1 都得到了改善。結合圖B3 中的電網電價可知：該時段也是高電網電價時段，主動配電網的優化策略趨向于在該時段調用共享儲能來降低網損。結合表1 中的結果可知：相比于場景1，場景2 中的共享儲能僅通過有功功率優化參與主動配電網輔助服務互動，減少了0.13 % 的網損支出成本，然而由于其調節電壓的能力有限，這種改善是通過在不同電價時段轉移網損來實現的，場景2 在全時段的累計網損增大。場景3 中的共享儲能通過有功、無功聯合優化參與輔助服務互動，改善了主動配電網2 個電壓越限時段的電壓，保證了全網的用電安全，同時減少了3.86 % 的網損，降低了4.1 % 的網損經濟支出。綜上可知：由于主動配電網的線路具有高阻抗比特性，節點電壓與有功、無功功率密切耦合，共享儲能通過有功、無功功率聯合優化參與輔助服務的模式能夠更好地挖掘調控潛力，進而提升主動配電網經濟性、安全性的優化空間。

不同共享儲能配置數量下ADMM 與集中式優化算法的結果對比如表2 所示。由表可知：ADMM能夠很好地逼近集中式優化算法的結果，且相比于集中式算法，分布式ADMM 在逼近最優解的同時，還具有良好的隱私保護能力。

表2 ADMM與集中式優化算法的結果對比Table 2 Comparison of results between ADMM and centralized optimization algorithm

2 種算法求解所需交互數據信息不同：集中式優化算法需要參與共享儲能的決策信息與設備參數，設備參數包括共享儲能的充放電功率上下限、儲能容量、儲能充電效率、儲能放電效率、用電成本系數、負荷等信息，交互參數信息的數量隨著參與共享儲能數量的增大而增大，對數據傳輸和后臺存儲具有極高的要求；而分布式ADMM 僅需傳遞有限的決策量，無須傳遞和共享內部設備參數等，這樣大幅減少了數據傳輸與存儲過程中的泄露風險，保護了用戶隱私性。以含有N個參與者的問題為例：集中式優化算法需要傳輸的設備參數信息數量為7N，需要傳輸的決策變量信息數量為2N，總信息數量為9N；而分布式ADMM 只需要傳遞決策變量信息，即N個決策維度為2 的決策信息，則需要傳輸的信息數量為2N，遠小于集中式優化算法的數據傳輸需求。此外，分布式ADMM 無須共享參數，這也使得用戶并入與切除更加靈活，可以通過增／減子問題來調整模型，而集中式優化算法則需要整體修改優化問題，導致用戶的并入與切除難度更大。

從計算復雜度方面進行分析，集中式優化算法的決策維度隨著參與者數量的增大而增大，當有N個參與者時：集中優化算法的變量維度為2N，優化問題的計算復雜度為O(2N)=O(N)；分布式ADMM 的最大迭代次數為kmax，共有N個子問題并行，子問題的優化變量維度為2，則優化問題的計算復雜度為kmaxO(2)=O(1)?？梢姡涸诘途S度決策空間中，集中式優化算法的耗時占優；在高維度決策空間中，分布式ADMM 的計算效率更高［19］。綜上可知，集中式優化算法在求解低決策維度問題時更迅速、高效，而分布式ADMM 的優勢主要在隱私保護和求解高維度問題方面。

5 結論

本文提出了一種基于ADMM 的共享儲能參與主動配電網輔助服務的分布式優化模型和求解方法，并以改造的IEEE 33 節點系統為算例進行了多場景的仿真對比測試。仿真結果表明：相比于共享儲能僅通過有功功率優化參與輔助服務的模式，共享儲能通過有功、無功功率協同優化參與輔助服務的模式在改善主動配電網網絡安全、降低網損方面具有更大的調控潛力。所提互動博弈優化模型與分布式算法實現了隱私保護下的共享儲能參與主動配電網輔助服務優化問題的求解，能在逼近集中式優化算法解集的同時，解決集中式優化算法無法處理參與主體的數量動態增／減的問題。相比于共享儲能不參與輔助服務，當共享儲能僅通過有功功率優化參與輔助服務時，主動配電網網損成本減少了0.13 %。相比于共享儲能不參與輔助服務，當共享儲能通過有功、無功功率聯合優化參與輔助服務時，主動配電網網損降低了3.86 %，網損成本減少了4.1 %，并且避免了節點電壓越限。后續將進一步探索共享儲能參與微電網群點對點市場模式，研究主動配電網、共享儲能、分布式微電網群等多方點對點博弈的分布式優化方法。

附錄見本刊網絡版（http：//www.epae.cn）。