CN106026092B - 一种用于含分布式电源的配电网孤岛划分方法 - Google Patents

Abstract

本发明实施公开了一种用于含分布式电源的配电网孤岛划分方法，涉及供电技术领域，所述方法实现了计及分布式电源出力及负荷需求不确定性情况下最佳孤岛的系统形成方法，能根据实时情况确定最大可能出现的孤岛，相对于确定性条件下的孤岛具有更强的可信度。本发明包括：计及电源出力及负荷需求不确定性建立分布式电源与负荷的概率模型，并采用蒙特卡洛法进行抽样试验，预测电源出力与负荷需求；在考虑负荷重要性情况下，根据配电网的拓扑结构将其简化成一个无向赋权图；采用改进的萤火虫算法对孤岛划分模型进行求解，得到初步孤岛；最后采用随机潮流与灵敏度检验算法，调整并校验初步孤岛。

Description

一种用于含分布式电源的配电网孤岛划分方法

技术领域

本发明涉及供电技术领域，尤其涉及一种用于含分布式电源的配电网的孤岛划分方法。

背景技术

在对配电系统的故障处理技术中，充分利用分布式电源的计划孤岛方案是一种具备研究前景的方案。目前对含分布式电源(distribute generation,DG) 配电网的孤岛划分方法进行了研究，这些方法又可以分为两大类。一类是不计分布式电源出力的波动性及负荷需求的不确定性。此类方法通常根据故障失电区内的分布式电源分布形成初始孤岛方案，之后再对方案中的每个孤岛进行安全性校验，进而确定最终的孤岛划分方案。第二类是计及分布式电源出力的波动性及负荷需求的不确定性的故障恢复。

但在实际运行过程中，现有的方案都存在这样的问题，即：分布式电源出力和负荷变化会改变系统的节点的电压与系统的网损。而在故障系统恢复过程中，由于光伏、风电等为代表的分布式电源出力具有很强的不确定性给故障系统恢复与孤岛的安全运行问题带来了很多不确定性问题，而现有方案中对于这些不确定性因素仅仅以定值或均值的形式处理，在故障恢复过程中往往存在很大的误差，使得目前基于计划孤岛方式的配电系统的故障处理方案，存在误差较大的问题。

发明内容

本发明的实施例提供一种用于含分布式电源的配电网的孤岛划分方法，计及了电源与负荷的不确定性，以抽样试验的方法确定最优可能的孤岛，并减小了误差。

为达到上述目的，本发明的实施例采用如下技术方案：

读取所述含分布式电源的配电网中分布式电源与负荷的概率模型、孤岛划分问题模型获取所述含分布式电源的配电网的无向图，并对所述含分布式电源的配电网的无向图进行权值整定；依据经过权值整定的所述含分布式电源的配电网的无向图，采用改进萤火虫算法对所读取的孤岛划分问题模型求解得到初步孤岛；采用随机潮流和灵敏度校验算法，调整并校验所述初步孤岛。

所述获取所述含分布式电源的配电网的无向图，并对所述含分布式电源的配电网的无向图进行权值整定包括：获取孤岛划分的目标函数其中，N为非故障失电区域内的负荷的数目，P_i为负荷L_i消耗的有功功率，ω_i为负荷L_i的重要程度参数，且ω_i与负荷L_i的重要程度正相关， x_i为一个二进制的变量，且x_i＝1表示L_i被接入孤岛，x_i＝0表示L_i未接入孤岛；依据所述孤岛划分的目标函数和孤岛划分的约束条件，获取所述含分布式电源的配电网的无向赋权图，所述孤岛划分的约束条件包括：孤岛内的总的负荷功率之和不大于分布式电源的容量，且35kV及以上供电电压正负偏差的绝对值之和不超过额定电压的10％，10kV及以下三相供电电压允许偏差为额定电压的±7％，孤岛内支路电流不超过负荷的额定电流，且孤岛采用辐射状配电网；对所述含分布式电源的配电网的无向图的边进行赋权，其中，所述无向图的每一条边连接着两个负荷节点；对于一条边连接的两个负荷节点a和b，将连接a和b 边的权值整定为：其中，节点a代表的负荷及其重要程度分别为P_a和ω_a，节点b代表的负荷及其重要程度分别为P_b和ω_b，则λ_a＝P_a*ω_a，λ_b＝P_b*ω_b。

所述采用改进萤火虫算法对所读取的孤岛划分问题模型求解得到初步孤岛，包括：采用蒙特卡洛法进行抽样，获取分布式电源的输出功率与负荷需求的预测结果；根据所述孤岛划分问题模型，针对于每一次的抽样结果，采用改进萤火虫算法进行求解，得到对应每一次的抽样结果的孤岛划分方案；从对应各个抽样结果的孤岛划分方案中确定初始孤岛方案，并对得到的初始孤岛进行整合处理。

其中的所述整合处理包括：合并所有相邻的一个支路孤岛，将两个孤岛可以通过一条支路直接连接；和，合并所有包含同一负荷节点的孤岛。

以及，对经过整合处理得到的孤岛，检测其孤岛内功率是否存在冗余；若是则将该孤岛周围具有最高优先级的可控负荷点加进该孤岛内，直到剩余处理功率小于预设门限。

所述采用随机潮流和灵敏度校验算法，调整并校验所述初步孤岛，包括：对每个孤岛采用随机潮流算法，并计算得到每个孤岛中所有节点的状态参数，所述状态参数包括节点的有功出力、无功出力、节点电压、线路视在功率等均值和方差；检测所述状态参数中的各个参数是否满足各自对应的约束上下限，若是则表示孤岛安全运行；若否，则采用灵敏度校验算法，调整孤岛中各个分布式电源的有功无功出力，电容器投入和负荷节点负荷值，直至消除所述状态参数中的各个参数相对于各自对应的约束上下限的越限。

本发明实施例提供的用于含分布式电源的配电网的孤岛划分方法，通过采用蒙特卡洛法对分布式电源与负荷建立的概率模型进行抽样试验，对分布式电源的出力与负荷需求进行预测，考虑负荷的重要性，恢复的优先顺序等因素，将配电网模型简化成了一个无向赋权图，再采用改进萤火虫算法得到初步孤岛。最后采用随机潮流与灵敏度校验的方法，对初步孤岛方案进行调整与校验，相对于现有方案，本实施例在保证孤岛的安全性与稳定性的同时，提高供电能力，扩大供电范围。本发明所采用的方法计及了电源出力与负荷需求的不确定性，在故障时刻按最大概率的最优孤岛进行恢复，可以大大减小系统失电负荷量，提高系统安全稳定运行能力。在工程中(比如：对于DG渗透率较高的配电网故障)更帖接近实际，兼顾孤岛稳定性的同时提高了实用性，计及分布式电源出力及负荷需求不确定性情况下最佳孤岛的系统形成方法，能根据实时情况确定最大可能出现的孤岛，相对于确定性条件下的孤岛具有更强的可信度，减小了误差。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的用于含分布式电源的配电网的孤岛划分方法的流程图；

图2为本发明实施例提供的计及电源与负荷不确定性的配电网孤岛划分求解流程图；

图3为本发明实施例提供的配电网两负荷赋权无向赋权图；

图4为本发明实施例提供的基本萤火虫算法求解流程图；

图5为本发明实施例提供的IEEE-33节点系统的架构示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/ 或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明实施例提供一种用于含分布式电源的配电网的孤岛划分方法，如图1 所示，包括：

S1、读取所述含分布式电源的配电网中孤岛划分问题模型。

其中，孤岛划分问题模型可以理解为孤岛划分的优化模型，比如下述的孤岛划分的目标函数。在读取所述含分布式电源的配电网中孤岛划分问题模型的同时，还读取分布式电源的输出功率的模型和所述含分布式电源的配电网负荷的模型。

在本实施例中，建立配电网发生故障后的分布式电源及负荷的概率模型，并采用蒙特卡洛法进行抽样试验模拟分布式电源出力与负荷需求，在此基础上，建立含分布式电源的配电网的孤岛划分问题模型，再采用改进的萤火虫算法解决了配电网的孤岛划分问题。最后采用随机潮流与灵敏度校验的方法，对初步孤岛方案进行调整与校验，以保证孤岛的安全性与稳定性，提高供电能力，扩大供电范围。例如：在计算机、服务器等用于配电网管理的计算设备上执行流程S1-S4，且基于执行流程S1-S4，计算设备的具体执行过程可以细分为如图2所示的计及电源与负荷不确定性的配电网孤岛划分求解流程。

S2、根据所述含分布式电源的配电网的拓扑结构，和各负荷的重要程度参数，通过权值整定将所述拓扑结构转换为无向赋权图。

其中，孤岛内的系统静态平衡需要保证系统内的功率平衡，即分布式电源的出力要大于孤岛内负荷的总容量。同时，配电网内的负荷按照重要性可以分为不同的等级。重要的负荷，可以设定为数值较高的重要程度参数ω_i，通过较高的优先保证可靠供电；一般的负荷，可以设定为数值中等的重要程度参数ω_i尽量保证可靠供电；还有一些不重要的负荷，其可靠性不用优先考虑，当配电网出现故障时，电力系统将优先将这些不重要负荷切除。同时，孤岛是一个稳定的小型电力系统，因此必须保证孤岛内的电气安全。因此，孤岛划分所根据的原则主要有：用于最大限度的恢复负荷供电，并保证孤岛内重要负荷(如重要交通枢纽、重要通讯枢纽、重要宾馆、大型体育场馆、医院等)优先恢复；在孤岛形成后，保证孤岛内的设备和电力线路都处于安全状态，即避免设备过载和电压越限。

S3、依据经过权值整定的所述无向赋权图，采用改进萤火虫算法对所读取的孤岛划分问题模型求解得到初步孤岛。

例如：无向赋权图是可以根据配电网的拓扑结构得到的，其中，本实施例中可以采用如图5所示的IEEE-33节点结构的配电系统，在完成整定权值后得到无向赋权图。其中，IEEE-33节点系统作为本实施例算例验证时所采用的典型配电网，并作为本实施例中配电网的实例。在这个算例中，本实施例中分布式电源可以接入此IEEE-33节点系统内。权值整定时所根据的配电网拓扑结构为 IEEE-33节点系统的拓扑结构，且后续孤岛划分也是依据IEEE-33节点系统进行划分的。

S4、采用随机潮流和灵敏度校验算法，调整并校验所述初步孤岛。

从而对划分出的初步孤岛进行随机潮流计算，调整孤岛边界，校验孤岛安全性并最终给出孤岛方案。在本实施例中所采用的人工萤火虫算法，可以参照图4所示的基本萤火虫算法求解流程图，根据蒙特卡洛抽样试验结果应用改进的萤火虫算法进行孤岛划分问题求解，其改进为方式为自适应步长的萤火虫算法。引入荧光因子来表征当前萤火虫距离当代最优萤火虫的远近程度，从而动态调整移动步长。

式中，X_i表示当前萤火虫i的位置，X_best表示荧光素浓度最大的萤火虫状态， d_max表示所有萤火虫距离当代最优萤火虫距离的最大值。其动态步长按如下策略调整：

s_i＝s_min+(s_max-s_min)H_i

式中，s_min s_max为最大最小步长。

分布式电源出力与负荷不确定性问题模型，比如：在实际电网中，分布式电源具有灵活供电，清洁无污染的特点，它的接入在给电网带来优势的同时也带了一些问题。以光伏与风电为代表的分布式电源具有很强的随机性与间歇性，由于实际运行过程中，分布式电源出力和负荷变化会改变系统的节点的电压与系统的网损。当然在故障系统恢复过程中，由于分布式电源出力和负荷固有的不确定性给故障系统恢复与孤岛的安全运行问题带来了很多不确定性问题，如果不考虑这些不确定性因素而仅仅以定值或均值的形式处理显然只是近似的结果，在故障恢复过程中往往存在很大的误差。

而在本实施例中，通过采用蒙特卡洛法对分布式电源与负荷建立的概率模型进行抽样试验，对分布式电源的出力与负荷需求进行预测，考虑负荷的重要性，恢复的优先顺序等因素，将配电网模型简化成了一个无向赋权图，再采用改进萤火虫算法得到初步孤岛。最后采用随机潮流与灵敏度校验的方法，对初步孤岛方案进行调整与校验，以保证孤岛的安全性与稳定性，提高供电能力，扩大供电范围。本发明所采用的方法计及了电源出力与负荷需求的不确定性，在故障时刻按最大概率的最优孤岛进行恢复，可以大大减小系统失电负荷量，提高系统安全稳定运行能力。在工程中(比如：对于分布式电源(DG)比重较高的配电网)更帖接近实际，兼顾孤岛稳定性的同时提高了实用性。计及分布式电源出力及负荷需求不确定性情况下最佳孤岛的系统形成方法，能根据实时情况确定最大可能出现的孤岛，相对于确定性条件下的孤岛具有更强的可信度，减小了误差。

在本实施例中，还包括：识别接入了所述含分布式电源的配电网中的分布式电源的类型。并建立所识别的分布式电源的输出功率模型，所述输出功率模型用于表示所述分布式电源的不确定性。由于在实际应用中，以光伏与风电为代表的分布式电源出力具有很强的不确定性，再加上负荷需求本身也具有很强的不确定性，若不考虑其不确定性，得到的孤岛至多是一种近似孤岛，在实际情况中无法进行正常运行。因此，本实施例提供了具体的以光伏、风电作为分布式电源作为功率输出的概率模型，具体包括：

若所识别的分布式电源的类型为光伏电源，则建立所述光伏电源的输出功率模型：P_v＝r·A·η，P_v为光伏电源的输出功率，r为光照大小，A为安装面积，η为组件转换效率。其中，光伏电源输出功率主要受太阳的辐射强度、逆变器的转换效率以温度的影响，且光伏电源的输出功率主要由该地区的光照强度决定，经统计，光照强度一般服从Beta分布。

其中，r符合光照强度的概率密度分布函数：且，Γ为伽马函数，r_max为最大光照大小，α与β为形状参数，根据指定时间内光照强度大小的平均值μ与方差σ得到：

和/或，由于风电机组的输出功率与风速的关系可以近似线性化，若所识别的分布式电源的类型为风电电源，则建立所述风电电源的输出功率模型P_g为输出功率，v为风速，v_ci为切入风速，v_co为切出风速，v_r为额定风速，P_r为发电机组额定输出功率。其中，v符合风速的概率密度函数k为形状参数，c为尺度参数。

具体的，风力发电机组的输出功率主要受风速影响，在一定时间内风速近似服从两参数威布尔(Weibull)分布。其中，k和c根据实测风速历史数据，采用最小二乘法辨识计算得到：μ为平均风速，σ为风速的标准差，Γ为伽马函数。

在实际应用中，配电网中的负荷越来越复杂，主要包括了民用负荷、商业负荷以及工业负荷。通常情况下，这些负荷随机变量都服从正态分布，其概率密度函数为：

其中，为均值，σ_P、σ_Q为方差。

在本实施例中，用于配电网管理的计算设备，可以获取所述含分布式电源的配电网的无向图并对所述含分布式电源的配电网的无向图进行权值整定，从而针对电源出力与负荷不确定性，提供一种配电网孤岛划分方法，能够在系统故障条件下实现分布式电源的孤岛运行，提高电网的供电可靠性。其具体过程包括：

获取孤岛划分的目标函数其中，N为非故障失电区域内的负荷的数目，P_i为负荷L_i消耗的有功功率，ω_i为负荷L_i的重要程度参数，且ω_i与负荷L_i的重要程度正相关，x_i为一个二进制的变量，且x_i＝1表示L_i被接入孤岛， x_i＝0表示L_i未接入孤岛。P_DG为孤岛内分布式电源容量，U_b，U_bmax，U_bmin分别表示孤岛节点电压及其上下限；I_l，I_l,max分别表示孤岛支路电流及其上限，f，f_max，f_min表示孤岛频率及其上下限；TopologyConstraint表示孤岛辐射状拓扑约束。

依据所述孤岛划分的目标函数和孤岛划分的约束条件，获取所述含分布式电源的配电网的无向图。并对所述含分布式电源的配电网的无向图的边进行赋权，其中，所述无向图的每一条边连接着两个负荷节点。例如：如图3所示的配电网两负荷无向图，对于一条边连接的两个负荷节点a和b，将连接a和b边的权值整定为：其中，节点a代表的负荷及其重要程度分别为P_a和ω_a，节点b代表的负荷及其重要程度分别为P_b和ω_b，则λ_a＝P_a*ω_a，λ_b＝P_b*ω_b。

其中，所述孤岛划分的约束条件包括：①孤岛内的功率约束：孤岛内的总的负荷功率之和不大于分布式电源的容量；②节点电压约束：35kV及以上供电电压正负偏差的绝对值之和不超过额定电压的10％，10kV及以下三相供电电压允许偏差为额定电压的±7％；③支路电流约束：孤岛内支路电流不超过负荷的额定电流；④网络拓扑约束：孤岛采用辐射状配电网。孤岛划分的原则，也可以理解为：用于最大限度的恢复负荷供电，并保证孤岛内重要负荷优先恢复。孤岛形成后，保证孤岛内的设备和电力线路都处于安全状态，即避免设备过载和电压越限。

在本实施例中，用于配电网管理的计算设备，采用改进萤火虫算法对所读取的孤岛划分问题模型求解得到初步孤岛。其具体过程包括：

采用蒙特卡洛法进行抽样，获取分布式电源的输出功率与负荷需求的预测结果。根据所述孤岛划分问题模型，并针对于每一次的抽样结果，采用改进萤火虫算法进行求解，得到对应每一次的抽样结果的孤岛划分方案。再从对应各个抽样结果的孤岛划分方案中确定初始孤岛方案，并对得到的初始孤岛进行整合处理。

在本实施例中，所述整合处理包括：合并所有相邻的一个支路孤岛，将两个孤岛可以通过一条支路直接连接。和，合并所有包含同一负荷节点的孤岛。例如：可以统计每次抽样所得出的孤岛划分方案，采用统计学原理，确定初始孤岛方案。对得到的初始孤岛进行合并与调整：合并所有相邻的一个支路孤岛，即两个孤岛可以通过一条支路直接连接，以及包含同一负荷节点的孤岛，使之成为一个大的孤岛。

在本实施例中，还包括：对经过整合处理得到的孤岛，检测其孤岛内功率是否存在冗余。若是则将该孤岛周围具有最高优先级的可控负荷点加进该孤岛内，直到剩余处理功率小于预设门限。例如：对已得到的孤岛，若其孤岛内功率有冗余，则将该孤岛周围具有最高优先级的可控负荷点加进该孤岛内，直到剩余处理功率接近于0。

具体来说，基于改进的萤火虫算法的含含分布式电源的配电网孤岛划分包括下述步骤：

<1>确定故障失电区域：根据故障点，确定失电区域，并根据配网中现有的分布式电源分布对配电网中的节点进行重新编号。其中，含分布式电源的配电网的孤岛划分问题本质上是寻找一种开关组合状态的最优结果，体现了某个负荷是否被接入孤岛内。负荷状态只有两种，要么接入孤岛，要么在孤岛之外。因此选择二进制的编码方式较为合适。本发明在考虑拓扑约束条件下的满足问题，对负荷进行编码，当负荷属性为1时，表示此负荷接入孤岛，相反的，当属性为0时，负荷不接入孤岛。

<2>适应度函数设计：适应度函数，即目标函数，本发明中物理意义为供电能力大小，适应度函数值越大，其个体萤火虫亮度越大，说明在不超过电源容量的情况下，所供负荷最多，电源冗余最小，供电能力越强。

<3>生成初始种群：用随机的方法产生初始种群可能导致某个局部范围内的解比较多，而某个范围内的解却没有。对于一般问题，都无法确定较优方案的范围，因而就不能再某个较优的局部范围内进行搜索寻优。为了保证算法搜索的全局性和稀疏性，避免搜索的随机性，应该使初始方案较均匀的遍布在整个空间，这样就能够保证解空间中较优方案不被丢掉，从而保证初始种群的多样性，减小搜索在局部范围内进行而陷入局部最优解的可能性。比如：首先将编号0的节点(一般为电源节点)赋值为1，搜索余下的节点，如果该节点的父节点值为1，则该节点随机赋为0或者1，如果该节点的父节点的值为0，则该节点的值只能为0。通过这样的方法对所有的负荷节点完成编号即形成了一个可行的个体，重复这样的过程直到达到初始种群数目的个体。并在产生初始种群后按照设计的适应度函数进行更新。

<4>更新荧光素：L_i(t)＝(1-ρ)L_i(t-1)+ωf(X_i(t))。其中，L_i(t-1)与L_i(t)分别表示前一时刻与当前时刻的荧光素值。ρ表示荧光素挥发因子。ρ∈(0,1)反映萤火虫所经路径释放的荧光素挥发量。ρ＝1表示前一时刻荧光素全部挥发、无残留，即算法无记忆。f(X_i(t))为萤火虫当前位置的适应度函数值，可用来表征待求解的目标函数值。ω表示萤火虫位置对适应度函数的影响因子，也反映了新增加荧光素的数量。

<5>移动概率计算：其中，P_ij(t)表示萤火虫i向萤火虫j移动的概率，N_i(t)表示为比当前萤火虫i荧光素高的萤火虫邻域集。

<6>移动位置更新：

其中，X_i(t) 与X_i(t+1)分别表示当前时刻与下一时刻萤火虫i的所处的位置。pop为萤火虫个数，s表示萤火虫移动步长，其数值选取会直接影响算法收敛速度与寻优精度。

<7>对不可行解修复：由于不可行解严重影响了算法的计算效率和收敛，需要对产生的不可行解进行修复。比如：不可行解表现为父节点的值为0，但是子节点的值为1。并在本实施例中提供一种修复方法：如果父节点为0，子节点为1，则把子节点修复为0。若父亲节点为1，这子节点不变或以5％的变异率进行变异，即将1变为0或将0变为1。

<8>决策域更新：其中，r_s为式中萤火虫感知半径，表征萤火虫最大视线范围。β表示邻域变化率，表示邻域的变化程度，n_t表示邻域阀值，表示个体邻域集内包含萤火虫数目阀值，r_d为萤火虫动态决策半径，表示萤火虫各自的动态视线范围，且0＜r_d＜r_s。

当算法运行完成后，即完成一次抽样试验孤岛划分。此时，记录此次抽样试验孤岛划分方案。当所有试验完成后，统计孤岛划分方案并加以比较，选取一种相对最优的孤岛划分方案作为初步孤岛划分方案。

在本实施例中，用于配电网管理的计算设备采用随机潮流和灵敏度校验算法，调整并校验所述初步孤岛。从而计及分布式电源出力、节点负荷随机性，采用随机潮流与灵敏度校正相结合方法，对调整后的初步孤岛进行随机潮流计算，校验孤岛安全性。其具体过程包括：

对每个孤岛采用随机潮流算法，并计算得到每个孤岛中所有节点的状态参数，所述状态参数包括节点的有功出力、无功出力、节点电压、线路视在功率等均值和方差。并检测所述状态参数中的各个参数是否满足各自对应的约束上下限，若是则表示孤岛安全运行。若否，则采用灵敏度校验算法，调整孤岛中各个分布式电源的有功无功出力，电容器投入和负荷节点负荷值，直至消除所述状态参数中的各个参数相对于各自对应的约束上下限的越限。例如：首先对每个孤岛采用随机潮流的方法进行计算，便可得到孤岛中所有节点的有功出力、无功出力、节点电压、线路视在功率等均值和方差。然后根据各自服从的分布，分别将其表示成置信水平为P_GP,P_GQ,P_u,P_p,P_q的置信区间形式，并检验他们是否满足各自对应的约束上下限，如果满足，则说明孤岛能安全运行，无需其他操作。若否，则采用灵敏度技术，调整孤岛各个分布式电源的有功无功出力，电容器投入和负荷节点负荷值，以消除相应越限。

在本实施例中，采用蒙特卡洛法进行抽样，对分布式电源的出力与负荷需求进行预测。对于每一次的抽样结果，根据简化的配电网模型以及赋权的无向图，将孤岛划分问题转化0-1多背包问题，应用改进的萤火虫算法进行求解，并记录每一次抽样后的孤岛划分方案。由于采用蒙特卡洛法对电源与负荷进行抽样试验，其结果更接近于实际电源与负荷运行情况，根据配电网的特点，对配电网模型进行了简化，采用的改进的萤火虫算法解决了配电网的孤岛划分问题，提高了搜索效率，最后通过随机潮流与灵敏度校验相结合的方法，对划分出的初步孤岛进行调整，校验，保证孤岛能够稳定安全运行，具有良好的实用性。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种用于含分布式电源的配电网的孤岛划分方法，其特征在于，包括：

读取所述含分布式电源的配电网中孤岛划分问题模型；

根据所述含分布式电源的配电网的拓扑结构，和各负荷的重要程度参数，通过权值整定将所述拓扑结构转换为无向赋权图；

依据经过权值整定的所述无向赋权图，采用改进萤火虫算法对所读取的孤岛划分问题模型求解得到初步孤岛；

采用随机潮流和灵敏度校验算法，调整并校验所述初步孤岛；

所述依据经过权值整定的所述无向赋权图，采用改进萤火虫算法对所读取的孤岛划分问题模型求解得到初步孤岛，包括：

基于改进的萤火虫算法的含分布式电源的配电网孤岛划分包括下述步骤：

<1>确定故障失电区域：

<2>适应度函数设计：

<3>生成初始种群：

<4>更新荧光素：

<5>移动概率计算：

<6>移动位置更新：

<7>对不可行解修复：

<8>决策域更新：

当运行完成后，即完成一次含分布式电源的配电网孤岛划分，此时，记录此次孤岛划分方案，当所有试验完成后，统计孤岛划分方案并加以比较，选取最优的孤岛划分方案作为初步孤岛划分方案；

所述根据所述含分布式电源的配电网的拓扑结构，和各负荷的重要程度参数，通过权值整定将所述拓扑结构转换为无向赋权图，包括：

获取孤岛划分的目标函数其中，N为非故障失电区域内的负荷的数目，P_i为负荷L_i消耗的有功功率，ω_i为负荷L_i的重要程度参数，且ω_i与负荷L_i的重要程度正相关，x_i为一个二进制的变量，且x_i＝1表示L_i被接入孤岛，x_i＝0表示L_i未接入孤岛；

依据所述孤岛划分的目标函数和孤岛划分的约束条件，获取所述含分布式电源的配电网的无向图，所述孤岛划分的约束条件包括：孤岛内的总的负荷功率之和不大于分布式电源的容量，且35kV及以上供电电压正负偏差的绝对值之和不超过额定电压的10％，10kV及以下三相供电电压允许偏差为额定电压的±7％，孤岛内支路电流不超过负荷的额定电流，且孤岛采用辐射状配电网；

对所述含分布式电源的配电网的无向图的边进行赋权，得到所述无向赋权图，其中，所述无向图的每一条边连接着两个负荷节点；

对于一条边连接的两个负荷节点a和b，将a和b的权值整定为：其中，节点a代表的负荷及其重要程度分别为P_a和ω_a，节点b代表的负荷及其重要程度分别为P_b和ω_b，则λ_a＝P_a*ω_a，λ_b＝P_b*ω_b；

P_DG为孤岛内分布式电源容量，U_b，U_bmax，U_bmin分别表示孤岛节点电压及其上下限；I_l，I_l,max分别表示孤岛支路电流及其上限，f，f_max，f_min表示孤岛频率及其上下限；TopologyConstraint表示孤岛辐射状拓扑约束。

2.根据权利要求1所述的方法，其特征在于，还包括：

识别接入了所述含分布式电源的配电网中的分布式电源的类型；

建立所识别的分布式电源的输出功率模型，所述输出功率模型用于表示所述分布式电源的不确定性。

3.根据权利要求2所述的方法，其特征在于，所述建立所识别的分布式电源的输出功率模型包括：

若所识别的分布式电源的类型为光伏电源，则建立所述光伏电源的输出功率模型：P_v＝r·A·η，P_v为光伏电源的输出功率，r为光照大小，A为安装面积，η为组件转换效率；

其中，r符合光照强度的概率密度分布函数：且，Γ为伽马函数，r_max为最大光照大小，α与β为形状参数，根据指定时间内光照强度大小的平均值μ与方差σ得到：

和/或，若所识别的分布式电源的类型为风电电源，则建立所述风电电源的输出功率模型：P_g为输出功率，v为风速，v_ci为切入风速，v_co为切出风速，v_r为额定风速，P_r为发电机组额定输出功率；其中，v符合风速的概率密度函数k为形状参数，c为尺度参数；

其中，k和c根据实测风速历史数据，采用最小二乘法辨识计算得到：μ为平均风速，σ为风速的标准差，Γ为伽马函数。

4.根据权利要求1所述的方法，其特征在于，所述采用改进萤火虫算法对所读取的孤岛划分问题模型求解得到初步孤岛，包括：

采用蒙特卡洛法进行抽样，获取分布式电源的输出功率与负荷需求的预测结果；

针对于每一次的抽样结果，根据所述孤岛划分问题模型，采用改进萤火虫算法进行求解，得到对应每一次的抽样结果的孤岛划分方案；

从对应各个抽样结果的孤岛划分方案中确定初始孤岛方案，并对得到的初始孤岛进行整合处理。

5.根据权利要求4所述的方法，其特征在于，所述整合处理包括：

合并所有相邻的一个支路孤岛，将两个孤岛可以通过一条支路直接连接；

和，合并所有包含同一负荷节点的孤岛。

6.根据权利要求4或5所述的方法，其特征在于，还包括：

对经过整合处理得到的孤岛，检测其孤岛内功率是否存在冗余；

若是则将该孤岛周围具有最高优先级的可控负荷点加进该孤岛内，直到剩余处理功率小于预设门限。

7.根据权利要求1所述的方法，其特征在于，所述采用随机潮流和灵敏度校验算法，调整并校验所述初步孤岛，包括：

对每个孤岛采用随机潮流算法，并计算得到每个孤岛中所有节点的状态参数，所述状态参数包括节点的有功出力、无功出力、节点电压、线路视在功率等均值和方差；检测所述状态参数中的各个参数是否满足各自对应的约束上下限，若是则表示孤岛安全运行；

若否，则采用灵敏度校验算法，调整孤岛中各个分布式电源的有功无功出力，电容器投入和负荷节点负荷值，直至消除所述状态参数中的各个参数相对于各自对应的约束上下限的越限。